Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra II Armando Rojo PDF
Algebra II Armando Rojo PDF
A R MA N D O 0. ROJ O
IIIIIIII
www.FreeLibros.com
E L A T E N Ewww.FreeLibros.com
O
álgebra II
Armando O. Rojo
D é c i m a t e r c e r a e d ic ió n
www.FreeLibros.com
5 1 2 (0 7 5 ) R o jo , A rm a n d o O.
ROJ A lg e b ra II. - 13a. ed. - B u e n o s A ire s : El A te n e o ,
1995.
X II, 3 9 6 p .; 2 3 x 16 cm .
IS B N 9 5 0 -0 2 -5 2 0 5 -8
A d v e r te n c ia im p o rta n te :
Ei d e r e c h o d e p r o p ie d a d d e e s ta o b ra c o m p re n d e p a ra su a u to r la
fa c u lta d d e d is p o n e r d e elia, p u b lic a rla , tra d u c irla , a d a p ta rla o a u to riz a r
su tra d u c c ió n y re p ro d u c irla e n c u a lq u ie r fo rm a , to ta l o p a rc ia lm e n te , po r
m e d io s e le c tró n ic o s o m e c á n ic o s , in c lu y e n d o fo to c o p ia s , g ra b a c ió n
m a g n e to fó n ic a y c u a lq u ie r s is te m a d e a lm a c e n a m ie n to d e in fo rm a ció n .
Im preso en T. G. C O LO R EFE,
Paso 192, Avellaneda, Bs. As.,
el 6 de m arzo de 1995.
Tirada: 2.000 ejemplares.
IM PR ESO EN LA AR G EN TIN A
www.FreeLibros.com
P R O LO G O
Este libro responde a los contenidos de la asignatura ALG EBRA LINEAL, que
figura en los planes de estudios del ciclo básico de Matemática de las facultades e
institutos ote profesorado. Se supone adquirido el conocimiento de los temas
relativos al álgebra de conjuntos, relaciones, y funciones, y de las estructuras de
grupo, anillo y cuerpo. Esencialmente se desarrolla a q u í la estructura de espacio
vectorial y se estudian los modelos particulares indispensables en la formación actual
de profesionales y en las aplicaciones a disciplinas de uso cotidiano, entre las que
citamos, por ejemplo, la Estadística y la Investigación operativa.
El esquema seguido es análogo al expuesto en Algebra I, editado por EL
ATENEO en 1972. La teoría es ilustrada con el desarrollo de ejemplos en los que el
alumno puede apoyarse. En cada capítulo se propone un trabajo práctico cuyas
respuestas se sugieren en el texto.
Agradezco a la editorial EL ATENEO y a su personaI la colaboración que me
han brindado en todo lo concerniente a esta publicación.
A R M A N D O O . R O JO
www.FreeLibros.com
aI
pi
)It
www.FreeLibros.com
CONTENIDO
www.FreeLibros.com
X C O N T E N ID O
5. 2. Determinantes 155
5. 3. Propiedades de la función determinante 157
5. 4. Existencia de D 161
5. 5. Unicidad del determinante 163
5. 6 . Determinante de la traspuesta 166
5. 7. Determinante del producto de dos matrices 169
5. 8 . Adjunta de una m atriz cuadrada 170
5. 9. Inversión de matrices no singulares 172
5.10. Regla de Cilio 174
Trabajo Práctico V 177
www.FreeLibros.com
C O N T E N ID O XI
www.FreeLibros.com
X II C O N T E N D IO
www.FreeLibros.com
Capítulo 1
1.1. INTRODUCCION
Definición
El objeto (V, + , K , . ) es un espacio vectorial si y sólo si se verifican los siguientes:
A2 . La suma es asociativa en V.
(x + y ) + z = x + (y + z)
cualesquiera que sean x, y, z en V.
www.FreeLibros.com
2 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
X+ y =y + x
. :KXV->V
De acuerdo con 5.6, A lgeb ra í, del mismo autor, la imagen del par (a, x), donde a e K y
x e V, se escribe a x y se llama producto del escalar a por x.
O sea
a eK a x e V =>ax e V
A7 . El producto satisface la asociatividad mixta.
V a e K, V P e K, V x e V : a (0 x ) - (a p) x
Observamos aquí que los dos productos que figuran en el primer miembro
corresponden a la ley de composición externa. Pero el producto a p del segundo
miembro se efectúa en K.
V a e K , V 0 e K , V x e V : ( a + 0 ) x = a x + (}x
La suma a + 0 se efectúa en K, pero la suma que figura en el segundo miembro
corresponde a la ley de composición interna en V.
www.FreeLibros.com
ESPACIO VECTORIAL 3
Ejemplo 1-1.
Sean: V = R2 , K = R, la adición definida en R 2 por
(a , b) + (c , d ) = (a + c , b + d) (1)
En efecto, de acuerdo con los ejemplos 5-2 y 5-5 iv) del texto nombrado, es (R2 , +)
un grupo abeliano.
= (a 0) (a , b)
A9 . a ^ ( a , b) + ( c , d) J = a (a + c , b + -d)~ ( a (a + c ) , a (b + rf)| =
= (a a + a c , otb + a d ) = (Oia, <x b ) + ( ot e, o c d ) ~ a ( a , b) + a ( c , d)
www.FreeLibros.com
4
ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
A¡0 . 1 ( a , b) = (1 a , Ib) = ( a , b)
Ejemplo 1-2.
« ( « , * ) = (a , a) (2’)
www.FreeLibros.com
ESPACIO VECTORIAL
« {$(<*,b)) = <*(a,a) = ( a , a ) = ( a $ ) ( a , b )
No se verifica A8 , ya que
(a + i 3 ) ( a , b ) = (a, a)
pero
a (a , b) + 0 (a , b) = (a , a) + ( a , a) = (2a , 2a)
Ejemplo 1-3.
www.FreeLibros.com
5 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
x + x + y + y ^ l x + lx + ly + ly = (1 + l ) x + ( l + l )y —(1 + 1 ) 0 + y)
= 1 (x + y ) + 1 (x + y ) = l x + ly + l x + ly = x + y + x + y
O sea
X + x + y +*y - X + y + x + y
Por ley cancelativa en el grupo (V , + ) resulta
x + y =y + x
Por A 3 se tiene
JJHC + O Ox
Y por ley cancelativa resulta
0x = 0
Por A 3 y A9 es
ax=fl(x + 0 ) = « x + a 0
Entonces
ax+aO=oix
Por A3
JX-X-+ a O ~ xh c + O
www.FreeLibros.com
PROPIEDADES DE LOS ESPACIOS VECTORIALES 7
ax=0^a=0vx=0
Se presentan dos posibilidades: a ~ 0, o bien, a 0
En el prim er caso es verdadera la primera proposición de la disyunción que figura en la
tesis, y por consiguiente ésta es verdadera.
En el segundo caso es necesario probar que x = 0.
En efecto, siendo 0, existe el inverso multiplicativo en K, a ’1. Partiendo de la
hipótesis, premultiplicando por a 1, usando A7 , 1.3.2., el producto de inversos en K y A i0
se tiene
a x = 0 => a -1 (a x) = a -1 0 => (a ’1 a ) x = 0 lx ~ 0 x=0
(--«) x = - (a x)
Teniendo en cuenta A4 , 1.3.1., la suma de opuestos en K y A8, es
— ( a x ) + a x = 0 = 0 x = (—a + a ) x = ( - a ) x + a x
De
( a ) x +-e¿'X'= - ( a x) + jxjc
después de cancelar, resulta
( - a ) x = - (a x)
En particular se tiene
( —1) x = --(1 x) = - x
El sím bolo Kx denota el conjunto de todas las funciones con dominio un conjunto X # 0
y codominio un cuerpo K, o sea
Kx = { f / f : X - > K |
En Kx definimos la suma de funciones y el producto de escalares por funciones mediante
www.FreeLibros.com
8 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
Resulta (KX , + , K , . ) un espacio vectorial. Para ello, veamos que se verifican los
axiomas.
A 6 .a e K A f e K x => a f e K x p o r la d e f i n i c i ó n i i ) .
A 7 . S e a n a e K ,/3 e K y f e K x .
www.FreeLibros.com
ESPACIO VECTORIAL DE FUNCIONES <.
Entonces
Luego
a (/3 f) = (a /? )f
A8 . Considerando
a e K , 0 e K y f e K x es
(a + |3)f = a f + 0 f
A9 . Sean a e K , f e K x y g e K x .
O sea
a (?+g)~a:f+ag
(lf)C * ) = 1 f (* ) = f(je)
Luego
1f = f
no
este espacio IZltZl ^
Vedt0rial de laS funci0nes definidas “ 61
^ C° mP° S1CÍÓn PUn‘° 3 P“ ‘°- Los
La figura siguiente explica la situación en el caso particular en que K = R y X = [0,1 ]
www.FreeLibros.com
10 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
c i = ( f + g) (0 = f (0 + g (0 = a¡ + bi
donde au b¡ y c¡ son las imágenes de i dadas por f, g y f + g, respectivamente.
En consecuencia, dos n-uplas de elementos de K se suman componente a componente.
ii) Si oí e K y f e K " , entonces a f es la función de I„ en K definida por
(a f) (?) = a f (/) cualquiera que sea / e In .
Denotando mediante c,- la imagen de i dada por a f es
Ci = (a 0 (0 = oc f (/) = a a¡
www.FreeLibros.com
ESPACIOS DE N -U P L A S Y DE MATRICES jx
En particular (K, +, K , .) es el espacio vectorial donde los vectores se identifican con los
elementos del cuerpo K. En este caso, la ley de composición externa es interna.
En consecuencia, (R, + , R , .) es el espacio vectorial de los números reales sobre el cuerpo
de los reales. Este es u n caso particular del espacio vectorial de las n-uplas de números reales
sobre el cuerpo de los reales, que denotamos mediante (Rn, + , R , .).
(C", +, C ,.) es el espacio vectorial de las n-uplas de números complejos sobre el cuerpo de
los complejos.
«11 «12 . . . a Xm
«22 • • • a2m
www.FreeLibros.com
12 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
« ni «n2 a n3
A = (a¡j) donde / = 1, 2 ,. . ., n y / = 1, 2 , . . m
El vector nulo del espacio K" x m se llama m atriz nula; la denotaremos mediante N, y está
definida por «y = 0 V i V /.
www.FreeLibros.com
ESPACIO DE SUCESIONES 13
Ejemplo 1-4.
¡j .j = 1 — i2 . Obtenemos C = A — 2B.
La expresión de C es C = A + ( —2)B, y como
1 0 -1
B=
3 2 1/
resulta
1 0 -1
C= +
Ci = (f + g) (0 = f (0 + g (0 = + bi V i e N
c¡ = (a f) (/) = a f (i) = a a¡ V i e N
O sea
Ejemplo 1-5
Sea R [X] el conjunto de los polinomios reales en la indeterminada X. La suma en
R [X] se define como en 12.2.2., Algebra 1, del mismo autor. El producto de escalares
www.FreeLibros.com
14 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
Ejemplo 1-6
Sea S el conjunto de las funciones reales definidas en [0,1 ] tales que f (0) = 0, es decir
S = í f : [ 0 , l ] ^ R / f ( 0 ) = 0j
www.FreeLibros.com
SUBESPACIOS 15
1.8. SUBESPACIOS
1.8.1. Concepto
Dados el espacio vectorial (V, + , K , .) y el conjunto no vacío S C V, si S es un espacio
vectorial sobre el mismo cuerpo K y con las mismas leyes de composición que en V, diremos
que (S, + , K , .) es un subespacio de (V, + , K , .), o simplemente, que S es uí? subespacio de
V.
Definición
S es un subespacio de (V, + , K , .) si y sólo si (S, + , K, .) es un espacio vectorial.
Cualquiera que sea (V, + , K , .), tan to V como j 0} son subespacios de V, llamados
triviales.
Ejemplo 1'7
Consideremos el espacio vectorial (R 2 , + , R , .) y los subconjuntos
T = ¡ (x, y ) e R 2 i y = x + 1 ¡ S = {(x, y ) e R 2 f y = 2 x )
www.FreeLibros.com
16 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
e n t L l T(a,s ^t K
entonces , K ,n^ ? un
.) es C‘°subespacio
^ V “ de Cr ?(V,
v °+ ,Para
K , .).la SUma y Para 61 Pr0duct0 P0r e s c a la r c s .
Demostración)
www.FreeLibros.com
SUBESPACIOS
17
Estas condiciones son, además, necesarias. Es decir, sabiendo que S es un subespacio son
proposiciones verdaderas.
Ejemplo 1-8
Sean: el espacio vectorial (R 3 , + , R , .), y el conjunto S de las ternas ordenadas de R
tales que la tercera com ponente es igual a la suma de las dos primeras.
O sea
S= { ( x ^ ^ ^ e R 3 l x z = *i + *2 f
x \ +x2 - x3=0
www.FreeLibros.com
18 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
Ejemplo 1-9
1. S = { f e R V /(0 ) = 0 )
2. S = {f e RV/tO) = 1 }
f(°)=l g(0) = 1
(f + g )(0 ) = 2
Ejemplo 1-10
S- j ( x l t x 2, x 3, * 4) e R 4 /x1 + x 2 + x 3 + x 4 = 1 j
Se verifica que
1. pues (1, 0 ,0 , 0 ) e S
2. S C R 4 por la definición de S
3. S 110 es cerrado para la suma ya que
(1, 1 , - 1 , 0 ) e S a (I, 1, - 1 , 0) e S pero
Ejemplo 1 - 11 .
www.FreeLibros.com
SUBESPACIOS 19
Si A e R” *n escribimos
au a n • « ln \
#21 #22 • a2n
A=
\ &n 1 • • • ®nn
Por definición, traza .de una m atriz cuadrada es la suma de los elementos de su
diagonal. La notación es
El conjunto
S = ( A e R nx" / fr A = 0
=» i a„ + i bu = 0 ¿ (aü + b u) = 0=>
í= i «=i i—i
=> tr (A + B) = 0 => A + B e S
4. S es cerrado para el producto por escalares. En efecto
n
a e R A A e S = >a e R A í í - A = 0=> a e R A 2 «ít- = 0=>
í=i
n n
=> a 2 a a - 0 =►S a a¡i = 0 *=> tr (a A) = 0 =* a A e S
i= l i —1
Ejemplo 1-12.
www.FreeLibros.com
> ESTRUCTURA DE l-SPACIO VECTORIAL. SUBESPACIOS
t *2
www.FreeLibros.com
INTERSECCION DE SUBESPACIOS 21
0 e S ¡ , Vi e I => 0 e H s¿ =>
¿el
r io
i el 1 r r
x e S A y e S = ^ x e >nl ss, Ay
, a y eei n
lS/=>
¿ el 7 i el
^ x + y e P s ^ x + yeS
ie l
^ a x e H s.-^axeS
i el
Ejemplo 1-13
En (R 3, + , R , .) consideramos los subespacios
Si = j ( x , , x 2 í x 3) e R 3/x3 = 0 j S2 = j ( x I l x 2 l x 3) e R 3/ x I= 0
La intersección de estos es
S = Si n S2 = j (X|, x 2, x 3) e R 3/ x i = 0 a x 3 = 0 }
www.FreeLibros.com
22 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
Esto significa que un vector genérico de S es una terna del tipo ( 0 , x 2, 0) que puede
expresarse mediante (0, a , 0) para algún ol en R.
Entonces
S = ((0 , a, 0) e R3 /a e R )
O sea, S es el eje x 2
Subespacios de R3 son: R 3 , {0 }, todas las rectas que pasan por el origen y todos los
planos que pasan por dicho punto. Dos rectas distintas que pasan por e! origen son
subespacios cuya intersección es el vector nulo, y se llaman disjuntos.
www.FreeLibros.com
SUMA DE SUBESPACIOS 23
La unión de ambos es el par de rectas, y eligiendo x e S , , y e S2, distintos del vector nulo,
se tiene
x e S j =>xeS! U S 2
y e S 2 =>y e S i u s 2
pero
x + y / S ! U S2
S = ( x e V / x = xj + x 2 a x i e S i a x 2 e S 2 1
O sea
S = | x e V / 3 x 1 e S 1A 3 x 2 e S 2 A x = x! + x 2 )
El conjunto S se llama suma de los subespacios S t y S2 y se indica
| S = S1 + S 2
j Teorema. La suma de dos subespacios de V es un subespacio de V.
! Hipótesis) Sj y S2 son dos subespacios de (V, + , K , .)
¡ S= S!+S2
Tesis) (S, + , K , .) es un subespacio de (V, + , K ,.)
Demostración) Se verifican las condiciones expuestas en 1.8.2., a saber
1. S es no vacío, pues
O e S i A 0 e S 2 ^ 0 + 0 = 0 e S i + S2 = > 0 e S
www.FreeLibros.com
24 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
s = s j © s2 ^ S = S! + s 2 a Si n s 2 = f o }
Ejemplo 1-14
Consideremos primero los subespacios de R 3
El subespacio suma S = Si + S2 está formado por todas las ternas del tipo
(a, 0’ + y ) = (<*,(}, y )
En cambio, si
St H ( t t , 0 , 0 ) / a e R [ y S2 = j (0 J , O)/0 e R )
se tiene
S = S , + S2 ~ 0 )/a e R A / 3 e R )
www.FreeLibros.com
OPERACIONES ENTRE SUBESPACIOS 25
Definición
Suma de los subespacios S j , S2, . . Sn de (V, +, K , .) es el conjunto
n
Resulta S = 2 S¡ un subespacio de (V, + , K , .).
i ^ / ^ s , - n S j = {o}
S = SX ©S2 ®. . . ©S*
Ejemplo 1-15
Sean S, T y U subespacios de (V, + , K , .), tales que T C S . Entonces se verifica que
s n ( T + u) = T + ( s n u )
I o. x e S n ( T + U ) = > x e S A x e T + U=>
www.FreeLibros.com
ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS
= * x e S A x = x 1 -f-XjAXi e T A x 2 eU=»
=^(xi + x 2 e S A X ] e S ) a x2 e U a Xi e T =>
^ X j € T a x 2 e S A x 2 eU=>
=> x t e T a x 2 e S n U =►xi + x 2 e T + (S n U) =►
=>xeT + (SnU )
O sea
sn(T + u)cT + (snu) (i)
^ X ! e T A x 2 6 S a x 2 e U =>
=>xj e T A x ! c S a x 2 e S A x 2 eU=>
=*Xi + x 2 eSAX! + x 2 e T + U=>
= > x , + x a e S n ( T + l J ) = > x e S n ( T + U)
Luego
T + (S O U) C S n (T + U) (2)
De (1) y (2) resulta la igualdad.
www.FreeLibros.com
f
I
TRABAJO PRACTICO I
1-16. Determinar si las cuaternas que se indican denotan espacios vectoriales con las
operaciones que se indican
oc ( a , b) ~ (ota, ab)
www.FreeLibros.com
28 ESTRU
CTURA DE ESPACIO VECTORIAL. SUBESPACIOS
1-23. Sea el espacio vectorial ( R " ,+ , R , .). Determinar si los siguientes conjuntos son
subespacios de R"
i ) S = ((Xi, x 2, . - - x n) e K n¡ x n e Z \
n
ii) S = ( ( x i , x 2, .. x„)eR ^S üiXi^O Aai eR}
ii) T = ( ( x , y ) / - ^ x + y = x ~ ^ y \
www.FreeLibros.com
TRABAJO PRACTICO I 29
v ) S = j ( z , i / ) e C 2/z= u |
S = { A e R nKn V/ V/ )
T = 1 A e R,,Xíl I a¡¡ = - a Jt Vi V ;)
www.FreeLibros.com
C apitulo 2
D EPEN D EN C IA E IN D E P E N D E N C IA LINEAL,
B A S E Y D IM E N S IO N
2.1. INTRODUCCION
“ r e " : “ t í * " “ ■ ¿
Definición
Definición
www.FreeLibros.com
COMBINACIONES LINEALES 31
Ejemplo 2-1.
Sean los vectores v, = ( - 1 , 0, 2) y v2 = ( - 1 , 2 ,4 ) en R 3 . Determinamos si los vectores
O sea
a , ( - 1 , 0 , 2) + o¡2 ( - 1 , 2 ,4 ) = (—1, 1, 3)
Por definición de ley externa es
( - a j , 0, 2 ) + ( - a 2 , 2 a a , 4 a a) - ( - 1 , -1,3)
2 ai + 4 a 2 =3
Entonces
0¡1 + q¡2 = 1
1
ct2 - -
a t + 2o^ = -
. 1 1
Oíj + - = 1 =*0 ti = —
2 . 2
www.FreeLibros.com
32 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
Ejemplo 2-2.
En el espacio vectorial de las funciones reales de una variable real (Rr , + , R , .) sean las
funciones f y g definidas por
f ( 0 = eí y g ( 0 = e 3í
Determinar todas las combinaciones lineales, es decir, los escalares a y b, tales que
a i + ¿>g = 0
a e =0
En consecuencia es a = 0.
Luego, la única combinación lineal de f y g que da la función nula es la trivial. Toda vez
que esto ocurra, diremos que los vectores, en este caso f y g, son linealmente
independientes.
www.FreeLibros.com
COMBINACIONES LINEALES 33
Ejemplo 2-3-1.
D ecidim os si el vector v = (1, 2 ,3 ) es com binación lineal de la fam ilia cuyos elementos
son los vectores de R 3 ,
Vl = ( 1 , 0 , - 1 ) va = ( 0 , 1 , - 1 ) v 3 = ( 1 , 1, —2)
Investigamos si existen escalares reales a , b y c , tales que
a Vi + / j v 2 + cv3 = v
lo que es imposible.
En consecuencia, v no es combinación lineal de Vi , v2 , y v 3 .
Ejemplo 2-3-2.
En el espacio vectorial (R 2X2, + , R , .) se consideran las matrices
www.FreeLibros.com
34 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
“ ° W í ° ) + /° ° . u ° °
0 a) \ 0 0 / \y y ) [ Q q
/< * + 0 0 \ /o 0 \
\0 + 7 a + y) \0 0/
0 + 7 = 0
oc + y = 0
De las dos primeras se deduce
0f = _ 0 y <y = _ 0
Sustituyendo en la tercera es
-2 0 = 0
O sea
0 = 0
Luego a = 0 = 7 = O y l a única combinación lineal que satisface la relación propuesta es
la trivial. v
^ = (i? i a¡ v* / “ í e K A vi e A )
Ejemplo 2-4.
www.FreeLibros.com
SUBESPACIO GENERADO 35
es
Á = { « i ( 1 , 0 , 1 ) + o¡2 ( 0 ,1 , l ) / «*! e RA (*2 e R ¡
O sea
Á = j ( a j , o t a , « ! + <*2 ) /<*i c R a a 2 e R |
En consecuencia, a A pertenecen todas las tem as cuya tercera componente es la suma
de las dos primeras.
Podemos escribir
A = ) (x i, x 2, x 3) e R 3 1 x 3 =Xi + x 2 )
A = ( v i, va, ■■.,v „ ¡ C V
Luego
veÁ^veV
O sea
ACV
www.FreeLibros.com
36 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
a e K A v e A = > a e K A v = 2 a, v- =>
í=i 1 ‘
Como se cumplen las hipótesis del teorema 1.8.2., resulta (A, +, K ,.), un subespacio de
1 ’ 5 i“, IV,
Definición
Ejemplo 2-5.
v, = ( 2 , 1 , 2 ) y v2 = ( 1 , 2 , 1 )
Por definición, el subespacio A es el conjunto de las temas { x u x 2, x 3) e R 3 tales que
( x i , x 2 l x 3) = a 1 (2, 1, 2) + ü2 ( 1, 2, 1)
= (2 , « i , 2 a!) + (a2i 2a2, a 2)
= (2 a , + a 2 ( a , + 2a2, 2a t + a 2)
Por igualdad de ternas es
2 aj + a 2 = x t
a i + 2a2 ~ x 2
2 aj + a 2 =x 3
x i =x 3
y x 2 es cualquier núm ero real.
En consecuencia
A - ¡ ( x l , x 2, x 1 ) / x l e R A x , e R
A es el plano de ecuación
x , - x* = 0
www.FreeLibros.com
SUBESPACIO GENERAD O
Ejemplo 2-6.
Obtener el subespacio de (R2 x 2 , + ,.) R ,
generado por las matrices
1 0\ /O I 0 0
V, =
Vl~ ' o - i ) Vs(~0 0 1 0
1 0' 0 1 0 0 a b
0)1 o - i / + “2lo o / + “3 U 0, c d
www.FreeLibros.com
38 DEPENDEN
CIA E INDEPENDENCIA LINEAL. BÁSE Y DIMENSION
En consecuencia
- a , oc2 = b , a 3 = c , - a , - d
Luego
d —- a y b y c
son números reales cualesquiera.
( : .* )
2.3.3. Propiedad
(¡> ^A = j v j , v 2 l . . ., v„ j C V
Tesis) A = D S,-
iel
Demostración)
En efecto
_ n
x e A =>x = 2 <xj Vj a dj e K a e A =>
n
=>x = 2 dj \ j a «y eK a v;- e Sf , Vi e I =>
2. i ne l s¡1 c á
Como todo v,- de A es combinación lineal de los elementos de A, pues
vf = 0 v, + 0 v2 + . . . + lv (- + . . . + 0 v„,
www.FreeLibros.com
SUBESPACIO GENERADO 39
se tiene que.
ACA
Ysiendo A un subespacio que incluye a A, se identifica con algún S e s decir, existe; en
I tal que S;- = Á.
Por otra parte, como la intersección está incluida en cualquiera de los conjuntos que se
intersecan, es
lO s.- Cc S,Si V,UieI
\ Si
En consecuencia
n
ie l
s¡' c a
Por lo tanto
A =n
íel
s,‘
En virtud del teorema demostrado, observamos que el subespacio generado por una
familia no vacía de vectores de V z¡> ei “m ínim o” subespacio, en el sentido de inclusión, que
incluye a A.
Ejemplo 2-7.
Demostrar que los siguientes conjuntos de vectores generan el mismo subespacio de
R 3.
A = j (1, —1, 1) , (3, 0, 1) | B = j ( - 2 ,- 1 ,0 ) ,(5,-2,3 ))
Determinaremos Á y B.
1.A A pertenecen las ternas (x, y , z), tales que
( x , y , z ) = t ( 1, —1, 1) + « ( 3 , 0 , i)
Entonces
(x, y , z) = (t, - t , t) + (3u, 0, «)
(x, y , z) = (t + 3« , - t , t + u)
Luego
x = t + 3u
y --t
z-t +u
Como t = - y , se tiene
x = - y + 3u
www.FreeLibros.com
DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
O sea
x = - y + 3u
3 2 = - 3 y + 3u
Restando
x - 3z = 2y
Resulta
A = j ( x , y , z ) e R 3 ¡ x - 2y - 3 z - 0
Como u - — z , se tiene
3
x = - 2t+7 *
y ~ - t ----- - z
3
O bien
x = —2 H — ■z
3
2y = - 2 t ----- - z
3
Restando
x — 2y - 3z
Luego
B = \ ( x , y , z ) e R 3 l x ~-2y -3z = 0
Resulta
A=B
La ecuación x - 2 y - 3 z = 0 corresponde a un plano que pasa por el origen.
www.FreeLibros.com
SUBESPACIO GENERADO 41
Ejemplo 2-8.
El subespacio de (V, + , K , .) generado por un vector v es, en particular, el conjunto de
todos los múltiplos escalares de v, o sea
{ b / j k e KÍ
Determinamos el subespacio de R2 generado por v = (1,2).
Llamando S a tal subespacio, se tiene
S = ( ( x l , x 2) l ( x l , x 2) := k ( l , 2)¡
En consecuencia
{ x t , x 2) = (k, 2 k)
O sea
Xi=k y x 2 = 2k
Eliminando el parámetro k entre ambas relaciones, resulta
*2=2*!
O lo que es lo mismo
2x ¡ - x 2 = 0
Entonces
S - j ( X í , x 2) e R 2 / 2 x i ~ x 2 = 0 ¡
www.FreeLibros.com
42 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
En el ejemplo 2-2 hemos dem ostrado que la única combinación lineal de los vectores f y
g, cuyo resultado es el vector nulo, es la trivial. O sea
a f + b g = 0 =>aí=:b = Q
Definición
>•
A es linealmente independiente o Vz: .2 a¡ v¡ = 0 =► a¡ = 0.
Definición
El conjunto A C V es linealmente independiente si y sólo si todo subconjunto finito de
A es linealmente independiente.
Esta definición extiende el concepto de independencia lineal a toda familia de vectores de
un espacio V.
www.FreeLibros.com
INDEPENDENCIA LINEAL
Ejemplo 2-9.
Dado el espacio vectorial (R 3 , +, R , . ) determinar si los siguientes conjuntos de
vectores son linealmente independientes.
i ) A = ( ( 1 , 0 , 0 ) , ( 0 , 1 , 0 ) , ( 0 , 0 , 1)|
ii) B = 1 ( 1 , - 1 , 0 ) , ( 1 , 1 , 2 ) , ( 1 , 0 , 1))
i ) Sea
«1 ( 1 , 0 , 0 ) + ( 0 , 1 , 0 ) + £*3 ( 0 , o, 1 ) = ( 0 , 0 , 0 )
( « i , 0, 0 ) + ( 0 , 0 2 , 0 ) + (0, 0, a 3) = (0, 0 ,0 )
(« 1 , 0 2 . « 3 ) = ( 0 , 0 , 0 )
Por igualdad de ternas resulta
o¡i = a 2 = a 3 = 0
Luego
A es linealmente independiente
ii) Procediendo análogamente
g¡i + a 2 + o¿3 = 0
- a , + <*2 =0=>a1 = a2
2 a-i + a 3 = 0 =►a 3 = - 2o¿2
Las infinitas soluciones de este sistema de ecuaciones son
<Xx~k
<*2 = k
ot3 = —2 k c o n fc e R
En consecuencia, B no es linealmente independiente, ya que los escalares no son
necesariamente nulos. Más aún, existen infinitas combinaciones lineales no triviales
cuyos resultados son el vector nulo.
Ejemplo 2 ‘10.
En (R1, + , R , .), donde I = [0, 1 ], los vectores v t = sen y v2 = eos son linealmente
independientes.
www.FreeLibros.com
44 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
Sea
a , sen + a 2 eos = 0
V í e [0,1 ] es
(aj sen + oc2 eos) (f) = O (?)
Por definición de suma de funciones y de función nula
«i sen t + a2 c o s t ^ O ( 1) V i el
Derivando
sen t eos t
A= = -se n í t - c o s 2 / = - 1
eos t - sen t
0 eos t sen t 0
Aa, = -0 A a2 “ = 0
0 - sen t eos t 0
Y la única solución es
= o ¡2 = 0
O sea
Ejemplo 2-11.
a (v i + v2 ) + b v2 = 0
Por distributividad respecto de la suma en V
a Vi + a v 2 + b v 2 = 0
www.FreeLibros.com
DEPENDENCIA LINEAL 45
En consecuencia
a=b=0
Por consiguiente, Vi + v2 y v2 son linealmente independientes.
2.4.2. Propiedad.
v = 2fi¡ vf
1=1
Entonces
.2 v f = 2 fr v¿
i=i i—i
O sea
2 ai Vf - 2 /3¡v¡ = 0
«=i 1=1
Luego
.2 ( a f - f c ) v , = 0
1= 1
www.FreeLibros.com
46 DEPENDEN
CIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
a , ( 1 , - 1 , 0 ) + 0 2 (1, 1 , 2 ) + a 3 ( 1 , 0 , 1 ) - ( 0 , 0 ,0 )
Diremos que los vectores (1, - 1 , 0 ) , (1, 1, 2) y (1 ,0 , 1) son linealmente dependientes.
Definición
r
A es linealmente dependiente o 3 / /2 a, v- = 0 a a • =£ 0
¿=i 1 ' 1
La dependencia lineal de un conjunto finito de vectores significa que tiene que existir, al
menos, una combinación lineal de éstos que dé el vector nulo y que no sea trivial.
Para investigar la dependencia lineal de una familia de vectores, se propone una
combinación lineal de dicha familia, con escalares a determinar, que sea igual alvector nulo.
Si algún escalar es distinto de 0, entonces la familia es linealmente dependiente.
www.FreeLibros.com
DEPENDENCIA E INDEPENDENCIA LINEAL 47
Ejemplo 2‘13.
Las matrices
/ 1 0\ O/ 1\ /O ° \ /O O
En = í ) ^12 = | | Eai = | j E22 = i
Vo o/ \o o/ \i o' 'o 1
son vectores linealmente independientes del espacio vectorial (K2x2, + , K ,.), pues
cualquiera que sea la combinación lineal de los mismos con escalares en K, cuyo
resultado sea la matriz nula, es la trivial. En efecto
¡a i 0\ i0 0C2\ / O0 0^
0 \i /O
/°
0\ /O 0
+
lo 0/ \o 0 / «3 00 /'/
Va3 \^o0 a4/ \ 0 0
a2\ 0 0^
a 4 / i \0 0;
Luego
a 1 = a2 “ a 3 = a4 =0
www.FreeLibros.com
DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
1 o
A - r 0 y B=
1 0 / \_ , o
<*i A + a 2 B = N =>
« 1 -0 2 0\ /O O
ai - 02 0 / \0 0.
O sea
a i - a 2 = 0 ^ oti~cx.2 = k \/ke K
Por consiguiente, existen escalares n o simultáneamente nulos que satisfacen la relación
anterior, lo que prueba la dependencia lineal.
2.4.3. Propiedades
a j v j = ocj O = O
con dj no necesariamente nulo.
www.FreeLibros.com
DEPENDENCIA E INDEPENDENCIA LINEAL 49
rt
=>OtjVj = —^2 tt/V/ A
n
<*/* (»jV;) = ( - a / i ) £ . «¡Vi
Por inversos en K y A 7 es
n
1 v; = ( - a / 1 a*)*.-
1 i*}
V; “ Vi*!
' l*)
En consecuencia, existe e A, que es combinación lineal de los restantes vectores de A.
n
2°.Vj = 2 a¡ v¡ => A es linealmente dependiente.
www.FreeLibros.com
50 DEPENDEN
CIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
b) Toda combinación lineal de la familia A, cuyo resultado sea el vector nulo, as la trivial.
c) Ningún vector de A es combinación lineal de ios demás.
Análogamente son equivalentes:
a ’) A es L.D .
www.FreeLibros.com
SISTEMA DE GENERADORES 51
Ejemplo 2-14.
En el espacio vectorial de los polinomios reales sobre el cuerpo de los reales, P y Q
definidos por
P (x) = x 2 + x Q 0 ) = -2 x
son linealmente independientes.
Sea
a? + bQ = 0 donde 0 denota el polinomio nulo
Cualquiera que sea x e R se verifica
(«P + 6 Q )(x ) = 0 ( x )
Por definición de suma de funciones y de polinomio nulo es
(flP) (x) + (bQ) (x) = 0 VxeR
Por definición de producto de escalares por polinomios, se tiene
aP (x) + bQ (x) = 0
O sea
a (x 2 + x ) + b (- 2x ) = 0
Luego
a x 2 + (a - 2b) x ~ 0 Vx e R
S ix = - l , s e verifica a - a + 2b = 0 , y en consecuencia b = 0 .
Entonces es ax 2 + a x = 0 , y haciendo x = 1, resulta 2a = 0, o sea, a = 0.
2.5.1. Concepto
Definición
La familia A = {v , , v2, . . . , vr ) es un sistema de generadores de V si y sólo si todo
vector de V puede expresarse como combinación lineal de los vectores de A. O bien, A
es un sistema de generadores de V si y sólo si el subespacio generado por A es V.
Las notaciones “S.G.” y “C.L.” son abreviaturas de “ sistema de generadores” y
“combinación lineal” , respectivamente.
www.FreeLibros.com
52 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
Ejemplo 2-15.
El conjuntó A = j (1, 0) , ( 0 ,1 ) , (1, 1) } es un sistema de generadores de R2.
2.5.2. Propiedad
v e V =>v = 2 a ¡ v¡ ( 1)
Como A es linealmente dependiente, por 2.4.3. iv), algún vector de A, digamos v/, es
combinación lineal de los restantes, o sea
www.FreeLibros.com
BASE 53
r r r
\ = cc4y,- + 2 a¡ y,- = a¡ 2 & v¿ + 2 a, v, =
3 1 ¡*j 1 1 1 t*r* ' ¡*i ' 1
r r
(píj; p¡
= ¡2f j V r, + ot¡)
V v¿ 2 ynt \ ii
i = i¥¡J
Ejemplo 2-17.
Determinamos si los vectores Vj = ( 1 , 1 , 1v2 ),=(1,1,0
y )v3 = ( 1 , 0 , 0
de)
(R 3, + , R , .) constituyen un sistema de generadores de R 3.
El problema se reduce a investigar si existen escalares reales a, (3 y y, tales que
cualquiera que sea (a , b , c) e R 3 se verifique
a ( l f l, 1) + 0 ( 1 , 1 , 0 ) + -y (1 , 0 , 0 ) = (a , 6 , c)
(a + P + y , a + 0 ,á ) = (a , b , c)
Luego
a + P + y =a
■a+ p =b
a =c
De donde resulta
a =c , p =b - c , y ~ a - b
En consecuencia, todo vector de R 3 puede expresarse como C.L. de los vectores
propuestos. Observamos, además, que tal C.L. es única para c a d a v e R 3,
En el caso en que ( a , b , c) sea el vector nulo, los escalares son nulos, y en
consecuencia los vectores v t , v 2 y v 3, además de constituir un S.G., son L.I.
Por este motivo se dice que tales vectores son una base de (R 3, + , R , .).
Definición
La familia A C V es una base de(V, + , K,.) si y sólo si es
un. conjunto linealmcnte
independiente y sistema de generadores de V.
A C V es una base de V o A es L.I. y A = V
www.FreeLibros.com
DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
e„ = (0 , 0 , . . . , 0 , 1 )
www.FreeLibros.com
COORDENADAS 55
expresarse de m odo único como combinación lineal de la base, ya que los vectores de ésta
son linealmente independientes y sistema de generadores, de acuerdo con 2.4.2.
O sea, s ix e V, entonces existen y son únicos los escalares x t , x 2, . . x n tales que
n
X = *1 V, + x 2 V2 + . . . + x n v n = 2 x¡ Vi
i- 1
Demostraremos más adelante que dos bases cualesquiera de un mismo espacio vectorial
son coordinables, es decir, tienen el mismo núm ero de vectores.
Dada la base [v] = |v j v2, , . . v„ ) del espacio (V, + , K , .), podemos expresar a cada
vector x e V como una matriz columna, cuyos elementos sean las coordenadas de x respecto
de [v]; en tal caso escribiremos
Ejemplo 2-21.
Determinar las coordenadas de x = ( - 2 , 3) perteneciente a (R 2 , + , R , .), respecto de
las bases:
i ) [v] —1 ( 1 , 1 ) , ( 1 , 0)1
ii ) [w] = | ( - 2 , 3 ) (, 1 , 2 ) |
iii) canónica
www.FreeLibros.com
DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
56
A = [w]U [ v ] = ( w i , w2 , . . . , w m , v i ! v 3 , . . . , v „ )
Como cada w,- es combinación lineal de los vectores de la base [v], A es un conjunto
linealmente dependiente por 2.4.3. iv). De acuerdo con 2.4.3. vi), siendo A un conjunto
finito y linealmente dependiente al que no pertenece el vector nulo, algún vector es
combinación lineal de los precedentes. Tal vector es un elemento de [v], ya que [w] es
linealmente independiente. Por otra parte, como A es un sistema de generadores linealmente
dependiente de V, y v,- es combinación lineal de los precedentes, resulta
A¡ - A - ( v¡ | = jWl , w 2, . . . , w m, v , , . . .,vM ,v f+1, .. . ,v„)
un sistema de generadores de V, según 2.5.2.
Si A¡ es linealmente independiente, el teorema está demostrado. Si A¿ es linealmente
dependiente, se reitera el proceso, y a lo sumo, al cabo de («—1) etapas se obtiene un
conjunto linealmente independiente que es sistema de generadores de V, o sea, una base.
www.FreeLibros.com
DIMENSION 57
A = | wm, v l ! v2 , . . . ,v„J
Este conjunto, al que no pertenece el vector nulo, es un sistema de generadores (pues [ v ]
es una base), y linealmente dependiente (ya que w m es C.L. de la familia [v]). La propiedad
2 .4 .3 . nos dice que algún v¡ es C.L. de los precedentes, y, de acuerdo con 2.5.2,, es
A - { v¡ } un sistema de generadores de V.
Sea
A i — I wm _j, w m, Vj, . . ., v,-_i, V[+i, . . ., vfl f
Este conjunto es un sistema de generadores linealmente dependiente, y en consecuencia,
algún vy es combinación lineal de los precedentes. Lo mismo que en la etapa anterior, se lo
extrae y se agrega wm.2 , obteniéndose
A 2 = | Wm.2l Wm. h . .,VM ! Vi + 1 , . . „Vy. ^Vy+i, . . -,Vn |
que es un sistema de generadores y linealmente dependiente.
Reiterando el procedimiento, afirmamos que no es po
sible que los se "agoten untes”
que los wk , ya que en este caso los wfe sobrantes serian combi nación lineal de los
considerados.En consecuencia es
m<n ( 1)
Análogamente, a partir de
B = | vb ,W1 i W2 ....... wm|
se prueba que
n Km (2)
De (1) y (2), por la antisim etría de la relación de m enor o igual, resulta
n -m
2.7.1.Concepto
En 2.6.4. hemos demostrado que si [v] es una base finita del espacio vectorial (V, + , K ,.),
entonces toda otra base de V es coordinable a [v].
Esto significa que dos bases cualesquiera
de un mismo espacio vectorial tienen el mismo núm ero de vectores. Tal número se llama la
dimensión del espacio.
Definición
www.FreeLibros.com
58 DEPENDENCIA F. INDEPENDENCIA LINEAL. BASE Y DIMENSION
Ejemplo 2-22.
Analizando ejemplos propuestos anteriorm ente se tiene que
dimKKn = « dimKK2 x 2 = 4
dimRR rt = « dim RS = 2 siendo S el subespacio del ejemplo 2-20
El lector puede verificar que { 1, X, X2 | constituye una base del espacio vectorial de
los polinomios reales en la indeterm inada X, de grado menor o igual que 2 y el
polinomio nulo, sobre el cuerpo de los reales. En consecuencia, su dimensión es 3.
2.7.2. Propiedad
www.FreeLibros.com
DIMENSION 59
=> (Xj = fy = 0 , V/
2 . [w] es S.G.
Por ser [v] una base de (V, 4-, C, .), para todo v e V, existen escalares a¡ + i ty e C tales
que
y
dim RC = 2 dim cC = 2
2.7.3. Propiedad
www.FreeLibros.com
60 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
2.8.1. Propiedad
d i m ( s 1 n s 2) = p y d i m S ! + S 2 =q
Se trata de probar que
q u ’ + n" - f>
{ x , , x 2 , . . . , x p>y I , y ; t ) . . . , y n ._J, J y
I x ¡ , x2 , . . xp , z , , z2 , . . . , z p | bases
Si y en S2 , respectivamente.
El conjunto
A = I X j, x 2 , . . Xp, y i , . . ., y n ’—p , z , , , . ,
es una base de S i + S2 , pues:
I o. Ae s S. G. d e S ! + S 2 .
En efecto, sea v e Sj + S2 . Por definición de subespacio suma es
v=x + y a xeSi a y eS2
Entonces
71 -p
v = ,?i “í X i + ¡ g b y ' + M “ ’'X +I . 2 í ’( z ,=
P n'-p n"-p
^ . 2 (a¡ + a \ ) x¡ + pi Y i + S p’. z .
2o. A es L.I.
Consideremos
i* •» t* t\ ” y
.Sa.x.+ Z p ,y ¡ + 7¡Zi = 0 ( 1)
Entonces
www.FreeLibros.com
DIMENSION DE LA SUMA 61
y’ n -P
2 y i z¿, que pertenece a S2 , también pertence a S i , o sea
n ’’- p
2 TjZieSinSj
z=i
En consecuencia es
n "-p p
t=i 7,' Zí = / l i a x*
O sea
p n ” -p
2 oc'¡ x { - 2 y ¡ z¡ = 0, y por la independencia lineal de la base de S2, se tiene :
i=i ¿=i
a'i= 0 , y¡ = 0
Teniendo en cuenta (1) es
p n '- p
2 0Ci x¡ + .2 P¡ y i = 0
¡-i i=i
Luego
o¿¡ = 0 , /3j = 0
Siendo A una base de Si + S2 , resulta
j r + ( n ’ - j r ) + ( n ” -p )= < i
Es decir
q = n’ + n ” - p
Lo que se traduce en
d im (S i + S 2) = d i mSi + dim S2 - • dim ( S ^ n S2)
Ejemplo 2-24.
Determinar la dimensión de la suma de los siguientes subespacios de (R 3, +, R , .).
51 = ¡ (pe, y , z) e R 3 / x + y - z - 0 j
52 = i (x ,y , z ) e R 3 / * ~ z = 0 )
www.FreeLibros.com
62 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
www.FreeLibros.com
TRABAJO PRACTICO ||
2-25. Expresar en cada caso, si es posible, al vector v como combinación lineal de vt y v2. El
espacio vectorial es (R 2 , + , R , .).
i ) v = ( V 2 " , - l ) , V l = ( > / 3 , 2 ) , v2 = ( — , 2)
ü) v = (2 , 4 ) , V! = ( - 1 , 3 ) , v 2 = (2, - 6 )
www.FreeLibros.com
64 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION
2-40. Demostrar la independencia lineal de los vectores f ,, f2, y f 3 del espacio (R 1, +, R, .),
donde I es el intervalo cerrado de extremos 0 y 1 , sabiendo que
f 3 (x) = 2 - x s ix e [0 , lj
2-41. Proponer una base en cada uno de los siguientes espacios vectoriales:
www.FreeLibros.com
TRABAJO PRACTICO II 65
2-44. Determinar una base y la dimensión del subespacio de matrices de traza nula de
(R 2 x2, + , R, .)•
245. En (C2 , + , R , .) se considera el subespacio S = { (z, u ) e C 2 / z - 2u = 0 }
Obtener una base y la dimensión de S.
2-46. En ( R2x2, + , R, .) se considera S = ( A e R 2x2 / á 12 (a n + a 22) = 0 }
Investigar si S es un subespacio, y en caso afirmativo obtener una base delmismo.
2-47. Investigar si S = \ ( z , u ) e C2 / z - J + u = 0} es un subespacio en (C2 , + , C , . ) y
(C 2 , + , R, .)• Si lo es, determinar una base y la dimensión.
2-48. Determinar el subespacio S de ( R3, + , R , .) generado por los vectores ( 2 ,0 ,1 ) y
( - 1 , 0 , 1 ) . Hallar una base de S y su dimensión. Proponer un subespacio T que no
contenga a los vectores dados.
2-49. Dados los subespacios de (R 4 , + , R , .)
51 = { ( X x , X 7 , X - i , X A ) ¡X x + X 2 - * 3 + * 4 =0)
5 2 = I ( X l , X 2 , X 3, X 4 ) / X i - x 2 - X 3 - x 4 =o)
Obtener la dimensión de S! + S2 .
2-50. Sea j v l(
v2 , . . vn )una familia de vectores de (V, + , K , .) y r < n . Por definición, el
conjunto jV! , v 2, . . vr J es un subconjunto maximal de vectores L.I. si ysólo si
i>r=> j V j, v2, . . . , vr, v* J es L.D.
Demostrar que si { V j, v2 , . . v„} es un S.G. de V y { Vj, v2,. . vr} es un sub
conjunto maximal de vectores L.I., entonces éste es una base de V.
2-51. Demostrar que si V es un espacio de dimensión finita y V = Sj ®S2, entonces se
verifica que dim V = dim S x + dim S2 .
www.FreeLibros.com
C apítulo 3
3.1. INTRODUCCION
3.2.1. Concepto
/(*+y)=/(x)+/(y)
ii) la imagen del producto de cualquier escalar por todo vector de V es igual al producto
del escalar por la imagen de dicho vector.
f (a x) = a f (x)
www.FreeLibros.com
TRASFORMACiON LINEAL 67
/ ( J cc¡ x () = ¿ a f/(x ¿ )
1=1 i= i
Ejemplo 3-1
Sean los espacios vectoriales (R3 , +, R , .) y (R2 , +, R, .)•
La función / : R3 -*■ R2 definida por
f ( x u x 2, x 3) = (Xt - x 3, x 2 - x 3)
es una trasformación lineal, ya que se verifican las condiciones:
i ) f [ ( x i , x 2, x 3) + ( y1, y 2, y 3) ] = f ( x l + y u x 2 + ya , x 3 + y 3) =
= ( x i + y i ~ x 3 - y 3, x 2 + y 2 - x 3 ~ y 3) (1)
= (*1 - x 3 + V j - y 3, x 2 - x 3 + y 2 - y 3) (2)
De ( 1) y ( 2 ) se deduce que la imagen de la suma es igual a la suma de las imágenes.
ii)P o r definición de producto de escalares por ternas, definición de / , propiedad
www.FreeLibros.com
68 TRASFORMACIONES LINEALES
0 sea, la imagen del producto de cualquier escalar por todo vector es igual al producto
del escalar por la imagen del vector.
Ejemplo 3-2.
La función / : R3 R 2 tal que / ( * , , x 2, x 3) = ( x t - x 3,x 2 - x 3 + 1) no es una
trasformación lineal, pues
f [ ( x l l x 2, x 3) + ( y 1, y 2l y 3) ] = f ( x 1 + y i , x 2 + y 2 l x 3 + y 3) =
= (*i + y i - x 3 - y 3t x 2 + y 2 ~ x 3 - y 3 + 1 )
pero
f ( x i , x 2 , x 3) + f ( y u y 2, y 3) ^ ( x x - x 3, x 2 - X 3 + 1) + (y x ~ y 3, y 2 - y 3 + 1) =
= (* i ~ x 3 + y x - y 3, x 2 - x 3 + ^ 2 - y 3 + 2 )
Ejemplo 3-3.
Teniendo en cuenta que el producto del escalar 0 por cualquier vector es el vector nulo, y
la condición ii) de la definición de trasformación lineal, se tiene
/ (0 V) = / (0 x) = 0/ (x) = 0 W
II. La imagen del opuesto de todo vector del primer espacio es igual al opuesto de su
imagen.
www.FreeLibros.com
PROPIEDADES 69
Ejemplo 3-4.
La aplicación / : R3 -> R 3 definida por
f ( x i , x 2, x 3) = {x2, - x u x 3)
es un automorfismo en R 3 .
Debemos probar que / es una trasformación lineal biyectiva.
1 . / e s una trasformación lineal, ya que verifica:
ii) La imagen del producto de cualquier escalar por todo vector es igual al producto
del escalar por la imagen del vector.
f [ a ( X t , x 2, x 3) ] = f ( a x i , a x 2, a x 3) ~ (<*x2, - a x u u x 3) =
~<x (x 2l - x ¡ , x 3) = a f ( x u x-2, x 3)
2 . f e s inyectiva.
Sean (* ], x 2l x 3) y { y {, y 2, y 3) en el dominio, tales que
f ( x i, x 2, x 3) = f ( y í f y 2, y 3)
O sea
x -2 = y 2 , *1 = V, , x 3 = y 3
www.FreeLibros.com
70 TRASFORMACIONES LINEALES
Luego
( x í , x 2, x 3) = ( y l , y i , y 3)
3. f e s sobreyectiva.
Ejemplo 3-5.
/ ( x + y) = 0 w = (V + 0 w = / ( x ) + / (y)
/ ( « x ) a O w - « 0w « a / ( x )
f se llama trasformación lineal nula.
2. La f u n c ió n /: V -> V tal que / (x) =ax cualquiera que sea x e V, y a un escalar dado
en K, es una trasformación lineal.
www.FreeLibros.com
PROPIEDADES 71
En efecto:
f (x + y ) = a ( x + y ) = a x + a y = / ( x ) + / ( y )
f (a x) = a (a x) « a (a x) = a / (x)
Ejemplo 3-6.
a+c+ b + d 0
f [ ( a . 6 ) + ( c , d)) = / ( « + c , b + d)
0 a+b+c+d
/ n o es inyectiva ni sobreyectiva.
Ejemplo 3-7.
Si (V, +, R , .) denota el espacio vectorial de los polinomios reales en la indeterminada
X, entonces la función
/ : V -* V,
www.FreeLibros.com
72
TRASFORMACIONES LINEALES
/ ( P + Q ) = (p + Q )’ „ p . + q , ^ / ( p ) + / ( Q )
cuerpo^es VeC*°riaks «-
del codominio. d0mmi° CUyaS inia^enes P” / s o n el vector nulo
N ( / ) = j x e V / / ( x )= 0
K ( j ) = f l ( ( 0 W| )
x e N (/) ^ / ( x ) = Ow
www.FreeLibros.com
NUCLEO 73
Ejemplo 3-8.
Determinamos el núcleo de la trasformación lineal definida en el ejemplo 3-1.
N ( 0 = { (x 1, * 2 , x 3 ) e R 3 / / ( * ! , *2 l x 3) = ( 0 - ° ) í
Se tiene
(*i. e N ( f ) o f ( x u x 2, x 3) = ( 0 , 0) <>
^ (*1 ~ * 3. *2 - * 3) = (O , 0) O X j - JC3 = O A x 2 - *3 = 0 o
^ X i =X i = x 2 =a
Luego
N (/) = ( ( a , a , a ) ¡ a e R )
Por definición de ley de composición extem a en R 3 se tiene
N(/)={fl(l,l,l)/«eR|
Esto nos dice que el núcleo de / es el conjunto de todos los múltiplos escalares del
vec t or ( l , 1, 1). La representación d e l N ( / ) e s t á dada en el gráfico siguiente
NO)C V
Por otra parte, de acuerdo con 3 .2 .2 .1., es
/ ( 0 V) = 0 W
En consecuencia
Ov e N ( / )
Luego, el núcleo de toda trasformación lineal / ’es novacío.
www.FreeLibros.com
74 TRASFORMACIONES LINEALES
El núcleo de toda trasformación lineal entre dos espacios vectoriales es un subespacio del
primero.
Hipótesis) f : V -*• W es una trasformación lineal.
Sean a e K y x e V
También
1(0=1 y € W / 3 x e V a /(x ) = y j
www.FreeLibros.com
IMAGEN 75
1 (0 * 0
I(/)C W
La imagen de toda trasformación lineal entre dos espacios vectoriales es un subespacio del
codominio.
Hipótesis) / : V -»• W es una trasformación lineal.
Tesis) f I (f), + , K , . ) es un subespacio de (W, + , K, .).
Demostración) Sabemos que la imagen de toda trasformación lineal entre dos espacios
vectoriales es una parte no vacía del segundo. Teniendo en cuenta la condición suficiente
para la existencia de subespacio, probaremos:
1 . I (/) es cerrado para la suma.
Sean u y v dos vectores de í (/).
u e I (/) a v e I ( / ) ^ 3 x ^ y e n V / / ( x )= u a / ( y ) = v =>
= > /(x) + / ‘(y) = u + va x e V a y e V ^
= > /(x + y) = u + v a x + y e V ^ u + v e l ( / )
Hemos aplicado la definición de imagen, de trasformación lineal y de imagen.
2 . I (f) es cerrado para el producto por escalares.
Consideremos a e K y u e I (f)
a e K a u e I (/) => a e K a / (x) = u a x e V =>
=> a / (x) = a u a x e V = > / ( a x ) = a u a a x e V = >
=> a u e I (f)
www.FreeLibros.com
76 TRASFORMACIONES LINEALES
eD„e7eT em pto°31 * '* Íma8en "* " trasformació" lta^ / : 2R- R 2 * 2 definida
1.
N ( / ) =(x\,
| x 2) € R . 2 / f ( x l , * 2) = N}
/O 0 \
( ^ i , x 2 ) e N ( / ) » / ( XliJCjj = J
\0 0 /
xi + *2 0 , /O 0 \
, )= J + x 2 = 0^
o x , +x 2f \0 o /
* x t = -x 2
Luego
N (J) = f ( - a, a ) / a e R )
o sea, ei núcleo de / es el conjunto de los pares ordenados de componentes opuestas.
1 0 ) = |A e R 2 » / / ( * , . * 2) = A}
A=
(c J e I W <>3 f e . ^ ) e R 2 / / ( I l | Í ! ) = A
*i 0 \ ja b\
] =[ + * 2 = a= d a b=c=O
O x x + x 2 I \c d J
¡a O
\0 a
Ejemplo 3-10.
Dada la trasformación lineal del ejemplo 3-9, determinamos las dimensiones de N (/) e
www.FreeLibros.com
NUCLEO E IMAGEN 77
N (0 = ¡ (-a , a) / a e R í
Teniendo en cuenta la definición de ley de composición externa en R 2 , es
N(/)=í «(-1, l) /« e R l
Esto significa que N (f) está generado por el vector ( - 1 , 1), es decir, este vector
constituye un sistema de generadores del núcleo. Además es linealmente independiente
según 2.4.3. i). Por consiguiente, { ( - 1 , 1) } es una base del núcleo.
Entonces
dim N (f) = 1
2. Como
O sea, la matriz
Una trasformación lineal / : V -> W es inyectiva si y sólo si el único elemento del núcleo es
el vector nulo del dominio.
1. Sea / : V -> W un monomorfismo. Debemos probar qu e N (f) = { 0 V | •
Ov eN (f)=> {0V( CN(/) (1)
www.FreeLibros.com
78 TRASFORMACIONES LINEALES
/ ( x ) =/ ( y ) ^ / ( x ) - / ( y ) O
- w =* / ( x —y) = 0 W =>
^x-yeN C O ^x-y^O v^x^y
O sea, basta que el núcleo tenga un único elemento para que la trasformación sea
inyectiva.
Ejemplo 3-11.
La imagen de cualquier conjunto linealmente dependiente, por toda trasformación
lineal, es linealmente dependiente.
Aplicando / es
/ ( .2 ^ v ^ /O M a ^ O
www.FreeLibros.com
IMAGEN
Ejemplo 3-12.
Si / : V -*■W es una trasformación lineal y V i, v2, . . -, vr son vectores de V tales que
sus imágenes constituyen un conjunto linealmente independiente en W, entonces
v , , v2 , . . . , vr son linealmente independientes.
/ ( S a f ví) = / (O v )
i=i
Por s e r /u n a trasformación lineal y por imagen del vector nulo, se tiene
.2 «i / (Vf) = 0 W
i= i
Como los v ecto res/(v ,), /= 1, 2 ,. . r s o n linealmente independientes en W, resulta
ot, = 0 V / = l , 2 , . . . , r
Luego
Vi , v2 f . . vr
son linealmente independientes en V.
Ejemplo 3-13.
La imagen de todo conjunto linealmente independiente, dada por cualquier trasforma
ción lineal inyectiva, es un conjunto linealmente independiente.
Hipótesis) / '. V-> W es una trasformación lineal 1-1.
{ Vj, v2 , . . vr ) es L.I. en V.
.J 1 « í/( v í) = 0 w
/ ( 2 ai v,) = 0 w
1=1
www.FreeLibros.com
80 TRASFORMACIONES LINEALES
í / ( V l ) , / ( v 2), . . . , / ( v r)}
es un conjunto linealmente independiente.
Propiedad
dim V = n
Tesis) dim N (f) + dim I (f) ~ dim V
Demostración)
1 . I (f) tiene dimensión finita
Sabiendo que cualquier base de V es finita, se deduce que I (f) tiene dimensión finita. En
efecto si I w , , w 2 , . . wr } es un conjunto L.I. en I {/), entonces existe un conjunto L 1
en V :( vj , v 2, . . vr j tal que
/(v ¿ ) = w¿ i = 1 , 2 , .. .,r
de acuerdo con el ejemplo 3-12. Esto significa que si 1 (f) no tuviera dimensión finita
entonces V no tendría dimensión finita.
2. Sea ( x , , x2 , . . xp ) una base de N (J).
S i n - p , entonces N (/) = V y dim I (f) = 0, pues en este caso es I (f)= j 0W J .
www.FreeLibros.com
DIMENSIONES DEL NUCLEO Y DE LA IMAGEN 81
V W
Z /= /(y ¡) c o n / = 1 , 2 , s ( 1)
P o r (1)
. 2 a ¡ f ( y ¡ ) = *>w a ¡ y ; ) = °w ^ «¿ y. e n ( o =>
ii) I z l , z 2, . . ., z s } es S.G. de l ( f )
Sea z cualquier vector de I (f). Por definición deconjunto imagen se verifica
z e I ( 0 = > 3 x e V / / ( x ) = z ^ z = / ( x ) a x = 2 a¡ x¡ + . 2 13, y ¡ =»
P s P S
www.FreeLibros.com
82 TRASFORMACIONES LINEALES
Ejemplo 3-14.
Consideremos la trasformación lin eal/: R4 -►R 2 definida por
f ( x u x 2, x 3, x 4) = ( x l - x 2 - x 3 + * 4 ) 0)
Determinamos:
1. El N (/), una base del mismo y su dimensión
(* i, * 2 . * 3 , * 4 ) e N £/)■*■/(*,, * 2l x 3, * 4) = ( 0 , 0 ) o
o (* i ~ x 2- * 3 + x 4 , 0 ) = (O, 0 ) o Xl - x 2 - x 3 + x 4 = 0 o
ojcj ~ x 2 + * 3 - * 4
En consecuencia, los vectores del núcleo .son del tipo (a + b - c, a, b, c), y por
definición de suma en R 4 y producto de escalares por cuaternas, se tiene
(a + b - c , a , b, c) - (a, a, 0 , 0 ) + (b, O, b, 0 ) + ( - c , O, O, c) ~
= a ( 1 , 1, 0 , 0 ) + 6 ( 1 , O, 1 , 0 ) + c ( - 1 , O, 0 , 1 )
O sea, los vectores
V ! = ( l , 1, 0 , 0) v2 = ( 1 , 0 , 1 , 0 ) v 3 = ( - 1 , 0 , 0 , 1)
son un sistema de generadores de N (f). Además, son linealmente independientes y por
lo tanto constituyen una base del mismo. Luego
dim N (f) = 3
2. Una base de I (f).
1 ( f ) = f (o ~ b - c + d , 0) / a , b , c y d e R Í
se verifica que
www.FreeLibros.com
TEOREMA FUNDAMENTAL 83
O í . y i ) e I (f) O í , y i ) = (a - b - c + d , 0 ) o
^ (y 1 , y 2 ) = (a , 0 ) + ( - b , 0 ) + ( - C , 0 ) + ( d , 0 ) o
«■( yi . >a) = « ( l , 0 ) - ¿ ( l , 0 ) - c ( l , 0 ) + d ( l , 0 ) o
^ 0 1 . ^ 2 ) = ( a - 6 - c + c í ) ( l , 0 ) o ( y l i ^ 2 ) = 0¡ ( i , 0 )
Luego
( 1 , 0 ) es una base de I (f).
En consecuencia
dim I (/) —1
Demostración) Sea cualquier vector x e V. Entonces existen y son únicos los escalares o»!,
a 2 , . . 0ín , tales que
n
X= 2 di V;
¿=1 '
ya que todo vector del espacio puede expresarse de m odo único como combinación lineal de
los vectores de la base, según 2.4.2.
Definimos
www.FreeLibros.com
84
TRASFORMACIONES LINEALES
y se verifica
= .2 «, w( + | ft w , = / (x ) + / ( y)
- V ”
C“ « / ) W , - t t S ttíWí = « / ( * )
2 . / - 1, 2 , . . « = > /(v .) ^ w .
En efecto
vf = 0 v, + . . . + o vM + j v . + + 0
Luego
f(y ¡) = 0 w, + . . . + o wM + 1 Wi + . . . + o W)j =
= 1 wf = w,
3. Bajo la co n d ició n /(v ,) = w,. / e s única.
Ejemplo 3-15.
www.FreeLibros.com
PRODUCTO DE MATRICES 85
(a,b,c)= a , ( 1 , 1 , \ ) + a 2 ( 1, 1 , 0 ) + o¡3 ( 1 , 0 , 0 ) -
= (<*i + a 2 + a 3 , a , + <x2 , ctj) =>
^ = c , ot2 = b —c , a 3 = a -- b
Entonces
( f f , ¿ , c ) = c ( l , 1 , 1) + (¿> - c ) ( l , 1 , 0 ) + (a - b) ( i , 0 , 0 )
C = AB
donde
cü a ¡k b h}
y 1 o 1 -2
1 2 - 2 / '0 - 1 --I l
entonces
www.FreeLibros.com
86 TRASFORMACIONES LINEALES
entonces
1 0 -1 \ f-2 \ i -5
AB = I 2
1 2 -2 / \ 3 / \ -4
x = ^ a i vi 0 )
www.FreeLibros.com
MATRIZ DE UNA TRASFORMACION LINEAL 87
Si la imagen de x e V es y e W, se tiene
y= /(x )
Como y es un vector de W, puede expresarse de m odo único como combinación lineal de
la base [w], o sea
m
y = . 2 a ’,w , (2 )
Asignamos a cada escalar a¡j un doble subíndice; el primero, asociado a cada vector de la
base { W i, w2 , .. w m ) , y el segundo, en correspon dencia con el vector de la base fvl
Así
/(vi) = a u wi + f l 2i w2 + . . . + a ml wm
f (y-i) ~ a n w 1 + ^ 2 2 w2 + . + a mi wm
f (vn) n Wx + a2n w 2 -K . . + a mn wm
Los n.m escalares au , que figuran en las combinaciones de los vectores que son imágenes
de los elementos de la base de V, constituyen una m atriz cuya traspuesta, que denotamos
con A, recibe el nombre de matriz de la trasformación lin eal/resp ecto de las bases [v] y [wj.
O sea
www.FreeLibros.com
88 TRASFORMACIONES LINEALES
/ ( x ) = A X[v) = Y[wj
En efecto, dado x e V, es
« . m
x =2 aJ (!) y /(x ) = y = 2 a ’i w, (2)
n m
f (x) = ;2 aj 2 ^ a¡j w¡
Introduciendo ot¡ en la segunda sumatoria, por ser constante respecto del índice i, y
permutando las dos sumatorias, se tiene
n m m n
/O O ^ . S a¡ a¡j w,- = ,2 ^ 2 a¡) w¡ (4)
n
otj
Se deduce de esto que la i-sima fila o com ponente de Y [ w j, o sea es igual a la suma de
los productos de los elementos de la fila i de A por los correspondientes elementos de la
única columna de X[vj, y por la definición de producto de matrices resulta
www.FreeLibros.com
MATRIZ DE UNA TRASI ORMACION LINEAL 89
\ \
a >.. " . 2 ••• a i„ <a{
/■«2 \
ai\ <*i2 ■■. ain
\ am I a m 2 • • ■ &ntnJ Oín, / /
O bien
Reiterando lo enunciado, afirmamos que la imagen de cualquier vector del primer espacio
es igual al producto de la m atriz de la trasformación lineal por la matriz de coordenadas de
dicho vector, respecto de la base [v].Tal imagen resulta expresada en términos de la base del
segundo espacio.
Ejemplo 3-16.
Consideremos la trasformación lineal / : R3 -> R 2 tal que
f ( X \ , X 2 , JC3 ) — ( # 1 — J Í3 ) ( 1)
/ ( l f 11 0 ) = ( 1 , 1) = “ (2 , 0 ) + 1 ( 0 , 1 )
/ ( 1 , 0 , 0 ) = ( 1 , 0 ) =_~ ( 2 , 0 ) + 0 ( 0 , 1)
Se tiene
2 ~2
0 1 0
www.FreeLibros.com
90 TRASFORMACIONES LINEALES
Para ello es necesario determ inar las coordenadas de x respecto de la base en R 3, o sea,
a i >a2 y a 3 tales que
( 1 , 2 , 3 ) = *! ( l . l . O + a a ( 1 , 1 , 0 ) + a 3 ( 1 , 0 , 0 ) =
= ( a, + a2 + 0 :3 , 0 :, +<x2, (*ü
Resulta
a i = 3 , a2 = - 1 , a 3 = -1
Entonces
Su imagen es
/ l ü \
2
Ejemplo 3-17.
Obtenemos la m atriz de la trasformación lineal / : R2 *2 - +R definida por
jx i x2\
/ “ (*1 + * 4 , X 2 - X 3)
\ x3 x j
/ ( ) = (1 , 0 ) = 1 ( 1 , 0 ) + 0 ( 0 , 1)
'0 0/
f f
'0 0/
) =(0,1) = 0 ( 1 , 0 ) + 1 ( 0 , 1 )
www.FreeLibros.com
MATRIZ DE UNA TRASFORMACION LINEAL 91
f f ) = ( 0 , - 1) = 0 ( 1 , 0 ) + ( - 1) ( 0 , 1)
\1 0 /
/
1° °\
= (1 , 0 ) = 1 ( 1 , 0 ) + 0 ( 0 , 1)
\0 1/
Resulta
H
/I 0 0 1
\ 0 1 —1 o
P= /2
' i -i
es un vector de R 2 * 2 cuyas coordenadas, respecto de la base canónica
[v] ~ { E n , E j2 , E2i , E 22 } , son 2, —3, 1 y —1. De m odo tal que la matriz puede
expresarse así
Su imagen p o r /, utilizando A, es
/ ( P ) « A P (V] = / 1
\0
/ | ^ j =( 2 - l , - 3 - l ) = ( l , - 4 )
www.FreeLibros.com
92 TRASFORMACIONES LINEALES
£ ° / : V- » W
se define como en 4.6., Algebra I, o sea
(£ 0/) ( x ) = £ [ /( x )]
Demostramos que la composición de dos trasformaciones lineales en las condiciones
dadas, es una trasformación lineal.
En efecto:
1- ( f f ° / ) ( x + y ) = * | / ( x + y ) ] ^ [ / ( x ) + / ( y ) ] -
=8 |/ ( x ) ] +g [/(y )] =(g o J) (X) + (g o f ) ( y )
2- f e “ / ) ( M ) ^ [ f ( a x ) ] = g [ a / ( x ) l = f t í [ f ( x )] =
“ a (S ° f ) (x)
Ejemplo 3-18.
Consideremos las trasformaciones lineales
/ :R 3 R y g :R R2
definidas por
f ( x lt x 2 , x 3) = x 1 - x 2 + X3 y g ( y ) = (y¡ 0 )
Determinamos el núcleo de g ° f . Para ello caracterizamos primero la ley de asignación,
utilizando la definición de composición ’
f e 0 / ) ( ^ 1 ^ 2 , ^ 3 ) = í ( / ( x 1, X 2 , X 3 ) ] - ^ ( x 1 + X 3) =
= (x\ - x 2 + x 3 , 0)
Por definición de núcleo, se tiene
( Xi , x 2 l X 3) e N f e o / ) o ^ o / ) ( Xl i X2 ) ^ 3) = (0) 0 ) o
^ ( * 1 - * 2 + x 3 >0 ) = ( 0 , 0 ) o Xl - X 2 + X 3 = q &
*Xx =x 2 ~ x 3
Entonces
N (¿°/) = { ( b ~ c , b , c ) / b e R accR)
Como
( b - c , b , c ) = ( b , b , 0) + (—c, 0, c) = 6 ( 1 , l , 0 ) + c ( - 1 , 0 , 1 )
www.FreeLibros.com
COMPOSICION DE TRASFORMACIONES LINEALES 93
es
{ ( 1 , 1 , 0 ) , ( - 1 , 0 , 1 ))
un S.G. del núcleo de g « / . Como además es L.I., tal conjunto es una base del núcleo,
y por consiguiente su dimensión es 2 .
3.9.1. Concepto
3.9.2. Propiedad
www.FreeLibros.com
94 TRASFORMACIONES LINEALES
2. S e a n a e K y y i e W
Entonces
/"* ( « y i ) = r 1 [ a / ( x1 ) ] = r I [ / ( oc Xi ) ] ^
= (f ~ l ° / ) ( a x 1) = i'v ( a xO ^ a x j - a / ' 1( yt )
Ejemplo 3-19.
La trasformación lineal / : R2 R 2 definida por
f(a,b) =(a,-b)
es no singular, por ser biyectiva.
En efecto
1. Sean ( a , b) y (a*, b 0 en el dominio, tales que f ( a , b) ~ f ( a ’, h*).
Entonces es
( a , - b ) = (a’ , ~ b ’)
En consecuencia
a =a' y b =b ’
O sea, f e s inyectiva.
f ( a , - b ) = ( a , b)
www.FreeLibros.com
96 TRASFORMACIONES LINEALES
Tesis) / e s sobreyectiva.
Demostración) Por h ip ó te sis,/e s inyectiva. En consecuencia, por 3.3.5., es
N ( 0 = | 0 V)
y
dim N (J) = 0
Como
dim N (/) + dim I (f) = dim V
resulta
dim I (f) = n = dim V
En consecuencia, I (f) ~ V, o s e a ,/e s sobreyectiva.
dim V = n
Tesis) / e s inyectiva.
Demostración) Sea ( W j, w2 , . . w„ ) una base del codominio V. Por ser /
sobreyectiva, existen V!, v2 , . . v„ en V, tales que
/ ( v í) = w í Vf = 1 , 2 , . . . , «
Los n vectores V j, v 2 , . . v„ son linealmente independientes en V, y de acuerdo con
2.7.2. constituyen una base de V.
Consideremos ahora un vector x cualquiera perteneciente al núcleo de / . Se verifica que
=>oti = 0 , Vi = 1,2.......n
Siendo N (f) = Oy, resulta/inyectiva.
M = ( v i , v 2 , . . v„ } , [ u] = ( u ! , u2 , . . up J y [w ]= {wl t w2 ) ----- , w m J
bases de U, V y W, respectivamente.
www.FreeLibros.com
MATRIZ DE LA COMPOSICION 97
En efecto, sabemos que para determ inar C se necesita obtener las imágenes de los vectores
de la base [v] y expresarlas en función de los vectores de [w], o sea
m
(g ° /)(v j) =. 2 w, ( 1)
Ejemplo 3-20.
Sean / : R 3 - + R y £ : R - » - R 2 trasformaciones lineales definidas por
f ( x l , x 2, x 3) ^ x l + x 2 ~ x 3
g ( y ) = (y. t y )
Se consideran las bases
[v] = { ( 1 , 0 , 0 ) ,( 0 , 1 , 0 ) , ( 0 , 0 , 1 ) 1 e n R 3
[u] = ( 1 ) en R
[w ]= ¡ (2 , 0 ) , ( 0 , 2 )) enR 2
www.FreeLibros.com
98 TRASFORMACIONES LINEALES
¡L
í (1) = (1, 2) = - ~ (2, 0) + 1 (0, 2) =* B = ( 2
1
Resulta
1\ /I 1 -1
C = B A = ( 2 j (1 ! _ 1 ) = ^2 2 _2J
Definimos ahora
£ ° / : R3 - * R 2
(g ° f ) (Xi, * 2 - *3> = 8 [ f ( x u x 2> x 3)] =
= £ (* i + *2 ~ x 3) = (xt + x 2 - x 3, 2 x ! + 2 x 2 - 2 x 3)
Luego
< * • / ) (1 , 0 , 0 ) = ( 1 , 2 ) = -^- ( 2 , 0 ) + 1 ( 0 , 2 )
< ¿ r° /)(0 , 1 , 0 ) = ( 1 , 2) = ~ ( 2 , 0 ) + 1 (0 , 2)
(?«»/ )(0 , 0 , l ) = ( _ i f _ 2 ) = - i . ( 2 f 0 ) + ( ^ I ) ( 0 , 2 )
O sea
I l i
C=| 2 2 2
11 -1
3.11.1. Concepto
Con el símbolo L (V, W) denotaremos el conjunto de todas las trasform aciones lineales
entre los espacios vectoriales V y W, sobre el cuer po K, o sea
www.FreeLibros.com
ESPACIO DE TRASFORMACIONES 99
(a f ) (x) = o í f (x ) (2)
ü) í / + í ) ( a x ) = / ( o : x ) + g - ( o ¡ x ) =
= a / ( x ) + a g ( x ) = a [ / ( x ) + í (x)] =
= Ot(f + g)(x )
[V]= | v , , v2 í . . . , v n } enV
[ w ] = | w , , w2 ) . . , w m ) en W
www.FreeLibros.com
100 TRASFORMACIONES LINEALES
En efecto, definimos
F : Z, (V, W)
mediante
F</) = A
donde A es la matriz d e /re sp e c to de las bases [v ]y w].
[
De acuerdo con el teorema fundamental de las trasformaciones lineales, A queda
unívocamente determinada para cada f e L (V, W), respecto de las bases [v] y [w]. O sea, la
definición dada satisface las condiciones de existencia y unicidad de toda función. Además,
se verifica que:
FC 0 = FGr)
entonces sus matrices respecto de las bases [v] y [w] on
s iguales, lo que significa
/ ( ví) = ^ ( v¡) V ,= l f 2 , . . . f «
En consecuencia
n n n n
/ ( x ) = / ( . 2 a, V/) = 2 a , / ( v f) = . 2 a t g ( v t) ^ g ( f2 a (V|) = ? ( x )
O sea
f=S
tal que
F tf)= A
www.FreeLibros.com
ESPACIO DUAL 101
Llamaremos espacio dual de un espacio vectorial (V, + , K , .), al espacio vectorial de las
trasformaciones lineales de V en K.
V* denota al espacio dual de (V, + , K , .), o sea
V* = L (V, K) = { f : V K / / e s trasformación lineal )
Los espacios dominio y codominio son, respectivamente
(V, + , K , .) y (K, +, K , .)
Los elementos de V*, es decir, las trasformaciones lineales de V en K, se llaman formas
lineales o funcionales.
De acuerdo con el teorema fundam ental de las trasformaciones lineales, toda forma lineal
queda unívocamente determinada por los valores que tom a sobre cualquierbasede V.Es
decir, si [v] = { V i, v2 , . . v„ f es una base de V, y x 1( x 2, . . , , x nson nelementos
cualesquiera de K, entonces la función
/ : V -*■K definida por
f ( x ) = f ( £ i ai v i) = Í i ai x ¡
www.FreeLibros.com
TRABAJO PRACTICO III
2 . g ( x l , x 2 , x 3) = ( x l + l , x 2 + 2 , 0 )
3. T ( x 1 , x 2 , x 3) = ( 0 , x 1 + x 2 ,0)
3-23. Sea / : V -+ W una trasformación lineal y sean x e y en V tales que / ( x ) *=z. Sabiendo
que / (y) = 0 W, dem ostrar que / (x + y ) = z,
3-24. Sea la función / : R 2 -* R 2 definida por f ( x lt x 2) = ( ~ x lf ~ x 2). Demostrar que es
lineal, clasificarla e interpretarla geométricamente.
3-25. La función / : R2 -»■R 3 es lineal, y verifica
/ ( 1, 2 ) « ( - 1, 0 , 2 ) / ( 2 , 1 ) = (0 , 2 , —1)
www.FreeLibros.com
TRABAJO PRACTICO III 103
/ *i 0 V
/ ( * 1>*2) = ( - X 1 *1 *2 )
\ 0 x2 Xi - x 2 I
Probar que / es lineal y determ inar el conjunto de los vectores de R 2 cuyas imágenes
p o r /s o n la matriz nula.
3-33. Demostrar que si / : V -►W es una trasformación li neal y S es un subespacio de I (f),
entonces / _1 (S) es un subespacio de V.
3-34. Determinar el núcleo, la imagen y las dimensiones de ambos en las siguientes
trasformaciones lineales.
1. / : R 3 -+R2 de finida p o r/(x , ,x 2 ,x 3) = (xj + x 2 +x 3, x 2 + x 3)
2. / : R 2 ~»R definida p o r / ( x lfx 2) = X l — 2 x 2
www.FreeLibros.com
104 TRASFORMACIONES LINEALES
1 ( 0 , 2 , 1) , ( 2 , 0 , 1 ) , ( 0 , 1 , l)}en R 3
3-41. Definir la trasformación lineal / : R3 -►R2 , tal que respecto de las bases
((0 , 1 , 1 ) , ( 1 , 0 , 1 ) , ( 1 , 1 , 0 ) ) enR3
1(1, 2 ) , ( 2 , 1 ) ) en R 2
www.FreeLibros.com
TRABAJO PRACTICO III 105
su matriz sea
/1 0 0
\ 1 -1 1
3-42. Hallar la matriz de la trasformación lineal g o / d e l ejercicio 3-29, respecto de las bases
( ( 1, 1) , ( 0 , —1)} en el dominio
{ (2 , 0 ) , ( 2 , 2) í en el codominio
3-43. Determinar la m atriz de la rotación del plano de ángulo 0, respecto de la base canónica,
con centro en el origen.
3-44. Sea la trasformación lineal f 0 : R 2 -> R 2 representada por la matriz
eos 6 - sen Q
sen 6 eos 6
respecto de la base canónica.
Demostrar que si Q y 6' son números reales cualesquiera, entonces
f o ' 0 fe = fe + o '
f 1 - f-e
f¡ (v;) ~
entonces f ¡ es una base de L (V, K), o sea, del espacio dual de V.
P i ( x ) = x!
Siendo x = x t + x 2 y x 1 e S 1 , x 2 6 S2 .
La función Pj se llama proyección sobre S t , según S2.
Demostrar:
1 . Pj es una trasformación lineal.
www.FreeLibros.com
C apítulo 4
M ATRICES
4.1. INTRODUCCION
Hemos creído oportuno dedicar un capítulo al estudio de las matrices con elementos en
un cuerpo K, dado el rol fundamental que este tema desempeña en todos los campos de la
Matemática y en las aplicaciones. Conocido el espacio vectorial (Kmxn, +, K , .), se trata
ahora el producto de matrices, anticipado en el capítulo anterior, y el anillo de matrices
cuadradas. Sin pretender agotar el tema, se estudian la trasposición y algunos tipos de
matrices especiales: simétricas, antisimétricas, triangulares, diagonales, idempotentes, involu-
tivas, hermitianas, etcétera. Se trata, además, la inversión de matrices, el concepto de
matrices particionadas, el rango de una matriz y su invarianza frente a operaciones
elementales. Después de dar m étodos para la determinación de la inversa de una matriz se
estudian la equivalencia de matrices y los cambios de bases en espacios vectoriales.
4.2.1. Concepto
www.FreeLibros.com
PRODUCTO 107
Observamos que para que exista el producto de dos matrices, el número de columnas de la
primera debe ser igual al núm ero de filas de la segunda.
Si A e K mx " y B e K n x m, entonces coexisten los productos A B e K mxm y B A e K ' 1*",
pero son distintos si mi=-n.
En el caso en que m = n , tanto AB como BA son matrices del tipo n x n, es decir,
cuadradas y pertenecientes a KMX” , pero en general se verifica que
AB^BA
O sea, el producto de matrices no es conmutativo.
Ejemplo 4-1.
Verificamos la no conmutatividad del producto de matrices en el siguiente caso:
www.FreeLibros.com
108 MATRI CES
Ejemplo 4-2.
Calculamos ABC, siendo
-1 1 0
A= ' 3 " 1 0
1 2 0 1 2 C
3 2 1 0/
ABC
2X3 3 X 4 4X1
2 X 4 4 X 1 2X1
www.FreeLibros.com
A N I L L O D E M A T R I C E S nXn 109
Calculamos AB - I, siendo
1 0 -2
A=
/ 1 0 -2
AB= 0 1 3
\0 0 1
Luego
AB - I = N
O sea
(A + B) C = AC + BC
Si C e Km xn y A y B son las matrices anteriores, entonces se verifica la distributividad a
izquierda.
C (A + B) = CA + CB
En K "x” el producto es una ley de composición interna, asociativa, con elemento neutro
igual a la identidad nx n.
www.FreeLibros.com
110 MATRI CES
Por otra parte, sabemos que (K "x" f + ) es grupo abeliano, y de acuerdo con 4.2.4. el
producto es doblemente distributivo respecto de la suma.
En consecuencia (K "xn, + , .) es el anillo no conmutativo, con unidad, de las matrices
cuadradas n x n con elementos en K.
Este anillo tiene divisores de cero; es decir, existen matrices no nulas cuyo producto es la
matriz nula.
Por ejemplo:
A = l l o r N y B=( i i l#N
pero
0 0
AB
0 0
Considerando en el espacio vectorial (R 2 , + , R, .) la base canónica, la matriz B representa
una trasformación del plano en sí mismo que asigna a cada vector (x, y ) la imagen (0 ,x + y ),
y A caracteriza la aplicación lineal que trasforma cada vector (x , y ) en ( x , x), ya que
0
x +y
4.4.1. Concepto
/ - i 2 0 \ ¡~ l l\
\ 1 2 3 ]’ entonces es A I 2 2 )
En consecuencia, para hallar la traspuesta de una matriz, se cambian filas por columnas.
Observamos, además, que toda m atriz 1 X 1 es igual a su traspuesta.
www.FreeLibros.com
TRASPOSICION 111
La función f : Knxm -> Kmxn que asigna a cada m atriz del dominio su traspuesta en el
codominio, es decir, definida por
/ (A) = A*
/ ( A + B) = (A + B )'= A t + Bt - f (A ) + / ( B )
2. La traspuesta del producto de un escalar por cualquier matriz es igual al producto del
escalar por la traspuesta de la matriz.
Teniendo en cuenta que si C = (a A )4 entonces cy = a aj¡, resulta
f ( a A ) = (a A)* = o¿ A* = ct/ ( A )
Ejemplo 4-4.
www.FreeLibros.com
112 MATRI CES
Si C = AB, entonces
(AB)Í = BÍA Í
1 -1 0
-1 2 3 J es simétrica
0 3 0
www.FreeLibros.com
MATRI CES SIMETRICAS Y ANTISIMETRICAS 113
La matriz
O 1 -2
A = ( —1 O 3
2 —3 O / es antisimétrica
Ejemplo 4-5.
Demostraremos las siguientes propiedades:
i ) El producto de toda m atriz por su traspuesta es una m atriz simétrica.
En efecto:
( A A y ^ i A * ) * A ( = AA(
Luego, por ser igual a su traspuesta,
AA* es simétrica
Observamos que no es necesario que A sea cuadrada para que existan AA* y A*A, las
que son, en todos los casos, matrices cuadradas.
i i ) La suma de toda matriz cuadrada y de su traspuesta es simétrica.
Sea A e K nxn. Se verifica que
(A + A í) í = A* + (A*)* = Af + A ~ A + Af
Es decir, A 4- A* es simétrica.
iii) La diferencia de toda matriz cuadrada con su traspuesta es antisimétrica.
Si A e K "xn, entonces, aplicando propiedades anteriores, se verifica
(A - A f) ( - A( - (A ()f = A* - A = - ( A - A*)
En consecuencia, A — A 1 es antisimétrica.
iv) Toda matriz cuadrada es la suma de una matriz simétrica y de una matriz
antisimétrica. j
A e K ',xn =* A + A 1 es simétrica y A - A* es antisimétrica =*— (A + A*) es
Ejemplo 4-6.
Sean A e K nx,! una m atriz simétrica, X e K ” xl y Y e K " x l . Desarrollaremos el
producto (X —Y / A (X —Y).
Teniendo en cuenta que la trasposición es una trasformación lineal, la distributividad
del producto respecto de la suma y que X*AY es del tipo 1 X 1, o sea, simétrica,
tenemos
www.FreeLibros.com
114 MATRI CES
Ejemplo 4-7.
Efectuamos el producto de las matrices triangulares A y B pertenecientes a R 3x3, tales
que o/y = 0si i > j, a¡j = i + / s i / < / ,b tj = 0 si i > j, b¡j ~ i - 2 / si i </.
/ 2 3 4 \ / - I —3 - 5 \ f —2 - 1 2 —34 \
AB= 0 4 5 0 -2 -4 = 0 - 8 - 3 1
\ 0 0 6/ \ 0 0 -3 I \ 0 0 -1 8 /
4.7.1. Concepto
www.FreeLibros.com
MATRI CES TRIANGULARES 115
«! O . . . O
O o2 •• • o
A= = diag (a 1 ,a-2, . . . , a n)
c O O ... an
4.7.2. Propiedad
4.7.3. Propiedad
4.8.1. Concepto
www.FreeLibros.com
118 MATRI CES
4.10.3. Propiedad
El producto de dos matrices ortogonales es ortogonal.
A y B son ortogonales => AB es ortogonal
En efecto:
(AB) (AB)4 = ABBfA( = AIA* - AA* = I
por traspuesta del producto y 4.10.2.
Análogamente es
(AB)'(AB) = I
En consecuencia, por 4.10.2. resulta AB ortogonal.
Ejemplo 4-10.
Toda matriz
cos a -s e n a
°\
sen a cos a donde a e R
0
0 0 i/
es ortogonal.
En efecto:
eos a -s e n a 0 \ ¡ c o s a sena 0
AA* = | sen a co sa 0 -s e n a c o sa 0
0 0 1 / \ 0 0 1
(Cnxm , + , R , .) y (Crtxm, 4-, C , .) denotan los espacios cuyos elementos son las matrices
complejas del tipo «x m, sobre el cuerpo de los reales y de los complejos, respectivamente.
-/ 1+i 2 \
1 es una matriz compleja del tipo 2 X 3.
/ -2 3 -2 (/
www.FreeLibros.com
MATRIZ HERMITIANA 119
\-i -2
1)
3 + 2i j
A* = í \ - i -2 ]
\ 2 3 + 2i /
2. (A + B)*= A + B * ^ (A + B)* = A* + B* = A* + B*
3. (A B)* - B* A*
y teniendo en cuenta que el conjugado de una suma es la suma de los conjugados y que el
conjugado de un producto es el producto de los conjugados, se tiene
p ___
ca = a¡k H j
O sea
AB = Á B
www.FreeLibros.com
120 MATRI CES
Los elementos de la diagonal de toda matriz hermitiana son números reales, pues
A es hermitiana =*au = a¡i a e R.
La matriz
/ 1 -i 2+i
A= ( i -2 - 3 - 2 i | es hermitiana
\ 2 — z —3 + 2/ 3
Ejemplo 4-11.
Si a e C y A e C " xm , entonces (a A)* = a A*.
En efecto:
( a A *) - a A 1 = ( a Á )í ~ a A f = 0íA*
Ejemplo 4-12.
i ) X*X = (1 1 - i) ^ .j = 1 + (1 - 0 (1 + () = 1 + 1 - i2 = 3
• o x 'A x ^ 1
Ejemplo 4-13.
Si H = { A e C 3X3/ A es h e rm itia n a } , entonces H no es un subespacio de
(C3 x 3 , + , C , .), ya que H no es cerrado para el producto por escalares.
En efecto:
www.FreeLibros.com
PARTICION 121
/ e (.: y A=
/ 1 -1 + í
iA =
( —1
1 - i -2 i 3i
0 —2 / 1 ^ H , puesladiagonalno esr
4.12.1. Submatrices de A e Kn x
an a 2 a 4 $
■Cht—^ 2—^23—^ í— & T
a 31 8.2 O-n a ;S
2—#43—ííj ¡t—<?; y
(
entonces
www.FreeLibros.com
122 MATRI CES
A21 = A [ v í + l , V i + 2 I 1, 2, . . .,Mi]
A 22 “ A + l , ^ i + 2 ,. . n lMi + 1,Mí + 2 ,. . .,m j
Ah A 12
Escribiremos A= y diremos que A está particionada en cuatro submatrices
' A2i A22 /
o bloques. Las descomposiciones n = v x + v 2 y rn = l¿i + fh se denominan esquemas de la
partición para filas y columnas, respectivamente.
Por ejemplo, la partición de A que se indica a continuación
/ 1 -1 0 3 0 —4 \
2 3 3 2 1 0
= 2 2 1 1 1 3
-3 0 0 3 1 2 4
1 0 2 -2 3 /
l --1 0
corresponde al esquema
n = V\ + ^2 = 2 + 3
m = Mi + íh = 2 + 3+2
y se obtiene
A- / ^ 12 ^ 13
\ A2i A22 A23
donde cada bloque A e s un elemento de la m atriz particionada.
En general, siA e K ,lxm, n ~ + v2 + . . . + vry m = Mi + M2 + • •■>+ entonces
las submatrices Aycon / = 1,2, . . ., r, / = 1, 2 ,. . ., s son loselementos de Aparticionada en
bloques, y se escribe
An A t2 . , . A |,
A2i A22 . . • A2s
A= ‘
Ari Ar2 A,
I. Adición
Sean A y B matrices en K "xm y los esquemas de partición n s* v l + v 2 + . . . + v r,
m = Mi + Ih + • ■ ■ + Si A = (Ay) y B - (By) son las notaciones de A y B particionadas,
entonces es
A + B = (A u + B¿J)
c o n / = 1 ,2 , . . . , r y / = 1 ,2 , . . .,5.
www.FreeLibros.com
ESPACIOS FILA Y COLUMNA 123
III. Multiplicación
Sean las matrices A e Knxp , B e Kpxm y los esquemas de partición
n- Vi + v2 + . . . + vr , P = 7r1 +7r2 + .. . + 7 T í ,m = jLíl+M
2 + . . . + jLís
A B = ((2 i A lk Bw )
Ejemplo 4-14.
Consideremos las matrices A y B particionadas como se indica
í 1 0 0 2\
An A 12
0 1 1 2 1
A2i A 22
V -l -1 2 3 2 Ì
0 1
/ I 1\
1 20 2
Bu B12
1 -2-1 2
2 1
3 -1 b 21 b 22
1 \o0 0 /
El producto en forma particionada es
, An A j2
CO
Bu + A i2 An B 12 + A 12
AB =
A2i A22 B2j b 22 B„ + A 22 B 2 i A 2i B l 2 + A 22
Así:
1 0 / i 0 \ 1 2'
/° \ í~ l l\
C n - A n B u 4- A i2 B2i — + 1 2
0 1 \o 1 / \ l 2 1 ./ V o i /
-G:)*(: i
2
)-/
r \ 1 7/
Análogamente se calculan C J2 , C22 y C2J , que son los restantes bloques del producto.
www.FreeLibros.com
124 MATRI CES
Definición
Espacio columna de la m atriz A e K "xm es el subespacio de K" generado por las m
columnas de A.
Denotamos el espacio columna de la m atriz A mediante SC(A). Los elementos de Sc(A)
son todas las combinaciones lineales de las m columnas de A.
O sea
Definición
Rango columna de una matriz es la dimensión del espacio columna de dicha matriz.
p c (A) se lee: rango columna de A, y es
iOc (A) = dim S c(A )
AiN
A2
, donde A¡ e Kw ;i - 1, 2 , . . ., n .
Ejemplo 4-15.
Determinamos los rangos fila y columna de la matriz
www.FreeLibros.com
RANGO 125
2 0 -1 4 \
A= 0 4 1 -2
\1 2 0 1/
Observamos que las dos primeras filas son linealmente independientes y que la tercera
4.13.2. Propiedad
www.FreeLibros.com
126 MATRI CES
Hemos demostrado que los rangos fila y columna de toda matriz son iguales. Este
número se llama rango de la matriz. Para denotar el rango de una matriz A, escribiremos
P (A)
Definición
Rango de una matriz es su rango fila o su rango columna.
p (A) = Pc(A ) = P f(A )
Dos matrices traspuestas tienen igual rango, pues
www.FreeLibros.com
RANGO 127
Propiedad
El rango del producto de dos matrices es m enor o igual que el m ínim o de los rangos.
Hipótesis) A e K "x p ,B e K p5<m
Tesis) p (AB) < m ín j p (A) , p (B) }
Para probar esta afirmación, demostraremos que el rango del producto es menor o igual
que los rangos de cada una de las dos matrices, es decir
p (A B) < p (A) y p ( A B ) < p ( B )
Consideremos B particionada en los p vectores filas, y efectuemos el producto en forma
particionada
p
AB = a¡ i a{i ... a ip B; j lì
P
an i ani . . . anp¡ 1»J \j= !aV B"
Este resultado nos indica que las filas de AB son combinaciones lineales de las filas de B
con coeficientes en A. En consecuencia, todo vector del espacio fila de AB pertenece al
espacio fila de B, y por consiguiente
SF(A B )C S F (B)
Entonces, resulta
dim SF(AB) < dim SF(B)
Luego
p (A B )< p (B ) (1)
Esta relación nos dice que el rango del producto de dos matrices es menor o igual.que el
rango de la segunda matriz.
Además, teniendo en cuenta que la trasposición no modifica el rango y (1), es
p (AB) = p (AB)‘ = p (B f A() < p (A ') = p (A)
Luego
p (A B )< p (A ) (2)
Es decir, el rango del producto de dos matrices es menor o igual que el rango de la
primera matriz.
www.FreeLibros.com
128 MATRI CES
Propiedad '
Tesis) p (B A) = p (A)
Demostración) Sabemos que
p ( B A ) < p (A) (1)
pues el rango del producto es m enor o igual que el rango de cada factor.
Como B es no singular, existe B"1 tal que BB'1 = B"1 B=I
Ahora bien
A = IA = (B_1 B)A = B"1(BA)
Por consiguiente
P (A) = p [B"1 (B A)]
Y por rango del producto, es
p (A )< p (B A ) (2)
De (1) y (2) se deduce que
p (B A) - p (A)
Análogamente se demuestra que si B e K mxm es no singular, entonces
p (A B) = p (A )
Una consecuencia inmediata del teorema anterior es la siguiente: si A e K nxm, P e K " xn y
Q e K mxm son dos matrices no singulares, entonces
P (P A Q) = p (P A) - p (A)
4.13.5. Propiedad
www.FreeLibros.com
OPERACIONES ELEMENTALES 129
Por otra parte, I (f) = SC(A), es decir, la imagen de la trasformación lineal es igual al
espacio columna de A. Luego
dim I (f) = n
y, en consecuencia,/es sobreyectiva.
De acuerdo con 3 . 9 . 4 . / es biyectiva, y por lo tanto A es no singular.
4.14.2. Propiedad
Toda operación elemental sobre las filas de una matriz A e K nxm puede realizarse
premultiplicando A por una matriz no singular del tipo n xn.
Antes de probar esta afirmación definimos Ehfe e K nxn mediante
1 ú i —h / \ j = k
0 si / =£h v / =£k
Por ejemplo, en K4 x4 es
0 0 0 0
0 0 1 0
0 0 0 0
0 0 0 0
www.FreeLibros.com
130 MATRI CES
P y - I - E « - E » + E U + En e n K " :
En K4x4 es
10 0 0
0 0 10
P 23 ~
0 10 0
0 0 0 1
Py se deduce de la matriz identidad perm utando las filas o columnas i y j.
Particionando A en vectores filas, se tiene
}
,i 0
0 1 /A . /A i
/ am / a2
0 ___ 0 _______ 1 ____ 0
A; A;
P kA =
\k ¡
i0 0
Ay = I + E,-f
En K4x4 es
10 0 0
0 10 0
0 1 1 0
0 0 0 1
Ay se deduce de la m atriz identidad al sustituir 0 por 1 en el lugar (J, í).
Se verifica
www.FreeLibros.com
MATRI CES ELEMENTALES 131
/ A1\ / Al \
/1 0 °\ f
/ A2 1
0 1 0 ; :
A¿ A;
AyA - i _0_ 0_1 d -.0
i
.0_-0_1 i _0 Af + Ay
< •
lo 0 , : 1
1/
\ Anl u /
E nK 4 *4 es
1 0 0 0’
0 10 0
M3 (a) =
0 0 a 0
0 0 0 1
Mj(a) se obtiene m ultiplicando por a el elemento de lugar (/,*) de la matriz identidad.
Se verifica
Ai Ai
h o A2 A2
0 1
M ^a). A
_ 0_ 0 _ a _ 0 A,- a
0 0
An i I
www.FreeLibros.com
132 MATRI CES
Definición
Las matrices que realizan las operaciones elementales sobre las líneas de una matriz se
llaman elementales.
Como las matrices elementales son no singulares, de acuerdo con 4.13.4., se deduce que el
rango de una matriz no varía frente a las operaciones elementales.
Ejemplo 4-16.
Mediante operaciones elementales determinamos el rango de A, siendo
/I 2 1 -1
A=[ 1 1 ° 2
lo 1 2 - 1
\2 2 -1 2 .
www.FreeLibros.com
EQUIVALENCIA 133
4.15.1. Concepto
4.15.2. Propiedad
B=
N(n»-r)xr N ( m . r j X( „ _ r j
donde B es la forma canónica de A.
La demostración es sencilla, y el lector puede hacerla basándose en la definición de
matrices equivalentes y teniendo en cuenta lo realizado en el ejemplo 4-16.
www.FreeLibros.com
134 MATRI CES
4.15.3. Propiedad
1. A ~ B = * p ( A ) = p (B )
Si A ~ B , entonces B puede obtenerse efectuando un número finito de operaciones
elementales sobre A, y de acuerdo con lo afirmado en 4.14.2. el rango se conserva. En
consecuencia es p (A) = p (B).
4.15.4. Propiedad
4.15.5. Propiedad
PAQ = I
www.FreeLibros.com
DETERMINA CION DEL RANGO 135
En consecuencia
P"1PAQQ”1 = F l Q " !
Luego
A = P_1 Q”1
El segundo miembro es un producto de matrices elementales, ya que la inversa de toda
matriz elemental es una m atriz elemental o un producto de éstas.
4.15.6. Propiedad
El m étodo que exponemos a continuación nos perm ite determ inar el rango de una matriz
mediante un número finito de operaciones elementales del tipo: multiplicación de una fila
por un escalar no nulo y adición de una fila a otra. Señalamos que se opera exclusivamente
sobre las filas de la matriz, y que además el m étodo se hace extensivo a la determinación de
la inversa de una m atriz no singular y a la resolución de sistemas lineales.
Esencialmente, mediante las operaciones elementales indicadas, se trata de formar el
máximo número posible de vectores canónicos linealmente independientes. Tal número es,
precisamente, el rango de la matriz.
Sea A una matriz no nula. Se elige cualquier elemento distinto de cero, al cual se lo llama
pivote. Para fijar ideas, sin pérdida de generalidad, supongamos que el pivote es au =a, y sea
la matriz
® b c ....
d e f ....
www.FreeLibros.com
136 MATRI CES
Dividiendo la primera fila por a =£ 0, o sea, multiplicándola por el recíproco del pivote, se
obtiene
b c
1
a a
d e f ....
En la etapa siguiente, se reducen a cero los restantes elementos que figuran en la columna
del pivote. Entonces, a la segunda fila se le suma la primera multiplicada por - — . De este
a
modo, d se trasforma en 0, e se trasforma e n e - — , y / s e trasforma en / - — . Se obtiene
a a
b c
e f
www.FreeLibros.com
GAUSS JORDAN
137
que no figure en la fila y columna del pivote es igual a la diferencia entre dicho elemento y el
producto contradiagonal dividido p o r el pivote.
En las etapas siguientes se reitera el procedim iento eligiendo un pivote que no figure ni en
las filas ni en las columnas de los pivotes anteriores. De este modo las operaciones
elementales indicadas preservan los vectores canónicos.
Él procedimiento se termina cuando no es posible ob tener ningún pivote (distinto de
cero) en las condiciones ya señaladas.
Ejemplo 4-17.
Mediante el m étodo de Gauss Jordán, obtener el rango de
f f i — 2 -— 1 - 1 El trasform ado de a 23 = 0 es
1-— 1 -- 0 2
1. 1
0 1 2 -1 0
2 1
2 -1 2
1 2 1 -1 El trasformado de a43 = —3 es
0 -1 -1 3
0 C O -2 -1
1
0 - 2 - -3 4
1 0 -3 1 El trasformado d e a 44 = 2 es
0
0
0
0
1
0
t -2
1 --2
2 - i ^ = 0
1 0 0 7
0 0 1 2
0 1 0 —5
0 0 0 0
www.FreeLibros.com
138 MATRICES
es combinación lineal de los tres primeros, pues es la suma de los productos de ellos
por 7, - 5 y 2, respectivamente.
Si en alguna etapa intermedia se eligiera com o pivote un elemento no nulo que figure
en la fila de algún pivote ya seleccionado, la columna que entonces se trasformó en un
vector canónico dejaría de serlo.
Resumimos la mecánica del procedimiento:
1. Se elige com o pivote cualquier elemento no nulo de la matriz dada, y se divide por él
la fila correspondiente.
2. Los restantes elementos de la columna del pivote se trasforman en ceros.
3. El trasformado de todo elemento que n o figure en la fila ni en la columna del pivote se
determina siguiendo la regla del “rectángulo” , es decir, es igual a su diferencia con el
producto contradiagonal dividido por el pivote.
4. Se reitera el mecanismo eligiendo como pivote un elemento no nulo que no pertenezca
ni a las filas ni a las columnas de los pivotes anteriores.
5. El núm ero de vectores canónicos linealmente independientes es el rango de la matriz.
El m étodo explicado en 4.16. perm ite determ inar la inversa de una m atriz no singular. Sea
A e K'lx'1 no singular; a su derecha se escribe ladentidad
i en KrtXr*.
A I
La matriz así indicada es del tipo n x 2 n , y a ella se le aplica el m étodo de Gauss Jordán
hasta lograr que A se trasforme en la identidad. La identidad que figura en el esquema
anterior queda trasformada en una m atriz B e K "*n .
A I
I B
www.FreeLibros.com
INVERSION
139
Ejemplo 4-18.
Utilizando el m étodo de Gauss Jordán, obtenemos la inversa de
/I 0 “ 1\
A= J 1 2 -2
\ 2 -1 1/
Aplicamos el procedim iento mencionado a la matriz del tipo 3 X 6 que se forma
escribiendo la identidad 3 X 3 a la derecha de A, y convertimos a ésta en la identidad
1 0 - 1 1 0 0 3 (-1X-1), 3 _ 1 = !
0 © -1 -1 1 0 2 2 2
0 - 1 3 -2 0 1
0 1 0 - i l l
5 5
0 0 1 -1 1 1
5 5
www.FreeLibros.com
140 MATRI CES
La matriz inversa de A es
2
/o i
5 T
i
-i 2
5 5
2
-1 1
5 5
Determinamos la inversa de
ffi -1 1 1 0 0
0 0 1 0 1 0
1 • 2 1 0 0 1
1 -1 1 1 0 0
0 0 (1) 0 1 0
0 3 0 -1 0 1
1 -1 0 1 „1 0
0 0 1 0 0
0 (3) 0 -1 0 1
2 1
1 U 0 -1
3 3
0 0 1 0 0
„1 1
0 1 0 0
3 3
Para trasformar A en la identidad, es necesario aún perm utar las dos últimas filas de
toda la matriz. Resulta
www.FreeLibros.com
INVERSION 141
1 2_ —i 1
3 3
1
0
y 3
0 1 o 1
/ A B
M=
' C D
En consecuencia A e Kp xp, D e K QXQ, B e Kpxíí y C e K q x p .
Supongamos que D sea no singular. Proponemos el mismo esquema de partición para la
inversa de M:
/ X Y
M”1 =
\ Z U
donde X, Y, Z y U son matrices a determ inar y del mismo tipo que A, B, C y D,
respectivamente.
La matriz D, que hemos supuesto no es singular, se elegirá de modo tal que su inversa
pueda obtenerse con facilidad.
Siendo M"1 1a inversa de M, debe verificarse que
A B \ /X Y \ ¡lp N\
O sea
A X + B Z - I P (1) A Y + B U = N (3)
CX + D Z=N (2) c Y + D U = 1Q (4)
De (2) se deduce
D Z " —C X
Y premultiplicando por D '1
Z ~ —D-1 C X (5)
www.FreeLibros.com
142 MATRICES
A X - B D"! C X = Ip
Por distributividad
(A - B D '1 C) X = lp
Luego
X = (A —B D"1 c y l (6)
De (4)
d u = i9 - c y
En consecuencia
A Y + B D~' - B D ’ 1C Y = N
Por distributividad y /trasposición
(A — B D"1 C) Y = - B D"1
PremultipÜcando por ( A - B D '1 C )'1 = X, resulta
Y “ - X B D"1 (8)
Las relaciones (6), (5), (7) y (8) permiten la determinación
respectivamente, en función de los datos y de la inversa de D.
Ejemplo 4-20.
/I -1 0 0
M=[ * 11 0
2 1 1 0
\1 -2 0 1
V . - D .
\o 1
Resulta
www.FreeLibros.com
INVERSION
Calculamos
© -1 1 0
-1 0 0 1
1 -1 1 0
0 0 1 1
1 0 0 -1
0 1 -1 -1
Luego
www.FreeLibros.com
144 MATRI CES
0 -1 1 0
- í -1 1 0
1 3 -2 0
-2 -1 1 1
0)
La matriz P de esta trasformación lineal respecto de la base [v] en cada espacio es
P = (* /)'
P recibe el nombre de matriz de pasaje de la base [v] a la base [v’].
2. h : V -> V tal que h (v’;-) = v;- V/' = 1, 2, . .n. ,
Procediendo como en el caso anterior es
vj = A P U y’i (2)
4.19.2. Propiedad
www.FreeLibros.com
CAMBIO DE BASE
145
Como
Vj = 0 Vj + 0 v2 + . . . + 1 \ j + . . . + 0 v„
resulta que el único térm ino no nulo de la sumatoria anterior se obtiene para i = /, y vale 1
Luego
n
H—1 Pik p ’kj = ô <7
S
Pero
n
x= 2 Vi
~ p¡j cCj Vi = 1, 2, . . n
www.FreeLibros.com
146 MATRI CES
O sea
Xt v r P X [v.| (3)
Y como P es no singular, premultiplicando por P"1 resulta
Sea / : V -> W una trasformación lineal de m atriz A e K mxn respecto de las bases
[ v] ~ í v i , v 2, . . .,v„ } e n V y [ w ] = ( w , , w 2 , . . , w m ) enW.
Si se efectúa un cambio de base en cada espacio, entonces la misma trasformación lineal/
está caracterizada por una matriz B e Kmxn respecto del nuevo par de bases fv’] y [w’l.
Sean P e K.nxn y Q e K”1X"1 las matrices de pasaje de [v] a [v’J y de [w ] a [w’].
Demostraremos que las matrices A y B de la trasformación lineal /re sp e c to de los dos
pares de bases verifican
B = Q '1 A P
es decir, son equivalentes.
Para ello consideremos el diagrama
A
V, [v] W, [w]
P
Q
V, [v’] W, [w’l
Se verifica que
l . Xj vj = P X [v.j por 4.19.4. (3)
2 Y(w] = Q Y [w,, por4.1 9 .4 . (3)
3. Yí,„t -
(w] - A X[v] por ser / trasformación lineal de matrizA respecto de las bases [v] y
[w].
De 2., 3. y 1. se deduce
Y [W]
. . . . -n -O'
m Y (wj = Q- 1 A X [v) = Q-‘ A P X(v,|
www.FreeLibros.com
SEMEJANZA 147
0 sea, B ~ A.
R e c í p r o c a m e n t e , si A y B son matrices equivalentes en K mx", y V y W son e s p a c io s
ectoriales sobre K, de dimensiones n y m , respectivamente, entonces A y B caracterizan a
una misma trasformación l i n e a l / : V -> W respecto de dos pares de bases.
/ : V —>V
siendo dim V = n y A la matriz d e /re sp e c to de la base [v] = [w] en cadaespacio.
Si se efectúa un cambio a la nueva base [v*] = [w’] con matriz de pasaje P = Q, entonces se
tiene
B = P '1 A P
donde B es la matriz d e /re sp e c to de la nueva base [v*].
Las matrices A y B de Kn x n , que representan el mismo endomorfismo respecto de las
bases [v] y [w], se llaman semejantes.
Diremos que
A es semejante a B o 3 P no singular / B = P '1 A P
La semejanza de matrices es una relación de equivalencia.
Ejemplo 4-21.
Sea la trasformación lineal / : R 3 —*R3 definida por
f(a,b,c)-(a + b , a - b + c , a - c )
1 ) Determinamos la m atriz A de / , respecto de labase canónica [v] en cada espac
io
/ ( 1 ,0 ,0 ) = (1, 1, 1) = le ,+l e 2 + l e 3
/ ( 0 , 1 , 0 ) = (1, —1 , 0 ) = 1 ej - 1 e2 + 0 e 3
/ ( 0 , 0 , 1) = (0, l , - l ) = 0 e t + 1 e2 - l e 3
Entonces
¡\ 1 0
A = ( 1 -1 1
\l 0 -1
www.FreeLibros.com
148
MATRI CES
( 1 , 1» 0 ) = 1 e, + 1 e2 + Oe3
(1, 0 ,0 ) = 1 e, + 0 e2 + 0 e3
Luego
/ 1 i i
P= 1 1 0
\ 1 o o
B = P"1 A P
Empleando Gauss Jordan resulta
Luego
h » ?)/: ; :
1 -1 0/ \i o 1/ \ 1 o o
1 1 1\ /o 1 1
1 1 0 ]= [ 1 —1 o
1 0 0 / \ 1 2 0
www.FreeLibros.com
TRABAJO PRACTICO IV
2
4-22. Calcular la m atriz— A — 2 B, sabiendo que
y B
1 1\ / 1 -1 -3
1 B= 0 0
0
1 2/ \ -2 2 -3
Obtener: A2 , A B C y B fAt ,
4-25. Desarrollar
i ) (A + I) (A —I)
ii) (A + B) (A - B)
Sabiendo que A, I y B son matrices cuadradas n x n.
4-26. Siendo
PQ q2
-P2 ~PQ
Calcular A2 .
www.FreeLibros.com
150 MATRI CES
A= 0
0
A=
demostrar
www.FreeLibros.com
TRABAJO PRACTICO IV 151
4-37. Demostrar
A A Í =N = > A = N
4.38 Demostrar que si A y B son matrices idem potentes y permutables en K”xn , entonces
A B es idempotente.
4.39 Demostrar que si una matriz es simétrica, idem potente y con algún elemento nulo en la
diagonal, entonces la fila y la colum na de dicho elemento son el vector nulo.
440. Demostrar que si A es idem potente y B es ortogonal, entonces B* A B es idempotente.
441. Demostrar
A2 = A a A + B = I=>B2 = B a AB = BA = N
442. Demostrar
A + B = I A A B = N = >A y B son idempotentes
443. Demostrar
A B = A a B A = B => A, B, A f, B* son idempotentes
www.FreeLibros.com
152 MATRI CES
/ 1 -1 0\ / 1 -1 0
A= 0 1 -1 B= | 0 1 -1
1 0 1/ V —1 0 2
4-60. Sea
2 3
1 4
2 -7
www.FreeLibros.com
TRABAJO PRACTICO IV 153
4-63. Sea A una m atriz idem potente en R " xn, y sea X un vector no nulo de R n que verifica
AX *=aX, con a e R. Demostrar que a = 0 o a s s l.
4-64. Si A e Rnxn es involutiva y X e R " es no nulo y verifica AX = aX, entonces a = 1 o
a ~ -1 .
4-65. Sea X e R " x 1. Se define el escalar X (X raya) mediante
— i n
X=- 2
n i=i 1
Determinar las matrices A e Rnxn que verifican
i ) X( A X = X2
Ü)XÍ AX = nX2
iii) X^ A X = £ ( X i - X f
í=i
4-67. Sean
'0 0 1 0
. . ° ° 0 1 .
A 1i o o o I y b=
, 0 1 0 0
www.FreeLibros.com
154 MATRI CES
www.FreeLibros.com
Capítulo 5
DETERMINANTES
5.1. INTRODUCCION
5.2. DETERMINANTES
En lo que sigue, supondremos que K es tal que 1 + 1 =£0, y si A e K " x", escribiremos
A = (Aj Á2 . . . A„), donde A¡ con 1 < / ' < « denota la columna de lugar i de la matriz
cuadrada.
Definición
Determinante de orden n es toda función
D : Knxn -» K
que verifica
1 . D ( A , . . . a ; + a ; \ . . a „ ) - d ( a i . . . a ; . . . a „ ) + d ( a .1. . a ? . . . a »)
cualquiera que s e a / = 1, 2 , . . . , n.
2. D (Aj . . . a A ; . . . A „ ) = f tD ( A 1 . . . A , . . . A „)
para todo / = 1, 2 , . . .,n.
www.FreeLibros.com
156 DETERMINANTES
3. A¡ ~ AJ + ! => D (A i . . . A; Aj + 1 . . . A „) - O
cualquiera que sea / = 1, 2 , . . n - 1.
4. D (I) = 1 .
an an • ■■ a \n
a 2l a 22 ■ ■ ■ @2n
A=
escribiremos
Û11 d \1 . . . d \ n
a21 Û22 • • • a2 n
&n 1 0 -n 2 ■■■ a nn
Ejemplo 5-1.
La función D : K2*2 ->K definida por
a b
D (A) = = ad - be
c d
es un determinante.
En efecto:
a b’ + b”
1. = a (d ’ + d ,T) - ( b , + b ”) c = ( a d , - b ’c) + ( a d ’’ - b ”c) =
c d’ + d”
a b’ a b”
+
c d’ c d”
aa b a b
2. a a d - b a c ~ a .( a d - b c ) =a
ac d c d
www.FreeLibros.com
r
PROPIEDADES 157
3_ a a =a c - a c = 0
c c
4- D(I)= | o i = u ~ 00=1
im na
5.3. PROPIEDADES DE LA FUNCION DETERMINANTE
ticas,
5.3.1. Teorema
Si se perm utan dos columnas de una m atriz, entonces los correspondientes determinantes
son opuestos.
Razonamos inductivamente:
i ) Las columnas que se perm utan son consecutivas.
Sea A = (A i . . . Ay Ay+i . . . An)
Por 3. es
D (Aj . . . Ay + A/+i Ay+i + Ay . . . An) 0
Aplicando 2. se tiene
D (Aj . . . Ay Ay+i . . . A n) + D iA J_ _ ^ A r -Ar^ r A í í ) - +
= —D (A i . . . Ay+1 A y . . . A h . . . A „ ) P o ri)
= — D (A , . . . A h Ay+i . . . Ay . . . A „) Por i)
5.3.2. Teorema
El determ inante de toda matriz que tenga dos columnas idénticas es nulo.
ii= j a A¡ = Ay => D (A i A2 . . . A ¡. . . A y. . . A „) = 0
www.FreeLibros.com
158 DETERMINANTES
O sea n)
1 D (A) + 1 D (A) = 0
En consecuencia
(1 + 1) D (A) = 0
Y como l + l ^ o , resulta
D (A ) = 0
5.3.3. Teorema
5.3.4. Teorema
/ ^ ^ D ( A 1 . . . A J. . . . A , . . . A „ ) = D ( A 1 . . . A ; . . . A f c + a A . . ,
A plicando los axiom as 1. y 2., y teniendo en cuenta 5.3.2., resulta ' " '
D (A, • ■ • A , . . . A * + a A / . . . A „ ) =
Ejemplo 5 -2,
Sea
/ 1 ° l\
A- ^ 1 ° / eR3X3
www.FreeLibros.com
PROPIEDADES
1 0 1 1 0 0
D.(A) = -1 1 0 = -1 1 1
2 1 -1 2 1 -3
1 0 0
D (A) = 0 1 1
3 1 -3
1 0 0
D (A) = 0 1 0
3 1 -4
Por 4. resulta
D (A) = ( - 4 ) . 1 = - 4
Ejemplo 5-3.
www.FreeLibros.com
160 DETERMINANTES
En efecto:
D ( a A ) = D [ a (A 1 A2 . . . A „ ) ] =
= D(o: Aj a A2 . . .a A n) =
= a n D (A)
Ejemplo 5-4.
„ D(At . . . B . . . A „ )
D (A )
donde B es la columna de lugar j.
En efecto:
- * i D (A t . . . Ai . . . A„) + * 2 D (Ai A2 . . . A2 . . . A „) +
+ xj D (Ai . . . Ay . . . A „) + . . . + Xn D (Aj . . . An . .. A„) -
: Xj D (A)
Luego
. _ D ( A i ...B ...A „1
D( A)
5.3.5. Teorema
A,- = S « / A f
En consecuencia resulta
D ( A ) - D ( A j A2 . . . . S ft¡ AI. . . . A „ ) = 0
www.FreeLibros.com
EXISTENCIA 161
Por consiguiente
D (A) 0 => { A j , A2 , . . A„ ) es una base de K"
5.4. EXISTENCIA DE D
Definiremos los determinantes p o r inducción sobre n. Sea A e K " x", Para cada
(/ /)e l n X I„ consideramos la m atriz A ( / 1f) del tipo (n - 1) X (n - 1), que se deduce de
A al suprimir la fila i y la columna;.
/
d\\ .. . . . . a in \
ay
an 1 an 1 ... a,
1 2 3
Por ejemplo, si A = J 1 0 —2
2 1 -3
A n —( —l) 2 = - 1 , etcétera.
to
II
1!
>
1 -3 2 -3
Probaremos la existencia de D procediendo inductivamente.
i ) Sean n = 1 y A = (a) e K 1x 1. Definiendo
D : K l xl - »K mediante
D (A) = a
se satisfacen los axiomas propuestos en 5.2.
ii) Supongamos definido D : K(" 1>x(fl 1) K.
Esto significa que se satisfacen los axiomas 1 2 . , 3. y 4.
www.FreeLibros.com
162 d e t e r m in a n t e s
D : K n x n ~>K
mediante la asignación
D (A ) = . § 1 au A ¡í (i)
donde A¡j « ( - 1 ) « d f A ( í / / ) ) .
0 sea
„ , D ( A ) - s „ A fl + a ¡2 A „ + . . . + a¡n A¡n V ; e l „ .
Probarem os que la definición (1 ) satisface los axiom as nom brados
!• D (A, A2 . . . A ' k + A”fe . , . A „ ) =
n "
~ j S x aa A y = aik A ik + X a¡j Ay =
j&h
= (a ¡k + a \ ) A ik + 2 a a =
j^ k w u
2. D ( A i Á2 . . .a Ak . . . A „)= 2 a .. a -= an A 4. v
n) Á a* Av a atk Aik 4 ^ 2 ay Atf.
3 . A » = A * +1 =>D( A, . . . A * A* + 1 . . . A „ ) =
n
- (““ D1)ÍA(í1D*}!
ath ( A (;+(_1)i"
Ik ) ) ++1 a**+■D^ i*4 c D14+
(_!)<♦**, ( A>
)()/ 1*) J = 0 =
4- D W = , 4 ( ~ l ) w 5i í D ( l ( ¡ | / ) j =
- ( - I ) ‘+i Su D f I (/ [ /) J= 1
Entonces, Vn e N , V/ e l n , la función
D : Knx” K
www.FreeLibros.com
UNICIDAD 163
definida por
D ( A ) = . |i a í ; Ai;-
es un determinante de orden n.
La fórmula anterior corresponde al desarrollo del determinante por la i-sima fila y expresa
que todo determinante es la suma de los productos de los elementos de la fila i por sus
correspondientes cofactores.
5.5.1. Permutaciones
Definición
Permutaciones de I„ son todas las funciones biyectivas de I„ en sí mismo.
Si o : I„ -*■I n es una perm utación, entonces O queda caracterizada por el conjunto
ordenado de las imágenes
a~ {a(l) a ( 2 ) . . . ff(tt))
Como o es biyectiva, existe la perm utación inversa de a, a 1 : ln ■ + definida por
a 1 ( O = / si o ( j ) ~ i
Como la composición de funciones biyectivas de I„ en l n es también una función
biyectiva, resulta que la composición de dos permutaciones de I„ es una permutación de l n.
5.5.2. Trasposiciones
Sea ¡ e l —i • Trasposición /-sima de la perm utaciónO es la permutación
Ja : I/j ln
definida por
i o ( i) si i + } a / =£/ + 1
www.FreeLibros.com
164 DETERMINANTES
a = ( 2 1 3 4 5)
entonces es
2CT “ (2 3 1 4 5)
Toda trasposición de una perm utación intercambia dos imágenes consecutivas y deja fijas
a las restantes. ,
Se verifica que la perm utación inversa de una trasposición es una trasposición. Por
ejemplo, la permutación inversa de la trasposición
20 = (2 3 1 4 5)
es la trasposición !
2'¿ = (3 1 2 4 5) i
Se demuestra que si o es una perm utación de I„ y n > 1,entonces existe un número finito I
de trasposiciones cuya composición es la identidad.
Por ejemplo, si i
o = (2 3 1 4 5) ;
entonces
2(j = (2 1 3 4 5) ¡
y !
l2 0 = ( l ° 2 ) 0 = ( i 2 3 4 5) = I !
5.5.4. Teorema
Los determinantes están unívocam ente determinados por los axiomas 1., 2., 3. y 4. El
determinante satisface la expresión
D (A) = S ( ~ l ) e (CT) ao0 M • • -aa{n) n
www.FreeLibros.com
UNICIDAD 165
A2 ~ £ a ¡2 E¡
1=1
A„ = 2 ain E,
í=i
O sea
Los vectores canónicos ECT(1), ECT(2 Ea („) constituyen en cada término una
permutación de E j, E2 , . . En . Si e ( a ) denota el núm ero mínim o de trasposiciones
necesarias para obtener la perm utación identidad es
Este desarrollo del determ inante no es útil para el cálculo, pero sí lo es desde el punto de
vista teórico.
www.FreeLibros.com
166 DETERMINANTES
“ k " x" — * - — .
Sabemos que
D (A ) ~~ ^ _ 1 ) eÍCT)fla ( l ) , i « „ ( I ) ,2 ■ ■• a a{n) n
ao(j)J=ak,o~l (k)
En todo producto del tipo
y la suma es
ya que
Ejemplo 5-5.
Efectuamos primero
-■íri).
www.FreeLibros.com
DETERMINANTE DE LA TRASPUESTA 167
Entonces
/ 3 -3 -4
C ~ (A B)( - -2 2 0
\ 5 -5 -2
Para obtener los seis términos del desarrollo 5.5.4. podem os aplicar la conocida regla
de Sarros, repitiendo debajo del determ inante las dos primeras filas de la matriz, y
efectuando los productos indicados
3 -3 - 4 3 0 -4
D (C) - 2 -1 1 0 =2 -1 0 0 = 0 por tener una columna de ceros.
5 -5 -2 5 0 -2
Ejemplo 5-6.
Calculamos el siguiente determinante:
D (A) =
www.FreeLibros.com
168 DETERMINANTES
Ejemplo 5-7.
Desarrollamos por los elementos de la primera columna.
1 1 1 1
a c d
D ( A) =
a2 b2 c2 d 2
a3 b3 c 3 d 3 .
Antes de efectuar el desarrollo pedido reduciremos a 0 los tres últimos elementos de la
primera columna, para lo cual restaremos a cada fila la anterior multiplicada pora.
1 1 1
b -a c—a d -a
D (A) =
0 b 2 -a b c2 - a c d 2 -a d
0 b : -ab2 c 3- a c 2 d 3- ad 2
D (A) - (b -a ) (c - a) (d a) ( c - b ) (d -b )
www.FreeLibros.com
DETERMINANTE DEL PRODUCTO 169
0 sea
D (A) = (b - á )( c - a) (d - a )( c - tí) (d ~ b ) ( d - c)
El determinante propuesto recibe el nombre de determinante de Vandermonde, y
considerando la fila de elementos a, b, c y d,su desarrollo es igual al producto de los
binomios que se obtienen restando cada elemento de la misma de todos los que le
siguen.
O sea, el determ inante del producto de dos matrices es igual al producto de sus
determinantes.
Considerando la m atriz A particionada en vectores columnas, se tiene
b 11 b 12 • • • b 1„
¿21 b 22 . . . b 2 n
C = A B = (A 1 A 2 . . . A n)
bni b n2 . . . b nn
A j j = i b i2 A i • ■ ■ y ? ! b jn A i)
Luego
D (A B) = D ( 2 ò yi Ay .2 bj 2 .. . .2 bjn A}) =
= D (A) D (B)
www.FreeLibros.com
170
d e t e r m in a n t e s
- - >— » * - — - — *
Si
I a n a 12 . . . a ln
an <*22 ... a2n
an 1 a n2 . . . ann>
/ An A:
k2 i ••• Anl
A 12 A 22 . . . A „2
Adj A =
A ln A2 „ . . . Ann
Por ejemplo, la matriz adjunta de
- 1 0 2
A=[ 2 1 3
es 1 —2 —3
39 - 5 \ ' 3 -4 -2
Adj A = ¡ - 4 j _2
=[ 9 1 7
-2 7 -1 ,-5 - 2 -1
5.8.2. Propiedad
Sea
rn a \2 a1n
a i2 ... ff;.
A=
donde h¥=i
ah\ a h2 . . .
www.FreeLibros.com
ADJUNTA 171
Sum ando a la fila h la fila i, el determ inante de esta m atriz no varía, es decir
#11 #12 • • • a ln
tuir
an a¡ 2 ... air
D (A ) =
ah l+ a Ü ^ h 2 ^ i2
•ni
D (A ) = .2 {ahj + au) A hj
Entonces
n n
D (A) = 2 ah¡ A hj + .2 a ¡3 A hj
D (A ) = D ( A ) + J i f l f f Aw
Luego
.2 a¡j A hj = 0
Esta propiedad tam bién es válida para columnas. A continuación demostraremos que el
producto de toda m atriz cuadrada a izquierda y a derecha por su adjunta es igual al
determinante de dicha matriz por la identidad.
OS
5.8.3. Teorema
www.FreeLibros.com
172
DETERMINANTES
n n
a H A 2; -
' ' }S x ü lJ
n n
A 2 j • ■■ av A ni
n n
' a n j A nj
D (A ) O ... O
O D (A) . . . O
0 O ... D (A )
1 0 ... 0
0 1 ... 0
= D (A ) = D(A).I
o 0 ... 1
En forma análoga se prueba que
Adj A . A = D (A) I
D (A B) = D (B A) = D (I)
Por determinante del producto y de la identidad es
D(A)D(B) = D ( B ) D ( A ) = I
Resulta D (A) * 0, pues en caso contrario su producto por D (B) sería 0, y no 1.
2. Sea A e K »*" tal que D (A) * 0. Demostraremos que A es inversible
detenriinante ■ * * « * - -
www.FreeLibros.com
INVERSION DF, MATRICES 173
Ejemplo 5-8.
Obtenemos la inversa de la m atriz del ejemplo 5-6.
/I 3 5
A= I 3 5 1
V5 1 3
Luego
- 4 -2 2 \
1 / 14
A"1 = -22 14
~ 108 \ - 2 2 14 - 4 /
O sea
7 2 11
~ 54 54 54
2 11 7
54 54 ” 54
11 7 2
54 ~ 54 54
Ejemplo 5-9.
Demostramos que los determinantes de dos matrices inversas son escalares recíprocos.
Sea A e K nx'' no singular, es decir, tal que existe A 1.
Entonces se tiene
A A"1 = I
www.FreeLibros.com
174
d e t e r m in a n t e s
D (A A_1) = D (I)
Por determinante del producto y de la identidad es
D ( A ) D ( A ~ 1) = 1
O sea
qs - ^ S
K ™ ÍCeS Semejanfes determinantes iguaies.
' SlBeK CS SemCJ;1,' te a A - 0 " '« " « » existe P no singular ltaque
B = P '1 A P
Entonces
D ( B ) = D ( P - ' ) D ( P ) D (A )
Por determ inante del producto
D (B ) = D ( I ) D ( A )
Y resulta
D (B ) = D( A )
det“ n :
™ de“ rminaaC
nteta;eel “ 7 E.
T O a^atai^ ^ Pr° P° rCÍOna el método de Gauss ^ r d a n para la determinación
Sea
«u «12 . . . au ... a ln
« 2i a 22 ... a 2j . . . a 2n
D (A) =
«« ai2 • •. (a
www.FreeLibros.com
REGLA DE CHIO 175
D (A) = a a
d j\ a i2 . 1
a¡j a¡j
d n \ a n 2 • • • anj ■■■ ar
A cada fila A, con h * i, le restamos la fila i multiplicada por aHh y resulta
fllj
& t]a n 012
Q i j a ¡2 . . 0 ... ai„ -
au - «y
(*i2 din
i . ..
D (A ) = fly
«y
Gni &
an¡an an¡a i 2
an 1 a n2
ai
Ejemplo 5-11.
Calcular, usando la regla de Chio.
2 0 - 1 2
3 2 - 2 - 3
D (A) - 0 -2 (3) 2
2 3 0 -1
del pivote se anulan, y a los elementos del determ inante que no figuran ni en la
www.FreeLibros.com
176
d e t e r m in a n t e s
en h columna del pivote se los trasfonna de acuerdo con la regla del -rectángulo’
2 1 0 1
3 4 0 -5
0 1 -1
2 3 0 -1
D (A ) = ( - 2 )
© 1
4 -5
3 -1
www.FreeLibros.com
TRABAJO PRACTICO V
$.12 Calcular los siguientes determ inantes desarrollando por los elementos de una linea,
reduciendo a ceros todos los elementos de la misma, salvo uno:
2 1 2 2 4 3
D (A) = 0 3 1 D (B) = - 1 3 1
4 1 1 4 1 2
1 1 -2 4 -1 1 2 1
0 1 1 3 0 3 2 -1
D (C) = D (E ) = 2 1
2 -1 1 0 1 4
3 4 2 --1 3 1 3 2
5-13. Demostrar que el determ inante de toda matriz triangular es igual al producto de los
elementos de su diagonal.
5-14. Demostrar que si u n determinante tiene dos líneas proporcionales, entonces es nulo.
5-15. Resolver las siguientes ecuaciones:
1 -X 0 -2 ü) 2 -x -3 6
0
0 =0 4 1 -2 = 0
1
0
-2 0 4 -X 2 -1 2 +x
Resolver la ecuación D (A - X 1) - 0
5-17. Resolver la ecuación D (A - X I) = 0 siendo
j_
3
J_
3 i'
A= 1 0
2
www.FreeLibros.com
178 DETERMINANTES
5-18. Demostrar que el determ inante de toda m atriz ortogonal vale 1 o —1.
5-19. Sea A e K n x n. Demostrar que
D (Adj A) = [D (A)]”-1
1 1 1
x2
í x i)
5-21. S e a n /y g funciones reales de una variable real con derivadas primeras y segundas.
Demostrar que si
entonces
5-22. Demostrar que si n vectores columnas de K" son Unealmente independientes, entonces
el determinante de la matriz cuyas columnas son tales vectores es no nulo.
5-23. Determinar los signos de las permutaciones de I3 , y la inversa de cada una.
f i ( t ) = eaif
son linealmente independientes sobre el cuerpo de los complejos.
5-25. Obtener las matrices inversas de
(a y b son no nulos)
www.FreeLibros.com
TRABAJO PRACTICO V 179
y B=
i ) 1 1 1
x y 2 =(x-y)(y~ z)(z-x)
y z xz xy
ii) X y z t
y z t X (x +y +z + 0
z t X y
X y z
iii) 1 X y z +1
1 y z X+t =0
1 z t x +y
1 t X y +z
iv) X- y —z 2x 2x
2y (x + y + z )3
^y y - x - z
2z 2z z-x -y
1 --1 2 1 1
0 2 3
2 0
2 --1 1
5-30. Calcular
0 1 1 1 1
0 1 1 1
1 1 0 1 1
1 1 0
1 1 1 1 0
www.FreeLibros.com
180 DETERMINANTES
5-33. Demostrar que el detenninante de toda m atriz antisimétrica de orden impar es nulo.
5-34. Demostrar que
A C
B D = lAl ID - B A '1 Cl
^A B\ 1 /a - i + F E " 1 F í -FE"1
Bí D/ ( - E ' 1 FÍ E"1
www.FreeLibros.com
Capítulo 6
SISTEMAS LINEALES
6.1. INTRODUCCION
6.2.1. Concepto
/ : Km ~>K"
definida por
/(X ) = AX (1)
www.FreeLibros.com
182 SISTEMAS LINEALES
K"
’ «11*1 + « 12*2 + •• •+ a l m x m = b x
La matriz A, cuyos elementos son los coeficientes de las variables del sistema, recibe el
nombre de matriz del sistema. Los escalares que figuran en el segundo miembro se llaman
términos independientes. La matriz de coeficientes ampliada con los términos independien
tes se denota mediante
A* = (A B)
www.FreeLibros.com
SISTEMAS LINEALES
0 sea, cada m-upla de elementos de K que satisface a todas las ecuaciones del sistema es
una solución del mismo.
Entonces
A X = B (I)
AX=0 (II)
www.FreeLibros.com
SISTEMAS LINEALES
f : K m - +Kn
definida por
f(X ) = A X
m = I /(X ) / X e Km ) = (AX/XeK"*| -
í / ^ 1\ 1
= j (A i Á2 . . . Am) •2 J / Xj - eK con i = 1, 2___, m j=
■xm f I
I m t
= j .X x tA ¡ / jr¡ e K J = SC(A)
Por consiguiente es
www.FreeLibros.com
r
ESPACIO SOLUCION
185
AX = 0
y sea S el espacio solución, es decir
s=m
donde f es la trasformación lineal a que nos hemos referido.
De acuerdo con 3.4. se verifica que
dim N (/) 4- dim \(f) = dim Km
En consecuencia
dim S + p (A) = m
O sea
dim S = m - p (A)
Luego, la dimensión del espacio solución de todo sistema lineal y homogéneo es igual al
número de variables menos el rango de la matriz de coeficientes.
En particular, si p (A) = m , entonces es dim S = dim N(/) = 0. En consecuencia
Ejemplo 6-1
Interpretamos el siguiente sistema lineal en términos de una trasformación lineal y
determinamos la dimensión de su imagen
2*1 - *2 +*3 + *4 = 1
*1 ~ *2 - *3 + 2*4 =0
3*! - 2*2 + 3*4 = 1
La matriz del sistema lineal es
2 -1
A= 1 - 1 - 1 2
3 - 2 0 3
www.FreeLibros.com
¡ SISTEMAS LINEALES
mediante
AX) = A X
el sistema lineal propuesto nos conduce a la determinación de la preimagen de
Para hallar dim 1(0 obtenemos el p (A) por el m étodo de Gauss Jordán
2 1 1
-1 -1 2
®
3 -2 0 3
0 © 3 -3
1 - 1 - 1 2
0 1 3 -3
0 1 3 - 3
1 0 2 - 1
0 0 0 0
.
Ejemplo 6-2
Si consideramos el sistema homogéneo
2*1 - x 2 + *3 + *4 = 0
www.FreeLibros.com
TEOREMA DE CRAMER 18^
B = 2 x¡ A¡
í= i ' ‘
y por lo demostrado en el ejemplo 5-4 resulta
_ D(A j A3 . . . B . . . A „ )
AI ........ ““
D(A)
para todo 7 = 1 , 2 , . . . , « , donde B es la columna de lugar /.
Los sistemas de n ecuaciones con n variables se llaman cuadrados, y si el determinante de
la matriz de coeficientes es distinto de cero, entonces reciben el nombre de cramerianos.
Ejemplo 6-3
Resolvemos mediante el teorema de Cramer el siguiente sistema:
i Xi “ -V 3 = — 1
I + 2 x 2 — 2x 3 = — 1
2 x, - x2 + x3 - 3
www.FreeLibros.com
188 SISTEMAS LINEALES
La matriz de coeficientes es
1 / 1
_ 1 = - 1
3 0
A X = B es compatible o p (A) = p (A ’)
www.FreeLibros.com
TEOREMA DE ROUCHE 189
En efecto:
A X = B es compatible «■ 3 a e Kmx 1 / A a = B «•
I ai \
......... € K / (A j A2 . . . A m )
4 > 3 % a 2 , . . . , a m e K / B = | i a ( A¡ «■
B = S tt/A ;
i= i
«i
0i2
O sea, ot = es la única solución del sistema.
www.FreeLibros.com
190 SISTEMAS LINEALES
El m étodo de Gauss Jordán perm ite no sólo la discusión del sistema en el sentido de
decidir si es compatible o no, sino también la resolución efectiva de él en el caso de
compatibilidad. Esto significa determinar el conjunto solución.
Esencialmente se basa en la determinación de los rangos de A y de A \ para lo cual se
escribe a la derecha de la matriz A la columna formada con los términos independientes, y se
opera de acuerdo con lo expuesto oportunam ente.
Ejemplo 6-4
Discutimos y resolvemos por el m étodo de Gauss Jordán el siguiente sistema:
*1 + X2 + *3 = 2
2x , - x 2 - *3 = 1
+ 2 x 2 - *3 - —3
® 1 1 2
2 -1 -1 1
1 2 -1 - 3
1 1 1 2
0 -3 -3 - 3
0 © - 2 - 5
1 0 3 7
0 0 - 18
( -)
0 1 -2 - 5
1 0 0 1
0 0 1 2
0 1 0 - 1
www.FreeLibros.com
RESOLUCION DE SISTEMAS 191
Ejemplo 6-5
Verificamos que el siguiente sistema es incompatible:
í + x2 - *3 = 1
| - x 2 + 3x 3 - - 3
I xt + X3 = 1
Investigamos para ello, los rangos de A y de A ’:
1 -1 1
©
1 -1 3 —3
1 0 1 1
El único elemento que puede ser tomado
1 1 - 1 1
como pivote es - 4 . Esto significa que el
0 -2 4 —4
rango de A ’ es 3, pero el rango de A es 2, y
0 2 0 en consecuencia el sistema es incompatible.
0
1 0 1 1 La últim a etapa es innecesaria y ha sido
realizada para poner en evidencia los vecto
0 0 0 (r* )
res canónicos.
0 1 - 2 0
1 0 1 0
0 0 0 1
0 1 —2 0
Ejemplo 6-6
Determinamos una base del espacio solución del sistema lineal y homogéneo
(A - X I) X - 0
para cada X tal que
D (A - X I) = 0
siendo
y X e R3 x 1.
www.FreeLibros.com i
192 SISTEMAS LINEALES
0 2 —X 1 = 0
0 0 1 -X
(1 -X )2 (2 —X) = 0
Las raíces son
\ - X2 = 1 y X3 =2
1. Para \ = X^ = 1 se obtiene el sistema homogéneo
Es decir
0*! + x 2 + * 3 = 0
0*! + x 2 + * 3 = 0
0*1 + 0*2 + 0*3 = 0
V * ! e R se verifica
*2 + * 3 = 0
O sea
*2 ~ *3
www.FreeLibros.com
RESOLUCION DE SISTEMAS 193
Una base del espacio solución está formada por los vectores
0 © 1 0
0 1 0
0 0 0 0
0 1 1 0
0 0 0 0
0 0 0 0
Como p (A) = p (A’) = 1 y este valor es menor que el número de variables, el sistema
tiene infinitas soluciones. La dimensión del espacio solución es
3-p(A) = 2
Las dos primeras ecuaciones caracterizan un plano que pasa por el origen y que
contiene al eje x x. La tercera ecuación se satisface para todo ( * i, x 2, x 3) e R3, o sea,
representa a R 3 . La intersección de estos dos subespacios es el plano de ecuación
*2 + *3 = 0-
Ejemplo 6-7
Considerando las matrices
\
0 *1 ^ \
li 2
-y
A= •> x= *2 *r 1= l
4" ~4 2~
*3 \ i
3 3 i¡
www.FreeLibros.com
SISTEMAS LINEALES
i i «
l . ( * l * 2 * 3) (*i X% * 3 )
■'*' + 4 Xi + J a:3 = * ,
i + ~ * 2 + T * 3 =X 2
I9 r 2 +4 --1* 3 = * 3
6x í + 3*2 + 4 * 3 = 12*1
6x t + 3 * 2 + 4*3 = 12.*2
3*2 + 2*3 = 6x 3
Reduciendo términos
6*! - 3 * 2 - 4 * 3 = 0
6*, - 9*2 + 4*3 = o
3*2 - 4 * 3 = 0
*1 + * 2 + * 3 = 1
www.FreeLibros.com
RESOLUCION DE SISTEMAS 195
6 - 3 - 4 0
6 - 9 4 0
0 3 _ 4 0
© 1 1 1
0 - 9 -1 0 - 6
0 - 15 - 2 - 6
0 © - 4 0
1 1 1 1
0 0 C 22 ) - 6
0 0 -"2 2 - 6
4
0 1 0
3
7
1 0 1
3
3
0 0 1
11
0 0 0 0
4
0 1 0
11
1 0 0 ±
11
( 4
Xi ~ —
11
4
La matriz A de este ejemplo es tal que sus elementos son no negativos y la suma de los
elementos de cada fila vale 1. Esto significa que los vectores filas caracterizan una
distribución discreta de probabilidades, y por tal motivo la matriz se llama estocástica.
www.FreeLibros.com
196 SISTEMAS LINEALES
Ejemplo 6-8
Determinamos los espacios soluciones de los siguientes sistemas homogéneos y
cuadrados:
www.FreeLibros.com
SISTEMAS HOMOGENEOS 197
i ) X ! - 2*2 + * 3 = 0
- *2 + * 3=0
X i - 2*2 - 2*3 = 0
-2 1 1 —2 1
D(A) = 0 - 1 1 - 0 - 1 1 =3*0
1 —2 -2 0 0 - 3
S~ {0 |
Los tres planos forman un triedro cuyo vértice es el origen.
ii) í *! - x 2 + 3 x 3 =0
I X t + X 2 - *3 = 0
( *1 + *3 = 0
Como
1 - 1 3 1 - 1 3
D(A) = 1 1 - 1 = 2 0 2
1 0 1 1 0 1
= 1 0, el sistema es indeterminado.
www.FreeLibros.com
198 SISTEMAS LINEALES
Se tiene:
/* , +*3=0
i x 2 - 2*3 = 0
Despejando las variables principales
= -*3
X2 = 2 *3
Las infinitas soluciones están dadas por
i Xi = - a
| x 2 = 2a
[ *3 = 0 Va eR
Sea T el conjunto solución del sistema lineal A X = B, y sea S el espacio solución del
sistema lineal y homogéneo asociado. Si t es una solución particular del sistema A X = B, y
t + S denota la suma de esa solución particular y todas las soluciones del sistema homogéneo
asociado, entonces se verifica que
T~í + S
En efecto:
1. Consideremos cualquier solución u de A X ~ B, y sea t una solución particular de este
sistema.
u e T A í e T = > A(w - t) = Au Af = B B = O =>
=>u - t eS=>u — t = s A. 5eS=>u = í + s A s e S = > « e / + S
O sea
T C í + S (1)
2. Sean: t , una solución particular de AX = B, y s cualquier solución de A X = 0.
« = í + s e í + S=;’ AM = A(/ + s) = A í + As = B + 0 =B =i' Me T.
www.FreeLibros.com
CONJUNTO SOLUCION
199
Luego
f + SCT (2)
D e ( l ) y ( 2 ) resulta
T=í + S
En consecuencia, toda solución de un sistema lineal es igual a una solución particular de
dicho sistema, más una solución del sistema homogéneo asociado. En otras palabras, el
conjunto solución de un sistema lineal es igual a la suma de una solución particular con todas
las soluciones del sistema lineal y homogéneo correspondiente.
Ejemplo 6'9
Interpretamos geométricamente el significado del teorema anterior considerando el
sistema lineal de una ecuación con dos variables
2*i - * 2 = 1
En este caso es A = (2 —1) y A’ = (2 -1 1). Ambas matrices tienen rango 1 y el
sistema tiene infinitas soluciones.
www.FreeLibros.com
200 SISTEMAS LINEALES
Ejemplo 6-10
Dado el sistema lineal
/ *j + X2 + * 3 + * 4 + X5 = • 7
J 3*! + 2x 2 + * 3 + * 4 — 3* 5 = - 2
| * 2 + 2*3 + 2*4 + 6*5 ~ 23
^ 5 * t + 4*2 + 3*3 + 3*4 — * 5 = 12
determinamos: el espacio solución del sistema homogéneo correspondiente, una base y
la dimensión de éste, una solución particular y el conjunto solución de aquél.
® 1 1 1 1 0 7
3 2 1 1 -3 0 - 2
0 1 2 2 6 0 23
5 4 3 3 _ 1 0 12
1 1 1 0 7
0 - —2 -2 -6 0 -2 3
0 0) 2 2 6 0 23
0 - - 2 —2 - 6 0 -23
1 0 - - 1 - 5 0 - 16
0 0 0 0 0 0 0
0 2 2 6 0 23
0 0 0 0 0 0 0
5 - p (A) = 5 —2 = 3
*j - * 3 - * 4 - 5*5 = 0
* 2 + 2*3 4- 2*4 + 6*5 = 0
*1 = * 3 + * 4 + 5* 5
*2 = - 2*3 — 2*4 — 6*s
www.FreeLibros.com
CONJUNTO SOLUCION 201
= a + p + 5y
* 2 = - 2a —2/3 —6-y
*3 = a
*4 =0
*5=7
*1 1 / 1 5 1
*2 ~2 -2 -6
*3 = Oi 1 + 0 0 + 7 0
*4 0 1 0
XS■ 1 0 0 1
1 \ ' 1 / 51
-2 -2 -6
1 , 0 y 0
0 1 0
0 0 ,
1 /
- 16
23
t= 0
0
0
'
/ - 16 ' / * 1 5
23 _ 2 _ 2 -6
0 + a 1 +0 0 +7 0
0 0 3 0
0 0 0/ 1/
www.FreeLibros.com
202 SISTEMAS LINEALES
O sea
— 16 + a + 0 + 5y
* 2 = 23 - loe - 2)3 - 6y
* 3 = 0:
x 4 =p
*5=7
6.8. RES
OLUCION DE SISTEMAS SIMETRICOS POR EL METODO DE
LA RAIZ CUADRADA
AX-B (i)
A -T 'T (2)
Proponiendo la forma escalar de (2), debe ser
1h i 0
I tu f 12 hn
? 12 ?22 «U al 2 «1 n
0 *2 2 h n «2 1 «22 «2 n
í u i = «« t , =>ru = V « u
S i / > 1, entonces
t u t u = a ÍJ
www.FreeLibros.com
SISTEMAS SIMETRICOS 203
Luego
_ ÜL
t ti = A
lL
t\ i V«11
O sea, la primera fila de T se deduce de la de A de la siguiente manera: el primer elemento
es la raíz cuadrada del primero de A, y los restantes se obtienen dividiéndolos por esta raíz
cuadrada.
2. Considerando cualquier fila distinta de la primera, es decir, tal que / > 1, se tiene:
í-i
i = i=>au = 2 tl¡ = X í j , = r j + 2 tl,* > tít ia-u — 2 t\¡
h- 1 h= l h= 1 h= 1
n i i~i
/ >i^au = ^ thi t hj = ^ th¡ thj = t u tu + t hi h i
i'-l
aÜ - 2 h i thi
/!= 1
i ^ l b' '
1 12 ¿22 ••• 0 k-i = b2
www.FreeLibros.com
204 SISTEMAS LINEALES
1. ti j Aj = b x, o sea
2. i> \^ b i 2 th l k h - X thikh-
n=I h= i
i-1
bi ~ ^ {hi ^ h
/!= 1
- í « A : f + S t h¡ k h => ki =
h=i
Ejemplo 6-11
Resolvemos el siguiente sistema simétrico por el m étodo de la raíz cuadrada:
2 2 0
2 5 - 1 -8
2 - 1 33 4
1 2 2 0
0 1 - 5 -8
0 0 2 - 18
En consecuencia:
+ 2x 2 + 2x 3 = 0
x2 - 5x 3 = —8
2x 3 = — 1 8
Luego
*3 = - 9 *2 = -5 3 x i= 124
www.FreeLibros.com
MET ODO DEL ORLADO 205
La solución es
/ 124
X= - 53
\ - 9
Las condiciones para que el m étodo sea aplicable son: tu *0, \/i = 1, 2 , . . . ,n.
Ejemplo 6'12
Resolvemos por el mismo método
- + x 2 - 2x 3 = 2
+3*3 = - 5
— 2x i + 3;c2 — 2 x 3 = - 1
No es necesario multiplicar la primera ecuación por - 1 para obtener elementos reales
en T.
_ 1 - 2 2
0 3 -5
- 2 3 _ 2 - 1
i -i 2i -2 i
0 1 1 -3
0 0 1 -2
Entonces
x3 = - 2 x2 = ~ 1 x, -
Este m étodo, que es directo, permite obtener la inversa de una matriz no singular
M e KnXfl. Particionamos M de acuerdo con el esquema
n = (n - 1) + 1
para filas y para columnas, y se tiene
A B
M= .
C ann
www.FreeLibros.com
206
SISTEMAS LINEALES
X Y
M"1 =
an
donde an e K - ( 0 )
Considerando que
M M ' 1 =1
se tiene
I N
N i ,
O sea
A X + BZ = I 0)
a y +-2. = n (2 )
C X + ann Z = N (3)
C Y +^2^i (4)
Oi„
De (2)
Y = - ^ (S)
C A ' 1 B ,a
ot„ un
Luego
« » = « * « - C A ' 1 B (6)
De(l)
«n Z = - C A"1
www.FreeLibros.com
MET ODO DEL ORLADO 207
Z = _-J r'_A_
a -1
(8)
De (7) y (8)
X - A ' 1 + A 1 B C A 1 (9)
Entonces
(«i,) , i “ 11 a i 2 ) etcétera
, etcé
' \ #21 fl22/
1.
-A "1B
bn-1 ,n
2. -- C A (c n i C,j2 • • •C n , n -l)
bi n I b ln
b2n
3- 0tn = a nn - C A“1 B = ann + C ann + (an \ an 2 ■• ■an,n -1 )
an =an n + X an j bj
}= i
www.FreeLibros.com
208 SISTEMAS LINEALES
También:
I &ln
«2 n
ann " C A 1 B ann + (cn>1 C„2 . . . cn n ., )
«n-l,n
n-I
^nn ^ «in *'«<
/= 1
4. Los elementos x¡j de la submatriz A -i1 +. A '1B C A ' 1 son, llamando x \¡ a los
' in
ni
Ejemplo 6-12
Calculamos la inversa de A por el m étodo del orlado, siendo
www.FreeLibros.com
METODO DEL ORLADO 209
1 2 _ 1
2 - 1 M
- 1 1 2
1 2 - 2
2 - 1
-2 5
- A"1 B
-1
- - C A"
11
5
3 5 1
14 14 14
5 1 3
M‘
14 14 14
1 3 5
" 14 14 14
donde M es no singular.
www.FreeLibros.com
TRABAJO PRACTICO VI
2. j 2xl + x 2 - * 3 =()
i2 * ( + 2*2 + 2at3 = o
X1 + *3 =0
5* í =0
3. ' *1 + *2 - * 3= 0
X1 + * 2 + * 3 ~ 0
3*1 + 4 * 2 =: Q
*1 —* 2 =0
*2 + * 3 = 0 5* 1 + *2 + * 3=0
u l ‘x + y - z =0 , líl + 1
| , > +z = o 1 (I + 0 * - , , + * = o
I ¿x + ¡ y ^ z = 0
www.FreeLibros.com
TRABAJO PRACTICO VI 211
¿ ./8: En el anillo de las clases de restos m ódulo 3, determ inar una base del espacio solución
de! sistema _
Xi + *2 + * 3 = 0
Xi +2*2 =0
3*1 + *2 = - 5
i 2xt + 3 * 2 = - 8
1 i
2 2
1 A
. 3 3
1. ( * 1 — 2*2 + *3 — *4 — *5 = 2
2 *! + *2 ~ * 3 - *5 = 4
2. *1 + *2 3*3= - 1
2xt + *2- 2*3 = 1
*J + *2 + *3= 3
*1 + 2*2 — 3*3 = 1
www.FreeLibros.com
212 SISTEMAS LINEALES
3. xx +x2-3x3 - x s =0
*1 - *2 + *3 - *4 =0
Txi +2*3 - x4 - * 5 =0
2*i — *4 — *5 = 0
A= 4 4
2 0 3
obtener X tal que D(A - X I) = 0. Después resolver el sistema (A - XI) X = 0 para cada
valor de X.
6-27 Determinar para qué valores de k el siguiente sistema tiene soluciones distintas de la
trivial:
* + (& + l)_y + z=0
*+ y ± { k + 1)2 = 0
(£+1)*+ y + z=0
En cada caso, estudiar el espacio solución, e interpretar geométricamente.
6'28. Determinar la inversa de M por el método del orlado, siendo
/I 1 -1
M= 1 - 1
1 1
&29. Resolver el sistema X*A ~ x \ siendo
1
n
www.FreeLibros.com
TRABAJO PRACTICO V 213
x + ay - z = —1
3* + y + z =a
www.FreeLibros.com
Capítulo 7
7.1. INTRODUCCION
Definición
Producto interior en V, es toda función
<, > : V2 R
que satisface las condiciones de simetría, de linealidad respecto del primer argumento
y de definida positiva:
i ) < x , y > = < y , x > cualesquiera que sean x e y en V.
i i ) ( x + y , z } = ( x , z > + < y , z > cualesquiera que sean x, y y z en V.
iii)<ax,y> = a<x,y) V x e V , V y e V , V a e R.
iv) <x , x >> 0 VxeV
( x , x >= 0 x=0
www.FreeLibros.com
ESPACIO VECTORIAL EUCLIDIANO 215
Todo producto interior en un espacio vectorial real asigna a cada par de vectores un único
escalar real.
Espacio euclidiano es todo espacio vectorial real con producto interior.
La adjunción de un producto interior a un espacio vectorial permite establecer una
métrica en él; o sea, los conceptos de distancia entre pares de vectores, m ódulo de un vector,
ortogonalidad y ángulo entre dos vectores. Estas nociones no son intrínsecas al espacio
vectorial, sino que dependen del producto interior que en él se considere. O sea, dos vectores
de un espacio,ortogonales con un producto interior, pueden perder este carácter si se define
otro producto interior.
Ejemplo 7-1
En (R ", + , R> ■), la función
<, >: R " X R " -+ R
definida por
< X , Y > = X*Y (1)
donde
*1
x2 y2
X~ Y=
Xn yn,
es un producto interior. Para probar esta afirmación verificamos los axiomas de la
definición.
i ) < X , Y > = XÍ Y = ( X£Y) Í = Y Í X =< Y , X )
Por (1), por ser X*Y un escalar, por traspuesta de un producto y por (1).
ü ) < X + Y , Z > = ( X + Y) í Z = ( Xí + Y í) Z = X í Z + Y f Z = < X , Z ) + ( Y , Z )
www.FreeLibros.com
216 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
< X, Y ) = g 1 x iy i
0 sea, el producto interior de dos n*uplas de números reales es igual a la suma de los
productos de las com ponentes correspondientes.
En el caso n = 2 esta definición se traduce en
<X , ¥ > = * ! y i + *2y 2
Ejemplo 7-2.
La función
( , ) : R 2 X R Í - >R
tal que
<X,Y>=X( AY (1)
es un producto interior. En efecto
1 ) < X , Y ) = X Í A Y - ( X Í A Y ) Í = Y Í A Í X = YÍ A X <=Y , X>
Por (1), por ser X f A Y un escalar, por traspuesta de un producto, por ser A* = A y por
Además
(X , X > ~ O ( * j - 2 * 2)2 + * ¡ = 0<*
<**! - 2 * 2 = 0 a * 2 = 0 ^
*>xx = * 2 = 0<>X = 0
Ejemplo 7-3.
www.FreeLibros.com
PRODUCTO INTERIOR 217
caracteriza un producto interior en dicho espacio. Para ello es suficiente probar que se
cumplen los axiomas de la definición teniendo en cuenta propiedades elementales de la
integral definida.
Sea (V, + , R , .) un espacio con producto interior, y sean las combinaciones lineales
n m
donde
ctiJjeK y x¡,y; eV
De acuerdo con los axiomas de la definición, se tiene
n m
<x , y >= (.2 ctt x¡ ,.2 fy y¡ ) =
n m n m
= .2 < ot¡ x f ,.2 § y¿ >= 2 a¡ <x ¿ ,5 ^ fy y ¡ )-
n m n m
Hemos aplicado sucesivamente:ii), iii), i), ii), iii), propiedades dela sumatoria e i).
En particular es
< a x + y , « x + y) = a2 <x,x) + a ( x , y ) + a < y , x > +
+ ( y , y > = a2 ( x , x ) + 2 a < x , y ) + <y, y>
7.2.3. Propiedad
www.FreeLibros.com
218 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
Luego
<x,0>=<0,x> = 0
Definición
Módulo de un vector en un espacio con producto interior es la raíz cuadrada no
negativa del producto interior de dicho vector por sí mismo.
El símbolo llxli se lee: m ódulo o longitud de x.
De acuerdo con la definición es
II XÍI = V <x ,x >
En R2 , con la definición dada en el ejemplo 7-1, si x = (3,4), entonces
11x11 = \ / 3 2_+ 4 2 =\ ¡ 2 S = 5
Definición
Distancia entre dos vectores x e y, en u n espacio con producto interior, es el módulo
de su diferencia.
d (x, y) = II x y II
www.FreeLibros.com
M ODULO
219
El lector puede com probar que esta definición satisface los axiomas de la función
distancia.
7 2 5. Módulo del producto entre un escalar y un vector
En todo espacio con producto interior, el m ódulo del producto entre un escalar y un
vector es igual al valor absoluto del escalar por el m ódulo del vector.
il a x l l = I a l II x l l
En efecto:
a x il2 = ( a x , a x > = a2 < x , x > =
= l a i 2 IIxi!2 = ( l a l I!xll)2
O sea
llaxí!2 = ( l a l II xll)2
Y como las bases son no negativas resulta
IIa xi l = lal IIxll
El producto de un vector no nulo por el recíproco de su m ódulo, o lo que es lo mismo, el
cociente entre un vector no nulo y su m ódulo, es un vector de módulo 1.
X
En efecto, sea x ¥= 0. Considerando — se verifica
IIxll
X 1 1
— X llxll= — xll=l
II x l l Ilxll Ilxll ti X 1
■ - \ / l M - ( - l ) 2 + ( n/ 2)2 = 2
y resulta
= [.L V?
Ilxll \2 ’ 2 ’ 2
7.3. ORTOGONAUDAD
Definición
Dos vectores son ortogonales si y sólo si su producto interior es nulo.
El símbolo x i y se lee: x es ortogonal a y.
Entonces
xly«*<x,y )= 0
www.FreeLibros.com
220 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
Ejemplo 74.
1. En R2 , con el producto interior usual, los vectores
x = (—2 , 3) e y = (—3 , —2)
3a2 - 4 a + 1= 0
www.FreeLibros.com
ORTOGONALIDAD 221
x” = ( - l , - 4 , l ) e y ” = ( - 1 ,1 ,1 )
Ejemplo 7-5
D em ostram os el teorema de Pitágoras: si x e y son dos vectores ortogonales, entonces
En efecto:
Ejemplo 7-6.
En el espacio vectorial de los polinomios reales de grado menor o igual que 2 y el
polinomio nulo, donde el producto interior se define como en el ejemplo 7-3, los
polinomios
y/2 s /í
—— y -^7=*
2 s fl
son ortogonales, pues
www.FreeLibros.com
222 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
, y/3 x 2
x d x = -i------- = 0
2 2 2
2.y^0.
(tx + u y , tx + u y ) >0
Desarrollando el prim er miembro
t2 ( x , x ) + 2 t u ( x , y ) + u 2 ( y , y )> 0
Haciendo
( < y , y > ) 2 < x , x > - 2 < y , y > ( < x , y > ) 2 + ( <x , y > )2 <y , y > > 0
Por definición de m ódulo y reducción de términos
llyff4 llxll2 - IIyII2 ( < x , y > ) 2 > 0
Dividiendo por II y II2 , que es no nulo, resulta
IIyII2 Hxll2 - ( < x , y > ) 2 > 0
Teniendo en cuenta que el cuadrado de un número rea! es igual al cuadrado de su valor
absoluto, y trasponiendo términos
II y II2 II x II2 > l <x , y >P
www.FreeLibros.com
DESIGUALDAD DE SCHWARZ 223
O sea
I <x , y > I2 < ( II x 11 II y II )2
Y, como las bases son n o negativas, resulta
I <x , y > K II x II II y II
En todo espacio con producto interior, el m ódulo de la suma de dos vectores cualesquiera
es menor o igual que la suma de sus módulos,
probaremos que
Hx + y l K 11x11+ II y II
En efecto, por definición de m ódulo y de producto interior es
| l x + y l l 2 ~ < x + y , x + y> = < x , x > + 2 < x , y > + < y , y > (1)
Teniendo en cuenta la desigualdad de Schwarz y propiedades del valor absoluto en R, se
verifica
- Ilxll l l y l l < ( x , y X llxll llyll
Luego
2 ( x , y > < 2 llxll llyll (2)
D e ( l ) y ( 2 ) resulta
11 x + y II2 < II x II2 + 2 II x II 11 y II + II y II2
O sea
llx + yll2 < ( 11x11+ llyll)2
En consecuencia
II x + yll < II x l l + II y l l
se deduce que
- llxll H y l K < x , y > < llxll llyll
www.FreeLibros.com
224 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
Definición
Angulo de dos vectores no nulos x e y es el núm ero real y?que satisface:
1. 0 < í p < 7 T
2. 0 8 *=
llxll IIyII
De la relación 2. se deduce la siguiente expresión del producto interior en función del
ángulo de los vectores y de los m ódulos de éstos:
<x ,y > = llxll IIyííeos v?
Ejemplo 7-7.
Los vectores x e y forman un ángulo de 60° y el módulo de x es 3. Determinamos el
módulo de y para que y —x sea ortogonal a x.
y-x
O sea
<y - x , x >= O
Luego
En consecuencia
y il II x II eos II x l l 2 = O
Resulta
II y II.— = 3
2
De donde
www.FreeLibros.com
BASE ORTONORMAL 225
7.7.1. Definición
Un conjunto de vectores | X i,x2, . . xr } en un espacio con producto interior es
ortogonal si y sólo si dos vectores cualesquiera y distintos son ortogonales.
{Xi , x 2, . .., xr } es un conjunto ortogonal • » • / # /=> <x f , x;- >= 0
7.7.2. Propiedad
Entonces
r
.2^ a.j < X j , x¿ > = 0
Como i=£j =>( X j , x¡ >= 0, la sumatoria se reduce a un único término que se obtiene si
/= o sea
a¿ <Xf, x ¡ ) = 0
Siendo x¡ # 0 resulta < x ¡ , x ¿) # 0, y en consecuencia
a¡~0 V i= 1, 2,
Luego
¡ x , , x 2, . . . , x r } esL .I.
7.8.1. Concepto
Definición
Diremos que A es una base ortonormal si y sólo si A es un conjunto ortogonal de
vectores de módulo 1.
www.FreeLibros.com
226 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
Ejemplo 7-8.
• En R ", con el producto interior usual, la base canónica j e l t e2, . . . , e „ ) es
ortonormal.
• En R 2, con el mismo producto interior, la base formada por*
('■ ^
X* T T “ 7 X2 = \ 2 - 2
es ortonorm al, pues
<X! , X* > = <X2 , X2 > = 1
íx* ,X 2 >= 0
El vector
Xl
y i = 7 ItXj7 II
www.FreeLibros.com
BASE ORTONORMAL 227
Definiendo
Ejemplo 7-9
En (R2, + , R, •) se considera la base formada por
x, =(1, 1) xa =(-1,2 )
Construimos una base ortonorm al siguiendo el procedimiento desarrollado en el
teorema anterior.
www.FreeLibros.com
228
PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
M - i ^
-H-í)
La base f y , , y 2 | es ortonormal.
Ejemplo 7-10
^ , , n. , .) se aeiine un producto
r interior
r grado mediante
< P ’ Q> = / ! pW Q W *
*i ___ 1 = V2^_
yi
Xi II V 2 2
2. z2 = x 2 - < x a , y, >yi
1 vT VT
* dx = 0,
resulta
Z2
Además
x3 l1 2
3 J -i 3
Entonces
www.FreeLibros.com
COMPLEMENTO ORTOGONAL 229
Luego
V = z2 - V 3 -,
Il z 2 ti V2
v - í l ^ v 2 Wv =
( x 3 , yi > ~ l i 2 6 -i
i \/3
De (1 ) re s u lta
3 3 2 3
Como
= P (x4 + i ) í & =— -- - X 3 + i x l ^
J_i 3 9 5 9 9 J~i
1 + 1 = ^ - - - = —
5 9 9 5 9 45
resulta
1 , 1 4
3 > /r
Y en consecuencia
Z3 = 2^ / 2 _ i ) = 3^ / 2_i)
y3 ~ 2 y /l l 3 / 4 \ 3 /
II z 3
La base
Vf 3Vio / 2 1
2 ’ s/2 ’ 4
es ortononnal.
www.FreeLibros.com
230 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
Definición
Complemento ortogonal del subespacio S de V, es el conjunto de los vectores de V que
son ortogonales a todos los vectores de S.
El símbolo S1 se lee: com plem ento ortogonal de S.
S1 = j x e V / x l y , V y e S Í
Ejemplo 7-11
En R 3, con el producto interior ordinario, si
S = { (0, 0 , x 3) / * 3 e R |
entonces el complemento ortogonal de S es
S1 ~ f (* lf x 2, * 3) 6 R 3 / * 3 = o )
7.9.2. Propiedad
www.FreeLibros.com
COMPLEMENTO ORTOGONAL 231
Por consiguiente
(S1, + , R, .) es un subespacio de V.
9.7.3. Propiedad
Si V es un espacio euclidiano de dimensión finita y si S es un subespacio de dimensión r,
entonces la dimensión del complem ento ortogonal de S es n - r .
Se trata de probar que
dim S + dim S1 = dim V
En efecto:
Si S = {0 } o S = V, la propiedad es obvia. Consideremos, pues, el caso en que S {01 y
S ¥= V, y sea
\ X i,X 2, . . .,xr )
O sea
n
u =.2 a¡x¡
i=r+ 1
www.FreeLibros.com
PRODUCTO IN T E R IO R . GEOM ETRIA VECTORIAL
232
com o estos vectores son ortogonales y de m ódulo 1 , constituyen una base ortonormal de
S1 , y se tie n e
dim S1 = n - r
O sea
dim S + dim S1 —dim V
El lector puede comprobar, como consecuencia de esta propiedad, que V es la suma
directa de S y de su complemento ortogonal.
En efecto
< x - f l y , y > = 0=*<x,y> —a < y , y > - 0
(x ,y >
=>a =
<y >y >
El vector
_ <x ,y > _ < x , y > X -
“y <y ,y>y_ «y» «yl
se llama p r o y e c c ió n o r to g o n a l d e x s o b re y .
Identificaremos la proyección ortogonal de x sobre y con el numero real
<x ,y>
y escribiremos
<x ,y>
www.FreeLibros.com
ESPACIO AFIN 233
Ejemplo 7-12
Comprobamos que las proyecciones de un vector de R3, con el producto interior
usual, sobre los vectores de una base ortonorm al, son las componentes de dicho vector
respecto de la base.
3 3
3 3
= 2 a¡ <e ¡ , e;- >= 2 a¡ óy ~ a¡
7.11.1. Concepto
www.FreeLibros.com
PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
234
Para cada A e R " definimos una suma en R " y un producto de escalares por elementos de
Rn , mediante
X ©Y = X + Y —A
a© X = a ( X - A ) + A
Estas definiciones hacen de la cuaterna (R n , ©, R, ®) un espacio vectorial con origen A.
El vector nulo de este espacio es A.
La suma y el producto de este espacio pueden obtenerse “llevando” las flechas AX y AY
al origen 0, operando en (R n , + , R , .), y desplazando el resultado al origen A. En R 2 esta
situación queda indicada por las figuras siguientes:
Definición
Espacio afín R " es el conjunto de todas las n*uplas de números reales, y una estructura
de espacio vectorial para cada A e R " , con las operaciones definidas.
www.FreeLibros.com
VECTORES UBR ES 235
Siendo
X + Y - A = (xi +>»i - a u X i + y 2 - a 7 ........ x n + y n - a»)
Si a e R , entonces
ti0X = a A X =« ( X - A ) + A = « X - - ( t t - l ) A
donde
a A - (a - 1) A = ( a x j - (a - . ..,a xn - (a - 1)«„)
Consideremos el espacio afín R ", es decir, el conjunto de todas las n-uplas de números
reales y las estructuras de espacios de los vectores aplicados en cada punto de R " .
En el espacio afín Rn definimos la siguiente relación de equivalencia:
A X ~ B Y « > A Y = X®B = A X © A B
Escribiremos
A X ® AJB = A ) ? + A B
www.FreeLibros.com
236 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
estructura de espacio vectorial fija, con origen 0. Entonces el vector fijo XY es equivalente al
vector Y - X, con origen 0, y se escribe H ed ien te aJ
3t v = y x
Y - X
a x - bV
A~X + AX' ~ ÍT y + B V ’
A X’ ~ B Y’
A X ~ B Y A a e R = > « ÀX ~ a B Y*
En lo que sigue nos referiremos a vectores libres del espacio euclidiano tridimensional
sideiaremos una estructura de espacio vectorial, con origen en 0, y la base ortonormal
A=/I+mJ-l-«K
www.FreeLibros.com
RECTA 237
El vector O P0, de origen 0, será denotado por P0 . Sea X un punto genérico de la recta, de
coordenadas (x, y , z).
Se verifica que ^
X - P o + P qX
Y como P0X es equivalente a t A, para algún t e R, resulta
X = P0 + íA (1)
Para cada t e R se tiene un punto perteneciente a la recta. La igualdad (1) es la ecuación
vectorial paramétrica de la recta que pasa por P0 y es paralela al vector A. La variable X
depende de t, que es el parámetro.
Expresando (1) en términos de coordenadas es
(x, y, z ) = (x 0, y o, z 0) + t (l, m, n )
Efectuando el producto por r, sumando e igualando las componentes, resulta
x = x 0 + It
(2 ) ■y=y 0 +mt
z = z 0 + nt
Las ecuaciones (2) reciben el nombre de ecuaciones cartesianas paramétricas de la recta.
Las componentes l, m y n del vector A suelen llamarse coeficientes directores de la recta.
Si son distintos de cero, eliminando t, se obtiene
* -* o = y -y o _ 2 ~Zq
/ m n
Las ecuaciones (3) reciben el nombre de ecuaciones cartesianas de la recta.
Considerando la recta en un plano, la forma de la ecuación vectorial no se modifica, pero
las ecuaciones cartesianas quedan simplificadas, ya que la tercera componente no figura.
www.FreeLibros.com
238 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
Ejemplo 7-13
Determinamos las ecuaciones vectorial y cartesianas de la recta que pasa por
p0 (_ } ?o, 2) y es paralela al vector A, siendo A = 3 I — J + 2 K .
La ecuación vectorial es
X = P0 + t A
O sea
x I + y J + z K - —I + 2K + í( 3 l —J + 2K)
Efectuando las operaciones
xI + ;> J + z K = (- 1 + 3 01 - t J + (2 + 2 t) K
Igualando componentes
(x= —1 + 3t
\y =-t
\ z= 2 + 2í
Las relaciones anteriores constituyen el sistema de ecuaciones cartesianas paramétricas
de la recta, y eliminando el parám etro t resulta
x + 1 __ y _ z- 2
3 - 1 2
Observamos que los sustraendos de los numeradores son las coordenadas del punto
dado, y los denominadores son las componentes del vector A.
Ejemplo 7-14
Obtenemos las ecuaciones cartesianas de la recta r que pasa por P0 ( 1 ,2 ,3 ) y es
paralela al vector A = 2 1 + K.
Como
X = P0 + t A
se tiene
x I + _ v J + z K = I + 2 J + 3 K + f ( 2 I + K)
O sea
x = 1+ 2 t
y = 2
z= 3+ í
Eliminando el parámetro entre la primera y la tercera ecuación, resulta
x" 1 = z- 3
2 1
y =2
www.FreeLibros.com
PLANO 239
www.FreeLibros.com
240 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
www.FreeLibros.com
PLANO 241
Entonces
X . N - p = 0 (2)
Tanto (1) como (2) son la ecuación normal vectorial del plano.
En términos de coordenadas se tiene
(x \ + y J + 2 K) (eos a I + eos j3 J + eos 7 K - p) = 0
Efectuando el p ro d u cto interior resulta
x eos a + y eos 0 + z eos y - p = 0 (3)
La relación (3) recibe el nombre de ecuación normal cartesiana del plano. Los coeficientes
de las variables son los cosenos directores del vector normal al plano, y el termino
independiente cambiado de signo es la distancia del origen al plano.
M u ltip lic a n d o la e c u a c ió n (3) p o r k i = 0, r e s u lta
ax + by + cz + d = 0
Esta relación recibe el nombre de ecuación general del plano.
D e s a rro lla m o s a c o n ti n u a c i ó n el m é t o d o q u e n o s p e r m ite p a s a r d e la e c u a c ió n g e n era l del
plano a la ecuación normal cartesiana.
Sea el plano 7Tde ecuación
ax + by + cz + d = 0 (4)
El plano 7Tadmite la ecuación normal
x eos a + y eos /3 + z eos 7 — p = 0 (3)
a ~ k eos a
b = k eos 0
( 5) c = k eos 7
d = k(-p)
O sea
k 2 = ü2 + b 2 + c 1
En consecuencia
k = ± V a2 + b 2 + c 2
www.FreeLibros.com
242 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
donde el signo de k, por lo observado anteriorm ente, debe tomarse distinto del de d.
De (5) resulta
a Q b c d
eos a = — y eos p = — ’ eos y ~ —» - p =—
k k k k
Sustituyendo en (3), la ecuación normal vectorial es
ax + by + cz + d _^
± s /a 2 + b 2 + c 2
Luego, para trasformar la ecuación general del plano a la forma normal, se divide el
primer miembro de aquella por la raíz cuadrada de la suma de los cuadrados de los
coeficientes de las variables, la que se tom a con signo distinto al del término independiente.
Ejemplo 7-16
Determinamos la ecuación normal cartesiana del plano cuya ecuación general es
x - y +z - 1 =0
De acuerdo con la fórmula de pasaje, la ecuación normal cartesiana es
x -y + z - 1 _ n
Vi 2 + (- )i2 + i2 ~
O sea
x-y+z^l =Q
y /T
O bien
_.V L o
3 3 3 3
3
Observamos que el vector cuyas componentes son los coeficientes de las variables de la
ecuación general del plano es normal al mismo, ya que se deduce del vector normal
unitario multiplicándolo por k.
Ejemplo 7-17
Obtenemos la ecuación del plano que pasa por P0 ( 1 ,2 ,2 ) , sabiendo que es
perpendicular al vector A = 3 I + J + K.
www.FreeLibros.com
PLANO 243
P qX 1 A
En consecuencia
P0X . A = 0
P0X - (x - 1) I + O - 2) J + (z - 2) K
O sea
3 x + y + z —7 = 0
Ejemplo 7-18
Determinamos la distancia entre el plano de ecuación
2 x -j'-2 z + 3-0
y el punto P0( l , 2, 3)
Sea 7Tel plano cuya ecuación normal es
PN X - p = 0
www.FreeLibros.com
244
PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
d ~ - p\
O sea la distancia entre un plano y un punto es el valor absoluto del primer miembro
2 X1 2
? " +? v + I 2 - 1 =o
Sustituyendo x, y , z por las coordenadas de Pft es
d“ | - f 1 + r 2f - 3 - 1
Ejemplo 7-19
Dados los puntos A ( - i 3 2l v R f _ i i n\ a *
Plano perpendicular a la recta AB, sabiendo que d i d l o T 08 ^ ° rÍ8en 31
del segmento AB. piano pasa por el punto medio
Las coordenadas del punto medio de un sem iento «nn u
coordenadas de los extremos de dicho segmento S<!miSUmaS de laS
En efecto:
www.FreeLibros.com
DISTANCIA 245
M = A + AM
B = M + MB
Restando
M _ fi = A - M pues ÀM y MB son equivalentes
Entonces
2M = A + B
0 sea
m = 1 ( a + b)
2
En nuestro caso, las coordenadas de M son ( - 1 , 2, 1), y un vector normal al plano es
Á~B = B - A = - 2 J - 2 K
Donde
M~X = (x + 1)1 + 0 - 2 ) J + (z - 1) K
Efectuando el producto
O . (x + 1 ) — 2 (y — 2) — 2 (z — 1) = O
www.FreeLibros.com
246 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
O sea
2y + 2 z - 6=0
es la ecuación del plano pedido. Este plano es ortogonal al vector —2J - 2K, es decir,
al plano y z ; en consecuencia, es paralelo al eje x.
Observamos que si el coeficiente de una variable de la ecuación de un plano es cero,
entonces dicho plano es paralelo al eje correspondiente a esa variable.
La ecuación normal del plano hallado es
2y + 2 z - 6 =0
2 s¡2
O sea
\/2 , y/2
—— y + —— z
2 2
Y la distancia pedida es
_ 3y / 2
d= ^ . 0 + ^ . 0
2 2
X ( 0 = (*(0>.v(0»z(0j
www.FreeLibros.com
CURVAS 247
y=y{t)
Z ~ 2 (í)
La curva cuya ecuación paramétrica es
X (f) = eos 1 1 + sen t J + K
es tal que sus ecuaciones cartesianas paramétricas son
/ x = eos t
| y - sen t
\ z~ 1
cualquiera que sea t e R.
Elevando al cuadrado las dos primeras y sumando eliminamos el parámetro
x2 + y2= 1
z - 1
La representación de C está caracterizada por la intersección de dos superficies: la
superficie cilindrica cuya directriz es la circunferencia de radio 1 centrada en el origen e
incluida en el plano horizontal y cuyas generatrices son paralelas al eje z, y el plano de
ecuación z = 1.
Se trata de la circunferencia indicada en el gráfico siguiente:
www.FreeLibros.com
248 PR
O DUCTO INTERIOR. GEOMETRIA VECTORIAL
Donde el sistema anterior es tal que se cumplen las condiciones de regularidad dadas por
el teorema de Cauchy Dini, relativo a la existencia de funciones definidas por sistemas de
ecuaciones.
Ejemplo 7-20
Deducimos la ecuación vectorial de la hélice circular, definida como la trayectoria de
un punto que gira alrededor de un eje y además se traslada paralelamente a él, siendo
ambos movimientos uniformes.
www.FreeLibros.com
SUPERFICIE CILINDRICA 249
wt y z = vt
p =a
<p= w t
Z -V t
(£= w t ~ u
Resulta
y
z = v t —— w t = b u
w
Las ecuaciones cartesianas paramétricas son
X ~ Ü eos u
y - a sen u
z = bu
Sean: una curva C y una dirección del espacio caracterizada por un vector no nulo
A = / I + m J + «K.
Definición
Superficie cilindrica de directriz C y dirección A, es el conjunto de puntos de las
paralelas a A, que pasan por todos los puntos de C.
www.FreeLibros.com
r
250
PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
x= q + \ a
Ejemplo 7‘21
X = Í2 + Xa (l)
Como 12 (eos t, sen t, 0), de (1) resulta
x I + y J + z K = cos ? I + sen / J + \ K
Luego
x = eos t
y = sen t
z =\
www.FreeLibros.com
SUPERFIC IE CONICA 251
x l + y J + z K = eos 1 1 + sen ? J + X ( I + J + K )
Luego
x = X + eos t
y = X + sen t
z = X
Eliminamos los parám etros
X — z = eos t
y - z = sen t
Y resulta
ito
(x - z )2 + {y - z )2 = 1
un
Definición
Superfìcie cónica de directriz C y vértice V es el conjunto de puntos de las rectas
determinadas por V y todos los puntos de la directriz.
www.FreeLibros.com
PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
252
Ejemplo 7-22
Obtenemos la ecuación de la superficie cónica de directriz
x 2 + y2 - 1 = 0
z =1
y vértice V ( 0 ,0 ,0 )
Como
V £2= (a — O )I + (0 —O )J = a I + 0 J
y
X = V + \V ~£2,
resulta
x I + 7 J + 2 K = X ( a I + 0 J + K)
www.FreeLibros.com
PROYECCION 253
Luego
x = Xa
y = \(3
z~ \
De donde
A (3 = £
z z
Sustituyendo e n ( l )
*2 + y2 - z 2=0,
se obtiene la ecuación cartesiana im plícita de la superficie cónica.
F(x,>’,z) = 0 (1)
G (x,y,z) =0 (2)
www.FreeLibros.com
4 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
Ejemplo 7-23
Determinamos las proyecciones, sobre los planos * j y * z, de la curva
x * + y 2 + 2* = l (1)
c
x2 + / = 2 (2)
Entonces
p4 4- p2 — 1 = 0
Resolviendo respecto de p2
^ - 1 ±VT
P2 = — ; —
La única solución es
O sea
www.FreeLibros.com
PROYECCION 255
Su radio es ______
Se obtiene
z 2 + z —1 = 0
O sea
-1 ±>/5
z --------------
Resulta
y/5 - 1
z“ —
P*=0 C { 2
jc = 0
Ejemplo 7-24
Obtenemos la proyección de C sobre los planos x y y x z , siendo
Ix2 + y2 +z2 = 1 (1)
C ( x2 + y 2 - x =0 (2)
1. La ecuación del cilindro proyectante de C sobre el plano horizontal es
x2 +y2 - x ~0 (2)
ya que z no figura.
Luego
x2 +y2 - x = 0
P ,= o C
z=0
www.FreeLibros.com
PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
256
Luego
( Z2 = —X + 1
py = o c \ _ n
\y-0
es la parábola de vértice (1, 0) y eje - x del plano x z.
www.FreeLibros.com
TRABAJO PRACTICO VII
7-29. Demostrar
<x , y > 1= II xll II yll e y son L.D.
7-5/. En un espacio euclidiano n-dimensional los vectores v 4, v2, . . v„ son tales que
<V( , V, >= 6y . Demostrar que tales vectores forman una base.
7-32. En un espacio euclidiano se considera la función
d : V2 -►R
definida por d (x , y) = II x - y II. Demostrar que (V, d) es un espacio métrico.
7-33. Sea (V, + , R, .) un espacio vectorial con producto interior, y sea y e V. Demostrar que
la función
/ : V -»■ R
www.FreeLibros.com
PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
258
definida por
/(x)= < x, y)
definida por
N (x) = ( x , x > f
verifica:
1 . N ( a x ) - a 2 N (x )
2. N (x + y) - N (x) - N (y) = 2 <x , y >
1. ! l x - y l l > | l l xl l - Uyll|
2. llxll2 + IIyII2 = IIx +y l l 2 = > x l y
3. I l x - y l ! > l l xl l - llyll
4. x l y II x + a y II > II x II, V a e R
www.FreeLibros.com
TRABAJO PRACTICO VII 259
2. dim T = « - W
3. V = S ® T
Demostrar que
7-43. Sean (V, + , R , .) un espacio euclidiano y { Vi, v2 , . .., vn } una base de V tal que
n
x e V a y e V=><x , y >= £ x t y t
n n
donde x = 2 x f vf y y =. 2) y ¡ \ i
í—i i—i
Demostrar que la base { v , , v2 , . . v„ } es ortonormal.
7-44. Sean: V un espacio euclidiano y A C V. Si £2(A) denota el conjunto de todos los
vectores ortogonales a A, entonces
fi(í2 (A )) = A
7-45. Demostrar que si / V i,v2 , . . v„ | es una base ortonorm al de (V, + , R , .), entonces
n
<x,y>=
www.FreeLibros.com
260 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL
7-48. Determinar el conjunto de los puntos del espacio que equidistan del plano
x +y = 1
y del punto F (2, 2, 1).
7-49. Obtener las ecuaciones vectorial y cartesiana del plano paralelo al plano
a x + y -0=0
que pasa por P0(a, a, 3).
7-50. Hallar la distancia entre el plano que contiene a las rectas
x =y =z
x —1 =y + 2 =z
y el punto P0(—1, 0, 1).
7-51. Obtener las ecuaciones de la recta determinada por los planos
2x - y + z —2=0
y
x + 2 y - z + 1= 0
7-52. Hallar las ecuaciones de la recta que pasa por el origen y es paralela a la intersección de
los planos
2 x + y ~ z =0
y
x —2y + z = 5
www.FreeLibros.com
TRABAJO PRACTICO VII 261
siendo X = X x¡ y Y —2 v¡
i - il í=
. „ ii
7-59. Sea P e Rnxn una matriz ortogonal. Demostrar que las líneas de P constituyen una base
ortonormal de R", considerando el producto interior habitual.
n
i < /' = > 2 P U = 0
www.FreeLibros.com
262 PR
O DUCTO INTERIOR. GEOMETRIA VECTORIAL
7-62. Sean: un espacio unitario V de dimensión finita y [v] = { Vi, v2,. . v„ ¡ una base
ortonorm al del mismo.
Demostrar que
n
x e V =>x = 2 ( x , v ¿ ) v ¿
j= i '
www.FreeLibros.com
Capítulo 8
8.1. INTRODUCCION
8.2.1. Concepto
Definición
El escalar X e K es un valor propio de / si y sólo si existe un vector no nulo x e V, tal
que / ( x ) = Xx.
Todo vector no nulo que satisfaga la condición anterior se llama vector propio de f,
asociado al valor propio X.
En consecuencia, un vector propio de un endomorfismo es un vector no nulo cuya imagen
es un múltiplo escalar del mismo.
Las expresiones “valor propio” , “valor característico” y “autovalor” son sinónimas.
También lo son “vector propio” , “vector característico” y “ autovector” .
Ejemplo 8-1
Considerando (R 2 , + , R , .) y la trasformación lineal
/ : R2 R2
www.FreeLibros.com
264 VALORES Y VECTORES PROPIOS. DIAGONALIZACION
definida por
f ( x i , x 2) = (2jc 1 , 7 x 1 - 2 x 2) ,
el escalar X = 2 es un valor propio de / , ya que el vector no nulo (2, 1) es tal que
/ ( 2 , 1 )= (4 , 2) = 2 ( 2 ,1 )
(2, 1) es un vector propio asociado al valor propio 2.
8.2.2. Propiedad
xv¿=0 A y ^ 0 ^ x e S \ A y e S \ = >
(x) = Xx A / ( y ) = Xy =>f (x) + / ( y ) = Xx + Xy =►
=>/ (x + y ) = X (x + y) => x + y e S:\ =>x + y e S K
4. Sean f t e K y x e S ^ .
Si x = 0 o a = 0, entonces a x e S \ .
Consideremos el caso en que x ¥= 0 y a =£ 0:
Definición
www.FreeLibros.com
VALORES PROPIOS 265
al valor entonCes que, un vector propio de una m atriz A e Knxn es un vector propio de
sformación lineal de Kn en K" representada por A en la base canónica.
Ejemplo 8-2.
V es el espacio vectorial sobre el cuerpo de los números reales, de las funciones
R R infinitamente derivables y
D : V
el endomorfismo definido por
es
di
D (f)
dx
_ . á í
entonces la función f e V, tal que f (x) = e A * es un vector propio de la trasformación
lineal D, pues
D (f) = — = X e ÁX V X e R
dx
Ejemplo 8-3
Si A e K nxn es una matriz diagonal, entonces cualquier vector canónico Eí e K ”x l ,
donde i = 1, 2 , es un vector propio de A.
En efecto, sea
Id i 0
0 d2
A=
0 0
Entonces
di 0 . .. 0 1°
d2
. o
. o
A E¿ = = di - dt Et
'o
0 . • • dn
\ ó i \ol
Los valores propios de A son los elementos de la diagonal.
8.2.4. Propiedad
Los vectores propios asociados a valtíres propios distintos son linealmente independientes.
Sean
/ : V -> V
www.FreeLibros.com
266 VAL
O RES Y VECTORES PROPIOS. DIAGONALIZACION
A p lic a n d o /a (1)
\ i X! + . . . + oth x ít + 0¡h + l \ j + i x ft + i “ 0
En consecuencia
d i = a-i = . .. = oth = a h +! = 0
Y por lo tanto
( x , , x 2 , . . . , x » } esL .I.
8.2.5. Propiedad
Si / es una trasformación lineal del espacio vectorial V , de dimensión finita,
entonces A e K es un valor propio de / s i y sólo si / - Ai es singular.
i denota la trasformación identidad en V.
1. Sea X un valor propio d e /. Entonces existe x ^O en V, tal q u e /( x ) = Ax
www.FreeLibros.com
VECTORES PROPIOS
267
Ahora bien
/ ( x ) = X x = */(x) - X i (x) = 0 =►/(x ) - (Xí) (x) = 0 => ( f - M) (x) = 0.
Ejemplo 8-4
El lector podrá demostrar, al realizar el trabajo práctico, que todo endomorfismo en V,
donde V es un espacio vectorial de dimensión finita y mayor o igual que 1 sobre el
cuerpo de los complejos, admite un vector propio.
Pero si el cuerpo no es C, entonces pueden no existir vectores propios. En efecto, sea
(R2, + , R , .) y sea
entonces
Xi eos 6 - x 2 sen 0 = X x i
x 1 sen 6 + x 2 eos 6 = \ x 2
O sea
(X - eos 6) x ! + x 2 sen 6 = 0
- x i sen 0 + (X - eos 6) x 2 = 0
www.FreeLibros.com
268 VAL
O RES Y VECTORES PROPIOS. DIAGONALIZACION
X — eos 0 sen 0
= 0
—sen 0 X — eos 0
Luego
\ = — +V " —¿ R
8.2.6. Propiedad
o o ... K
En efecto, la m atriz de / respecto de [v] se obtiene determinando las imágenes de los
vectores de dicha base, y teniendo en cuenta la definición de vector propio es
/ ( v i ) = Xi Vi = Xi vj + 0 v2 + . . . + 0 vn
/ (V2 ) = Xa v2 = 0 V! + X2 v2 + . . . + 0 v„
/ ( v „ ) = Xfl vM= 0 v i + 0 v 2 + . . . + X* v„
En consecuencia, resulta
X! 0
0 X2
D=
0 0 ... X„
www.FreeLibros.com
m
VECTORES PROPIOS
269
Ejemplo 8-5
Determinamos los valores y vectores propios de A, siendo
3 -2
A=
1
De acuerdo con 8.2.5., consideremos
D(A-X1) = 0
0 sea
3- X - 2
= 0
-1 2- X
Resolvemos respecto de X
(3 - X) ( 2 - X) - 2 = 0
X2 - 5 X + 4 = 0
5 ± V 25 - 16 _ 5 ±3
2 2
os Las raíces son:
(A - XI) X = 0
2xi - 2x 2 =0
~ X : -X j + * 2 = 0
El sistema es equivalente a
x i - x2= 0
De donde
x x —x 2
www.FreeLibros.com
270 VALORES Y VECTORES PROPIOS. DIAGONALIZACION
Luego
1
Xi =
,1
2. a2 = 4 - ( : | :j) = ( “ ) ■ * - * . - 2 * , + 2 , a =o
= - 2 x 2 =>X2 = ^ ^
Sea K [X] el anillo de polinomios del cuerpo K (véase capítulo 12 deA lgebral, del mismo
autor).
Si P e K [X], escribimos
P ( X ) = 2 a.-X1'
v ' i=0 '
donde a¡ e K y an =£0, o sea# P = n.
Dada la matriz cuadrada A, definimos
P (A )= £ a¡ A'
v ' i=0 1
Haciendo A° = 1, se tiene
P C A )-« ,! A" + a n~l A "-' 1 -f . . . + ü t A + a 0 I
La matriz P (A) es la especialización de X por A.
Ejemplo 8-6
En R [X] consideremos
P (X ) = 2 X 2 - X - l
www.FreeLibros.com
POLINOMIO CARACTERISTICO 271
y sea
1 1
A=
0 2
Entonces
P (A) = 2 A2 - A - I =
—1 1 \ / —1 1 \ /-I 1\ / 1 0
- 2 . , , , ,
0 2/ \ 0 2/ \ 0 2 / \0 1
= 2, 1 I U I - 1 + - 1 °
0 4/ \ 0 -2 \ 0 —1
2 2 +/° - 1 = 2 1
0 8/ 10-3/ 0 5
Se verifica que
1. (P + Q) (A) = P (A) + Q (A)
2. (P . Q) (A) = P (A) . Q (A)
3. (a P )(A ) = a P ( A )
Si « i , <*2 , • • •>Oín son elementos de K y
P (X ) = ( X - a 1) ( X - a 1) . . . ( X - a II),
entonces es
P (A) = (A —otl I) (A - a 2 I) . . . (A - an I)
Ejemplo 8-7
Si A € k " xm, entonces existe un polinomio no nulo P € K [X]tal que P (A) = N, donde
N denota la matriz nula del tipo n x n.
www.FreeLibros.com
VALORES Y VECTORES PROPIOS. DIAGONALIZACION
272
Definición
Polinomio característico de una m atriz A e K " Xíl es el determinante de la matriz
XI — A.
O sea
X —ü\\ ~~ #12 . . . Q\n
— #21 ^ —a22 • • • ~ ^In
P (X) = D (X I — A) =
~ «ni a n2 . . . X ünn
Ejemplo 8-8
Determinamos el polinomio característico de A, siendo
■ 1 2 2
A= ‘
X -t-1 — 2 -2
P (X) = D (XI — A) = -2 X —2 —2
3 6 X+ 6
X- 2 -2 -2 -2 -2 —2
+ 2 + 3
= (X + 1 ) 6 A+ 6 6 X+ 6 X- 2 - 2
= (X + 1) (X2 + 4 X) + 2 ( - 2 X ) + 3 . 2 X
= X3 + 5 X2 + 4 X - 4 X + 6 X = X 3 + 5 X2 + 6 X
Una raíz es \ = 0. Las otras dos lo son de
X2 + 5 X + 6
O sea
—5 ± 1
X=
2
www.FreeLibros.com
POLINOMIO CARACTERISTICO 273
Resulta
X2 = —3 X3 = —2
8.3.3. Propiedad
Ejemplo 8-9
Determinamos los valores y vectores propios de A e C2 x2, siendo
El polinomio característico es
www.FreeLibros.com
274 VAL
O RES Y VECTORES PROPIOS. DIAGONALIZACION.
Por distributividad es
(XI - A ) X = 0
¡ 2i — 2 \ / x A ¡0\ 2i x 1 - 2 x 2 =Q
1. Xt = 2 + 2?=* = U
\ 22i j \ x 2j \0 / 2 x i + 2 i x 2 =0
=>x2 = ix i
'1
Un vector propio es X j
1/ ■
2. X2 = 2 - a - 2 ( * | ) = ( ° ) - | 2*. - 2 /* , = 0 - x , = i* 2
Ejemplo 8-10
Probaremos ahora que los valores propios de toda matriz involutiva son 1 o —1.
Sea A e KflXfl, tal que A2 =1.
Si X e K71x 1 es un vector propio asociado al valor propio X, entonces
A X = XX (1)
Premultiplicando por A
A2 X = X A X
Como A2 = I, se tiene
ix =Xa x
O sea
X = XA X (2)
De (1) y (2) se deduce
X = XXX
Es decir
(1 - X 2) X = 0
www.FreeLibros.com
POLINIMIO CARACTERISTICO 275
8.3.4. Propiedad
Entonces es
La recíproca no es cierta, ya que dos matrices pueden tener los mismos valores propios y
no ser semejantes.
Un contraejemplo se presenta considerando las matrices
il 0\ i 1 3
A-(o .) y B = (o .
Sea / : V -*■V una trasformación lineal y sea [v] = { Vj, v2, . . v„ } una base de V.
E ntonces/está caracterizada por una m atriz A e Knxn respecto de [v].
Si [v’] = { v \ , v’2 , . . . , v’n f es otra base de V,
entonces existe una matriz no singular
P e K.nxn tal que la matriz d e / , respecto de la base [v’]} verif
ica
B ^ F 1 AP
Las matrices A y B admiten el mismo polinomio característico, de acuerdo con 8.3.4. El
polinomio característico de cualquiera de las matrices que caracterizan a / se llama
polinomio característico de la trasformación lineal.
www.FreeLibros.com
276 VALORES Y VECTORES PROPIOS. DIAGONALIZACION.
8.4.1. Definición
8.4.2. Propiedad
0 0 \- d y
=.7^ (A - d ¡ )
El polinomio característico de A es
P (k) = ( \ - d l ) ( K - d 2 ) . . . ( k ~ d tl)
En consecuencia, los elementos de la m atriz diagonal son los valores propios de A.
8.4.2. Propiedad
/ Xj 0 ... 0
0 ^ 0
P D = (Xj X2 . . . X„)
0 0 ...
www.FreeLibros.com
DIAG ONALIZACION
277
Además
A P = A ( X , X2 . . . X „ ) = ( A X , A X 2 . . . A X „ j (3)
De (1). (2), y (3) resulta
A X ¡ —\ X ¡ i = 1, 2, . . n
Luego las columnas de P son n vectores propios de A, y como P es no singular, tales
columnas son L.I.
En consecuencia, A admite n vectores propios L.I.
2. A admite n vectores propios L.I.
Sean tales vectores propios: X j , X 2, , . X„.
Por definición es
De acuerdo con 8.2.4., si los valores propios del polinomio característico de A e K nxn son
elementos distintos de K, entonces los vectores propios asociados son Ünealmente
independientes, y, por 8.4.2.2., A es diagonalizable.
En general, si el polinomio característico de A tiene raíces múltiples, la matriz no es
diagonalizable. Para que lo sea, debe cumplirse la condición suficiente demostrada en 8.4.2.,
lo que significa que a toda raíz múltiple de orden p debe corresponderle un sistema lineal y
homogéneo cuyo espacio solución tenga dimensión p.
Ejemplo 8-11
La matriz
no es diagonalizable
www.FreeLibros.com
VALORES Y VECTORES PROPIOS. DIAGONALIZACION.
278
O sea
0 -1 OWXj
0 1 - 1 |( ^2
0 0 0
Luego
0 * ! - x-i + 0 x 3 “ 0
Oxj + 0x 2 - X 3 = 0
El rango de la matriz de coeficiente es 2, y en consecuencia es
dim S = 3 - 2 = 1
O sea, hay un solo vector propio linealmente independiente de la matriz A.
Por consiguiente, A no es diagonalizable.
Ejemplo 8-12
La matriz
X+3 0 4
P (X) = D (X I - A) = -4 X -l -4
-2 0 X- 3
X+3 4
« C X - 1) = ( X - 1)(X2 - 1)=*
—2 X- 3
=>Xi =X 3 = 1 , X3 = - 1
www.FreeLibros.com
TRIANGUALCION 279
1. Xi - - 1 =*
Hemos visto que no siempre es posible diagonalizar una trasformación lineal o una matriz
cuadrada. Cabe preguntarse si es posible determinar una base tal que, respecto de ella, la
matriz de una trasformación lineal de un espacio de dimensión fmita en sí mismo sea
triangular. La respuesta es afirmativa si el cuerpo es el de los números complejos.
Consideremos un endomorfismo
/ : V -> V
donde ditrtK V = n > 1.
En lo que sigue, introduciremos el vocablo fa n , cuya traducción es abanico, para denotar
una familia de subespacios de V que satisface ciertas condiciones.
8.5.1. Concepto
S, C S 2 C S 3 C . . . C S «
i i ) dim S,- = i , Vi = 1 , 2 , . . n
iii) Son invariantes, o sea
x e S¿ =*-/(x)e Sf Vi = 1 , 2 , . . . , n
Esta condición equivale a
/( S ¿ ) C S¡ Vi = 1, 2 , . . . , «
Es obvio que Sn = V.
Definición
Si { S i , S 2, . . . , S j es un fan de / en V, entonces la familia [v] = ( Vi, v2, • • •, v„ }
www.FreeLibros.com
280 VA LO RES Y VECTORES PROPIOS. DIAGONALIZACION
8.5.2. Propiedad
Si [v] es una base fan de V, entonces la matriz asociada a todo endom orfism o/ : V -+ V es
triangular superior.
Sabemos aue para obtener la m atriz de / respecto de una base, hay que determinar las
imágenes'de los vectores de la misma y expresarlos como combinaciones lineales de tal«
vectores. Teniendo en cuenta además la definición de subespacio invariante, resulta
0 0 . . . a nn
Si f : V -*•v es una trasformación lineal y si existe una base respecto de la cual la matri
de fe s triangular, entonces diremos q u e /e s triangula ble. ■
En términos de matrices, diremos que A e K 'lxn es triangulable « y solo si exis
P e KrtXfl no singular, tal que P '1 A P es triangula r. Demostraremos que toda matriz pued
ser triangulada sobre el cuerpo C.
8.5.3. Propiedad
Si V es u n espacio vectorial de dimensión finita m ayor o igual que 1, sobre el cuerpo
los complejos, y si / : V -> V es una trasformación lineal, entonces existe un fan de / en .
Demostramos esta afirmación inductivamente.
1 Si dim V = 1, entonces nada hay que probar.
2. Supongamos que la propiedad es válida si dim V = » - 1. Demostraremos que lo esj
dim V = n.
Sea V, un vector propio de / , el cual existe de acuerdo con el ejercicio 8-46, y sea S,
subesoacio generado por V i. Resulta dim S i — 1. ,, , c _
Siendo Sr un subespacio de V, existe un subespacio W cuya suma directa con S,
(ejercicio 7-40), o sea
V = Si ® w
www.FreeLibros.com
TRIANGULACION 2gl
Sf = Si + W M
para?= 2, 3 , . . . , n.
Se verifica que dim Sf = i, ya que si | Wj , w2 , . . ., wn_, J es una base de W, entonces
{Vi, Wi , . . WM } es una base de S,-, i « 2 , 3 , . . n.
Además, S¡ C Sí+1 para todo / = 1 , 2 , . . . , « .
Para demostrar que { , S2, . . S„ } es un fan de / en V, es suficiente probar que
/( V í) c V(,
Observamos que
f = i v ° f = ( p i + p 2) f = p 1 ° f + p 2 ° f (1)
puespi + p 2 = i y (v e r3 4 6 )
Sea x un vector cualquiera de S,-:
x e S,- => x = av^ + w¡ , donde a e C y w ¡e W¡
Teniendo en cuenta (1) es
/ ( X ) = (P ! o f + p 2 o f ) ( x ) = ( p 1 o f ) ( x ) + ( p 2 0 / ) ( x ) (2)
Ahora bien
ÍP i 0 f ) (x) = p i ¡f (x)] e S i , y en consecuencia
(Pi°f)(x)eS¡ (3)
Por otra parte
(P2 ° f ) (x ) = ip2 o f )(av1) + ( p 2 o f ) ( w¡) ^ a p 2 ( / ( v ! ) j +( p2 ° / ) (w,') —
= a p 2 (Xi v O + (p2 ° / ) ( wi) = a \ i p 2 (y1) + (p2 ° /) (wt) = 0 -t-<>2 ° / )( w ,) =
= (P2 ° f) (W,)
(P 2 o f ) (x ) e S, (4 )
www.FreeLibros.com
282 VALORES Y VECTORES PROPIOS. DIAGONALIZACION.
www.FreeLibros.com
TEOREMA D E HAMILTON - CAYLEY
283
0 sea
P (A) = N
Ejemplo 8-13
Utilizando el teorem a de Hamilton-Cayley, determinamos la inversa de la matriz A del
ejemplo 8-5.
3 -2
A=
, 1 2
El polinomio característico de A, es
P (X) = X2 - 5 X + 4
Entonces es
P (A ) = A2 ~ 5 A + 4 I = N
O sea i
I = ——(A2 - 5 A)
A '1 =-----(A - 5 I)
Como
-2 -2
A- 5I
-1 -3
Resulta
M i
2 2
A '1 =
_L 1
4 4 I
www.FreeLibros.com
VALORES Y VECTORES PROPIOS. DIAGONALIZACION.
O sea
An-j = I
An-2 ~ A An_i —Cn-1 I
An_3 — A An_2 —Cfí-2 ^
Ao —A Aj Cj I
—A Aq = Cq I
Luego de premultiplicar por A ", A n 1, . . A e I, respectivamente, se tiene
A” A n_i = A"
A" 1 A„_2 — A*1 A n_i —c n_i A n 1
A""2 Ajj„3 - A""1 A„_i = Cd_2A”-2
A A0 - A2 A | =Cj A
-- A Aq — Cq I
Sumando, después de reducir, es
N = A n 4- cn. i A”"1 + . . . + C , A + c0 I
O sea
P (A) = N
www.FreeLibros.com
TRABAJO PRACTICO VIII
8-14. Determinar los valores y vectores propios de las siguientes trasformaciones lineales:
8-15. Obtener los valores y vectores propios, si existen, de las matrices siguientes con
elementos en R:
8-16. Demostrar que si X es un valor propio de A e K "x " y ésta es no singular, entonces X es
no nulo.
8-17. Demostrar que si X es un valor propio de la m atriz no singular A, entonces X'1 es un
valor propio de A"1.
8-18. Demostrar que si X, es un vector propio de la matriz A asociado al valor propio X¿,
entonces X¡ es un vector propio de A n correspondiente al valor propio Xf
8-19. Demostrar que si X! es un vector propio de la matriz A, correspondiente al valor
propio X j, entonces Y = S"1 X , es un vector propio de la matriz S"1 A S, asociado a
X!.
8-20. Determinar el polinomio característico, los valores y vectores propios de cada una de
las siguientes matrices complejas:
www.FreeLibros.com
286 VALORES Y VECTORES PROPIOS. DIAGONALIZACION.
8-26. Sea una matriz A e Cnxn tal que A k = I. Demostrar que si X es un valor propio de A,
entonces Xfe = 1.
8-27. Demostrar que los valores propios de una matriz triangular son los elementos de la
diagonal.
8-28. Por definición, una matriz cuadrada A es nilpotente si y sólo si existe un entero
positivo k, tal que A k = N. Demostrar que los valores propios de toda matriz
nilpotente son nulos.
8-29. Demostrar las siguientes propiedades:
1. Dos matrices semejantes tienen sus trazas iguales.
2. Si k es un entero positivo, entonces tr A h = 2 X?.
8-30. Considerando el producto interior habitual en R2, determinar una base ortonormal de
vectores propios de A, siendo
8-31. Demostrar que si todos los valores propios de una matriz son no nulos, entonces dicha
matriz es no singular.
8-32. Calcular P (A), siendo P (X) = X3 — X + 1 y
www.FreeLibros.com
TRABAJO PRACTICO VIII 287
8-33. D em ostrar que si A es u na m atriz sim étrica y P e R [X], entonces P (A) es una matriz
simétrica.
8-34. D em ostrar que si A es h erm itiana y P e R [X],entonces P (A) es herm itiana.
8-35 Sean A y P elementos de Knxn, tales que P es no singular. Demostrar que
(P 't a P)ft = P"1A h P
admite un vector propio en R 2 , cualquiera que sea e R. Probar que existe un vector
X tal que A X = X.
8-38. Con relación al ejercicio anterior, demostrar que si Y es un vector de R2 ortogonal a X,
entonces A Y = —Y. Interpretar geométricamente.
8-39. Demostrar que si P es una m atriz ortogonal del tipo 2 X 2 y D (P) = - 1 , entonces
existe un número real y? tal que
/ 1 0\ / eos v? -s e n
P= \ 0 -1 / \ sen eos
*-(::) h i :
8'42. Demostrar que si X es un valor propio de A e K "xn, entonces a + Xes un valor propio
de a I + A , V a K.
8-43. Demostrar que una m atriz A e Cnxn es singular si y sólo si admite algún valor propio
igual a cero.
8-44. Diagonalizar, si es posible, las matrices
1 l+ i
•A= | ) e C 2x2
0 • 1
www.FreeLibros.com
288 VALORES Y VECTORES PROPIOS. DIAGONALIZACION.
/ 1
___
j_
0
2 2
_1_
e R 3x3
1
A - 0
2 2
1 1
— 0
2 2
-2
8-45. Sean A = y P (X ) = X2 - l.
2
Diagonalizar P (A), si es posible.
8-46, Sabiendo que dimc V > 1 y que / : V V es un endomorfismo, demostrar que existe
un vector propio de / .
www.FreeLibros.com
Capítulo 9
9.1. INTRODUCCION
Presentamos en este capítulo los conceptos de forma bilineal sobre un espacio vectorial,
de forma cuadrática asociada, y sus conexiones con la matriz de cada una respecto de una
base en el caso de dimensión finita. Se estudian los operadores adjuntos, traspuestos,
hermitianos y simétricos, así como también algunas propiedades de sus valores propios. Esta
situación se reitera en el caso de operadores unitarios y ortogonales. Después de la
demostración del teorema de Sylvester, se trata el tem a de la diagonalización de operadores
simétricos y de las matrices correspondientes. Además de la descomposición espectral de una
matriz diagonalizable, se estudia la congruencia de formas cuadráticas reales, la reducción a
la forma canónica y el signo de una forma cuadrática.
9.2.1. Concepto
Definición
La función / : V 2 -+ K es una forma bilineal sobre V si y sólo si es lineal respecto de los
dos argumentos.
O sea
/ : V2 K es una forma bilineal sobre V si y sólo si satisface:
1. Linealidad respecto del primer argumento
f( a x + b x \ y ) =a f(x,y) + b f ( x \ y )
2. Linealidad respecto del segundo argumento
/ ( x . c y + d y ’) =c f ( x t y ) + d f (x, y ’)
cualesquiera que sean x, x ’, y, y ’ en V ya, b, c, d, en K.
www.FreeLibros.com
290 FORMAS BILINEAI.ES Y CUADRATICAS
f ( x , y ) = i§ i x t y ¡
Ejemplo 9-2
Asociada a la matriz A e K nXtt, la función
/:K nx r ^ K
definida por
/ (X, Y) = X( A Y (1)
es una forma bilineal en K ", donde la imagen / ( X , Y ) e K l xl se identifica con un
escalar en virtud del isomorfismo entre K 1x 1 y K.
En efecto:
f ( a X -f b Y, Z) = (a X + b Y)* A Z = (a X* + b Y*) A Z =
- a X* A Z + b Y* A Z = a f (X, Z) + b f (Y, Z)
Análogamente se prueba la linealidad d e /re sp e c to del segundo argumento.
La expresión escalar de (1), efectuando el producto de matrices, es
011 «12 . . . flih y i
a 2\#22 • • • O-i „ y 2
/( X , Y ) = X ‘ A Y = (X l X 2 . . . Xn)
y i
y 2
( 2 XfOn 2 x ¡ a ¡2 . . . 2 * ¿ 0 ^ )
i - i j = i i= i
y n
n n
=2 y, 2 x¡au = 2 2 auXtyi
i-i 1 i= l 1 y i= l)= l u
www.FreeLibros.com
FORMAS BILINEALKS SIMETRICAS 291
/ ( x ^ / C . I x t v t . j i y j v j ) * % f x iy j f ( v [ , v]) =
= 2 S ¿ íffx í>/ = Xt A Y
donde X e Y son las matrices columnas cuyos elementos son las coordenadas de x e y
respecto de la base [v].
Definición
La forma bilineal / es simétrica si y sólo si
/(x ,y ) = / ( y , x )
cualesquiera que sean x e y en V.
Si K = R, y ( , >es un producto interior en V, entonces / : V2 R definida por
/ ( x , y) = < x, y > (1) ^
0 0 ... &ri
/ ( x , y ) - l¡ 1 ai x ¡yi
www.FreeLibros.com
292 FORMAS BIUNEALES Y CUADRATICAS
/ ( x , y) = ¡£ x , y l
9.2.4. Propiedad
T. 2 T la
í>ea/ X forma
l T ¿bilineal
reT simétrica
nta unaform
aM
inealsiraétricasiysó,°s¡Aes
asociada a A.
/ e s simétrica « / ( X , Y) = / ( Y X)
, =>X, A Y = YÍ A X
Como
X t A Y = X í Af Y V X , Y e K"
O sea
X* (A - A' ) Y = 0 V X . Y e K 11
En consecuencia
A - A* - N
Y por lo tanto
A-A¿
2. Sea A simétrica. Entonces
Ejemplo 9-3.
/ l -l 2
A« -1 3 1
\ 2 1 - 2
Resulta
/ (X ,Y ) = Xl AY = (I l J ¡ l 3 ) (\ ? ' y i| =
\ 2 1 _2
73
.= ( * i ~ * 2 + 2x3 - * , + 3 x 2 + * 3 2x , + x 2 ~ 2 x 3)
www.FreeLibros.com
M ATRIZ D E UNA FORM A HERMITIANA 293
9.3.1- Concepto
Sea V un espacio vectorial sobre el cuerpo de los complejos.
Definición
La función / : V2 C es una forma hermitiana sobre V si y sólo s i / satisface las
condiciones de linealidad respecto del primer argumento y de simetría conjugada.
0 sea
i ) f ( a x + b x \ y) = a f (x, y) + b f ( x \ y)
¡i) / ( x , y ) = / ( y , x)
Ejemplo 9-4
En ( C " , +, C , .) la función
/ : Cn X Cn -v C
definida por
/ ( X , Y ) = X t Y « (S * ,7 ,
es una forma hermitiana definida positiva, ya que satisface los axiomas del producto
interior usual en un espacio unitario (véase el ejercicio 7-46).
au x ¡yj = x t A Y
www.FreeLibros.com
294 FORMAS BILINEALES Y CUADRATICAS
aü = í Vf , v;- )
es tal que
0 y = <vi ,v/ >= <v/ , v l->= a;-¿
9.4.1. Concepto
Definición
Form a cuadrática asociada a la forma bilineal simétrica g es la función
/ : V- >K
definida por
/(x)=*(x,x)
Como la form a bilineal sim étrica# verifica los axiomas i), ii) y iii) del producto interior
definido en 7.2.1., es usual escribir
S (Xj x ) = ( x, x )
Si V = K" y si A e Knxn es la matriz simétrica de la forma bilineal#, entonces la forma
cuadrática asociada está definida por
/( X ) = X‘ A X = ,2
Definición
Una forma cuadrática X* A X es no degenerada si y sólo si A es no singular.
www.FreeLibros.com
FORMAS CUADRATICAS 295
Ejemplo 9-5
La matriz correspondiente a la forma cuadrática
f : R3 - R
definida por
f ( x ) =x \ + 2 x\ + 2x 1 - 2 x xx 2 + 4*! x 3
es
A=
Como
D (A) = -1 2 0 =2 = - 6 =£ 0
1 1 0 11
resulta A no singular, y en consecuencia/es no degenerada.
Sea / : V -> K una forma cuadrática caracterizada por la matriz A e K" xn respecto de la
base [v].
Se tiene entonces
/ (x) = X* A X
donde X es la matriz columna cuyos elementos son las coordenadas de x respecto de la base
lvl-
Si en V se considera una base [v*], respecto de ésta, el vector x se representa mediante X’.
Se verifica que
X=PX’
donde P es la matriz de pasaje definida en 4.19.
Sustituyendo en la primera igualdad
/ ( x ) = (P X’) f A (P X’) - X’*
P'APX’
La matriz de / respecto de la nueva base es
B=P'AP
Las matrices A y B se llaman congruentes.
Definición
A e K "*M es congruente a B e K” xn si y sólo si existe P no singular tal que B = Pf A P.
Sabemos que el rango de una matriz no varía si se la multiplica por matrices no singulares.
En consecuencia, si dos matrices son congruentes tienen el mismo rango.
www.FreeLibros.com
296
FORMAS BILINEALES Y CUADRATICAS
Definición
Ejemplo 9-6.
La matriz de pasaje es
/ 6 0 0
B= P'AP= ( 0 6 0
0 0 11
Propiedad
un en ^
</(x),y> = <x,/*(y)>
www.FreeLibros.com
OPERADORES 297
Demostración)
Sea y cualquier elemento de V. Definimos la función
F : V -» C
mediante
F (x ) = < / ( x ) , y ) (1)
La definición (1) caracteriza un funcional, es decir, u n elemento de V*. De acuerdo con el
enunciado del ejercicio 7-60, existe en V un elemento y ’, único, tal que
F ( x ) = < x , y ’ > (2)
mediante
/* ( y ) = y ’
La función/* satisface la condición
< / ( x ) , y >= < x , / * (y)> VxVyeV
/*(fly + *y,)=Sfl/*
(y) + */*(y’)
O sea
f* es un operador lineal.
La unicidad de f* se justifica porque para cada y e V existe y ’ =f * (y), único, tal que
www.FreeLibros.com
298 FORMAS BILINEALES Y CUADRATICAS
Definición
En un espacio de dimensión finita con producto interior, un operador f * se llama
adjunto d e / s i y sólo si
< /(x ) ,y > = <x, f * (y)>
Se verifica que
btj = <f* (v>), Vf) = ( v u f * (v;-) >= ( f ( V i \ v j ) = á¡¡
Luego
B = A *^ Af
Observamos que si f y g son dos operadores sobre V y a e C, entonces
( f + g)* = f * + g * (otf)* = á f *
(/* )* = f ( f ° g)* = g* ° f*
Los operadores f y f * se llaman adjuntos entre sí.
Ejemplo 9-7
Determinamos el operador adjunto de
/ : C2 C2
tal que
/ ( z , u) = (z + 2i'u, (1 +í)z + u)
www.FreeLibros.com
OPERADORES 299
'-2 / 1 /
Resulta
/ * (z, u ) = (z + (1 —i) u , —2iz + u)
9.6.1. Concepto
S e a / u n operador lineal sobre V, de dimensión finita, con producto interior, y sea f * el
operador adjunto.
En el caso complejo, V es un espacio unitario, y en el caso real, V es euclidiano.
Definición
Un operador / sobre un espacio unitario se llama herm itiano si y sólo si es igual a su
adjunto.
/ e s herm itiano o </ (x), y ) = < x , / ( y ) >
La matriz asociada a un operador herm itiano respecto de una base ortonormal es
hermitiana.
Definición
El operador / sobre un espacio euclidiano se llama sim étrico si y sólo si es igual a su
traspuesto.
La matriz asociada a un operador simétrico respecto de una base ortonormal es simétrica.
Los operadores simétricos y hermitianos suelen llamarse también autoadjuntos.
9.6.2. Propiedad
www.FreeLibros.com
300 FORMAS BILINEALES Y CUADRATICAS
Se tiene
f=f*
O sea, / es hermitiano
9.6.3. Propiedad
X eR
Una consecuencia inmediata es la siguiente: los valores propios de toda matriz hermitiana
son reales. En particular, los valores propios de toda matriz simétrica y real por ser
hermitiana, son reales. ’
www.FreeLibros.com
OPERADORES 3Q1
Ejemplo 9 'T
El operador / : R2 ->• R2 definido por
( f ( x u y i ) , f ( x 2ty 2) ) ^
= { (Xi eos 0 - yx sen 8, x x sen 8 + y x eos 8),(x2 eos 8 - y 2 sen 8, x 2 sen0 + y 2 eos 0)) =
- X i x 2 eos2 8 + y x y 2 sen2 8 - x xy 2 sen 8 eos 8 - x 2 y i sen 9 eos 8 +
+ Xi x 2 sen2 8 + y í y 2 eos2 8 + x x y 2 sen 8 eos 8 + x 2 y t sen 6 eos 8 =
= Xi X2 + y 1 y 2 =<(xl , y l )i(x2, y 2))
9.7.2. Propiedad
9.7.3. Propiedad
www.FreeLibros.com
302 FORM AS BILINEALES Y CUADRATICAS
Resulta
/ : V->V
es tal q u e / ( . * ) - 3a:, en tonces/conserva la ortogonalidad, pero no es un operador ortogt
9.7.4. Propiedad
/ es ortogonal /v
/ es ortogonal «>Af A = I
Observamos que todo operador ortogonal es inversible, y se verifica que
r = f
O sea
A”1 = A*
9.7.5. Propiedad
www.FreeLibros.com
TEOREMA DE SYLVESTER 3Q3
Definición
A e Cf,Xfl es unitaria A* A = I A* = A"1.
Toda matriz unitaria de elementos reales es ortogonal.
Observamos que los operadores y las matrices unitarias son una generalización de los
operadores y matrices ortogonales de los espacios euclidianos.
9.7.6. Propiedad
Sea V un espacio vectorial de dimensión finita sobre un cuerpo K, y sea una forma
bilineal simétrica que denotamos con <, > sobre V. Se d emuestra que si dim V > 1. entonces
existe una base ortogonal respecto de <, > (ejercicio 9*41).
Ejemplo 9-8
En R2 definimos ( , ) mediante
<x ,y > = Xi x 2 - y i y 2
donde x - ( x j , x 2) e y = ( y¡ , y 2).
Esta forma no es definida positiva, pues, por ejemplo
x = (1, 1)=> <x , x >= 0
x = ( í , 3) => <x , x )= —8
Los vectores = (1, 3) y v 2 = (3, 1) forman una base ortogonal respecto de la forma
dada.
www.FreeLibros.com
304 FORMAS BILINEALES Y CUADRATICAS
Es decir
Sea V un espacio de dimensión finita sobre el cuerpo de los números reales, y sea <, > una
forma bilineal simétrica sobre V. De acuerdo con 9 . 8 . 1 siempre es posible obtener una base
ortogonal. La forma no es necesariamente definida positiva, ya que pueden existirvectores
x e V tales que ( x , x >= 0 ó ( x , x ) { 0 .
Diremos que una base es ortonormal respecto de la forma < ,) si y sólo si
< Vi , v ¡ ) = 1 ó { V,- , V/) = ” 1 ó < v¿ , v¡ >= 0
donde v¿ e [v] = { v , ,va , . . v „ | .
A partir de una base ortogonal [v’J = {v’i , v ’2 } . . v*n \ es fácil construir una base
ortonormal asociada.
En efecto, denotando <v’Í5 v ’¿> mediantea¡, se obtiene una base ortonormal haciendo
v ¿= v’,- sia¡ = 0
V» - vi si a¡ > 0
si a¡ < 0
■ v=^
La base [v] resulta ortonormal.
Sea [v] una base ortogonal ordenada de m odo que
ax, a2, . . . , a p > 0
www.FreeLibros.com
TEOREMA DE SYLVESTER 3Q5
Ejemplo 9-9
Sea la forma bilineal simétrica sobre R2 definida por la matriz
Los vectores v, - (1, 0) y v2 - (1, 1) constituyen una base ortonorm al y se verifica que
9.8.3. Propiedad
Sea < ,) una forma bilineal simétrica en el espacio Y de dimensión finita,sobre el cuerpo
R, y sea el subespacio
S0 = | x e V / ( x , y > = 0 , V y e V |
Si [v] = { v j , v2 , . . v „ },es una base ortogonal, entonces la dimensión de S0 es igual al
número de enteros i, tales que = 0.
Demostración)
Sea [v] ordenada de m odo que
a i &O si / = 1 ,2........ /*
a¡ = 0 si i > r
Por ser [v] ortogonal, se verifica que
i > r = * ( v ,-,y> = 0 , V y e V
En consecuencia
^r +1, Vr -f2 >•'<<>V„
son elementos d e S 0.
Sea un elemento cualquiera x e S0 , y escribamos
x =x 1 y l + . . . + x r vr + . . . + x n y n
Entonces
/ < r => 0 = <x , ) = Xj < v j , ) = xj a¡
www.FreeLibros.com
306 O
F RMAS BILINEALES Y CUADRATICAS
f ^ r+ 1» • • •) Vfl )
es una base de S0 . Es decir, dim S0 = n - r.
Sea (V , + , R , .) un espacio tal que dim V = n > 1, y sea < ,) una forma bilineal simétri.
sobre V. Si [v] es una base ortogonal cualquiera de V, entonces existen exactam ente
enteros positivos ta le s que < , v¡ > > 0.
Demostración)
Sean [v] y [w] dos bases ortogonales de V ordenadasde modo que si <v¿ ,v, >= a.
( w,-, w¿) ~ b¡, entonces 1
a¡> 0 si z = 1, 2, „ . . , p bf> 0 si i = 1 , 2 , . . . , p'
a¡ < 0 ú i ^ p + l,...,r b¡< 0 sí r = p ’ + 1 , . . r’
a¡ = 0 sií = r + 1,. . bt- 0 s i i = r ’+ 1 , . . n
Demostraremos que p = p \ Para ello observamos que los vectores
Vi j v2 , . . Vp, wp . + 1, . . w„
son linealmente independientes, pues considerando la relación lineal
, ' i x¡y¡ = - ,= ? .+
y efectuando
El primer miembro es m ayor o igual que cero, y el segundo miembro es menor o igual qt
cero, o sea, ambos son nulos. Entonces es
= *2 =• • • = x p = Q
yr'+i=...=yn = 0
www.FreeLibros.com
DIAG ONALIZACION
307
osea
p<p’
Análogamente se prueba q u e p ’ < p, y en consecuencia resultap ~ p \
Lo expuesto en 9.8.2., 9.8.3. y 9.8.4. nos perm ite afirmar que s i / e s la forma cuadrática
asociada a una forma bilineal sobre ( V , + , R , .) y d i m V = w > i , entonces / está
representada por una matriz diagonal respecto de cualquier base ortogonal. Toda
representación de este tipo admite exactamente p términos positivos y r - p términos
negativos.
9.9.1. Propiedad
9.9.2. Propiedad
Sea / : V -*■V un operador simétrico y dim V = n > 1. Entonces existe una base ortogonal
de vectores propios de /.
Demostración)
1. Si dim V = 1, entonces la propiedad se cumple obviamente.
2. Supongamos que d i m V > l , y sea vt un vector propio de / . Consideremos el
subespacio
Se verifica que
dim S = dim V - 1 = n — 1
Por 9.9.1., / es un operador simétrico sobre S, donde el producto interior es el inducido
por el producto definido en V.
www.FreeLibros.com
308 FORMAS BILINEALES Y CUADRATICAS
V/ i Ví c o n / =2, 3 , . . n
En consecuencia \ Vl, v2 ........ v„ ) es la base ortogonal en V, de vectores propios de f
Ortonormahzando los vectores de la base ortogonal, se verifica bajo las L d ic io n e íd e ,
teorema, que existe una base ortonorm al de vectores propios de / e n V.
9.9.3. Consecuencia
" “ nal- ^
bolos: y re d ’ ent° nCeS 6XÍSte Una matdZ P ’ ° rt0g0 di~ a A Una
Ejemplo 9-10
X- 2 — \¡2
D (X 1 —A)
= (X— 2 )(X - 1 )-2 =
— y/2 X - 1
= X2 - 3 X
Resulta
Xi - 0 y \2= 3
2 Determinamos los vectores propios ortonormales de A
a) \ = 0 .
(Xi i - a > x = o ^ a x = o ^
2 V 2 \ /x, \ _ /O
y/2 1 l\x2l (o
2 * j + y /2 x 2 - 0
V 2 xx + x 2 = 0
y/2xt + x 2 =0
>x2 = - \ / 2 x l
www.FreeLibros.com
DIAG ONALIZACION 309
C o m o x \ + x j = 1, se tiene
x\ + 2x\ = 1
Luego
v f _ \/6"
X ì = ± —— y x-y = + -----
3 3
Entonces
X, =
V i
3
b) Aa = 3. Con el mismo procedimiento se obtiene
v r -
3
X, =
VT
3
3. Resulta
V3 V 6_
~3 3~
P=
y/6 y/3
3 ~
tal que
0 0
P"1 A P = P* A P =
0 3
Ejemplo 9-11
Efectuamos una trasformación de coordenadas que diagonalice la forma cuadrática / ,
definida por
f ( x l , x 2 ) = 3 x j + 1 0 JCj x 2 + 3 x \
La matriz de esta forma cuadrática es
- C \S 35
Sus valores propios son:
Xj = 8 y \ =- 2
www.FreeLibros.com
310 FORMAS BILINEALES Y CUADRATICAS
2 2
P=
V2" y/2
2 2
La trasformación ortogonal de coordenadas está dada por
X= PX ’
O sea
V2 , y/2 ,
X . = -------- X , - ---------* 2
2 2
_ V2 , y/2
X2 -------- X 1 •X 2
2 2
Mediante este cambio, / se convierte en
f ( x \ , x ’2) = íSx’l - 2 x ' l
donde los coeficientes de las variables son los valores propios de la matriz de la forma
cuadrática.
Definición
Una matriz simétrica y real es definida positiva si y sólo si sus valores propios son
positivos.
Tal es el caso de la matriz del ejemplo 9-6.
9.10.2. Propiedad
Una matriz real y simétrica es definida positiva si y sólo si existe una matriz Q, no
singular, tal que A = Q Qf.
Demostración)
1. Sea A simétrica real del tipo n x n y definida positiva. Por definición, sus valores propios
son positivos. Por 9.9.3. existe P ortogonal tal que
P"l A P = P í A P = D (1)
www.FreeLibros.com
MATRIZ DEFINIDA POSITIVA 311
Se verifica que
Di = D (2)
T e n ie n d o e n c u e n ta (1) y (2) e s
a = P D P “1 = P D P Í = P D Í P* = P D , d [ p ^ c p d o c p d , ) * (3 )
Haciendo
Q = (PDi)
re su lta
A=QQ(
donde Q es no singular por ser producto de dos matri ces no singulares.
2. Sea A simétrica y real. Supongamos que existe Q no s ingular tal que A - Q Q * .
Por 9.9.3., existe P ortogonal tal que
P( A P = D = diag ( Xi , \ K )
Entonces
Pt Q Q , P = D
O sea
(Pf Q )(P ( Q )Í = D
Llamando Xf a la i-sima fila de P( Q, y por lo tanto a la i-sima columna de (P( Q )', se
tiene, considerando el producto interior habitual en Rn
Xi Xf = X . > o
Si fuera \ = 0, resultaría X, = 0, y en consecuencia P{ Q sería singular, lo que es absurdo.
Luego
\> 0 V /= 1 , 2 , . .
Por lo tanto, A es definida positiva
www.FreeLibros.com
312 FORMAS BILINEALES Y CUADRATICAS
A=2 \ A t
i=l 1 '
de m odo tal que se verifica
1 . Á f = A¡ V/ = 1 ,2........ s
2. i ^ j => A¡ A¡ = N
3. ¿ A¡ = I
i=i '
4 . A A ¡ = A,- A Ví = 1, 2 , . . s
Demostración)
Por ser A diagonalizable existe P no singular tal que
P AP = D (1)
donde D es la m atriz diagonal formada con lo s n valores propios de A, que suponemos *
ordenados según las multiplicidades.
O sea
^2
D
N,
para / = 1 , 2 , . .
www.FreeLibros.com
DESCOMPOSICION ESPECTRAL 313
D = íS \ E , (2)
De (1) resulta
A = P D P"1
Considerando esta relación y (2), se tiene
A = p ( . f i Xi E 1) P"1
O sea
A = 2 \ P E P -i
¿=i
Haciendo
A¿ = P E, P"
resulta
A= 2 Ai
i -1 n
2. Af A¡ = P E( P '1 P E¡ P 1 = P E¡ Ey F 1 -
= P N P '1 = N
^ ? ( \ E ¡) F 1 = \ ? E Í P-1 ^ \ A ¡ (3)
Aj A = P E¡ P"1 A = P E i D P “1 = P E f ( . 2 A, E,) F 1 = P \ Ef F 1 =
-AfPEiP-^XfAi (4)
De (3) y (4) resulta
A A¡ = A t- A V< = 1 ,2 , . . n
www.FreeLibros.com
314 FORMAS BIUNEALES Y CUADRATICAS
9.12.1. Concepto
Sean f y g dos formas cuadráticas reales caracterizádas por las matrices simétricas A vfi
pertenecientes a R"x".
O sea
/ (X) = X*A X
g (Y) - Y f B Y
Definición
Las formas cuadráticas / y g son congruentes si y sólo si existe P no singular, tal que
B ~ P* A P
Las formas cuadráticas / y g son ortogonalmente congruentes si y sólo si existe P or
togonal, tal que
B = Pf A P = F 1 A P
Las matrices A y B se llaman, respectivamente, congruentes y o rtog on alm en te t
congruentes.
9.12.2. Propiedad j
A ~ (Q R() B (Q R f) f
La matriz P = Q R Í es ortogonal, ya que Q y R son ortogonales. Premul tiplicando por
P - P , y posmultiplicando por P, resulta
www.FreeLibros.com
CONGRUENCIA 315
B = P 'AP
9.12.3. Propiedad
g 0 0 = 1=1
4 hyl
g ( Y) = Y Í D Y
D = P"1 A P = P<A P
Luego f y g son ortogonalmente congruentes.
9.12.4. Propiedad
Toda forma cuadrática real f es congruente con la forma cuadrática g, tal que
g(Y ) = ^ i ± y l + . . . + y l - y l + i . —y \ , siendo r el rango de A y p el índice de
positividad de la forma.
Demostración)
La matriz simétrica y real A admite exactamente r valores propios no nulos, ya que
p (A) = r. Ordenamos los valores propios de modo que
son positivos
D=
Xn
www.FreeLibros.com
316 FORMAS BILINEALES Y CUADRATICAS
P=
V —\ j+ i
(Q P )' A (Q P) = P* (Q ( A Q ) P = P( D P
donde
P( D P = =B
/ ( X ) = X f A X = ( Q P Y ) f A ( Q P Y ) = Y Í (Q P) ( A ( Q P ) Y
En consecuencia, f e s congruente a la forma cuadrática g, definida por
g (Y) = Y ( B Y
donde
B = ( Q P ) ' A ( Q P)
Por la definición de B es
( Y ) = 7 i + y í + . . . + y l - y í +i - . . . y r2
La forma cuadrática g se llama forma canónica de f. Se verifica que dos formas
cuadraticas son congruentes si y sólo si tienen la misma forma canónica.
www.FreeLibros.com
FORMA CANONICA 317
Ejemplo 9-12.
Reducimos a la forma canónica la forma cuadrática / : R2 R definida por
f ( x i , x 2) = x'¡ - Txí x 2 + x l
1 La matriz de la forma cuadrática es
1 -1
A=
1 1
El polinomio característico es
X- 1 1
D (X l — A) = = X2 - 2 X
1 X - 1
X, = ( 1) y X2 =
-1
La matriz ortogonal correspondiente es
1 1
1 1
Se verifica que
2 0
Q'AQ
0 0
La forma cuadrática ortogonalmente congruente a / esh, tal que
h ( z 1 , z 2) - 2 z'¡
Sea
1 0
^ 0
vxr 2
P=
0 1 0 1
www.FreeLibros.com
318 FORMAS BILINEALES Y CUADRATICAS
í ( Y ) = Y f (Q P)Í A ( Q P ) Y =
= Y* P* Q* A Q P Y = Y ' Pé D P Y =
- Y* B Y
donde
^ 0 2 0 0
2 2
B = P* D P =
0 1 0 0 0 I
y/2 0 ^ 0 1 0
2
0 0 0 1
o
o
O sea
g ( y i , y i ) = y 2i
/ ( X ) = X rA X
donde A es una matriz simétrica real del tipo nx n.
9.13.1. Definiciones
X* A X > 0 VX^O
2 ./ es semidefínida positiva si y sólo si
■^ ( X ) = X Í ( - A ) X
es semidefínida positiva.
www.FreeLibros.com
FORMA DEFINIDA POSITIVA 319
Ejemplo 9-13.
| Determinamos el signo de la forma cuadrática / : R2-+ R definida por
/ ( X ) = 3*1 - 2 x ¡ x 2 + 2 x \
Se verifica que
/(X)= 2x\ + x l - 2xi x2 + x2 + x 2
! 0 sea
| AX) = 2 x \ + (x i ~ x 2f + x \
! C om o/(X ) > 0, V X 0, resu lta/d efin id a positiva.
9,13.2. Propiedad
La forma cuadrática real / , tal que / (X) = X* A X, es definida positiva si y sólo si los
valores propios de A son positivos.
i En efecto, sabemos que toda forma cuadrática real es ortogonalmente congruente a una
forma cuadrática g tal que
£ 0 0 =J i
Ejemplo 9-14
Analizamos, utilizando el criterio de los menores principales, si la forma cuadrática/,
definida por
www.FreeLibros.com
320 FORMAS BILÍNEALES Y CUADRATICAS
/ ( *u x 2>x z ) = 2 x \ + x \ + 3 * i + 2 Xl x2 - 2 x 2 x 3
es definida positiva.
La matriz de la forma cuadrática dada es
/ 2 l 0
A = f 11 - 1
\ 0 -1 3
Sus menores principales son
an = 2 > 0
an a l2 2 1
a 21 a 22 1 1
D(A)= 1 > 0
Luego, / es definida positiva.
www.FreeLibros.com
TRABAJO PRACTICO IX
9-15. Sea (V, + , K , .) un espacio vectorial. Dem ostrar que el conjunto B (V) de todas las
formas b ilin e a le s /: V2 -» K es un espacio vectorial sobre K, como se indica en 9.2.1.
9-16. Sea § : V2 -+ K una forma bilineal. Demostrar que gy : V -> K, definida por
gy (x) = g (x, y), es una forma lineal.
i) O b te n e r/(x , y).
1 ( 1. 1, 1) , ( 1, 1, 0) , ( 1, 0 , 0)1
9-18. Determinar la forma escalar de las formas cuadráticas asociadas a las formas bilineales
S (X , Y) = X* A Y, en los siguientes casos:
/ ( X ) = X2
donde X = — 2 Xf =
n «=i n
O btenerla matriz d e /re sp e c to de la base canónica en R".
9-20. Determinar las matrices de las formas cuadráticas sobre R” definidas por
www.FreeLibros.com
322 FORMAS BILINEALES y CUADRATICAS
i ) y ( x , y ) = - i ( / ( x + y ) _ / ( x _ y ) j
/ ( * i .x 2, x 3) = x j ~ 4 Xl x 2 + 2 x%
« * . Sea P una matriz ortogonal diagonal. Demostrar que ,os Cementos de ,a diagona, son ,
/ eos 6 -s e n Q \ / je
' Q= í
\ sen 0 eos 0 ) \ 0 ew
Demostrar que existe una m atriz unitaria U tal que Q = I T1 P u.
9-28. Demostrar que toda matriz simétrica y real admite un vector propio.
9-29. Obtener, en cada caso, una base ortogonal de R 2 fn rm ^ o „ i
las siguientes matrices: P° f vectores propios de
0 /3 0\ ü)
A= \0 3 / A
www.FreeLibros.com
TRABAJO PRACTICO IX 323
* - (\ y / ’2 *2 ) I
es definida positiva y obtener Q no singular, tal qu e A = Q Q*.
9 3¡ O btener una trasform ación ortogonal que diagonalice a la form a cuadrática
/(X ) + 2 \ f 6 Xl x 2 + 2 x \
9 32 Dem ostrar que el signo de una forma cuadrática real no varía si se efectúa un cambio
de base.
9-33. D em ostrar que si / ( X ) - X !A X es definida positiva, entonces g (Y) = Y*A-1 Y es
definida positiva.
9-34. Determinar el rango y la signatura de las formas cuadráticas definidas por
i)/(*i,*a.*a) = *i + 2 *2 + 6 *3 - 2 x í X 3 + 4 x 2 x3
i i ) f ( x í , x 2) r ( x í - x 2f
¿ V A ¿
9-37. Demostrar que toda m atriz cuadrada real no singular puede expresarse como producto
de una matriz ortogonal y una matriz definida positiva.
9-38. Expresar la matriz
1 / - 1 ^ \
k ~ V5"\n/T 2 /
como producto entre una m atriz ortogonal y una m atriz definida positiva.
9-39. Demostrar que una form a cuadrática real / (X) = Xf A X es definida positiva si y sólo si
los menores principales de A son positivos.
9-40. Sean dos formas cuadráticas f y g en R” definidas por f (X) = X t A X y g (X) = X¿ B X.
Sabiendo que f es definida positiva, demostrar que existe una trasformación de
congruencia que las reduce a
OL) =yí +yl +■ ■•+yl
www.FreeLibros.com
324 O
F RMAS BILINEALES Y CUADRATICAS
y
Si (Z )= X ! z \ + X 2 z \ + . . . + \ zn
9-41. Sean (V, + , K, .) un espacio vectorial de dimensión finita, y < , ) una forma bilineal
simétrica’ sobre V. Una base [v] es ortogonal respecto de <,> si y sólo si
i =£/ =*•<¥*,v; >= 0.
Demostrar que si V { 0 } , entonces V admite una base ortogonal.
www.FreeLibros.com
Capítulo 10
CONVENXIDAD. PR O G R AM AC IO N LINEAL
10.1. INTRODUCCION
A partir de la distancia definida sobre la base del producto interior habitual, se estudian y
se clasifican puntos y subconjuntos de R” . Se generalizan las nociones de recta, plano,
semiplano y semiespacio estudiadas en el capítulo 7. Se presenta una introducción a los
conjuntos convexos en R ", y se estudian sus propiedades fundamentales. Después de
relacionar la convexidad con las trasformaciones lineales, se desarrollan los conceptos de
hiperplano soportante y de puntos extremos. Finalmente, y en conexión con ío anterior, se
esboza una introducción al problema general de la Programación Lineal, y al método
simplex.
Definición
Esfera abierta de centro a e R " y radio r > 0 es el conjunto de puntos de Rn cuyas
distancias a a son menores que r.
El símbolo S ( a , r) se lee: “ esfera abierta de centro a y radio r’\
S ( a , /■) = ¡ x e R" /d (x , a) < r }
O sea
S(a,r)= ¡ x e R "/ !lx-aii< r|
www.FreeLibros.com
326
CONVEXIDAD. PROGRAMACION LINEAL
O bien
O
R
s far)
S (a, í*)= f x e R / I x - a l O } ={ x e R / a - f < x < a +
Sfar)
Definición
SeaCCR".
www.FreeLibros.com
CLAS IFICAC ION DE PUNTOS 327
Definición
a e R" es un Pu nto fr°ntera de C si y sólo si toda esfera abierta de centro a tiene
intersecciones no vacías con C y Cc.
a e R n es frontera d e C « - V / - > O : S ( a , r ) n c ^ 0A S ( a , r) n C * 0
Sea C C R ". El símbolo S* (a, r) se lee: “esfera reducida de centro a y radio r" e indica la
diferencia entre S (a, r) y { a ) . Es decir, S* (a, r) denota la esfera abierta de centro a y radio
r, excluido el centro.
Definición
a e R" es un punto de acumulación de C si y sólo si la intersección entre C y cualquier
esfera reducida de centro a es no vacía.
a e Rn es de acumulación de C ^ V r > 0: S* ( a , r) n C # 0
Los puntos de acumulación de un conjunto suelen llamarse puntos límites.
Observamos que un punto de acumulación de C C Rn no pertenece necesariamente a C.
Tal es el caso de la figura siguiente:
www.FreeLibros.com
328 CONVEXIDAD. PROGRAMACION LINEAL
Sea C C R"
Definición
- f . "“ K z t í r s r •“ « - > - . .
Consideremos C C Rn.
Definición
„ ■ r ° r pun, os de—
derivado de C. Diremos entonces que P ° S e acumulaeión de C, se llama
C es cerrado ^ C ’ C C
La siguiente figura
www.FreeLibros.com
DERIVADO Y CLAUSURA 329
S e a CC R".
Definición
Clausura de C es la unión entre C y su derivado.
El símbolo C se lee: “ clausura de C” .
Se tiene
c-cuc
O sea, la clausura de C es la unión entre C y el conjunto de sus puntos de acumulación. Se
demuestra que la clausura de un conjunto cualquiera es cerrada. Más aún, que la clausura de
un conjunto C es la intersección de todos los cerrados que inlcuyen a C. En este sentido, la
clausura de C es el m ínim o cerrado, en el sentido de inclusión, que contiene a C.
SeaCCR".
Definición
C es acotado si y sólo si existe r > 0 tal que
a e C ^ IIa I l <r
www.FreeLibros.com
330 CONVEXIDAD. PROGRAMACION LINEAL
Definición
C está acotado por debajo si y sólo si existe a e R " tal que
xfC=>a<x
La notación vectorial a < x significa que a{ < x¡, Vi = 1, 2 , . . n.
Definición
C está acotado por arriba si y sólo si existe a e R " tal que
xeC^x<a
El conjunto C C R 2 indicado en la siguiente figura está acotado por debaio
arriba
www.FreeLibros.com
RECTA Y SEGMENT O EN R"
331
P , P2 = { X e R" / X = r P2 + (1 - í) P , )
El segmento Pi P2 se obtiene haciendo variar el parámetro t entre 0 y 1, o sea
X
si. ek.Px ,j P2 1 - t ) ?1 a 0 < í‘ < l
* 2 <*X = ? P2 +1 (V*
Observamos que cualquier punto del segmento determinado por Pj y P2 puede expresarse
como combinación lineal de éstos, con escalares no negativos y cuya suma es 1.
Ejemplo 10-1
La ecuación vectorial paramétrica de la recta determinada por P j ( 3 , 0) y P2(0, 4) es
(x 1 , x 2 ) -( 3 , 0) + f ( - 3 , 4)
|x2 = 4 t
Eliminando el parámetro resulta la ecuación cartesiana
* i = 3 —3—
4
O sea
4 x i + 3 x 2 = 12 (1)
www.FreeLibros.com
CONVEXIDAD. PROGRAM ACION LINEAL
La representación es
El vector c = 41 + 3 j
es normal a #■. En notación matricial, la ecuación ( 1) se escribe
Ct X = l 2
La distancia entre 0 y r es
(0 , r ) = lpc p 1 1 = | =
IIC II 5
La igualdad
c 'x « *
Ejemplo 10-2
dEI ~ ° dete™ ¡nado p o r P, y P2 , con las
por coordenadas del ejemplo anterior, está
( 2 . 2) (°.4f)+(3-3/,0) =(3_3/,4í)
de donde resulta t = —
2'
www.FreeLibros.com
r HIPERPLANOS 333
10.32. Hiperplanos en R rt
pefiniciótt
Un hiperplano en R” es un conjunto de puntos de R ” tales que
C *X = k
donde C denota un vector columna de n componentes y k es un número real.
www.FreeLibros.com
334 CONVEXIDAD. PROGRAMACION LINEAL
Consideremos el caso de un hiperplano cuyas intersecciones con los ejes sean positivas I
siguiente figura ilustra la situación en R2 ' ‘u
La ecuación es
C* X = k
donde k > 0. Mostraremos que si el hiperplano se traslada paralelamente a sí mismo en la
dirección del vector normal, entonces el término independiente de la ecuación crece En
etecto, el hiperplano que pasa por X ! , de vector normal C, está definido por
Cf X -f c i
Si consideramos el hiperplano con el mismo vector normal, que pasa por
X2 = Xj + a C, con a > 0,
se tiene
C *X = k 2
www.FreeLibros.com
SEMIESPACIOS
335
Como
Ct X 2 ^ C t ( X l + ttC ) = Cí X 1 + a C t C = k l + o: Il CIP
resulta
&2 ^ k x
Todos los puntos del hiperplano de ecuación Ct X = k 2 verifican C* X > k
Se propone como ejercicio del trabajo práctico la demostración de la siguiente propiedad*
todo hiperplano es un conjunto cerrado.
10.3.3» Semiespacios
Definición
Semiespacios abiertos de borde tt son los conjuntos
S, = ( X e R n / C í X < / c
S2 = ( X e R n / C f X>ifc
Definición
Semiespacios cerrados de borde 7r son los conjuntos
www.FreeLibros.com
336
CONVEXIDAD. PROGRAMACION LINEAL
Si = I X e R n / C t X < k \
SeaCCR”.
Definición
p u n id a C ¿ á l “ n CY ^ * * Se8mení° ^ par de
C C R ” es convexo o Pi e C ^ P2 e C ^ p T p , c e
Sabemos que
Pi P2 ~ f X e R n j X = t V 2 + ( i _ í ) Pl A0< ? < i|
10.4.2. Propiedad
P,_eC_A P2 e C =* P ^ e C¡ a P , e C j A P2 e c , a P2 e C 2 *
^ P > P2 c c , A P , p 2 c c 2 =»p , p 2 c c , n c 2 ^ p 7 p ¡ c e
www.FreeLibros.com
CONVEXIDAD EN RM 337
Definición
Combinación convexa de los puntos P t , P 2 , . . Pm es todo vector del tipo
cioj .2 di Pf
i=i
donde
Demostración)
Se trata de probar que toda combinación convexa de dos puntos cualesquiera de C,
pertenece a C. Sean P’ y P” pertenecientes a C. Ahora bien
P’ e C a P” e C =►P’ = 2 a) P¿ a P” = 2 a ”, P,
í=i f=i ' 1
donde
12‘
ión
0 < aj-, 0 < y 2 a|- = .2 a ’) = 1
las V ' *-1 ‘ f=i
Como
ni m
t P” + (1 - 0 P’ = t .2 a} Pf + ( i - 0 2 a ’;. Pf =
m
= 2 ( í a ; + ( l - O « /’) Pf
M 1-1
resulta t P” + (1 -- i) P’ una combinación convexa de los m puntos dados, pues
0 < á¡ => 0 < t
0 < a ;-’= > 0 < ( 1 - i ) « ”
Luego
lt0 + -0 « ”
Además
m m m
2 t a¿ + (1 - i) a ” = t 2 a- + (1- t) 2 a” = 1
i=l ' 1 1=1 ' v 1=1 1
El conjunto C, representado en la figura siguiente, es el conjunto de las combinaciones
convexas de los puntos P*, P2 , P 3 y P 4 pertenecientes a R 2
www.FreeLibros.com
338 CONVEXIDAD. PROGRAMACION LINEAL
Definición
c = n c,-
donde f Cf / i e IJ es la familia de todos los convexos que incluyen a C.
Ejemplo 10-3
10.4.5. Propiedad
co
El casco convexo de un número finito de puntos de R " es el conjunto de 1
combinaciones convexas de ellos. Hi
www.FreeLibros.com
CONVEXIDAD EN Rrt 339
Sea entonces
• p = ( i - o ( — — p, + — ^ P 2 + . . . + - ^ i - P m n ) +<*m P„,
\ 1 - am 1 - am 1 - am J
fti dm _i
c| vector ------ — Pi + . . . + — ^ ^ P m - i es una combinación convexa de
1 - Otm * - “m
P P2, . • Pm -i > y Por hipótesis inductiva pertenece a A. Como éste es convexo, P, que
es una combinación convexa de dos puntos de A, pertenece a A.
En consecuencia
S CA
O sea, C = S.
Definición
Poliedro convexo generado por un núm ero finito de puntos es el casco convexo que
ellos determinan.
El triángulo representado en 10.4.3. es el poliedro convexo generado por P j , P2, P 3 y P4.
C C R " es convexo
unt
Tesis) /( C ) es convexo en Rm
/ ( P ’) = Q* y / ( P ” ) = Q”
i a(
Como C es convexo, se verifica que
í P ” + ( l - r) P’ e C
www.FreeLibros.com
340
CONVEXIDAD. PROGRAMACION LINEAL
Luego
? / ( n + ( l ~ 0 / ( P ’) e / ( C )
O sea
' Q ” + ( l - ? ) Q ’e / ( C )
En consecuencia,/(C ) es convexo.
/ ( X ) = C*X
Rn
www.FreeLibros.com
CONVEXIDAD Y TRASFORMACIONES LINEALES 341
( X e R " / f ( X ) = Ct X = &}
0 sea, el hiperplano de ecuación C* X = k,
!¡ El conjunto C = 1 * e R / x > f c | es convexo.
Pi P2
________________ o-------------------•-----------------------------• ■ --------- »
k x1 *2 R
Bn efecto:
Pj e C a P2 e C =>x4 > k A x 2 >k=>
=* t x 2 + ( 1 - t ) x i > t k + { 1 —f) fr - fc
IV. Con criterio análogo se prueba que todo semiespacio cerrado es un conjunto
convexo.
V . La intersección de un número finito de semiespacios, por ser éstos conjuntos
convexos, es un conjunto convexo. Tal intersección, como lo muestran las siguientes
figuras, puede ser acotada o no.
www.FreeLibros.com
1
342
CONVEXIDAD. PROGRAMACION LINEAL
10.6. h i p e r p l a n o s s o p o r t a n t e s
10.6.1. Propiedad
definida por
f P (X)= IIX-PIJ
p , . 3 A e C / X e C = % ( A ) < / (X)
t s decir, existe A e C tal que
NÍ ( X - P ) = 0
O sea
1 A ~ P ■< IA - / (B - A) _ P , = , (A _ p) + , (
www.FreeLibros.com
HIPERPLANO SOPORTANTE 343
Para t -+ 0 es
0 < ( A - P)f (B - A) = N f (B - A) = N Í B - N í A =
=¡ N* B - N* A + N* P - N* P = N ( (B - P) - N f (A - P)
Osea
0 < N f (B - P) - N N
De donde
Ní N < N t ( B - P )
Es decir
NÍ B > N Í P
En consecuencia, B pertenece al semiespacio de inecuación
NÍ X > N Í P
O sea, C está incluido en el semiespacio abierto determinado por la inecuación
N*X>N*P
Definición
7r es un hiperplano soportante del conjunto convexo C en el punto frontera P si y solo
si C está incluido en uno de los dos semiespacios cerrados de borde ir.
Queda como ejercicio del trabajo práctico la demost ración de la siguiente propiedad: si P
es un punto frontera de un conjunto convexo C, entonces existe un hiperplano soportante de
CenP.
Ejemplo 10-4
ni Consideremos un conjunto convexo C y el hiperplano de ecuación
N*X = k
www.FreeLibros.com
344
CONVEXIDAD. PROGRAMACION LINEAL
Sabiendo que
P-eNeC
Luego
soportante de c en
■ ■■— — . *
Se dem uestra que to d o p u n to extrem o de '
Propiedad U" C° njUnt° C° nVeX°" “ PUnt0 f™ ‘era.
www.FreeLibros.com
PUNTOS EXTREMOS 345
sea
A - ttn c
¿cu erd o con las hipótesis y propiedades anteriores, A es convexo, cerrado y acotado
De ac
por
debajo.
Ahora bien
P e 7 T ^ N í P = N P0 (2)
De (1) se deduce
N í P = í N í Q 2 + ( 1 - í ) N ( Qj
De esta igualdad y de (2) resulta
N ‘ P0 = í N ( Qa + ( l - í ) N ‘ Qi (3)
Además
Q t e C a Q 2 e C = > N f Qi > N ( P 0 a N ‘ Q 2 > N é P 0
Supongamos que se verifica alguna desigualdad estricta, por ejemplo, N ( Q 2 > N( P0 .
www.FreeLibros.com
346 CONVEXIDAD. PROGRAMACION LINEAL
N í P0 > / N í p o + ( l - / ) N í P0 = N í Pn
lo que es absurdo. En consecuencia, se verifica que
N Í Q 1 = N Í P0 a Nf Q2 = N* P0
O sea
^ “ r ° de que un ~ - « *
10.8. INTR
ODUCCION A LA PROGRAMACION UNEAL
10.8.1. Concepto
• r ¡ r s ? x s - r i r r * ? - ••- — - -
aphcable a sistemas complejos en los que in te J e ñ e n T e ’rso etCé,era' »
dinero. Su objetivo es el asesoramiento a fin de adornar L • e« ° s > materia prima y
La Programación Lineal es un m ^ e l o n a r t i . l T “ c o m ^ e s.
Los problemas que trata la Programación Lineal s o ^ 6 "n ^ Investi6ación Operativa.
¿fsirtZí'SE.rr.'rr“'
^ E iH n 6 relac^ones **neales que vinculan las variabies corólos datos16 PUeden " eXPreSad°S
www.FreeLibros.com
PROGRAMACION LINEAL 347
oroducir una unidad del producto A x , el dinero insumido por los recursos es, en pesos,
pa?0 y 4 respectivamente. En el caso del segundo producto las cantidades son 6 ,2 0 y 4.
5’ Esta situación queda indicada en la siguiente tabla o matriz
A) a2
Mano de obra 5 6
Materia prima 10 20
Equipos 4 4
El dinero disponible para cada uno de los tres recursos es, respectivamente, 15.000,
20.000 y 6.000 pesos. . . .
La ganancia o beneficio neto por cada unidad del producto A! es 3 pesos, y por cada
unidad del producto A2 es 4 pesos. Se supone que el mercado puede absorber sin
competencia estos productos.
Con esta información completamos el cuadro anterior:
^ ^ ^ P r o ducto s
Recursos^''“''“' ' « ^ ^ A! a2 Disponibilidades
Equipos 4 4 6.000
Beneficio 3 4
www.FreeLibros.com
348 CONVEXIDAD. PROGRAMACION LINEAL
+
3.000 2.500
+ *2
2.000 1.000
*2
+
1.500 1.500
La representación de las tres rectas y del conjunto S, intersección de los cinco
semiespacios, queda indicada en la siguiente figura
www.FreeLibros.com
PROGRAMACION LINEAL 349
isobeneficio.
De éstas, interesa aquella cuya intersección con S sea no vacia y cuya distancia al origen,
es decir,— , sea máxima. Esto es, hay que determinar la recta de la familia de mayor k y de
www.FreeLibros.com
350
CONVEXIDAD. PROGRAMACION LINEAL
3*, +4*2 =0
origDee„SP,aZand° °Sta reC,a “ 18 direcci0n dcl vector “ >"■»> 31 + 4 J cace la distancia a,
20 I
/
AM 10 * = »= Í 2 O.OOO ) c =
6.000
1. Condiciones de vínculo:
AX< B
2. Condiciones de no negatividad:
X>0
3. Función objetivo (a optimizar):
/(X)-Cfx
Ejemplo 10-5
www.FreeLibros.com
PROGRAMACION LINEAL 351
Cultivos
Ci c, Disponibilidades
R e c u r s o s ^ ''\.
Hectáreas 1 1 100
Días-hombre 1 4 160
Inversión por ha. 40 20 1.100
Benefìcio 40 120
www.FreeLibros.com
352 CONVEXIDAD. PROGRAMACION LINEAL
Definición
Definición
Propiedad
t - í * “ ° 31 m ínim o de ia * “ * ■
S de soluciones posibles. 0 ’ que es intenor al conjunto
Por definición de pun to interior, existe e > 0, tal que
S (P0 , e) C S
El p u n to
€
Pi=P0 -
3 II CU
r f ( P a ,P ,) = IIP, - P 0 II=-1
3
www.FreeLibros.com
SOLUCIONES OPTIMAS Y PUNTOS EXTREMOS 353
propiedad
/ ( P 0)= = £ « í / ( P í) (0
i=i
Consideremos
/( P * ) = máx j / ( P ¡ ) /i ~ 1>2........ * )
i
www.FreeLibros.com
354 CONVEXIDAD. PROGRAMACION LINEAL
/ ( P * ) < /( P 0) (2)
Por definición de máximo se tiene
/( P * ) > /( P ,) V/ = 1, 2 ,. . £
Entonces
/ ( P * ) . 2 a, a , f ( P,)
k
Como^S <Xi = 1 , resulta
/(P o ) = /( P * )
P=íP,-+U / ) P,
Como
/ ( P t = f / ( P ;-j + (l —r j / ( P ¿ )- / M + ( l /) M = M
10.8.4. Observación
Sabemos, por 10.6.2., que todo conjunto convexo, cerrado y acotado por debajo tiene
puntos extremos en cada hiperplano soportante. El conjunto de soluciones posibles de un
www.FreeLibros.com
SOLUCIONES OPTIMAS Y PUNTOS EXTREMOS 355
problema de Programación Lineal es convexo, cerrado y acotado por debajo por el vector
nulo ya que X > 0. El teorema anterior asegura que si existe óptimo de la función objetivo,
tal valor es alcanzado al menos en u n punto extremo. En R ", S tiene un número finito de
puntos extremos. . .
El problema se reduce entonces a examinar el valor de la función objetivo en los puntos
extremos a fin de hallar el óptimo. El m étodo Simplex permite determinar analíticamente
los puntos extremos y pasar de uno a otro analizando el valor d e /, hasta obtener el óptimo.
www.FreeLibros.com
TRABAJO PRACTICO X
m S e a A ^ J ^ . ^ e R ' / U i K i A ^ K ! ) y j (2 , i ) |
C ~ j ( x l f X2) / X i X 2 ^ 2 A X ¡ ^ 0 Ax2 ^ l }
clasificar los puntos del plano respecto de ellos, determinar sus fronteras y derivados e
investigar si son abiertos o cerrados.
C es un cono ^ x e C ^ a x e C A a > 0
www.FreeLibros.com
TRABAJO PRACTICO X 357
y el plano de ecuación x 3 = 2 .
1049. Sabiendo que C es un cono, demostrar que
C = j -x / x e C |
C1 = j y / { y , x> = 0 , V x e C j
es un cono.
10-23. Plantear el siguiente problema de programación lineal: * Ao
Un mezclador de licores importa licores de tres grados: A, B y C. Mediante mezclas de
éstos, ateniéndose a las indicaciones especificadas en la tabla siguiente, obtiene tres
productos finales: L, M y N.
L No menos del 60 % de A 68 $
No más del 20 % de C
M No más del 60 % de C 57$
No menos del 15 % de A
N No más del 50 % de C 45 $
www.FreeLibros.com
358
CONVEXIDAD. PROGRAMACION LINEAL
Licor
Disponibilidad máxima Costo por litro
mensual en litros
A
6.000
B 63 $
7.500 45 $
C
3.600
36$
60 rollos de 58 cm
85 rollos de 26 cm
85 rollos de 24 cm
50 rollos de 23 cm
y t S i z ? ; dt p e 3rdfciC
oÓm0 C° rta r 108 r° I,0S de 82 a <>•-tisfa c e r ios pedidos
www.FreeLibros.com
W"
BIBLIOGRAFÍA
www.FreeLibros.com
360
B IB L IO G R A F IA
www.FreeLibros.com
T«r
TRABAJO PRACTICO I
j - i 6. i ) si i i ) sí iii) no iv)no.
¡‘17. i ) sumar el opuesto de y.
i i ) sumar el opuesto de x.
iii) después de cancelar y de trasponer, aplicar A9 y 1.3.3.
iv) trasponer y aplicar A8 y 1.3.3.
www.FreeLibros.com
RESPUESTAS A LOS TRABAJOS PRACTICOS
1-27. A p licar 1.8.2.
« A i ) (* , ) e S - + , )2
( l , 0 e S y ( í , l ) e S pero (1 + ¡t 1 + A / s
i i ) sí
iii) si
iv) si. s= j (a, a + bí) j a e R a b eR i
v ) sí
Vi) sí.
www.FreeLibros.com
TRABAJO PRACTICO II
(4, 0 , 2 ) = ~ ( - l , 3 , l ) + | ( 3 , - l , 1)
www.FreeLibros.com
364 RESPUESTAS A LOS TRABAJOS PRACTICOS
a i xi + - - . + a n x „ + ^ u = 0
y probar que 0 0.
( x . y . z ) e S * ( y + z , y , z ) e S ~ ( y , : ,< o) + ( 2 ¡ o , z ) e S ~
www.FreeLibros.com
TRABAJO PRACTICO II 365
248. S es el plano de ecuación = 0. Una base de S está formada por los vectores (1 0 01 v
(0, 0, 1). T puede ser el plano de ecuación z = 0. ’ ’
¡49. La dimensión de S, n S2 es 2; aplicando 2.8.1., y considerando gue
dim Si - dim S2 = 3, resulta dim (Si + S2) = 4.
2-50. Primero, demostrar
i > r =* vf es C . L . d e v i , v 2 ) . . . , v r .
Luego, probar que ( Vj, v2, . . vr | esun sistema de generadores de V.
2-5L Considerar dos bases: una en Si y otra en S2, y tener en cuenta el ejercicio 1-31
www.FreeLibros.com
TRABAJO PRACTICO III
3-2S. Expresar los veetores (3, 3) y (0, - 1 ) com o C.L. de (1, 2) y de (2,1). Apliear deSp„é¡
la definición de T.L. R e s u lta /(3 , 3) = ( -1 , 2, 1) y /(O , - 1) = J
3-32. Aplicar la definición de T.L. El único vector cuya imagen es la matriz nula, es (0, 0).
3-33. Considerar 1.8.2., la definición de preimagen y de T.L.
* « . l . N ( 0 = í ( < U , - * ) / * e R j . Una base de N (f) es ¡ ( 0 , 1 , - ! ) ) y su dimensión el
!■ I,(f) es R2 .
*
1 ( 2 k '¿ k) 1 k S ^ 1 ' ^ b3Se ^
If) ~ R> y su dimensión es 1.
N W 65 ( (2 - 'M • y ^ dimensión es 1.
www.FreeLibros.com
TRABAJO PRACTICO III
367
N ( / ) = í (* > -* , 0 , * ) / * e R | .
Una base es { ( 1 , - 1 , 0 , 1 ) } y d i m N ( / ) =L
3-36. l . A = ■2 . / ( —2, 2, - 2 ) =
1 0
3. B =
0 1
2
\ 3 1
3-38. Multiplicando A por el vector colum na de componentes genéricas x lt x 2 y * 3, se
deduce que f ( x u x 2, x 3) = ( x 1 + x 2 - x 3, 3 x , - 3 x 2 - 3 x 3 , - ^ ! + 4 x 2 + 2 x 3).
N (f) - { (k, 0, k) / k e R f ; N (f) es la bisectriz del plano xz ; su dimensión es l . l ( f )
es el plano de ecuación x - y — z = 0, y su dimensión es 2.
1 1 0 - 1 1 0 0 0 1
3-39. La matriz es la traspuesta de
0 0 0 0 0 1 0 1 -1
- 0 0 -i \
3-40. 1. A = 0
-3
-1 3
2. La imagen de la matriz es el vector 0 ) expresado en términos de la
2 2
10
base dada.
3-41. f ( x l f x 2( * 3 ) = ( - - * ! + - x 2 + ~ x 3 i - - Xl + - x 2 + 2 x 3).
** L ¿é ¿0 ¿,
www.FreeLibros.com
368 RESPUESTAS A L
OS TRABAJOS PRACTICOS
1 0
3-42. A
J_
\ 2 2 /
3-43. Hallar las imágenes de los vectores de la base canónica de R 2 ; se obtiene
eos 6 -se n
sen 9 eos
www.FreeLibros.com
TRABAJO PRACTICO IV
el
ue ^ “ I 5— 2- U
do
)ar
>ta , - .
4 2 4 A 2 = | 0 i o ) ;ABC = f 0 I ¡B 'A ^ 1 0 -1
1 0 1
do
ii) A 2 - AB + BA - B
el
2\ ,4 _ / 5 3
www.FreeLibros.com
370 RESPUESTAS A LOS TRABAJOS PRACTICOS
n n
4-39. Q = X a i k aki = ^ a ^ k =>a[k = 0 , V k. Análogamente se prueba que la columna de
lugar i es el vector nulo.
4-40. Efectuar (B f A B)2„
4-41. Premultiplicar A + B = I por A, y posmultiplicar por B.
4-42. Como en el ejercicio anterior.
4-43. Determinar el cuadrado de cada una de las cuatro matrices y aplicar las hipótesi-i,
propiedades de la trasposición. ^
4-44. Verificar que se cumple la definición de matriz simétrica.
4-45. Para la condición necesaria, considerar A B = ( A B ) ' . Para la condición suficiente
partir de (A B ) \ me>
4-46. Desarrollar el producto indicado.
4-48. Las filas de AB son iguales entre sí, y cada elemento es igual a la suma de los
elementos de la correspondiente columna.
4-49. Tener en cuenta las propiedades relativas a la inversa de un producto y a la traspuesta
de un producto.
4-50. Se considera la matriz diagonal B cuyos elementos diagonales son los inversos de los
correspondientes de A ,y se verifica que A B = B A = I.
4 '5 l, Considerar A2 = A y multiplicar p o r A"1.
4-52. Probar que se verifican los cuatro axiomas de grupo.
4-53. Utilizando el mismo esquema de partición en ambas matrices, en bloques de dos filas y
dos columnas, se obtiene
0 0 4 1
0 0 2 0
0 1 0 0
.2 2 0 0,
4-54. Las dos primeras filas constituyen una base del espacio fila de A.
4-55. Multiplicar a derecha B A = N por la inversa de A.
4-56. Premultiplicar por la inversa de A.
4-57. Tener en cuenta que hay que probar la verdad de una disyunción.
4 -5 8 .p { A) = 2 ;p (B ) = 3.
/2 2 1
4-59. La inversa de A no existe. B '1 = [ 1 2 1
1 1 1
www.FreeLibros.com
TRABAJO PRACTICO IV 371
1 p p 2 P3
0 p p2
0 0 1 p
0 0 0 1 1
4-70. Para la condición necesaria, efectuar los productos AB y BA, e igualarlos para obtener
a y ($. Para la condición suficiente, efectuar ambos productos sustituyendo B por su
1 expresión.
J 4-71. Aplicar inducción completa.
S /1 1 -1
; 4*72. i ) A = ! 1 -1 0
\0 1 1
www.FreeLibros.com
RESPUESTAS A LOS TRABAJOS PRACTICOS
www.FreeLibros.com
TRABAJO PRACTICO V
5-17. \ - 1, \ ~ —•
$-26. En cada caso, examinar el valor del determ inante, y si es distinto de cero, aplicar 5.9.
www.FreeLibros.com
374 RESPUESTAS A L
OS TRABAJOS PRACTICOS
5-32. El jacobiano es - — + ^
U
5-33. C o n sid e ra r(-l)" D (A), y multiplicar el escalar -1 por cada una de lasn columnas.
www.FreeLibros.com
TRABAJO PRACTICO Vi
2. ( ( 1 , - 1 , 1 ) ) .
4. ( ( - 1 , 1 , 0 ) , ( - 1 , 0 , 1 ) ) .
1 / S -10 o\
1 6-23. Posmultiplicar por la inversa de A. Se obtiene X = - — 4 — 4 —12 .
20\-l 6 s)
www.FreeLibros.com
376
RESPUESTAS A L
OS TRABAJOS PRACTICOS
*l = 2 ~ 3 a + 2 { 3 - y
x2 =a
x 3 =/3
X4 = y
xs - 8 - 5 a + 3 2 -y con a, 0, y e R .
2. Como p (A) = 3 y p (A’) = 4, el conjunto solución es vacío
3- P (A) = p (A-) = 3 < 5. Existen infinitas soluciones, del tipo
*1 = a + 0
x 2 =a
x3=0
x 4 =0
x s = 2ec + (3
6-28.
M '1 =
y ' ^ u c i r té n n in o s , se
Xl =
www.FreeLibros.com
TRABAJO PRACTICO VI 3??
0 0 . Trasponer ai segundo miembro los térm inos en z y aplicar el teorema de Cramer. Si los
tres determinantes son no nulos, puede escribirse
X y z
bt cx at Ci ax bx
b 2 c2 a2 c3 a2 b2
6-31. Proceder com o en 6-27. Para a distinto de 2 y de 3, se obtiene solución única. Para
a = 2 existen infinitas soluciones y para a = 3 no existe solución.
6-32. Para a # ± 1 existe solución única. Para a = 1 el conjunto solución es infinito y para
a = —1 el conjunto solución es vacío.
(>•33. Analizar qué relación vincula a a y a b para que exista solución única, ninguna solución
e infinitas soluciones.
(¡.34. Un sistema lineal y homogéneo es 74xj + 1 \ x 2 — 25* 3 = 0.
6-35. Analizar el determ inante de los coeficientes. La solución única es
b 2 + c 2 - a2 a2 + c z - b 2 a2 + b2 - c 2
x ~ ------------------ , y - ------------------ . z = ------------------
2 be 2 ac 2a b
6-36. La solución e s x x = l , x 2 = 2 , x 3 = 3 .
www.FreeLibros.com
TRABAJO PRACTICO VII
7-28. Es el teorema del coseno; despejar x y considerar el producto interior <x , x >.
7-29. Para la condición necesaria proponer una combinación lineal de x e y que sea im.ai ,
vector nulo y considerar el producto interior entre dicha combinación H . J 1 „
misma. Suponer que ambos vectores son no nulos. y
Para probar la condición suficiente, siendo los dos v e c to ra nn n „ u
ellos como múltiplo escalar del otro, por ejemplo y = « x . C a s t o r li x y II ^ *
7-30. Partir de la desigualdad de Schwarz y elevar al cuadrado
736. L im an d o x e y a doB W o , del rombo que sean consecutivos, las dia gonales son
www.FreeLibros.com
TRABAJO PRACTICO VII 379
v l v 2 y II vi
2 . Vi
(
3. y x = ( 1 , 0, 0), y 2 = (0, 1 ,0 ) y y 3 = ( 0 , 0 , 1 ) son los vectores de la base ortonormal
pedida.
742. Efectuar el producto interior entre v y v¿.
' 743. Considerar el producto interior entre v¡ y
7.44. Probar que el conjunto de todos los vectores ortogonales a A es un subespacio de V, y
tener en cuenta las definiciones correspondientes.
1 745. Expresar cada uno de los dos vectores como combinación linealde la base.
746. Desarrollar 0 < <a x + 0 y, a x + |3y>, hacer a =<y , y >y j3= - ( x, y >, y considerar
que < x, y > < x Ty > = K x , y > I2 .
747. 1. Pj X . P x P2 - 0; 2x - 2y + z - 5 = 0.
2. X = P0 + X A ; ~ = - — - = z + 3 .
2 —2
748. Es el paraboloide de ecuación x 2 + y 2 + 2z2 - 2x y - 6x - 6v - 4z + 1 = 0.
7-49. P ^ X . A = Q\ax + a y - 2a2 =0.
7-50. d ^ —L
y/H '
7 .v * . - y ~ 1 - z ~ 3
1 3 5
7-53. 2 ( x ~ y + 2)2 + ( z - y + 2)2 - 2.
7-54. 18 x 2 + [ 3 ( z - 1) + 0 + l) ] 2 ~ 2 ( y + l )2
www.FreeLibros.com
380 RESPUESTAS AOS
L TRABAJOS PRACTICOS
[z = +^
p*=oc r - 2'
U =0
I Z = ±4 JL
- ^__
"
~ P y=o C 2
1^-0
7-5<í. 2* = ( 2 - ^ ) (2 —z).
7-60. Considerar el producto interior entre cualquier fila i, con i < n , y tener en cuenta de
acuerdo con el ejercicio anterior, que tal producto es 0.
7-61. Probar que la función F : V V definida por F (x) = /„ , donde / x (y) = <x y ) es un
isomorfismo. ’
n
7-62. Desarrollar E ( x , v¡ >v,-.
www.FreeLibros.com
TRABAJO PRACTICO VIII
2. N o existen en R.
8-15. 1. Valores propios: 2 y 3.
Vectores propios: y | j
2. No existen en R.
2\
X3 = 11, corresponde ( 0 j .
1
1- i
2. Para B, los valores propios son —1, 1, i.
8-21. Considerar P (X )- X” + c n^ X”“1 + . . . + C i X - f c 0
P(X) = ( X - X 1) . . . ( X - \ l).
www.FreeLibros.com
RESPUESTAS A LOS TRABAJOS PRACTICOS
^ T u V m t iz T '-’r nces — p
ceros. Aplicar después 7. " a‘nZ r unos *
4. Aplicar la definición de traza.
5. Considerar 8-24.
6. Expresar los valores de tr AB y tr BA.
7. Asociar y aplicar 6.
8. Aplicar 7.
www.FreeLibros.com
TRABAJO PRACTICO VIII
383
W 7 . X - | i1 ”— CO
MPS ip
- 0 0
0 0 1
8-45. Los valores propios de A son 1 y 4. Los valores propios de P (A) son 0 y 15. La forma
diagonal de P (A ) es ( ^ ^
\0 15
8-46. De acuerdo con 8-7 existe P e C [X] no nulo, tal que P (A ) = N, donde A es la matriz
de / . Además, es
n
P (i) = 7T (í - X¡), donde X,- e C.
O sea
N =P(A )=¿(A -M )
www.FreeLibros.com
TRABAJO PRACTICO IX
9-17 - >
^ y ^ ^ y , ^ y 3 +X2y 1 - 2 X 2 y 3 + X 3 y 2 + X 3 ^
B = P( A P =
/ i 4 2
\ 2 3 17
donde P es la matriz de pasaje de la base dada a la base canónica
W* , ) « X) = * « X) = X 'A X = 3 I ! + ^ I^ 2^
ü )/ ( X ) = * ? - * 2 + , ¡ .
9-19.
A í f '=
1 1
\ «2 ti2
Ver 4-65, i).
9 -2 fti)A = -!-lI, í
www.FreeLibros.com
TRABAJO PRACTICO IX
385
U=
www.FreeLibros.com
386
RESPUESTAS.A LOS TRABAJOS PRACTICOS
1
2 ^
“V3 V3
0 = PD, =
2 2
V6 V T/
*1 - V 2y t )
1
/1 2 / 1
0 1 0
5 5 2
A=S \ Ai = 6 0 0 + 11 0
í—1 n 1 0 0
2 4
0 1
5 0
5 / 2~
9-36. i ) Considerar 9.11.
.
4 /
www.FreeLibros.com
TRABAJO PRACTICO IX 387
j_ V i
V3 \/T es ortogonal.
positiva y P =
V? J -
V3 V3
9 -ÍP. Probar que si / es definida positiva, existe una trasformación no singular X = T Y
donde T es triangular superior y D (T) = 1, que la reduce a la forma
í(Y)=YfD
g (Y) = Y ( D Y y l » donde a f > 0 , siendo D = ( T 1)* A T"1. En consecuencia,
a l l z \ "*"f? 2_í=2^í;' Z ‘
X ‘ B X = Z( (P Q)( B (P Q) Z = 2 \ z\
n
Esta trasformación aplicada a Y( I Y la reduce a z? . La composición de las dos
www.FreeLibros.com
TRABAJO PRACTICO X
I (x i, x 2) e R 2 / f j j j | = i A ¡ j ; 2 1< 2 j u ¡(i 2) i
„ r ; : : ° • * *■ - — « • • « » & *
* = P = s S = = H ......................... ...
Todos los puntos de acumulación de B pertenecen a n d
todos los elementos de B son puntos de acumulación d i b "“ ’ " Cerrad° ' AdemáS’
www.FreeLibros.com
TRABAJO PRACTICO X 389
10-10. El conjunto del ejercicio 10-6 no es convexo. Los tres conjuntos de 10-7 son
convexos.
10*11. Probar primero que el conjunto vacío es abierto. Sea | A ¡¡ i e N } una familia
numerable de abiertos. Si esta familia es vacía, entonces A = U A ¡ es el conjunto vacío,
ie N
y en consecuencia es abierto. Si la familia no es vacía, cada abierto de la misma es una
unión de esferas abiertas. De este modo, A es la unión de tales esferas abiertas, y por lo
tanto es un conjunto abierto.
Se ha utilizado la siguiente propiedad: un subconjunto C C R" es abierto si y sólo si es
una unión de esferas abiertas.
10-12. Sea { A ¡ / i e In } una familia finita de abiertos. Si esta familia es vacía, entonces
n
A = O A; es el espacio total, que es abierto (probarlo). Supongamos ahora que la
i=i
familia es no vacía; si A es vacío, entonces es abie rto. Consideremos entonces que A es
no vacío y sea a e A.
Se tiene
a e A =►a e A¡, Vi => 3 ef / S (a, e¡) C Af, para cada i.
Sea e el m ínim o del conjunto { e x, e2 , . . . , en | . Entonces para cadai se verifica que
S (a, e) C S (a, e¡)
en consecuencia, para cada i es
S (a, e) C A¿
por lo tanto S (a, e) C A. Luego, A es abierto.
10-13. Aplicar 10-11, 10-12 y las leyes de De Morgan.
10-14. El casco convexo generado por los puntos dados, es el pentágono convexo de vértices
( - 1 , - 1 ) , ( - 1 , 2), (1 ,3 ), (2, 3), (1, - 1 ). Además, (0, 0) es combinación convexa de
( 1 , - 1 ) y ( - 1 , 1 ) , donde t = - ^ .
www.FreeLibros.com
390 RESPUESTAS A LOS TRABAJOS PRACTICOS
/
1 2 3
Disponibilidades
i N. Costo por
en litros litro
1 * 11 x 12 j f J3
6 .0 0 0 63
2
*21 * 22 * 23 7 .5 0 0 45
3 *31 *32 *33 3 .6 0 0 36
--------- -------------- 1
Precio
de venta 68 57 45
por litro
Objetivo: maximizar
* n + * 1 2 + * i 3 < 6 .0 0 0
*21 +*22 +*23 < 7 .5 0 0
*31 + * 32 + * 3 3 < 3 .6 0 0
*11 > 0 . 6 ( x n + x 2i + * 3 1 )
*31 < 0 .2 (* jj + x 21 + x 3 l )
* 1 2 ^ 0 .1 5 ( x 12 + x 22 + X 32)
www.FreeLibros.com
TRABAJO PRACTICO X 391
número
rollos
*3 *4 * 5 *6 *7 *8 x9 *10 * 11 *12
ancho *1 *2
1 1 0 0 0 0 0 0 0 0 0 0
58
0 0 3 2 2 1 1 1 0 0 0 0
26
0 0 1 0 2 1 0 3 2 0
24 1
0 1 0 0 1 0 1 2 0 2 3
23
Desperdido
en cm 4 6 7 8 9 10 10 11 12 13
0 1
.. . .
Minimizar
F = x 2 + 4 * 3 + 6 * 4 + 7 * s + &x 6 + 9 x n + 10*8 + 1 0 x 9 + 1 U 10 + 12xn + 13x12
Sujeta a las restricciones:
*1 + * 2 > 60
x , + x 4 + 2 * 6 + * 7 + 3 * 9 + 2 x 10 + * 1 1 > 8 5
*2 + * 5 + * 7 + 2 * 8 + * 1 0 + 2 * u + 3 * 12 > 5 0
*j > 0 , 7 = 1 , 2 , . . . , 12.
www.FreeLibros.com
www.FreeLibros.com
INDICE
www.FreeLibros.com
394
INDICE
de la suma, 60
del núcleo, 80 de una forma, 291,293
de traza nula, 19,38, 65
Fan, 279 de una T.L., 8 6 , 146
Form a bilineal, 289, 291 de un sistema lineal, 182
elemental, 114
cuadrática, 2 9 4 ,3 0 5 ,3 1 4 ,3 1 8
hermitiana, 293 forma canónica de, 133
lineal, 101,257 hermitiana, 120
Funcional, 101 idem potente, 115
Función objetivo, 349, 352 identidad, 108
inversa, 116 ,1 4 1 ,1 7 2
involutiva, 115, 274
G au ss-Jo rd an , m é to d o de, 135 186
G ram -S ch m id t, 228
no singular, 134
particionada, 121
Hamilton-Cayley, teorem a de, 282 rango de, 126,138
Hélice circular, 248 rango columna de, 124
rango fila de, 125
Helicoide recto, 261
Hiperplano, 233 simétrica, 29, 112
soportante, 343 traspuesta de, 110
traza de, 19, 152, 286
triangular, 28,114
Imagen de una trasformación lineal 7 4 80
propiedades de, 75 ’ ’ Método de Gauss-Jordan, 135, 138
Independencia lineal, 42, 58 de Gauss reducido, 210
Indice de positividad, 305 de la raíz cuadrada, 202
de nulidad, 305 del orlado, 205
Inversión de matrices, 138, 1 4 1 , 172 Menores principales, 319
Investigación Operativa, 346 Módulo, 2 1 8
Isomorfismo, 69 Monomorfismo, 69, 77
www.FreeLibros.com
INDICE 395
www.FreeLibros.com
ISBN 950-02-5205-8
www.FreeLibros.com