Algebra lineal STEPHEN H. FRIEDBERG ARNOLD J. INSEL LAWRENCE E. SPENCE Mlinois State University PRIMERA EDICION ‘MEXICO, 1982 PUBLICACIONES CULTURAL,S.A,Contenido PROLOGO 1 ESPACIOS VECTORIALES 1 1.1 Introduccién J 1.2 Espacios vectoriales 6 1.3 Subespacios 16 1.4 Combinaciones lineales y sistemas de ecuaciones lineales 24 1.8 Dependencia e independencia lineal 36 1.6 Bases y dimension 41 1.7* Subconjuntos maximos linealmente independientes 57 Indice de las definiciones para el capitulo 1 60 2. TRANSFORMACIONES LINEALES Y MATRICES 63 2.1. Transformaciones lineales, espacios nulos y rangos 63 2.2 Representacién matricial de una transformacién lineal 2.3 Composicién de transformaciones lineales y multipl de matrices 82 2.4 Invertibilidad ¢ isomorfismos 95 2.5 La matriz de cambio de coordenadas 104 2.6* Espacios duales 103 2.7* Ecuaciones diferenciales fineales homogéneas con coeficienges constantes 119 Indice de las definiciones para el capitulo 2 137 3 OPERACIONES ELEMENTALES EN MATRICES Y SISTEMAS DE ECUACIONES LINEALES 139 3.1, Operaciones elementales en matrices y matrices elementales 140 3.2 El rango de una matriz y la inversa de una matriz. 146VII! Contenido 3.3. Sistemas de ecuaciones lineales: aspectos te6ricos 167 34 Sistemas de ecuaciones lineales: aspectos de céleulo 173 Indice de las definiciones para el capitulo 3 182 4° DETERMINANTES 185 4.1 Determinantes de orden 2 186 42 Determinantes de orden n 196 4.3 Propiedades de los determinantes 205 44 La adjunta clésica y la regla de Cramer 2/8 45 Resumen—Conceptos importantes sobre determinantes 223 Indice de las definiciones para el capitulo 4 230 5 DIAGONALIZACION 231 5.1. Eigenvalores y eigenvectores 231 5.2 Diagonalizabilidad 248 5.3* Limites de matrices y cadenas de Markov 268 5.4 Subespacios invariantes 297 5.5 EI teorema de Cayley-Hamilton 305 56 311 jones para el capitulo 5 319 6 FORMAS CANONICAS 321 6.1 Eigenvectores generalizados 321 62 Forma canénica de Jordan 339 63* Forma canénica racional 359 Indice de las definiciones para el capitulo 6 378 7 _ESPACIOS CON PRODUCTO INTERIOR 379 7.1 Productos interiores y normas 379 7.2 El proceso de ortogonalizacién de Gram-Schmidt y complementos ortogonales 389 7.3. El agjunto de un operador lineal 398 7.4* La tcoria especial y relatividad de Einstein 403 75 Operadores normales y autoadjuntos 417 7.6* El condicionamiento y el cociente de Rayleigh 424 7.7 Operadores unitarios y ortogonales y sus matrices 432 7.8 La geometria de los operadores ortogonales 445 7.9 Proyecciones ortogonales y el teorema espectral 455Contenido 7.10* Aproximacién por minimos cuadrados 462 7.11* Formas bilineales y cuadréticas 468 Indice de las definiciones para el capitulo 7 495 APENDICES 497 Conjuntos 497 Funciones 499 Campos 501 Nimeros complejos 504 Polinomios 508 mone> RESPUESTAS A LOS EJERCICIOS SELECCIONADOS 519 USTA DE SIMBOLOS USADOS FRECUENTEMENTE 535 INDICE ALFABETICO 537 xPrologo El Ienguaje y los conceptos de la teoria de matrices y, mas generalmente del Algebra Lineal han Hlegado también a aplicarse en las ciencias natu- rales y en las ciencias sociales. Pero eso no priva que el Algebra Lineal continte teniendo su importancia extraordinaria en el tratamiento modemno de la geometria y el andlisis. EI propésito esencial de este libro es presentar cuidadosamente los principales temas del Algebra lineal e ilustrar la utilidad de la materia a través de una amplia variedad de aplicaciones. Aunque para el uso for- mal de este libro se supone que los alumnos han debido Mevar un curso previo de calculo, el contenido de los capitulos 6 y 7 no requieren més, aparato matemético que el contenido en los estudios de ensefianza media superior en los cuales puede haber habido o no una iniciacién al Algebra lineal. El libro esté concebido de manera tal que permite ser utilizado en ‘cursos de diferente duracién. El material esencial del lgebra lineal (es- pacios vectoriales, transformaciones lineales y matrices, sistemas de ecua~ cciones ineales, determinantes y diagonalizacién), se encuentra en los capitulos 1 al 5; los otros capitulos, que tratan las formas candnicas y espacios con producto interior, son completamente independientes y que se pueden estudiar en cualquier orden. Ademés, a lo largo del libro se encuentran diversas aplicaciones para areas tales como ecuaciones dife- renciales, economia, geometria y fisica, Estas aplicaciones, claro esti, no son imprescindibles para el desarrollo matemético y pueden muy bien liminarse a criterio del profesor. Hemos procurado que resultara posible abarcar Ia mayoria de los te- ‘mas importantes de algebra lineal en un curso semestral, Esta meta nos permitié desarrollar los temas més importantes con menos preliminares innecesarias, que en los textos tradicionales. Nuestro tratamiento de ta forma candnica de Jordan, por ejemplo, no requiere de la teoria de polinomios. La economia lograda en extensién permite desarrollar Ia mayor parte del libro (si se omiten muchas de las partes optativas y al andlisis detallados de los determinantes), en un curso semestral dexl Prélogo 4 horas semanales para aquelos estudiantes que hayan tenido conocimien- tos previos de Algebra lineal El capitulo 1 del libro presenta la teoria bésica de espacios vectoriales de dimensiones finitas, subespacios, combinaciones lineales, dependencia ¢ Independencia lineal, bases y dimensién, El capitulo termina con una seccién optativa en la cual se prueba la existencia de una base en los espa- cios vectoriales de dimensiones infinita. En el capitulo 2 se desarrollan las transformaciones lineales y sus relaciones con las matrices; ahi se discute el espacio vacio y el limite de una transformaciGn lineal, representaciones matrciales de una transfor- ‘maciGn, isomorfismos y cambios de coordenadas. El capitulo se termina con las secciones opcionales sobre espacios duales y ecuaciones lineales diferenciales homogéneas. En el capitulo 3 se encuentran las aplicaciones de a teorfa de espa- cios vectoriales y transformaciones lineales a los sistemas. de ecuaciones ineales, Esto importante tema lo hemos pospuesto. intencionadamente Para que se pueda presentar como consecuencia del material anterior. Este enfoque da pie al tema familiar de los sistemas lineales para aclarar Ja teorfa abstracta, y permite evitar confusos céleulos de matrices en los capitulos 1 y 2. En esos capitulos habré. ejemplos ocasionales donde ten- 4remos la oportunidad de solucionar sistemas de ecuaciones lineales (na turalmente estos ejemplos no forman parte del desarrollo te6rico). En la seccién 1.4 se hallan las bases necesarias para ello. Los determinantes, tema det capitulo 4, tienen ahora mucho menos importancia que hace algin tiempo, para un curso abreviado es preferible tratarlos ligeramente, puesto que consideramos necesario dedicar mas tiempo a los temas que se desarrollan del capitulo 5 al 7. De ahi que hhayamos presentado dos altemativas en cl capitulo 4: un desarrollo com- pleto de la teoria (secciones 4.1. a 4.4) y un resumen de los. puntos importantes, indispensables para el resto de los capitulos (seccién 4.5). En el capitulo 5 se desarrollan eigenvalores, cigeavectores y diago- nalizacién. Una de sus aplicaciones més importantes se encuentra en el ciilculo de limite de matrices. Se ha incluido, sin embargo, una seccién opeional sobre limite de matrices y cadenas de Markov, aunque la general mayoria de algunos de sus resultados requiera un conocimiento de. las formas canénicas de Jordan. Las secciones 5.4, 5.5 y 5.6 contienen in- formacién sobre subespacios invariantes, el teorema de Cayley-Hamilton y del polinomio minimo, respectivamente. Las formas canénicas se tratan en ef capitulo 6, secciones 6.1 y 6.2 desarrollan la forma Jordan y la seccién 6.3 presenta la forma racional Los espacios con producto interior son el tema del capitulo 7. La teo- tia_matemética bisica (productos interiores y el proceso de_ortogonali- zacién de Gram-Schmidt; las transformaciones del adjunto: normaly auto- adjunto, ortogonal y operadores unitarios; proyecciones ortogonales y elPrélogo XII teorema espectral) se desarrollan en las secciones 7.1, 7.2, 7.3, 7.5, 7.7 y en la 7.9, En las secciones 7.4, 7.6, 7.8 y 7.10 se encuentran varias aplicaciones de la estructura del producto de interior. El capitulo ter- mina con un anélisis de las formas cuadriticas y bilineales (seccién 7.11) En el texto se encuentran también cinco apéndices, En los primeros cuatro se analizan respectivamente, conjuntos, funciones, campos y nime- os complejos con el fin de repasar las ideas basicas que se desarrollan a través del libro. En apéndice E sobre polinomios se utiliza primor- dialmente en os capitulos 5 y 6, en especial en la seccién 6.3. Se ha preferido que esos apéndices no se analicen en forma independiente sino hacer referencia a ellos segiin se requiera. EI siguiente diagrama muestra la dependencia entre los capitulos del libro. Capito > Capitulo 5 Seccion 54 Capitulo 7 Secciones 61 y 62] Secciones 33.9 58 Seceibn 65 Ahora unas palabras finales, que creemos necesarias respecto @ nues- ‘ra notacién. Las secciones indicadas con un asterisco (*) son opcionale ¥ pueden omitirse si asi lo considera el profesor. Todo ejercicio indicadoxv Prélogo por ol simbolo (+) no es opeional; lo usamos para identificar un ejer- cicio que sera citado posteriormente en el texto. "Agradecemos a Douglas E. Cameron (University of Akron), Ed- ward C. Ingraham de (Michigan State University), David E. Kullman (Miami University), Carl D. Meyer, Jr. (North Carolina State University) y Jean E, Rubin (Purdue University) pot haber revisado el manuscrito completo del texto, asi como también a nuestros colegas y estudiantes por [as sugerencias y estimulos recibidos durante el periodo en el que se estaba desarrollando el manuscrito de esta obra. También hacemos men- ‘ciGn especial a Miss Jana Gehrke y a Marilyn Parmantie por su ayuda en el trabajo de mecanografia, asi como a Harry Gaines, lan List y al equipo de Prentice-Hall por su colaboracién durante los procesos de pro- duccin. Normal, Illinois STEPHEN H. FRIEDBERG ARNOLD J. INSEL LawareNce E. SPENCECapitulo 1 Espacios vectoriales 1d INTRODUCCION Muchas nociones fisicas comunes, tales como las fuerzas, velocidades * y aceleraciones, involucran una magnitud (el valor de la fuerza, velocidad © aceleracién) y una direccién. Cualquier entidad que involucre magni- tud y direccién se Mama vector. Los vectores se representan por flechas en as que Ia longitud de ellas define Ia magnitud del vector, y la diree- cién de Ia flecha representa la direccién del vector. En la mayor parte de las situaciones fisicas que involucran vectores, tnicamente la magnitud y direccién del vector son significativas; consecuentemente, consideraremos aos vectores con la misma magnitud y direccién como iguales, indepen- dientemente de sus posiciones relativas En esta seccidn se discutiré Ia geometria de los vectores, geometria que se deriva de los experimentos fisicos que dan fe de Ja forma de inter- accién entre dos vectores. Muchas situaciones comunes sugieren que cuando dos vectores actian simulténeamente en un punto, Ia magnitud del vector resultante (el vector ‘obtenido sumando Ios dos vectores originales) no es necesariamente igual a la suma de las magnitudes de los dos vectores. Por ejemplo, un nadador que nada contra la corriente con una velocidad promedio de 3.2 km/h, siendo la velocidad de la corriente de 1.6 km/h, no avanzaré con una velocidad promedio de 4.8 km/h. En este caso los movimientos del nadador y el de la corriente son contrarios y, por tanto, Ia velocidad pro- medio del nadador es Unicamente de 1.6 km/h. Si, por el contrario, el nadador avanzara aguas abajo (a favor de la corriente), entonces’ su avance promedio si seria de 4.8 km/h, Los experimentos muestran que los vectores se suman de acuerdo con la siguiente ley del paralelogramo. (Véase la fig. 1.1.) * La palabra “velocidad” esté siendo utlizada con su connotacién cientifica, como una entidad que tiene magnitud y diteccién. La magnitud de una velocidad CGndependientemente de la direccion det movimiento) se llama rapids.2 Espacios vectoriales figura 1.1 Ley de! Paralelogramo para la Suma de Vectores. La suma de dos vectores x YY que actian sobre un mismo punto P es el vector que, en el paralelo- gramo que tiene @ x y y por lados adyacentes, se representa por la diagonal que parte de P. ‘Como los lados opuestos de un paralelogramo son paralelos y de igual longitud, el extremo Q de la flecha que representa a x +y también se puede obtener permitiendo que x actiée sobre P y luego permitiendo que ¥ actiie sobre el extremo de x; 0, de la misma manera, puede ser obtenido Permitiendo que primero actie y sobre P y posteriormente que x actie sobre el extremo de y. De este modo, dos vectores x y y que actiian sobre tun punto P pueden’ ser sumados “cola con cabeza’ esto es, se puede aplicar cualquiera de los vectores x 0 y en P y un vector que tenga la misma magnitud y direccién que el vector restante puede ser aplicado ‘entonces en el extremo del primero —el extremo de este segundo vector es el extremo de x+y. La suma de vectores puede ser descrita algebraicamente mediante el uso de geometria analitica. En el plano que contiene a x y a y, introdiiz- cease un sistema de coordenadas con P por origen y sea (a, a.) el extremo de x y (bs bs) el de y Entonces, tal como lo muestra la figura 1.2, las coordenadas de Q, extremo de x + y, son (a + by, a + bs). De aqui en adelante, cuando se haga referencia a las coordenadas del extremo de tun vector, se considerara que el vector parte del origen. Mas atin, como un vector que principia en el origen queda completamente determinado porIntroducci6n 3 Jas coordenadas de su punto extremo, nos referiremos algunas veces al punto x en vez de al exiremo del vector x cuando x sea un vector que parte del origen. ‘Ademés de la operacién de suma de vectores existe otra operacion natural que se puede realizar con los vectores —Ia longitud de un vector puede ser amplificada o reducida sin cambiar la direcci6n del vector. Esta ‘operacién, llamada multiplicacién por un escalar, consiste en multiplicar un vector por un nimero real. Si el vector x esté representado por una flecha, se tiene que para cualquier mimero real 1 >0 el vector tx que- dara representado por una flecha que tiene la misma direccién de la flecha que representa a x pero su longitud serd 1 veces mayor. Si <0, el vector tx quedard representado por una flecha cuya direccién sea copuesta ala de x y con una longitud de | r| veces la longitud de la flecha que representa a x. Dos vectores no nulos x y y se denominan paralelos siy = tx para cualquier nlimero real ¢ no nulo. (Ast, los vectores no nutos con direcciones iguales u opuestas, son paralelos.) Para describir algebraicamente 1a multiplicacién por escalares, intro- Aiizcase de nuevo un sistema de coordenadas en un plano que contenga al vector x tal que x parta del origen. Si el extremo de x tiene por coordenadas a (a, @.), entonces puede mostrarse fécilmente que las coordenadas del extremo de tx son (tay, ta:). (Véase el ejercicio 5.) Las descripciones algebraicas de la’ suma de vectores y de la multi plicacién de vectores por escalares en un plano, implican tas siguientes propiedades para vectores arbitrarios x, y, ¥ z y mimeros reales arbitra- Flos @ y b: x+ (y +2) Existe un vector llamado 0 tal que x + 0 = x para todo vector x. Para cada vector x existe un vector y tal que x + y= 0. I= x. (ab)x = a(bx), a(x + y) = ax + ay. (a+ b)x = ax + bx. Argumentos semejantes a los antes mencionados muestran que estas 8 propiedades, asi como las interpretaciones geométricas de suma de vecto- res y multiplicacién por escalares, son vélidas para vectores que actiian en el espacio y no s6lo en un plano. Utilizaremos estos resultados para escribir las ecuaciones de rectas y planos en el espacio. Considérese primero la ecuacién de una recta en el espacio que pasa por dos puntos distintos P y Q. Sea O el origen de un sistema de coorde- nnadas en el espacio y sean u y v los vectores que parten de O y terminan respectivamente en P y Q. Siw es el vector que principia en P y termina en Q, la suma “cabeza con cola” muestra que u+w =v y por tantoEspacios vectoriales w=v~—u donde —u representa al vector (—1)u. (Véase la fig. 1.3 ‘en donde el cuadrilitero OPQR es un paralelogramo.) Como un miltiplo de escalar w es paralelo a w, pero posiblemente de una longitud diferente a w, cualquier punto de la recta que une a Py Q se puede obtener como el extremo del vector que principia en P y que tiene Ta forma rw para figura 1.3 algin nimero real 1. Recfprocamente, el extremo de cada vector de la forma tw que principia en P yace en Ia linea que une a P y Q. Luego, una ecuacién de la recta que pasa por Py Q esx =u + tw =u-+ t(v—u), donde ¢ es un mimero real y x es un punto arbitrario de Ia recta. Véase también que el extremo R del vector v ~ w de Ia fig. 1.3 tiene coorde- nadas iguales a la diferencia de las coordenadas de Q y P. Fjemplo. Encontremos la ecuacién de la recta que pasa por los pun- tos P y Q de coordenadas (~2, 0, 1) y (4, 5, 3), respectivamente. El extremo R del vector que parte del origen y que tiene la misma direc- in que el vector que principia en P y termina en Q, tiene como coor- denadas (4, 5, 3) — (2, 0, 1) = (6, 5, 2). Luego, la ecuacién buscada serd: x= (2,0, 1) +46, 5, 2). Ahora, sean P, Q y R tres puntos no colineales en el espacio. Estos Puntos determinan un plano tinieo cuya ecuacién puede ser encontrada mediante el uso de nuestras anteriores observaciones sobre vectores. Sean wy v los veetores que parten de P y terminan, respectivamente, en Q y R. Obsérvese que cualquier punto del plano que contenga a P, Qy R es él extremo $ de un vector x que principia en P y tiene la forma tu + tv ara cualquier par de nimeros reales ty ‘. El extremo de tu seré el unto de interseccién de la recta que pasa por P y Q con la recta que asa por S'y es paralela a Ia recta que pasa por Py R. (Véase fig. 1.4.) Un procedimiento andlogo permitiré localizar 1.Introduccisn 5 figura 1.4 Mas atin, para cualquier par de nGmeros reales fy te, fu + ty es un vector ubicado en el plano que contiene a P, @ y R. Por lo tanto, la ‘ecuacién del plano que contiene a P,Q y Res x= P+ tut ty, donde 1 y % son mimeros reales arbitrarios y x es un punto cualquiera del plano. Ejemplo. Sean P, Q y R puntos de coordenadas (1, 0, 2), (—3, -2, 4) y (1, 8, ~5), respectivamente. El extremo del vector que parte del origen y tiene la misma longitud y direccién que el vector que va de P a Q es (-3, -2, 4) — (1, 0, 2) = (—4 —2, 2); de Ia misma forma, el extremo del vector que parte del origen y tiene Ja misma longitud y direcci6n que el vector que va de P a R es (1, 8, ~5) ~ (1, 0, 2) = (0, 8, —7). Luego, la ecuacién del plano que contiene a los tres puntos dados es , 0, 2) + 4(=4, =2, 2) + 4, 8, —7) Cualquier estructura matemética que posea las ocho propiedades de Ja pégina 3 se lama “espacio vectorial”. En la seccién siguiente defi remos formalmente un espacio vectorial y consideraremos muchos ejem- plos de espacios vectoriales distintos a los antes mencionados. EJERCICIOS 1 Determinar si los vectores que parten del origen y terminan en los siguientes ares de puntos son paralelos. f@) 3, 1,2) y 6 4,2) (o) (~3, 1, 7) y (8, —3, ~21) (©) (3, ~6, 7) y (~5, 6 ~7) (@) 0, ~5) y (5, 0, ~2)6 — Espacios vectoriales 2. Encontrar las ecuaciones de las rectas que pasan por los siguientes pares de puntos en el espacio. @ 6,-2.4 y¥ (320 (b) (2, 4, 0) y (~3, ~6, 0) © (7,2) y G7, —8) @) (2, =1,5) ¥ G97) 3. Encontrar las ecuaciones de los planos que contienen los siguientes puntos en el espacio. @ (2-5, -1), 0, 4, 6) y (-3, 7, 1) (b) G3, ~6, 7), (~2, 0, —4) y (5, -9, ~2) (©) (—8, 2, 0), (1, 3, 0) ¥ (6 —5, 0) @ (1D, (5, 5,5) y (-6 4, 2) 4. {Cuiles son las coordenadas del vector 0 en el plano Euclidiano que satis- facen la condici6n 3 de la pagina 3. Demostrar que esta seleccién de coorde- nadas satisface Ia condicién 3. 5. Demostrar que si el vector x parte del origen del plano Euclidiano y termina en el punto de coordenadas (a;, a.), entonces el vector tx que parte del origen termina en el punto de coordenadas (ta,, fa:). 6 Demostrar que las diagonales de un paralelogramo se bisectan, 1.2 ESPACIOS VECTORIALES Debido a que entidades tan diversas como las fuerzas que operan en un plano y los polinomios con coeficientes reales permiten definiciones natu- rales de suma y multiplicacién por escalares que poseen las propiedades 1 a 8 de la pagina 3, es evidente que se deban abstraer dichas propieda- des en Ia siguiente definicién. DeriniciO, Un espacio vectorial (o espacio lineal) V sobre un campo * F cconsiste de un conjunto en el que estén definidas dos operaciones (llama- das adicién y multiplicacién por escalares, respectivamente), tal que para ‘cualquier par de elementos x y y en V exista un elemento tinico x+y en V, y para cada elemento a en F y cada elemento x en V exista un elemento tinico ax en V, de manera que se cumplan las siguientes con- diciones: + Ver apéndice C. Sin embargo, con muy pocas excepciones, el lector puede interpretar 1a palabra “campo” como “campo de los mimeros reales” (denetado or R) 0 “campo de los nimeros complejos® (denotado’ por C).Espacios vectoriales 7 (VS 1) Para toda x, y enV, x+y =y +x (conmutatividad de la adicién). (VS 2) Para toda x, y, enV, (x+y) + 2=x+ (y +2) (aso iativided de ta adicién) (VS 3) Existe un elemento en V Uamado 0 tal que x-+0=x ara toda x en V. (VS 4) Para cada elemento x en V, existe un elemento y en V tat que x+y =0. (VS 5) Para cada elemento x enV, 1x =x (VS 6) Para cada par a, b de elementos en F y cada elemento x enV, (ab)x = a(bx). (VS 7) Para cada elemento a en F y cada par de elementos x, y enV, a(x +y) = ax tay, (VS 8) Para cada par de elementos a, b en F y caila elemento x en V, (a+ b)K= ax + bx Los elementos x+y y ax se denomiran, respectivamente, suma de x y yy el producto de a y x. Los elementos del campo F se llaman escalares y los elementos del espacio vectorial V se Maman vectores. El lector no debe confundir este uso de la palabra “vector” con la entidad fisica tratada en la’ seccién 1.1; ahora, la palabra “vector” se utilizaré para describit cualquier elemento de un espacio vectorial. Frecuentemente, un espacio vectorial seré tratado en el texto sin men= cionar explicitamente su campo de escalares. El lector cuidard de recordar, sin embargo, que todo espacio vectorial debe considerarse como un espa. cio vectorial sobre un campo, el que se denotard por F. En el resto de la seccién introduciremos diversos ejemplos importantes de espacios vectoriales que serén estudiados a través del texto, Obsérvese que al describir un espacio vectorial no sélo es necesario especiicar los Vectores, también las operaciones de suma y muliplicacién por escalares. Un objeto de la forma (a, ..., a), donde los valores o entradas 4 son elementos de un campo F, se denomina n-dimensional * con Valores de F. Dos n-dimensionales (a,, ..., dy) Y (by, ..- bn) Se defi- nen como iguales si y sélo si a, = by para i Qevea M. Ejemplo 1. El espacio vectorial F* de n-dimensionales con valores de un campo F. EI conjunto de todas las n-dimensionales con valores de un campo F forma un espacio vectorial, que denotaremos por F*, bajo las operaciones de suma y multiplicacién coordinada (elemento a elemento); esto es, si FF (Ay... a) EF, Y= (by ees On EF, y CF, entonces. SEY= (Gt by. at Da) OF = (Cay... Cam). = N. del T. En algunos tibros de lgebra lineal_a tos n-dimensional Jes da el nombre de n-adas, nuplas, muplas y olros més, pero aqui, prefer Ja eitada. denominacin,Espacios vectoriales Por ejemplo, en Rt (3, ~2, 0,5) + (1, 1, 4,2) = -1,.4,7) —5(1, -2, 0, 3) 5, 10, 0, ~15). Los elementos de F* a menudo se escribirén como vectores columna: en vez de como vectores rengién (a1, ..., dq). Puesto que un 1-dimen- sional con valor de F puede ser visto como elemento de F, escribiremos F en vez de F* para el espacio vectorial de los I-dimensionales de F. Una matriz de m x n con valores de un campo F es un arreglo rec- tangular de la forma fay a a,,| donde cada elemento ai;(1 ) (~a)x= —(ax) para toda a€ F y toda x€ V. 0 para toda a€ F. DEMOSTRACION: (a) Por (VS 8), (VS 1) y (VS 3) se tiene que Ox + Ox= (0.4 0)x = Ox = 0 + Ox. Por tanto, 0x = 0 por el Teorema 1.1 (b) El elemento ~(ax) es el tinico elemento de V tal que ax + [—(ax)] = 0. Si ax + (~a)x = 0, el corolario 2 anterior impli- carfa que (~a)x=~(ax). Pero por (VS 8), ax + (—a)x= (a+ + (-a)lx = 0x, y as ax + (—a)x=0x=0 por (a). Entonces, (ax = ~ (ax) La demostracién de (c) es semejante a la demostracién de (a). i EJERCICIOS Determinar si las siguientes expresiones son falsas o verdaderas. (a) Todo espacio vectorial contiene un vector cero. (b) Un espacio vectorial puede tener mis de un vector cero. (©) En cualquier espacio vectorial ax = bx implica que a= b. (a) En cualquier espacio vectorial ax = ay implica que x= y. (©) Un elemento de * puede ser considerado como un elemento de Maxi(F). (8) Una matriz de m xm tiene m columnas ym renglones. (g) En P(F) sélo se pueden sumar polinomios del mismo grado. (h)_Si fy g son polinomios de grado n, entonces f +g es un polinomio de grado (i) Sif es un polinomio de grado m y ces un escalar no nulo, entonces «f es un polinomio de grado 1 ) Un elemento no nulo de F puede considerarse como un elemento de PCF) de grado 0.Espacios vectoriales 13 (k) Dos funciones en #(S, F) son iguales si y s6lo si toman los mismos valores en cada punto de S. Escribir el vector nulo de Mya(F). Si endles son Muy Max y Mas? Realizar las operaciones indicadas. @ as = 4-25 e ° 1) (-5 2. () /-6 4 7-3 3 -2)+ (: =) its Ag (© 472 5 -3 (io 73) 6 4 o . -{ 3 =) 1 of (e) Qxt = Txt + dx +3) + (Be + 2x = 6 +7) (3x + Txt + Bx — 6) + (2x = Bx + 10) (g) 5(2x"— 6x + Bx — 32) (h) 3G ~ 2x + 4r-+ 2) Los Ejercicios 5 y 6 muestran por qué las definiciones de suma y multiplica- cién por escalares de matrices (como se definen en el ejemplo 2) son las ade- cuadas. Richard Gard (Efectos de los castores en las truchas en Sagehen Creek, California. J. Wildlife Management, 25, 221-242) reporta el siguiente nime- ro de truchas que atravesaron las represas de castores en Sagehen Creek: Cruces @ contracorriente Otoho Primavera Verano “Trucha arroyo ’ 3 t Tricha arcoiris 3 0 ° Trucha café 3 ° 014 10. Espacios vectoriales Cruces a favor de la corriente Oto Primavera Verano Trocha arroyo 1 2 Trucha arcoiris 3 ° ° ‘Trucha café 1 1 ° Registrar los cruces a contracorriente y a favor de la corriente como datos en dos matrices de 3 x 3 y verificar que la suma de las dos matri- ces da el numero total de cruces (a contracorriente y a favor) categorizada por especie de trucha y por estacién. Al final de mayo, un almacén de muebles tenia el siguiente inventario: Americano Medite- ‘tradicional Espaiol rréneo ands Conjuntos de sala ? 2 7 3 Conjuntes de alcoba 5 1 1 4 Conjuntos de comedor 3 1 2 6 Registrar estos datos como una matriz M de 3 x 4. Con el fin de prepa rarse para su venta de junio, el almacén decidié duplicar su inventario de cada uno de los rubros anteriores. Suponiendo que nada de Ia mercanct en inventario se vende hasta que los pedidos de muebles adicionales Heguen, se verifica que el inventario disponible después de recibir el pedido estard dado por 1a matriz 2M. Si el inventario al final de junio queda dado por a matriz, S312 4A=(6 21 5), 103.3) interpretar 2M — A. {Cuantos conjuntos se vendieron durante Ia venta de junio? Sea $= (0, 1) y F demostrar que f = gy f+ = h donde f(x) = 2x + 1, g(x) = 2x, y h(x) = S41 R, el campo de los niimeros reales. En 7(S, R), Tt ar~ Demostrar que en cualquier espacio vectorial V, (a + b)(x + y) = ax ++ + ay + bx + by para toda x, y€ V y cualquier a, bE F. Demostrar los Corolarios 1 y 2 del Teorema 1.1 y el Teorema 1.2(c).. Sea V el conjunto de todas las funciones diferenciales de valores reales definidas sobre Ia recta de los reales. Demostrar que V es un espacio vecto-uN 12, 13, 14, 15. 16, 7. Espacios vectoriales 15, rial bajo las operaciones de suma y multiplicacion por escalares definidas en el ejemplo 3. Sea V = {0} que conste de un Gnico vector 0 y definase 0+0=0 y 0 = 0 para cada c de F. Demostrar que V es un espacio vectorial sobre F(V se llama el espacio vectorial cero) Una funcién de valor real definida sobre Ia recta de los reales se lama funcidn par si {(—x) = f(x) para todo nimero real x. Demostrar que cl conjunto de las funciones par definidas en la recta de los reales, con las operaciones de suma y multiplicacién por escalares definidas en el ejem- plo 3, es un espacio vectorial. Sea V el conjunto de pares ordenados de nimeros reales, Si (a,, a;) y (bs, 6.) son elementos de V y c es un elemento de F, se definen (ay, a2) + (By, Be) = (as + by, abs) eC, a2) = (Ca, a). GES V un espacio vectorial bajo esas operaciones? Verifique su respuesta. Sea V = ((a,..., a): a@€ C para i= 1, 2,..., n). (Es V un espacio vectorial sobre el campo de los ntimeros reales con las operaciones de suma ¥ multiplicacién con correspondencia de elementos? Sea V = {(a, ..., ay): a) € R para i= 1, 2,...,-n). gEs V un espacio vectorial sobre el campo de los nimeros complejos bajo las operaciones de suma y multiplicacién con correspondencia de elementos? Sea V= ((a, a.): a, a € R}. Para (ay, @:), (By, bs) EV y CE R, defi- nase (a, a.) + (by, ba) = (ai + by, as + b.) clay, a) (0, 0) sic=0 = {{mt) sexe Sea V = ((ay, a): ay, a: € C}. Para (ay, a), (by, BEV y CC C, de- finase (a, a) + (by, b2) = (ay + 2b, @: +36) yea, a.) = (ca,, ca.) GEs V un espacio vectorial bajo estas operaciones? Justifique su respuesta,16 Espacios vectoriales 18, Sea V=((a, a): a, a € F), donde F es un campo arbitrario. Defi nase la suma’de los elementos de V elemento a elemento, y para c€ F ¥ (a @.) € V, definase (ay, a (a, 0) GEs V un espacio vectorial bajo estas operaciones? Justfique su respuesta. 1.3. SUBESPACIOS Normalmente, en el estudio de cualquier estructura algebraica es intere- sante examinar subconjuntos que tengan la misma estructura que el con- junto que esté siendo considerado. A‘ apropiada de subestructu- 1a para espacios vectoriales se introduce en esta seccién, jén. Un subconjunto W de un espacio vectorial V sobre un campo F se llama un subespacio de V si W es un espacio vectorial sobre F, bajo las operaciones de suma y multiplicacién por escalares definidas en V. En cualquier espacio vectorial V, es de hacer notar que V y {0} son subespacios. Este iltimo se denomina el subespacio cero de V. Afortunadamente, no es necesario verificar todas las condiciones sobre espacios vectoriales con el objeto de demostrar que un subconjunto W de un espacio vectorial V es en realidad un subespacio. Como se sabe, las condiciones (VS 1), (VS 2), (VS 5), (VS 6), (VS 7) y (VS 8) se satisfacen para los elementos de V, las cuales, autométicamente se cumplen también para los elementos de ‘un subconjunto V. Entonces, un sub- conjunto W de V es un subespacio de V si y s6lo si las siguientes cuatro condiciones se satisfacen: 1, x+y W siempre y cuando x€ W y ye W. 2. ax€W siempre que a€ F y x€ W. 3. El vector cero de V pertenece a W. 4. El inverso aditivo de cada elemento de W pertenece a W. En realidad, la condicién 4 es redundante, como lo muestra el siguiente teorema. Teorema 1.3. Sea V un espacio vectorial y W un subconjunto de V. Entonces, W es un subespacio de V si y s6lo si se satisfacen las tres condiciones siguientes: (@) 0Ew. (>) x+y € W siempre que XE W y y€ W. (©) axe W siempre que a€ F y x€ W.Subespacios 17 DEMOSTRACION. Si W es un subespacio de V, entonces W es un espacio vectorial bajo las operaciones de suma y multiplicacién por escalares defi- nidas en V. Tenemos entonces que se cumplen las condiciones (b) y (c), y existe un elemento 0’ € W tal que x+ 0’ = x para toda x€ W. Pero también x + 0 = x, y por tanto 0” = 0 por el Teorema 1.1. Luego enton- es, también se satisface la condiciOn (a) Reciprocamente, si se satisfacen las condiciones (a), (b) y (e), la exposicién que precede a este teorema muestra que W puede ser’ un subespacio de V si el inverso aditivo de cada elemento de W pertenece a W. Pero si x€ W, entonces (~1)x pertenece a W por la condicién (©), ¥ x= (=1)x por el Teorema 1.2. De aqui que W sea un subes- pacio de V. i El teorema anterior proporciona un método sencillo para determinar si un subconjunto dado de un espacio vectorial es 0 no realmente un subespacio. En general, este resultado es el que se emplea para demostrar que un cierto subconjunto es un subespacio, La transpuesta M' de una matriz. M de m xn es la matriz de mx m obtenida a partir de M mediante el intercambio de renglones con colum- nas; esto es (M'),) = Mji. Por ejemplo, Le (22. (2 } sale Une mati side es ana mae M ta que Mt ~ M. Enidenemen, tm ates be erent W de toes at ces simétricas en Mu.a(F) es un subespacio de Ma.a(F) ya que se satis- facen las condiciones del Teorema 1.3: (a) La matriz cero es igual a su transpuesta y, por tanto, pertene- cea W. Puede probarse ficilmente que para matrices A y B y para escalares a yb cualesquiera, (a4 + bB)' = aA' + BBY. (Ver el ejercicio 3.) Usando este hecho, se pueden establecer facilmente las condiciones (b) y (c) del Teorema 1.3 de la manera siguiente: (b) Si AE W y BEW, entonces A = At y B= BY. Ahora bien, (A+B) = Att BP= A+B, de manera que A+ BE W. (©) Si AW, entonces A*= A. Lucgo, para toda a€ F, (ad)! = = adi = ad. ¥ asi ad €W. Los siguientes ejemplos proporcionan més ilustraciones del concepto de subespacio. Los primeros tres son particularmente importantes,18 Espacios vectoriales jjemplo 8. Las matrices diagonales en Myan(F) Sea M una matriz den x m. La diagonal (principal) de M consta de los términos My,, Mes, --. 5 Mya. Una matriz D de nxn se lama matriz, diagonal si todos los valores que no se encuentren sobre la diagonal de D son nulos, esto es, si Di; = 0 para toda ij. El conjunto de todas las matrices diagonales en M,.(F) es un subespacio de M..n(F). Ejemplo 9. Los polinomios de grado menor o ij Sea m un entero no negativo y sea P,(F) un conjunto que consista de todos los polinomios en P(F) que tengan grado menor o igual a n. (Nétese que el polinomio nulo es un elemento de P,(F) pues su grado €s 1.) Luego entonces, P,(F) es un subespacio de P(F) al an. Ejemplo 10. Las funciones continuas de valores reales definidas en el eje de los reales R. El conjunto C(R) formado por todas las funciones continuas de valor real definidas en R es un subespacio de F(R, R), donde #(R, R) es tal como se definié en el ejemplo 3. Ejemplo 11. La ‘raza de una matriz M de n x n, denotada por tt(M), fs la suma de los valores de M ubicados en la diagonal; esto es, t(M) = My + Mz + ... + Myn. El conjunto de todas las matrices den xn que tienen una traza igual a cero es un subespacio de Ma.a(F). (Ver el ejercicio 6.) Fjemplo 12. El conjunto de matrices en Mnva(F) que tinicamente ten- ‘gan elementos no negativos no es un subespacio de Ma.a(F) ya que no se cumple la condicién (c) del Teorema 1.3. Los dos teoremas siguientes proporcionan métodos para formar subes- pacios a partir de otros subespacios, Teorema 1.4 Cualquier interseccién de subespacios de un espacio vectorial V ‘es un subespacio de V. DEMOSTRACION. Sea € un conjunto de subespacios de V y sea W Ia inter- seccién de todos los subespacios en €. Como cada uno de los subespacios contiene al vector cero, 0€ W. Sean a€ F y x, y elementos de W; enton- ces xy y son elementos de cada subespacio en €. De aqui conefuimos que x + yy ax son elementos de cada subespacio en © (porque la suma de vectores en un subespacio y el producto de un escalar y un vector del subespacio, ambos pertenecen a ese subespacio). Entonces x + y€ W ¥ ax € W; luego entonces W es un subespacio de acuerdo con el Teore- ma l3. iSubespacios 19 Habiendo demostrado que la interseccién de subespacios es un subes- acio es I6gico considerar la cuestién de si la unién de subespacios es ‘© no un subespacio. Se puede ver fécilmente que la unién de subespacios debe satistacer as condiciones (a) y (c) del Teorema 1.3 pero no nece- sariamente satisface la condicién (b). De hecho, se puede demostrar de inmediato (ver ejercicio 18) que ta unién de dos subespacios es un subes- pacio si y s6lo si uno de fos subespacios es un subconjunto de otro. Es normal, sin embargo, pensar que deberia de existir un método para combi- nar ambos subespacios W, y W. para obtener un subespacio mayor (0 sea, uno que contenga @ W; y a W.). Como sugerimos anteriormente, Ja clave para encontrar tal subespacio es la condicién (b) del Teorema 1,3. Esta observacién sugiere que debiéramos considerar la “suma” de dos subespacios (como se define a continuacién). Definicién. SiS, y S. son dos subconjuntos no vacios de un espacio vectorial V, centonces la suma de S, y S., que se expresa como S, + S,, es el conjunto {x + y: x€ S, y yE S,). La suma de cualquier mimero finito de subcon- juntos no vactos de V, S,,... , Sx, se define andlogamente como el con junto Sits. FS = (yb tee HES) para i=, 22... 0). Teorema 1.5 Si W, y Ws son subespacios de un espacio vectorial V, entonces W. + W; es un subespacio de V. DEMOSTRACION. Sean W, y W subespacios de V. Como 0€ W, y O€ W., 0= 0+ 0€ W, + We, Sea a€ F y x, y€ W, + Wes entonces existira 2, ys € Ws ¥ x ys € We tales que x= a, +a2 y y= yt ye Ahora bien, aty= (nt) + Oty) = Oa ty) + Oe ty) es un elemento de W, + W. ya que x +916 Wi y x + ys Ws y ax = als +) = an, + ars, es un elemento de W, + Ws ya que ax, € Ws y ax: € Wz. Luego enton- ‘ces W, + Ws es, por el Teorema 1.3, un subespacio de V. i Corolario. La swma de cualquier niimero finito de subespacios de V es un subespacio de V. Una clase especial de suma jugar un papel importante en los capitulos siguientes. Introduciremos un caso especial de'este concepto en la siguiente definicién20 Espacios vectoriales Se dice que un espacio vectorial V es la suma directa de W, y Ws, expresada como V = W, @Wz, si W, y Wz son subespacios de V tales que W, Ws = (0) y Wit We = V. Ejemplo 13. Sea W. = ((a, 0): @€ F) y Ws={((0, 6): BEF), Luego, F = W, @ W. Ejemplo 14. Una funcién g de valor real definida en R se llama funcién par si g(—x) = g(x) para toda x€ Ry se lama funcién impar si g(—x) = —g(x) para toda x€R. Sean W, y Wa, respectivamente, los conjuntos de todas las funciones pares e impares en 3(R, R). Demostraremos que F(R, R) = W, @ Ws. Puede verse facitmente que W, y Wz son subespacios de F(R, R). (Ver Ejercicio 19.) Supéngase que g€ W, 1 Wz; entonces g es al mismo tiempo una funcién par e impar. Asi g(—2) = g(a) y a(~x) = ~8(x) para cada x€ R y, por lo tanto, g ¢s la funcién cero. Por lo tanto, W. 1 Ws = (0}. Sea fEF(R, R), definase g, h€ F(R, R) como g(x) = 4[f(x) + f(—x)] y A(x) 4Lf(x) — f(—x)]. Entonces g es una funcién par y h es una funcién impar tales que f= g +h. De aqui que f€ W, + We. Como f es un elemento arbitrario de F(R, R), se tiene que F(R, R) = W, + W:, Esto es, F(R, R) es la suma directa de W. y We. Si W. y We son subespacios de un espacio vectorial V tales que W, + We = V, entonces, cada elemento de V puede expresarse como la suma de un elemento x, en W, y un elemento x, en We. Es posible que Puedan existir muchas representaciones semejantes, es decir, que x; y x3 no sean Gnicas. Por ejemplo, si Ws = (as, ay as) € FP: as = OF We= (a, Oy @) EP: a= 0), claramente W, + W: = F*, De hecho, para cada c€ F, (b,, bs) = = (bi, be + ¢, 0) + (0, —c, bs) es una representacién de (by, b;, bs) como la suma de un clemento (b,, bs +¢, 0) en W, y un elemento (0, —c, bs) en Wa. Asi, en este ejemplo la representacién de los elemen- tos de F* como las sumas de un elemento en W; y un elemento en Ws no €s tinica. Nuestro préximo resultado determina cusndo existe este tipo de unicidad. Teorema 1.6 Sean W, y W; subespacios de un espacio vectorial V. Entonces V es la suma directa de W, y W. si y sélo si cada elemento de V puede ser escrito de manera tinica como x, + x:, donde x,€ Wy y X€ Ws. DEMOSTRACION. Supéngase que V=W,@W.. Como V=W,+W cada elemento de V puede ser expresado como la suma de vectores en Ws y W,. Supéngase que algin clemento z en V puede ser escrito comoSubespacios 21 z= 4142 y también como z= y, + yi, donde x, ys € Ws ¥ Xn Ys € We Entonees, x; + = yi + Ye y asl m1 — ys = ys — x. Ahora bien, x — ~ ¥€ Ws puesto que x, y ys som elementos de W,, y andlogamente 2: € We, Pero como x, — y= ys— 2, se deduce que x — y, = = xe € Wi 0 Wz = (0). Por lo tanto, x, ~ y, = ys ~ xs demuestra 1a unicidad de la represent mento de W; y un elemento de La demostracin de la proposicién recfproca se deja al lector como cjercicio. 1, ¥ asi = Ye y m= Ys, 10 que ion de z como la suma de un ele EJERCICIOS 1. Decir si las siguientes proposiciones son verdaderas o falsas. (a) Si V es un espacio vectorial y W es subconjunto de V que es también tun espacio vectorial, entonces W es un subespacio de V. (b) El conjunto vacio es un subespacio de todo espacio vectorial (©) Si V es un espacio vectorial distinto del espacio vectorial cero (0), entonces V contiene un subespacio W tal que WV. (@) La suma de dos subconjuntos cualesquiera de V es un subespacio de V. (©) Una matriz diagonal n x m no puede tener més de m términos no los. (f) La traza de una matriz cuadrada es el producto de sus términos que se encuentran sobre la diagonal 2. Determinar la transpuesta de cada una de las siguientes matrices. Ademés, si la matriz es cuadrada, calcular su traza, @ (-4 2 O) (3) © [3 9 @ 0 -2 (:-) © a, - 3 5 o 1 ; : 3. Demostrar que (ad + bB)' = ad! + BBY para toda A, BE Maua(F) y toda a, bE F. 5 (hb) ( () (22 Espacios vectoriales 4, Demostrar que (4')' = A para toda A € Myas(F) 5. Demostrar que A + A! es simétrica para cualquier matriz cuadrada A. 6. Demostrar que trad + 6B) =atr(A) + btr(B) para toda A, BE My. (F). 7. Demostrar que las matrices diagonales son matrices simétricas. 8. Verificar que los siguientes conjuntos son subespacios de R* bajo las opera cciones de suma y multiplicaci6n por escalares definidas en R°. (a) Wi = (Cay ay a) ER a y= —a} (b) Wi = (Cas, ay a6) € RY: 2a, + a + Sas = 0} (©) Ws= (ay ds, a) ER: a ~ 4a, ~ a, = 0) 9. Sean Ws, We, y Ws como en el ejercicio 8. Describir Ws 1 Way Ws 1 Way y Wi A Ws y obsérvese que cada una es subespacio de R’. 1) EF: a +... + ay = 0} es un subes- (Gye QE PD at... ta =1) 0 V1. Es ef conjunto W= {FE PCF): $= 0 0 f tiene grado n) un subes- Pacio de P(F) si m> 1? Justifique su respuesta, 12, Una matriz A de m xn se llama triangular superior si todos tos términos uubicados por debajo de 1a diagonal valen cero, esto es, Ai; = 0 siempre que i > j. Verificar que las matrices triangulares superiores forman un sub- espacio de Ma au(F). 13. Verificar que para cualquier s€ 5, W = (f€ F(S, F): f(s) = 0} es um subespacio de F(S, F). 14, {Es el conjunto de todas las funciones diferenciales de valores reales defi- nidas en R un subespacio de C(R)? Justifique su respuesta. 15. Sea C*(R) ef conjunto de todas las funciones de valor real definidas en la recta de los reales que tiene una derivada n-ésima continua (y, por tanto, derivadas continuas de orden 1, 2,..., m). Verificar que CR) es un subespacio de F(R, R). 16. Demostrar que un subconjunto W de un espacio vectorial V es un subes- pacio de V si y solo si Wo y ax€W y x+yEW siempre que ae Fy x yeW. 17. Demostrar que un subconjunto W de un espacio vectorial V es un subes- pacio de V si y sélo si 0 € W y ax + y€ Wsiempre que a€ F y x, y CW.24+ 25. Subespacios 23. ‘Sean W: y We subespacios de un espacio vectorial V. Demostrar que W.'U We €s un subespacio de V si y slo si Wi C Ws 0 Ws C Wi. Sean F, y F; campos. Una funcién g€ (F,, F.) se lama funcién par si (=a) = g(a) para toda x€ F, y se llama funcin impar si g(—x) = g(x) para toda x€ F;, Demostrar que el conjunto de todas las fun- ciones pares en F(F,, F:) y el conjunto de todas las funciones impares en F(F,, Fz) son subespacios de F(Fy, Fe) Mostrar que F es la suma directa de los subespacios, Ws = (Cay <5 a) EF: ay = 0) W. {(@s, 5 a9) EF a a, = 0}. Sea W, el conjunto de polinomios f en P(F) tales que f(x) = 0 0, en la representacion, $0) = aX" + ayaX? oo + dy los coeficientes a, a:, a), ... de todas las potencias pares de x son iguales @ cero. Anélogamente, sea W: el conjunto de todos los polinomios g en PCF) tales que g(x) = 0 0, en Ia representacién (4) = Dad” + bees? + Dey los coeficientes b,, bs, bs, ... de todas las potencias impares de x son iguales a cero. Demostrar que P(F) = W, @ W.. {AE Maan(F): iy = 0 cuando i> j} y We = (A € Masa(F) cuando i ) (© @ @ Cy Resolver los toen @) fi: ~ 2x; — Bey @ [: + Oxy + Dey © | xt yn 4 mt x o | O) | 1 (2x, © xy + 4, — 3x, — 3x, El vector cero es una combinacién lineal de cualquier conjunto no vacio de vectores. El subespacio generado por @ es 0. Si $ es un subconjunto de un espacio vectorial V, L(S) es igual a la interseccién de todos los subespacios de V que conticnen a S. Al resolver un sistema de ecuaciones lineales se puede multiplicar una ecuacién por una constante. AL resolver un sistema de ecuaciones lineales se permite sumar un miéltiplo de una ecuacién a otra. Todo sistema de ecuaciones lineales tiene una solucién. ientes sistemas de ecuaciones lineales por el método expues- cesta sec 3x; —3x,— 2x, +See = 7 Mn mlx x, Bx, — Ixy + 4x, = 10 2x 3m — xy + Ay, [7 + 8x, + Sry yt xt Sry + Se =" + 10x, — 3x, — 4x, 2+ Sx Sey dee xy 4x,+1Ixy— Tx, —10x,—2x,= 7 ay $2 + 6-1 xt oat m= 8 Set om— x= 1S xy 3x; 4 10x, = —56 10. Combinaciones lineales y sistemas de ecuaciones lineales 35 Para cada uno de los siguientes grupos de vectores en R*, determine si et primer vector puede o no ser expresado como una combinaci6n lineal de los otros dos. (a) (-2,0,3), 3,0), 2, 4, —1) (>) 0,2, 3), (3,2, D, =, 1) © G40), ,-2, 0, (-2, -1,) @) 1,0), (1,2, —3), (1, 3, 2) () (5,1, -5), (1, ~2, —3), (= 2,3, -4) ( ($2,2,2), 1,2, 2), (3, -3,3) Para cada uno de los siguientes grupos de polinomios en P,(R), determine si el primer polinomio puede o no ser expresado como una combinacién lineal de los otros dos. (@) BH 3245.8 +2 xb Leto (b) 48 $ 2x 16,8 = Ot ae 1, Be Ot (©) =2e— 1s ¥ 3x + 2, P= Dat + Bx 1, 2 bet BE? @) +H 2413, 2 Be a De +S Ce) P= Be 4 4x, De + x= 12H 3 () OP Bette dS, Wet Set En F* sea e, el vector cuya coordenada j-ésima es 1 y cuyas otras coorde- rnadas son 0. Demostrar que (e,, e:, --- 5 és} genera a F, Mostrar que P,(F) puede generarse por (1, x, 3%... 2") Mostrar que las matrices (C8) generan a M.,2(F). (0 1) Denoser au 1 0 0 0 fo 1 ma(h 9) m= (98). x ma (? 5) ee ee ges eee Para cualquier elemento x en un espacio vectorial, demostrar que L({x)) = = (ax: @€ F). Interpretar este resultado geométricamente en Rt Demostrar que un subconjunto W de un espacio vectorial V es un subes- pacio de V si y s6lo si L(W) = W.36 we 12+ 13. 1S Espacios vectoriales Demostrar que si S: y S: son subconjuntos de un espacio vectorial V tales que 5, CS., L(S,) C L(S.). En particular, si CS: y L(S) =V, se deduce que L(S.) = V. Demostrar que si S, y S. son subconjuntos cualesquiera de un espacio vecto- rial V, entonces L(S, U S.) = L(S,) + L(S.). Sean 5, y S: subconjuntos de un espacio vectorial V. Demostrar que L(S, 1 $.) C L(S,) M L(S:). Dar un ejemplo en el cual L(S) 0S.) y L(S,) L(S.) sean iguales y un ejemplo donde sean distitas. DEPENDENCIA E INDEPENDENCIA LINEAL AAI principio de la seccién 1.4, observamos que la ecuacién de un plano que pasa por tres puntos no colineales en el espacio, uno de los cuales 5 el origen, es de la forma x = tu + tiv, donde uw, ve RI y fy f: son escalares. Asi, un vector x en R' es una combinacién lineal de u, v< Rt si y s6lo si x se ubica en el plano que contiene a uy v. (Ver figura 1.5.) Vemos, por tanto, que en R la amplitud de dos vectores no paralelos tiene una interpretacién geométrica sencilla. Se le puede dar una interpre- tacién similar a la amy ividual no nulo en R3. (Ver el ejercicio 9 de la seccién 1.4.) figura 1.5 En la ecuacin x = 1, u + t.v, x depende de w y v en el sentido de que x es una combinacién lineal de wy v. Un conjunto en el que al ‘menos un vector es una combinacién lineal de los otros se llama un con- junto finealmente dependiente. Considérese, por ejemplo, el conjunto S= (i, a5 05 4) CR, donde x= (2, 1, 4), = (1, —1, 3), a= (1, 1, —1), ¥ 4 = (1, =2, —1). Para determinar si $ es lineal- mente dependiente debemos ver si existe 0 no un vector en $ que sea luna combinacién lineal de los demés. Ahora bien, el vector x, es una combinacién lineal de an, x. y x, si y s6lo si existen escalares a, by ¢ tales que wee at, + bx + ox,Dependencia e independencia lineal 37 es decir, si y s6lo si = Qa+b+e -a—b+o, 4at3b—c). Por tanto x, es una combinacién lineal de x,, x: yx, si y solo si el sistema dat b+e= 1 —a~ b+e=-2 4a+3b—e=—1 tiene solucién. El lector deberé verificar que en este caso no existe tal soluci6n, Nétese, sin embargo, que esto no significa que el conjunto $ no sea linealmente dependiente, pues es necesario verificar si x,, 2 Xs pueden 0 no ser escritos como una combinacién de los otros veciores de S. Puede demostrarse, de hecho, que x; ¢s una combinacién lineal de 2 XY X65 especificamente, x, = 2x, — 3x: + Ox. Asi, Ses en efecto linealmente dependiente Se ve de este ejemplo que la condicién para dependencia lineal que se ha dado no es adecuada, porque no todo vector en S necesita ser una combinaciéa lineal de los demés, aun cuando S sea linealmente depen- jiente, Reformulando la definicin de Ia siguiente manera obtenemos una definicién de dependencia mas facil de usar. ién. Un subconjunto $ de un espacio vectorial V es linealmente depen- diente si existe un mimero finito de vectores distintos X., Xx... Xx en S Y escalares a, a5, ..., a, en F, no todos cero, tales que aX, + ax: + +... tax, =0. También se puede describir esta situacién diciendo que los elementos de $ son linealmente dependientes, Para demostrar que el subconjunto $ de R° que hemos definido es linealmente dependiente usando esta definicién, debemos encontrar esca- ares a, as, as y a4, no todos nulos, tales que ax, + asks + ats + aay = es decir, tales que (2a, + a, + ay + ay, a ~ a, + a, — 2ay, 4a, + 30! — ay ~ a) = (0, 0, 0). Por ello debemos encontrar una solucién para el sistema 2a, + a, tart a= 0 ) Cualquier conjunto que contenga al vector cero es linealmente de- pendiente, (c) El conjunto vacio es linealmente dependiente.40 10. 12. Espacios vectoriales (4) Subconjuntos de conjuntos linealmente dependientes son linealmente dependientes. (©) Subconjuntos de conjuntos linealmente independientes son lineal- ‘mente independientes. (8) Six, xy ..., 44 som linealmente independientes y ax, + ats + +... + ats = 0, todos los escalares a, son iguales a cero. En F* sea e; el vector cuya coordenada jésima es 1 y las demés son 0. Demostrar que (ej, €:;..., ¢) 5 linealmente independiente, Demostrar que el conjunto (1, x, x*,... , x8} es linealmente independiente en PA(F). Demostrar que las matrices (0 (0 0) (t 0) son linealmente independientes en Mz.a(F). ¥(04) Encontrar el conjunto de matrices diagonales linealmente independientes que generan al espacio vectorial de matrices diagonales de 2 x 2. Demostrar que (x, y} es linealmente dependiente si y s6lo si x 0 y es un miiltiplo del otro. Dar un ejemplo de tres vectores linealmente dependientes en R tales que ninguno de los tres es miiltiplo de otro, Demostrar el Teorema 1.8 y su corolario. (a) Demostrar que {u, v} es linealmente independiente si y s6lo si {w+ v, wv) ¢s linealmente independiente, (>) Demostrar que (u, v, w) es linealmente independiente si y s6lo si {w+ y, w+, v + w) es linealmente independiente. Demostrar que un conjunto $ es linealmente dependiente si y sélo si $= {0} © si existen vectores distintos y, x1, X,..., 4, en S tal que y es una combinaci6n lineal de xj, x2, ..+ 5 Xq Sea $= (x, xy... ,%4} un conjunto finito de vectores, Demostrar que Ses linealmente dependiente si y s6lo six, = 0, 0 Xia € L((ty uy -- + Xx) para alguna k + Yar Xn --- s Xen SOM claramente elementos de LLY 5+ 5 Yan Ys rem)» 56 tendré que (noe Ye Bie Kaye y Bem) GLC 20g Sn Pte Koyo Sem)Bases y dimensién 45 Por tanto, el Teorema 1.7 implica que LAY, «5 Ys Ysts X20 oy Kemp) Luego, el escoger $; = (x., ..., tem) demuestra que el teorema es cierto param + 1. Esto completa la demostracién Para ilustrar el Teorema 1.11, nétese que $= {x? ~ 4, x — 6) es un subconjunto linealmente independiente de P.(F). Como f= (1, x, x) es una base de P,(F), deberd de existir un subconjunto S, de # que con- tenga 3 — 2 = 1 elemento tal que $ U 5, genere a P.(F). En este ejemplo ‘cualquier subconjunto de que contenga un elemento serd suficiente para 5. Con esto se ve que el conjunto S, del Teorema 1.11 no necesariamente €5 tinico, Corolario 1. Sea V un espacio vectorial que tiene una base f que contenga exacta- ‘mente n elementos. Entonces, cualquier subconjunto linealmente indepen- diente de V que contenga exactamente n elementos es una base de V. DEMOSTRACIN. Sea $= {y,,..., Yq) un subconjunto de V- Tineal- mente independiente que contiene exactamente m elementos. Aplicando el Teorema 1.11 se ve que, existe un subconjunto 5, de f que contiene nm —n=0 elementos tal que $US, genera a V, Obviamente S,= 2; Iuego, S genera a V. Como S es también linealmente independiente, S es una base para V. i Ejemple 28. Los vectores (1, ~3, 2), (4, 1, 0) y (Of 2, —1) forman una base para R?, ya que si (1, ~3, 2) + a.(4, 1, 0) + a,(0, 2, -1) = (0, 0, 0), ‘entonces a:, a y a deberdn satisfacer el sistema de ecuaciones a, + da, =0 3a, + a, + 2a, =0 2a, — a=0, Pero puede verse fécilmente que la jinica solucién del sistema es a, = 0, a: = 0 y a =0. Entonces, (1, ~3, 2), (4, 1, 0) y (0, 2, —1) son linealmente independientes y, de acuerdo con el corolario 1, forman una base para R, Corolario 2. Sea V un espacio vectorial que tiene una base con exactamente n elementos. Entonces, cualquier subconjunto de V que contenga més de n elementos es linealmente dependiente, Consecuentemente, cualquier subconjuinto de V linealmente independiente comiene como maximo elementos,46 Espacios vectoriales DEMOSTRACION. Sea S un subconjunto de V que contiene mis de n ele- mentos. Con el fin de llegar a una contradiccién supondremos que Ses linealmente independiente. Sea S, un subconjunto cualquiera de $ con exactamente n elementos. Entonces, de acuerdo con el corolario anterior, 5, es una base de V. Como S, es un subconjunto propio de S, podemos tomar un elemento x de $ que no sea elemento de S,. Como S, es una base de V, x€ L(S,) = V. Luego, el lema previo al Teorema 1.10 impli- ca que S; U (x} es linealmente dependiente. Pero SU (x) CS; luego, Ses linealmente dependiente —una contradiccién. Se concluye, por tanto, que Ses linealmente dependiente. i Ejemplo 29. Sea S +7, 8x2 — 2x, 4x — 3, Tx + 2). Aun cuando se pueda demostrar directamente que S es un subconjunto linealmente dependiente de P.(F), esta conclusion se deriva inmediatamente del coro- lario anterior puesto que 8 = (1, x, x*) es una base para P.(F) que contiene menos elementos que S. Corolario 3. Sea V un espacio vectorial que tiene una base con exactamente 1n elementos. Entonces, toda base para V contendré exactamente n ele- ‘mentos. beMosrRaciOn, Sea $ una base de V. Como $ es linealmente indepen- diente tendré como méximo, de acuerdo con el corolario 2, m elementos. ‘Supéngase que S contiene exactamente m elementos; Iuego, m , Demostrar que dim(W, NW: R me- diante 1) = fico para toda f€ V. Entonces, por las propiedades elementales de las integrales, T es una transformaci6n lineal Dos ejemplos muy importantes de’ transformaciones lineales que pue- den aparecer a menudo en el resto del libro y que, por tanto, merecen tener una notacién propia, son la transformacién identidad y la transfor- macién cero. Para espacios vectoriales V y W (sobre F) definimos Ia transformacién identidad |: V—>\ mediante ly (x) = x para toda x€ Vy la transfor ‘macién cero To: V—>W por Ty(x) = 0 para toda x € V. Es evidente que ambas transformaciones son lineales. A menudo eseribiremos | en vez del, ‘Veremos ahora algunos ejemplos’ adicionales de transformaciones li neales. Ejemplo 3. Definase Tr ROR por Ta, a.) = (2a, + as, ai). Para demostrar que T es lineal, sean YER, x= (i, be), y= (dy dads -y Sea EF.Transformaciones lineales, espacios nulos y rangos 65 Como ex + y= (chy + dy, cbs + da), tenemos Tex + y) = (2(cby + dy) + cb; + ds, cbs + di). También eT(x) + Ty) = e(2b, + bs, by) + Cdsirt doy ds) (cb, + cbs + 2d, + da, cby + di) = (2(ch, + dy) + cb, + ds, cb, + di). Por lo tanto, T es lineal. Ejemplo 4. Definase Ts Myin(F) > Mmcn(F) mediante T(A) = A‘, donde A' es tal como se definié en la Seccién 1.3. Entonces, T es una transformacién lineal por el ejercicio 3 de la Seccién 1. ‘Como veremos en las Secciones 7.7 y 7.8, las aplicaciones del algebra lineal a la geometria son vastas y variadas. La razén principal de esto es que la mayor parte de las transformaciones geométricas son lineales. Tres transformaciones particulares que ahora consideraremos son Ia rotacién, la reflexién y la proyeccién, Dejaremos al lector las demostraciones de linealidad. Ejemplo 5. Para 0 < @ < 2x definamos T,: R*—> R* mediante Talay, ds) = (a, Cos @ ~ ay sen 8, a, sen 6 + a; COS 0). T, se denomina rotacién en 6. (Ver Fig. 2.1(a).) Ejemplo 6, Definase T: R?—> R? mediante T(a,, ax) = (a —a2). T se denomina reflexidn en torno al eje x. (Ver Fig. 2.1(b).) Ejemplo 7. Definase T: R'—> R* mediante T(a,, as) = (a1, 0). T se de- nomina proyeccién sobre el eje x. (Ver Fig. 2.1(¢).) Notese que si hacemos Ww, = ((a,0): a€ R} y W. = ((0, a): ae R} entonces R= Wi ® We, To . 6 "1 Tay TW & o ey figura 2.166 —Transformaciones lineales y matrices por lo que para toda x€ R existen vectores inicos x, € Ws y x: € Ws tales que x= a, ta y Ta) =n, El ejemplo 7 sugiere la siguiente definicion Definicién, Sean V un espacio vectorial y W, un subespacio de V. Una funcién T: VV se llama proyeccién sobre W, si (a) Existe un subespacio W: tal que V = W, @ Ws (b) Para x = xy + Xs, donde x, € Wy y X:€ Ws, fenemos T(x) = x, Se deja como ejercicio para el lector demostrar que T es lineal y que W,= (eT) =x). Ahora supéngase que existe un subespacio W, We tal que V= W. @W!. Definase Us V—>V mediante U(x) =x, donde x = x, + x's, 4. €W., ¥ X2€ W!. Entonces, U es otra proyeccién sobre W, y de nuevo W. = (x: U(x) =x). Por ejemplo, en el Ejemplo 7 sea {(a, a): a€ R), i tal que (ay, a3) = (ay ~ as, 0) + (ass a2) YY Ula, as) = (as ~ a, 0). Entonces existen tantas proyecciones en Wi como subespacios en Ws que satisfacen V = W. @ Ws. Veremos en el Capitulo 7 que la proyec- cin descrita en la figura 2.1(c) es la proyeccién “natural” a ser estudiada, Este tipo de proyeccién se amaré “‘proyeccién ortogonal” y esté deter- ‘minada de manera tinica por el subespacio W En el Ejercicio 14 de la Seccién 2.3 se dard una caracterizacién de las proyecciones, la que nos permitiré determinar facilmente si una transfor- ‘macién lineal es © no una proyeccién Ahora pondremos atencién a dos conjuntos muy importantes asociados con las transformaciones lineales: el “rango” y el “espacio nulo”. La de- terminacién de estos conjuntos nos permitiré examinar més de cerca las propiedades intrinsecas de una transformacién lineal. Definiciones. Sean V y W espacios vectoriales y sea T: V—>W lineal, Defini ‘mos al espacio nulo (o kernel) N(T) de T como el conjunto de todos los vectores x en V tal que T(x) = 0; es decir, N(T) = {x€ Vi T(x) = 0) Definimos al rango (0 imagen) R(T) como el subconjunto de W que consta de todas las imdgenes (bajo 1) de los elementos de V; es decir, R(T) = (1): x€ V), Ejemplo 8. Sean V y W espacios vectoriales y sean I: VV y To VW respectivamente las transformaciones identidad y cero, tal como se definieron anteriormente. Entonces N(1) = (0), R(I) = V, N(T.) = VTransformaciones lineales, espacios nulos y rangos 67 Ejemplo 9. Sea T: R'—»R* definida mediante T(a,, a2, a1) = (a, ~ 2a,). Se deja como ejerccio verificar que N(T) = ((a, a, 0): aR) y R(T) = Re. En el ejemplo 7 se ve ficilmente que los subespacios W, = R(T) ¥ W. = N(1). El teorema siguiente nos dice que éste es el caso para todas las proyecciones Teorema 2.1. Sea V un espacio vectorial y W, un subespacio de V. Sea T una Proyeccién sobre W,, y sea W: tal como en la dej.nicién de proveccién. Entonces Wy RT) y We = N(T). DEMOSTRACION. Como se observé anteriormente, Wy = (x: T(x) = x}. Por lo tanto, W, C R(T). Si x€R(T), entonces: x= T(y) para alguna YEV. Pero y 1» donde y, CWs ¥ ys €Ws, ¥ entonces x= y,. Por fo tanto, W, Como es evidente que Ws © N(T), tinicamente necesitamos demostrar que N(T) CW. Con este fin, sea x€N(T). Entonces x= x) +x: con EW. y X: €Ws. Asi, O= T(x) =x, y por lo tanto x= 15 €Ws. Ml Este teorema nos dice que Ws queda determinada de manera tinica por la proyeccién de T sobre W,. Ademés, como T es una proyeccién sobre su rango, utiizaremos sencillamente el término “proyeccién” sin mencio- nar al subespacio W,. Acabamos de observar en el caso en que T es una proyeccién que N(T) y R(T) son subespacios de V. Puede obtenerse el mismo resultado con ‘cualquier transformacién lineal Teorema 2.2, Sean V y W espacios vectoriales y T: V—>W lineal, Entonces N(T) y R(T) son subespacios de V y W, respectivamente DEMOSTRACION. Para aclarar la notaci6n, usaremos los simbolos Oy y Ow para denominar, respectivamente, a los vectores cero de V y W. Como TO) = Oy, tenemos que Oy ¢ N(T). Sean x, €N(T) c€ F. Entonces Tox y) = Tex) + TG) = Ow + Ow — Oye ¥ Tedd ela) = ey = Oy. Por lo tanto x + yEN(T) y cxEN(T), de manera que N(T) es'un subespacio de V. Como T(0,) = Oy, tenemos que Oy € R(T). Ahora sean x, y€ R(T) y C€F. Entonces, existen v y w en V tales que T(v) =x y T(w) = y. Asi, T(v + w) = T(v) + TO#) = x+y, y Thev) = eT(v) = ex. Por io tanto, x + yER(T) y cxER(T), de manera que R(T) es un subespacio deW. i Tal como en el Capitulo 1, mediremos el “tamafio” de un subespacio ppor su dimensidn. Los dos subespacios anteriores son tan importantes que dedicaremos atencién especial a sus dimensiones respectivas.68 Transformaciones lineales y matrices Definiciones. Sean V y W espacios vectoriales y sea T: V->W lineal. Si N(T) y R(T) son dimensionalmente finitos, entonces definimos la nulidad de T, expresada como nulidad(T), y el rango de T, expresado como ran- 20(T), como las dimensiones de N(T) y R(T), respectivamente Reflexionando sobre la accién de una transformacién lineal, vemos in- tuitivamente que mientras més grande es 1a nulidad menor es el rango. En otras palabras, mientras més vectores van a dar al cero, menor es el rango. El mismo razonamiento nos dird que mientras més grande sea el rango, menor es ta nulidad. Este balance entre el rango y la nulidad se hharé més preciso en el teorema siguiente. Teorema 2.3. Sean V y W espacios vectoriales y sea T: V—>W lineal. Si V ¢s dimensionalmente finito, entonces nulidad(t) + rango(T} dim(V) DEMOSTRACION. Sup6ngase que dim(V) =, y sea (ty ..., a4) una jo del Teorema 1.12 podemos extender (x...) a una base B= (x, ..., x4) para V. Demostraremos que el conjunto $= (T (ti), «5 T(x) es una base para R(T). Primero demostraremos que S genera a R(T). Sea y€R(T). Entonces existe x €V tal que y = T(x). Como f es una base para V, tenemos que x= Sax para algunas a... a CF. Como T es lineal se tiene que = 3 asia ets) y= 1) = Satta La Giltima igualdad se obtiene de que x:,... , »€N(T). Ahora demostraremos que S es linealmente independiente. Supngase que & oreo De nuevo, utilizando el hecho de que T es lineal, tenemos que para byes, 5 ba €F. 1 3 bay =o, Entonces 3 bavencn. Por lo tanto existen ey, ..., er €F tales que Boa Sen odin S(-cont+ 3 da =Transformaciones lineales, espacios nulos y rangos 69 ‘Como f es una base para V, tenemos que b; = 0 para toda J, Por Io tan- to, Ses linealmente independiente. i La demostracién anterior permite obtener el corolario siguiente. Corolario. Sean V y W espacios vectoriale: y sea T: V—>W lineal, Si V tiene una base 8 = {X,--. 5X); entonces R(T) = L(T(B)) = L((TO4), «5 T(x,))). Este corolario nos dice que la imagen de una base para el dominio de tuna transformacién lineal es un conjunto generador para el rango de la transformacién, Por lo tanto, este corolario proporciona un método para encontrar una base para el rango de una transformacién lineal. Empleare- ‘mos esta técnica en el ejemplo siguiente. Ejemplo 10. Definase la transformacién lineal T: P.(R)— Mix2(R) mediante = (1-12) 0 w= ( ° 10): Como g = (1, x, x*} es una base para P.(R), tenemos =1(f8- 9.8 C3) =1({(6 (C8 9) Entonces, hemos encontrado una base para R(T) y vemos que rango(T) = 2. En virtud del Teorema 2.3 tenemos que nulidad(T) + 2= 3, y entonces nulidad(T) = 1. El lector deberia repasar los conceptos de “uno-a-uno” y “sobreyec- tividad” Jos cuales se encuentran en el Apéndice B, pues, interesantemen- te, para una transformacién lineal ambos conceptos estin intimamente ligados con el rango y la nulidad de la transformacién, Esto quedaré de- mostrado en los dos teoremas siguientes. Teorema 2.4. Sean V y W espacios vectoriales y sea 1: V—>W lineal. Enton- ces T es uno-a-uno si y sélo si N(T) = {0}. DEMOSTRACION. Supéngase que T es uno-a-uno y que x €N(T). Entonces T(x) = 0 = 1(0). Como T es uno-a-uno, tenemos que x — 0 y por tanto NC) = (0).70 Transtormaciones lineales y mat ‘Ahora supéngase que N(T) = (0} y que T(x) = T(y). Entonces 0= T(x) ~ 1()) = Vx—9). Por lo tanto, x — yEN(T) = (0} y en tonces x ~ y = 0,0 sea x= y, Esto significa que T es uno-a-uno, EI lector debe observar que el Teorema 2.4 nos permite concluir que Ja transformacién definida en el Ejemplo 10 no es uno-a-uno. Sorpresivamente, tas condiciones para que una transformacién sea uno- a-uno y sobreyectiva son equivalentes en un caso especial de importancia. Teorema 2.5. Sean V y W espacios vectoriales de dimensiones iguates ({initas) y seat: V—>W lineal. Entonces T es uno-a-uno si y solo si T es sobre Yyeetiva, DEMOSTRACION. Del Teorema 2.3 tenemos que nulidad(T) + rango(T) = dim(V). Ahora, mediante el uso del Teorema 2.4, tenemos que T ¢s uno-a-uno y solo si N(T) = (0}, si slo si nulidad(T) = 0, siy s6lo si rango(T) Gim(V), iy s6lo si rango(T) = dim(W), si y sdlo si dim(R(T)) dim(W). En virtud del Teorema 1.12 esta igualdad es equivatente a R(T) = Wola definiciGn de T si ésta es sobreyectiva. i La linealidad de T en los Teoremas 2.4 y 2.5 es esencial puesto que es fécil construir ejemplos de funciones de R en R que no sean uno-a-uno pero que sean sobreyectivas, y viceversa Los siguientes dos ejemplos hacen uso de los teoremas anteriores para ver si una transformacién lineal dada es uno-a-uno o sobreyectiva. v0) + fafeode R(T) = LETC), TOD), THAD) = L(Bx, 24 x, 4x a). Ejemplo 11. Definase T: P(R)—>PA(R) mediante T(f) (x) = Ahora Por lo que rango(T) = 3. Como dim(P,(R)) = 4, T no es sobreyectiva Del Teorema 2.3, nulidad(T) + 3 = 3; por tanto, nulidad(T) = 0 y en- tonces N(T) = {0}. Luego, de acuerdo con el Teorema 2.4, T es uno-a-uno. Ejemplo 12. Definase Tr Poo! mediante Ta, a.) = (a, ta, a). Es facil comprobar que N(T) = (0); entonces T es uno-a-uno, por lo que el Teorema 2.5 nos dice que T debe ser sobreyectivaTransformaciones lineales, espacios nulos y rangos 71 Nuestro siguiente teorema proporciona una caracterizacién de las trans- formaciones lineales uno-a-uno como aquellas transformaciones que conser- van la independencia lineal, Teorema 2.6, Sean V y W espacios vectoriales, y sea: V—>W lineal. Enton- cesT €s uno-a-uno si y sélo si T leva subconjuntos linealmente indepen dientes de Va subconjuntos linealmente independientes de W. DEMosTRACION. Ejercici Corolario. Sean V y W espacios vectoriales y sea T: V—>W una transforma lineal uno-a-uno, Supéngase que S es un subconjunto de V. Entonces S es linealmente independiente si y sdlo si 1(S) es linealmente indepen- diente DEMOSTRACION. Ejercicio. Ejemplo 13. Definase Tr PCR) >R? mediante Tay + ax + ast) = (ay, a, as) Se ve claramente que T es uno-a-uno. Sea $= {2—x+3x,x 24,1 2x*}. Entonces S$ es linealmente independiente en P.(R) si y s6lo si T(S) = (2, ~1, 3), (0, 1, 1), (1, 0, ~2)) es linealmente independiente en En el Ejemplo 13 transferimos un problema del espacio vectorial de Jos potinomios a un problema en el espacio vectorial de las ternas (3-di- ‘mensionales). Esta técnica serd explotada después més ampliamente Una de las propiedades més importantes de las transformaciones linea Jes es que quedan completamente definidas por su accién sobre una base. Este resultado, que se obtiene del siguiente teorema y su corolario, se utlizaré frecuentemente a Jo largo del libro. Teorema 2.7. Sean V y W espacios vectoriales y supdngase que Ves un espacio vectorial dimensionalmente finito con una base {X,, ... , Xa). Para cualquier subconjunto (y\, ... , Yu) de W existe exactamiente una transfor- ‘macién lineal 1: V—> W tal que T(x.) = y, parai= 1, e205. DEMOSTRACION. Sea x €V. Entonces donde a), ... , a, son escalares Gnicos. Definase Te VOW mediante Tx) = Say72 Transformaciones lineales y matrices (a) Tes lineal, pues supngase que u, v EV y d EF. Entonces pode- mos escribir w= Son y v= Sex Ahora bien, - du = 3 (db, + eds Entonces . aby. + Begs = dtu) +10). T(du + v) = 3 (abs + ey, (b) Es evidente que Ton) = yi para i= dy... (©) T es Ginica, porque supéngase que U: V->W es lineal y U(x) = ye para i= 1, ..., m Entonces para x€V con x= Sax tenemos ue = Save = Say = 1) Por lo tantoU=T. Corolario, Sean V y W espacios vectoriales y supéngase que V es dimensional- ‘mente finito con una base (Xj, ...,%,). Si U, T: V—>W son lineales y U(x) = TOs) para i= 1, ..., m, entonces U =. Ejemplo 14, Definase T: R'—> R* mediante T(a, a:) = (2a: ~ ay, 34), y sup6ngase que U: R*—> R® es lineal. Si sabemos que U(1, 2) = (3, 3) ¥ UCL, 1) = (1, 3), entonces U = T. Esto se deduce del corolatio y del he- ccho de que {(1, 2), (1, 1)} es una base para R?. EJERCICIOS 1. Decir si tas siguientes afirmaciones son verdaderas o falsas. De aqui en adelante, Vy W son espacios vectoriales dimensionalmente finitos (sobre F) y Tes una funcién de V en W. (a) Si ¢s lineal, entonces T conserva las sumas y productos por escala- Tares. (b) Si TGe + y) = T(x) + T(y) entonces T es linealTransformaciones lineales, espacios nulos y rangos 73 (©) Tes uno- a-uno si y sélo si N(T) = (0). (4) Todas tas proyecciones deben ser lineales. (e) Si T es lineal, entonces T(Qy) = Ow. (f) Si T es lineal, entonces nulidad(T) + rango(T) = dim(W) (g) Si T es lineal, entonces Hleva subconjuntos linealmente independien- tes de V a subconjuntos linealmente independientes de W. (h) Si T,U: VW son lineales y concuerdan en una base de V, enton- ces T=U (i) Dados x, x€V y yy y2€W, existe una transformacién lineal T: V->W tal que T(4,) = 1 y Te) Para los ejercicios 2 a 6, demostrar que T es una transformacién lineal y encontrar bases para N(T) y R(T). Luego, calcular la nulidad y el rango de T y verificar el Teorema 2.3. Finalmente, emplear los teoremas adecuados de esta seccién para determinar si T es uno-a-uno o sobreyectiva. 2. Te RSRY Tai des @s) = (as ~ a 20s). BT: PRY Tay a) = (as + ay 0, 2a, ~ a2). a et) = (2 ~ Os Bs ee), Wa) Melt ( 5. Ts Po(R) > PAR); TUF) = af) + F2), 6. T: Mase F; T(A) = tr(A). Recuérdese que Sau (A) 7. Verificar los enunciados 1, 2 y 3 de la pigina 64. 8. Verificar que las transformaciones definidas en los Ejemplos 5, 6 y 7 son lineales. 9. Para las siguientes T: R*—> R°, decir por qué T no es lineal. (@) Tay, a2) = (1, a) (b) Ta, a) = (a as) (ce) Tay as) = (sena,, 0) (a) Tas, a) = (ja), a2) (@) Ta, a) = (a +1, a) 10. Supéngase que T: R'—> R* es lineal y que T(1, 0) = (1, 4) y TH, 1) = (2, 5). {Qué es T(2, 3)? gT es uno-a-uno? 11, Demostrar que existe una transformacién lineal T: R?—> R® tal que T(1, 1) = (1, 0, 2) y 1(2, 3) = (1, =I, 4). gQué es T(8, 11)?74 2. 13. M4. 15. 16. 7. 19. 20. a 22. 23. Transformaciones lineales y matrices GExiste una transformaci6n lineal T: R'—> Ré tal que T(1, 0, 3) = (1, 1) ¥1(-2, 0, ~6) = (2, 1)? Demostrar el Teorema 2.6 y su corolatio. Supéngase que T es una proyeccién en un subespacio W de un espacio vec- torial V. Demostrar que W = (x€V: T(x) = 2). Recordando la definicién de P(R) dada en la Seccién 1.2, definase Te PIR) PCR) y TDG) i f(nde Demostrar que T es uno-a-uno pero no sobreyectiva, Sean Vy W espacios vectoriales dimensionalmente finitos y T: VW lineal. (a) Demostrar que si dim(V) dim(W), entonces T no puede ser uno- Dar un ejemplo de una transformacién lineal T: R'—> R? tal que N(T) = RqT). Dar un ejemplo de transformaciones lineales diferentes T y U tales que NT) = N(U) y R(T) = R(U), ‘Sean V y W espacios vectoriales con subespacios V, y W,, respectivamente. Si T: V->W es lineal, demostrar que T(V,) es un subespacio de W y {¥EV: T(x) EW,) es un subespacio de V. Sea W un subespacio de un espacio vectorial dimensionalmente finito V. Demostrar que existe una proyeccién sobre W. Sean V y W espacios vectoriales y sea T: V—>W lineal. Sea (y., ..., ye} un subconjunto linealmente independiente de R(T). Si $= (x,,..., %) se selecciona de tal manera que T(x,) = yy para i= 1, ... , k, demostrar que Ses linealmente independiente. Sea T: R'—»R lineal. Demostrar que existen escalares a, by c tales que T(x, y, z) = ax + by + cx para toda (x, y, 2) ER‘. {Se puede generalizar este resultado para T: F*—+ F? Enunciar y demostrar un resultado semejan- te para T: Fh Sea T: R!>R lineal. Describir geométricamente las posibilidades para el espacio nulo de T. Sugerencia’ Usar el Ejercicio 22.24. 25. 26. 27. 22 Representacién matricial de una transformacién lineal 75 Sea V un espacio vectorial y sea T: V—>V lineal, Se dice que un subespa- cio W de V es T-invariante si T(x) €W para toda x €W, es decir, T(W) C W. (a) Demostrar que los subespacios (0), V, R(T) y N(T) son todos T. variantes. (b) Si W es un subespacio T-invariante de V, definase a Tw: W->W mediante T(x) = Tx) para toda x€ W. Demostrar que Ty es li- neal (©) Si Tes una proyeccién sobre W, demostrar que W es T-invariante y que Tw = hv. (4) Si V= R(T) @W y W es Tinvariante, demostrar que WC N(T). Demostrar también que si V es dimensionalmente finito, entonces W=N(T). (©) Demostrar que NCTw) = N(T) 0 Wy R(Ty) = TM). Demostrar la siguiente generalizacién del Teorema 2.7 para espacios dimen- sionalmente infinitos: Sean V y W espacios vectoriales y sea @ una base para V. Entonces para toda funcién f: @—>W existe Gnicamente una transformacién lineal T: V—> W tal que T(x) = f(x) para toda x€8. Una funcién T: VW entre los espacios vectoriales V y W se llama aditi- va si Tox + y) = T(x) + Ty) para toda x, y€V. Demostrar que si V y W son espacios vectoriales sobre el campo de los mimeros racionales, en tonces cualquier funciéa aditiva de V en W es una transformacién lineal. Demostrar que existe una funcién aditiva T; R—+R (como se definié en el Ejercicio 26) que no es lineal. Sugerencia: Considérese a R como un espacio vectorial sobre el campo de los némeros racionales Q. Por el coro- lario del Teorema 1.15 este espacio vectorial tiene una base 8. Sean x y y elementos distintos de f y definase f: > R mediante f(x) = y, f(y) = x y {(z) =z en cualquier otro caso. Por el Ejercicio 26 existe una trans- formacién lineal T: R—> R donde R se considera como un espacio vectorial sobre Q tal que T(2) = f(z) para toda z€@. Entonces T es aditiva pero para c= y/x, T(cx) #el(x). REPRESENTACION MATRICIAL DE UNA TRANSFORMACION LINEAL Hasta ahora hemos estudiado las transformaciones lineales examinando sus angos y sus espacios nulos. Ahora entraremos a uno de los procedimien- tos de mayor utilidad en el andlisis de una transformacién lineal sobre un espacio vectorial dimensionalmente finito; 1a representacién de una transformacién lineal mediante una matriz. De hecho, desarrollare- ‘mos una correspondencia uno-a-uno entre matrices y transformaciones que nos permitird utilizar las propiedades de una para estudiar las propiedades de la otra,76 — Transformaciones i ales y matrices Necesitaremos primeramente del concepto de una “base ordenada” para un espacio vectorial Detinicién. Sea V un espacio vectorial dimensionalmente finito. Una base orde~ nada para V es una base para V establecida con un orden especifico; es decir, una base ordenada para V es una secuencia finita de elementos de V linealmente independientes que generen a V. Ejemplo 15. Sea V tal que tenga a f= (x1, x., x4) como una base orde- nada. Entonces y ~ (x, £1, 15} es también una base ordenada, pero como bases ordenadas, 8 7. Para el espacio vectorial F*, lamaremos a (e,, &,..., es) la base ordenada estindar para F*. ‘Ahora que contamos con el concepto de base ordenada, seremos capa- ces de identificar vectores abstractos en un espacio vectorial de n dimen- siones con elementos n-dimensionales, Esta identificacién seré proporcio- nada mediante el uso de “vectores coordenados” tal como se introducen ‘a continuacién. inicién, Sea 8 = (Xu, ..., Xa} una base ordenada para un espacio vecto- rial 'V dimensionaimente finito. Para x€V definimos al vector coorde- nado de x relativo a 8, denotado por {x}, mediante rn tly =~} donde = Sax. Nétese que en la definicién anterior {x1]5 = e,. Se deja como ejercicio demostrar que la correspondencia x» [x]s nos proporciona una transfor- ‘maci6n lineal de V en F*. Estudiaremos esta transformacién con més deta- Ie en la Seccién 2.4. Ejemplo 16. Sean V = P,(R) y 8 = (1, x, x). Si f(x) = 4+ 6x — 78°, mt ; n-(4 5 Procedamos ahora con la representacién matricial prometida de una transformacién lineal. Supéngase que Vy W son espacios vectoriales di-Representacién matricial de una transformacién lineal 77 mensionalmente finites con bases ordenadas = (Xi... 44) ¥ y= On «+ Ys Fespectivamente, Sea T: V—>W lineal. Entonces existen sca lares Ginicos ais €F(= 1, ..., my 7= 1y... 4m) tales que Saw, para tW es una transformacién lineal tal que (UJ; = (TI, entonces ust ustraremos el célculo de [TT]; en los siguientes ejemplos. Ejemplo 17. Definase T: P\(R)—>P.(R) mediante T(f) =f’ Sean # = (1, x x4, 3°) y 7 = (1, x, 21) bases ordenadas para PA(R) y P,(R), respectivamente. Entonces TQ) =0-1+0-r+ 0-8 T(x) = 11+ 0-x +008 TOP) = 0-1 + 2-4 Oat TQ) = 0-14 0-n + 3-28 Y asf se tendré 010 m-P ore 0003 Notese que los coeficientes de T(x') cuando se escriben como una combi- naci6n de elementos de y dan los elementos de la columna i-ésima. Ejemplo 18. Definase T: RRR? mediante T(a,, a:) = (a, + 3a, 0, 2a, ~ 4a,). Sean py y las bases ordenadas estindar para Ry R, respectivamente Ahora bien, T(1, 0) = (1, 0,2) = le, + Oe: + 2¢, T(O, 1) = 3, 0, ~4) = 3e, + Oe, ~ dey.78 — Transformaciones lineales y matri Por Jo tanto, matricialmente, 13 m-(0 ‘ 2-4 Si hacemos »/ = (es, €s, e1}, entonces m—(0 ; io ‘Ahora que hemos definido un procedimiento para asociar matrices con transformaciones lineales, veremos brevemente que esta asociacién “con- serva" la adicion, Para hacer més explicta esta situacin, requeriremos de alguna discusién preliminar sobre la adicién de transformaciones lineales. jean T, U: V—+W funciones arbitrarias, donde Vy W son espa- cios vectoriales, y sea a €F. Definimos T + U: V—>W mediante (T + U) (x) = T(x) + U(x) para toda x€V y at: VW mediante (aT)(x) = a(x) para toda x€V. Por supuesto, esta es la definicién usual de la suma y de la multiplies por escalares para las funciones. Afortunadamente, sin embargo, tenemos el resultado de que Ia suma de transformaciones lineales es lineal Teorema 2.8. Sean V y W espacios vectoriales y sean T. U: V—»W lineales. Entonces para toda a€F (a) at + U es lineal (>) Usilizando las operaciones de suma y de multiplicacién por escalares, como se definieron anteriormente, la coleccién de to- das as transjormaciones lineales de V en W, denotada por £(V, W), es un espacio vectorial sobre F. DEMOSTRACION. (a) Sean x, yEV y CEF. Entonces (al + U) (ex + y) = al(ex + y) + Ulex + y) aleT(x) + T(y)] + UCx) + UC) = act(x) + U(x) + ally) + UG) = lat + Ul(x) + [al + UIC). Y tenemos que aT + U es lineal.Representacién matricial de una transformacién lineal 79 (b) Observando que T., la transformacién cero, juega el papel del elemento cero en £(V, W), es facil demostrar que £(V, W) es lun espacio vectorial sobre F. i En el caso donde V = W escribiremos £(V) en vez de L(V, V). En la seccién siguiente veremos una identificacién completa de £(V, W) con el espacio vectorial My.n(F), donde n y m son las dimensiones de V y W, respectivamente. Esta identificacién se establece fiicilmente utili- zando el teorema siguiente Teorema 2.9. Sean V y W espacios vectoriales dimensionalmente finitos con bases ordenadas fy 7, respectivamente, y sean T, U: V—»W transforma- ciones lineales. Enionces @) [+U,= lm; + ty, (>) [atl = ath, para toda a €F. DEMOSTRACION. Sea B= (x1, «5 4) Y= («<5 Ya). Existen es calares tnicos a; y b;; en F(L W son lineales. (a) Para cualquier escalar a, aT + U es una transformacién lineal de Ven W. (b) (1; = [UJ implica que T (©) Si m=dim(v) yn mxn. (a) T+ UR= Mm, + wT, (e) L(V, W) es un espacio vectori (L(V, W) = COW, V). u. dim(W), entonces (T]; es una matriz de Sean fy y las bases ordenadas estindar para R* y RS, respectivamente. Para las siguientes transformaciones T: R*—> R®, calcular (TI. (a) Te ROR? definida mediante T(a,, a) = (2a, ~ a2, 3a + 4a, a4). (db) T: RY R definida mediante T(a,, a, a) = (2a, + 3a — ay, a, + ay) (c) T: RR definida mediante T(a,, a:, a;) = 2a, + a, — 3as, Sea T: +R? definida como Ta, a) = (a ~ as, ai, 2a, + a,). Sea 8 la base ordenada estindar para Ry y= ((1, 1, 0), (0, 1, 1), (2, 2, 3)) Cateular (TY. (1, 2), (2, 3)), ealeular (71.4. Representacién matricial de una transformacién Ii a Definase Ts Meea(R) > P(R) mediante T(2 4) = (a+b) + (2dyx + bet cd Sea {8 9) 90 8 Dp 9 eae Caleular (1). {06 6 6 9p ee y={}. (a) Definida T: Mess(F) > Maxa(F) mediante 1(A) = A‘, calcular (Te (b)Definida TE PA) Meal) mation Ty) = ("Q? ZO) donde ’ significa diferenciaci6n, caleular [7]. (6) Definida T: Mz.s(F) + F mediante (A) ~ tr(A), caleuar (TY: (@)_ Definida 1: P,(R) > R mediante Tf) = f(2), ealeular (7. (e) Si af 4=(5 4) calcular (Ala () Sif) = 3 ~ 6x40, caleular Ue (g) Si@€F, calcular (aj, Demostrar el inciso (b) del Teorema 2.9, Sea V un espacio vectorial n-dimensional con una base ordenada . Defi- niendo aT: V—F* mediante T(x) = [2}p, demostrar que T es lineal. Sea V el espacio vectorial de los miimeros complejos sobre el campo R. Si T: V-+¥V queda definida mediante T(z) = 2 donde 7 es el complejo con- jugado de z, demostrar que T es lineal y calcular [T]j, donde @ = (1, i) Mostrar que T no es fineal si V se considera como un espacio vector sobre el campo C.82 10. 12. 13. 14, 15. 23 Transformaciones lineales y matrices Sea V un espacio vectorial con la base ordenada = (x)... 5 %4). Defic nase a x. = 0. De acuerdo con el Teorema 2.7 dete existir una transforma ci6n Tineal T:_V—+ V definida mediante T(x)) = x; + ay para j= Wy... rn. Caleular [7]. Sea V un espacio vectorial n-dimensional y sea T: V—>V una transforma- cin lineal. Supéngase que W es un subespacio T-invariante de V (ver el Ejercicio 24 de la Seccién 2.1) de dimensién k. Demostrar que existe una base # para V tal que [T]p tiene la forma AB o cl donde A es una matriz de k x k y O es una matriz cero de (n— k) x k Sea V un espacio vectorial de dimensién finita y sea T una proyeccién sobre uun subespacio W de V. Escoger una base ordenada adecuada para V tal que (Ty sea una matriz diagonal. Sean V y W espacios vectoriales y sean T y U transformaciones lineales no nulas de V en W. Si R(T) R(U) = (0}, demostrar que (T, U} es un sub conjunto de £(V, W) linealmente independiente. Sea V = P(R), y para j > 0 definase a 1): V—>V mediame T)(f) =f", donde f'”" sea la j-ésima derivada de f. Para cualquier entero positivo n, demostrar que {T,, + Ta) es um subconjunto de £(V) linealmente independiente. ‘Sean V y W espacios vectoriales y sea S$ subconjunto de V. Definase $= {TEL(V, W): T(x) = 0 para toda x €S). Demostrar (a) $* es un subespacio de £(V, W). (b) SiS, y Sz son subconjuntos de V y S, C S,, entonces $2 CS. (©) SiV, y Vz son subespacios de V, entonces (V, + V.)"= VIA Vs Sean V y W espacios vectoriales dimensionalmente finitos y sea T:. V—> W lineal. Supéngase que dim(V) = dim(W). Encontrar bases ordenadas yy para V y W, respectivamente, tales que (T), sea una matriz diagonal. COMPOSICION DE TRANSFORMACIONES LINEALES Y MULTIPLICACION DE MATRICES En la Seccién 2.2 aprendimos cémo asociar una matriz con un transfor ‘macién lineal de tal modo que las sumas de matrices quedaban asociadas con las correspondientes sumas de transformaciones. Ahora surge la pre- ‘gunta sobre como se relaciona la representacién matricial de una compo. sicién de transformaciones lineales con las representaciones matriciales deComposicién de transformaciones lineales 83, cada una de las transformaciones lineales asociadas. El intento de res- ponder a esta interrogante nos conduciré a una definicién de multiplicacién dde matrices. Utilizaremos la notacién UT para la composicién de las trans- formaciones lineales U y T, contrastando con g ef para funciones arbitrarias gy f. Especificamente, tenemos la defi siguiente Definicién. Sean V, W y Z espacios vectoriales y sean 1: V->W y U: W-+Z lineales. Definamos UT: V »Z mediante (UT)(x) = U(T(x)) para toda xEV. Nuestro primer resultado muestra que la composicién de transforma- ciones lineales es lineal Teorema 2.10, Sean V, W y Z espacios vectoriales y lineales, Entonces UT: V—>Z es lineal. VoW yu: WoZ DEMOSTRACION. Sean’ x, y€V y @€F. Entonces UT(ax + y) = UlT(ax + y)) = UCaT(x) + 10)) = AUT) + UT) = aU) + UTE). El siguiente teorema enuncia algunas de las propiedades de la compo- sicién de transformaciones lineales Teorema 2.11. Sea V un espacio vectorial. Sean T, Us, Us€£(V). Entonces @) TU, +U) = +1, y (UY, +U)T=UT+U, (b) T(UWU.) = (TU)U. (©) =I (4) acu 1, (aU,)(U: = U(aU,) para toda a€F. ) DEMOSTRACION. Ejercicio. Estamos ahora en posicién de definir el producto AB de dos matrices Ay B, Por el Teorema 2.9, parece razonable requerit por analogia que Si A= (UE, y @ = (MY, donde T: VW y U: WZ, entonces AB = (un ‘Ahora sean T, U, A y B como anteriormente y sean a = (x1, ..- 5 4s)s B= (wes Ya) ¥.7= (2m «+ 2) bases ordenadas para V, Wy Z, respectivamente. Para 1 W y U: WZ transformaciones lineales. Entonces (utp, = (uni Corolario. Sea V un espacio vectorial dimensionalmente finito con una base ordenada B. Sean T, U €£(V). Entonces [UT]s = [Ulp{Tlp. Hustraremos lo anterior con el siguiente ejemplo. Ejemplo 21. Definase Ur PCR) > PA(R) mediante U(f) =f ‘como en el Ejemplo 17. Del se Ts PR) PR) mediante TEN) = Pde Sean a = (1, x, 3°, x*) y B= (1, x, 2°). Se tiene claramente que UT = Para ilustrar el Teorema 2.12, obsérvese que pi oof? noo wn, ums [0 02 “\p 4 of (0 | ofa 0 0 0 3 oo 1 lo oy La matriz diagonal de 3 x 3 anterior se llama “matriz identidad” y se define a continuacién junto con una notacién de gran utilidad, la “delta de Kronecker” Definiciones. Definimos ta delta de Kronecker 8,, mediante 81, = 1 si i 8,, = 0 si ij, y la matriz identidad den x n, 1,, mediante (I - Ghee Gy n=, 886 Transformaciones lineales y matrices Veremos en el teorema siguiente que la matriz identidad actéa como un elemento unitario en My.a(F)- Cuando el contexto sea lo suficiente- mente claro, omitiremos algunas veces el subindice m de I Teorema 2.13. Para cualquier matriz A de n x n tenemos que 1A = Aly = ‘ademds, si Ves un espacio vectorial dimensionalmente finito de dimensién con una base ordenada , entonces (lvly = DEMOSTRACION. UAVs = 3 nd nes = Birdy = Av Por lo tanto, [4 = A. De la misma manera Al, =A. Sea B= (ty ++ x}. Entonces, para cada j tenemos \ te(ay) = x) = SB Por lo tanto {Ivlp = In Para cualquier matriz A de nx n definiremos A? = AA, A* yen general A*= AMA para k= 2, 3,... Definiremos A" = I Con esta notacién vemos que si _(0 0 a=(t op entonces 4 ~ 0 (la matriz nula) aun cuando A #0, y vemos que la propiedad de eliminacién (cancelacién) para campos no es vélida para fas matrices. El siguiente teorema muestra, sin embargo, que la multipli- cavién de matrices es distributiva respecto a la suma Teorema 2.14, Sea A una matriz de m x n y sean By C matrices den x Entonces A(B+C) = AB + AG, Y para cualquier escalar @ a(AB) = (@A)B = A(aB). DEMOSTRACION. [A(B +O) = BAB + Css = BARBy + Cu) = SE (AaB, + AuCy) = 3 Av 5 BAaCas AB):) + (AC), = [AB + AC. El resto de la demostracién se deja como ¢jercicio. MlComposicién de transformaciones lineales 87 Corolario. Sea A una matriz de m x n, y sean By, ... , By matrices de n x p J ay... 4 &ER. Entonces A(Sam) «Saas, DEMOSTRACION. _Ejercicio. Si es una matriz de m x m, escribiremos a veces A= (A?,..., A), donde A’ es la columna j-ésima (A,)) Ay M4, . de la matriz A Para el teorema siguiente, e, representa la j-éima columna de /,, Teorema 2.15. Sea A una matric de mx ny B una matriz den x p. En- tonces (a) (AB)! = AB, (b) B= Be, DEMOSTRACION. (4B):,) [3s ABs) (Bs) (apy=]} > [= = AB). ABS AneB Por lo tanto, (a) queda demostrado. La demostracién de (b) se deja como ejercicio. i El resultado siguiente justificaré mucho de nuestro trabajo. anterior; utilizaré Ja representacién’ matricial de una transformacién lineal y el producto de matrices para evaluar la transformacién en cualquier vector dado. Teorema 2.16. Sean V y W espacios vectoriales dimensionalmente finitos que tienen bases ordenadas ff y y, respectivamente, y seaT: V—+W una trans- formacién lineal, Entonces, para toda x €V tenemos (Ook = Thbds.38 Transformaciones lineales y matrices DEMOSTRACION. Sea B= (4 ---, 44) y sea A= [T]}. Como [r Zax)], [Sete], = Sette, por el Ejercicio 7 de 1a Seccién 2.2, segiin el corolario del Teorema 2.14 es suficiente demostrar el teorema para x= x)(1 F™ definido por L(x) = Ax (el produc- to matricial de A por x) para cada vector columna x €F*, Llamanos a Ls tuna transformacién de multiplicacién por la izquierda,Composicién de transformaciones lineales 89 4=(0 7 2) ; 3 121 6 tsa 2 3 3)-(1) 4 de hecho, tiene otras muchas propiedades de gran utilidad. Estas propie~ ddades son todas muy naturales y por Io tanto son faciles de recordar. Ejemplo 23. Sea centonces Teorema 2.17, Sea A una matriz de m x n con elementos de F. Entonces la transformacién \4: F*—> "es lineal. Ademés, si B es cualquiera otra ‘matriz de m xn (con elementos de F), tenemos las siguientes propie- dades. (a) [L}= A, donde B y y son las bases ordenadas esténdar para Fy B™, respectivamente, () la si y slo si A= B. () at Lay La = ale para toda a€F. (@) SET: F8—>F" es lineal, entonces existe una matriz tinica C de m x n tal que T = le. (©) SiE es una matriz de nx p, entonces Lae = tale (Si m=n, entonces DEMOSTRACION. El hecho de que Ls sea lineal se deriva directamente del Teorema 2.14 y su corolario. (a) Lacolumna j-ésima de [bsl; es igual a L,(e;). Pero Lies) = ‘Ae, = At, y entonces {Lily = A (b) Si L,= Ly entonces podemos utilizar (a) para escribir A = [Li]; Lal} = B. Por lo tanto A = B. La prueba de la proposicién reciproca es trivial. La demostracién de (c) le corresponde al lector. (d) Sea C= {1}, Bn virtud del Teorema 2.16 tenemos que [T(x] = [TYLxlp, o bien T(x) = Cx = La) para toda x. Entonces T= Le La unicidad de C se deduce de (b)90 — Transformaciones lineales y matrices (e) Para cualquier j tenemos Len(e)) = (AE)e; = (AE)/ = AE) = A(Ee,) = (Bes) = La(le(e,)) = (Labe) (e;). De donde Ly Lals por el Teorema 2.7. La demostracién de (f) Ie corresponde al lector. Utilizaremos este tipo de transformaciones para establecer una impor- tante propiedad sobre matrices. Teorema 2.18. Sean A, By C matrices tales que A(BC) esté definido. Enton- ces (AB)C queda definido y A(BC) = (AB)C; esto significa-que el pro- ducto de matrices es asociativo. DEMOSTRACION. Se deja al lector demostrar que (AB)C esta definido. Utilizando el inciso (e) del Teorema 2.17 y la asociatividad de una compo- sicién de funciones, tenemos Lawes = Labae = Lllete) = (Laba)le = Laake = beanie Asi, del inciso (b) del Teorema 2.17 tenemos 4(BC) = (AB)C. i Es innecesario decir que este teorema podria demostrarse directamente a partir de la definicion del producto matricial. La demostracién anterior, sin embargo, proporeiona un prototipo de muchos otros argumentos que utilizan Jas Yelaciones entre transformaciones lineales y matrices. Una aplicacién Una grande y variada coleccién de aplicaciones interesantes surge en rela- ccién con unas matrices especiales amadas “matrices incidentes”. Una ‘matriz incidente es una matri2. cuadrada en donde todos Ios elementos son ceros 0 unos y, por conveniencia, todos los elementos de 1a diagonal principal son cero. Si tenemos una cierta relacién entre un grupo den objetos que denotaremos por 1, 2, .., n, entonces definimos Ie matriz de incidencia asociada A mediante: 4;, =I si i esté relacionado con j y Ai; = 0 en cualquier otro caso. Para hacer las cosas coneretas, supongamos que tenemos cuatro per- sonas, cada una de las cuales posee un dispositivo de comunicacién. Si la relacion entre este grupo es “puede transmitir a", entonces A,, = 1 si é puede mandar un mensaje aj y A,, = 0 en cualquier otro caso. Supén- ase que 1 10 As on 1Composicién de transformaciones lineales 91 Entonces como Au = 1 y Ay = 0 vemos que la persona 3 puede trans- mitir a 4 pero 1 no puede transmitir a 4, ‘Obtendremos una interpretacién interesante de los elementos de A Considérese por ejemplo, (Aa = Aad + Andes + Andy + Auge [Ntese que cualquiera de los términos AuwAss seré igual aI si y sélo si Aux ¥ Aix Son iguales a 1 esto €s, si y s6lo si 3 puede transmitir a k y k puede transmitir a 1. Asi (4#)s: da el némero de maneras en las que 3 puede transmitir a I en dos etapas (0 en un relevo). Como oor 00 i 1 Ba 0 n a 21 110 vemos que 3 puede transmitir a 1 de dos maneras con un relevo. En ge- neral (A + A? +... +.AM),, €8 el mimero de maneras en las que i puede transmitir a j en un maximo de m etapas. Una coleccién maxima de tres © mas personas con la propiedad de que ‘cualquier par de ellas transmita reciprocamente de una a otra se llama una cliqué. El problema de la determinacién de las cliqués parece a prime- ra vista demasiado dificil. Sin embargo, si se define una nueva matriz B por B,, =I siéyj pueden transmitirse de una a otra y de lo contrario. B,, =0, entonces puede mostrarse (ver Ejercicio 16) que la persona i pertenece a una cliqué si y sélo si (B');; > 0. Por ejemplo, supdngase que la matriz de incidencia asociada con alguna relacién es D 0 ir ol Para determinar qué personas pertenecen a las cliqués, formamos una ma- triz B como la anterior y calculamos B°. En este caso pio? 0 40 4) 40 ot Ov else O10) o4o4 1010 40 4 0 Como todos los elementos de la diagonal de B° son ceros, concluimos que no hay cliqués en esta relacién. Nuestro ejemplo final acerca del uso de matrices de incidencia se rela- ciona con el concepto de dominancia. Una relacién entre un grupo de92 Transformaciones lineales y matrices personas se lama relacién de dominancia si la matriz. de incidencia aso- ciada A tiene la propiedad de que Ajj = 1 si y s6lo si Ay = 0 para toda i y toda j, esto es, dadas dos personas cualesquiera, exactamente una de ellas domina (0, utilizando a terminologia de nuestro primer ejem- plo, puede transmitir un mensaje) a la otra. Para tal relacién, puede demostrarse (ver Ejercicio 18) que la matriz A + A? tiene un renglén (columna) que contiene elementos positives en todas las posiciones excepto en la diagonal principal. En otras palabras, existe al menos una persona que domina a (es dominada por) todas las demas en una o dos etapas. De hecho, puede demostrarse que cualquier persona que domina a (es dominada por) el mayor nimero de personas en la primera etapa cumple con esta propiedad. Considérese, por ejemplo, a la matriz I ° 0 1 1 0 1 0 n El lector deberd verificar que esta matriz corresponde a una relacién de dominancia. Ahora bien, Ata Roe 22 Entonces, las personas 1, 3, 4 y 5 dominan a (pueden mandar mensa jes a) todas las demés en a lo més dos etapas, mientras que las personas 1, 2, 3 y 4 son dominadas por (pueden recibir mensajes de) todas las demas en a lo mas dos etapas. EJERCICIOS Decir si las siguientes afirmaciones son verdaderas o falsas, Para lo que sigue, V, W y Z son espacios vectoriales con bases ordenadas (finitas) a, BY, respectivamente; T: V->W y U: WZ son ambas lineales; y Ay B son matrices (a) (UTE = (UyTh. (>) {TG)]p = [TELe para toda x€V. (©) [UOYIs = [UI Is para toda y EW. @) thle = h @ r= anComposicién de transformaciones lineales 93 (QA? = 1 implica que A =1 0 bien A (g) T= para alguna matriz 4. (bh) 47=0 implica que A = O donde\O denota 12 matriz mula GLa = be + be (i) Si A es cuadrada y Av, 8) para toda / y j, entonces A oe) en(4 489-4): Caleular (2B + 3C), (AB)D y A(BD). 3. Sea g(x) = 3 + x. Definase T: P(R)—>P.(R) para T(f) = f'e + 2. 2. Sean Ur PAR) R? para Ula + bx + ex*) = (a + b,c, a ~ b). Sean @ = (1,.x,3°) ¥ 7= (€n €n 69) (a) Calcular directamente (U,, (TIs y (UTI;. Luego, utilizar el Teorema 2.12 para verificar el resultado. (b) Sea h(x) = 3 ~ 2x +28, Calcular [élp y [U(h)}y. Luego, emplear LU}; de (a) y utilizar el Teorema 2.16 para verificar el resultado. 4. Para cada uno de los incisos siguientes, sea T Ia transformacién lineal defi nida en el inciso correspondiente del Ejercicio $ de la Seccién 2.2. Util el Teorema 2.16 para calcular: (a) (TA) donde A = cL i) (b) [Dn donde f(x) ='4 ~ 6x + 3x° (©) ANIy donde A= (3. 3). (A) (hy donde f(x) = 6 ~ x + 2 Completar la demostracién del Teorema 2.14 y su corolario, 6, Demostrar el inciso (b) del Teorema 2.15 7. Demostrar el Teorema 2.11 8. Encontrar transformaciones lineales U, T: F*—>F* tales que UT = Ty (la transformacién nula) pero TU # T.. Utilice su respuesta para encontrar ma- trices A y B tales que AB = O pero BA 40.94 Transformaciones lineales y matrices 9% Sea A una matriz de m x n. Demostrar que A es una matriz diagonal si ¥ SOlo si Asj = 5;A,, para toda i y toda j. 10. Sea V un espacio vectorial y sea T: V—>V lineal. Demostrar que T* = T) si y sdlo si R(T) CN(T). 11, Sean V, W y Z espacios vector reales. les, y sean T: V->W y U: W-+Z Tie (a) Si UT es uno-a-uno, demostrar que T es uno-a-uno, ;También U debe ser uno-a-uno? (b) Si UT es sobreyectiva, demostrar que U también lo es. ;También T debe ser sobreyectiva? (c) Si Uy T son uno-a-uno y sobreyectivas demostrar que UT también Toes. 12. Sean A y B matrices dem xn, Recordar que la traza de A, denotada por (A), 68 igual a BA, Demostrar que t(AB) = tr(BA) y tr(A) = tr(A") 13, Sea V un espacio vectorial dimensionalmente finito y sea T: V+ V linea. (a) Si rango(T) = rango(F), demostrar que R(T) 1 N(T) = (0}. De- ducir que V = R(T) ®NCD. (b)Demostrar que existe un entero positivo & tal que V = R(T) @ NC) 142 Sea V un espacio vectorial. Determinar todas las transformaciones lineales T: V>V tales que T= 1% Sugerencia: Nétese que t= T(x) + (r— T(x) para toda x en V y demostrar que V = (y:T(y) = 9) ®NCD 15. Utilizando Gnicamente la definicién de multiplicacién matricial, demostrar que la multiplicacién de matrices es asociativa, 16. Para una matriz. de incidencia A con la matriz asociada B definida por: By; = 1, sii esta relacionada con j y j esté relacionada con i, y de lo con- trario B,; = 0, demostrar que i pertenece a una cliqué si y s6lo si (B"),, > 0. 17. Utilizar el Ejercicio 16 para determinar las cliqués en las relaciones corres- Pondientes a las siguientes matrices de incidencia. (a) 1 ° ; (b) 0 1 0 1 ol coco I ° 1Invertibili jad © isomortismos 95 ‘Sea A una matriz de incidencia asociada con una relacién de dominancia. Demostrar que la matriz A + A* tiene un renglén (columna) que contiene elementos positivos en todas las posiciones excepto en la diagonal prin- cipal. 19. Demostrar que la siguiente matriz A corresponde a una relacién de domi- nancia y utilizar el Ejercicio 18 para determinar cual(es) persona(s) domi- rna(n) a (son dominadas por) las demas en no més de dos etapas. Lo (°') or 20. Sea A una matriz de incidencia de m x nm que corresponde a una relacién de dominancia, Determinar el nimero de elementos no nulos de A. 2.4 INVERTIBILIDAD E ISOMORFISMOS El concepto de invertibilidad se introduce muy temprano en el estudio de las funciones. Por fortuna, muchas de las propiedades intrinsecas de las unciones son compartidas por sus inversas. Por ejemplo, en cursos de célculo aprendimos que las propiedades de continuidad o de diferenciabi- lidad generalmente se conservan para las funciones inversas. Veremos en esta seccién (Teorema 2.19) que la inversa de una transformacién lineal también es lineal. Este resultado nos ayudara de una manera importante cen el estudio de las “inversas” de las matrices. Como era de esperarse de la Secci6n 2.3, la inversa de la transformacion L, (cuando existe) puede utilizarse para determinar las propiedades de la inversa de la matriz A. En el resto de esta seccién aplicaremos muchos de los resultados sobre invertibilidad al concepto de “isomorfismo”. Veremos que los espacios vec- toriales dimensionalmente finitos (sobre F) de dimensiones iguales pueden ser identificados. En breve, estas ideas seran expuestas con més preci Los conceptos sobre funciones inversas que se encuentran en el apé dice B son, por supuesto, verdaderos para el caso de las transformaciones lineales. No obstante, repetiremos algunas de estas definiciones para em- plearlas en esta seccién, Definicién. Sean V y W espacios vectoriales y sea T: V—>W lineal. T tiene una inversa U: WV si TU=lyy UT =ly. Como en el Apéndice B, las inversas son tinicas y escribiremos U = 1. Decimos que T es invertible si T tiene una inversa. Las siguientes propiedades se cumplen para funciones invertibles Ty U. 1 uy =u 2. (1) =T; en particular, T* es invertible,9% Transformaciones lineales y matrices Utilizaremos también el hecho de que una funcién es invertible si y s6lo si es uno-a-uno y sobreyectiva. Ejemplo 24, Definase T: P,(R) > R* mediante T(a + bx) = (a, a+ ). El lector podré verificar directamente que T!: R'—>P,(R) queda definida mediante T*(c, d) = © + (d — c)x. Obsérvese que T-, también es lineal. Como lo demuestra el Teorema 2.19, esto es cierto en general. Teorema 2.19. Sean V y W espacios vectoriales, y sean T: VW lineales € invertibles, entonces T': W—>V es lineal. DEMOSTRACION. Sean ys, yz€W y CEF. Como T es sobreyectiva y uno- a-uno, existen vectores tinicos x, y x, tales que T(x.) = yy y Tex) = Entonees x, = T(y4) yx = Te), y ast TH(ey, + ye) = THeTOR) + The)] = TPITex, +] Senta =e) +O). El Teorema siguiente se sigue inmediatamente del Teorema 2.5. Teorema 2.20, Sean V y W espacios vectoriales dimensionalmente finitos de dimensiones iguales, y sea TEL(V, W). Entonces las siguientes proposi- ciones son equivalentes. (a) T es invertible. (>) T es uno-a-uno. (ce) T es sobreyectiva Estamos ahora listos para definir la inversa de una matriz, El lector deberia darse cuenta de la analogfa con la inversa de una transformacién lineal. Sea A una matriz de nx n. Entonces A es invertible si existe una ‘matric Bde n x n tal que AB = BA = 1 La matriz B es tinica y se llama inversa de A y se escribe B= A”. (Si C fuera otra matriz, entonces C = Cl = C(AB) = (CA)B = 1B = B. Ejemplo 25. El lector deberd verificar que Ia inversa de sa 2 23) % (2 3) En la Seccién 3.2 aprenderemos una técnica para calcular Ia inversa de una matriz. Ahora nos gustaria desarrollar una serie de resultados que relacionan inversas de matrices con inversas de transformaciones Tineales.Invertibilidad @ isomorfismos 97 Teorema 2.21. Sean V y W espacios vectoriales dimensionalmente finitos con bases ordenadas [2 y y, respectivamente. Sea T: V—>W lineal. Entonces T es invertible si y silo si (Tf, es invertible. Ademés, (T'f ~ (ITI) DEMOSTRACION. Supéngase que T es invertible. Como T es uno-a-uno, el Teorema 2.6 implica que T(8) es un subconjunto independiente de W. Como T es sobreyectiva, el corolario del Teorema 2,3 implica que el sub- espacio generado por L(1(a)) = R(T) = W. Entonces T() es una base para W con dim(V) elementos. Por lo tanto, dim(V) = dim(W). Sea n~ dim(V). Entonces {TJ} es una matriz den vn, Ahora bien, T': W-+V satisface TT! = lw y TT = ly, De donde, fe = Wels = ET = TIT Anélogamente, (TIT! = fn. y por to tanto ({Th)" = (TK. ‘Ahora sea A ~(T]} invertible. Entonces existe una matri2 B de ny n tal que AB = BA = 1. Definase Ur WV mediante Ux) = 3B, donde y= (41. 0-15 Aa) y B= (ey --+ 5 Ya) Entonces (UI B. Dee mostraremos que UT". Obsérvese que por el Teorema 2.12 [UT|s = [UPITE, = BA = 1, = flely. Asi, UT =I, y andlogamente TU = Iw. i Ejemplo 26. Para los espacios vectoriales P)(R) y R%, selecciénese las bases @ = (1, x) y y= {ei €:), respectivamente. Con la notacién del Ejemplo 24, tenemos que me( a) eae (Cy 4) Se puede verificar mediante el producto matricial que cada matriz es la inversa de la otra. Corolario 1. Sea V un espacio vectorial dimensionalmente finito con una base ordenada fy sea T: VV lineal, Entonces es invertible si y sélo si [Th fo ex, Ademas, (TY. UT DEMOSTRACION. Ejercicio. Corolario 2. Sea A una matriz den x n. Entonces A es invertible si y solo si Ly es invertible, Ademds (Ly) = ba DEMOSTRACION. Ejercicio. La nocién de invertibifidad se puede utilizar para formalizar lo que el lector ya debe haber observado, esto es, que ciertos pares de espacios vectoriales se parecen mucho entre si, excepto por la forma de sus ele-98 Transtormaciones lineales y matrices mentos. Por ejemplo, en el caso de M:..(F) y F', si asociamos a cada - (4) la 4-dimensional (cuarteta) (a, b, c, d), vemos que las sumas y los pro- ductos por escalares se asocian de una manera semejante; esto es, en términos de ta estructura de espacios vectoriales, estos dos espacios vecto- riales pueden considerarse idénticos 0 “isomorfos", Definicién. Sean V y W espacios vectoriales. Decimos que V es isomorfo a W si existe una transformacién lineal T: V—>W que sea invertible. Tal transformaciéin lineal se lama isomortismo de V en W. Dejamos como ejercicio 1a demostracién del hecho de que “es isomor- fo a” es una relacién de equivalencia. Ejemplo 27. Definase T: F*—+P,(F) mediante T(a,, a.) = a, + ax, Es evidente que T es invertible; asi F* es isomorfo a P,( Ejemplo 28. Definase = (1) 12) Te PAR) MR) mediame T= (13) 12)) Se puede verifcar fécilmente que T es lineal. Mediante el uso de Ia ecua- cién de interpolacién de Lagrange de la Seccién 1.6 puede demostrarse (compérese con el Ejercicio 20) que Tf) = O solamente cuando j es el polinomio cero. Luego, T es uno-t-uno y por el Teorema 2.20 tenemos que T es invertible. Podemos concluie que P,(R) es isomorfo a M,.(R) En cada uno de los dos ejemplos anteriores, el lector habra observado que los espacios vectoriales isomorfos tienen dimensiones lo demuestra el teorema siguiente. esto no es ninguna coi Teorema 2.22. Sean V y W espacios vectoriales dimensionalmente finitos (s- bre el mismo campo F). Entonces V es isomorfo a W si y silo si dim) dim(w) DEMOSTRACION. Supéngase que V es isomorfo a W y que T: V—+W es tuna transformacién lineal uno-a-uno de V en W. Entonces como en la demostracién del Teorema 2.21 tenemos que dim(V) = dim(W) Ahora supéngase que dim(V) = dim(W) y sean 8 = (xy, ..., 44) ¥ y= (Wn s+ 4) bases para V y W, respectivamente. Por el Teorema 2.7 existe T: VW tal que Tes lineal y T(x;) = y, para i= 1,... am Utili- zando el corolario al Teorema 2.3, tenemos que R(T) = L(T(B)) = L(y) W, por lo que T es sobreyectiva. Por el Teorema 2.5 tenemos que T también es uno-a-uno. iInvertibilidad @ isomortismes 99 Corolario. Si V es un espacio vectorial de dimensién n, entonces V es isomor- fo Fe Hasta ahora hemos asociado transformaciones con sus representaciones matriciales. Ahora estamos en posicién de demostrar que, como espacio vectorial, la coleccién de todas las transformaciones entre dos espacios vec- toriales dados puede ser identificada con el espacio vectorial adecuado de matrices de m xn. Teorema 2.23. Sean Vy W espacios vectoriales dimensionalmente finiios de dimensiones n y m, respectivamente, y sean i y bases ordenadas para Vy W, respectivamente. Entonces la funcién : L(V, W) > Myx F)s dejinida por (1) = [1], para TEE(V, W) es un isomorfismo. DEMosTRACIN. El Teorema 2.9 nos permite concluir que # es lineal. Entonces debemos demostrar que + es uno-a-uno y sobreyectiva, Sean B= ye Be) VT Oy I Demostraremos primero que N(®) formacién cero. Esto implicaré que # es uno- . Entonces para cada j tenemos 1(x)) = Oy, +... + Oym = 0. Por 1 corolario del Teorema 2.7 tenemos que T = Ts (b) Ahora demostraremos que ® es sobreyectiva. Sea A una matriz de m xn. De acuerdo con el Teorema 2.7 existe TEL(V, W) tal que (T.}, donde Ty es 1a trans- ino. Supéngase que (T) tn) = Sun » paral , Principiaremos citando Ja transformacién x —> [x]p discutida en la Sec- cién 2.2 jon. Sea 2 una base ordenada para un espacio vectorial n-dimensional V sobre el campo F. La representacion estindar de V con respecto a 5 la funcién gj: V—> F* definida por d(x) ~ (xls para toda x€V.100 Transformaciones lineales y matrices Ejemplo 29. Sea V = R', 8 = ((1, 0), (0, D),¥ Para x= (1, —2) tenemos #900) =t=(_2) ¥ ay = b= (73) Ya hemos observado antes que gp es una transformacién lineal. El teo- rema siguiente nos dice mucho més. (4, 2), (8, 4)). Teorema 2.24, Para cualquier espacio vectorial V dimensionalmente finito con una base ordenada 8, ¢y es un isomorfismo. DEMOSTRACIGN, Ejercicio. Este teorema nos proporciona una prueba altemnativa de que un espa- cio vectorial n-dimensional es isomorfo a F* (ver el corolario del Teore- ma 2.22), Estamos ahora listos para utilizar la representacién esténdar de un espacio vectorial junto con la representacién matricial de una transforma- cin lineal para estudiar Ia relacién entre ta transformacién lineal T: VW donde V y W son espacios vectoriales abstractos dimensionalmente finitos, y Lu: F*->F®, donde A= (Tl y B y 7 son bases ordenadas ccualesquiera para V y W, respectivamente. ‘Antes de enunciar el Teorema 2.25 consideraremos la figura 2.2. Néte- se que existen dos composiciones de transformaciones lineales que mapea- rén a V en FR: 1, Mapeo de V en F* con gs y continia esta transformacién con Ly; esto nos dara Ia composicin Lips. 2. Mapeo de V en W con T; y contindia por gy para obtener 1a com- posicion. 47. Estas dos composiciones estin representadas por las flechas punteadas cen el diagrama, El Teorema 2.25 establece que ambas composiciones dan ‘el mismo resultado; esto es, que ambas composiciones son iguales. 1 wInvertibilidad @ isomorfismos 101 Heuristicamente, el teorema establece que después de que V y W hayan sido identificados con F* y F a través de gp y dy, respectivamente, pode- 108 “identificar” a T con Lo Teorema 2.25. Seat: V—>W una transforitacién lineal de un espacio vecto- rial n-dimensional V sobre F a un espacio vectorial m-dimensional W sobre F. Sean y y bases ordenadas, respectivamente, para Vy W, y sea A=[T,. Entonces Lads = aT. DEMOSTRACION. El teorema es esencialmente una reformulacién del Teo- rema 2.16, porque si x€V, entonces (Lada) (2) = Le(da(x)) = Lalas) = Alale = (17, Fads = TW = eT) = DO). Ejemplo 30. Recordemos Ia transformacién T: P,(R)—> P,(R) definida en el Ejemplo 17. (T(f) = f.) Sean B= (1, x, 7.) y r= (1, 2) ‘bases ordenadas para P,(R) y P.(R), respectivamente, y sean gp: P3(R) > RY y gy: Ps(R) > R? representaciones estindar de P,(R) y Ps(R) con respecto a f y y, respectivamente. Sea A = [T];; entonces 10 A=(o 0 2 0). 0 0 0 3) Para ilustrar el Teorema 2.25, considérese al polinomio p(x) = 2+ x — 3x? + 5x, Demostraremos que Ligs(P) = #1 (P)- Tenemos Pero como T(p) = pi = 1 — 6x + 15x, tenemos que v $,T(—) = (-) 15 ASI, Laga(P) = gT (0). ‘Trdtese de repetir este ejemplo con distintos polinomios p(x)102 Transtormaciones lineales y matrices EJERCICIOS 1 a+ 10. 2. Decir si las siguientes afirmaciones son verdaderas o falsas. Para lo siguien- te, Vy W serdn espacios vectoriales con bases ordenadas (finitas) y 2, respectivamente, y T: V—>W serd lineal. Ay B serdn matrices. (a) (b) © (4) Mses(F) es isomorfo a F (©) Pa(F) es isomorfo a P(F) si'y solo sin = (0) AB=1 implica que A’ y B son invertbles. @) (y= A, (h) A es invertible si y s6lo si Ly es invertible. (i) A debe ser cuadrada para poder tener una inversa. Sean A y B matrices invertibles de m x m. Demostrar que AB es inver~ tible y que (AB) = BA. Sea A invertible, Demostrar que A’ es invertible y (A")1 = (42) Demostrar que si A es invertible y AB = O, entonces B= O. Si ©, demostrar que A no puede ser invertible. Demostrar los Corolarios 1 y 2 del Teorema 2.21. Sean A y B matrices de n x n tales que AB es invertible. Demostrar que y B son invertibles. Demostrar que, en general, este resultado es falso si al menos una de las matrices no es cuadrada. Sean A y B matrices de n x n tales que AB =I, Demostrar que A = B* (y por lo tanto B= A~*). (Decimos en efecto que para matrices cuadra- das una inversa unilateral es una inversa bilateral.) Demostrar que la transformacién definida en el Ejemplo 28 es uno-a-uno, Demostrar el Teorema 2.24. Sea ~ tal que signifique “es isomorfo a”. Demostrar que ~ es una rela- lencia sobre la clase de espacios vectoriales sobre F tal como se define en el Apéndice A. v={(o" s). ab ocr]. Constriyase un isomorfismo de V a F. Sea13, 14 16. w. 19. Invert idad ¢ isomorfismos 103. Sean V y W espacios vectoriales dimensionalmente finitos y sea T: V+ W tun isomorfismo. Sif es una base para V, demostrar que T(8) es una base para W. Sea B una matriz invertible de m xn. Definase ©: My .y(F) > Mysa(F) por (A) = BAB, Demostrar que # es un isomorfismo. ‘Sean V y W espacios vectoriales dimensionalmente finitos y sea T: V+ W un isomorfismo. Sea V. un subespacio de V. (a) Demostrar que T(Vs) es un subespacio de W. (>) Demostrar que dim(V.) = dim(T(V)) Repetir el Ejempio 30 con el polinomio p(x) = 1+ x + 2x +x. Sea V = M,.2(R) el espacio vectorial de cuatro dimensiones de las matri- ces de 2 x 2 con elementos reales. Recuérdese del Ejemplo 4 que el mapeo T: VV definido por T(A) = A! para toda A CV es una transformacién lineal. (a) Sea p= (E", B%, EB, E*) donde E° es a matriz de 2x2 que tiene el elemento i, j igual a uno y el resto de los elementos iguales 2 cero. Demostrar que fi es una base ordenada para V. (b) Sea A= [Mlp. Caleular A (©) Sea g la representacion estindar de V con respecto a. Entonces Lig = @T por el Teorema 2.25. Verificar esta igualdad para la matriz a _ esto es, demostrar que Lyg(M) = ¢T(M). Sea T; V—>W una transformacién lineal de un espacio vectorial n-dimen- sional V a un espacio m-dimensional W. Sean 8 y y bases ordenadas para V y W, respectivamente. Demostrar que rango(T) = rango(L.) y que nuli- dad(T) = nulidad(L,), donde A= (Tf. Sugerencia: Utilizar el Teorema 2.25 y el Ejercicio 15 Sean V y W espacios vectoriales dimensionalmente finitos con bases orde- nadas 2 = {ti ... +n) ¥ y= (iy «++ » Ya)s Fespectivamente, Por el Teo- ema 2.7 existe una transformacion lineal T,,:, V—>W tal que Tile) = i Demostrar primero que (Tj: 1) equivale a una rotacién de los ejes coordenados de manera que los ejes yy coincidan con los ejes x” y y, respectivamente, donde V3, _2N3, : aoeLa matriz de cambio de coordenadas 105 (Los valores de x’ y y' se encontraron al resolver el sistema para 2’ y y' en términos de x y y.) Los vectores obtenidos al someter los vectores de la base (0) » () del sistema coordenado x, y a esta rotacién son — as ws) * \ vs} 5 $ respectivamente, Estos vectores son vectores unitarios que se alojan en el eje x’ y el ee y’, respectivamente, y por lo tanto forman una nueva base & (=2f5 me) Surge una interrogante l6gica: {Cémo es posible transformar vectores ‘coordenados con respecto a una base, a vectores coordenados con respect a la otra? La respuesta est dada a través de la relacién LE =BES\( x Notese que la matriz mil ~ (vs nas 5 es igual a [If donde 1 es la transformacién identidad en R’. Entonces por el Teorema 2.16 [v]; = Olvlp: para toda v€R’, Un resultado similar es Certo en genera. Teorema 2.26. Sean py f dos bases ordenadas para un espacio vectorial di- ‘mensionalmente finito V y sea Q = (\l,. Entonces106 Transformaciones lineales y matrices (a) Q es invertible. (b) Para toda v © V, [oly = Qloly DEMOSTRACION. (a) Como ty es invertible, @ también Io es por el Teorema 2.21 (>) Para toda ve V, tly por el Teorema 2.16. i Noly = tel» = Ofely La matriz Q definida en el Teorema 2.26 se llama matric de cambio de coordenadas. A causa del inciso (b) del teorema decimos que Q trans- forma las coordenadas de f' en coordenadas de p. Obsérvese que si B= (iis ees a) ¥ BPH OR, aL, oy Xt), entonces para j= 1, 2,... 15 esto es, la columna j-ésima de Q es [xp Ejemplo 31. Sea V=R, B= ((1, 1), (, Dh y B= (2, 4), GB, 1)}. Como (2, 4) = 30, D — 10, “1) y G1) = 20, 1) +10, ~1), la matriz que transforma las coordenadas de f’ en coordenadas de pes 32 2=(4 7) Asi, por ejemplo, 12, p= O12, 4) =O (0) 7 €) Supéngase ahora que T: V—>W es una transformacién lineal entre espacios vectoriales dimensionalmente finitos y que 2 y fi son bases orde- nadas para V y y y y' son bases ordenadas para W. Entonces T se puede representar por matrices relativas a 8 y y y relativas af’ y y'. ;Cudl es Ia relacién entre las matrices (Th y (Tl? La respuesta se ve clara- mente de las ecuaciones (T(e)l, = Miplele ¥ [Toy = (Thffely dadas por el Teorema 2.16, porque si Q y P son matrices de cambio de coor- denadas que transforman coordenadas de / en coordenadas de py coordenadas de y' en coordenadas y, respectivamente, entonces de estas, ecuaciones es evidente que hay dos métodos para obtener (T()], a partir de [vly, como se ilustra en la figura 2.3 Como [TH Olly = PITY Lely para toda v € V, el Teorema 2.17(b) implica que (TQ = PITH. Al ser P invertible (Teorema 2.26), esto da Ja respuesta a la pregunta anterior.la matrix de cambio de coordenadas 107 Teorema 2.27. Sea T: V—>W una transformacién lineal de un espacio vec- torial V dimensionalmente finito a un espacio vectorial W dimensionalmen- te finito, y sean . y 8 bases ordenadas para V y y y y' bases ordenadas para W. Entonces {T};; = P[11}Q, donde Q es la matriz que transforma las coordenadas de fi" en coordenadas de 8 y P es la matriz que transforma las coordenadas de y' en coordenadas de Muiplcar por (TJ. bly ——> Twi, Multiplicar por @ Multiplicar por P (para transformar (para transformar coordenadas dep" en cvordenadas de 7’ en ‘coordenadss de 8). ‘coordenadas de) Moltiplcar por (713. to), ————+ Im, figura 2.3 Ejemplo 92. Sean V= R’, W= Ry T: VW definida mediante (re) Sean f y y las bases ordenadas estindar para R° y R, respectivamente, BEL 000 (Obsérvese que {" y 7’ son bases ordenadas para Ry R, respectivamente.) Verificaremos el Teorema 2.27. Tenemos que a a =CsCr y algunos célculos faciles muestran que las matrices de cambio de coor ‘denadas que transforman coordenadas de a’ en coordenadas de 8 y ‘coordenadas de y’ en coordenadas de y son o-(8 fs) ret)108 —Transformaciones lineales y matrices respectivamente. En la Seccién 3.2 se presentard un método para calcular P; mientras tanto, verifiquese que 6 r= ({ _}): Una multplicacién fécil muestra que (1); = P*(TYO. Un caso particular importante del resultado anterior se tiene cuando V = W. Es esta la situacién que nos ocupard primordialmente en una gran parte del resto del libro. En este caso el teorema toma la siguiente forma. Corolario, Sea T: V—>V una transjormacién lineal en un espacio vectorial di- ‘mensionalmente finito V que tiene bases ordenadas y '. Entonces [1p = O{T]:0, donde Q es la matriz que transforma coordenadas de BY en coordenadas de p. La relacin entre las matrices [T]p- y [Tp del corolario anterior seri temas de estudio en los Capitulos 5 6. Sin embargo, introduciemos ahora el nombre de esta relacién. Detinicién. Sean A y B matrices de n x n con elementos del campo F. Deci- ‘mos que B es similar a A si existe una matriz invertible Q€My.n(F) tal que B= Q7AQ. Obsérvese que la rel lencia. (Ver el Ejercicio 7.) Nétese también que en esta terminologia el corolario anterior puede enunciarse de la manera siguiente: Si T: V—>V es una transformacion ineal en un espacio vectorial dimensionalmente finito V, si @ y A" son ses ordenadas cualesquiera para V, entonces [T]p: es similar a [Tly de similaridad es una relacién de equiva- EJERCICIOS 1. Decir si las siguientes afirmaciones son verdaderas o falsas. (a) Si @ es la matriz. de cambio de coordenadas que transforma las ‘coordenadas de 2’ en coordenadas de f, donde "= (x',..., x.) y B= (Xs... 44) son bases ordenadas para un espacio vectorial, entonces ta columna j-ésima de Q es [tj]. (b) Toda matriz de cambio de coordenadas es invertible. (©) Sea T: V—+W una transformacién lineal de un espacio vectorial di- mensionalmente finito V aun espacio vectorial dimensionalmente finito W, y sean y A bases ordenadas para V y y y y! bases ordenadas para W. Entonces [T]j'= P{TI}, donde @ y P son las matrices de de coordenadas que transforman coordenadas de ’ en coor-La matriz de cambio de coordenadas 109 denadas de i y coordenadas de y en coordenadas de y', respect vamente (@) Las matrices A, B €Myua(F) se Haman similares si B= Q'AQ para alguna O €My.0(F) (e) Sea T: VV una transformacién lineal en un espacio vectorial di- mensionalmente finito V. Entonces para cualquier par de bases orde- nadas 8 y y para V, [TJs es similar a (T]y. Para cada uno de los siguientes pares de bases ordenadas 8 y je’ para Rt, encontrar Ia matriz de cambio de coordenadas que transforma coordenadas de en coordenadas de 8. (a) B= (en e2} y B= (ay, a), (by, Be) (b) B= ((-1, 3), (2, — 1) y B= ((0, 10), (5,00) () (2, 5), (-1, -3)) y A= fe, e) @) B= (4 3), 2 —D) y # = (2,1, (4, DY Para cada uno de los siguientes pares de bases ordenadas 2 y £" para P.(R), encontrar Ia matriz de cambio de coordenadas que transforma las, ‘coordenadas de ff" en coordenadas de £. @) Gx, Dy B= (asx + ax + ay box? + bx + by cox? + ck + 60) () (x xhy (e) Sa3e + 1x) ye" (x, 8) @) pe (toxtixt het Dy p= (heat 4, 4x° — 3x + 2, 2x? +3) (©) B= GHB tx Wy f= (5x — 2x ~2x + Sx +5, 2x — x3} © Qe x FL tt 3x2, e+ 2x +1) y B= (9x9, i + Diy — 2, 3x" + Sx +2) Sea V =, W= Ry Ts V-+W estédefinida mediante ae 1(%) -( 2a, +) a a, + a, Sean f y y bases ordenadas estindar para Ré y R, respectivamente, y raft. rf)110 10. Transformaciones lineales y matrices (a) Caleular 4 = (1 y B= ITY. (>) Calcular Q, la matriz de cambio de coordenadas que transforma las coordenadas de’ en coordenadas de 8, y P, la matriz de cambio de coordenadas que transforma coordenadas de y/ en coordenadas de y. (©) Verificar que B= P-‘AQ, considerando que a) melt ul 4} oo 1 Sea T: P,(R) + P,(R) definida por T(p) = p’, la derivada de p €P.(R) Sean @ = {1, x} y f= (14x, 1 —a). (2) Encontrar la matriz. de cambio de coordenadas Q que transforma las coordenadas de f" en coordenadas de 8. (>) Encontrar Q-. (Ver el Ejemplo 32.) (©) Calcular A= (Ths y B= (hp: y verificar que B = QAO. Demostrar el corolario del Teorema 2.27. Recordando Ia definicién de una relacién de equivalencia dada en el Apén- dice A, demostrar que la relacién “es similar a” es una relacién de equiva- lencia sobre My.a(F). Demostrar que si A y B son matrices semejantes de n x n, entonces tr(A) tr(B). Sugerencia: Utilizar el Ejercicio 12 de la Seccién 2.3. Sea V un espacio vectorial dimensionalmente a BY y. fnito con bases ordenadas (a) Demostrar que si @ y R son las matrices de cambio de coordenadas {que transforman coordenadas de a en coordenadas de f° y coorde- nadas def en coordenadas de y, respectivamente, entonces RQ es la matriz de cambio de coordenadas que transforma coordenadas de «en coordenadas de y. (b) Demostrar que si Q transforma coordenadas de « en coordenadas de , entonces Q" transforma coordenadas de f en coordenadas de «. Sea A una matriz de m x m con elementos de un campo F, y sean B y 7 bases ordenadas para F* y F", respectivamente, Sea B = [L,]}. Demostrar que B = P'AQ donde P es Ia matriz de m x m con Ia columna j-ésima igual al vector j-ésimo en y Q es la matriz de n xn con la columna jxssima igual al vector j-ésimo en y.Espacios duales 111 11. Sea V un espacio vectorial dimensionalmente finito sobre un campo F y sea @ = (x, ..., 4) uma base ordenada para V. Sea Q una matriz inver- tible den x m con elementos de F. Definase X= SOx para lW tal que 4=( y B=. ‘Sugerencias: Sean V = F*, W =F, T= Li y By y bases ordenadas estén- dar para F* y *, respectivamente. Sea f’ una base ordenada para V obte- nida a partir de 8 a través de Q (de acuerdo con la definicién dada en la pagina 106 y justificada por el Ejercicio 11), y sea y’ la base para W obtenida de y a través de Po. 2.6" ESPACIOS DUALES En esta secci6n nos interesaremos exclusivamente en las transformaciones lineales de un espacio vectorial V en su campo de escalares F, que a su vez. es un espacio vectorial de dimension 1 sobre F. Tal transformacién lineal se lama funcional lineal en V. En el célculo, la integral definida nos proporciona uno de los ejemplos més importantes en mateméticas de tuna funcional lineal. (Ver Ejemplo 33.) Utilizaremos generalmente las letras f, 9, h.... para denotar a las funcionales lineales. Ejemple 33. Sea V el espacio vectorial de funciones continuas complejas (0 reales) sobre el intervalo [a, 6]. La funcién f: VC (o R) defini- da por fey = f'xoar es una funcional lineal en V. Si el intervalo es (0, 2=] y m es un entero, Ia funciéa definida por ha =e fie is dtn2 Transformaciones lineales y matrices también es una funcional lineal. En Tos textos de andlisis al escalar ha(x) se le llama el n-ésimo coeficiente de Fourier de x. Ejemplo 34. Sea V = Mu.n(F) y definase f: V—>F por f(A) = tr(A), la traza de A. Por el Ejercicio 6 de la Seccién 1.3, tenemos que f es una funcional lineal, Ejemplo 35. Sea V un espacio vectorial dimensionalmente finito con la base ordenada f= (x,, x... 44). Para cada i= 1,..., n, definase fi) = a, donde ¢s el vector de coordenadas de x relativo a 8. Entonces f, es una funcional Tineal en V llamada la i-ésima funcién coordenada con respecto a la base p. Notese que £,(x)) = 8). Estas funcionales lineales jugarén un papel muy importante en Ia teoria de los espacios duales. (Ver el Teore- ma 2.28.) Definicién. Para un espacio vectorial V sobre F, definimos al espacio dual de Teorema 2.28. Supéngase que V es un espacio vectorial dimensionalmente ji V como el espacio vectorial £(V, F), denotado por V*. Por tanto, V* es el espacio vectorial que consta de todas las funcio- rales lineales en V con las operaciones de suma y de multiplicacién por escalares tal como se definieron en Ia Seccién 2.2. Notese que si V es dimensionalmente finito, entonces dim(V*) = dim(£(V, F)) = dim(V) « dim(F) = dim(V). Por lo tanto, por el Teorema 2.22, V y V* son iso- morfos, También podemos definir el doble dual V** de V como el dual de V*. Demostraremos, de hecho, que existe una identficacién natural de Vy vee. 10 con la base ordenada P= {X,, ... , Xa). Sean f\(1

También podría gustarte

• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  De Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Calificación: 4 de 5 estrellas

  4/5 (5794)
• The Little Book of Hygge: Danish Secrets to Happy Living

  

  De Everand

  The Little Book of Hygge: Danish Secrets to Happy Living

  Meik Wiking

  Calificación: 3.5 de 5 estrellas

  3.5/5 (399)
• A Heartbreaking Work Of Staggering Genius: A Memoir Based on a True Story

  

  De Everand

  A Heartbreaking Work Of Staggering Genius: A Memoir Based on a True Story

  Dave Eggers

  Calificación: 3.5 de 5 estrellas

  3.5/5 (231)
• • Revistas
  • Podcasts
  • Partituras
• Hidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space Race

  

  De Everand

  Hidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space Race

  Margot Lee Shetterly

  Calificación: 4 de 5 estrellas

  4/5 (894)
• The Yellow House: A Memoir (2019 National Book Award Winner)

  

  De Everand

  The Yellow House: A Memoir (2019 National Book Award Winner)

  Sarah M. Broom

  Calificación: 4 de 5 estrellas

  4/5 (98)
• Shoe Dog: A Memoir by the Creator of Nike

  

  De Everand

  Shoe Dog: A Memoir by the Creator of Nike

  Phil Knight

  Calificación: 4.5 de 5 estrellas

  4.5/5 (537)
• Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic Future

  

  De Everand

  Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic Future

  Ashlee Vance

  Calificación: 4.5 de 5 estrellas

  4.5/5 (474)
• Never Split the Difference: Negotiating As If Your Life Depended On It

  

  De Everand

  Never Split the Difference: Negotiating As If Your Life Depended On It

  Chris Voss

  Calificación: 4.5 de 5 estrellas

  4.5/5 (838)
• Grit: The Power of Passion and Perseverance

  

  De Everand

  Grit: The Power of Passion and Perseverance

  Angela Duckworth

  Calificación: 4 de 5 estrellas

  4/5 (587)
• Devil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New America

  

  De Everand

  Devil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New America

  Gilbert King

  Calificación: 4.5 de 5 estrellas

  4.5/5 (265)
• Yes Please

  

  De Everand

  Yes Please

  Amy Poehler

  Calificación: 4 de 5 estrellas

  4/5 (1891)
• Angela's Ashes: A Memoir

  

  De Everand

  Angela's Ashes: A Memoir

  Frank McCourt

  Calificación: 4.5 de 5 estrellas

  4.5/5 (440)
• The Emperor of All Maladies: A Biography of Cancer

  

  De Everand

  The Emperor of All Maladies: A Biography of Cancer

  Siddhartha Mukherjee

  Calificación: 4.5 de 5 estrellas

  4.5/5 (271)
• On Fire: The (Burning) Case for a Green New Deal

  

  De Everand

  On Fire: The (Burning) Case for a Green New Deal

  Naomi Klein

  Calificación: 4 de 5 estrellas

  4/5 (73)
• The Hard Thing About Hard Things: Building a Business When There Are No Easy Answers

  

  De Everand

  The Hard Thing About Hard Things: Building a Business When There Are No Easy Answers

  Ben Horowitz

  Calificación: 4.5 de 5 estrellas

  4.5/5 (344)
• Team of Rivals: The Political Genius of Abraham Lincoln

  

  De Everand

  Team of Rivals: The Political Genius of Abraham Lincoln

  Doris Kearns Goodwin

  Calificación: 4.5 de 5 estrellas

  4.5/5 (234)
• Fear: Trump in the White House

  

  De Everand

  Fear: Trump in the White House

  Bob Woodward

  Calificación: 3.5 de 5 estrellas

  3.5/5 (738)
• The Glass Castle: A Memoir

  

  De Everand

  The Glass Castle: A Memoir

  Jeannette Walls

  Calificación: 4.5 de 5 estrellas

  4.5/5 (1712)
• Rise of ISIS: A Threat We Can't Ignore

  

  De Everand

  Rise of ISIS: A Threat We Can't Ignore

  Jay Sekulow

  Calificación: 3.5 de 5 estrellas

  3.5/5 (137)
• Principles: Life and Work

  

  De Everand

  Principles: Life and Work

  Ray Dalio

  Calificación: 4 de 5 estrellas

  4/5 (599)
• The Unwinding: An Inner History of the New America

  

  De Everand

  The Unwinding: An Inner History of the New America

  George Packer

  Calificación: 4 de 5 estrellas

  4/5 (45)
• The World Is Flat 3.0: A Brief History of the Twenty-first Century

  

  De Everand

  The World Is Flat 3.0: A Brief History of the Twenty-first Century

  Thomas L. Friedman

  Calificación: 3.5 de 5 estrellas

  3.5/5 (2219)
• Steve Jobs

  

  De Everand

  Steve Jobs

  Walter Isaacson

  Calificación: 4.5 de 5 estrellas

  4.5/5 (806)
• John Adams

  

  De Everand

  John Adams

  David McCullough

  Calificación: 4.5 de 5 estrellas

  4.5/5 (2409)
• The Gifts of Imperfection: Let Go of Who You Think You're Supposed to Be and Embrace Who You Are

  

  De Everand

  The Gifts of Imperfection: Let Go of Who You Think You're Supposed to Be and Embrace Who You Are

  Brené Brown

  Calificación: 4 de 5 estrellas

  4/5 (1090)
• Bad Feminist: Essays

  

  De Everand

  Bad Feminist: Essays

  Roxane Gay

  Calificación: 4 de 5 estrellas

  4/5 (1015)
• The Outsider: A Novel

  

  De Everand

  The Outsider: A Novel

  Stephen King

  Calificación: 4 de 5 estrellas

  4/5 (1839)
• Brooklyn: A Novel

  

  De Everand

  Brooklyn: A Novel

  Colm Toibin

  Calificación: 3.5 de 5 estrellas

  3.5/5 (1937)
• The Sympathizer: A Novel (Pulitzer Prize for Fiction)

  

  De Everand

  The Sympathizer: A Novel (Pulitzer Prize for Fiction)

  Viet Thanh Nguyen

  Calificación: 4.5 de 5 estrellas

  4.5/5 (119)
• A Man Called Ove: A Novel

  

  De Everand

  A Man Called Ove: A Novel

  Fredrik Backman

  Calificación: 4.5 de 5 estrellas

  4.5/5 (4609)
• The Light Between Oceans: A Novel

  

  De Everand

  The Light Between Oceans: A Novel

  M.L. Stedman

  Calificación: 4.5 de 5 estrellas

  4.5/5 (789)
• The Woman in Cabin 10

  

  De Everand

  The Woman in Cabin 10

  Ruth Ware

  Calificación: 3.5 de 5 estrellas

  3.5/5 (2322)
• Manhattan Beach: A Novel

  

  De Everand

  Manhattan Beach: A Novel

  Jennifer Egan

  Calificación: 3.5 de 5 estrellas

  3.5/5 (792)
• The Perks of Being a Wallflower

  

  De Everand

  The Perks of Being a Wallflower

  Stephen Chbosky

  Calificación: 4.5 de 5 estrellas

  4.5/5 (2099)
• Wolf Hall: A Novel

  

  De Everand

  Wolf Hall: A Novel

  Hilary Mantel

  Calificación: 4 de 5 estrellas

  4/5 (3811)
• Little Women

  

  De Everand

  Little Women

  Louisa May Alcott

  Calificación: 4 de 5 estrellas

  4/5 (104)
• The Art of Racing in the Rain: A Novel

  

  De Everand

  The Art of Racing in the Rain: A Novel

  Garth Stein

  Calificación: 4 de 5 estrellas

  4/5 (4200)
• Sing, Unburied, Sing: A Novel

  

  De Everand

  Sing, Unburied, Sing: A Novel

  Jesmyn Ward

  Calificación: 4 de 5 estrellas

  4/5 (1103)
• A Tree Grows in Brooklyn

  

  De Everand

  A Tree Grows in Brooklyn

  Betty Smith

  Calificación: 4.5 de 5 estrellas

  4.5/5 (1929)
• The Constant Gardener: A Novel

  

  De Everand

  The Constant Gardener: A Novel

  John le Carre

  Calificación: 3.5 de 5 estrellas

  3.5/5 (104)
• Her Body and Other Parties: Stories

  

  De Everand

  Her Body and Other Parties: Stories

  Carmen Maria Machado

  Calificación: 4 de 5 estrellas

  4/5 (821)