Documente Academic
Documente Profesional
Documente Cultură
Introducci
on
1 Sistemas de Ecuaciones Lineales
1.1 Deniciones y ejemplos . . . . . . . . . .
1.2 Combinacion lineal de ecuaciones . . . .
1.3 Operaciones elementales . . . . . . . . .
1.4 Sistemas dependientes e independientes .
1.5 Sistema de Cramer . . . . . . . . . . . .
1.6 Proceso de escalonamiento de un sistema
1.7 Ejercicios Resueltos . . . . . . . . . . . .
5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
12
13
16
17
19
22
2 Espacios Vectoriales
31
2.1 Denicion y propiedades basicas de espacio vectorial . . 31
2.2 Sub-espacios vectoriales . . . . . . . . . . . . . . . . . 42
2.3 Combinaciones Lineales . . . . . . . . . . . . . . . . . . 52
2.4 Sub-espacio generado . . . . . . . . . . . . . . . . . . . 58
2.5 Dependencia Lineal . . . . . . . . . . . . . . . . . . . . 69
2.6 Bases de un espacio vectorial . . . . . . . . . . . . . . . 79
2.6.1 Metodo para encontrar una base de un espacio
vectorial . . . . . . . . . . . . . . . . . . . . . . 85
2.6.2 Aplicacion del Teorema de Steinitz . . . . . . . 89
2.7 Dimension de un espacio vectorial . . . . . . . . . . . . 92
2.8 Suma de sub-espacios vectoriales . . . . . . . . . . . . 101
2.9 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . 116
3 Aplicaciones Lineales
119
3.1 Introduccion, denicion y ejemplos . . . . . . . . . . . 119
2
3.2
3.3
3.4
3.5
3.6
3.7
.
.
.
.
.
.
126
131
141
152
155
170
4 Matrices
4.1 Matriz asociada a una aplicacion lineal . . . . . . . . .
4.2 Suma de morsmos y suma de matrices . . . . . . . . .
4.3 Producto de un escalar por un morsmo y producto de
un escalar por una matriz . . . . . . . . . . . . . . . .
4.4 Composicion de morsmos y producto de matrices . . .
4.5 Algunos tipos especiales de matrices . . . . . . . . . . .
4.6 Forma matricial de f (v) = w . . . . . . . . . . . . . . .
4.7 Forma matricial de un sistema de ec. lineales . . . . .
4.8 Isomorsmos y matrices invertibles . . . . . . . . . . .
4.9 Automorsmo y matriz de cambio de base . . . . . . .
4.10 Un morsmo cualquiera y matrices equivalentes . . . .
4.11 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . .
4.12 Ejercicios propuestos . . . . . . . . . . . . . . . . . . .
173
173
179
5 Determinantes
5.1 Determinantes de matrices de M2 (K) . . .
5.2 Determinantes de matrices de M3 (K) . . .
5.3 Determinante de matrices de Mn (K) . . .
5.4 Interpretacion geometrica del determinante
5.5 Matriz adjunta . . . . . . . . . . . . . . .
5.6 Determinante de un endomorsmo . . . .
5.7 Ejercicios resueltos . . . . . . . . . . . . .
5.8 Ejercicios propuestos . . . . . . . . . . . .
.
.
.
.
.
.
.
.
219
219
225
228
231
232
234
236
246
.
.
.
.
249
249
253
258
265
6 Diagonalizaci
on
6.1 Introduccion . . . . . . . . . . . .
6.2 Valores propios y vectores propios
6.3 Valores propios simples . . . . . .
6.4 Valores propios m
ultiples . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
181
183
186
193
195
195
200
203
206
215
3
6.5
6.6
7 Aplicaciones Bilineales
7.1 Aplicaciones bilineales . . . . . . . . . . . .
7.1.1 Ejemplos. Propiedades generales . . .
7.2 Formas bilineales . . . . . . . . . . . . . . .
7.2.1 Matriz asociada a una forma bilineal
7.2.2 Representacion matricial de f (x, y) .
7.3 Espacios Euclidianos . . . . . . . . . . . . .
7.3.1 Producto escalar . . . . . . . . . . .
7.3.2 Norma . . . . . . . . . . . . . . . . .
7.3.3 Ortogonalidad . . . . . . . . . . . . .
7.3.4 Angulo y distancia entre vectores . .
7.4 Formas bilineales simetricas . . . . . . . . .
7.5 Ejercicios resueltos . . . . . . . . . . . . . .
7.6 Ejercicios propuestos . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
275
276
276
287
288
289
291
291
293
298
304
306
307
315
Captulo 1
Sistemas de Ecuaciones
Lineales
1.1
Definiciones y ejemplos
Nos hemos dado cuenta que muchos alumnos que llegan al curso de
algebra lineal no saben que es una ecuacion lineal, entonces empecemos por el principio?
Comencemos por ver algunos ejemplos de ecuaciones lineales:
Ejemplo: x + 2y 3z + t = 6
Antiejemplo: 2xy + 5x + 5z = 4
multiplicadas entre s.
i , K
Algebra Lineal
p primo
5
2
luego la solucion es
Captulo 1.
Definici
on 1.1.2 Diremos que dos ecuaciones lineales son equivalentes si y s
olo si tienen las mismas soluciones.
Veamos dos ejemplos:
Ejemplo
Consideremos las ecuaciones
E1 :
x+y+z = 3
E2 : 2x + 2y + 2z = 6
Estas dos ecuaciones son equivalentes pues tienen las mismas soluciones.
Ejemplo
1) :
x + 3y 5z = 5
2) : 2x + 6y 10z = 10
10
Algebra Lineal
Ejemplo
2x y + z = 1
x + 3y + 2z = 5
x+y+z=4
2x + 3y = 7
3x y + z = 2
Captulo 1.
11
E1 + E2 : 5x = 5 x=1
x = 1 en E2 : y = 1 3 y=-2
Ahora estudiemos el siguiente sistema, de apariencia muy distinta al
anterior:
E1 : 3x 2y = 7
E2 : x + 2y = 3
E1 + E2 : 4x = 4 x=1
x = 1 en E2 : 2y = 3 1 y=-2
12
Algebra Lineal
Puesto que los dos sistemas tienen las mismas soluciones diremos que
son equivalentes.
Tenemos, entonces, la denicion siguiente:
Definici
on 1.1.4 Diremos que dos sistemas son equivalentes si
tienen exactamente las mismas soluciones.
1.2
Combinaci
on lineal de ecuaciones
Captulo 1.
1.3
13
Operaciones elementales
Bueno, el problema que enfrentaremos ahora es encontrar las operaciones que podemos efectuar a un sistema de manera de obtener otro
equivalente.
Definici
on 1.3.1 Diremos que una operaci
on es elemental si nos
permite pasar de un sistema de ecuaciones a otro equivalente.
Ejemplo
Es super importante que comiences a aprender la notacion que usaremos para indicar la operacion Es facil! Es trivial!
x+y=3
xy=7
L12
xy=7
x+y=3
14
Algebra Lineal
Ejemplo
(Nuevamente observe la notacion)
x+y=3
x 2y = 7
L1 (2)
2x + 2y = 6
x 2y = 7
Ejemplo
x=6
x + 2y = 7
L1 (0)
0x = 0
x + 2y = 7
7x
); x IR}
2
Ejemplo
( 5)x + ( 5)y = 3( 5)
Esta ecuacion es equivalente a x + y = 3 salvo en el caso = 5
Tercera operaci
on: Consiste en sumarle a una ecuacion un m
ultiplo
de otra ecuacion.
Captulo 1.
15
Ejemplo
x+y=3
xy=7
(1)
L21
x+y=3
2x = 10
Nota
Estas operaciones son reversibles. En efecto:
1. La primera operacion: Si cambiamos la ecuacion Ei con la
ecuacion Ej , la operacion inversa es ella misma.
2. La segunda operacion: Si la ecuacion Ei la multiplicamos por ,
6= 0, entonces la operacion inversa es multiplicar la ecuacion
1
Ei por .
16
1.4
Algebra Lineal
Captulo 1.
17
Definici
on 1.4.2 Diremos que un sistema de ecuaciones es linealmente independiente cuando no es linealmente dependiente, es decir, si ninguna ecuaci
on es combinacion lineal de las otras.
En denitiva, en un sistema linealmente independiente no hay informacion de mas.
Un sistema de ecuaciones linealmente independiente puede tener tres
aspectos posibles:
mas incognitas que ecuaciones.
n
umero de ecuaciones = n
umero de incognitas.
1.5
Sistema de Cramer
18
Algebra Lineal
Captulo 1.
19
Podemos pensar j = j jn+1 xn+1 como constantes. Entonces, tenemos un sistema de Cramer de n n, luego tiene solucion u
nica, a
saber 1 , , n , con los elementos i en funcion de ij , i y xn+1 . Estos
1 , , n los reemplazamos en En+1 y tenemos:
En+1 : n+11 1 + n+12 2 + + n+1n n + n+1n+1 xn+1 = n+1
1.6
Ejemplo
El sistema siguiente esta en su forma escalonada:
x + 2y + 5t = 2
z + 3t = 3
u=4
20
Algebra Lineal
1 2 0 5 0 2
0 0 1 3 0 3
0 0 0 0 1 4
Definici
on de sistema escalonado
Diremos que un sistema de ecuaciones lineales esta escalonado si satisface las tres condiciones siguientes:
1. El coeciente de la primera incognita distinta de cero de cada
ecuacion es 1. Es llamado lder.
2. Cuando hay un lder, los demas elementos de la columna son
ceros.
3. Los lderes deben ir de izquierda a derecha y de arriba hacia
abajo.
Veamos otros ejemplos:
Ejemplo
x + 4z + 3t = 1
y + 2z + 5t = 4
Captulo 1.
21
Ejemplo
Se puede tener tambien el sistema, obviamente incompatible, siguiente:
x + 4z = 0
y + 2z = 0
0=1
1 0 4 0
0 1 2 0
0 0 0 1
El cual es un sistema escalonado.
Definici
on 1.6.1 Matriz es una ordenaci
on rectangular de n
umeros.
Definici
on 1.6.2 Escalonar un sistema de ecuaciones lineales es llevarlo a un sistema escalonado equivalente, a traves de operaciones
elementales.
Observaciones
Si al escalonar quedan las con ceros u
nicamente, signica que el sistema inicial era dependiente, es decir haba informacion de sobra.
Si al escalonar queda una la del tipo:
0 0 0 1
signica que el sistema no tiene solucion.
Si al escalonar, las las distintas de cero corresponden a un sistema
de n ecuaciones y n incognitas, es un sistema de Cramer, luego tiene
solucion u
nica.
22
Algebra Lineal
1.7
Ejercicios Resueltos
Ejercicio
Estudiemos el sistema de ecuaciones:
x+y+z=2
2x y + 2z = 2
x + 2y + 2z = 3
x y + 2z = 3
Soluci
on
Comencemos por escalonar el sistema, es decir, escribamoslo en su
forma mas simple.
Anotemos solamente los coecientes, para no escribir tantas letras,
Captulo 1.
23
1 1 1 2
2 1 2 2
1 2 2 3
1 1 2 3
( 1 )
L2 3
(1)
1
0
0
0
1 1
1 0
1 1
2 1
1
0
0
0
0
1
0
0
(1)
L4
L13
(1)
L43
(2)
L21
(1)
L31
(1)
L41
2
2
1
5
0 1
0 2
1 1
0 0
1 1 1 2
0 3 0 6
0 1 1 1
0 2 1 5
(1)
L12
(1)
L32
(2)
L42
x=1
y=2
z=-1
Ejercicio
Estudiemos el sistema de ecuaciones sgte.:
Soluci
on
Comencemos por escalonar el sistema:
0
0 1
1 0
2
0 1 1
0 1 1
1
0
0
0
x y z + 2u = 0
x + y + 3z + 4u = 0
2x + y + 4z + 7u = 0
3x + y + 5z + 10u = 0
24
1 1 1 2
1 1
3 4
2 1
4 7
3 1
5 10
0
0
0
0
(1)
L21
(2)
L31
(3)
L41
(1)
L22 1 1 1 2 0
2 1 0
0 1
( 31 )
2 1 0
L3 0 1
( 41 )
0 1
2 1 0
L4
Algebra Lineal
1 1 1 2 0
0 2
4 2 0
0 3
6 3 0
0 4
8 4 0
(1)
L12
(1)
L32
(1)
L42
1
0
0
0
0
1
0
0
1
2
0
0
3
1
0
0
0
0
0
0
; z, u IR
x + 4z + 6t = 1
x + y + 9z + 6t = 3
2y + 10z + ( + 3)t = ( + 3)
Captulo 1.
25
Soluci
on
1
1
1 0 4
6
1 0 4
6
(1)
L21
6
0
3
2
1 1 9
0 1 5
0 2 10 + 3 + 3
0 2 10 + 3 + 3
(2)
L32
1
1 0 4
6
0
2
0 1 5
0 0 0 +3 1
(1.1)
Tenemos el sistema:
1 0 4 6 1
0 1 5 0 2
0 0 0 0 4
0 = 4
( 1 )
L3+3
1 0 4 6
0 1 5 0
0 0 0 1
1 0 4 0
1
(6)
L13
2
0 1 5 0
1
0 0 0 1
+3
5+9
+3
2
1
+3
6= 3
26
Algebra Lineal
4z
x = 5+9
+3
y = 2 5z
; z IR, 6= 3
1
t = +3
1 0 4 6 1
1 1 9 6 3
0 2 10 0 0
2E1 2E2 + E3 :
0 = 4
E1 :
E2 :
E3 :
66
+3
5+9
66
( +3 4z) + (2 5z) + 9z + +3
1
2(2 5z) + 10z + ( + 3) +3
4z) + 4z +
( 5+9
+3
=
=
+3
+3
+3
+
+3
2 =
= 4 + 1 = ( + 3)
Luego cumple
Ejercicio
Resolvamos la siguiente familia de sistemas seg
un los diferentes valores
de IR
x + 2y + 3z = 1
x + ( + 1)y + ( + 2)z = 2
x + 2y + ( + 5)z = 2 7
Captulo 1.
27
Soluci
on
1
2
3
1
1 +1 +2
1
2
+ 5 2 7
(1)
1
2
3
L21
1
0 1 1
3
2
(1)
0
0
+
2
6
L31
(1.2)
Caso 1 + 2 = 0 es decir = 2
1 2
3 1
1 2 3 1
( 1 )
L2 3
0 3 3 3
0 1 1 1
0 0
0
0 0 0 0
0
1 0 1 1
L12 (2)
0 1 1 1
0 0 0 0
El sistema escalonado es :
x+z=1
y + z = 1
x=1z
y = 1 z
; z IR
1
1
2
3
0 1 1
0
0
1
3
Caso 2i 1 = 0, es decir = 1
(1.3)
28
Algebra Lineal
0 = 3
Luego no existe solucion.
Caso 2ii 6= 1, 2
(3)
1 2 3 1
L13
3
0 1 1
1
(1)
0 0 1 3
L23
2 +38
1
2 +4
1
1 2 0 3 + 8
(2) 1 0 0
2 +4 L12
0 1 0
0
1
0
1
0 0 1 3
0 0 1
2 + 3 8
;
1
y=
2 + 4
;
1
z =3
Con estas dos ecuaciones basta ver que el sistema es inconsistente. Las
demas soluciones satisfacen el sistema. Ahora es su turno comprobar
Captulo 1.
29
x+z=1
y + z = 1
(2 4)y + ( 2)z = + 2
Soluci
on
Comencemos a escalonar el sistema. Tenemos
1
1
0
1
1
1
1
0
2
0 4 2 +2
1
1 0
1
1
1
=
0 1
0 0 2 + + 2 2 + 2
(2 +4)
L32
1
1 0
1
1
1
= 0 1
0 0 ( 2)( + 1) ( + 2)( 1)
(1.4)
Caso 1 2 = 0, es decir = 2
1
)
L3 ( (2)(+1)
1 0 1
0 1 1
0 0 1
1
1
(+2)(1)
(2)(+1)
30
(1)
L13 1 0 0
0 1 0
(1)
L23
0 0 1
Algebra Lineal
2(2 2)
(2)(+1)
2
(2)(+1)
(+2)(1)
(2)(+1)
x=
2(2 2)
;
( 2)( + 1)
y=
2
;
( 2)( + 1)
z=
( + 2)( 1)
( 2)( + 1)
Ejercicios Propuestos
1. Considere el sistema de 2 ecuaciones lineales y 5 incognitas y
encuentre todas sus soluciones.
x1 + 2x2 + x3 + x4 + x5 = 6
2x1 + 4x2 x3 + x5 = 3
x + y + z = 1
x + y + z = 1
x + y + z = 1
4. Seg
un los diferentes valores de k IR encuentre todas las soluciones de la siguiente familia de sistemas de ecuaciones lineales
x+yz=1
2x + 3y + kz = 3
x + ky + 3z = 2
Captulo 2
Espacios Vectoriales
2.1
Definici
on y propiedades b
asicas de
espacio vectorial
Nos parece que este es uno de los captulos mas emocionante del curso.
Este concepto de espacio vectorial, realmente hace crear un nuevo
espacio en nuestras mentes. Es algo muy diferente a lo estudiado en el
curso anterior de Algebra.
Todos los conceptos de este captulo, los veremos geometricamente
para poder entenderlos mejor.
Despues de haber visualizado estos conceptos uno puede hacer hermosas abstracciones y llegar a tener pensamientos tales como una
funcion es un vector.
Veremos muchsimos ejemplos y ejercicios. Vas a poder experimentar,
t
u mismo, que es un espacio vectorial y que es lo que ocurre en el que
lo hace algo tan especial.
Ademas esperamos que te vayas imaginando los conceptos y propiedades,
de manera que vayas haciendote preguntas de materias que veremos
unas hojas mas adelante.
Es tratar de vivir uno mismo la historia de la creacion de esta rama
31
32
Algebra Lineal
Observaci
on
Consideremos IR2 , el plano cartesiano y en el consideremos los vectores
que parten en el origen y solamente ellos.
Este u
ltimo es un elemento tpico de IR2 , es decir, IR2 es cerrada para
la suma.
Esta suma, geometricamente corresponde a la ley del paralelogramo.
Veamoslo geometricamente
Captulo 2.
Espacios Vectoriales
33
Tenemos que IR2 con esta suma cumple las siguientes propiedades
1. La suma es asociativa
2. Existe neutro: ~0 = (0, 0)
3. Todo elemento tiene inverso, a saber
(x, y) = (x, y) (x, y) IR2
4. La suma es conmutativa
Es decir, (IR2 , +) es un grupo abeliano.
Bueno, la novedad es que a estos vectores les podemos cambiar su
dos veces el vector (1, 5), obtenemos el vector (2, 10) que sigue estando
en IR2 .
Es decir, uno puede denir la operacion externa, llamada ponderacion,
siguiente:
Ex : IR IR2 IR2
(, (x, y)) 7 (x, y) (x, y) IR2 , IR
Esta operacion cumple las siguientes propiedades:
5. 1 (x, y) = (x, y)
34
Algebra Lineal
Ocurre que por cumplir IR2 estas 8 propiedades, diremos que IR2 es
un IR-espacio vectorial o un espacio vectorial sobre IR.
Resumiendo, veremos IR2 como un conjunto cuyos elementos son vectores que parten en el origen y tales que se pueden sumar y ponderar.
Esta estructura la vamos a genelizar
Te animas a dar un salto de abstraccion?
Observaci
on
Un ejemplo fsico de espacio vectorial, es el modelo que representa las
fuerzas ejercidas sobre un punto material.
Definici
on 2.1.1 Sea V un conjunto. Sea K un cuerpo (K = Q; IR;
C; ZZ 2 ; ZZ 3 ; Zp , p primo, etc.). Sobre V definamos dos operaciones:
1. Una operaci
on llamada suma, denotada por +:
+ : V V V ; (v, w) ; v + w
Captulo 2.
Espacios Vectoriales
35
Esta operaci
on es una ley de composicion interna.
2. Una operaci
on entre los elementos de V y los elementos de K,
denotada por Ex que cumple
Ex : K V V ; (, v) ; v
Es una operaci
on externa, pues opera con elementos que est
an
fuera de V . Esta operaci
on es conocida con el nombre de producto por escalar o ponderaci
on.
Los elementos de V son llamados vectores y los elementos de K
son llamados escalares. Sobre este conjunto V haremos, ademas, 8
exigencias, llamadas los axiomas de espacios vectoriales. Son los siguientes:
E.V.1. (~u+~v )+w
~ = ~u+(~v +w),
~ ~u, ~v , w
~ V (Asociatividad)
E.V.2. Existe neutro aditivo, denotado por ~0.
E.V.3. Para todo ~v V , existe w
~ V tal que ~v +w
~ = ~0.
Notacion w
~ = ~v .
E.V.4. ~v +w
~ = w+~
~ v , ~v , w
~ V . (Conmutatividad)
E.V.5. 1 ~v = ~v
E.V.8. () ~v = ( ~v ) , , K, ~v V
En tal caso diremos que V es un K - espacio vectorial o un espacio
vectorial sobre K.
Nota
Fundandose en estos axiomas, se desarrolla la teora llamada Algebra
Lineal.
36
Algebra Lineal
Nota
De ahora en adelante, K, denotara Q, IR o C.
Ejemplo
Estudiemos V sobre K. Donde V = {(2x, x); x K} K 2
Sea ~v , w
~ V , luego los vectores ~v y w
~ tienen la forma ~v = (2x, x) y
w
~ = (2y, y). V es cerrado para la suma pues,
~v + w
~ = (2x, x)+(2y, y) = (2x+(2y), x+y) = (2(x+y), x+y)
el cual es un elemento tpico de V . Tambien es cerrado para la ponderacion, pues,
~v = (2x, x) = ((2x), x) = (2(x), x)
el cual es un elemento tpico de V . Ademas V cumple los 8 axiomas
de espacios vectoriales. En efecto, cumple:
(En lo sucesivo escribiremos simplemente v en lugar de ~v ).
E.V.1. Sean u, v, w V , luego u = (2x, x), v = (2y, y), w =
(2z, z), ciertos x, y, z K.
(u + v) + w = ((2x, x) + (2y, y)) + (2z, z)
= (2x + 2y, x + y) + (2z, z)
= ((2x + 2y) + 2z, (x + y) + z)
= (2x + (2y + 2z), x + (y + z))
= (2x, x) + (2y + 2z, y + z)
= (2x, x) + ((2y, y) + (2z, z))
= u + (v + w)
E.V.2. ~0 = (0, 0) = ((2)0, 0), el cual es un elemento tpico de V .
E.V.3. Sea v = (2x, x) V , entonces v = (2(x), (x)), el
cual es un elemento de V .
Captulo 2.
Espacios Vectoriales
37
E.V.6. ( + )v = ( + ) (2x, x)
= (( + )(2x), ( + )x)
= ((2x) + (2x), (x + x)
= ((2x), x) + ((2x), x)
= (2x, x) + (2x, x) = v + v
E.V.7. (v + w) = ((2x, x) + (2y, y))
= (2x + 2y, x + y)
= ((2x + 2y), (x + y))
= ((2x) + (2y), x + y)
= ((2x), x) + ((2y), y)
= (2x, x) + (2y, y)
=v+w
E.V.8. () v = ()(2x, x) = (()(2x), ()x)
= (((2x)), (x)) = ((2x), (x))
= ((2x, x)) = (v)
Luego hemos demostrado que V es un K espacio vectorial.
Ejemplo
V = {(3x, x); x K}, es un K-espacio vectorial.
Ejemplo
38
Algebra Lineal
Ejemplo
(a + b 2) + (a + b 2) = (a + a ) + (b + b ) 2
y el producto por escalar por:
(a + b 2) = a + (b) 2
Captulo 2.
39
Espacios Vectoriales
a b
c d
a
c
b
d
si y solo si a = a , b = b , c = c , d = d .
a b
c d
a
c
b
d
a + a
c + c
b + b
d + d
c d
a b
c d
Ejemplo
V = {f ; f : IR IR} es el espacio vectorial formado por todas las
funciones reales sobre los reales.
La suma de dos funciones f y g es una funcion, denotada por f + g,
y en cada n
umero real se comporta de la siguiente manera:
(f + g)(x) = f (x) + g(x)
La ponderacion de una funcion f por un escalar , es una funcion, es
denotada por f , y en cada n
umero real se comporta de la manera
siguiente:
(f )(x) = f (x)
40
Algebra Lineal
ZZ 3 ( 2) = {a + b 2); a, b ZZ 3 }
es un espacio vectorial sobre ZZ 3 , con la suma denida por
(a + b 2) + (c + d 2) = (a + c) + (b + d) 2
y la ponderacion denida por
(a + b 2) = (a) + (b) 2, ZZ 3
Ejemplo de un espacio vectorial finito
ZZ 3 ( 2, 5) = {a + b 2 + c 5 + d 10; a, b, c, d K3 }
Captulo 2.
Espacios Vectoriales
41
42
Algebra Lineal
Demostraci
on 1
0 v = (0 + 0)v = 0 v + 0 v luego 0 v = ~0
Demostraci
on 2
~0 = (~0 + ~0) = ~0 + ~0 luego ~0 = ~0
Demostraci
on 3
Si = 0 esta demostrada la proposicion.
Supongamos 6= 0, luego existe 1 K. Multiplicando v = ~0 por
1 , se tiene 1 (v) = 1 ~0, luego (1 ) v = ~0 luego 1 v = ~0
luego v = ~0.
Demostraci
on 4
Por (2) se tiene ~0 = ~0, luego, (v + v) = ~0, luego v + (v) = ~0,
luego (v) = (v), es decir, el opuesto de v es (v).
Ademas 0v = ~0 y ~0 = 0v = ( + )v = v + ()v, luego 0 =
v + ()v. Esto dice que el inverso aditivo de v es ()v y se
escribe (v) = ()v
Demostraci
on 5
(1)v + v = (1)v + 1v = (1 + 1)v = 0v = ~0
luego el inverso aditivo de v es (1)v, se escribe v = (1)v.
2.2
Sub-espacios vectoriales
Captulo 2.
Espacios Vectoriales
43
Observaci
on
En K 2 , consideremos
A = {(2x + 1, x); x K}
44
Algebra Lineal
Captulo 2.
Espacios Vectoriales
45
1. S es sub-espacio de V .
2. (a) v + w S, v, w S
(b) v S, K, v S
3. v + w S v, w S, K
Demostraci
on
(1)(2)
Puesto que S es un sub-espacio vectorial de V , en particular es un
espacio vectorial, luego cumple (2).
(2)(1)
Para demostrar (1), tenemos que demostrar que se cumplen los 8 axiomas y que las operaciones estan bien denidas.
Que S es cerrado para la suma, lo sabemos por (a). Que la ponderacion
esta bien denida, lo sabemos por (b).
Sabemos que en V , la suma es asociativa y conmutativa y S V ,
luego la suma es asociativa y conmutativa en S.
En la hipotesis general, tenemos que S 6= , luego existe un vector en
S, llamemosle v. Multipliquemos v por el escalar 0 (este existe, pues
K es un cuerpo) tenemos 0 v = ~0. Luego ~0 esta en S. As tenemos
E.V.2.
Sea v S, un vector cualquiera. Este vector lo podemos multiplicar
por (1), tenemos (1)v = v, luego v S. As tenemos E.V.3.
46
Algebra Lineal
Nota
Una Caracterizacion signica que podemos usar la proposicion, en
vez de la denicion. Estas propiedades caracterizan un sub-espacio
vectorial.
Ejemplo
S = {(a, 0)/a K} K 2
Captulo 2.
Espacios Vectoriales
47
Soluci
on
1. Demostremos que en S hay al menos un elemento:
(3, 2) S pues 2 3 3 2 = 0. Luego S 6=
2. Demostremos que u, v S u + v S
y se cumple:
2(x + x1 ) 3(y + y1 ) = 2x + 2x1 3y 3y1 =
= (2x 3y) + (2x1 3y1 ) = 0
Luego u + v S.
u = (x, y) = (x, y)
Se tiene:
48
Algebra Lineal
Ejercicio
Demostremos que S =
a b
; a, b, c K M22 (K).
0 c
Soluci
on
1.
3 5
0 2
S, luego S 6= .
a b
0 c
a b
0 c
S.
Captulo 2.
Espacios Vectoriales
49
50
Algebra Lineal
Captulo 2.
51
Espacios Vectoriales
Soluci
on
Sea
x + y + 2z
x + 2y + 2z
2x + 3y + 5z
x + 2y + 5z
=
=
=
=
a
b
c
d
1
0
0
0
0
1
0
0
2a b
2
0
ba
1
cba
0 3a + 2b 3c + d
1
1
2
1
1
2
3
2
2
2
5
5
a
b
c
d
S = {(a, b, c, d); 2a b c + d = 0, a + b + d = 0}
descrito en forma cartesiana.
a 13 c + 23 d = 0
Luego
b + 13 c + 13 d = 0
1 0 13
0 1 13
a = 31 c 32 d
Es decir
b = 13 c 13 d
2
3
1
3
0
0
c, d K
S = {( 13 c 23 d, 31 c 13 d, c, d); c, d K}
Ejercicio
52
Algebra Lineal
Soluci
on
1. 0 S, 0 T luego 0 S T , es decir S T 6=
2. Sean u, v S T , esto signica que u, v S y al mismo tiempo
u, v T .
Pero si u, v S se tiene que u + v S, pues S es un sub-espacio
vectorial de V y u + v T , pues T es un sub-espacio vectorial
de V . Luego u + v S T .
S = {1 v1 + 2 v2 + . . . + n vn ; 1 , 2 , . . . n K} es un sub-espacio
de V .
Demostraci
on
El ~0 S, pues ~0 = 0v1 + 0v2 + + 0vn Observemos que al sumar dos
elementos de S obtenemos un elemento de S y que al multiplicar un
elemento de S por un escalar tambien obtenemos un elemento de S
2.3
Combinaciones Lineales
Captulo 2.
Espacios Vectoriales
53
Observaci
on
Sea V = IR2 , espacio vectorial sobre IR, sea u = (2, 1) IR2 . A partir
de u podemos obtener otros vectores, como por ejemplo, u1 = 3(2, 1),
es decir, u1 = (6, 3), o bien u2 = (10, 5), o u3 = (8, 4), etc.
54
Algebra Lineal
pero, dos cantidades iguales a una tercera son iguales entre si, luego
comparando las ecuaciones tenemos 3 = 32 , lo cual es una contradiccion. El error estuvo en suponer que w lo podamos obtener
a partir de u y v.
En este caso diremos que w no es combinacion lineal de u y v.
Definici
on 2.3.1 Un vector v V se dice que es combinaci
on lineal de los vectores v1 , v2 , . . . , vn , si existen escalares 1 , 2 , . . . , n
K tales que:
v = 1 v1 + 2 v2 + . . . + n vn
Definici
on 2.3.2 Sea S un subconjunto de V , v V , se dice que v
es combinaci
on lineal de los vectores de S si:
v = 1 v1 + 2 v2 + . . . + n vn , ciertos i K, ciertos vi S
Ejemplo
Sea V = K 3 , es decir los vectores son 3-uplas. Sea v1 = (1, 2, 3),
v2 = (2, 5, 1), entonces v = (9, 22, 1) es combinacion lineal de v1
y v2 . En efecto:
(9, 22, 1) = 1(1, 2, 3) + 4(2, 5, 1)
Ejercicio
En K2 [X], consideremos los vectores u = 1 + 2X + X 2 y v = X X 2
1. Demostremos que el vector w1 = 2 + 3X + 3X 2 es combinacion
lineal de u y v.
2. Veamos si el vector w2 = 3 + X es combinacion lineal de u y v.
3. Queremos saber para que valor de k, el vector w3 = 1 + kX X 2
es combinacion lineal de u y v.
Captulo 2.
55
Espacios Vectoriales
Soluci
on
1. Sea w1 = (1 + 2X + X 2 ) + (X X 2 ). Luego
2 + 3X + 3X 2 = + (2 + )X + ( )X 2
Por denicion de igualdad de polinomios tenemos
= 3
2 + = 3
= 2
(2)
(1)
1 1 3
L21
L13
1 1 3
2 1 3 0 3 3
(1)
(3)
1 0 2
0 1 1
L31
L23
1 0 2
0 0 0 Luego
0 1 1
=2
= 1
= 0
2 + = 1
= 3
56
(2)
Algebra Lineal
(1)
1 1 0
1 1 0
1 0 3
L21
L13
2 1 1 0 3 1 0 0 8
(1)
(3)
1 0 3
0 1 3
0 1 3
L31
L23
En la segunda ecuacion nos queda 0 = 8, lo que es una contradiccion. Bueno, el error estuvo en suponer que exista un tal
y , es decir en suponer que w2 era combinacion lineal de u y
v.
Luego w2 no es combinacion lineal de u y v.
3. Sea w3 = u + v. Luego:
1 + kX X 2 = 1 + (2 + )X + ( )X 2
Luego se tiene que se deben cumplir las ecuaciones siguientes:
= 1
2 + = k
= 1
(1)
1
1
1 0
L21
1 0
2
1 1 1 0 1
(2)
2 1
0 1 k2
k
L31
1
1 0
0 1
0 0 k4
(1)
L31
Captulo 2.
57
Espacios Vectoriales
Ejercicio
Sea V = M23 (K) sobre K. Es decir, los vectores son matrices de 2
las y 3 columnas.
Sean
v1 =
1 2 5
;
0 1 1
Demostremos que v =
y v3 .
v2 =
1 0 0
;
0 1 6
0 1 4
0 0
7
v3 =
0 1 1
0 0 2
es combinacion lineal de v1 , v2
0 1 4
0 0
7
= 1
1 2 5
0 1 1
+ 2
1 0 0
0 1 6
+ 3
0 1 1
0 0 2
= 0
= 1
= 4
= 0
= 0
= 7
2 = 1,
3 = 1
58
Algebra Lineal
1 4 10
0 1 4
es combinacion lineal de
Es t =
2.4
Sub-espacio generado
combinacion lineal de v1 , v2 , v3 ?
Observaci
on
Consideremos V = K 2 , un K-espacio vectorial. En el, demosnos el
vector v = (1, 2). Entonces queremos encontrar todos los vectores
que se pueden obtener a partir de v. Estos vectores son todos aquellos
de la forma w = (1, 2), es decir, w = (, 2).
El conjunto obtenido es
S = {(x, y); y = 2x}
Escribiremos S =< (1, 2) >.
En este caso, S es un sub-espacio vectorial de K 2 . Ocurrira esto,
siempre ?
Captulo 2.
Espacios Vectoriales
59
Observaci
on
Consideremos V = IR2 y u = (1, 2) y v = (2, 4). Cuanto es
lo maximo de espacio que podemos alcanzar a partir de u y v? Es
decir, haciendo combinaciones lineales de estos vectores, Que vectores
podemos obtener ?. Es decir, A que conjunto es igual el conjunto
{(1, 2) + (2, 4); , IR} ?
Proposici
on 2.4.1 Sean V un K-espacio vectorial y v1 , v2 , . . . , vn
V . Entonces
S = {1 v1 + 2 v2 + + n vn ; 1 , 2 , . . . , n K}
es el mas peque
no sub-espacio de V que contiene a v1 , v2 , . . . , vn .
Demostraci
on
Vimos en un ejercicio que S es un subespacio vectorial de V , al nal
de la seccion 2.2
Demostremos ahora que es el mas peque
no que contiene a v1 , v2 , . . . , vn .
Sea H un sub-espacio vectorial de V que contiene a v1 , v2 , . . . , vn .
Por ser un sub-espacio debe contener 1 v1 , 2 v2 , . . . , n vn para todo
1 , 2 , . . . , n K. Tambien debe contener todas las sumas de vectores de H, es decir, H debe contener 1 v1 + 2 v2 + . . . + n vn para
todo 1 , 2 , . . . , n K. Luego H debe contener a S. Bueno, esto
quiere decir que es el mas peque
no que contiene a v1 , v2 , . . . , vn .
60
Algebra Lineal
Ejemplo
Sea V = K 3 . Consideremos los vectores v1 = (1, 2, 1) y v2 = (1, 1, 3).
Entonces S = {(1, 2, 1) + (1, 1, 3); , K} es un sub-espacio
vectorial de K 3 , el cual sera denotado por S =< (1, 2, 1), (1, 1, 3) >.
Definici
on 2.4.1 Sea V un K-espacio vectorial. Sean v1 , v2 , . . . , vn
V . Entonces el conjunto formado por todas las combinaciones lineales
de v1 , v2 , . . . , vn es el sub-espacio llamado el sub-espacio generado
por v1 , v2 , . . . , vn y se denota < v1 , v2 , . . . , vn >, es decir,
< v1 , v2 , . . . , vn >= {1 v1 +2 v2 + +n vn ; 1 , 2 , . . . , n K} = S.
Diremos que {v1 , v2 , . . . , vn } es un conjunto de generadores de S.
Pregunta
Sea V = K 2 . Sea u = (3, 1) y v = (1, 3) Cual es el sub-espacio mas
grande que se puede obtener ponderando y sumando estos vectores?
Es decir, Cual es el sub-espacio generado por u y v?
Respuesta
< (3, 1), (1, 3 >= {(3, 1) + (1, 3); , K} =
= {(3 + , 3); , K}
Luego
(x, y) =
3x + y
x 3y
(3, 1) +
(1, 3)
10
10
Captulo 2.
61
Espacios Vectoriales
Soluci
on
tiene solucion
(1)
x
x
1 2
1 2 x
L21
1 2
(1)
L32
yx
0 1
1 3 y 0 1 y x
(1)
1 1 z
0 1 z x
0 0 y + z 2x
L31
Luego < (1, 1, 1), (2, 3, 1) >= {(x, y, z); 2x y z = 0}
Ejercicio
Encontremos un sistema de generadores para el sub-espacio de K 3 ,
siguiente:
U = {(x, y, z); 2x + y = 0}
Soluci
on
Los elementos de U tienen entonces la forma tpica (x, 2x, z). Ahora
bien (x, 2x, z) = x(1, 2, 0)+z(0, 0, 1). Esto nos dice que todo vector
de U lo podemos obtener a partir de (1, 2, 0) y (0, 0, 1), es decir,
lo podemos obtener como combinacion lineal de (1, 2, 0) y (0, 0, 1).
Entonces (1, 2, 0) y (0, 0, 1) generan U , es decir
U =< (1, 2, 0), (0, 0, 1) >
62
Algebra Lineal
Ejercicio
Busquemos un conjunto de generadores para el sub-espacio V de K 3 ,
V = {(x + 2y + z, x + 2y, x 2y + 3z); x, y, z K}
Soluci
on
Observamos que:
(x + 2y + z, x + 2y, x 2y + 3z) = x(1, 1, 1) + y(2, 2, 2) + z(1, 0, 3)
Luego los vectores (1, 1, 1) ,(2, 2, 2), (1, 0, 3) generan V , es decir
V =< (1, 1, 1), (2, 2, 2), (1, 0, 3) >
Ejercicio
Busquemos un conjunto de generadores para el sub-espacio W de K 3 ,
W = {(x, y, z); x + 3y z = 0}
Soluci
on
Los elementos de W tienen la forma tpica (x, y, x + 3y). Tenemos que:
(x, y, x + 3y) = x(1, 0, 1) + y(0, 1, 3)
Luego un conjunto de generadores de W es {(1, 0, 1), (0, 1, 3)} y luego
Sea U =< (1, 2, 0), (0, 0, 1) > y V =< (1, 0, 1), (0, 1, 3) >.
Captulo 2.
Espacios Vectoriales
63
Soluci
on
Sea v U V , luego:
v = (1, 2, 0) + (0, 0, 1) = a(1, 0, 1) + b(0, 1, 3))
Tenemos:
Luego = 5.
=
a
2 =
b
= a + 3b
Soluci
on
Por ejemplo:
v1 = (1, 2, 1) + (1, 0, 1), es decir v1 = (2, 2, 2);
v2 = 2(1, 2, 1) = (2, 4, 2);
v3 = 3(1, 2, 1) (1, 0, 1) = (2, 6, 2);
v4 = 2(1, 0, 1) = (2, 0, 2);
64
Algebra Lineal
Ejercicio
Sea V = K3 [X]. Busquemos un conjunto de generadores de
S = {a + bX + cX 2 + dX 3 ; 2a + b = c}
Soluci
on
Los elementos de S se caracterizan por tener el coeciente de X 2
igual a la suma del doble de la constante mas el coeciente de X. Un
elemento tpico de S, tiene la forma s = a + bX + (2a + b)X 2 + dX 3 ,
luego s = a(1 + 2X 2 ) + b(X + X 2 ) + dX 3 . Tenemos
S =< 1 + 2X 2 , X + X 2 , X 3 >
puesto que todo elemento de S se puede escribir como una combinacion
lineal de estos tres vectores.
Propiedades elementales de un sub-espacio generado
1. < u, v >=< u, v >; K {0}
2. < u, v >=< u + v, v >, K
3. < u, v >=< v, u >
Demostraci
on 1
Sea w < u, v >, luego w tiene la forma w = 1 u + 2 v, ciertos
1 , 2 K. Pero:
w=
1
u + 2 v, 6= 0 luego w < u, v >
Captulo 2.
Espacios Vectoriales
65
Demostraci
on 2
Sea w < u, v >, luego:
w = 1 u + 2 v = 1 (u + v) + (2 1 )v, luego w < u + v, v >
Por otra parte, sea w < u + v, v >, entonces:
w = 1 (u + v) + 2 v = 1 u + (1 + 2 )v, luego w < u, v >
Demostraci
on 3
Sea w < u, v >, luego: w = u+v, ciertos , K ssi w = v+u
ssi w < v, u >
Notaci
on
Estas tres propiedades se cumplen para el segundo vector.
Observaci
on
66
Algebra Lineal
Definici
on 2.4.2 Estos tres tipos de operaciones que dejan invariante
un conjunto de generadores son llamadas operaciones elementales.
Ejercicio
Sea V = K 3 , U =< (3, 9, 12), (1, 3, 6), (1, 3, 4) >. Busquemos una presentacion mas simple de U .
Soluci
on
Para mayor comodidad, los vectores los anotaremos sin comas y los
ordenaremos en una matriz. Hagamos las siguientes operaciones elementales:
3 9 12 L1 ( 13 ) 1 3 4 L21 (1) 1 3 4
1 3 4 1 3 4
0 0 0
1 3 6
1 3 6 L31 (1) 0 0 2
Es decir, < (3, 9, 12), (1, 3, 6), (1, 3, 4) >=< (1, 3, 4), (0, 0, 2) >.
Con esto hemos conseguido una presentacion mas simple del espacio.
Ejercicio
En IR2 , determinemos el sub-espacio generado por el conjunto de vectores:
A = {(1, 3), (3, 9), (2, 6)}
Soluci
on
1 3 L (1) 1 3
2 3
3 9 1 3
2 6
2 6
1 3
1 3
L21 (1)
L31 (2)
1 3
0 0
0 0
0 0
Captulo 2.
67
Espacios Vectoriales
Luego < (1, 3), (3, 9), (2, 6) >=< (1, 3) >= {(x, 3x); x IR}. Este
sub-espacio de IR2 , representa la recta que pasa por el origen y tiene
pendiente 3.
Ejercicio
Lo mismo que el ejercicio anterior, para
A = {(2, 4, 6), (1, 2, 3), (5, 10, 15)}
Soluci
on
1 2 3
2 4 6 L (1) 1 2 3
1 2
L21 (1)
0
3
3
0 0
1 2
1 2
5 10 15
5 10 15
5 10 15
1 2 3
L31 (5)
0 0 0
0 0 0
= < (2, 4, 6), (1, 2, 3), (5, 10, 15) > = < (1, 2, 3) >
= {(x, 2x, 3x); x IR}
1 2
1 1
L21 (1)
1 2
0 1
L2 (1)
1 2
0 1
L12 (2)
1 0
0 1
68
Algebra Lineal
Luego < (1, 2), (1, 1) >=< (1, 0), (0, 1) >= {(x, y); x, y K} = K 2
Entonces A genera K 2 .
Ejercicio
En V = K3 [X] consideremos el sub-espacio
S =< 2 + X + 5X 2 + X 3 , 4 + 2X + 10X 2 + 2X 3 , 1 + X + 2X 2 + X 3 >
Busquemos un conjunto de generadores que tenga una cantidad mnima de elementos.
Soluci
on
Por comodidad anotaremos solamente los coecientes de cada polinomio.
2 1 5 1
2 1 5 1
1 0 3 0
L21 (2)
L13 (1)
4 2 10 2 0 0 0 0 0 0 0 0
1 1 2 1
1 1 2 1
1 1 2 1
1 0 3 0
1 0 3 0
L23
L21 (1)
1 1 2 1 0 1 1 1
0 0 0 0
0 0 0 0
Luego, basta generar S por el conjunto de vectores
{1 + 3X 2 , X X 2 + X 3 }
Nota
Hemos observado que a un conjunto A de generadores de un subespacio S de V , al sacarle uno o mas vectores puede, a veces seguir
generando el mismo sub-espacio S.
Esto nos conduce a la siguiente denicion.
Captulo 2.
Espacios Vectoriales
69
Definici
on 2.4.3 Sea V un K-espacio vectorial. Sea G un conjunto
finito de generadores de un sub-espacio S de V . Diremos que G es
un conjunto minimal de generadores de S, si cada vez que se le
quita alguno de sus elementos, pierde su propiedad de ser generador
de S.
Ejemplo
G = {(1, 2), (3, 2)} es un conjunto minimal de generadores de K 2 .
2.5
Dependencia Lineal
70
Algebra Lineal
Observaci
on
Sea V = IR2 , u = (2, 3), v = (10, 15). Observamos que v = 5u,
diremos que el conjunto {u, v} es linealmente dependiente, es decir
que el vector v se puede obtener a partir de u
Observaci
on
Sea V = K 3 , u = (1, 1, 2), v = (2, 1, 5), w = (4, 3, 9). Tenemos que w =
2u+v. Diremos que el conjunto {u, v, w} es linealmente dependiente.
Ahora que tienes el concepto en forma intuitiva, podras apreciar mejor
la denicion siguiente.
Definici
on 2.5.1 Sea V un K-espacio vectorial. Sea
A = {v1 , v2 , . . . , vn }
Diremos que A es linealmente dependiente si al menos un vector
vi A es combinacion lineal de los dem
as vectores de A.
Captulo 2.
Espacios Vectoriales
71
Observaci
on
Sea V = K 2 . Sea A = {(3, 1), (6, 2)}. Estudiemos la dependencia lineal
de A.
Observe el chispazo genial siguiente: Obtengamos el vector ~0 = (0, 0)
a partir de estos dos vectores.
Por ejemplo, tenemos
1. ~0 = (0, 0) = (2)(3, 1) + 1(6, 2), o bien
2. ~0 = (0, 0) = (4)(3, 1) + 2(6, 2), o bien
3. ~0 = (0, 0) = 0(3, 1) + 0(6, 2)
De (2): 4(3, 1) = 2(6, 2), como 4 =
6 0, podemos despejar (3, 1) =
2
(6, 2), es decir
4
1
(3, 1) = (6, 2)
2
Conclusion: el conjunto A es l.d.
Observemos que esto lo pudimos hacer, pues tenamos mas de una
manera de obtener el vector ~0, a partir de los vectores en estudio.
Ejercicio
Sea V = K 2 Estudiemos la dependencia lineal del conjunto
A = {(3, 1), (6, 2), (1, 1)}
72
Algebra Lineal
Soluci
on
Veamos las posibles maneras de obtener el vector (0, 0)
Sea (0, 0) = (3, 1) + (6, 2) + (1, 1). luego:
0 = 3 + 6 +
0 = 3 + 6 + 3
Tenemos = 0, = 2. Luego
(0, 0) = 2(3, 1) + (6, 2) + 0(1, 1), K
Tomemos = 1
(0, 0) = 2(3, 1) + 1 (6, 2) + 0(1, 1)
luego
(6, 2) = 2(3, 1) + 0(1, 1)
Entonces el conjunto A es l.d.
Nota
Esta forma de estudiar la dependencia lineal parece interesante. No
hay que estudiar tantas ecuaciones como al usar directamente la
denicion.
Antes de estudiar una caracterizacion de dependencia lineal, veamos
las siguientes deniciones:
Definici
on 2.5.2 Sea {v1 , v2 , . . . , vn } un conjunto de vectores de un
espacio V . Diremos que
0v1 + 0v2 + + 0vn
es una combinaci
on lineal trivial.
Definici
on 2.5.3 {~0} es linealmente dependiente.
{v} es linealmente independiente si y s
olo si ~v 6= ~0
Captulo 2.
Espacios Vectoriales
73
Proposici
on 2.5.1 (Caracterizaci
on de dependencia lineal)
Sea V un espacio vectorial sobre K. Sea A = {v1 , v2 , . . . , vn }, entonces
son equivalentes:
1. A es linealmente dependiente.
2. i 6= 0, i K tal que 1 v1 + + i vi + + n vn = ~0.
Demostraci
on
Dem (1) (2):
2
v
1 2
+ +
n
v ,
1 n
Repaso de l
ogica
La proposicion: (1) (2) , es logicamente equivalente a la proposicion:
no(1) no(2).
74
Algebra Lineal
++ = 0
+ = 0
= 0
luego = = = 0. Entonces la u
nica manera de obtener el vector
(0, 0, 0), es la forma trivial. Luego A es l.i.
Ejercicio
Estudiemos en K 3 , la dependencia lineal del conjunto
A = {(1, 1, 2), (3, 3, 6), (1, 2, 5)}
Captulo 2.
Espacios Vectoriales
75
Soluci
on
Sea (1, 1, 2) + (3, 3, 6) + (1, 2, 5) = (0, 0, 0).
De aqu obtenemos que = 3 y = 0. Luego todas las maneras
posibles de obtener el vector ~0 son:
(0, 0, 0) = 3(1, 1, 2) + (3, 3, 6) + 0(1, 2, 5); K
76
Algebra Lineal
Si = 0 entonces:
1 v1 + 2 v2 + + n vn = ~0
y como {v1 , v2 , . . . , vn } es l.i., tenemos que:
1 = 2 = = n = 0
luego A es l.i. contradiccion, luego 6= 0, es decir, podemos despejar
w en la primera ecuacion:
w=
2
n
1
v1 +
v2 + +
vn
Captulo 2.
77
Espacios Vectoriales
+ = 0
2 + + = 0
+ 2 = 0
1 0 0 0
1 1 0 0
2
1
1
0
1 0 0
0
0 1 2 0
0 0 1 0
a = 0
( 2)b + c = 0
( 2)b + (2 4)c = 0
0
1
0
0
1
0
0 2
2
0 2 4 0
Caso 2 = 0 ssi = 2
(2.1)
78
Algebra Lineal
Tenemos
)
1 0 0 0
a = 0
Para todo b IR
0 0 1 0 Luego
c = 0
0 0 0 0
1
1 0
L2 ( 2
)
1 1
0
0
0 1
1
0
(2.1)
0 1
2
1
L3 ( 2
)
0 1 +2 0
0 0
0
1
2
2 5
2
Caso 2 5 = 0 ssi 2 = 5
0
0
Tenemos
= 0
1
b + 2
c = 0
Luego 0u +
este caso
1
cs
2
a =
b =
0
1
c
2
c IR
Caso 2 6= 5
Ejemplo
Sea V = K 2 . A = {(1, 1), (1, 0)} es un conjunto maximal linealmente
independiente en V . En efecto, todo (a, b) V se puede escribir como
(a, b) = (b a)(1, 1) + b(1, 0). Luego
{(a, b), (1, 1), (1, 0)} es l.d. (a, b) K 2
Captulo 2.
2.6
Espacios Vectoriales
79
80
Algebra Lineal
En este caso {u, v, w}, {u, v} son linealmente dependientes y {u, w},
{v, w}, {u}, {v},{w} son linealmente independientes.
Diremos que {u, w}, {v, w} forman, cada uno de ellos, una base de
IR2 .
Captulo 2.
Espacios Vectoriales
81
Observaci
on
Sean u, v, w tres vectores no nulos, de los cuales no hay dos sobre la
misma recta:
Se puede tener:
u + v + w = ~0 con , , 6= 0
Luego se tiene:
< u, v, w >= IR2 =< u, v >=< v, w >=< u, w >
Ademas se tiene que {u, v, w} l.d.; {u, w} l.i.; {v, w} l.i.; {u, v} l.i.
Diremos que {u, v}, {u, w}, {v, w} forman bases de IR2 .
Definici
on 2.6.1 Un subconjunto B de V , se dice que forma una
base de V , si B es l.i. y B es un conjunto de generadores de V .
Problema
En este momento, uno se pregunta que relacion habra entre base y los
conceptos de conjunto l.i. maximal y conjunto de generadores minimal.
La respuesta a esta inquietud, esta dada en la proposicion siguiente:
82
Algebra Lineal
Proposici
on 2.6.1 (Conceptos equivalentes a base)
Sea B = {v1 , v2 , . . . , vn }, entonces son equivalentes:
1. B es l.i. y < v1 , v2 , . . . , vn >= V
2. v V , existen u
nicos 1 , 2 , . . . , n K, tales que:
v = 1 v1 + 2 v2 + + n vn
3. B es un conjunto minimal de generadores de V
4. B es un conjunto maximal l.i.de V
Demostraci
on
(1)=(3)
Sea B = {v1 , v2 , . . . , vn } l.i y V =< B >. Por demostrar que B es un
conjunto minimal de generadores de V . Por hipotesis B genera V. Solo
falta demostrar que este conjunto es minimal.
Supongamos que no es minimal, es decir, supongamos sin perdida de
generalidad que B = {v1 , v2 , . . . , vn1 } genera V , luego vn es combinacion lineal de v1 , . . . vn1 , es decir, vn = 1 v1 +2 v2 +. . .+n1 vn1 ,
ciertos i K, luego {v1 , v2 , . . . , vn } es l.d. contradiccion. Luego B es
minimal.
(3) = (4)
Supongamos que {v1 , v2 , . . . , vn } es un conjunto minimal de generadores y supongamos ademas que {v1 , v2 , . . . , vn } es l.i. Sea C =
{v1 , v2 , . . . , vn , w}. Por (3) se tiene que w = 1 v1 + 2 v2 + . . . + n vn .
Luego {v1 , v2 , . . . , vn , w} es l.d., luego {v1 , v2 , . . . , vn } es l.i. maximal
(4)=(1)
Captulo 2.
Espacios Vectoriales
83
Sea v = 1 v1 + 2 v2 + . . . + n vn y v = 1 v1 + 2 v2 + . . . + n vn . Dos
descomposiciones de v.
Luego 1 v1 + 2 v2 + . . . + n vn = 1 v1 + 2 v2 + . . . + n vn .
Luego (1 1 )v1 + (2 2 )v2 + . . . + (n n )vn = ~0.
84
Algebra Lineal
Definici
on 2.6.4 La base
can
onica de Km [X], es la base
2
m
{1, X, X , ..., X }. Por otra parte, la base can
onica de K[X], es
la base {1, X, X 2 , ..., X n , ...}.
Por ejemplo la base can
onica de K 2 , es {e1 = (1, 0), e2 = (0, 1)}.
Ejercicio
Sea V = K 2 . Demostremos que B = {(1, 1), (1, 2)} es una base de K 2 .
Soluci
on
1. Demostremos que B genera K 2 .
Sea (x, y) = (1, 1) + (1, 2), ciertos , K luego:
(x, y) = ( + , + 2)
de donde = y x y = 2x y, es decir:
(x, y) = (2x y)(1, 1) + (y x)(1, 2)
2. Demostremos que B es l.i. Sea (1, 1) + (1, 2) = (0, 0), luego:
( + , + 2) = (0, 0)
De aqu se desprende que = = 0.
Puesto que la u
nica manera de escribir el ~0 a partir de los dos
vectores de B es la forma trivial, se tiene que B es l.i.
Por (1) y (2) se tiene que B es una base de K 2 .
Las componentes de un vector cualquiera (x, y) seg
un la base B son:
2x y, y x. Por ejemplo: (3, 5) = 1(1, 1) + 2(1, 2)
Luego un vector (x, y), cualquiera de K 2 , se puede escribir como combinacion lineal de (1, 1) y (1, 2).
Captulo 2.
Espacios Vectoriales
85
Proposici
on 2.6.2 Sea V un K-espacio vectorial. Entonces
1. Las componentes de la suma de dos vectores, son la suma de las
componentes.
2. Las componentes del producto de un vector por un escalar, son
el producto de las componentes por el escalar.
Demostraci
on
Sea B = {v1 , v2 , . . . , vn } una base de V sobre K. Sea
v = 1 v1 + 2 v2 + + n vn y w = 1 v1 + 2 v2 + + n vn
Entonces:
v + w = (1 v1 + 2 v2 + + n vn ) + (1 v1 + 2 v2 + + n vn )
= (1 + 1 )v1 + (2 + 2 )v2 + + (n + n )vn
Luego se tiene (1).
Ademas:
v = (1 v1 + 2 v2 + + n vn )
= (1 )v1 + (2 )v2 + + (n )vn
Luego se tiene (2)
2.6.1
M
etodo para encontrar una base de un espacio vectorial
86
Algebra Lineal
(2)
L21
L2 12
2
4 5
2 4 5
4 8 2 0 0 12
1
(2)
)
2
4
5
0 0 10
L31
L310
(5)
L12
2 4 5
1 2 0
1 0 0 1
0 0
(1)
0 0 1
0 0 0
L32
Diremos que la base escalonada de U es B = {(1, 2, 0), (0, 0, 1)}.
Definici
on 2.6.5 Sea V un espacio vectorial. Diremos que un conjunto de vectores de V es escalonado si al escribirlos como filas de
una matriz, se obtiene una matriz escalonada.
Proposici
on 2.6.3 Sea V un K-espacio vectorial y sea S V , entonces el conjunto escalonado de generadores de S es u
nico y constituye una base de S.
Definici
on 2.6.6 La base de un espacio vectorial formada por el conjunto de vectores escalonados es llamada la base escalonada del espacio considerado.
Captulo 2.
87
Espacios Vectoriales
3 6
L
1 31 (5)
5 10
9
L41 (2)
2 4 3
1
0
0
0
1
2
4
0 11
0
0
0 11
0
0 11
2
0
0
0
0
1
0
0
88
Algebra Lineal
Ejercicio
En K 4 , busquemos la base escalonada del sub-espacio
S = {(x y z + 2u, x + y + 3z + 4u, 2x + y + 4z + 7u, 3x + y+
+5z + 10u); x, y, z, u K}
Soluci
on
Todo elemento de S lo podemos escribir en la forma:
v = x(1, 1, 2, 3) + y(1, 1, 1, 1) + z(1, 3, 4, 5) + u(2, 4, 7, 10)
luego
S =< (1, 1, 2, 3), (1, 1, 1, 1), (1, 3, 4, 5), (2, 4, 7, 10) >
Al escalonar este conjunto de vectores tenemos la base escalonada B,
3
1
B = {(1, 0, , 1), (0, 1, , 2)}
2
2
Ejercicio
Sea V = K 3 , S, T V , denidos por:
S = {(x + 2y, 2x + 4y, 3x + 10y); x, y K}
T = {(2x + 3y, 4x + 6y, 2x + 5y); x, y K}
Estudiemos la posible igualdad de estos dos sub-espacios.
Soluci
on
S =< (1, 2, 3), (2, 4, 10) >; T =< (2, 4, 2), (3, 6, 5) >. Ambos conjuntos al ser escalonados tienen la misma base escalonada B =
{(1, 2, 0), (0, 0, 1)}, luego S = T .
Captulo 2.
Espacios Vectoriales
89
2.6.2
Aplicaci
on del Teorema de Steinitz
90
Algebra Lineal
Ejercicio
Obtengamos una base de K 4 que contenga al conjunto de vectores
A = {(1, 3, 5, 7), (1, 6, 5, 0)}
Soluci
on
La base escalonada del espacio generado por A es
7
B = {(1, 0, 5, 14), (0, 1, 0, )}
3
Luego una base de V que contiene los vectores de A es
C = {(1, 3, 5, 7), (1, 6, 5, 0), (0, 0, 1, 0), (0, 0, 0, 1)}
Para esto se eligio dos vectores de la base canonica de K 4 que tienen
el 1 en lugares distintos de los elementos lderes de B.
Ejercicio
Busquemos una base de K3 [X] que contenga el conjunto de vectores
A = {3 + 6X 12X 3 , 2 4X + X 2 }
Soluci
on
La base escalonada del espacio generado por A es
1
1
B = {1 + X 2 2X 3 , X X 2 X 3 }
4
8
De la misma manera que en el caso anterior se elige una base que
contenga los vectores de la base canonica de K3 [X] que tienen el 1 en
lugares diferentes de los lderes de la base B. Entonces se ha elegido
la base
C = {3 + 6X 12X 3 , 2 4X + X 2 , X 2 , X 3 }
Captulo 2.
91
Espacios Vectoriales
Ejercicio
Sea V = K 4 y S = {(a + b + 3c, a + 2c, b + c, a + b + 3c); a, b, c K}
un sub-espacio de V . Busquemos una base B de S que contenga el
vector u = (0, 1, 1, 0) y una base C de S que contenga el vector
v = (5, 3, 2, 5)
Soluci
on
El conjunto escalonado de generadores de S es
A = {(1, 0, 1, 1), (0, 1, 1, 0)}
Entonces es facil completar con vectores de la base escalonada de S,
eligiendo vectores que tengan el elemento lder en un lugar distinto al
del vector u = (0, 1, 1, 0). Se tiene as la base
B = {(0, 1, 1, 0), (1, 0, 1, 1)}
Para la base C, tenemos
3 2
< (5, 3, 2, 5) >=< (1, , , 1) >
5 5
La base pedida puede ser C = {(5, 3, 2, 5), (0, 1, 1, 0)}
Ejercicio
Sea V = M23 (K). S V denido por
S={
3
a
2
+ 23 b c a b + c d
; a, b, c, d IR}
a
b
c
5 3 0
2 2 1
yv=
2 0 0
2 2 4
92
Algebra Lineal
Soluci
on
Un conjunto de generadores de S es
3
0 0 1
, 2
0 0 0
1
3
1 0
, 2
0 0
0
1 1 0
1 0
,
0 0 1
1 0
0 0 0
0 0 1
0 1 0
1 0 0
,
,
,
1 1 0
0 0 0
0 2 3
0 2 2
0 1 0
1 0 0
,
1 1 3
1 1 2
0 0 0
0 0 1
2 0 0
5 3 0
,
,
,
1 1 0
0 0 0
2 2 4
2 2 1
2.7
Dimensi
on de un espacio vectorial
Captulo 2.
Espacios Vectoriales
93
C = {u, u2 , . . . , un }, luego u1 = 11 u + 11 2 u2 + + 11 n un
1. Demostremos que C genera V.
Sea v V . Entonces:
v = 1 u1 + 2 u2 + + n un , ciertos 1 , 2 , . . . , n K.
Luego
v = 1 (11 u 11 2 u2 11 n un ) + 2 u2 + + n un
= 1 11 u + (2 1 11 + 2 )u2 + + (11 n 1 + n )un
Es decir, v < u, u2 , . . . , un >, es decir {u, u2 , . . . , un } genera V.
2. Demostremos que C es l.i.
Sea
u + 2 u2 + + n un = 0
Luego
(1 u1 + + n un ) + 2 u2 + + n un = 0
94
Algebra Lineal
De donde
(1 )u1 + (2 + 2 )u2 + + (n + n )un = 0
Pero B es l.i., entonces:
(1)
1 = 0
(2) 2 + 2 = 0
(n) n + n = 0
Tenemos que:
Sin embargo, el conjunto A = {(1, 1, 1), (1, 1, 0), (5, 5, 2)} no es una
base de K 3
Lema
Supongamos que existe una base de V con n vectores. Si B =
{u1 , u2 , . . . , un } V es l.i. y posee n vectores, entonces B es una
base de V .
Captulo 2.
Espacios Vectoriales
95
Demostraci
on
Sea C = {v1 , v2 , . . . , vn } una tal base de V . Entonces:
u1 = 1 v1 + 2 v2 + + n vn
ciertos 1 , 2 , . . . , n K. Sabemos que u1 es no nulo, pues B es
l.i., luego existe alg
un i K, i {1, . . . , n} no nulo. Sin perdida de
generalidad, supongamos 1 6= 0. El lema anterior nos asegura que
{u1 , v2 , . . . , vn } es una base de V . Luego u2 es combinacion lineal de
u1 , v2 , . . . , vn , luego existen 1 , 2 , . . . , n no todos nulos tales que:
u2 = 1 u1 + 2 v2 + + n vn
Si 2 = 3 = = n = 0, se tendra 1 6= 0 , luego {u1 , u2 } es l.d.,
luego {u1 , u2 , . . . , un } l.d., lo cual es una contradiccion. Luego existe
al menos un j no nulo, j {2, . . . , n} Supongamos que 2 6= 0, luego
{u1 , u2 , v3 , . . . , vn } es una base de V . Repitiendo sucesivamente este
proceso, tenemos que {u1 , . . . , un } es una base de V .
Lema
Supongamos que en V existe una base con n vectores. Entonces todo
subconjunto de V que sea l.i. tiene a lo mas n vectores. Es decir, si
A = {v1 , . . . , vm }, entonces m n
Demostraci
on
Supongamos que existe S = {u1 , . . . , un , un+1 , . . . , ut } V que tenga
t vectores, con t > n y que sea l.i. Entonces B = {u1 , . . . , un } tiene n
vectores y es un conjunto l.i., luego B es una base, por el lema anterior.
Luego existen 1 , 2 , . . . , n K tal que:
un+1 = 1 u1 + 2 u2 + + n un
luego {u1 , u2 , . . . , un , un+1 } es l.d., lo que es una contradiccion al hecho
que S es l.i. Luego V tiene a lo mas n vectores l.i.
96
Algebra Lineal
Captulo 2.
Espacios Vectoriales
97
Ejemplo
IR[X] es un espacio vectorial de dimension innita sobre IR, pues no es
posible construir una base que tenga un n
umero nito de elementos.
En efecto, supongamos que existe un conjunto nito B, tal que:
B = {P1 (X), . . . , Pn (X)}
es un conjunto de generadores de IR[X] con
m = max {gr(P1 (X)), . . . , gr(Pn (X))},
98
Algebra Lineal
Captulo 2.
Espacios Vectoriales
99
100
Algebra Lineal
Ejercicio
Sea V un espacio vectorial de dimension n sobre C. Demostremos que
V tiene dimension 2n sobre IR.
Soluci
on
Sea A = {v1 , v2 , . . . , vn } una base de V sobre C. Luego v V se
escribe en la forma:
v = (1 + 1 i)v1 + (2 + 2 i)v2 + + (n + n i)vn
= 1 v1 + 2 v2 + + n vn + (1 i)v1 + (2 i)v2 + + (n i)vn
= 1 v1 + 2 v2 + + n vn + 1 (iv1 ) + 2 (iv2 ) + + n (ivn )
Luego B = {v1 , v2 , . . . , vn , iv1 , iv2 , . . . , ivn } genera C sobre IR.
Luego
Captulo 2.
2.8
Espacios Vectoriales
101
102
Algebra Lineal
Demostraci
on
1. S + T 6= pues 0 + 0 S + T
2. Sean u, v S + T , luego u = s + t y v = s + t , ciertos s, s S,
ciertos t, t T . Tenemos que:
u + v = (s + t) + (s + t ) = (s + s ) + (t + t )
Captulo 2.
103
Espacios Vectoriales
Corolario 2.8.3 S T S + T = T
Demostraci
on
)
S + T es el mas peque
no sub-espacio que contiene a S T , pero
S T = T . Ademas T es un sub-espacio vectorial y es el mas peque
no
que se contiene a si mismo, luego S + T = T .
)
S ST S+T =T
Nota
Sean S, T V con bases B y C respectivamente. Entonces:
S + T =< B C >
Ejercicio
Sea V = K 3 , S =< (1, 1, 1), (1, 2, 3) >, T =< (1, 1, 1), (2, 1, 0) >.
Busquemos la base escalonada de S + T .
Soluci
on
1 1 1
1
2 3
1 1 1
2
1 0
1 1
1
0
3
2
0
0
0
0
3 2
L (1)
42
1 1
1
0
3
2
0
0
0
0
0 4
104
0
1
0
0
0
0
0
1
Algebra Lineal
Soluci
on
Sabemos que:
S + T =< (1, 1, 1, 1), (1, 2, 3, 0), (3, 4, 1, 2), (0, 1, 1, 0) >
1 1 1
2
3 0
4
1 2
1 1 0
1 0 0
1
L42 (1) 0 1 4 1
0 0 0
0
0 0 5 1
1
1
3
0
1
0
0
0
1
1
1
1
1
0
0
0
1
4
4
1
0 0
1 0
0 0
0 1
1
1
1
0
1
51
0
15
1
0
0
1
0
0
0 1
0
1
4 1
0
0
1
0
Captulo 2.
105
Espacios Vectoriales
1 1 0
1
2 3
1 1 1
2
1 0
1 1 0
0
3 3
0
0 0
0
3 0
Luego dim(S + T ) = 3
1
0
0
0
0
1
0
0
0
0
1
0
+ = a + 2b
+ 2 = a + b
3 = a
(3) en (1) :
(3) en (2) :
= 2 + 2b
= 5 + b
106
Algebra Lineal
1 u1 + + r ur + 1 v1 + + s vs = 1 w1 2 w2
t wt S T
1 w1 2 w2 t wt S T
1 w1 t wt = 1 u1 + + 2 u2 + + r ur
1 w1 + + t wt + 1 u1 + + r ur = ~0
1 = = t = 1 = = r = 0
Captulo 2.
107
Espacios Vectoriales
Luego B es l.i.
Por (1) y (2) se tiene que B es una base de S + T .
Luego dim(S+T ) = r+s+t; dimS = r+s, dimT = r+t, dimST = r
r + s + t = (r + s) + (r + t) r
Luego dim S + T = dim S + dim T dim S T
Ejercicio
Consideremos los sub-espacios de K 4 .
S =< (1, 0, 1, 0), (0, 1, 0, 0) >; T = {(x, y, z, t); x + y = 0}
1
0 1 0
0
1 0 0
1 1 0 0
0
0 1 0
0
0 0 1
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
L31 (1)
1
0
1 0
0
1
0 0
0 1 1 0
0
0
1 0
0
0
0 1
1
0
0
0
0
0
1
1
0
0
0
0
0
1
0
0
0
0
0
1
dim(S + T ) = 4
4 = 2 + 3 dim(S T ) dim(S T ) = 1
Necesitamos encontrar v S T , v 6= ~0
108
Algebra Lineal
Luego, (, , , 0) = (, , , ), de donde = = = , = 0
Entonces tenemos
Ejercicio
Sea V = K 3 , S = {(x, 0, 0); x K}, T = {(0, y, z); y, z K}.
Entonces, demostremos que S
T = K3
Soluci
on
1. Demostremos que K 3 = S + T
Sea v K 3 luego v = (x, y, z) = (x, 0, 0) + (0, y, z) luego (x, y, z)
se escribe como un vector de S mas un vector de T . Luego K 3
S + T , luego K 3 = S + T
Captulo 2.
109
Espacios Vectoriales
Ejercicio
Consideremos V = K 3 , W = {(x, 0, z); x, z K}, S =< (1, 0, 2) >,
T =< (2, 0, 1) >.
Demostremos que W = S
T:
1. Demostremos que W = S + T :
1 0 2
2 0 1
L21 (2)
L21 (2)
1 0 0
0 0 1
1 0
2
0 0 3
L2 ( 1
)
3
1 0 2
0 0 1
Pero tambien {(1, 0, 0), (0, 0, 1)} es una base de W pues los vectores son l.i. y ademas (x, 0, z) = x(1, 0, 0)+z(0, 0, 1). Luego W =
S+T
Otra manera de demostrar que W = S + T es la siguiente
Consideremos w W y hacemos la siguiente armacion:
(x, 0, z) = (1, 0, 2) + (2, 0, 1), ciertos , K
Luego (x, 0, z) = ( + 2, 0, 2 + )
De donde se concluye que x = + 2, z = 2 +
110
Algebra Lineal
Entonces
=
2z x
2x z
y =
3
3
Luego tenemos:
(x, 0, z) = (
2x z
2z x
)(1, 0, 2) + (
)(2, 0, 1) S + T
3
3
T.
Definici
on 2.8.4 Dos sub-espacios S y T de un sub-espacio vectorial
V se dicen linealmente independientes ssi:
S T = {~0}
Nota: Si S
Definici
on 2.8.5 Si S T = W entonces S y T son llamados subespacios suplementarios entre s en W .
L
Ejemplo
K 2 =< (1, 1) >
< (1, 1) > es suplementario de < (1, 3) > en K 2 y < (1, 3) > es
suplementario de < (1, 1) > en K 2
Captulo 2.
111
Espacios Vectoriales
Observaci
on
Sean:
S =< (1, 3, 0 >, T =< (0, 0, 1), (0, 1, 0) >, U =< (1, 0, 0), (0, 0, 1) >
Tenemos entonces que K 3 =< (1, 3, 0) >
Tambien:
K 3 =< (1, 3, 0) >
Se tiene K 3 = S
T y K3 = S
U y T 6= U
Ejemplo
M22 (K) =<
1 0
0 0
>
1 0
0 0
>
0 x
; x, y, z K}
{
y z
<
0 0
0 0
0 1
,
,
0 1
1 0
0 0
>
Observaci
on
Sea fn : IR IR; fn (x) = xn , n IN. Observamos que:
f2 (x) = x2 = f2 (x); f3 (x) = x3 = f3 (x)
f2n (x) = x2n = f2n (x); f2n+1 (x)2n+1 = x2n+1 = f2n+1 (x)
De manera natural se dene
Definici
on 2.8.6 Diremos que una funcion g es par ssi g(x) =
g(x) y diremos ue una funcion g es impar ssi g(x) = g(x)
Ejercicio
Sea V = {f : IR IR}. Demostremos que
V = {funciones pares}
{funciones impares}
112
Algebra Lineal
Soluci
on
1. Demostremos que V = {funciones pares} + {funciones impares}
Armacion: f (x) =
Sea g(x) =
g(x) =
f (x)+f (x)
2
f (x)+f (x)
.
2
f (x)+f ((x))
2
f (x)f (x)
2
f (x)+f (x)
2
Demostremosque h es impar
h(x) =
f (x)f ((x))
2
f (x)f (x)
2
(x)
= ( f (x)f
) = h(x)
2
Luego h es impar.
Luego V = {funciones pares} + {funciones impares}
2. Demostremos que {funciones pares} {funciones impares} =
{~0}
Sea f par e impar a la vez: Es decir, f (x) = f (x)x K y
f (x) = f (x) x IR
Proposici
on 2.8.5 Sea V un K-espacio vectorial; S, T, W V . Entonces son equivalentes:
1. W = S
2. W = S + T y ~0 = s + t, s S, t T = s = t = ~0
Demostraci
on
(1)=(2)
Captulo 2.
Espacios Vectoriales
113
L
Sea W = S T y s + t = ~0, ciertos s S y t T . Luego s + t S T ,
pues {~0} = S T , luego s + t = s y s + t = t . Luego t = s s y
s = t t. Luego t, s S T = {~0}. Luego s = t = ~0
(2)=(1)
114
Algebra Lineal
Proposici
on 2.8.7 Sean V1 , V2 , . . . , Vn V . Entonces
V1 + V2 + + Vn V
Demostraci
on
Se deja como ejercicio.
Definici
on 2.8.8 Decimos que W es suma directa de los subespacios V1 , V2 , . . . , Vn si:
1. W = V1 + V2 + + Vn
2. ~0 = v1 + v2 + + vn , vi Vi , i = 1, 2, . . . , n
= v1 = v2 = = vn = ~0. ( El cero se escribe de una sola
manera ).
Cuando esto ocurra, escribiremos:
W = V1
V2
Vn
Proposici
on 2.8.8 Sean V1 , V2 , . . . , Vn V . Sea W V y W =
V1 + V2 + . . . + Vn , entonces son equivalentes:
1.
n
P
i=1
2.
n
P
i=1
vi = ~0, vi Vi , i = 1, . . . , n = vi = 0
vi =
3. Vi
n
P
j=1
i6=j
n
P
i=1
wi , vi , wi Vi i = 1, . . . , n = vi = wi
Vj = {~0}, i = 1, . . . , n
Captulo 2.
115
Espacios Vectoriales
Ejemplo
Sea V = K 3 , V1 = {(x, 2x, 0), x K}, V2 = {(2x, x, 0), x K} ,
V3 = {(x, 2x, 3x), x IR}
1 2 3
2 1 0
L21
1 2 3
0 1 2
L12 (2)
L21 (2)
1 0 1
0 1
2
1
2
3
0 3 6
Luego
luego
===0
V2
V3
116
2.9
Algebra Lineal
Ejercicios propuestos
a b
c d
Captulo 2.
Espacios Vectoriales
117
Captulo 3
Aplicaciones Lineales
3.1
Introducci
on, definici
on y ejemplos
120
Algebra Lineal
Para esto, comencemos por usar el concepto de base, es decir, que todo
elemento de IR2 se escribe de una manera u
nica como combinacion
lineal de la base.
Veamos, por ejemplo, si es posible conocer la imagen del vector v =
(1, 0)
Sabemos que (1, 0) = 2(2, 1) + (1)(3, 2), luego f (1, 0) = f [2(2, 1) +
(1)(3, 2)].
Que exigencias deberamos hacer a f para que la informacion dada
a los vectores de B, pueda ser extendida a todo IR2 ?
... un chispazo genial y hacemos las operaciones siguientes:
f [2(2, 1) + (1)(3, 2)] = f (2(2, 1)) + f (1(3, 2)) =
= 2f (2, 1) + (1)f (3, 2) =
= 2(3, 2, 1) + (1)(5, 1, 1) =
= (1, 3, 1)
Es decir hicimos las exigencias siguientes:
1. f (u + v) = f (u) + f (v)
2. f (u) = f (u)
Las exigencias (1.) y (2.) hechas a una aplicacion, se entrelazan con la
nocion de espacio vectorial y as la informacion con respecto a los elementos de una base, se extiende a todos los vectores del espacio.
Ademas, solo para las aplicaciones que cumplan estas dos exigencias podremos utilizar el hecho que el Dominio y el Codominio sean
espacios vectoriales. Estas consideraciones nos llevan a la siguiente
denicion:
Definici
on 3.1.1 Sean U y V dos K-espacios vectoriales. Diremos
que f : U V es una aplicaci
on lineal si se cumplen simult
aneamente:
1. f (u + v) = f (u) + f (v)
2. f (u) = f (u)
Captulo 3.
Aplicaciones Lineales
121
122
Algebra Lineal
Ejemplo: Reflexi
on en torno al eje X
Sea T : IR2 IR2 ; T (x, y) = (x, y)
T [(x, y) + (x , y )] =
=
=
=
T [(x, y)] =
=
=
=
T [(x + x , y + y )]
(x + x , (y + y ))
(x, y) + (x , y )
T ((x, y)) + T ((x , y ))
T ((x, y))
(x, (y))
(x, y)
T ((x, y))
Luego T es lineal.
Antiejemplo
Sea f : IR IR; f (x) = cos x
cos (x + y) = cos x cos y sin x sin y
Si fuese una aplicacion lineal tendramos que tener :
cos (x + y) = cosx + cosy
Captulo 3.
Aplicaciones Lineales
123
g(x) = sin x
Antiejemplo: Translaci
on en el plano
Sea T : IR2 IR2 ; T (x, y) = (x + a, y + b). Esta aplicacion llamada
translacion, no es lineal si a 6= 0 o b 6= 0, pues
T [(x, y) + (x , y )] =
=
=
=
6=
T [(x + x , y + y )]
(x + x + a, y + y + b))
(x + a, y + b) + (x , y )
T (x, y) + (x , y )
T (x, y) + T (x , y )
T (x, y) = (x + 1, y + 2)
124
Algebra Lineal
Ejemplo: Rotaci
on en un
angulo
La rotacion en un angulo , R , esta denida por
R : IR2 IR2 ; R (x, y) = (x cos y sin , x sin + y cos ).
(1) R ((x, y) + (x , y )) = R (x + x , y + y )
= ((x + x ) cos (y + y ) sin ,
(x + x ) sin + (y + y ) cos )
= (x cos y sin , x sin + y cos )+
(x cos y sin , x sin + y cos )
= R (x, y) + R (x , y )
R (x, y)
(x cos y sin , x sin + y cos )
(x cos y sin , x sin + y cos )
R (x, y)
Captulo 3.
Aplicaciones Lineales
125
Ejemplo
La aplicacion f : K 2 K 2 ; f (x, y) = (2x + y, 3y) es lineal.
Veamos la demostracion:
(1) f ((x, y) + (x , y )) =
=
=
=
(2) f ((x, y)) =
=
=
=
f ((x + x , y + y ))
(2(x + x ) + (y + y ), 3(y + y ))
(2x + y, 3y) + (2x + y , 3y )
f (x, y) + f (x , y )
f ((x, y))
(2(x) + (y), 3(y))
(2x + y, 3y)
f (x, y)
126
Algebra Lineal
= f (a + bX + cX 2 ) + f (a + b X + c X 2 )
f ((a + bX + cX 2 )) =
=
=
=
f (a + bX + cX 2 )
(a) + 2(c) + ((b) (a))X
a + 2c + (b a)X
(a + 2c + (b a)X) = f (a + bX + cX 2 )
Luego f es lineal.
Ejemplo
Sea f : M2 (K) M32 (K), denida por f
es una aplicacion lineal.
a b
c d
a
b
=
a b+c
d 2a
Nota
Sea f : V W lineal. Entonces f (~0) = ~0.
En efecto f (~0) = f (0 ~0) = 0 f (~0) = ~0.
Nota
Es interesante observar que hemos visto aplicaciones lineales entre
espacios diferentes, pero con la exigencia que tengan sus escalares en
el mismo cuerpo.
3.2
Determinaci
on de una aplicaci
on lineal
Tenemos resuelto el problema losoco sobre la existencia de aplicaciones lineales. Existen aplicaciones lineales. Ah tienes muchos ejem-
Captulo 3.
Aplicaciones Lineales
127
128
Algebra Lineal
1. Sea v =
n
X
i vi , v =
n
X
f (v + v ) = f (
n
X
i vi +
(i + i )wi =
n
X
n
X
2. Sea K. Tenemos
n
X
i vi ) = f (
i=1
n
X
(i + i )vi ) =
i=1
i wi +
n
X
i wi = f (v) + f (v ).
i=1
i=1
i=1
f (v) = f (
i vi ) = f (
i=1
i=1
n
X
i vi . Entonces
i=1
i=1
n
X
i=1
(i )vi ) =
n
X
i=1
= f (v).
Por (1) y (2) f es lineal.
Veamos ahora el problema de la unicidad de f .
i wi =
n
X
i=1
i wi =
Captulo 3.
Aplicaciones Lineales
129
g(1 v1 + 2 v2 + + n vn )
1 g(v1 ) + 2 g(v2 ) + + n g(vn )
1 w1 + 2 w2 + + n wn
1 f (v1 ) + 2 f (v2 ) + + n f (vn )
f (1 v1 + 2 v2 + + n vn )
f (v)
130
Algebra Lineal
Captulo 3.
Aplicaciones Lineales
131
f (1, 0, 0) = (a, b, c), una aplicacion que cumple las exigencias pedidas.
Luego hay innitas aplicaciones lineales que cumplen las propiedades
exigidas.
Bueno, ahora que hemos resuelto el problema losoco sobre la existencia de una aplicacion lineal, comencemos por ver sus propiedades.
3.3
Imagen y N
ucleo de una aplicaci
on
lineal
132
Algebra Lineal
Proposici
on 3.3.1 Sean V y W dos K-espacios vectoriales. Sea
f : V W una aplicaci
on lineal y sea S un sub-espacio de V , entonces f (S) es un sub-espacio de W .
Demostraci
on
1. f (S) 6= pues como ~0 S entonces f (~0) f (S).
2. Por demostrar que f (S) es cerrado para la suma.
Sean t, t f (S), luego t y t tienen la forma: t = f (s), t = f (s ),
ciertos s, s S.
t + t = f (s) + f (s ) = f (s + s ) = f (s ), s = s + s , el cual es
un vector de S. Luego t + t f (S).
3. Demostremos que f (s) f (S), K, s S.
f (s) = f (s) = f (s ) f (S), s = s S.
Tenemos que
Im(f ) = {(x + y, 3x, 2y); x, y K} K 3
Captulo 3.
Aplicaciones Lineales
133
Luego
Im(f ) =< (1, 3, 0), (1, 0, 2) >
Una base de Im(f ) es {(1, 3, 0), (1, 0, 2)}, luego
dimK Im(f ) = 2 6= 3 = dimK Codom(f )
Podemos concluir que f no es epiyectiva, pues Im(f ) esta estrictamente contenida en K 3 . Luego, para estudiar si una aplicacion lineal
es epiyectiva, basta saber cual es la dimension de Im(f ). Tenemos la
proposicion siguiente:
Teorema 3.3.3 (Primera caracterizaci
on de las aplicaciones
lineales epiyectivas)
Sean V y W dos K-espacios vectoriales. Sea f : V W lineal.
Entonces
f es epiyectiva si y s
olo si dimK Im(f ) = dimK W
Demostraci
on
Por una parte, si f es epiyectiva entonces se tiene que Im(f ) = W ,
luego dimK Im(f ) = dimK W .
Recprocamente: Tenemos que Im(f ) W . Ahora si dimK Im(f ) =
dimK W , entonces Im(f ) = W , luego f es epiyectiva.
Nota
Sea f : V W lineal. Entonces f (~0) = ~0. En efecto se tiene:
f (~0) = f (0 ~0) = 0 f (~0) = ~0
Observaci
on
Dada una aplicacion lineal, queremos estudiar el conjunto formado por
todos los vectores que tienen el ~0 por imagen.
134
Algebra Lineal
Observaci
on
Sea
f : K 2 K 3 ; f (x, y) = (x, 3x, 5x)
N = {(x, y); f (x, y) = (0, 0, 0)}
= {(x, y); (x, 3x, 5x) = (0, 0, 0)}
= {(0, y); y K}
Nosotros sabemos que este conjunto N es un sub-espacio vectorial de
K 2 Ocurrira esto siempre ?
Observaci
on
Sea
f : K 3 K 3 ; f (x, y, z) = (x + y, x, 3z)
N = {(x, y, z); f (x, y, z) = (0, 0, 0)}
= {(x, y, z); (x + y, x, 3z) = (0, 0, 0)}
= {(0, 0, 0)}
el cual es tambien un sub-espacio vectorial de K 3 = Dom(f ).
Nuestra intuicion estaba en lo cierto. He aqu la proposicion que esperabamos:
Proposici
on 3.3.4 Sean V y W dos espacios vectoriales sobre K.
Sea f : V W lineal, entonces N (f ) = {v V ; f (v) = ~0} es un
sub-espacio de V.
Captulo 3.
Aplicaciones Lineales
135
Demostraci
on
1. N (f ) 6= pues ~0 N (f ).
2. Sean v, w N (f ), entonces f (v) = f (w) = ~0, luego f (v + w) =
f (v) + f (w) = ~0, es decir v + w N (f )
3. Sea v N (f ). Tenemos f (v) = f (v) = ~0 = ~0. Luego v
N (f )
Por (1), (2) y (3) N (f ) es un sub-espacio de V.
Observaci
on
Sabemos que N (f ) 6= pues ~0 N (f ), es decir N (f ) nunca es vaco.
Ademas hemos visto que N (f ) tiene una estructura interesante, es un
conjunto importante. Que hace entonces un matematico? Obvio, le
pone nombre a este conjunto. Tenemos entonces:
Definici
on 3.3.2 Sea f : V W lineal. El conjunto formado por
todos los vectores de V que tienen por imagen el vector ~0 en W , es
llamado el n
ucleo de f, denotado N (f ) o Ker(f ).
N (f ) = {v V ; f (v) = ~0}
Comentario
La abreviacion Ker(f ) viene del aleman, Kernel, que signica cuesco
o hueso de una fruta. Esto porque el N
ucleo de una aplicacion lineal
esta como al centro del Dominio de f .
Ejercicio
Sea f : K 4 K 2 ; f (x, y, z, u) = (x + y + z, 2y 3z). Queremos
encontrar N (f ).
136
Algebra Lineal
Soluci
on
Recordemos que describir un espacio vectorial se reduce a exhibir una
base de el. N (f ) = {(x, y, z, u) K 4 ; (x + y + z, 2y 3z) = (0, 0)}
L2 ( 1
)
5
z+y+x = 0
ssi
3z 2y = 0
1 1
1 0
0 5 3 0
L21 (3)
1 1 1 0
0 1 53 0
L12 (1)
1 0
0 1
2
5
3
5
0
0
Luego
z =
y =
2
x
5
3
x
5
3 2
3 2
x,
x, u) = x(1,
,
, 0) + u(0, 0, 0, 1)
5
5
5 5
es inyectiva si y s
olo si N (f ) = {~0}
Captulo 3.
Aplicaciones Lineales
137
Demostraci
on
Sea f inyectiva, entonces demostremos que N (f ) = {~0}
Sea v N (f ), luego f (v) = ~0. Ademas f (~0) = ~0. Puesto que f es
inyectiva v = ~0. Luego N (f ) = {~0}.
Ahora supongamos N (f ) = {~0} y demostremos que f es inyectiva.
Sea f (u) = f (v), luego f (u) f (v) = ~0, es decir, f (u v) = ~0. Puesto
que N (f ) = {~0}, tenemos que u v = ~0, luego u = v con lo que
conclumos que f es inyectiva.
Ejercicio
Estudiemos si es inyectiva la aplicacion lineal
f : K 2 K 3 ; f (x, y) = (x + y, 3x y, 2y)
Soluci
on
Debemos conocer el n
ucleo de f .
N (f ) = {(x, y) K 2 ; f (x, y) = (0, 0, 0)}
Tenemos: (x + y, 3x y, 2y) = (0, 0, 0). Luego x = y = 0, de donde
N (f ) = {(0, 0)}. As f es inyectiva.
Nota
El Teorema anterior nos dice que para estudiar si una aplicacion lineal
es inyectiva, no es necesario usar su denicion, sino estudiar su n
ucleo
~
y entonces este es {0} si y solo si f es inyectiva.
(Es decir, el ~0 es 1-1, si y solo si todo vector es 1-1)
138
Algebra Lineal
Nota
Ahora que conocemos el N
ucleo y la Imagen de una aplicacion lineal y
algunas propiedades de ellos, queremos saber si habra alguna relacion
entre sus dimensiones y tal vez con alg
un otro espacio, por ejemplo su
Dominio o su Codominio.
Dejemosnos inspirar por algunos ejemplos.
Observaci
on
Sea f : K K 5 f (x) = (3x, 2x, x, 5x, 7x). Tenemos que N (f ) =
{~0}, luego dimK N (f ) = 0. Es decir no tiene base.
Veamos su Imagen
Conozcamos el N
ucleo de f : Tenemos x + y + z = 0 = y = x z.
Entonces
(x, y, z, t, u) = (x, x z, z, t, u)
= x(1, 1, 0, 0, 0) + z(0, 1, 1, 0, 0)+
t(0, 0, 0, 1, 0) + u(0, 0, 0, 0, 1)
Captulo 3.
Aplicaciones Lineales
139
Luego Im(f ) =< 1, 1, 1 >=< 1 >. Luego una base de Im(f ) = {1}.
140
Algebra Lineal
Armamos que BB = {u1 , u2 , ..., up , up+1 , up+2 , ..., up+q } es una base
de V .
Luego debemos demostrar que B B genera V y es un conjunto l.i.
1. Demostremos que B B genera V .
(3.1)
Captulo 3.
Aplicaciones Lineales
141
(3.2)
3.4
Morfismos y dimensiones
142
Algebra Lineal
Demostraci
on (1)
Sea S =< v1 , ..., vr >. Sea w f (S) luego w = f (s), cierto s S.
Pero s S, signica que s = 1 v1 + + r vr , ciertos 1 , , r K.
Luego w = f (s) = f (1 v1 + + r vr ) = 1 f (v1 ) + + r f (vr ).
Esto nos dice que w se puede escribir como una combinacion lineal de
f (v1 ), , f (vr ), luego f (S) =< f (v1 ), , f (vr ) >.
Demostraci
on(2)
Sea 1 f (v1 ) + + t f (vt ) = ~0, luego f (1 v1 + + t vt ) = ~0.
Puesto que f es inyectiva y que 1 v1 + + t vt N (f ). Entonces
1 v1 + + t vt = ~0. Luego 1 = = t = 0 pues {v1 , v2 , ..., vt } es
l.i.
La segunda parte de la proposicion anterior nos dice, en palabras, que
toda aplicacion lineal inyectiva, lleva un conjunto l.i., en otro conjunto
l.i.
Captulo 3.
Aplicaciones Lineales
143
144
Algebra Lineal
Notese que una aplicacion lineal puede llevar un conjunto l.i. en otro l.i.
y no ser inyectiva. Por ejemplo consideremos f : K 4 K 4 lineal tal
que f (1, 0, 0, 0) = (1, 1, 1, 1), f (0, 1, 0, 0) = (1, 1, 1, 2), f (0, 0, 1, 0) =
(1, 2, 3, 4), f (0, 0, 0, 1) = (1, 2, 3, 4).
Esta aplicacion lleva el conjunto l.i. {(1, 0, 0, 0), (0, 1, 0, 0)} en el conjunto l.i. {(1, 1, 1, 1), (1, 1, 1, 2)} y no es inyectiva.
Nota
Esta proposicion tambien nos dice que una aplicacion lineal epiyectiva
se reconoce por llevar una base del Dominio de la aplicacion en un
conjunto de generadores del Codominio de ella.
Nota
Veamos algunas deniciones antes de seguir. Y Ademas veremso por
que llevan tales nombres.
Recuerda algo trivial, pero t
u que eres joven a veces olvidas y es que
todo lo que te ense
namos en la Universidad ha sido creado por personas, al igual que ti, solo que vinieron antes al mundo y todas estas
deniciones las dieron por algo. Estamos de acuerdo? Bueno aqu
las tienes:
Definiciones
Para decir que f es una aplicacion lineal, podemos decir simplemente que f es un morfismo. Esta palabra viene de la palabra griega
morfo () que signica forma.
Un endomorfismo es un morsmo que va de un espacio vectorial
dentro del mismo espacio, es decir f : V V es un endomorsmo.
Endo (o) es una palabra griega que signica dentro.
Un monomorfismo es un morsmo inyectivo. Mono es un prejo
griego (
oo) que signica u
nico o uno solo (es decir que a vectores
distintos del dominio le corresponden imagenes distintas).
Captulo 3.
Aplicaciones Lineales
145
146
Algebra Lineal
Proposici
on 3.4.5 (Todo
o nada) Sea f : V W lineal tal que
dimK V = dimK W . Entonces son equivalentes:
1. f es inyectiva
2. f es epiyectiva
Demostraci
on
Sea {z1 , z2 , ..., zq } una base de Im(f ).
ciertos 1 , 2 , ...q K
Tenemos
f (v) = 1 f (u1 ) + 2 f (u2 ) + + q f (uq )
= f (1 u1 + 2 u2 + + q uq )
= f (v )
con v = 1 u1 + 2 u2 + + q uq .
Captulo 3.
Aplicaciones Lineales
147
luego
f (1 u1 + + q uq ) = 1 f (u1 ) + + q f (uq ) = ~0
luego 1 = 2 = = q = 0, pues {f (u1 ), f (u2 ), ..., f (uq )} son l.i.
Luego B es l.i.
Por (a) y (b) tenemos que B es una base de V .
Luego dimK V = q = dimK Im(f )
Ademas dimK V = dimK W
Se obtiene que dimK W = dimK Im(f ), es decir que f es epiyectiva.
Demostremos que (2) = (1)
Sea f epiyectiva, luego dimK Im(f ) = dimK W = dimK V
Primero veamos que B es l.i.
Sea 1 u1 + 2 u2 + + q uq = ~0. Luego
148
Algebra Lineal
Proposici
on 3.4.6 Sea f : V W y g : W U morfismos tal
que Im(f ) Dom(g). Entonces:
1. g f es lineal
2. Si f y g son monomorfismos, entonces gf es un monomorfismo
3. Si f y g son epimorfismos, entonces g f es un epimorfismo
Demostraci
on 1
(g f )(v + w) = g(f (v + w)) = g(f (v) + f (w)) = g(f (v)) + g(f (w)) =
(g f )(v) + (g f )(w)
Demostraci
on 2
Sea (g f )(v) = ~0, luego g(f (v)) = ~0. Entonces f (v) = ~0 pues N (g) =
{~0}. Ademas v = ~0 ya que v N (f ). Luego N (g f ) = {~0}, es decir
g f es inyectiva, dicho mas elegantemente g f es un monomorsmo.
Demostraci
on 3
Sea u U , luego existe w W tal que g(w) = u. Pero f tambien
es epiyectiva, luego existe v V tal que f (v) = w. Tenemos que:
u = g(w) = g(f (v)) = (g f )(v). Entonces g f es un epimorsmo.
De esta proposicion se deduce trivialmente el resultado siguiente:
Captulo 3.
Aplicaciones Lineales
149
Definici
on 3.4.1 Diremos que V y W , dos K-espacios, son isomorfos si nosotros podemos establecer un isomorfismo entre ellos, es
decir, si podemos construir un isomorfismo f : V W . Lo denotaremos V
= W.
Ejemplos de isomorfismos
Ejemplo
IR2
=C
Sabemos que un morsmo es biyectivo si y solo si lleva una base en
otra base.
Consideremos la aplicacion
f : IR2 C lineal, tal que f (1, 0) = 1, f (0, 1) = i. Esta aplicacion es
un isomorsmo de IR2 en C. Su expresion analtica es f (a, b) = a + bi.
Ejemplo
K2 [X]
= K3
Construyamos la aplicacion lineal f : K2 [X] K 3 , tal que f (1) =
(1, 0, 0), f (X) = (0, 1, 0), f (X 2 ) = (0, 0, 1). Este morsmo lleva
la base {1, X, X 2 } de K2 [X] en la base canonica de K 3 , es decir,
{(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
150
Algebra Lineal
1 0
0 0
f(
0 0
1 0
) = (1, 0, 0, 0);
) = (0, 0, 1, 0);
f(
0 1
0 0
) = (0, 1, 0, 0)
f(
0 0
0 1
) = (0, 0, 0, 1)
Demostremos que si V
= K n , entonces dimK V = n.
Sea V
= K n , luego existe f : K n V isomorsmo tal que
f (e1 ) = u1 , f (e2 ) = u2 , ..., f (en ) = un ,
con {u1 , u2 , ..., un }, una base de V . Luego dimK V = n.
Captulo 3.
Aplicaciones Lineales
151
Ejercicio
Establezcamos un isomorsmo entre
V = {(x, y, z, u); x + y + z = 0, x + 2u = 0} y alg
un K n
Soluci
on
Primero observamos que z = x y y u = 12 x. Luego
1
1
(x, y, z, u) = (x, y, x y, x) = x(1, 0, 1, ) + y(0, 1, 1, 0)
2
2
Entonces tenemos que una base de V es
1
B = {(1, 0, 1, ), (0, 1, 1, 0)}
2
De donde dimK V = 2 y V
= K 2.
Establezcamos el isomorsmo siguiente:
1
f : V K 2 ; f (1, 0, 1, ) = (1, 0), f (0, 1, 1, 0) = (0, 1)
2
La forma tpica de los elementos de V , es, (x, y, x y, 12 x) y la
escritura de f es f (x, y, x y, 21 x) = (x, y).
Nota
Este teorema nos dice que todos los espacios vectoriales de dimension
nita estan clasicados.
Todos los espacios vectoriales de una misma dimension tienen las mismas propiedades, solo que tienen una escritura diferente.
152
3.5
Algebra Lineal
Sean U y V dos K-espacios vectoriales. El conjunto de todas las aplicaciones lineales de U en V , sera denotado por LK (U, V ) o cuando no
haya confusion, denotaremos simplemente L(U, V ). o bien Hom(U, V ).
Comencemos por estudiar la suma de dos morsmos.
Lema
Sean f, g LK (U, V ). Entonces la aplicacion h : U V denida
por:
h(u) = f (u) + g(u), u U
es lineal.
Demostraci
on
1. h(u + v) = f (u + v) + g(u + v) = f (u) + f (v) + g(u) + g(v) =
(f (u) + g(u)) + (f (v) + g(v)) = h(u) + h(v).
2. h(u) = f (u) + g(u) = f (u) + g(u) = (f (u) + g(u)) =
h(u).
Por (1) y (2) tenemos que h es lineal.
Es interesante que esta aplicacion h, obtenida de dos aplicaciones lineales es lineal. Este lema nos induce entonces a la siguiente denicion
Definici
on 3.5.1 Dadas f, g LK (U, V ), se define una nueva aplicaci
on en LK (U, V ), denotada por f + g y definida por
(f + g)(u) = f (u) + g(u), u U
llamada la suma de f y g.
Captulo 3.
Aplicaciones Lineales
153
4. La suma es conmutativa.
(f + g)(u) = f (u) + g(u) = g(u) + f (u) = (f + g)(u).
Pregunta
Que ocurre con la ponderacion de un morsmo?
La respuesta la tenemos en el siguiente lema.
Lema
Sea f un morsmo de LK (U, V ) y K un escalar. Entonces la
aplicacion de U en V , denida por
h(u) = f (u)
es lineal.
154
Algebra Lineal
Demostraci
on
1. h(u1 + u2 ) = f (u1 + u2 ) = (f (u1 ) + f (u2 )) = f (u1 ) +
f (u2 ) = h((u1 ) + h(u2 ).
2. h(u) = f (u) = (f (u)) = ( ) f (u) = ( f (u)) =
h(u).
Por (1) y (2) tenemos que h es lineal.
Esta propiedad nos induce la siguiente denicion.
Definici
on 3.5.2 A todo escalar K y a todo morfismo f de
LK (U, V ), le asociamos un morfismo de LK (U, V ) llamado producto
escalar de por f , denotado f y definido por
( f )(u) = f (u), u U
Proposici
on 3.5.2 Dados f, g LK (U, V ) y , K, se tiene que
se cumplen los axiomas de espacio vectorial siguientes: E.V.5. 1f = f
E.V.6. ( + )f = f + f
E.V.7. (f + g) = f + g
E.V.8. ( )f = ( f )
Captulo 3.
3.6
Aplicaciones Lineales
155
Ejercicios resueltos
Ejercicio
Sea f : K 2 K 2 ; f (x, y) = (2x+y, 3x) una aplicacion. Demostremos
que f es lineal.
Soluci
on
Sean u, v K 2 , luego tienen la forma u = (x, y), v = (x , y ), ciertos
x, y, x , y K.
1. f (u + v) = f ((x, y) + (x , y )) = f (x + x , y + y ) =
= (2(x + x ) + (y + y ), 3(x + x )) = (2x + y + 2x + y , 3x + 3x ) =
= (2x + y, 3x) + (2x + y , 3x ) = f (x, y) + f (x , y ) = f (u) + f (v).
2. f (u) = f ((x, y)) = f (x, y) = (2x + y, 3x) =
= (2x + y, 3x) = f (x, y) = f (u), K.
Ejercicio
Sea f : K 3 K 3 ; f (x, y, z) = (2x + y, x + y, 2x) una aplicacion.
Demostremos que f es lineal.
Soluci
on
Sean u, v K 3 , luego tienen la forma u = (x, y, z), v = (x , y , z ),
ciertos x, y, x , y , z, z K.
1. f (u + v) = f ((x, y, z) + (x , y , z )) = f (x + x , y + y , z + z ) =
= (2(x + x ) + (y + y ), (x + x ) + (y + y ), 2(x + x )) =
= ((2x + y) + (2x + y ), (x + y) + (x + y ), 2x + 2x ) =
= (2x + y, x + y, 2x) + (2x + y , x + y , 2x ) =
156
Algebra Lineal
z y z de u y v.
2. f (u) = f ((x, y, z)) = f (x, y, z) =
= (2(x) + y, x + y, 2x) = (2x + y, x + y, 2x) =
= f (x, y, z) = f (u).
Ejercicio
Sea f : K 5 K 5 denida por:
f (x, y, z, u, v) = (x + y + z + u, 2x + 2y + z + v, x + y + z + u,
2x y + z + v, y z 2u + v)
1. Busquemos una base y la dimension de N (f ).
2. Busquemos una base y la dimension de Im(f ).
3. Estudiemos la inyectividad y epiyectividad de f .
Soluci
on
x+y+z+u
2x + 2y + z + v
x+y+z+u
(x, y, z, u, v) N (f ) ssi
2x y + z + v
y z 2u + v
=
=
=
=
=
0
0
0
0
0
1 1
1
1
2 2
1
0
1 1
1
1
2 1 1
0
0 1 1 2
0
1
0
1
1
0
0
0
0
0
1 1
1
1 0
L21 (2)
0
0
1
2
1
L31 (1)
0
0 0
0 0
L (2) 0 3 1 2 1
41
0
0
0
0
1 2 1 0
Captulo 3.
L45 (1)
1
0
0
0
0
157
Aplicaciones Lineales
1 1
1
1 0 0
0 0 1 2 1 0
0 0
0
0 0 0
0 4 0
0 0 0
0 1 1 2 1 0
0 1
1
0 1 2
0 0
0
1 0
0
0 1 2
0
1
0
0
1
0
0
0
0
0
L15 (1)
L (1)
25
L (1)
5
L ( 1 )
4
4
1
0
0
0
0
0
0
0
1
0
L14 (1)
L54 (1)
0 1 1
0 0
0
0 0
0
0 0
0
1 2 1
0
0
0
0
0
Luego
xu+v=0
y=0
z + 2u v = 0
Es decir
x = uv
y =
0
z = 2u + v
; u, v K
158
Algebra Lineal
1
1
1
1
0
2
2
1
0
1
L15 (2)
L35 (1)
L45 (2)
1 2
0
L21 (1)
1 1 1
1 1 1
L (1)
31
1 0 2
L41 (1)
0 1
1
1
0
0
0
0
0
0
1
0
0
1
0
0
0
0
1 2 1 2
0
0 0 0 3 1
0 1 0 1 1
0 2 0 2 2
0 1 0 1
1
0 2
1 1
3 L (1)
32
1 1
0 0
0 0
1
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0 2
1 1
3
0 43
0 0
0 0
Captulo 3.
159
Aplicaciones Lineales
1. Estudiemos el N
ucleo y la Imagen de f , seg
un los diferentes
valores de . Estudiemos sus dimensiones respectivas.
2. Estudiemos la inyectividad y epiyectividad de f , seg
un los diferentes valores de .
Soluci
on
Busquemos un conjunto de generadores de Im(f ).
Sea w Im(f ), luego
w = x(1, 2, ( 1)) + y(1, 1, 2 2) + z(1, 3, 2 2)
Luego un conjunto de generadores de Im(f ) es
{(1, 2, ( 1)), (1, 1, 2 2), (1, 3, 2 2)}
Para saber su dimension, necesitamos encontrar una base.
L12 (2)
1 2 1
L21 (1)
1
2 1
0
1
3
1
1
2
L32 (1)
0 1 3 3
L31 (1)
1
3 2 2
1 0 5 + 5
L13 (5)
1 0 5 + 5
1
L3 ( 6 )
0 1 3 3
0 1 3 3
0 0 6 6
L23 (3)
0 0 1
1 0
0
0
1
0
0 0 1
160
Algebra Lineal
Sabemos que
dimK Dom(f1 ) = dimK N (f1 ) + dimK Im(f1 )
Luego dimK N (f1 ) = 1. Conclusion: f1 no es inyectiva.
O bien, podemos hacer el razonamiento siguiente: Puesto que
dimK Dom(f1 ) = dimK Codom(f1 )
por la proposicion Todo o nada, como no es epiyectiva, entonces no
es inyectiva.
Busquemos ahora una base para N (f1 ).
Tenemos (x, y, z) N (f1 ) ssi (x y + z, 2x y + 3z, 0x + 0y + 0z) =
(0, 0, 0) ssi
xy+z = 0
2x y + 3z = 0
L21 (2)
1 0 2 0
0 1 1 0
1 1 1 0
0 1 1 0
es decir
x = 2z
y = z
N (f1 ) =< (2, 1, 1) >. Luego una base de N (f1 ) es {(2, 1, 1)}.
Luego f1 no es inyectiva, ya que el n
ucleo de f1 no es {~0}
Por la proposicion Todo o nada, tampoco es epiyectiva.
Captulo 3.
Aplicaciones Lineales
1 0 0
0 1 0
0 0 1
161
162
Algebra Lineal
4x + 2y = 0
ssi
x+y = 0
7x + 5y = 0
x = o
y = 0
+ = x
2 + = y
3 + 2 + = z
Captulo 3.
163
Aplicaciones Lineales
Escalonando, tenemos
x
1 1 0
L21 (2)
1 1 0 x
L13 (1)
0 2 1 y 2x
2 0 1 y
3 2 1 z
0 1 1 z 3x
L31 (2)
L3 (1)
1 0 1
z 2x
1 0
1 z 2x
L23 (2)
0 0 1 4x + y 2z
0 2 1 y 2x
3x z
0 1 1 3x z
0 1 1
1 0 0 2x + y z
L12 (1)
0 0 1 4x y + 2z
L32 (1)
0 1 0 x y + z
Luego
= 2x + y z
= 4x y + 2z
= x y + z
164
Algebra Lineal
f (x + x , y + y , z + z )
(x + x + y + y , x + x + y + y )
(x + y, x + y) + (x + y , x + y )
f (x, y, z) + f (x , y , z )
En la u
ltima igualdad podamos tomar cualquier z, cualquier z ,
pero en particular podamos tomar z y z que tenamos al comienzo
(estabamos autorizados a tomar cualquiera).
(b) f ((x, y, z)) = f (x, y, z)
= (x + y, x + y)
= (x + y, x + y) = f (x, y, z)
Por ( a) y ( b) tenemos que f es lineal.
Contestemos ahora la parte (ii.).
(x, y, z) N (f ) ssi f (x, y, z) = (0, 0) ssi (x+y, x+y) = (0, 0) ssi x+y =
0 ssi x = y. Luego no hay exigencias sobre z. Tenemos entonces que
N (f ) = {(x, x, z); x, z K} 6= {~0}. Luego f no es inyectiva. Una
base de N (f ) es {(1, 1, 0), (0, 0, 1)} (luego de dimension dos).
Por otra parte sabemos que:
Captulo 3.
Aplicaciones Lineales
165
Soluci
on (3)
El Teorema de existencia y unicidad de una aplicacion lineal, dice que
dada una base en el Dominio y dado 3 vectores cualesquieras en el
Codominio, existe una aplicacion lineal que lleva los vectores de la
base en esos tres vectores y esta aplicacion es u
nica. Luego h existe y
es u
nica pues {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de Dom(h)
Para la pregunta (ii.), tenemos lo siguiente:
166
Algebra Lineal
Ejercicio
Sea f : K 3 K 3 una aplicacion lineal tal que
f (x, y, z) = (x + z, y + 2z, ( 3)z)
Encontremos el n
ucleo y la imagen de f para los distintos valores de
K y luego estudiemos la inyectividad y epiyectividad de f .
Soluci
on
Busquemos el n
ucleo de f
x+z = 0
y + 2z = 0
( 3)z = 0
1 0
1
0
2
0
0 1
0 0 3 0
Caso (1) 3 = 0 ssi = 3
x+z = 0
y + 2z = 0
Luego, x = z, y = 2z
De donde (z, 2z, z) = z(1, 2, 1), luego N (f3 ) =< (1, 2, 1) >;
y por lo tanto f no es inyectiva en el caso = 3 y en tal caso la
dimension del n
ucleo es uno, luego por el teorema de las dimensiones
se tiene que dimIm(f3 ) = 2. Busquemos Im(f3 )
Tenemos (x + z, y + 2z, 0) = x(1, 0, 0) + y(0, 1, 0) + z(1, 2, 0) y como
(1, 2, 0) es combinacion lineal de (1, 0, 0) y (0, 1, 0), entonces
Im(f3 ) =< (1, 0, 0), (0, 1, 0) >, luego f3 no es epiyectiva.
Caso (2) 3 6= 0 ssi 6= 3
Captulo 3.
167
Aplicaciones Lineales
Seguimos escalonando
1
)
L3 ( 3
1 0 1 0
1 0 0 0
L13 (1)
0 1 2 0
0 1 0 0
0 0 1 0
0 0 1 0
L23 (2)
Luego x = y = z = 0, es decir N (f ) = {(0, 0, 0)} y usando nuevamente el teorema de las dimensiones tenemos que dimf = 3, es decir
Im(f ) = K 3 . Luego en este caso ( 6= 3), se tiene que f es inyectiva
y epiyectiva. Ademas recordemos que f es un endomorsmo, luego es
inyectivo ssi es epiyectivo.
Ejercicio
Observando las imagenes de los elementos de la base, estudiemos si la
aplicacion lineal f : K 3 K 3 , dada por:
f (1, 0, 0) = (1, 1, 0); f (0, 1, 0) = (0, 0, 1); f (0, 0, 1) = (2, 2, 1) es un
1. monomorsmo;
2. epimorsmo;
3. automorsmo.
Soluci
on
1. Una aplicacion lineal es un monomorsmo si lleva una base en
un conjunto l.i.
Tenemos que {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base. Ahora
necesitamos estudiar la dependencia lineal de
B = {(1, 1, 0), (0, 0, 1), (2, 2, 1)}
Sea (1, 1, 0) + (0, 0, 1) + (2, 2, 1) = (0, 0, 0). Es equivalente
a
168
+ 2 = 0
equivalente a
+ 2 = 0
= 0
Algebra Lineal
= 2
=
Luego < (1, 1, 0), (0, 0, 1), (2, 2, 1) >=< (1, 1, 0), (0, 0, 1) >,
4 2
;
0 0
Captulo 3.
169
Aplicaciones Lineales
2 = c (a b) b, luego =
ca
.
2
luego
f (a + bX + cX 2 ) =
a + 2b + 2c
c
a 2b
a 2b
Ejercicio
Sea T : K 3 K 3 tal que T (1, 1, 1) = (1, 3, 5), T (1, 0, 1) = (0, 1, 3).
Estudiemos en cada uno de los casos la existencia y unicidad de T si
agregamos la condicion
1. T (2, 1, 2) = (1, 4, 8)
2. T (2, 1, 2) = (0, 4, 8)
3. T (1, 0, 0) = (1, 3, 5)
Soluci
on (1)
Se tiene (2, 1, 2) = 1(1, 1, 1) + 1(1, 0, 1). Si T fuese lineal T (2, 1, 2) =
1T (1, 1, 1) + 1T (1, 0, 1) = 1(1, 3, 5) + 1(0, 1, 3) = (1, 4, 8). Luego existe
T que cumple (1), pero T no es u
nica, faltara denirla en un tercer
vector tal que los tres vectores formen una base de K 3
170
Algebra Lineal
Soluci
on (2)
No existe T que cumpla (2), pues vimos que si T es lineal T (2, 1, 2) =
(1, 4, 8)
Soluci
on (3)
Ocurre que {(1, 1, 1), (1, 0, 1), (1, 0, 0)} es una base de K 3 , luego existe
una aplicacion lineal denida en esta base y es u
nica.
Busquemos su escritura.
(x, y, z) = y(1, 1, 1) + (z y)(1, 0, 1) + (x z)(1, 0, 0)
3.7
Ejercicios propuestos
x
)=
(b) g : M21 (K) M2 (K); g(
y
x+y
x
y
xy
Captulo 3.
Aplicaciones Lineales
171
Captulo 4
Matrices
4.1
174
Algebra Lineal
Observaci
on
Consideremos a modo de ejemplo, K 3 y en el la base
B = {(1, 2, 5), (2, 3, 1), (1, 1, 1)}
y una aplicacion lineal f : K 3 K 2 , denida por
f (1, 2, 5) = (5, 12); f (2, 3, 1) = (8, 5); f (1, 1, 1) = (3, 1)
Entonces estos seis vectores determinan f .
En K 2 , consideremos la base C = {(1, 1), (1, 0)}.
Observemos que:
12 5 1
7 3 4
Captulo 4.
175
Matrices
n
X
xj v j
j=1
m
X
y i wi
i=1
n
X
m
X
aij wi
i=1
j=1
f , en el vector de W siguiente:
w = f (v) = x1 f (v1 ) + x2 f (v2 ) + + xn f (vn ) =
n
X
xj f (vj )
j=1
n
X
m
X
aij wi ) =
xj (
j=1
i=1
n
m X
X
aij xj )wi
i=1 j=1
n
X
j=1
aij xj , 1 i m, es decir,
176
Algebra Lineal
aij xj
j=1
n
X
j=1
w=
n
m X
X
i=1 j=1
aij xj )wi =
n
X
m
X
aij wi ) =
xj (
j=1
i=1
n
X
j=1
xi f (vj ) = f (
n
X
xj vj ) = f (v)
j=1
m
X
i=1
Captulo 4.
Matrices
177
Ejemplo
Sea f : K 3 K 2 ; denida por: f (x, y, z) = (3x, x + y).
Consideremos B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} una base ordenada
(no podemos cambiar el orden dado) de K 3 y C = {(1, 0), (1, 1)}
una base ordenada de K 2 . Busquemos (f ; B, C) de acuerdo?
Soluci
on
Sabiendo que f (x, y, z) = (3x, x + y), tenemos
f (1, 1, 1)
= (3, 2) = 5(1, 0) + 2(1, 1)
f (1, 1, 0) = (3, 0) = 3(1, 0) + 0(1, 1)
f (1, 0, 0)
= (3, 1) = 4(1, 0) + 1(1, 1)
Luego (f ; B, C) =
5 3 4
2 0 1
Ejemplo
Sea f : K 3 K 2 ; f (x, y, z) = (x + y + z, 3z).
0 2 1
3 2
1
Ejercicio
Sea f : K2 [t] K2 [t]; f (g(t)) = (1t)g (t). Determinemos (f ; B, C),
178
Algebra Lineal
donde B = {1 + t + t2 , 1 + t, 1} y C = {t + t2 , 1 + t + t2 , t2 }.
Soluci
on
Tal vez debemos explicarte mejor el comportamiento de f . Bueno es
as:
f (a + bt + ct2 ) = (1 t)(b + 2ct), pues g (t) es la derivada formal de
g(t) (es decir que tiene la misma forma de la derivada. de acuerdo?)
f (1 + t + t2 ) = (1 t)(1 + 2t) = 1 + t 2t2
f (1 + t)
= (1 t) 1
= 1t
f (1)
= (1 t) 0
= 0
Busquemos las coordenadas de estos vectores en la base C.
1 + t 2t2 = 0(t + t2 ) + 1(1 + t + t2 ) + 3t2
1t
= 2(t + t2 ) + 1(1 + t + t2 ) + 1t2
0
= 0 (t + t2 ) + 0 (1 + t + t2 ) + 0 t2
Luego
0 2 0
1 0
(f ; B, C) = 1
3 1 0
Ejercicio
Sea f : K 2 K2 [X] lineal cuya matriz seg
un las bases
1 2
(f ; B, C) = 3 7
5 4
Busquemos la expresion analtica de f .
Captulo 4.
Matrices
179
Soluci
on
Sabemos que:
f (1, 1) = 1(1 + X + X 2 ) + 3(1 + X) + 5(1)
f (1, 0) = 2(1 + X + X 2 ) + 7(1 + X) + 4(1)
Luego
f (1, 1) = 9 + 4X + X 2
f (1, 0) = 13 + 9X + 2X 2
Ahora escribamos (z, t) K 2 , seg
un la base B
(z, t) = t(1, 1) + (z t)(1, 0)
Luego
f (z, t) = tf (1, 1)+(zt)f (1, 0) = t(9+4X+X 2 )+(zt)(13+9X+2X 2 )
es decir,
f (z, t) = (13z 4t) + (9z 5t)X + (2z t)X 2
4.2
Observaci
on
Sean f, g : K 2 K 3 denidas por:
f (x, y) = (2x + y, 3y 3x, 2y 3x) y g(x, y) = (4x 2y, 2x y, x)
Escojamos las bases ordenadas
B = {(1, 2), (1, 1)} en K 2 y C = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} en K 3
(f + g)(x, y) = f (x, y) + g(x, y) = (6x y, 2y x, 2y 2x)
180
Algebra Lineal
luego,
f (1, 2)
f (1, 1)
g(1, 2)
g(1, 1)
(f + g)(1, 2)
(f + g)(1, 1)
=
=
=
=
=
=
(4, 3, 1)
(3, 0, 1)
(0, 0, 1)
(2, 1, 1)
(4, 3, 2)
(5, 1, 0)
de donde
1 1
1
(f ; B, C) =
;
2
1 3
1 1
(g; B, C) =
1 0
0 1
2 0
(f + g; B, C) =
1 1
1 4
m
X
i=1
aij wi , g(vj ) =
m
X
bij wi . Luego
i=1
m
X
i=1
Luego
(f ; B, C) =
aij wi +
m
X
i=1
bij wi =
m
X
i=1
Captulo 4.
181
Matrices
(g; B, C) =
(f + g; B, C) =
a11 + b11
. . . a1j + b1j . . . a1n + b1n
...........................................
ai1 + bi1
. . . aij + bij . . . ain + bin
...........................................
am1 + bm1 . . . amj + bmj . . . amn + bmn
4.3
Recordemos que en el captulo anterior denimos el producto por escalar f donde f es un morsmo.
182
Algebra Lineal
Observaci
on
Considerando el morsmo f : K 2 K 3 y las bases de la observacion
anterior, tenemos
(f )(x, y) = f (x, y) = (2x + y, 3y 3x, 2y 3x)
Luego
(f )(1, 2) = (4, 3, ) = (1, 1, 1) + 2(1, 1, 0) + (1, 0, 0)
(f )(1, 1) = (3, 0, ) = (1, 1, 1) + (1, 1, 0) + 3(1, 0, 0)
1 1
(f ; B, C) = 2 1 y (f ; B, C) = 2
3
1 3
Nuevamente uno tiene de inmediato el chispazo para multiplicar una
matriz por un escalar
En general si consideramos espacios vectoriales cualesquieras, se tiene:
Consideremos la misma aplicacion lineal f y las mismas bases que
consideramos para el caso de la suma. Sea K. Por la denicion de
la aplicacion lineal f , tenemos
(f )(vj ) = f (vj ) =
m
X
i=1
aij wi =
m
X
(aij )wi
i=1
Luego
(f ; B, C) =
Captulo 4.
183
Matrices
Definici
on 4.3.1 A toda matriz (aij ) perteneciente a Mmn (K) y a
todo escalar K,le asociaciamos una matriz de Mmn (K), llamada
producto de por (aij ), denotada (aij ) y definida por
(aij ) = ( aij )
es decir,
(f ; B, C) = ( f ; B, C)
En palabras, el producto escalar por una matriz de un morsmo es la
matriz del producto escalar por el morsmo.
4.4
Composici
on de morfismos y producto de matrices
p
X
aij vi ,
g(vi ) =
i=1
q
X
bki wk
k=1
Luego
p
X
aij vi ) =
i=1
p
X
i=1
aij g(vi ) =
p
X
i=1
aij (
q
X
k=1
bki wk )
184
(g f )(uj ) =
Sea
ckj =
p
X
i=1
p
q X
X
k=1 i=1
Algebra Lineal
Obtenemos entonces
(g f )(uj ) =
q
X
ckj wk
k=1
Definici
on 4.4.1 A una matriz (aij ) en Mpn (K) y una matriz (bki )
en Mqp (K), le asociamos una matriz de Mqn (K), llamada producto de las matrices (bki ) y (aij ), denotada (bki ) (aij ) y definida
por
p
X
(bki ) (aij ) = (
bki aij )
i=1
bk1
bk2
bkp
a1j
a2j
..
.
apj
..
.
ckj
..
.
Captulo 4.
185
Matrices
Ejemplo
Consideremos nuevamente la aplicacion lineal
f : K 2 K 3 ;
Consideremos D = {(1, 1), (1, 0)} una base ordenada del Codominio
de g y busquemos las matrices: (g; C, D) y (g f ; B, D)
Tenemos:
g(1, 1, 1)
g(1, 1, 0)
g(1, 0, 0)
(g f )(x, y)
(g f )(1, 2)
(g f )(1, 1)
=
=
=
=
=
=
(2, 1)
(0, 1)
(1, 1)
g(f (x, y))
(3, 2)
(1, 3)
=
1(1, 1) + 1(1, 0)
=
1(1, 1) + 1(1, 0)
=
1(1, 1) + 2(1, 0)
= (x + 2y, 8x + 5y)
=
2(1, 1) + 1(1, 0)
=
3(1, 1) + 4(1, 0)
Luego tenemos
(g; C, D) =
1 1 1
;
1 1 2
(g f ; B, D) =
1 1
(f ; B, C) = 2 1
1 3
2 3
1 4
El n
umero 2 de la tercera matriz se obtiene de 1 1 + 1 2 + (1) 1, es
decir la primera la de (g; C, D), por la primera columna de (f ; B, C).
Ademas
3 = 1 (1) + 1 1 + (1) 3
1
= 1 1 + (1) 2 + 2 1
4
= 1 (1) + (1) 1 + 2 3
186
4.5
Algebra Lineal
Proposici
on 4.5.1 (Mmn (K), +) es un grupo abeliano.
Demostraci
on
La suma es una ley de composicion interna. Esta suma es asociativa
y conmutativa.
El neutro para la suma es la matriz nula, es decir 0 = (aij ) con aij = 0;
i = 1, , m, j = 1, , n Toda matriz A = (aij ) tiene inversa
aditiva A = (aij )
Proposici
on 4.5.2 (Mn (K), +, ) es un anillo con unidad.
Demostraci
on
En efecto, el producto es asociativo y se distribuye con respecto a la
suma.
La unidad es la matriz identidad In = (aij ), donde aii = 1 y aij = 0 si
i 6= j.
Observaci
on
Sea A =
AB =
BA=
1 2
3 1
1 2
3 1
2 1
3 6
yB=
2 1
. Entonces
3 6
2 1
3 6
1 2
3 1
8 11
3 9
1 5
21 0
Nota
Se tiene entonces que el producto de matrices no es conmutativo.
Captulo 4.
187
Matrices
Observaci
on
Consideremos las mismas dos matrices del ejemplo anterior y observamos lo siguiente.
A =
B2 =
1 2
3 1
2 1
3 6
A2 + 2A B + B 2 =
1 2
3 1
2 1
3 6
3 1
6 5
7 0
0 7
1 8
24 33
7 0
1 8
16 22
+
+
24 33
6 18
0 7
1 2
(A + B) = (
3 1
3 1
)=
6 5
2 1 2
) =
3 6
24 14
30 22
3 1 2
) =
6 5
15 8
)
48 31
Definici
on 4.5.1 Diremos que una matriz A Mn (K) es invertible
o regular, si existe una matriz B Mn (K), tal que AB = BA = In .
Diremos que es singular, en caso que no sea invertible.
Ejercicio
En el espacio de las matrices M2 (IR), determine
el conjunto de todas
1 1
las matrices que conmutan con la matriz:
0 0
Soluci
on
a b
c d
1 1
0 0
1 1
0 0
a b
c d
188
Luego
a a
c c
a+c b+d
0
0
Algebra Lineal
b+d b
; b, d IR}, es el
0
d
conjunto de todas las matrices que conmutan con la matriz A.
Entonces a = b + d y c = 0. Luego {
Ejercicio
1 a 1
a IR, la matriz A = a 1 a
,
0 a 1
Soluci
on
1 a 1
1
L23 (a)
0
0 1 a
0 a 1
1
1 0 1 a2
L12 (a) L32 (a)
a
0 1
2
0 0 1a
1
a
1 a 1
L21 (a)
a 1 a 0 1 a2
0
a
0 a 1
Definici
on 4.5.2 Sea A Mn (K), A =
6 0. Diremos que A es un
divisor de cero, si existe B Mn (K), B =
6 0, tal que A B = 0
Ejemplo
Consideremos las matrices A =
Su producto es: A B =
divisores de cero.
0 2
0 0
0 3
.
0 0
0 0
. Luego las matrices A y B, son
0 0
Captulo 4.
189
Matrices
Observaci
on
0 1
. Se tiene que A2 = 0. Diremos
Consideremos la matriz A =
0 0
que A es una matriz nilpotente de grado 2
Definici
on 4.5.3 Sea A Mn (K). Diremos que A es una matriz
nilpotente de grado m, si Am = 0 y At 6= 0 t < m
Ejemplo
0 0 0
0 0 0
2
.
Entonces
A
=
1
0
0
Sea A =
0 0 0 y A3 = 0.
1 0 0
2 1 0
Luego A es una matriz nilpotente de grado 3.
Definici
on 4.5.4 Sea A Mn (K). Diremos que A es idempotente
2
si A = A
Ejemplo
Consideremos A =
1 0
. Se tiene que A2 = A
0 0
Definici
on 4.5.5 Sea A Mn (K). Diremos que A es involutiva si
2
A = In
Ejemplo
0 1 1
190
Algebra Lineal
Ejercicio
Demuestre que si la matriz A es involutiva, entonces B = 12 (In + A) y
C = 21 (In A), son idempotentes y B C = 0
Proposici
on 4.5.3 Para el producto de matrices no se cumple la ley
de cancelacion.
Contraejemplo
Sea A =
1 2
,B=
2 4
1 1
2 0
yC=
3 3
.
1 1
Se tiene A B = A C y B 6= C
Definici
on 4.5.6 Sea A Mmn (K), A = (aij ), i = 1, , m; j =
1, , n. Diremos que B Mnm es la matriz transpuesta A si
B = (aji ), i = 1, , m; j = 1, , n. Notacion: B = At
Ejemplo
Sea A =
1 4
1 2 3
. Entonces At =
2 5
4 5 6
3 6
Proposici
on 4.5.4 Sean A, B matrices. Entonces:
1. (A + B)t = At + B t
2. (A)t = At
3. (A B)t = B t At
Ejercicio
Sea A Mmn (K) y G Mn (K). Sea G = At A, entonces Gt = G
Captulo 4.
191
Matrices
Soluci
on
Gt = (At A)t = At (At )t = At A = G
Definici
on 4.5.7 Sea A Mn (K). Diremos que:
1. A es una matriz sim
etrica si At = A
2. A es una matriz antisim
etrica si At = A
3. A es una matriz ortogonal si At = (A)1
Ejemplos
Son simetricas las matrices:
0 3
,
3 2
2 5
,
5 1
0 3
,
3 0
0 1
,
1 0
1 4
4 0
0 1
,
1 0
0 1
,
1 0
0 5
5 0
1 0
0 1
Lema
Sea A Mn (K), entonces A + At , es una matriz simetrica y A At ,
es una matriz antisimetrica.
Demostraci
on
En efecto, (A + At )t = At + (At )t = At + A. Luego A + At es simetrica.
Por otra parte: (A At )t = At (At )t = At A = (A At ). Luego
A At es antisimetrica.
Lema
Sea A Mn (K), entonces A = B+C, donde B es una matriz simetrica
y C es una matriz antisimetrica.
192
Algebra Lineal
Demostraci
on
Sea B = 12 (A + At ) y C = 12 (A At ). Entonces B y C cumplen lo
pedido.
Definici
on 4.5.8 Sea A Mn (K). Entonces B = 12 (A + At ) y
1
C = 2 (A At ), ser
an llamadas la parte sim
etrica y la parte antisim
etrica de A respectivamente.
Ejercicio
1 2
3 4
antisimetrica.
Sea A =
Soluci
on
Su parte simetrica S es: S =
1
(
2
2 5
)=
5 8
1
5
2
5
2
1
(A
2
0 1
0 1
)= 1 2
0
1 0
2
Se tiene que A = S + T
1
(
2
+A) =
1
(AAt )
2
1
(
2
1 2
3 4
1
(
2
1 3
)=
2 4
1 3
1 2
)=
2 4
3 4
Definici
on 4.5.9 Sea A = (ai,j ) Mn (K). Llamaremos traza de
P
A, denotada por T r(A), al n
umero ni=1 aii , es decir, a la suma de los
elementos de la diagonal principal.
Proposici
on 4.5.5 Sea A, B Mn (K). Entonces se tiene:
1. T r( A) = T r(A)
2. T r(A + B) = T r(A) + T r(B)
3. T r(A B) = T r(B A)
Captulo 4.
4.6
193
Matrices
f (x1 v1 + + xn vn )
x1 f (v1 ) + + xn f (vn )
x1 (a11 w1 + + am1 wm ) + + xn (a1n w1 + + amn wm )
(x1 a11 + + xn a1n )w1 + + (x1 am1 + + xn amn )wm
De donde
y1
x1
x2
y2
.. = .
.
..
xn
ym
194
Algebra Lineal
Es decir,
f (v)
v
seg
un
=
seg
u
n
(f ; B, C)
C
B
Ejemplo
Sea f : K2 [X] K 2 ; f (a+bX +cX 2 ) = (a+5b, 4b+c). Consideremos
las bases B = {1, 1 + X, 1 + X + X 2 } y C = {(1, 1), (1, 0)} de K2 [X]
y K 2 , respectivamente.
Veamos cual es la imagen del vector v = 9 + 2X + 5X 2 . Comencemos
por buscar (f ; B, C)
f (1) = (1, 0) = 0(1, 1) + 1(1, 0)
f (1 + X) = (6, 4) = 4(1, 1) + 2(1, 0)
f (1 + X + X 2 ) = (6, 5) = 5(1, 1) + 1(1, 0)
Escribamos v seg
un la base B
9 + 2X + 5X 2 = 7 1 + 3(1 + X) + 5(1 + X + X 2 )
Multiplicando las dos matrices asociadas tenemos
0 4 5
1 2 1
7
13
3 =
6
5
es decir,
f (9 + 2X + 5X 2 ) = 13(1, 1) + 6(1, 0) = (19, 13)
Resultado que se puede comprobar aplicando directamente la denicion
de f .
Captulo 4.
4.7
195
Matrices
11 x1 + 12 x2 + + 1n xn = 1
21 x1 + 22 x2 + + 2n xn = 2
......................................
m1 x1 + m2 x2 + + mn xn = m
Puede ser representado matricialmente, de la manera siguiente:
11 12 1n
21 22 2n
....................
m1 m2 mn
Es decir, en la forma: A X = B
1
x1
x2
2
.. = .
.
..
xn
m
1
x1
x2
2
.
.
xn
m
4.8
196
Algebra Lineal
f (v2 ) = w2
Tenemos que
f 1 (w1 ) + f 1 (w2 ) = v1 + v2
(1)
(2)
Captulo 4.
197
Matrices
3 6 3
1 2 1
L1 (3)
3 7 2
3 7 2
2 1 1
2 1 1
Esta u
ltima matriz la obtenemos del producto:
3 6 3
1 2 1
3 0 0
0 1 0 3 7 2 = 3 7 2
2 1 1
2 1 1
0 0 1
Lema
Multiplicar por la la i de una matriz A, corresponde a multiplicar
a la izquierda de A, por la matriz obtenida de la matriz identidad,
cambiando el 1 de la i-esima la por .
Observaci
on
Permutemos la primera y la tercera la de la matriz A siguiente:
2 1 1
1 2 1
L13
3
7
2
3 7 2
1 2 1
2 1 1
Esta u
ltima matriz la obtenemos del producto:
198
Algebra Lineal
0 0 1
1 2 1
2 1 1
0 1 0 3 7 2 = 3 7 2
1 0 0
2 1 1
1 2 1
Lema
Permutar la i-esima la de una matriz A, por la j-esima la de la
misma matriz, corresponde a multiplicar a la izquierda de A por la
matriz obtenida de la matriz identidad permutando la i-esima la por
la j-esima la.
Observaci
on
A la tercera la de la matriz A, le vamos a sumar (2) veces la primera
la.
1 2
1
1 2 1
L31 (2)
3
7
2
3
7
2
0 3 1
2 1 1
Esta u
ltima matriz la obtenemos del producto:
1 2 1
1 0 0
1 2
1
3
7
2
0
1
0
3
7
2
=
2 0 1
2 1 1
0 3 1
Lema
A la i-esima la de la matriz A, sumarle veces la j-esima la de
la misma matriz, corresponde multiplicar a la izquierda de A, por la
matriz obtenida de la matriz identidad, cambiando el elemento del
lugar (i, j) por
Definici
on 4.8.1 Diremos que una matriz es una matriz elemental, si es obtenida de la matriz identidad, a traves de una y s
olo una
Captulo 4.
199
Matrices
operaci
on elemental.
Teorema 4.8.2 Una matriz A puede ser reducida a la matriz identidad, por una sucesi
on finita de operaciones elementales en las lneas,
si y s
olo si A es invertible. Se tiene que la matriz inversa de A, es
obtenida a partir de la matriz identidad, a la cual se le aplica la misma
sucesi
on de operaciones en las lneas.
Demostraci
on
Es una sucesion de aplicaciones de los lemas anteriores.
Conclusi
on
En la practica operamos simultaneamente con la matriz dada y la
matriz identidad, a traves de operaciones elementales, hasta llegar a
la identidad en el lugar que estaba A. La matriz obtenida en el lugar
correspondiente a la matriz identidad, es la matriz inversa de A.
Esquematicamente tenemos:
(A|I) (I|A1 )
Ejemplo
Busquemos la matriz inversa de
A=
1 2
1 4
200
Algebra Lineal
Soluci
on
1 2 1 0
1 4 0 1
L12 (1)
L21 (1)
1 0 2 1
0 2 1 1
1 2 1 0
0 2 1 1
!
L2 ( 12 )
1 0 2 1
0 1 21 12
Luego
1
4.9
2 1
21 21
Introducci
on
Consideremos el espacio vectorial K 2 sobre K y dos bases ordenadas
B = {(1, 1), (1, 0)} y C = {(1, 1), (0, 1)}. Supongamos que tenemos
una gran cantidad de vectores descompuestos seg
un la base B y necesitamos sus componentes seg
un la base C.
Por ejemplo, el vector u = (1, 2) se descompone seg
un la base B
en (1, 2) = 2(1, 1) + (1)(1, 0) y su descomposicion en la base C es
(1, 2) = 1(1, 1) + 3(0, 1).
Captulo 4.
201
Matrices
Problema
Sea V un K-espacio vectorial. Consideremos dos bases de V , B =
{v1 , v2 , ..., vn } y C = {u1 , u2 , ..., un }. Conociendo las componentes
{y1 , y2 , ..., yn } del vector v V en una base C, determinar las componentes {x1 , x2 , ..., xn } de este mismo vector v en una base B.
Soluci
on
Existe un u
nico endomorsmo f de V que enva la base B en la base
C, es decir, tal que f (v1 ) = u1 , f (v2 ) = u2 , ..., f (vn ) = un . Puesto que
lleva una base en otra, f es biyectiva, es decir, f es un automorsmo.
En lenguaje de matrices: toda representacion matricial de f es invertible, sea cual sea la base elegida en el dominio o en el codominio.
Sea
u1 = f (v1 ) =
u2 = f (v2 ) =
n
X
i=1
n
X
i1 vi
i2 vi
i=1
.....................
un = f (vn ) =
n
X
i=1
in vi
v = y 1 u1 + y 2 u2 + + y n u n
= y1
n
X
i=1
i1 vi + y2
n
X
i=1
i2 vi + + yn
n
X
in vi
i=1
202
Algebra Lineal
Luego
x1 = 11 y1 + 12 y2 + ... + 1n yn
x2 = 21 y1 + 22 y2 + ... + 2n yn
..................................
xn = n1 y1 + n2 y2 + ... + nn yn
Sea
x1
x
2
X=
xn
y1
y
2
Y =
yn
x1
x
2
=
xn
(v seg
un B) =
X = PY ;
11 12 1n
21 22 2n
....................
m1 m2 mn
(C seg
un B)
Y = P 1 X
y1
y
2
yn
(v seg
un C)
Definici
on 4.9.1 La matriz P = (ij ) es llamada matriz de cambio de base, de la base C a la base B.
Nota
Puesto que P es una matriz de un automorsmo, es invertible y su
matriz inversa P 1 es la matriz que exhibe la descomposicion de la
base B seg
un la base C
Ejemplo
En IR2 consideremos las bases B = {(1, 2), (1, 0)} y la base B =
{(1, 1), (0, 1)}. Descompongamos las base B con respecto a la base B .
Tenemos
(1, 2) = 1(1, 1) + 1(0, 1)
(1, 0) = 1(1, 1) + (1)(0, 1)
Captulo 4.
Luego (B
203
Matrices
seg
un B ) =
1 1
1 1
4.10
1 1
1 1
3
5
2
8
Problema
Tenemos un morsmo f : V W expresado por una matriz M , con
respecto a las bases B y C. Queremos expresarlo con respecto a otras
bases B y C .
Tambien nos interesa estudiar la relacion que hay entre estas dos matrices y en general, entre todas las matrices asociadas a este morsmo.
x1
x
2
X=
xn
Q: C seg
un C;
v seg
un B;
y1
Q1 : C seg
un C
y
2
Y =
ym
f (v) seg
un C;
204
x1
x
2
X =
xn
Algebra Lineal
y1
y
2
Y =
ym
v seg
un B ;
f (v) seg
un C
seg
un B) =
1
2
1
2
1
2
12
Captulo 4.
205
Matrices
3 1
6 0
1 1 0
seg
un C ) = 1 0 1
0 0 1
0 1
1
Por lo tanto la matriz (f ; B , C ) =
2
3 3
Luego se tiene la siguiente igualdad:
1
3 1
1 1 0
0 1
1 = 1 0 1 4 2 21
2
2
6 0
0 0 1
3 3
1
2
12
(f ; B C ) = (C seg
un C )(f ; B C)(B seg
un B)
Lo anterior nos lleva a dar una nueva denicion en el espacio de las
matrices. Diremos que estas matrices son equivalentes, pero, daremos
una denicion mas general que esta.
Definici
on 4.10.1 Se dice que una matriz M Mmn (K) es equivalente a una matriz M Mmn (K), si existe una matriz invertible
P Mn (K) y una matriz invertible Q Mm (K), tales que:
M = Q1 M P
206
Algebra Lineal
4.11
Ejercicios resueltos
Ejercicio
Sean V y W dos K-espacios vectoriales. Sea f : V W con dimV =
dimW = 3. Estudiemos los valores de para los cuales f es un
isomorsmo, donde
2 1 2 8
0
(f ; B) = 1 6
; con B una base dada
2 5 2 8
Soluci
on
f es un isomorsmo si y solo si (f ; B) es una matriz invertible si y
solo si su matriz escalonada es la identidad. Tenemos:
Captulo 4.
207
Matrices
2 8
0
0
2 8
0
0
0
0
+ 4
2 1 2 8
0
1 6
2 5 2 8
2 1
1 6
0 4
2 1
1 6
0 1
1 0
0 1
0 0
1 0 0
L31 (1)
0 1 0
0 0 1
1 0 0
L3 ( 14 )
0 1 0
1 0 1
1 0 0
0 1 0
1
1
4 0 4
3
2
14
7
8
1 23
0 14
()
11
1 8
Caso 4 = 0 ssi = 4
1 0 0 32 1 23
1
1
0 1 0 4 0
4
7
0 0 0 8 1 11
8
En este caso:
1 0 0
0 1 0
0 0 1
A
3
2
14
1
0
7
8(+4)
1
+4
3
2
1
0
41
7
8(+4)
1
+4
23
32
1
4
11
8(+4)
1
4
11
8(+4)
208
Algebra Lineal
Ejercicio
1 1
; De2 1
terminemos f (x, y) y f 1 (x, y), donde B = {(1, 2), (2, 0)} y C =
{(1, 1), (0, 3)}
Soluci
on
Comencemos por escribir (x, y) en funcion de B. Tenemos:
(x, y) = y2 (1, 2) +
De donde
2xy
(2, 0)
4
x y
f (x, y) = ( + , x + 4y)
2 4
1
Busquemos (f ; C, B) = (f ; B, C)1
1 1
2 1
1 0
0 1
f 1 (1, 1) =
f 1 (0, 3) =
1
(1, 2)
3
1
(1, 2)
3
1 0
0 1
1
3
2
3
1
3
13
+ 32 (2, 0) = ( 53 , 32 )
31 (2, 0) = ( 13 , 32 )
)f 1 (0, 3) = x( 53 , 32 ) + ( x+y
)( 13 , 32 )
f 1 (x, y) = xf 1 (1, 1) + ( x+y
3
3
Luego
f 1 (x, y) = ( 16
x 19 y, 49 x + 29 y)
9
Captulo 4.
209
Matrices
Ejercicio
Determinemos, si existen, las matrices en Mn (K) que son simetricas
y antisimetricas a la vez.
Soluci
on
Sea A = (aij ) Mn (K). Recordemos que A es simetrica ssi aij = aji
y que A es antisimetrica ssi aij = aji Como A es simetrica y antisimetrica a la vez, entonces se tiene que aii = aii , luego la diagonal
consta de ceros.
Ademas aji = aji , luego aji = 0, i, j {1, 2, ..., n}. Luego la matriz
nula es la u
nica matriz que es simetrica y antisimetrica a la vez.
Ejercicio
En M2 (K), determinemos
las matrices A2 , A3 , A4 , ..., An , n IN, donde
1 0
A=
0 1
Soluci
on
(a) Caso n par
Sea n = 2; A2 =
1 0
0 1
1 0
0 1
1 0
0 1
=I
210
Algebra Lineal
Ejercicio
Determinemos A2 , A3 , A4 , ..., An , n IN, donde A =
1 1
1 1
Soluci
on
A2 =
1 1
1 1
2
A =A A=
1 1
1 1
2 2
2 2
2 2
2 2
4 4
4 4
1 1
1 1
An =
2n1
2n1
22
22
2n1
2n1
2n1
2n1
22
22
Luego pienso
Hipotesis de induccion
2n
2n
2n
2n
En efecto:
n+1
2n1 + 2n1
2n1 + 2n1
=A A=
2n1
2n1
2n1 + 2n1
2n1 + 2n1
Luego
n
A =
2n1
2n1
2 2n1
2 2n1
1 1
1 1
2 2n1
2 2n1
2n
2n
2n
2n
2n1
n IN
2n1
Ejercicio
Sea V un K-espacio vectorial. Sea B = {v1 , v2 , ..., vn } una base de V .
Sea f un endomorsmo de V denido por
Captulo 4.
211
Matrices
f (vk ) =
0
si k = 1
v1 + v2 + + vk1 si k > 1
Soluci
on
Tenemos que
Luego
(f ; B, B) =
0 1 1 1 1 1
0 0 1 1 1 1
0 0 0 1 1 1
.....................
0 0 0 0 0 1
0 0 0 0 0 0
0 1
0 0
Para n = 2, tenemos A =
y A2 = 0
0 1 1
Para n = 3, tenemos A = 0 0 1
y A3 = 0
0 0 0
Hipotesis: el menor n
umero entero tal que Am = 0 es m = n, con
A Mn (K)
Demuestre, por induccion, tal armacion
212
Algebra Lineal
Ejercicio
Sean A, B Mn (K). Recordando que B es idempotente ssi B 2 = B.
Demuestre
1. B es idempotente ssi I B es idempotente.
2. Si B 2 B + I = 0 entonces B es invertible.
3. Si BA = AB, entonces (A + B)2 = A2 + 2AB + B 2
Soluci
on
1. Supongamos que B es idempotente. Entonces
(I B)2 = (I B)(I B) = I 2 IB BI +B 2 = I 2 2B +B 2 =
I 2 2B + B = I B, luego I B es idempotente.
Supongamos que I B es idempotente. Entonces:
(I B)2 = I B =
=
=
=
I 2 IB BI + B 2 = I B
I 2B + B 2 = I B
B2 B = 0
B2 = B
Es decir B es idempotente.
2. B 2 B + I = 0 = B B 2 = I = B(I B) = I. Luego B 1
existe y B 1 = I B
3. Supongamos que BA = AB. Luego
(A+B)2 = (A+B)(A+B) = A2 +AB+BA+B 2 = A2 +2AB+B 2
Ejercicio
1 2
. Busquemos A1 y escribamos
En M2 (K), consideremos A =
3 4
esta u
ltima como el producto de matrices elementales.
Captulo 4.
213
Matrices
Soluci
on
1 2 1 0
3 4 0 1
1 2 1
0 1 23
1
2
!
1 0
)
L2 ( 1
2
3 1
!
1 0 2 1
0 1 32 1
2
L21 (3)
1 2
0 2
L12 (2)
Luego
1
2
3
2
1 2
0 1
1 2
0 1
1 2
0 1
1
0
1
0
0
1
2
0
1
2
Luego
1
!
!
1 0
0 1
1 2
0 2
1 0
3 1
1 2
0 1
!
!
1
0
1 0
0 1
1 2
3 4
0
1
2
1 0
0 1
1 0
3 1
Ejercicio
Sea A = 0
0
de matrices y
2 2
1 2
. Descompongamos A en una suma conveniente
0 1
utilicemos el binomio de Newton para encontrar A50
Soluci
on
Observemos que A puede escribirse como:
214
Algebra Lineal
0 2 2
0 2 2
1 0 0
A = 0 1 0 + 0 0 2 = I + B, donde B = 0 0 2
0 0 0
0 0 0
0 0 1
0 0 4
0 2 2
0 2 2
B2 =
0 0 20 0 2 = 0 0 0
0 0 0
0 0 0
0 0 0
0 0 4
0 2 2
0 0 0
3
B = 0 0 0 0 0 2 = 0 0 0
0 0 0
0 0 0
0 0 0
Luego
50
50
50
B2
B1 +
B0 +
=
2
1
0
0 0 4
0 2 2
= I + 50
0 0 2 + 1.225 0 0 0
0 0 0
0 0 0
A50
1 100 5.000
1
100
=
0
0 0
1
Ejercicio
Sea r : K 2 K 2 la rotacion en un angulo , tal que cuya matriz
asociada es
!
2
22
2
,
A = (r ; C, C) =
22 22
Captulo 4.
215
Matrices
63
cos sin 63
=
=
sin cos
sin 635
cos 635
4
4
=
=
635
sin 4
cos 635
4
sin 5
cos 5
4
4
5
sin 4
cos!5
4
22 22
2
22
2
63
2
2
4.12
Ejercicios propuestos
K 3 es
0 1 . Determine g(x, y) y la matriz de g con respecto
3 3
a esas bases.
216
Algebra Lineal
2 1 1
1 2 1
5. Si AB =
2 1 1 y AB 1 = 1 1 1 . Determine B 2
1 0 1
1 1 1
6. Determine todas las matrices cuadradas de orden 3 que conmutan con la matriz
a 1 0
0 a 1
0 0 a
7. Para cada n
umero real , considere la matriz
M =
cos sen
sen cos
M = 1 1 + 2 3
2 3
Captulo 4.
Matrices
217
11.
Determine
(d) W = {A V ; A es simetrica}
(e) X = {A V ; A es antisimetrica}
(f) Y = {A V ; A es ortogonal}
Captulo 5
Determinantes
5.1
220
Algebra Lineal
db
.
adbc
ac
adbc
a b
c d
x
y
a b
=: ad bc
c d
a
b
c
d
;y=
a b
a b
c d
c d
a b
una matriz con sus elementos en
c d
un cuerpo K. El determinante de A, denotado |A|, es el n
umero de
K,
Definici
on 5.1.1 Sea A =
a b
c d
=: ad bc
Ejemplos
1
3
2
4
= 4 6,
2 4
1 2
=44
Captulo 5.
221
Determinantes
Nota
a b
, A1 = ( a b ), A2 = ( c d ). Podemos escribir
Sea A =
c d
A1
D(A), det(A) o bien D
. Es decir, podemos considerar el deterA2
minante como funcion de la matriz A o como una funcion de las las
de la matriz A.
Propiedades(1) y (2)
1.
2.
a + a b + b
=
c
d
ta tb
a
=t
c d
c
a b
c d
b
d
a
+
c
b
d
Ejemplo
2 6
4 10
1 3
=22
2 5
= 4 (5 6) = 4
Ejercicio
2 6
Calculemos el valor de
3 9
Soluci
on
2 6
3 9
1 3
=23
1 3
= 2 3 (3 3) = 0
222
Algebra Lineal
Observaci
on
a + a
c + c
a b
=
c d
a
=
c + c
b + b
d + d
a
+
c
b
d
a
+
c
b
d + d
a
+
c + c
a
+
c
b
d
b
d
b
d + d
Propiedad (3)
Si dos las son iguales, entonces el determinante de la matriz es nulo.
Demostraci
on
a b
a b
= ab ab = 0
Propiedad (4)
El determinante de la matriz identidad es 1, es decir,
1
0
0
1
=1
Propiedad (5)
Si se suma un m
ultiplo de una la a la otra la, el valor del determinante no cambia, es decir,
a + tc b + td
c
d
a b
=
c d
Captulo 5.
223
Determinantes
Ejercicio
71
74
L (1) 71 72
21
=
3
3
=
71 72
= 3(71 72) = 3
1 1
72
75
= 3
Propiedad(6)
Si se intercambian las dos las, entonces el determinante cambia de
signo, es decir,
a b
c d
c d
=
a b
Propiedad(7)
Det
a b
c d
t
= Det
a b
c d
Demostraci
on
a b
Det
c d
t
a c
=
b d
a b
= ad bc =
c d
Propiedad(8)
Los vectores
( a b ) y ( c d ) son linealmente dependientes si y solo
a b
es nulo.
si el Det
c d
224
Algebra Lineal
Demostraci
on
Sea ( a b ) = ( c d ). Luego
a b
c d
c
=
c
d
d
Recprocamente tenemos
c
=
c
d
d
=0=0
= 0, entonces ad bc = 0, es decir, ad = bc.
a b
Si
c d
Supongamos c 6= 0 y d 6= 0, luego a =
b
d
c. Luego
( a b ) = ( db c b dd ) = ( db c
b
d
d) =
b
(c d)
d
Propiedad(9)
2 5
6 15
=0
Captulo 5.
225
Determinantes
Propiedad(10)
5.2
Motivaci
on
Consideremos el sistema de ecuaciones lineales siguiente:
(1) : ax + by + cz =
(2) : dx + ey + f z =
(3) : gx + hy + iz =
f
i
b c
b c
+g
d
e f
h i
226
Algebra Lineal
x
a b c
d e f y =
z
g h i
b c
e f
h i
c
f
a11
A = a21
a31
a12
a22
a32
a13
a23
a33
a23
a33
a
21
a12
a31
a23
a33
a
21
+ a13
a31
a22
a32
Definici
on 5.2.2 Llamamos subdeterminante de aij , denotado S(aij )
al determinante obtenido de A al eliminar la fila i y la columna j.
Utilizando esta notacion, tenemos:
Det(A) = a11 S(a11 ) a12 S(a12 ) + a13 S(a13 )
Captulo 5.
227
Determinantes
Ejemplo
1
2
1
1 1
Sea A =
. Calculemos el determinante de A.
1
1 3
5
1
1
1
2
1
1 1
1 1
1 1
1 1 = 1
2
+ 1
= 8
3
1 5
1 3
5
3
5
Nota
El determinante de una matriz de 3 3 se puede escribir como
A1
228
Algebra Lineal
5.3
Definici
on 5.3.1 Sea
A=
Se define el subdeterminante de aij , denotado S(aij ), como el determinante obtenido de A al eliminar la fila i y la columna j.
Captulo 5.
229
Determinantes
t K
Propiedad (3)
Si hay dos las iguales, entonces el determinante es nulo.
Propiedad (4)
El determinante de la matriz identidad es 1.
230
Algebra Lineal
Propiedad (5)
Si se suma un m
ultiplo de una la a otra la, el valor del determinante
no cambia.
Propiedad (6)
Si se intercambian dos las, el determinante cambia de signo.
Propiedad (7)
Det(At ) = Det(A)
Propiedad (8)
Dos las son linealmente dependientes si y solo si el determinante de
la matriz es nulo.
Propiedad (9)
Todas las propiedades anteriores son validas para las columnas.
Propiedad (10)
Sean A, B Mn (K). Entonces
Det(A B) = Det(A) Det(B)
Teorema 5.3.1 Sea A Mn (K), la matriz
A=
Captulo 5.
Determinantes
231
Entonces
Det(A) = (1)1+j a1j S(a1j ) + + (1)n+j anj S(anj )
(llamado desarrollo del determinante por la j-esima columna).
Teorema 5.3.2 Sea A Mn (K) una matriz invertible. Entonces
Det(A1 ) = (DetA)1
Demostraci
on
1 = Det(In ) = Det(A A1 ) = DetA Det(A1 )
Luego (DetA)1 = Det(A1 )
5.4
Interpretaci
on geom
etrica del determinante
2 0
| = 6
1 3
1 3
| = |0 6| = | 6| = 6
2 0
Si en un sistema cartesiano de 3 coordenadas, consideramos los vectores u, v y w, el volumen del paraleleppedo rectangular de lados u, v
y w es
232
Algebra Lineal
5.5
Matriz adjunta
Lema
Sea A Mn (K)
Luego DetA 6= 0.
Nota
Captulo 5.
233
Determinantes
Lema
Sea A M2 (K). Entonces siempre existe B M2 (K) tal que
AB =
detA
0
0
detA
Demostraci
on
En efecto, sea A =
a b
, consideremos B =
c d
a b
c d
d b
c a
d b
c a
detA
0
0
detA
y se tiene,
Lema
Sea A M3 (K). Entonces, siempre existe B M3 (K) tal que
A B = (DetA) I3
Demostraci
on
a11
En efecto, sea A =
a21
a31
a12
a22
a32
a13
a23
,
a33
12 )
S(a13 ) S(a23 ) S(a33 )
Tenemos
a11 a12
a21 a22
a31 a32
a23 S(a12 ) S(a22 ) S(a32 ) =
S(a13 ) S(a23 ) S(a33 )
a33
detA
0
0
0
detA
0
=
0
0
detA
234
Algebra Lineal
A, denotada A.
Es decir la adjunta de una matriz A es la matriz transpuesta de la
matriz de los cofactores de la matriz A.
Corolario 5.5.2 Si A Mn (K) tal que DetA 6= 0, entonces A es
invertible y
1
A
A1 =
DetA
Nota
Ahora tenemos dos maneras de encontrar la matriz inversa, cuando
esta existe. Obviamente que el metodo mas seguro es el escalonamiento, pues en este nuevo metodo hay muchos determinantes en
juego y hay que estar pensando en A y en At al mismo tiempo.
5.6
Determinante de un endomorfismo
Captulo 5.
Determinantes
235
Lema
Sea V un K-espacio vectorial, sea f End(V ). Sea M = (f ; B, B) y
M = (f : C, C) con B y C ciertas bases de V . Entonces
DetM = DetM
Demostraci
on
Sea P la matriz de cambio de base que exhibe la base C seg
un la base
B. Entonces
(f ; C, C) = P 1 (f ; B, B) P
Luego
Tenemos
M = P 1 M P
236
Algebra Lineal
Lema
Sea V un K-espacio vectorial de dimension nita. Entonces
es un automorsmo de V ssi Det(f ) 6= 0
Demostraci
on
f es un automorsmo ssi f es invertible ssi (f ; B, B) es invertible B,
base de V ssi Det(f ; B, B) 6= 0, B, base de V ssi Det(f ) 6= 0
Nota
Equivalentemente:
f
5.7
Ejercicios resueltos
Ejercicio
Resolvamos el determinante siguiente:
22 32 42 52
62 72 82 92
102 112 122 132
142 152 162 172
Soluci
on
22
32
42
52
22 32 42 52
62 72 82 92 62 22 72 32 82 42 92 52
=
102 112 122 132 10 22 112 32 122 42 132 52
142 152 162 172 142 22 152 32 162 42 172 52
Captulo 5.
237
Determinantes
22
32
42
52
48
4 10 4 12 4 14
=
8 14 8 16 8 18
8 12
12 16 12 18 12 20 12 22
2
2 32 42 52
4 5 6 7
10
= 2 3
=0
2
2
2
2
4 4 4 4
2
2
4
= 481223
6
8
32 42 52
5 6 7
=
7 8 9
9 10 11
Ejercicio
Calculemos el determinante de Vandermonde de 3 3 siguiente:
1 a
1 b
1 c
a2
b2
c2
Soluci
on
a2
b2
c2
L (1) 1
a
a2
21
=
0 b a b 2 a2 =
L31 (1) 0 c a c2 a2
1 a
a2
1 b + a L (1)
21
= (b a)(c a) 0 1 b + a = (b a)(c a)
1 c+a
=
0 1 c+a
1 b+a
1 b+a
=
= (b a)(c a)(c b)
= (b a)(c a)
0
0 cb
1
1 a
1 b
1 c
= (b a)(c a)(c b)
Ejercicio
Demostremos que
238
1
a
3
a
1 1
b c
b3 c 3
Algebra Lineal
= (a + b + c)(b a)(c a)(c b)
Soluci
on
1
a
3
a
C (1)
0
1
0
32
=
b c b =
ab
C12 (1) a3 b3 b3 c3 b3
0
1
0
1
b
1
(a b)(c b)
=
2
a + ab + b2 b3 c2 + bc + b2
0
1
0
0
b
1
=
(a b)(c b)
2
a c2 + b(a c) b3 c2 + bc + b2
0
1
0
0
b
1
(a b)(c b)(a c)
=
a + b + c b3 c2 + bc + b2
1 0
(a b)(c b)(a c)(a + b + c)
=
b 1
1 1
b c
b3 c 3
Captulo 5.
239
Determinantes
Soluci
on
cos
sin
sin
cos
= cos2 + sin2 = 1
Ejercicio
Busquemos los valores de k K, de manera que
k + 3 1 2
3
2 1 = 6
k2
3 3
Soluci
on
k + 3 1 2
C (1)
3
2 1 23
=
k2
3 3
k + 3 1 2
k
0
3 = 2
k
k
k2
0 3
k + 3 1 2
3
1 1
k2
0 3
3
3
3(k 2 k)
L (1)
12
=
L (1)
21
=
k2 k
k2
0
3
6 x
2 y
4 z
240
Algebra Lineal
Soluci
on
3
1
2
6 x
C (2)
2 y 21
=
4 z
3
1
2
0 x
0 y = 0
0 z
Ejercicio
Demostremos que:
x
2
x
yz
y z
y 2 z 2 = (y z)(z x)(x y)(yz + xz + xy)
xz xy
Soluci
on
x
2
x
yz
y z C13 (1)
y 2 z 2
=
xz xy C23 (1)
1
= (x z)(y z) x + z
y
xz
2
x z2
yz xy
yz
z
2
2
y z
z 2 =
xz xy xy
1
z
y + z z 2 =
x xy
C21 (1)
1
0
0
=
xz
(x z)(y z) x + z y x
C31 (z)
y y x xy + yz
= (x z)(y z)(y x)
= (x z)(y z)(y x)
1
xz
1 xy + yz
1
xz
0 xy + yz + xz
Captulo 5.
241
Determinantes
Ejercicio
Calculemos en tres pasos el determinante siguiente:
1
1
1
1
x
y
z
t
y
z
t
x
z+t
x+t
x+y
y+z
Soluci
on
1
1
1
1
x
y
z
t
y
z
t
x
z+t
x+t
x+y
y+z
yx zy
= z x t y
tx xy
L21 (1)
=
L31 (1)
L (1)
41
1
x
y
z+t
0 yx zy
xz
0 zx ty x+yzt
0 tx xy
yt
xz
x+yzt
yt
C (1)
31
=
C32 (1)
yx zy
zx ty
tx xy
!!Trivial!!
Ejercicio
Demostremos que:
1
cos x
cos 2x
cos x cos 2x
cos 2x cos 3x = 0
cos 3x cos 4x
0
0
0
=0
242
Algebra Lineal
Soluci
on
Recordemos las siguientes identidades:
cos( + ) = cos cos sin sin
cos( ) = cos cos + sin sin
cos( + ) + cos( ) = 2 cos cos
Reemplazando en la u
ltima identidad + = 3x y = x, es
decir, = 2x y = x, tenemos:
1. cos 3x + cos x = 2 cos 2x cos x
Analogamente se obtienen:
2. cos 4x + cos 2x = 2 cos 3x cos x
3. (cos 2x) + 1 = 2 cos2 x
Entonces
Ejercicio
1
cos x cos 2x L31 (1)
=
cos x cos 2x cos 3x
cos 2x cos 3x cos 4x (1)(2)(3)
1
cos x
cos 2x
cos 2x
cos 3x
=
= cos x
2 cos2 x 2 cos x cos 2x 2 cos x cos 3x
1
cos x cos 2x
= 2 cos x cos x cos 2x cos 3x = 2 cos x 0 = 0
cos x cos 2x cos 3x
Demostremos que
bc a
ca b
ab c
a2
b2
c2
1 a2
= 1 b2
1 c2
a3
b3
c3
con abc 6= 0
Captulo 5.
243
Determinantes
Soluci
on
bc a a2 L1 (a)
=
ca b b2
L
2 (b)
ab c c2
1
abc
L3 (c)
abc
abc
abc
a2 a3 1 a2 a3
b2 b3 = 1 b2 b3
c 2 c3 1 c2 c3
Ejercicio
Calculemos el siguiente determinante:
1 x x2 x3
x3 1 x x2
x2 x3 1 x
x x 2 x3 1
Soluci
on
1 x x2 x3 L21 (x3 )
=
x3 1 x x2
2
3
x x 1 x L31 (x2 )
x x2 x3 1 L41 (x)
= (1 x4 )3
1
x
x2
x3
4
5
2
0 1 x x x x x6
0
0
1 x4 x x5
0
0
0
1 x4
Ejercicio
Que el ejercicio anterior nos sirva de inspiracion para resolver el determinante de (n + 1) (n + 1) siguiente:
1
x x 2 x3
xn
xn
1
x x2 xn1
xn1 xn 1 x xn2
............................
x
x 2 x3 x4
1
244
Algebra Lineal
Soluci
on
Con las operaciones L21 (xn ), L31 (xn1 ), . . . , Ln+11 (x) tenemos
1
x
x2
x3
xn
0 1 xn+1 x xn+2 x2 xn+3 xn1 x2n
0
0
1 xn+1 x xn+2 xn2 x2n1
................................................
0
0
0
0
1 xn+1
Ejercicio
= (1 xn+1 )n
Soluci
on
L21 (1)
L31 (1)
=
..
.
Ln1 (1)
1+x
x+1 x
x
x
x
x
x+2
x
x
x
x
x
x + 3 x
x
..................................
x
x
x
x x + n
x + 1 x x x x
1
2 0 0 0
1
0 3 0 0
......................
1
0 0 0 n
n
X
1
k=1
x x x x
0
2 0 0 0
0
0 3 0 0
...........................
0
0 0 0 n
n
X
1
= (1 + x
)n!
k
k=1
Captulo 5.
245
Determinantes
Ejercicio
Resolvamos el determinante de n n siguiente:
1 0 1 1 1 1
1 1 0 1 1 1
1 1 1 0 1 1
.....................
1 1 1 1 1 0
0 1 1 1 1 1
Soluci
on
1 0 1
1 1
1
0
0 1 1 0 0
0 1 0
1 0
0
.......................... =
0 1 0
0
0
1
Ln11 (1) 0 1 1
1 1
1
0
1 1 0 0
1 0 0
0
0
0
1 0
0
1 0
0
1 0
0
(a)
(b) . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
=
=
0
0 0 1
0 0 1
0
1 0
1 1
n1 1
1 1
1
1 1
1
1 0
0
0
0
1 0
0
= (n 1)(1n1+1 )
....................
0
0
0 1
L21 (1)
L31 (1)
=
..
.
246
Algebra Lineal
Ejercicio
Resolvamos el determinante de n n siguiente:
n
n 1 n 2 2 1
n 1 n 2 n 3 1 0
..............................
2
1
0
0 0
1
0
0
0 0
Soluci
on
Observando los casos n = 3, 4, 5 podras conjeturar que:
n
n 1 n 2 3 2 1
n 1 n 2 n 3 2 1 0
.................................
2
1
0
0 0 0
1
0
0
0 0 0
(n+1)(n+2)
n2 +3n
3
= (1)
2
2
=
(1)
5.8
Ejercicios propuestos
72 73
75 76
78 79
Captulo 5.
247
Determinantes
10
11
12
13
14
(a x)2
3. Demuestre que (b x)2
(c x)2
15
17
19
21
23
20
23
26
29
32
25
29
33
37
41
30
35
40
45
50
(a y)2 (a z)2
(b y)2 (b z)2
(c y)2 (c z)2
1
1 0
...............
1 0 0
1 0 0 0
(n+2)(n+1)
+1
= (1)
2
a b b b b
a a b b b
..................
a a a a b
a a a a a
Captulo 6
Diagonalizaci
on
6.1
Introducci
on
T
u sabes que una aplicacion lineal esta determinada por su comportamiento en una base. Quisieramos saber si existira una base tal que
la imagen de cada vector de ella, sea colineal con el mismo. Es decir, si
V es un K-espacio vectorial y f : V V un endomorsmo Existira
B = {v1 , v2 , ..., vn } base de V , tal que
f (vi ) = i vi ,
i = 1, ..., n ?
Esta sera una manera mas facil, mas comoda de trabajar con un
endomorsmo. Por ejemplo, sera trivial! conocer el valor de
f n (vi ), n IN, i = 1, ..., n
Seguramente recuerdas que una aplicacion lineal tiene una familia de
matrices asociadas. Buscamos, entonces, la representacion matricial
mas simple posible. Posiblemente concordamos en decir que esta sera
una matriz diagonal.
En este captulo veremos las condiciones para que una aplicacion lineal, tenga asociada una matriz diagonal. Tambien aprenderemos a
encontrar tal matriz, en caso que esta exista.
249
250
Algebra Lineal
Las matrices diagonales tienen propiedades muy agradables. Por ejemplo, ellas conmutan entre s. Calcular el determinante de una matriz
diagonal es Trivial!, pues es el producto de los elementos de la diagonal. Tambien, es facil conocer las potencias de una matriz diagonal.
Veamoslo en la siguiente observacion.
Observaci
on
5 0
0 7
2
5 0
0 7
3
5 0
0 7
5 0
0 7
5 0
0 7
2
52
0
0
72
52
0
0
72
n
5n
0
0
7n
5 0
0 7
5 0
0 7
53
0
Hipotesis de induccion
5 0
0 7
Demostremos que
5 0
0 7
n+1
5 0
0 7
n+1
5n+1
0
5n+1
0
7n+1
5 0
0 7
n
0
7n+1
5 0
0 7
5n
0
0
7n
5 0
0 7
n
5n
0
Lema
Para todo k, n
umero natural, tenemos
0
7n
5 0
0 7
0
73
Captulo 6.
251
Diagonalizacion
a11 0
0 0 0
0
a22 0 0 0
.......................
0
0
0 0 ann
ak11 0
0 0
k
0
a22 0 0
....................
0
0
0 aknn
0
0
En este caso
f (v1 ) = 1 v1 = 1 v1 + 0 v2
f (v2 ) = 2 v2 = 0 v1 + 2 v2
f (v) = v
Supongamos que tales vectores existen. Tenemos
f (x, y) = (3y, 3x) = (x, y). Luego (3y, 3x) = (x, y)
De donde
3y = x
3x = y
252
Algebra Lineal
f (x, y) = (3y, 3x) = 3(x, y). Luego 3y = 3x. Luego x = y. Los vectores
asociados a = 3, tienen la forma v = (x, x).
Sea v1 = (1, 1).
Caso 2 = 3
f (x, y) = (3y, 3x) = 3(x, y). Luego (3y, 3x) = (3x, 3y). Luego
x = y. Los vectores asociados a 2 = 3, tienen la forma v =
(x, x). Sea v2 = (1, 1)
Tomemos B = {(1, 1), (1, 1)}.
En este caso
3 0
(f ; B, B) =
0 3
En este caso es posible encontrar una matriz diagonal asociada.
f (x, y) = (2y, x)
Tenemos
f (x, y) = (x, y)
Luego
y f (x, y) = (2y, x)
(2y, x) = (x, y)
Captulo 6.
Diagonalizacion
253
De donde
2y = x
x = y
Nota
Esta forma de resolver el problema es un tanto complicada. Entonces
buscaremos un metodo que nos diga cuando existe una tal matriz
diagonal y como encontrarla.
6.2
Observaci
on
En la primera motivacion tenamos: f : K 2 K 2 ; f (x, y) = (3y, 3x).
Averiguamos que f (1, 1) = 3(1, 1) y f (1, 1) = 3(1, 1). Diremos
que v1 = (1, 1) , v2 = (1, 1) son vectores propios de f y diremos
que 1 = 3 y 2 = 3 son los valores propios asociados a v1 , v2
respectivamente.
254
Algebra Lineal
Lema
Sea f : V V lineal, y f (v) = v y f (v) = v, cierto v V .
Entonces =
Demostraci
on
v = v = v v = ~0 = ( )v = ~0 = = 0 = =
Definici
on 6.2.1 Se llama valor propio de un endomorfismo f
End(V ), a todo escalar K que tiene la propiedad siguiente:
Si existe v 6= ~0 tal que f (v) = v, entonces este vector v 6= ~0 es
llamado vector propio correspondiente al valor propio .
Observaci
on
Sea f : V V tal que f (v) = v , cierto v V , cierto K,
entonces f (v) = f (v) = v = (v).
f (v) v = ~0
f (v) idV (v) = ~0
(f idV )(v) = ~0
v N (f idV )
Tenemos entonces:
Para todo valor propio de f se tiene
f (v) = v v N (f idV )
Tenemos la denicion siguiente:
Captulo 6.
Diagonalizacion
255
Definici
on 6.2.2 Para todo valor propio , el n
ucleo,N (f idV )
es llamado el sub-espacio propio correspondiente a , el cual lo
denotaremos por S . Es decir:
S := N (f idV )
Nota
El n
ucleo de un morsmo puede tener dimension mayor o igual a 2,
luego puede haber vectores l.i. asociados a un mismo .
Observaci
on
El siguiente teorema nos dara una caracterizacion sobre la existencia
de un valor propio.
Teorema 6.2.1 Sea V un K-espacio vectorial de dimensi
on finita y
f End(V ). Entonces una condici
on necesaria y suficiente para que
un escalar sea un valor propio de f , es det(f idV ) = 0.
Demostraci
on
es un valor propio de f
Observaci
on
Si f End(V ), entonces tambien se tiene f idv End(V ). La
proposicion anterior y esta observacion nos introducen a la denicion
siguiente.
256
Algebra Lineal
Definici
on 6.2.3 El det(f idV ) es llamado el Polinomio Caracterstico de f. Notese que es un polinomio en .
Nota
De acuerdo a lo visto anteriormente tenemos que es un valor propio
de f ssi es una raz del polinomio caracterstico de f .
Definici
on 6.2.4 Si M Mn (K), el det(M In ) es llamado el
Polinomio Caracterstico de la matriz M .
Veamos ahora la relacion que existe entre los vectores propios asociados a valores propios distintos de dos en dos.
Proposici
on 6.2.2 Sea V un K-espacio vectorial de dimensi
on finita
y supongamos que un endomorfismo f End(V ) tiene n valores propios 1 , 2 , ..., n distintos de dos en dos, con vectores propios asociados v1 , v2 , ..., vn , entonces B = {v1 , v2 , ..., vn } es l.i.
Demostraci
on
Hagamos induccion sobre n.
1. Supongamos que tenemos dos valores propios distintos y ,
con vectores propios distintos asociados v y w respectivamente.
Supongamos que w = v.
Tenemos f (w) = f (v) = f (v) = v = (v) = w, luego
= contradiccion luego {v, w} es l.i.
2. Supongamos que tenemos n valores propios distintos de dos en
dos 1 , 2 , ..., n y {v1 , v2 , ..., vn } un conjunto l.i. de vectores asociados a los valores propios, respectivamente.
3. Debemos demostrar que si tenemos (n+1) valores propios distintos de dos en dos, 1 , 2 , ..., n , n+1 , entonces {v1 , v2 , ..., vn , vn+1 }
Captulo 6.
257
Diagonalizacion
(f ; B; B) =
1 0 0
0 2 0
...............
0 0 n
258
Algebra Lineal
Definici
on 6.2.6 Si M Mn (K) y existe P Mn (K) invertible tal
que M = P 1 M P con
M =
1 0 0
0 2 0
...............
0 0 n
6.3
(f ; B, B) =
1 0 0
0 2 0
...............
0 0 n
Captulo 6.
259
Diagonalizacion
Demostraci
on
B = {v1 , v2 , ..., vn } es l.i. y puesto que son n vectores, forman una base
de V . Ademas, f (v1 ) = 1 v1 , f (v2 ) = 2 v2 , ..., f (vn ) = n vn . Luego se
obtiene la matriz diagonal buscada.
Procedimiento para diagonalizar una matriz
Supongamos que M Mn (K) es una matriz diagonalizable y supongamos que las races del polinomio caracterstico de M , det(M In ),
son races distintas de dos en dos.
Por el Teorema Fundamental del Algebra Lineal, existe f End(K n )
tal que M = (f ; C, C) con C la base canonica de K n .
Sean 1 , 2 , ..., n los valores propios de f . La ecuacion :
0
x1
0
x
2
()
=
( M i In )
0
xn
P 1 M P =
1 0 0
0 2 0
...............
0 0 n
260
Algebra Lineal
Esta matriz P no es u
nica, pues depende de la base D escogida.
Ademas, el orden de los vectores propios fue escogido al azar, luego la
matriz diagonal tampoco es u
nica. Por lo tanto es necesario jar un
orden y luego respetarlo.
Ejercicio
Diagonalicemos
4
6
0
M = 3 5 0
M3 (K)
3 6 5
Soluci
on
M = (f ; C; C) cierto f End(K 3 ), C la base canonica de K 3 .
Comencemos por buscar los valores propios de f .
Sea det(M I3 ) = 0
4
3
3
4
6
= (5 )
=
3
5
1
0
1
1
= ( + 5)( 1)
3 2
3 5
6
0
5
0
6
5
= (5 )(1 )
x
Sea v = y un vector propio. Si es el valor propio correspondiente
z
0
a v, entonces (M I3 )(v) = 0
0
Captulo 6.
261
Diagonalizacion
Caso 1 = 5
1 0 0
3 2 0
9
6 0
1 2 0
3 0 0 1 0 0
3 2 0
1 2 0
3 6 0
1 0 0
1 0 0
L21 (1)
0 1 0
0 2 0
0 0 0
0 2 0
L31 (3)
0
x
1 0 0
0 1 0 y = 0
0
z
0 0 0
Luego x = y = 0, z K
1 1 0
L21 (1)
1 1 0
6
6
0
0 0 0
3 3 0 1 1 0
0 1 1
L31 (1)
1 2 1
3 6 3
1 0 1
L13 (1)
0 0 0
0 1 1
262
Algebra Lineal
0
x
1 0 1
0 0 0 y = 0
z
0 1 1
0
Luego x = z, y = z.
Sea v2 = (1, 1, 1)
Caso 3 = 1
1 2 0
L1 ( 13 )
3 6 0
L21 (1)
3
6
0
0 0 0
3 6 0 0 0 0
0 0 1
0 0 6
L31 (1)
3 6 6
L3 ( 61 )
0
x
1 2 0
0 0 0 y = 0
0
z
0 0 1
5 0 0
(f ; D, D) = 0 2 0
0
0 1
0 1
1
1
0
1
P =
2
1 1
0
Captulo 6.
263
Diagonalizacion
Luego (f ; D; D) = P 1 M P
(f ; D, D) = (C seg
un D)(f ; C, C)(D seg
un C)
Ejercicio
2 2 3
Sea M = 1 2 1
la matriz de un endomorsmo f de K 3 con
2 2 1
respecto a la base canonica. Busquemos:
1. El polinomio caracterstico de f.
2. Los valores propios de f y sus subespacios asociados.
3. Una base diagonalizante D
4. La matriz diagonal (f ; D) y una matriz invertible P tal que
(f ; D) = P 1 M P
Soluci
on
Comencemos por encontrar el polinomio caracterstico de f ,
p() = det(M I3 )
En efecto
2
2
3
1
2
1
2
2 1
(4 )
(4 )
L13 (1)
=
1
0
1
1 2
1
2 2 1
2
0
2 1
4
1
2
C31 (1)
=
0
4
2
1
2 1
1
(4 ) 1
2
0
0
2
0
2 1
= (4 )(2 )(1 )
264
Algebra Lineal
Luego
p() = (4 )(2 )(1 + )(1)
es el polinomio caracterstico de f . Luego los valores propios son:
1, 2, 4
Caso = 1
3 2 3
1
L3 ( 2 )
1 3 1
2 2 2
L21 (1)
1 1 1
L13
1 3 1
L31 (3)
3 2 3
1 0 1
1 1 1
0 4 0 0 1 0
0 0 0
0 5 0
1 0 1
0
x
0 1 0 y = 0
z
0 0 0
0
x + z = 0, y = 0 luego x = z, y = 0
1 0 1
0 2
3
0 2
3
L32 (2)
3
1
1
0 1 2
1 0
1 0
0 0 0
0 2 3
2 2 1
1 0 1
0
x
3
0 1 2 y = 0
0
z
0 0 0
De donde: x + z = 0, y + 32 z = 0, Luego x = z, y = 23 z, z K
Captulo 6.
Caso = 4
2 2
3
L31 (1)
1 2 1
2 2 3
265
Diagonalizacion
2 2 3
L1 (1)
1 2 1
0 0
0
1 0 4
1 2 1
5
0 2 5 0 1 2
0 0
0
0 0 0
Luego tenemos el siguiente sistema:
0
x
1 0 4
5
y
0
1
=
0
2
0
z
0 0 0
De donde se obtiene:
x 4z = 0
y 25 z = 0
x = 4z
y = 52 z
zK
1
2 8
2 2 3
1 0 0
1
3 5
0 2 0 = P 1 2 1 0
1 2 2
2 2 1
0 0 4
Donde P = (D seg
un C)
(f ; D, D) = (C seg
un D)(f ; C, C)(D seg
un C)
6.4
Valores propios m
ultiples
266
Algebra Lineal
P () = ( 1 )1 ( 2 )2 ( r )r
y 1 + 2 + r corresponde a la dimension del espacio vectorial.
Sea {v1 , v2 , ..., vr }una base de sub-espacio formado por vectores propios asociados a , es decir
f (vi ) = vi , i = 1, ..., r
... 0
. .
.
. . ...
P
0 ...
M = (f ; B, B) =
0 ... 0
. .
.
.
. . ..
Q
.
0 ... 0
donde P Mnr (K) y Q Mnr (K).
Captulo 6.
267
Diagonalizacion
El polinomio caracterstico de f es
P (X) = det(M XIn ) =
X ...
..
...
.
0
0
..
.
...
...
...
0
..
.
X
0
..
.
0 ... 0
Q XIn
En la diagonal principal de (f ; B), hay para todo i {1, 2, ..., p} exactamente ki terminos iguales a i .
268
Algebra Lineal
(2) (1)
6.5
Ejercicios resueltos
Ejercicio
Sea f : K 3 K 3 lineal. Sabiendo que la matriz de f con respecto a
la base canonica es
3 1 1
M =
2 4 2
1 1 3
Encontremos
1. El polinomio caracterstico de f.
2. Los valores propios de f y sus subespacios propios asociados.
3. Una base diagonalizante D
4. La matriz diagonal (f ; D) y una matriz invertible P tal que
(f ; D) = P 1 M P
Captulo 6.
269
Diagonalizacion
Soluci
on
0
2 +
L (1) 2
13
2
4
2
=
=
1
1
3
1
1
0
1
0
0
C (1)
2 31
4 =
= (2 ) 2 4
(2 ) 2 4
=
1
1
1
3
1
4
4
4
= (2)
= (2)((4)2 4) = (2)(2)(6)
1
4
3
2
1
1
1
4
2
1
3
3 1
1
36
1
1
1
L2 ( 2 )
2
46
2
= 2 2 2
1
1 3
1
1
36
1 0 1
3 1 1
1 1 1 0 1 2
0 0 0
1
1 3
Luego
0
x
1 0 1
0 1 2 y = 0
0
z
0 0 0
Luego
xz = 0
y 2z = 0
Luego x = z, y = 2z
Reemplazando, tenemos
(x, y, z) = (z, 2z, z) = z(1, 2, 1) luego v6 = (1, 2, 1) y S6 =< (1, 2, 1) >
270
Algebra Lineal
Caso = 2
1 1 1
1 1 1
32
1
1
2
42
2 = 2 2 2 0 0 0
0 0 0
1 1 1
1
1
32
Luego
0
x
1 1 1
0 0 0 y = 0
0
z
0 0 0
Tenemos que x + y + z = 0 de donde x = y z.
Reemplazando tenemos
6 0 0
0 2 0 =
0 0 2
1
4
1
2
1
4
1
4
21
1
4
1
4
1
2
1 1
1
3 1 1
2 4 2 2 1 0
1 0 1
1 1 3
34
Ejercicio
Sea f : K 3 K 3 lineal. Sabiendo que la matriz de f con respecto a
la base canonica es
1 2 2
M = 2 1 2
2 2 3
Estudiemos si M es diagonalizable.
Captulo 6.
Diagonalizacion
271
Soluci
on
Comencemos por encontrar el polinomio caracterstico de M .
1
2
2
2
2
L (1) 1
32
2
1
2 =
=
0
1 + 1
1
1
2
2
0
2
C (1)
1 2 23
1 2 =
= (1+) 2
(1+) 2
=
0
1
1
0
0
1
1 0 2
0
2
2 1
1 2 = 1(1+)
= (1+) 2
= (1+)2 (1
2
1
0
0 1
2
2
1
2
2
3
2 2 2
2 2 2
2 2 2
Luego x + y + z = 0 de donde x = y + z; y, z IR
Por lo tanto
1 0 1
0 2 2
2 0 2 0 1 1
0 0 0
2 2 4
Luego
272
Algebra Lineal
0
x
1 0 1
y
0
1
1
=
0
0
z
0 0 0
Luego se obtienen las condiciones siguientes: x = z y y = z.
Entonces S1 =< (1, 1, 1) >. Por la matriz es diagonalizable y la base
diagonalizante de f es D = {(1, 1, 0), (1, 0, 1)(1, 1, 1)}
Finalmente tenemos
1 1 1
1 2 2
1 0
1
1 0 0
0 1 0 = 1 1 2 2 1 2 1 0 1
0 1 1
2 2 3
1
1 1
0
0 1
Ejercicio
Sea f : K 3 K 3 lineal. Sabiendo que la matriz de f con respecto a
la base canonica es
4
2 3
1 2
M =
2
1 2 0
Busquemos, si existe, la matriz diagonal D, equivalente a M .
Soluci
on
Comencemos por encontrar el polinomio caracterstico de f ,
p() = det(M I3 )
4
2
1
2
3
1 2
2
1
(1 ) 0
1
C13 (1)
=
2
3
1 2
2
1
0
1 +
L31 (1)
=
2
3
1 2
2
1
(1 ) 0
0
2
3
1
2
0
3
Captulo 6.
273
Diagonalizacion
1
(1 )
0
2
3
= (1 )(1 )(3 )
3
2
3
L12 (1)
2
0
2
1 2 1
L2 ( 12 )
1 2 1
1 0 1
3 2 3
1 0 1
1 2 1
L32 (3)
1 0 1 0 1 0
0 0 0
0 2 0
0
x
1 0 1
0 1 0 y = 0
0
z
0 0 0
6.6
Ejercicios propuestos
1. Encuentre el polinomio caracterstico descompuesto en sus factores irreducibles en IR, de la matriz siguiente:
1 2 2
2
1 2
A=
2 2 3
2. Sea f : K 3 K 3 lineal. Sabiendo que la matriz de f con
274
Algebra Lineal
4
1 2
3 0
respecto a la base canonica es A = 0
, encuentre
1 1 1
(a) El polinomio caracterstico de f.
6 1 3
2 3
A=
3
1 1
2
Ademas encuentre A10
Captulo 7
Aplicaciones Bilineales
Introducci
on
Nosotros hemos visto los determinantes de matrices de 2 2; vimos
que se denen por
a c
= ad bc
b d
c
a
,
d
b
= ad bc
a + a
b + b
c
d
a c
=
b d
c
a + a
,
d
b + b
= det
275
a
+
b
c
a
,
d
b
c
d
+ det
c
a
,
d
b
276
Algebra Lineal
c + c
a
,
d + d
b
3.
= det
a c
b d
c
a
,
d
b
a c
=
b d
c
a
,
d
b
c
a
,
d
b
+ det
c
a
,
d
b
= det
c
a
,
d
b
= det
c
a
,
d
b
4. Analogamente
det
7.1
7.1.1
Aplicaciones bilineales
Ejemplos. Propiedades generales
Observaci
on
En IR2 consideremos el producto punto
(x1 + y1) (x2 + y2) = x1 x2 + y1 y2
Captulo 7.
Aplicaciones Bilineales
277
(x1 + x2 , y1 + y2 ) (x3 , y3 )
(x1 + x2 ) x3 + (y1 + y2 ) y3
x 1 x3 + x 2 x3 + y1 y3 + y2 y3
(x1 x3 + y1 y3 ) + (x2 x3 + y2 y3 )
((x1 , y1 ) (x3 , y3 ))+
+((x2 , y2 ) (x3 , y3 ))
((x1 , y1 )) (x2 , y2 ) =
=
=
=
(x1 , y1 ) (x2 , y2 )
(x1 )x2 + (y1 )y2
(x1 x2 + y1 y2 )
((x1 , y1 ) (x2 , y2 ))
278
Algebra Lineal
Captulo 7.
279
Aplicaciones Bilineales
Soluci
on
1.
f ((x, y) + (x , y ), (x , y )) =
=
=
=
=
2.
f ((x + x , y + y ), (x , y ))
3(x + x )x 5(y + y )y
3xx + 3x x 5yy 5y y
(3xx 5yy ) + (3x x 5y y )
f ((x, y), (x , y ))+
+f ((x , y ), (x , y ))
f ((x, y), (x , y ) + (x , y )) =
=
=
=
f ((x, y), (x + x , y + y ))
3x(x + x ) 5y(y + y )
3xx + 3xx 5yy 5yy
f ((x, y), (x , y ))+
+f ((x, y), (x , y ))
3.
f ((x, y), (x , y )) =
=
=
=
f ((x, y), (x , y ))
3(x)x 5(y)y
(3xx 5yy )
f ((x, y), (x , y ))
4.
f ((x, y), (x , y )) =
=
=
=
f ((x, y), (x , y ))
3x(x ) 5y(y )
(3xx 5yy )
f ((x, y), (x , y ))
Ejercicio
Sea U = V = IR2 , W = IR. Sea f : IR2 IR2 IR tal que
f ((x, y), (x , y )) = 2xx 2xy 2x y + 5yy
(7.1)
280
Algebra Lineal
{u1 , u2 , . . . , un }, C = {v1 , v2 , . . . , vm } bases ordenadas de U y V respectivamente y {wij ; i = 1, . . . , n; j = 1, . . . , m} un conjunto de vectores de W , entonces existe una u
nica aplicaci
on bilineal f : U V
W tal que
f (ui , vj ) = wij
Demostraci
on
1. Existencia. Sean u =
n
X
i ui , v =
m
X
j=1
i=1
f (u, v) =
i j wij
i,j
m
n
X
X
j vj
= f (i + i )ui ,
j=1
i=1
=
=
i,j
X
(i + i )j wij
i j wij +
i,j
i j wij
i,j
= f (u, v) + f (u , v)
(b) Analogamente se prueba que
f (u, v + v ) = f (u, v) + f (u, v )
(c) Para el producto por escalar tenemos
X
f ((u, v)) = f
= f
=
i ui , v
(i )ui ,
(i )j wij
ijX
i j wij
ij
= f (u, v)
!
X
j
j vj
Captulo 7.
281
Aplicaciones Bilineales
f (u, v) = f
=
X
i,j
n
X
i=1
i ui ,
m
X
j=1
j vj =
i j g(ui vj ) = g
n
X
i ui ,
i=1
i j wij =
ij
m
X
j=1
j vj = g(u, v)
luego f = g.
Ejemplo
Sea f : IR2 IR2 IR. Sea B = {(1, 1), (1, 0)} una base ordenada de
IR2 . Se tiene que f esta determinada por:
f ((1, 1), (1, 1)) = 1
f ((1, 1), (1, 0)) = 2
f ((1, 0), (1, 1)) = 3
f ((1, 0), (1, 0)) = 4
En efecto
f ((x, y), (x , y )) =
= f (y(1, 1) + (x y)(1, 0), y (1, 1) + (x y )(1, 0))
= yy f ((1, 1), (1, 1)) + y(x y )f ((1, 1), (1, 0))+
+(x y)y f ((1, 0), (1, 1)) + (x y)(x y )f ((1, 0), (1, 0))
luego
f ((x, y), (x , y )) =
= yy 1 + y(x y ) 2 + (x y)y 3 + (x y)(x y ) 4
= yy + 2x y 2yy + 3xy 3yy + 4xx 4xy 4x y + 4yy
= 4xx 2x y xy
282
Algebra Lineal
Es decir
f ((x, y), (x , y )) = 4xx 2x y xy
Observaci
on
Que f este determinada por estos cuatro valores quiere decir que no
puede haber una aplicacion bilineal distinta de f que coincida en estos
cuatro valores.
Dicho de otra manera: esos cuatro valores son una microinformacion
del comportamiento de f . Con esos cuatro valores se sabe exactamente
el comportamiento de f en todo IR2 IR2 .
Nota: En IR3 consideremos la base canonica B = {i, j, k} y la aplicacion bilineal f : IR3 IR3 IR denida por
f (i, j) = k; f (j, k) = i; f (k, i) = j
f (j, i) = k; f (k, j) = i; f (i, k) = j
f (i, i) = f (j, j) = f (k, k) = 0
Puesto que conocemos su comportamiento en una base, por el teorema fundamental de las aplicaciones bilineales, podemos obtener su
expresion analtica de la manera siguiente:
f (a1 i + b1 j + c1 k, a2 i + b2 j + c2 k) = a1 a2 0 + a1 b2 k + a1 c2 (j)+
+b1 a2 (k) + b1 b2 0 + b1 c2 i + c1 a2 j + c1 b2 (i) + c1 c2 0 =
= (b1 c2 c1 b2 )i + (c1 a2 a1 c2 )j + (a1 b2 b1 a2 )k
f ((a1 , b1 , c1 ), (a2 , b2 , c2 )) =
= f (a1 e1 + b1 e2 + c1 e3 , a2 e1 + b2 e2 + c2 e3 ) =
= (b1 c2 c1 b2 )e1 + (c1 a2 a1 c2 )e2 + (a1 b2 b1 a2 )e3 =
= (b1 c2 c1 b2 , c1 a2 a1 c2 , a1 b2 b1 a2 )
Captulo 7.
Aplicaciones Bilineales
283
Ejercicio
Sea f : IR2 IR2 IR bilineal denida, con respecto a la base canonica
B = {e1 , e2 }, de la siguiente manera
f (e1 , e1 ) = f (e2 , e2 ) = 0; f (e1 , e2 ) = 1, f (e2 , e1 ) = 1
Busquemos la expresion analtica de f .
Sea x = x1 e1 + x2 e2 , y = y1 e1 + y2 e2 , entonces
f (x, y) =
=
=
f (x1 e1 + x2 e2 , y1 e1 + y2 e2 )
x1 y1 0 + x1 y2 1 + x2 y1 (1) + x2 y2 0
x
1 y2 x2y1
x y
= 1 1
x2 y2
284
Algebra Lineal
Captulo 7.
Aplicaciones Bilineales
285
Demostracion de (1)
( f )(u1 + u2 , v) =(a) (f (u1 + u2 , v) =
=(b) (f (u1 , v) + f (u2 , v)) =(c) (f (u1 , v)) + (f (u2 , v)) =
=(d) ( f )(u1 , v) + ( f )(u2 , v)
(a) y (d) denicion de ponderacion de una aplicacion, (b) bilinealidad
de f , (c) axioma de distribucion en un espacio vectorial.
Analogamente se demuestra (2)
Demostracion de (3)
( f )(u, v) =(a) (f (u, v) =(b) ((f (u, v)) =
=(c) ()(f (u, v)) =(d) ((f (u, v))) =(e) = (( f )(u, v))
(a) y (e) dencion de ponderacion de una aplicacion, (b) bilinealidad
de f , (c) axioma de espacios vectoriales E.V.8, (d) conmutatividad de
la multiplicacion en K y luego E.V.8.
Analogamente se demuestra (4.)
Definici
on 7.1.3 El conjunto formado por todas las aplicaciones bilineales de U V en W , se denota BK (U, V ; W ).
Proposici
on 7.1.3 Sean U , V , W tres K-espacios vectoriales, entonces BK (U, V ; W ) es un K-espacio vectorial.
Demostraci
on
Hay que demostrar los ocho axiomas de espacio vectorial. Solamente
demostraremos E.V.2 y E.V.3
E.V.2. El neutro es la aplicacion bilineal nula, denotada 0 y denida
como sigue
0 : U V W ; 0(u, v) = 0 (u, v) U V
286
Algebra Lineal
luego 0 + f = f
E.V.3. Dada f : U V W bilineal, su aplicacion bilineal opuesta
es denotada f y se dene por
f : U V W ; (f )(u, v) = (f (u, v))
(f + (f ))(u, v) = f (u, v) + (f )(u, v) = f (u, v) + (f (u, v)) = 0
luego f + (f ) = 0
Observaci
on
En IR2 , el producto punto cumple
(x, y) (x , y ) = xx + yy = x x + y y = (x , y ) (x, y)
Esta observacion nos induce al siguiente concepto
Definici
on 7.1.4 Sea f : V V W una aplicaci
on bilineal. Diremos que f es sim
etrica si
f (u, v) = f (v, u) (u, v) V V
Ejemplo
En la aplicacion bilineal del ejercicio (7.1) se tiene
f ((x, y), (x , y )) = 2xx 2xy 2x y + 5yy =
= 2x x 2x y 2xy + 5y y = f ((x , y ), (x, y))
es decir,
f (u, v) = f (v, u);
u, v IR2
Captulo 7.
Aplicaciones Bilineales
287
Ejemplo
Sea f : IR2 IR2 IR, denida por:
f ((x1 , y1 ), (x2 , y2 )) = x1 x2 + 3x1 y2 + 3x2 y1 y1 y2
Esta aplicacion es bilineal y simetrica.
Ejemplo
Sea V = {f : [0, 1] IR; f continua}
Entonces
(f, g) =
f (t)g(t)dt
(7.2)
7.2
Formas bilineales
Definici
on 7.2.1 Sea V un espacio vectorial sobre K. Una forma
bilineal sobre V , es una aplicaci
on bilineal
f :V V K
Ejemplo
f : IR2 IR2 IR; f ((x, y), (x , y )) = 3xx 2xy 2x y + 7yy .
Es facil ver que f es una forma bilineal.
Ejemplo
Sea V = {f : [0, 1] IR; f continua }. Entonces
(f, g) =
es una forma bilineal.
f (t)g(t)dt
288
7.2.1
Algebra Lineal
Observaci
on
Consideremos la forma bilineal de la referencia (7.1)
f : IR2 IR2 IR;
0 3
2 7
Efectivamente a toda forma bilineal le asociaremos una matriz con
respecto a dos bases dadas de la manera obtenida anteriormente.
(f ; B, C) =
Construcci
on de la matriz asociada
Sean U y V dos K-espacios vectoriales. Sean B = {u1 , u2 , . . . , un } y
C = {v1 , v2 , . . . , vm } bases ordenadas de U y V respectivamente.
Para todo u U y v V se tiene
u=
n
X
i ui , v =
m
X
j vj
j=1
i=1
f (u, v) = f
n
X
i=1
i ui ,
m
X
j=1
j vj =
m
n X
X
i=1 j=1
i j f (ui , vj )
Captulo 7.
289
Aplicaciones Bilineales
m
n X
X
i j aij
i=1 j=1
la cual es bilineal.
Se tiene entonces el teorema siguiente:
Teorema 7.2.1 Sean U y V dos K-espacios vectoriales de dimensiones n y m respectivamente. Para todo par de bases B = {e1 , e2 , . . . , en }
de U y C = {u1 , u2 , . . . , um } de V , existe una biyeccion
: B(U, V ; K) Mnm (K)
f 7 (f (ei , uj ) = (aij ))
el cual es un isomorfismo de espacios vectoriales.
Definici
on 7.2.2 La matriz que corresponde a f se llama matriz de
la forma bilineal f con respecto a las bases B y C.
7.2.2
Representaci
on matricial de f (x, y)
m
n X
X
i=1 j=1
aij xi yj =
n
X
i=1
xi
n
X
j=1
aij yj
290
Algebra Lineal
y1
x1
x2
y2
X = .. ; Y = ..
.
.
xn
ym
m
X
aij yj .
j=1
xi
m
X
j=1
aij yj
Captulo 7.
291
Aplicaciones Bilineales
Entonces
0 3
f ((x, y), (x , y )) = ( x y x )
2 7
7.3
7.3.1
x + y
y
Espacios Euclidianos
Producto escalar
Introducci
on
292
Algebra Lineal
Observaci
on
En la forma bilineal del ejercicio de referencia (7.1) se tiene
f ((x, y), (x, y)) = 2x2 4xy + 5y 2 =
= x2 + (x2 4xy + 4y 2 ) + y 2 = x2 + (x 2y)2 + y 2
que es siempre un n
umero positivo o nulo, pues es suma de cuadrados.
Definici
on 7.3.1 Sea f : V V IR una forma bilineal. Diremos
que f es positiva si
f (v, v) 0 v V
Ejemplo
En el ejemplo (7.2) se tiene que
(f, f ) =
f (t)2 dt
Captulo 7.
Aplicaciones Bilineales
293
es decir f = 0 en[0,1]
Definici
on 7.3.3 Si f : V V IR es una forma bilineal, entonces
diremos que f es un producto escalar si f es simetrica, positiva y
definida. Notaci
on: f (u, v) =:< u, v >
Ejemplos
Las formas bilineales del ejercicio (7.1) y del ejercicio (7.2) son productos escalares.
Definici
on 7.3.4 Sea V un IR-espacio vectorial. Diremos que V es un
Espacio Euclidiano si sobre V se puede definir un producto escalar.
7.3.2
Norma
Observaci
on
En IR2 con el producto punto, se dene la longitud o norma de un
vector, de la manera siguiente
||(x, y)|| =
x2 + y 2
Definici
on 7.3.5 Sea V un espacio euclidiano, con un producto escalar < u, v >. Dado u V , es llamado norma del vector u, denotado ||u||, el n
umero real positivo:
||u|| =
< u, u >
294
Algebra Lineal
Ejemplo
En IR2 , considerando el producto usual, se tiene
||(1, 2)|| = 12 + 22 = 5
||(3, 4)|| = 32 + 42 = 5
Ejemplo
En IR2 , considerando el producto del ejercicio (7.1) se tiene:
||(1, 0)|| = 2 12 4 1 0 + 5 02 = 2
||(1, 2)|| = 2 12 4 1 2 + 5 22 = 14
||(3, 4)|| = 2 32 4 3 4 + 5 42 = 50
q
q
f (t)g(t)dt
sen2 nxdx =
2
1
1
1 cos 2nx
dx = x
sen2nx =
2
2 2
4n
2
2
Luego ||sennx|| =
Sea m IN
n IN
Captulo 7.
295
Aplicaciones Bilineales
Z
cos2 mxdx =
2
1
1 + cos 2mx
1 2
dx = x +
sen2mx =
2
2 2
4m
2
2
m IN
Ejemplo
En IRn con el producto escalar usual se tiene
||(u1 , u2 , . . . , un )|| =
=
Proposici
on 7.3.1 Sea V un espacio euclidiano, entonces se tiene
1. ||u|| = || ||u|| IR, u V
2. ||u|| 0 u V
3. ||u|| = 0 si y s
olo si u = ~0
Demostraci
on (1)
296
Algebra Lineal
Proposici
on 7.3.2 (Desigualdad de Cauchy-Schwartz) Sea V
un espacio euclidiano, entonces
| < u, v > | ||u|| ||v|| u, v V
Demostraci
on
Supongamos primero que v = ~0. Entonces ambos miembros de la
igualdad son cero (ejercicio).
Supongamos v 6= 0 luego < v, v >6= 0. Sea =
<u,v>
.
<v,v>
< u, u > < v, v > | < u, v > | | < u, v > | ||u|| ||v||
Ejemplo
En IR2 con el producto escalar usual, se tiene
| < (x1 , y1 ), (x2 , y2 ) > | ||(x1 , y1 )|| ||(x2 , y2 )||
es decir
|x1 x2 + y1 y2 |
x21 + y12
x22 + y22
Captulo 7.
297
Aplicaciones Bilineales
Ejemplo
En IRn con el producto escalar usual, se tiene
| < (x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) > |
||(x1 , x2 , . . . , xn )|| ||(y1 , y2 , . . . , yn ||
es decir
n
X
x
i yi
i=1
xi yi
2
v
u n
uX
t
x2
i
i=1
n
X
i=1
v
u n
uX
t y2
x2i
i=1
n
X
yi2
i=1
298
Algebra Lineal
Demostraci
on
Puesto que u = (u v) + v, por el corolario anterior se tiene
||u|| ||u v|| + ||v||
luego
||u|| ||v|| ||u v||
(7.3)
Ademas v = (v u) + u, luego
||v|| ||v u|| + ||u||
luego
||v|| ||u|| ||v u|| = ||u v||
de donde
||v|| ||u|| ||u v||
(7.4)
7.3.3
Ortogonalidad
Captulo 7.
Aplicaciones Bilineales
299
Ejemplo
Volviendo al ejercicio (7.1)
f ((1, 1), (2, 0)) = 2 1 2 2 1 0 2 2 1 + 5 1 0 = 0
Definici
on 7.3.7 Sea S = {u1 , u2 , . . . , un } en un espacio euclidiano
V . Diremos que S es un conjunto ortogonal de vectores si los vectores de S son ortogonales de dos en dos. Si ademas todos ellos tienen
norma 1, diremos que S es un conjunto ortonormal de vectores.
Ejemplo
En el ejercicio (7.1) el conjunto B = {(1, 1), (2, 0)} es ortogonal.
n
1 , 1
El conjunto C =
,
3
3
mismo producto escalar.
o
1 , 0
2
Ejercicio
Sea V = {f : [l, l] IR; f continua}, con el producto escalar
siguiente:
(f, g) =
f (x)g(x)dx
nx
nx
, sen
; n = 0, 1, 2, . . .} es una fal
l
milia ortogonal. Determinemos ademas la norma de cada vector.
300
Algebra Lineal
Soluci
on
1. Sea m 6= n
Z l
mx
nx
nx
mx
cos
, cos
=
cos
dx =
cos
l
l
l
l
l
"
!
!#
Z l
1
(m + n)x
(m n)x
=
cos
+ cos
dx = 0
l
l
l 2
2. Sea m 6= n
Z l
nx
nx
mx
mx
, sen
=
sen
dx =
sen
sen
l
l
l
l
l
"
!
!#
Z l
1
(m n)x
(m + n)x
cos
cos
dx = 0
=
l
l
l 2
3. m, n IN
Z l
nx
nx
mx
mx
, sen
=
sen
dx =
cos
cos
l
l
l
l
l
"
!
!#
Z l
1
(m n)x
(m + n)x
=
sen
+ sen
dx = 0
l
l
l 2
es decir, ||1|| =
||1||2 =
dx = 2l
2l
2. Para n 1
nx 2 Z l
2 nx
cos
dx =
=
cos
l
l
l
2nx
1Z l
dx =
1 + cos
=
2 l
l
1
l
2nx
=
x+
sen
2
2n
l
!l
=l
Captulo 7.
301
Aplicaciones Bilineales
es decir
nx
cos
= l
3. Para n 1
nx 2 Z l
2 nx
sen
dx =
=
sen
l
l
l
2nx
1Z l
dx =
1 cos
=
2 l
l
1
l
2nx
=
x
sen
2
2n
l
es decir
!l
=l
nx
sen
= l
Definici
on 7.3.8 Sea V un espacio euclidiano de dimensi
on finita.
Diremos que el conjunto B = {u1 , u2 , . . . , un } es una base ortonormal de V , si B es una base de V y B es un conjunto ortonormal de
vectores de V .
Teorema 7.3.5
(Proceso de ortonormalizaci
on de Gram-Schmidt)
Todo espacio euclidiano V de dimensi
on finita n, no nulo, admite una
base ortonormal {g1 , g2 , . . . , gn }.
Demostraci
on
1. Si dim V = 1. Sea {u} una base de V , entonces g =
tiene que ||g1 || = 1.
2. Si dim V = 2. Sea {u1 , u2 } una base de V , entonces g1 =
Sea v2 = u2 < u2 , g1 > g1 . Se tiene que
1
. Se
||u||
1
u1 .
||u1 ||
302
Algebra Lineal
1
v2
||v2 ||
1
v
||v3 || 3
1
v
||vr || r
Captulo 7.
303
Aplicaciones Bilineales
(1, 1)
g1 =
3
v2 = u2 < u2 , g1 > g1
D
(1,1)
(1,1)
3
(1,1)
3
(1,1)
3
(1, 0)
(2, 0)
=
2 2
2
La base ortonormalizada es B =
(1,1)
, (1,0)
2
3
Ejemplo
En IRn , con el producto usual, el conjunto
S = {e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, . . . , 0, 1)}
es un conjunto ortonormal.
Ejemplo
En V = {f : [0, 1] IR contnuas} con el producto escalar
< f, g >=
f (t)g(t)dt, el conjunto
cos mx sen nx
l
l
S=
; m, n IN
304
Algebra Lineal
Ejemplo
En IR2 , con el producto usual B = {(1, 0), (0, 1)} es una base ortonormal de IR2 .
Proposici
on 7.3.6 Sea V un espacio euclidiano. Sea U un subespacio de V , entonces el conjunto S = {v V ; < u, v >= 0 u U }
es un sub-espacio vectorial de V .
Demostraci
on
Sean u1 , u2 U entonces
1. < u1 + u2 , v >=< u1 , v > + < u2 , v >= 0 + 0 = 0, luego
u1 + u 2 U .
2. Ademas < u1 , v >= < u1 , v >= 0 = 0 luego u1 U
Por (1.) y (2.) S es un sub-espacio vectorial de V .
Definici
on 7.3.10 El sub-espacio S de la proposicion anterior ser
a
denotado S y es llamado el subespacio ortogonal a S.
7.3.4
Captulo 7.
305
Aplicaciones Bilineales
Ejemplo
En IR2 con el producto
escalar usual, el angulo menor entre los vectores
u = (1, 0) y v = 21 , 23 es
< (1, 0),
cos =
(1, 0)
3
1
,
>
2 2
1
, 3
2 2
1
2
11
1
2
3)
Ejemplo
En IR2 , considerando el producto escalar del
ejemplo (7.1). El angulo
menor entre los vectores u = (1, 0) y v = (1, 3) es
cos =
3)>
<(1,0),(1,
||(1,0)||||(1, 3)||
21121 3201+50( 3)
2 174 3
174 3
22
Observaci
on
En IR2 , consideremos el producto usual. La distancia entre dos puntos
de IR2 , P1 = (x1 , y1 ) y P2 = (x2 , y2 ) es
d(P1 , P2 ) =
(x2 x1 )2 + (y2 y1 )2
Este n
umero corresponde a ||(x2 , y2 ) (x1 , y1 )||, es decir, se puede
pensar como la distancia entre dos vectores
d((x1 , y1 ), (x2 , y2 )) = ||(x2 , y2 ) (x1 , y1 )||
Este concepto de distancia entre dos vectores se puede generalizar de
la manera siguiente:
Definici
on 7.3.12 Sea V un espacio euclidiano con norma ||u||, entonces la aplicaci
on d : V V IR+
0 definida por d(u, v) = ||u v||,
es llamada la funci
on distancia. El n
umero d(u, v) es llamado la
distancia entre u y v .
306
Algebra Lineal
Proposici
on 7.3.7 Sea V un espacio euclidiano. Entonces
1. d(u, v) 0 u, v V
2. d(u, v) = 0 si y s
olo si u = v
3. d(u, v) = d(v, u) u, v V
4. d(u, v) d(u, w) + d(w, v) u, v, w V
La demostracion la dejamos al lector
Definici
on 7.3.13 Un espacio vectorial real dotado de una distancia
es llamado un espacio m
etrico.
7.4
(7.5)
Captulo 7.
Aplicaciones Bilineales
307
Ejemplo
Sea f : IR2 IR2 IR del ejercicio (7.1).
(7.6)
Las formulas (7.5) y (7.6) son conocidas como identidades de polarizacion y muestran que no solamente q esta unvocamente determinada
por f , sino tambien q determina unvocamente a f .
Proposici
on 7.4.1 Sea f : V V IR bilineal simetrica, Si
f (v, v) = 0 v V , entonces f es nula.
Demostraci
on
Sea u, v V , entonces
7.5
Ejercicios resueltos
Ejercicio
Sea f : M2 (IR) M2 (IR) IR, la forma bilineal denida por:
e
a b
,
f(
g
c d
f
) = ae + 2bf + 3cg + dh
h
308
2. Sean
Algebra Lineal
2 1
1 1
yB=
1 1
0 1
Calculemos ||A||, ||B||, d(A, B) y el angulo comprendido entre
AyB
A=
Soluci
on de (1)
Se ha supuesto que f es bilineal. Debemos demostrar entonces:
(a) Demostremos que f es simetrica.
a b
e f
f(
,
) = ae + 2bf + 3cg + dh
c d
g h
a b
e f
) = ea + 2f b + 3gc + hd
,
f(
c d
g h
ambos productos son iguales, luego f es simetrica.
(b) Demostremos que f es positiva.
a b
a b
f(
,
) = a2 + 2b2 + 3c2 + d2 0
c d
c d
(c) demostremos que f esta bien denida.
a b
a b
) = a2 + 2b2 + 3c2 + d2 = 0
,
f(
c d
c d
a=0=b=c=d
por (a), (b) y (c) f es un producto interno.
Soluci
on de (2)
||A|| =
=
< A, A > =
1+2+0+1=
||B|| =
< B, B > =
<
1 1
1 1
,
0 1
0 1
>=
4=2
<
2 1
2 1
,
1 1
1 1
>=
Captulo 7.
=
4+2+3+1=
10
1 1
0 1
2 1
|| =
1 1
1 2
1 2
1 2
= ||
|| = <
,
1
0
1 0
1 0
= 1 + 8 + 3 + 0 = 12 = 2 3
309
Aplicaciones Bilineales
>=
cos =
< A, B >
=
||A|| ||B||
luego
<
2 1
1 1
,
1 1
0 1
2 10
>
1
=
2 10
1
= arccos
2 10
Ejercicio
Sea f : IR2 IR2 IR una forma bilineal denida por:
f ((x1 , y1 ), (x2 , y2 )) = 3x1 x2 + 2x1 y2 + 2x2 y1 + 10y1 y2
1. Demuestre que f es un producto interno.
2. Sean u = (1, 1) y v = (1, 0). Encuentre la norma de estos dos
vectores, la distancia entre ellos y el coseno del angulo comprendido entre ellos.
Soluci
on de (1)
Se ha dado por supuesto que es bilineal. Debemos demostrar entonces:
(a) f es simetrica.
En efecto
310
Algebra Lineal
x = y = 0 (x, y) = (0, 0)
3 02 + 4 0 (1) + 10 (1)2 = 10
Tenemos que
< u, v >
||u|| ||v||
Captulo 7.
311
Aplicaciones Bilineales
Ejercicio
Sobre M2 (IR), consideremos el producto interno siguiente:
f : M2 (IR) M2 (IR) IR; f (A, B) = tr(At B)
Sea S subespacio de M2 (IR) con base
C = {u1 =
1 1
, u2 =
1 0
1 1
, u3 =
1 0
1 0
}
0 1
1. Ortonormalicemos la base de C de S
2. Busquemos el subespacio ortogonal a S
Soluci
on de (1)
s
||u1 || =
tr
t
1 1
1 0
1 1
1 0
1 1
Sea g1 =
1 0
Se tiene que v2 = u2 < u2 , g1 > g1 =
=
||v2 || =
1
3
1 1
<
1 0
1 1
1 0
1 1 1
, 3
1 0
(1 + (1) +
( 32 )2 + ( 43 )2 + ( 32 )2 =
2
3
1) 13
1 1
1 o
1 1
1 0
v3 =
2
3
2
3
1 0
<
0 1
1 0 1
, 3
0 1
1 =
3
2
3
2
3
34
1 2
= 16
g2 = 6
0
1 0
3
Se tiene que: v3 = u3 < u3 , g1 > g1 < u3 , g2 > g2
1
>
1 1
1 0
>
1
3
1 1
1 0
43
0
312
<
1 1 1
, 6
1 0
1 2
1 0
>
1 0
0 1
1 1
1 0
1
6
||v3 || =
g3 =
tr
1
2
0
1
1
2
3
1
3
1
2
0
1
21
t
1
6
1 2
1 0
1
2
21
2
2 3
223
1 2
1 0
2
3
0
1
Algebra Lineal
1
2
0
1
21
( 21 )2 + ( 21 )2 + 12 =
3
2
x y
1 1
,
z t
1 0
1 1
x y
,
1 0
z t
<
1 0
x y
,
0 1
z t
>= 0 x + y + z = 0
>= 0 x y + z = 0
>= 0 x + t = 0
1 0
1 1
>
Ejercicio
Sea f : IR3 IR3 IR denida por:
f ((x1 , y1 , z1 ), (x2 , y2 , z2 )) = 2x1 x2 +3x1 y2 +3x2 y1 +5y1 z2 +5y2 z1 +4z1 z2
Captulo 7.
Aplicaciones Bilineales
313
2 0 0
Luego (f ; C, C) =
3 0 5
0 5 4
Ejercicio
Sea q : IR3 IR denida por: q(x, y, z) = 3x2 + 2xz 10yz + 2z 2
1. Busquemos la matriz asociada a q con respecto a la base canonica
C = {e1 , e2 , e3 }
2. Busquemos la forma bilineal asociada a q
314
Algebra Lineal
Soluci
on de (1)
Tenemos que
q(x, y, z) = ( x y
= ( ax + by + cz
bx + dy + ez
x
a b c
z)b d e y =
z
c e f
x
cx + ey + f z ) y =
z
Luego a = 3; b = 0; c = 1; d = 0; e = 5; f = 2
Luego
3 0 1
(q; C) = 0 0 5
1 5 2
Soluci
on de (2)
f (e1 , e1 ) = 3; f (e1 , e2 ) = f (e2 , e1 ) = 0; f (e1 , e3 ) = f (e3 , e1 ) = 1;
f (e2 , e2 ) = 0; f (e2 , e3 ) = f (e3 , e2 ) = 5; f (e3 , e3 ) = 2
Sea x = 1 e1 + 2 e2 + 3 e3 y y = 1 e1 + 2 e2 + 3 e3
f (x, y) = f (1 e1 + 2 e2 + 3 e3 , 1 e1 + 2 e2 + 3 e3 ) =
= 1 1 3 + (1 2 + 2 , 1 ) 0 + (1 3 + 3 1 ) 1 + 2 2 0 +
+ (2 3 + 3 2 ) (5) + 3 3 2
Luego
Captulo 7.
f ((x1 , y1 , z1 ), (x2 , y2 , z2 )) = ( x1
7.6
315
Aplicaciones Bilineales
y1
x2
a b c
z1 ) b d e y2
z2
c e f
Ejercicios propuestos