Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Lineal PDF
Algebra Lineal PDF
Á LGEBRA L INEAL .
1
Tema 1. Espacios Vectoriales.
Definición 1.1. Sea E un conjunto no vacı́o en el que se tiene definida una ley de com-
posición interna (llamada suma):
+
E × E −→ E
(α, β) 7−→ α + β
que verifica las siguientes propiedades:
1. Asociativa: (α + β) + γ = α + (β + γ) para cualesquiera α, β, γ ∈ E .
4. 1x = x, ∀x ∈ E .
A los elementos de E se les llamará vectores y a los elementos de R escalares.
3
4 Capı́tulo I. Álgebra Lineal.
Ejemplos 1.3.
1. E = R.
1. 0x = 0 para todo x ∈ E .
2. α0 = 0 para todo α ∈ R.
3. Si αx = 0, entonces α = 0 ó x = 0.
Ejemplos 1.8.
2. En R2 cualquier vector es combinación lineal de los vectores (1, 0), (0, 1):
Definición 1.9. Sea E un e.v. y {e1 , . . . , en } una familia finita de vectores de E . Conside-
remos el siguiente subconjunto de E :
F = he1 , . . . , en i ó F = lin{e1 , . . . , en }.
Definición 1.10. Sea E un e.v. y {e1 , . . . , en } una familia de vectores de E . Se dice que los
vectores e1 , . . . , en son linealmente independientes (l.i.) si
λ1 e1 + · · · + λn en = 0 ⇒ λi = 0, i = 1, . . . , n.
Proposición 1.11. Sea E un e.v. y {e1 , . . . , en } una familia de vectores de E . Los vec-
tores e1 , . . . , en son l.d. si, y sólo si, existe i ∈ 1, . . . , n tal que xi es combinación lineal de
{e1 , . . . , ei−1 , ei+1 , . . . en }.
1
ei = − (λ1 e1 + · · · + λi−1 ei−1 + λi+1 ei+1 + · · · + λn en ).
λi
Ejemplos 1.12.
Teorema 1.14. Sea E un e.v. y B = {e1 , . . . , en } una base de E . Entonces, para cada x ∈ E ,
existen x1 , . . . , xn ∈ R, únicos, tales que x = x1 e1 + · · · + xn en .
Definición 1.15. Sea E un e.v. y B una base de E . Para cada x ∈ E , a los coeficientes
(únicos) que se obtienen del teorema anterior se les llama coordenadas de x respecto de
la base B.
Ejemplo 1.16 . En R2 , los vectores (1, 0), (0, 1) forman una base de R2 . Ası́ mismo,
{(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de R3 . En general, la familia de vectores
{e1 , . . . , en }, con ei = (0, . . . , 0, 1, 0, . . . 0), i = 1, . . . , n, constituye una base de Rn . A estas
| {z }
i−1
bases se les llama bases canónicas.
Teorema 1.17. Sea E un e.v. y B una base de E formada por un número finito de vectores.
Entonces todas las bases de E tienen el mismo cardinal, esto es, el mismo número de
vectores. A ese cardinal se le llama dimensión de E , y se nota dim(E).
U ∩V = {x ∈ E : x ∈ U, x ∈ V }, U +V = {u + v : u ∈ U, v ∈ V }
Definición 1.20. Dado E un e.v. y U, V dos subespacios vectoriales suyos, se dice que E
es suma directa de U y V , y se nota E = U ⊕V , si E = U +V y U ∩V = {0}. Equivalen-
temente, si para cada x ∈ E existen u ∈ U, v ∈ V , determinados de forma única, tales que
x = u + v.
Tema 2. Aplicaciones lineales.
Definición 2.1. Sean E, F dos e.v. y f : E −→ F una aplicación. Se dice que f es una
aplicación lineal si:
A las aplicaciones lineales se les llama también homomorfismos. Una aplicación lineal e
inyectiva recibe el nombre de monomorfismo. Un epimorfismo es una aplicación lineal
y sobreyectiva. Toda biyección lineal se llama isomorfismo. Dos espacios vectoriales E,
V se dicen isomorfos si existe un isomorfismo entre ambos, y se nota E ∼
= V.
1. f (x) = 0, ∀x ∈ E.
Los resultados que siguen nos muestran propiedades elementales de las aplicaciones
lineales.
1. f es lineal si, y sólo si, f (λx + µy) = λ f (x) + µ f (y) para cualesquiera λ, µ ∈ R,
x, y ∈ E .
2. Si f es lineal, entonces:
a) f (0) = 0.
b) f (−x) = − f (x) para todo x ∈ E .
c) f (x − y) = f (x) − f (y) para cualesquiera x, y ∈ E .
d) f transforma vectores l.d. de E en vectores l.d. de F .
9
10 Capı́tulo I. Álgebra Lineal.
son también lineales. Además, con estas operaciones, el conjunto L(E, F) de aplicaciones
lineales de E en F es un e.v.
(g ◦ f )(x) := g( f (x)), ∀x ∈ E,
es también lineal.
La imagen de f se define:
Im( f ) := {y ∈ F : ∃x ∈ E, y = f (x)}.
Recı́procamente, Por el Teorema 2.8, hay que probar que Ker( f ) = 0. En efecto, sea
x ∈ Ker( f ) ( f (x) = 0). Ya que {0} es l.d., se tiene que {x} es también l.d., luego se ha de
cumplir que x = 0.
Observación. Como consecuencia del apartado 2 del teorema anterior, tenemos que toda
aplicación lineal queda determinada cuando se conocen las imágenes de los vectores de
una base del dominio.
Teorema 2.10 . Sea E un e.v. Entonces dim(E) = n si, y sólo si, E es isomorfo a Rn
(E ∼
= Rn ).
D EMOSTRACI ÓN . Supongamos que dim(E) = n y sea {u1 , . . . , un } una base de E. Defi-
nimos f : E −→ Rn de la siguiente manera:
à !
n
f (x) = (x1 , . . . , xn ) = ∑ xi ei ,
i=1
n
donde x = ∑ xi ui y {e1 , . . . , en } es la base canónica de Rn . (Obsérvese que f está bien
i=1
definida, por la unicidad de las coordenadas de x). Es trivial demostrar que f es lineal.
Veamos que f es inyectiva. En efecto, sea x ∈ Ker( f ). Entonces, por la definición de f ,
xi = 0, i = 1, . . . , n. Luego, x = 0 y f es inyectiva por el Teorema 2.8. Para demostrar
n
la sobreyectividad, dado (x1 , . . . , xn ) ∈ Rn , basta tomar x = ∑ xi ui y tener en cuenta la
i=1
definición de f .
D EMOSTRACI ÓN . Supongamos que dim(E) = n. Sea {e1 , . . . , em } una base de Ker( f )
(es claro que m ≤ n) y sea {y1 , . . . , y p } una base de Im( f ). Por la Proposición 2.9, n ≥
p. Sean ahora x1 , . . . , x p ∈ E tales que f (xi ) = yi , i = 1, . . . , p. Vamos a demostrar que
{e1 , . . . , em , x1 , . . . , x p } es una base de E. En efecto, veamos primero que dichos vectores
son l.i.: supongamos que
m p
∑ λiei + ∑ µ j x j = 0.
i=1 j=1
Entonces, Ã !
m p p
0= f ∑ λiei + ∑ µ j x j = ∑ µ jy j.
i=1 j=1 j=1
p
Por tanto, x − ∑ µ j x j ∈ Ker( f ). Por consiguiente, existen λ1 , . . . λm ∈ R tales que
j=1
p m
x − ∑ µ j x j = ∑ λi ei ,
j=1 i=1
A + B = (ai j + bi j ).
λA = (λai j ).
3. Producto: Dadas A ∈ Mm×n (R), B ∈ Mn×p (R), se define A · B = (ci j ) ∈ Mm×p (R)
ası́:
n
ci j = ∑ aik bk j , i = 1, . . . m, j = 1, . . . p.
k=1
A toda aplicación lineal se le puede asociar una matriz. En efecto, sean E, F e.v., B =
{e1 , . . . , en } una base de E, B0 = {e01 , . . . , e0m } una base de F y f : E −→ F una aplicación
lineal. Supongamos que
f (e1 ) = a11 e01 + a21 e02 + · · · + am1 e0m
f (e2 ) = a12 e01 + a22 e02 + · · · + am2 e0m
..
.
f (en ) = a1n e01 + a2n e02 + · · · + amn e0m
15
16 Capı́tulo I. Álgebra Lineal.
n m
Dado x ∈ E, x = ∑ xi ei , f (x) = ∑ y j e0j . Por otra parte, se tiene
i=1 j=1
à ! à !
n n m m n
f (x) = ∑ xi f (ei ) = ∑ xi ∑ ai j e0j = ∑ ∑ ai j xi e0j
i=1 i=1 j=1 j=1 i=1
Por tanto,
y1 = a11 x1 + a12 x2 + · · · a1n xn
y2 = a21 x1 + a22 x2 + · · · a2n xn
..
.
ym = am1 x1 + am2 x2 + · · · amn xn
Llamaremos matriz de f asociada a las bases B y B0 ,
a11 a12 . . . a1n
a21 a22 . . . a2n
M( f , B, B0 ) = .. .. .. .
. . .
am1 am2 . . . amn
Y = M( f , B, B0 )X,
donde
x1 y1
x2 y2
X = .. , Y = .. .
. .
xn ym
M( f + g, B, B0 ) = M( f , B, B0 ) + M(g, B, B0 ).
Tema 3. Matrices. 17
Ejemplos 3.4.
donde a ∈ R.
donde a1 , α2 , . . . , an ∈ R.
18 Capı́tulo I. Álgebra Lineal.
5. Matriz triangular.
a) Superior:
a11 a12 . . . a1n
0 a22 . . . a2n
0 0 . . . a3n
.. .. ..
. . .
0 0 . . . ann
Esto es, ai j = 0, para i > j.
b) Inferior:
a11 0 . . . 0
a21 a22 . . . 0
.. .. ..
. . .
an1 an2 . . . ann
Es decir, ai j = 0, para i < j.
X 0 = P · X,
donde
x1 x10
x2 x20
0
X = .. , X = .. .
. .
xn xn0
La matriz P se llama matriz de cambio de base de B a B0 .
M 0 = Q · M · P−1 .
Definición 3.5. Dada A = (ai j ) ∈ Mm×n (R), se llama matriz traspuesta de A a la matriz
At = (bi j ) ∈ Mn×m (R), donde bi j = a ji . Obsérvese que se trata simplemente de cambiar
filas por columnas.
20 Capı́tulo I. Álgebra Lineal.
Proposición 3.6.
2. n = 3 (regla de Sarrus): |A| = a11 a22 a33 + a12 a23 a31 + a21 a32 a13 − a13 a22 a31 −
a12 a21 a33 − a11 a23 a32 .
3. |A| = |At |.
4. |A · B| = |A| · |B|.
Tema 3. Matrices. 21
1 ∗ t
A−1 = (A ) .
|A|
22 Capı́tulo I. Álgebra Lineal.
Teorema 4.2. El rango de una matriz coincide con el número de filas (o columnas) lineal-
mente independientes.
23
24 Capı́tulo I. Álgebra Lineal.
Definición 4.4. Una solución del sistema (1) es un vector (x1 , . . . , xn ) ∈ Rn que verifique
las m ecuaciones. Resolver el sistema (1) es encontrar el conjunto S de todas las solu-
ciones de dicho sistema. Puede ocurrir varias cosas:
a) S es un conjunto unitario (el sistema tiene una única solución). Entonces ten-
emos un sistema compatible determinado (SCD).
b) S tiene más de un elemento (el sistema tiene más de una solución). Entonces
se tiene un sistema compatible indeterminado (SCI).
1. b ∈
/ Im( f ). Entonces tenemos un SI.
Observaciones:
Tema 4. Sistemas de ecuaciones lineales. 25
2. r < m. Ya que las r primeras filas son linealmente independientes, entonces el sis-
tema (1) queda reducido al sistema formado por las llamadas ecuaciones princi-
pales:
a11 x1 + · · · + a1n xn = b1
..
.
ar1 x1 + · · · + arn xn = br
Con lo cual estamos en el caso anterior.
Definición 4.8. Un sistema de ecuaciones lineales se dice homogéneo si todos los térmi-
nos independientes son nulos:
a11 x1 + · · · + a1n xn = 0
.. (∗)
.
am1 x1 + · · · + amn xn = 0
Al ser nulos los términos independientes, es claro que r(A) = r(Ã), con lo cual todo
sistema homogéneo es compatible. Además, es claro que (0, . . . , 0) es una solución de
dicho sistema, llamada solución trivial. Llamando r = r(A), se tiene:
Ejemplos 4.9.
x + y + z = 11
−y − 2z = −9
5z = 10
Luego,
5z = 10 ⇒ z = 2 ,
−y − 4 = −9 ⇒ y = 5 ,
x + 5 + 2 = 11 ⇒ x = 4 .
2x − 4y + 6z = 2
y + 2z = −3
x + 3y + z = 4
Dividimos por 2 la 1a : ¯
1 −2 3 ¯¯ 1
0 1 2 ¯ −3
¯
1 −3 1 ¯ 4
Tema 4. Sistemas de ecuaciones lineales. 29
Sean E un e.v. con dim(E) = n, F un subespacio suyo con dim(F) = r, B una base de
E y {u1 , . . . , ur } una base de F. Para cada i = 1, . . . , r, sean (a1i , . . . , ani ) las coordenadas
de ui respecto de la base B. Dado x ∈ F, notemos (x1 , . . . , xn ) a las coordenadas de x
respecto de la base B, y (λ1 , . . . , λr ) a sus coordenadas respecto de la base {u1 , . . . , ur }.
Entonces,
x1 = a11 λ1 + a12 λ2 + · · · + a1r λr
x2 = a21 λ1 + a22 λ2 + · · · + a2r λr
..
.
xn = an1 λ1 + an2 λ2 + · · · + anr λr
Las ecuaciones anteriores reciben el nombre de ecuaciones paramétricas de F. Lla-
memos A = (ai j ). Observamos que r(A) = r (u1 , . . . , ur son l.i.). Por otra parte, por el
Teorema de Rouché-Frobenius, x ∈ F si, y sólo si, r(A) = r(Ã). Supongamos que r(A) =
r(Ã) = r y que las r primeras columnas de A son linealmente independientes, esto es,
¯ ¯
¯ a11 . . . a1r ¯
¯ ¯
¯ .. .. ¯ 6= 0.
¯ . . ¯¯
¯
¯ ar1 . . . arr ¯
Ejemplos 4.10.
1. Calcular las ecuaciones cartesianas del subespacio de R4 generado por los sigu-
ientes vectores:
(1, −1, 0, 0), (0, 1, 1, 0), (2, −1, 1, 0), (3, −3, 0, 0).
Consideremos la matriz
¯
1 0 2 3 ¯ x1
¯
−1 1 1 −3 ¯ x2
¯
0 1 1 0 ¯ x3
¯
0 0 0 0 ¯ x4
| {z }
A
| {z }
Ã
x4 = 0.
33
34 Capı́tulo I. Álgebra Lineal.
Sea (E, h , i) un espacio vectorial euclı́deo con dim(E) = n y sea B = {e1 , . . . , en ) una
base de E. Dados x, y ∈ E, si x = ∑ni=1 xi ei , y = ∑nj=1 y j e j , entonces tenemos
à !
n n n n n n n
hx, yi = h ∑ xi ei , ∑ y j e j i ∑ xi hei , ∑ y j e j i = ∑ xi ∑ y j hei, e j i = ∑ xi y j hei , e j i.
i=1 j=1 i=1 j=1 i=1 j=1 i, j=1
1. aii > 0, i = 1, . . . , n.
2. A es simétrica.
Definición 5.6. Sea (E, h, i) un espacio espacio vectorial euclı́deo. Se define la norma de
p
un vector x ∈ E , kxk := hx, xi.
n
qEn R con el producto escalar usual, la norma de un vector x = (x1 , . . . , xn )
Ejemplo 5.7.
serı́a kxk = ?‘x12 + · · · xn2 .
Proposición 5.8. Sea (E, h, i) un espacio vectorial euclı́deo. Se verifican las siguientes
afirmaciones:
Ejemplo 5.11. En Rn , los vectores de la base canónica son unitarios y ortogonales entre
sı́.
D EMOSTRACI ÓN .
Si tenemos una base ortogonal, podemos conseguir de manera trivial un base ortonor-
mal, sin más que dividir cada vector por su norma. Vamos a ver que también podemos
conseguir una base ortonormal a partir de una base cualquiera dada.
0 = hλ1 e1 + · · · + λn en , ei i = λi kei k2 .
1. Definimos u1 = e1 .
U ⊥ = {x ∈ E : x⊥y ∀y ∈ U},
esto es, al conjunto formado por los vectores ortogonales a todos los vectores de U.
1. U ⊥ es un subespacio vectorial de E.