Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apunte Lineal
Apunte Lineal
ÁLGEBRA LINEAL
Apunte del Curso
Mauricio Vargas S.
mauvarga@fen.uchile.cl
Apunte del Curso Álgebra Lineal 1
Mauricio Vargas S.
Universidad de Chile
9 de agosto de 2009
1
Este apunte se encuentra en estado de corrección y evolución. Los contenidos se basan en
las clases del profesor Máximo Lira y de ninguna forma este apunte reemplaza las clases. La
finalidad es reforzar las ideas principales y entregar demostraciones que no se tratan en clase.
Puede contener y seguramente contiene errores, favor de comunicarlos a mauvarga@fen.uchile.cl.
Derechos reservados bajo licencia CreativeCommons (CC-BY-NC-ND)
Índice general
Contenidos I
1. Definiciones Previas 1
1.1. Ley de Composición Interna . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Ley de Composición Externa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Estructuras Algebraicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1. Grupo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2. Grupo Abeliano o Conmutativo . . . . . . . . . . . . . . . . . . . . . . 3
1.3.3. Anillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.4. Cuerpo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Propiedades de los Números Reales . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1. Axiomas en R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Matrices 11
2.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1. Igualdad de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.1. Suma de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.2. Propiedades de la Suma de Matrices . . . . . . . . . . . . . . . . . . . 12
2.2.3. Ponderación de Matriz por Escalar . . . . . . . . . . . . . . . . . . . . 13
2.2.4. Propiedades de la Ponderación de Matriz por Escalar . . . . . . . . 13
ii ÍNDICE GENERAL
5. Transformaciones Lineales 77
5.1. Transformación Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.1.1. Núcleo de una Trasformación Lineal . . . . . . . . . . . . . . . . . . . 79
5.1.2. Imagen de una Transformación Lineal . . . . . . . . . . . . . . . . . . 79
5.1.3. Teorema de las Dimensiones (Núcleo - Imagen) . . . . . . . . . . . . 80
5.1.4. Tranformaciones Lineales e Independencia Lineal . . . . . . . . . . . 81
5.1.5. Transformación Lineal Inyectiva . . . . . . . . . . . . . . . . . . . . . 83
5.1.6. Transformación Lineal Biyectiva . . . . . . . . . . . . . . . . . . . . . 83
5.1.7. Matriz Reprensentante de una Transformación Lineal . . . . . . . . 84
5.1.8. Propiedades de Transformaciones Lineales . . . . . . . . . . . . . . . 86
5.1.9. ¿Cómo se Aplica la Matriz Representante? . . . . . . . . . . . . . . . 87
5.1.10. Matriz de Pasaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.1.11. ¿Cómo se Relacionan las Matrices Representantes? . . . . . . . . . . 91
5.1.12. Matrices Similares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.2. Cambio de Base y Similaridad . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6. Formas Bilineales 95
6.1. Formas Bilineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
v
7. Referencias 99
Capı́tulo 1
Definiciones Previas
También se usa la denominación “operación” para una LCI . En ese caso, en lugar de la
notación funcional f (a, b) se usa la notación operacional (Ejemplo: a∗b ). Ası́ la operación
se denota:
∗∶A×A→A
(a, b) → a ∗ b ∈ A ∀a ∈ A, b ∈ B
g ∶A×A→B
(a, b) → g(a, b) ∈ B ∀ a ∈ A, b ∈ B
∆∶A×A→B
(a, b) → a∆b ∈ B ∀a ∈ A, b ∈ B
Ejemplos :
1. R × p(x) → p(x)
3(1 + 3x − x2 ) → 3 + 9x − 3x2
Los operadores son reales y polinomios
El dominio es de polinomios
2. (a + bx + cx2 , d) → ad + (a + b + c)
(1 + 3x − 5x2 , 2) → 2 + (−1) = 1
1.3.1. Grupo
Sea (A, ∗) una estructura algebraica. Se cumple que es grupo si y sólo si:
1.3.3. Anillo
Sea (A, ∗, ∆) una estructura algebraica con 2 LCI . Se cumple que esta es estructura de
anillo si y sólo si:
2. ∆ es asociativa.
1.3.4. Cuerpo
Sea (A, ∗, ∆) una estructura algebraica con 2 LCI y que ambas tienen estructura de
grupo abeliano. Se cumple que esta es estructura de cuerpo 1 si y sólo si:
Ejemplos :
1. (R, +, ⋅)
a) Neutro:
a+0=0+a=a
a⋅1=1⋅a=a
b) Inverso:
a + (−a) = (−a) + a = 0
a ⋅ a−1 = a−1 ⋅ a = 1
c) Conmutatividad:
a+b=b+a
a⋅b=b⋅a
d ) Distributividad:
a(b + c) = (a ⋅ b) + (a ⋅ c)
e) Clausura:
(a + b) ∈ R ∧ (a ⋅ b) ∈ R
2. (C, +, ⋅)
a) Neutro:
(a + bi) + (0 + 0i) = (0 + 0i) + (a + bi) = a + bi
(a + bi) ⋅ (1 + 0i) = (1 + 0i) ⋅ (a + bi) = a + bi
b) Inverso:
(a + bi) + [−(a + bi)] = [−(a + bi)] + (a + bi) = 0 + 0i
(a + bi) ⋅ (a + bi)−1 = (a + bi)−1 ⋅ (a + bi) = 1 + 0i
c) Conmutatividad:
(a + bi) + (c + di) = (c + di) + (a + bi)
(a + bi) ⋅ (c + di) = (c + di) ⋅ (a + bi)
d ) Distributividad:
(a + bi)[(c + di) + (e + f i)] = [(a + bi) ⋅ (c + di)] + [(a + bi) ⋅ (e + f i)]
5
e) Clausura:
[(a + bi) + (c + di)] ∈ C ∧ [(a + bi) ⋅ (c + di)] ∈ C
Observación :
El neutro y el inverso deben estar contenidos en el conjunto. De esta forma los números
reales tienen estructura de cuerpo (R, +, ⋅) y el neutro de la suma se asocia con 0, el
neutro de la multiplicación se asocia con 1 como también el inverso de la suma se asocia
con −a, −b, −c, etc y el inverso del producto (siempre que a ≠ 0) estará contenido en R.
1.4.1. Axiomas en R
1. Conmutatividad
2. Asociatividad
(∀x, y.z ∈ R) x ⋅ (y ⋅ z) = (x ⋅ y) ⋅ z
Demostración :
x + (y + z) = (x + z) + y
El axioma de asociatividad no dice que x + (y + z) = (x + z) + y pero usando los
axiomas ya dados se tiene que:
x + (y + z) = x + (z + y) /conmutatividad
x + (y + z) = (x + z) + y /asociatividad
En relación con lo anterior se concluye que la suma con n terminos es conmutativa
sin alterar el resultado y es análogo para la multiplicación.
3. Distributividad
a) (∀x, y, z ∈ R) x(y + z) = xy + xz
b) (∀x, y, z ∈ R) (x + y)z = xz + yz
(∀x ∈ R) x + e = x
(∀x ∈ R) x + e1 = x ∧ x + e2 = x
x + e1 = x
x + e2 = x
Reemplazando x = e2 en (1) y x = e1 en (2) nos queda:
e2 + e1 = e2
e1 + e2 = e1
De lo anterior se tiene que:
e1 = e1 + e2 = e2 + e1 = e2
(∀x ∈ R) x ⋅ e1 = x ∧ x ⋅ e2 = x
e1 = e1 ⋅ e2 = e2 ⋅ e1 = e2
(∀x ∈ R) x + opuesto(x) = 0
8 Definiciones Previas
Esta propiedad señala que existen elementos neutros asociados a x pero para
el caso de la suma en R se sabe que el opuesto es −x y por lo tanto es único.
Demostración : El inverso para la suma es único
En base al axioma anterior sabemos que existe al menos un inverso c1 que
corresponde al cero. Supongamos que por otro camino hemos encontrado otro
neutro c2 para la suma, de forma tal que se cumple:
(∀x ∈ R) x + c1 = 0 ∧ x + c2 = 0
PD c1 = c2
En efecto, usando los axiomas anteriores:
c1 = c1 + 0
c1 = c1 + (x + c2 )
c1 = (c1 + x) + c2
c1 = (x + c1 ) + c2
c1 = 0 + c2
c1 = c2
b) Elementos inversos para el producto
Es análogo al caso de la suma. Con las propiedades de grupo se sabe que en R
se cumple que
(∀x ∈ R) x ⋅ reciproco(x) = 1
Demostración : El inverso para el producto es único
En base al axioma anterior sabemos que existe al menos un neutro c1 que
corresponde al uno. Supongamos que por otro camino hemos encontrado otro
neutro c2 para la suma, de forma tal que se cumple:
(∀x ∈ R) x ⋅ c1 = 1 ∧ x ⋅ c2 = 1
x ⋅ c1 = 1
x ⋅ c2 = 1
PD c1 = c2
En efecto, usando los axiomas anteriores: c1 = c1 ⋅ 1
c1 = c1 ⋅ (x ⋅ c2 )
c1 = (c1 ⋅ x) ⋅ c2
c1 = (x ⋅ c1 ) ⋅ c2
c1 = 1 ⋅ c2
c1 = c2
Capı́tulo 2
Matrices
2.1. Matrices
Una matriz es una tabla de doble entrada de m filas y n columnas con coeficientes en el
cuerpo K (que puede ser R ó C).
I = {1, 2, 3, . . . , m}
Considerando los subconjuntos de N: {
J = {1, 2, 3, . . . , n}
M∶I×J→K
(i, j) → Mij ∈ K
Demostración : Es directa (lo cual no quiere decir que es trivial o evidente) con las
propiedades del cuerpo K se cumple que la suma es asociativa y conmutativa.
⎛ 0 ... 0 ⎞
0 = ⎜ ⋮ ⋱ ⋮ ⎟ ∈ Mmn (K)
⎝ 0 ... 0 ⎠
otra matriz si y sólo si sumamos matrices de igual orden ya que de otra manera la
operación no está definida.
El neutro aditivo para las matrices de 2 × 3 es 0M = 02×3 , para las de de 5 × 2 es
0M = 05×2 , etc.
Generalizando para las matrices de m × n es 0M = 0m×n con cualquier m, n ∈ N. Por
lo tanto, a diferencia de las propiedades de R en que el neutro aditivo es único para
Mmn K existen tantos neutros como órdenes de matrices posibles.
1 + i 0 2 + 3i −1 − i 0 −2 − 3i 0 0 0
( )+( )=( ) = 0M
i 1 0 −i −1 0 0 0 0
Por lo tanto,
1 + i 0 2 + 3i −1 − i 0 −2 − 3i
−( )=( )
i 1 0 −i −1 0
3. La suma de matrices es asociativa tal que: Amn + (Bmn + Cmn ) = (Amn + Bmn ) + Cmn
3. α(βAmn ) = (αβ)Amn
4. 1Amn = Amn
Estas propiedades son las mismas de las de un espacio vectorial y su demostración par-
ticular puede hacerse en forma análoga al caso de un espacio vectorial R2 /R tomando dos
matrices cualquiera con n vectores de 2 componentes.
El conjunto de las matrices Mmn sobre el cuerpo K con la LCI suma de matrices y la
LCE ponderación por escalar constituye un espacio vectorial Mmn /K
Se define la aplicación
Mmr × Mrn → Mmn
(Amn , Bmn ) → (A + B)mn
Demostración :
En efecto,
Para la matriz AB en (i, k) se tiene
n
AB = ∑ aij bjk
k=1
Luego,
n
(AB)C = ∑ (aij bjk )ckl
k=1
Luego,
n
A(BC) = ∑ aij bjk ckl
k=1
Finalmente,
(AB)C = ∑nk=1 (aij bjk )ckl ⎫
⎪
⎪
⎪
⎬ A(BC) = ∑nk=1 (aij bjk )ckl = (AB)C
A(BC) = ∑k=1 aij (bjk ckl ) ⎪
n ⎪
⎪
⎭
Demostración :
En efecto,
n
dij = ∑ aik (bkj + ckj )
k=1
n
dij = ∑ aik bkj + aik ckj
k=1
n n
dij = ∑ aik bkj + ∑ aik ckj
k=1 k=1
1 0 0 0 0 0 0 0 1 0 0 0
( )⋅( )=( ) ( )⋅( )=( )
0 0 2 0 0 0 2 0 0 0 2 0
Como se señalo existe el caso particular de la matriz cuadrada y la matriz identidad, para
este caso la matriz identidad es un neutro en la estructura algebraica (Mnn (K), ⋅)
En efecto, dada A ∈ Mnn (K) se tiene que Ann ⋅ Inn = Ann
Demostración :
n
∑ aik ikj = aij ⋅ ijj = aij = Ann
k=1
Se concluye que para el caso de las matrices cuadradas la suma y el producto constituyen
una estructura algebraica (Mnn (K), +, ⋅) que es un anillo con unidad (existe un neutro
para ⋅)
17
Mmn → Mnm
A → T (A) = AT
n n
AT = ∑ aji ⇔ A = ∑ aij
k=1 k=1
Ejemplos :
⎛ 1 3 ⎞
T
1 2 5 8 ⎜ 2 4 ⎟
1. ( ) =⎜ ⎟
3 4 1 2 ⎜ 5 1 ⎟
⎝ 8 2 ⎠
⎛ 1 5 3 2 ⎞
⎜ 5 2 0 1 ⎟
2. ⎜ ⎟
⎜ 3 0 3 6 ⎟
⎝ 2 1 6 4 ⎠
3. x⃗ = (2, 4, 1) ⇒ A = ( 2 4 1 )
⎛ 2 ⎞
AT =⎜ 4 ⎟
⎝ 1 ⎠
Demostración :
18 Matrices
2. (A + B)T = AT + B T
Demostración :
Sean A, B ∈ Mmn ⇒ A + B ∈ Mmn y definiendo C = A + B
En efecto,
Para la matriz C en (i, j) se tiene cij = ∑nk=1 aij + bij = ∑nk=1 aij + ∑nk=1 bij
Para la matriz C T en (i, j) se tiene cji = ∑nk=1 aji + bij = ∑nk=1 aji + ∑nk=1 bji
3. (αA)T = aAT
Demostración :
⎛ a11 . . . a1n ⎞
Sea Amn = A = ⎜ ⋮ ⋱ ⋮ ⎟
⎝ am1 . . . amn ⎠
Entonces,
⎛ αa11 . . . αa1n ⎞ ⎛ a11 . . . a1n ⎞
α ⋅ Amn = A = ⎜ ⋮ ⋱ ⋮ ⎟=α⋅⎜ ⋮ ⋱ ⋮ ⎟
⎝ αam1 . . . αamn ⎠ ⎝ am1 . . . amn ⎠
⎛ a11 . . . am1 ⎞
(A)Tmn = Anm = ⎜ ⋮ ⋱ ⋮ ⎟
⎝ a1n . . . anm ⎠
4. (AB)T = B T AT
Demostración :
Sean las matrices A ∈ Mpq y B ∈ Mqr tal que C = AB
En efecto,
Para (i, j) de la matriz C se tiene que
n
cij = ∑ aik bkj
k=1
n
cji = ∑ aki bjk
k=1
debido a la transposición.
Sea la matriz D = B T AT
Finalmente,
C = AB ⇔ C T = (AB)
T
20 Matrices
Mmn → Mmn
AP ×Q → e(AP ×Q )
1. Operación eij
Consiste en intercambiar de posición las filas (i, j).
Ejemplo :
⎛ a11 a12 a13 a14 ⎞ ⎛ a31 a32 a33 a34 ⎞
⎜ a21 a22 a23 a24 ⎟ e13 ⎜ a21 a22 a23 a24 ⎟
AP ×Q = ⎜ ⎟ ↝ BP ×Q = ⎜ ⎟
⎜ a31 a32 a33 a34 ⎟ ⎜ a11 a12 a13 a14 ⎟
⎝ a41 a42 a43 a44 ⎠ ⎝ a41 a42 a43 a44 ⎠
Observación : AP ×Q ≠ BP ×Q = BP ×Q
2. Operación ej (λ)
Consiste en ponderar la fila j por el escalar λ ≠ 0
Ejemplo :
⎛ a11 a12 a13 a14 ⎞ ⎛ a31 a32 a33 a34 ⎞
⎜ a21 a22 a23 a24 ⎟ e2 (−5) ⎜ −5a21 −5a22 −5a23 −5a24 ⎟
AP ×Q = ⎜ ⎟ ↝ BP ×Q = ⎜ ⎟
⎜ a31 a32 a33 a34 ⎟ ⎜ a11 a12 a13 a14 ⎟
⎝ a41 a42 a43 a44 ⎠ ⎝ a41 a42 a43 a44 ⎠
Ejemplo :
e31 (−5)
AP ×Q ↝ BP ×Q
21
También se definen operaciones inversas . Cada operación elemental de fila posee una
inversa que es también una operación de fila.
En efecto,
Mmn /K → K
AP ×Q → det(AP ×Q ) ∈ K
Ejemplos :
a11 a12
1. AP ×P = ( )
a21 a22
Los productos posibles son: b11 ⋅ b22 , (n = 0) ⇒ signo+ b12 ⋅ b21 , (n = 1) ⇒ signo−
Luego, det(AP ×P ) = b11 ⋅ b22 − b12 ⋅ b21
22 Matrices
1 5
2. BP ×P = ( )
2 4
det(AP ×P ) = 1 ⋅ 4 − 5 ⋅ 2 = −6
⎛ 1 3 2 ⎞
A=⎜ 6 5 4 ⎟
⎝ 7 2 4 ⎠
Sea Bmn una matriz cuadrada, esta es además triangular superior si:
bij = 0 si i > j
{
m=n
Ejemplo :
⎛ 1 4 2 ⎞
B=⎜ 0 6 8 ⎟
⎝ 0 0 7 ⎠
Sea Bmn una matriz cuadrada, esta es además triangular inferior si:
bij = 0 si i < j
{
m=n
Ejemplo :
⎛ 1 4 2 ⎞
B=⎜ 0 6 8 ⎟
⎝ 0 0 7 ⎠
Sea Cmn una matriz cuadrada, esta es además diagonal si es superior e inferior a la vez si:
cij = 0 si i ≠ j
{
m=n
24 Matrices
Ejemplo :
⎛ 1 0 0 ⎞
C=⎜ 0 3 0 ⎟
⎝ 0 0 2 ⎠
Sea Dmn una matriz cuadrada y diagonal, esta es además escalar si:
⎧
⎪ d = 0 si i ≠ j
⎪
⎪ ij
⎨ dij = k si i = j
⎪
⎪
⎪
⎩ m=n
Ejemplo :
⎛ 7 0 0 ⎞ ⎛ 1 0 0 ⎞
C =⎜ 0 7 0 ⎟=7⋅⎜ 0 1 0 ⎟
⎝ 0 0 7 ⎠ ⎝ 0 0 1 ⎠
Sea Imn una matriz escalar, esta es además identidad si y sólo si:
⎧
⎪ d = 0 si i ≠ j
⎪
⎪ ij
⎨ dij = 1 si i = j
⎪
⎪
⎪
⎩ m=n
Ejemplo :
⎛ 1 0 0 ⎞
C=⎜ 0 1 0 ⎟
⎝ 0 0 1 ⎠
Ejemplo :
⎛ 1 5 3 2 0 ⎞
⎜ 5 2 0 1 8 ⎟
⎜ ⎟
C=⎜
⎜ 3 0 3 6 7 ⎟ Que corresponde a una matriz simétrica de 5 × 5.
⎟
⎜ ⎟
⎜ 2 1 6 4 0 ⎟
⎝ 0 8 7 0 5 ⎠
Ejemplo :
⎛ 0 −5 −3 −2 0 ⎞
⎜ 5 0 0 1 8 ⎟
⎜ ⎟
C=⎜
⎜ 3 0 0 6 7 ⎟ ⎟
⎜ 2 −1 −6 0 0 ⎟
⎜ ⎟
⎝ 0 −8 −7 0 0 ⎠
Ejemplo:
26 Matrices
⎛ 0 0 ⎞
C=⎜ 0 0 ⎟
⎝ 0 0 ⎠
Para algunas matrices cuadradas existe la matriz inversa y esta cuando existe al multi-
plicarse con su inversa (la matriz original) genera una matriz identidad. Tal condición se
expresa:
Sea Ann esta matriz es invertible si y sólo si ∃ A−1
nn tal que:
Ann ⋅ A−1
nn = Ann ⋅ Ann = Inn
−1
Ejemplos :
1 5
1. Sea A = ( )
1 6
1 5 x y 1 0
Entonces, A ⋅ A−1 = ( )⋅( 1 1 )=( )
2 6 x2 y2 0 1
x1 + 5x2 y1 + 5y1 1 0
⇒( )=( )
x2 + 6x2 y2 + 6y2 0 1
27
x1 + 5x2 = 1
x + 6x2 = 0
⇒ 2
y1 + 5y1 = 0
y2 + 6y2 = 1
x1 + 5x2 = 1
⇒ ⇒ x1 = 6, x2 = −1
x2 + 6x2 = 0
y1 + 5y1 = 0
⇒ ⇒ y1 = −5, y2 = 1
y2 + 6y2 = 1
Por lo tanto,
6 −5
A−1 = ( )
−1 1
A es invertible.
1 2
2. Sea B = ( )
2 4
x1 y 1
Sea A−1 = ( )
x2 y 2
1 2 x y 1 0
Entonces, A ⋅ A−1 = ( )⋅( 1 1 )=( )
2 4 x2 y 2 0 1
x1 + 2x2 y1 + 2y1 1 0
⇒( )=( )
2x2 + 4x2 2y2 + 4y2 0 1
x1 + 2x2 = 1
2x2 + 4x2 = 0
⇒
y1 + 2y1 = 0
2y2 + 4y2 = 1
Por lo tanto,
28 Matrices
Demostración :
Sea A ∈ Mnn (K) es invertible si y sólo si existe A−1 ∈ Mnn (K) tal que:
AA−1 = A−1 A = Inn
Luego,
B = B(AC)
B = (BA)C
B = Inn C
B=C
2. (A−1 )−1 = A
Demostración :
Sea A ∈ Mnn (K) tal que det(A) ≠ 0 entonces A−1 está definida.
Entonces,
(A−1 )−1 = A
3. (AB) = B −1 ⋅ A−1
−1
Demostración :
AB(B −1 A−1 )
A(BB −1 )A−1
A(Inn )A−1
AA−1
Inn
Demostración :
Observación : Sólo algunas matrices son invertibles, como ya se vio existen casos en que
una matriz no admite inversa y que algunas matrices cuadradas son invertibles. Se puede
comprobar que existe la inversa verificando que el determinante sea distinto a cero para
una matriz dada.
Ann → p(A)
1. Es de grado n
2. Es mónico
A partir de esta sustitución se tiene la ecuación caracterı́stica de una matriz que consiste
en igualar el polinomio caracterı́stico de esta a cero.
Luego se aplican operaciones elementales hasta obtener una matriz identidad al lado
izquierdo (la matriz original) y el resultado que se obtiene a partir de la matriz identidad
anexa corresponde a la inversa de A.
Ejemplo :
32 Matrices
⎛ 2 1 −1 ⎞
Invertir, si es posible, la matriz A = ⎜ 5 2 −3 ⎟
⎝ 0 2 1 ⎠
⎛ 1 1 −1 1 0 0 ⎞
⎜ 2 2 2 ⎟
⎜ ⎟
⎛ 2 1 −1 1 0 0 ⎞ ⎜ ⎟
⎜ ⎟
⎜ 5 2 −3 0 1 0 ⎟
e1 (1/2)
↝ ⎜ 5 2 −3 0 1 0 ⎟ e21 (−5)
↝
⎜ ⎟
⎝ 0 2 1 0 0 1 ⎠ ⎜ ⎟
⎜ ⎟
⎜ 0 2 1 0 0 1 ⎟
⎜ ⎟
⎝ ⎠
⎛ 1 1 −1 1 ⎛ 1 1 −1 1 0
0 0 ⎞ 0 ⎞
⎜ 2 2 2 ⎟ ⎜ 2 2 2 ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ e2 (−2) ⎜ ⎟ e32 (−2)
⎜ 0 1 0 ⎟ ↝ ⎜ 0 1 1 5 −2 0 ⎟ ↝
⎜ ⎟ ⎜ ⎟
−1 −1 −5
⎜ 2 2 2 ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎝ 0 2 1 0 0 1 ⎠ ⎝ 0 2 1 0 0 1 ⎠
⎛ 1 1 −1 1 ⎛ 1 1 −1 1 0
0 ⎞
0 0 ⎞
⎜ 2 2 2 ⎟ ⎜ 2 2 2 ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ e23 (1) ⎜ ⎟ e3 (−1)
⎜ 0 5 −2 0 ⎟ ↝ ⎜ 0 1 0 −5 2 1 ⎟ ↝
⎜ 1 1 ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎝ 0 0 −1 −10 4 1 ⎠ ⎝ 0 0 −1 −10 4 1 ⎠
⎛ 1 1 −1 1 ⎛ 1 0 −1 3 −1 −1 ⎞
0 0 ⎞
⎜ 2 2 2 ⎟ ⎜ 2 2 ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ e12 (−1/2) ⎜ ⎟ e13 (1/2)
⎜ 0 −5 2 1 ⎟ ↝ ⎜ 0 1 0 −5 2 1 ⎟ ↝
⎜ 1 0 ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎝ 0 0 1 10 −4 −1 ⎠ ⎝ 0 0 1 10 −4 −1 ⎠
⎛ 1 0 0 8 −3 −1 ⎞
⎜ ⎟
⎜ ⎟
⎜ 0 1 0 −5 2 1 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎝ 0 0 1 10 −4 −1 ⎠
⎛ 8 −3 −1 ⎞
A−1 = ⎜ −5 2 1 ⎟
⎝ 10 −4 −1 ⎠
33
T
⎛ A11 A12 A13 . . . A1n ⎞ ⎛ A11 A21 A31 . . . An1 ⎞
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ A21 a22 A23 . . . A2n ⎟ ⎜ A12 A22 A32 . . . An2 ⎟
⎜ ⎟ ⎜ ⎟
adj(A) = ⎜
⎜
⎟ ⇒ adj(A) = ⎜
⎟ ⎜
⎟
⎟
⎜ ⋮ ⋱ ⋮ ⎟ ⎜ ⋮ ⋱ ⋮ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎝ An1 An2 An3 . . . Ann ⎠ ⎝ A1n A2n A3n . . . Ann ⎠
34 Matrices
Considerando el producto
⎛ a11 a12 a13 . . . a1n ⎞ ⎛ A11 A21 A31 . . . An1 ⎞
⎜ a21 a22 a23 . . . a2n ⎟ ⎜ A12 A22 A32 . . . An2 ⎟
P = A ⋅ adj(A) = ⎜ ⎟⋅⎜ ⎟
⎜ ⋮ ⋱ ⋮ ⎟ ⎜ ⋮ ⋱ ⋮ ⎟
⎝ an1 an2 an3 . . . ann ⎠ ⎝ A1n A2n A3n . . . Ann ⎠
Si i = j entonces,
n
pjj = aj1 ⋅ Aj1 + aj2 ⋅ Aj2 + . . . + ajn ⋅ Ajn = ∑ ajk Ajk = det(A)
1
Si i ≠ j entonces,
Para este caso pij = 0 ya que corresponde al determinante de una matriz con filas repetidas
(filas L.D ).
adj(A)
A−1 =
det(A)
Ejemplo :
⎛ 1 3 5 ⎞
Invertir (si es posible) la matriz A = ⎜ 2 1 8 ⎟
⎝ 3 1 4 ⎠
det(A) = 39
T
⎛ 1 8 2 8 2 1 ⎞
⎜ det ( ) −det ( ) det ( ) ⎟
⎜ 1 4 3 4 3 1 ⎟ T
⎜ ⎟ ⎛ −30 −16 −1 ⎞
⎜ 3 5 1 5 1 3 ⎟
adj(A) = ⎜ −det ( ) det ( ) −det ( ) ⎟ = ⎜ −7 −11 8 ⎟
⎜ 1 4 3 4 3 1 ⎟ ⎝ 19
⎜
⎜
⎟
⎟ 2 −5 ⎠
⎜ 3 5 1 5 1 3 ⎟
det ( ) −det ( ) det ( )
⎝ 1 8 2 8 2 1 ⎠
⎛ −30 −7 19 ⎞
adj(A) = ⎜ −16 −11 2 ⎟
⎝ −1 8 −5 ⎠
−30 −7 19
⎛ ⎞
⎜ 39 39 39 ⎟
⎜ ⎟
⎜ ⎟
adj(A) ⎜ −16 −11 2 ⎟
A = =⎜ ⎟
det(A) ⎜ 39 ⎟
−1
⎜ 39 39 ⎟
⎜ ⎟
⎜ ⎟
⎜ −1 8 −5 ⎟
⎝ ⎠
39 39 39
Ejemplo :
1 2
A3×2 = ( )
3 4
1−λ 2
p(λ) = det(A − λI) = det ( ) = (1 − λ)(4 − λ) − 6 = λ2 − 5λ − 2
3 4−λ
Luego, λ2 − 5λ − 2 = 0
A2 − 5A − 2I = 0
7 10 5 10 2 0 0 0
( )−( )−( )=( )
15 22 15 20 0 2 0 0
Se comprueba que:
7−5−2 10 − 10 0 0
( )=( )
15 − 15 22 − 20 − 2 0 0
En consecuencia,
A − 5I
A−1 =
2
1 2 5 0
( )−( )
3 4 0 5
A =
−1
2
−4 2
( )
3 −1
A−1 =
2
⎛ −2 1 ⎞
A−1 = ⎜ ⎟
⎜ 3 −1 ⎟
⎝ ⎠
2 2
Comprobando,
⎛ −2 1 ⎞
1 2 ⎟=( 1 0 )
( )⋅⎜
⎜
3 4 3 −1 ⎟ 0 1
⎝ ⎠
2 2
Sea AP ×Q definimos el espacio fila de A como el subespacio KQ /K generado por sus filas
leı́das como n-tuplas .
Ejemplo :
⎛ 1 2 ⎞
A3×2 = ⎜ 3 5 ⎟
⎝ 1 8 ⎠
El espacio fila de A equivale a lin(A) = {(1, 2), (3, 5), (1, 8)} ∈ R2 /R y es L.D.
La dimensión del espacio fila se denomina rango por filas .
38 Matrices
Ejemplo :
4 −5
Sea A = ( )
2 −3
0
⇒ y = 0 ∧ x = 0 ⇒ v⃗λ1 = ( )
0
Ejemplo :
x + y = 3
2x + 2y = 6
1 1 x 3
( )⋅( )=( )
2 2 y 6
1 1 e21 (−2) 1 1
( ) ↝ ( )
2 2 0 0
1 1 x 3
( )⋅( )=( )
0 0 y 6
⇒ x + y = 3, 0 = 6
1 1
det ( )=1⋅2−2⋅1=0
2 2
Definiendo r = rango y n = número de incógnitas. El rango por filas de una matriz corre-
sponde al número de filas L.I que contiene. Se determina escalonando la matriz y según
el número de filas L.I que se encuentren se dan los siguientes casos:
43
Ejemplo :
3x + y = 5
5x + 2y = 8
Como se señaló, si la solución es única se debe buscar un vector solución c⃗. Para
esto se puede obtener [I ∣ c⃗]. Es decir, se obtiene x = c1 , y = c2 , . . . , z = cn
1 0 2
( )
0 1 −1
x 2
( )=( )
y −1
Ejemplo :
x + 2y − 3z = 6
2x − y + 4z = 2
4x + 3y − 2z = 14
⎛ 1 2 −3 6 ⎞ e32 (−1) ⎛ 1 2 −3 6 ⎞
⎜ 0 −5 10 −10 ⎟ ↝ ⎜ 0 −5 10 −10 ⎟
⎝ 0 −5 10 −10 ⎠ ⎝ 0 0 0 0 ⎠
Ejemplo :
x + 2y = 6
2x + 4y = 2
1 2 6 e21 (−1) 1 2 6
( ) ↝ ( )
2 4 2 1 2 −4
1 2 x 6
⇒( )⋅( )=( ) ⇒ x + 2y = 6 ∧ x + 2y = −4 ⇒ C
1 2 y −4
4. En caso de que no ocurra lo señalado en el punto (3) entonces se tienen dos casos
posibles: r = n ∨ r < n
Para r = n existen soluciones particulares y una solución general.
Ejemplos :
45
x + y + z = 0
1.
2x + 3y − z = 4
⎛ x ⎞
⎛ x ⎞ ⎜ ⎟
La solución general será ⎜ y ⎟ = ⎜ 1 − 3x ⎟
⎝ z ⎠ ⎜ ⎟
4
⎝ −1 − x4 ⎠
x + 2y − 3z = 6
2. 2x − y + 4z = 2
4x + 3y − 2z = 14
⎛ 1 2 −3 6 ⎞
⎜ 0 −5 10 −10 ⎟
⎝ 0 0 0 0 ⎠
Las soluciones particulares son todos los valores que se admiten en la solución general.
Para el caso anterior una solución particular está dada por un valor de x que este definido
en las componentes (x, y, z).
⎛ 0 ⎞
El ejemplo anterior admite, entre otros valores, x = 0 tal que x⃗1 = ⎜ 1 ⎟ y x = 1 tal que
⎝ −1 ⎠
⎛ 1 ⎞
⎜ 1 ⎟
x⃗1 = ⎜ 4 ⎟
⎜ ⎟
⎝ −5 ⎠
4
Estos valores corresponden a soluciones particulares del sistema y existen tantas soluciones
como valores que no indefinan las ecuaciones dadas.
A ⋅ x⃗ = ⃗b
A−1 A ⋅ x⃗ = A−1⃗b
x⃗ = A−1⃗b
Ejemplo :
Obtener las soluciones para el sistema:
1 1 1
+ + = 10
x y z
2 3 4
− − = −22
x y z
3 2 1
+ − = −12
x y z
x′ + y′ + z′ = 10
2x′ − 3y ′ − 4z ′ = −22
3x′ + 2y ′ − z′ = −12
⎛ 1 1 1 10 ⎞ e21 (−5) ⎛ 1 1 1 10 ⎞ 1
e2 ( 14 )
⎜ 0 −5 −6 −42 ⎟ ↝ ⎜ 0 0 14 168 ⎟ ↝
⎝ 0 −1 −4 −42 ⎠ ⎝ 0 −1 −4 −42 ⎠
⎛ 1 0 0 4 ⎞ e23
⎛ 1 0 0 4 ⎞
⎜ 0 0 1 12 ⎟ ↝ ⎜ 0 1 0 −6 ⎟
⎝ 0 1 0 −6 ⎠ ⎝ 0 0 1 12 ⎠
1 −1 1
Entonces, x′ = 4, y ′ = −6, z ′ = 12 ⇒ x = , y = , z=
4 6 12
A ⋅ x⃗ = ⃗b
A−1 A ⋅ x⃗ = A−1⃗b
49
x⃗ = A−1⃗b
Bajo estas condiciones la solución x⃗ = A−1⃗b se determina a partir de la matriz A−1 tal que:
adj(A)
A−1 =
det(A)
T
⎛ A11 A12 A13 . . . A1n ⎞
⎜ A21 A22 A23 . . . A2n ⎟
⎜ ⎟
⎜ ⋮ ⋱ ⋮ ⎟
adj(A) ⎝ Am1 am2 Am3 . . . Amn ⎠
A−1 = =
det(A) det(A)
Se tiene que Aij = (−1)i+j ⋅ det(A′ ) siendo A′ la matriz resultante de aplicar el desarrollo
l.c j
de Laplace a la columna j. Es decir, A → aij ⋅ A′
En la matriz adjunta no se consideran los factores que ponderan a la matriz A′ .
Considerando la componente j-ésima de la ecuación anterior se obtiene:
⎛ b1 ⎞
⎜ b2 ⎟
⎜ ⎟
( Aj1 Aj2 Aj3 . . . Ajn )⋅⎜
⎜ b3 ⎟
⎟
⎜ ⋮ ⎟
⎜ ⎟
⎝ bn ⎠ Aj1 b1 + Aj2 b2 + Aj3 b3 + . . . + Ajn bn
x⃗j = =
det(A) det(A)
n
1
x⃗j = ∑ Ajn bn ⋅
1 det(A)
∆j
Entonces, x⃗j = con ∆j = det(A′′ ) siendo A′′ la matriz que se obtiene reemplazando la
∆
columna j por el vector ⃗b, es decir:
50 Sistemas de Ecuaciones Lineales
Ejemplo :
1 1 1
+ + = 5
x y z
2 3 4
− − = −11
x y z
3 2 1
+ − = −6
x y z
Como en el caso anterior se puede aplicar un cambio de variable para simplificar la res-
olución:
1 1 1
Sea = x′ , = y′, = z′
x y z
x′ + y′ + z′ = 5
2x′ − 3y ′ − 4z ′ = −11
3x′ + 2y ′ − z′ = −6
⎛ 5 1 1 ⎞
det ⎜ −11 −3 −4 ⎟
∆x ⎝ −6 2 −1 ⎠ 15 + 24 + (−22) − 18 − (−40) − 11 28
x′ = = = = =2
∆ ⎛ 1 1 1 ⎞ 3 + (−12) + 4 − (−9) − (−2) − (−8) 14
det ⎜ 2 −3 −4 ⎟
⎝ 3 2 −1 ⎠
1 1
⇒x= =
x′ 2
51
⎛ 1 5 1 ⎞
det ⎜ 2 −11 −4 ⎟
∆y ⎝ 3 −6 −1 ⎠ 15 + 24 + (−22) − 18 − (−40) − 11 −42
y′ = = = = = −3
∆ ⎛ 1 1 1 ⎞ 14 14
det ⎜ 2 −3 −4 ⎟
⎝ 3 2 −1 ⎠
1 −1
⇒y= =
y′ 3
⎛ 1 1 5 ⎞
det ⎜ 2 −3 −11 ⎟
∆y ⎝ 3 2 −6 ⎠ 18 + (−33) + 20 − (−45) − (−22) − (−12) 84
z′ = = = = =6
∆ ⎛ 1 1 1 ⎞ 14 14
det ⎜ 2 −3 −4 ⎟
⎝ 3 2 −1 ⎠
1 1
⇒z= =
z′ 6
Capı́tulo 4
4.1. Escalar
Se define escalar como toda maginitud que queda expresada cuando se conoce su mag-
nitud y la unidad de medición.
Ejemplos :
3. Tiempo: 5 segundos
5. Volumen: 4 m3
4.2. Vector
Se define vector como una magnitud que se define con tres propiedades que le son carac-
terı́sticas:
54 Escalares, Vectores y Espacios Vectoriales
2. Dirección: Recta que contiene al vector. En este caso el vector está contenido en la
4
recta de forma canónica y = x
3
3. Sentido: La orientación que toma el vector. En este caso es desde el punto (0,0)
hasta el punto (3,4) y se ubica en el cuadrante I). Por convenio se divide el plano
cartesiano en cuatro cuadrantes de la forma siguiente:
II) I)
III) IV)
55
Ejemplos :
Los vectores de la figura son todos de igual módulo pero su dirección y sentido no son
iguales. Por esto que es importante definir que un vector se define mediante estas tres
propiedades.
56 Escalares, Vectores y Espacios Vectoriales
Los vectores son n-dimensionales , es decir, están contenidos en planos en Kn (K puede ser
R ó C) pero por razones geométricas (no es posible graficar en más de tres dimensiones)
todo vector en el espacio está contenido en planos en R2 ó R3 .
Todo vector en Kn se denota a ⃗ = (a1 , a2 , . . . , an ) y también se puede denotar en forma de
matriz . Un vector de n-componentes , en este caso 3, se denota mediante una matriz fila
como se vió en el capı́tulo 2 tal que:
⃗ ∈ R3 = ( ax ay az )
a
Para esclarecer aún más sirve como ejemplo el caso de un alumna que llamaremos Trixi
. El desplazamiento de su casa, que queda en Diagonal Paraguay, desde un punto A a la
Ð→
facultad ubicada en un punto B es el vector AB que no es lo mismo que el desplazamiento
Ð→
opuesto BA. Ambas distancias tienen igual módulo, misma dirección pero sentido inverso.
Mediante graficos esto queda expresado claramente en los ejes (x, y) y (x, y, z). Existen
muchos más ejemplos como el de la velocidad de una piedra que cae con móudulo igual a
su rapidez, dirección vertical y sentido hacia el centro de la tierra.
Para el caso de un vector polinomio cabe señalar que el neutro no correponde al 0 sino al
p(x) = a + bx + cx2 + . . . + nxn
0(x), es decir: }
0(x) = 0 + 0x + 0x2 + . . . + 0xn
⃗) = (α(x, y)) → α⃗
(α, a a = α(x, y) = (αx, αy)
a ⊕ ⃗b) = α⃗
1. α(⃗ a ⊕ α⃗b
a ⊕ ⃗b) = α[(x, y) ⊕ (p, q)]
En efecto, α(⃗
a ⊕ ⃗b) = α(x + p, y + q)
α(⃗
a ⊕ ⃗b) = (α(x + p), α(y + q))
α(⃗
a ⊕ ⃗b) = (αx + αp), αy + αq)
α(⃗
a ⊕ ⃗b) = (αx, αy) ⊕ (αp, αq)
α(⃗
a ⊕ ⃗b) = α(x, y) ⊕ α(p, q)
α(⃗
a ⊕ ⃗b) = α⃗
α(⃗ a ⊕ α⃗b
2. (α + β)⃗
a = α⃗
a ⊕ β⃗
a
En efecto,
(α + β)⃗
a = (α + β)(x, y)
(α + β)⃗
a = ((α + β)x , (α + β)y)
(α + β)⃗
a = (αx + βx , αy + βy)
(α + β)⃗
a = (αx, αy) + (βx + βy)
(α + β)⃗
a = α⃗
a + β⃗
a
58 Escalares, Vectores y Espacios Vectoriales
a) = (αβ)⃗
3. α(β⃗ a
En efecto,
a) = α(β(x, y))
α(β⃗
a) = α[(βx, βy)]
α(β⃗
a) = (αβx, αβy)
α(β⃗
a) = αβ(x, y)
α(β⃗
⃗
a=a
4. 1⃗
En efecto,
a = 1(x, y)
1⃗
a = (1x, 1y)
1⃗
a = (x, y)
1⃗
⃗
a=a
1⃗
Las propiedades se han verificado con pares ordenados de números reales por lo que se
demuestra que R2 /R es un espacio vectorial.
Observación : Aquı́ solo se ha demostrado un caso particular. La demostración es válida
para R2 /R y no para cualquier espacio vectorial que puede ser R3 /R, Rn /R, etc.
4.4.2. Rn /R
n−veces
³¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ·¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ µ
Corresponde a: Rn /R = (R × R × R × . . . × R)
Todo vector en Rn /R se denota x⃗ = {(x1 , x2 , x3 , . . . , xn )/xj ∈ R ∀j = {1, 2, 3, . . . , n}}
La ponderación por escalar en este espacio es análoga al caso de pares ordenados, es decir:
p(x) = α ⋅ p⃗(x) = α(a0 + a1 x + a2 x2 + . . . + an xn )
α⃗
p(x) = αa0 + αa1 x + αa2 x2 + . . . + αan xn
α⃗
1. A es linealmente independiente
2. lin(A) = V/K
1. E es linealmente independiente.
En efecto, α(1, 0, 0) + β(0, 1, 0) + γ(0, 0, 1) = (0, 0, 0)
⇒ (α, 0, 0) + (0, β, 0) + (0, 0, γ) = (0, 0, 0)
⇒α=β=γ=0
2. E es generador de R3 /R
En efecto, sea (x, y, z) cualquier vector de R3 /R se cumple que:
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)
(x, y, z) = (x, 0, 0) + (0, y, 0) + (0, 0, z)
(x, y, z) = (x, y, z)
⇒ (x, y, z) ∈ lin(E) ∀(x, y, z) ∈ R3
Es decir, x⃗ se puede formar a partir de una combinación lineal de vectores del conjunto
al que pertenece.
El vector de coordenadas de x⃗ con respecto a la base A corresponde a la n-tupla:
⎡ α1 ⎤
⎢ ⎥
⎢ α2 ⎥
⎢ ⎥
⎢ ⎥
x]A = ⎢ α3 ⎥
[⃗
⎢ ⎥
⎢ ⋮ ⎥
⎢ ⎥
⎢ α ⎥
⎣ n ⎦
Ejemplo :
1. En R3 /R sea la base D = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} y el vector x⃗ = (2, 8, 5)
Se tiene que x⃗ = −6(1, 0, 0) + 3(1, 1, 0) + 5(1, 1, 1)
⎡ −6 ⎤
⎢ ⎥
⎢ ⎥
x]D = ⎢ 3 ⎥
Por lo tanto el vector de coordenadas corresponde a: [⃗
⎢ ⎥
⎢ 5 ⎥
⎣ ⎦
2. Determine base y dimension para W1 ∩ W2 si
W1 = {(x, y, z, w) ∈ R4 /x + y − w = 0}
W2 = {(x, y, z, w) ∈ R4 /x − w = 0}
a + b −d = 0
a −d 0
⇒a+b−d=0∧b=0
⇒a=d
u⃗ = (a, b, c, d) = (a, 0, c, a) = a(1, 0, 0, 1) + c(0, 0, 1, 0)
u⃗ es generado por {(1, 0, 0, 1), (0, 0, 1, 0)} que es linealmente independiente
∴ {(1, 0, 0, 1), (0, 0, 1, 0)} es base de dimensión (cardinalidad) 2 de W1 ∩ W2
Ð
→ Ð
→
1. Sea 0 (x) = 0 + 0x + 0x2 tenemos que 0 (x)∣x=1 = 0 + 0 ⋅ 1 + 0 ⋅ 12 = 0
Ð
→
⇒ 0 (x) ∈ W ⇒ W ≠ φ
Ð
→
p (x) = a + bx + cx2
2. Sean Ð → } ∈W⇒Ð →
p (1) + Ð→
q (1) = 0
q (x) = d + ex + f x2
ÐÐÐ→
Entonces, (p + q)(x) = Ð→p (x) + Ð→
q (x)
ÐÐÐ→ ÐÐÐ→
Por lo tanto (p + q)(1) = Ð→p (1) + Ð
→
q (1) = 0 + 0 = 0 ⇒ (p + q)(x) ∈ W
63
3. Sea Ð
→
p x = a + bx + cx2 ∈ W ⇒ p(1) = 0 y además α ∈ R
Entonces, (αÐ→p )(x) = α ⋅ Ð
→
p (x)
(αÐ
→
p )(1) = α ⋅ Ð
→
p (1) = α ⋅ 0 = 0
⇒ (α ⋅ Ð
→
p ∈ W)
∴W es un s.e.v
n
⃗ = ∑ αk x⃗k = 0⃗ ⇒ (α1 = α2 = α3 = . . . = αn = 0)
a
k=1
α = 3
5
2β =
2
5
⇒ α = 3, β =
4
∴ es combinación lineal de A
2. Demostrar que B = A − {⃗
aj } con (A, B) ⊆ V/K es un conjunto linealmente dependi-
ente.
⃗j ∈ V/K ⇒ a
En efecto, a ⃗j ∈ lin(B)
n
⃗j = ∑ αk x⃗k ⇒ a
a ⃗j = α1 a
⃗1 + α2 a
⃗2 + α3 a
⃗3 + . . . + αj−1 a
⃗j−1 + αj+1 a
⃗j+1 + . . . + αn a
⃗n
k=1,k≠j
0⃗ = α1 a
⃗ 1 + α2 a ⃗j−1 − a
⃗3 + . . . + αj−1 a
⃗ 2 + α3 a ⃗j a ⃗j+1 + . . . + αn⃗
⃗j + αj+1 a an
⃗ y ⃗b para obtener a
1. Dados a ⃗ + ⃗b se dibuja ⃗b a continuación de a
⃗.
los ejes en que está contenido, es decir es el valor que el vector tiene en un éje.
Ejemplo : a ⃗ = (3, 2) ⇒ a⃗∣x = 3 (componente x) y a ⃗∣y = 2 (componente y)
65
⃗ hasta el final de ⃗b es a
3. El vector que va desde el inicio de a ⃗ + ⃗b. Una consecuencia
importante de esto es que la suma de vectores no es conmutativa ya que invertir el
orden de la suma invierte el sentido del vector resultante.
y z
a
b'
a+b
a'
a a+b
b
y
x x b
En caso de tener dos o más vectores sumados se hace de la misma manera. Para el caso
del paralelogramo deberı́an sumarse los vectores de a pares para ası́ poder formar el
paralelogramo y no otra figura. En forma álgebraica la suma de n-vectores no presenta
diferencia con la suma de dos vectores. Es importante señalar que la suma de vectores
está definida solo cuando se aplica a vectores de igual número de componentes.
De otra forma, se pueden sumar vectores mediante la regla del triángulo que consiste
en copiar el vector que se suma a continuación de otro y el vector resultante va desde el
origen del primer vector hasta el final del vector sumado.
a+b
66 Escalares, Vectores y Espacios Vectoriales
Resta de Vectores
Como tal la resta de vectores no existe. La “resta” de vectores consiste en sumar el inverso
de un vector a otro.
⃗ + ⃗b = (2, 3)
1. a
⃗ − c⃗ = a
2. a ⃗ + (−⃗
c) = (4, 2) + [−(−1, 0)] = (4, 2) + (1, 0) = (5, 2)
⃗ + ⃗b + c⃗ + d⃗ + e⃗ = ([4 − 2 − 1 + 3 − 2], [2 + 1 + 0 − 8 − 7]) = (2, −12)
3. a
⃗ − ⃗b − c⃗ − d⃗ − e⃗ = ([−4 + 2 + 1 − 3 + 2], [−2 − 1 − 0 + 8 + 7]) = (−2, 12)
4. a
⃗ + ⃗b + d⃗ + c⃗ = ([4 − 2 + 3 − 1], [2 + 1 − 8 + 0]) = (4, −5)
5. a
1 3
1. c⃗ = (−2, 3, )
2 2
a − c⃗ + 10⃗b = (2, 4, 8) + (4, −6, −3) + (−20, 0, 10) = (−12, −2, 15)
2. 2⃗
Se cumple que:
67
a ⊕ ⃗b) = α⃗
1. α(⃗ a ⊕ α⃗b
2. (α + β)⃗
a = α⃗
a ⊕ β⃗
a
a) = (αβ)⃗
3. α(β⃗ a
⃗
a=a
4. 1⃗
1. A = (1, 2) ∧ B = (α, β, γ)
A × B = {(1, α), (1, β), (1, γ), (2, α), (2, β), (2, γ)}
2. B × A = {(α, 1), (α, 2), (β, 1), (β, 2), (γ, 1), (γ, 2)}
V → R+ ∪ {0}
⃗ → ∥⃗
a a∥
1. ∥⃗
a∥ ≥ 0
2. ∥⃗ ⃗=0
a∥ = 0 ⇔ a
3. ∥α⃗ ⃗
a∥ = ∣α∣ ⋅ a
a + ⃗b∥ ≤ ∥⃗
4. ∥⃗ a∥ + ∥⃗b∥ (desigualdad triangular)
4.9.5. Normas en Rn /R
La norma de un vector se clasifica arbitrariamente asignando números:
1. Norma 1
n
∥⃗
a∥1 = ∥(a1 , a2 , a3 , . . . , an )∥1 = ∑ aj
k=1
2. Norma 2 (ó Norma Euclı́dea , esta es la que se usa comúnmente a menos que se
indique otra cosa)
n 1/2
√
∥⃗
a∥2 = [ ∑ ∣aj ∣ ]
2
= ∣a1 ∣2 + ∣a2 ∣2 + ∣a1 ∣3 + . . . + an ∣2
k=1
3. Norma 3
n 1/3
√
∥⃗
a∥3 = [ ∑ ∣aj ∣ ]
3
= 3
∣a1 ∣3 + ∣a2 ∣3 + ∣a1 ∣3 + . . . + an ∣3
k=1
69
∥⃗
a∥∞ = sup{∣ak ∣}nk=1
Ejemplo :
∥(2, 8, 3, 0)∥∞ = 8
En efecto,
√
lı́m n
∣2∣n + ∣ − 8∣n + ∣3∣n
n→∞
¿
Á ∣2∣n + ∣ − 8∣n + ∣3∣n
lı́m Á
À
n
⋅ ∣ − 8∣n
n→∞ ∣ − 8∣n
¿
Á 1 n 3 n
Á
∣ − 8∣ ⋅ lı́m Á ∣ ∣ +∣1∣ + ∣ ∣
n
n→∞ ÁÀ
n
−4 −8
² ²
≈0 ≈0
√
∣ − 8∣ ⋅ lı́m n
∣1∣n = 8
n→∞
<a ⃗, ⃗b >
a, ⃗b) =
cos∠(⃗
a∥ ⋅ ∥⃗b∥
∥⃗
Ejemplo en R2
70 Escalares, Vectores y Espacios Vectoriales
1. Asociatividad: Si aparece una suma junto con el producto punto se puede asociar
respecto de la suma.
71
b) Para el caso de matrices (siempre y cuando las operaciones estén bien definidas):
< A + B, C >= tr(C T A) + tr(C T B)
b) Para el caso de matrices (siempre y cuando las operaciones estén bien definidas):
α < A, B >= α ⋅ tr(B T A)
b) Para el caso de matrices (siempre y cuando las operaciones estén bien definidas):
< A, B >=< B, A >
tr(B T A) = tr(AT B)
Ejemplo :
Demostrar que en M2×2 < A, A >= tr(AT A) es producto punto
Se debe demostrar que se cumplen las propiedades mencionadas
1. PD < A, A > ≥ 0
a11 a12 a a
Como < A, A >= ⟨( ) , ( 11 12 )⟩
a21 a22 a21 a22
a11 a12 a a
⟨( ) , ( 11 12 )⟩ = tr(AT A)
a21 a22 a21 a22
Luego,
⎛ a211 + a221 a11 a12 + a21 a22 ⎞
tr(AT A) = tr ⎜ ⎟ = a211 + a212 + a221 + a222
⎝ a11 a12 + a21 a22 a212 + a222 ⎠
2. Conmutatividad
PD < A, A >=< A, A >
3. Distributividad
PD α < A, A >=< αA, A >=< A, αA >
a11 a12 a a
b) < αA, A >= tr [α ( ) ( 11 12 )]
a21 a22 a21 a22
⎡ a211 + a221 a11 a12 + a21 a22 ⎞⎤⎥
⎢ ⎛
⎢ ⎥
< αA, A >= tr ⎢α ⎜ ⎟⎥
⎢ ⎝ ⎠⎥⎥
⎢ a11 a12 + a21 a22 a212 + a222
⎣ ⎦
⎡ a211 + a221 a11 a12 + a21 a22 ⎞⎤⎥
⎢⎛
⎢ ⎥
< αA, A >= α ⋅ tr ⎢⎜ ⎟⎥
⎢⎝ ⎠⎥⎥
⎢ a11 a12 + a21 a22 a212 + a222
⎣ ⎦
74 Escalares, Vectores y Espacios Vectoriales
a11 a12 a a
c) < A, αA >= tr [( ) ⋅ α ( 11 12 )]
a21 a22 a21 a22
⎡ a211 + a221 a11 a12 + a21 a22 ⎞⎤⎥
⎢ ⎛
⎢ ⎥
< A, αA >= tr ⎢α ⎜ ⎟⎥
⎢ ⎝ ⎠⎥⎥
⎢ a11 a12 + a21 a22 a212 + a222
⎣ ⎦
⎡ a211 + a221 a11 a12 + a21 a22 ⎞⎤⎥
⎢⎛
⎢ ⎥
< A, α ⋅ A >= αtr ⎢⎜ ⎟⎥
⎢⎝ ⎠⎥⎥
⎢ a11 a12 + a21 a22 a212 + a222
⎣ ⎦
Se cumple que 1) = 2) = 3)
4. Asociatividad
PD < A + B, C >=< A, C > + < B, C >
R3 × R3 → R3
a, ⃗b) → a
(⃗ ⃗ × ⃗b ∈ R3 ∀ (⃗
a, ⃗b) ∈ R3
a × ⃗b∥ = ∥⃗
2. La forma operacional es: ∥⃗ a∥ ⋅ ∥⃗b∥ ⋅ sen(α)
⃗ × ⃗b, a
3. Se cumple que < a ⃗ × ⃗b, ⃗b >= 0⃗ dada la condición de ortogonalidad
⃗ >=< a
4. Para calcular producto cruz mediante determinantrs (ası́ no se consideran las nor-
mas como en el caso anterior) se toman los vectores de la base canónica R3 :
a, ⃗b) ∈ R3 . Con esto
î = (1, 0, 0) ĵ = (0, 1, 0) k̂ = (0, 0, 1) y dados los vectores (⃗
se define a ⃗ × ⃗b:
⎛ î ĵ k̂ ⎞
⃗ × ⃗b = det ⎜ ax ay az ⎟
a
⎝ bx by bz ⎠
√ √
a = (5, 0, 2), ⃗b = (2, 1, 2)] ∈ R3 entonces,
Dados dos vectores [⃗
RRR RRR
RR î ĵ √k̂ RRR √ √
⃗ × ⃗b = RRRR
a 5 0 2 RRR = î(− 2) − ĵ(3 2) + k̂(5)
RRR √ RRR
RRR 2 1 2 RRR
RRR RRR
RRR î√ ĵ k̂ RRR √ √
⃗b × a R
⃗ = RR 2 1 2 RRR = î( 2) − ĵ(−3 2) + k̂(−5)
RRR √ RRR
RRR 5 0 2 RRR
Capı́tulo 5
Transformaciones Lineales
f ∶ U/K → B/K
x⃗ → f (⃗
x) ∈ V ∀⃗
x∈U
1. f (α⃗
x) = αf (⃗
x) ∀⃗
x ∈ U, α ∈ K
x + y⃗) = f (⃗
2. f (⃗ x) + f (⃗ x, y⃗ ∈ U, α ∈ K
y ) ∀⃗
Notar que, si f es lineal entonces f (0⃗U ) = ⃗0V . Con esto, se tiene que f (⃗0) = 0,
⃗ cabe
preguntarse: ¿Existen otros vectores cuya imagen sea ⃗0V ?
Efectivamente existen, se tiene que se da el caso en que ∃⃗ x ≠ 0⃗U /f (⃗
x) = 0⃗V excepto
para transformaciones lineales inyectivas (recordar que una función inyectiva cumple
la condición de que cada elemento del recorrido es generado por un único elemento del
dominio de la misma función.)
Ejemplos :
1. f ∶ R2 /R → R/R
78 Transformaciones Lineales
En efecto,
En efecto,
n
a) G[A + B] = ∑(ajj + bjj )
j=1
n n
G[A + B] = ∑ ajj + ∑ bjj
j=1 j=1
G(αA) = α ⋅ tr(A)
G(αA) = αG(A)
ker(f ) = {⃗ x) = ⃗0V }
x ∈ U/f (⃗
3. Sea x⃗ ∈ ker(f )
⇒ f (⃗x) = ⃗0V
x) = α0⃗V
⇒ αf (⃗
x) = 0⃗V
⇒ f (α⃗
⇒ α⃗
x ∈ ker(f )
im(f ) = {⃗
y ∈ V/∃⃗ x) = y⃗}
x ∈ U, f (⃗
1. f (0⃗ x) = 0⃗ ⇒ ⃗0 ⊆ V ⇒ im(f ) ≠ φ
x) = 0 ⋅ f (⃗
80 Transformaciones Lineales
2. Si (α⃗y1 , β y⃗2 ) ∈ im(f ) y además (α, β) ∈ K entonces, existen x⃗1 + x⃗2 ∈ U tales que
αf (⃗
x1 ) = α⃗ x2 ) = β y⃗2 . De esta forma se tiene que:
y1 ∧ βf (⃗
y1 + β y⃗2 = f (α⃗
α⃗ x1 + β x⃗2 ) ⇒ α⃗
y1 + β y⃗2 = f (α⃗
x1 ) + f (β x⃗2 )
Demostración :
Dada una transformación lineal f cualquiera, supongamos los conjuntos
A = {⃗ ⃗2 , a
a1 , a ⃗3 , . . . , a
⃗v } base de ker(f )
{
B = {⃗ ⃗2 , a
a1 , a ⃗3 , . . . , a
⃗v , a
⃗v+1 , . . . , a
⃗n } base de U
u⃗ = α1 ⋅ a
⃗ 1 + α2 ⋅ a
⃗ 2 + α3 ⋅ a
⃗3 + . . . + αv ⋅ a
⃗v + αv+1 ⋅ a
⃗v+1 + . . . + αn ⋅ a
⃗n
v⃗ = f (⃗
u) = α1 ⋅ f (⃗
a1 ) + α2 ⋅ f (⃗
a2 ) + α3 ⋅ f (⃗
a3 ) + . . . + αv ⋅ f (⃗
av ) + αv+1 ⋅ f (⃗
av+1 ) + . . . + αn ⋅ f (⃗
an )
Ya que {⃗ ⃗2 , a
a1 , a ⃗3 , . . . , a
⃗v } es base de ker(f ) se tiene que
f (⃗
u1 ) = f (⃗
u2 ) = f (⃗ u3 ) = . . . = f (⃗
uv ) = 0
De acuerdo al último párrafo v⃗ se reduce a
v⃗ = f (⃗
u) = αv+1 ⋅ f (⃗
av+1 ) + . . . + αn ⋅ f (⃗
an )
81
⃗n ) = 0⃗V
⃗v+1 + . . . + αn ⋅ a
f (αv+1 ⋅ a
⃗v+1 + . . . + αn ⋅ a
⇒ (αv+1 ⋅ a ⃗n ) ∈ ker(f )
⃗v+1 + . . . + αn ⋅ a
Debido a que el vector (αv+1 ⋅ a ⃗n ) ∈ ker(f ) existirán escalares no nulos tales
que
⃗v+1 + . . . + αn ⋅ a
αv+1 ⋅ a ⃗n = λ1 ⋅ a
⃗1 + λ2 ⋅ a
⃗2 + λ3 ⋅ a
⃗3 + . . . + λv ⋅ a
⃗v
⃗v+1 + . . . + αn ⋅ a
αv+1 ⋅ a ⃗ n − λ1 ⋅ a
⃗ 1 − λ2 ⋅ a
⃗2 − λ3 ⋅ a ⃗v = 0⃗V
⃗ 3 − . . . − λv ⋅ a
⃗1 , a
De las condiciones iniciales, a partir de B se tiene que a ⃗2 , a
⃗3 , . . . , a
⃗v , a
⃗v+1 , . . . , a
⃗n es
linealmente independiente y por lo tanto se cumple que
αv+1 = . . . = αn = 0
dim(U) = v + (n − v) = n
dim(U) = dim[ker(f )] + dim[im(f )]
⇒ α1 = α2 = . . . = αn
∴ A es L.I
Ð
→
1. ker(f ) = 0U
2. f (⃗
x) = f (⃗
y)
Ð
→ Ð
→
De la condición 2. se obtiene: f (⃗
x) − f (⃗ x − y⃗) = 0V
y ) = 0V ⇒ f (⃗
ÐÐÐÐ→
Es decir, (x − y) ∈ ker(f )
ÐÐÐÐ→ Ð →
De la condición 1. se tiene que (x − y) = 0U . Por lo tanto, x⃗ = y⃗
x) = 0⃗V
2. f (⃗
Sea f ∶ U/K → V/K una transformación lineal . Será biyectiva a partir de la condición:
[f (⃗
u1 = f (⃗ u1 = u⃗2 ]
u2 ) ⇒ [⃗
x) = 0⃗V
Sea x⃗ ∈ ker(f ), entonces para obtener ker(f ) se tiene f (⃗
Se sabe además que f (0U ) = 0V a partir de lo cual se tiene x⃗ = 0⃗U
⃗ ⃗
⇒ f (⃗
x) − f (⃗y ) = ⃗0V
x − y⃗) = 0⃗V
⇒ f (⃗
x − y⃗) ∈ ker(f )
⇒ (⃗
x − y⃗) = ⃗0U (a partir de la hipótesis ker(f ) = 0⃗U )
⇒ (⃗
⇒ x⃗ = y⃗
⇒ f es inyectiva
∴ f es una transformación lineal inyectiva ⇔ ker(f ) = {0⃗U }
Sea f ∶ U/K → V/K una transformación lineal . Será biyectiva a partir de dos condiciones:
que sea inyectiva y sobreyectiva.
La dimensión de la transformación lineal se puede separar de la siguiente forma:
dim(U) = dim(V)
84 Transformaciones Lineales
Ejemplo
a − c a + 2c
f (a + bx + cx2 ) = ( )
2a 3c − 2a
1 1 −1 2
{( ),( )}
2 −3 0 3
∴ dim[im(f )] = 2
1 1 1 0 1 1 1 1 1 1
f (1) = ( )=0⋅( )−1⋅( )+5⋅( )−3⋅( )
2 −3 0 0 0 0 1 0 1 1
1 1 1 0 1 1 1 1 1 1
f (1 + 2x) = ( )=0⋅( )−1⋅( )+5⋅( )−3⋅( )
2 −3 0 0 0 0 1 0 1 1
−1 2 1 0 1 1 1 1 1 1
f (x2 ) = ( ) = −3 ⋅ ( )+2⋅( )−3⋅( )+3⋅( )
0 3 0 0 0 0 1 0 1 1
1. Suma
Sean f ∶ U/K → V/K y g ∶ U/K → V/K transformaciones lineales .
Entonces, f + g ∶ U/K → V/K tal que (f + g)(⃗
x) = f (⃗
x) + f (⃗
x) es lineal.
Se cumple que [f + g]A,B = [f ]A,B + [g]A,B
87
3. Composición
Sean f ∶ U/K → V/K y g ∶ U/K → V/K transformaciones lineales .
Entonces, g(f ) ∶ U/K → V/K tal que (g ○ f )(⃗
x) = g(f (⃗
x)) es lineal.
Se cumple que [g ○ f ]A,C = [g]B,C + [f ]A,B . Es importante señalar que las matrices
representantes de este caso van en conjuntos distintos entre si.
Denotar la transformación lineal [f ]A,B como [I]A,E [f ]A,B [I]E,E es incorrecto y cabe
señalar que [I]E,E y [I]A,E corresponden a matrices de cambio de base
Observación :
En una matriz representante de vectores propios, los valores propios correspondientes se
ubican en la diagonal. Es decir la suma de los valores propios es igual a la traza de la
matriz representante y el producto de los valores propios es igual al determinante de la
matriz representante.
f (⃗ ⃗1 + 0 + . . . + 0
a1 ) = λ1 a
f (⃗ ⃗1 + . . . + 0
a2 ) = 0 + λ1 a
⋮
f (⃗ ⃗n
an ) = 0 + 0 + . . . + λn a
Ejemplo :
Sea f ∶ R1 [x]/R → M2×2 (R)
a b
p(x) = a + bx → ( )
a−b a+b
1 0 1 0 0 1 0 0 0 0
f (1) = ( )=1⋅( )+0⋅( )+1⋅( )+1⋅( )
1 1 0 0 0 0 1 0 0 1
0 1 1 0 0 1 0 0 0 0
f (x) = ( )=0⋅( )+1⋅( )−1⋅( )+1⋅( )
−1 1 0 0 0 0 1 0 0 1
⎛ 1 0 ⎞ ⎛ 1 0 ⎞ ⎛ 5 ⎞
⎜ 0 1 ⎟ ⎜ 0 1 ⎟ 5 ⎜ −3 ⎟ 5 −3
[f (5 − 3x)] = ⎜ ⎟ ⋅ (5 − 3x) = ⎜ ⎟⋅( )=⎜ ⎟ ⇒ p(5 − 3x) = ( )
⎜ 1 −1 ⎟ ⎜ 1 −1 ⎟ −3 ⎜ 8 ⎟ 8 2
⎝ 1 1 ⎠ ⎝ 1 1 ⎠ ⎝ 2 ⎠
I ∶ Kn /K → Kn /K
[⃗
x]A → [⃗
x]B
Con respecto a distintas bases, para las matrices representantes de f ∶ U/K → V/K se
tiene la siguiente relación:
A3 = A2 ⋅ A = (P −1 D2 P) ⋅ (P −1 DP) = P −1 D3 P
⋮
An = P −1 Dn P
Formas Bilineales
f ∶V×V→K
x, y⃗) → f (⃗
(⃗ x, y⃗)
x1 + x⃗2 , y⃗) = f (⃗
1. f (⃗ x1 , y⃗) + f (⃗
x2 , y⃗)
x, y⃗) = α ⋅ f (⃗
2. f (α⃗ x, y⃗)
x, y⃗1 + y⃗2 ) = f (⃗
3. f (⃗ x, y⃗1 ) + f (⃗
x, y⃗2 )
x, β y⃗) = β ⋅ f (⃗
4. f (⃗ x, y⃗)
x, y⃗) = [⃗
f (⃗ x]TA G[⃗
y ]A
En esta relación [⃗
x], [⃗
y ] son los vectores de coordenadas con respecto a la base a la que
está referida G
Ejemplo :
f [(x, y)(α, β)] = 3xα − 2xβ + 5yα
f = P T GP
x, y⃗) = f (⃗
1. Simétrica: Si f (⃗ y , x⃗)
x, y⃗) = −f (⃗
2. Antisimétrica: Si f (⃗ y , x⃗)
Ejemplo :
f ∶ R2 × R2 → R
f [(x, y), (α, β)] = 5xα + 8xβ + 8yα + 20yβ
Corresponde a una forma bilineal simétrica ya que los coeficientes cruzados son iguales.
Importante : Toda forma bilineal se puede expresar como la suma de uan forma bilineal
simétrica con una forma bilineal antisimétrica.
w∶U→K
x⃗ → w(⃗ x, x⃗)
x) = f (⃗
es una forma cuadrática
Se tien además que x⃗ → w(⃗ x, x⃗) es forma cuadrática si y sólo si:
x) = f (⃗
x) = α2 ⋅ w(⃗
1. w(α⃗ x) ∀ α ∈ K
98 Formas Bilineales
2. f ∶ U × U → K
1
x, y⃗) → f (⃗
(⃗ x, y⃗) = [w(⃗
x + y⃗) − w(⃗
x) − w(⃗
y )] es bilineal simétrica
2
Capı́tulo 7
Referencias
2. Álgebra Lineal Teorı́a y Ejercicios, Seymour Lipschutz, Editorial McGraw Hill, 1995.