Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CAPITULO III.............................................................................................................................2
ESPACIOS VECTORIALES...................................................................................................2
PROPIEDADES DE LOS ESPACIOS VECTORIALES.....................................................5
DEMOSTRACIONES:........................................................................................................5
SUBESPACIOS VECTORIALES...........................................................................................7
COMBINACIÓN LINEAL......................................................................................................7
SISTEMAS DE GENERADORES..........................................................................................8
DEPENDENCIA E INDEPENDENCIA LINEAL...............................................................8
BASE DE UN ESPACIO VECTORIAL...............................................................................8
DIMENSIÓN...........................................................................................................................8
BASE DE UN SUBESPACIO.................................................................................................9
COORDENADAS DE UN VECTOR EN UNA BASE........................................................9
OPERACIONES CON SUBESPACIOS..................................................................................9
CONJUNTO ORTOGONAL Y ORTONORMAL DE VECTORES.................................9
COMPLEMENTO ORTOGONAL DE UN SUBESPACIO.............................................10
ESPACIO FILA Y ESPACIO COLUMNA DE UNA MATRIZ......................................10
MÉTODO DE ORTAGONALIZACION DE GRAM SCHMIDT.........................................10
Ejemplos de subespacio..........................................................................................................12
Capitulo v...................................................................................................................................13
VALORES Y VECTORES PROPIOS...................................................................................13
POLINOMIO CARACTERÍSTICO...................................................................................13
GRADO DE MULTIPLICIDAD DE LOS VALORES PROPIOS........................................14
MATRIZ DIAGONALIZABLE.............................................................................................14
TEOREMA........................................................................................................................14
DIAGONALIZACIÓN DE MATRICES SIMÉTRICAS.......................................................15
DIAGONALIZACIÓN DE LAS FORMAS CUADRÁTICAS..............................................17
SECCIONES CÓNICAS....................................................................................................17
1) Cónicas irreducibles. Son:..............................................................................................17
2) Cónicas reducibles o degeneradas. Son:.........................................................................18
CAPITULO III
ESPACIOS VECTORIALES
Un espacio vectorial real V es un conjunto de objetos, llamados vectores, junto con dos
operaciones llamadas suma vectorial y multiplicación por un escalar que satisfacen los 10
axiomas enumerados a continuación:
A.1
∀ v 1 ,v 2 ∈V [ v 1 ⊕ v 2 ∈V ] Ley de la cerradura
A.2
∀ v 1 ,v 2 ∈V [ v 1 ⊕ v 2=v 2 ⊕v 1 ] Ley conmutativa
A.3
∀ v 1 ,v 2 ∈V [ ( v 1 ⊕ v 2 ) ⊕ v 3 =v 1 ⊕ ( v 2 ⊕ v 3 ) ] Ley asociativa
[ v⊕v=0 ]
¿ ¿
M.2 ∀ α ∈ ℜ,∀ v 1 ,v 2 ∈V [
α ⊗ ( v 1 ⊕ v2 )=α ⊗ v 1 ⊕ α ⊗ v 2 ]
Ley distributiva con respecto a
la suma de vectores
M.5
∀ v 1 ∈V [ 1⊗ v=v ] Neutro del producto escalar
Es suficiente que no se cumpla uno de estos diez axiomas para que el conjunto no sea
espacio vectorial.
Si los escalares son reales el conjunto se llama ESPACIO VECTORIAL REAL.
EJEMPLOS:
+
V =ℜ ={ x / x> 0 }
x ⊕ y=xy v 1 =x ; x >0
α ⊗ x=x α v 2 = y ; y >0
A.1
∀ v 1 ,v 2 ∈V [ v 1 ⊕ v 2 ∈V ]
A.2
∀ v 1 ,v 2 ∈V [ v 1 ⊕ v 2=v 2 ⊕ v 1 ]
x⊕ y= y⊕ x
xy= yx
xy=xy
A.3
∀ v 1 , v 2 ∈V [ ( v 1 ⊕ v 2 ) ⊕ v 3 =v 1 ⊕ ( v 2 ⊕ v 3 ) ]
( x ⊕ y ) ⊕ z=x ⊕ ( y ⊕ z )
xy ⊕ z=x⊕ yz
xyz=xyz
x ⊕ 0=x
x 0=x
x
0= =1
x
0=1
x ⊕ x=0
x x=1
1
x=
x
M.1 ∀ α ∈ ℜ, ∀ v∈ V [ α ⊗v ∈V ]
α ⊗ x=x α
x>0 ⇒ x n >0 ⇒ xn ∈V
M.2 ∀ α ∈ ℜ, ∀ v 1 , v 2 ∈V [ α ⊗ ( v 1 ⊕ v2 )=α ⊗ v 1 ⊕ α ⊗ v 2 ]
α ⊗ ( x ⊕ y ) =α ⊗ x ⊕ α ⊗ y
α ⊗ ( xy )=x α ⊕ y α
( xy )α=x α ⊕ y α
( xy )α=( x α y α )
( xy )α=( xy )α
M.3 ∀ α , β ∈ ℜ, ∀ v ∈ V [ ( α ⊕ β ) ⊗ v=α ⊗ v ⊕ β ⊗v ]
( α ⊕ β ) ⊗ v=α ⊗v ⊕ β ⊗v
x α ⊕ β =x α ⊕ y β
x α ⊕ β =x α ⊕ β
α ⊗ ( β ⊗ x )= ( αβ ) ⊗ x
α ⊗ ( x β )=x αβ
( x β )α =x αβ
x αβ =x αβ
M.5
∀ v 1 ∈V [ 1⊗ v=v ]
1⊗ x=x
x 1 =x
Por tanto (V, ⊗,⊕ ) Es un espacio vectorial.
v 1 ={ x 1 , y 1 , z1 } = {t 1 +1 , 2 t 1 , t 1 −1 }
v 2 ={ x 2 , y 2 , z 2 }= {t 2 +1 , 2t 2 , t 2 −1 }
A.1
∀ v 1 ,v 2 ∈V [ v 1 ⊕ v 2 ∈V ]
( x1 ¿) ( y1 ¿) ¿ ¿ ¿
¿
v 1 ⊕ v 2 ∉V Por tanto V no es un espacio vectorial.
DEMOSTRACIONES:
1) Suponemos que existen dos vectores nulos.
{ x⊕ 01=x ¿ ¿¿¿ ¿
¿
¿ ¿ ¿ ¿
x ⊕ x ⊕ 01=x ⊕ x ⊕02
01 ⊕01 =0 2 ⊕ 02
01 =02
2) Sea xÎv Ù x̄ , ȳ inverso de x
{ xÅ x̄=0̄¿¿¿¿ ¿
TEOREMA
¿
Si (V, ⊗,⊕ ) es un espacio vectorial, entonces:
0⊗v=0
v ⊕ ( 0 ⊗v )= (1⊗v ) ⊕ ( 0 ⊗v )
v⊕ 0=( 1+0 ) ⊗ v
v=( 1⊗ v )
v=v
Sea (V, ⊗,⊕ ) un espacio vectorial
−1⊗ v=v
v ⊕ (−1⊗ v )=( 1⊗v ) ⊕ (−1⊗ v )
v ⊕v= (1−1 ) ⊗ v
0=0⊗v
0=0
Sea (V, ⊗,⊕ ) un espacio vectorial ∀ u, v, w ∈V [ u⊕ v=u⊕w ⇒ v=w ]
u ⊕ v=u ⊕w
u ⊕ ( u⊕ v )=u ⊕ ( u ⊕w )
( u ⊕u ) ⊕ v=( u ⊕u ) ⊕w
0 ⊕ v=0 ⊕w
v =w
SUBESPACIOS VECTORIALES
Un conjunto S no vacío e incluído en V siendo ¿¿un espacio vectorial, S es un
subespacio de V si se cumplen las siguientes condiciones:
S ⊂V
S≠∅
x, y ∈S⇒x+ y∈S
α ∈ ℜ∧x ∈ S ⇒ α⋅x ∈ S
Únicos subespacios de ℜ : { ( 0,0,0 ) } , ℜ , rectas que pasen por el origen, planos que pasen por
3 3
el origen.
COMBINACIÓN LINEAL
Sea ¿¿ espacio vectorial y sean
v 1 , v 2 ,..., v r ∈V ; w es combinación lineal de
v 1 , v 2 ,..., v r si w=α 1 v 1 + α 2 v 2 +⋯+α r v r con α 1 , α 2 ,⋯, α r ∈ ℜ .
Si
α 1=α 2 =⋯=α r =0 la C.L. es la trivial y se obtiene el vector nulo.
SISTEMAS DE GENERADORES
Sea ¿¿ e.v. y sean 1 2
v , v ,..., v ∈V
r ; los vectores 1 2
v , v ,..., v
r forman un sistema de
generadores de V o generan a V si todo vector de V puede exprearse como C.L. de ellos.
Observaciones y propiedades:
Todo sistema que contenga al vector nulo es L.D.
Todo sistema con un único vector no nulo es L.I.
n
Llamamos bases canónicas de ℜ a por ejemplo:
{( 1,0 ) , ( 0,1 ) } en ℜ2
{ ( 1,0,0 ) , ( 0,1,0 ) , ( 0,0,1 ) } en ℜ3
DIMENSIÓN
Todo espacio vectorial de dimensión finita que no se reduzca al vector nulo admite por
lo menos una base.
Si V es un e.v. de dimensión finita, todas sus bases tienen el mismo número n de
vectores que se llama dimensión de V y se nota: dim V =n
Se define dim { 0̄ }=0
n m×n
dim ℜ =n dim ℜ =m⋅n dim Pn =n+1
Propiedad: Sea dim V =n y sea un conjunto de r vectores (r<n) L.I., el conjunto puede
extenderse a una base de V agregándole (n-r) vectores, formando de esta manera un conjunto
L.I. de n vectores de V.
BASE DE UN SUBESPACIO
B es base de un subespacio S si B es un conjunto L.I. y forma un S.G. de S.
()
α1
[ v ] B= α 2
⋮
αn
Se nota:
OPERACIONES CON SUBESPACIOS
Intersección:
S ∩S = x ∈ V / x ∈ S1 ∧x ∈ S 2 }
2 {
Sean S1 y S2 subespacios de V, entonces: 1 es un
subespacio de V denominado subespacio intersección.
Suma:
Sean S1 y S2 subespacios de V, entonces
S 1 + S2 = {x ∈V / x=x 1 + x 2 con x1 ∈ S 1∧x 2 ∈ S 2 }
es un subespacio de V llamado
subespacio suma.
Propiedades:
S 1 ⊕ S 2 =S ⇔ S 1 + S2 =S ∧ S 1∩S 2= { 0̄ } (suma directa)
dim ( S1 +S 2 ) =dim S1 + dim S 2 −dim ( S1 ∩S2 )
CONJUNTO ORTOGONAL Y ORTONORMAL DE VECTORES
Un conjunto de vectores de un espacio vectorial es un conjunto ortogonal si todos los pares de
vectores del conjunto son ortogonales entre si (producto escalar = 0).
Un conjunto ortogonal en el que cada vector tiene norma 1 es ortonormal.
Propiedades:
Todo conjunto ortogonal de vectores no nulos de un espacio vectorial V es un conjunto
L.I.
Todo e.v. V que no sea el nulo y que tenga dimensión finita tiene una base ortonormal.
Propiedades:
S ¿ es un subespacio de V
¿
Si dim V =n⇒ dim S+dim S =dim V
¿
S ⊕S =V
X2 X2 e 2=x 2−∝12 e 1
e2
X1=e1
∝12 e 1 E1
En donde debemos de encontrar ∝1,2 de tal manera que e 1 , , e2 =0 es decir:
e 2 . e 1=0=x 2 e 1−∝12 e 1 . e 1,
Consecuentemente se tiene que
x 1 . e1
∝12= ,
e1 . e1
De esta manera e2 se encuentra en función de x 1 y x2, y sean ortogonalizado dichos
vectores.
Ejemplo.
Ortogonalizar x1 =[4,6]t y . x2 =[8,0]t
Hacemos
Primero: consideramos el primer vector
t
e 1=[ 4,6 ] , y e 2=x 2−∝1,2 e1,
Segundo: determinamos
[ 4,6 ]t . [ 8,0 ] t 32 32 9
∝1,2= = = =
[ 4,6 ] . [ 4,6 ] 16+36 52 13
t t
[ ][ ] [ ]
t t t
9
t
e 2=[ 8,0 ] − [ 4,6 ]t =[ 8,0 ] t − 36 , 54 = 8− 36 , −54 = 68 , −54
13 13 13 13 13 13 13
Gráficamente
4 –
3 –
2 --
1-
–
1 2 3 4 5
-1
6
–
-2
--
-3
-
-4
-
Para un conjunto de { x 1 , x 2 , x 3 , … , x n } n vectores Linealmente Independientes de n
componentes. A partir de ellos se puede construir un conjunto de {e 1 , e2 , e3 , … , en }
ortogonal de la siguiente manera.
Primero: consideramos el primer vector
e 1=x 1,
Segundo:
e i+1=x i +1−∝1, i+1 e1−…−∝i ,i +1 e i , para 1 ≤i ≤ n−1,
Tercero:
x i+1 . e1 x i+1 . e2 x i+1 . ei
∝1 ,i+1 = ,∝2 ,i+ 1= , …. , ∝i ,i+1= ,
e1 . e1 e2 . e2 ei . ei
Ejemplos de subespacio
Ejemplo 1
Ejemplo 2
Consideremos el conjunto W={(x,y)∈R2|x2–y2=0}W={(x,y)∈R2|x2–y2=0}. ¿Es un subespacio
de R2R2?
x2–y2=0⇔y=x∨x=–yx2–y2=0⇔y=x∨x=–y
Se cumple (a) pues (0,0) ∈ W(0,0)∈W
No se cumple (b) porque la suma de dos vectores de WW puede no estar en WW, por ejemplo:
(1,1)+(1,–1)=(2,0)∉W(1,1)+(1,–1)=(2,0)∉W
Entonces WW no es un subespacio de R2R2.
CAPITULO V
VALORES Y VECTORES PROPIOS
Sea A una matriz cuadrada de orden n. Se dice que es un valor propio de A si existe un vector
POLINOMIO CARACTERÍSTICO
Tenemos que:
(*)
Operando podemos obtener un sistema lineal homogéneo con incógnitas x1, x2, …, xn.
Para que este sistema tenga soluciones distintas de la trivial, debe ser nulo el determinante
Una matriz cuadrada A se dice que es diagonalizable si existe una matriz invertible P,
llamada matriz de paso, tal que: , siendo D una matriz diagonal.
Cuando A es diagonalizable, la matriz D es la que tiene en su diagonal los valores
propios de A, repetidos tantas veces como indique su grado de multiplicidad.
Y la matriz de paso P es la que tiene por columnas a los vectores propios asociados a los
valores propios de A.
TEOREMA
Sea A una matriz cuadrada de orden n. Entonces, A es diagonalizable sí y sólo si todas las
raíces del polinomio característico son reales, y además, la multiplicidad de cada valor propio
coincide con el valor de
Es decir:
Se puede probar que: si las raíces de P() son todas simples A será siempre
diagonalizable.
Cuando P() tiene alguna raíz múltiple, hay que verificar también la condición 2.
CÁLCULO DE LA MATRIZ DIAGONAL Y DE LA MATRIZ DE PASO
PASO 3. Para calcular la matriz de paso P, se calculan los vectores propios asociados a
los valores propios de A. Para ello, se resuelve para cada i el sistema (*) de la página 1.
Si el conjunto de soluciones tiene un solo grado de libertad, se le da al parámetro un valor
cualquiera particular y se consigue el vector propio asociado.
Si el conjunto de soluciones tiene varios grados de libertad, se obtienen soluciones
particulares seleccionando los vectores linealmente independientes que generan las ecuaciones
paramétricas.
La matriz de paso P será entonces la que tiene por columnas a estos vectores propios.
1) Para toda matriz simétrica A, existe una matriz P del mismo orden y ortogonal (P -1 = P t ) tal
que D = P -1.A . P
y D es diagonal.
2) Dada A simétrica de orden n existe un conjunto de n vectores propios ortonormales, que
constituyen una base
ortonormal de Rn.
Procedimiento:
1) Hallar los subespacios característicos de A y una base en cada uno de ellos.
2) Unir las bases para obtener una base B´ de Rn .
3) Ortonormalizar esta base B´.
4) Formar una matriz P cuyas columnas son los n vectores del item (3).
5) Obtener D.
Ejemplo. Diagonalizar A =
(34 49 )
1)
(3−λ4 4 x
)( ) ( )
. =
9−λ y
0
0
⇒|
3−λ 4
4 9− λ
|=0 ⇒ λ1 =1 ∨ λ2 =11
Para
( )
x
λ1 =1 : 2
4 ( 8 )() ()
4 . x = 0 ⇒ 2 x+ 4 y=0 ⇒ y=− 1 x ⇒ x =
y 0 2 y
1
− x
2
y ()
⇒ x = μ 1 2 ⇒ B1 = 2
−1 −1 () ( ) {( )}
Para
2) B´=
2
,
−1 2
1
{( ) ( )} 3) B´ ortonormalizada es:
{( ) ( )}
2 1
√5 , √5
1 2
−
√5 √5
( )
2 1
√5 √5
4) P =
−
1
√5
2
√5 5) D =
( )
1 0
0 11
Cuando diagonalizamos una matriz simétrica por este procedimiento, estamos cambiando una
base ortonormal (canónica) por otra base ortonormal, cosa que en R 2 se visualiza así:
A los fines prácticos, “ordenamos” los autovalores de la base ortonormal de manera que |P|=1
para que los ejes sólo roten.
SECCIONES CÓNICAS.
Consideremos ahora, una superficie cónica circular seccionada por un plano. La intersección es
una cónica:
Si el plano no pasa por el vértice de la superficie cónica, las figuras se denominan cónicas
irreducibles.
Si en cambio, el plano pasa por el vértice de la superficie cónica se obtienen las denominadas
cónicas reducibles o degeneradas
π ⊥¿¿ eje