Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Lineal
CIBA 094-14
Pilar Johnson
Pilar Johnson Aburto
1. Matrices 5
1.1. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2. Inversión de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3. Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4. Matriz Escalonada Reducida por Fila . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5. Sistema de Ecuaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.1. Ejercicios de Pruebas Anteriores . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2. Espacios Vectoriales 29
2.1. Sub-espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2. Combinaciones Lineales y Dependecia Lineal . . . . . . . . . . . . . . . . . . . . . . . 33
2.3. Espacios Generados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4. Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5. Dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.6. Suma e Intersección de Espacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.7. Suma Directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.8. Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.9. Producto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.10. Ortogonalidad y Ortonormalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.11. Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.11.1. Ejercicios de Pruebas Anteriores . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3. Transformaciones Lineales 57
3.1. Kernel o Núcleo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.2. Imagen o recorrido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3. Transformaciones Lineales Biyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4. Algebra de Transformaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.5. Transformación lineal Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.6. Matriz Asociada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.7. Matriz Cambio de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.8. Diagonalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.8.1. Ejercicios de Pruebas Anteriores . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3
Pilar Johnson Aburto ÍNDICE GENERAL
Matrices
En este capı́tulo se introducirá el concepto de las matrices con sus operaciones y propiedades.
También estudiaremos el determinante y para terminar veremos resoluciones de sistemas de ecuaciones
lineales mediante matrices con la reducción de Gauss.
Definición 1. Una matriz de orden m×n con coeficientes reales, es un arreglo rectangular de números
reales, de m filas y n columnas, es decir:
a11 a12 ... a1n
a21 a22 ... a2n
A= .
. .. ..
. . .
am1 am2 ... amn
donde aij es un coeficiente que conforma la matriz , situado en la fila i y en la columna j.
Observación 1. Las matrices las denotaremos con letras mayúsculas de la forma A, B, C, ..., o indi-
cando su orden, es decir Am×n , o A = (aij ).
Ejemplo 1.
El coeficiente a32 denota el elemento situado en la fila 3 y en la columna 2 de la siguiente matriz A3×4 ,
es decir:
. . . .
A3×4 = . . . .
. a32 . .
Observación 2.
Definición 2. Dos matrices Am×n = (aij ) y Bp×q = (bij ) se dice que son iguales si y sólo si: m = p,
n = q y aij = bij con i = 1, ..., m, j = 1, ..., n.
5
CAPÍTULO 1. MATRICES
Pilar Johnson Aburto
Ejemplo 2.
1 3
1 3
1) 2 −1 6= Fijarse que las matrices son de distintos ordenes, la primera matriz
2 −1
0 0
es de orden 3 × 2 y la segunda es de orden 2 × 2.
1 −1 0 0 −1 0
2) 6= Fijarse que el coeficiente a11 en cada matriz de orden 2 × 3
2 3 4 2 3 4
son distintos (1 6= 0).
Ejercicio 1.
a2 − a + 1 b
3 2a
Determine a y b en R de modo que las matrices , sean iguales.
a + 2b 1 6 1
.
Ejemplo 3.
2 3 4 3 −3 −4
Sean A = yB= ∈ M2×3 (R) entonces la suma está definida de la
−1 7 1 −1 0 −7
siguiente forma:
2+3 3−3 4−4 5 0 0
A+B = =
−1 − 1 7 + 0 1 − 7 −2 7 −6
Definición 4. Sean α ∈ R y A ∈ Mm×n (R), entonces:
αA = Aα = (αaij )
Definición 5.
Se llama Matriz Nula a la matriz 0 ∈ Mm×n (R) cuyas filas y columnas son nulas de la siguiente
forma:
0 0 ... 0
0 0 ... 0
0m×n = . .
..
.. ..
.
0 0 ... 0
1) (A + B) + C = A + (B + C)
2) A + B = B + A
5) α(A + B) = αA + αB
6) (α + β)A = αA + βA
Observación 3.
1) El conjunto Mm×n (R) con las operación de la adición cumple con las propiedades de ser un
Grupo Conmutativo y con las operaciones de adición y multiplicación por escalar cumple ser un
espacio vectorial.
2) Se llama Matriz inversa aditiva de A = (aij ) ∈ Mm×n (R)a la matriz −A ∈ Mm×n (R), donde
−A = (−aij ).
Definición 6. Sean Am×n = (aij ) y Bn×q = (bij ) definimos el producto de A y B como la matriz:
n
X
A · B = (cij )m×q donde cij = aik bkj
k=1
Ejemplo 5.
1 7 0 1 0
1) Sean A = 0 2 3 ∈ M3×3 y B = 1 −5 ∈ M3×2 entonces:
0 1 1 1 0
1 7 0 1 0 1 · 1 + 7 · 1 + 0 · 1 1 · 0 + 7 · (−5) + 0 · 0 8 −35
A·B = 0 2 3 1 −5 = 0 · 1 + 2 · 1 + 3 · 1 0 · 0 + 2 · (−5) + 1 · 0 = 5 −10
0 1 1 1 0 0 · 1 + 1 · 1 + 1 · 1 0 · 0 + 1 · (−5) + 1 · 0 2 −5
1 0 1 7 0
Observar que B · A = 1 −5 · 0 2 3 no se puede llevar a cabo la multiplicación, ya
1 0 0 1 1
que no coincide la cantidad de columnas de la B y la cantidad de filas de la A.
1 −3 1 √10
2) Sean A = yB= . Calcular AB y BA.
2 1 1 2
Desarrollo:
√
1 −3 1 √10 −2 10 − 3√2
AB = =
2 1 1 2
3 20 + 2
1 √10 1 −3 21
√ √7
BA = =
1 2 2 1 1 + 2 2 −3 + 2
1 7 3 1 2 0 8 1
3) Dadas las matrices: A = ,B= yC= .
−1 5 4 0 −4 −1 1/2 0
Determinar la matriz X tal que 2A + X − BC = 02×3
Desarrollo:
2A + X − BC = 0 \ −2A
−2A + 2A + X − BC = 0 − 2A
X − BC = −2A \ +BC
X − BC + BC = BC − 2A
X = BC − 2A
Luego:
1 7 3 2 14 6
2A = 2 =
−1 5 4 −2 10 8
1 2 0 8 1 −2 9 1
BC = =
0 −4 −1 1/2 0 4 −2 0
Ası́:
2 14 6 −2 9 1
X= −
−2 10 8 4 −2 0
4 −5 −5
Por lo tanto X =
−6 12 8
Ejercicio 2.
2 3 4 0 −1 1
1) Sean A = ,B= . Determinar la matriz X tal que A + 2X = 3B.
1 −1 0 2 3 4
Observación 4. Dos matrices A y B conmutan si y sólo si AB = BA. Por lo general las matrices
no son conmutativas, pero existen algunas que si lo son.
Ejemplo 6.
1 2
Obtenga todas las matrices en M2 (R) que conmutan con
0 2
Desarrollo:
x y 1 2 1 2 x y x 2x + 2y x + 2z y + 2w
= ⇔ =
z w 0 2 0 2 z w z 2z + 2w 2z 2w
Es decir:
x = x + 2z
2x + 2y = y + 2w
z = 2z
2z + 2w = 2w
Resolviendo se obtiene que
y = 2w − 2x ∧ z=0
Ası́:
x y x 2w − 2x 1 −2 0 2
= =x +w
z w 0 w 0 0 0 1
Por lo tanto:
1 2 1 −2 0 2
Conm = x +w : x, w ∈ R
0 2 0 0 0 1
1 2
Denotamos el conjunto anterior como Conm ya que es el conjunto de todas las matrices
0 2
1 2
que conmutan con la matriz
0 2
Definición 7. Se llama Matriz Identidad a la matriz In ∈ Mn (R) la cual se caracteriza por su diagonal
de 1 y el resto de coeficientes cero, es decir:
1 0 ... 0
0 1 ... 0
In = .
.. .
.. . ..
0 0 ... 1
Proposición 2. Sean A, B, C matrices y suponiendo que cada suma y producto indicado existe, en-
tonces:
1) A(BC) = (AB)C
2) (A + B)C = AC + BC
3) A(B + C) = AB + AC
4) Sea A ∈ Mm×n (R) entonces existe In ∈ Mn (R) y Im ∈ Mm (R) tal que Im A = AIn = A
Definición 8. Si A es una matriz cuadrada de orden n. Se define, por recurrencia, la potencia de
una matriz como:
1) A0 = In
2) Ak+1 = Ak A con k ∈ N
Ejemplo 7.
0 −2 3
1) Sea A = 0 0 7 . Calcular A3 .
0 0 0
Desarrollo:
0 −2 3 0 −2 3 0 −2 3 0 0 15 0 −2 3 0 0 0
A3 = 0 0 7 0 0 7 0 0 7 = 0 0 0 0 0 7 = 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 2
2) Dada la matriz A = y el polinomio p(x) = x3 + 3x + 1. Calcular p(A).
0 −1
Desarrollo:
p(A) = A3 + 3A + 1A0
3
1 2 1 2 1 0
= +3 +1
0 −1 0 −1 0 1
1 2 3 6 1 0
= + +
0 −1 0 −3 0 1
5 8
=
0 −3
Ejercicio 3.
1) Dadas las matrices A, B ∈ M2 (R)
1 2 1 5
A= ;B =
1 4 2 0
Calcular:
a) A + 2B
b) A2
c) (AB)2
1 1
2) Determine el conjunto de todas las matrices que conmuten con A =
0 0
2 1 3 0 −2 −5
3) Sean A = ,B= yC= y p(x) = (x − 3)(x − 1)
1 2 1 a 3 6
a) Calcular AC 2 A
b) Determinar el valor de a tal que p(B) = 0.
4) Decida si las siguientes proposiciones son verdaderas o falsas. Si son falsas dar un contraejemplo:
2) Una matriz se dice regular (o invertible o no singular) si y sólo si existe inversa de ella .
3) Denotamos fij (k) a la multiplicación de la fila j por k y sumarsela con la fila i con i 6= j.
Esto nos da un método para hallar la inversa de una matriz (si existe).
Ejemplo 8.
1 2 6
Hallar, si existe, la inversa de 1 0 1
0 1 2
Desarrollo:
1 2 6 1 0 0 1 0 1 0 1 0 1 0 1 0 1 0
f12 f23
1 0 1 0 1 0 − −→ 1 2 6 1 0 0 −−→ 0 1 2 0 0 1
0 1 2 0 0 1 0 1 2 0 0 1 1 2 6 1 0 0
1 0 1 0 1 0 1 0 1 0 1 0
f31 (−1) f32 (−2)
−−−−−→ 0 1 2 0 0 1 −−−−−→ 0 1 2 0 0 1
0 2 5 1 −1 0 0 0 1 1 −1 −2
1 0 1 0 1 0 1 0 0 −1 2 2
f23 (−2) f13 (−1)
−−−−−→ 0 1 0 −2 2 5 −−−−−→ 0 1 0 −2 2 5
0 0 1 1 −1 −2 0 0 1 1 −1 −2
Fijarse que la matriz del lado derecho es la matriz inversa multiplicativa, es decir:
−1 2 2 1 2 6
A−1 = −2 2 5 es la matriz inversa de la matriz A = 1 0 1
1 −1 −2 0 1 2
la cual cumple la propiedad A · A−1 = I3 .
Ejercicio 4.
3 −1 2
1) Sea A = 2 1 1 . Determinar A−1 .
1 −3 0
2) Sea A ∈ Mn (R) tal que cumple la siguiente ecuación I = 5A3 − 3A2 + 2A. Determine A−1 .
Definición 12. Una matriz elemental (M.E.) de orden n es la matriz identidad In luego de efectuarle
una operación elemental fila y la anotaremos del siguiente modo:
Definición 13. Sean A, B matrices en Mm×n (R). Se dice que A es equivalente por fila a B si y sólo
F
si se obtiene por un número finito de operaciones elementales filas. En tal caso se denota por A −
→B
f
Teorema 4. Sea A ∈ Mn (R). Si A es equivalente por fila a la identidad, A −
→ In , entonces A es
producto de matrices elementales.
Ejemplo 10.
Del ejemplo anterior si multiplicamos la matriz A con las matrices elementales filas en el mismo orden
del cual hicimos las operaciones elementales filas obtenemos:
Observación 8. De manera análoga a como se definieron conceptos relativos a las filas de una matriz,
se definen conceptos relativos a sus columnas. Ası́ tenemos:
4) Por cada matriz elemental columna C, hay asociada una operación elemental columna c y se
tiene que:
Ejercicio 5.
1 −1 1
1) Sea A = −2 1 1 . Usando operaciones elementales:
1 −1 2
a) Determinar A−1
b) Exprese A−1 como producto de matrices elementales.
1.3. Determinante
Definición 14. Sea A = (aij ) ∈ Mn (R), definimos el determinante de A, por recurrencia, como
número obtenido del siguiente modo:
1) Si n = 1, es decir, A = (a) entonces |A| = a
2) Si n > 1, entonces:
a11 a12 ... a1n
n
a a22 ... a2n X
|A| = 21 =
(−1)1+j a1j |A1j |
j=1
an1 an2 ... ann
Ejemplo 11.
1 2
1)
= 1 · 4 − 2 · 3 = −2
3 4
1 1 2
(1+1)
2 −1 (1+2)
0 −1 (1+3)
0 2
2) 0
2 −1 = (−1)
· 1
+ (−1) · 1 + (−1) · 2
1 −2 −2 3 1 3 1 −2
3
= 1(6 + 2) − 1(0 + 1) + 2(0 − 2) = 3
Observar que el teorema anterior nos da la facilidad de tomar el cálculo del determinante por
cualquier fila o columna.
Ejemplo 12.
2 2 3 0
1 0 5 −1 . Hallar |A|.
Sea A = −7 1 2 2
2 0 1 −1
Utilizando lo anterior
elijamos la columna que contiene más ceros:
1 5 −1 2 3 0 2 3 0
1+2
2+2
3+2
|A| = (−1) · 2 −7 2
2 + (−1)
· 0 −7 2
2 (−1)
· 1 1 5 −1 + (−1)4+2 ·
2 1 −1 2 1 −1 2 1 −1
2 3 0
0 1 5 −1
−7 2 2
= −2(−8) − 1(−11) = 27
Ejercicio 6.
1) Sean A y B ∈ M3 (R)
1 0 2 1 0 0
A = 0 1 3 , B = 1 −2 3
−1 2 4 4 2 0
a) Calcular el valor de |AB| , 3 |A| , |−2B| , A5 y At A
b) Calcule |A| + |B| , |A + B| . ¿Qué se puede deducir de lo anterior?
3) Calcular el valor del determinante de las siguientes matrices, desarrollando por una fila o co-
lumna
2 0 0 0 3 −1 2 1
0 0 3 0 4 3 1 −2
A= 0 −1 0 0 , B = −1 0
2 3
0 0 0 4 6 2 5 2
Observación 9.
4) Sea A ∈ Mn (R). Si todos los coeficientes de cualquier fila o columna de A son ceros entonces
|A| = 0.
Ejemplo 13.
1 0 0
= 1 2 0 − 0 0 0 + 0 0 2
0 2 0 = 1(2 · 3 − 0) = 6
0 3 0 3 0 0
0 0 3
Definición 15. Sea A = (aij ) ∈ Mm×n (R). Se llama matriz traspuesta de A a la matriz:
1) (A + B)t = At + B t .
2) (At )t = A.
4) (αA)t = αAt
Definición 16.
1) Sea A ∈ Mn (R) es matriz simétrica si y sólo si At = A
Ejemplo 14.
1) Sea A una matriz invertible de orden n, demostrar que, si A es simétrica entonces A−1 es
simétrica.
Desarrollo
Como A es una matriz invertible entonces se cumple que AA−1 = In pero A = At entonces
At A−1 = In
es decir que la matriz inversa de At es A−1 entonces: A−1 = (At )−1 . Por lo tanto A−1 es
simétrica.
Desarrollo
1 0 0
1 6
N det(B) = −5 1 6 = = 3 6= 0
0 3
−2 0 3
0 −1 1
−1 −1 −1 0
F det(A) = −1 0 −1 = + = 1 + 1 = 2 6= 0
1 0 1 −1
1 −1 0
Cálculo de B −1
1 0 0 1 0 0 f21 (5) 1 0 0 1 0 0 1 0 0 1 0 0
−5 1 6 0 1 0 −→ 0 1 6 5 1 0 f23 (−2) 0 1 0 1 1 −2
−→
−2 0 3 0 0 1 f31 (2) 0 0 3 2 0 1 0 0 3 2 0 1
1 0 0 1 0 0
f3 ( 31 )
0 1 0 1 1 −2
−→
0 0 1 23 0 31
Por lo tanto tenemos que
1 0 0
B −1 = 1 1 −2 = X
2 1
3 0 3
2) |A · B| = |A| · |B|
3) |At | = |A|
4) |k · A| = k n |A|
1
5) |A−1 | = cuando |A| =
6 0
|A|
6) |(AB)−1 | = B −1 A−1
Ejemplo 15.
Sea A ∈ M3 (R), tal que |A| = 2.
1 1 1
Encuentre el valor de la expresión: |At | + 2|A−1 | + |A3 | + 4| A|
2 8 2
Desarrollo:
3
1 t 1 1 1 1 1 1
|A | + 2|A−1 | + |A3 | + 4| A| = |A| + 2 + |A||A||A| + 4 |A|
2 8 2 2 |A| 8 2
= 1+1+1+1
= 4
Ejemplo 16.
2 2 3 0
1 0 5 −1
Calculemos el determinante de la matriz A =
−7
con operaciones elementales filas.
1 2 2
2 0 1 −1
16 0 −1 −4
16 −1 −4
1 0 5 −1 3+2
|A| f1+(−2)3 = (−1) 1 5 −1
−−−−−−−→ −7 1 2 2
2 1 −1
2 0 1 −1
16 −1 −4
f1(−1) −16 1 4 f2+(−5)1 −16 1 4
− 1 5 −1 −−−−→ 1 5 −1 −−−−−→ 81 0 −21
f
2 1 −1 2 1 −1 3+(−1)1 18 0 −5
= (−1)1+2 · 1(81 · (−5) − 18 · (−21)) = 27
1
A−1 = Adj(A)
|A|
Ejemplo 17.
1 2 1
Hallar, si existe, la inversa de A por método de la adjunta, para A = 0 3 2
−2 0 −1
Desarrollo:
Primero corroboremos que existe la inversa de la matriz A con el determinante distinto de cero:
|A| = 0 − 3(−1 + 2) + 2(0 + 4) = −3 + 8 = 5 6= 0. Por lo tanto existe inversa.
Luego
c11 c12 c13
Adj(A) = (Aij )t = c21 c22 c23
c31 c32 c33
donde
3 2 0 2 0 3
c11 = = −3 c12 = − = −4 c13 = = 6
0 −1 −2 1 −2 0
2 1 1 1 1 2
c21 = − = 2 c22 = = 1 c23 = − = −4
0 −1 −2
−1 −2 0
2 1 1 1 1 2
c31 = = 0 c32 = − = −2 c33 = = 3
−2 −1 0 2 0 3
Ası́: t
−3 −4 6 −3 2 0
Adj(A) = 2 1 −4 = −4 1 −2
0 −2 3 6 −4 3
−3 2 0
1
Luego: A−1 = −4 1 −2
5
6 −4 3
Ejercicio 7.
1) Dada la matriz
1 2 4
A = 3 8 −2
2 0 4
se pide:
2) Determine a y
b para que la matriz sea regular, en cada caso:
10 0
a) A = 0 a 1
01 b
a 0 1
b) B = 1 b 1
−1 1 1
2) Cada columna que tiene no nulo el primer elemento de alguna fila, tiene todos sus otros elementos
cero.
3) El primer elemento no nulo de cada fila está a la derecha del primer elemento no nulo de la fila
anterior.
Observación 10. Las matrices identidad y nula son siempre matrices escalonadas reducidas por filas
(M.E.R.F.).
1 2 3 0
Ejemplo 18. 1) La matriz 0 0 0 1 es una matriz M.E.R.F.
0 0 0 0
1 2 3 4
2) La matriz 0 0 0 1 No es una matriz M.E.R.F.
0 0 0 0
Teorema 8. Toda matriz A ∈ Mm×n (R) es equivalente por fila a una única M.E.R.F.
Ejemplo 19.
Hallar la forma escalonada reducida por filas a la matriz
0 0 0 0 1 1 1
0 2 6 2 0 0 4
A= 0
1 3 1 1 0 1
0 1 3 1 2 1 2
0 1 3 1
0 2 0 0 1 3 1 0 0 2
f12 0 0 0 0
1 1 1 f4+1(−1) 0 0 0 0 1 1 1
A −−−−→ −− −−−→
f1 (1/2) 0 1 3 1
0 1 1 f3+1(−1) 0 0 0 0 1 0 −1
0 1 3 1
1 2 2 0 0 0 0 2 1 0
0
1 3 1 0 0 2 0 1 3 1 0 0 2
f3+2(−2) 00 0 0 1 1 1 f3(−1) 0 0 0 0 1 1 1
−−−−−→ −−− −−→
f3+2(−1) 00 0 0 0 −1 −2 f3+4(−1) 0 0 0 0 0 1 2
0 0 0 0 −1 −2
0 0 0 0 0 0 0 0
0
1 3 1 0 0 2
f2+3(−1) 00 0 0 1 0 −1
−−−−−→ 0
0 0 0 0 1 2
0
0 0 0 0 0 0
0 1 3 1 0 0 2
0 0 0 0 1 0 1
Observación 11. La matriz
0 0 0 0 0 1 2 es la Matriz escalonada reducida por fila.
0 0 0 0 0 0 0
Definición 19. Sea A ∈ Mm×n (R). Se llama Rango de A al número de filas no nulas de la matriz
escalonada reducida por filas de A.
Notación 3. Denotamos Rg(A) para Rango de la matriz A.
Proposición 5. Sea A, B ∈ Mm×n (R) entonces: A → B si y sólo si: Rg(A) = Rg(B).
Ejemplo 20.
1 2 −1 2 3
Sea A = 2 3 1 2 4 . Determinar el Rg(A).
3 4 −2 1 5
f2+1(−2)
1 2 −1 2 3 f3+2(2)
1 2 −1 2 3 f3(−1/5)
1 2 −1 2 3
A −−−−−→ 0 −1 3 −2 −2 −−−−→ 0 1 −3 2 2 −−−−−→ 0 1 −3 2 2
f3+1(−3) f2(−1)
0 −2 1 −5 −4 0 0 −5 −1 0 0 0 1 1/5 0
Por lo tanto Rg(A) = 3
Ejercicio 8.
1 2 1 −2 3
Sea B = 2 3 2 1 4 . Determinar el Rg(B).
3 4 3 4 5
Teorema 9. Sea A ∈ Mn (R). Son equivalentes:
1) A es no singular
2) Rg(A) = n
3) A es equivalente a In mediante Operaciones Elementales Filas.
Ejemplo 21.
1 −1 2
Sea A = 1 5 4 Determinar el rango de A.
3 2 −3
1 −1 2 f3+3(1)
1 −1 2 f2(1/4)
1 −1 2 f3+2(−5)
1 0 7/2
1 5 4 −−−−→ 0 4 6 −−−−→ 0 1 3/2 −−−−−→ 0 1 3/2
f2+1(1) f1+2(1)
3 2 −3 0 5 −9 0 5 −9 0 0 −33/2
f3(−2/33)
1 0 7/2 f2+3(−3/2)
1 0 0
−−−−−→ 0 1 3/2 −−−−−−→ 0 1 0
f1+3(−7/2)
0 0 1 0 0 1
Luego Rg(A) = 3. Además observe que A es invertible. Más aún, para hallar el rango de una
matriz cualquiera, bastarı́a con determinar una matriz equivalente por filas a ella que verifique las
condiciones 3 y 4 de la definición 18. El número de filas no cero será el rango de la matriz. Las
matrices que cumplen estas dos condiciones se denominan matrices escalonadas por filas.
Observación 12. Puede definirse matriz escalón reducida por columnas y matriz escalonada por
columnas y demostrarse que el rango, el número de columnas no cero, ası́ obtenido coincide con el ya
definido anteriormente.
1 2 0 0 2 3 −1 1
Ejercicio 9. 1) Dadas las matrices A = 1 1 −1 1 y B = 0 4 −3 0
2 −1 2 1 1 −2 3 0
a) Determine la matriz Escalonada Reducida por fila
b) La matriz A es equivalente por fila a B? Justifique.
2) Dada la matriz
a 2a − 1 3 1
1 1 1 1
A=
0 −1 0 1
3 5 3 a
determinar el rango de A según los valores del parámetro real a.
Definición 22. Diremos que dos sistemas de ecuaciones lineales son equivalentes si y sólo si tienen
el mismo conjunto de solución.
Teorema 10. Un sistema de ecuaciones lineales admite las siguientes transformaciones manteniendo
(invariante) su conjunto solución.
Corolario 2. Dos sistemas de ecuaciones son equivalentes si y sólo si tienen matrices aumentadas
equivalentes por filas.
Ejemplo 22.
1) Resolver:
1 2 x 1
=
2 1 y 3
Observemos que
1 2 x 1 1x + 2y 1 x + 2y = 1
= ⇔ = ⇔
2 1 y 3 2x + y 3 2x + y = 3
1 2 1 f(−2)2+1 1 2 1 f(−1/3)2 1 2 1 f(−2)2+1 1 0 5/3
−−−−−→ −−−−−→ −−−−−→
2 1 3 0 −3 1 0 1 −1/3 0 1 −1/3
Contradicción.
Por lo tanto S = ∅ el sistema es inconsistente.
3) Resolver:
x+y−z = 1
2x − 3y + 2z = 2
3x − 2y + z = 3
1 1 −1 1 f(−2)1+2
1 1 −1 1 f(−1)2+3
1 1 −1 1
2 −3 2 2 −− −−−→ 0 −5 4 0 −−−−−→ 0 −5 4 0
f(−3)1+3
3 −2 1 3 0 −5 4 0 0 0 0 0
f(−1/5)2
1 1 −1 1 f(−1)2+1
1 0 −1/5 1
−−−−−→ 0 1 −4/5 0 −−−−−→ 0 1 −4/5 0
0 0 0 0 0 0 0 0
z 4z z 4z
Luego interpretando la matriz se tiene: x − = 1, y − = 0. Por lo tanto x = 1+ , y = ,
5 5 5 5
z ∈ R Por lo tanto la solución se escribe:
x 1 1/5
S = y = 0 + α 4/5 : α ∈ R
z 0 1
x + y + bz = 3
x+y+z = 2
Ejercicio 10.
1) Dado el sistema
x+y−z = 1
2x − 3y + 2z = 3
3x − 2y + az = b
Determinar a y b de modo que el sistema tenga infinitas soluciones
∧x + y + z = 1
x + ∧y + z = µ
x + y + ∧z = 2µ
De modo que tenga única solución, tenga solución vacı́a y tenga infinitas solucines.
x+y+z+w = 0
x = y+1
Observación 14. Si A ∈ Mn (R) es regular entonces el sistema AX = B tiene solución única dada
por X = A−1 B.
Teorema 12. (Regla de Cramer) Sea A matriz de orden n, B en Rn tal que M= |A| =
6 ∅ entonces el
sistema AX = B tiene única solución X = (x1 , x2 , . . . , xn ) y
a11 b1 . . . a1n
Mi a21 b2 . . . a2n
xi = , i = 1, . . . , n donde Mi =
.. .. ..
M
. . .
an1 bn . . . ann
.
Ejemplo 24.
x1 − x2 + x3 = 7
Resolver por Regla de Cramer, el sistema −x1 + 2x2 − x3 = 1 Veremos si el sistema tiene única
2x1 − x2 + x3 = 0
solución:
1 −1 1
−1 2 −1 = 1(2 − 1) + 1(−1 + 2) + 1(1 − 4) = −1 6= 0. Por lo tanto el sistema tiene única
2 −1 1
solución.
Luego calulamos cada
una de los coeficientes de la matriz incognita:
7 −1 1
7
x1 : 1 2 −1 = 7(2 − 1) − 1(−1 + 1) = 7 Por lo tanto x1 = = −7.
0 −1 −1
1
1 7 1
x2 : −1 1 −1 = 2(−7 − 1) + 1(1 + 7) = −8 Por lo tanto x2 = 8.
2 0 1
1 −1 7
x3 : −1 2 1 = −22 Por lo tanto x3 = 22.
2 −1 0
Ası́ la solución queda expresada como: S = {(−7, 8, 22)}
Ejercicio 11.
1) Dado el sistema de ecuaciones lineales
2x1 + 3x2 + x3 − x4 + x5 = 4
−x1 + x2 + 7x4 − x5 = 2
3x1 + 2x2 − x3 + x5 = 1
−x2 + 2x3 + x4 − 3x5 = 0
se pide:
2) Encontrar el conjunto solución y determine una solución particular del siguiente sistema de
ecuaciones
x+y+z+w = 0
y+1 = x
3) Estudiar la existencia de solución para los distintos valores de los parámetros reales a y b en los
sistemas
x1 + x2 + x3 = 3 2x1 − 3x2 + 5x3 = b
(1) x1 − x2 + x3 = 1 (2) −x1 + 7x2 − x3 = 0
2x1 + ax3 = b 4x1 − 11x2 + ax3 = 0
4) En los siguientes sistemas lineales
x+y−z =2 ax − 2y + z = 1
(a) x + 2y +
z=3 ; (b) x + ay + 2z = a
x + y + a2 − 5 z = a x+z =a
x + y + az = 3
(c)
ax + y + z = 2
determinar para qué valores del parámetro real a, el sistema posee solución(es)
a : vacı́a b : única c : infinitas
a) Infinitas soluciones.
b) Solución vacı́a.
c) Única solución.
5) Determine si las siguientes afirmaciones son Verdaderas o falsas. Justifique si son verdaderas y
de un contra ejemplo para las falsas.
8) Dado el sistema en x, y, z, w
x − y + 3z + w = −3
x + 4y − z + w = 6
x − y + 2az + w = b
Espacios Vectoriales
En este capitulo se estudián las propiedades de un conjunto para que sea reconocido como un espa-
cio vectorial y propiedades especificas que tienen estos consigo. Luego estudiaremos las operaciones que
se pueden hacer con estos conjuntos, como por ejemplo los subconjuntos de espacios vectoriales, la in-
tersección de espacios vectoriales, la unión de espacio vectoriales, la suma de espacios vectoriales y una
suma espacial que se da en estos conjuntos que se llama suma directa. En este capitulo terminaremos
con el concepto de Producto Interno y la relación que tiene esto con los espacios vectoriales.
V ×V → V R×V → V
+: ·:
(x, y) → x+y (k, x) → k·x
se dice que (V, +, ·) es un espacio vectorial sobre R o un R-espacio vectorial con las operaciones
definidas, si y sólo si cumple con:
a) (∀x ∈ V ) (∀k, l ∈ R) (k · (l · x) = (k · l) · x)
b) (∀x, y ∈ V ) (∀k ∈ R) (k · (x + y) = k · x + k · y)
c) (∀x, y ∈ V ) (∀k, l ∈ R) ((k + l) · x = k · x + l · x)
d) (∀x ∈ V ) (1 · x = x)
Observación 15. Los elementos de V los llamaremos vectores y los elementos de R los llamaremos
escalares.
29
CAPÍTULO 2. ESPACIOS VECTORIALES
Pilar Johnson Aburto
Ejemplo 25.
1) Las matrices de orden n × m denotado por Mn×m (R) es un espacio vectorial sobre R con la
suma de matrices y la multiplicación por escalar.
+ : Rn × Rn −→ Rn · :R × Rn −→ Rn
(x, y) −→ x+y (α, x) −→ α·x
∗: R×R −→ R ?: R×R −→ R
(x, y) −→ x ∗ y = x + y + xy (α, x) −→ α?x=α·x
Por ver que (R; ∗, ?) es un espacio vectorial sobre R, para eso partiremos comprobando que (R; ∗)
es un grupo abeliano.
a) Asociatividad
Sean x, y, z ∈ R
(x ∗ y) ∗ z = (x + y + xy) ∗ z
= (x + y + xy) + z + (x + y + xy)z
= x + y + xy + z + xz + yz + xyz
= x + (y + z + yz) + x(y + z + yz)
= x ∗ (y + z + yz)
= x ∗ (y ∗ z)
b) Existencia de elemento neutro.
x∗e=x
x + e + xe = x ⇒ e = 0
c) Existencia de elemento inverso.
x ∗ x0 = 0
x + x0 + xx0 = 0
x0 (1 + x) = −x x 6= −1
−x
x0 =
1+x
Como x = −1 con estas operaciones definidas no tiene elemento inverso, entonces (R; ∗)
no es un grupo abeliano.
∴ (R; ∗; ?) no es un R-espacio vectorial.
Ejercicio 12. 1) Sea V = R2 , en V se definen las siguientes operaciones:
(x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )
α(x1 , x2 ) = (αx1 , x2 )
¿V con estas operaciones es un R-espacio vectorial?
2) Sea V = R2 , en V se definen las siguientes operaciones:
(x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , 0)
α(x1 , x2 ) = (αx1 , 0)
¿V con estas operaciones es un R-espacio vectorial?
Teorema 13. Sea (V, +, ·) un espacio vectorial sobre R entonces tenemos:
1) Sean u, v, w ∈ V entonces
(u + v = u + w) ⇔ (v = w)
2) Sean u, v ∈ V, k ∈ R − 0 entonces
(ku = kv) ⇔ (u = v)
3) Sean ~0 ∈ V , k ∈ R entonces
k~0 = ~0
4) Sean v ∈ V , k ∈ R entonces
0v = ~0
5) Sean v ∈ V, k ∈ R entonces
(kv = ~0) =⇒ (v = ~0 ∨ k = 0)
Ejemplo 26.
1) Las matrices triangulares superiores de orden n, forman un subespacio de las matrices de orden
n.
Ejemplo 27.
Verificar si los siguientes conjuntos son subespacios vectoriales:
x y
1) U = ∈ M2 (R) : x = y de M2 (R)
z t
Demostración:
0 0
a) ∈ U pues x = y = 0
0 0
x y a b
b) Sean , ∈U
z t c d
x y a b x+a y+b
+ = ∈ U pues x = y ∧ a = b ⇒ x + a = y + b
z t c d z+c t+d
x y
c) Sea α ∈ R y ∈U
z t
x y αx αy
α = ∈ U ya que x = y ⇒ αx = αy
z t αz αt
2) W = ax2 + bx + c ∈ R2 [x] : 2a + b = c
Demostración:
3) V = (x, y, z) ∈ R3 : x2 + y 2 + z 2 = 1 de R3
∴ V R3
4) V = A ∈ Mn (R)/ A2 = A de Mn (R)
a) 0n ∈ W pues 02 = 0
b) Sean A y B ∈ W es decir A2 = A y B 2 = B, entonces
∴ W Mn (R)
1) [0, 1] es subespacio de R
2) U = {(x, y, z, w) ∈ R4 : x ≥ 0} de R4
a b
3) V = ∈ M2 (R) : a = b = c de M2 (R).
0 c
v = α1 v1 + α2 v2 + · · · + αn vn
Ejemplo 28.
1) Determinar si (1, 2, 1) es combinación lineal de los vectores (−1, 2, 1), (1, 1, −2) y (1, 2, 3) en R3 .
Desarrollo:
−α + β + γ = 1 −1 1 1 1 1 0 0 1/8
2α + β + 2γ = 2 ⇒ 2 1 2 2 → 0 1 0 1/2
α − 2β + 3γ = 1 1 −2 3 1 0 0 1 5/8
Interpretando la matriz:
1 0 0 α 1/8
0 1 0 β = 1/2 Esto implica que: α = 1 , β = 1 , γ = 5 .
8 2 8
0 0 1 γ 5/8
Por lo tanto (1, 2, 1) es combinación lineal de los vectores (−1, 2, 2), (1, 1, −2), (1, 2, 3).
−α + β + γ = 1
α + 3β − γ = 1
2α + 2β + γ = 1
−1 1 1 1 1 0 0 −1/6
1 3 −1 1 → 0 1 0 1/2
2 2 1 1 0 0 1 1/3
1 0 0 α −1/6
Interpretando la matriz se obtiene: 0 1 0 β = 1/2 .
0 0 1 γ 1/3
Ası́:
−1 1 1
1 + x + x2 = (−1 + x + 2x2 ) + (1 + 3x + 2x2 ) + (1 − x + x2 )
6 2 3
1 2 1 2 1 −1 0 1
3) Determinar si es combinación lineal de los vectores , , en
3 1 0 1 1 0 0 0
Mn (R).
Desarrollo:
1 2 1 2 1 −1 0 1
= α +β +γ
3 1 0 1 1 0 0 0
α + β 2α − β + γ
=
β α
para que las dos matrices sean iguales tiene que ocurrir el siguiente sistema de ecuación:
α+β = 1
2α − β + γ = 2
β = 3
α = 1
Si α = 1 y β= 3 entonces
la primera ecuación no se cumple, ası́ el
sistema
es
inconsistente.
1 2 1 2 1 −1 0 1
Por lo tanto no es combinación lineal de los vectores , , .
3 1 0 1 1 0 0 0
Ejercicio 14. 1) Sea B = {(1, 2, 3), (−1, −2, −3), (1, 1/2, 3)} ⊂ R3 ¿Es el vector (1, 3/5, 2) combi-
nación lineal de los vectores de B?.
2) ¿Para qué valores de k se tiene que x2 +kx+5 es combinación lineal de x2 −3x+2 y 2x2 −x+1?
3 −1
3) Encuentre los escalares para , si existe, para conformar la combinación lineal con los
1 −2
1 1 1 1 1 −1
vectores , ,
0 −1 −1 0 0 0
a) 3 (→
−
a1 − →
−
x ) + 2 (→
−
a2 + →
−
x ) = 5 (→
−
a3 + →
−
x)
→
− →
− →
− →
−
b) a + 3a + 4a + 2 x = 0
1 2 3
α1 v1 + α2 v2 + · · · + αm vm = 0
Ejemplo 29.
1) Ver si el conjunto {(1, 0, 1); (1, 1, 0); (1, 1, 1)} es linealmente independiente o linealmente depen-
diente
Desarrollo:
Para que los dos vectores sean iguales tienen que ser igual coordenada a coordenada es decir:
α+β+γ = 0
β+γ = 0 Reduciendo con operaciones elementales filas:
α+γ = 0
1 1 1 1 0 0
0 1 1 ∼ 0 1 0
1 0 1 0 0 1
Luego el sistema tiene única solución es decir α = β = γ = 0. Por lo tanto {(1, 0, 1); (1, 1, 0); (1, 1, 1)}
es linealmente independiente.
2) Ver si el conjunto {x2 + 2x + 1; x2 + x; x2 + 3x + 2} es linealmente independiente o linealmente
dependiente.
Desarrollo:
Escribimos el vector nulo como combinación lineal de los vectores dados.
α(x2 + 2x + 1) + β(x2 + x) + γ(x2 + 3x + 2) = 0R2 [x]
(α + β + γ)x2 + (2α + β + 3γ)x + (α + 2γ) = 0R2 [x]
Por igualdad de polinomios se tiene el siguiente sistema de ecucaiones
α+β+γ = 0
2α + β + 3γ = 0
α + 2γ = 0
Su matriz asociada y su MERF
1 1 1 1 0 2 α = −2γ
2 1 3 ∼ 0 1 −1 ⇒ β = γ
1 0 2 0 0 0 γ∈ R
4) Sea {→
−
v1 , →
−
v2 , →
−
v3 } un conjunto de vectores linealmente independientes de Rn . Discutir si son li-
nealmente independientes o dependientes los siguientes conjuntos de vectores:
(a) S = {→ −
v +→1
−v ,→
−
v +→
2
−
v ,→
1
−
v +→
3
−
v }
2 3
(b) R = {→
−v1−→ −
v 2, →−
v3−→ −
v 1, →
−
v3−→
−
v 2}
→
− →
− →
−
(c) T = { v 1 + v 2 , v 3 }
v = α1 v1 + α2 v2 + · · · + αm vm
Observación 17. Si un conjunto consta de sólo un vector, éste es L.I. si el vector es no nulo. Y es
L.D. si el vector es el vector nulo. Si un conjunto consta de dos vectores, éste el L.I. si son no nulos
y ninguno de ellos es múltiplo del otro; en caso contrario el conjunto es L.D.
Ejemplo 30.
1 0 0 1 0 0
1) Demostrar que ; ; genera el espacio de las matrices simétricas de
0 0 1 0 0 1
orden 2.
Desarrollo:
Sea una matriz simétrica de orden 2 es decir
t t
x y x y x y x z
= ⇔ =
z w z w z w y w
U = {(x, y) ∈ R2 : 2x + y = 0}
= {(x, y) ∈ R : y = −2x}
= {(x, −2x) ∈ R : x ∈ R}
= {x(1, −2) : x ∈ R}
= h(1, −2)i
Ası́ todos los elementos de U se pueden escribir como combinacion lineal de (1, −2). Por lo
tanto: U = h(1, −2)i
2 2a + b + c = 0
3) Sea U = ax + bx + c ∈ R2 [x] : ≤ R3 . Determine un conjunto generador
a+b−c = 0
de U .
Desarrollo:
Analicemos el sistema de ecuación con una matriz ampliada, mediante operaciones elementales
filas se tiene la siguiente matriz equivalente:
2 1 1 1 0 2
→
1 1 −1 0 1 −3
= {c(−2x2 + 3x + 1) : c ∈ R}
= h−2x2 + 3x + 1i
4) Sea A = h(1, 1, 0), (0, 1, 1)i caracterizemos este subespacio generado. Sea (x, y, z) ∈ A, es decir,
existen α, β ∈ R tal que :
(x, y, z) = α(1, 1, 0) + β(0, 1, 1)
= (α, α + β, β)
x = α 1 0 x 1 0 x
Por lo tanto y = α + β ⇒ 1 1 y → 0 1 y−x
z = β 0 1 z 0 0 z−y+x
Es decir, existen α, β ∈ R si y sólo si z − y + x = 0, en otras palabras existe la combinación
lineal si la matriz es consistente. Por lo tanto
Observación 18. Sea V un espacio vectorial real y {v1 , v2 , ..., vn } un conjunto l.i. sobre R. Si w ∈ V
y w es una combinación lineal de v1 , v2 , ...vn entonces dicha combinación lineal es única. Es decir:
α1 v1 + . . . + αn vn = β1 v1 + . . . + βn vn
(α1 − β1 )v1 + . . . + (αn − βn )vn = 0
Luego α1 − β1 = 0, α2 − β2 = 0, . . . , αn − βn = 0 pues {v1 , . . . , vn } es l.i.
Por lo tanto α1 = β1 , . . . αn = βn
Ejercicio 16. 1) Determinar si cada una de las siguientes propociciones son verdaderas o falsas.
Justifique adecuadamente.
(b) W2 = (x, y, z) ∈ R3 : x = y, 2x + z = 0 de R3
(c) W3 = (x, y) ∈ R2 : x − 3y = 0 de R2
(d) W4 = (x, y, z) ∈ R3 : x + y + z = 0 de R3
5) Sean A = {(1, −1, 2) , (3, 0, 1)} y B = {(−1, −2, 3), (3, 3, −4), (2, 1, −1)}
¿Generan A y B el mismo subespacio vectorial de R3 ?.
2.4. Base
Definición 31. Sea V un R-espacio vectorial. Un subconjunto B ⊆ V se dice Base de V , si:
1) B es l.i.
2) B genera a V .
Ejemplo 31.
1) Demostrar que {(1, 2, 1); (1, 2, 3); (3, 2, 1)} es una base de R3 .
Desarrollo:
a) Por ver que los elementos del conjunto son l.i.
(0, 0, 0) = α(1, 2, 1) + β(1, 2, 3) + γ(3, 2, 1)
(0, 0, 0) = (α + β + 3γ, 2α + 2β + 2γ, α + 3β + γ)
α + β + 3γ = 0
esto se traduce a: 2α + 2β + 2γ = 0
α + 3β + γ = 0
Si calculamos el determinante de la matriz asociada al sistema de ecuaciones tenemos:
1 1 3
2 2 2 = 8
1 3 1
Por lo tanto de a) y b) se tiene que {(1, 2, 1); (1, 2, 3); (3, 2, 1)} es base de R3 .
Desarrollo:
a) Conjunto generador: Sea p(x) = ax2 + bx + c entonces p0 (x) = 2ax + b, ası́ para que
p0 (1) = p(0) entonces 2a + b = c con a, b ∈ R.
Luego
ax2 + bx + c = ax2 + bx + 2a + b
= a(x2 + 2) + b(x + 1)
para todo a, b ∈ R. Por lo tanto {(x2 + 2); (x + 1)} genera a V .
b) Por ver {(x2 + 2); (x + 1)} es un conjunto l.i.
0 = β + 2α
0 = α(x2 + 2) + β(x + 1)
⇔ 0 = β
0 = αx2 + βx + β + 2α
0 = α
es decir α = 0, β = 0. Luego {(x2 + 2); (x + 1)} es un conjunto l.i.
De a) y b) podemos concluir que el conjunto {(x2 + 2); (x + 1)} es un conjunto l.i. y además
genera entonces es base de V .
Teorema 15. Sea V un espacio vectorial real, y {v1 , ..., vn } una base de V . Si w ∈ V y w = α1 v1 +
... + αn vn tal que α1 6= 0 entonces {w, v2 , ..., vn } es base de V .
Ejemplo 32.
Sea U = h(1, 1, 1); (1, 0, 0)i subespacio de R3 . Si:
Teorema 16. Sea V un espacio vectorial sobre R, y {v1 , ..., vn } una base de V . Si el conjunto
{w1 , ..., wm } es otra base de V , entonces n = m.
Ejercicio 17. Hallar una base de cada uno de los siguientes subespacios vectoriales:
1) A = {(x, y, z) ∈ R3 : x − 2z = 0, x + y = 0}
2) B = {ax2 + bx + c ∈ R2 [x] : a − b = 0}
a b
3) C = ∈ M2 (R) : a + b − 2c = 0
c d
4) Dado el conjunto L = {A ∈ M2x3 (R) / a11 + a12 + a13 = 0, 2a22 = a11 } se pide:
2.5. Dimensión
Definición 32. Sea V un espacio vectorial sobre R. Diremos que la dimensión de V es n si y sólo si
existe una base de V tal que su cardinalidad es n.
Ejemplo 33.
1) dim(Rn ) = n pues C = {e1 , ..., en } donde cada ei tiene un 1 en el lugar i y 0 en todos los otros.
2) dim(Rn [x]) = n + 1 pues la base canónica esta dada por: C = {1, x, x2 , ..., xn }
3) dim(M
m×n (R)) = mnpues la base canónica
esta dada por:
1 0 · · · 0 0 1 · · · 0 0 0 ··· 0
C = ... .. ; .. .. ; .. ..
. . . . .
0 0 ··· 0 0 0 ··· 0 0 0 ··· 1
Ejemplo 34.
1) Determinar la dimensión del espacio
1 2 0 0
W = A ∈ M2 (R) : A = ≤ M2 (R)
3 6 0 0
Desarrollo:
a b
Supongamos A = ∈ W entonces
c d
a b 1 2 a + 3b 2a + 6b 0 0
= =
c d 3 6 c + 3d 2c + 6d 0 0
entonces:
a + 3b = 0
2a + 6b = 0
c + 3d = 0
2c + 6d = 0
a + 3b = 0
reduciendo esto es equivalente a:
c + 3d = 0
esto implica que a = −3b y c = −3d ası́:
−3b b −3 1 0 0
=b +d
−3d d 0 0 −3 1
−3 1 0 0
Ahora veamos si el conjunto ; es un conjunto l.i.
0 0 −3 1
−3 1 0 0 0 0 −3α α 0 0
α +β = ⇔ = ⇒ α = 0, β = 0
0 0 −3 1 0 0 −3β β 0 0
−3 1 0 0
Por lo tanto BW = ; es base para W . Ası́ dim(W ) = 2.
0 0 −3 1
Ejercicio 18.
De la misma forma que en el ejemplo, hallar la dimensión del espacio:
U = {(x, y, z, t) ∈ R4 : x + y − z = 0 ∧ x + 4t = 0}
Ejemplo 35.
1) Sean U = {(x, y, z) ∈ R3 : 3x + 2y − z = 0}, W = h(1, 1, 1); (2, 1, −1)i. Determinar una base de
U ∩ W.
Desarrollo:
Ası́:
(x, y, z) = (α + 2β, α + β, α − β) ⇔ x = α + 2β, y = α + β, z = α − β
Luego
−9β
(x, y, z) = (1, 1, 1) + β(2, 1, −1)
4
−9 −9 −9
= β( , , ) + β(2, 1, −1)
4 4 4
−9 −9 −9
= β( + 2, + 1, − 1)
4 4 4
−1 −5 −13
= β( , , )
4 4 4
−1 −5 −13 −1 −5 −13
Por lo tanto U ∩ W = , , . Como , , consta de un sólo vector
4 4 4 4 4 4
distinto del vector nulo es l.i.
−1 −5 −13
Por lo tanto BU ∩W = , , es base para U ∩ W .
4 4 4
2) Sea U = h(1, 2, 1, 1); (1, 3, 1, 2)i y W = h(2, 1, 1, 1), (2, 2, 1, −1)i subespacios de R4 . Determinar
una base para U ∩ W .
Desarrollo:
Sea (x, y, z, t) ∈ U ∩ W entonces (x, y, z, t) ∈ U ∧ (x, y, z, t) ∈ W ,
es decir;
(x, y, z, t) = α(1, 2, 1, 1) + β(1, 3, 1, 2)
= (α + β, 2α + 3β, α + β, α + 2β)
Además:
(x, y, z, t) = γ(2, 1, 1, 1) + δ(2, 2, 1, −1)
= (2γ + 2δ, γ + 2δ, γ + δ, γ − δ)
Ası́ :
(α + β, 2α + 3β, α + β, α + 2β) = (2γ + 2δ, γ + 2δ, γ + δ, γ − δ)
es decir:
α + β − 2γ − 2δ = 0 1
1 −2 −2
2α + 3β − γ − 2δ = 0 2 3 −1 −2
⇔ 6 0
=
α+β−γ−δ = 0 1 1 −1 −1
α + 2β − γ + δ = 0 1 2 −1 1
a = 7c
2 3 1 1 0 −7
→ ⇒ b = −5c
1 2 −2 0 1 5
c∈R
U ∩ W = {(x, y, z) ∈ R3 : x − y − 2z = 0 ∧ x + 2y + z = 0}
Ası́:
5
1 −1 2 1 0 3
→ −1
1 2 1 0 1 3
Por lo que
(x, y, z) ∈ R3 : x = −5z z
U ∩W = 3 ∧y = 3
−5z z
= ( 3 , 3 , z) : z ∈ R
= z( −5 1
3 , 3 , 1) : z ∈ R
Luego U ∩ W = ( −5 1
3 , 3 , 1) .
U + W = {u + w ∈ V : u ∈ U, w ∈ W }
Ejemplo 36.
Sean U = {(x, y) ∈ R2 : x + 3y = 0}, W = {(x, y) ∈ R2 : 2x + 5y = 0}. Determinar U + W .
Desarrollo:
W = {(x, y) ∈ R2 : 2x + 5y = 0}
−5
= {(x, y) ∈ R2 : x = y}
2
−5
= y, y : y ∈ R
2
−5
= ,1
2
U = {(x, y) ∈ R2 : x + 3y = 0}
= {(x, y) ∈ R2 : x = −3y}
= {(−3y, y) : y ∈ R}
= h(−3, 1)i
Ası́
U + W = {u + w ∈ R2 : u ∈ U, w ∈ W }
−5
= {α(−3, 1) + β(− , 1) : α, β ∈ R}
2
−5
= h(−3, 1); ( , 1)i
2
−3 1
Como {(−3, 1); (−5/2, 1)} es l.i. ya que = 1 6= 0 entonces {(−3, 1); (−5/2, 1)} es base
−5/2 1 2
de R . Luego U + W = h(−3, 1); (−5/2, 1)i = R2 porque U + W es subespacio de R2 y tienen la misma
2
dimensión.
Teorema 19.
1) Sean U, W ≤ V tales que U = hAi y W = hBi con A y B ⊂ V entonces U + W = hA ∪ Bi
Ejemplo 37. Sea U = h(1, 0, 1); (0, 2, 0)i y W = h(0, 0, 1)i espacios generadores entonces una base
para cada uno de ellos serı́a:
luego de comprobar que son linealmente independiente tenemos que una base para U + W es
es decir dim(U + W ) = 3. Luego para determinar la intersección basta con utilizar el teorema anterior
de la siguiente forma:
2) U = h1 − 2x; 3x + x2 , 1 − x2 i y V = hx2 + x + 1, 1 − x2 i
Teorema 20.
Sea V un R-espacio vectorial y U, W ≤ V . V es suma directa de U y W si y sólo si se cumple:
1) U ∩ W = {0V }
2) V = U + W
Ejemplo 38.
Sean U = {(x, y, z) ∈ R3 : 3x + 2y − z = 0} y W = h(1, 2, 1)i. Determinar si R3 es suma directa de U
y W . Es decir: R3 = U ⊕ W
Como el determinante es distinto de cero entonces es l.i. y como genera entonces se concluye
que BU +W es base de U + W . Por tanto dim(U + W ) = 3 y como U + W ≤ R3 y dim(R3 ) = 3
se concluye que U + W = R3 .
Luego de 1) y 2) se tiene que U ⊕ W = R3
a + 2b − c = 0
Ejercicio 21. 1) Sea U = hx2 −3x+2; 2x2 +x+5i yW = ax2 + bx + c ∈ R2 [x] : .
b − 5c = 0
Determinar si R2 [x] = U ⊕ W
Demuestre que U ⊕ W = R3
W1 = (x, y, z) ∈ R3 : x + y = 0
W2 = (x, y, z) ∈ R3 : y − z = 0
se pide:
a) Calcular W1 ∪ W2 , W1 ∩ W2 y W1 + W2 .
b) Determinar cuáles de los tres subconjuntos anteriores son subespacios vectoriales de R3 .
c) Comprobar si se verifica que W1 ⊕ W2 = R3 .
tal que U ⊕ W = R3
Además, determine una base para el subespacio U .
(x, y, z) en R3 / kx + y − sz = 0; k, s en R
V =
(0, y, z) en R3 / y + z = 0; x = 0
W =
2.8. Coordenadas
Sea V un R-espacio vectorial de dimensión n y B = {v1 , ...vn } base ordenada de V . Todo elemento
de V es combinación lineal única de los elementos de la base, es decir,
v = α1 v1 + α2 v2 + ... + αn vn
Los escalares de la combinación lineal se llaman las coordenadas del vector v en la base B y se denotan
por:
α1
α2
[v]B = .
..
αn
Ejemplo 39.
Sea B = {1 − x, 1 + 2x + x2 , 1 + x2 } base de R2 [x]. Determinar las coordenadas de v = 1 en la base B.
Desarrollo:
Es decir:
1 = α+β+γ α=1
0 = −α + 2β ⇒ β = −1/2
0 = β+γ γ = 1/2
1
Por lo tanto [1]B = −1/2
1/2
2) Determinar
las coordenadasdel vector
2 −1 1 1 2 0 0 1 0 0
en la base B = , , , .
4 6 −1 0 3 1 −1 0 −2 4
3) Determinar las coordenadas del vector 2x3 −3x2 +5x−6 en la base C = {1, 1+x, x+x2 , x2 +x3 }.
h, i : V × V → R
(u, v) → hu, vi
1) hu, ui ≥ 0; hu, ui = 0 ⇔ u = 0
2) hu, vi = hv, ui
3) hu + v, wi = hu, wi + hv, wi
4) hαu, wi = αhu, wi
Observación 19. Se llama espacio euclidiano a un espacio vectorial real de dimension finita, en el
que se ha definido un producto interno.
Ejemplo 40.
1) En Rn , el producto punto esta definido por:
h, i : Rn × Rn → R
(u, v) → hu, vi = u · v = x1 y1 + x2 y2 + ... + xn yn
donde u = (x1 , ..., xn ) y v = (y1 , ..., yn ) en Rn , es un producto interno, es más, se llama producto
interno usual o éstandar en Rn , en efecto;
a) Sea u ∈ Rn
hu, ui = x1 x1 + x2 x2 + ...xn xn = x21 + x22 + ... + x2n ≥ 0.
Además si u = 0 entonces
hu, ui = 0
x1 + x2 + . . . + x2n =
2 2 0
x1 = x2 = . . . = xn = 0
u = 0
por lo tanto cumple con la primera propiedad de producto interno.
b) Sean u, v ∈ Rn entonces:
d) Sean α ∈ R, u, v ∈ Rn , entonces:
se llama producto interno usual en Mn (R). Donde tr(A) es la traza de la matriz A, es decir,
la suma de los elementos
dela diagonal.
1 2 5 6
Ejemplo: Sean A = yB=
3 4 7 8
1 2 5 6
hA, Bi = ;
3 4 7 8
5 7 1 2
= tr ·
6 8 3 4
26 38
= tr
30 44
= 26 + 44 = 70
1 2 5 6
hA, Bi = ;
3 4 7 8
= 1·5+2·6+3·7+4·8
= 5 + 12 + 21 + 32
= 70
Ejercicio 23. Muestre que h(x1 , y1 ), (x2 , y2 )i = 2x1 x2 − 2x1 y2 − 2x2 y1 + 5y1 y2 es un producto interno
en R2 .
Ejemplo 41.
1) En R2 se define el siguiente producto interno.
1 0 a
< (x, y), (a, b) > = [x, y]
0 −4 b
2) Sea V un espacio vectorial con producto interno. Pruebe que para todo u, v ∈ V se tiene hu, vi =
1 1
||u + v||2 − ||u − v||2 .
4 4
Desarrollo:
||u + v||2 = h, u + v, u + vi
= hu, u + vi + hv, u + vi
= hu + v, ui + hu + v, ui
= hu, ui + hv, ui + hu, vi + hv, vi
= hu, ui + 2hu, vi + hv, vi
= ||u||2 + 2hu, vi + ||v||2
Por otra parte el segundo termino queda:
||u − v||2 = hu − v, u − vi
= hu, u − vi + h−v, u − vi
= hu, u − vi − hv, u − vi
= hu − v, ui − hu − v, vi
= hu, ui − hv, ui − hu, vi + hv, vi
= hu, ui − 2hu, vi + hv, vi
= ||u||2 − 2hu, vi + ||v||2
Luego:
1 1 1
(||u||2 + 2hu, vi + ||v||2 ) − (||u||2 − 2hu, vi + ||v||2 ) = [||u||2 + 2hu, vi + ||v||2 − ||u||2 + 2hu, vi − ||v||2 ]
4 4 4
1
= 4hu, vi
4
= hu, v, i
Observación 21. Utilizando las propiedades de la norma se puede verificar que la función d satisface
las siguientes propiedades:
1) d(v, w) ≥ 0, ∀v, w ∈ V
2) d(v, w) = 0 ⇔ v = w
Definición 38. Sea (V, h, i) un espacio euclı́deo y sean u, v ∈ V no nulos. Se define el ángulo entre
hu, vi
u, v como el único número real α ∈ [0, π] tal que cos(θ) = .
||u||||v||
Ejemplo 42.
1) Considere el siguiente producto interno en R2 [x]:
1) kAk y kBk
2) d(A, B)
2 5
Ejercicio 26. En una base ortonormal los vectores u y v tienen coordenadas y respecti-
−3 4
vamente. Calcule:
1) hu, vi.
2) La norma de cada vector.
3) El ángulo que forman u y v.
Definición 41.
1) Una base ortogonal es una base que es un conjunto ortogonal.
2) Una base ortonormal es una base que es un conjunto ortonormal.
Observación 24. Sea (V ; h, i) un espacio vectorial sobre R con producto interno. Entonces
1) Si v es un vector ortogonal a u y a w entonces v es ortogonal a todo vector generado por u y w;
es decir:
hv, ui = hv, wi ⇒ hv, αu + βwi = 0
2) Todo conjunto ortogonal de vectores no nulos en V , es l.i., es decir S = {v1 , ..., vn } tal que
hvi , vj i = 0 para todo i, j entonces S es l.i.
Teorema 21.
Sea (V ; h, i) un espacio vectorial real con producto interno. Sea B = {v1 , ..., vn } un conjunto ortonormal
en V . Entonces:
1) B es una base de V y para todo v ∈ V , v = ni=1 αi vi con αi = hv, vi i para i = 1, ..., n.
P
Corolario 4.
Si B es una base ortonormal de V entonces las coordenadas de v ∈ V en esa base se obtienen de:
v = hv, v1 iv1 + hv, v2 iv2 + ... + hv, vn ivn
hv, v1 i
hv, v2 i
es decir: [v]B = .
..
hv, vn i
Ejemplo 45.
En R3 se define el siguiente producto interno
h(x, y, z); (a, b, c)i = ax + 2by + 3cz.
Sea S = {(1, 2 − a, 3), (b − 1, −1, 2), (3, 2, c + 1)} base de R3 . Determinar los valores de a, b, c ∈ R para
que S sea una base ortogonal de R3 .
Desarrollo:
S ⊥ = {v ∈ V : hv, si = 0 ∀s ∈ S}
Observación 25.
1) Sean (V, h, i) un R-espacio vectorial con producto interno y S ⊂ V . Entonces, S ⊥ ≤ V
Proposición 7.
1) {0V }⊥ = V y V ⊥ = {0V }
a) W ⊕ W ⊥ = V
b) (W ⊥ )⊥ = W
c) (W + W 0 )⊥ = W ⊥ ∩ W 0⊥
d) (W ∩ W 0 )⊥ = W ⊥ + W 0⊥
Ejemplo 46.
2 −1 2 −7
Sea F = ; ⊆ M2 (R). Determine un conjunto generador para F ⊥ .
1 1 1 −1
Desarrollo:
a b a b 2 −1 a b 2 −7
F⊥ = ∈ M2 (R) : , = , =0
c d c d 1 1 c d 1 −1
a b 2a − b + c + d = 0
= ∈ M2 (R) :
c d 2a − 7b + c − d = 0
a) Encuentre W ⊥
b) Encuentre el subespacio W ∩ W ⊥ ¿Es R4 = W ⊕ W ⊥ ?
c) Exprese v en la forma v = u + w con u ∈ W, w ∈ W ⊥ .
V = {(x, y, z, w) ∈ R4 : x + y = z ∧ y + z = w}
a) Determine la dimensión de U ∩ W .
b) Determine la dimensión de U + W .
5) Determine si las siguientes afirmaciones son Verdaderas o Falsas. Justifique si son Verdaderas y
dé un contra-ejemplo para las falsas.
a) El vector (1, 2, 1) es combinación lineal de (−1, 2, 1), (1, 1, −2), (1, 2, 3).
b) Sea W = h(1, 2, −5), (2, 1, 3), (−4, 1, −19)i, entonces la dim(W ) = 3.
1
c) Sea B = {x + 1, x2 + 2x, 1} base de R2 [x] entonces [−3x2 − 4x + 6]B = 2
−1
Calcular:
Transformaciones Lineales
En este capitulo se estudiarán funciones sobre espacios vectoriales y sus propiedades y algunos
espacios especiales asociados a la función. Veremos que una función se puede caracterizar como una
matriz, entendiendo que la información de una función se puede codificar en una matriz especial. Al
final del capitulo estudiaremos que las matrices en su gran mayorı́a están relacionadas entre ellas
mediante un proceso de utilidad debido a que este proceso simplifica la forma de la matriz inicial
transformando la matriz inicial en una matriz diagonal de manera que su manipulación es más sencilla.
Sean los siguientes espacios vectoriales con sus operaciones respectivas:
(R3 , +, ·)
+ : (a, b, c) + (x, y, z) = (a + x, b + y, c + z)
· : α ∈ R, (x, y, z) ∈ R3 α(x, y, z) = (αx, αy, αz)
(R2 [x], +, ·)
+: (ax2 + bx + c) + (dx2
+ ex + f ) = (a + d)x2 + (b + e)x + (c + f )
· : α ∈ R, ax + bx + c ∈ R2 [x] α(ax2 + bx + c) = αax2 + αbx + αc
2
Una función que respeta la suma y la multiplicación por un escalar de cada espacio vectorial es
una transformación lineal, es decir, si consideramos la siguiente función:
T : R3 −→ R2 [x]
2
(a, b, c) −→ ax + bx + c
Corroboremos si esta función es una transformación lineal con vectores particulares, para ejemplifi-
car y en segunda instancia demostremos que es una transformación lineal. Sean (1, 2, 3), (0, 2, −1) ∈ R3
y −2 ∈ R entonces:
T : R3 −→ R2 [x]
(1, 2, 3) −→ x2 + 2x + 3
(0, 2, −1) −→ 2x − 1
(1, 2, 3) + (0, 2, −1) = (1, 4, 2) −→ x2 + 4x + 2 = (x2 + 2x + 3) + (2x − 1)
−2(1, 2, 3) = (−2, −4, −6) −→ −2x2 − 4x − 6 = (−2)(x2 + 2x + 3)
Observar que sumar en R3 es análogo que sumar en R2 [x] mediante esta función. Ahora probe-
mos algebraicamente que esta función respeta las operaciones en cada espacio vectorial, es decir una
transformación lineal.
57
CAPÍTULO 3. TRANSFORMACIONES LINEALES
Pilar Johnson Aburto
T (αu) = αT (u) ∀α ∈ R, ∀u ∈ U
Ejemplo 47.
Consideremos la siguiente funcón
T : R2 −→ R2
(x, y) −→ (2x + 3y, x − 3y)
2)
F : R3 [x] −→ R
ax3 2
+ bx + cx + d −→ ad − bc
3)
L: M2 (R2 ) −→
R
2
a b a b
L −→ L = (a + d, b + c)
c d c d
Observación 26. El conjunto de todas las transformaciones lineales de un espacio vectorial V en un
espacio vectorial W se denota por
L(V, W ) = {T : V → W : T es Transformación lineal}
Proposición 8. Sea T una función de U en V , entonces T es una transformación lineal si y sólo si
se cumple que :
(∀u, v ∈ U ) (∀α ∈ R) (T (u + αv) = T (u) + αT (v))
Teorema 22. Sean U , V espacios vectoriales reales, además sean {u1 , · · · , un } una base de U y
{v1 , · · · , vn } un subconjunto de V , entonces existe una única transformación lineal T de U en V tal
que T (ui ) = vi , i = 1, · · · , n
Es decir, una transformación lineal queda completamente determinada por sus imágenes en una base
del dominio.
Ejemplo 48.
Determinar una transformación lineal T de R2 en U = {(x, y, z) ∈ R3 : x + y + z = 0} tal que
T (1, 0) = (1, 2, −3) y T (1, 1) = (5, −3, −2).
Desarrollo:
Como {(1, 0), (1, 1)} es una base de R2 y los vectores (1, 2, −3) y (5, −3, −2) ∈ U por teorema existe
una única transformación lineal.
Sea (x, y) ∈ R2 . Escribimos éste como combinación lineal de los elementos de la base. Ası́:
(x, y) = (x − y)(1, 0) + y(1, 1)
Luego aplicamos T a ambos lados de la igualdad y desarrollamos el lado derecho reemplazando T (1, 0) =
(1, 2, −3) y T (1, 1) = (5, −3, −2) cuando corresponde.
T : R2 −→ U
(x, y) −→ (x + 4y, 2x − 5y, −3x + y)
Ejemplo 49.
Sea
T : R3 −→ R2
(x, y, z) −→ (x − 2y + z, 2x + 3y + 2z)
Explicitar el Kernel de T .
Desarrollo:
Luego
Ker(T ) = {(x, y, z) ∈ R3 : x = −z ∧ y = 0}
= {(−z, 0, z) ∈ R3 : z ∈ R}
= {z(−1, 0, 1) ∈ R3 : z ∈ R}
= h(−1, 0, 1)i
Definición 45. Se define la Nulidad de una transformación lineal T como la dimensión del Kernel
de T. Lo cual denotamos por:
N ul(T ) = dim(Ker(T ))
Ejemplo 50.
Considere la transformación
T : R2 [x] −→ R3
(ax2 + bx + c) −→ (a − b, 2b − c, a + c)
Determinar N ul(T )
Desarrollo:
Im(T ) = (a, b, c) ∈ R3 : a − b − c = 0
= (a, b, c) ∈ R3 : a = b + c
= {(b + c, b, c) : b, c ∈ R}
= {b(1, 1, 0) + c(1, 0, 1) : b, c ∈ R}
= h(1, 1, 0), (1, 0, 1)i
−β + γ = 0 1 −1 0 1 0 0 α=0
−α + 2β = 0 ⇐⇒ 0 2 −1 → 0 1 0 ⇒ β = 0
α+γ =0 1 0 1 0 0 1 γ=0
Luego {(0, −1, 1), (−1, 2, 0), (1, 0, 1)} es una base para Im(T ). Por lo tanto Rg(T ) = 3.
Por otra parte, sabemos que dim(R2 [x]) = 3, y en el ejemplo 50 calculamos que N ul(T ) = 0, por lo
tanto se tiene:
dim(R2 [x]) = N ul(T ) + Rg(T )
3=0+3
T : R3 −→ M2 (R)
x + 2y − z 2x + 5y − z
(x, y, z) −→
x + 3y y − 2z
a) Obtener Ker(T )
b) Obtener Im(T ).
c) Verifique el teorema de la dimensión
Teorema 27.
1) T es Inyectiva ⇔ Ker(T ) = 0U
Ejemplo 54.
Sea
T : R3 −→ R2 [x]
(a, b, c) −→ (a − 2b)x2 + (4a + c)x + (c − b)
es decir 3 = 0+Rg(T ) luego Rg(T ) = 3. Ası́ dim(Im(T )) = 3. Como Im(T ) ≤ R2 [x] y dim(R2 [x]) = 3
se tiene que Im(T ) = R2 [x]. Por lo tanto T es epiyectiva. Luego T es biyectiva.
1) T es Inyectiva ⇔ Rg(T ) = n.
2) T es sobreyectiva ⇔ Rg(T ) = m.
Ejemplo 55.
Sea
T : R2 −→ R3
(x, y) −→ (2x − y, x + 3y, x + y)
T (1, 0) = (2, 1, 1)
T (0, 1) = (−1, 3, 1)
Luego por teorema 25 se tiene: Im(T ) = h(2, 1, 1), (−1, 3, 1)i. Notemos que los vectores son l.i ya
que ninguno es múltiplo del otro. Ası́ {(2, 1, 1), (−1, 3, 1)} es una base para Im(T ). Por lo tanto
Rg(T ) = 2. Además por el teorema de las dimensiones se tiene dim(R2 ) = N ul(T ) + Rg(T ), es decir,
2 = N ul(T ) + 2, por lo tanto N ul(T ) = 0, luego Ker(T ) = {(0, 0, 0)} Por lo tanto T es inyectiva.
Pero T no es epiyectiva ya que Rg(T ) 6= dim(R3 ).
x−y x+y+z
Ejercicio 32. 1) Sea T : R4 −→ M2 (R) definida por T (x, y, z, w) = .
x+y−z 2x + z
Determinar si T es biyectiva.
a + b a − 2b + c
2) Sea T : R2 [x] −→ M2 (R) definida por T (ax2 + bx + c) = . Determinar si
b − 2c a+c
T es biyectiva.
F + G : U −→ V
u → F (u) + G(u)
αF : U −→ V
u → α · F (u)
IdU : U → U
u → IdU (u) = u
G ◦ F : U −→ W
u → G(F (u))
F :R2 −→ R3 ; G :R2 −→ R3
(x, y) −→ (x − 4y, 2x + y, x) (x, y) −→ (2x − y, x − 3y, y)
Explicitar la Transformación F + G y 3F .
Desarrollo:
Sea (x, y) ∈ R2
Ası́
F +G: R2 −→ R3
(x, y) −→ (3x − 5y, 3x − 2y, x + y)
Luego
3F : R2 −→ R3
(x, y) −→ (3x − 12y, 6x + 3y, 3x)
F :R2 −→ R3 ; G :R3 −→ R2
(x, y) −→ (x − 4y, 2x + y, x) (x, y, z) −→ (2x − y − z, x − 3y + 2z)
Explicitar F ◦ G.
Desarrollo:
Entonces: F ◦ G : R3 → R3 se obtiene por:
Luego:
F ◦G: R3 → R3
(x, y, z) → (−2x + 11y − 9z, 5x − 5y, 2x − y − z)
Desarrollo:
Sea (x, y, z) ∈ R3 tal que :
T (x, y, z) = (0, 0, 0)
(2x − y + z, x − y + 2z, x + z) = (0, 0, 0)
2x − y + z = 0
x − y + 2z = 0
x+z =0
0 + 3 =3
T (x, y, z) = (a, b, c)
(2x − y + z, x − y + 2z, x + z) = (a, b, c)
2x − y + z = a
x − y + 2z = b
x+z =c
Entonces
x= c
y = b − 2a + 3c
z = c−a+b
Ası́:
T (x, y, z) = (a, b, c)
T (c, b − 2a + 3c, c − a + b) = (a, b, c)
(c, b − 2aa + 3c, c − a + b) = T −1 (a, b, c)
Por lo tanto:
T −1 : R3 −→ R3
−1
(a, b, c) −→ T (a, b, c) = (c, b − 2aa + 3c, c − a + b)
Proposición 9. Dos espacios vectoriales de dimensión finita son isomorfos si y sólo si tienen la misma
dimensión, es decir,
U ' V ⇔ dim(U ) = dim(V )
Observación 28. Si dos espacios vectoriales son isomorfos no significa que sean iguales, pero toda
propiedad relacionada con la estructura de espacio vectorial que posea uno de ellos se transfiere al otro
a través del isomorfismo.
Ejemplo 58.
Consideremos la siguiente transformación lineal
T : R2 [x] −→ R3
ax2 + bx + c −→ (a, b, c)
T (ax2 + bx + c) = (0, 0, 0)
(a, b, c) = (0, 0, 0)
0 + 3 =3
a) Determinar (T ◦ T ) (x, y) .
b) Hallar,si existe, T −1 (a, b) .
h (a, b, c) = (a − 3b − 2c) x2 + (b + c) x − (a + c)
a) ¿ h es inyectiva ?
b) ¿ h es epiyectiva ?
c) ¿ h es isomorfismo?
Ejemplo 59.
Sea
T : R3 → R2
(x, y, z) → T (x, y, z) = (5x − 2y + 3z, x + 4y − 2z)
Determinar la matriz asociada a T en la base canónica de cada espacio.
Desarrollo:
Consideremos CR3 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} la base canónica de R3
y CR2 = {(1, 0), (0, 1)} la base canónica de R2 , entonces la transformación lineal actúa de la siguiente
forma:
T : R3 → R2
(1, 0, 0) → T (1, 0, 0) = (5, 1) = 5(1, 0) + 1(0, 1)
(0, 1, 0) → T (0, 1, 0) = (−2, 4) = −2(1, 0) + 4(0, 1)
(0, 0, 1) → T (0, 0, 1) = (3, −2) = 3(1, 0) + (−2)(0, 1)
CR2 5 −2 3
Por lo tanto [T ]C 3 =
R 1 4 −2
y las bases B1 = {(1, 0, −1) ; (2, 1, 0) ; (0, 1, 1)} y B2 = {(−2, 1) ; (1, −1)} de R3 y R2 respectiva-
mente. Se pide:
Teorema 30. Sean U y V espacios vectoriales de dimensión finita y T una transformación lineal de
U y V , entonces:
[T (u)]C = [T ]C
B [u]B
Ejemplo 60.
1) Sean B = {(1, 1, 1); (0, 1, 1); (1, 0, 1)} y D = {(1, 1); (0, 1)} bases de R3 y R2 respectivamente y
T una transformación lineal tal que:
4 2 −2
[T ]C
B =
−3 −1 1
T : R3 → R2
B D
T : R3 −→ R2
(x, y, z) → (2x − 4z + 6y, −z + 2y)
2) Sea B = {(1, 1, 1), (0, 1, 1), (1, 0, 1)} y D = {(1, 1, 0), (1, 0, 1), (1, 2, 3)} bases de R3 y T una
transformación lineal tal que
4 2 −2
[T ]D
B =
−3 −1 1
1 2 −2
Determinar, sin explicitar T (x, y, z), una base para el Ker(T ) y para la Im(T ).
Desarrollo:
Sea u ∈ Ker(T ), luego T (u) = 0, por lo cual [T (u)]D = 0. Por el teorema anterior tenemos
[T (u)]D = [T ]D
B [u]B
es decir 0 = [T ]D
B [u]B , remplazando tenemos:
4 2 −2 a 0
−3 −1 1 b = 0
1 2 −2 c 0
Por lo tanto Ker(T ) = h(1, 1, 2)i. Como {(1, 1, 2)} es linealmente independiente, entonces
{(1, 1, 2)} es una base de Ker(T ).
Sabemos por lo anterior que Rg(T ) es igual a 2, luego basta encontrar dos vectores linealmente
independiente de Im(T ). Como
4 2 −2
[T (1, 1, 1)]D = −3 ; [T (0, 1, 1)]D = −1 ; [T (1, 0, 1)]D = 1
1 2 −2
entonces
T (1, 1, 1) = 4(1, 1, 0) − 3(1, 0, 1) + 1(1, 2, 3) = (2, 6, 0)
T (0, 1, 1) = 2(1, 1, 0) − 1(1, 0, 1) + 2(1, 2, 3) = (3, 6, 5)
T (1, 0, 1) = −2(1, 1, 0) + 1(1, 0, 1) − 2(1, 2, 3) = (−3, −6, −5)
Luego por teorema 25 se tiene:
Además el conjunto {(2, 6, 0), (3, 6, 5)} es linealmente independiente, por lo tanto {(2, 6, 0), (3, 6, 5)}
es una base de Im(T ).
Ejercicio 35. Dada una transformación lineal T : R3 →R3 y B = {(1, 1, 0) , (1, 0, 1) , (1, 0, 0)} base
1 1 1
ordenada de R3 y C = {(1, 0, 1) , (0, 1, 1) (1, 1, 1)} base ordenada de R3 tal que [T ]C
B = 2 1 0
1 2 3
Teorema 31. Sean U, V y W espacios vectoriales de dimensión finita sobre R con B, C, D bases de
U, V, W respectivamente. Si T, L son transformaciones lineales de U en V , F es otra transformación
lineal de V en W y α ∈ R entonces:
1) [T + αL]C C C
B = [T ]B + α[L]B
2) [F ◦ T ]C D C
B = [F ]C [T ]B
[T ◦ T ]B B B B 2
B = [T ]B [T ]B = ([T ]B )
Ejemplo 61.
1 3
1) Sean T : R2 → R2 tal que T (1, 0) = (2, 1) T (0, 1) = (1, 1), [L]C = donde C =
2 3
{(1, 0), (0, 1)}
Encontrar [T ◦ L]C
Desarrollo:
2 1
Calculando la matriz asociada a T en la base canónica es [T ]C =
1 1
Luego
2 1 1 3 4 9
[T ◦ L]C = [T ]C · [L]C = =
1 1 2 3 3 6
2) Sea T : R2 −→ 2
R una transformación lineal cuya matriz asociada en la base canonica es
3 2
[T ]C =
1 −4
Determinar (T ◦ T )(x, y)
Desarrollo:
Por Corolario anterior
2
2 3 2 11 −2
[T ◦ T ]C = ([T ]C ) = =
1 −4 −1 18
11 −2 x 11x − 2y
Luego [T (x, y)]C = · =
−1 18 y C −x + 18y
Luego se tiene que (T ◦ T )(x, y) = (11x − 2y)(1, 0) + (−x + 18y)(0, 1) = (11x − 2y, −x + 18y).
Teorema 32. Sean U y V espacios vectoriales de dimensión finita sobre R, además B y C bases de
U y V respectivamente. Si T es una transformación lineal de U en V , entonces:
1) T es un isomorfismo si y sólo si [T ]C
B es regular (invertible).
−1
2) Si T es un isomorfismo, entonces [T −1 ]B C
C = [T ]B .
Ejemplo 62.
Sean B = {(1, 1, 1); (0, 2, −1); (1, 0, 1)}, D = {(1, 2, 1); (1, 3, 2); (2, 1, 3)} bases de R3 y T una transfor-
mación lineal tal que:
5 2 −2
[T ]D
B =
−3 −1 1
1 4 −3
Demostrar que T es un isomorfismo y explicitar T −1 .
Desarrollo:
3) Calcular T −1 (x, y, z)
Observación 30. Matriz cambio de base es un caso particular de la matriz asociada , en efecto, es
cuando la transformación lineal es la identidad.
Proposición 10. Sea U un espacio vectorial real de dimensión finita sobre R con B y C bases de U ,
entonces:
1) [Id]C
B [u]B = [u]C , es decir, cambia las coordenadas de un vector de base en base.
2) [Id]C B −1
B = [Id]C
3) [Id]B
B = In
Ejemplo 63.
Consideremos las siguientes bases en R3 , C = {(1, 0, 1), (1, 2, 3), (0, 0, −1)} y B = {(1, 1, 1), (1, 0, 0), (0, 1, 0)}.
La matriz cambio base de B en C esta dada por:
Luego:
−1
1
2 1 2
1
1
[Id]C 0
B =
2 2
1 1 1
R3 → R3
(1, 3, −2)B → [Id]C
B [(1, 3, −2)]B = [(1, 3, −2)]C
−2
en efecto, si [(1, 3, −2)]B = 3 , entonces las coordenadas del vector (1, 3, −2) en base C esta
5
dado por:
−1
1 −1
2 1 2 2
1 1
−2 −3
2 0 2 3 = 2
5
1 1 1 6
Es decir, el vector (1, 3 − 2) con la base B se escribe como: (1, 3, −2) = −2(1, 1, 1) + 3(1, 0, 0) +
−1 −3
5(0, 1, 0) y con la base C se escribe como: (1, 3, −2) = (1, 0, 1) + (1, 2, 3) + 6(0, 0, −1).
2 2
Teorema 33. Sean U y V dos espacios vectoriales de dimensión finita sobre R, además B y B 0 bases
de U , C y C 0 bases de V . Si T es una transformacion lineal de U en V entonces:
0 0
[T ]C C C B
B = [Id]C 0 [T ]B 0 [Id]B
Ejemplo 64.
Sean B = {(1, 1, −1); (0, 2, −1); (1, 0, 1)}, D = {(1, 2, 1); (1, 3, 2); (2, 1, 3)} bases de R3 y T una trans-
formación lineal tal que:
5 2 −2
[T ]D
B =
−3 −1 1
1 4 −3
Calcular [T ]B
B.
Desarrollo:
Usando el teorema anterior:
[T ]B B D B B D
B = [Id]D [T ]B [Id]B = [Id]D [T ]B I3
Calcularemos [Id]B
D:
[T ]B
B = [Id]
B D
D [T ]B
−2/3 −5/3 −1 5 2 −2
= 4/3 7/3 1 −3 −1 1
5/3 8/3 3 1 4 −3
2/3 −11/3 8/3
= 2/3 13/3 −10/3
10/3 38/3 −29/3
Ejercicio 37.
1 2 0
Dada T : R3 →R3 tal que [T ]B2
B1 = 1 1 1 , donde
3 −1 1
son bases de R3 .
3) Encuentre [T ]B4
B3 , sin calcular T (x, y, z) , donde
3.8. Diagonalización
Definición 54. Sean V un R-espacio vectorial y T una transformación lineal de V en V .
1) Se dice que λ ∈ R es un Valor Propio de T si y sólo si existe v ∈ V − {0V } tal que T (v) = λv.
2) Se dice que v ∈ V − {0V } es un Vector Propio de T si y sólo si existe λ ∈ R tal que T (v) = λv.
Ejemplo 65.
Dada la transformación lineal
F : R2 → R2
(x, y) → (x + y, 3x − y)
Determinar todos los valores propios asociados a F .
Desarrollo:
F (x, y) = λ(x, y)
⇔ (x + y, 3x − y) = λ(x, y)
⇔ (x + y, 3x − y) − λ(x, y) = (0, 0)
⇔ (x + y − λx, 3x − y − λy) = (0, 0)
Eso se reduce a:
x + y − λx = 0 (1 − λ)x + y = 0
⇔
3x − y − λy = 0 3x + (−1 − λ)y = 0
Como el sistema es homogéneo y buscamos una solución no trivial entonces el sistema debe tener
infinitas soluciones. Por lo tanto el determinante de la matriz asociada debe ser cero. En efecto:
(1 − λ) 1
= (1 − λ)(−1 − λ) − 3 = −1 − λ + λ + λ2 − 3 = λ2 − 4 = 0
3 (−1 − λ)
Como λ2 − 4 = (λ − 2)(λ + 2) = 0 entonces λ = 2 ∨ λ = −2. Por lo tanto los valores propios son
2, −2.
→
−
1) Se dice que λ ∈ R es un valor propio de A, si existe v ∈ Rn − { 0 } tal que Av = λv.
→
−
2) Se dice que v ∈ Rn − { 0 } es un vector propio de A, si y sólo si existe λ ∈ R tal que Av = λv.
T (v) = λv con v 6= 0
⇔ (T − λI)v = 0 con v =6 0
⇔ v ∈ Ker(T − λI) con v 6= 0
⇔ Ker(T − λI) 6= {0V }
Av = λv con v 6= 0
⇔ Av − λv = 0
⇔ (A − λI)v = 0 con v 6= 0
Notar que I(v) = v. Este es un sistema de ecuaciones homogeneo con solución distinta de la
trivial, por lo tanto det(A − λI) = 0, de esta ecuación se obtienen los valores propios de A.
Ejemplo 66.
1 −2
Sea A = . Encontrar los valores propios de A y los vectores propios asociados a cada valor
−1 0
propio.
Desarrollo:
Sea λ un valor propio de A. En efecto, λ es valor propio de A si es solución de det(A − λI) = 0,
entonces se tiene:
1 − λ −2
−1 −λ = 0
Definición 56.
1) Sea λ un valor propio de una transformación lineal T de V en V . Se define el espacio propio Vλ
como el conjunto de todos los vectores propios asociados a λ, además del vector nulo, es decir:
Vλ = {v ∈ V : T (v) = λv}
2) Sea λ un valor propio asociado a la matriz A. Se define el espacio propio asociado a λ como el
conjunto de todos los vectores propios asociados a λ, además del vector nulo, es decir:
Wλ = {v ∈ Rn : Av = λv}
Ejemplo 67.
1) Dada la transformación lineal
F : R2 → R2
(x, y) → (x + y, 3x − y)
Determinar todos los espacios propios asociados a F , sabiendo que 2 y −2 son los únicos valores
propios.
Desarrollo:
Calculemos el espacio propio asociado al valor propio 2
V2 = {(x, y) ∈ R2
: T (x, y) = 2(x, y)}
= {(x, y) ∈ R2
: (x + y, 3x − y) = (2x, 2y)}
= {(x, y) ∈ R2
: (x + y − 2x, 3x − y − 2y) = (0, 0)}
{(x, 2
= y) ∈ R : (y − x, 3x − 3y) =(0, 0)}
y−x = 0
= (x, y) ∈ R2 :
3x − 3y = 0
= {(x, y) ∈ R2 : y = x}
= h(1, 1)i
Del ejercicio anterior relacionado podemos ver que los valores propios de la matriz A son λ1 = 2
y λ2 = −1.
Para el valor propio λ1 = 2 se tiene:
W2 = {v ∈ R2 : Av = 2v}
{v ∈ R2 : Av −
= 2v = 0}
2 1 −2 x 0
= (x, y) ∈ R : − 2I =
−1 0 y 0
−1 −2 x 0
= (x, y) ∈ R2 : =
−1 −2 y 0
2
= {(x, y) ∈ R : −x − 2y = 0}
= {(−2y, y) : y ∈ R}
= h(−2, 1)i
W2 = {v ∈ R2 : Av = −1v}
= {v 2
∈ R : Av + 1v = 0}
2 1 −2 x 0
= (x, y) ∈ R : + 1I =
−1 0 y 0
2 −2 x 0
= (x, y) ∈ R2 : =
−1 −1 y 0
= {(x, y) ∈ R2 : 2x − 2y = 0}
= {(y, y) : y ∈ R}
= h(1, 1)i
Teorema 34. Sean U un espacio vectorial de dimensión n sobre R, B una base de U y T una transfor-
mación lineal de U en U entonces, λ ∈ R es un valor propio asociado a T si y sólo si [T ]B
B − λIn = 0
Ejemplo 68.
Dada
T : R3 → R3
(x, y, z) → (2x − y + z, x − y + z, x)
Determinar los valores propios de T .
Desarrollo:
El teorema anterior, nos permite escoger cualquier base del espacio vectorial entonces C = {e1 , e2 , e3 }
base canónica de R3 . La matriz asociada esta dada por:
T (1, 0, 0) = (2, 1, 1)
T (0, 1, 0) = (−1, −1, 0)
T (0, 0, 1) = (1, 1, 0)
Por lo tanto la matriz asociada a la base canónica esta dada por:
2 −1 1
[T ]C = 1 −1 1
1 0 0
|[T ]C − λI3| = 0
2 −1 1 1 0 0
1 −1 1 − λ 0 1 0 = 0
1 0 0 0 0 1
2−λ −1 1
1
−1 − λ 1 = −λ(2 − λ)(−1 − λ)
1 0 −λ
Definición 57. 1) Sean U un espacio vectorial de dimensión n sobre R, B una base de U y T una
T.L. de U en U . Se define el Polinomio Caracteristico de T por:
pA (x) = |A − xIn |
Proposición 11. Sea p(x) un polinomio caracteristico de una T.L. o de una matriz. Las raices del
polinomio caracteristico son los valores propios de la T.L. o de la matriz.
Ejemplo 69.
a b
1) Sea [TB ] = , entonces
c d
a b 1 0 2
c d − x 0 1 = x − (a + d)x + (ad − bc)
1 4
2) Sea A = , entonces
2 3
1−x 4 = x2 − 4x − 5
2 3−x
El polinomio caracteristico de T ,es el polinomio caracterı́stico de A el cual esta dado por: pT (x) =
(4−x)(x+2)2 . Ası́ los valores propios son x1 = 4, x2 = −2 y los espacios propios estan generados
por los siguientes vectores propios:
1) Tomemos otra base en R3 , digamos B = {(1, 1, 0), (0, 1, 0), (0, 0, 1)}. Entonces:
−1 0 −1
[T ]B = −2 4 14
1 0 −3
Observar que es el mismo polinomio caracteristico y ası́ los mismos valores propios, es decir no
depende de la base elegida.
Las dos matrices tiene como polinomio caracteristico p(x) = (4 − x)(x + 2)2 y ası́ valores pro-
pios: x1 = 4, x2 = −2. Pero los espacios propios asociados a A son: W4 = h(0, 1, 0)i, W−2 =
h(1, −1, 1)i, y los espacios propios asociados a D son: W4 = h(1, −1, 1)i, W−2 = h(1, −1, 0), (0, −2, 1)i.
Definición 58. Sean A y B ∈ Mn (R). Diremos que A y B son similares o semejantes si existe una
matriz P invertible tal que A = P BP −1 o equivalentemente B = P −1 AP
3) Dos matrices similares tienen los mismos valores propios con las mismas multiplicidades.
4) Dos matrices que representan la misma transformación lineal respecto a diferentes bases son
similares, ya que [T ]B = P −1 [T ]B 0 P según teorema 33.
Ejemplo 70.
−3 −4 0 −2 1 0 0 0 1 0 4 1
8 13 4 8 0 1 0 0 1 1 2 1
Sabiendo que A = P BP −1 , con A =
,B = ,P =
4 6 3 4 0 0 −1 0 2 3 1 2
−12 −20 −8 −13 0 0 0 −1 0 1 1 1
6
Mostrar que A = I.
Desarrollo:
Como A6 = A5 · A, pero como A es similar con B, entonces:
A6 = (P BP −1 )6 = P BP −1 · · · · · P BP −1 = P B 6 P −1
6
1 0 0 0 1 0 0 0
0 1 6 0 0 0 1
0 0
Como B es diagonal entonces: B 6 =
0 0 (−1)6 =
0 0 0 1 0
0 0 0 (−1)6 0 0 0 1
6 −1 −1
ası́ A = P I4 P = P P = I4 .
Definición 59. Sea A ∈ Mn (R) se dice diagonalizable si es similar a una matriz diagonal D, es decir
existe una matriz P invertible de tamaño n × n tal que D = P −1 AP .
Teorema 35. Sea A ∈ Mn (R) es diagonalizable si y sólo si A tiene n vectores propios linealmente
independientes.
Ejemplo 71.
Consideremos la matriz
−1 0 −1
A = −2 4 14
1 0 −3
sabemos que el polinomio caracteristico esta dado por p(x) = (4 − x)(x + 2)2 .
Veamos si es diagonalizable.
Desarrollo:
Para esto veremos que tenga 3 vectores linealmente independientes.
Para x1 = 4 se tiene que:
−5 0 −1 x 0 x 0
−2 0 14 y = 0 ⇒ y = y
1 0 −7 z 0 z 0
0
Luego v1 = y es un vector asociado a x1 = 4.
0
Para x2 = −2, vemos que:
1 0 −1 x 0 x z
−2 6 14 y = 0 ⇒ y = −2z
1 0 −1 z 0 z z
1
Luego si z = 1 obtenemos que v2 = −2 es un vector propio asociado a x2 = −2.
1
Por lo tanto, A no es diagonalizable, pues tiene dos vectores propios no tres.
Observación 35.
1) No toda matriz cuadrada es diagonalizable.
Definición 60. Sean V un espacio vectorial de dimensión n sobre R y T una transformación lineal
de V en V . Se dice que el operador T es diagonalizable si y sólo si existe una base B de V tal que
[T ]B es una matriz diagonal
Ejemplo 72.
Dada la transformación lineal
F : R2 → R2
(x, y) → (x + y, 3x − y)
1) Determinar la matriz asociada a F en la base canónica, es decir C = {(1, 0), (0, 1)}.
Desarrollo:
Observación 36. Observar que en el ejercicio anterior se calcula la matriz asociada a la transfor-
mación lineal mediante dos bases distintas, la cual en la segunda parte del ejercicio se obtiene una
matriz diagonal y en la primera no.
Teorema 37. Sea A ∈ Mn (R) es diagonalizable si y sólo si se verifican las siguientes dos condiciones:
Ejemplo 73.
1) Sean v1 = (1, a, −1), v2 = (−1, 1, 2) y v3 = (1, −1, b), tres vectores propios de una matriz A ∈
M3 (R). Determinar los valores de a y b de modo que A sea diagonalizable.
Desarrollo:
Por el teorema anterior si {v1 , v2 , v3 } es l.i. entonces A será diagonalizable, es decir:
2) Sea T : R2 → R2 una transformación lineal tal que T (x, y) = (2x + 2y, x + y), veamos si T es
diagonalizable.
Desarrollo:
Para encontrar los valores propios de T :
x(2 − λ) + 2y = 0
Es decir, obtenemos el sistema homogéneo:
x + y(1 − λ) = 0
2−λ 2
Luego
= λ(λ − 3) = 0, por lo tanto los valores propios de T son λ = 0 y λ = 3.
1 1−λ
Para λ = 0 tenemos que:
En efecto:
T (−1, 1) = (0, 0) = 0(1, −1) + 0(2, 1)
T (2, 1) = (6, 3) = 0(1, −1) + 3(2, 1)
3) Sea
T : R2 [x] → R2
ax2 + bx + c → (2a − b + 4c)x2 + (2a + b)x + (2a + c)
Determinemos una base en R2 [x] tal que la matriz de T en esta base es una matriz diagonal.
Desarrollo:
Consideremos la base canonica C = {1, x, x2 } de R2 [x]. Ası́:
1 0 2
[T ]C = 0 1 2
4 −1 2
1−x 0 2
el polinomio caracteristico esta dado por: pT (x) = 0
1−x 2 = −4 + x + 4x2 − x3
4 −1 2 − x
factoriazando se obtiene que pT (x) = −(x − 1)(x − 4)(x + 1) ası́ los valores propios son: −1, 1, 4.
Y como cada raı́z tiene multiplicidad 1 la transformación lineal es diagonalizable. Calculemos
los espacios propios asociado a cada valor propio.
Para x = −1 se tiene
Ası́
2 0 2 1 0 1
0 2 2 → 0 1 1
4 −1 3 0 0 0
−γ
2
Por lo tanto [ax + bx + c]C = −γ .
γ
Como C es la base canonica entonces: p(x) = −γ · 1 − γ · x + γ · x2 = γ(−1 − x + x2 )
Luego V1 = h−1 − x + x2 i.
Para x = 1 se tiene:
Ası́
1 − (1) 0 2 1 −1/4 0
0 1 − (1) 2 → 0 0 1
4 −1 2 − (1) 0 0 0
1/4t
Por lo tanto [ax2 + bx + c]C = t
0
Luego
1 1
p(x) = t · 1 + t · x + 0 · x2 = t( + x)
4 4
1
Por lo tanto V1 = h + xi
4
Para x = 4 se tiene:
Ası́
1 − (4) 0 2 1 0 −2/3
0 1 − (4) 2 ∼ 0 1 −2/3
4 −1 2 − (4) 0 0 0
2/3t
Por lo tanto [ax2 + bx + c]C = 2/3t
t
Luego
2 2 2 2
p(x) = t · 1 + t · x + t · x2 = t( + x + x2 )
3 3 3 3
Ası́ su polinomio caracterı́stico esta dado por: pA (x) = x2 − x − 5 = (x − 5)(x + 1). Luego sus
valores propios son:−1, 5.
Sus espacios propios estan dado por:
Para λ = −1 se tiene:
2 1+1 4 x 0
V−1 = (x, y) ∈ R : =
2 3+1 y 0
2 4 1 2
Ası́: →
2 4 0 0
V−1 = {(x, y) ∈ R : x = −2y}
= {(−2y, y) : y ∈ R}
= h(−2, 1)i
Para λ = 5 se tiene:
2 1 − (5) 4 x 0
V−1 = (x, y) ∈ R : =
2 3 − (5) y 0
−4 4 −1 1
Ası́ →
2 −2 0 0
V−1 = {(x, y) ∈ R : x = y}
= {(x, x) : x ∈ R}
= h(1, 1)i
1 −2 −1 1/3 2/3
Entonces P = donde P =
1 1 1/3 −1/3
−1 1/3 2/3 1 4 1 −2 5 0
de tal forma P AP = =
1/3 −1/3 2 3 1 1 0 −1
a) Una base de W .
b) El conjunto generador de W ⊥ .
c) Un subespacio U de R3 , de manera que U W = R3
L
y las bases B1 = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} y B2 = {−x2 + 1, 1, x + 1}, de R3 y R2 [x], respecti-
vamente. Determine :
a) N ul(T )
b) Rg(T ).
B2
c) [T ]B 1
.
T : R4 → R3
(a, b, c, d) → T (a, b, c, d) = (a + 3b, 4b + a, 5c + 9d)
Determine:
F : R1 [x] → R2
ax + b → F (ax + b) = (a + b, 2a + 3b)