Documentos de Académico
Documentos de Profesional
Documentos de Cultura
A R M A N D O 0. ROJ O
IIUIIII
EL ATENEO
lgebra II
Armando O. Rojo
f in fii LIBRERIA-EDITORIAL
IMI*m E L ATENEO
512 (075) Rojo, Armando O.
ROJ Algebra II. - 13a. ed. - Buenos Aires: El Ateneo,
1995.
XII, 396 p.; 23 x 16 cm.
ISBN 950-02-5205-8
Advertencia im portante:
Los infractores sern reprimidos con las penas del artculo 172 y
concordantes del Cdigo Penal (arts. 2, 9 ,1 0 , 71, 72 ley 11.723).
Im p reso en T. G. C O L O R E F E ,
Paso 192, A v ellaned a, Bs. As.,
el 6 d e m arzo de 1995.
Tirada: 2 .0 0 0 ejem plares.
IM P R E S O E N LA A R G E N T IN A
Este libro responde a los contenidos de la asignatura A L G E B R A L IN E A L , que
figura en los pians de estudios dei ciclo bsico de M a tema tica de las facultades e
institutos de profesorado. Se supone adquirido el conocimiento de los temas
relativos al lgebra de conjuntos, relaciones, y funciones, y de las estructuras de
grupo, anillo y cuerpo. Esencialmente se desarrolla a q u la estructura de espacio
vectorial y se estudian los modelos particulares indispensables en Ja formacin actual
de profesionales y en las aplicaciones a disciplinas de uso cotidiano, entre las que
citamos, p o r ejemplo, la Estadstica y la Investigacin operativa.
E l esquema seguido es anlogo a! expuesto en Algebra I, editado por EL
A T E N E O en 1972. La teora es ilustrada con el desarrollo de ejemplos en (os que el
alumno puede apoyarse. En cada captulo se propone un trabajo prctico cuyas
respuestas se sugieren en el texto.
Agradezco a la editorial EL A T E N E O y a su personal la colaboracin que me
han brindado en todo lo concerniente a esta publicacin.
A R M A N D O O . RO JO
5. 2. Determinantes 155
5. 3. Propiedades de la funcin determinante 157
5. 4. Existencia de D 161
5. 5. Unicidad del determinante 163
5. 6. Determinante de la traspuesta 166
5. 7. Determinante del producto de dos matrices 169
5. 8 . Adjunta de una matriz cuadrada 170
5. 9. Inversin de matrices no singulares 172
5.10. Regla de Cilio 174
Trabajo Prctico V 177
INDICE 393
Captulo 1
1.1. INTRODUCCION
Ejemplo 1-1.
Sean: V = R2, K = R, la adicin definida en R2 por
(a , b) + (c , d) = (a + c , b + d) ( 1)
A 9 . o ^ ( a , b ) + ( c , d ) ^ = a(a + c , b +-d)~ (a + c) , ot (b + d) j =
= (cta + 0 i c , o t b + a d ) ~ (ota, a b) + (ote, a d) = a ( a , t) + ct(c ,d )
Segn (1), (2), distributividad de la multiplicacin respecto de la adicin en R, y las
definiciones ( 1) y (2).
Ejemplo h2.
a (a , b) = (a , a) (2)
a | /3 (a , >)J = a (a , a) = (a , a) = (a j3) (a , b)
(a + j3) (a , b) - (a , a)
pero
a (a , b) -f |3 (a , b) = (a , a) + (a , a) = (2a , 2a)
Ejemplo 1-3.
La estructura de espacio vectorial no es un sistema axiomtico independiente, pues A5
puede deducirse sobre la base de los restantes axiomas.
En efecto
x + x + y + y = lx + lx + ly + ly =(1 + l)x + (1 + l)y ~ (1 + 1) (x
= 1 (x + y) + 1 (x + y) = lx + ly + lx + ly = x + y + x + y
O sea
X + x + y +y. ~ X + y + x + y
Por ley cancelativa en el grupo (V , + ) resulta
x + y =y + x
Por A 3 y A9 es
a x = a ( x + 0) = a x + a 0
Entonces
a x + a 0 =a x
Por A3
jO&C+ a 0 =JQrtC+ 0
x = 0 ^ ft= 0 v x " 0
Se presentan dos posibilidades: a = 0, o bien, a ^ 0
En el primer caso es verdadera la primera proposicin de la disyuncin que figura en la
tesis, y por consiguiente sta es verdadera.
En el segundo caso es necesario probar que x - 0.
En efecto, siendo a^ 0, existe el inverso multiplicativo en K, a -1. Partiendo de la
hiptesis, premultiplicando por a 1, usando A7, 1.3.2., el producto de inversos en K y A(0
se tiene
a x - 0 =>a -1 ( a x ) = a1 0 => (a~l c)x - 0^> lx 0 >x - 0
(--a) x = (a x)
Teniendo en cuenta A4, 1 . 3 . 1 la suma de opuestos en K y A8, es
- ( a x ) + a x = 0 = 0 x = ( - a + a) x = ( - a ) x + a x
De
( a) x +J3tjxr= (a x) +_a-x
despus de cancelar, resulta
(a ) x = - ( a x )
En particular se tiene
(1) x = (1 x) = - x
= f ( x ) + ( g ( * ) + h ( x ) J = f ( x ) + (g + h) (x) = ( f + (g + h ) ( x )
A7 . Sean a e K , j 8 e K y f e K x .
Entonces
| a (0 f ) j (x:) = a | ( 0 f ) ( x ) ) -a . ( p f ( x ) j ~ ( a 0) f ( x ) = ( ( a 0) f ) (x)
Luego
a(0f) = (a0)f
A8 . Considerando
a e K , 0 e K y f e Kx es
(a + 0 ) f = a f + 0 f
A9 . Sean a e K, f e Kx y g e Kx .
Por ii), i), distributividad del producto respecto de la suma en K y por las definiciones ii)
y i) se tiene
O sea
a ( f + g) = a f + a g
Luego
1f= f
a 11 a \2 d\m
d2l d 22 - d2m
au an ^lm '
a2\ 022 @23 2m
I * @nm
A = (tfy) donde i= 1, 2, . . n y / = 1, 2, . . m
El vector nulo del espacio K "x m se llama matriz nula; la denotaremos mediante N, y est
definida por = 0 V i V /.
B=
resulta
1 0 - 1\
c=l +
3 2 1 I
Ejemplo 1-5
Sea R [X] el conjunto de los polinomios reales en la indeterminada X. La suma en
R [X] se define como en 12.2.2., Algebra 1, del mismo autor. El producto de escalares
reales por polinomios es el habitual, o sea si e K y P eR [X ], entonces a P es la
funcin de N0 en R definida por (a P) (i) = a P (z), cualquiera que sea / e N0.
Resida (R [X] , +, R , .) el espacio vectorial de los polinomios reales en la indetermina
da X sobre el cuerpo de los nmeros reales.
El conjunto de los polinomios reales de grado 2 no es un espacio vectorial sobre el
cuerpo de los reales, porque la suma no es una ley de composicin interna en dicho
conjunto. Pero el conjunto de los polinomios reales de grado menor o igual que 2 y el
polinomio nulo constituye un espacio vectorial sobre R.
Ejemplo 1-6
Sea S el conjunto de las funciones reales definidas en [0,1 ] tales que f (0) = 0, es decir
S = { f : [0,1] -> R / f (0) = 0 }
Los restantes axiomas, lo mismo que A2 y ASl por ser identidades en R>11 se
cumplen en S ya que S C R0*1\
En consecuencia, (S, + , R , .) es un espacio vectorial.
1.8. SUBESPACIOS
1.8.1. Concepto
Dados el espacio vectorial (V, + }K , .) y el conjunto novaco S C V, si S es un espacio
vectorial sobre el mismo cuerpo K y con las mismas leyes decomposicinque en V, diremos
que (S, + , K , .) es un subespacio de (V, +, K , .), o simplemente, que S es un subespacio de
V.
Definicin
S es un subespacio de (V, +, K , .) s y slo si (S, +, K, .) es un espacio vectorial.
Cualquiera que sea (V, +, K , .), tanto V como j 0} son subespacios de V, llamados
triviales.
Ejemplo 1-7
Consideremos el espacio vectorial (R 2, +, R , .) y los subconjuntos
T ~ j ( x , x ) e R 2 y = x + *} S = {(*,>) e R2 />> = 2 x }
Demostracin)
Io Consideremos dos vectores cualesquiera x e y en S. De acuerdo con la condicin 2. de
la hiptesis, por 1.3.4. y por la condicin 1. de la hiptesis,se tiene
xeSAyeS^ x e S A ( - l ) y eS=> x e S A - y e S => x + (-.y )e S
Ejemplo 1-8
Sean: el espacio vectorial (R3, +, R , .), y el conjunto S de las ternas ordenadas de R
tales que la tercera componente es igual a la suma de las dos primeras.
O sea
S = { (*!, X 2l X3) e R 3 / X3 = X y + x 2
* i + x 2 ~ X3 = 0
Ejemplo 1-10
Dado el espacio vectorial (R4, +, R , .) consideramos
Se verifica que
1. S # 0 , pues (1, 0, 0, 0) 6 S
2. S C R4 por la definicin de S
3. S no es cerrado para la suma ya que
(l,l,-l,0)eS a (1, 1 , - 1, 0) e S pero
( 1, 1, - 1, 0) + ( 1, 1, - 1, 0) = (2, 2, - 2 , 0 ) S
En consecuencia, S no es un subespacio. Por otra parte, el vector nulo no pertenece a
S, y esto basta para que no sea un subespacio.
Ejemplo 1-11.
Sea (Rxn, +, R , .) el espacio vectorial de las matrices cuadradas reales de n filas y n
columnas.
Si A R"*" escribimos
/ 11 12 . i n \
21 22 2 n
A=
\ n 1 n2 un /
Por definicin, traza .de una matriz cuadrada es la suma de los elementos de su
diagonal. La notacin es
ti-A = au + a 2 I + . . . + a n n = X a u
El conjunto
S = { A e R " xn / tr A = 0
Ejemplo 1-12.
0 e S i , V/ e I =>0 e 0 s =>
ie I
H eS, -l
i el
^ x + y e H s ^ x + yeS
ie
=>otxe H s . ^ a x e S
el
Ejemplo 1-13
En (R3, +, R , .) consideramos los subespacios
Si x i, *3 ) eR3/x3- 0 ) s2 = (x1(xi,x3) eR3/*i =0
La interseccin de estos es
S = S, n s 2 = \ ( x x,X' , X s ) e K ? x x = 0 a x 3 = 0 (
Esto significa que un vector genrico de S es una terna del tipo (0 }Ar2, 0) que puede
expresarse mediante (0, a, 0) para algn a en R.
Entonces
S = ((0, a, 0) e R3 /a e R )
O sea, S es el eje x 2
Si O S2
Subespacios de R3 son: R3 , {0 }, todas las rectas que pasan por el origen y todos los
planos que pasan por dicho punto. Dos rectas distintas que pasan por el origen son
subespacios cuya interseccin es el vector nulo, y se llaman disjuntos.
Ejemplo 1-14
Consideremos primero los subespacios de R 3
El subespacio suma S = Sj + S2 est formado por todas las temas del tipo
(* ,F + 0 ",7 ) = ( , 0 , 7 )
En cambio, si
Si H ( a , 0 , 0 ) / a R j y S2 = ( 0 , / 3 , 0 ) / j 3 e R |
se tiene
S = S, + S 2 = ( a J , 0 ) / a e R A ( 3 e R l
Definicin
Suma de los subespacios S j , S2,. . Sn de (V, +, K , .) es el conjunto
S = 1=
21 s / = {1x e V/x =i^l
2 X/AXf eS, * v/ = l ,72 ?........b|
j j
i : j ^ s i n s j = {o}
S = Si S2 . . . S
Ejemplo 1-15
Sean S, T y U subespacios de (V, +, K , .), tales que T C S . Entonces se verifica que
sn(T + u) =T + (snu)
Io. x e S n ( T + U ) = > x e S A x e T + U=>
=!>,x e S A x = x i + x2 axi c T a x 2 e U= >
^ (xi + x2 eS axj eS) a x2 eU a Xi e T =*
^ X ! T a x 2 e S a x 2 e U =>
=> x l c Ta x 2 e s n u ^ x j + x 2 e T + ( S n U ) =
=* x e T + (S n U)
O sea
sn(T + u )cT + (snu ) (i)
=*Xi T a x 2 c S a x 2 e U =>
' x t e T A x ! e S A x 2 6 S ax2 eU=>
= Xj + x 2 e S A X j + x 2 e T + U =>
=>x, + x 2 e S n ( T + U ) = s - x e S n ( T + U)
Luego
T + (S O U) C S n (T + U) (2)
De (1) y (2) resulta la igualdad.
f
I
TRABAJO PRACTICO I
1-16. Determinar si las cuaternas que se indican denotan espacios vectoriales con las
operaciones que se indican
ii) T = |( x , y ) ^ x + y = x - ^ y )
S = ( A e R n*n a u ^ a j i V/ V/
T = ( A e R n*n / a ii = - a Ji V/ V/ )
2.1. INTRODUCCION
2.2.1. Concepto
Sea A = | v r> v2, . . v } una familia o conjunto de vectores del espacio (V, +, K ,.).
Entenderemos por combinacin lineal de la familia A toda suma de productos de escalares
arbitrarios de K, por los vectores de A.
Definicin
Combinacin lineal de la familia A C V es todo vector del tipo
n
2 ctf vf = a , vi + <x2 v2 + . . - + vn / oc e K av e A
En particular, si todos los escalares son nulos, la combinacin lineal se llama trivial y se
obtiene el vector nulo.
Definicin
El vector v e V es combinacin lineal de la familia A C V, si y slo si existen escalares
, <*2> -A i tales que
n
v = 2 o{ v,
Ejemplo 2-1.
S e a n l o s v e c t o r e s v t = ( - 1 , 0 , 2 ) y v 2 = ( - 1 , 2 , 4 ) e n R 3 . D e t e r m i n a m o s si lo s v e c t o r e s
v = ( 1, 1, 3 ) y u = ( 1 , 2 , 2 ) s o n c o m b i n a c i n lin e a l d e V j y v 2 .
1. P a r a q u e v s e a c o m b i n a c i n l i n e a l d e V j y v 2 d e b e n e x i s t i r e s c a l a r e s o j y a 2 t a l e s
que
i v i + a 2 v2 = v
O sea
i ( - 1 , 0, 2) + a 2 ( - 1 , 2 ,4 ) = ( - 1 ,1 , 3)
P o r d e fin ic i n d e le y e x te r n a es
P o r s u m a d e te rn a s
( - Oii - a 2 ) 202 , 2 o ! + 4 o t 2 ) = ( - l , 1 , 3 )
P o r ig u a ld a d d e te m a s re s u lta
0j 02 = 1
2 o2 = 1
2 o t i + 4 o2 - 3
E n to n ce s
oi + o2 = 1
VC
Ikli + 2d2 =
2
S u s t i t u y e n d o a 2 = e n la p r i m e r a e c u a c i n , se tie n e
, 1 1
Oi + = 1 =
2 2
C o m o a m b o s v a l o r e s ocj = y ct2 = s a t i s f a c e n l a t e r c e r a r e l a c i n e s v = v . + v 2 .
2 2 2 2
O s e a , v p u e d e e x p r e s a r s e c o m o c o m b i n a c i n lin e a l n ic a d e Vj y v 2 .
2 . Si u = ( 1 , 2 , 2 ) , e n to n c e s p r o c e d i e n d o a n lo g a m e n te s e lle g a a
' a i a 2 = 1 / ot| + a 2 = 1
2 o2 ~ 2 o bien / a2 = 1
2cti + 4oc2 = 2 ( ot| + 2a2 = 1
De donde
ot2 - 1 =*, + 1 = -1 ^ c t i = 2
Al sustituir en la tercera ecuacin
- 2 + 2 . 1= 0^1
Entonces u no es combinacin lineal de vt y v2.
Ejemplo 2-2.
En el espacio vectorial de las funciones reales de una variable real (Rr , +, R , ,) sean las
funciones f y g definidas por
= y 8 () = 3t
Determinar todas las combinaciones lineales, es decir, los escalares a y b, tales que
ai +
a e* = 0
En consecuencia es a = 0.
Luego, la nica combinacin lineal de f y g que da la funcin nula es la trivial. Toda vez
que esto ocurra, diremos que los vectores, en este caso f y g, son linealmente
independientes.
Decidimos si el vector v = (1, 2 ,3 ) es combinacin lineal de la familia cuyos elementos
son los vectores de R3
Vj - ( 1, 0 , - 1) \ 2 = ( 0, 1, - 1) v3 = ( 1, 1, - 2)
Investigamos si existen escalares reales a, b ye , tales que
av j + v 2 + c v 3 =v
Entonces, debe ser
a (1, 0, - 1) + b (0 , 1, - 1) + c ( 1, 1, - 2) = ( 1, 2,3 )
Efectuando operaciones
(a, 0, - a) + (0, b, - b) + (c, c, -2 c ) = (1 ,2 , 3)
(a + c, b + c, - a - b '-2 c ) - ( 1 , 2 , 3)
Por igualdad de ternas es
a + c~ 1
b +c=2
a b - 2 c = 3
Sumando las tres relaciones se tiene
0=6
lo que es imposible.
En consecuencia, v no es combinacin lineal de Vj, v3, y v3.
Ejemplo 2-3-2.
En el espacio vectorial (R2X2, +, R , .) se consideran las matrices
0 + / ' ) + / L 0 0
0 aI (0 \7 yI \0 0
'* + 0 0 \ 0 0
0 + y <x + y ) \0 0
A = | S <x v I o K a ^ e A j
Ejemplo 2-4.
El conjunto de todas las combinaciones lineales de los vectores
vi = ( 1 ,0 ,1 ) y v2 = (0, 1, 1) de R3
es
A = { i ( 1 , 0 , 1) + a 2 ( 0 , 1 , 1 ) / i c R a o j e R )
= {( 1 , 0 2 , + a 2) / i e R a a 2 e R )
En consecuencia, a A pertenecen todas las ternas cuya tercera componente es la suma
de las dos primeras.
Podemos escribir
A - j (Xj, x 2, x 3) R3 / x 3 - x x + x 2 )
Luego
ve A ^ v e V
O sea
ACV
_ __ n n n n
v eA a u e A =*v = 2 a v , a u = S v + u = 2 a, v + 2 0t v =>
f=l =1 J=1 1=1
n n n
=>v + ni = 2^ (a* Vi + Vf) =* v + u = 2^ (a, + ft) v =>v + u =^2^ y Vi => v + u e A
4. A es cerrado para el producto por escalares.
Sean a e K y v e A .
__ n
aeK AveA=>aeK av= S a; v, =>
=i 1
n n n n _
** a v - a ^ a, v = .2 a (a* v,) ~ (a a f) v, = 2 0 \ = a v e A
Como se cumplen las hiptesis del teorema 1.8.2., resulta (, +, K ,.), un subespacio de
(V, +, K , .).
Definicin
El subespacio de las combinaciones lineales de la familia no vaca A C V se llama
subespacio generado por A.
Ejemplo 2-5.
Determinar el subespacio de (R3, +, R ,.) generado por la familia A cuyos elementos
son los vectores
v, = ( 2, 1, 2) y v2 = ( 1, 2, 1)
Por definicin, el subespacio A es el conjunto de las temas (xi, x 2, * 3) e R 3 tales que
C xi,*2,*3) = ai (2, 1, 2) + o* ( 1, 2, l)
= (2 ft1, J l 2 i ) + (a2, 2c2, o2)
= (2 atj + a2 , a t + 2a 2, 2t + a 2)
Por igualdad de ternas es
j 2 j + a 2 = x ,
o ti + 2a t ~ x 2
2 <*! + a 2 = x 3
Ejemplo 2-6.
Obtener el subespacio de (R2 x2, +, R , .) generado por las matrices
1 0\ /0 1 0 o
V l= l0 -1 H o o 1 o
A = { 2 a V / oi e K a V,- e A }
1 0' 0 1 0 0 a b
>0 0 + 3 \ 1 0 , c d
(; - * .)
2.3.3. Propiedad
( v i , v 2,. .,v) C V
Tesis) A = 0 S.
el 1
Demostracin)
Probaremos lasaos inclusiones que conducen a la igualdad.
1 . C 0 St
iel
En efecto
_ n
x e A ^ x = 2 <Xj Vj a aj e K a v/ e A =>
n
=>x - . 2 ctj v a ay e K a v e S , VieI=>
=>x e S i , Vi e I =* x e O S,
ie I
2. n s,c
iel 1
En consecuencia
n S C
iel 1
Por lo tanto
= n s,
iel 1
En virtud del teorema demostrado, observamos que el subespacio generado por una
familia no vaca de vectores de V zi el mnimo subespacio, en el sentido de inclusin, que
incluye a A .
Ejemplo 2-7.
Demostrar que los siguientes conjuntos de vectores generan el mismo subespacio de
R3.
A = | (1, 1 , 1 ) ,( 3 ,0 , 1 ) ) B = ((-2 , - 1 ,0 ) ,( 5 ,- 2 ,3 ) }
Determinaremos A y B.
1. A A pertenecen las ternas (x, y, z), tales que
(x ,^ z ) = ( l , - l , l ) + u ( 3 , G , 1)
Entonces
(x, y , z ) = (t, ~t, t) + (3u, 0, u)
(x, y , z) = ( + 3 , - / , t + u)
Luego
x = t + 3u
<y - - t
,z-t +u
Como t - - y , se tiene
* = y + 3u
z - ~y + u
O sea
| x = - y + 3u
i 3 z = ~3y + 3u
Restando
x 3z ~ 2y
Resulta
A = I (x,y,z)eR3 / x - 2 y ~ 3 z = 0
Como u = z , se tiene
3
x =-2 t + 2
3
y ~ t z
3
O bien
-2 t + z
3
2y = - 2 ----- z
3
Restando
jt 2jy = 3z
Luego
B = ( (*. y, z ) e R 3 x - 2y - 3z = 0
Resulta
A= B
La ecuacin x 2y 3z = 0 corresponde a un plano que pasa por el origen.
Ejemplo 2-8.
El subespacio de (V, +, K , .) generado por un vector v es, en particular, el conjunto de
todos los mltiplos escalares de v, o sea
\ k v / k e K
Determinamos el subespacio de R2 generado por v = (1,2).
Llamando S a tal subespacio, se tiene
S - I (xi, x 2) l k ( 1, 2) |
En consecuencia
( x , x 2) ~ ( K 2k)
O sea
Xi = k y x 2 = 2k
Eliminando el parmetro k entre ambas relaciones, resulta
x 2 = 2x
O lo que es lo mismo
2jc - x2 - 0
Entonces
S = | (^, x 2) e R 2 / 2 x x ~ x 2 = 0}
S es la recta que pasa por el origen representada en la figura
2.4. DEPENDENCIA E INDEPENDENCIA LINEAL
En el ejemplo 2-2 hemos demostrado que la nica combinacin lineal de los vectores f y
g, cuyo resultado es el vector nulo, es la trivial. O sea
a i + b g = 0=>at=b = 0
Definicin
Definicin
El conjunto A C V es linealmente independiente si y slo si todo subconjunto finito de
A es linealmente independiente.
Esta definicin extiende el concepto de independencia lineal a toda familia de vectores de
un espacio V.
Ejemplo 2-9.
Dado el espacio vectorial (R 3, +, R ,.) determinar si los siguientes conjuntos de
vectores son linealmente independientes.
i) A = |( 1 , 0 , 0 ) , ( 0 , 1,0),(0,0,1))
a j + a 2 + o3 ~ 0
- a , + a2 =0=>at =a2
2<x 2 + a 3 = 0 => 0f3 = - 2a^
Las infinitas soluciones de este sistema de ecuaciones son
Oix~k
=k
a 3 = 2 k con k e R
En consecuencia, B no es linealmente independiente, ya que los escalares no son
necesariamente nulos. Ms an, existen infinitas combinaciones lineales no triviales
cuyos resultados son el vector nulo.
Ejemplo 2-10.
En (R!,+ , R , .), donde I = [0 , 1], los vectores Vi =sen y \ 2 =cos son linealmente
independientes.
Sea
a, sen + a 2 eos = 0
V t e [0 ,1] es
(! sen + a 2 eos) (f) = O ()
Por definicin de suma de funciones y de funcin nula
Derivando
a! eos t - a2 sen t = 0 (2)
Resolvemos el sistema respecto de a , y a 2 :
sen t eos t
~ = ~ sen t - eos t = ..1
eos t - sen t
0 eos t sen t 0
a
Att] = ^0 0
u
o*
0 - sen t eos t 0
Y la nica solucin es
oj = c2 = 0
O sea
v i , v 2 I es linealmente independiente
Ejemplo 2-11.
Sabiendo que dos vectores Vj y v2 son linealmente independientes en (V, +, K , .)
demostrar que Vi + v2 y v2 son linealmente independientes.
2,4.2. Propiedad.
v = e i v,
i=l
Entonces
2 o t i V i - X ftv,
=i 1 =i ri '
O sea
2 otiVi-2: vf = 0
i=l 1=1
Luego
2 (tt(-ft)v= 0
i=l
Y como la familia es linealmente independiente, se deduce que
ce, - j3f = 0 = ol = 13/ Vi = 1, 2, . . ., r
En consecuencia, la combinacin lineal es nica.
Definicin
La familia A C V es linealmente dependiente si y slo si no es linealmente
independiente.
A es linealmente dependiente o 3 i / . o vf = 0 a oc = 0.
La dependencia lineal de un conjunto finito de vectores significa que tiene que existir, al j
menos, una combinacin lineal de stos que d el vector nulo y que no sea trivial.
Para investigar la dependencia lineal de una familia de vectores, se propone una |
combinacin lineal de dicha familia, con escalares a determinar, que sea igual al vector nulo.
Si algn escalar es distinto de 0, entonces la familia es linealmente dependiente. j
i
Ejemplo 2-12,
I
Los vectores (2,4) y (1, - 2) son linealmente dependientes en (R2, +, R ,.).
En efecto, sea
i ( - 2,4 ) + o* ( 1, - 2) = (0, 0)
Por definicin de producto de escalares por pares y por suma de pares es
/1 o\ / 0 1\ / 0 0\ /0 0
En = E ,a = E2l = { E22 =
'0 0/ VO 0/ \i o/ \o 1
son vectores linealmente independientes del espacio vectorial (K2x2,+ , K ,.), pues
cualquiera que sea la combinacin lineal de los mismos con escalares en K, cuyo
resultado sea la matriz nula, es la trivial. En efecto
/ i 0\ / 0 0(2 \ /0 0\ /0 0\ /0 0
* \0 0 /r \0 0 Ir \ a3 0 1M ' 0 Ct4 l
H \ 0 0
al a2 \ / 0 0
3 <*4 / \ 0 0
fr
Luego
En cambio, las matrices
1 0\ -1 0
A= y B=
1 0 -1 0
i -0(2 0
1-02 O
O sea
ai - = O => a 1 ~ot2 =: k \f k e K
Por consiguiente, existen escalares no simultneamente nulos que satisfacen la relacin
anterior, lo que prueba la dependencia lineal.
2.4.3. Propiedades
n
ttf1 (otj vy) = (- o tf1) 7 g ' o( v
Por inversos en K y A7 es
Vy ~ X. V/
fe-l
I o. A = j v1? v2) . . vr } es LD a 0 / A => 3 k f 2 < a vk = 2 a f v*
De acuerdo con los conceptos anteriores podemos afirmar que las siguientes proposiciones
son equivalentes:
a) A es L.I.
b) Toda combinacin lineal de la familia A, cuyo resultado sea el vector nulo, es la trivial.
c) Ningn vector de A es combinacin lineal de los dems.
Anlogamente son equivalentes:
a) A es L.D.
b ) Existe una combinacin lineal de la familia A con escalares no todos nulos, cuyo
resultado es el vector nulo.
c) Algn vector de A es combinacin lineal de los dems.
En el espacio vectorial de los polinomios reales sobre el cuerpo de los reales, P y Q
definidos por
P (x) = x 2 + x Q ( x ) = -2 x
son linealmente independientes.
Sea
aP + bQ = 0 donde 0 denota el polinomio nulo
Cualquiera que sea x e R se verifica
(aP 4 bQ) (x) = 0 (x)
Por definicin de suma de funciones y de polinomio nulo es
(aP) (x) + (bQ) (x) = 0 Vx eR
Por definicin de producto de escalares por polinomios, se tiene
aP (x) + bQ (x) = 0
O sea
a (x2 + x ) + b ( - 2x) = 0
Luego
ax2 + (a - 2b) x ~ 0 Vx e R
Si x = - 1 , se verifica a - a + 2b = 0, y en consecuencia b = 0.
Entonces es ax2 + ax = 0, y haciendo x - 1, resulta 2a = 0, o sea, a = 0.
2.5.1. Concepto
Si un conjunto no vaco de vectores de un espacio (V, 4-, K , .) es tal que todo vector de V
puede expresarse como combinacin lineal de dicho conjunto, entonces se dice que ste es
un sistema de generadores de V. Esto equivale a decir que el subespacio de V generado por
tal conjunto es el mismo V. El concepto de sistemaide generadores de un espacio vectorial es
independiente de la dependencia o independencia lineal del sistema. O sea, un sistema de
generadores puede ser linealmente independiente o no.
Definicin
La familia A = | v 1, v2, . . vr } es un sistema de generadores de V si y slo si todo
vector de V puede expresarse como combinacin lineal de los vectores de A. O bien, A
es un sistema de generadores de V si y slo si el subespacio generado por A es V.
Las notaciones S.G. y C.L. son abreviaturas de sistema de generadores y
combinacin lineal , respectivamente.
La traduccin simblica de la definicin anterior es
r
A es un S.G. de V <* v e V =>v = 2 a, v
f=l 1 1
O bien
A es un S.G. de V o A = V
Ejemplo 2-15.
El conjunt A = | (1, 0) , (0 ,1 ) , (1, 1) } es un sistema de generadores de R2.
En efecto, s (a , b) es cualquier vector de R2, deben existir escalares a, 0 y 7 tales que
a ( 1, 0) + 0 (0, 1) + 7 ( 1, 1) = (/, b)
O sea
(a + 7 ,0 + 7 ) = (a , b)
Luego
ct + y - a A /3 + 7 ~ b
En consecuencia
a =a - k , $ ~ b -k , 7-k V keR
Este resultado nos dice que, efectivamente, A es un S.G. de R2 , y adems, que
cualquier vector del espacio puede expresarse de infinitas maneras como C.L. de los
vectores de A. Por otra parte, es fcil verificar que A constituye una familia L.D.
En el ejemplo 2-6 est demostrado que las matrices V j, V2 y V3 constituyen un
sistema de generadores del espacio vectorial de las matrices reales de traza nula del tipo
2 X 2 . Adems, tales matrices son linealmente independientes.
2.5.2. Propiedad
r r
= -S ta, ft, + <,), = 2 y, v,
Ejemplo 2J 7.
Determinamos si los vectores Vj = ( 1 , 1 , 1 ) , v2 = ( 1 , 1 , 0 ) y v3 = ( 1 ,0 ,0 ) de
(R3, +, R , .) constituyen un sistema de generadores de R3.
El problema se reduce a investigar si existen escalares reales a, 0 y 7, tales que
cualquiera que sea {a, b , c) e R3 se verifique
<*(1,1, 1) + 0(1,1, 0) + y(l, 0,0) = (a , , c)
(a + 0 + y , a. +18 , a) = (a , b , c)
Luego
De donde resulta
a = c , (i = b c , y ~ a b
En consecuencia, todo vector de R3 puede expresarse como C.L. de los vectores
propuestos. Observamos, adems, que tal C.L. es nica para cada v e R3.
En el caso en que (a , b , c) sea el vector nulo, los escalares son nulos, y en
consecuencia los vectores v x, v2 y v3, adems de constituir un S.G., son L.I.
Por este motivo se dice que tales vectores son una base de (R3, +, R , .).
Definicin
La familia A C V es una base de (V, +, K,.) si y slo si es un. conjunto linealmcnte
independiente y sistema de generadores de V.
A C V es una base de V o A es L.I. y A = V
Ejemplo 2-18.
Una base de (K", +, K , .) es el conjunto de vectores
e J ~ ( 1, 0, 0,. . . , 0)
e2 = (0, 1, 0 , . . . , 0)
ert = (0, 0 , . . . , 0, 1)
Ejemplo 2-19.
En el ejemplo 2-13 se demostr que las matrices E n , E 12 , E21 y E22 constituyen
una familia linealmente independiente del espacio (K2x2, + } K ,.).
Adems, tal conjunto es un sistema de generadores de dicho espacio, y en consecuencia
es una base del mismo. La llamaremos tambin base cannica de K2 x2.
Ejemplo 2-20.
Determinar una base del subespacio de (R 3, + , R , .) estudiado en el ejemplo 1-8.
Tal subespacio es
S ~ { (xl f x 2- * 3 ) e R 3 f x 3 + * 2)
Si (a , b , c) es un vector genrico de S, entonces se tiene c =a + b, y en consecuencia
podemos escribir, en virtud de las leyes de composicin en S :
(a, b, c) = (a, b ,a + b) = (a, 0, ) + (0, b, b ) ^ a ( 1, 0,1 ) + b (0,1, 1)
Este resultado nos dice que los vectores de R 3
Vi = ( 1, 0, l ) y v2 = ( 0 , 1, 1)
constituyen un sistema de generadores de S. Adems, son linealmente independientes,
pues
a ( 1, 0, 1) + Z>(0, 1, 1) = (0, 0, 0) =* a = = 0
Por consiguiente, Vi y v2 constituyen una base de S.
Ejemplo 2-21.
Determinar las coordenadas de x = (2, 3) perteneciente a (R2 , +, R , .), respecto de
las bases:
i ) (v]= {(1, 1) , ( 1, 0) |
i) [w] = | ( - 2 , 3 ) , ( 1, 2 ) |
iii) cannica
En el primer caso, planteamos la relacin lineal
(1 ,1 )+ 6 (1,0 ) = ( - 2 , 3)
Efectuando las operaciones, y resolviendo respecto de a y b, se tiene
(a + b,a) = ( -2, 3) =* a + b = - 2 y a = 3 =>
>a = 3 y b = - 5
En consecuencia, las coordenadas de x, respecto de la base [v], son: 3 y -5
Y puede escribirse
En el segundo caso, procediendo anlogamente, se llega a que las coordenadas de x son
1 y 0 , y por lo tanto
2.7.1. Concepto
En 2.6.4. hemos demostrado que si [v] es una base finita del espacio vectorial (V, +, K ,.),
entonces toda otra base de V es coordinable a [v]. Esto significa que dos bases cualesquiera
de un mismo espacio vectorial tienen el mismo nmero de vectores. Tal nmero se llama la
dimensin del espacio.
Definicin
Dimensin de un espacio vectorial V es el nmero cardinal de cualquiera de sus bases.
Si V consiste nicamente en el vector nulo, diremos que su dimensin es 0.
En ambos casos, V es un espacio de dimensin finita.
Si [v] = { Vi, v2, . . vn } es una base de (V, +, K , .), escribiremos
dimK V = n
Ejemplo 2-22.
Analizando ejemplos propuestos anteriormente se tiene que
dimKKn = n dimKK2*2 = 4
dimRRn = n dim^S - 2 siendo S el subespacio del ejemplo 2-20
El lector puede verificar que { 1, X, X2 | constituye una base del espacio vectorial de
los polinomios reales en la indeterminada X, de grado menor o igual que 2 y el
polinomio nulo, sobre el cuerpo de los reales. En consecuencia, su dimensin es 3.
2.7.2. Propiedad
=> o tj = fy -- 0 , V/
2 . [w] es S.G.
Por ser [v] una base de (V, +, C, .), para todo v e V, existen escalares< q+ fyeC tales
que
2.7.3. Propiedad
2.8.1. Propiedad
Si Si y S2 son dos subespacios de (V, +, K ,.) y la dimensin de V es finita, entonces se
verifica que
dim (Si + S 2) - d i m S i + dim S2 - dim (S n s 2)
Sean:
dim V = n . dim Si = n ' dim S2 = n
d im (s 1 n s 2) = p y dim S! + S2 = q
Se trata de probar que
q ) i + n - p
Consideremos S jO S 2 j 0 | y fx] = f x t , x2, . . Xp ) una base de St O S2.
Teniendo en cuenta que Sx n S2 es un subespacio de Sj y de S2, completamos la base [x]
a una base en cada uno de stos.
Sean
j x i , x 2 ) . . . . X p . y u y * , . . - , yn-~p} y
( x i . x a , .*xp,zi*z2 , . . zn" - p ) bases en
Si y en S2, respectivamente.
El conjunto
A - | X t) x 2j ., x)( yj j - > yn p , Zj, . . . , p j
es una base de Si + S2 , pues:
Io. AesS.G. d eS , + S2 .
En efecto, sea v e Si + S2 . Por definicin de subespacio suma es
v=x + y a xeSi a yeS2
Entonces
p n -P P P
v - 2^ af x t + .2 Pi y + a*t x + .2 0, z, =
= 2 (a, + a j) x, + 2 fa y + 2 / 3 z
(=1 1 /=1
2o. A es L.I.
Consideremos
p n -P n-p
2 a, x + 2 0 y + 2 y z = 0 ( 1)
=1 1=1 /=1
Entonces
n -p p n -p
t.5
1 y i l = - .2~ ,l a x<-
~ i l ft y i
y n"-P
^ 2,5 ^ ue Pertenece a tambin pertence a S j, o sea
n"-p
S 7; Zj e S! n S2
i=l
En consecuencia es
-P p
S y Z i= S i a Xi
O sea
p n -p
2^ a , x, - ^2 y i ~ 0, y por ja independencia lineal de la base de S2, se tiene:
a f = 0 , 7, = 0
Teniendo en cuenta (1) es
p n -p
t, a, X} + p y i ~ 0
/= 1 1 1 i= 1
Luego
<*1 = 0 , /5 = 0
Siendo A una base de Si + , resulta
+ (n - p ) = Q
Es decir
q =n + n~ p
Lo que se traduce en
Ejemplo 2-24.
Determinar la dimensin de la suma de los siguientes subespacios de (R3, +, R , .).
51 = | ( x j , z ) e R 3 / x + ; - 2 = 0
52 = i (x, y, z) e R3 / x - z = 0 )
Si y S2 son planos y la dimensin de cada uno de ellos es 2.
Si n s 2 = {(x, y, z ) e R 3 / x ~ z a y ~0
Todo vector de Si n S2 es del tipo
(a, 0, ) ~ a ( 1, 0, 1) Va e R
Luego
dim S t n S2 = 1
En consecuencia
dim (Si + S 2) = 2 + 2 - 1 = 3
O sea
S, + S2 = R3
2-25. Expresar en cada caso, si es posible, al vector v como combinacin lineal de vt y v2. El
espacio vectorial es (R2, +, R, .).
i ) v=(V2", - 1 ) , v, = (> /3 ,2 ) , v2 - ( >/6 , 2)
ii) v = (2 ,4 ) , Vj = ( - 1 , 3 ) , v2 = ( 2, - 6)
1 2
0 si - < x < 1 0 six e [ ,1 ]
3 l 3
f 3 ( x ) ~ 2 - x s i x [0, 1]
2-41. Proponer una base en cada uno de los siguientes espacios vectoriales:
2-42. Determinar el subespacio de (R3,+ ,R > .) generado por los vectores Vj =(1, -1 , 2),
v2 = (o, - 1 , 1) y v3 = (1 ,1 ,0 ). Obtener una base de dicho subespacio.
2-43. Demostrar que los siguientes conjuntos de vectores de (R3, +, R , .) generan el mismo
subespacio
A = { (1 ,0 ,-1 ) , (0 ,-2 ,1 )] B = { (1 ,-2 ,0 ),(2 ,-2 ,-1 )1
2-44. Determinar una base y la dimensin del subespacio de matrices de traza nula de
(R2X2,+ , R ,.).
2-45. En ( C \ + , R , .) se considera el subespacio S = { (z, u) e C2 / z - 2u = 0 }
Obtener una base y la dimensin de S.
2-46. En (R2 x2, +, R , .) se considera S = {A R2x2 / l2 (tfn + a 22) = 0}
Investigar si S es un subespacio, y en caso afirmativo obtener una base del mismo.
2-47, Investigar si S = | ( z , u) e C2 / z -~z + u = 0} es un subespacio en (C2 , + , C ,.) y
(C2 , +, R, .) Si lo es, determinar una base y la dimensin.
2-48. Determinar el subespacio S de (R3,+ , R , .) generado por los vectores (2 ,0 ,1 ) y
(1 ,0 ,1 ). Hallar una base de S y su dimensin. Proponer un subespacio T que no
contenga a los vectores dados.
2-49. Dados los subespacios de (R4 , +, R , .)
51 = { ( X l,* a * 3 ,* 4 )/* 1 + * 2 - * 3 + *4 = 0}
3.1. INTRODUCCION
3.2.1. Concepto
ii) la imagen del producto de cualquier escalar por todo vector de V es igual al producto
del escalar por la imagen de dicho vector.
f (ox) = a f (x)
Las condiciones i) y ii) se pueden reducir a la nica siguiente:
/ : V W es una trasformacin lineal si y slo si
/ ( a x + 0 y) = a / ( x ) + 0 / ( y )
cualesquiera que sean a y 0 en K, y x e y en V.
El lector puede demostrar por induccin completa que si / : V -> W es una trasformacin
lineal, entonces se verifica que
/( iS- l oc - i=l
J a,/(x)
cualquiera que sea n e N.
Esto nos permite afirmar que las tras formaciones lineales preservan las combinaciones
lineales.
Ejemplo 3-1
Sean los espacios vectoriales (R3, +, R , .) y (R2 , +, R , .).
La funcin / : R3 R2 definida por
/ (* 1, * 2 , * 3 ) = (*1 - * 3 , * 2 - * s )
es una trasformacin lineal, ya que se verifican las condiciones:
i ) f [ ( x \ , x - i , x 3 ) + ( y i , y 2 , y 3 ) ] = f ( x i + y i , * 2 + y 2 , * 3 + ^ 3) =
= (*1 +yi -x* -yi.xt +^2 -y*) O)
por suma en R 3 y definicin d e /. Por otra parte, teniendo en cuenta la definicin de/
y la suma en R2 , es
/ 7 * 1, * 2 , * 3 ) +f(yi,y2>y3) =(xt - * 3 , * 2 - * 3) + ( v i -y^y* -y*)=
= (*1 *3 + Vi - ^ 3 , X 2 - * 3 + ^ 2 73) (2)
De (1) y (2) se deduce que la imagen de la suma es igual a la suma de las imgenes.
ii) Por definicin de producto de escalares por ternas, definicin de /, propiedad
distributiva del producto en R, producto de escalares por pares, y por definicin de
f, es
f[oc(x 1, x 2, X3) ] =f ( t t Xi , UX2, a x 3) = (<**1 - 01X3, a x 2 - a x 3) =
~ Oi (x i X3, X 2 ~ X 3 ) {-^li ^ 3)
0 sea, la imagen del producto de cualquier escalar por todo vector es igual al producto
del escalar por la imagen del vector.
Ejemplo 3-2.
La funcin / : R 3 R2 tal que f ( X \ , x 2, * 3) (*1 * 3,*2 - x 3 + 1) no es una
trasformacin lineal, pues
/[(*1, * 3 ) + (y i , 7 2 >^ 3 ) ] = / ( * i + y i , x 2 + y 2 , x 3 + 7 3 ) =
= (xi + y \ - x 3 y 3*X2 + ^ 2 - X 3 y 3 + 1)
pero
f ( x i , * 2 , * 3) + f ( y u y i , y z ) - ( x \ - x * , x 2 - x * + 1) + ( v i - y ^ y i - + 1) =
= ( xi x 3 + y 1 - y * , x 2 - X 3 + ^ 2 ~ y 3 + 2 )
Ejemplo 3-3.
Supongamos que / : R2 -R 3 es una trasformacin lineal que verifica
/ ( 1, 0) = (1 ,2 ,3 ) y / ( 0, 1) - (0 , - 1, 2)
Podemos obtener la imagen de (2, - 3 ) de la siguiente manera
/ ( 2 , - 3 ) = / [(2, 0) + (0, -3 )] = / [ 2 (1, 0) + ( - 3 ) (0, 1)] =
= 2 / ( 1 , 0) + (3 ) / ( 0 , 1) = 2 (1, 2, 3) + ( 3) ( 0 , - 1 , 2 ) =
= (2,4, 6) + ( 0 , 3 , - 6) = (2, 7,0)
Teniendo en cuenta que el producto del escalar 0 por cualquier vector es el vector nulo, y
la condicin ii) de la definicin de trasformacin lineal, se tiene
/ ( 0v ) = / ( 0x) = 0/ ( x ) = 0w
II. La imagen del opuesto de todo vector del primer espacio es igual al opuesto de su
imagen.
Considerando la propiedad 1.3.4., y la definicin de trasformacin lineal, es
/ ( - x ) = /[ ( - i)x] = ( - 0 / ( x ) = -/(x )
De acuerdo con la definicin, una funcin / : V W es una trasformacin lineal si y slo
si satisface las condiciones i) y ii), pero nada se exige a /, salvo que sea una aplicacin. En
particular diremos que
/ es un monomorfismo ^ / e s inyectiva
/ es un epimorfismo o / es sobreyectiva
/ e s un isomorfismo *>/e s biyectiva
Si W = V, entonces la trasformacin lineal / se llama un endomorfismo, y si ste es
biyectivo recibe el nombre de automorfismo. O sea, un automorfismo es toda trasformacin
lineal biyectiva de un espacio vectorial en s mismo.
Ejemplo 3-4.
La aplicacin / : R 3 R 3 definida por
f& u x i.x * ) = (*2, - X \ , * 3)
es un automorfismo en R3.
Debemos probar que / e s una trasformacin lineal biyectiva.
1. / e s una trasformacin lineal, ya que verifica:
i ) La imagen de la suma es igual a la suma de las imgenes
f[ { x \, x 2 , x z ) + { y u y 2 , y * ) \ = f ( x \ + 'i ,*2 + j 2. * 3 + y 3) =
= (*2 + y 2, -~*i ~ y i , x 3 + y 3) = (x 2 1 - x i , x 3 ) + (y 2 , - y \ , y * ) =
= f { x \ , x > x * ) + f ( y \ > y i > y * )
ii) La imagen del producto de cualquier escalar por todo vector es igual al producto
del escalar por la imagen del vector.
/ [ oc ( * t , * 2, * 3) ] - ( o X i , ox 2 , a x 3) = ( a x 2, - a x lt a x 3 ) =
= a ( x 2, - X i , X 3 ) = 0t f ( x u x 7, x 3)
2 . / e s inyectiva.
Sean ( x u x 2 x 3) y (y lf y 2, y 3) en el dominio, tales que
/ ( * 1 , *2. * 3) = / 0 , l , J' 2, . J ' 3)
O sea
(*2. ~ x i , x 3 ) = ( y 2 , - y i , y 3 )
Por lo tanto es
*2 =y 2 ,X\ = v, . .r3 = ^ 3
Luego
(*i, X2.x3) = ( y i , y i ' y * )
3. / e s sobreyectiva.
Cualquiera que sea (a, b, c) en el codominio, existe ( - b, a, c) en el dominio, tal que
/ (-b , a, c) = (a, b, c)
Ejemplo 3-5.
1. La funcin / : V -> W que asigna a todo vector de V el vector nulo en W es una
trasformacin lineal, pues
/ ( i + y ) = 0w = 0w + 0 w = / ( x ) + / ( y )
/ ( * ) = 0 = aO>n=af(it)
f se llama trasformacin lineal nula.
2. La funcin/ : V -> V tal que / ( x ) = ax cualquiera que sea x e V, y a un escalar dado
en K, es una trasformacin lineal.
En efecto:
f ( x + y) = a ( x + y ) = a x + a y = / ( x ) + / ( y )
/ ( a x) = a (a x) ~ a (a x) = a / ( x )
Ejemplo 3-6.
a+b 0
/(* .* )= ,
' 0 a +b
a +c +b +d 0
/ [(a , b) + ( c , d )J / (a + b + d) =
0 a + b +c + d
a+b 0 \ c + d 0
+ ) ~ f(a,b)+ f{c,)
0 a + bi \ 0 c+d
oca + ot b 0
/ [ a ( a , b))-f(pLa, a b ) -
0 a a + ctb
a + b 0 \
=a | I -af(a,b)
' 0 a+b i
/ n o es inyectiva ni sobreyectiva.
Ejemplo 3-7.
Si (V, +, R, .) denota el espacio vectorial de los polinomios reales en la indeterminada
X, entonces la funcin
que asigna a cada elemento de V el correspondiente polinomio derivado, es una
trasformacin lineal, pues
/ ( P+ Q) = (P + Q) - P + Q =/( P) +/(Q)
f ( a ? ) = (a?y=a?'=af{Y>)
El endoinorfismo / no es nyectivo.
Ncleo de una trasformacin lineal / , entre dos espacios vectoriales sobre un mismo
cuerpo, es el conjunto de los vectores del dominio cuyas imgenes por / son el vector nulo
del codominio.
N ( /) = | x e V / / ( x ) = Ow |
El ncleo de toda trasformacin lineal es la preimagen del vector nulo del segundo
espacio. O sea
n o )= r ' ( ow ] )
x e N (f)<> / ( x ) = 0w
Ejemplo 3-8.
Determinamos el ncleo de la trasformacin lineal definida en el ejemplo 3-1.
N(0= ( (Xi,X2,*3)eR3 f ( x \ , x % > x z ) ~ ( 0 ,0)}
Se tiene
( X i > ^ , X 3 ) e N ( / ) o / ( x i , x 2, x 3) = (0 , 0 ) o
- ^ j 2 - ^ ) = (0,0)jc1- ^ = 0 a ^ " ^ = 0 #
<>xl ~x<2 = x 3 =a
Luego
N (/) = ( ( a , a , a ) I a e R )
Por definicin de ley de composicin extema en R3 se tiene
N (0= {(l,l,l)/eR |
Esto nos dice que el ncleo de / es el conjunto de todos los mltiplos escalares del
vector (1, 1, 1). La representacin del N (f) est dada en el grfico siguiente
N(0<= V
Por otra parte, de acuerdo con 3 .2.2.1., es
/(O v ) = Ow
En consecuencia
Ov e N (f)
Luego, el ncleo de toda trasformacin lineal / es no vaco.
3.3.2. Propiedad del ncleo
El ncleo de toda trasformacin lineal entre dos espacios vectoriales es un subespacio del
primero.
Hiptesis) / : V -* W es una trasformacin lineal.
Sean e K y x e V
a e K A x e V = > a e K a / ( x ) = O w =>a / ( x ) = a ) 0 W =
=*/ (a x) = 0W = >f t xe N( / )
Imagen de una trasformacin lin e a l/: V -> W es el conjunto imagen del dominio, o sea, es
la totalidad de las imgenes de los vectores del primer espacio.
El smbolo I (f) se lee: imagen def.
i (/)= { / ( * ) / x<= v |
Tambin
1(0=) y e W/ 3 xeV a /(x ) = y j
W
I<f ) * t
l(f)C W
La imagen de toda trasformacin lineal entre dos espacios vectoriales es un subespacio del
codominio.
Hiptesis) / : V W es una trasformacin lineal.
Tesis) ( i C / ) , + , K , .) es un subespacio de (W, +, K, .),
Demostracin) Sabemos que la imagen de toda trasformacin lineal entre dos espacios
vectoriales es una parte no vaca del segundo. Teniendo en cuenta la condicin suficiente
para la existencia de subespacio, probaremos:
1. 1 (/) es cerrado para la suma.
Sean u y v dos vectores de I (/).
u e 1 (f) a v e ( / ) ^ 3 x 3 y e n V / / ( x ) = u a /( y ) = v =>
=>/(x) + / (y) = u + v a xeV a y e V =>
=>/ (x + y) = u + v a x + y e V = > u + v e (/)
Hemos aplicado la definicin de imagen, de trasformacin lineal y de imagen.
2. 1 (f) es cerrado para el producto por escalares.
Consideremos cee K y u e I (f)
a eK a ueI(0^aeK a / (x) = u a xeV=>
= > a/(x ) = a:u a x e V =>/(a x ) u AaxeV=>
=>a u e 1 (f)
De acuerdo con la definicin de imagen, producto en W, definicin de trasformacin
lineal y definicin de imagen.
Ejemplo 3-9.
Determinamos el ncleo y la imagen de la trasformacin lineal/: R2 -+ R2x2 definida
en el ejemplo 3-6.
1.
N ( / ) = { ( x x, x 2 ) e R 2 / / ( x , , x 2) = N}
i 0 Ov
( xl , x 2) e N ( / ) ^ / ( x i , x 2) = U
' 0 0 /
Xi + x 2 0 \ /0 0\
) * X i + x 2 = Q*>
0 x x + x 2 / \0 0 /
- - x2
Luego
N (/)= { ( - a , a ) / a e R \
O sea, el ncleo de / es el conjunto de los pares ordenados de componentes opuestas.
I (/)= A e R 2x2 / / ( x i , x 2) ~ A}
a b
A=( \ e \ ( f ) o '3(xu x 2) R 2 f f ( x i , x 2) = A<*
c d
x. -fx2 0 \ (o b
o xi + x 2 ~a = d a b~ c - 0
0 Xi + X i I \ c d
a 0
A=
\ 0 a
Ejemplo 3-10.
Dada la trasformacin lineal del ejemplo 3-9, determinamos las dimensiones de N (f) e
ICO-
1. Hemos visto que
N ( 0 = I (- , a) / a e R i
Teniendo en cuenta la definicin de ley de composicin externa en R2, es
N (/) = { oc (- 1 , 1) / a e R }
Esto significa que N (f) est generado por el vector (- 1 , 1), es decir, este vector
constituye un sistema de generadores del ncleo. Adems es linealmente independiente
segn 2.4.3. i). Por consiguiente, { ( - 1 , 1) } es una base del ncleo.
Entonces
dim N (/) = 1
2. Como
i(0 =
I(/)^tf[ J/aeR
O sea, la matriz
1 0
0 1
Ejemplo 3-11.
La imagen de cualquier conjunto linealmente dependiente, por toda trasformacin
lineal, es linealmente dependiente.
Aplicando / e s
/ ( .2 <*; v , ) = / ( 0 V ) a a , 0
Por ser / una trasformacin lineal y por imagen del vector nulo se tiene
.2 a I / ( v ) = O w a =0
i=l
En consecuencia
f / ( V i ) , / ( V 2) , .. . , / ( v r) |
es linealmente dependiente.
Si / : V -* W es una trasformacin lineal y Vj, v2, . . vr son vectores de V tales que
sus imgenes constituyen un conjunto linealmente independiente en W, entonces
V |, v2 , - -, vr son linealmente independientes.
/ ( . 2 i V / ) = / ( 0 v )
Por ser / una trasformacin lineal y por imagen del vector nulo, se tiene
1.?
= 11 0/ / ( vi) = Ow
Como los vectores / (v,), / = 1 , 2 , . . ., rson linealmente independientes en W, resulta
ol = 0 V/ = 1, 2, . . r
Luego
Vj , v2}. .., vr
son linealmente independientes en V.
Ejemplo 3-13.
La imagen de todo conjunto linealmente independiente, dada por cualquier trasforma
cin lineal inyectiva, es un conjunto linealmente independiente.
Hiptesis) / : V -* W es una trasformacin lineal 1-1.
I Vi , v2, . . . , vr I es L.L en V.
Tesis) { / ( v i ) , / ( v 2) , . . ., f (vr) | es L.I. en W.
Demostracin) Sea
i/(v O = 0W
/ ( 1=1
<*V) = 0w
i=l V; = 0V
La trasformacin lineal / : R2 -> R2 *2, estudiada en los ejemplos 3-9 y 3-10, verifica
dim N (/) = 1 y dim I (f) = 1
O sea
dim N (f) + dim 1 (/) = 2 = dim R2
Este hecho se verifica cualquiera que sea la trasformacin lineal definida en un espacio
vectorial de dimensin finita.
Propiedad
Si (V, +> K , .) es un espacio vectorial de dimensin finita y / : V-> W es una
trasformacin lineal, entonces la suma de las dimensiones del ncleo y de la imagen es igual a
la dimensin del primer espacio.
Hiptesis) / : V -+ W es una trasformacin lineal
dim V = n
Tesis) dim N (f) + dim I (/) ~ dim V
Demostracin)
1. I (f) tiene dimensin finita
Sabiendo que cualquier base de V es finita, se deduce que I (f) tiene dimensin finita. En
efecto, si I w , w2, . . wr ) es un conjunto L.I. en I (/), entonces existe un conjunto L.I.
en V: ( Vj , v2>. . ., vr ) tal que
/( v ,) = w, /=1,2, . ..,r
de acuerdo con el ejemplo 3-12. Esto significa que si 1 (f) no tuviera dimensin finita,
entonces V no tendra dimensin finita.
2. Sea { X j, x7 , . . xp } una base de N (/).
S in = p , entonces N (/) = V y dim I (J) ~ 0, pues en este caso es I (f)= 10W } .
Si p < n, entonces, por el teorema de extensin, existen y j , y2, . . yg en V, tales que
A = ( x , , x 2 , . . . . X p . y ^ y j , .. . , y , )
es una base de V.
i=i tt| z = ^
Por (1)
z e I ( / ) = * 3 x e V / / ( x ) = z => z = / ( x ) a x = 2 a, x; + .2 ft y,- =
p s P s
= z = 2 ay 0W+ 2 f3 z => z = 2 z
]~1 =l 1-1
En i) hemos tenido en cuenta que f es una trasformacin lineal, la definicin de ncleo, la
base de ste, suma en V, y el hecho de que A es una base de V.
En ii) hemos expresado a x como combinacin lineal de la base de V, se ha tenido en
cuenta que f es una trasformacin lineal, que todo x; es un elemento del ncleo, y que el
producto de cualquier escalar por el vector nulo es el vector nulo.
Queda demostrado entonces que
dim N (f) + dim I (f) ~ dim V
Ejemplo 3-14.
Consideremos la trasformacin lineal /: R4 - R2 definida por
/( X 1 , * 2 , * 3 , * 4 ) = (*1 - * 3 + *4,0)
Determinamos:
1. El N (/), una base del mismo y su dimensin
(Xi, X 2 , X 3 , X 4 ) e N ( f ) o f ( x l x 2, x3,x 4) = (0, 0)0
*(X| - *2 -X 3 + *4 >0)= (> 0 ) ^ * 1 - x2 - X3 +^4 ="0^
o -YJ ~ x 2 + X 3 X4
En consecuencia, los vectores del ncleo .son del tipo (a + b - c, a, b, c), y por
definicin de suma en R4 y producto de escalares por cuaternas, se tiene
(a + b - c, a, b, c) ~ (a, a, 0 ,0 ) + (b, 0, b, 0) + ( - c, 0, 0, c) =
= a ( 1, 1,0, 0 ) + f t ( l , 0 , 1, 0) + c ( - I , 0, 0 ,1 )
O sea, los vectores
v1 - ( 1 , 1 , 0 , 0 ) y2 = ( 1 , 0 , 1,0) v3 - ( - 1 , 0 , 0 , 1)
son un sistema de generadores de N (f). Adems, son linealmente independientes y por
lo tanto constituyen una base del mismo. Luego
dim N (f) = 3
2. Una base de I (f).
De acuerdo con el teorema anterior es
Luego
(1, 0) es una base de I (/).
En consecuencia
dim I (f) = 1
Sean (V, +, K , .) y (W, +, K, .) dos espacios vectoriales y [v]= { Vi, v2, . . v una
base de V. Si Wi, w2>. .., w son n vectores cualesquiera de W, entonces existe una nica
trasformacin lineal / : V -> W tal que / (v,-) = w V/ = 1, 2 , . . n.
Hiptesis) (V, 4-, K, .) y (W, +, K , .) son espacios vectoriales
[ v ] = ( V, , v a , . . v | es una base de V
( w 1(w2 ) . CW
2. / = 1 , 2 , . . . ^ ^ / ( v ^ w ,
En efecto
V; = 0 Vi + . . . + 0 Vj_i + 1 v, 4- . .. + 0 v
Luego
= .2 a f (vt) ^ f ( 2 a, v( )= /( x )
Ejemplo 3-15.
Definimos la trasformacin lineal / : R3 -+ R2 que asigna a los vectores de la base
(1, 1, 1), (1, 1,0) , ( 1 , 0 , 0 ) en R3, los vectores ( 1 , 2 ) , ( 1 , 2 ) y ( - 1 , 1 ) en R3,
respectivamente.
Necesitamos determinar la imagen de un vector genrico (a , b , c) e R 3. Expresamos a
ste como combinacin lineal de la base dada
(a, b , c ) = i (1, 1, 1) + ot2 (1, 1,0) + o3 ( 1 , 0 , 0 ) =
= (a, + a2 + a3 , ai + a2 <*i) ^
^aj- c , a 2 = b c , a 3 = tf ' ^
Entonces
( a t b , c ) = c ( l , 1, 1) + (>-c)(1, 1 , 0 ) + (a - 6 ) ( 1 , 0,0)
f (a , b , c ) = c (1, 2) + (6 - c) (1, 2) + (a - h) ( - 1 , 1 ) -
= ( c, 2c) + (b - c, 2b - 2c) + ( - a + b, a - b) =
= (2 b - a , b +a)
C -A B
donde
I -2 - 3 - 4
1 O -1
1 0 1 -2
1 2 - 2 / \ 0 -1 -1 1
entonces
/-2
Si A es la misma que en el caso anterior y B = 2
\ 3
entonces
- c ::;i (i) - c:
En ninguno de los dos casos existe BA
En particular, si w = , los elementos de K Xfl se llaman matrices cuadradas y se verifica
que (K"*n, + , . ) es un anillo no conmutativo, con divisores de cero y con identidad. El tema
est tratado en el captulo 9 del texto Algebra I ya citado, y se estudiar en detalle en el
captulo siguiente.
El elemento unidad o identidad en Knx" es la matriz I definida por
aj = 1 si ; = / y si i^j
y verifica
Al = IA cualquiera que sea A e K " x",
Y lw l =
/ ( v n) = i n Wi + a 2n w2 +. . . + a mn wm
Los n.m escalares a, que figuran en las combinaciones de los vectores que son imgenes
de los elementos de la base de V, constituyen una matriz cuya traspuesta, que denotamos
con A, recibe el nombre de matriz de la trasformacin lineal /respecto de las bases [v] y [w].
O sea
/ a \\ a Yi . d i n \
/ a2l a22 . a2n \
La matriz de la trasformacin lineal es del tipo m x n , donde m es la dimensin del
segundo espacio y n la del primero.
Por consiguiente, para hallar la matriz de una trasformacin lineal / respecto de una base
en cada espacio, se determinan las imgenes dadas por / d e los vectores de la base del primer
espacio. Se expresan estas imgenes en trminos de la base del segundo espacio, o sea, como
combinaciones lineales de los vectores de la segunda base. La traspuesta de la matriz de
coeficientes es la matriz de la trasformacin lineal respecto de las bases dadas en ambos
espacios.
Probaremos ahora si A es la matriz de la trasformacin lineal/, respecto de las bases [v] y
[w], y si X[v] denota la matriz columna correspondiente al vector x e V , cuyos elementos
son las coordenadas de ste respecto de la base de V, entonces la imagen de x, expresada en
trminos de la base de W, se obtiene premultiplicando por A al vector columna X[v], o sea
/ ( x ) = A X [vJ = Y[w]
En efecto, dado x e V, es
n . m
x = aJ vj 0) y f (x) = y = 2 a'i wi (2)
m = f ( X i /Y/) = 2 Oijf(Vj)
Introduciendo (Xj en la segunda sumatoria, por ser constante respecto del ndice i, y
permutando las dos sumatorias, se tiene
n m m n
f (x) = 01 ay w i = ,2 (.2 aa w (4)
n
c?i = .2 au ocj
Se deduce de esto que la -sima fila o componente de Y[w), o sea oCu es igual a la suma de
los productos de los elementos de la fila i de A por los correspondienteselementos de la
nica columna de X[vj, y por la definicin de producto de matrices resulta
t.
an ai 2 . . . air
lm I um2
O bien
Reiterando lo enunciado, afirmamos que la imagen de cualquier vector del primer espacio
es igual al producto de la matriz de la trasformacin lineal por la matriz de coordenadas de
dicho vector, respecto de la base [v]. Tal imagen resulta expresada en trminos de la base del
segundo espacio.
Ejemplo 3-16.
Consideremos la trasformacin l in e a l/: R3 R2 tal que
f ( X u X 2 >Xz ) - ( Xi + x 3 >X2 - x 3) (0
1. Determinamos la matriz de / respecto de las bases
[v] = | ( 1, 1, 1) , ( 1, 1, 0) , ( 1, 0 0 ) | en R 3
[w]= | ( 2 , 0 ) , ( 0, 1) | enR2
Mediante (1) obtenemos las imgenes de los vectores de la base [v], y expresamos
dichas imgenes como combinaciones lineales de los vectores de la segunda base
/ ( 1 > 1, 1) = (2, 0) = 1 (2, 0) + 0 (0 , 1)
/ ( 1, 1, 0) = ( 1, 1) = | ( 2, 0) + 1 (0 , 1)
/ ( 1, 0 , 0) = ( 1, 0) =-7 (2, 0) + 0 (0 , 1)
Se tiene
- C t j )
Su imagen es
\-l / \ -1
Ejemplo 3-17.
Obtenemos la matriz de la trasformacin lineal / : R 2 x 2 ->R definida por
X\ x i \
/ ] ~ (*i + x 4 , x 2 - * 3 )
\ *3 Xa !
respecto de la base cannica en ambos espacios.
Las imgenes de los vectores de la base cannica de R2*2 son
f [ ) = ( U 0 ) - 1 (1, 0) + 0(0, 1)
\0 0/
/ ( ) = (< U ) = 0 ( 1 , 0 ) + 1 ( 0 , 1 )
/ ( ) = (0, 1) = 0 (1, 0) + (1) (0, 1)
\ 1 0/
o o,
/ = ( 1 , 0 ) = 1 (1 ,0 ) + 0 (0, 1)
\0 1>
Resulta
/1 0 0 1\
A= '0 1 -1 o/
/ ( P ) = A P (vj
Ejemplo 3-18.
Consideremos las trasformaciones lineales
/ : R3 R y g : R->R2
definidas por
f{xi,x2,x3)=xi-x2+xz y g(y) ~ (y>0)
Determinamos el ncleo de g f . Para ello caracterizamos primero la ley de asignacin,
utilizando la definicin de composicin
0/) ( * ! , X 2 , X i ) ^ g \ f ( X l , X 2 , X * ) \ ^ g ( X l ~X2 + *a) =
= (*! - x 2 + X 3 ,0)
Por definicin de ncleo, se tiene
( X i , X 2 , X 3 ) e N ( g f ) o ( g o j ) ( x l>x 2t x 3) = (Ot 0 ) *
o (X i ~ X2 + *3> 0) = (0,0)<^Xi - *2 +*3 = 0 **
* x x=x2 - x 3
Entonces
N ( f / ) = ( ( & ~ c , 6 , ? ) / / ) R A c e R l
Como
3.9.1. Concepto
3.9.2. Propiedad
/'* ( a y i ) = / 1 [a / ( Xi ) 3 = / 1 1/ (a x i )] =
^ ( f 1/)(axi)= y (axO^axi ^ a / '1 (yi)
Ejemplo 3-19.
La trasformacin l i n e a l/: R2 -* R2 definida por
f ( a , b) = ( a , - b )
es no singular, por ser biyectiva.
En efecto
1. Sean ( a , b) y (a , b*) en el dominio, tales que f ( a , b) = f ( a \ b ).
Entonces es
(a, - b ) = ( a \ - b 1)
En consecuencia
a = a y b=b
O sea,/es inyectiva.
/ (a , - b ) = ( a , b)
dim V = n
Tesis) / e s inyectiva.
Demostracin) Sea { Wj, w2 ,. . w ) una base del codominio V. Por ser /
sobreyectiva, existen Vi, v2 , . . . , v en V, tales que
/(Vi) = w{ >^1=1,2,.
Los n vectores Vi, v2, . . v son linealmente independientes en V, y de acuerdo con
2.7.2. constituyen una base de V.
Consideremos ahora un vector x cualquiera perteneciente al ncleo de /. Se verifica que
Ejemplo 3-20.
Sean / : R 3 ~ > R y ^ : R - > R 2 trasformaciones lineales definidas por
f ( pcl , x i , x 3) = x i + *a
s (y ) = (y, 2y)
Se consideran las bases
[v] = { (1 ,0 ,0 ) , (0, 1 ,0 ) , (0 ,0 ,1 )1 enR 3
[u] = I 1) en R
[w]= j ( 2 ,0 ) , ( 0 ,2 ) | enR2
Determinamos las matrices asociadas a f g y g < > f , y verificamos el teorema anterior
/(1,0,0)= 1 = 1.1 j
/( 0 ,1 ,0 )= 1 = 1 .1 U a = (1 1 -l)
/ ( 0 , 0 , 1) = 1 = ( 1) l)
/1
g ( l ) = ( l , 2 ) = - j ( 2 >0 ) + 1 ( 0 , 2 ) = B = ( 2
Resulta
C = B A = ( 2 ) (1 , _ 1 )= (2 2 j )
Definimos ahora
g f : R3 ^ R 2
(g 0 f ) ( x i , x*, X 3 ) = g f ( x lt x 2, x 3)] =
= g ( x 1 + * 2 - * 3 ) = (*i +X2 - x 3 i 2 x + 2 x 2 - 2 x 3)
Luego
f e / ) ( l , 0 , 0 ) = ( 1, 2) = -i- ( 2 , 0 ) + 1 ( 0 , 2)
( ? < ./ ) ( 0 , l ,0 ) = ( 1, 2) = j (2 ,0 ) + 1 ( 0 , 2)
I I I
C=I 2 2 2
1 1 -1
3.11.1. Concepto
Con el smbolo L (V, W) denotaremos el conjunto de todas las trasformaciones lineales
entre los espacios vectoriales V y W, sobre el cuerpo K, o sea
L ( V , W)= | / : V -> W I f e s rasformacin lineal}
En L (V, W) definimos la suma de funciones y el producto de escalares por funciones
mediante las asignaciones
</+)(x) = /(x ) + ( x ) (1)
(ot/)(x) = a / ( x ) (2)
F(/)-F(sO
entonces sus matrices respecto de las bases [v] y [w] son iguales, lo que significa
/ ( v) = .? (v) Vf = 1 , 2 , . . . ,
En consecuencia
O sea
f= g
2. F es sobreyectiva, ya que, cualquiera que sea A eK " *, existe / : V -> W definida por
m
/ (V;) = .2 ii W
tal que
F ( /)= A
f (x) = / ( f5 l v) = 2 ai x i
/ ( 1 , 2 ) = ( - 1 ,0 , 2) / ( 2 , 1 ) = (0, 2, 1)
/ X t Xl 0 v
f(x\,X2)- -JC l *1 *2 )
\ 0 X 2 X l ~ X2 I
| ( 0 , 2 , 1 ) , ( 2 , 0 , 1 ) , (0, 1, l)}en R3
3-4J. Definir la trasformacin lineal / : R3 -> R2, tal que respecto de las bases
1(0, 1, 1) , (1, 0, 1), (1, 1,0)1 e n R 3
1(1, 2 ) , (2, 1)) en R2
/l 0 0
\ 1 1 1
3-42. Hallar la matriz de la trasfomiacin lineal g f del ejercicio 3-29, respecto de las bases
{ (1 ,1 ) , (0, 1)} en el dominio
( ( 2 , 0 ) , ( 2 , 2)) en el codominio
3-43. Determinar la matriz de la rotacin del plano de ngulo 0, respecto de la base cannica,
con centro en el origen.
3-44. Sea la trasformacin lineal : R2 -> R2 representada por la matriz
eos 0 - sen 0
sen 6 eos 6
respecto de la base cannica.
Demostrar que si 9 y 6' son nmeros reales cualesquiera, entonces
/ 0 0 fe ~ f e +$'
f o - f--e
MATRICES
4.1. INTRODUCCION
Hemos credo oportuno dedicar un captulo al estudio de las matrices con elementos en
un cuerpo K, dado el rol fundamental que este tema desempea en todos los campos de la
Matemtica y en las aplicaciones. Conocido el espacio vectorial (Kmxn, + , K, .), se trata
ahora el producto de matrices, anticipado en el captulo anterior, y el anillo de matrices
cuadradas. Sin pretender agotar el tema, se estudian la trasposicin y algunos tipos de
matrices especiales: simtricas, antisimtricas, triangulares, diagonales, idempotentes, involu-
tivas, hermitianas, etctera. Se trata, adems, la inversin de matrices, el concepto de
matrices particionadas, el rango de una matriz y su invarianza frente a operaciones
elementales. Despus de dar mtodos para la determinacin de la inversa de una matriz se
estudian la equivalencia de matrices y los cambios de bases en espacios vectoriales.
4.2.1. Concepto
Ejemplo 4-1.
Verificamos la no conmutatividad del producto de matrices en el siguiente caso:
Ejemplo 4-2.
Calculamos ABC, siendo
2 x3 3X4 4X1
2 X4 4 X1 2X1
Ejemplo 4-3.
Calculamos AB - I, siendo
10
0 1
0 0
fio
AB = 0 1
\0 0
Luego
AB- I = N
O sea
(A + B)C = AC + BC
Si C e Kmxn y A y B son las matrices anteriores, entonces se verifica la distributividad a
izquierda.
C (A + B) = CA + CB
En K"x el producto es una ley de composicin interna, asociativa, con elemento neutro
igual a la identidad nx n.
Por otra parte, sabemos que (K "xn, +) es grupo abeliano, y de acuerdo con 4.2.4. el
producto es doblemente distributivo respecto de la suma.
En consecuencia (KrtX' \ +, .) es el anillo no conmutativo, con unidad, de las matrices
cuadradas nx n con elementos en K.
Este anillo tiene divisores de cero; es decir, existen matrices no nulas cuyo producto es la
matriz nula.
Por ejemplo:
pero
4.4.1. Concepto
Sean los espacios vectoriales (K "xm, +, K , .) y (Kmxn, 4-, K ,.). Por definicin, la matriz
B e Kmxn es la traspuesta de A e Knxm si y slo si bj = % , y se escribe B = A*.
El smbolo A* se lee: A traspuesta .
Si
En consecuencia, para hallar la traspuesta de una matriz, se cambian filas por columnas.
Observamos, adems, que toda matriz 1 X 1 es igual a su traspuesta.
4.4.2. Traspuesta de ia suma y del producto por escalares
La funcin f : K"xm -> Kmx" que asigna a cada matriz del dominio su traspuesta en el
codominio, es decir, definida por
f (A) = A*
/ ( A + B) = (A + B)* = A 1 + B* - f ( A ) + / ( B)
2. La traspuesta del producto de un escalar por cualquier matriz es igual al producto del
escalar por la traspuesta de la matriz.
Teniendo en cuenta que si C = (a A)* entonces c# = a a;,, resulta
/(c t A) = (a A / = a A( = a / ( A )
Ejemplo 4-4.
calculamos (B A)*.
En consecuencia.
(AB)* = BfA t
Ejemplo 4-5.
La trasposicin verifica (A) = A. Teniendo en cuenta este resultado y el teorema
anterior, calculamos (B^A)*, en el caso del ejemplo 4-4.
es simtrica
Ejemplo 4-5.
Demostraremos las siguientes propiedades:
i ) El producto de toda matriz por su traspuesta es una matriz simtrica.
En efecto:
A* = AA*
Luego, por ser igual a su traspuesta,
A A* es simtrica
Observamos que no es necesario que A sea cuadrada para que existan AA* y A*A, las
que son, en todos los casos, matrices cuadradas.
i i ) La suma de toda matriz cuadrada y de su traspuesta es simtrica.
Sea A e K nx", Se verifica que
(A + A y - A* + (A*)* = A* + A = A + A*
Es decir, A + A* es simtrica.
iii) La diferencia de toda matriz cuadrada con su traspuesta es antisimtrica.
Si A e Knx , entonces, aplicando propiedades anteriores, se verifica
(A - A) = A t - ( A t) t = A t - A = -(A - A*)
En consecuencia, A A* es antisimtrica.
iv) Toda matriz cuadrada es la suma de una matriz simtrica y de una matriz
antisimtrica.
A e Knxn = A + A* es simtrica y A - A es antisimtrica =* (A + A*) es
2
Ejemplo 4-6.
Sean A e K wx una matriz simtrica, X e K xl y Y e K " x l . Desarrollaremos el
producto (X - Y) A (X - Y).
Teniendo en cuenta que la trasposicin es una trasformacin lineal, la distributividad
del producto respecto de la suma y que X*AY es del tipo 1 X 1, o sea, simtrica,
tenemos
(X - Y)f A (X - Y) = ( X t - Y') (AX - AY) = XfAX - XfAY - YfAX + Y*\Y -
- X*AX (X*AY)* - Y*AX i- Y ' AY =
= X'AX - YA(X)f ~ Y*AX + YfAY =
= XfAX - YfAX - Y*AX + Y'AY =
- XfAX - 2Y*AX + Y*AY
Ejemplo 4-7.
Efectuamos el producto de las matrices triangulares A y B pertenecientes a R3x3, tales
que aj = 0 si i> j, a y = i + j si / < /, bj = 0 si / > /,6 y - i - 2 / si i < /
/ 2 3 4\ /-1 -3 -5 \ - 2 -12 34 \
AB= 0 4 5 0 -2 -4 =1 0 - 8 -3 1 )
\ 0 0 6j ^ 0 0-3 I \ 0 0-18/
4.7.1. Concepto
(
A= ~ diag (al t a2, .
O O . . . an
4.7.2. Propiedad
4.7.3. Propiedad
El conjunto S de las matrices diagonales de Knx" es un subanillo de (Knxn, + ,.).
Para demostrar esta afirmacin es suficiente probar que el producto de matrices
diagonales es una ley de composicin interna en S.
4.8.1. Concepto
Ejemplo 4-10.
Toda matriz
eos a sen a 0
( sen a
0
cosa 0 |
0 1
donde a e R
es ortogonal.
En efecto:
cos a -sen a 0 eos a sen a 0 0
A A l = | sena eos a 0 - sen a eos a
\
0 =
1
1 0
0 0 1 0 0
\ 0 1
(C"xm, + , R , . ) y ( C BXfl} +, C, .) denotan los espacios cuyos elementos son las matrices
complejas del tipo wx m, sobre el cuerpo de los reales y de los complejos, respectivamente.
-i 1+ i 2 \
I es una matriz compleja del tipo 2 X 3 .
/ -2 3 - 2 i)
\ -/ -2 !)
3 + 2 /
A* = \ - i -2 \
\ 2 3 + 2i j
O sea
B = A B
Retomando nuestro propsito
(AB)* = B* = (A B)f = W A* = B* A*
A es hermitiana o A = A* A = A* o a = a
Los elementos de la diagonal de toda matriz hermitiana son nmeros reales, pues
A es hermitiana =>a a = ai =>af e R.
La matriz
/ l 2+i
A= [ i 2- 3 2/ | es hermitiana
\ 2 / 3 + 2/ 3
Ejemplo 4-11.
S i a e C y A e C " xm, entonces (a A)* = o A*.
En efecto:
Ejemplo 4'12.
i ) X*X = (1 1 - i) ^ ^ j = 1 + (1 - 0 (1 + 0 - 1 + 1 - i2 = 3
ii) X*AX = (1 1 - 0 1 , 3 - ) ( 1 | , ) = 5
Ejemplo 4-13.
Si H = { A e C 3X3/ A es hermitiana} , entonces H no es un subespacio de
(C3x3, +, C, .)> ya que H no es cerrado para el producto por escalares.
En efecto:
El lector puede comprobar que H es un subespacio de (C3x3, +, R , .),
entonces
t - -i i zf (l, 3-
1 1 -1 0 3 0 ~4\
1 2 3 3 2 1 0
~ 2 2 1 1 1 1 3
_-3 0 0 3 1 2 4 .
-1 0 1 0 2 -2 3 /
V
corresponde al esquema
n = Vi + ^2 = 2 + 3
m = Mi + M2 -Ms = 2 + 3 + 2
y se obtiene
_ / Ah A12 A13
\ A2i A22 A23
donde cada bloque Ay es un elemento de la matriz particionada.
En general, si A e Klxm, n ~ + u2 + .. . + vr y m = Mi + M2 + , + M5, entonces
las submatrices AfJ- con i = 1, 2 ,. . r, j = 1, 2,. ., s son los elementos de A particionada en
bloques, y se escribe
A A t2
A2i a 22
A=
Ari vr2
I. Adicin
Sean A y B matrices en KMXm y los esquemas de particin n = v t + v2 + . . . + vr,
m ~ Mi + M2 + + Ms Si A = (Aj) y B = (By) son las notaciones de A y B particionadas,
entonces es
A + B = (Af/ + Bf/)
co n / = 1, 2 , . . r y / = 1, 2 , . . s .
II. Producto por escalares
Se define de la siguiente manera:
a A = (a Ay)
III. Multiplicacin
Sean las matrices A e Knxp , B e Kpx,n y los esquemas de particin
n - vx -- v2 + . . . + vrt p = 7TJ + 7r2 + . .. + irf , m = Mi + h + +
o sea, A = (Aife) y B = (Bw) donde i = 1,2, .. r, j = 1, 2, . . 5 y k = 1, 2, . . t.
El producto en forma particionada es
A B = ( fe i A,* B/gjJ
Ejemplo 4-14.
Consideremos las matrices A y B particionadas como se indica
0 0 1 2 ^
/ 1 An Aj2
0 1 1 2 1
A2i A 22
-1 2 3 2 /
/1 1 0 l\
' 0 2 1 2 Bu B12
-1 -2 1 2
2
3 -1 B2i B22
1
Vo 0 1 0/
El producto en forma particionada es
An A12 \ /B u Bi2\ / A|j Bu + A12 B2i Ajj B12 + A!2 B22
1 0 1 0 \ /0 12 -1 1
Cn An Bu + A 12 B2i - 1 2
0 1 0 1 ) \ 1 2 1 0 1
c ;m : n :
Anlogamente se calculan Cj2 , C22 y C2i , que son los restantes bloques del producto.
Definicin
Rango columna de una matriz es la dimensin del espacio columna de dicha matriz.
pc (A) se lee: rango columna de A, y es
pc {A) = dim SC(A)
Si A es una matriz nula, el espacio columna es un vector nulo y el rango columna es 0. Si
A , entonces el rango columna de A es el mximo nmero de vectores columnas
linealmente independientes.
Anlogamente se definen el espacio fila y el rango fila de una matriz A, y se indican
mediante Sp(A) y P f (A), respectivamente.
Sp(A) es el subespacio de Km generado por las n filas de A y dimSp(A) es el mximo
nmero de vectores filas linealmente independientes de A.
La particin de A Knxm en vectores filas se indica as:
Ejemplo 4-15.
Determinamos los rangos fila y columna de la matriz
2 0 -1 4
A= ( 0 4 1 -2
12 0 1
Observamos que las dos primeras filas son linealmente independientes y que la tercera
es combinacin lineal de aqullas: A3> = *~Aj. + ^-A 2.. En consecuencia, el rango fila
4.13.2. Propiedad
A j 2 . . . 8r 1 . . . ff,r+
Sea { e i , e2, . . em } la base cannica de Km. Como las filas de A son vectores de
Km, se verifica que
m
Aj, ~&ii l + &2 * + &ir + &i,r+ 1 j "K ~2
j/j (2)
h I
V i = 1, 2 , . . . ,
De (1) y (2) resulta
A. - /i ej + a 2 e2 + . . . + a ir er +
+ (<*11 #i + 02i </2 + ^ir) r+1
+ ( a 12 n + 0 c22 ai2 + . . . + oir2 dir) er+2 +
+ . . . +
Hemos demostrado que los rangos fila y columna de toda matriz son iguales. Este
nmero se llama rango de la matriz. Para denotar el rango de una matriz A, escribiremos
P (A )
Definicin
Rango de una matriz es su rango fila o su rango columna.
P ( A ) = p c ( A ) = p F(A )
Dos matrices traspuestas tienen igual rango, pues
P (A ) = p c ( A ) = p F( A f) = p (A ')
Si I e K rXM, entonces es p(I ) =, ya que los n vectores columna de I son linealmente
independientes.
4.13.4. Rango del producto
Propiedad
El rango del producto de dos matrices es menor o igual que el mnimo de los rangos.
Hiptesis) A e K " xp, B e K pxm
Tesis) p (AB) < mn j p (A) , p (B) }
Para probar esta afirmacin, demostraremos que el rango del producto es menor o igual
que los rangos de cada una de las dos matrices, es decir
p(AB)<p(A) y p(AB)<p(B)
Consideremos B particionada en los p vectores illas, y efectuemos el producto en forma
particionada
Este resultado nos indica que las filas de AB son combinaciones lineales de las filas de B
con coeficientes en A. En consecuencia, todo vector del espacio fila de AB pertenece al
espacio fila de B, y por consiguiente
SF(AB) C Sf (B)
Entonces, resulta
dim Sp(AB) < dim Sp(B)
Luego
P (AB) < p (B) (1)
Esta relacin nos dice que el rango del producto de dos matrices es menor o igual.que el
rango de la segunda matriz.
Adems, teniendo en cuenta que la trasposicin no modifica el rango y (1), es
p (AB) = p (AB)* = p (B* A*) < p (A*) = p (A)
Luego
p (AB) < p (A) (2)
Es decir, el rango del producto de dos matrices; es menor o igual que el rango de la
primera matriz.
De (1) y (2) resulta
p (A B )< mn p ( A ) , p ( B ) )
Propiedad
S en un producto de dos matrices una de ellas es no singular, entonces el rango del
producto es igual al rango de la otra matriz.
Hiptesis) A e K nxm
B e K nxn es no singular
Tesis) p (B A) = p (A)
Demostracin) Sabemos que
p(B A ) < p (A) (1)
pues el rango del producto es menor o igual que el rango de cada factor.
Como B es no singular, existe B"1 tal que BB' 1 = B"1B = I
Ahora bien
A = IA = (B-1 B)A = B_1(BA)
Por consiguiente
p ( A ) = p[B"1 (BA)]
Y por rango del producto, es
p (A )< p(B A ) (2)
De (1) y (2) se deduce que
p(B A ) - p ( A )
Anlogamente se demuestra que si B e Kmxm es no singular, entonces
p (A B) = p (A)
Una consecuencia inmediata del teorema anterior es la siguiente: s i A e K nxm, P e K nxfly
Q e Kmxm son dos matrices no singulares, entonces
p(PA Q ) = p (P A )-p (A )
4.13.5. Propiedad
Por otra parte, I (f) = SC(A), es decir, la imagen de la trasformacin lineal es igual al
espacio columna de A. Luego
dim I (f) = n
y, en consecuencia,/es sobreyectiva.
De acuerdo con 3 .9 .4 ./es biyectiva, y por lo tanto A es no singular.
4.14.2. Propiedad
Toda operacin elemental sobre las filas de una matriz A e K nxm puede realizarse
premultiplicando A por una matriz no singular del tipo nxn.
Antes de probar esta afirmacin definimos Ehfe e K"x" mediante
1 s i i h A j = k
0 si i i^h v j ^ k
Por ejemplo, en K4 x4 es
1. La permutacin de las filas i y / puede obtenerse premultiplicando A por la matriz no
singular
P# = I ~ E,-j - Ejj + Ey + Eji e n r
En K4x4 es
10 0 0
0 0 10
0 10 0
0 0 0 1
Pj se deduce de la matriz identidad permutando las filas o columnas i y /.
Particionando A en vectores filas, se tiene
i
A2
PA =
A -
1 0 / A,
M /M
I A2
0 1
_0_0_a_0 A, a A,
0 0
A/
Como p (Mf (a)) = n, es M, (a) no singular.
Anlogamente, se demuestra que toda operacin elemental sobre las columnas de una
matriz A e Knxm puede obtenerse posmultiplicando A por una matriz no singular del tipo
mx m.
Definicin
Las matrices que realizan las operaciones elementales sobre las lneas de una matriz se
llaman elementales.
Como las matrices elementales son no singulares, de acuerdo con 4.13.4., se deduce que el
rango de una matriz no vara frente a las operaciones elementales.
Ejemplo 4-16.
Mediante operaciones elementales determinamos el rango de A, siendo
/1 2 1 -1
A
A= lo 11 2 - 1 2
\2 2 -1 2
Efectuamos, sucesivamente, las operaciones elementales que trasforman las primeras
filas y columnas de A en vectores cannicos:
0 0 A la segunda columna de A se le sum la primera multiplicada
\
1
-1 - 1 por - 2 .
3
1 2 -i A la tercera columna de A se le sum la primera multiplicada
- 2 -3 4/ p o r 1. .
A la cuarta columna se le sum la primera.
4.15.1. Concepto
4.15.2. Propiedad
4.15.3. Propiedad
1. A ~ B =* p (A) = p (B)
Si A~ B, entonces B puede obtenerse efectuando un nmero finito de operaciones
elementales sobre A, y de acuerdo con lo afirmado en 4.14.2. el rango se conserva. En
consecuencia es p (A) = p (B).
3. F.C.(A) = F.C.(B) =* A ~ B
Por la propiedad 4.15.2. es F.C.(A) ~ A y F.C.(B) ~ B. Como A y B son equivalentes a
una misma matriz, resulta A ~ B.
4.15.4. Propiedad
Si A e K ' ,xm, entonces existen matrices no singulares P e K nXf y Q e K mxm tales que
F.C.(A) = PAQ.
En efecto, la forma cannica de A se obtiene premultiplicando A por un nmero finito de
matrices elementales del tipo x n y posmultiplicndola por un nmero finito de matrices
elementales pertenecientes a Kmxm. Como tales matrices elementales son no singulares, sus
productos P y Q, respectivamente, tambin lo son, ya que las matrices no singulares forman
grupo multiplicativo.
4.15.5. Propiedad
P AQ = I
En consecuencia
P"1PAQQ"1 = P"1Q~ 1
Luego
A = P"1Q"1
El segundo miembro es un producto de matrices elementales, ya que la inversa de toda
matriz elemental es una matriz elemental o un producto de stas.
4.15.6. Propiedad
El mtodo que exponemos a continuacin nos permite determinar el rango de una matriz
mediante un nmero finito de operaciones elementales del tipo: multiplicacin de una fila
por un escalar no nulo y adicin de una fila a otra. Sealamos que se opera exclusivamente
sobre las filas de la matriz, y que adems el mtodo se hace extensivo a la determinacin de
la inversa de una matriz no singular y a la resolucin de sistemas lineales.
Esencialmente, mediante las operaciones elementales indicadas, se trata de formar el
mximo nmero posible de vectores cannicos linealmente independientes. Tal nmero es,
precisamente, el rango de la matriz.
Sea A una matriz no nula. Se elige cualquier elemento distinto de cero, al cual se lo llama
pivote. Para fijar ideas, sin prdida de generalidad, supongamos que el pivote es an =a, y sea
la matriz
(a) b c
d ef --------
b c
1
a a
d e f ....
En la etapa siguiente, se reducen a cero los restantes elementos que figuran en la columna
del pivote. Entonces, a la segunda fila se le suma la primera multiplicada por - . De este
a
db de
modo, d se trasforma en 0 , e se trasforma en e - , y / se trasforma e n / - .Se obtiene
a a
a
Si 31 8 , en la misma etapa, al sumarle a la tercera fila la primera multiplicada por
a
g- b
se trasforma en 0. Y sifl32 = h , entonces h se trasforma en h --------
a
En las dos etapas descritas se ha obtenido un vector cannico en la columna del pivote.
Observamos en la matriz dada que todo elemento que no figure en la fila, ni en la
columna del pivote, forma con ste una diagonal de un rectngulo . Los otros dos vrtices
determinan lo que llamaremos la contradiagonal . Por ejemplo, asociado al elemento e se
tiene
d
Como el trasformado de e es e - , operaremos as: el trasformado de cada elemento
a
que no figure en la fila y columna del pivote es igual a la diferencia entre dicho elemento y el
producto contradiagonal dividido por el pivote.
En las etapas siguientes se reitera el procedimiento eligiendo un pivote que no figure ni en
las filas ni en las columnas de los pivotes anteriores. De este modo las operaciones
elementales indicadas preservan los vectores cannicos.
l procedimiento se termina cuando no es posible obtener ningn pivote (distinto de
cero) en las condiciones ya sealadas.
Ejemplo 4-17.
Mediante el mtodo de Gauss Jordn, obtener el rango de
1 2 1 -1 El trasformado de a43 = 3 es
0 -1 -1 3
0 2 -1 _ 3 _ 32)L 2 = i
1
0 - 2- - 3 4
1 0 3 1 El trasformado de a # = 2 es
0 0
0 1 r j 2 - ^ = 0
0 0 1- 2
1 0 0 7
0 0 1 2
0 1 0 -5
0 0 0 0
El mtodo explicado en 4.16. permite determinar la inversa de una matriz no singular. Sea
A e Knxn no singular; a su derecha se escribe la identidad en Knx".
A I
La matriz as indicada es del tipo nx2n, y a ella se le aplica el mtodo de Gauss Jordn
hasta lograr que A se trasforme en la identidad. La identidad que figura en el esquema
anterior queda trasformada en una matriz B e K xn.
A I
I B
Ejemplo 4-18.
Utilizando el mtodo de Gauss Jordn, obtenemos la inversa de
/1 0 -1
A ( 1 2 - 2
\ 2 1 1
Aplicamos el procedimiento mencionado a la matriz del tipo 3 X 6 que se forma
escribiendo la identidad 3 X 3 a la derecha de A, y convertimos a sta en la identidad
2
3_
m a t r ic e s
La matriz inversa de A es
1 2
y T
0 3 1
-1
5 5
1 2
~1
5 5
Ejemplo 4-19.
Determinamos la inversa de
ffl -1 1 1 0 0
0 0 1 0 1 0
1 - 2 1 0 0 1
1 -1 1 1 0 0
0 0 (1) 0 1 0
0 3 0 -1 0 1
1 -1 0 1 1 0
0 0 1 0 1 0
0 0 -1 0 1
2 1
1 0 0 -1
3 3
0 0 1 0 1 0
-1 1
0 1 0 0
3 3
3 3
0 0
O sea
A X + B Z = lp (1) A Y + B U = N (3)
CX + D Z = N (2) C Y + D U = I* (4)
De (2) se deduce
DZ- - CX
Y premultiplicando por D_1
Sustituyendo (5) en (1)
A X - B D"1 C X = \p
Por distributividad
(A - B D' 1 C) X = lp
Luego
X = (A - B D' 1 C)~l (6)
De (4)
D U = Ig C Y
En consecuencia
U = D"1 D"1 C Y (7)
Sustituyendo en (3)
A Y + B D "1 - B D "1 C Y = N
Por distributividad y trasposicin
(A - B D_1 C) Y - B D' 1
Premultiplicando por (A B D-1 C)1 = X, resulta
Y = - X B D"1 ( 8)
Las relaciones (6), (5), (7) y (8) permiten la determinacin de X, Z, U e Y,
respectivamente, en funcin de los datos y de la inversa de D.
Ejemplo 4-20.
Utilizando el mtodo de particiones, invertir la matriz
/1 -1 0 0
1 1 1 0
M~ 2 1 1 0
\l -2 0 1
\0 1I
Resulta
- o -g h ; :
Calculamos
1 0
-1 0 0 1
1 0
00
1 -1
1 1
1 0 0 -1
0 1 -1 -1
Con los cuatro bloques obtenidos formamos la matriz inversa
0 -1 1 0
-1 - 1 1 0
1 3 -2 0
- 2 -1 1 1
v ' = li Pi>vi W
La matriz P de esta trasformacin lineal respecto de la base [v] en cada espacio es
P = (p*/)f
P recibe el nombre de matriz de pasaje de la base [v] a la base [v].
2. h : V - V tal que h (v;) = v;- V/= 1, 2, , . n
Procediendo como en el caso anterior es
v i = i 1 P i j y ' i ( 2)
4.19.2. Propiedad
Vj =feti P kj V'kP li p v=
Como
\j = 0 v, 4 0 v2 + . .. + 1 Vy + . .. + 0 v
resulta que el nico trmino no nulo de la suinatoria anterior se obtiene para i =/, y vale 1.
Luego
n
H1 P i h P kj ^ij
Sea / : V -> W una trasformacin lineal de matriz A e K flx respecto de las bases
[v]= | v b v2,. . ,,v } e n V y [ w ] = { w 1>w1........wm } enW.
Si se efecta un cambio de base en cada espacio, entonces la misma trasformacin lineal/
est caracterizada por una matriz B e Kmxn respecto del nuevo par de bases [vj y [wJ.
Sean P e Knxn y Q e Km xm las matrices de pasaje de [v] a [v] y de [w] a [w].
Demostraremos que las matrices A y B de la trasformacin lineal /respecto de los dos
pares de bases verifican
B = Q' 1 A P
es decir, son equivalentes.
Para ello consideremos el diagrama
V, [v] W, [w]
P Q
V, [v] w ,K ]
Se verifica que
1. X |v] = P X[v>] por 4.19.4. (3)
2 . Y [W] = Q Y [W.) p o r4.19.4. (3)
3. Y[w} = AX[ V] por ser / trasformacin lineal de matriz A respecto de las bases [v] y
[w].
4 Y[wj
K ].
= X[v*l
B Pues / es trasformacin lineal de matriz B respecto de las bases [vj y
De 2., 3. y 1. se deduce
Y[w*J = Q' 1 Ylw] = Q 1 A X(vj = Q' 1 A P X{v,j
De esta relacin y de 4 resulta
B = Q"1 A P
O sea, B ~ A.
Recprocamente, si A y B son matrices equivalentes en Kmxn, y V y W son espacios
vectoriales sobre K, de dimensiones n y m, respectivamente, entonces A y B caracterizan a
una misma trasformacin lin e a l/: V W respecto de dos pares de bases.
/ : V ->V
siendo dim V = n y A la matriz de/respecto de la base [v] = [w] en cada espacio.
Si se efecta un cambio a la nueva base [v] = [w] con matriz de pasaje P = Q, entonces se
tiene
B = P"1 A P
donde B es la matriz de/respecto de la nueva base [v].
Las matrices A y B de K x", que representan el mismo endomorfismo respecto de las
bases [v] y [w], se llaman semejantes.
Diremos que
A es semejante a B 3 P no singular / B = PM A P
La semejanza de matrices es una relacin de equivalencia.
Ejemplo 4-21.
Sea la trasformacin lineal / : R3 >R3 definida por
/ (a , b , c} = (a + b , a - b + c , a - c)
i ) Determinamos la matriz A de f, respecto de la base cannica [v] en cada espacio
/ ( 1, 0, 0) = ( 1, 1, 1) = 1 e, + 1 e2 + 1 e3
/ ( 0, 1, 0) = ( 1, 1, 0) = 1 ei - 1 e2 + 0 e 3
/ ( 0 , 0 , 1) = (0, l , - l ) = 0 ei + l e 4 - l e 3
Entonces
(1, 0 ,0 ) = 1 e t + 0 e2 4* 0 e 3
Luego
/1 1 l\
P= 1 1 o
\l 0 0/
/o 0 1 \ /1 1 o \ /1 1 1 \
B= 0 1 - 1 1 - 1 1 1 1 0 =
\ l -1 0/ \ 1 0 -1 / \ l 0 0 /
2 - 1 0
y b , i
4
0 -1
4-23. Determinar la matriz X = ( X ^ ) sabiendo que X + ( \ ==I
\.z u I l 2 -2 I
4-24. Sean las matrices
1 1\ / 1 1 -3
1 B= f 0 0
0
1 2/ l 2 2 -3
Obtener: A2 , A B C y B^A*.
4-25. Desarrollar
i ) (A + I) (A - I)
ii) (A + B) (A - B)
Sabiendo que A, I y B son matrices cuadradas n x n.
4-26. Siendo
PQ q2
rP 1 -P 4
Calcular A2.
4-28. Dada la matriz
1 1
A=
1 0
calcular A2, A3, A4 , etctera, y vincular los elementos resultantes con los trminos de
la sucesin de Fibonacci: 1, 1, 2 ,3 , 5, 8, 13, . . . donde, a partir del tercero, cada uno
es igual a la suma de los dos anteriores.
4-29. Demostrar que A(B C) = (A B) C, sabiendo que los productos indicados existen.
4-30. Demostrar por induccin completa que
demostrar
B e K " x".
4-45. Sean A y B dos matrices simtricas en K "X1. Demostrar
A B es simtrica ^ A y B son permutables
( ) - ( M I )V,
4-53. Mediante una particin adecuada efectuar el producto
4-60. Sea
iii)X* A X = J (Xi-X)a
4-67, Sean
0 0 1
\
0 0 0 i \
A= yy B =
1 0 0
0 /
0 1 0 0/
[w] = | ( l , 3 ) , ( 0 , - 2) |
DETERMINANTES
5.1, INTRODUCCION
5.2. DETERMINANTES
Definicin
Determinante de orden n es toda funcin
D : Knxn - K
que verifica
1. D( A, . . . A j + A] . . . A n) = D ( A 1 . . . Aj . . . A) + D ( A X. . . Aj *. .. A)
cualquiera que s e a / = 1, 2 , . . . , n.
4. D (I) = .
#11 #12 #i
#21 a 22 #2 n
A=
escribiremos
<*11 #12 * #1 n
#21 a22 a2n
D (A) =
#n 1 #2 nn
Ejemplo 5-1.
La funcin D : K2*2 ->K definida por
a b
D (A) = = ad - be
c d
es un determinante.
En efecto:
a b + b
1. = a (d + d ) - ( b + b ) c = ( a d ' - b c) + ( a d - b c) =
c d' + d
a Z> a b
+
c d' c d
aa b a b
2. a a d - b a c ~ a ( a d - b c ) = a.
ac d c d
r
C C
4. D ( l ) = 1 = 1.1 - 0 . 0 = 1
0 1
imna
5.3. PROPIEDADES DE LA FUNCION DETERMINANTE
ticas,
5.3.1. Teorema
+ DXA1^ A j r r - 7 ^ T 7 ^ r + D ( A t . . . A m Ay . .. A ) = 0
Los dos trminos centrales son nulos por 3.
Luego
D (Ai . . . Ay Ay+i . . . An) D (Al . . . Ay+j Ay. .. Art)
5.3.2. Teorema
5.3.3. Teorema
5.3.4. Teorema
= D (Ai . . . Aj .. . Afe . . . A)
Ejemplo 5-2.
Sea
010 J e R 3x3
1 1/
Calculamos D (A) de la siguiente manera:
i ) A la tercera columna le sumamos la primera multiplicada por 1
1 0 1 1 0 0
D (A) = -1 1 0 = -1 1 1
2 1 -1 2 1 -3
1 0 0
D (A ) = 0 1 1
3 1 -3
1 0 0
D (A) = 0 1 0
3 1 -4
Ejemplo 5-3.
Si a K y A e Kxn, entonces
D (a A ) ~ a " D (A )
En efecto:
D (a A )= D [a (A t A2 . . . A)] =
= D ( a A i a A 2 , . . a A n) =
= a" D (A)
Ejemplo 5-4.
Si A j , A2, . . A n son vectores columnas de K" tales que D (Ai A2 . . . A) #= 0, y
B e K xl es combinacin lineal de aqullos, o sea
n
B = .*, A, con x e K , / = 1, 2 , . . n,
entonces
D (Aj .. . B .. . A)
Xj =
D(A)
donde B es la columna de lugar /
En efecto:
D (A i .. . B .. , Art) = D( Ai . . . 2 x t A .. . A) =
=1
= x x D (Ai . . . Ai . . . A) + x 2 D (Ai A2 .. . A2 . .. A) +
+ Xj D (A| . . . Ay . . . A) + . .. + * D(Ai .. . An . .. A) =
~ x D (A)
Luego
_ D( At . . . B . . . A )
D(A)
5.3.5. Teorema
A.- - 2 <*/ A,
1 t*i
En consecuencia resulta
El teorema contrarrecproco expresa
D (A) 0 =*A i, A2 , . . A son L.I.
Por consiguiente
D (A) # 0 => { A i, A2 , . . . , A } es una base de K
5.4. EXISTENCIA DE D
Definiremos ios determinantes por induccin sobre . Sea A e K x". Para cada
(/, /) e X I consideramos la matriz A (/1 f) del tipo ( n - 1) X (n - 1), que se deduce de
A al suprimir la fila i y la columna
an ... a ln \
ann I
/-1 2 3\
Por ejemplo, si A = i 1 0 2 1
V 2 1 - 3 /
= 2 , A 12 = (l )3 = - 1, etctera.
II
1 -3 2 -3
Probaremos la existencia de D procediendo inductivamente.
i ) Sean n = l y A = ( a ) e K l x l . Definiendo
D : Klxl K mediante
D (A) = a
se satisfacen los axiomas propuestos en 5.2.
ii) Supongamos definido D : K(n 1)x*n 1* K.
Esto significa que se satisfacen los axiomas 1 2 . , 3. y 4.
Daremos ahora una expresin para la funcin determinante de orden n a expensas del
determinante de orden n - 1. Para ello definimos, para cada fila i = 1, 2, . . n,
D : Knx ->K
mediante la asignacin
D (A ) = / a i, A i, (1)
donde Aw = ( - l ) w D ( A ( i \ ) ) .
O sea
D (A) ai Aj -f q2 A|2 "i. . . 4* Ajn V / 6 1 *
Probaremos que la definicin ( 1) satisface los axiomas nombrados.
1. D (Ai A2 . . . A \ + Afe . . . An) =
n n
~ Ay ~ &k A,^ + 2 ay A,/
4. D(I) = (-1)** w D ( l ( / l / ) ) =
= ( - i r s D (1 ( I /)) = 1
Entonces, V e N , V/ e I, la funcin
D : Knxn -+ K
definida por
n
D ( ) = . |s , 'A i;
es un determinante de orden n.
La frmula anterior corresponde al desarrollo del determinante por la i-sima fila y expresa
que todo determinante es la suma de los productos de los elementos de la fila i por sus
correspondientes cofactores.
5.5.1. Permutaciones
Definicin
Permutaciones de In son todas las funciones biyectivas de rt en s mismo.
Si o : I l n es una permutacin, entonces o queda caracterizada por el conjunto
ordenado de las imgenes
o ~ ( o ( l ) <7(2) . . . a ())
Como o es biyectiva, existe la permutacin inversa de a, a"1 : I I definida por
5.5.2. Trasposiciones
Sea j e \ n - r Trasposicin /-sima de la permutacin o es la permutacin
Ja :1 1
definida por
0 ^ ( 2 1 3 4 5)
entonces es
2ff= (2 3 1 4 5)
Toda trasposicin de una permutacin intercambia dos imgenes consecutivas y deja fijas
a las restantes.
Se verifica que la permutacin inversa de una trasposicin es una trasposicin. Por
ejemplo, la permutacin inversa de la trasposicin
2a = (2 3 1 4 5)
es la trasposicin
2'* = (3 1 2 4 5)
Se demuestra que si O es una permutacin de IMy n > 1, entonces existe un nmero finito
de trasposiciones cuya composicin es la identidad.
Por ejemplo, si
ff = (2 3 1 4 5)
entonces
2CT= (2 1 3 4 5)
y
l a CT= (1 0 2 )a = (1 2 3 4 5) = I
( - l ) e <> = ( - i ) e ( a 1)
5.5.4. Teorema
Los determinantes estn unvocamente determinados por los axiomas 1., 2., 3. y 4. El
determinante satisface la expresin
D (A) = 2 ( - l )6 0O(i ),i a(2>,2 - 0<7(m).m
A an E,
=i
O sea
u n M
D (A) = D (Ai 2 . . . A) - D (.2 an , .2 ai2 E , . . . .2 ain E()
Los vectores cannicos Ea(1), Eff(2 E0(j constituyen en cada trmino una
permutacin de E j, E2 , . . E. Si e (a ) denota el nmero mnimo de trasposiciones
necesarias para obtener la permutacin identidad es
D (E (1) E(2). . . Eff(,)- = ( - l) * > D (E , E2 . . . E)
donde (l)eo> es el signo de la permutacin.
Por 4. resulta
D ( E , E(2 >. . . Ec(n)) = ( - 1 ) ' D (1) = ( - l ) e>
Por consiguiente es
(A ) 2 (-1 ) ( ^ a a (i &a ( 2),2 a a ( n ) , n
Este desarrollo del determinante no es til para el clculo, pero s lo es desde el punto de
vista terico.
DETERMINANTES
(fe)
En todo producto del tipo
a { i ) , i ao{ 2 ) , 2
cada entero k e l n figura una sola vez entre los enteros o(i). Por consiguiente, tal producto
puede escribirse as:
ya que
En esta suma, cada trmino est asociado a una permutacin de I, digamos a, y cuando o
recorre todas las permutaciones de I, lo mismo ocurre respecto de <fl , ya que cada
permutacin caracteriza unvocamente a su inversa.
Por consiguiente, la suma es igual a
2(-l)CT01,ff(l)tf2,cr(2)>an,o(n) =D(Af)
Ejemplo 5-5.
Calculamos, segn 5.5.4., el determinante de C = (A B)* siendo
Efectuamos primero
AB=
- h
\ 0
" 2) / U o : D =(-n
\-4
i)
0 -2 /
r
167
Entonces
3 -3 -4
C = ( AB) f = | - 2 2 0
5 -5 -2
Para obtener los seis trminos del desarrollo 5.5.4. podemos aplicar la conocida regla
de Sarros, repitiendo debajo del determinante las dos primeras filas de la matriz, y
efectuando los productos indicados
D(C)=- = 3 . 2 . ( - 2) + ( - 2 ) . ( - 5 ) . (4) + 5 . ( - 3 ) . 0 -
- 5 . 2 . ( - 4 ) - 3 . ( - 5 ) . 0 - ( - 2 ) . ( - 3 ) . (-2 )
= - 1 2 - 4 0 + 4 0 + 12 = 0
3 -3 4 3 0 -4
D (C) = 2 -1 1 0 =2 -1 0 0 = 0 por tener una columna de ceros.
5 -5 -2 5 0 -2
Ejemplo 5-6.
Calculamos el siguiente determinante:
D (A) =
Ejemplo 5-7.
Desarrollamos por los elementos de la primera columna.
1 1 1 1
D (A) =
b2 d2
b3 d3
Antes de efectuar el desarrollo pedido reduciremos a 0 los tres ltimos elementos de la
primera columna, para lo cual restaremos a cada fila la anterior multiplicada pora.
1 1 1 1
0 b -a c -a d -a
D(A) =
0 b2 -ab c2 ac d 2-a d
0 b * -a b 2 c3-a c 2 d 3 - ad2
Desarrollando por la primera columna y factoreando
b -a c-a d -a
D (A) = b (b-a) c(c-a) d(d-a)
b2( b a ) c2(c -a ) d2 (d-a)
Extrayendo factores en cada columna
1 1 1
D (A) = {b - a ) {c-a) (d -a ) b c d
b2 c2 d2
El determinante de orden 3 que resulta es del mismo tipo que el primero. Ahora
restamos a cada fila la anterior por b
1 1 1
D (A) = (b-a) (c-a ) (d -a ) 0 c-b d -b
0 c2- b c d 2-b d
Desarrollando por la primera columna y extrayendo factores se obtiene
D (A) = (b -a ) (c-a ) (d a) (c -b ) (d -b ) 1 1
D (A) = (b - ) (c - ) (id - d) (c - b) (d b )(d - c)
El determinante propuesto recibe el nombre de determinante de Vandermonde, y
considerando la fila de elementos a, b, c y d, su desarrollo es igual al producto de los
binomios que se obtienen restando cada elemento de la misma de todos los que le
siguen.
b 11 >12 b 1
21 22 < b2n
C ~ AB = (Ai Aa . . . A)
&nl b n2 b nn
Luego
D (A B) = D ( 2 6 ; , A, , 2 bn A , .. . .S b Aj) =
= D (A) D (B)
5.8.1. Definicin
Au A21 . .. Ai
Aja A22 An2
Adj A =
La suma de los productos de los elementos de una fila de una matriz cuadrada por los
cofactores de los elementos correspondientes de otra fila es cero.
Sea
an i2 .. . a ln
A=
f c l a h2 &hn
il 2
D(A) =
ah l+ Q i\ h 2 + i2 #hn+ai
ni n2
Desarrollando el segundo m iem bro p or los elem entos de la fila h, se tiene
Entonces
D (A) = D (A) + aj
Luego
rt
)~1 i/ Ai; 0
5.8.3. Teorema
D(A) O ... O
O D (A ) . . . O
( O O ... D(A)
1 o ... o
o 1 ... o
= D(A) = D (A) . I
0 O ... 1
En forma anloga se prueba que
Adj A . A = D (A) I
a AdJ A - Ad A a i
'D(A) D (A)
Entonces, por definicin, existe A1 y es
A- i _ A d j A
D (A)
Se obtiene de este modo otro mtodo efectivo para el clculo de la inversa de una matriz
no singular.
Ejemplo 5-8.
Obtenemos la inversa de la matriz del ejemplo 5-6.
1 3 5
A=
2 11
54 54 54
2_ 11 7
A' 1 =
54 54 " 54
11 7 2
~54 54 54
Ejemplo 5*9.
Demostramos que los determinantes de dos matrices inversas son escalares recprocos.
Sea A e Knx" no singular, es decir, tal que existe A"1.
Entonces se tiene
D (A A '1) = D (I)
Por determinante del producto y de la identidad es
D (A) D (A-1) = 1
O sea
D(A"! ) - [ D (A )rf
Ejemplo 5-10.
Demostramos que dos matrices semejantes tienen determinantes iguales.
Si\i A e K ',x ,,.Si B e K " xn es semejante a A, entonces existe P no singular tal que
B =P' 1 AP
Entonces
D (B) = D (P~*) D (A) D (P)
Como K es conmutativo
D (B ) = D (P"1)D (P )D (A )
Por determinante del producto
D (B ) = D (P 1 P )D (A )
O sea
D (B) = D (I) D (A)
Y resulta
D (B) = D (A)
D (A ) =
tf.l i2 (tf
ni ani Qnj * nn
Elegimos como pivote un elemento no nulo, digamos ay. Despus de extraerlo como
factor de la fila i>reduciremos a cero los dems elementos de la columna del pivote.
ii a 12 . &l j # 1 n
fl21 022 . @2i * ^2 n
D (A ) = a t ai 1 ai2 . 1
aij ai}
an a \n ~
a
*n g2 <*in
D (A ) = fltf ... 1 ...
<*U y
&n\
ani ai 1 '
&rtj &i2 a n j &in
Ejemplo 5-11.
Calcular, usando la regla de Chio.
2 0 - 1 2
3 2 - 2 - 3
D (A) =
0 -2 2
2 3 0 1
Consideramos como pivote a a 33 = 2 y dividimos la tercera fila por 2, con lo que el
determinante queda multiplicado por este valor. Los restantes elementos de la columna
del pivote se anulan, y a los elementos del determinante que no figuran ni en la fila ni
en la columna del pivote se los trasforma de acuerdo con la regla del rectngulo
Se tiene
2 1 0 1
3 4 0 -5
D (A) = (2)
0 1 1 -1
2 3 0 -1
2 1
D (A) = (2) 3 4 -5
2 3 -1
1 1 -2 4 -1 1 2 1
0 1 1 3 0 3 2 -1
D (E) =
2-1 1 0 1 4 2 1
3 4 2 -1 3 1 3 2
5-13. Demostrar que el determinante de toda matriz triangular es igual al producto de los
elementos de su diagonal.
5-14. Demostrar que si un determinante tiene dos lneas proporcionales, entonces es nulo.
5-/5. Resolver las siguientes ecuaciones:
i -X o -2 ) 2 x 3 6
4
O
0 =0 1 -2
s
-2 0 4-X 2 -1 2
Resolver la ecuacin D (A ~
X1) = 0
5-/7. Resolver la ecuacin D (AX I) = 0 siendo
5-18. Demostrar que el determinante de toda matriz ortogonal vale 1 o - 1 .
5-19, Sea A e K"xn. Demostrar que
D(Adj A) = [ D ( A ) r i
1 1 . . 1
x1 X2 ..
T-n- 1 vn~l
x\ 2 A n
5-21. S e a n /y g funciones reales de una variable real con derivadas primeras y segundas.
Demostrar que si
f g
r
entonces
f g
r g
5-22. Demostrar que si n vectores columnas de Krt son linealmente independientes, entonces
el determinante de la matriz cuyas columnas son tales vectores es no nulo.
5-23. Determinar los signos de las permutaciones de I3, y la inversa de cada una.
5-24. Sean a\ , a2 , . . an escalares distintos. Demostrar que las funciones / \ , f 2, . . .,/
definidas por
/ i ( 0 = ea,t
son linealmente independientes sobre el cuerpo de los complejos.
5-25. Obtener las matrices inversas de
/i 0 \ a 0 \
A= y B= (a y b son no nulos)
U 1/ lo bf
l-i 1 2 0
0 3 2 1
B= 4 1 2
0
3 1 5 7
$.27. Sean las matrices
3 2 4\
2 -1 i yb
1 2 3/
Hallar X sabiendo que AX = B,
$.28. Verificar las siguientes identidades en K
i ) 1 1 1
x y z = (x - 7) O -* ) (* .-* )
y z xz x y
ii) x y z t
y z t x
(x + y + z + )(x + z - y - 0 (x + t - y - z) (x + y - z - f)
z t x y
t x y z
iii) 1 x y z +1
1 y z x +t
= 0
1 z t x +y
1 t x y +z
iv) x - y - z 2x 2x
2y y -x 2y
2z 2z x -y
1 -1 1 -1
0 2
2 -1 2 0
5-30. Calcular
0 1 1 1 1
1 0 1 1 1
1 1 0 1 1
1 1 1 0 1
1 1 1 1 0
5-33, Demostrar que el determinante de toda matriz antisimtrica de orden impar es nulo.
5-34. Demostrar que
= lA I ID B A"1 CI
D D
donde A y D son cuadradas y A es no singular,
5-35. Si A y D son simtricas e inversibles, entonces
A B \ ! /A' 1 + F E ' 1 Ff -F E '1
D/ l - E 1 Ff E"1
( a + u v *)"1 - a -1 - --u-y* A 1
1 + V* A U
Captulo 6
SISTEMAS LINEALES
6.1. INTRODUCCION
6.2.1. Concepto
/ : Km
definida por
/(X ) = AX (1)
Sea B e K . La igualdad
f{X) = B
o lo que es lo mismo
AX= B
recibe el nombre de sistema de ecuaciones lineales.
La traduccin de tal igualdad es
\
ffn 12 . . . (l\m X\ 1 bx
0-21 #22 a 2 m X2 b2
La matriz A, cuyos elementos son los coeficientes de las variables del sistema, recibe el j
nombre de matriz del sistema. Los escalares que figuran en el segundo miembro se llaman
trminos independientes. La matriz de coeficientes ampliada con los trminos independien
tes se denota mediante !
I
y es un elemento de +*\
SISTEMAS LINEALES
0 sea, cada m-upla de elementos de K que satisface a todas las ecuaciones del sistema es
una solucin del mismo.
Entonces
A X = B (1)
A X=0 (II)
( \ \
J
= | (Aj
\
2 . . . Am) | / x e K con / = 1 , 2 , , . . , m ; =
x mi
I m \
= ( .X* , A , / x ( K } = SC(A)
Por consiguiente es
dim I(f) = dim SC(A) = p (A)
6.2.3. Dimensin del espacio solucin de un sistema homogneo
Luego, la dimensin del espacio solucin de todo sistema lineal y homogneo es igual al
nmero de variables menos el rango de la matriz de coeficientes.
En particular, si p (A) = m, entonces es dim S - dim N(/) = 0. En consecuencia
Ejemplo 6-1
Interpretamos el siguiente sistema lineal en trminos de una trasformacin lineal y
determinamos la dimensin de su imagen
i 2xi - x 2 + x 3 + x 4 = 1
*1 - *2 - *3 + 2*4 = 0
( 3*1 7x 2 + 3x4 = 1
La matriz del sistema lineal es
Para hallar dim 1(f) obtenemos el p (A) por el mtodo de Gauss Jordn
2 -1 1 1
-1 -1 2
3 -2 0 3
0 3 -3
1 - 1 - 1 2
0 1 3 -3
0 1 3 -3
1 0 2 - 1
0 0 0 0
Xl
3xt
-
2 x
X l
2
*3 + 2*4
+ 3x4 = 0
= 0
entonces la trasformacin lineal asociada es la misma del ejemplo anterior. Resolver el
sistema homogneo signica determinar el ncleo de / , cuya dimensin es
dim S - m f) (A) = 3 2 = 1
B= S jc.
t= l
y por lo demostrado en el ejemplo 5-4 resulta
.. _ D(A, A , . . . B . . . A)
Xf ,
D(A)
para todo / = 1 , 2 , . . . , , donde B es la columna de lugar /.
Los sistemas de n ecuaciones con n variables se llaman cuadrados, y si el determinante de
la matriz de coeficientes es distinto de cero, entonces reciben el nombre de cramerianos.
Ejemplo 6*3
Resolvemos mediante el teorema de Cramer el siguiente sistema:
j X1 - *3 = - 1
< + 2x 2 2x 3 = 1
I 2xj - x2 + x3 = 3
La matriz de coeficientes es
A= 1
0 i\
5 M
- 1 _ 1 = - 1
~5
- 1 31 0
T
o 3 a x , a 2) ,m K / ( Aj A 2 . .. A m) =B^
m
o 3 a 1, a 2) . . . , a m e K / B = 2
i= 1
B es combinacin lineal de las m columnas de A o
# B e SC(A) ^ p (A) = p (A)
Por definicin de sistema compatible, producto de matrices en forma particionada,
definicin de combinacin lineal, definicin de espacio columna de una matriz y de rango de
una matriz.
Denotando con T el conjunto solucin del sistema lineal A X = B, el teorema demostrado
puede expresarse as:
T = <p o p (A) = p (A*)
En consecuencia
T = 0 p ( A ) * p ( A )
0 sea, un sistema de ecuaciones lineales es incompatible si y slo si los rangos de la matriz
de coeficientes, y de la matriz ampliada con la columna de los trminos independientes, son
distintos.
m
B = 2 a. Ai
1 /= i
0C2
es la nica solucin del sistema.
O,
Ejemplo 6-4
Discutimos y resolvemos por el mtodo de Gauss Jordn el siguiente sistema:
*1 + *2 + * 3 = 2
2Xi - *2 - *3 = 1
X j + 2x2 ~ *3 - -3
1 1 2
2 - 1 - 1 1
1 2 _ 1 - 3
1 1 i 2
0 -3 3 - 3 P (A) = p (A) = 3
0 -2 - 5 La solucin es
1 0 3 7 Xt = - 1
0 0 - 18 *2 = - 1
0 x3= 2
0 1 -2 - 5
O sea, el vector
1 0 0 1
0 0 1 2
0 1 0 - 1
Desde el punto de vista geomtrico, cada ecuacin es la representacin analtica de un
plano, y la solucin nica caracteriza al vrtice del triedro que forman dichos planos.
Ejemplo 6-5
Verificamos que el siguiente sistema es incompatible:
Xi + %2 - *3 = 1
*i
xx
+3x3 = - 3
+ *3 = 1
Investigamos para ello, los rangos de A y de A:
1 -1 1
1 -1 3 -3
1 0 1 1
1 1 - 1 1 El nico elemento que puede ser tomado
como pivote es - 4 . Esto significa que el
0 -2 4 -4
rango de A* es 3, pero el rango de A es 2, y
0 2 0 en consecuencia el sistema es incompatible.
0
1 0 1 1 La ltima etapa es innecesaria y ha sido
0 0 0 realizada para poner en evidencia los vecto
( r 4) res cannicos.
0 1 -2 0
1 0 1 0
0 0 0 1
0 1 -2 0
Ejemplo 6*6
Determinamos una base del espacio solucin del sistema lineal y homogneo
(A - XI) X = o
para cada X tal que
D (A XI) = 0
siendo
y X e R3 xi .
Resolvemos primero la ecuacin D (A - XI) = 0, o sea
1 -X 1 1
0 2- X 1 = 0
0 0 1 -X
\ ~ ^2 - 1 y X3 _2
1. Para Xj = X = 1 se obtiene el sistema homogneo
Es decir
O*! 4- x 2 + x 3 = 0
Ox 1 + x 2 + X3 0
Qx! + 0*2 + OX3 = 0
V Xj e R se verifica
x2 + x 3 = 0
O sea
x2 = - x 3
Las infinitas soluciones son las ternas del tipo
RESOLUCION DE SISTEMAS
Una base del espacio solucin est formada por los vectores
0
0
1 1
1
0
0
0 0 0 0
0 1 1 0
0 0 0 0
0 0 0 0
Como p (A) = p (A) = 1 y este valor es menor que el nmero de variables, el sistema
tiene infinitas soluciones. La dimensin del espacio solucin es
3 p (A) = 2
Las dos primeras ecuaciones caracterizan un plano que pasa por el origen y que
contiene al eje x i . La tercera ecuacin se satisface para todo (xj, x 2, x$) e R 3, o sea,
representa a R3. La interseccin de estos dos subespacios es el plano de ecuacin
*2 +*3 = 0 .
Ejemplo 6-7
Considerando las matrices
1
i 2 01 I*'} 1
A=
1 _1 1
__
-y
1= 1
, X= *2 *r
2~
1 1 1 V-
i3 i x 3 i i
3 3
_1_
2
_1_
1. ( x t *2 x 3) = (x^ x 2 x 3)
4 2
1
\ T j I
1Xj X 1 ,1 . 1 1 , 1
i ---1x 2 ~r~~X$
x 1 X\ + X 2 +~*3 ~ X2 + ~ X 3 = (xt x 2 * 3)
2 4 3 2 4 3 2 3
Por igualdad de matrices
1 ,1 ,1
Xi + X2 + ~ X 3 = Xi
2 4 3
*1 + x 2 + - * 3 =*2
2 4 3
1 ^ 1
+ JX 3 =x3
6 x j - 9 x 2 + 4x3 = 0
3x 2 - 4 x 3 = 0
2. 1* X = 1 =>(1 1 1) f x 2 I = 1 =>Xj + x 2 + x 3 = 1.
6 X1 - 3 x 2 4jc3 = 0
6x 1 - 9x 2 + 4 x 3 = 0
3x2 4 x 3 = 0
Xj + x2 + * 3 = 1
Aplicamos Gauss Jordan
6 - 3 - 4 0
6 - 9 4 0
0 3 - 4 0
1 1 1
0 - 9 - 10 - 6
0 - 15 - 2 - 6
0 - 4 0
1 1 1 1
0 0 U22) - 6
0 0 -li - 6
4 0
0 1
~3
1 0 7 1
3
1 3
0 0
U
0 0 0 0
0 4
0 1
11
0 4_
1 0
11
4
*i =
11
4
La matriz A de este ejemplo es tal que sus elementos son no negativos y la suma de los
elementos de cada fila vae 1. Esto significa que los vectores filas caracterizan una
distribucin discreta de probabilidades, y por tal motivo la matriz se llama estocstica.
El vector solucin define tambin una distribucin de probabilidades, llamada
estacionaria. Este tipo de distribuciones se estudia en las cadenas finitas de Markov.
Ejemplo 6-8
Determinamos los espacios soluciones de los siguientes sistemas homogneos y
cuadrados:
SISTEMAS HOMOGENEOS
i ) JCj 2x 2 + * 3 = 0
- + X3 = O
x ! - 2x 2 2x 3 = O
1 -2 1 1 -2 1
D(A) = 0 - 1 1 = 0 - 1 1
1 -2 -2 0 0 - 3
S=M 0 J
Los tres planos forman un triedro cuyo vrtice es el origen.
ii ) ( Xy - x2 + 3x 3 = 0
I Xy + X 2 - *3 =0
( + X3 = 0
Como
1 - 1 3 1 - 1 3
D(A) = 1 1 _ 1 2 0 2
1 0 1 1 0 1
= 1 0, el sistema es indeterminado.
- 1 3 0
1 1 - 1 0
1 0 1 0
1 -1 3 0
0 2 -4 0
0 -2 0
1 0 1 0
0 0 . 0 0
0 1 o 0
Se tiene:
*1 + x 3 =0
x 2 2X3 = 0
Despejando las variables principales
X = - X 3
x2 ~ 2x3
Las infinitas soluciones estn dadas por
I X i O
| x 2 = 2a
l x3 = a Vae R
Sea T el conjunto solucin del sistema lineal A X = B, y sea S el espacio solucin del
sistema lineal y homogneo asociado. Si t es una solucin particular del sistema A X = B, y
t + S denota la suma de esa solucin particular y todas las soluciones del sistema homogneo
asociado, entonces se verifica que
T= + S
En efecto:
1. Consideremos cualquier solucin u de A X = B, y sea t una solucin particular de este
sistema.
eT a eT=>A(m t) = Au - A f = B - B= 0 =>
=>u - t eS=>u - t = s A s e S = > = + s A s e S ^ e / + S
O sea
T C f + S (1)
2. Sean: f, una solucin particular de AX = B, y s cualquier solucin de A X = 0.
M= f + s e + S=>AM = A(t +s ) = A + As = B + 0 = B ^ w e T .
Luego
f + SCT (2)
De (1) y (2) resulta
T =e+ S
En consecuencia, toda solucin de un sistema lineal es igual a una solucin particular de
dicho sistema, ms una solucin del sistema homogneo asociado. En otras palabras, el
conjunto solucin de un sistema lineal es igual a la suma de una solucin particular con todas
las soluciones del sistema lineal y homogneo correspondiente.
Ejemplo 6-9
Interpretamos geomtricamente el significado del teorema anterior considerando el
sistema lineal de una ecuacin con dos variables
2*i =1
En este caso es A = (2 - 1 ) y A = (2 ~1 1). Ambas matrices tienen rango 1 y el
sistema tiene infinitas soluciones.
1 1 1 1 0 7
3 2 1 1 -3 0 .... 2
0 1 2 2 6 0 23
5 4 3 3 ... 1 0 12
1 1 1 1 1 0 7
0 - 1 -2 -2 -6 0 -2 3
0 (D 2 2 6 0 23
0 - 1 2 -2 -6 0 -2 3
1 0 - 1 - 1 - 5 0 - 16
0 0 0 0 0 0 0
0 1 2 2 6 0 23
0 0 0 0 0 0 0
5 p (A) = 5 2 = 3
] Xi - *3 - X 4 ~ 5xs = 0
1 x 2 + 2x 3 + 2x 4 + 6x 5 = 0
J Xi = X3 + x 4 + 5xs
| x2 = - 2x 3 2 x 4 6x s
f Xi / M 5
1 1
x2 -2 -2 -6
x3 =a 1 +0 0 f y 0
X4 0 1 0
i X5 0 0 i
1 1 5
- 2 -2
1 1 6
1 3 0 y 0
0 1 0
1 0 0 1/
Obtenemos una solucin particular del sistema dado haciendo x 2 - x$ - *4 = 0
16
23
f= 0
0
0
/ 16 \ / > 1 1 1 / 5 '
23 _o _ 2 - 6
0 + O 1 + /3 0 + 7 0
0 0 1 0
0 0 0/ 1 /
O sea
' = ~ 16 + a + 0 + 5^
x 2 - 23 2a 20 6y
< x 3 ^0i
x A =3
*5=7
i = ati =V ^7
Si / > 1, entonces
t\ i h j - a \
Luego
'i/=-
v sr.
O sea, la primera fila de T se deduce de la de A de la siguiente manera: el primer elemento
es la raz cuadrada del primero de A, y los restantes se obtienen dividindolos por esta raz
cuadrada.
2. Considerando cualquier fila distinta de la primera, es decir, tal que / > 1, se tiene:
n i ** M
/ = = 2 t2
hi= 2 <*,=< + 2 - 2 t)
ft - 1 h~ i h -1 h~ 1
i-1
/>i n1
2 tfti tfrj 2 thi thj
n -l
tj +2fhi^hj
ft-j
*11
n2n tnn j i M
M
de donde resulta, por producto e igualdad de matrices:
1 h i ki = b \ , o sea
t\ i
n i
2. th i k h = X th i kh =
/1= I h -1
i-1
i -1 ? ^-i
= t Hk i + 2 t h i k h ^ k i = - -1 - -
h=i rf.
Ejemplo 6-11
Resolvemos el siguiente sistema simtrico por el mtodo de la raz cuadrada:
i Xi + 2x 2 + 2x 3 ~ 0
I 2xi + 5x2 - x} ~ 8
( 2x 3 ~ x2 + 33x 3 = 4
Trasfonnamos, de acuerdo con el esquema propuesto, las filas de la matriz de
coeficientes ampliada con la columna de los trminos independientes:
1 2 2 0
#23 ~ h i 113 _ - 1 2 . 2 _
2 5 - 1 - 8
4
hi ~ 1
2 - 1 33
, bz~ t i 3ki - t 23 k 2
1 2 2 0 = ------------------------- =
0 1 - 5 -8 i 33
0 0 2 - 18 _ 4 -2 .0 -(-5 )(-8 )_ S
2
En consecuencia:
Xi + 2 x 2 + 2x3 = 0
x 2 - 5 x 3 = 8
2x3 = - 18
Luego
x 3 = - 9 x 2 = - 5 3 jcj = 124
La solucin es
/ 124
X= ( - 53
\- 9
Las condiciones para que el mtodo sea aplicable son: t u =0, Vi = 1, 2 ,. . . , n.
Ejemplo 6-2
Resolvemos por el mismo mtodo
| - Xj + x 2 - 2x 3 = 2
j xl + 3x3 - 5
[ 2xx + 3x2 x 2 3- - 1
_ i 1 - 2 2
1 0 3 -5
- 2 3 _2 - 1
i - i 2i -2 i
0 1 1 -3
0 0 1 -2
Entonces
x3=- 2 x 2 = 1 Xj = 1
Este mtodo, que es directo, permite obtener la inversa de una matriz no singular
M e K nx". Particionamos M de acuerdo con el esquema
n = (n - 1) + i
para filas y para columnas, y se tiene
M== ' A B
\ A
C an n l)
I N
N 1
O sea
A X + BZ = I ( 1)
AY + =N (2)
C X + a nn Z = N (3)
C Y + 5 = i (4)
Cf
De (2)
y (5)
Luego
n ~^nn ~ C A"1 B (6)
De ( 1)
A X = I - B Z = * X = A' 1 - A1 B Z (7)
Teniendo en cuenta esta relacin, (6) y (3), es
C (A-1 - A 1 BZ) + M Z = N
C A' 1 - C A-1 B Z + ann Z = N
CA (nn ttn) Z + ann Z -- N
C A 1 - ann Z + a Z + ann Z = N
n Z ~ - C A-1
r
Z = _ >r _A"1
2 _ (8)
De (7) y (8)
X = A 1 + A 1 BC A 1 (9)
Entonces
M1 -
Oir,
etctera
1. bm
- A -1 B
Jn-1 ,n
i . . \ lb, 1
^2 n b%n
3 - C A1 B =ann 4- C Q-tin + (&n l 0 2 n-1)
,n
b n ~ \,n
n-1
^ Oiyi nn + X &nj bjti
J- I
T a m b i n :
In
2 n
n-1 ,n
R-l
^ 0n nn
^ in ^ni
i~ i
A"1 g
4. Los elementos xj de la submatriz A"1 + - ------- son, llamando x\ a los
'te si i < - 1
si / < n ~ 1
Ejemplo 6-12
Calculamos la inversa de A por el mtodo del orlado, siendo
METODO DEL ORLADO
1 2 - 1
2 - 1 1 M
- 1 1 2
1 2 -2
2 - 1
2 5
-> - A
- 1
11
5
3 5 1
14 14 14
5 1 3
M'
14 14 14
1 3 5
14 14 14
2. i 2x + x2 - x 3 = 0
X-2 + * 3 = 0 5. 2xj 3jc2 + * 3 = 0
*1 + x<i x 3 = 0
6'6. Obtener una base del espacio solucin en cada uno de los casos del ejercicio
anterior, en los casos de dimensin positiva.
6*/7. Hallar la dimensin y una base del espacio solucin sobre C en cada uno de los
siguientes casos:
1. | i x + y - z = 0
I I > + Z = 0
6-18. En el anillo de las clases de restos mdulo 3, determinar una base del espacio solucin
del sistema
x t + x2 +x3 =0
x { + 2X2 0
1 1
2 2
A=
1 2
3 3 ,
5jci 4- 6x 2 + 2x 3 + jc4 = 2
A=
2. Xi + x 2-- 3 x 3= 1
2x\ + x% - 2*3- 1
xt + x2 + x 3= 3
x t + 2 x 2 3 x 3 = 1
*1 + * 2 - 3*3 - x5 - O
xx- x 2 + x3- x 4 =0
2x 1 + 2*3 - Xa, - X5 = O
2xt x A x 5 ~ O
A= 4 1 4
2 0 3
obtener X tal que D(A - XI) 0. Despus resolver el sistema (A XI) X = 0 para cada
valor de X.
6-27 Determinar para qu valores de k el siguiente sistema tiene soluciones distintas de la
trivial:
x + (k 4- l)j> + z=0
x +y + {k+ \ ) z - 0
(&+l)x+ y + z~ 0
En cada caso, estudiar el espacio solucin, e interpretar geomtricamente.
6-28. Determinar la inversa de M por el mtodo del orlado, siendo
1 1 -1
M= 1 - 1
1 1
6-29. Resolver el sistema X*A = X*, siendo
1 1\
ai x + b x y + c x z - 0
a2 x + b2 y + c2 z = 0
sabiendo que
bi ci
0
b2 C2
x + ay - z~ 1
3x + y 4- 2 = a
x + y - olz = 1
4x 4- y - az - &
bxl + ax2 + + x 4 = a - b
*2 + bx 3 + cx 4 = a + 1
2x 1 2 x 2 + X 3 1
Captulo 7
7.1. INTRODUCCION
Definicin
Producto interior en V, es toda funcin
<, > : V2 R
que satisface las condiciones de simetra, de linealidad respecto del primer argumento
y de definida positiva:
i ) < x , y > = ( y >x> cualesquiera que sean x e y en V.
i i ) < x + y >z ) = ( x , z > + < y , z ) cualesquiera que sean x, y y z en V. j
(
iii) <ax,y> = a < x , y > V x e V , V y e V , V a e R . |
iv)< x,x0 VxeV i
I
(x,x>=0^x = 0
T odo p roducto interior en u n espacio vectorial real asigna a cada par de vectores un nico
escalar real.
Espacio euclidiano es to d o espacio vectorial real con p ro d u cto interior.
La adjuncin de u n p ro d u cto interio r a u n espacio vectorial perm ite establecer una
m trica en l; o sea, los conceptos de distancia en tre pares de vectores, m dulo de un vector,
ortogonalidad y ngulo en tre dos vectores. Estas nociones no son intrnsecas al espacio
vectorial, sino que dependen del p ro d u cto interio r que en l se considere. O sea, dos vectores
de un espacio,ortogonales con un p ro d u cto interior, pueden perder este carcter si se define
otro p roducto interior.
Ejemplo 7-1
En (R , + , R , .), la funcin
<, >: R " X R " -+ R
definida por
< X , Y > = Xf Y (1)
y\
x2 y2
X" Y=
#
| yn,
es un producto interior. Para probar esta afirmacin verificamos los axiomas de la
definicin.
i ) < X , Y ) = X Y = (Xf Y) = Y X = ( Y , X )
Por (1), por ser X*Y un escalar, por traspuesta de un producto y por (1).
) < X + Y , Z > = (X + Y ) Z = (X + Y ' ) Z = X Z + Y Z = <X, Z> + <Y, Z>
Por (1), traspuesta de la suma, distributividad y (1).
iii) <a X , Y >= (a X)* Y = a X* Y = a <X , Y >
Por ( 1), traspuesta de un escalar por una matriz y (1).
iv)(X , X ) = X X = X x f > 0
=l
Por (1), producto de matrices y suma de nmeros reales no negativos.
Adems
Ejemplo 7-2.
La funcin
( , >: R 2 X R2 -* R
tal que
( X , Y > = X A Y (1)
es un producto interior. En efecto
1 ) < X , Y > = X AY = (Xf A Y)* = Y A X = Y A X - < Y , X >
Por (1), por ser Xf A Y un escalar, por traspuesta de un producto, por ser A* = A y por
)
) < X + Y , Z > = (X + Y)t A Z ^ O C ' + Y ^ A Z ^ X * A Z + Y* A Z = < X , Z > + <Y, Z>
iii) <a X , Y >= (a X)* A Y = a X A Y = a <X , Y >
Adems
<X , X > = 0 ^ ( x 1 - 2x*2)2 + x \ =0
<>x x - 2 x 2 = 0 a x 2 = 0 *
*>x x x 2 = 0-X = 0
Ejemplo 7-3.
Sea C [ -1 , 1 ] el conjunto de las funciones reales continuas definidas en el intervalo
cerrado de extremos 1 y 1.
El lector puede verificar, considerando el espacio vectorial
( C [ - l , 1 ] , + , R , .)
<f , g >= / ] f 0 0 g (x) dx
caracteriza un producto interior en dicho espacio. Para ello es suficiente probar que se
cumplen los axiomas de la definicin teniendo en cuenta propiedades elementales de la
integral definida.
Sea (V, +, R , .) un espacio con producto interior, y sean las combinaciones lineales
ti m
x = Z ctiXt y = 2 f t y ,
i=l j~l
donde
d i, K y x,yyeV
De acuerdo con los axiomas de la definicin, se tiene
n m
<x , y >= (.2 a f Xj ,.2 pj yy >=
rt m n m
n m n m
= .2 a <. 2 fy y , X i) = .2 oe^S |3y <yy , x >=
n m
= ft <x >y/ >
Hemos aplicado sucesivamente:ii), iii), i), ii), iii), propiedades dela sumatoria e i).
En particular es
< a x + y , a x + y ) = 2 <x , x ) + a { x , y ) + a < y , x ) +
+ <y , y >= a 2 < x , x > + 2 a < x , y > + < y , y >
7.2.3. Propiedad
Definicin
Mdulo de un vector en un espacio con producto interior es la raz cuadrada no
negativa del producto interior de dicho vector por s mismo.
El smbolo llxll se lee: mdulo o longitud de x.
De acuerdo con la definicin es
II xil = V < x >x )
En R2, con la definicin dada en el ejemplo 7-1, si x = (3,4), entonces
11x 11= 7 3 ^ ^ = 5
Definicin
Distancia entre dos vectores x e y, en un espacio con producto interior, es el mdulo
de su diferencia.
MODULO
El lector puede comprobar que esta definicin satisface los axiomas de la funcin
distancia.
7.2.5. Mdulo del producto entre un escalar y un vector
En todo espacio con producto interior, el mdulo del producto entre un escalar y un
vector es igual al valor absoluto del escalar por el mdulo del vector.
il axll = Ial II xll
En efecto:
II a x i l 2 = ( a x , a x > = a 2 < x , x > =
= l a l 2 l l x i i 2 = ( l a l I! x I I ) 2
O sea
l l a x ! l 2 = ( l a l II xl l ) 2
X
1
- x
= 1
x = llxlt=l
llxll llxll llxll ti xll
Si x - (1, 1, y/2 ), entonces es, con el producto interior usual,
I x l - V ^ + C - O + (n /2)2 = 2
y resulta
x J l _ 1 y/2
llx ll \2 V 2
IX ORTOGONALIDAD
Sea (V, +, R , .) un espacio vectorial con producto interior.
Definicin
Dos vectores son ortogonales si y slo si su producto interior es nulo.
El smbolo x 1 y se lee: x es ortogonal a y.
Entonces
Ejemplo 7-4.
1. En R2, con el producto interior usual, los vectores
x = ( - 2 ,3 ) e y = (3 , 2)
son ortogonales, pues
< x , y ) = ( - 2 ) ( 3) + 3 (2) = 0
3 a1 - 4 a + 1 = 0
Las races son:
y
* = ( - 1 , - 4 , 1) e y = ( - 1 ,1 ,1 )
Ejemplo 7-5
Demostramos el teorema de Pitgoras: si x e y son dos vectores ortogonales, entonces
II x + y II2 = Ibd2 + llyll2
En efecto:
Ejemplo 7-6.
En el espacio vectorial de los polinomios reales de grado menor o igual que 2 y el
polinomio nulo, donde el producto interior se define como en el ejemplo 7-3, los
polinomios
\/2 \f$
- - y
2 \/2
son ortogonales, pues
= xdx. ^ \ l =0
2J-i 2 2 J -i
2. y ^ 0 .
Cualesquiera que sean t y u en R, por el axioma iv) de la definicin de producto interior,
es
< x + w y , x + w y ) > 0
Desarrollando el primer miembro
2 < x I x ) + 2 / M < x , y > + 2 < y , y > > 0
Haciendo
-<y,y> y w= - < x , y >
se tiene
(<y,y>)2 < x , x > - 2 < y , y ) ( < x , y > ) 2 + ( < x , y > ) 2 < y , y >>0
Por definicin de mdulo y reduccin de trminos
llyll4 llxll2 - IIyl l 2 ( <x, y >)2 > 0
Dividiendo por II y II2, que es no nulo, resulta
llyll2 llxll2 ( <x , y >)2 > 0
Teniendo en cuenta que el cuadrado de un nmero real es igual al cuadrado de su valor
absoluto, y trasponiendo trminos
K x , y > I2 < ( llxll IIyII)2
Y, como las bases son no negativas, resulta
K x ,y > llxll IIyII
En todo espacio con producto interior, el mdulo de la suma de dos vectores cualesquiera
es menor o igual que la suma de sus mdulos.
Probaremos que
Hx + y l K 11x 11+ llyll
En efecto, por definicin de mdulo y de producto interior es
IIx + y lt2 = ( x + y , x + y>=: ( x , x > + 2 < x , y > + < y , y > ( 1)
Teniendo en cuenta la desigualdad de Schwarz y propiedades del valor absoluto en R, se
verifica
- II xll II y l K (x , y X llxll llyll
Luego
2. cos,p= '-y>-
llxll II y II
De la relacin 2. se deduce la siguiente expresin del producto interior en funcin del
ngulo de los vectores y de los mdulos de stos:
<x ,y> = llxll lly!icos<>
Ejemplo 7-7,
Los vectores x e y forman un ngulo de 60 y el mdulo de x es 3. Determinamos el
mdulo de y para que y x sea ortogonal a x.
Il y II . = 3
2
De donde
7.7.1. Definicin
Un conjunto de vectores { x l7 x2>. . . , xr } en un espacio con producto interior es
ortogonal si y slo si dos vectores cualesquiera y distintos son ortogonales.
{Xi , x 2,. . xr } es un conjunto ortogonal o i =/' =>( x , x; >= 0
7.7.2. Propiedad
Entonces
r
^ 0L ( Xj , X >= 0
7.8.1. Concepto
Sea (V, +, R , .) un espacio con producto interior y sea A = { Xj, x2, . , } una base
del mismo.
Definicin
Diremos que A es una base ortonormal si y slo si A es un conjunto ortogonal de
vectores de mdulo 1.
A es ortonormal o A es ortogonal y II x ( II= 1 , Vz = 1, 2 ,. .., n
Una base ortonormal es tal que
, xj >= 0
i e I = <Xj, x, >= 1
En consecuencia, integrando estas dos expresiones en una sola, se tiene
A es una base ortonormal <X j, Xj >= 5^
Ejemplo 7-8.
En R", con el producto interior usual, la base cannica { e 1, e 2, . . .,eM} es
ortonormal.
En R2, con el mismo producto interior, la base formada por*
es ortonormal, pues
<xt ,X i >= <x2 ,X2 >= 1
( \ i , x 2 >= 0
Ejemplo 7-9
En (R2, +, R , .) se considera la base formada por
Xi=(l,D xa = ( - 1 ,2 )
Construimos una base ortonormal siguiendo el procedimiento desarrollado en el
teorema anterior.
1. It Xi 11= n/2*
y /2 y/2
y2 =
2 2
La base j y j , y2 } es ortonormal.
Ejemplo 7-10
Sea V el conjunto de los polinomios reales de menor grado o igual que 2 y el
polinomio nulo. En (V, -f, R,.) se define un producto interior mediante
< P , Q> = V(x)Q(x)dx
z2 ~ x 2 ~ < x a , y i ) y i
\2
Como <x 2 , y i >= <x , >=
2
/: 2 4
resulta
Adems
II z2 ^ = <z2 ^2 . x >= f * x 2 d x ~
2_
-i 3
Entonces
Luego
*2 \/3
y2= - - ~ x
II z2 ti V2
2
z 3 = X3 - (^ < X3 y i >y =*
i x/ 3
<X y 2 >~ - , y / 2 X3
De (1) resulta
z - x2 V2 \ / 2 _^2 j_
3 3 2 3
Como
= f/1 x( 4x 2 x 2 _+l
^ )\ d x = 2 A'3 -I, 1A-I 1 =
3 9 5 9 9 J X
s 2 l + 2 = 2._ A = JL
5 ' 9 9 5 9 45
resulta
2V2
Z3 II =
3 y/5~
Y en consecuencia
- 3V!~ / 2 1 \_3VI0
x2 - l
Il z-> It 2V i l 3/ 4
La base
VI 3 vio / 2 1
2 V2" 4 l 3
es ortonormal.
S1 - { x e V / x l y , V y e S j
Ejemplo 7-11
En R 3, con el producto interior ordinario, si
S = { (0, 0 , x 3) / x 3 e R |
entonces el complemento ortogonal de S es
S1 ~ { (X1)X2, X 3) e R 3 / x 3 =0'
*2
7.9.2. Propiedad
Por consiguiente
(S1, +, R , .) es un subespacio de V.
9.7.3. Propiedad
O sea
u^. 2 ctfXi
1=^+1
Esto prueba que
{X r + 1 > x r + 2 > X l
Sean x e y dos vectores de un espacio con producto interior, e y =0. Entonces existe un
escalar a, tal que
x- ay 1y
En efecto
ay = a (y,y>~0=>
<x . y >
-> a - ---------
<y , y >
El vector
Ejemplo 7-12
Comprobamos que las proyecciones de un vector de R3, con el producto interior
usual, sobre los vectores de una base ortonormal, son las componentes de dicho vector
respecto de la base.
3 3
Definicin
Espacio afn R es el conjunto de todas las n-uplas de nmeros reales, y una estructura
de espacio vectorial para cada A e RM, con las operaciones definidas.
Consideremos V = R ", X e R" e Y e R". El par de puntos (X, Y) se llama vector fijo de
origen X y extremo Y. Se lo denota mediante XY*.
Sean los elementos de R :
A = (flf a2, .. .,a n) X = ( x u x 2, . . Y ^ O i , ^ , .. . , y n)
Entonces la suma de X e Y, en el espacio de origen A, es
X Y = AX + Y = X f Y - A
Siendo
X + Y - A = (x, + y x - a u x 2 + y 2 - a7, . . + y n - an )
Si ot e R, entonces
D0X = ft X = ft(X - A) + A = X - (a - 1) A
donde
a A - ( a - 1) A = (a ^ ! - (a - l ) a , , . - (a - 1) an)
Consideremos el espacio afn RM, es decir, el conjunto de todas las n-uplas de nmeros
reales y las estructuras de espacios de los vectores aplicados en cada punto de R".
En el espacio afn R" definimos la siguiente relacin de equivalencia:
X ~ B Y > Y = XB = l B
Escribiremos
XB=X+B
Y -X
En lo que sigue nos referiremos a vectores libres del espacio euclidiano tridimensional.
Consideraremos una estructura de espacio vectorial, con origen en 0, yla base ortonormal
I = ( 1, 0. 0) J = (0, 1,0) K = (0 ,0 , 1)
A=/ I + m J + K
Si P0 es un punto de coordenadas (x0, y 0, z 0)> entonces existe una nica recta que pasa
por P0 y tiene la direccin de A.
El vector O P0, de origen 0, ser denotado por P0 . Sea X un punto genrico de la recta, de
coordenadas (x, y, z ).
Se verifica que
X - P 0 + P X
-----
Y como P0X es equivalente a t A, para algn t e R, resulta
X = P0 + A (1)
Para cada t e R se tiene un punto perteneciente a la recta. La igualdad (1) es la ecuacin
vectorial param trica de la recta que pasa por P0 y es paralela al vector A. La variable X
depende de , que es el parmetro.
Expresando (1) en trminos de coordenadas es
(x, y, 2 ) = (x 0, y o, z Q) 4- 1 (l, m, n )
Efectuando el producto por t , sumando e igualando las componentes, resulta
f x~Xo+lt
(2)
l z ~ z Q + nt
Las ecuaciones (2) reciben el nombre de ecuaciones cartesianas paramtricas de la recta,
Las componentes l , m y n del vector A suelen llamarse coeficientes directores de la recta.
Si son distintos de cero, eliminando t, se obtiene
x - x o = y - y o _ z - zQ ^
l m n
Las ecuaciones (3) reciben el nombre de ecuaciones cartesianas de la recta.
Considerando la recta en un plano, la forma de la ecuacin vectorial no se modifica, pero
las ecuaciones cartesianas quedan simplificadas, ya que la tercera componente no figura.
Ejemplo 7-13
Determinamos las ecuaciones vectorial y cartesianas de la recta que pasa por
P0 (1, 0 , 2) y es paralela al vector A, siendo A = 3 I J + 2K .
La ecuacin vectorial es
X = P0 + t A
O sea
x I + y + z K - + 2 K + t (3 l - J + 2 K)
Efectuando las operaciones
x I + ^ J + z K = ( - l + 3 0 I - J + (2 + 2 f ) K
Igualando componentes
i x = -1 + 3 t
\y =-t
\ z =2 + 2t
Las relaciones anteriores constituyen el sistema de ecuaciones cartesianas paramtricas
de la recta, y eliminando el parmetro t resulta
x 4- 1 __ y z 2
3 - 1 2
Observamos que los sustraendos de los numeradores son las coordenadas del punto
dado, y los denominadores son las componentes del vector A.
Ejemplo 7-14
Obtenemos las ecuaciones cartesianas de la recta r que pasa por P0 ( l y 2, 3) y es
paralela al vector A = 2 1 + K.
Como
X = P0 + t A
se tiene
x l + y i + z K = l + 2 3 + 3 K + t ( 2 l + K)
O sea
x = 1+ 2 t
y =2
2= 3+ t
Eliminando el parmetro entre la primera y la tercera ecuacin, resulta
x 1 _ z 3
2 1
Efectuando operaciones en la primera de estas ecuaciones se tiene
j jc - 2z = 5
i y =2
Este es el sistema de ecuaciones cartesianas no paramtricas de la recta, y se interpreta
de la siguiente manera: r es la interseccin de los planos cuyas ecuaciones son
x - 2z = - 5 (paralelo al eje>>) e y = 2 (paralelo al plano jcz, por el punto (0, 2, 0)).
a = k eos a
b = k eos P
(5) c ~ k eos y
d = k(-p)
En consecuencia
donde el signo de k, por lo observado anteriormente, debe tomarse distinto del de d.
De (5) resulta
a a b c d
eos a = eos (S~ eos y ~ p - -
k k k k
Sustituyendo en (3), la ecuacin normal vectorial es
ax + by
------ s + cz + d =o
---------
\a2 + b 2 + c2
Luego, para trasformar la ecuacin general del plano a la forma normal, se divide el
primer miembro de aquella por la raz cuadrada de la suma de los cuadrados de los
coeficientes de las variables, la que se toma con signo distinto al del trmino independiente.
Ejemplo 7-16
Determinamos la ecuacin normal cartesiana del plano cuya ecuacin general es
x - y + z 1 = 0
X -y + z - 1
n /i2 + ( - l )2 + 1
O sea
x - y +z - 1
VT =
O bien
. VLo
3 3 3 3
3
Observamos que el vector cuyas componentes son los coeficientes de las variables de la
ecuacin general del plano es normal al mismo, ya que se deduce del vector normal
unitario multiplicndolo por k.
Ejemplo 7-17
Obtenemos la ecuacin del plano que pasa por P0 (1, 2, 2), sabiendo que es
perpendicular al vector A = 3 I + J + K.
Cualquiera que sea X perteneciente al plano pedido es
P X 1 A
En consecuencia
FVC. A = 0
es la ecuacin vectorial del plano.
En trminos de coordenadas se tiene
P^X - (x - 1) I + (y - 2) J + (z
Ejemplo 7-18
Determinamos la distancia entre el plano de ecuacin
2 x - y - 22 + 3 - 0
y el punto P0(l, 2, 3)
Sea tt el plano cuya ecuacin normal es
PN X - p = 0
-.3-1
3 3
Ejemplo 7-19
Dados los puntos A ( - 1 ,3 , 2) y B ( - 1, 1, 0) determinamos la distancia del origen al
plano perpendicular a la recta AB, sabiendo que dicho plano pasa por el punto medio
del segmento AB.
Las coordenadas del punto medio de un segmento son las semisumas de las
coordenadas de los extremos de dicho segmento
En efecto:
M = A + AM
B = M + MB
Restando
M B = A M pues AM y MB son equivalentes
Entonces
2M = A + B
0 sea
M = (A + B)
2
En nuestro caso, las coordenadas de M son ( - 1 , 2, 1), y un vector normal al plano es
B = B - A = - 2 J - 2 K
La ecuacin vectorial del plano es
MX . A B= 0
Donde
M X = (x + 1) I + (y 2) J + (z 1) K
Efectuando el producto
0 . (x + 1) 2 (y 2) 2 (z 1) = 0
O sea
2 .y + 2 z - 6 = 0
es la ecuacin del plano pedido. Este plano es ortogonal al vector 2J - 2K, es decir,
al plano y z; en consecuencia, es paralelo al eje x.
Observamos que si el coeficiente de una variable de la ecuacin de un plano es cero,
entonces diclio plano es paralelo al eje correspondiente a esa variable.
La ecuacin normal del plano hallado es
2y + 2 z - 6
=0
2 s2
O sea
s/2 \/2
y + z -
2 2 2
Y la distancia pedida es
3 y T _ 3 y/2
d= 0 -
2 2 2
z =z(t)
La curva cuya ecuacin paramtrica es
X (f) = eos 11 + sen t J + K
es tal que sus ecuaciones cartesianas paramtricas son
/ X eos t
| y ~ sen t
\z- 1
cualquiera que sea t e R.
Elevando al cuadrado las dos primeras y sumando eliminamos el parmetro
f x2 + y 2 = 1
C
[ z ~ 1
La representacin de C est caracterizada por la interseccin de dos superficies: la
superficie cilindrica cuya directriz es la circunferencia de radio 1 centrada en el origen e
incluida en el plano horizontal y cuyas generatrices son paralelas al eje z, y el plano de
ecuacin z = 1.
Se trata de la circunferencia indicada en el grfico siguiente:
La representacin de una curva como interseccin de dos superficies se llama implcita, y
en general se denota mediante
c I F (x , y z) = 0
( G(x, j > , z ) = 0
Donde el sistema anterior es tal que se cumplen las condiciones de regularidad dadas por
el teorema de Cauchy Dini, relativo a la existencia de funciones definidas por sistemas de
ecuaciones.
Ejemplo 7-20
Deducimos la ecuacin vectorial de la hlice circular, definida como la trayectoria de
un punto que gira alrededor de un eje y adems se traslada paralelamente a l, siendo
ambos movimientos uniformes.
Suponemos que en el instante t = 0 el punto mvil est en A (a, 0, 0), y que al cabo del
tiempo t est en X (x , y , z).
Se verifica que
ip~ w t y z = vt
ip=w t ~ u
Resulta
z =v t w t = bu
w
Las ecuaciones cartesianas paramtricas son
Sean: una curva C y una direccin del espacio caracterizada por un vector no nulo
A = /I + m J + nK .
Definicin
Superficie cilindrica de directriz C y direccin A, es el conjunto de puntos de las
paralelas a A, que pasan por todos los puntos de C.
r
Ejemplo 7-21
Determinamos la ecuacin de la superficie cilindrica de directriz
x - eos t
(x - z f + (y - z f = 1
Definicin
Superficie cnica de directriz C y vrtice V es el conjunto de puntos de las rectas
determinadas por V y todos los puntos de la directriz.
K
Las rectas consideradas se llaman generatrices.
Sea X un punto genrico de la superficie cnica; X pertenece a una generatriz, la c
corta a la directriz en un punto
Entonces la ecuacin vectorial de la superficie cnica es
x = v + x v n
O bien
X = 2 + AV 2
Ejemplo 7-22
Obtenemos la ecuacin de la superficie cnica de directriz
c x 1 + y* - 1 = 0
y vrtice V ( 0 ,0 ,0 )
Como
(ot - 0 ) I + (0 - 0) J = a l + 0 J
y __ y
X = V 4- X V 2 ,
resulta
X I + y S + z K= \ ( a l 4-/3 J + K)
r
Luego
x = Xa
y = A0
z=X
De donde
a - a 0 =^-
Sustituyendo en (1)
X 2 + y 2 - z 2= 0,
se obtiene la ecuacin cartesiana implcita de la superficie cnica.
F (*,>>, 2) = 0 (1)
GCx.j'.z^O (2)
La superficie cilindrica de generatrices paralelas al eje z, y de directriz C, se llama cilin^
proyectante de C sobre el plano horizontal. Su ecuacin es del tipo
f(x,y )=o
y se obtiene eliminando z entre ( 1) y (2).
La interseccin del cilindro proyectante con el plano de ecuacin z ~ 0, es la proyeccin!
de Csobre el plano horizontal.
O sea-
/ ( * ,y ) = o
C'=Pz=oC n
( 2=0
Para obtener la proyeccin de C sobreel plano y z hay que eliminar x entre ( 1) y (2) yj
cortar el cilindro proyectante con el plano de ecuacin x = 0.
Ejemplo 7-23
Determinamos las proyecciones, sobre los planos * y y x z, de la curva
x2 + y2 +22 - 1 (1)
x 2 + y2 - z (2)
1. Eliminamos z entre (1) y (2)
x 2 4-y 2 + ( x 2 + y 2)2 = 1
Pasando a coordenadas polares
p2 + p4 ~ 1
Entonces
p4 + p2 - 1 = 0
Resolviendo respecto de p2
La nica solucin es
O sea
2
La proyeccin sobre el plano horizontal es la circunferencia de ecuaciones
I x 2 + y 2 =-
r PROYECCION
Su radio es ____
Resulta
y/5 1
z~
P ^ o C{ 2
x - 0
Ejemplo 7-24
Obtenemos la proyeccin de C sobre los planos x y y x z , siendo
f x 2 + y 2 + z 2= 1 ( 1)
1x 2 + y 2 - x = 0 (2)
1. La ecuacin del cilindro proyectante de C sobre el plano horizontal es
x2 +y2 - x ~0 ( 2)
ya que z no figura.
Luego
p I X2 + y 2 - x = 0
r z =0 c
( z=0
/
es la circunferencia de radio y centro ( ,0 I del plano horizontal.
2 \2
2. Restando (1) y (2)
Luego
( z2 = + 1
P ,= C
1^ = 0
es la parbola de vrtice ( 1, 0) y eje - x del plano x z.
r
7-29. Demostrar
I <x , y > I= II x IIII y II ^ x e y son L.D.
(2/,7)2
1=1 <( 1=1
s i=l y f )
definida por
/(x)=<x,y>
es una forma lineal.
7-34. Sea < , > un producto interior en (V, +, R , .), y sea / : V -* V una T. L. Demostrar que
tp : V 2 ->R
tal que <p(x , y) = </(x), / (y)> es un producto interior en V, si / es 1 - 1.
7-35. Sea (V, + , R , .) un espacio euclidiano. Demostrar que la funcin
1 . N ( a x ) = a 2 N (x)
2. N (x + y) - N (x) - N (y) = 2 <x , y >
3. N (x + y) - N (x - y) = { x , y )
4 4
7-36. Demostrar que en todo espacio euclidiano las diagonales de un rombo son
perpendiculares.
7-57. Sea (V, +, R , .) un espacio vectorial con producto interior.
Demostrar
a v
i=1 1
Demostrar que
II vf II2
7-43. Sean (V, +, R , .) un espacio euclidiano y ( Vi, v2 , . . vn ) una base de V tal que
n
x e V A y e V = * < x , y ) = xyi
i=1
n n
donde x = 2 x v y y = . y vf
i1 '^1
Demostrar que la base { v3, v2 , . . ., v } es ortonormal.
7'44. Sean: V un espacio euclidiano y A C V, Si 2(A) denota el conjunto de todos los
vectores ortogonales a A, entonces
fi(2 (A )) = A
7-45. Demostrar que si ( Vi, v2 , . . vn } es una base ortonormal de (V, +, R , .), entonces
n
< x , y >= 1 ^ ^ ,
7-48. Determinar el conjunto de los puntos del espacio que equidistan del plano
x +y = 1
y del punto F (2, 2,1).
7-49. Obtener las ecuaciones vectorial y cartesiana del plano paralelo al plano
ax +y - a = 0
que pasa por P0(ff, a, 3).
7-50. Hallar la distancia entre el plano que contiene a las rectas
x = y =z
x 1 =y + 2 ~ z
y el punto P0(1>0, 1).
7-57. Obtener las ecuaciones de la recta determinada por los planos
2 x - y + z 2 = 0
y
x+2y-z+=0
7-52, Hallar las ecuaciones de la recta que pasa por el origen y es paralela a la interseccin de
los planos
2x+y-z~0
y
x - 2 y +z = 5
P'
u= o
Obtener la ecuacin del conjunto de puntos de tales perpendiculares.
7-57. Hallar las ecuaciones vectorial y cartesiana del helicoide recto, que se define como el
conjunto de puntos de las rectas que pasan por todos los puntos de una hlice circular
y que son perpendiculares al eje de sta.
7-58. Sea (V, +, C ,.) un espacio unitario, y sea { Vj}v2>.. v } una base ortonormal del
mismo.
Demostrar que
< X , Y >= X* Y
" n
siendo X = x vt y Y S y v,
,~1 i=l
7-59. Sea P e RrtX" una matriz ortogonal. Demostrar que las lneas de P constituyen una base
ortonormal de RM, considerando el producto interior habitual.
1
7-60. Sea P e R"*rt una matriz ortogonal tal que p n = Vj = 1, 2 , . . n. Demostrar que
i < / =>2 p u = 0
8.1. INTRODUCCION
8.2.1. Concepto
Definicin
El escalar X eK es un valor propio de / si y slo si existe un vector no nulo x e V, tal
que f ( x ) ~ \ x .
Todo vector no nulo que satisfaga la condicin anterior se llama vector propio de /,
asociado al valor propio X.
En consecuencia, un vector propio de un endomorfismo es un vector no nulo cuya imagen
es un mltiplo escalar del mismo.
Las expresiones valor propio , valor caracterstico y autovalor son sinnimas.
Tambin lo son vector propio, vector caracterstico y autovector .
Ejemplo 8-1
Considerando (R2, +, R , .) y la trasformacin lineal
/ : R2 R2
definida por
/ ( * i * 2) = (2xi - 2x 2) ,
el escalar X = 2 es un valor propio de f, ya que el vector no nulo (2, 1) es tal que
/( 2 , 1)= (4, 2) = 2 (2 ,1 )
(2, 1) es un vector propio asociado al valor propio 2 .
8.2.2. Propiedad
x 0 A y ^ O ^ x e S x A y e S \ = >
=> f ( x ) ~ Xx A/ ( y ) = Xy =*/(x) + / ( y ) = Ax + Xy =*
=>/ (x + y) = X (x + y) => x + y e S \ => x + y e SA
4. Sean a e K y x eS^.
Si x = 0 o a - 0, entonces a x e S \.
Consideremos el caso en que x ^ O y ^ 0 :
Definicin
El escalar Xes un valor propio de la matriz A e K " x" s y solo si existe un vector no
nulo X e K ',xl tal cjue AX = a X
Un vector no nulo que satisfaga la relacin AX - XX se llama vector propio de A asociado
al valor propio X
Afirmamos entonces que. un vector propio de una matriz A K"xn es un vector propio de
la trasformacin lineal de KMen K representada por A en la base cannica.
Ejemplo 8-2.
Si V es el espacio vectorial sobre el cuerpo de los nmeros reales, de las funciones
f : R -* R infinitamente derivables y
D : V - V
es el endomorfismo definido por
D(f)=yt ,
dx
entonces la funcin f e V, tal que f (x) = e * x es un vector propio de la trasformacin
lineal D, pues
D( f ) = - X<?x* V e R
dx
Ejemplo 8-3
Si A e K nxn es una matriz diagonal, entonces cualquier vector cannico E , e K MX1,
donde / = 1, 2 , es un vector propio de A.
En efecto, sea
I dx 0 . . . 0 '
0 d2 . . . 0
A=
0 0
"
Entonces
dx 0 ... 0 ^ \
... 0 I o\ .
. o
. ^
A Ef = 1 = di dE
:i
.0* ...
lo/ lo /
Los valores propios de A son los elementos de la diagonal.
8.2.4. Propiedad
Los vectores propios asociados a valtres propios distintos son linealmente independientes.
Sean
una trasformacin lineal y Xj, x2, . . xn vectores propios asociados a Xj, A ^ . . tales
que
i => A* =
Demostraremos que X j, x2, .. x son linealmente independientes.
1 .n ~ l=>xx = 0 ^ x 1 esL.I.
2. ( x , , x 2, . . . , x h } es L.I. => j x , , x 2, .. .,x h, x h + 1 | esL J.
En efecto, consideremos
/J+ 1
,?x a Xi = (0
Multiplicamos por \ + x
al Xl + + ah \ +1 xAt + ai+ 1 \i+ 1 xh+ 1 = 0
A plicando/a (1)
a i Ai Xi + . , . + a f)X/1Xfl + a h + i \ + i x ft + i = 0
O sea a h+ i = O, ya que x h + x ^ O
En consecuencia
c*i = a 2 = . .. = <xh = a /t + 1 = 0
Y por lo tanto
j x l5x2 j . . . , x n ( esL.I.
Ejemplo 8*4
El lector podr demostrar, al realizar el trabajo prctico, q u e todo endomorfismo en V,
donde V es un espacio vectorial d e dimensin finita y mayor o igual que 1 sobre el
cuerpo de los complejos, admite un vector propio.
Pero si el cuerpo no es C, entonces pueden no existir vectores propios. En efecto, sea
(R2,+ ,R , .)y sea
/ : R2 -> R2
tal que
f ( x i , x 2) = (xi eos 6 - x2 sen d, Xi sen Q + x 2 e o s 6)
Si existiera (x i , x 2 ) e R2 , (x i , x 2 ) = (0, 0), tal que para algn X e R
f ( X l , X 2) = X (* l,* 2 ) ,
entonces
eos 6 - x 2 sen 6 = X xi
Xj sen 6 + x 2 eos 6 = \ x 2
O sea
(X - eos 6) x i + x 2 sen 6 = 0
- x i sen 0 + (X - eos 6) x 2 = 0
1
A. eos 6 sen 9
= 0
sen 6 X - eos 0
Luego
X =1 A r
2 4
Slo existen vectores propios si 0 = n ir.
C onsiderando (R 2 , + , C ,.) existen valores y vectores propios. El endom orfism o /
representa u n a ro taci n del p lano de ngulo 0 alrededor'del origen.
8.2.6. Propiedad
0 0 ... \
En efecto, la matriz de / respecto de [v] se obtiene determinando las imgenes de los
vectores de dicha base, y teniendo en cuenta la definicin de vector propio es
/(V l) = Xi V! = Xj Vi + 0 v 2 + . . . + 0 v
/(V 2) = Xj v2 = 0 V! + X2 v2 + . . . + 0 v
/(v) = \, V = o V , + 0 V 2 + . . . + X V
En consecuencia, resulta
Xi 0
0 X2
D=
0 0 ... X j
En este caso diremos que la trasformacin lineal / es diagonalizable.
Una consecuencia del teorema demostrado es la siguiente:
Si dim V = n y / : V -> V es un endomorfismo que admite n valores propios distintos,
entonces / e s diagonalizable.
Esta afirmacin es obvia en virtud del teorema anterior y de 8.2.4.
En trminos de matrices diremos que si A e K nX1 admite rt valores propios distintos,
entonces existe P e K x" no singular, tal que
P '1 A P es diagonal
Ejemplo 8-5
Determinamos los valores y vectores propios de A, siendo
3 2
-1
De acuerdo con 8.2.5., consideremos
D (A XI) = 0
0 sea
ise 3- X - 2
=0
;es - 1 2 -X
lal
Resolvemos respecto de X
(3 - X) (2 - X) - 2 = 0
X2 ~ 5 X + 4 = 0
5 V 25 - T _ 53
X-
2 2
os
Las races son:
Xi ~ 1 > X2 ~ 4
Para cada X resolvemos el sistema
(A - XI) X = 0
2 x t - 2x2 - 0
i)C; - x t + j2 = 0
El sistema es equivalente a
Xi - x 2 = 0
De donde
Luego
H I
X, es un vector propio asociado a \ = 1.
1 -2 \ x A 0
2. \ 2 = 4 => | I, l , I, , = I . 1 => - Xi - 2 x 2 = 0- =*xx
- i + 2 x 2 =0
= n=!>
- 1 2 / \ x 2f \ 0
-2
=*Xi = - 2 x 2 ^ X a = I
Sea K [X] el anillo de polinomios del cuerpo K (vase captulo 12 de Algebra /, del
autor).
Si P e K [X], escribimos
P(X)=* 2 ^X *
y ' =o
donde a e K y an =0, o sea g P = n.
Dada la matriz cuadrada A, definimos
P (A )= ai A1
v ' iO
Haciendo A = I, se tiene
P(A)=* An + a n-i A"1 + . . . + a t A + a 0 I
La matriz P (A) es la especializacin de X por A.
Ejemplo 8-6
En R [X] consideremos
1 1
A=
0 2
Entonces
P (A) = 2 A2 - A - I
1 1 \ /-1 l\ /-1 1\ /1 0
=2 , , , , , , ,
0 2/ \ 0 2/ \ 0 2/ \0 1
- 2,1 'U 1 - U 0
0 4/ \ 0 -2 / V 0 1
2 2 + / = 1
0 8/ \ 0 -3 / 0 5
Se verifica que
1.(P + Q )(A )= P (A ) + Q(A)
2. (P . Q) (A) = P (A) , Q (A)
3. (a P)(A ) = a P (A )
Si <*!, a2, . . son elementos de K y
Ejemplo 8-7
Si A e Kxrt, entonces existe un polinomio no nulo P K [X] tal que P (A) = N, donde
N denota la matriz nula del tipo n x n.
En efecto, la dimensin de (K"xn, +, K ,.) es n2. Esto significa que las matrices
I, A, A2 , . . . , A m
son linealmente dependientes si m > n2.
En consecuencia, existen escalares ai, a2, . . am, no todos nulos, tales que
am Am + a m.i Am l + . . . + a x A + a0 I = N
O sea, existe
P ( X ) = a m Xm + a m-i Xm_1 + . . . + 1 X + 0
en K [X], que satisface
P(A)=N
8.3.2. Polinomio caracterstico
Definicin
Polinomio caracterstico de una matriz A e K " x* es el determinante de la matriz
XI A.
O sea
X ~ a n ~ a 12 a ln
21 X- 2a "
P (X) = D (XI A) =
Ejemplo 8-8
Determinamos el polinomio caracterstico de A, siendo
/ -1 2 2
A= 2 2
\ -3 -6
X+ 1 -2 -2
P (X) = D (XI A) = -2 X 2 2
3 6 X+ 6
X- 2 -2 -2 -2 -2 -2
= ( X + 1) + 2 + 3
6 X+ 6 6 X+ 6 X -2 -2
= ( X + 1) (X2 + 4 X) + 2 ( - 2 X ) + 3 . 2 X
= X3 + 5 X2 + 4 X - 4 X + 6 X = X3 + 5 Xa + 6 X
Una raz es Xj = 0. Las otras dos lo son de
X2 + 5 X + 6
O sea
Resulta
X2= ' 3 X3=-2
8.3.3. Propiedad
Ejemplo 8-9
Determinamos los valores y vectores propios de A e C2 , siendo
El polinomio caracterstico es
P ( \ ) = D (XI A) = X 2 2 = ( \ - 2 ) 2 +4
2 A 2
Por distributividad es
(XI - A ) X =0
l. = 2 + 2i=*l
2i -2 \ xA 0\ 2iXl-2Xi=Q ===^bci- x
\ 2 2ij \ x 2/ \ 0 1 2 X l +2X2 =0
>x2 = ix |
' 1
Un vector propio es X* =
1f
2. X, = 2 - 2/ - ( " * ) ( ** ) = ( | 2*. - 2 * , = 0
/ 2 + 2i 0
P"1 A P =
\ 0 2 - 2 i
Ejemplo 8-10
Probaremos ahora que los valores propios de toda matriz involutiva son 1 o 1.
Sea A e K nxn, tal que A2 ~ I.
Si X e K "xl es un vector propio asociado al valor propio X, entonces
A X = XX (1)
Premultiplicando por A
A2 X = X A X
Como A2 - l , se tiene
I X = XAX
O sea
X = XAX (2)
De (O y (2) se deduce
X = XXX
Es decir
(1 - X 2) X = 0
Como X =0, resulta 1 - X2 = 0, y en consecuencia X= 1.
Con procedimiento anlogo el lector podr comprobar que los valores propios de toda
matriz idempotente son 0 o 1, es decir
8.3.4. Propiedad
Entonces es
D (XI B) = D (X P1 I P P"1 A P) =
= D [P"1 (XI A) P] ~ D (P"1) D (XI - A) D (P) =
= D (P_1) D (P) D (XI A) = D (P"1 P ) D ( X l - A ) =
= D (I) D (X1 - A) = 1 . D (XI - A) = D (XI - A)
La recproca no es cierta, ya que dos matrices pueden tener los mismos valores propios y
no ser semejantes.
Un contraejemplo se presenta considerando las matrices
Sea / : V -> V una trasformacin lineal y sea [v] = j Vi, v2, . . ., v } una base de V.
Entonces/est caracterizada por una matriz A e KMXM respecto de [v].
Si [vl = { vi , v2. . . . , v \ } es otra base de V, entonces existe una matriz no singular
P e KMXn tal que la matriz de respecto de la base [v], verifica
8.4.1. Definicin
8.4.2. Propiedad
0 0 \-d r
El polinomio caracterstico de A es
P (X) = ( X - ( X - 2) (X - d)
En consecuencia, los elementos de la matriz diagonal son los valores propios de A.
8.4.2. Propiedad
ele
Una matriz A e K nx" es diagonalizable si y slo si A admite n vectores propic
nd
linealmente independientes.
1. Sea A diagonalizable.
da
A es diagonalizable = > A ~ D = > 3 P n o singular / P~l A P = D => A P = P D (1) lo <
hoi
Particionando P en vectores columna, o sea
P ( X , X2 . .. X),
es
/ X1 o . . . o
o Xa . . . 0
P D ~ ( X i X 2 . . . X n) (Xi X t X2 X 2 - - - X X) (2)
o o ...
Adems
A P = A(X, X2 . . . X ) = (AX , A X 2 . . . A X J (3)
De (1). (2), y (3) resulta
A X j-^X , 1,2,...,
Luego las columnas de P son n vectores propios de A, y como P es no singular, tales
columnas son L.I.
En consecuencia, A admite n vectores propios L.L
2. A admite n vectores propios L.L
Sean tales vectores propios: X j , X2, . . Xn.
Por definicin es
A X, = A, X, V i 1 , 2 , . . . ,
Sean
P = (X t X2 . . . X J y D = ( \ 6 tf)
Se tiene
A P = (A Xj A X2 . . . A Xn) = (Ai Xi A2 X2 Afj Xn) =
= (X, X2 . . . X ) ( \ 8 , , ) = P D
Como P es no singular resulta
P"1 A P - D
O sea, A es diagonalizable.
De acuerdo con 8.2.4., si los valores propios del polinomio caracterstico de A e K nxn son
elementos distintos de K, entonces los vectores propios asociados son linealmente
independientes, y, por 8.4.2.2., A es diagonalizable.
En general, si el polinomio caracterstico de A tiene races mltiples, la matriz no es
diagonalizable. Para que lo sea, debe cumplirse la condicin suficiente demostrada en 8.4.2.,
lo que significa que a toda raz mltiple de orden p debe correspondere un sistema lineal y
homogneo cuyo espacio solucin tenga dimensin p.
Ejemplo 8-11
La matriz
no es diagonalizable.
Determinamos los valores propios
X 1 1 0
P (X) = D ( X 1 A) = 0 X -l -1
0 0 X -l
~ (X l ) 3 =* Xi = X2 ~ X3 = 1.
Los vectores propios asociados a esta raz triple satisfacen a
( X I - A) X = 0
O sea
Luego
- x 2 + 0jc3 = 0
O*) + 0 x 2 - x 3 ~ 0
El rango de la matriz de coeficiente es 2, y en consecuencia es
dim S = 3 2
'1
O sea, liay un solo vector propio linealmente independiente de la matriz A.
Por consiguiente, A no es dagonalizabie.
Ejemplo 8-12
La matriz
X+3 0 4
P (X) = D (XI A) = -4 X -l -4
-2 0 X- 3
X+3 4
-2 X- 3
4 0 4\ Xl\ 0
L i
La matriz del sistema tiene rango i , o sea
dim S = 3 - 1 = 2
A A3 = - 1 le corresponde un vector propio linealmente independiente. Luego A es
diagonalizable y su forma diagonal es
/1 o o'
D=i 0 1 0
\ 0 0 -1
Hemos visto que no siempre es posible diagonalizar una trasformacin lineal o una matriz
cuadrada. Cabe preguntarse si es posible determinar una base tal que, respecto de ella, la
matriz de una trasformacin lineal de un espacio de dimensin finita en s mismo sea
triangular. La respuesta es afirmativa si el cuerpo es el de los nmeros complejos.
Consideremos un endomorfsmo
/ : V-> V
donde dimx V = > 1.
En lo que sigue, introduciremos el vocablo fan, cuya traduccin es abanico, para denotar
una familia de subespacios de V que satisface ciertas condiciones.
8.5.1. Concepto
8.5.2 . Propiedad
Si [v] es una base fan de V, entonces la matriz asociada a todo endom orfism o/: V -> V es
triangular superior.
Sabemos ue para obtener la matriz d e/resp ecto de una base, hay que determinar las
imgenes de los vectores de la misma y expresarlos como combinaciones lineales de tales
vectores. Teniendo en cuenta adems la definicin de subespacio invariante, resulta
Vi eS! ^/(Vj)e Sx =>/(,) = !! v t
v2 e S 2 =*/(v2) e S2 =>f(v3) = a n vt + a22 v2
0 0
Si / : V - V es una trasfonnacin lineal y si existe una base respecto de la cual la matri
de / es triangular, entonces diremos que / es triangulable. I
En trminos de matrices, diremos que A e K nXfl es triangulable si y slo si exisi
P e KrtX" no singular, tal que P '1 A P es triangular. Demostraremos que toda matriz pued
ser triangulada sobre el cuerpo C.
8 .5.3. P ropiedad
l
f
Consideremos las proyeccionesp j y p 2 de V sobre St y W, respectivamente.
La composicin p 2 / e s una trasformacin lineal de V en V tal que si x eW, entonces
/(x ) e W. Restringiendo el dominio a W, podemos considerar a p 2 f como una
trasformacin lineal de W en W. De acuerdo con la hiptesis inductiva, existe un fan de
p2 o f e n W. Sea ste
| w , , w 2...... w_, |
Consideremos ahora los subespacios
Sf = S! + W M
parar = 2 , 3 , . .
Se verifica que dim S, = i, ya que si { wl5 w2, .. wj ) es una base de W, entonces
{Vj, Wi ,. . . , w,-_i } es una base de S,, i ~ 2 , 3 , . . n.
Adems, S C S +1 para todo / = 1 , 2 , . . . , ,
Para demostrar que { S l9 S2, . . S } es un fan de / en V, es suficiente probar que
/ ( V f)CV, .
Observamos que
f = iv f= ( P i +P2 )f= P i f + P i f (1)
pues/?i + p 2 = iy (ver 3 4 6 )
Sea x un vector cualquiera de S :
x e S => x = avi + w,, donde a e C y wf e W
Teniendo en cuenta (1) es
/ ( x ) = (Pi f + P 2 / ) ( x ) = (Pi / ) ( x ) +(Pa / ) ( x ) (2)
Ahora bien
(P i f ) (x) = P i l f (x)] S!, y en consecuencia
P\ f ) ( x ) e S i (3)
Por otra parte
(Pi /)(x) = (P 2 /)(Vi) +(Pz f)(w) = ap 2 (/(vi) ) +(p2 /)(w1) =
= a p 2 (Xi v O + (p2 <>f) (w,) = a p 2 ( v j) + (p2 f) (Wf) = 0 + (p2 f ) (w) =
= (P2 f) (w)
de acuerdo con la descomposicin de x, la definicin de trasformacin lineal, y considerando
que Vi es un vector propio de / . Por la hiptesis inductiva se sabe que (p2 f ) (W,) C Wf, y
por consiguiente
(P 2 f ) (x) = (Pi f ) (w,) W,
T
P (A) = N
Ejemplo 8-13
Utilizando el teorema de Hamilton-Cayley, determinamos la inversa de la matriz A del
ejemplo 8-5.
3 -2
A=
, 1 2
El polinomio caracterstico de A, es
P (X) = X2 - 5 X + 4
Entonces es
P (A ) = A2 - 5 A + 4 I = N
O sea i
I = (A2 - 5 A)
4
En consecuencia, multiplicando por A"1;
A '1 = (A 5 I)
Como
A- 5I
Resulta
i i
2 2
J_ 2
4 4
A0 A Ai = Ci I
A A0 = Cq I
Luego de premultiplicar por A , A"-1,. . A e I, respectivamente, se tiene
A " A .1 = A n
A""1 A_2 - A " A ^ - c ^ A"-1
A"2 A^g - A"1 A_i = cn_ An"2
A A0 - A2 A i = Cj A
A Aq = Cq I
Sumando, despus de reducir, es
N = A" + c n -i A "" 1 + . . , + < ? ! A + c 0 I
O sea
P (A) = N
1. / : R2 ->R2 definida p o r / ( x j , x 2) = (4.x: j + 3jc2 i 3xi - 4x2)
2. f : R3 -+ R3 tal que f ( x , y , z) = (2y - z , 2 x - z , 2x ~ y )
8-15. Obtener los valores y vectores propios, si existen, de las matrices siguientes con
elementos en R:
8-26. Sea una matriz A e CrtX'1 tal que Afc = I. Demostrar que si X es un valorpropio de A,
!
entonces Xfe = 1. j
8-27. Demostrar que los valores propios de una matriz triangular son los elementos de la j
diagonal.
8-28, Por definicin, una matriz cuadrada A es nilpotente si y slo siexiste un entero ;
positivo k, tal que A k = N. Demostrar que los valores propios de toda matriz ;
nilpotente son nulos. !
8-29. Demostrar las siguientes propiedades:
1. Dos matrices semejantes tienen sus trazas iguales. j
2. Si k es un entero positivo, entonces tr Ah = X X^.
3. La traza de toda matriz idempotente es igual a su rango.
4. La traza de una suma es igual a la suma de las trazas.
5. Las trazas de dos matrices traspuestas son iguales. ;
6. Las matrices A B y B A tienen trazas iguales.
7. tr (ABC) = tr (BCA) = tr (CB)
8. Si P es ortogonal, entonces tr (Pf A P) = tr A.
8-30. Considerando el producto interior habitual en R2, determinar una base ortonormal de !
vectores propios de A, siendo
8-3J. Demostrar que si todos los valores propios de una matriz son no nulos, entonces dicha
matriz es no singular.
8-32. Calcular P (A), siendo P (X) = X3 ~ X + 1 y
8-33. Demostrar que si A es una matriz simtrica y P e R [X], entonces P (A) es una matriz
simtrica.
8-34. Demostrar que si A es hermitiana y P e R [X], entonces P (A) es hermitiana.
8-35. Sean A y P elementos de K "xn, tales que P es no singular. Demostrar que
(P_1 A P)ft = P"1 Afe P
admite un vector propio en R2, cualquiera que sea </?e R. Probar que existe un vector
X tal que A X = X.
8-38. Con relacin al ejercicio anterior, demostrar que si Y es un vector de R2 ortogonal a X,
entonces A Y = Y. Interpretar geomtricamente.
8-39. Demostrar que si P es una matriz ortogonal del tipo 2 X 2 y D (P)= 1, entonces
existe un nmero real tal que
1
1 1' )/ - (\ i " /
8-42. Demostrar que si X es un valor propio de A e K"xn, entonces a + Xes un valor propio
de a + A >V a K.
8-43. Demostrar que una matriz A e CMXn es singular si y slo si admite algn valor propio
igual a cero.
8-44. Diagonalizar, si es posible, las matrices
1 l+ i
A= [ ) e C2x2
o i
0
I
1 1
A - e R 3x3
2 2
1
2 0
-.2
8-45, Sean A = y P (X) = X2 - 1.
2
Diagonalizar P (A), si es posible.
8-46, Sabiendo que dimc V > 1 y que / : V V es un endomorfismo, demostrar que existe
un vector propio de /.
Captulo 9
9.1. INTRODUCCION
Presentamos en este captulo los conceptos de forma bilineal sobre un espacio vectorial,
de forma cuadrtica asociada, y sus conexiones con la matriz de cada una respecto de una
base en el caso de dimensin finita. Se estudian los operadores adjuntos, traspuestos,
hermitianos y simtricos, as como tambin algunas propiedades de sus valores propios. Esta
situacin se reitera en el caso de operadores unitarios y ortogonales. Despus de la
demostracin del teorema de Sylvester, se trata el tema de la diagonalizacin de operadores
simtricos y de las matrices correspondientes. Adems de la descomposicin espectral de una
matriz diagonalizable, se estudia la congruencia de formas cuadrticas reales, la reduccin a
la forma cannica y el signo de una forma cuadrtica.
9.2.1. Concepto
Definicin
La funcin / : V2 -> K es una forma bilineal sobre V si y slo si es lineal respecto de los
dos argumentos.
O sea
/ : V2 - K es una forma bilineal sobre V si y slo si satisface:
1. Linealidad respecto del primer argumento
f ( a x + b x \ y ) = a f ( x , y) + b f ( x \ y)
2. Linealidad respecto del segundo argumento
/(x , c y + d y) = c f ( x t y) + d / ( x , y )
cualesquiera que sean x, x \ y, y en V y a, b, c, d, en K.
Si / e s una forma bilineal sobre V, entonces se verifica que
/ ( a x , y ) = a / ( x , y ) = / ( x , ay)
El lector puede demostrar que el conjunto de las formas bilineales sobre V es un espacio
vectorial sobre e! cuerpo K, comprobando que s i / y g son dos formas bilineales cualesquiera
y si a e K, e n to n c e s /+ g y a f son formas bilineales.
Ejemplo 9-1
Considerando (K", + , K , .), la funcin
/:K "X K "-K
definida por
/(* > y )~ x iy
es una forma bilineal sobre Kn, ya que verifica las condiciones 1. y 2. de la definicin.
Ejemplo 9-2
Asociada a la matriz A e K " x", la funcin
/ : K X K " - > K
definida por
/( X ,Y ) = X ' A Y (1)
es una forma bilineal en K", donde la im agen/(X , Y) e K1x 1 se identifica con un
escalar en virtud del isomorfismo entre K 1x 1 y K.
En efecto:
f ( a X + b Y i Z) = (a X + b Y)* A Z = ( a X t + b Y) A Z =
= X f A Z + 6Y* A Z = fl/(X ,Z ) + 6 /(Y ,Z )
Anlogamente se prueba la linealidad de/respecto del segundo argumento.
La expresin escalar de (1), efectuando el producto de matrices, es
011 012 ath y1
021 022 02n y2
/(X, Y) = X'AY = (x,x2...x)
01 02 0n i y*
y i
y2
= ( .E x , a , .2 x a n . . . .2 x , )
=1 1=1 1=1
yn
9.2.2. Matriz de una forma bilineal
= S Zh Xj^, = Xf A Y
;
donde X e Y son las matrices columnas cuyos elementos son las coordenadas de x e y
respecto de la base [v].
Definicin
La forma bilineal / es simtrica si y slo si
/(x .y )= /(y ,x )
cualesquiera que sean x e y en V.
Si K = R, y <, >es un producto interior en V, entonces / : V2 R definida por
/(x ,y ) = (x,y> (1) \
es una forma bilineal simtrica.
Si [v] = { v, , v2, . . vn J es una base ortogonal de V, o sea
(y*, v; ) = a = 0
entonces la matriz A de la forma bilineal (1) es diagonal
/a , 0 ... 0
0 2 . . . 0
A=
/(x>y)= .4 * ;^
9.2.4. Propiedad
Ejemplo 9-3.
Desarrollamos la forma bilineal simtrica asociada a la matriz A, siendo
1 -1 2
A -1 3 1
2 1 -2
Resulta
/
/ 1 -1 y 1
1
3 y 21 =
\ 2 1 73
9.3.1. Concepto
Definicin
La funcin / : V2 C es una forma hermitiana sobre V si y slo si / satisface las
condiciones de linealidad respecto del primer argumento y de simetra conjugada.
0 sea
i ) f ( a \ + b x \ y) = a f { \ , y) + b f (x \ y)
) / ( x > y ) = / ( y , x )
Ejemplo 9-4
En (Cn, +, C, ,)la funcin
f : Cn X Cn -> C
definida por
/ ( x . Y ) = x Y = i * ,7 ,
es una forma hermitiana definida positiva, ya que satisface los axiomas del producto
interior usual en un espacio unitario (vase el ejercicio 7-46).
n n
i'S1 av x i y j :=xt a y
Respecto de la base elegida, la forma hermitiana est caracterizada por la matriz A,
cuyo elemento genrico
aj = <v,, V;)
es tal que
(tij = <V , Vy >= <V; , V; >= dji
9.4.1. Concepto
Definicin
Forma cuadrtica asociada a la forma bilineal simtrica# es la funcin
/ : V->K
definida por
/ ( x ) =g (x, x)
Como la forma bilineal simtrica# verifica los axiomas i), ii) y iii) del producto interior
definido en 7.2.1., es usual escribir
g (x, x) = <x, x >
Si V = K" y si A e Kx" es la matriz simtrica de la forma bilineal g, entonces la forma
cuadrtica asociada est definida por
/ (X) = X A X = . f 2 au xXj
Definicin
Una forma cuadrtica X* A X es no degenerada si y slo si A es no singular.
Ejemplo 9-5
La matriz correspondiente a la forma cuadrtica
/ : R 3 -> R
definida por
f (x )~ x j + 2 x \ +2x1 - 2xi x 2 + 4 x ^ 3
es
A=
Como
1 -1 2 -1 2
D (A )= -1 2 0 = = 22 * =-6^0
1 1 0 1 1
Sea / : V K una forma cuadrtica caracterizada por la matriz A e K ' IXfl respecto de la
base [vj.
Se tiene entonces
/ ( x ) = X* A X
donde X es la matriz columna cuyos elementos son tas coordenadas de x respecto de la base
M
Si en V se considera una base [v], respecto de sta, el vector x se representa mediante X.
Se verifica que
X = PX
donde P es la matriz de pasaje definida en 4.19.
Sustituyendo en la primera igualdad
/ ( x ) = (P X) A (P X) = X'* Pf A P X
La matriz de / respecto de la nueva base es
B = P' A P
Las matrices A y B se llaman congruentes.
Definicin
A e K,lXf1 es congruente a B e K',xn si y slo si existe P no singular tal que B = Pf A P.
Sabemos que el rango de una matriz no vara si se la multiplica por matrices no singulares.
En consecuencia, si dos matrices son congruentes tienen el mismo rango.
Rango de una forma cuadrtica es el rango de cualquiera de las matrices que la
representan.
En consecuencia, una forma cuadrtica es no degenerada si y slo si su rango es igual a la
dimensin del espacio. Una forma cuadrtica es degenerada si y slo si su rango es menor que
la dimensin del espacio.
Ejemplo 9-6.
La forma cuadrtica/est caracterizada por la matriz
/ 10 0 2
A= I 0 6 0
\ 2 0 7
respecto de la base cannica en R3.
Determinamos la matriz de / respecto de la base
-.o. l . (0.1 A
V? y/sl \V5 s/5
La matriz de pasaje es
Una trasformacin lineal / : V -> V ser llamada tambin operador lineal o simplemente
operador en V.
Propiedad
Si(V, +, C ,.) es un espacio vectorial de dimensin finita con producto interior, y si / e s
un operador en V, entonces existe y es nico un operador/* que verifica
</(x) , y > = < x , f * (y) >
Demostracin)
Sea y cualquier elemento de V. Definimos la funcin
F : V->C
mediante
F (x) = < / ( x ) , y > (1)
La definicin (1) caracteriza un funcional, es decir, un elemento de V*. De acuerdo con el
enunciado del ejercicio 7-60, existe en V un elemento y , nico, tal que
F ( x ) = <x , y ) (2)
cualquiera que sea x e V .
De (1) y (2) resulta
< / ( x ) , y > = < x , y > (3)
En consecuencia, para cada y e V, existe y e V, nico, que satisface (3). Podemos definir
entonces la funcin
f* : v - > V
mediante
f* (y)=y*
La funcin/* satisface la condicin
( f ( x ) , y ) = ( x , f (y )) VxVyeV
Adems es lineal, pues
f * { a y + b y s) - a f * (y) + b f* (y)
O sea
f* es un operador lineal.
La unicidad d e /* se justifica porque para cada y e V existe y = /* (y), nico, tal que
Luego
B -A ^ *
Observamos que si / y g son dos operadores sobre V y a e C, entonces
( f + g )* = f* + g * (af)*~ of*
(/* )* = / ( f g)* = g* f*
Los operadores f y f* se llaman adjuntos entre s.
Ejemplo 9-7
Determinamos el operador adjunto de
f : C2 C2
tal que
/ ( z , u) = (z + 2m, (1 + /> + u)
La matriz de / respecto de la base cannica, que es ortonormal, es
1 2i
A=
1+ i 1
por consiguiente, la matriz de f* es
B = ( ' _ ( J = A*
'-2/ 1 /
Resulta
f* (z, u) = (z + (1 0 u 2zz + u)
9.6.1. Concepto
Sea / un operador lineal sobre V, de dimensin finita, con producto interior, y sea f* el
operador adjunto.
En el caso complejo, V es un espacio unitario, y en el caso real, V es euclidiano.
Definicin
Un operador / sobre un espacio unitario se llama hermitiano si y slo si es igual a su
adjunto.
/esherm itiano o < /(x ), y ) = < x , / ( y ) >
La matriz asociada a un operador hermitiano respecto de una base ortonormal es
hermitiana.
Definicin
El operador / sobre un espacio euclidiano se llama simtrico si y slo si es igual a su
traspuesto.
La matriz asociada a un operador simtrico respecto de una base ortonormal es simtrica.
Los operadores simtricos y hermitianos suelen llamarse tambin autoadjuntos.
9.6.2. Propiedad
9.6.3. Propiedad
9.7.1. Concepto
Definicin
El operador / : V -* V es unitario si y slo si preserva el producto interior
/ e s unitario ^ <x , y >= < / ( x ) , / ( y)>
Sean (V, +, R , .) un espacio euclidiano de dimensin finita, y / u n operador sobre V.
Definicin
El operador / : V V es ortogonal si y slo si preserva el producto interior.
En este caso, en que K = R, el operador se llama tambin real unitario.
Ejemplo 9-7
El operador/-: R2 R2 definido por
9.7.2. Propiedad
9.7.3. Propiedad
9.7.4. Propiedad
9.7.6. Propiedad
Sea V un espacio vectorial de dimensin finita sobre un cuerpo K, y sea una forma
bilineal simtrica que denotamos con <, > sobre V. Se demuestra que si dim V > 1, entonces
existe una base ortogonal respecto de < >>(ejercicio 9-41).
Ejemplo 9-8
En R2 definimos <, > mediante
<x , y > = x , x t - y x y 2
donde x ~ (* j, x 2) e y = , y 2).
Esta forma no es definida positiva, pues, por ejemplo
x = (1, 1) = <x , x >= 0
x = ( i , 3) => < x , x > = - 8
Los vectores = (1, 3) y v2 = (3, 1) forman una base ortogonal respecto de la forma
dada.
La base formada por x = (l, 2) e y = (1 ,3 ) no es ortogonal. Para ortogonazarla,
procedemos as:
Sea Vj = x - (1, 2) y sea
Es decir
Sea V un espacio de dimensin finita sobre el cuerpo de los nmeros reales, y sea <,) una
forma bilineal simtrica sobre V. De acuerdo con 9.8.1., siempre es posible obtener una base
ortogonal. La forma no es necesariamente definida positiva, ya que pueden existir vectores
x e V tales que (x , x > = 0 ( x , x ) ( 0 .
Diremos que una base es ortonormal respecto de la forma <, > si y slo si
( v( , v > - 1 {V( , vf >= - 1 <Vj , v >= 0
donde v e [v] = ( v, , v2, ..
V = V si a > 0
VS7
v\-
vf ---- si a < 0
v -0 ,
La base [v] resulta ortonormal.
Sea [v] una base ortogonal ordenada de modo que
011 02 ' 0/) > 0
ap + 1>.. . ,a r < 0
0r + 11 >0)i 0
Si / es la forma cuadrtica asociada a la forma bilineal simtrica ( ,), entonces, respecto de
esta base ortogonal, es
f (X) 01 x 2 + + 0p Xp + 0;j -f 1 Xp -f-1 + . + 0 X r
En este desarrollo figuran p trminos positivos, r - p negativos, y n - r variables se han
eliminado.
Si la base se ortonormaliza, entonces se tiene
Ejemplo 9-9
Sea la forma bilineal simtrica sobre R2 definida por la matriz
Los vectores Vj = (1, 0) y v2 = (1, 1) constituyen una base ortonormal y se verifica que
9.8.3. Propiedad
Sea < ,> una forma bilineal simtrica en el espacio V, de dimensin finita,sobre el cuerpo
R, y sea el subespacio
S0 - ( x e V / { x , y ) = 0 , V y e V }
Si [v] = { Vj, v2 , . . vn ), es una base ortogonal, entonces la dimensin de S0 es igual al
nmero de enteros /, tales que = 0.
Demostracin)
Sea [v] ordenada de modo que
di =0 sil = 1, 2, . . .,#
f = 0 si / > r
Por ser [v] ortogonal, se verifica que
i > r =>< v,, y >= 0 , V y e V
Entonces
/ < r => 0 = <X , Vy>- X <Vy , Vy ) = Xj fly
Como a 0, resulta Xj = O si / < r
Luego
X = X r + 1 Vr + 1 .. + x n v
O sea
{ Vr+i* vn I
es una base de S0. Es decir, dim S0 = n - r.
Sea (V, + , R , .) un espacio tal que dim V = n 1, y sea <, > una forma bilineal simtri*
sobre V. Si [v] es una base ortogonal cualquiera de V, entonces existen exactamente
enteros positivos tales que <v, v, > > 0.
Demostracin)
Sean [v] y [w] dos bases ortogonales de V ordenadas de modo que si <v, ,v, >= a(
< w,, ) ~ bi, entonces
a > 0 si = 1, 2 , . . .,p b i> 0 si i = 1 , 2 , . . .,p'
a< 0 si/ = p + 1 , . . .,r b< 0 sir = /? +1,...,/**
, = 0 si = r + 1 , . . b f~ 0 si i = r + 1 , . . n
Demostraremos que p = p \ Para ello observamos que los vectores
V i , V 2 ) . . MVp, w p . + l j . . w
se tiene
/ n
2 X; y i = - 2 y i W;
1=1 1 1 j = p + l ' J 1
y efectuando
p p p p
se deduce
ax x \ + . . . + ap x j = V + i yl>+1 + . .. + bryt>
El primer miembro es mayor o igual que cero, y el segundo miembro es menor o igual qt
cero, o sea, ambos son nulos. Entonces es
x l ~ x 2 = ...= x p =0
Como djm V = n, de lo anterior se deduce que
p + ( - p ) < n
p<p
Anlogamente se prueba quep ' ^ p y y en consecuencia resultap - p \
Lo expuesto en 9.8.2., 9.8.3. y 9.8.4. nos permite afirmar que s i/ es la forma cuadrtica
asociada a una forma bilineal sobre (V, +, R , .) y dimV = > i , entonces / est
representada por una matriz diagonal respecto de cualquier base ortogonal. Toda
representacin de este tipo admite exactamente p trminos positivos y r - p trminos
negativos.
9.9.1. Propiedad
9.9.2. Propiedad
Sea / : V -> V un operador simtrico y dim V = n > 1, Entonces existe una base ortogonal
de vectores propios de /.
Demostracin)
1. Si dim V = 1, entonces la propiedad se cumple obviamente.
2. Supongamos que d i m V > l , y sea Vi un vector propio de /. Consideremos el
subespacio
S= f Vi )
Se verifica que
dim S ~ dim V - 1 - n 1
Por 9 .9 .1 .,/ es un operador simtrico sobre S, donde el producto interior es el inducido
por el producto definido en V.
Si ( v2 , v3 , . . v } es una base ortogonal en S de vectores propios d e /, entonces se
verifica que
V/lV] con / = 2, 3,. . ., n
En consecuencia, { Vj, v2 ,. . vn } es la base ortogonal en V, de vectores propios d e/.
Ortonormalizando los vectores de la base ortogonal, se verifica bajo las condiciones del
teorema, que existe una base ortonormal de vectores propios de / en V.
9.9.3. Consecuencia
Ejemplo 9-10
X- 2 -\ 2
D(Xl - A)= = (X 2) (X 1) - 2 =
-V 2 X -l
= X2 - 3 X
Resulta
Xt = 0 y X2 - 3
2. Determinamos los vectores propios ortonormales de A.
a) Xj r- 0.
Como x \ + x l = 1 se tiene
x \ + 2 x] = 1
Luego
\/3 _ y^T
x i = y = + -----
3 3
Entonces
3
X. =
3
b) Xx - 3. Con el mismo procedimiento se obtiene
y/ 6
X, =
vr
3
3. Resulta
\/3 V
3 3~
P=
\ / 6~ V3
~T 3
tal que
P"1 A P = Pf A P = ( 0\
V0 3/
Ejemplo 9-11
Efectuamos una trasformacin de coordenadas que diagonalice la forma cuadrtica /,
definida por
f(x%, * 2) 3 x \ + 10 Xj x -2 + 3 x \
La matriz de esta forma cuadrtica es
I 3 5
A=
\ 5 3
Sus valores propios son:
Resolviendo en cada caso el sistema homogneo ( A l - A) X = 0 y normalizando los
correspondientes vectores propios, se obtiene la matriz ortogonal
V 2
2
P=
\2 y/2
~~2 ~2
La trasformacin ortogonal de coordenadas est dada por
X-PX
O sea
X = y/2x ,------------
y/2 * 2 ,
2 2
X y/2 x ,
- ------- .^ 2 X
-J--------- ,
2 2
Definicin
Una matriz simtrica y real es definida positiva si y slo si sus valores propios son
positivos.
Tal es el caso de la matriz del ejemplo 9-6.
9.10.2. Propiedad
Una matriz real y simtrica es definida positiva si y slo si existe una matriz Q, no
singular, tal que A = Q Q .
Demostracin)
1. Sea A simtrica real del tipo n xn y definida positiva. Por definicin, sus valores propios
son positivos. Por 9.9.3. existe P ortogonal tal que
P 1 AP=P AP=D (1)
donde D es la matriz diagonal formada por los n valores propios de A, o sea
D = diag(Kl t \ , . .
Consideremos la matriz diagonal
Dj = diag OsAi , , V K )
Se verifica que
D?=D (2)
Teniendo en cuenta (1) y (2) es
A = P D P1 = P D P = PD? P* = P D, D P* = ( P D j ) (P Dj )* (3)
Haciendo
Q = (PDi)
resulta
A=QQ'
donde Q es no singular por ser producto de dos matrices no singulares.
2. Sea A simtrica y real. Supongamos que existe Q no singular tal que A - Q Q*.
Por 9.9.3., existe P ortogonal tal que
P' A P = D = d i a g ( X , , X ........
Entonces
P* Q Qf P = D
O sea
A = Z A, A,
f=l ^ 1
de modo tal que se verifica
]. A? = A, V/= 1, 2 , __ _ s
2. =* A i Aj = N
S
3. Z Af = I
i=l '
4. A A = A, A V = 1, 2,. . s
Demostracin)
Por ser A diagonalizable existe P no singular tal que
P"1 A P = D (1)
donde D es la matriz diagonal formada con los n valores propios de A, que suponemos
ordenados segn las multiplicidades.
O sea
D-
^2
D
par a/ = 1, 2 , . . .,s
Nm . /
Se verifica, por ser matrices diagonales,
a) E? = Ef Vi= 1, 2 , . . .,s
b) i -j=> E, Ej = N
c) 2 E, = I, donde 1 es la identidad n xn
i=l
Adems
D =gi \ E l (2)
De ( 1) resulta
A = P D P"1
Considerando esta relacin y (2), se tiene
A = p ( | i X( E,) P-1
O sea
A = 2 \ P E P1
=i
Haciendo
Ai = P E P"1
resulta
A = 2 A, A
=i
Se verifican las siguientes proposiciones
1. A f = P Ef F 1 P E P 1 = P E? P'1 = P E P '1 = Af
2. i => Af Aj = P E, P"1 P Ey P 1 = P E E, P1 =
- PN P 1= N
9.12.1. Concepto |
!
Sean / y g dos formas cuadrticas reales caracterizdas por las matrices simtricas A y B i
pertenecientes a R nx . j
O sea |
/ ( X ) = Xf A X j
g (Y) = Yf B Y
Definicin
Las formas cuadrticas f y g son congruentes si y slo si existe P no singular, tal que
B = P* A P
Las formas cuadrticas f y g son ortogonalmente congruentes si y slo si existe P or
togonal, tal que
B = P AP = P ~ 1 A P
Las matrices A y B se llaman, respectivamente, congruentes y ortogonalmente
congruentes.
9.12.2. Propiedad
9.12.3. Propiedad
\y i
s 0 0 = . i=l
g (Y) = Y D Y
D = P_1 A P = P A P
Luego f y g son ortogonalmente congruentes.
9.12.4. Propiedad
Toda forma cuadrtica real f es congruente con la forma cuadrtica g, tal que
g ( y ) - y i + y l + + y l - y } +i
. - y i , Siendo r el rango de A y p el ndice de
positividad de la forma.
Demostracin)
La matriz simtrica y real A admite exactamente r valores propios no nulos, ya que
p (A) = r. Ordenamos los valores propios de modo que
\ \ Xp son positivos
\> + i > \ son negativos
V m , . . Xn son nulos
Consideremos
P=
+1
p D P = - B
f ( x ^ 2*i x 2 + x 2
vx1r 0 2 o\
P=
, 0 1 , 0 1
Entonces, haciendo X = Q P Y, se tiene
g ( Y ) = Yf ( Q P y A (Q P ) Y =
= Yf P* Q ' A Q P Y = Y' F* D P Y =
= Y' B Y
donde
1 42 i 2 0 f ol
to
B = p D P =
0 ij
o
o
, 0 1 i
1
s/2 O' ol 1 0
2
o
,
o
0 0 0 1
O sea
g fy i,y i)= y \
9.13.1. Definiciones
00=2 \y l
siendo Xj, X2 ........X^ los valores propios de A. Como ejercicio del trabajo prctico se
propone la demostracin de que el signo de una forma cuadrtica no vara frente a
trasformaciones de coordenadas. Esto significa que el signo d e / e s igual al dcg. Luego
i / es definida positiva ^ g es definida positiva o \ f > 0, V/
Diremos, entonces, que una forma cuadrtica es definida positiva si y slo si la
correspondiente matriz es definida positiva.
Anlogamente se demuestra que: / es definida negativa si y slo si sus valores propios son
negativos; / es semidefinida positiva si y slo si sus valores propios son mayores o iguales que
[ 0 y alguno de ellos es 0; / es semidefinida negativa si y slo si sus valores propios son
i menores o iguales que cero, pero alguno de ellos es 0, Si existen valores propios positivos y
negativos, diremos que la forma cuadrtica es indefinida.
El lector podr demostrar como ejercicio del trabajo prctico que una forma cuadrtica
real /, definida por / ( X ) = X* A X, es definida positiva si y slo si los menores principales de
la matriz A son positivos.
Ejemplo 9-14
Analizamos, utilizando el criterio de los menores principales, si la forma cuadrtica/,
definida por
f ( x i, x 2, x 3 ) = 2 x j + x 2 + 3x1 + 2 x t x2 - 2 x2 x3
es definida positiva.
La matriz de la forma cuadrtica dada es
a21 a 22 1 1
D (A )= 1 > 0
Luego, / es definida positiva.
9-15. Sea (V, +, K ,.) un espacio vectorial. Demostrar que el conjunto B (V) de todas las
formas biJineales/: V2 K es un espacio vectorial sobre K, como se indica en 9.2.1.
9-16. Sea g : V2 -> K una forma bilineal. Demostrar que gy : V -> K, definida por
gy (x) = g (x, y), es una forma lineal.
9-1 7. Una forma bilineal / sobre R 3 est caracterizada por la matriz
i) O btener/(x, y).
ii) Determinar la matriz de/respecto de la base
{ ( 1 , 1 , 1 ) , ( 1 , 1 , 0 ) , (1 ,0 ,0 )1
9-18. Determinar la forma escalar de las formas cuadrticas asociadas a las formas bilineales
g (X , Y) = X* A Y, en los siguientes casos:
i) / 3 -V 2 0 \ ii)
A= - y /2 1 0 I A=
\ 0 0 1 /
i ) g (x ,y) =-~(/( x + y ) - / ( x ~ y ) )
n) s ( x , y ) = ~ ( / ( x + y ) - / ( x ) - / ( y ) )
i)
( V? 2 /
es definida positiva y obtener Q no singular, tal que A = Q Q*.
9-31. Obtener una trasformacin ortogonal que diagonalice a la forma cuadrtica
/ ( X ) =jCi + 2 V 6 * i *2 + 2*2
9-32, Demostrar que el signo de una forma cuadrtica real no vara si se efecta un cambio
de base.
9-33. Demostrar que si / ( X ) = X A X es definida positiva, entonces g ( Y ) = Y t A 1 Y es
definida positiva.
9-34. Determinar el rango y la signatura de las formas cuadrticas definidas por
A? A,
=l ^ 1
9-37. Demostrar que toda matriz cuadrada real no singular puede expresarse como producto
de una matriz ortogonal y una matriz definida positiva.
9-38. Expresar la matriz
1 / -1 2V ? \
A" M n / T 2 I
como producto entre una matriz ortogonal y una matriz definida positiva.
9-39. Demostrar que una forma cuadrtica real /( X ) = X* A X es definida positiva si y slo si
los menores principales de A son positivos.
9-40. Sean dos formas cuadrticas/y g en R" definidas por/ (X) = X t A X y g (X) = X* B X.
Sabiendo que / es definida positiva, demostrar que existe una trasformacin de
congruencia que las reduce a
y
Si (2 ) = Ai z \ + \ z \ + . . . + An Z2
9-41. Sean (V, +, K, .) un espacio vectorial de dimensin finita, y < , > una forma bilineal
simtrica sobre V. Una base [v] es ortogonal respecto de <, > si y slo si
i=j=>(Vi, v; >= 0 .
Demostrar que si V = f 0 , entonces V admite una base ortogonal.
C aptulo 10
.
CONVENXIDAD PROGRAMACION LINEAL
10.1. INTRODUCCION
A partir de la distancia definida sobre la base del producto interior habitual, se estudian y
se clasifican puntos y subconjuntos de R . Se generalizan las nociones de recta, plano,
semiplano y semiespacio estudiadas en el captulo 7. Se presenta una introduccin a los
conjuntos convexos en R , y se estudian sus propiedades fundamentales. Despus de
relacionar la convexidad con las trasformaciones lineales, se desarrollan los conceptos de
hiperplano soportante y de puntos extremos. Finalmente, y en conexin con o anterior, se
esboza una introduccin al problema general de la Programacin Lineal, y al mtodo
simplex.
<x ,y> = 2 X i y i ^ X * Y
i=l
donde X e Y denotan las matrices columnas asociadas a los vectores x e y.
Definicin
Esfera abierta de centro a e R" y radio r > 0 es el conjunto de puntos de R" cuyas
distancias a a son menores que r.
El smbolo S ( a , r) se lee: esfera abierta de centro a y radio r'\
S ( a , r)~ { x e R n / d ( x , a ) < r |
O sea
S ( a , r) = { x e R" / II x - aii < r }
O bien
X ( a , /) = j x e R " /. (je , - a , f O 2 )
a
-------- *----------------------------- o----------- ----------- o ------
o >- .... v______ - R
S (a, rj
Definicin
a e C es un punto interior de C si y slo si existe r > 0 tal que la esfera abierta de
centro a y radio r est incluida en C.
a e C es interior d e C <t> 3 r > 0 / S ( a , r ) C C
Los puntos de todo intervalo abierto en R son interiores. Si el intervalo es cerrado, todos
sus puntos, salvo los extremos, son interiores.
SeaCCR.
a e Rn es un punto frontera de C si y slo si toda esfera abierta de centro a tiene
intersecciones no vacas con C y Cc.
a e Rrt es frontera d e O < V r > O : S ( a , r ) n c ^ : 0A S ( a , r) O C = 0
Sea C C R " . El smbolo S* (a, /') se lee: esfera reducida de centro a y radio / e indica la
diferencia entre S (a, r) y { a }. Es decir, S* (a, r) denota la esfera abierta de centro a y radio
r, excluido el centro.
Definicin
a e R" es un punto de acumulacin de C si y slo si la interseccin entre C y cualquier
esfera reducida de centro a es no vaca,
a e Rn es de acumulacin de C & V r > 0: S* ( a , r) n C =$
Los puntos de acumulacin de un conjunto suelen llamarse puntos lmites.
Observamos que un punto de acumulacin de C C R" no pertenece necesariamente a C.
Tal es el caso de la figura siguiente:
a 0C , es punto frontera y tambin de acumulacin de C.
Si consideramos
Sea C C R
Definicin
C es abierto si y slo si todos sus puntos son interiores.
C es abierto ^ V a e C, 3 r > 0 / S ( a , f) O C = S ( a , r)
Se demuestra que la unin de toda familia de abiertos es un conjunto abierto, y que la
interseccin de toda familia finita de abiertos es abierto.
Las esferas S (a , r) y S* ( a , r) son conjuntos abiertos. Adems, de la definicin se deduce
que un conjunto abierto no incluye a su frontera.
Consideremos C C Rrt.
Definicin
C es cerrado si y slo si todo punto de acumulacin de C pertenece a C,
Es decir, un conjunto es cerrado si y slo si contiene todos sus puntos de acumulacin.
El conjunto C cuyos elementos son todos los puntos de acumulacin de C, se llama
derivado de C, Diremos entonces que
C es cerrado ^ C ! CC
La siguiente figura
representa un conjunto cerrado, donde C = A. Los conceptos de abierto y cerrado no son
excluy entes, ya que existen conjuntos que no son abiertos ni cerrados.
Este es el caso de un conjunto formado por la unin de un disco abierto y un punto
aislado. Observamos, adems, que un segmento abierto es un conjunto abierto en R, pero no
lo es en R2; o sea, el concepto de abierto es relativo al espacio mtrico que se considere.
El lector podr demostrar, como ejercicio del trabajo prctico, que un conjunto es
cerrado si y slo si su complementario es abierto.
Se verifica que la interseccin de toda familia de cerrados es cerrada, y que la unin de
toda familia finita de cerrados es un conjunto cerrado. Estas proposiciones son consecuencia
de la propiedad anterior.
Sea C C R .
Definicin
Clausura de C es la unin entre C y su derivado.
El smbolo C se lee: clausura de C .
Se tiene
C = C U C
O sea, la clausura de C es la unin entre C y el conjunto de sus puntos de acumulacin. Se
demuestra que la clausura de un conjunto cualquiera es cerrada. Ms an, que la clausura de
un conjunto C es la interseccin de todos los cerrados que inlcuyen a C. En este sentido, la
clausura de C es el mnimo cerrado, en el sentido de inclusin, que contiene a C.
Sea C C R".
Definicin
C es acotado si y slo si existe r > 0 tal que
a e C = II a II < r
O sea, C es acotado si y slo si existe r > 0 tal que
C C S ( 0 ,r)
Definicin
C est acotado por debajo si y slo si existe a e R n tal que
x e C =>a < x
La notacin vectorial a < x significa que a < */, V/ = 1, 2 , . . n.
Definicin
C est acotado por arriba si y slo si existe a e R tal que
xeC^x<a
El conjunto C C R 2 indicado en la siguiente figura est acotado por debajo, pero no
arriba
P, P2 = { X e R " / X ~ ? P2 + (1 - r) P j }
El segmento Pj P2 se obtiene haciendo variar el parmetro t entre 0 y 1, o sea
X e P , P2 X = t P2 + ( - t) Pi a 0 < t < 1
Observamos que cualquier punto del segmento determinado por Pj y P2 puede expresarse
como combinacin lineal de stos, con escalares no negativos y cuya suma es 1.
Ejemplo 10-1
La ecuacin vectorial paramtrica de la recta determinada por Pj (3,0) y P2(0, 4) es
(*i,JCa)=s(3, 0) + f ( - 3 , 4)
El sistema de ecuaciones cartesianas paramtricas es
|a : 1 = 3 ~ 3
( X2 = 4 t
Eliminando el parmetro resulta la ecuacin cartesiana
El vector c = 41 + 3 J es normal a r . En notacin matricial, la ecuacin ( 1) se escribe
C* X = 12
La distancia entre 0 y r es
La igualdad
C X = k
denota una familia de rectas paralelas a r. Al trasladar r paralelamente a s misma en la
direccin de C, crece la distancia entre el origen y la recta.
Ejemplo 10-2
El segmento determinado por Pi y P2, con las coordenadas del ejemplo anterior, est
dado por
0*1, * 2) = t (0, 4) + (1 0 ( 3 ,0 ) c o n C K f < 1
El valor de t para el cual se obtiene el punto medio del segmento satisface a
de donde resulta t =
2
r
10.3.2. Hiperplanos en Rrt
Definicin
Un hiperplano en R" es un conjunto de puntos de R" tales que
Ct X = k
donde C denota un vector columna de n componentes y k es un nmero real.
La ecuacin es
C* X ~ k
donde k > 0. Mostraremos que si el hiperplano se traslada paralelamente a s mismo en la
direccin del vector normal, entonces el trmino independiente de la ecuacin crece. En
efecto, el hiperplano que pasa por X j, de vector normal C, est definido por
C'X ^/q
Si consideramos el hiperplano con el mismo vector normal, que pasa por
X2 = X! + a C, con a > 0,
se tiene
Como
C X2 = G (X1 + a C ) = * C X1 + a Cf C = fci + ce II C l2
resulta
10.3.3. Semiespacios
Un hiperplano tt de ecuacin
Ct X = k
Definicin
Semiespacios abiertos de borde tt son los conjuntos
Sj = | X e R " C t X < k ]
S2 = { X e R n C t X > k
Definicin
Semiespacios cerrados de borde ir son los conjuntos
S, = { X e R " / C X<A: j
S2 = X e R" / C* X > k }
Se demuestra que los semiespacios abiertos son conjuntos abiertos, y que los semiespacios
cerrados son conjuntos cerrados en R.
10.4. CONVEXIDAD EN Rn
SeaCCR".
Definicin
El conjunto C es convexo si y slo si el segmento determinado por cualquier par de
puntos de C est incluido en C.
C C R es convexo Px e C a P2 e C =>Pi P2 C C
Sabemos que
Pi P2 = |X e Rn / X = t P2 + ( l ~ t ) P A 0 < < l
10.4.2. Propiedad
P i eC a P 2 eC =>p! e C t a P j eC 2 a P2 e C i a P 2 eC 2 =>
^pT p CC, A P, p 2 c c 2 = > pT p C C , n c 2 =*PT CC
donde
2 a = 1 y ot > 0 , V/ = 1 , 2 , . . . , m.
=l
Propiedad
Demostracin)
Se trata de probar que toda combinacin convexa de dos puntos cualesquiera de C,
pertenece a C. Sean P y P pertenecientes a C. Ahora bien
m m
P e C AP eC=>P = 2 *}P a P = 2 a JP,
1=1 i=l
P donde
12
n
0 < <*!, 0 < a y 2 cc\ = 2 = 1
las ** J i=i 1 i=i
Como
t P + ( 1-f) P = / 2 a; P + (1 - 0 .2 <* p =
.
Tj =i-2l ( + ( i - o ; )p,
Definicin
Casco convexo de C es la interseccin de todos los convexos que incluyen a C.
El casco convexo de C C R " es el mnimo convexo (en el sentido de inclusin), qut
incluye a C.
Sea el casco convexo de C. Entonces
c = nc,
donde { Cf / i e 1) es la familia de todos los convexos que incluyen a C.
Ejemplo 10-3
En R'\ el casco convexo del conjunto C = | P i , P 2 } , donde es el
segmento Pi P2 .
En R3, si C es la superficie esfrica de radio 2 con centro en el origen, entonces C es
la esfera correspondiente. En trminos analticos, se tiene
C = ( X e R 3 / 11X11 = 2 )
C=-| X e R 3 / IIXII<2l 11
10.4.5. Propiedad
co
El casco convexo de un nmero finito de puntos de R" es el conjunto de k-
combinaciones convexas de ellos.
Sean P j , P2, .. ., Pm pertenecientes a R . En 10.4.3. hemos demostrado que el conjunl
de las combinaciones convexas de estos puntos es convexo.
Este conjunto, que denotamos mediante S, es un convexo que incluye
C = j P l5 P2, .. ., Pn , ya que cualquiera de los elementos de ste es una combinado
convexa de todos ellos.
Consideremos ahora la interseccin de la familia de todos los convexos que incluyen a(
o sea
C = n C, / C, 3 C a C, es convexo
Debemos probar que
C C A y A es convexo ^ S C A
Razonamos inductivamente sobre m.
Sea am * 1; entonces
OCt Oitn- 1
El vector ----------Pj + .. . + es una combinacin convexa de
1 OLm 1 ocm
que Pj, ^2 5 ->Pm-i > y Pr la hiptesis inductiva pertenece a A. Como ste es convexo, P, que
es una combinacin convexa de dos puntos de A, pertenece a A.
En consecuencia
SCA
O sea, C = S.
D e fin ic i n
Poliedro convexo generado por un nmero finito de puntos es el casco convexo que
ellos determinan.
El tringulo representado en 10.4.3. es el poliedro convexo generado por P j , P2, P3 y P4.
R"
*1 *2 R
En efecto:
l5i e C A P2 C =**! > k a x 2 > k =>
=* t x 2 + (1 - 0 * 1 > t k + ( 1 - f ) k ~ k
IV. Con criterio anlogo se prueba que todo semiespacio cerrado es un conjunto
convexo.
V . La interseccin de un nmero finito de semiespacios, por ser stos conjuntos
convexos, es un conjunto convexo. Tal interseccin, como lo muestran las siguientes
figuras, puede ser acotada o no.
10.6. H1PERPLANOS SOPORTANTES
10.6.1. Propiedad
0 sea
0 <N f(B-P)-N*N
De donde
N*N<N*(B-P)
Definicin
7T es un hiperplano soportante del conjunto convexo C en el punto frontera P si y slo
si C est incluido en uno de los dos semiespacios cerrados de borde 7r.
Queda como ejercicio del trabajo prctico la demostracin de la siguiente propiedad: siP
es un punto frontera de un conjunto convexo C, entonces existe un hiperplano soportante de
C enP.
Ejemplo 0-4
Consideremos un conjunto convexo C y el hiperplano de ecuacin
N* X =
Sabiendo que
XeC=>N'X>fc (1)
afirmamos que todo punto perteneciente a C n ir es un punto frontera de C.
En efecto, si P no fuera un punto frontera de C, existira > 0 tal que
P-eNeC
Luego
N* (P - e N) = N* P - e N* N = - e Nf N < fc
lo que es imposible, ya que todo punto de C satisface (1).
En consecuencia, P es un punto frontera de C, y ir es un hiperplano soportante de C en
P.
Definicin
P es un punto extremo de C si y slo si no existen dos puntos distintos Pt y
pertenecientes a C tales que
P = P 2 + ( l - ) P i donde 0 < < l
O sea, un punto extremo de un conjunto convexo no pertenece al segmento abierto
determinado por dos puntos distintos de l.
Propiedad
10.8.1. C oncepto
La Investigacin Operativa, que nace en la segunda Guerra Mundial, es la ciencia que trata
problemas que se presentan en la industria, comercio, educacin, defensa, etctera, y
aplicable a sistemas complejos en los que intervienen personas, equipos, materia prima y
dinero. Su objetivo es el asesoramiento, a fin de adoptar decisiones convenientes.
La Programacin Lineal es un modelo particular que utiliza la Investigacin Operativa.
Los problemas que trata la Programacin Lineal son aquellos que pueden ser expresados
mediante relaciones lineales que vinculan las variables con ios datos.
En lo que sigue, y sobre la base del concepto de convexidad, presentaremos el problema
general de la Programacin Lineal en lo que se refiere a su planteo, estructura lineal,
soluciones posibles y optimizacin del objetivo.
Consideremos el siguiente caso: una industria produce dos tipos de productos Ai y Aj.
Existen restricciones de los recursos: mano de obra, materia prima y maquinaria. Se sabe que
para producir una unidad del producto A t , el dinero insumido por los recursos es, en pesos,
5 10 y 4 respectivamente. En el caso del segundo producto las cantidades son 6,2 0 y 4.
Esta situacin queda indicada en la siguiente tabla o matriz
Ai a2
Mano de obra 5 6
Materia prima 10 20
Equipos 4 4
El dinero disponible para cada uno de los tres recursos es, respectivamente, 15.000,
20.000 y 6.000 pesos.
La ganancia o beneficio neto por cada unidad del producto At es 3 pesos, y por cada
unidad del producto A2 es 4 pesos. Se supone que el mercado puede absorber sin
competencia estos productos.
Con esta informacin completamos el cuadro anterior:
^ ^ - ^ P r o ducto s
R ecursos^'"'^^^ Ai a2 Disponibilidades
Beneficio 3 4
f 5 x i + 6 x a < 15.000
10 x t + 2 0 x 2 <20.000
4 x i + 3 x2 < 6.000
2. Condiciones de no negatividad
Xi> 0
| x2 o
E l n m e r o d e u n id a d e s p r o d u c id a s d e c a d a p r o d u c t o n o p u e d e se r n e g a tiv o .
El c o n ju n to so lu c i n S del s iste m a fo rm ad o por la s in e c u a c io n e s a n t e r i o r e s es i
in te rs e c c i n de lo s c in c o s e m ie sp a c io s (e n e ste c a s o s e m i p l a n o s ) , q u e t a l e s in e c u a c io n e s
d e te rm in a n .
P a r a o b t e n e r l o , r e p r e s e n t a m o s p r i m e r o la s r e c ta s c u y a s e c u a c i o n e s s o n :
4 * i + 4 x 2 = 6 .0 0 0
L a s c o n d i c i o n e s d e n o n e g a t i v i d a d r e s t r i n g e n e l p r o b l e m a a l p r i m e r c u a d r a n t e . O b te n e m o s
la s in te rs e c c io n e s de la s re c ta s con lo s e je s e sc rib ie n d o la s e c u a c io n e s en la fo rm a
s e g m e n ta ria , o sea, d iv id ie n d o p o r c a d a t rm in o in d e p e n d ie n te m e n te :
X1 + *2 = j
3.000 2.500
= !
2.000 1.000
*i + *2 = j
1.500 1.500
La re p re s e n ta c i n de la s tre s re c ta s y del c o n ju n to S, in te rs e c c i n de lo s cin c o
s e m ie s p a c io s , q u e d a i n d i c a d a e n la s ig u ie n te f ig u r a
iEl conjunto solucin S es el cuadriltero cuyos puntos (xi, x 2) satisfacen las condiciones
1 de vnculo y de no negatividad. S recibe el nombre de conjunto de soluciones posibles o
f factibles. De l hay que elegir el subconjunto cuyos elementos maximicen la funcin objetivo
| f ( x 1 , x 2 ')=3xl + 4 x 2
i j ( x t x 2) representa el beneficio neto que se obtiene al vender x y unidades del producto Aj
r. yx2 unidades del producto A2 .
\ La relacin
| 3 Xi + 4 x 2 ~ k
'< 3
| representa una familia de rectas paralelas, de pendiente m = ~~> llamadas rectas de
isobeneficio.
De stas, interesa aquella cuya interseccin con S sea no vaca y cuya distancia al origen,
Je
es decir, >sea mxima. Esto es, hay que determinar la recta de la familia de mayor k y de
1. Condiciones de vnculo:
AX< B
2. Condiciones de no negatividad:
X>0
Ejemplo 10-5
Desarrollamos el siguiente problema expuesto por Tucker en el Seminario de
Royaumont, cuyo enunciado figura en la publicacin nmero 26, escrita por el Doctor
Luis A. Santal, de la coleccin La Escuela en el Tiempo, Editorial Eudeba, 1966.
Un chacarero tiene a su disposicin 100 hectreas de tierra, 160 das-hombre para
cultivarlo y 1.100 pesos para invertir. Desea sembrar dos cultivos, uno de los cuales
requiere un da-hombre por hectrea y produce un beneficio de 40 pesos por hectrea;
el otro cultivo requiere 4 das-hombre por hectrea y produce un beneficio de 120
pesos por hectrea. El cultivo 1 requiere una inversin de 10 pesos por hectrea y el
cultivo 2 requiere 20 pesos por hectrea. Se desea saber cuntas hectreas de cada
cultivo habr de plantar para obtener el beneficio mximo.
En el siguiente esquema quedan especificados la matriz A, el vector B y los coeficientes
de costos, o sea, el beneficio neto por hectrea para cada cultivo:
C u ltiv o s
Ci C* D is p o n ib ilid a d e s
R e c u rs 0
H e c t re a s 1 1 100
D a s-h o m b re 1 4 160
In v e rsi n p o r h a . 40 20 1 .1 0 0
B e n e fc io 40 120
Si x j y x 2 s o n la s h e c t r e a s q u e d e b e n d e s t i n a r s e a l o s c u l t i v o s Ci y C2j el p ro b le m a
consiste en m a x im iz a r la fu n c i n o b je tiv o
4 0 * ! + 120x 2
s u je ta a la s r e s tr ic c io n e s
Xi + X2 < 100
*! >0
*2 >0
E n el g r f i c o s i g u i e n t e e s t n r e p r e s e n t a d o s e l c o n j u n t o S d e s o l u c i o n e s p o s i b l e s , y el
p u n t o d e c o o r d e n a d a s ( 6 0 , 2 5 ) q u e o p t i m i z a la f u n c i n o b je tiv o :
El mximo beneficio se obtiene sembrando 60 hectreas del cultivo 1 y 25 hectreas
del cultivo 2, o sea, dejando 15 hectreas sin cultivar.
Definicin
Solucin posible o factible de un problema de programacin lineal es todo vector de
Rn que satisfaga las restricciones.
El conjunto S, de las soluciones posibles, es convexo y cenado por ser interseccin de
semiespacios cerrados. Si alguna condicin de vnculo es una ecuacin, en tal interseccin
interviene un hiperplano, que es convexo y cerrado.
Definicin
Solucin ptima es una solucin posible que optimiza (minimiza en este caso) la
funcin objetivo.
Propiedad
Propiedad
/(P )= | ( 1)
Consideremos
/ ( P*) = mx (/(P*) / / = 1 , 2 , . . . , * )
i
Como P* es un punto extremo de S, y / toma el mximo en P0, es
/ ( P * ) < / ( P 0) (2)
Por definicin de mximo se tiene
/ ( P * ) > / ( P ,) V/=l, 2 , ...,*
Entonces
a//(P * )> < *//(P < ) = 1 , 2 ........ *
Realizando la sumatoria respecto de es
/ ( p * ) i tt > Z a ,/(P ,)
i l i=1
k
Como c ~ 1, resulta
<=i 1
10.8.4. Observacin
Sabemos, por 10.6.2., que todo conjunto convexo, cerrado y acotado por debajo tiene
puntos extremos en cada hiperplano soportante. El conjunto de soluciones posibles de un
problema de Programacin Lineal es convexo, cerrado y acotado por debajo por el vector
nulo, ya que X > 0. El teorema anterior asegura que si existe ptimo de la funcin objetivo,
tal valor es alcanzado al menos en un punto extremo. En R", S tiene un nmero finito de
puntos extremos.
El problema se reduce entonces a examinar el valor de la funcin objetivo en los puntos
extremos, a fin de hallar el ptimo. El mtodo Simplex permite determinar analticamente
los puntos extremos y pasar de uno a otro analizando el valor d e /, hasta obtener el ptimo.
/ 0- 6. Se a A= ((* ,, * j ) e R 2 / 1*, l < 1 a U K l | U |(2,1)|
Determinar la frontera y el derivado de A.
10-7. Dados los siguientes subconjuntos de R2
A = { (*i, X i) 2 x \ + 3 Jcr| ^ 6
B = { (* i, * 2) I x 1 1 A Xi < 2
C= ( (Xi, X 2) i Xl x% < 2 A x x> 0A * 2 > l }
clasificar los puntos del plano respecto de ellos, determinar sus fronteras y derivados e
investigar si son abiertos o cerrados.
10-8. Demostrar que un conjunto A C R es cerrado si y slo si su complementario es
abierto.
10-9. Demostrar que un hiperplano es un conjunto cerrado.
10-10. Investigar si los conjuntos de los ejercicios 10-6 y 10-7 son convexos o no.
10-11. Demostrar que la unin de una familia numerable de abiertos es un conjunto abierto.
10-12. Demostrar que la interseccin de una familia finita de abiertos es un conjunto abierto.
10-13, Demostrar que la interseccin de una familia numerable de cerrados es un conjunto
cerrado, y que la unin de una familia finita de cerrados es un conjunto cerrado.
10-14. Determinar el casco convexo generado por los puntos (1, 2), (1, -1 ) ,(1 , 3), ( - 1, 1),
(1,2), (2, 3), ( - 1 , -1 ), (1 ,0 ). Investigar si (0, 0) es combinacin convexa (1, - 1 ) y
(~i,i).
10-15. Sea/ : R -> R la traslacin definida por / (x) = x + a, donde a e R .
Demostrar que
S es convexo =>f (S) es convexo
10-16. Demostrar que el conjunto solucin del sistema lineal A X = B, donde A e R " x",
B e R "xl y X e Rn x l , es convexo.
10-17. Sea O C R . Por definicin
Ces un cono ^ x e C = > a x e C a o i > 0
Demostrar que si A C R ", entonces el conjunto
C ~ \ax f a>0 a x e A }
es un cono. C recibe el nombre de cono generado por A.
10-18. Determinar el cono C C R 3 generado por la interseccin de
Ai = ) / *1 + *2 < 2 !
y el plano de ecuacin x 3 = 2.
1019. Sabiendo que C es un cono, demostrar que
C = j-x/xeC I
es un cono. C~ recibe e! nombre de cono opuesto de C.
C1 = { y / <y , x >= 0 , V x e C j
A 6 .0 0 0 63 $
B 7 .5 0 0 45$
C 3 .6 0 0 36 $
E l m e z c la d o r d e s e a s a b e r c u n t o d e b e p r o d u c ir d e lo s lic o re s L , M y N , a fin d e m a x i-
m iz a r sus g a n a n c ia s .
1 0 -2 4 . U n a m q u i n a d e f a b r i c a r p a p e l p r o d u c e r o l l o s d e 8 2 c m d e a n c h o . S e h a n r e c ib id o lo s
sig u ie n te s p e d id o s :
6 0 ro llo s d e 5 8 c m
85 ro llo s d e 2 6 cm
8 5 ro llo s d e 2 4 c m
5 0 ro llo s d e 2 3 cm
P l a n t e a r e l p r o b l e m a d e c m o c o r t a r lo s r o ll o s d e 8 2 c m , a f i n d e s a ti s f a c e r lo s p e d id o s
y m in im iz a r el d e s p e r d ic io .
BIBLIOGRAFIA
( 4 , 0 , 2 ) = - l ( - l , 3 , l ) + | ( 3 , - l , 1)
3-26, Considerar F (v + v) y F ( a v ) .
3-27. Se obtiene el paralelogramo de vrtices (1, 1), (0, 3), (1, 2) y (0,0).
8-28, S.
3-29. 1. Aplicar la definicin de T.L.
2 ./e s inyectiva, pero no sobreyectiva;g es sobreyectiva. pero no nyeetiva.
3. fe /)(?, >) = (2d + b, b) y { / ' 0 {a. h) ~ (a + b, a + b + c, c).
i , ,
' 3-36. 1. A = 2 2 j.2./(-2,2,-2) =
1 1 0
0
1 0 -2
3. B =
0 1 1
2. A = I 1
2
3 i
3-38, Multiplicando A por el vector columna de componentes genricas x t x 2 y * 3, se
deduce que f ( x i, x 2l x$ ) = (Xi + x 2 ~ x 3 , 3x i ~3x 2 3x3) 2*! + 4 x 2 + 2x 3).
N (0 = { (k, 0, k) ( k e R } ; N (f) es la bisectriz del plano xz\ su dimensin es 1.1 (f)
es el plano de ecuacin x - y - z = 0 , y su dimensin es 2.
1 1 0 - 1 1 0 0 0 1
3-39. La matriz es la traspuesta de
0 0 0 0 0 1 0 1 -1
h 0 0
2
J_
3-40. 1. A = 0 o
2
2 1 1
_ 0 -1
0 1
4-28. A = I : :|;A = | : : |; A = |*
4-20. Considerar, por ejemplo, que A, B y C son de los tipos nxp, p x q y qxm,
respectivamente; expresar la fila i de A, y la columna/ de BC, para formar el elemento
(/, f) de A (BC). Proceder anlogamente con el segundo miembro.
4-30. Demostrar que la propiedad se cumple para n = 1, y que si se verifica para n - h ,
entonces se verifica para n = h + 1.
4-31. Demostrarlo por induccin completa, como el ejercicio anterior.
4-32. X = I.
4-33. Demostrar por induccin sobre k.
4-34. Considerar X = X I.
4-35. Plantear el sistema de ecuaciones no lineales.
4-36. Aplicar la definicin de producto de matrices y la conmutatividad del producto en K.
4-37. Utilizar la definicin de trasposicin y de producto de matrices.
4-38. Partir de (A B)2 .
n n
4-39. 0 = E a ik ahi = 'ajk =>a{ii = 0, V k. Anlogamente se prueba que la columna de
h =1 fe=1
lugar i es el vector nulo.
4-40. Efectuar (B* A B)2
4-41. Premultiplicar A + B = I por A, y posmultiplicar por B.
4-42. Como en el ejercicio anterior.
4-43. Determinar el cuadrado de cada una de las cuatro matrices y aplicar las hiptesis y 1
propiedades de la trasposicin.
4-44. Verificar que se cumple la definicin de matriz simtrica.
4-45. Para la condicin necesaria, considerar A B = ( A B / , Para la condicin suficiente,
partir de (A B)*,
4-46. Desarrollar el producto indicado.
4-47. Desarrollar (A a I) (B ~ a I) y utilizar la hiptesis de que A y B son permutables.
Para la condicin suficiente, considerar que A al y B - al son permutables; despus
cancelar.
4-48. Las filas de AB son iguales entre s, y cada elemento es igual a la suma de los
elementos de la correspondiente columna.
4-49. Tener en cuenta las propiedades relativas a la inversa de un producto y ala traspuesta
de un producto.
4-50. Se considera la matriz diagonal B cuyos elementos diagonales son los inversos de los
correspondientes de A, y se verifica que A B = B A = I.
4-51. Considerar A2 ~ A y multiplicar por A-1.
4-52. Probar que se verifican los cuatro axiomas de grupo.
4-53. Utilizando el mismo esquema de particin en ambas matrices, en bloques de dos filas y
dos columnas, se obtiene
'0 0 4 1
0 0 2 0
0 1 0 0
t2 2 0 0 ,
4-54. Las dos primeras filas constituyen una base del espacio fila de A.
4-55. Multiplicar a derecha B A = N por la inversa de A.
4-56. Premultiplicar por la inversa de A.
4-57. Tener en cuenta que hay que probar la verdad de una disyuncin.
4-58. p(A ) = 2 ;p (B ) = 3.
4-60. Determinar los rangos de A y de A A* por Gauss Jordn.
4-61. Demostrar prim ero que Se (A + B) C Sc (A) + Se (B). Al pasar a la relacin entre sus
dimensiones, tener en cuenta 2.8.1.
4-62. i ) considerar el elemento genrico de la diagonal de AB y de la diagonal de BA.
i i ) asociar y aplicar i),
i iii) aplicar ii).
1 P p2 P3
0 1 P p2
0 0 1 P
0 0 0 i
4-70. Para la condicin necesaria, efectuar los productos AB y BA, e igualarlos para obtener
a y /3. Para la condicin suficiente, efectuar ambos productos sustituyendo B por su
expresin.
4-71. Aplicar induccin completa.
372 RESPUESTAS A LOS TRABAJOS PRACTICOS
y 12. D (A) = -2 0 . D (B) = 10. D (C) = -1 3 5 . D (E) = 57.
5-13. Desarrollar por los elementos de la primera columna.
$.14. Considerar que la fila h, con h # /, es el producto del escalar A por la fila i.
5*15' i ) Aj = \ - 0, A3 = 5
ii)x i = 0 , x 2 = 2 , x 3 = - 3 .
5-16, A* - 1 , A2 = 10.
5-17. Ai 1 , A2 ~ .
5-26. En cada caso, examinar el valor del determinante, y si es distinto de cero, aplicar 5.9.
5-28. i ) Restar a cada una de las dos primeras columnas, la siguiente.
ii) Sumar a la primera columna las restantes; factorear; a la cuarta fila sumarle la
segunda y restarle las otras dos; sacar factor comn; a la segunda columna sumarle la
tercera, y a sta, sumarle la cuarta. Desarrollar.
iii) A la cuarta columna sumarle la segunda y la tercera.
iv) A la primera fila sumarle la segunda y la tercera; factorear; a la primera columna
restarle la tercera.
5-29. Agregar el vector de componentes 0,0, 1, como tercera fila y tercera columna del
segundo determinante. El producto es 18.
5-30. El valor del determinante es 4.
5-31. El jacobiano es p2 eos &.
(\ + V)2
5-32. El jacobiano es - ^ .
5-33. Considerar (l )n D (A), y multiplicar el escalar 1 por cada una de las n columnas.
I N
5-34. Multiplicar el determinante de la matriz particionada por 1 =
-B A 1 I
P Q - iPI f Rl.
El lector puede verificar que
N R
x 4 = 3 a 2 0 con a e R, 0 e R.
solucin son +^ (~ ^ ^
6-28.
lL 2 21 \
M' 1 0 -- -
2 2
I o -
\ 2 2 1
6-31. Proceder como en 6-27. Para a distinto de 2 y de 3, se obtiene solucin nica. Para
a - 2 existen infinitas soluciones y para a = 3 no existe solucin.
6*32. P a^ a 1 existe solucin nica. Para a = 1 el conjunto solucin es infinito y para
a = 1 el conjunto solucin es vaco.
6-33. Analizar qu relacin vincula a a y a b para que exista solucin nica, ninguna solucin
e infinitas soluciones.
(.3 4 . Un sistema lineal y homogneo es 74x + 1 lx 2 25.x3 = 0.
6-35. Analizar el determinante de los coeficientes. La solucin nica es
b2 + c 2 - a2 a2 + c2 - b 2 a2 + b2 - c 2
x - ----------------- , y ~ ----------------- , z = -----------------
2 be 2 ac 2 a b
V r V 6 \/S 7
3. y 1 = ( 1. 0 , 0), y2 ~ (0, 1, 0) y y 3 = (0 , 0 , 1) son los vectores de la base ortonormal
pedida.
742. Efectuar el producto interior entre v y v.
743. Considerar el producto interior entre v y v;.
744. Probar que el conjunto de todos los vectores ortogonales a A es un subespacio de V, y
tener en cuenta las definiciones correspondientes.
7 4 5 . Expresar cada uno de los dos vectores como combinacin lineal de la base.
746. Desarrollar 0 < < a x + j 3 y , a x + |3y>, hacer a = <y , y > y 0 = - <x, y >, y considerar
que <x, y ><xTy >= 1<x, y > 12 .
747. 1. P, X . ?! P2 = 0 ; 2 x - 2 y + z - 5 = 0.
2. X = P0 + \ A;= - - = z + 3.
2 -2
748. Es el paraboloide de ecuacin x 2 + y 2 + 2z 2 - 2xy - 6 x - 6y - 4z + 1 = 0.
749. P0X . A = 0; ax +ay 2a2 = 0.
7-50. d ~ ==
y/14 '
1 -2 -3
1 3 5
7 - 5 3 . 2 ( x ~ y + 2 ) 2 + ( z - y + 2)2 - 2 .
7-54. 18 jc2 + [ 3 ( z - 1) + 0 + l )]2 = 2 ( y + l )2
2
x=0
- ry=o c 2
[y^o
7-56.2x = {2 ~ y ) (2 - z).
7-57. X = M + X M 2 ; z = & a r c # Z .
x
7-58. Desarrollar el producto hermitiano.
7-59. Efectuar el producto PP* = I.
7-60. Considerar el producto interior entre cualquier fila i, con / < , y tener en cuenta, de
acuerdo con el ejercicio anterior, que tal producto es 0.
7-61. Probar que la funcin F : V -* V definida por F (x )= / x >donde / x (y) = <x, y ) es un
isomorfismo.
n
7-62. Desarrollar 2 ( x , vf >v,.
i= l
8-14. 1. Aj 5, A 5 son los valores propios.
2. No existen en R.
8-15. 1. Valores propios: 2 y 3.
Vectores propios: y | j
2. No existen en R.
2 '
X3 = 11, corresponde | 0
/ ( . - <
2. Para B, los valores propios son - 1 , 1 , ~i, i.
8 -2 1 . Considerar P (X) = X + c n^ X1 + . . . +Ci X+ c0
8-22. Partir de la expresin de P (X) = D (XI - A); tener en cuenta el ejercicio anterior; dar a
X el valor 0.
8-23. Partir de A X = XX y premultiplicar por A.
8-24. Tener en cuenta que los determinantes de dos matrices traspuestas son iguales.
8-25. Los tres valores propios son iguales a 1 y a ste le corresponde un sistema homogneo
cuyo espacio solucin tiene dimensin 1. No es diagonalizable.
8-26. Considerar 8-18.
8-27. Sea T una matriz triangular superior; considerar el valor de D (XI - T).
8-28. Tener en cuenta 8-18 y la definicin de matriz nilpotente.
8-29. 1. Aplicar 8.3.4.
2. Aplicar 8-18.
3. Demostrar primero que si A es idempotente y de rango entonces existe P
ortogonal tal que P* A P = Dr, donde D,. es una matriz diagonal con r unos y n-r
ceros. Aplicar despus 7.
4. Aplicar la definicin de traza.
5. Considerar 8-24.
6 . Expresar los valores de tr AB y tr BA.
7. Asociar y aplicar 6 .
8. Aplicar 7.
8-30. Hallar los valores y los vectores propios y ortonormalizar stos. Se obtiene
i u / 2
V5" VT
Pi = P2 =
2 1
V5- VT
8-31. Considerar 8.5.3. II, o sea, la existencia de una matriz P no singular, tal que
P1 A P = T. Aplicar determinantes y tener en cuenta 8-27.
3 1
8-32. P (A) =
1 6
W ^ t ' ) o -d ia g o n a l. (
i- 0 0
2
La matriz 3 X 3 es diagonalizable y su forma diagonal es D = 0 1 o
2
0 0 1
8-45. Los valores propios de A son 1 y 4. Los valores propios de P (A) son 0 y 15. La forma
diagonal de P (A) es ( ^ ^
\0 15
8-46. De acuerdo con 8*7 existe P C [X] no nulo, tal que P (A) = N, donde A es la matriz
de / . Adems, es
n
P (f) = 7T (f - A), donde X, e C.
O sea
N = P ( A ) = ( A - X 1-I)
3 i tal que A X,* 1 es singular, pues si no, P(A) sera inversible. En consecuencia,
existe X=0 tal que
(A - X I ) X = 0
O sea
9-19.
1 1 l_\
n2
4tf'=
J l JL
n2 n2 n2 /
Ver 4-65, i).
1 x
9-20. i ) A = - l 1 *
n
9-23. La funcin h : V2 -> K definida por h (x, y) = ~ g (x, y) es una forma bilineal simtrica
u=
9-28. Sea A la matriz de / : C" *>C ; de acuerdo con el ejercicio 8-46, A admite un vector
propio, o sea existe A eC tal que A Z = X Z . Observar que AeR, segn 9.6.3.
Considerar que Z = X + Y, donde X e Y pertenecen aR " y premultiplicar por A.
--- i
V 3 V 3
2 2
V 6 V 3
1 - V 6
9-31. La matriz o rto g o n a l de v e cto re s p ro p io s de A = es
-V 6 2
1 / V 3 V 2
P =
v /5 \ V 2 V 3-
L a tra s fo r m a c i n d e c o o r d e n a d a s e s t d a d a p o r X = P Y , o sea
(V ^V i - V 2 ^ 2)
*2 (V ^ V i + V 3 > 2)
9 -5 2 . S e a / ( X ) = X f A X d e f i n i d a p o sitiv a y sea X = P Y ,d o n d e P es n o s in g u la r; e n to n c e s
g (Y ) = Y* B Y y es t a l q u e B = P* A P .T a n t o / com o g tie n e n la m is m a im a g e n ; es
s u f i c i e n t e p r o b a r q u e Y f B Y = 0 = Y - 0 . C o n s i d e r a r Y = P 1 X .
9 -3 3 . T e n e r e n c u e n t a el e je rc ic io 8 4 7 y 9 .1 3 .2 .
9 -3 4 . i ) p ( A ) 3; s = 3.
ii) p ( A ) = i ; s = 1.
9 -3 5 . C o n s id e r a r 9 .1 1 . S e o b t i e n e
/ 1 \
2
A = . \ A = 6 + 11 0
J_
4
\
9 -3 6 . i ) C o n s id e r a r 9 .1 1 .
ii) C o n s id e r a r el e je rc ic io 8 -1 7 .
___1 s/2\
positiva y P = y/3 \/3 es ortogonal.
s/2 J_
V3 y/3
9-39. Probar que si / es definida positiva, existe una trasformacin no singular X = T Y
donde T es triangular superior y D (T) = 1, que la reduce a la forma
g (Y) = Y* D
n
g (Y) = Y D Y = .2 .y? , donde > 0, siendo D = ( T 1)* AT"1. En consecuencia,
D (D) = D (A) > 0.
Haciendo x n - 0, / se convierte en una forma cuadrtica respecto de n - lque sigue
siendo definida positiva; la correspondiente matriz se obtiene prescindiendo de la
ltima fila y de la ltima columna de A. Reiterar el procedimiento.
Para la suficiencia, utilizar el mtodo de Lagrange, que consiste en completar
cuadrados. Siendo Cn > 0, existe una trasformacin no singular, triangular superior,
con determinante igual a 1, que la reduce a
n n
an z i + 2 2 buz; z<
i=2j =2 3 }
Probar que > 0 , haciendo X j - Z j = 0 para = 2 , 3 , . . . , , y reiterar el proce
dimiento.
9-40. Por ser / definida positiva, segn 9.12.4., existe una trasformacin de coordenadas
n
X = P Y que la reduce a la forma S y i .
Se tiene Pf A P = 1, o sea A = (P P*)1. La trasformacin aplicada a g es tal que
X g X = Y f (P B P) Y, donde P* B P es simtrica. En consecuencia, existe una
trasformacin ortogonal Y = Q Z que la reduce a una suma de cuadrados cuyos
coeficientes son los valores propios de P* B P.
X BX = Zt (P q Y B (P Q) Z = 2 \ z\
=l
n
Esta trasformacin aplicada a Y*1 Y la reduce a .2 z\ . La composicin de las dos
trasformaciones: X = (P Q) Z, reduce ambas formas.
9-41. Demostrarlo por induccin sobre n = dim V.
10-6, Frontera de A es el conjunto
| ( * i , * 2) e R 2 / i*i 1= 1 a x2 I < 2 [ U {(1,2))
o sea, es la unin entre el contorno del rectngulo de vrtices (1, - 2), ( 1, - 2), ( 1, 2),
(1, 2) y el conjunto cuyo nico elemento es (2, 1).
El derivado de A es el rectngulo cuyos vrtices son los nombrados.
10-7. 1. A es la eclipse de centro (0, 0) y semidimetros \/3 y \2 , y su interior. La frontera
es la elipse. Los puntos cuyas coordenadas verifican la desigualdad estricta, son
interiores. Puntos exteriores a A son los que satisfacen
Y 2 V2
3 2
El derivado de A es A; o sea, A es cerrado.
2. Los puntos frontera de B tienen coordenadas que verifican x x =1 o jc2 = 2; la
frontera de B es la unin de un par de semirrectas cerradas.
Puntos interiores de B son los que satisfacen x x > 1 y x^ > 2.
Todos los puntos de acumulacin de B pertenecen a B, o sea, B es cerrado. Adems,
todos los elementos de B son puntos de acumulacin de B.
3. C es cerrado e igual a su derivado. Los puntos interiores de C satisfacen las
condiciones
x 2 < 2 y x t > 0 y x2 > 1
N. / Costo por
1 2 3 Disponibilidades
i \ en litros litro
Precio
de venta 68 57 45
por litro
Objetivo: maximizar
F = 5xu - 6x 12 - l&x13 + 23jc2i + 12x22 + 32x31 4- 21a:32 + 9* 33
Sujeta a las restricciones:
x n > 0 .6 (x n + x n + x 3)
JV31 < 0.2 (jji +X21 + *3l)
x 32 < 0 .6 ( x i 2 + x 22 + * 2 3 )
x i 2 > 0 A 5 (x n +X 22 + * 3 2 )
x 3 3 < 0 . 5 ( ; 13 + * 23 + * 33)
xj > 0 , i - 1, 2, 3, / = 1, 2, 3
10-24. Detallando los tipos de corte de cada rollo, y denotando con x la variable que
especifica el nmero de rollos del corte/, se obtiene la siguiente tabla:
" 'v. nmero
rollos
ancho *1 *2 *3 *4 * 5 *6 X>j *8 *9 *10 *11 *12
58 1 1 0 0 0 0 0 0 0 0 0 0
26 0 0 3 2 2 1 1 1 0 0 0 0
0 3 2 1 0
24 1 0 0 1 0 2 1
0 1 2 0 1 2 3
23 0 1 0 0 1
Desperdicio
en cm 10 10 11 12 13
0 1 4 6 7 8 9
Minimizar
F = x 2 + 4 x 3 + 6 x 4 H -7xs + & x 6 + 10*8 + 1 0 x 9 + U x + 12x11 + 13X12
Sujeta a las restricciones:
*1 + X 2 ^ 60
3 x 3 + 2 x 4 + 2 *5 + *6 + *7 + *8 > 85
X, + X 4 ^ ' ~ " 10
+ x >85
*2 + * 5 + *7 2jC 8 3*12 > ^0
*y> 0 , / = 1, 2, . . . , 12.
INDICE
A d ju n ta de u n a m a triz , 1 7 0 lin e a lm e n te d e p e n d ie n te , 4 5 , 7 8
A n g u lo e n tre v e c to re s, 2 2 3 lin e a lm e n te in d e p e n d ie n te , 4 2 , 79
A n illo d e m a tric e s, 1 0 9 m a x im a l, 65
A u to m o rfism o , 6 9 o rto g o n a l, 2 2 5
s o lu c i n d e u n s iste m a , 189
B ase, 5 3 , 5 4 , 58 Cono, 356
c a m b io d e , 1 4 6 o rto g o n a l, 3 5 7
fan , 2 8 0 C o n v ex id ad e n R " , 3 7 6
o rto g o n a l, 3 0 3 C o o rd en ad as, 4 4
o rto n o rm a l, 2 2 5 ,3 0 4 e sf ric a s , 17 9
te o re m a de e x te n si n , 56 tra s fo rm a c i n d e, 145
C ram er, te o re m a d e, 187
C a m b io de b a se , 1 4 6 , 2 9 5 C u rv as, 2 4 6
C asco co n v ex o , 3 3 8
C h io , re g la d e , 1 7 4
C la u su ra , 3 2 9 D e p e n d e n c ia lin e a l, 4 5 , 7 8 , 1 6 0
C o m p le m e n to o rto g o n a l, 2 2 9 D e te rm in a n te , 155
C o n d ic io n e s de v n c u lo , 3 5 2 d e la tr a s p u e s ta , 1 6 6
c o m p a tib le , 1 8 3 ,1 8 8 de u n o p e ra d o r h e rm itia n o , 3 0 0
S is te m a d e g e n e ra d o re s , 5 1 , 5 8 V e c to re s, 2
S c h w a rz , d e sig u a ld a d d e , 2 2 2 n g u lo e n tre , 2 2 3
S u m a de s u b e sp a c io s, 2 3 , 2 9 , 6 0 , 2 3 1 c o m b in a c i n lin e a l d e , 3 0
d ire c ta , 2 5 , 6 1 , 105 c o se n o s d ire c to re s, 2 4 0
S o lu c i n p tim a , 3 5 2 fijo s, 2 3 4
p o sib le , 3 5 2 lin e a lm e n te d e p e n d ie n te s , 4 5 , 7 8 , 160
i S u b e s p a c io , 15, 3 5 lin e a lm e n te in d e p e n d ie n te s , 4 2 , 58
S u b e sp a c io s, in te rs e c c i n d e , 2 0 m d u lo d e, 21 8
sum a de, 23 o rto g o n a le s, 2 2 5
u n i n d e, 22 p ro p io s , 2 6 3