Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 Espacios vectoriales
1. Suma :
+ : V V ! V
(u; v) ! u+v
veri…cando las siguientes propiedades :
(a) Conmutative : u + v = v + u; 8 u; v 2 V
(b) Asociativa : (u + v) + w = u + (v + w) ; 8 u; v; w 2 V
(c) Elemento neutro : Existe 0 2 V tal que u + 0 = 0 + u = u,
8u 2 V
(d) Elemento opuesto : Para todo u 2 V existe u 2 V tal que
u+ ( u) = ( u) + u = 0
: K V ! V
( ; u) ! u
(a) 1 u = u; 8 u 2 V
(b) ( u) = ( ) u; 8 ; 2 K; 8 u 2 V
(c) ( + ) u = u+ u; 8 ; 2 K; u 2 V
(d) (u + v) = u+ v; 8 2 K; 8 u; v 2 V
2
Ejemplos :
Son espacios vectoriales reales, con las operaciones que se indican, los
siguientes :
x + y = (x1 + y1 ; x2 + y2 ; :::; xn + yn )
x = ( x1 ; x2 ; :::; xn )
F (R) = ff : R ! Rg
3
6. El conjunto de todas las sucesiones de números reales :
S = f(xn )1
n=0 : xn 2 R; n 1g
0 + 0 = 1 + 1 = 0; 0 + 1 = 1 y 0 0 = 0 1 = 1 0 = 0, 1 1 = 1
1.2 Propiedades
Si V es un espacio vectorial, entonces
1. 0 u = 0
2. ( 1) u = u
para todo u 2 V .
(1) u + v 2 S; 8 u; v 2 S
S es subespacio vectorial de V ()
(2) u 2 S; 8 2 K y 8 u 2 S
4
Demostración :
(=)) Evidente, pues S es espacio vectorial
((=) (1) y (2) garantizan que las operaciones están bien de…nidas sobre
S, al ser éste un conjunto cerrado respecto de ellas. Además, por ser S
subconjunto de V , se veri…can todas las propiedades de la suma y el producto
siempre que sea cierto que 0 2 S y que el opuesto de cualquier elemento
de S está en S. Ahora bien, para cualquier u 2S,
0 = 0 u 2S y u = ( 1) u 2 S
1.5 Corolario
Si V es un espacio vectorial y S V; S 6= ;, entonces
S es subespacio vectorial de V () u + v 2 S; 8 ; 2 K; 8 u; v 2 S
Ejemplos
y no lo son
5
donde a0 y a1 son los coe…cientes de grado 0 y 1, respectivamente.
No son subespacios vectoriales :
S3 = fp 2 P (R) : gr (p (x)) = 4g
S4 = fp 2 P (R) : el grado de p (x) es parg
0 a 0 a
S1 = : a; b 2 R S2 = :a2R
b 0 a 0
y no lo es
0 1
S3 = :a2R
a 0
X
n
v= i vi
i=1
Ejemplos
6
que equivale al siguiente sistema de ecuaciones, cuyas soluciones son
las que se indican :
8 8
< +2 = 1 < = 0
+ = 2 =) = 1=2
: :
+ = 3 = 3
i=1 v
i i = 0. En caso contrario, se dice que el conjunto fv1 ; v2 ; :::; vn g
es linealmente independiente. (L. I.).
Para estudiar si un conjunto de vectores fv1 ; v2 ; :::; vn g es linealmente
dependiente o independiente, se plantea la ecuación
X
n
i vi = 0
i=1
7
Ejemplos
1.8 Propiedades
En un espacio vectorial V se cumplen las siguientes propiedades :
2. 0 2 S V =) S es linealmente dependiente
8
5. S1 linealmente dependiente y S1 S2 =) S2 es linealmente depen-
diente
1.9 Lema
Si V es un espacio vectorial y S = fv1 ; :::; vm g V , entonces
( m )
X
Gen (S) = i vi : i 2 K
i=1
Ejemplos :
Gen (S) = v 2 R3 : v = v1 + v2 ; ; 2R
= v 2 R3 : v = ( + ; ; ) ; ; 2R
Las ecuaciones 8
< x = +
y = ; ; 2R
:
z =
se llaman ecuaciones paramétricas de Gen (S). Las ecuaciones
paramétricas son útiles para obtener, dando valores reales a los paráme-
9
tros y , los diferentes vectores de Gen (S). Así, por ejemplo,
para =2 y = 1 se obtiene el vector v = (1; 1; 3) 2 Gen (S).
Eliminando parámetros en las ecuaciones paramétricas, se obtiene :
x 2y z=0
que se llaman ecuaciones implícitas de Gen (S) (en este caso sólo
una). Las ecuaciones implícitas son útiles para comprobar si un de-
terminado vector pertenece a Gen (S) (el vector debe veri…car to-
das las ecuaciones). Por ejemplo, el vector (3; 1; 1) 2 Gen (S) pues
3 2 1 1 = 0, y el vector ( 1; 2; 1) 2 = L (A), pues 1; 2; 1 6= 0.
1.10 Propiedades
Si A y B son dos subconjuntos …nitos de un espacio vectorial V , entonces
:
1.11 Proposición
Sea V un espacio vectorial y fv1 ; :::; vm g V . Si vm es combinación
lineal de fv1 ; :::; vm 1 g, entonces
Demostración :
10
( ) Si v 2 Gen (fv1 ; :::; vm 1 g), entonces
X1
m X1
m
v= i vi = i vi + 0vm 2 Gen (fv1 ; :::; vm g)
i=1 i=1
Pm 1
( ) Sea vm = i=1 i vi . Si v 2Gen (fv1 ; :::; vm g), entonces
X
m X1
m X1
m
v = i vi = i vi + m i vi
i=1 i=1 i=1
X1
m
= ( 1 + m i ) vi 2 Gen (fv1 ; :::; vm 1 g)
i=1
11
1.14 Coordenadas respecto de una base
Si B = fv1 ; :::; vn g es una base del espacio vectorial V , entonces para todo
v 2 V se tiene que
X
n
v= 1 v1 + ::: + n vn = i vi
i=1
[v]B = ( 1 ; :::; n )B
1. En Rn
12
2. En Mn (R) ;
m
8 2 3 2 3
>
> 1 0 0 0 1 0
>
< 6 7 6 7
6 0 0 0 7 6 0 0 0 7
B = E1 = 6 .. .. .. 7 ; E2 6 .. .. .. 7 ; :::;
>
> 4 . . . 5 4 . . . 5
>
: 0 0 0 0 0 0
2 39
0 0 0 >
>
6 0 0 07>
=
6 7
En m = 6 .. .. 7
..
4 . . 5>
.>
>
0 0 1 ;
3. En Pn (R)
B = 1; x; x2 ; :::; xn
llamada base canónica de Pn (R).
Siempre que no haya confusión, se suele omitir la indicación de la base
en la expresión de las coordenadas respecto de las bases usuales.
Ejemplos
13
v4 = (5; 15; 20)g R3 , entonces
2 3 2 3 2 3
1 3 4 1 3 4 1 3 4
6 2 1 1 7 6 0 7 7
7 7 6 0 1 1 7
6 7 !6 !6 7
4 3 2 5 5 4 0 7 7 5 4 0 0 0 5
5 15 20 0 0 0 0 0 0
v = u1 + u2 =)
(2; 1; 1) = (1; 3; 4) + (0; 1; 1) =)
8
< = 2
=2
3 + = 1 =)
: = 7
4 + = 1
Entonces
2 3 2 3 2 3
1 0 0 1 1 0 0 1 1 0 0 1
6 0 1 0 7
1 7 6 0 1 0 7
1 7 6 0 1 0 1 7
6 !6 !6 7
4 1 1 0 0 5 4 0 1 0 1 5 4 0 0 0 0 5
1 1 0 2 0 1 0 1 0 0 0 0
14
y una base de Gen (S) es :
p = ( 1; 2; 0; 1)
= (1; 0; 0; 1) + (0; 1; 0; 1) =)
8
>
> = 1
<
= 2 = 1
=)
>
> 0 = 0 =2
:
= 1
1 1 0 0 2 2
S = M1 = ; M2 = ; M3 = ;
0 1 1 1 2 2
3 3 1 1
M4 = ; M5 =
5 3 3 1
15
Entonces
2 3 2 3
1 1 0 1 1 1 0 1
6 0 0 1 1 7 6 0 0 1 1 7
6 7 ! 6 7 !
4 3 3 5 2 5 4 0 0 2 0 5
1 1 3 1 0 0 3 0
2 3 2 3
1 1 0 1 1 1 0 0
6 0 0 1 0 7 6 0 0 1 0 7
6 7 ! 6 7
4 0 0 0 1 5 4 0 0 0 1 5
0 0 0 0 0 0 0 0
2 2
M= = (2; 2; 3; 2) = 2N1 + 3N2 2N3
3 2
a b
M= = (a; b; c; d)
c d
16
1.18 Proposición
Si V 6= f0g es un espacio vectorial con una base formada por n vectores,
entonces cualquier conjunto de n + 1 vectores es linealmente dependiente.
Para que una combinación lineal de los vectores de S sea igual al vector
cero, se ha de cumplir :
!
X
n+1 X
n+1 X
n+1 X
n+1
17
Observación : Una base de un espacio vectorial V 6= f0g de dimensión
n está formada por cualesquiera n vectores linealmente independientes.
18
1.23 Suma e intersección de subespacios
Si S y T son dos subespacios vectoriales, de un mismo espacio vectorial
V , se de…ne su intersección y suma como
S \ T = fv 2 V : v 2 S y v 2 T g y
S + T = fu + v 2 V : u 2 S y v 2 T g
respectivamente. Los conjuntos S \ T y S + T son subespacios vectoriales.
Ejemplo
Sean S = f(x; y; z) : y = 0g y T = f(x; y; z) : x z = 0g dos sub-
espacios vectoriales de R3 . Los vectores de S \ T son aquellos que están
S y T , por lo que sus ecuaciones implícitas son la unión de las de ambos
subespacios. Por lo tanto, las ecuaciones y una base de S \ T son
8
< x =
y=0
=) y = 0 ; 2 R =) BS\T = f(1; 0; 1)g
x z=0 :
z =
Un sistema de generadores de S+T es la unión de una base de S con otra
de T . Puesto que BS = f(1; 0; 0) ; (0; 0; 1)g y BT = f(0; 1; 0; ) ; (1; 0; 1)g,
entonces
2 3 2 3
1 0 0 1 0 0
6 0 0 1 7 6 0 1 0 7
6 7 6 7 3
4 0 1 0 5 ! 4 0 0 1 5 =) BS+T = fe1 ; e2 ; e3 g =) S + T = R
1 0 1 0 0 0
Se puede observar que la representación de un vector de S + T como
suma de un vector de S y otro de T no es única. Por ejemplo,
u = (1; 1; 1) = (1; 0; 1) + (0; 1; 0) = (3; 0; 3) + ( 2; 2; 2)
siendo, en cada suma, el primer vector de S y el segundo de T .
19
1.25 Caracterización de la suma directa
Sean S y T dos subespacios vectoriales de V . Entonces
La suma de S y T es directa () S \ T = f0g
Demostración :
(=)) Si S \ T 6= f0g, entonces existe v 6= 0 con v 2 S \ T , de donde
v = v + 0 = 0 + v, y la suma no sería directa.
(=)) Si u = v1 + w1 = v2 + w2 , entonces v1 v2 = w2 w1 2 S \ T ,
luego v1 v2 = w2 w1 = 0 de donde v1 = v2 y w1 = w2 , y la suma
sería directa.
20
pues BT es base de T , y entonces
X
n
i vi = 0 =) i = 0; 1 i n
i=1
Ejemplo :
En R4 se consideran los subespacios vectoriales
Puesto que
2 3 2 3 2 3
1 0 1 2 1 0 1 2 1 0 1 2
6 0 1 1 7
0 7 6 0 1 1 7
0 7 6 0 1 1 0 7
6 !6 !6 7
4 1 0 1 1 5 4 0 0 2 3 5 4 0 0 2 3 5
0 1 1 3 0 0 2 3 0 0 0 0
21
8
>
> x1 =
<
x2 = x1 x2 x3 = 0
T ; ; 2 R =)
>
> x3 = x1 3x2 + x4 = 0
:
x4 = +3
y también :
22
GUÍA DE EJERCICIOS
UNIDAD : ESPACIOS VECTORIALES
¿ Es un espacio vectorial ?
(a) S = f(x; y; z) : y = 0g
(b) S = f(x; y; z) : x + y + z = 0g
(c) S = f(x; y; z) : x + z = 1g
(d) S = f(x; y; z) : x + z = 0g
(e) S = f(x; y; z) : x + z 0g
(f) S = f(x; y; z) : xy = 0g
(g) S = fp (x) = x3 + ax + b : a; b 2 Rg
(h) S = fp (x) = ax3 + b : a; b 2 Rg
(a) S = f1; 1 + x; 1 + x + x2 g
(b) S = fx; x2 ; x + x2 g
(c) S = f1 x2 ; 1 + x; x2 x; x + x2 g
23
(d) S = f1 + x2 ; 2 + x2 g
24
13. Halla una base del espacio vectorial generado por el conjunto de vec-
tores :
a + b + 3c 2a b
M= : a; b; c 2 R
a c a + 2b + 5c
x1 + x2 = 0
(a) W = (x1 ; x2 ; x3 ; x4 ) 2 R4 :
x3 + x4 = 0
x1 + x2 = 1
(b) W = (x1 ; x2 ; x3 ; x4 ) 2 R4 :
x3 + x4 = 1
En caso a…rmativo, determina una base.
25
(a) Prueba que S y T son subespacios vectoriales de R3
(b) Encuentra una base de S, y halla las coordenadas de un vector
arbitrario de S respecto de dicha base
(c) Prueba que BT = f(0; 1; 1) ; ( 1; 1; 0)g es una base de T , y
encuentra las coordenadas de ( 2; 1; 1) 2 T respecto de dicha
base.
26
Halla bases y dimensiones de S; T; S + T y S \ T
24. En R5 se consideran los subespacios vectoriales
U = Gen (f(1; 0; 1; 0; 0) ; (2; 1; 0; 1; 1) ; (4; 1; 2; 1; 1)g)
W = Gen (f(1; 1; 1; 1; 1) ; ( 2; 0; 0; 0; 3) ; (0; 1; 2; 1; 1) ; (0; 2; 2; 2; 5)g)
Halla bases de U; W; U + W y U \ W.
25. En R3 se consideran los subespacios vectoriales
U = f(a; b; c) : a = c; a; b; c 2 Rg
V = f(0; 0; c) : c 2 Rg
W = f(a; b; c) : a + b + c = 0; a; b; c 2 Rg
27
30. Determina a; b 2 R para que el vector v = (2; a; b; 1) pertenezca
al subespacio vectorial S = Gen (f(1; 0; 2; 0) ; (0; 1; 1; 1)g). Obtén un
subespacio suplementario de S en R4 .
V = Gen 1 + x3 ; 1 + x + x2 ; 2x x2 ; 2 + 3x2
W = Gen 1 + 3x2 x2 x3 ; 1 + 4x + x2 x3 ; 2x x2
V = Gen x + x2 ; x x2 ; 2x + x2
W = a + bx + cx2 + dx3 : b + c = 0; 2b c = 0
T = a + bx + cx2 + dx3 : a = 0; b = ; c = 0; d = + ; ; 2R
Soluciones :
1. No
5. Son 1.i.
28
9. p (x) = a + bx + cx2 = [(a 3b + 9c; b 6c; c)]B .
11. a = 1 y b = 11.
12. Gen (A) = Gen (B) = Gen (f(1; 0; 1) (0; 1; 1)g) = S, y Gen (C) 6= S
porque (1; 1; 0) 2
= S.
29
y BS+T = f(1; 0; 1; 1) ; (0; 1; 0; 1) ; (0; 0; 1; 0)g.
8
> x1 = 3 8
>
< < x1 + 2x2 x3 = 0
x2 =
S\T : ; 2 R; x2 x3 + x4 = 0; y BS\T = f(3; 1; 1; 2)g .
>
> x3 = :
: 2x3 x4 = 0
x4 = 2
30
dim (S + T ) = 3, y BS+T = f(1; 0; 1; 0) ; (0; 1; 0; 1) ; (0; 0; 1; 2)g
dim (S \ T ) = 1, y BS\T = f(1; 0; 1; 0)g
29. La suma S1 +S2 no es directa. BS1 +S2 = f(1; 0; 1; 0) ; (0; 1; 2; 2) ; (0; 0; 1; 1)g.
31
2 Transformaciones lineales
2.1 Transformación
Sean V y W dos espacios vectoriales sobre el mismo cuerpo K (en general,
R o C). Una función T : V ! W se llama transformación lineal u
homomor…smo si
T (u + v) = T (u) + T (v) ; 8 u; v 2 V
T ( u) = T (u) ; 8 u 2 V; 8 2 K
Estas dos condiciones son equivalentes a la única condición :
T ( u + v) = T (u) + (v) ; 8 u; v 2 V; 8 ; 2K
2.2 Ejemplos
1. Las siguientes aplicaciones, T : R2 ! R2 , son transformaciones
lineales :
32
2.3 Propiedades
Si T : V ! W es una transformación lineal, se cumple :
1. T (0) = 0
2. T ( u) = T (u)
2.5 De…niciones
Una transformación lineal (homomor…smo) se llama monomor…smo si es
inyectiva, epimor…smo si es sobreyectiva, e isomor…smo si es biyectiva.
Cuando los espacios inicial y …nal coinciden, la transformación lineal y el
isomor…smo se suelen llamar endomor…smo y automor…smo, respectiva-
mente.
Demostración
(=)) Si T es inyectiva, entonces :
33
((=) Inversamente, si KerT = f0g, entonces
T (u) = T (v) =) T (u v) = 0 =) u v = 0 =) u = v
luego T es inyectiva.
luego w 2 Im T .
T (vi) = wi , para 1 i n
P
Demostración : Para cada v = ni=1 xi vi 2 V se de…ne
X
n
T (v) = xi wi
i=1
34
Es fácil ver que T es transformación lineal y que T (vi ) = wi ; para
1 i n. Además es única, pues si T1 : V ! W veri…ca la misma
condición, entonces
!
Xn Xn X
n
T1 (v) = T1 xi vi = xi T1 (vi ) = xi wi = T (v)
i=1 i=1 i=1
2.9 Observaciones
Si T : Rn ! Rn viene de…nida por T (u) = Au; A 2 Mm n (R), entonces
- KerT son las soluciones del sistema homogéneo Au = 0
- Si B = fe1 ; e2 ; :::; en g es la base canónica de Rn , entonces
Im T = Gen (fT (e1 ) ; T (e2 ) ; :::; T (en )g) = Gen (fc1 ; c2 ; :::; cn g)
donde ci es la columna i-ésima de la matriz A.
2.10 Ejemplo
Si T : R23 ! R3 es
3 la transformación lineal asociada a la matriz
1 0 1
A = 4 0 1 0 5, entonces
0 0 0
Im T = Gen (f(1; 0; 1) ; (0; 1; 1) ; (1; 0; 1)g) = Gen (f(1; 0; 1) ; (0; 1; 1)g)
KerT = fu : Au = 0g = Gen (f(1; 0; 1)g)
ya que
2 3 2 3 8
1 0 1 1 0 1 < x=
4 0 1 0 5 ! 4 0 1 0 5 =) y=0 ; 2R
:
1 1 1 0 0 0 z=
35
entonces la imagen de cualquier u = (x1 x2 ; :::; xn )BV 2 V , expresada en la
base BW de W , es
!
Xn X n X n Xm
T (u) = T xj vj = xj T (vj ) = xj aij wi
j=1 j=1 j=1 j=1
!
X
m X
n
= aij xj wi
i=1 j=1
0 Pn 1 2 32 3
a1j xj a11 a12 a1n x1
B Pj=1
B
n
j=1 a2j xj C
C 6
6 a21 a22 a2n 7
76
6 x2 7
7
= B .. C = 6 .. 76 .. 7 = Au
@ . A 4 . 54 . 5
Pn
j=1 amj xj am1 am2 amn xn
2.12 Ejemplo
La matriz asociada a la transformación lineal T : R4 ! R3 de…nida,
respecto de las bases canónicas, por
T (x1 ; x2 ; x3 ; x4 ) = (x1 + x4 ; x1 + x2 + x3 ; x1 + x2 + x3 )
es 2
3
2 3x1
1 0 0 1 6
x2 7
T (x1 ; x2 ; x3 ; x4 ) = 4 1 1 1 0 5 6 7
4 x3 5
1 1 1 0
x4
36
Para hallar el núcleo, se resuelve el sitema :
8
>
> x1 =
<
x1 + x4 = 0 x2 =
T (u) = Au = 0 =) =) ; ; 2R
x1 + x2 + x3 = 0 >
> x3 =
:
x4 =
de donde KerT = f(1; 0; 1 1) ; (0; 1; 1; 0)g. La imagen es
Im T = f(1; 1; 1) ; (0; 1; 1) ; (0; 1; 1) ; (1; 0; 0)g = f(1; 0; 0) ; (0; 1; 1)g
- B2 es linealmente independiente :
!
X
n X
n X
n
iT (vi ) = T i vi = 0 =) i vi 2 KerT
i=r+1 i=r+1 i=r+1
X
n X
r
=) i vi = ( i ) vi
i=r+1 i=1
Xn
=) i vi = 0 =) i = 0; 1 i n
i=1
=) i = 0; r + 1 i n
37
Por lo tanto dim (KerT ) + dim (Im T ) = dim V
2.15 Proposición
Si T : V ! W es una transformación lineal con dim V = dim W = n < 1,
entonces
T es isomor…smo () es monomor…smo () es epimor…smo
Demostración :
T es epimor…smo () dim (Im T ) = dim W = n () dim (KerT ) =
0 () T es monomor…smo
38
2.17 Ejemplo
Si T1 : R2 ! R3 y T2 : R3 ! R2 vienen de…nidas por
2 3 2 3
1 1 x
4 x 1 0 1
T1 (x; y) = 0 1 5 T2 (x; y; z) = 4 y 5
y 0 1 0
1 1 z
respecto de las bases canónicas, entonces T2 T1 : R2 ! R2 y
T1 T2 : R3 ! R3 vienen de…nidas por
2 3
1 1
1 0 1 4 x
(T2 T1 ) (x; y) = 0 1 5
0 1 0 y
1 1
0 0 x 0
= =
0 1 y y
2 3 3 2
1 1 x
1 0 1 4 5
(T1 T2 ) (x; y; z) = 4 0 1 5 y
0 1 0
1 1 z
2 32 3 2 3
1 1 1 x x y+z
= 4 0 1 0 54 y 5=4 y 5
1 1 1 z x+y z
respecto de las bases canónicas.
39
Puesto que esta transformación es un isomor…smo, rgA = n y la matriz
A es invertible. Su inversa A 1 es la que pasa de las coordenadas respecto
de B 0 a las coordenadas respecto de B. Resumiendo :
0
A = [Id]B
B = [[v1 ]B 0 ; :::; [vn ]B 0 ] y A [u]B = [u]B 0
A 1
= [Id]B
B0 = [[v10 ]B ; :::; [vn0 ]B ] y A 1
[u]B 0 = [u]B
2.19 Ejemplo
Si es R3 se considera la base canónica Bc = fe1 ; e2 ; e3 g y la base
entonces 2 3
1 0 1
A = [Id]B
B
c
=4 0 1 1 5 y [u]BC = A [u]B
1 2 0
De esta manera, si u = (3; 2; 1)B , entonces
2 32 3 2 3
1 0 1 3 2
[u]Bc = 4 0 1 1 54 2 5 = 4 1 5
1 2 0 1 1
40
Sean P = [IdV ]B V
BV0 y Q = [IdW ]B
BW
W
0 las matrices del cambio de base en
V y W , respectivamente. Observando el diagrama
V BV A! W BW
x ?
? ?
? ?
? P ? Q 1
? ?
? y
0 0
V BV C ! W BW
se deduce que
B0 1
C = [T ]BW
0 =Q AP
V
2.21 Ejemplo
Se construye el diagrama
Bc B
(R3 ) A! (R3 ) c
x ?
? ?
? ?
? P ? P 1
? ?
? y
B B
(R3 ) C! (R3 )
2 3
1 0 1
donde P = [Id]B
B
c
=4 0 1 1 5 y entonces
1 2 0
2 3
2 1 4
C = [T ]B = P 1 AP = 4 1 2 3 5
3 3 3
41
es decir, que si u = [x; y; z]B entonces su imagen, también expresada
en la base B, es
2 32 3
2 1 4 x
T (x; y; z) = 4 1 2 3 5 4 y 5
3 3 3 z
42
GUÍA DE EJERCICIOS
UNIDAD: TRANSFORMACIONES LINEALES
43
Averigua si son homomor…smos y, en caso a…rmativo, si son monomor-
…smo, epimor…smo o isomor…smo.
44
(c) Si W es un subespacio vectorial de R3 de dimensión 2, ¿ cuál
es la dimensión de T (W ) ?
10.
1
(a) T : M2 2 (R) ! M2 1 (R), de…nida por T (A) = A
1
(b) T : M2 (R) ! M2
2 2 (R), de…nida por
1 1 1 1
T (A) = A A.
0 1 0 1
45
(c) T : P3 (R) ! P3 (R), de…nida por T (1) = x2 + 1,
T (x) = x + 2; T (x2 ) = x3 x
R1
(d) T : P3 (R) ! R2 , de…nida por T (p (x)) = p (1) ; 0
p (x) dx
x1 x2 x2 x
T1 (x1 ; x2 ; x3 ) = T2 (A) = (1 x) A
x2 x2 x3 x2
18. En R3 se de…ne el 2
endormor…smo
3 T cuya matriz, respecto de la base
a 1 1
canónica, es Aa = 4 1 a 1 5
1 1 a
46
(a) Halla los valores de a para los que T no es automor…smo. En
estos casos, halla bases del núcleo y de la imagen
(b) Para a = 2, encuentra un vector u 6= 0 tal que
T (u) 2 Gen (fug)
+ 2
W = : ; 2R
+2
47
(b) B1 = f(1; 0; 0) ; (0; 1; 0) ; (0; 0; 1)g y B2 = f(2; 3; 4) ; (1; 2; 6) ; (1; 3; 5)g
0 1 1 0 4 1 5 0
25. Sean A = ; B= ; C= ; D= ;
3 1 2 0 3 2 2 1
S = Gen (fA; B; Cg) y T : S ! P2 (R) de…nida por T (A) =
x; T (B) = x2 + 1 y T (C) = x2 + x + 1
48
(a) Halla la matriz de T respecto de B. ¿ Para qué valores de a
es T biyectiva ?
(b) Para a = 1 se considera el subespacio vectorial
W = Gen (f(1; 1; 0) ; (2; 0; 1)g). ¿ Es KerT W = R3 ? ¿ Es
Im T K erf = R3 ? Calcula T 1 ( 2; 2; 0)
(c) Para a = 2, sea B 0 = fu1 = e1 e2 ; u2 = e3 ; u3 = 2e3 g. Prueba
que B 0 es base y halla la matriz de T respecto de B 0
27. Sea T : R3 ! R3 una aplicación lineal tal que dim (Im T ) = 1, las
ecuaciones del KerT respecto de la base
B 0 = fu1 = (1; 0; 0) ; u2 = (1; 1; 0) ; u3 = (1; 1; 1)g son
x0 + y 0 = 0
, y tal que existe v = (b; 0; 0) 6= (0; 0; 0)
ax0 y 0 + (a + 1) z 0 = 0
veri…cando que
T (v) = T 2 (v) = u1 + u2 + u3 . Halla las ecuaciones de T respecto
de la base canónica
49
(b) Halla las ecuaciones implícitas de KerT y de Im T
a b
T = a x + x2 + bx + dx2
c d
Soluciones
50
1. (a) ; (b) ; (e) y (f ) son aplicaciones lineales, mientras que (c) y (d)
no lo son
2. (a) y (c) son aplicaciones lineales, mientras que (b) y (d) no lo son
3.
4. T1 es epimor…smo, y T2 no es homomor…smo
5.
(a) uS = (x z; y; 0) y uT = (z; 0; z)
(b) Es lineal
(c) La dimensión de T (W ) es 1 (si W2 W) o
2 (si W2 \ W = f0g)
10.
51
(b). f(6; 2; 3)g
3 1 1 1 2 3
11. [T1 ]B = , [T2 ]B = , [T1 T2 ]B = ,
1 1 1 0 0 1
2 0
[T2 T1 ]B = y [2T12 3T22 ]B
3 1
13. f(1; 1; 1; ) ; (0; 1; 1)g es base de la imagen y f(1; 1; 2)g del núcleo
14.
1 1 0 0
(a)
0 0 1 1
2 3
0 0 1 0
6 1 0 0 1 7
(b) 6
4 0
7
0 0 0 5
0 0 1 0
2 3
1 2 0 1
6 0 1 1 0 7
(c) 6
4 1
7
0 0 0 5
0 0 1 0
1 1 1 1
(d)
1 21 13 14
2 3
1 0 0 0
6 1 1 0 0 7 +
15. 6
4 0
7 ; Im T = : ; ; 2R ;
0 1 1 5
1 1 0 0
KerT = Gen = (fx2 + x3 g)
16.
52
8
>
> y1 =
<
y2 = +
Im T : ; ; ; 2 R ; 7y1 + 6y2 + 3y3 y4 = 0
>
> y3 = 2 +
:
y4 = +3
1 x = 11 3x + 3y + 2z = 0
(b) T (W ) : ; 2R;
y= 5 ; 5x + 2y + 5z = 0
17.
2 3 2 3
1 1 0 0 0 0 0
6 0 1 0 7 6 1 0 0 0 7
(b). [T1 ]C2 C2 = 64 0
7 ; [T2 ] = 6 7
4 0 1 1 0 5 ;
1 0 5 C2 C2
0 1 1 0 0 0 1
rg [T1 ]C1 C2 = rg [T2 ]C2 C3 = 3
donde C1 base canónica de R3 , C2 base canónica de M2 2 (R)
y C3 base canónica de P3 (R)
1 0 0 1 0 0
(c). Im T1 = Gen ; ; ; y KerT1 = f0g
0 0 1 0 0 1
0 1
ImT2 = Gen (fx; x2 ; x3 g) ; y KerT2 = Gen
1 0
2 3
0 0 0
6 1 1 0 7
(d). [T2 T1 ]C2 C2 = 6
4 0
7 ; rg [T2 T1 ]
C2 C3 = 3 ;
2 0 5
0 1 1
Im [T2 T1 ] = Gen (fx; x ; x3 g) ; y Ker [T2 T1 ] = f0g
2
18.
19.
53
(a) No es única. Por ejemplo :
a b a+b 5a + b
T = 0; + c; +d
c d 3 3
(b) No
2 3
1 0 2
20. [T ]Bc 4
= 5 3 5 5 ; y T 1
(r) = Gen (f(6; 11; 0)g)
0 0 3
21.
(a) a = 1=5
1
(b) T (1; 0; 0; 0) =
2 3
1 0
(c) 4 1 1 5
1 1
22.
1 3
(a)
1 1
2 3
8 1 1
14
(b) 3 6 3 5
9
10 8 1
23. fu = (0; ; ) : 2 Rg
24.
2 3
3 0 3
14
(a) 3 0 3 5
6
3 2 1
2 3
3 3 0
1
(b) 4 1 1 0 5
6
2 2 0
25.
54
3 0
(a) BIm T = fx; 1 + x2 g y BKerT =
2 1
8
< =b+c
T : [a; b; c]B1 ! [ ; ; ]B2 con =a+c
:
=b+c
8
< =a
T : [a; b; e]B3 ! [ ; ; ]B4 con =b
:
=0
(b) No existe
26.
2 3
0 a 1
4
(a) [T ]B = a 1 0 5 ; T es biyectiva si a 6= 1
1 0 1
(b) KerT W = R3 y KerT Im T = R3 ;
T 1 ( 2; 2; 0) = (0; 2; 0)
2 3
4 2 6
1
(c) [T ]B 0 = 4 3 3 3 5
2
1 1 5
3x 3z x z
27. T (x; y; z) = ;x z;
2 2
28.
(a) k 6= 1
(b) B1 = fu1 ; u2 ; u3 = (1; 1; 1)g y B2 = fT (u1 ) ; T (u2 ) ; v3 g
1
(c) T (S) = Gen (f(3; 8; 0) ; ( 5; 0; 8)g)
29.
2 3
1 1 0
14
(a) [T ]B = 1 1 0 5
2
0 0 0
x+y =0
(b) Im T ; KerT x y=0
z=0
55
30.
2 3
0 0 0 0
(a) 4 1 1 0 0 5
1 0 0 1
(b) BIm T = fx; x2 g. Gen (f1g) es suplementario de Im T en P2 (R)
1 1 0 0
(c) BS = ; y, por ejemplo,
0 1 1 0
0 1 0 0 2 4 2 2
BT = ; . En este caso : = +
0 0 0 1 6 8 6 2
0 6
0 10
1 1
(d) M3 = M1 + 3M2 = ;3
2 2 B
0 1 0 0
(e) ; ; M1 ; M2
0 0 0 1
1 4 1 0 0 3 0
(f) T (Gen (f3x + 4x2 g)) = Gen ; ;
0 0 1 0 0 1
31.
56
3 Diagonalización de endomor…smos
3.1 Endomor…smo
Se llama endomor…smo a una transformación lineal T : V ! V de un
espacio vectorial V en si mismo.
T (u) = Au donde A = [T ]B
VB A! WB
x ?
? ?
? ?
? P ? P 1
? ?
? y
0 0
VB C! VB
1
de donde C = [T ]B 0 = P AP y T (u) = Cu respecto de la base B 0 .
57
Nota : Aunque aquí sólo se consideran espacios vectoriales y matrices
reales, con lo que se obtienen diagonalizaciones reales, todo lo que se diga es
igualmente cierto para otro cuerpo K, con lo que se obtienen diagonaliza-
ciones en K.
Av = v () (A I) v = 0
S ( ) = fv 2Rn : (A I) v = 0g = Ker (A I)
Ejemplo :
2 T : R3 !
Sea 3 R3 el endomor…smo asociado a la matriz
0 0 1
A= 4 4 2 2 5, respecto de la base canónica. El polinomio caracterís-
2 0 3
tico, y sus raíces, son :
0 1
= 1, con m.a. (1) = 1
p( ) = 4 2 2 = ( 2)2 ( 1) = 0 =)
= 2, con m.a. (2) = 2
2 0 3
58
donde m.a.( ) indica la multiplicidad algebraica del autovalor . El espec-
tro es (A) = f1; 2g. Los subespacios pripios asociados a estos autovalores
son : 8 2 32 3 9
< 1 0 1 x =
4 5 4 5 x y=0
S (1) = Ker (A I) = v : 4 1 2 y =0 = v: =
: ; y 2x = 0
2 0 2 z
Gen (f(1; 2; 1)g) 8 2 32 3 9
< 2 0 1 x =
S (2) = Ker (A 2I) = v : 4 4 0 2 5 4 5
y = 0 = fv : 2x z = 0g
: ;
2 0 1 z
= Gen (f(1; 0; 2) ; (0; 1; 0)g)
Es fácil comprobar que los autovectores v1 = (1; 2; 1) 2 S (1),
v2 = (1; 0; 2) 2 S (2), y v3 = (0; 1; 0) 2 S (2) forman base. Puesto que
T (v1 ) = v1 , T (v2 ) = 2v1 y T (v3 ) = 2v3 , la matriz respecto de esta base
B = fv1 ; v2 ; v3 g es 2 3
1 0 0
D = [T ]B = 4 0 2 0 5
0 0 2
que es diagonal, luego el endomor…smo T y la matriz A son diagonalizables.
Para relacionar las matrices A y D se recurre al diagrama :
Bc B
(R3 ) A! (R3 ) c
x ?
? ?
? ?
? P ? P 1
? ?
? y
B Bc
(R3 ) D! (R3 )
2 3
1 1 0
donde P = [Id]B c 4 2 0 1 5
B =
1 2 0
Es fácil comprobar la relación D = P 1 AP
Es inmediato de las de…niciones la siguiente caracterización :
59
3.6 Independencia de autovectores asociados a distin-
tos autovalores
Autovectores asociadoa a autovalores distintos son linealmente independi-
entes.
60
3.8 Propiedades
1. El polinomio característico de un endomor…smo, respecto de cualquier
base, es siempre el mismo.
Demostración : Si A y C son las matrices de un endomor…smo
T respecto de dos bases distintas, están relacionadas por la matriz del
cambio de base por una relación del tipo C = P 1 AP . Entonces :
1 1 1 1
jC Ij = P AP IP P = P (A I) P = P jA Ij jP j = jA Ij
pues jP 1
j = jP j 1 .
2. La suma de todos los autovalores de una matriz, contando cada uno de
ellos tantas veces como indica su multiplicidad, es igual a su traza.
Demostración : Sean 1 ; 2 ; :::; n los n autovalores de una matriz
cuadrada A = [aij ] de dimensión n. Puesto que los autovalores son
las raíces del polinomio característico, se tiene que
jA Ij = (a11 ) ::: (ann ) + pn 2 ( )=( 1 ) ::: n
de donde
1 + ::: + n = a11 + ::: + ann = traza (A)
3. El producto de todos los autovalores de una matriz, contando cada
uno de ellos tantas veces como indica su multiplicidad, es igual a su
determinante.
Demostración : Sean 1 ; :::; n los n autovalores de una matriz
cuadrada A = [aij ] de dimensión n. Entonces
jA Ij = ( 1 ) ::: ( n )
61
3.9 Consecuencias inmediatas de las propiedades an-
teriores
- Los autovalores de un endomor…smo son los mismos respecto de cualquier
base.
62
GUÍA DE EJERCICIOS
UNIDAD: DIAGONALIZACIÓN
63
2 3
2 3 3
6. Sea A = a4 1 2 5. Estudia para qué valores de a la matriz
a 0 1
A es diagonalizable. Calcula para a = 0 la matriz diagonal D y la
matriz P tales que D = P 1 AP
7.
64
12. Halla la matriz de T : R3 ! R3 respecto de la base canónica si sus au-
tovalores son 1,2 y -1, y sus autovectores asociados (1; 1; 1) ; (0; 1; 2)
y (1; 2; 1), respectivamente.
13. Halla la potencia An de cada una de las siguientes matrices :
2 3
1 1 0
(a) A = 4 0 2 0 5
2 1 3
2 3
a b b
(b) B = 4 b a b 5
b b a
15. De un endomor…smo sobre R3 se sabe que los vectores (1; 0; 0) ; (1; 1; 0) ; (0; 1; 0)
y (0; 0; 1) son autovectores, y que hay vectores que no lo son: Halla
todos los autovectores del endomor…smo.
16. Sea
2 T el endomor…smo
3 de…nido sobre R4 cuya matriz asociada es
1 1 0 0
6 1 0 0 1 7
6 7, y sea U = Gen (f(1; 0; 2; 1)g).
4 0 0 1 0 5
0 1 0 1
65
a b
18. Sea G = : a; b; c; d 0; a + c = b + d = 1
c d
66
Soluciones
1.
2.
5.
3 1 1
6. La matriz A es diagonalizable si <a< y si a >
8 3 3
2 3 2 3
1 0 0 1 0 1
Si a = 0; D = P 1 AP con D = 4 0 1 0 5 y p = 4 1 1 0 5
0 0 2 0 1 0
67
7.
9. Si B = f1 + x3 ; x + x2 ; 1 x3 ; x x2 g, la matriz es
2 3
1 0 0 0
6 0 1 0 0 7
D=6 4 0 0
7
1 0 5
0 0 0 1
10. El único autovalor es = 1 con m:a: (1) = 4. S (1) = Gen (f(1; 0; 0; 0)g)
11.
68
2 3
2 2 1
12. [T ]BC = 4 3
2
3 25 5
0 2 3
13.
2 3
2n 1 0
1
(a) An = 4 2n
0 5 5
2
1 3n 2 3
02 3 2 3 1
2 1 1 1 1 1
1
(b) An = @4 1 2 1 5 (a b)n + 4 1 1 1 5 (a + 2b)n A
3
1 1 2 1 1 1
14.
(a) T (x; y; z) = (y + z; x + 2y + z; x + y)
(b) B 0 = f(1; 1; 1) ; (1; 0; 1) ; (1; 2; 1)g
16.
1 1 7 1
17. (T ) = ; y [T ]BC = 20 20
1 7
4 3 30 30
(a) Todas
(b) Si a = d = 1; D = M y P = I
a+d 0 1 d 1
Si a 6= 1 o d 6= 1; D = y P =
0 1 1 a 1
(c) Si a = d = 1; M n = I ; y si a 6= 1 o d 6= 1, entonces
1 (a + d 1)n (a 1) + (d 1) (a + d 1)n (d 1) + (d 1)
Mn =
a+d 2 (a + d 1)2 (a 1) + (a 1) (a + d 1)n (d 1) + (a 1)
69
4 Espacios euclídeos
4.1 Producto escalar. Espacio euclídeo
Se llama producto escalar sobre un espacio vectorial real V a cualquier
aplicación
< ; >: V V ! R
(u; v) !< u; v >
que veri…ca las siguientes propiedades :
- Conmutativa : < u; v >=< v; u >; 8 u; v 2 V
< u; v + w >= < u; v > + < u; w >
- Bilineal : ;
< v + w; u >= < v; u > + < w; u >
8 u; v; w 2 V; w 2 V; 8 ; 2 R
< u; u > 0; 8 u 2 V
- De…nida positiva :
< u; u >= 0 () u = 0
Un espacio vectorial con un producto escalar de…nido sobre él se llama
espacio euclídeo.
4.2 Ejemplos
1. Si u = (x1 ; :::; xn ) y v = (y1 ; :::; yn ) son dos vectores de Rn en la
base canónica, el producto
X
n
< u; v >= xi yi
i=1
2. En R2 , es un producto escalar :
1 1 1 1 x2
< u; v >= uT v = [x1 y2 ]
1 2 1 2 y2
ya que es :
T
1 1 1 1
- Conmutativo : < u; v >= uT v= vT u
1 2 1 2
70
= < v; u >T =< v; u >
1 1
- Bilineal : hu; v + wi = uT ( v + w) = hu; vi +
1 2
hu; wi, y por la propiedad conmutativa se veri…ca también en la
primera va- riable.
- De…nido positivo : Si u = (x; y) ; hu; ui = (x + y)2 + y 2 0, y es
cero sólo si x = y = 0
Por el contrario, la aplicación :
1 1
hu; vi = uT v
1 1
no es un producto escalar. Es bilineal y conmutativo pero no es de…nido
positivo pues, por ejemplo, h(0; 1) ; (0; 1)i = 1 < 0.
3. En Rn la aplicación de…nida por
hu; vi = uT Av
con A 2 Mn n (R) simétrica A = AT es siempre conmutativo y
bilineal, por lo que será un producto escalar si es de…nido positivo.
6 yj hv1 ; vj i 7
6 j=1 7
6 n 7
6 P 7
6 yj hv2 ; vj i 7
= [x1 x2 xn ] 6
6 j=1
7
7
6 .. 7
6 . 7
6 n 7
4 P 5
yj hvn ; vj i
j=1
71
2 32 3
hv1 ; v1 i hv1 ; v2 i hv1 ; vn i y1
6 hv2 ; v1 i hv2 ; v2 i 6 7
hv2 ; vn i 7
76
y2 7
= [x1 x2 xn ] 6
4 56 .. 7
4 . 5
hvn ; v1 i hvn ; v2 i hvn ; vn i yn
de donde
2 3
hv1 ; v1 i hv1 ; v2 i hv1 ; vn i
6 hv2 ; v1 i hv2 ; v2 i hv2 ; vn i 7
6 7
hu; vi = uT Gv con G = 6 .. .. .. 7
4 . . . 5
hvn ; v1 i hvn ; v2 i hvn ; vn i
4.4 Ejemplo :
En Rn , la matriz de Gram del producto escalar usual, de la base canónica,
es la matriz identidad :
2 32 3
1 0 0 y1
Xn 6 0 1 0 7 6 y2 7
u = (x1 ; x2 ; :::; xn ) 6 76 7
=) u v = xi yi = [x1 x2 : : : xn ] 6 .. .. .. 7 6 .. 7
v = (y1 ; y2 ; :::; yn ) 4 . . . 54 . 5
i=1
0 0 1 yn
[u]B = P [u]B 0
=) hu; vi = [u]TB G [v]B = uTB 0 P T G (P vB 0 )
[v]B = P [v]B 0
= uTB 0 P T GP vB 0 = [u]TB 0 G0 [v]B 0
Luego G0 = P T GP .
72
4.6 Propiedades de la matriz de Gram
Si G = [aij ] 2 Mn n (R) es la matriz de Gram de un producto escalar,
entonces
- G es simétrica G = GT , y
- aii > 0, para 1 i n;
por las propiedades conmutativa y de…nida positiva respectivamente.
4.8 Ejemplo
La norma usual de Rn , inducida por el producto usual, de
u = (x1 ; :::; xn ) 2 Rn es v
u n
uX
kuk = t x21
i=1
73
4.9 Vector unitario, vector normalizado y vectores or-
togonales
Sea V un espacio euclídeo, y sea h ; i su producto escalar. Se llama
u
vector unitario a cualquier vector de norma uno. Si u 6= 0 entonces
kuk
es un vector unitario. En efecto,
1 1
! 12
u u u 2 u 2 kuk2
= ; = hu; ui = =1
kuk kuk kuk kuk2 kuk2
4.10 Ejemplos
1. Sean u = (1; 2) y vp= (3; 4) vectores de R2 , con el producto usual.
Puesto que kuk = 5 y kvk = 5, ninguno de ellos es unitario,
u 1 2
siendo = p ;p el vector normalizado de u. Además no
kuk 5 5
11
son ortogonales, pues u v = 11, siendo = arc cos p
5 5
2. En R4 , con el producto usual, los vectores normalizados de los sigu-
ientes son los que se indican :
pu 1 1
u = (1; 0; 1; 0) =) kuk = = p ; 0; p ; 0
2 =)
kuk 2 2
p v 1 1
v = (0; 1; 0; 1) =) kvk = 2 =) = 0; p ; 0; p
kvk 2 2
w 1 1 1 1
w = (1; 1; 1; 1) =) kwk = 2 =) = ; ; ;
kwk 2 2 2 2
74
4.11 Bases ortogonales y ortonormales
Un conjunto de vectores no nulos, de un espacio vectorial euclídeo V , se
llama ortogonal si son ortogonales dos a dos. Si además todos son unitarios,
el conjunto se llama ortonormal.
Es decir :
hui ; uj i = 0; para i 6= j
fu1 ; :::; um g es ortogonal ()
kui k = 6 0, para 1 i m
hui ; uj i = 0, para i 6= j
fu1 ; :::; um g es ortonormal ()
kui k = 1, para 1 i m
Es claro que :
u1 um
fu1 ; :::; um g ortogonal =) ; :::; ortonormal
ku1 k kum k
75
4.13 Ejemplo
En R3 , el conjunto de vectores
u1 1 1 u2 1 1 u3
v1 = = p ; p ; 0 ; v2 = = p ; p ; 0 ; v3 = = (0; 0; 1)
ku1 k 2 2 ku2 k 2 2 ku3 k
hv2 ; u1 i
hu2 ; u1 i = hu2 ; u1 i + 21 hu1 ; u1 i = 0 =) 21 =
ku2 k2
Por lo tanto
hv2 ; u1 i
u2 = v2 u1
ku1 k2
- A continuación se elige u3 = v3 + 31 u1 + 32 u2 con la condición de
que hu3 ; u1 i = hu3 ; u2 i = 0, para lo que se necesita que
hv3 ; u1 i
hu3 ; u1 i = hu3 ; u1 i + 31 hu1 ; u1 i + 0 = 0 =) 31 =
ku1 k2
hv3 ; u2 i
hu3 ; u2 i = hu3 ; u2 i + 32 hu2 ; u2 i = 0 =) 32 =
ku2 k2
76
Por lo tanto
hv3 ; u1 i hv3 ; u2 i
u3 = v3 u1 u2
ku1 k2 ku2 k2
- Y así sucesivamente, se obtiene :
X
k 1
hvk ; uj i
uk = vk 2 uj
j=1
ku j k
para 2 k m.
Para obtener una base ortonormal, se aplica el proceso de normalización
después de aplicar Gram-Schmidt :
Base Gram Schmidt Base ortogonal N ormalizacion
! Base ortonormal
!
4.15 Ejemplo
Sea S el subespacio de R4 generado por el conjunto de vectores
B = fv1 = (1; 1; 0; 0) ; v2 = (1; 1; 1; 1) ; v3 = ( 1; 0; 2; 1)g
que es linealmente independiente (es una base de S). Aplicando el proceso
de Gram-Schmidt :
u1 = v1 = (1; 1; 0; 0)
hv2 ; u1 i 0
u2 = v2 u1 u1 = (1; 1; 1; 1)
ku1 k2 2
hv3 ; u1 i hv3 ; u2 i 1 3 1
u3 = v3 u1 2 u2 = v3 u1 = 1; 1; ;
ku1 k2 ku2 k 2 2 2
Una base ortogonal de S es
3 1
BOT G = u1 = (1; 1; 0; 0) ; u2 = (1; 1; 1; 1) ; u3 = 1; 1; ;
2 2
y una base ortonormal :
u1 1 1 u2 1 1 1 1
BOT N = w1 = = p ; p ; 0; 0 ; w2 = = ; ; ;
ku1 k 2 2 ku2 k 2 2 2 2
p p p p !)
u3 2 2 2 2
w3 = = ; ; ;
ku3 k 3 3 2 6
77
4.16 Coordenadas de un vector respecto de una base
ortonormal
Si B = (e1 ; :::; en ) es una base ortonormal de un espacio vectorial euclídeo
V , entonces :
X
n
v= hv; ei i ei = [hv; e1 i ; :::; hv; en i]B
i=1
S ? = fv 2 V : hu; vi = 0; 8 u 2 Sg
4.18 Ejemplo
En R4 , con el producto usual, el complementario ortogonal del subespacio
es el subespacio :
78
4.19 Teorema
Si S es un subespacio vectorial del espacio vectorial euclídeo V , se cumple
que
V = S S?
Como consecuencia : dim S + dim S ? = dim V .
Demostración :
- S \ S ? = f0g :
u 2 S \ S ? =) hu; ui = kuk2 = 0 =) u = 0
- S + S?
- Si S = f0g, entonces S ? = V y el resultado es evidente
- Si S 6= f0g, se amplía una base ortogonal fv1 ; :::; vk g de S a
una base ortogonal fv1 ; :::; vk ; vk+1 ; :::; vn g de V , y entoces cualquier vector
u 2 V se puede expresar como
X
n X
k X
n
u= xi vi = xi vi + xi vi = v + w con v 2 S y w 2 S ?
i=1 i=1 i=k+1
4.20 Proyecciones
Si S un subespacio vectorial del espacio vectorial euclídeo V , cada vector
u 2 V se descompone de forma única como suma de un vector de S y otro
de S ? , que se llaman, respectivamente, proyecciones de u sobre S y
sobre S ? , y se representan :
v2S v = proyS u
u = v+w con =) y u = proyS u+proyS ? u
w 2 S? w = proyS ? u
Se de…ne el ángulo que forman un vector u 2 V con un subespacio S
como el ángulo que forma con su proyección, es decir :
hu; proyS ui
cos = ; = ^ (u; S) = ^ (u; proyS u)
kuk kproyS uk
y la distancia entre ellos como la norma de su proyección sobre S ? , es
decir:
d (u; S) = kproyS ? uk = ku proyS uk
79
4.20.1 Cálculo de la proyección
Sea S un subespacio vectorial del espacio vectorial euclídeo V . Para hallar
la proyección de un vector u 2 V sobre S se puede proceder, según el caso,
de cualquiera de las siguientes formas :
- Si u = v + w con v 2 S y w 2 S ? , entonces v = proyS u
- Si B = fw1 ; :::; wk g es una base ortonormal de S, entonces
X
k
proyS u = hu; wi i wi
i=1
4.21 Ejemplo
En R4 con el producto usual, para hallar la proyección de u = (0; 2; 1; 1)
sobre el subespacio S = f(x1 ; x2 ; x3 ; x4 ) : x1 + x2 = 0g hay que hallar una
base, a ser posible ortonormal. Puesto que
8 9
>
> x 1 = >
>
< =
x2 =
S = (x1 ; x2 ; x3 ; x4 ) : ; ; ; 2R =
>
> x3 = >
>
: ;
x4 =
= Gen (fu1 = (1; 1; 0; 0) ; u2 = (0; 0; 1; 0) ; u3 = (0; 0; 0; 1)g)
80
una base ortogonal es fu1 ; u2 ; u3 g, y una base ortonormal :
1 1
w1 = p ; p ; 0; 0 ; w2 = (0; 0; 1; 0) ; w3 = (0; 0; 0; 1)
2 2
La proyecciónd e u sobre S es
2
proyS u = (u w1 ) w1 +(u w2 ) w2 +(u w3 ) w3 = p w1 +w2 w3 = ( 1; 1; 1; 1)
2
y sobre S ? es
4.23 Ejemplos
2 3
0 1 0
1. La matriz S = 1 4 0 0 5 es simétrica y, por lo tanto, ortogonal-
0 0 1
mente diagonalizable. Sus autovalores son 1, con multiplicidad 2, y
81
1. Los subespacios propios asociados, y la base ortogonal respecto
de la que es diagonalizable, son :
82
GUÍA DE EJERCICIOS
UNIDAD: ESPACIOS EUCLÍDEOS
83
(a) Halla la matriz de Gram respecto de la base B
(b) Halla la matriz de Gram respecto de la base
B 0 = fv1 v3 ; v2 + v3 ; v2 + v3 g
(c) Halla una base respecto de la que hu; vi = uT v
10. En un espacio
2 vectorial euclídeo,
3 cuyo producto escalar tiene por matriz
1 0 0
de Gram 4 0 2 1 5 en la base B = fu1 u2 ; u3 g, calcula la
0 1 2
proyección ortogonal de u3 sobre S = Gen (fu1 ; u2 g).
84
13. En R4 con el producto usual, halla la distancia del vector (1; 0; 1; 0)
x1 + x2 = 0
al subespacio S . Calcula S ?
x2 + x3 x4 = 0
14. Se considera P2 (R) con el producto escalar
16. Sean B = f(1; 1; 0) ; (1; 0; 1) ; (1; 2; 0)g una base de R3 . Estudia si son
simétricas las aplicaciones lineales T1 ; T2 : R3 ! R3 cuyas matrices
respecto de B son :
2 3 2 3
1 4 2 4 5 6
[T1 ]B = A1 = 4 2 2 3 5 [T2 ]B = A2 = 4 4 2 7 5
0 3 0 3 5 4
85
2 3
4 0 4 6
6 0 1 0 0 7
(c) C = 6
4 4
7
0 0 2 5
6 0 2 5
2 3
5 4 4
(d) D = 4 4 5 4 5
4 4 5
2 3
1 5 0
(e) E = 4 5 1 0 5
0 0 4
20. Sea A 2 M2 (R) una matriz simétrica tal que (A) = f1; 9g y
u = (1; 1) es un autovector asociado al autovalor 1. Halla razonada-
mente :
86
p
(d) kT (0; 1; 0)k = 6
Soluciones
1. La matriz identidad.
1 2 5
2. En CR ([ 1; 1]) : arccos = 120o , arccos p y arccos p
2 7 2 7
2 7 4
En P2 (R) : arccos p ; arccos p y arccos p
10 55 44
1
3. arccos p
n
87
2 3
2 1 5
4. G = 4 1 1 3 5
5 3 14
5.
1 1 1
(a) w1 = p (1; 2; 0; 0) ; w2 = p (2; 1; 0; 5) ; w3 = p (2; 1; 6; 1)
5 30 42
1
(b) w1 ; w2 ; w3 ; w4 = p (2; 1; 1; 1)
7
6.
1 1
(a) p (1; 0; 1) ; p ( 1; 1; 1) ; S1? = Gen (f(1; 2; 1)g)
2 3
1 1
(b) p (1 x) ; 3x 1 ; S2? = Gen x2 x +
3 6
1 1 1
(c) p (1; 0; 1; 0) ; p ( 1; 2; 1; 0) ; p (1; 1; 1; 3) ; S3? = Gen (f1; 1; 1; 1g)
6 6 12
7.
2 3
9 3 0
(a) G (B) = 4 3 4 3 5
0 3 9
2 3
18 9 9
(b) G (B 0 ) = 4 9 19 5 5
9 5 7
1 1 1
(c) (1; 0; 0) ; (0; 0; 1) ; p (1; 3; 1)
3 3 3 2
8. T (x; y) = ( y; x)
9. proy Wu = ( 1; 1; 1; 1)
1
10. proyS u3 = u2
2
88
11.
(a)
4
(b) f(1; 1; 0) ; (0; 0; 1)g
3 3 1
(c) ; ;
2 2 2
12.
2
3
2 1 1
1
(a) G (B) = 4 1 2 1 5
2
1 1 2
(b) d (P; 0) = 5
x=z
(c) (x; y; z) :
y=0
p
35
13. ; S ? = Gen (f(1; 1; 0; 0) ; (0; 1; 1; 1)g)
5
14.
( p )
1 x 6 2
(a) p ; p ; x2
3 2 2 3
2 3
3 0 2
(b) G = 4 0 2 0 5
2 0 2
2
(c) Gen x; x2
3
1
(d)
3
1
(e)
3
15. Si v = 0 o w = 0, entonces T (u) = 0; 8 u 2 R3 , y por tanto
Kert = R3 ; imT = f0g y (T ) = f0g
89
17.
18. Las matrices de las aplicaciones lineales respecto de la base usual son :
2 3 2 3
1 0 0 0 0 0 0 0
6 0 0 1 0 7 6 0 1 1 0 7
[T1 ]Bu = A1 = 6
4 0 1 0 0 5
7 [T2 ]Bu = A2 = 6
4 0
7
1 1 0 5
0 0 0 1 0 0 0 0
(a) v = (1; 1) 2 S9
5 4
(b) A =
4 5
1 0 1
(c) Hay cuatro posibles matrices : B = P P con
0 3
1 1
P =
1 1
90
2 3
0 1 1
21. A = 4 1 2 1 5
1 1 0
22. Si es ortogonalmente diagonalizable :
(A) = f0; 1; 2g ; S0 = Gen (f( 1; 0; 1)g) ; S1 = Gen (f(0; 1; 0)g) y
S2 = Gen (f(1; 0; 1)g)
2 3
1 1 1
1
23. A = 4 1 1 1 5
3
1 1 1
1 1 1
24. B = p (1; 0; 1) ; p (1; 2; 1) ; p (1; 1; 1)
2 6 3
2 3
2 1 1
1
25. [T ]c = 4 1 2 1 5
3
1 1 2
26.
91
5 Transformaciones ortogonales
5.1 Transformación ortogonal
Se llama transformación ortogonal a un endomor…smo T : V ! V
sobre un espacio vectorial euclídeo (V; < ; >) que conserva el producto
escalar, es decir que
5.3 Ejemplos
1 1 1
1. La matriz A = p es ortogonal, pues
2 1 1
1 1 1 1 1 1 1 2 0
AT A = p p = =I
2 1 1 2 1 1 2 0 2
1 1 1
2. La matriz A = p no es ortogonal, pues
2 1 2
1 1 1 1 1 1 1 2 1
AT A = p p = 6= I
2 1 2 2 1 2 2 1 5
5.4 Teorema
Sea A = [T ]B la matriz de la transformación ortogonal T : V ! V
respecto de una base ortonormal B de (V; < ; >). Entonces :
92
Demostración : Basta observar que
5.5 Observación
Si A = [aij ]1 i;j n 2 Mn n (R), entonces AT = [bij = aji ]1 i;j n y
AT A = [cij ]1 i;j n donde
X
n X
n
cij = bik akj = aki akj = ci cj
k=1 k=1
5.6 Lema
La matriz de un cambio de base entre bases ortonormales es ortogonal
5.7 Teorema
Sea T : V ! V una transformación sobre el espacio euclídeo (V; < ; >).
Entonces, la transformación T es ortogonal si y sólo si conserva la norma,
es decir :
T es ortogonal () kT (v)k = kvk , 8 v 2 V
Demostración :
(=)) Si T es ortogonal, entonces
p p
kT (v)k = hT (v) ; T (v)i = hv; vi = kvk
93
para todo v 2 V , es decir conserva la norma.
5.8 Observación
Las transformaciones ortogonales conservan normas, distancias, ángulos.
5.9 Teorema
Sea T : V ! V una transformación sobre el espacio euclídeo (V; h ; i).
Entonces, la transformación T es ortogonal si y sólo si transforma bases
ortonormales en bases ortonormales.
Demostración :
(=)) Si T es ortogonal, y B = fei ; ej ; :::; en g es una base ortonormal,
entonces :
0 ; si i 6= j
hT (ei ) ; T (ej )i = hei ; ej i =
1 ; si i = j
de donde se deduce que fT (e1 ) ; T (e2 ) ; :::; T (en )g es una base ortonormal.
X
n
hu; vi = h[(x1 ; x2 ; :::; xn )]B ; [(y1 ; y2 ; :::; yn )]B i = xi yi
i=1
94
y también que
* n +
X X
n D E
hT (u) ; T (v)i = xi T (ei ) ; yi T (ej ) = [(x1 ; x2 ; :::; xn )]f (B) ; [(y1 ; y2 ; :::; yn )]f (B)
i=1 i=1
X
n
= xi yi
i=1
luego hT (u) ; T (v)i = hu; vi, y la aplicación T es ortogonal.
95
se tiene que :
1 1 b2 a2 2ab
C = [Sr ]Bc = P AP = 2
a + b2
2 2ab a b2
96
5.11 Teorema
El determinante de una matriz ortogonal es 1.
Demostración : Si A 2 Mn n (R) es una matriz ortogonal se cumple
que AT A = I, y tomando determinantes :
AT A = jAj2 = 1 =) jAj = 1
5.12 Teorema
Los valores propios reales de una transformación ortogonal sólo pueden ser
1 ó 1.
Demostración : Si 2 R es un valor propio de la transformación
ortogonal T : V ! V , existen vectores propios no nulos v 2 V tales
que T (v) = v. Puesto que las transformaciones ortogonales conservan la
norma:
kvk = kT (v)k = k vk = j j kvk =) j j = 1 =) = 1
97
1. Si jAj = 1, entonces
a c
A= con jAj = a2 + c2 = 1
c a
luego existe un único 2 [0; 2 ) tal que a = cos y c = sen de
donde
cos sen
A=
sen cos
y la transformación ortogonal es un giro, centrado en el origen, de
ángulo con
tr (A)
tr (A) = 2a = 2 cos =) = ar cos
2
2. Si jAj = 1, entonces
a c 2
A= con jAj = a2 + c 2 = 1 y P( )= 1
c a
98
5.14 Clasi…cación de las transformaciones ortogonales
en R3
Sea T : R3 ! R3 una transformación ortogonal cuya matriz respecto de
una base ortonormal es A, es decir :
2 3
x
4
T (x; y; z) = A y 5 con AT A = I
z
Puesto que los valores propios de A sólo pueden ser 1, y el polinomio
característico tiene grado 3, alguno de ellos debe ser 1 o 1. Si S (1) =
Ker (A I) es el subespacio propio asociado a = 1, se pueden presentar
los siguientes casos :
99
ortogonal T es un giro con eje en la recta r S (1) y su matriz
respecto de la base B es
2 3
1 0 0
[T ]B = 4 0 cos sin 5
0 sin cos
100
y T es una simetría central con centro en el origen. En este caso
dim S ( 1) = 3
En resumen, se tiene la siguiente clasi…cación :
dim S (1) dim S ( 1) Aplicación ortogonal
3 0 Identidad
2 1 Simetría respecto del plano E S (1)
1 0 ó 2 Giro de eje r S (1) y ángulo = arccos traza(A)
2
1
101
GUÍA DE EJERCICIOS
UNIDAD: TRANSFORMACIONES ORTOGONALES
1. En R2 , estudia la ortogonalidad de las transformaciones lineales cuyas
matrices, respecto de la base canónica, son :
1 4
(a) A =
1 5
1 3
(b) B =
1 2
1 2
(c) C =
2 5
" p #
1 3
(d) D = p2 2
3 1
2 2
" p #
3 1
(e) E = 2 p2
1 3
2 2
" p #
3 1
(f) F = 2 p2
1 3
2 2
(b) B = 4 0 1
2 2
3 5
1 0 0
2 3
1 2 2
(c) C = 4 2 1 2 5
2 2 1
102
4. Sea T : V ! V una transformación lineal, de…nida sobre el espacio
euclídeo V , cuyas ecuaciones respecto de una base ortonormal B son
: 8 0 1
< x = 3 (x 2y 2x)
y 0 = 31 ( 2x + y 2z)
: 0 1
z = 3 ( 2x 2y + z)
103
8. Halla la matriz, respecto de la base canónica, de una transformación
lineal simétrica T : R3 ! R3 que conserva la norma de todos los vec-
tores del plano x z = 0 y tal que S ( 1) = f(x; y; z) : x + 2y + z = 0g
Soluciones
2.
p p
(a) Simetría respecto del plano 2 2 x2z = 0
3 n o
(b) Giro de ángulo = arccos y eje la recta Gen 1; p13 ; 1
4
(c) Composición de una simetría respecto del plano y z = 0 con
1 x=0
un giro de ángulo = arccos y
3 y+z =0
104
2 3
2 1 0 1
6 1 2 0 1 7
3. W ? = Gen (f(0; 0; 1; 0) ; (1; 1; 0; 1)g) y [Pr oyW ]Bc = 13 6
4
7.
0 0 0 0 5
1 1 0 2
No es una transformación ortogonal.
4.
2 3
1 2 2
14
(a) [T ]B = A = 2 1 2 5
3
2 2 1
(b) AT A = I
(c) S = S (1) = Gen (f(1; 0; 1) ; (0; 1; 1)g), y T S ? = S ?
(d) Simetría respecto del plano x + y + z = 0
5.
0 1
(a)
1 0
1 3 4
(b)
5 4 3
p
3 1
(c) 2 p2
1 3
2 2
6.
2 4
3 2
5
0 5
(a) 4 5
2
0 5 1
5
0 0 0
2 3 4 3
5 5
0
(b) 4 45 35 0 5
0 0 1
2 3
0 p12 p12
6 1 7
(c) 4 p12 1
2 2 5
p1 1 1
2 2 2
105
2 p p p 3 2 p p p 3
2 2 2 2 2 2 5 4+3 2 4 3 2
5p 10
p 2 p5 10p 10p
6 4 3 2 3+4 2 1 7 6 3 2 3 4 2 3+4 2 7
(d) c b = 4 10p 10p 2 5 y b c=4 10 10 10
5
4+3 2 3 4 2 1 p1 1 1
10 10 2 2 2 2
7.
(a) No
(b) No
2 3
2 2 1
14
8. 2 1 2 5
3
1 2 2
9.
(a) No
(b) (T ) = f0; 3; 6g con S (0) = Gen (f(2; 2; 1)g) ; S (3)
= Gen (f(1; 2; 2)g) y S (6) = Gen (f(2; 1; 2)g)
0 1
0 0 0
(c) Gen = @ 0 3 0 A con B = 32 ; 32 ; 31 ; 13 ; 32 ; 32 ; 32 ; 13 ; 32
0 0 6
10.
2 3 4
3
5
0
5
(a) [T ]Bc = 4 4
5
0 5, con S (1) = Gen (f(2; 1; 0) ; (0; 0; 1)g) y
3
5
0 0 1
S ( 1) = Gen (f(1; 2; 0)g). Simetría respecto del plano S (1)
2 3 4
3
5 5
0
(b) [T ]Bc = 4 45 3
5
0 5, con S (1) = Gen (f(2; 1; 0)g) y
0 0 1
S ( 1) = Gen (f(1; 2; ; 0) ; (0; 0; 1)g). Giro de eje S (1) y ángulo
.
2 3 4
3
5 5
0
(c) [T ]Bc = 4 45 3
5
0 5, con S (1) = Gen (f(1; 2; 0) ; (0; 0; 1)g)
0 0 1
y
S ( 1) = Gen (f(2; 1; 0)g). Simetría respecto del plano S (1)
106
2 3 4
3
5 5
0
(d) [T ]Bc = 4 4
5
3
5
0 5, con S (1) = Gen (f(1; 2; 0)g) y
0 0 1
S ( 1) = Gen (f(2; 1; 0) ; (0; 0; 1)g). Giro de eje S (1) y ángulo
.
107