Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes Alumnoslineal
Apuntes Alumnoslineal
FACULTAD DE INGENIERÍA
SEMESTRE 2022-2
ÁLGEBRA LÍNEAL
MÉTODO DE EVALUACIÓN
• La exención se otorgará a los alumnos que acrediten el curso con calificación aprobatoria
mínima de seis (6).
• Para poder presentar los exámenes correspondientes a cada parte del curso, el alumno deberá
entregar las series correspondientes a los capítulos que comprenda cada examen. Esta serie
tiene un valor del 10% + la calificación del examen. Ponderación del 65% en calificación final.
• Se dejarán tareas por clase, su promedio tendrá un valor del 35%, NO SE ACEPTAN TAREAS
ATRASADAS.
• En caso de no quedar exentos se tendrá la posibilidad de presentar los dos exámenes finales,
siempre y cuando su asistencia a clases sea del 70%. El primer final será promediado con
parciales y con el promedio de las calificaciones de las tareas que se dejen a lo largo del curso.
Para este promedio se considerarán los siguientes porcentajes.
Tareas 10%
ESCALA DE CALIFICACIONES
0.0 – 5.9 --- 5
6.5
7.5
8.5
9.5
9.6 – 10 --- 10
2
Apuntes de Álgebra Lineal
FINALES:
3
Apuntes de Álgebra Lineal
BIBLIOGRAFÍA
1. Anton, Howard.
Introducción al Álgebra Lineal, 5ta. Edición, Limusa Wiley, 2001
5. Poole David
Álgebra Lineal. Una introducción moderna, 2da edición, Cengage Learning Editores, 2011
CAPÍTULOS:
I. Grupos y Campos
II. Espacios Vectoriales
III. Transformaciones lineales
IV. Espacios con Producto Interno
V. Operadores lineales en espacios con producto interno
Álgebra Lineal: es la parte de la matemática que estudia los espacios vectoriales y los conceptos
relacionados con ellos (matrices, espacios y formas algebraicas), así como las aplicaciones a la teoría
de sistemas de ecuaciones lineales y al comportamiento algebraico de las funciones.
4
Apuntes de Álgebra Lineal
CAPITULO 1
“GRUPOS Y CAMPOS”
1.1 Operación binaria.
Se puede decir que una operación binaria es una regla que asigna a cada par ordenado de elementos
de un conjunto, un único elemento de dicho conjunto.
Definición.
Una operación binaria * definida en un conjunto S no vacío es una función de SxS en S. La imagen
del par ordenado (a, b) bajo la operación * se representa con a*b.
Ejemplo.
Para definir una operación binaria en un conjunto S bastará con especificar una regla que asigne a
cada par ordenado de elementos de S un único elemento de S.
Ejemplo.
5
Apuntes de Álgebra Lineal
Aunque la manera más usual de definir una operación binaria es mediante una expresión
“matemática” en ciertos casos suele hacerse también mediante una “tabla”. Estas tablas son
particularmente útiles cuando el conjunto sobre el que se define la operación es finito y tiene pocos
elementos.
Ejemplo.
Grupo.
La estructura algebraica más simple es la de grupo. Se emplea el nombre de grupo para designar la
estructura que poseen los sistemas formados por un conjunto y una operación binaria cuando dicha
operación es asociativa, está dotada de elemento idéntico y todo elemento del conjunto tiene
inverso para la operación. La cerradura se puede dar por asentada al tener una operación binaria.
Definición.
Sea G un conjunto no vacío y sea * una operación binaria definida en G. El sistema (G,*) tiene
estructura de grupo si:
i ) a , b G , a b G
ii ) a , b, c G , a b c = a b c
iii ) e G tal que e a = a , a G
iv ) a G , i G tal que i a = e
Ejemplo.
Como consecuencia de los postulados que establece la definición de grupo, se deducen una serie
de propiedades, las cuales son comunes a todos los sistemas que tienen dicha estructura.
Teorema:
Teorema:
Grupo Abeliano.
6
Apuntes de Álgebra Lineal
Definición.
Entre las propiedades adicionales que poseen los grupos abelianos, como consecuencia de la
conmutatividad, se encuentran las siguientes.
i)a, b, c G; a * b = c * a b = c
ii)a, b, c G; b * a = a * c b = c
Ejemplo.
Subgrupo.
Cuando un sistema (G, *) tiene estructura de grupo es posible que algunos subconjuntos de G con
la operación * tengan, por si mismos, estructura de grupo. En tal caso se dice que éstos son
subgrupos de G.
Definición.
Sea (G, *) un grupo y sea S G, se dice que S es un subgrupo de G para la operación * si (S, *) es un
grupo.
El siguiente teorema nos permite determinar cuándo un subconjunto es un subgrupo, sin tener que
verificar todas las condiciones definidas para analizar a un grupo.
Teorema.
i)a, b S ; a * b S
ii)a S ; i S
Ejemplo.
7
Apuntes de Álgebra Lineal
Una vez que se tiene un grupo abeliano, se comienza a trabajar con la segunda operación definida
en el conjunto, se deben verificar los axiomas de cerradura, asociatividad, conmutatividad,
elemento idéntico, y al incorporar los inversos para la segunda operación se obtiene la estructura
algebraica más completa, dicha estructura recibe el nombre de “campo” (cuerpo) y contiene las
propiedades comunes a los sistemas numéricos más completos algebraicamente; entre los que se
encuentran los números racionales, los números reales y los números complejos con sus respectivas
operaciones de adición y multiplicación.
Definición.
Sea A un conjunto de por los menos dos elementos y sean + y ∙ dos operaciones binarias definidas
en A. El sistema (A, +, ∙) es un campo si:
(A, ∙) es un grupo abeliano a excepción del inverso para el elemento idéntico de la primera operación
(cero del campo)
∙ es distributiva.
Ejemplos.
8
Apuntes de Álgebra Lineal
CAPITULO 2
“ESPACIOS VECTORIALES”
2.1 Definición de espacio vectorial. Propiedades elementales de los espacios vectoriales.
Subespacios.
ESPACIO VECTORIAL.
En este capítulo se analizaran conjuntos en los cuales exista una relación entre sus elementos, de
manera que se establezca el concepto de dependencia lineal.
En forma genérica, a los elementos de un espacio vectorial se les llama “vectores”, por lo que, en
este contexto, la palabra vector adquiere un significado más amplio.
DEFINICIÓN
En primera instancia se definirá lo que es un espacio vectorial, para tal efecto se considerará un
conjunto U y un campo K, cuyos elementos se conocen como vectores y escalares respectivamente.
Para poder llegar a definir la estructura de espacio vectorial se requiere, además de las siguientes
operaciones:
1) Suma de vectores
(a, b) = (a,b)
Si estas operaciones cumplen con las siguientes propiedades, entonces se tendrá un espacio
vectorial.
9
Apuntes de Álgebra Lineal
1) Cerradura: 𝑎̅ + 𝑏̅ 𝜖 U
2) Conmutatividad. a + b = b + a
3) Asociatividad:
a U
4) Elemento idéntico.
e U e + a = a + e = a
a U
5) Elemento inverso.
i U a + i = i + a = e
6) 𝛼 𝑎̅ 𝜖 U
III. Distributividades. a , b U y , K
7) 𝛼(𝑎̅ + 𝑏̅) = 𝛼𝑎̅ + 𝛼𝑏̅
IV. Homogeneidad.
∀ 𝑎̅ 𝜖 𝑈; ∀ 𝛼, 𝛽 𝜖 K
9) (αβ)𝑎̅ = 𝛼(𝛽𝑎̅)
V. Escalar idéntico. a U ; K
10) a = a
EJEMPLO:
EJEMPLO:
10
Apuntes de Álgebra Lineal
Espacio Nulo:
De los diez postulados que integran la definición de espacio vectorial, los primeros cinco se refiere
únicamente a la adición, y establecen que el sistema (V, +) es un grupo abeliano; por lo tanto, se
pueden enunciar las siguientes propiedades, las cuales son comunes a todos los espacios
vectoriales.
TEOREMA.
i) u , v , w V : u + v = u + w v = w
ii) El vector e = 0 es único, tal que: v + e = v ; v V
iii) El vector i es único para cada elemento, tal que: v + i = e
iv) La ecuación u + x = v ; tiene solución única en V
v) v V ; − (−v ) = v
vi) u , v V ; − (u + v ) = −u + (−v )
Continuando con los postulados de la multiplicación por un escalar se establecen otras propiedades
que, junto con las anteriores, rigen los procedimientos algebraicos en un espacio vectorial.
TEOREMA:
𝑖) ∀ ∝ 𝜖 𝐾: ∝ 0̅ = 0̅
𝑖𝑣) ∀ ∝ 𝜖 𝐾, 𝑣̅ 𝜖 𝑉: ∝ 𝑣̅ = 0̅ → 𝛼 = 0 𝑜 𝑣̅ = 0̅
𝑣) ∀ ∝ 𝜖 𝐾, 𝑢̅, 𝑣̅ 𝜖 𝑉: ∝ 𝑢̅ =∝ 𝑣̅ 𝑦 ∝≠ 0 → 𝑢̅ = 𝑣̅
SUBESPACIO.
Es posible que un espacio vectorial tenga subconjuntos que sean, por sí mismos, espacios
vectoriales.
11
Apuntes de Álgebra Lineal
Subespacio vectorial.
Para facilitar la verificación de que un conjunto es subespacio vectorial o no, se dispone del siguiente
teorema.
Es decir que bastará con verificar la “cerradura” de B con respecto a la adición y a la multiplicación
por un escalar definidas en A para concluir que B es subespacio de A.
EJEMPLO:
NOTA: Condición necesaria que un conjunto contenga el vector cero para que sea subespacio, pero
dicha condición no es suficiente.
EJEMPLOS:
EJEMPLO.
Los espacios vectoriales del tipo Rn tienen una gran aplicación en el estudio mismo de los espacios
vectoriales. Es probablemente que la aplicación más útil resulte el teorema que estable que los
espacios vectoriales de la misma dimensión, son isomorfos. Es decir, todos los espacios vectoriales
de la misma dimensión son algebraicamente hablando, iguales. De esta manera al estudiar un
espacio vectorial V, de dimensión n, emplearemos el isomorfismo para trabajar con vectores del
espacio vectorial Rn y el resultado lo aplicaremos al espacio V.
𝑅 𝑛 ↔ 𝑀𝑛𝑥𝑛
𝑎 𝑏 |𝑎,
𝑀 = {[ ] 𝑏, 𝑐, 𝑑 ∈ 𝑅}
𝑐 𝑑
12
Apuntes de Álgebra Lineal
𝑅 4 = {(𝑎, 𝑏, 𝑐, 𝑑)|𝑎, 𝑏, 𝑐, 𝑑 ∈ 𝑅}
−1 0
[ ] → (−1,0,2,3)
2 3
(1,4,4,2) → [1 4
]
4 2
DEFINICIÓN.
Sean U y V dos espacios vectoriales. Se dice que la función I:U→V es un isomorfismo de U a V, si I
es biyectiva (inyectiva y suprayectiva) y además cumple con las siguientes condiciones.
Los espacios vectoriales isomorfos sólo difieren en la naturaleza de sus elementos, sus propiedades
algebraicas son idénticas.
Si U y V son espacios vectoriales isomorfos bajo el isomorfismo I, entonces para el vector a del
espacio U, existe un único vector v en el espacio V, tal que I(u)=v y recíprocamente, para cada vector
de V del espacio V, existe un único vector u del espacio U tal que I(v)=u
De acuerdo con lo anterior podemos establecer los siguientes teoremas:
EJEMPLO.
2.3 Combinación Lineal. Dependencia Lineal. Conjunto generador de un espacio vectorial. Base y
dimensión de un espacio vectorial. Coordenadas de un vector respecto a una base ordenada. Matriz
de transición.
13
Apuntes de Álgebra Lineal
COMBINACIÓN LINEAL.
EJEMPLO:
EJEMPLO:
DEPENDENCIA LINEAL.
Decimos que el conjunto V es linealmente dependiente, si existen escalares no todos nulos, que
satisfagan la ecuación: 1v1 + 2v2 + 3v3 + + nvn = 0 Ecuación de dependencia lineal.
Teorema 1: Todo conjunto de vectores que contenga al vector cero 0 es linealmente dependiente.
(1,0), (0,1)
NOTA: Un conjunto formado por dos o más vectores es linealmente dependiente cuando al menos
uno de ellos es una combinación lineal de los otros vectores del conjunto.
En caso contrario; cuando ninguno de los vectores es combinación lineal de los restantes, el
conjunto es linealmente independiente.
EJEMPLO:
14
Apuntes de Álgebra Lineal
EJEMPLO:
Cuando todos los vectores de un espacio vectorial pueden obtenerse mediante combinaciones
lineales de un conjunto finito de vectores de dicho espacio, se dice que dicho conjunto es generador
del espacio vectorial.
Todo conjunto de vectores no vacío genera un espacio vectorial y para un espacio vectorial el
conjunto generador no es único.
El conjunto de todas las combinaciones lineales de un conjunto de vectores de un espacio vectorial
V es un subespacio de V.
EJEMPLO:
Base canónica:
La base canónica de Rn es el conjunto {𝑒̅1 , 𝑒̅2 , 𝑒̅3 , … , 𝑒̅𝑛 }
15
Apuntes de Álgebra Lineal
1 𝑝𝑎𝑟𝑎 𝑖 = 𝑗
Donde 𝑒𝑖𝑗 = {
0 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑗
Todas las bases de un espacio vectorial de n elementos tienen el mismo número de elementos o
menor.
EJEMPLO:
Dimensión:
La dimensión de un espacio vectorial se define como la cantidad de vectores de cualquiera de sus
bases.
Teoremas:
- Sea V un espacio vectorial sobre K. Si 𝐵 = {𝑣̅1 , 𝑣̅2 , 𝑣̅3 , … , 𝑣̅𝑛 } se dice que V es de
Dimensión n. Dim V = n, en particular si 𝑉 = {0̅} entonces dim V = 0.
- Sea V un espacio vectorial sobre K. Si 𝐵 = {𝑣̅1 , 𝑣̅2 , 𝑣̅3 , … , 𝑣̅𝑛 } es una base de V, entonces
cualquier conjunto de vectores de V con más de n elementos es linealmente dependiente.
- Si V es un subespacio vectorial de dimensión n, cualquier conjunto linealmente independiente
formado por n vectores de V es una base de dicho espacio.
- Si V es un espacio vectorial de dimensión n y W es un subespacio de V entonces
dim W n. . Si dim W = n entonces W=V
EJEMPLOS.
COORDENADAS DE UN VECTOR RESPECTO A UNA BASE:
Dada la base: 𝐵 = {𝑏̅1 , 𝑏̅2 , 𝑏̅3 , … , 𝑏̅𝑛 } de un espacio vectorial, en donde un vector
EJEMPLO:
16
Apuntes de Álgebra Lineal
EJEMPLO:
MATRIZ DE TRANSICIÓN:
El cambio de coordenadas de una base a otra puede efectuarse multiplicando una matriz por un
vector. Esta matriz se conoce como matriz de transición o matriz de cambio de base.
Para obtener esta matriz se procede de la siguiente forma:
𝑆𝑒𝑎𝑛 𝐵 = {𝑣̅1 , 𝑣̅2 , 𝑣̅3 , … , 𝑣̅𝑛 }
𝑊 = {𝑤
̅1 , 𝑤
̅2 , 𝑤
̅3 , … , 𝑤̅𝑛 }
B
Dos bases de un espacio vectorial,
MW la matriz de transición está formada por la
disposición en columnas de los vectores de coordenadas de los elementos de la base B con respecto
a la base W, esto es:
𝐵 𝑇 𝑇 𝑇 𝑇
𝑀𝑊 = [(𝑣 1 𝑊 (𝑣
̅̅̅) 2 𝑊 (𝑣
̅̅̅) 3 𝑊 … (𝑣
̅̅̅) 𝑛 𝑊]
̅̅̅)
𝐵
𝑀𝑊 (𝑣̅ )𝐵 = (𝑣̅ )𝑊
EJEMPLO:
𝑀𝑽𝑾 𝑒𝑠𝑡𝑜 𝑒𝑠
𝑉 )−1
(𝑀𝑊 = 𝑀𝑉𝑊
EJEMPLO:
17
Apuntes de Álgebra Lineal
De la misma forma en que se obtienen espacios vectoriales iguales con los renglones de una matriz
(aplicando transformaciones elementales), se pueden obtener espacios vectoriales iguales
considerando las columnas de dicha matriz.
Por lo tanto la aplicación de transformaciones elementales sobre las líneas de una matriz conduce
a espacios vectoriales iguales a los espacios de las líneas originales. De esta manera es factible
obtener la base y dimensión de un espacio vectorial, reduciendo una matriz determinada, a la forma
escalonada.
18
Apuntes de Álgebra Lineal
Se dice que una matriz es una forma canónica escalonada, cuando además de ser una matriz
escalonada, el primer elemento distinto de cero de cada renglón es uno y dicho elemento es el único
diferente de cero en la columna en que se encuentra.
Ejemplo:
• Para una matriz dada a existe una y sólo una forma canónica escalonada que es equivalente a
la matriz A.
• Los renglones no nulos de una forma canónica escalonada constituyen una base de su espacio
renglón.
La última propiedad es válida también para una matriz escalonada cualquiera, pero en el caso de
una forma canónica aún más evidente.
EJEMPLO:
Teorema:
La relación que guardan los espacios renglón y columna de una matriz es que la dimensión de estos
es la misma.
Para cualquier matriz A se tiene que: L (AR) L(AC), dim L(AR)=dim L(AC)
EJEMPLO:
RANGO:
Se llama rango de una matriz A, y se denota con R(A) al número:
R(A)=dim L(AR) = dim L(AC)
EJEMPLO.
19
Apuntes de Álgebra Lineal
2.5 El espacio vectorial de las funciones continuas de variable real. Subespacios de dimensión finita.
La dependencia lineal de funciones.
ESPACIO VECTORIAL DE FUNCIONES:
El conjunto de las funciones reales de variable real constituyen un espacio vectorial con las
operaciones de adición y multiplicación por un escalar definidas en el curso de Cálculo Diferencial
integral.
(f+g) (x) = f(x) + g(x)
EJEMPLOS:
20
Apuntes de Álgebra Lineal
CAPITULO 3
“TRANSFORMACIONES LINEALES”
u T(u)
Dominio Codominio
( x,y,z) (x,y)
T(x,y,z) = (x,y)
21
Apuntes de Álgebra Lineal
3.2 Definición de transformación lineal. Los subespacios núcleo y recorrido de una transformación
lineal. Caso de dimensión finita: relación entre las dimensiones del dominio, recorrido y núcleo de
una transformación lineal.
TRANSFORMACIÓN LINEAL:
Antes de continuar con la descripción de conjuntos que caracteriza a una transformación se dará la
definición correspondiente a transformación lineal.
Una transformación T:U→V donde U y V son espacios vectoriales, es lineal, si y solo si, satisface las
siguientes propiedades:
1) Superposición: La transformación de una suma es igual a la suma de las transformaciones:
uT v=T(u)
El núcleo de una transformación es el conjunto de vectores cuya imagen es el vector cero. Dicho
conjunto lo representamos con: N (T), esto es:
𝑁(𝑇) = {𝑢̅|𝑢̅ ∈ 𝑈; 𝑇(𝑢̅) = 0̅}
22
Apuntes de Álgebra Lineal
U V
N(T)
0
u1
u2
̅1 ) + 𝑇(𝑤
Se tiene que: 𝑣̅1 + 𝑣̅2 = 𝑇(𝑤 ̅ 2 ) como T es lineal entonces:
𝑣̅1 + 𝑣̅2 = 𝑇(𝑤 ̅2 )
̅1 + 𝑤
𝑣̅1 + 𝑣̅2 ∈ 𝑇(𝑀) ∴ 𝑐𝑢𝑚𝑝𝑙𝑒
Multiplicación por un escalar.
∝ 𝑣̅1 =∝ 𝑇(𝑤 ̅1 ), ∝ 𝑣̅1 ∈ 𝑇(𝑀)
̅1 ) como T es lineal, ∝ 𝑣̅1 = 𝑇(∝ 𝑤
Es un subespacio vectorial de M.
Sea T:V→W una transformación lineal. Si 𝐵 = {𝑣̅1 , 𝑣̅2 , 𝑣̅3 , … , 𝑣̅𝑛 } es una base de V, entonces el
conjunto 𝐺 = {𝑇(𝑣̅1 ), 𝑇(𝑣̅2 ), 𝑇(𝑣̅3 ), … , 𝑇(𝑣̅𝑛 )} es un generador de T(V).
23
Apuntes de Álgebra Lineal
Sea 𝐵 = {𝑣̅1 , 𝑣̅2 , 𝑣̅3 , … , 𝑣̅𝑛 } una base de V. Si w es un vector cualquiera de T(V), entonces existe
un vector v V tal que:
𝑤
̅ = 𝑇(𝑣̅ )
Como B es una base de V:
̅ = 𝑇(∝1 𝑣̅1 +∝2 𝑣̅2 +∝3 𝑣̅3 + ⋯ +∝𝑛 𝑣̅𝑛 ) Por lo que:
𝑤
̅ = 𝑇(∝1 𝑣̅1 ) + 𝑇(∝2 𝑣̅2 ) + 𝑇(∝3 𝑣̅3 ) + ⋯ + 𝑇(∝𝑛 𝑣̅𝑛 ) y como T es lineal
𝑤
̅ =∝1 𝑇(𝑣̅1 ) +∝2 𝑇(𝑣̅2 ) +∝3 𝑇(𝑣̅3 ) + ⋯ +∝𝑛 𝑇(𝑣̅𝑛 )
𝑤
en consecuencia 𝐺 = {𝑇(𝑣̅1 ), 𝑇(𝑣̅2 ), 𝑇(𝑣̅3 ), … , 𝑇(𝑣̅𝑛 )} es un conjunto generador de T(V)
Si G es linealmente independiente entonces es una base de T(V) y si es linealmente dependiente
puede obtenerse una base de T(V) a partir de este.
EJEMPLO:
TEOREMA de dimensiones: Sea U un espacio vectorial y sea T:U→V una transformación lineal, se
tiene que:
Dim U = Dim T(U) + Dim N(T)
Donde U = dominio de la transformación
T(U) = Recorrido de la transformación
N(T) = Núcleo de la transformación
Esto sucede siempre que se trabaja con espacios de dimensión finita, U es un espacio vectorial de
dimensión finita.
EJEMPLO:
EJEMPLO:
24
Apuntes de Álgebra Lineal
3.3 Matriz asociada a una transformación lineal con dominio y codominio de dimensión finita.
MATRIZ ASOCIADA A UNA TRANSFORMACIÓN LINEAL.
Existe una forma alternativa para obtener imágenes de una transformación lineal, la cual está
basada en el concepto de matriz asociada a una transformación.
Esta matriz se obtiene por la disposición en columnas de las imágenes de los elementos de una base
canónica del dominio. De esta forma, la imagen de un vector está dada por el producto de la matriz
asociada y el vector dado en forma de columna.
U V
u T(u)
Esto es posible de esta forma, siempre y cuando tanto el dominio como el codominio sean espacios
del tipo Rn.
EJEMPLO:
Las ideas anteriores pueden generalizarse al caso de espacios vectoriales cualesquiera,
simplemente, reemplazando los vectores imagen por sus respectivos vectores de coordenadas.
T
U V V
U V
T
A B
A es base del dominio
B es base del codominio 𝑀𝐵𝐴 (𝑇)
25
Apuntes de Álgebra Lineal
De esta forma se tiene que las columnas de dicha matriz son los vectores de coordenadas, en la base
B, de las imágenes de los elementos que integran la base A.
T: R3 → R2
R3 T R2
TEOREMA: Si T:V→ W es una transformación lineal, existe una y solo una matriz:
𝑀𝐵𝐴 (𝑇) de orden nxn, tal que:
𝑀𝐵𝐴 (𝑇) (𝑣̅ )𝐴 = [𝑇(𝑣̅ )]𝐵 ∀ 𝑣̅ ∈ 𝑉
Donde A y B son bases de V y W respectivamente.
• En toda transformación es posible obtener su matriz asociada.
De acuerdo con este teorema la matriz 𝑀𝐵𝐴 (𝑇) nos permite calcular la imagen de un vector
cualquiera v del dominio, mediante el siguiente procedimiento, que podríamos considerar indirecto.
26
Apuntes de Álgebra Lineal
Esquematizando:
Aplicando la regla
de correspondencia
v
𝑇(𝑣̅ )
Cálculo Obtención
de 1 3 de la
1
coordenadas imagen
2
1
Multiplicando por 𝑀𝐵𝐴 (𝑇)
la matriz.
EJEMPLO:
TEOREMA: En una transformación lineal, la dimensión del recorrido es igual a la dimensión o rango
de la matriz asociada referida a dicha transformación.
T: V→ W R(M(T)) = dim T(V)
R(𝑀𝐵𝐴 (𝑇))= dim T(V)
EJEMPLO:
3.4 Álgebra de las transformaciones lineales: definición y propiedades de la adición, la multiplicación
por un escalar y la composición de transformaciones.
ALGEBRA DE TRANSFORMACIONES:
Así como se tiene operaciones con funciones también se tienen operaciones con transformaciones.
27
Apuntes de Álgebra Lineal
S:U→V. Se tiene como resultado de esta operación: (𝑇 + 𝑆)𝑢̅ = 𝑇(𝑢̅) + 𝑆(𝑢̅) ∀ 𝑢̅ ∈ 𝑈. En términos
de matrices asociadas se tiene que: M(T + S) = M(T) + M(S).
3) Multiplicación por un escalar: Dada una transformación T:U→V y un escalar que pertenece al
campo de definición, se define esta operación de la siguiente forma:
( T)𝑢̅ = T(𝑢̅ ) U.
En términos de matrices asociadas se tiene: M(T) = M(T)
U T V R W
R
T(u)
u R[T(u)]
S( u)=R[T( u)],
Para que esta operación pueda ser realizada debe existir intersección entre el recorrido de T y el
dominio de R.
La relación entre matrices asociadas está dada por:
M(R•T)=M(R)M(T) o MR•T=MRMT
TEOREMA: El resultado de efectuar las operaciones anteriores con transformaciones lineales es una
transformación lineal.
EJEMPLOS:
28
Apuntes de Álgebra Lineal
T-1→ MT-1=(MT)-1
EJEMPLO:
EJEMPLO:
Si F:U→V y T:V→W son dos transformaciones biyectivas, y es un escalar del campo sobre el que
están definidos V y W entonces:
i) T-1 es única
ii) (T-1)-1 = T
TEOREMA: Sea T: V→W una transformación lineal. Si T-1 existe entonces es una transformación
lineal.
29
Apuntes de Álgebra Lineal
TEOREMA: Sean T:V→W una transformación lineal, V un espacio de dimensión finita y A, B bases
de V y W respectivamente.
i) T-1 existe si y solo si 𝑀 𝐵𝐴 (𝑇) es no es singular
ii) Si T-1 existe, entonces 𝑀𝐴𝐵 (𝑇 −1 ) = [𝑀𝐵𝐴 (𝑇)]−1
EJEMPLO:
Una traslación por un vector b ≠ 0 desplaza a una figura sumando b a todos sus puntos. Una
transformación afín es una transformación lineal seguida de una traslación.
El escalamiento consiste en simplemente multiplicar la transformación por un escalar, para
agrandar o empequeñecer la imagen. T(x) = αx, todo dependerá del valor del escalar.
T: V→V
A las que se les conoce con el nombre de “operadores”
30
Apuntes de Álgebra Lineal
A tales vectores se les llama “vectores característicos” del operador T y a los escalares se les conoce
como “valores característicos” de dicho operador. “ay-guen” (egienvalor)
Del ejemplo, 4 es un valor característico, y (1,2) es el vector característico.
Se excluye al vector cero como vector característico. Esto se debe a la conveniencia de que todo
vector característico corresponda a un solo valor característico. Empero, esta definición permite al
escalar cero ser un valor característico.
Algunos ejemplos:
Para la transformación identidad:
I:V→V, todos los vectores no nulos de V son vectores característicos
correspondientes al valor 1 puesto que 𝐼(𝑣̅ ) = 𝑣̅ = 1𝑣̅ ; ∀ 𝑣̅ ∈ 𝑉
Para la transformación cero:
O:V→V, todos los vectores no nulos de V son vectores característicos
correspondientes al valor 0, puesto que: 0(𝑣̅ ) = 0 = 0𝑣̅ ∀ 𝑣̅ ∈ 𝑉
f(x)= cex
PROPIEDADES DE LOS VALORES Y VECTORES CARACTERÍSTICOS.
31
Apuntes de Álgebra Lineal
ESPACIO CARACTERÍSTICO:
Es claro que todos los vectores de un espacio vectorial se transforman en vectores del mismo
espacio al aplicarles la transformación.
Si 𝑣̅ V entonces 𝑇(𝑣̅ ) V.
Si al conjunto de vectores característicos le agregamos el vector nulo, entonces dicho conjunto
define un espacio vectorial al cual llamaremos espacio característico:
𝐸() = {𝑣̅ |𝑣̅ ∈ 𝑉, 𝑇(𝑣̅ ) = 𝑣̅ } 𝑣̅ = 0
Se define a u como un vector característico del operador T y al escalar como un valor característico
de dicho operador.
De 1 y 3 tenemos que:
I 𝑢̅ = 𝐴 𝑢̅; donde I es la matriz identidad.
De donde:
𝐴 𝑢̅ − I 𝑢̅ = 0
(𝐴 − I)𝑢̅ = 0 … …. (4)
32
Apuntes de Álgebra Lineal
Si obtenemos el determinantes de A- I, esto es: DET (A- I) a esta expresión se le conoce como
“polinomio característico”, de la transformación si se iguala a cero (DET(A- I))=0 y se le llama
“ecuación característica”, la cual nos permite obtener los valores de , es decir los valores
característicos.
Para obtener los respectivos vectores característicos, asociados a los valores de , se utiliza la
ecuación (4), esto es se determina la relación entre los componentes del vector u, para los cuales se
satisface esta ecuación.
EJEMPLO:
EJEMPLO:
3.8 Matrices similares y sus propiedades. Diagonalización de la matriz asociada a un operador lineal.
MATRICES SIMILARES:
Las matrices asociadas a una transformación lineal en dos bases cualesquiera, pertenecen a un
cierto tipo de matrices cuadradas llamadas similares.
La forma en que se relacionan las matrices asociadas a una transformación lineal está dada por el
siguiente teorema:
TEOREMA: Sea T:V→V una transformación lineal sobre un espacio vectorial V de dimensión finita.
Si M es la matriz asociada a T referida a la base A y N es la matriz asociada a T respecto a la base B,
entonces N=P-1MP, donde P es a matriz de transición de B a A.
𝑀 = 𝑀𝐴𝐴 (𝑇)
𝑁 = 𝑀𝐵𝐵 (𝑇)
𝑃 = 𝑀𝐴𝐵
𝑁 = 𝑃−1 𝑀𝑃 ecuación de similaridad
El Teorema puede escribirse de la siguiente manera: “Dos matrices representan a la misma
transformación lineal T de B a B en bases diferentes, si son similares, donde V es el espacio vectorial
de dimensión finita”
Dos matrices representan al mismo operador si y solo si son similares.
Propiedades:
- Si A y B son matrices similares entonces Det A = Det B
- Dos matrices similares tienen el mismo polinomio característico y por lo tanto, los mismos
valores característicos.
33
Apuntes de Álgebra Lineal
EJEMPLO:
Entre los tipos más sencillos de matrices están las diagonales. No siempre es posible encontrar una
representación diagonal para cualquier operador. Las condiciones bajo las cuales existe tal
representación:
Sea V un espacio vectorial de dimensión n y T:V→V un operador lineal: existe una matriz diagonal
asociada a T, referida a una base, si y solo si existe una base de V formada por vectores
característicos. En tal caso, la matriz asociada a T, referida a esta base, es una matriz diagonal cuyos
elementos dii son los valores característicos correspondientes.
𝜆1 0 0 0
𝐷 = [0 𝜆2 0 0]
0 0 0 𝜆𝑛
Para que un operador lineal tenga representación diagonal es condición suficiente que sus valores
característicos sean diferentes, sin embargo tal condición no es necesaria.
Dicho de otra manera, la suma de la dimensión de los espacios característicos debe ser la dimensión
del dominio, de esta forma se comprueba que el operador es diagonalizable; significa que el
operador o transformación se puede representar por una matriz diagonal.
EJEMPLO:
Diagonalización: Es un procedimiento que permite modificar a una matriz cualquiera a efecto de
obtener su matriz diagonal. Para el caso de matrices asociadas a una transformación, la matriz
diagonal que representa al operador se obtiene con la expresión: D=P-1AP
Donde D es la matriz diagonal, P es una matriz formada por vectores característicos dispuestos en
forma de columna y se le llama matriz diagonalizadora, y A es una matriz asociada al operador
referida a una base canónica, llamada matriz diagonalizable.
34
Apuntes de Álgebra Lineal
TEOREMA: Una matriz A de nxn es similar a una matriz diagonal D, si y solo si existe un conjunto
linealmente independiente formado por n vectores característicos de A. En tal caso, existe una
matriz no singular P tal que: D=P-1AP
EJEMPLO:
EJEMPLO:
35
Apuntes de Álgebra Lineal
CAPITULO 4
“ESPACIOS CON PRODUCTO INTERNO”
4.1 Definición de producto interno y sus propiedades elementales
PRODUCTO INTERNO:
Se ha visto que en un espacio vectorial se tiene la posibilidad de establecer varias operaciones, una
operación muy importante es la correspondiente al producto interno entre vectores, la cual se
denota por:
〈𝑎̅, 𝑏̅〉
(𝑎̅|𝑏̅)
Si una operación cumple con las siguientes propiedades entonces será un producto interno.
1) Simetría o conmutatividad
(𝑎̅|𝑏̅) = (𝑏̅|𝑎̅)
2) Distributividad sobre la adición
(𝑎̅ + 𝑏̅|𝑐̅) = (𝑎̅|𝑐̅) + (𝑏̅|𝑐̅)
3) Homogeneidad
(∝ 𝑎̅|𝑏̅) =∝ (𝑎̅|𝑏̅)
4) Positividad
(𝑎̅|𝑎̅) > 0 ; ∀𝑎̅ ≠ 0̅
Siempre y cuando el campo de definición del espacio vectorial sea el campo de los reales.
EJEMPLO:
En el caso de que el campo de definición del espacio vectorial corresponde al de los números
complejos, la definición de producto interno está dada por la verificación de las siguientes
propiedades:
∗
1) (𝑎̅|𝑏̅) = (𝑏̅|𝑎̅) donde ∗ = conjugado
2) (𝑎̅ + 𝑏̅|𝑐̅) = (𝑎̅|𝑐̅) + (𝑏̅|𝑐̅)
3) (∝ 𝑎̅|𝑏̅) =∝ (𝑎̅|𝑏̅)
4) (𝑎̅|𝑎̅) > 0; ∀ 𝑎̅ ≠ 0̅
TEOREMA.
36
Apuntes de Álgebra Lineal
Sea V un espacio vectorial sobre C y sea (∙ |∙) un producto interno en V, entonces, ∀ 𝑢̅, 𝑣̅ ∈ 𝑉 𝑦 ∝
∈ 𝐶:
̅ (𝑢̅|𝑣̅ )
𝑖) (𝑢̅|∝ 𝑣̅ ) =∝
𝑖𝑖) (𝑢̅|𝑢̅) ∈ 𝑅
𝑖𝑖𝑖) (0̅|𝑢̅) = 0 = (𝑢̅|0̅)
𝑖𝑣) (𝑢̅|𝑢̅) > 0 ↔ 𝑢̅ ≠ 0̅
EJEMPLO:
4.2 Definición de norma de un vector y sus propiedades, vectores unitarios. Definición de distancia
entre dos vectores y sus propiedades. Definición de ángulo entre dos vectores. Vectores
ortogonales.
NORMA DE UN VECTOR
La idea de magnitud (o tamaño) de un vector se introduce formalmente en un espacio vectorial con
el concepto de norma. v
1⁄
‖𝑣̅ ‖ = (𝑣̅ |𝑣̅ ) 2
1) v = 0 si v = 0
2) v 0 si v 0
3) v = v
4) u + v u + v
Desigualdad del triangulo
.
EJEMPLO:
37
Apuntes de Álgebra Lineal
EJEMPLO:
VECTORES UNITARIOS:
v =1
Se dice que un vector v es unitario cuando
Para cualquier vector v de un espacio con producto interno, el vector:
1 𝑣̅
( ) 𝑣̅ = es un vector unitario.
‖𝑣̅ ‖ ‖𝑣̅ ‖
EJEMPLO:
La distancia es el conjunto de los números reales no negativos, y tiene las siguientes propiedades.
1) 𝑑(𝑢̅, 𝑣̅ ) ≥ 0
2) 𝑑(𝑢̅, 𝑣̅ ) = 0 𝑠𝑖 𝑦 𝑠ó𝑙𝑜 𝑠𝑖 𝑢̅ = 𝑣̅
3) 𝑑(𝑢̅, 𝑣̅ ) = 𝑑(𝑣̅ , 𝑢̅)
4) 𝑑(𝑢̅, 𝑤̅) ≤ 𝑑(𝑢,̅ 𝑣̅ ) + 𝑑(𝑣̅ , 𝑤
̅)
EJEMPLO:
38
Apuntes de Álgebra Lineal
Siempre y cuando el campo de definición del espacio vectorial al cual pertenecen u y v sean los
reales R.
Si el campo de definición es complejo, entonces la expresión que me permite calcular el ángulo es:
𝑅(𝑢̅|𝑣̅ )
cos 𝜃 =
‖𝑢̅‖‖𝑣̅ ‖
Donde R( v|u) representa la parte real del número complejo que resulte del producto interno.
• El hecho de que dos vectores definan 90° no implica que sean ortogonales.
( u| v )=2i 0, pero la parte real es 0 entonces =90°
EJEMPLO
VECTORES ORTOGONALES.
En un espacio con producto interno, dos vectores u y v son ortogonales si:
(𝑢̅|𝑣̅ ) = 0
La ortogonalidad depende de la selección del producto interno. Es posible que dos vectores sean
ortogonales con respecto a un producto interno y que al mismo tiempo no lo sean con respecto a
otro producto interno.
EJEMPLO.
Uno de los resultados más importantes relacionado con la ortogonalidad de dos vectores es la
generalización del llamado “Teorema de Pitágoras”, el cual se enuncia a continuación.
2 2 2
u +v = u + v
39
Apuntes de Álgebra Lineal
Sea V un espacio con producto interno y sea 𝑆 = {𝑣̅1 , 𝑣̅2 , 𝑣̅3 , . . , 𝑣̅𝑛 } un conjunto de vectores de V.
Se dice que S es un conjunto ortogonal cuando:
(𝑣̅𝑖 |𝑣̅𝑗 ) = 0; ∀𝑖 ≠𝑗
EJEMPLO:
40
Apuntes de Álgebra Lineal
se tiene que:
(𝑎̅|𝑣̅𝑖 ) =∝1 (𝑣̅1 |𝑣̅𝑖 ) +∝2 (𝑣̅2 |𝑣̅𝑖 ) +∝3 (𝑣̅3 |𝑣̅𝑖 ) + … + ∝𝑖 (𝑣̅𝑖 |𝑣̅𝑖 ) + ⋯ + ∝𝑛 (𝑣̅𝑛 |𝑣̅𝑖 )
(𝑎̅|𝑣̅𝑖 ) =∝𝑖 (𝑣̅𝑖 |𝑣̅𝑖 )
(𝑎̅|𝑣̅𝑖 )
∝𝑖 =
(𝑣̅𝑖 |𝑣̅𝑖 )
En el caso de que la base sea ortonormal, entonces el vector de coordenadas vendrá dado por:
Entonces, dada la base: 𝐵 = {𝑏̅1 , 𝑏̅2 , 𝑏̅3 , … , 𝑏̅𝑛 } de un espacio vectorial, se tiene que:
𝑣̅1 = 𝑏̅1
𝑟
(𝑏̅𝑟+1 |𝑣̅𝑖 )
𝑣̅𝑟+1 = 𝑏̅𝑟+1 − ∑ 𝑣̅
(𝑣̅𝑖 |𝑣̅𝑖 ) 𝑖
𝑖=1
41
Apuntes de Álgebra Lineal
EJEMPLO:
EJEMPLO.
Sea V un espacio con producto interno y sea S un subconjunto de V. Se dice que un vector vV es
ortogonal al conjunto S si:
(𝑣̅ |𝑢̅) = 0 ∀ 𝑢̅ ∈ 𝑆
S⊥ es un subespacio.
Cerradura multiplicación
(∝ 𝑣̅ |𝑢̅) =∝ (𝑣̅ |𝑢̅)
0 = 0
EJEMPLO:
42
Apuntes de Álgebra Lineal
TEOREMA:
Sea V un espacio con producto interno y sea W un subespacio de V de dimensión finita. Entonces
cualquier vector v V puede expresarse en forma única como:
v = w + w'
donde w W y w' W ⊥
EJEMPLO:
Si 𝑣̅ V, el vector
EJEMPLO:
TEOREMA DE PROYECCIÓN.
Uno de los resultados de la teoría de los espacios con producto interno es el llamado teorema de
proyección (o teorema de la mejor aproximación).
Se trata de encontrar un vector 𝑤 ̅ 0 del plano W que sea “el más cercano” a 𝑣̅ (o “el más
aproximado”), en el sentido de que la distancia entre 𝑣̅ y 𝑤
̅ 0 sea la menor distancia posible entre
𝑣̅ y cualquier vector de W.
Tal vector existe, es único y es precisamente la proyección de 𝑣̅ sobre el subespacio W.
El vector 𝑤
̅ 0 se conoce como la proyección de 𝑣̅ sobre el espacio W, debido a que es la suma de las
proyecciones de 𝑣̅ sobre cada uno de los elementos de una base de W.
43
Apuntes de Álgebra Lineal
Sea V un espacio con producto interno y sea W un subespacio de V. Para cada vector 𝑣̅ V existe
̅ 0 W tal que:
uno y sólo un vector 𝑤
v − w0 v − w , w W , w w0
Dicho vector es la proyección de sobre W.
EJEMPLO:
Los sistemas inconsistentes surgen con frecuencia en las aplicaciones, aunque generalmente no con
una matriz de coeficientes tan grande. Cuando se necesita una solución y no existe alguna, lo mejor
que se puede hace es encontrar una solución tan cercana a la posible.
Por ejemplo al sistema no homogéneo 𝐴𝑥̅ = 𝑏̅, se debe encontrar una 𝑥̃ que haga 𝐴𝑥̃ tan cercana
a 𝑏̅ como sea posible.
El término de mínimos cuadrados surge del hecho de que ‖𝑏̅ − 𝐴𝑥̃‖ es la raíz cuadrada de una suma
de cuadrados.
DEFINICIÓN.
Si A es una matriz de orden mxn y 𝑏̅ está en Rn, una solución por mínimos cuadrados de 𝐴𝑥̅ = 𝑏̅ es
una 𝑥̃ ∈ 𝑅 𝑛 tal que: ‖𝑏̅ −𝐴𝑥̃‖ ≤ ‖𝑏̅ − 𝐴𝑥̅ ‖
TEOREMA:
~ de mínimos cuadrados de
Para cualquier matriz A de mxn y cualquier vector 𝑏̅, hay una solución x
𝐴𝑥̃ = 𝑏̃. Además, si 𝑏̃ es la proyección de 𝑏̅ sobre Col A, entonces: Ax ~=b ~
TEOREMA:
Si A es una matriz mxn, siempre hay 𝑥̃ solución por mínimos cuadrados de 𝐴𝑥̅ = 𝑏̅.
Además,
1. x~ es una solución por mínimos cuadrados de 𝐴𝑥̅ = 𝑏̅ si y solo si 𝑥̃ es una solución de las
ecuaciones normales
𝐴𝑇 𝐴𝑥̃ = 𝐴𝑇 𝑏̅.
44
Apuntes de Álgebra Lineal
𝑥̃ = (𝐴𝑇 𝐴)−1 𝐴𝑇 𝑏̅
EJEMPLOS.
45
Apuntes de Álgebra Lineal
CAPITULO 5
“OPERADORES LINEALES EN ESPACIOS CON PRODUCTO INTERNO”
5.1 Definición y propiedades elementales del adjunto de un operador.
Existen operadores que se pueden trabajar en espacios vectoriales en el cual se encuentra definido
un producto interno.
Dentro de estos operadores y para una mejor comprensión se puede trabajar con el operador
adjunto.
DEFINICION.
Sea V un espacio con producto interno y sea 𝑇: 𝑉 → 𝑉 un operador lineal. Un operador se dice
que es adjunto de T si:
𝑇 ∗: 𝑉 → 𝑉
(𝑇(𝑢̅)|𝑣̅ ) = (𝑢̅|𝑇 ∗ (𝑣̅ )), ∀ 𝑢̅, 𝑣̅ ∈ 𝑉
Recordar que siempre hay una relación entre las representaciones matriciales de los operadores T
y T* cuando éstas se encuentran referidas a una base ortonormal.
TEOREMA
Sea V un espacio vectorial e dimensión finita con producto interno y sea B una base ortonormal de
B. Si 𝑇: 𝑉 → 𝑉 es un operador lineal, entonces:
𝑀𝐵𝐵 (𝑇 ∗ ) = [𝑀𝐵𝐵 (𝑇)]∗
TEOREMA
Si V es un espacio vectorial de dimensión finita y con producto interno, entonces para cada operador
lineal 𝑇: 𝑉 → 𝑉 existe un único adjunto T*, que también es lineal.
EJEMPLO:
TEOREMA: Propiedades elementales.
Sea V un espacio vectorial sobre K, con producto interno. Si S y T son operadores lineales en V y α
es un escalar de K, entonces:
46
Apuntes de Álgebra Lineal
𝑖) (𝑇 ∗ )∗ = 𝑇
𝑖𝑖) (∝ 𝑇)∗ =∝ ̅ 𝑇∗
𝑖𝑖𝑖) (𝑆 + 𝑇)∗ = 𝑆 ∗ + 𝑇 ∗
𝑖𝑣) (𝑆 ∘ 𝑇)∗ = 𝑇 ∗ ∘ 𝑆 ∗
5.2 Definición y propiedades elementales de operador normal.
DEFINICIÓN
Sea V un espacio con producto interno y sea 𝑇: 𝑉 → 𝑉 un operador lineal. Se dice que T es normal
si 𝑇 ∘ 𝑇 ∗ = 𝑇 ∗ ∘ 𝑇.
De esta definición se sigue de inmediato que si T es normal T* también es normal y viceversa.
Interpretando lo anterior:
1) Si 𝜆 es un valor característico de T entonces 𝜆̅ es un valor característico de T*
2) Todo vector característico de T es también un vector característico de T* (aunque no
necesariamente correspondiente al mismo valor que para T).
3) Para operadores normales, los vectores característicos asociados a valores distintos son
ortogonales.
EJEMPLO:
5.3 Definición y propiedades elementales de operadores simétricos, hermitianos, antisimétricos,
antihermitianos, ortogonales, unitarios y su representación matricial.
Operadores normales reciben nombres especiales debido a que sus características propias son de
interés para la teoría de operadores lineales. Estos operadores suelen distinguirse con diferentes
nombres cuando el espacio vectorial está definido sobre el campo de los números complejos y
cuando está definido sobre el campo de los números reales.
47
Apuntes de Álgebra Lineal
DEFINICIÓN:
Sea V un espacio vectorial sobre C (sobre R) con producto interno y sea 𝑇: 𝑉 → 𝑉 un operador
lineal, se dice que:
i) T es hermitiano (simétrico) si T* = T
ii) T es antihermitiano (antisimétrico) si T* = -T
iii) T es unitario (ortogonal) si T* = 𝑇 −1
Si V es un espacio vectorial con campo de definición en los reales, al operador hermitiano se le llama
operador simétrico y a los operadores antihermitianos se les llama operadores antisimétricos.
48
Apuntes de Álgebra Lineal
TEOREMA
Sea V un espacio con producto interno, B es una base ortonormal de V, 𝑇: 𝑉 → 𝑉 un operador lineal
y A la representación matricial de T referida a la base B.
i) Hermitiano: si y solo si A* = A
ii) Antihermitiano: si y solo si A* = -A
iii) Unitario si y solo si A* = 𝐴−1
Operadores Unitarios.
Sea V un espacio de dimensión finita sobre Complejos con producto interno, y sea 𝑇: 𝑉 → 𝑉 un
operador lineal. Se tendrá un operador unitario respecto al producto interno definido, si para todo
𝑣̅1 𝑦 𝑣̅2 ∈ 𝑉 se cumple que:
Si V es un espacio definido sobre los Reales es más común decir que T es un operador ortogonal,
cuando T satisface la condición anterior.
TEOREMA: Propiedades.
49
Apuntes de Álgebra Lineal
Recordando el teorema de proyección hay que remarcar que el resultado de este teorema era un
vector proyectado, con el teorema espectral el resultado será un operador.
DEFINICIÓN.
Sea V un espacio vectorial sobre C (sobre R), de dimensión finita y con producto interno y sea
𝑇: 𝑉 → 𝑉 un operador normal (simétrico).
𝑖) 𝑇 = 𝜆1 𝑃1 + 𝜆2 𝑃2 + ⋯ + 𝜆𝑛 𝑃𝑛
𝑖𝑖) 𝑃1 + 𝑃2 + ⋯ + 𝑃𝑛 = 𝐼
𝑖𝑖𝑖) 𝑃𝑖 ∘ 𝑃𝑗 = 0, 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑗
A la primer expresión del teorema se le conoce como “descomposición espectral” del operador T,
tal descomposición es única (salvo en el orden de los sumandos).
EJEMPLO:
5.5 Formas cuádricas. Aplicación de los valores y vectores propios de matrices simétricas a las
formas cuádricas:
Para esta parte del curso lo que se pretende es la aplicación de algunos conceptos estudiados en la
geometría analítica. En particular a lo referente al giro de ejes, para simplificar la identificación de
cónicas o bien la degeneración de ellas.
50
Apuntes de Álgebra Lineal
αx´´2 + βy´´2 + σ = 0
A través de un giro de ejes y si es necesario una traslación de los mismos, obteniendo con esto, una
cónica con centro en el origen y sus ejes paralelos o coincidentes con los ejes coordenados.
Una forma cuadrática siempre puede ser expresada en forma matricial de la siguiente manera:
ax2 +bxy + cy2
𝑏
𝑎
[𝑥 𝑦] [ 2] [𝑥 ] = 𝑥̅ 𝑇 𝐴𝑥̅
𝑏 𝑦
𝑐
2
Se observa que el término XY de la ecuación aparece debido a los elementos que no están en la
diagonal principal de la matriz A.
En cambio, si A fuese una matriz diagonal, el término XY no aparecería.
Por lo tanto para tener una ecuación sin el término XY, se debe hacer un cambio de variable que
diagonalice a la matriz A. Utilizando la ecuación: D=P-1AP, como se sabe la matriz P se forma con
los vectores característicos, sin embargo, es preferible usar vectores unitarios, ya que entonces la
matriz P es ortogonal, y por lo tanto PT=P-1.
Es importante tener presente que el determinante de la matriz P deberá ser igual a 1. Si dicho
determinante fuese igual a -1 basta con invertir el orden de las columnas para tener la condición
buscada.
El nuevo sistema de coordenadas x´, y´, en el cual la cónica carece del término XY, está dado por la
expresión:
𝑥′ 𝑥
[ ′ ] = 𝑃𝑇 [𝑦] 𝑜 𝑏𝑖𝑒𝑛 𝑥̅ ′ = 𝑃𝑇 𝑥̅
𝑦
Ángulo:
Ax 2 + Bxy + Cy 2 + Dx + Ey + F
B
tan 2 =
A−C
EJEMPLO.
51