Documente Academic
Documente Profesional
Documente Cultură
lgebra lineal
Apuntes
Teora y ejercicios resueltos
Nombre
II
ndice general
P. Preliminares
11
2. Diagonalizacin de endomorfismos
63
119
III
IV
NDICE GENERAL
Preliminares
En este tema veremos los conocimientos bsicos para empezar el curso.
P.1.
Conjuntos
Definicin. Un conjunto es una coleccin de objetos considerada como un objeto en s. A los objetos
los llamamos elementos. Los conjuntos se denotan con letras maysculas. Los elementos se denotan
con letras minsculas. Un conjunto se representa enumerando los elementos entre
llaves. Por ejemplo:
{e, i, , 1} es el conjunto del nmero entero 1, el nmero imaginario puro i = 1 y los nmeros
trascendentes e = 2,7182818 . . . y = 3,1415926 . . .. No contamos los elementos repetidos del
conjunto. Consideramos el conjunto {1, 2, 2, 3, 3, 3} idntico al {1, 2, 3}. El orden de los elementos
es irrelevante. El conjunto {1, 2, 3} es equivalente al {3, 2, 1}.
Existen dos maneras de describir o especificar los elementos de un conjunto. Una de ellas es
por extensin, esto es, listando cada miembro del conjunto. El conjunto de los nmeros enteros es
Z = {. . . , 3, 2, 1, 0, 1, 2, 3, . . . }. La otra es mediante una definicin intensiva o por comprensin, describiendo una condicin que cumplen sus elementos. Para hacer esto usamos la notacin
{x|condiciones de x}. Esto se lee el conjunto de los elementos x tales que . . . (: y | se leen tal que).
x S es la notacin para x pertenece al conjunto S. Para expresar lo contrario hacemos x 6 S
para x no pertenece al conjunto S.
Ejemplos. Presentamos la notacin que usaremos para denotar algunos de los conjuntos ms usuales.
= {} es el conjunto vaco, el conjunto que no contiene elementos.
Z = {. . . , 3, 2, 1, 0, 1, 2, 3 . . .} es el conjunto de los nmeros enteros (la letra Z proviene
de la palabra nmero en alemn que se escribe Zahlen).
Q = {p/q|p, q Z, q 6= 0} es el conjunto de los nmeros racionales (la Q es de cociente, del
ingls quotient.) 1
R = {x|x = a1 a2 an .b1 b2 } es el conjunto de los nmeros reales, es decir, el conjunto de
nmeros con expansin decimal.
C = {a + ib|a, b R, i2 = 1} es el conjunto de los nmeros complejos. i es la raz cuadrada
de 1. (Si no has visto nmeros complejos antes no te alteres. Los veremos ms adelante.
Z+ , Q+ y R+ son los conjuntos de los nmeros enteros, racionales y reales positivos, respectivamente. Por ejemplo, Z+ = {1, 2, 3, . . .}. Usamos el superndice para denotar los conjuntos
de los nmeros negativos.
1
Notese que con esta descripcin enumeramo cada racional un nmero infinito de veces: Por ejemplo: 1/2 = 2/4 =
3/6 = (1)/(2) = . Esto no supone un problema ya que no contamos las repeticiones.
TEMA P. PRELIMINARES
Z , Q and R son los conjuntos de los nmeros enteros, racionales y reales salvo el cero,
respectivamente. Por ejemplo, N = {1, 2, 3, . . .}.
(a . . . b) denota un intervalo abierto en la recta real. (a . . . b) {x|x R, a < x < b}
Usamos corchetes para denotar el intervalo cerrado. [a..b] {x|x R, a x b}
P.2. CUANTIFICADORES
P.2.
Cuantificadores
En lgica, teora de conjuntos y matemticas en general, los cuantificadores son smbolos utilizados para indicar cuntos o qu tipo de elementos de un conjunto dado cumplen con cierta propiedad.
Existen muchos tipos de cuantificadores, entre los ms utilizados estn:
P.2.1.
Cuantificador universal
p(x)
P.2.2.
Cuantificador existencial
p(x)
P.2.3.
p(x).
P.3.
Aplicaciones
El concepto general de funcin, aplicacin o mapeo se refiere a una regla que asigna a cada
elemento de un primer conjunto un nico elemento de un segundo conjunto. Para designar las aplicaciones se suelen utilizar las letras f , g, h, . . . Para indicar que f es una aplicacin de A en B se escribe:
TEMA P. PRELIMINARES
f
Injective
Surjective
Bijective
P.4.
Estructuras algebraicas
P.4.1.
Definimos un conjunto A. Definimos un operador entre elementos del conjunto A. Una ley de
composicin interna es una aplicacin que opera dos elementos de A con la operacin y el resultado
es un elemento de A:
A A A
(a, b) 7 a b
Por ejemplo, si tenemos el conjunto A = {0, 1, 2, 3, 4, 5} y = suma. Entonces no es ley de composicin interna ya que, por ejemplo, 5 4 = 9 y 9 6 A.
Sin embargo si tenemos el conjunto B = {0, 1} y = producto, si es ley de composicin interna ya
que todas las operaciones entre los elementos de B dan como resultado otro un elemento de B.
P.4.2.
K A A
(k, a) 7 ka
Ejemplo 1. Dado el conjunto V3 de vectores en el espacio, el conjunto R de nmeros reales, y la
operacin producto de un escalar por un vector tenemos, por ejemplo, que 3(2, 1, 3) = (6, 3, 9) y
por tanto es ley de composicin externa.
Ejemplo 2. Dado el conjunto M2 (K) de las matrices de orden 2 con coeficientes en K, el conjunto
R de nmeros reales, y la operacin producto de un escalar por una matriz de orden 2 tenemos, por
ejemplo, que
2 0
10 0
5
=
3 1
15 5
y por tanto es ley de composicin externa.
P.4.3.
Grupos
Un grupo es una pareja (G, ) donde G es un conjunto en el que est definida una operacin
interna que verifica:
1. Asociativa: (a b) c = a (b c),
a, b, c K
a K
P.4.4.
Anillos y cuerpos
a, b, c K
3. El producto es conmutativo: a b = b a a, b K
4. Existe un elemento neutro para la multiplicacin denotado por 1: a 1 = 1 a = a a K
5. Todo elemento distinto del neutro para la suma posee inverso (respecto del producto). Si no
posee esta propiedad, se dice que es un anillo conmutativo.
6. El producto es distributivo respecto a la suma: a (b + c) = a b + a c (a + b) c = a c + b c
TEMA P. PRELIMINARES
P.5.
Veremos ahora un breve resumen de matrices y sistemas de ecuaciones lineales. Se debera dar un
repaso de esta materia al libro de bachillerato. Esta parte esta muy bien explicada en el libro [nmero]
de la bibliografa.
Para simplificar, una matriz A se puede designar as:
A = (aij )(i = 1, 2, . . . , m; j = 1, 2 . . . , n) o bien A = (aij )m,n o, simplemente, (aij )
Llamamos Mmn (K) al conjunto de las matrices de orden m n donde los elementos aij (coeficientes) pertenecen a un cuerpo K.
Las matrices, de cierta manera, heredan las operaciones del cuerpo K ,as podemos definir las
siguientes operaciones de matrices:
Suma: A, B Mmn (K), entonces A + B = (aij + bij ).
Producto de un elemento de K por una matriz: Si a K y A Mmn (K), entonces a A =
(a aij ).
P.5.1.
Propiedades
Propiedades:
1. A(BC) = (AB)C
2. AIn = Im A = A
P.5.2.
(Mnn (K), +, ) es un anillo con unidad (la matriz identidad). A los elementos de este anillo que
son inversibles, les llamamos matrices regulares o inversibles, en caso contrario las llamamos matrices
singulares.
Si A es cuadrada de orden n, se define A0 = In . Para cualquier k Z+ se tiene que Ak = AAk1 y
si A es inversible Ak = (A1 )k .
Tipos especiales de matrices cuadradas. Dada una matriz cuadrada A = (aij ), se tiene:
Matriz diagonal: aij = 0 si i 6= j.
Matriz escalar: matriz diagonal, de forma que aii = para cada i. Es decir A = In .
Matriz triangular inferior: aij = 0 si i < j.
Matriz triangular superior: aij = 0 si i > j.
Matriz simtrica: A = AT .
Matriz antisimtrica: A = AT .
Traza: suma de los elementos de la diagonal principal. a11 + a22 + . . . + ann .
P.5.3.
P.5.4.
Llamamos rango por filas de una matriz al nmero mximo de filas linealmente independientes.
Asimismo llamamos rango por columnas al nmero mximo de columnas linealmente independientes.
Teorema 1. El rango por filas de cualquier matriz coincide con su rango por columnas. A dicho
nmero le llamamos simplemente rango de la matriz.
Mediante el clculo de determinantes, podremos calcular de forma fcil el rango de una matriz, definindolo como el orden de la mayor submatriz cuadrada con determinante no nulo.
P.5.5.
Clculo de determinantes
a11 a12 a13
a11 a12 a13
a11 a12 a13
A = a21 a22 a23 det a21 a22 a23 = a21 a22 a23 =
a31 a32 a33
a31 a32 a33
a31 a32 a33
= a11 a22 a33 + a12 a23 a31 + a13 a21 a32 (a13 a22 a31 + a12 a21 a33 + a11 a23 a32 )
P.5.6.
a11 x1 + + a1n xn = b1
a21 x1 + + a2n xn = b2
am1 x1 + + amn xn = bm
TEMA P. PRELIMINARES
a11 a12 . . . a1n
x1
b1
a21 a22 . . . a2n x2 b2
..
..
.. .. = ..
..
.
.
.
. . .
am1 am2 . . . amn
xm
bm
|
{z
} | {z } | {z }
A
(A|B) = ..
..
..
..
.
.
.
.
.
.
.
am1 am2 . . . amn bm
Un sistema de ecuaciones diremos que es homogneo si todos los trminos independientes son 0, es
decir es un sistema de la forma:
a11 x1 + + a1n xn = 0
a21 x1 + + a2n xn = 0
am1 x1 + + amn xn = 0
Teorema de Rouch-Frobenius Dado un sistemas de ecuaciones AX = B, donde A Mmn (K)
y b Km , representaremos por (A|B) la matriz ampliada obtenida aadiendo a la matriz A la columna
formada por los elementos de B. Entonces, siendo n el nmero de incgnitas, se tiene que
Si rang A 6= rang (A|B), entonces el sistema es incompatible (SI). No tiene solucin.
Si rang A = rang (A|B) y
rang A = n, el sistema es compatible determinado (SCD). Tiene solucin y es nica.
rang A < n, el sistema es compatible indeterminado (SCI). Tiene solucin y depende de
uno o ms parmetros, es decir, tiene infinitas soluciones (porque cada parmetro puede
tomar infinitos valores).
Para el caso homogneo, AX = 0, siempre el vector ~x = ~0 es solucin. Por tanto, solo si rang A < n
existen soluciones distintas de la trivial.
P.5.7.
Interpretacin geomtrica
1. Si tenemos un sistema de dos ecuaciones con dos incgnitas, podemos tener los siguientes
casos:
a) SCD: Dos rectas que se cortan en un punto
b) SCI: Dos rectas coincidentes
P.5.8.
Regla de Cramer
b
d
b
d
a
c
y =
a
c
e
f
b
d
ax + by + cz = j
dx + ey + f z = k
gx + hy + iz = l
Trabajando en forma matricial, tenemos:
j
k
a b c
x
j
l
d e f y = k x =
a
g h i
z
l
d
g
b
e
h
b
e
h
a j
c
d k
f
g l
i
, y =
a b
c
d e
f
g h
i
a b
c
d e
f
g h
i
, z =
a b
c
d e
f
g h
i
j
k
l
c
f
i
10
TEMA P. PRELIMINARES
Tema 1
Espacios vectoriales y aplicaciones lineales
1.1.
Espacios vectoriales
Definicin 1. Llamamos espacio vectorial sobre un cuerpo K a un conjunto V con dos operaciones:
una suma (+)V V V (interna) y un producto ()KV V (externa) que verifican las siguientes
propiedades:
1. (V, +) tiene estructura de grupo abeliano.
2. La operacin externa () verifica:
a) Distributiva respecto a la suma de vectores: (~v + w)
~ = ~v + w
~ para K y ~v , w
~ V.
b) Distributiva respecto a la suma de escalares: ( + )~v = ~v + ~v para , K y ~v V .
c) Asociativa respecto a los escalares: ()~v = (~v ) para , K y ~v V .
d) 1 ~v = ~v para ~v K (siendo 1 la unidad).
Representaremos por (V, +, , K) al espacio vectorial. Los elementos del cuerpo se denominan escalares y se suelen representar por letras griegas como , , , , . . .. Los elementos del espacio vectorial
se denominan vectores y se representan por ~u, ~v , w,
~ ...
Ejemplos de espacios vectoriales:
Dado un cuerpo K y un nmero natural n, el conjunto formado por las matrices de tamao n1
(matrices columna de tamao n) es un espacio vectorial. Este espacio vectorial es el principal
ejemplo de espacio vectorial y se denota Kn .
(Rn , +, , R) es el espacio vectorial real n-dimensional.
(Kn , +, , K) es el espacio vectorial n-dimensional sobre K.
Si P es el conjunto de polinomios con coeficientes reales, entonces (P, +, , R) es un espacio
vectorial.
Las matrices m n definidas sobre cualquier cuerpo K tambin forman un espacio vectorial
(sobre el mismo cuerpo K).
Teorema 2. En todo espacio vectorial se tienen las siguientes propiedades:
0 ~v = ~0
~0 = ~0
Si ~v = ~0, entonces = ~0 y/o ~v = ~0
(1)~v = ~v
()~v = (~v ) = (~v )
11
12
*
2 = 0 1 = 0 2 = 0. En cambio
cos
x = 2 y entonces tenemos que 1 sen 2 + 2
{1, sen2 x, cos2 x} es linealmente dependiente ya que, por ejemplo, 1 + sen2 x cos2 x = 1 +
sen2 x (1 + sen2 x) = 0.
En los espacios vectoriales Kn , si tenemos un sistema de vectores S = {~v1 , ~v2 , . . . , ~vm } podemos construir la matriz A formada por dichos vectores puestos en columna. Entonces el
mximo nmero de vectores independientes de S coincide con el rango de la matriz A. Veamos, por ejemplo, si en R4 el conjunto de vectores {(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)} es
linealmente independiente. Para ello calculamos el rango de la matriz
1 2 3
2 1 3
A=
4 1 3
3 0 3
Podemos ver que la tercera columna es igual a la primera menos la segunda, C3 = C1 C2 ,
y entonces sabemos que el conjunto de vectores es linealmente dependiente. Si no lo vemos
empezamos por escoger a ojo un menor de orden dos no nulo. Procuramos que sea lo ms sencillo posible, pues va a formar parte de muchos determinantes de orden superior que habremos
13
1 2
de calcular ms adelante. El hecho de que
nos asegura que las dos primeras filas de
2 1
A son linealmente independientes. Veamos si la tercera fila depende linealmente de ellas. Para
ello, aadimos los dos nuevos elementos, 4 y 1, y calculamos el menor de orden 3 en el que
intervienen esas dos columnas:
1 2 3
2 1 3 = 3 24 + 6 + 12 + 12 3 = 0
4 1 3
Al ser cero, se deduce que la tercera fila es combinacin lineal de las dos primeras. Ahora
probamos con la cuarta fila haciendo lo mismo que con la primera:
1 2 3
2 1 3 = 3 18 + 9 + 12 = 0
3 0 3
Por tanto, la cuarta fila es, tambin, combinacin lineal de las dos primeras. Entonces rang(A) =
= 2 y, por tanto, el conjunto de vectores es linealmente dependiente.
Teorema 3. Sea V un e.v., entonces:
Si ~v 6= ~0, entonces {~v } es linealmente independiente.
Todo sistema de vectores que contenga el ~0 es linealmente dependiente.
Si S es un sistema de vectores linealmente independientes y S 0 S, entonces S 0 es linealmente
independiente.
Si S es un sistema de vectores linealmente dependientes y S S 0 , entonces S 0 es linealmente
dependiente.
Si S es un sistema de vectores, no todos nulos, linealmente dependientes, entonces al menos
uno de los vectores se puede expresar como combinacin de los restantes.
Si S es un sistema de vectores linealmente independientes y S{~v } es linealmente dependiente,
entonces ~v es combinacin lineal de los vectores de S.
1.1.1.
Subespacios vectoriales.
14
15
Teorema 4. Dado un sistema de vectores S V , S 6= , el conjunto L(S) formado por todas las
posibles combinaciones lineales de los vectores de S forman un subespacio vectorial de V .
Definicin 2. A este subespacio vectorial L(S) se le llamar subespacio generado por el conjunto de
vectores S. Si {~v1 , ~v2 , . . . , ~vn } es dicho conjunto se representa por L(S) = h~v1 , ~v2 , . . . , ~vn i.
Definicin 3. Si W es un subespacio vectorial de V , y S es un sistema de vectores tal que L(S) = W
decimos entonces que S es un sistema generador de W .
Ejemplo 7. Si V = R4 y W = h(1, 2, 0, 0), (0, 3, 1, 0)i, entonces los vectores de W son de la
forma:
(x, y, z, t) = (1, 2, 0, 0) + (0, 3, 1, 0)
donde y son nmeros reales cualesquiera.
Ejemplo 8. En el espacio vectorial P de los polinomios con coeficientes reales, S = {1 x, 1 +
x2 , 2x + x2 } es un sistema generador del subespacio vectorial P2 de los polinomios de grado menor
o igual que 2.
Para ver esto comprobamos que cualquier polinomio de la forma a + bx + cx2 es combinacin lineal
de los vectores de S, puesto que
a + bx + cx2 = (1 x) + (1 + x2 ) + (2x + x2 )
nos plantea el sistema compatible de ecuaciones
a
1 1 0
1 0 2 = b
c
0 1 1
Adems, es evidente que cualquier polinomio de grado mayor que 2 no puede ser expresado como
combinacin lineal de los vectores de S.
1.1.2.
Bases y dimensin
16
1 2 3
1 2 3
2 1 3
2 1 3 = 3 24 + 6 + 12 + 12 3 = 0
4 1 3
4 1 3
3 0 3
1 2 3
2 1 3 = 3 18 + 9 + 12 = 0
3 0 3
los tres vectores son linealmente
sin embargo el primero y el segundo son lineal dependientes
1 2
= 1+4 = 3 6= 0, el primero y el tercero tambin porque
mente independientes ya que
2
1
1 3
2 3
2 3 = 36 = 3 6= 0, as como el segundo y el tercero ya que 1 3 = 6+3 = 3 6= 0
Por tanto, una base de W estara formada por cualesquiera dos vectores del sistema generador.
Nota: Nos interesan especialmente los espacios vectoriales con bases finitas.
1.1.3.
Teorema 5. Si un espacio vectoriale admite una base finita con n vectores entonces todas las bases
tienen exactamente n vectores.
Definicin 5. Si un espacio vectoriale tiene una base finita de n vectores decimos que es de dimensin
finita. Al nmero natural n lo llamamos dimensin del espacio. Denotndose por dimK (V ), o por
dim(V ), si no hay duda de cual es el cuerpo K. Aceptamos que el espacio vectorial trivial {~0} es el
nico espacio de dimensin 0.
Teorema 6. Si B = {~v1 , ~v2 , . . . , ~vn } es una base de un espacio vectorial, cada vector ~v del espacio
se puede expresar de forma nica como combinacin lineal de los vectores de B
~v = 1~v1 + 2~v2 + + n~vn
y se dice que (1 , 2 , . . . , n ) son las coordenadas de ~v respecto de la base B, lo que podemos
simplificar escribiendo (1 , 2 , . . . , n )B .
Ejemplo 9. Fija dos bases distintas para el espacio vectorial generado por el sistema de vectores
{(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)}
y determina, de entre los siguientes vectores, los que pertenecen a dicho espacio y qu coordenadas tienen respecto de cada una de las bases.
a) (2, 1, 4, 3) b) (1, 2, 4, 3)
c) (5, 4, 2, 3) d) (3, 2, 1, 3)
1.1.4.
17
Cambio de base
Si B = {~v1 , ~v2 , . . . , ~vn } y B 0 = {~v10 , ~v20 , . . . , ~vn0 } son bases de un mismo espacio vectorial V .
Llamaremos ecuaciones de cambio de base a:
~v10
p11 p12 p1n
~v1
~v 0 p21 p22 p2n ~v2
2
.. = ..
..
.. ..
.
.
. .
.
.
. .
~vn0
pn1 pn2
siendo
PBB0
pnn
p11 p12
p21 p22
= ..
..
..
.
.
.
pn1 pn2
~vn
p1n
p2n
..
.
pnn
la matriz del cambio de base de B a B 0 , esto es: la matriz regular cuyas columnas son las coordenadas
de los vectores de B respecto de B 0 .
Dado un vector ~v respecto de las dos bases, tenemos:
~v = 1~v1 + 2~v2 + + n~vn
~v = 01~v10 + 02~v20 + + 0n~vn0
Siendo (1 , 2 , . . . , n ) sus coordenadas en la base B y (01 , 02 , . . . , 0n ) sus coordenadas en la base
B 0 . Quedando relacionadas dichas coordenadas por:
1
1
p11 p12 p1n
01
0 p21 p22 p2n 2
2
.. = ..
..
.. ..
.
.
. .
.
.
. .
0
n
pn1 pn2 pnn
n
1
2
Si denotamos por B (~v ) a las coordenadas del vector ~v en la base B, B (~v ) = .. , tenemos:
.
n
1
0
B
v ) = PB0 B B (~v )
(~v ) = PBB
0 B (~
Ejemplo 10. Consideremos el espacio vectorial R3 y las bases B = {(1, 1, 1), (0, 1, 1, ),
(0, 0, 1)} y C, la base cannica, y el vector ~
v = (1, 2, 3). Obtener la matriz de cambio de
base de C a B. Emplear esta matriz para calcular las coordenadas de ~
v respecto de la base B.
Calcular la matriz de cambio de base de B a C.
Calculamos las coordenadas del primer vector de C respecto de la base B:
(1, 0, 0) = (1, 1, 1) + (0, 1, 1) + (0, 0, 1) = (, + , + )
=1
=1
+ = 0
=1
+ =0
=2
18
Entonces las coordenadas respecto de B son (1, 1, 2) y las escribimos en la primera columna de la
matriz:
1
1
2
Ahora hacemos lo mismo para el segundo vector de C.
(0, 1, 0) = (1, 1, 1) + (0, 1, 1) + (0, 0, 1) = (, + , + )
=0
=0
+ = 1
=1
+ =0
=1
Observemos que mucho de los que hemos hecho antes nos a servido para este segundo paso. Por tanto,
podemos pensar que esto se puede hacer de una forma ms automtica como veremos ms adelante.
Escribimos de nuevo nuestra matriz:
1 0
1 1
2 1
Y por ltimo calculamos las coordenadas del tercer vector de C en la base B:
(0, 0, 1) = (1, 1, 1) + (0, 1, 1) + (0, 0, 1) = (, + , + )
=0
=0
+ = 0
=0
+ =1
= 1
Y ya tenemos nuestra matriz de cambio de base de C a B:
1 0 0
PCB = 1 1 0
2 1 1
Utilizamos esta matriz para calcular las coordenadas de ~v en la base B:
1 0 0
1
1
1
PCB C (~v ) = 1 1 0 2 = 1 + 2 = 1
2 1 1
3
2 + 2 3
3
Ahora calculamos la matriz de cambio de base de B a C. Como las coordenadas de los vectores de B
respecto de la base cannica coinciden con sus componentes, la matriz es:
1 0 0
PBC = 1 1 0
1 1 1
Las matrices de cambio de base al multiplicarlas entre si siempre dan la matriz identidad. Lo comprobamos para este caso:
1 0 0
1 0 0
1
0
0
1 0 0
1 1 0 1 1 0 = 1 1
1
0 = 0 1 0
2 1 1
1 1 1
211 11 1
0 0 1
19
Esto nos da otra forma ms sencilla de calcular la matriz de cambio de base de una base cannica a
otra base. Para ello calculamos la matriz de cambio de base de esa otra base a la cannica, que como
hemos visto es la matriz cuyas columnas son los vectores de esa otra base, y calculamos su inversa.
Lo comprobamos para este caso, para ello calculamos la inversa de PBC :
1 0 0
1 1 2
1 0 0
1 1 0 = 1 6= 0; Adj(PBC ) = 0 1 1 ; Adj(PBC )t = 1 1 0
1 1 1
0
0
1
2 1 1
1 0 0
1 0 0
t
Adj(PBC )
1
= 1 1 1 0 = 1 1 0
PBC
=
|PBC |
2 1 1
2 1 1
Que como vemos es la misma matriz que habamos obtenido anteriormente.
Para mostrar como funciona todo esto de las matrices de cambio de base vamos a comprobar que
efectivamente a partir de las coordenadas de ~v respecto a la base B y utilizando la matriz de cambio
de base de la base B a la C llegamos a las mismas coordenadas respecto a la base C:
1 0 0
1
1
1
PBC B (~v ) = 1 1 0 1 = 1 + 1 = 2
1 1 1
3
1 + 1 + 3
3
1.1.5.
20
y
z
=
=
=
=
Tambin podriamos haberlo hecho por el mtodo matricial. Resolviendo el sistema de ecuaciones
0
x
1 1 1 2 y 0
=
0 1 1 1 z 0
t
0
Ejemplo 12. Supongamos ahora el proceso inverso. Nos dan unos vectores (1, 1, 0, 1),
(0, 1, 1, 0) y nos dicen que calculemos las ecuaciones cartesianas del espacio generado por ellos.
Dicho de otra forma, tenemos que calcular todos los valores x, y, z tales que existe valores , , ,
R con
+ = x + = y
Si tratamos de resolver el sistema considerando x, y, z como trminos independientes tenemos:
1 0
x
1 0 x
1 0
x
1 1 y F2 F1 0 1 y x F3 F2 0 1
yx
0 1 z F4 +F1 0 1
0 0 z + x y
z
0 0
t+x
1 0 t
0 0 t+x
Para que el sistema sea compatible y por lo tanto tenga solucin, la relacin que se tiene que cumplir
entre x, y y z es precisamente:
z+xy =0
t+x=0
Tambin podriamos haberlo resuelto por sustitucin, sin utilizar matrices, como veremos en otros
ejemplos.
21
x =
y=0
z=
Solo tenemos un parmetro, por lo que esta base estar formada por un solo vector:
(x, y, z) = (1, 0, 1)
Por tanto, la base de A es B = {(1, 0, 1)}.
Ejemplo 14. Sea el subespacio A R3 generado por u
~ (1, 0, 1) y ~
v (1, 1, 1). Determinar una
base, unas ecuaciones paramtricas y unas cartesianas.
Escribimos la matriz A cuyas columnas son las coordenadas de los vectores:
1 1
A = 0 1
1 1
Podemos ver a ojo que el rango de la matriz es rang(A) = 2 por lo que los vectores son linealmente
independientes. El subespacio vectorial A ser aquel formado por los vectores (x, y, z) que surjan
como combinacin lineal de ~u y ~v :
(x, y, z) = (1, 0, 1) + (1, 1, 1)
22
x=+
y=
z =+
Ahora buscamos las ecuaciones cartesianas:
x=+y
x=zy+y =z
y=
=y
xz =0
z =+y =zy
Ejemplo 15. Aprovechando el resultado del ejemplo anterior, tenemos el subespacio A = {(x,
y, z) R3 |x z = 0}. Se pide calcular los vectores que pueden formar una base de ese subespacio.
Lo que hay que hacer en este caso es siempre ver cuantos parmetros necesitamos. En este caso
necesitamos 3 1 = 2 parmetros, que sern, por ejemplo, y . Tenemos que tratar de poner nuestra ecuacin cartesiana como ecuaciones que dependan de y . Entonces empezamos diciendo que
y, como no est en las ecuaciones cartesianas, es . Y z = . Como necesitamos dos parmetros, a
dos de las incgnitas les tendremos que asignar un parmetro. Si solo necesitaramos un parmetro,
asignaramos el parmetro a la z para poder despejar x. Entonces las ecuaciones paramtricas son:
xz =0
x=
y=
y=
z=
z=
Y de aqu trataremos de obtener vectores:
x = 0 + 1
y = 1 + 0
z = 0 + 1
Entonces una base es {(0, 1, 0), (1, 0, 1)}.
Se podra haber hecho de esta manera:
(x, y, z) = (0, 1, 0) + (1, 0, 1)
1.1.6.
Interseccin de subespacios
1.1.7.
23
Suma de subespacios
x = 2
W = y=
z = 3
x = 2
y=
z=
A partir de las ecuaciones paramtricas podemos ver fcilmente la base de V BV = {(2, 1, 0), (1, 0, 1)}.
La dimensin del subespacio es dim V = 2.
Subespacio W
Nos dan las ecuaciones paramtricas que podemos poner de la forma
x
2
0
y = 1 + 0
z
0
3
24
para ver ms fcilmente los vectores que constituyen la base del subespacio que es BW = {(2, 1, 0),
(0, 0, 3)} y, por tanto, la dimensin de este es dim W = 2. Ahora hallamos las ecuaciones cartesianas:
2 0 x
0 0 x 2y
1 2F2
1 0 y F
1 0
y x 2y = 0
0 3 z
0 3
z
Subespacio V W
Juntamos las bases de U y W para obtener un conjunto de generadores de V W y luego vemos si
hay que eliminar algn vector para obtener una base:
2 1 0
1 0 1 = 3 6= 0
0 0 3
Luego, una base del subespacio V W es BV W {(2, 1, 0), (1, 0, 1), (0, 0, 3)} y su dimensin es
dim(V W ) = 3. Calculamos las ecuaciones paramtricas:
x
2
1
0
x = 2
y = 1 + 0 + 0
y=
z
0
1
3
z = + 3
Vemos ahora cuantas ecuaciones cartesianas hay: 3 incgnitas 3 parmetros = 0 ecuaciones. Por lo
que no hay ecuaciones cartesianas.
Subespacio V W
Reunimos las ecuaciones cartesianas de V y W para obtener unas ecuaciones cartesianas de V W
y luego vemos si es posible eliminar alguna por transformaciones elementales:
x 2y + z = 0
z=0
2y 2y + z = 0 z = 0
x 2y = 0 x = 2y
x = 2y
Ahora calculamos las ecuaciones paramtricas. Vemos primero cuantos parmetros son necesarios:
3 incgnitas 3 ecuaciones = 1 parmetro. Las ecuaciones paramtricas son:
x
2
x = 2
y = y = 1
z
0
z=0
Y una base del subespacio V W es BV W {(2, 1, 0)} y su dimensin es dim(V W ) = 1.
1.2.
Aplicaciones Lineales
Si V y W son dos espacios vectoriales sobre un mismo cuerpo K, llamamos aplicacin lineal de
V en W a una funcin f : V W que verifica:
f (~u + ~v ) = f (~u) + f (~v )
f (~v ) = f (~v )
~u, ~v V
K, ~v V
25
1.2.1.
Propiedades
26
Caracterizacin de una aplicacin lineal f : V W es una aplicacin lineal si y slo si, ~u, ~v
V K
f (~u + ~v ) = f (~u) + f (~v )
Teorema 9. Si V es un espacio vectorial de dimensin finita n sobre un cierto cuerpo K, entonces V
es isomorfo a K n .
Es decir los espacios vectoriales de dimensin finita podemos considerarlos como conjuntos de
n-tuplas sobre un cierto K.
1.2.2.
Sean U y V dos espacios vectoriales, sobre un cuerpo K. Si B1 = {~u1 , ~u2 , . . . , ~um } es una base de
U y B2 = {~v1 , ~v2 , . . . , ~vn } es una base de V , entonces cada vector f (ui ) se puede expresar respecto
de la base B2 como:
f (u1 ) = a11 v1 + + a1n vn
..
..
.
.
f (ui )
..
.
ai1 v1 + + ain vn
..
.
MB1 B2 (f ) = ..
..
..
.
.
...
.
am1 am2 amn
cuyas columnas son las coordenadas respecto de B 0 de las imgenes por f de los vectores de B. Por
tanto, ~v = f (~u) si y solo si
B2 (v) = MB1 B2 (f )B1 (u)
Ejemplo 18. Dada una aplicacin lineal
f (x, y, z) = (x + 2y 4z, 2x + 3y + z)
Calcular la matriz asociada respecto de las bases cannicas.
f (1, 0, 0) = (1, 2)
1 2 4
f (0, 1, 0) = (2, 3)
2 3 1
f (0, 0, 1) = (4, 1)
1.2.3.
u0m
27
y dos bases de V
v1
v = ...
vm
v10
v 0 = ...
0
vm
R2 R2
C
C
Y lo que queremos es empezar por B y acabar en B, entonces tenemos
f
R2 R2 R2 R2
B 1a C 2a C 3a B
donde vemos que hay tres aplicaciones. Y ahora vamos a escribir a partir de este diagrama la frmula
de cambio de base. Si hacemos todo en un paso, si vamos del inicio hasta el final, empezamos por
B y acabamos por B, luego tenemos MB (f ). Esto sera lo mismo que si ahora vamos por pasos, ya
que igualmente empezaremos en el inicio y acabaremos en el final. Observemos que tendremos una
matriz por cada aplicacin, luego tendremos tres matrices. Ahora, siempre que tenemos una matriz,
para calcular la imagen colocamos el vector en columna al final. Luego si queremos calcular una
imagen con tres matrices pondremos el vector al final, y al poner el vector al final, la primera matriz
que actuar ser la que est justo al lado de ella. Entonces tenemos
MB (f ) = PCB MC (f )PBC
de donde conocemos la matriz MC (f ) y tenemos que calcular las otras dos, que son matrices de paso.
La matriz de paso ms sencilla de calcular es PBC , que es:
1 1
PBC =
1 0
28
Ahora calculamos PCB que es la inversa de la que acabamos de hallar. La calculamos por Gauss
mismamente:
1 1 1 0 F1 F2 1 0 0 1
1 1 1 0
1 0 0 1 F2 +F1 0 1 1 1
0 1 1 1
Entonces tenemos
PCB =
1
PBC
=
1 1
1 0
1
0 1
=
1 1
+ =1 =2
= 1 = 1
0 1
3 2
Ejemplo 20. Sean las bases de R2 B = {(1, 1), (1, 0)} y B 0 = {(2, 1), (0, 1)} hallar la matriz de cambio de base de B a B 0 .
Consideremos que un vector en la base B tiene coordenadas (t1 , t2 ) y en la base B 0 (x1 , x2 ). Entonces:
1
1
2
0
1 1
t1
2 0
x1
t1
+ t2
= x1
+ x2
1
0
1
1
1 0
t2
1 1
x2
| {z }
A
1
x1
2 0
1 1
t1
=
x2
1 1
1 0
t2
29
1
;
2
0
2
Adj(A)
t
=
1 0
;
1 2
Y, entonces, tenemos:
1 1 0
1
1 1 1
1 1
1
1
x1
t1
=
=
1 0
x2
t2
2 1 2
2 1 + 2 1
2 1 1
Ejemplo 21. Supongamos que tenemos la aplicacin lineal f : R2 R3 y sea B1 = {(0, 1), (1, 1)}
una base del espacio inicial o dominio y B2 = {(1, 1, 0), (0, 1, 1), (1, 0, 0)} una base del
espacio final o codominio. Supongamos que la matriz de f respecto de las bases B1 y B2 es:
1 1
MB1 B2 (f ) = 1 0
2 1
Calcule la expresin analtica de f .
Queremos calcular f (x, y) y el vector (x, y) viene dado por sus componentes, por tanto para poder
utilizar la matriz anterior tenemos que hallar las componentes del vector en la base B1 :
= x = x
(x, y) = (0, 1) + (1, 1) = (, + )
+ =y =x+y
Entonces las coordenadas de (x, y) respecto de B1 son (x + y, x). Ahora ya podemos utilizar la
matriz anterior:
1 1
x+y+x
2x + y
x+y
x+y
MB1 B2 (f )
= 1 0
= x y = x y
x
x
2 1
2x + 2y + x
3x + 2y
Con lo que hallamos las coordenadas respecto a B2 de la imagen de (x, y) f (x, y). Pero lo que
queremos son las componentes de f (x, y), por tanto hacemos:
(2x + y, x y, 3x + 2y) = (2x + y)(1, 1, 0) + (x y)(0, 1, 1) + (3x + 2y)(1, 0, 0) =
= (2x y, 2x + y, 0) + (0, x y, x y) + (3x 2y, 0, 0) = (5x 3y, x, x y)
Y esta es la expresin coordenada o la expresin analtica de f .
1.2.4.
30
Definicin 8. Llamamos imagen de f (Im f ) al conjunto de vectores de W que son imgenes bajo f
de vectores de V .
Im f = {w
~ W |~v V |f (~v ) = w}
~
Teorema 10. Si f : V W es una aplicacin lineal entre dos e.v. sobre un cuerpo K, se tiene que:
1. ker f es un subespacio vectorial de V
2. Im f es un subespacio vectorial de W
Ejemplo Calcular ncleo e imagen de las siguientes aplicaciones lineales.
Teorema 11. Dada una aplicacin lineal f : V W y un sistema generador de V , {~v1 , ~v2 , , ~vp },
se tiene que los vectores {f (~v1 ), f (~v2 ), , f (~vp )} forman un sistema generador de Im(f ).
Teorema 12. Sea f : V W una aplicacin lineal donde V es un e.v. de dimensin finita. Entonces
se verifica
dim(V ) = dim(ker f ) + dim(Im f )
Teorema 13. Sea f : V W una aplicacin lineal. Entonces:
1. f es inyectiva si y slo si ker f = {~0V }
2. f es sobreyectiva si y slo si Im f = W
Teorema 14. Sean V y W dos espacios vectoriales de dimensin n y f : V W una aplicacin
lineal. Entonces son equivalentes:
1. f es biyectiva
2. f es inyectiva
3. f es sobreyectiva
4. dimensin de Im(f ) = rang(f ) = n
5. dimensin de ker(f ) =nulidad de f = nul(f ) = 0
Ejemplo 22. Estudia la inyectividad y sobreyectividad de la aplicacin lineal del ejemplo 33.
Esto se podra hacer por definicin. Ver que es inyectiva, o sea, que si dos elementos tienen la misma
imagen coinciden, y ver que es sobreyectiva, ver que todo elemento del espacio final tiene imagen
inversa. Sin embargo, al tratarse de una aplicacin lineal esto se puede caracterizar a partir del rango
de una cualquiera de sus matrices. En el ejemplo 33 calculamos la matriz de f respecto de la base
cannica y respecto de la base B. Es decir, tenemos dos matrices de f y podemos utilizar cualquiera
de ellas, incluso la base inicial y la final pueden ser distintas. Lo que tenemos que hacer es calcular el
rango de una cualquiera de esas matrices. Por propiedades se cumple que estas matrices al representar
a la misma aplicacin lineal son equivalentes y por lo tanto van a tener el mismo rango. Elegimos por
ejemplo MB (f ):
0 1
0 1
= 3 6= 0
rang MB (f ) = rang
= 2 ya que
3 2
3 2
31
Ahora tenemos que ver si este rango es igual a la dimensin del espacio inicial, que en este caso al
tratarse de R2 es 2. Entonces como rang(f ) = dim R2 = 2 la aplicacin lineal es inyectiva. Y ahora
para ver si es sobreyectiva, por las propiedades de las aplicaciones lineales, tenemos que comprobar
si ese rango coincide con la dimensin del espacio final. Entonces, como rang(f ) = dim R2 = 2 f es
sobreyectiva. Y como f es inyectiva y sobreyectiva obtenemos que f es biyectiva. Y a una aplicacin
lineal biyectiva se la llama isomorfismo.
Ejemplo 23. Dado un endomorfismo en R3 con f (x, y, z) = (z, x + y, z). Caracterizar la
aplicacin.
Para ver si f es inyectiva calculamos el ncleo de f :
z=0
x + y = 0 x = y ; z = 0
f (x, y, z) = (0, 0, 0)
z = 0
Una base de ker f es entonces B = {(1, 1, 0)} y al ser distinta de {(0, 0, 0)} la aplicacin no es
inyectiva.
Para ver si f es sobreyectiva calculamos la imagen de f . Un sistema de generadores de Im f
vendr dado por:
{f (1, 0, 0), f (0, 1, 0), f (0, 0, 1)}
o lo que es igual
{(0, 1, 0), (0, 1, 0), (1, 0, 1)}
A partir de este sistema de generadores se obtiene la base de Im f :
{(0, 1, 0), 1, 0, 1}
No es sobreyectiva porque dim(Im f ) 6= dim R3 .
Ejemplo 24. Determinar si la siguiente aplicacin es lineal:
f : R3 R2 |f (x, y, z) = (x + y + z, 2x y)
32
, R y (x1 , x2 ), (y1 , y2 ) R2 se tiene que cumplir la igualdad f (~u + ~v ) = f (~u) + f (~v ), por
tanto:
f (~u + ~v ) = f [(x1 , x2 ) + (y1 , y2 )] = f (x1 + y1 , x2 + y2 ) = (x1 + y1 , x2 + y2 + 2, x1 + y1 + x2 + y2 )
f (~u) + f (~v ) = f (x1 , x2 ) + f (y1 , y2 ) = (x1 , x2 + 2, x1 + x2 ) + (y1 , y2 + 2, y1 + y2 ) = (x1 + y1 , x2 +
+ y2 + 4, x1 + x2 + y1 + y2 )
Comparando los resultados vemos que no son iguales, y por tanto, no es una aplicacin lineal.
Ejemplo 26. Hallar una base del ncleo y otra de la imagen y caracterizar la aplicacin:
f : R3 R2 |f (x, y, z) = (x + y + z, 2x y)
Calculamos una base del ncleo. Para ello buscamos unas ecuaciones paramtricas:
f (x, y, z) = (0, 0, 0)
y = 2x
x+y+z =0
x + 2x + z = 0 z = 3x
z = 3x
2x y = 0 y = 2x
3 incgnitas 2 ecuaciones = 1 parmetro. Por tanto:
x=
y = 2
z = 3
Y entonces una base del ncleo es {(1, 2, 3)}. Calculamos un sistema de generadores de la imagen
de f :
f (1, 0, 0) = (1, 2)
f (0, 1, 0) = (1, 1)
f (0, 0, 1) = (1, 0)
En R2 una base tiene dos vectores, luego tenemos que escoger dos de los tres que sean lienalmente
1 1
= 1 6= 0. Por lo que una base ser B = {(1, 0), (1, 1)}.
independientes, como por ejemplo
1 0
Ahora caracterizamos la aplicacin. Dado que el ncleo de f es distinto del {(0, 0, 0)}, la aplicacin
no es inyectiva. Como dim(Im f ) = dim R2 la aplicacin es sobreyectiva.
1.3.
33
34
El vector resultante no pertenece a A porque el trmino + puede ser cualquier nmero real y slo
nos vale el uno. Por tanto, A no es subespacio vectorial de R2 .
d) A = {(x, y) R2 : x Z, y N}.
(x, y) + (x0 , y 0 ) = (x + y, x0 + y 0 )
Como , R al hacer x + y podramos obtener cualquier nmero real que no tendra porque pertenecer a los enteros. Igualmente al hacer x0 + y 0 el nmero resultante no tendra porque pertenecer
a los naturales. Por tanto, el vector resultante no pertenece a A en todos los casos posible y entonces
A no es subespacio vectorial de R2 .
4. Dado el espacio vectorial real R4 consideramos los subespacios:
V1 = h(1, 2, 0, 1)i.
V2 = {(x, y, z, t) R4 : x y + z + t = 0, y z = 0}.
V3 = {(x, y, z, t) R4 : x = , y = + , z = , t = }.
Pertenece el vector ~
v = (2, 4, 0, 2) a alguno de estos subespacios?. En caso afirmativo calcular sus coordenadas en alguna de sus bases.
Un vector pertenece a un subespacio si se puede poner como combinacin lineal de los vectores
que conforman la base de ese subespacio.
V1 = h(1, 2, 0, 1)i
(2, 4, 0, 2) = (1, 2, 0, 1). Por tanto, como al multiplicar (1, 2, 0, 1) por el parmetro = 2 da
(2, 4, 0, 2) ese vector esta contenido en V1 , ~v V1 . Si elegimos como base de V1 al propio vector
(1, 2, 0, 1) la coordenada del vector ~v en esa base es 2.
V2 = {(x, y, z, t) R4 : x y + z + t = 0, y z = 0}.
Cogemos y z = 0. Como para y = 4, z = 4 6= 2, V2 no contiene al vector (2, 4, 0, 2).
V3 = {(x, y, z, t) R4 : x = , y = + , z = , t = }.
Las ecuaciones paramtricas son
x=
y =+
z=
t=
Un sistema de generadores de V3 es S = {(1, 1, 0, 0), (0, 1, 0, 1), (0, 0, 1, 0)}. A simple vista podemos
comprobar que es un sistema linealmente independiente, por lo que podemos tomarlo como una base
35
de V3 . Para hallar las coordenadas del vector (2, 4, 0, 2) respecto a esta base buscamos una combinacin lineal:
(2, 4, 0, 2) = (1, 1, 0, 0) + (0, 1, 0, 1) + (0, 0, 1, 0)
Ahora solucionamos el sistema:
=2
=2
+ =4
=2
=0
=0
(1.1)
+ 0 0 =
b + b0 c + c0
b c
b c
Como el elemento resultante pertenece a W , W es subespacio vectorial de V . Una base del subconjunto W es:
1 0
0 1
0 0
B=
,
,
0 0
1 0
0 1
b) W = {A M22 (R) : |A| = 0}
Demos un contraejemplo para demostrar que W no es subespacio vectorial de V . Sean
0 0
elementos de W , entonces
0 1
1 0
0 0
1 0
+
=
/W
0 0
0 1
0 1
1 0
0 0
y
/W
2 1
0 1
2 2
Adems,
otra forma
de demostrar que W no es subespacio vectorial de V , es viendo que el vector
0
0
nulo ~0 =
/ W.
0 0
36
d) W
= {A M22 (R) : tr(A) = 0}
a b
Sea
un elemento de W , entonces
c a
0
a b
a
b0
a + a0
b + b0
+ 0
=
c a
c a0
c + c0 (a0 + a0 )
Como la traza de la matriz resultante es cero, esta pertenece al subconjunto W y por tanto este es
subespacio vectorial de V .
6. En el espacio vectorial R3 , consideramos el sistema S = {(1, 1, a), (1, a, 1), (a, 1, 1)}. Estudiar, en funcin de a, la dimensin del subespacio vectorial engendrado por S, es decir, L(S).
Veamos para que valor de a se anula el determinante de la matriz A formada por el sistema:
1 1 a
1 a 1 = a + a + a a3 1 1 = a3 + 3a 2 = 0
a 1 1
1
0
3 2
1 1
2
1
1 1
2
0
1 2
1
1 2
0
2
2
1
0
(a 1)(a 1)(a + 2) = 0
a=1
a = 2
Hay que calcular el rango para cada valor de a, ya que en este caso rang A = dim L(S).
i) Para a = 1 todos los vectores son iguales y por tanto dim L(S) = 1.
ii) Para a = 2 tenemos que:
1 1
1 2 = 2 1 = 3 6= 0
Por tanto dim L(S) = 2.
iii) Para a 6= 1 y a 6= 2, dim L(S) = 3.
7. Consideremos el espacio vectorial V = {a + bx + cx2 : a, b, c R} con la suma y el producto por escalares habituales. Probar que el conjunto B = {1 + x, x + x2 , 1 + x2 } es una
base de V . Encontrar las coordenadas del polinomio p(x) = 2 x x2 en la base B. Puede
ser el conjunto C = {1, 1 x, 1 x2 , 1 x x2 } una base de V ?. De no ser as, obtenga a
partir de C, una base de V .
Veamos si B es una base de V :
1 0 1
1 1 0 = 1 + 1 = 2 6= 0
0 1 1
37
Por tanto, B es base de V . Encontramos ahora las coordenadas del polinomio p(x) = 2 x x2 en
la base B:
2=+
2
1 = + = 2
2 x x = (1, 1, 0) + (0, 1, 1) + (1, 0, 1)
1 = +
1 = 2 + = 3 1 = 3 + 2 = 2 = 1 ; = 1 ; = 2
Por tanto, las coordenadas del polinomio p(x) = 2 x x2 en la base B son (1, 2, 1).
El conjunto C no puede ser una base del espacio vectorial V , porque la dimensin de este es tres y
debe coincidir con el nmero de vectores de una base, por lo que al menos un vector ser linealmente
dependiente. Buscamos una base a partir del conjunto C:
1 0
0
1 0
0
1 0
0
1 1 0 F2 F1 0 1 0
0 1 0
1 0 1 F3 F1 0 0 1 F4 F1 0 0 1
F4 F1
0 0 1
0 1 1
1 1 1
Por tanto, una base de V es C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
8. Justifique la veracidad o falsedad de los siguientes enunciados:
a) En un espacio vectorial, todo sistema generador es libre y por tanto base.
b) En R3 todo sistema con menos de 3 vectores es libre.
c) En el espacio vectorial R3 [x], los vectores 2 x y 2x2 x3 son dependientes.
a) Falso, un sistema generador no siempre es libre, y por tanto no siempre es base.
b) Falso, por ejemplo el sistema {(1, 0, 0), (0, 0, 0)} no es libre porque contiene al vector cero.
c) Falso, son linealmente independientes porque no podemos poner uno como combinacin lineal del
otro.
9. Dadas las bases B1 = {(1, 2, 3), (3, 4, 0), (1, 1, 0)} y B2 = {(1, 1, 0), (0, 1, 1), (1, 0, 1)},
encuentra las coordenadas en B1 del vector cuyas coordenadas en B2 son (1, 1, 1).
En lugar de expresar cada vector de B2 como combinacin lineal de B1 , observemos que tenemos
las matrices de cambio de base de B1 a la base cannica
1 3 1
P = 2 4 1
3 0 0
y tambin B2 a la base cannica
1 0 1
Q = 1 1 0
0 1 1
Entonces si llamamos X1 , X2 y X a las coordenadas en las bases B1 , B2 y cannica, respectivamente,
tenemos que P X1 = X y QX2 = X y entonces P X1 = QX2 X1 = P 1 QX2 . Calculamos
38
entonces P 1 :
1 3 1 1 0
2 4 1 0 1
3 0 0 0 0
1 3
0 9
F3 2F2
0 0
1 3 0
F1 F3
0 1 0
91 F2
0 0 1
1 3
1
0
1
F2 2F1
0 0 2 1 2
F3 3F1
1
0 9 3 3
1
1 0 0
1
F2 F3
0
3 3 0 1
13 F3
3 12 9 2
0
2
3 3 3
1 0
1 F1 3F2
1 1 3
0 1
2
4 3 3
0 0
1 3
1
0 0
1 0 0
F2 =F3
1 0 0 9 3 3 0 1
F3 =9F2
0 1
0 18 9 18 9 0
3 1 1 0 0
9 0 9 9 3
0 1 4 3 23
1
0 0
0
3
0 1 1 13
1 4 3 23
P 1
0
0
1
1
= 3 3 1
3
12 9 2
Calculamos P 1 de la otra forma que deberamos recordar, para la que tenemos que seguir los siguientes pasos:
Aji
1
1
(Aji ) =
(aij ) (ij ) (Aij ) (Aji ) A =
|A|
|A|
Siendo ij los menores complementarios de cada elemento y Aij Hallamos |P | y solo si no es nulo
seguimos adelante:
1 3 1
2 4 1 = 9 12 = 3
3 0 0
Formamos una nueva matriz con los menores complementarios de cada elemento:
0 3 12
0 3 9
1 1 2
Cambiamos el signo alternativamente para obtener los adjuntos:
0
3 12
0 3 9
1 1 2
Trasponemos la matriz:
0
0 1
3 3 1
12 9 2
Dividimos cada elemento por |P |. Si no son divisibles, es ms cmodo sacar factor comn
P 1
0
0
1
1
= 3 3 1
3
12 9 2
1
:
|P |
39
Ahora calculamos
0
0
1
0
1
1
0 1 1
1 0 1
1
1
1
P 1 Q = 3 3 1 1 1 0 = 3 + 3 3 1 12 + 2 = 0 2 14
3
3
3
12 9 2
12 9 9 + 2 12 + 2
3 7 14
0 1 1
Por ltimo usamos esta matriz para calcular las coordenadas del vector cuyas coordenadas en B2 son
(1, 1, 1):
0 1 1
1+1
2
1
1
1
1
0 2 14
2 + 14
16
1 =
=
3
3
3
3 7 14
3 7 + 14
10
1
10. Un vector ~
v R3 tiene las coordenadas (1, 2, 1) expresado en la base B1 = {v1 , v2 , v3 }.
Determina sus coordenadas en la base B2 = {w1 , w2 , w3 } sabiendo que v1 = w1 w3 , v2 =
= w2 + w3 , v3 = w1 + w2 w3 . Expresa matricialmente el cambio de base de B1 a B2 .
Si las coordenadas de x en la base B1 son (1, 2, 1) entonces
x = v1 + 2v2 + v3 = w1 w3 + 2w2 + 2w3 + w1 + w2 w3 = 2w1 + 3w2
Por tanto, las coordenadas de x en la base B2 son (2, 3, 0). El cambio de base de B1 a B2 expresado
matricialmente es:
1 0 1
PB2 B1 = 0 1 1
1 1 1
40
1.4.
f (1, 0, 0) = (0, 1, 0)
0 0 1
f (0, 1, 0) = (0, 1, 0) 1 1 0
f (0, 0, 1) = (1, 0, 1)
0 0 1
41
f (0, 1) = (1, 0)
0 1
1 0
1 1
f (1, 0) = (1, 0, 2)
0 0
f (0, 1) = (1, 0, 5)
2 5
1. c) f : P3 [x] P3 [x], dada por f [p(x)] = xp0 (x)
La base cannica de P 3 [x] es B = {1, x, x2 , x3 }. Por tanto
f (1) = 0
0 0
f (x) = x
0 1
0 0
f (x2 ) = 2x2
f (x3 ) = 3x3
0 0
0
0
2
0
0
0
0
3
1
1 0
0 1
0 0
0 0
a = 1, b = 1,
=a
+b
+c
+d
0
0 0
0 0
1 0
0 1
c = 0, d = 0.
1
1
0
1
1 0 0
1 1 0
0 0 0
0 1 1
42
y=0
Luego el ncleo est generado por el vector (0, 0), por lo que podemos decir que la aplicacin es
inyectiva.
Estudiemos la imagen de f:
f (1, 0) = (1, 0, 2)
f (0, 1) = (1, 0, 5)
Por tanto, la imagen de f est generada por los vectores (1, 0, 2) y (1, 0, 5). Como estos vectores son
linealmente independientes una base de la imagen de f viene dada por el conjunto {(1, 0, 2), (1, 0, 5)}.
1. c) f : P3 [x] P3 [x], dada por f [p(x)] = xp0 (x)
Ker f :
f [p(x)] = 0 xp0 (x) = 0
Para los polinomios constantes, p(x) = C, la derivada es cero, p0 (x) = 0, y entonces xp0 (x) = 0. Por
tanto una base del ncleo de f es {1}.
Im f :
Im[p(x)] = {1, x, x2 , x3 }
pues la derivada de un polinomio de grado menor o igual que tres es un polinomio de grado menor
o igual que dos, pero al estar multiplicada la derivada por x, este polinomio vuelve a ser de grado
menor o igual que tres.
1. e) f : R3 M22 (R) dada por
x xy
f (x, y, z) =
0 y+z
Ker f :
x=0
0 0
f (x, y, z) =
x y = 0 Ker f = {(0, 0, 0)}
0 0
y+z =0
Im f :
1
f (1, 0, 0) =
0
0
f (0, 1, 0) =
0
0
f (0, 0, 1) =
0
1
0
1
1 1
0 1
0 0
Im f =
,
,
1
0 0
0 1
0 1
0
1
43
Im f :
f (1, 0, 0) = (0, 1, 0)
f (0, 1, 0) = (0, 1, 0) Im f = {(0, 1, 0), (1, 0, 1)}
f (0, 0, 1) = (1, 0, 1)
2. b) f : R3 R2 dada por f (x, y, z) = (x + y, 0)
Ker f :
f (x, y, z) = (0, 0) x + y = 0 y = x Ker f = {(1, 1, 0), (0, 0, 1)}
Im f :
f (1, 0, 0) = (1, 0)
f (0, 1, 0) = (1, 0) Im f = {(1, 0)}
f (0, 0, 1) = (0, 0)
2. c) f : R2 R2 dada por f (x, y) = (y, x)
Ker f :
y=0
Ker f = {(0, 0)}
x=0
Im f :
f (1, 0) = (0, 1)
Im f = {(1, 0), (0, 1)}
f (0, 1) = (1, 0)
2. d) f : R3 R2 dada por f (x, y, z) = (y, z)
Ker f :
y=0
Ker f = {(0, 0, 0), (1, 0, 0)}
z=0
Im f :
f (1, 0, 0) = (0, 0)
f (0, 1, 0) = (1, 0) Im f = {(1, 0), (0, 1)}
f (0, 0, 1) = (0, 1)
5. De una funcin f : R3 R2 sabemos:
f (1, 1, 0) = (2, 1).
f (0, 1, 2) = (1, 1).
f (3, 0, 1) = (0, 3).
Se pide:
a) Calcula f (4, 2, 3).
b) Est bien definida la funcin, es decir, podemos calcular la imagen de cualquier vector de
R3 ?
c) Si consideramos la matriz que tiene las tres imgenes en fila, es decir,
2 1
1 1
0 3
44
R3 R3 R2
C 1a B 2a C
se tiene que la matriz asociada a f respecto de la base cannica es MC (f ) = MBC (f )PCB . Tenemos
que PBC es:
1
0 3
1 1 0
0
2 1
Calculamos su inversa:
1
0
3
1
1
2
1 2 ;
|PCB | = 1 1 0 = 1 6 = 7 6= 0; Adj(PCB ) = 6
0
2 1
3 3 1
1 6 3
1 6
3
t
1
Adj(PCB )
1
1 3 ; PBC
= 1 1 3
Adj(PCB )t = 1
=
|PCB |
7
2
2
1
2 2 1
Calculamos ahora la matriz MC (f ):
MC (f ) =
1
7
1 6 3
1 1 13 3
2 1 0
1 1 3
=
1 1 3
7 6 1 3
2
2
1
45
4 = + 3
2 =
(4, 2, 3) = (1, 1, 0) + (0, 1, 2) + (3, 0, 1)
3 = 2 +
1 0 3 4
1
0 3 4
1 0 3 4
F2 +F1
1 1 0 2 0 1 3 2 0 1 3 2
F3 +2F2
0
2 1 3
0 2 1 3
0 0 7 7
=1
4 = + 3
2 = + 3 = 3 2 = 1 =
7 = 7
= 4 3 = 1 =
Por tanto, las coordenadas del vector (4, 2, 3) en la base B son (1, 1, 1) y ahora podemos calcular
su imagen.
1
2 1 0
3
1 =
1 1 3
5
1
Otra forma de resolverlo es calculando la matriz MC (f ) directamente. Tenemos que
1
a b c
2
ab=2
1 =
d e f
1
de=1
0
0
b + 2c = 1
1
a b c
1 =
1
e + 2f = 1
d e f
2
3
a b c
0
3a + c = 0
0 =
d e f
3
3d + f = 3
1
y entonces podemos formar los sistemas
ab=2
b + 2c = 1
3a + c = 0
de=1
e + 2f = 1
3d + f = 3
b = 2c 1;
3(2 + b) + c = 0 6 + 3b + 2c = 0 6 + 3(2c 1) + c = 0
3
3 + 7c = 0 c = ;
7
6
13
b= 1= =b;
7
7
a=2
13
1
=
=a
7
7
e = 2f 1;
7f 3 = 0 f =
3
;
7
3(e + 1) + f = 3 3e + 3 + f = 3 3(2f 1) + f = 0
e=
6
1
1=
=e;
7
7
1
6
d= +1=
=d
7
7
46
4 = + 3
2 =
3 = 2 +
que ya resolvimos anteriormente. Entonces tenemos que
f (4, 2, 3) = f (1, 1, 0) + f (0, 1, 2) + f (3, 0, 1) = (2, 1) + (1, 1) + (0, 3) = (3, 5)
b)Para ver si podemos calcular la imagen de cualquier vector de R3 comprobamos que la dimensin
de la base B es 3:
1
0
3
1 1 0 = 1 6 = 7 6= 0
0
2 1
Entonces, como los vectores de la base son linealmente independientes podemos calcular la imagen
de cualquier vector de R3 .
c) Se refiere a la base cannica de R2 .
d)
1 1 13 3
MC (f ) =
7 6 1 3
e) Tal como vimos en el ejemplo 22, tenemos que calcular primero el rango de una matriz de la
aplicacin como por ejemplo el de la MC (f ):
1
1
13
3
13
1
78
77
7
7
7 =
+
=
6= 0
= 2 ya que 76
rang MC (f ) = rang 76
1
3
1
7
7
49 49
49
7
7
7
Ahora vemos si el rango es igual a la dimensin del espacio inicial. Como rang(f ) = 2 6= rang R3 =
3 la aplicacin lineal no es inyectiva. Y ahora tenemos que comprobar que la dimensin del espacio
final coincide con ese rango. Como rang(f ) = rang R2 = 2 la aplicacin lineal es sobreyectiva.
6. Consideremos el endomorfismo de R3 dado por f (x1 , x2 , x3 ) = (x1 + x2 + x3 , x1 + x2 x3 , x3 ).
Determina:
a) ker(f )
b) Im(f )
c) f (V ) con V = {(x, y, z) R3 : x + y + z = 0} d) La matriz en la base cannica. e) Matriz en la base B = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}. f) Relacin entre ambas matrices.
47
a) Ncleo
Para que (x1 , x2 , x3 ) Ker(f ), se tiene que cumplir que (y1 , y2 , y3 ) = (0, 0, 0), entonces:
x 1 + x2 + x3 = 0
x1 =
x2 = x1
x1 + x2 x3 = 0
x2 =
x3 = 0
x3 = 0
x3 = 0
Por lo tanto el ncleo de f est generado por el vector (1, 1, 0).
b) Imagen
Un elemento genrico de la imagen es:
(y1 , y2 , y3 ) = (x1 + x2 )(1, 1, 0) + x3 (1, 1, 1)
siendo (1, 1, 0) y (1, 1, 1) dos vectores linealmente independientes y por lo tanto base de la Im(f ).
Otra forma de hallarla es calcular la imagen de los vectores de la base que nos dar un sistema
generador de Im(f )
f (1, 0, 0) = (1, 1, 0)
f (0, 1, 0) = (1, 1, 0)
f (0, 0, 1) = (1, 1, 1)
Si nos quedamos con los vectores linealmente independientes, tendremos la base buscada.
c) f (V )
La imagen de V vendr dada por:
f (x, y, z) = (0, x + y z, z) = (0, 2(x + y), (x + y)) = (x + y)(0, 2, 1)
luego f (V ) vendr generada por el vector (0, 2, 1)
Otra forma ser calcular una base del subespacio V y aplicar el Teorema 11,
x=
y=
x + y + z = 0 z = x y
z =
Por lo cual, aplicando f a una base de V tenemos que:
f (1, 0, 1) = (0, 2, 1)
f (0, 1, 1) = (0, 2, 1)
sistema generador de la Im(V ), siendo B = {(0, 2, 1)} una base.
d) La matriz de f en la base cannica es
1 1 1
MC (f ) = 1 1 1
0 0 1
e) La matriz en la base B es la que tiene como columnas las coordenadas respecto de la base B de la
imagen de los vectores de esa misma base B.
2=+
2 = + = 2 ;
f (1, 1, 0) = (2, 2, 0) = (1, 1, 0) + (1, 0, 1) + (0, 1, 1)
0=+
2=2+
=0
=0;
+ =0
=0;
=2;
48
2=+
3
2=
f (1, 0, 1) = (2, 0, 1) 0 = + =
3 = 2 = ;
1=+
2
1=+
3
43
1
1
3
1 3 1
=2 =
=
= ; = 1 = = ; f (1, 0, 1) =
, ,
2
2
2
2
2
2 2 2 B
f (0, 1, 1) = (2, 0, 1) =
1 3 1
, ,
2 2 2
B
Entonces la matriz es
1
2 12
4
1
1
2
1
3
3
= 0 3
MB (f ) = 0 23
2
2
1
1
0 2 2
0 1 1
f) Teniendo en cuenta el esquema
f
R3 R3 R3 R3
B 1a C 2a C 3a B
tenemos que la relacin entre ambas matrices es:
MB (f ) = PCB MC (f )PBC
Comprobamos que obtenemos la misma matriz que en el apartado anterior. La matriz PBC es
1 1 0
PBC = 1 0 1
0 1 1
Calculamos su inversa:
1 1 0
1
|PBC | = 1 0 1 = 1 1 = 2 6= 0; Adj(PBC ) = 1
0 1 1
1
1 1 1
Adj(PC B)t
1
Adj(PBC )t = 1 1 1 ; PCB = PBC
=
|PBC |
1 1 1
1 1
1 1 ;
1 1
1
1 1
1
= 1 1 1
2
1 1
1
Calculamos ahora MB (f ):
1
1 1
1 1 1
1 1 0
2 2 1
1 1 0
4 1
1
1
1
1
1 1 1 1 1 1 1 0 1 = 0 0 3 1 0 1 = 0 3
3
2
2
2
1 1
1
0 0 1
0 1 1
0 0 1
0 1 1
0 1 1
1.5.
49
1 2 3 4
2 2 2 6 ;
0 2 4 4
Por tanto, dim(F ) = 3 y entonces el conjunto {a, b, d} es una base de f . Calculamos ahora la dimensin de G. La matriz
1 0 1 2
2 3 0 1
1 0
=
formada por los vectores d y e tiene rango 2 como podemos ver a ojo, ya que por ejemplo
2 3
3 6= 0, y entonces dim(G) = 2. Por tanto, una base de G es {d, e}.
Sea x F G, entonces, x = a + b + c = (1, 2, 3, 4) + (2, 2, 2, 6) + (0, 2, 4, 4) = ( +
2, 2 + 2 + 2, 3 + 2 + 4, 4 + 6 + 4) y x = md + ne = m(1, 0, 1, 2) + n(2, 3, 0, 1) =
(m + 2n, 3n, m, 2m + n). Resolvemos el sistema:
+
2
=
m
+
2n
+
2
2n
=
0
1
2
0
1
2
2 2 2 0 3
2 + 2 + 2 = 3n
2 + 2 + 2 3n = 0
3 2 4 1
3 + 2 + 4 = m
3 + 2 + 4 + m = 0
0
4 + 6 + 4 = 2m + n
4 + 6 + 4 2m n = 0
4 6 4 2 1
1 2 0 1 2
F2 2F1 0 2 2
2
1
0 4 4 4
6 F3 2F2
F3 3F1
F4 4F1
F4 F2
0 2 4 2
7
1 2 0 1 2
0 2 2 2
1
0 0 0 0
4
0 0 2 0
6
4n = 0 n = 0
2 + 6n = 0 = 0
2 + 2 + 2m + n = 0
2 = 2m = m
+ 2 m 2n = 0
= m
50
+ =3
+ = 0
3, 0, 3, 4) = (1, 1, 0, 0) + (0, 0, 1, 1) + (1, 0, 1, 0) + (0, 1, 0, 1)
+ =3
+ = 4
=3
= 4
=3
= 5 ; = 2 ; = 2
=3+4+=7+
= 4
= 3 7 2 = 4 = 2
=
Por tanto, las coordenadas del polinomio 3 + 3x2 4x3 expresado en la base B tiene las coordenadas
(2, 2, 5, 2)B .
51
1
2
1
=
2
1 0 1
1 1
1 0
=
0 2
1 1
2 2 2
3
1 3
0 1
2
=
= 2
2 2
3
1
2 2
52
1. Tenemos los vectores (1, 1, 1, 0) y (0, 0, 0, 1), y queremos calcular dos vectores ms de nuestro
endomorfismo, que sean linealmente independientes, para tener una base del mismo. Nos dan las
ecuaciones cartesianas del ncleo, por tanto, calculamos las ecuaciones paramtricas para obtener
una base del mismo:
x=
y=
{(1, 0, 1, 0), (0, 1, 1, 0)}
z
=
t=0
Veamos entonces que el conjunto {(1, 0, 1, 0), (0, 1, 1, 0), (1, 1, 1, 0), (0, 0, 0, 1)} es linealmente
independiente y, por tanto, es una base de nuestro endomorfismo:
1
0
1
0
0 1 0
1
0
1
1 1 0
= 0 1 1 = 1 + 1 + 1 = 3 6= 0
1 1 0
1 1 1
0 0 1
El conjunto es por tanto una base a la que llamaremos B. Calculamos entonces la matriz de f respecto
a la base B. Los vectores (1, 0, 1, 0) y (0, 1, 1, 0) tienen como imagen al vector nulo por pertenecer
al ncleo de f . Los (1, 1, 1, 0) y (0, 0, 0, 1) al transformarse en s mismos tienen como coordenadas
en la base B a (0, 0, 1, 0)B y (0, 0, 0, 1)B , respectivamente. La matriz de f respecto a la base B queda
entonces:
0 0 0 0
0 0 0 0
MB (f ) =
0 0 1 0
0 0 0 1
Para hallar la matriz de f respecto a la base cannica C, tendremos en cuenta el siguiente esquema:
f
R4 R4 R4 R4
C 1a B 2a B 3a C
La matriz de paso de la base B a la base cannica C viene dada por:
PBC
1
0 1
0
1 1
=
1 1 1
0
0 0
0
0
0
1
53
1
0 1 0 1 0 0 0
1 0 1 0 1
0
F3 +F1 0 1 1 0 0
1
1
0
0
1
0
0
1 1 1 0 0 0 1 0 0 1 2 0 1
0
0 0 1 0 0 0 1
0 0 0 1 0
1 0 0 0 2/3
1 0 1 0 1 0 0 0
0 1 1 0 0 1 0 0 13 F3 0 1 0 0 1/3
0 0 1 0 1/3
0 0 3 0 1 1 1 0 F1
13 F3
1
F2 3 F3
0 0 0 1 0 0 0 1
0 0 0 1
0
Calculamos ahora MC (f ):
1
0
1
0
1
MC (f ) =
1
1
3
0
0
2 1 1 0
1 2 1 0
=
1
1
1 0
0
0
0 3
0
0
0 0
0 0
1
0
1 1 1
1
1 1 1
3 1 1 1
0 0 0
1
1
1
0
0
0
0
0
0 0
2 1 1
0 0 1 2 1
1 0 1
1
1
0 1
0
0
0
0
1/3 1/3 1/3
1/3 1/3 1/3
0
=
0 1/3 1/3 1/3
3
0
0
0
0
1
0
0
0
0
1
0
0
0
3 +F2
F
0
1
1/3 1/3 0
2/3 1/3 0
1/3
1/3 0
0
0
1
0 0
0
0 1 0 0
=
0 3 0 0
0 0
3
0
0
0
1
1
1
1
0
0
0
0
1
x=
x+y+zt=0
y=
t=0
x + y + z = 0x y = 0
z = 2
x y + 2t = 0
t=0
Una base del subespacio es entonces {(1, 1, 2, 0)}. Calculamos su imagen por f :
1/3 1/3 1/3 0
1
0
1/3 1/3 1/3 0 1 0
1/3 1/3 1/3 0 2 = 0
0
0
0 1
0
0
Tambin podramos haber visto que el vector (1, 1, 2, 0) es combinacin lineal de los vectores que
forman la base del ncleo, ya que (1, 1, 2, 0) = (1, 0, 1, 0) + (0, 1, 1, 0), y por tanto, pertenece
al ncleo, por lo que la base de la imagen por f del subespacio vectorial es el vector nulo.
6. Sea f : R3 R2 la aplicacin lineal dada por
f (x, y, z) = (x + 2y z, 2x y + 3z),
(x, y, z) R3 ,
y sean B1 = {(1, 0, 1), (1, 1, 0), (0, 1, 1)} y B2 = {(1, 3), (2, 1)} bases de R3 y R2 respectivamente.
a) Determine la matriz de f en las bases cannicas.
b) Determine la matriz de f en las bases B1 y B2 .
54
0 = + 2 = 2
5
f (1, 0, 1) = (0, 5) = (1, 3) + (2, 1)
5 = 3 5 = 6 =
7
=
10
7
f (1, 1, 0) = (3, 1)
3 = + 2 = 3 2
1 = 3(3 2) 1 = 9 7
1 = 3
16
21 16
5
8
; =3
=
=
=
7
7
7
7
5
1 = + 2
f (0, 1, 1) = (1, 2)
1 = + 6 4 7 = 5 =
2 = 3 = 3 2
7
7 = 8 =
15 14
1
=
=
7
7
7
10 5
,
7
7
, f (1, 1, 0) =
B2
5 8
,
7 7
, f (0, 1, 1) =
B2
5 1
,
7 7
R3 R3 R2 R2
B1 1a C1 2a C2 3a B2
tenemos que la matriz MB1 B2 (f ) es:
MB1 B2 (f ) = PC2 B2 MC1 C2 (f )PB1 C1 = PB12 C2 MC1 C2 (f )PB1 C1
Las matrices PB1 C1 y PB2 C2 son:
PB1 C1
1 1 0
= 0 1 1 ;
1 0 1
PB2 C2 =
1 2
3 1
B2
55
MB1 B2 (f ) =
1 1 0
1 1 0
1 5 0 5
1 2
1 2 1
0 1 1 =
0 1 1 =
3 1
2 1 3
7 1 7 6
1 0 1
1 0 1
x=
y=
B(W ) = h(1, 0, 1), (0, 1, 1)i
z =
Como los vectores (1, 0, 1) y (0, 1, 1) pertenecen
cannica es:
1
0
0
1
1 1
a
b
c
1
0 a
1
0
1 + a = 0 a = 1
0
1 + b = 0 b = 1
1 b
1 = 0
1 1 + c = 0 c = 2
1 1 c
1
0
Por tanto la matriz de f en la base cannica es:
1
0 1
1 1
MC (f ) = 0
1 1 2
56
a+a=0a=0
a b
a c
0 0
b + c = 0 b = c
+
=
c d
b d
0 0
d+d=0d=0
Entonces un elemento tpico de U es ~u =
0 x
0 1
. Y una base del subespacio es
,
x 0
1 0
57
x+f (x)
2
xf (x)
.
2
x + f (x)
f (x) + f (f (x))
x + f (x)
)=
=
2
2
2
f (x) x
x f (x)
x f (x)
)=
=
2
2
2
Comprobamos que V = U W :
f(
x = f (x) = x x = 0
10. Sean S3 (R) y A3 (R) los conjuntos de matrices simtricas y antisimtricas 3 3, respectivamente.
1. Pruebe que son subespacios vectoriales de M3 (R). Obtenga una base de cada uno as
como su dimensin.
2. Demuestre que S3 (R) A3 (R) = M3 (R).
3. Si f : S3 (R) A3 (R) es la aplicacin lineal dada por
d a b
0 a b
f a e c = a 0 c
b c f
b c
0
halle la matriz de f respecto a las bases construidas en el primer apartado.
58
0 0 0
a e f
a + a0 e + e0 f + f 0
a e f
e b g + e0 b0 g 0 = e + e0 b + b0 g + g 0 S3 (R)
f + f 0 g + g 0 c + c0
f 0 g 0 c0
f g c
0
a b
0
a0 b 0
0
a + a0 b + b0
0
c + c0 A3 (R)
a 0 c + a0 0 c0 = a a0
b c 0
b0 c0 0
b b0 c c0
0
0 1 0
0 0 1
0 0 0
0 0 0
0 0 0
1 0 0
BS3 (R) = 0 0 0 , 1 0 0 , 0 0 0 , 0 1 0 , 0 0 1 , 0 0 0
0 0 0
0 0 0
1 0 0
0 0 0
0 1 0
0 0 1
0 0 1
0 0 0
0 1 0
BA3 (R) = 1 0 0 , 0 0 0 , 0 0 1
0 0 0
1 0 0
0 1 0
f (~v2 ) = 1w
~ 1 + 0w
~ 2 + 0w
~3
0 1 0 0 0 0
f (~v3 ) = 0w
~ 1 + 1w
~ 2 + 0w
~3
0 0 1 0 0 0
f (~v4 ) = 0w
~ 1 + 0w
~ 2 + 0w
~3
0 0 0 0 1 0
f (~v5 ) = 0w
~ 1 + 0w
~ 2 + 5w
~3
f (~v6 ) = 0w
~ 1 + 0w
~ 2 + 0w
~3
1.6.
59
n
X
i(xi + yi ) = 0
i=1
60
0 0
0
0 1
0 0 0
0 1
0 0 0
0 1
0 1 1 1 1 F4 +F2 0 1 1 1 1 F4 2F3 0 1 1 1 1
0 0 1 0 1 0 0 1 0 1 0 0 1 0 1
0 1 1 1 1
0 0 2 0 2
0 0 0
0 0
Por tanto, B = {t4 , t4 t3 t2 + t, t4 t2 } es una base de hCi.
b)
(0, 0, 0, 0, 1) = 1(0, 0, 0, 0, 1) + 0(0, 1, 1, 1, 1) + 0(0, 0, 1, 0, 1)
(0, 1, 1, 1, 1) = 0(0, 0, 0, 0, 1) + 1(0, 1, 1, 1, 1) + 0(0, 0, 1, 0, 1)
(0, 0, 1, 0, 1) = 0(0, 0, 0, 0, 1) + 0(0, 1, 1, 1, 1) + 1(0, 0, 1, 0, 1)
(0, 1, 1, 1, 1) = a(0, 0, 0, 0, 1) + b(0, 1, 1, 1, 1) + c(0, 0, 1, 0, 1)
0=0
1 = b
1 = b c c = 2
1 = b
1=a+b+c1=a1+2a=0
Comprobamos que (0, 1, 1, 1, 1) + 2(0, 0, 1, 0, 1) = (0, 1, 1, 1, 1). c)
1 0 0
0 0
0 0 0
0 1
0 1 1 1 1
0 0 1 0 1
0 0 0
1 0
B = {1, t4 , t4 t3 t2 + t, t4 t2 , t3 }
5 (SEPTIEMBRE 2010). Considere el espacio vectorial R2 [t] con la base usual B = {1, t, t2 }.
a) Demuestre que el conjunto C = {t + 1, t 1, t2 + 2t} es una base de R2 [t].
b) Determine Q inversible de modo que B [u] = C [u]Q.
c) Demuestre que es lineal la aplicacin T : R2 [t] 7 R2 [t] dada por T (p(t)) := tp0 (t) + p(t).
Calcule la matriz de T en la base B. Es inyectiva? y sobreyectiva?
61
a) Escribiendo las coordenadas de los vectores de la base C respecto de los de la base B tenemos:
1 1 0
1 1 2 = 1 + 1 = 2 6= 0
0 0 1
b) Como trabajamos por columnas buscamos P tal que B [u] = P C [u] siendo P = Qt de modo que
B [u] = C [u]Q. Para pasar de las coordenadas de un vector en la base C a las de la base B usamos
la matriz PCB . Sabemos que PBC es:
1 1 0
1 1 2
0 0 1
1 1 0
1
1
2
1 0 ;
Adj(PBC ) = 1
Adj(PBC )t = 1 1 2
2 2 2
0 0 2
1/2 1/2 1
PCB = 1/2 1/2 1
0
0
1
Y entonces la matriz que nos piden es:
1/2 1/2 0
Q = 1/2 1/2 0
1 1 1
c)
T (p) + T (q) = (tp0 + p) + (tq 0 + q)
T (p + q)0 = t(p + q)0 + (p + q) = tp0 + tq 0 + p + q = (tp0 + p) + (tq 0 + q)
Es aplicacin lineal.
T (1) = 1
1 0 0
T (t) = 2t MB (f ) = 0 2 0
T (t2 ) = 3t2
0 0 3
Tiene que ser dim(R2 [t]) = dim(ker(f )) + dim(Im(f )). dim(Im(f )) = rang(MB (f )) = 3 =
dim(R2 [t]). Por tanto la aplicacin lineal es sobreyectiva. Y como dim(ker(f )) = dim(R2 [t])
dim(Im(f )) = 3 3 = 0 tambin es inyectiva.
6 (ENERO 2011). Se considera el endomorfismo f en R3 dado por f (x, y, z) = (x + z,
x + y + z, y z).
a) Determine la matriz de f en la base B = {(1, 0, 1), (0, 1, 0), (0, 0, 1)}.
b)Calcule el valor de para el cul, dim(ker(f )) = 1.
c) Para dicho valor de , calcule una base del ncleo y otra de la imagen de f .
d) Para qu valores de es f un isomorfismo?
62
a)
f (1, 0, 1) = (2, 1 + , 1) = a(1, 0, 1) + b(0, 1, 0) + c(0, 0, 1) a = 2, b = 1 + , c = 3
f (0, 1, 0) = (0, 1, 1) a = 0, b = 1, c = 1
f (0, 0, 1) = (1, , 1) a = 1, b = , c = 2
2
0 1
MB (f ) = 1 + 1
3
1 2
b) dim(R3 ) = dim(ker(f )) + dim(Im f ) dim(Im f ) = dim(R3 ) dim(ker(f )) = 3 1 = 2 =
rang(MB (f ))
2
0 1
1 + 1 = 4 1 + + 3 2 = 2 = 0 = 2
3
1 2
Para = 2 dim(Im f ) = 2 y, por tanto, dim(ker(f )) = 1.
c) Usando la base cannica:
x+z =0
x =
x+z =0
x + y 2z = 0
y=
yz =0
z=
1 1 0
f (1, 0, 0) = (1, 1, 0)
f (0, 1, 0) = (0, 1, 1)
1 = 1 1 + 2 = 0 6= 0
0 1
1 2 1
f (0, 0, 1) = (1, 2, 1)
Im f = {(1, 1, 0), (0, 1, 1)}.
d) Para 6= 2 f es un isomorfismo, ya que dim(Im f ) = 3 y dim(ker(f )) = 0.
7 (SEPTIEMBRE 2011). Sea {u, v, w} un conjunto linealmente independiente en un espacio
vectorial V (K), con K = R C. Se definen los vectores x = u + (1 )v, y = v + (1
)w, z = w + (1 )u. Analice la independencia lineal del conjunto {x, y, z}.
1
0
0
1 = 2 + (1 )3 = 3 + (1 2 + 2 )(1 ) = 3 + 1 2 + 2 +
1
0
+ 22 3 = 32 3 + 1 = 0
9 12
3 3
1
=
= i 3
=
6
6
2
Para K = R no hay valores
de que hagan que el conjunto sea linealmente dependiente. Sin embargo,
1
en K = C, para = 2 i 3 el conjunto es linealmente dependiente y para el resto de valores de
es linealmente independiente.
3
Tema 2
Diagonalizacin de endomorfismos
Definicin 1. Dado un espacio vectorial V sobre un cuerpo K diremos que el endomorfismo f :
V V es diagonalizable si existe una base de V tal que la representacin de f en la base sea una
matriz diagonal D.
Definicin 2. Sea V un espacio vectorial sobre un cuerpo K y f : V V una aplicacin lineal
(endomorfismo). Diremos que un subespacio vectorial W de V es f -invariante si f (W ) W .
Definicin 3. Sea f : V V un endomorfismo. Un vector ~v 6= ~0 de un espacio vectorial V sobre un
cuerpo K se llama autovector o vector propio de un endomorfismo si K tal que f (~v ) = ~v . A
este valor K se le llama autovalor o valor propio del endomorfismo f asociado al autovector ~v .
Definicin 4. Sea f : V V un endomorfismo. Al conjunto P = {~v V |f (~v ) = ~v } se le llama
subespacio propio del endomorfismo f asociado al autovalor .
Propiedades:
P es un subespacio vectorial de V , formado por los autovectores de f asociados a y por
~0V .
Si ~v es un autovector de f , ~v lleva asociado un nico autovalor.
Dada la aplicin identidad I : V V , se tiene P = Ker(f In ).
En dimensin finita
dim(P ) = dim(V ) dim(Im(f Id)) = dim(V ) rang(f Id)
2.1.
Definicin 5. Sea A Mn (K). Decimos que una matriz columna no nula X Mn1 (K) es un
autovector o vector propio de la matriz A si existe un escalar K tal que XA = X. A este valor
K se le llama autovalor o valor propio de la matriz A asociado al autovector X.
Proposicin 1. Sea f : V V un endomorfismo del espacio vectorial V sobre K, y A la matriz
asociada a f en una cierta base B. Entonces:
1. K es autovalor de f K es autovalor de A.
2. Si X es la matriz columna formada por las coordenadas de un vector ~x V en la base B,
entonces
~v es un autovector X es un autovector
de f asociado a
de A asociado a
63
64
2.2.
Clculo de Autovalores
3 25
35
3 9 + 16
=
=
1 = 4; 2 = 1
=
2
2
2
Calculamos ahora los subespacios propios correspondientes a cada autovalor, teniendo en cuenta que
P = Ker(f In ). Para el autovalor 4 tenemos
x + 2y = 0
x = 2
1 2
x
0
P4 = Ker(M 4I2 ) =
=
x = 2y
2 4
y
0
2x 4y = 0
y=
65
Por lo que el subespacio propio asociado al autovalor 4 es P4 = h(2, 1)i. Calculamos ahora el
subespacio asociado a 2 = 1:
P1 = Ker(M + I2 ) =
4 2
2 1
x
0
x=
=
2x + y = 0 y = 2x
y
0
y = 2
2 1 0
f (1, 0, 0) = (2, 1, 1)
M = MC (f ) = 1 0 1
f (0, 1, 0) = (1, 0, 3)f (0, 0, 1) = (0, 1, 1)
1 3 1
El polinomio caracterstico se obtiene calculando el determinante |M I3 |, donde I3 es la matriz
identidad de orden 3. As
2 1
0
1 = (2 )(1 ) + 1 3(2 ) + (1 ) =
p() = |M I2 | = 1
1
3 1
= (2 2 + 2 ) + 1 6 + 3 + 1 = (2 3 + 2 ) + 2 4 = 2 + 32
3 + 2 4 = 3 + 32 4
Igualando el polinomio caracterstico a cero obtenemos la ecuacin caracterstica 3 32 + 4 = 0.
Obtenemos las races de la ecuacin caracterstica utilizando el mtodo de Ruffini:
1 3 0
4
2
2 2 4
1 1 2 0
2
2
2
p() = 3 32 + 4 = ( + 1)( 2)2
1 1
0
1
1
1 0
Por tanto, los autovalores son 1 = 2 doble y 2 = 1 simple. Calculamos ahora los subespacios
propios correspondientes a cada autovalor, teniendo en cuenta que P = Ker(f In ). Para el
autovalor 2 tenemos
0
1
0
x
0
y=0
y = 0
x 2y + z = 0
P4 = Ker(M 2I2 ) = 1 2 1
1
3 1
z
0
x + 3y z = 0
x=
x=0
y=0
x=z
z=
Por lo que el subespacio propio asociado al autovalor 2 es P4 = h(1, 0, 1)i. Calculamos ahora el
66
subespacio asociado a 2 = 1:
3 1 0
x
0
3 1 0
3x + y = 0
x + y + z = 0 1 1 1
P1 = Ker(M + I2 ) = 1 1 1 y = 0
1 3 0
z
0
x + 3y = 0
1 3 1
1 1 1
1 1 1
x=0
F1 =F2
0 4
3
3
y=0
0 4
F2 =F1 +3F2
F3 F2
0 4
2
0 0 1
z=0
F3 +F2
Por lo que no hay subespacio propio asociado al autovalor 1.
3. f (x, y, z) = (x, 8x + 4y 6z, 8x + y + 9z)
1 0 0
f (1, 0, 0) = (1, 8, 8)
M = MC (f ) = 8 4 6
f (0, 1, 0) = (0, 4, 1)f (0, 0, 1) = (0, 6, 9)
8 1 9
El polinomio caracterstico se obtiene calculando el determinante |M I3 |, donde I3 es la matriz
identidad de orden 3. As
1
0
0
p() = |M I3 | = 8 4 6 = (1 )(4 )(9 ) + 6(1 ) =
8
1
9
= (1 )(36 4 9 + 2 ) + 6 6 = (1 )(36 13 + 2 ) + 6 6 = 36 13 + 2
36 + 132 3 + 6 6 = 3 + 142 55 + 42
Igualando el polinomio caracterstico a cero obtenemos la ecuacin caracterstica 3 142 + 55
42 = 0. Obtenemos las races de la ecuacin caracterstica utilizando el mtodo de Ruffini:
1 14 55 42
1 13 42
1
1 13 42
0
6
6 42
p() = 3 142 + 55 42 = ( 1)( 6)( 7)
1 7
0
7
7
1 0
Por tanto, los autovalores son 1 = 1 simple, 2 = 6 simple y 3 = 7 simple. Calculamos ahora los
subespacios propios correspondientes a cada autovalor, teniendo en cuenta que P = Ker(f In ).
Para el autovalor 1 tenemos
x
0
0 0 0
8x + 3y 6z = 0
P1 = Ker(M I3 ) = 8 3 6 y = 0
8x + y + 8z = 0
8 1 8
z
0
8 3 6 F3 +F2 8 3 6
8x + 3y 6z = 0
8 1 8
0 4 2
4y + 2z = 0
x = 15
z = 2y
y = 8
8x + 3y + 12y = 0 x = 15
y
8
z = 16
67
Por lo que el subespacio propio asociado al autovalor 2 es P2 = h(15, 8, 16)i. Calculamos ahora el
subespacio asociado a 2 = 6:
5 0
0
x
0
5x = 0
y = 0
8x 2y 6z = 0
P6 = Ker(M 6I3 ) = 8 2 6
8
1
3
z
0
8x + y + 3z = 0
x=0
x=0
y = 3
y = 3z
z=
Por lo que el subespacio propio asociado al autovalor 6 es P6 = h(0, 3, 1)i. Por ltimo, calculamos
el subespacio asociado a 2 = 7:
x
0
6 0
0
6x = 0
8x 3y 6z = 0
P6 = Ker(M 6I3 ) = 8 3 6 y = 0
8
1
2
z
0
8x + y + 2z = 0
x=0
x=0
y = 2
y = 2z
z=
Por lo que el subespacio propio asociado al autovalor 7 es P7 = h(0, 2, 1)i.
2.3.
Diagonalizacin de un endomorfismo
2.4.
68
Si es un autovalor de f , entonces
1 mg () ma ()
Teorema 3. Sea V un espacio vectorial de dimensin n definido sobre un cuerpo K y f : V V un
endomorfismo. Si los autovalores distintos de f son: 1 , 2 , , p K entonces f es diagonalizable
si y slo si se verifican las dos siguientes condiciones:
1. ma (1 ) + ma (2 ) + + ma (p ) = n
2. ma (i ) = mg (i )
i = 1, . . . , p
Una base de V estar formada por la unin de las bases de cada subespacio propio.
Si A es la matriz de f , D = P 1 AP con P una matriz que tiene por columnas las coordenadas
de los correspondientes vectores propios y D es la matriz diagonal de valores propios.
Proposicin 3. Sea A Mn (K). Entonces:
1. A y At tienen los mismos autovalores.
2. autovalor de A k autovalor de kA.
3. autovalor de A k k autovalor de kA kI.
4. Si A es regular, autovalor de A
1
A
autovalor de A1 .
5. autovalor de A n autovalor de An .
Teorema 4 (de Cayley-Hamilton). Toda matriz A Mn (K) donde K es algebraicamente cerrado
es raz de su polinomio caracterstico.
1 3 3
Ejemplo 2. Sea f : R3 R3 con M = MBC = 3 5 3. Diagonaliza M .
6 6 4
Primeramente hay que calcular los valores propios de M (o de f ), siendo las races del polinomio
caracterstico:
1
3
3
5
3 = (1 )(5 )(4 ) 54 54 + 18(5 + )+
p() = |M I3 | = 3
6
6
4
+ 18(1 ) + 9(4 ) = (1 )(20 + 5 4 + 2 ) 108 + 90 + 18 + 18 18 + 36
9 = (1 )(20 + + 2 ) 9 + 36 = 20 + + 2 + 20 2 3 9 + 36 = 3 +
+ 12 + 16
69
Resultando los valores propios 4 con multiplicidad algebraica 1 y 2 con multiplicidad algebraica 2.
Como sabemos que la multiplicidad geomtrica est acotada inferiormente por 1 y superiormente por
la multiplicidad algebraica, tenemos que para el autovalor 4 la multiplicidad geomtrica es necesariamente 1 por ser su multiplicidad algebrica 1. Veamos la multiplicidad geomtrica de 2 para ver si
es diagonalizable:
mg (2) = dim P2 = dim(R3 ) rang(M (2)I3 )
3 3 3
Calculamos el rango de M + 2I3 = 3 3 3. Como podemos ver, todas sus filas son proporcio6 6 6
nales y entonces rang(M +2I3 ) = 1. Por tanto mg (2) = 31 = 2 que coincide con su multiplicidad
algebraica, por lo tanto, el endomorfismo f es diagonalizable. Calculamos los vectores propios para
el autovalor 2:
x
0
3 3 3
y = 0 3x 3y + 3z = 0 z = y x
P2 = Ker(M + 2I3 ) = 3 3 3
6 6 6
z
0
x=
y=
z =
Calculamos los vectores propios para el autovalor 4:
3 3 3
x
0
3x 3y + 3z = 0
3x 9y + 3z = 0
P4 = Ker(M 4I3 ) = 3 9 3 y = 0
6 6 0
z
0
6x 6y = 0
3 3 3
3 3 3
F2 +F1
3x 3y + 3z = 0
3 9 3
0 12 6
12y + 6z = 0
F3 +2F1
6 6 0
0 12 6
x=
z = 2y
y = P4 = h(1, 1, 2)i
3x 3y + 6y = 0 x = y
z = 2
Por lo tanto la matriz de paso y la matriz diagonal sern:
1 0 1
2 0 0
P = 0 1 1
D = 0 2 0
1 1 2
0
0 4
70
2.5.
Cuando una matriz no es diagonalizable, existe la posibilidad de encontrar una representacin agradable, llamada forma cannica de Jordan.
Definicin 9. Un polinomio se dice mnico cuando el coeficiente correspondiente al trmino de mayor grado es 1 o 1.
Definicin 10. Se denomina polinomio mnimo de una matriz cuadrada al polinomio mnico de grado mnimo que dicha matriz satisface (la matriz es raz del polinomio mnimo).
Proposicin 4. Se tienen los siguientes resultados sobre el polinomio mnimo:
1. El polinomio mnimo es nico.
2. El polinomio mnimo de una matriz cuadrada es divisor de todo polinomio que anule a la matriz.
En particular, del polinomio caracterstico.
Definicin 11. Llamaremos bloque elemental de Jordan B() a una matriz cuadrada triangular superior que tiene (autovalor) en la diagonal, unos en los elementos inmediatamente a la derecha de
la diagonal principal y ceros en el resto, Es decir:
1
0 0
0
1 0
.. . . . .
.
B() = .
.
. . . . ..
0 0 1
0 0 0
Teorema 5. Toda matriz cuadrada A sobre un cuerpo K, algebraicamente cerrado, es semejante a una
matriz J diagonal por cajas denominada forma cannica de Jordan asociada a A, es decir, existe P
inversible tal que J = P 1 AP
B1 (1 )
0
0
0
B2 (2 )
0
J = ..
..
.
.
.
.
.
.
.
.
0
0
Br (r )
donde cada Bj (j ) es un bloque elemental de Jordan.
Si ni = dim(Bi (i )), los polinomios mnimos y caractersticos de cada Bi (i ) coinciden y son (x
i )ni , y por lo tanto, los polinomios mnimo y caracterstico de J son:
Y
m(x) = m. c. m.{(x i )ni }
p(x) =
(x i )ni
Asimismo se tiene que
rang(J I) = rang(A I) para cada autovalor de A.
71
El nmero de bloques elementales de Jordan asociados a un autovalor coincide con su multiplicidad geomtrica.
Otra forma de calcular el nmero de bloques asociados a un autovalor es mediante la siguiente proposicin.
Proposicin 5. Sea A la matriz asociada a un endomorfismo f respecto una base B de dimensin n.
El nmero de bloques de orden i asociados al autovalor de f que aparecen en la forma cannica de
Jordan J asociada a f es
n(, i) = rang(A In )i1 2 rang(A In )i + rang(A In )i+1
Nota: rang(A In )0 = rang(In ) = n.
1 0
1
Ejemplo 3. Las matrices de Jordan de tamao 2 son de la forma
y
donde 1 y
0
0 2
2 podran ser iguales.
Ejemplo 4. Las matrices de Jordan de tamao 3 son:
1 0 0
1 0 0
1 1 0
1 0
0 2 0 , 0 2 1 , 0 1 0 , 0 1
0 0
0 0 2
0 0 2
0 0 3
2.5.1.
Esperamos encontrar una matriz de paso P = (v1|~v 2| . . . |~vn ) que reduzca a A a su forma de Jordan,
J = P ?1 AP , o dicho de otro modo, P J = AP , de modo que atendiendo al primer bloque de J y
suponiendo que este tiene orden m1 , deducimos que las m1 primeras columnas de P satisfacen:
A~v1 = 1~v1 ,
es decir, ~v1 es un autovector correspondiente a 1
A~vi = ~vi + ~vi1 , i = 2, . . . , m1
o equivalentemente, expresndolo a travs de la cadena
(A 1 I)~v1
(A 1 I)~v2
(A 1 I)~v3
=
=
=
..
.
0
~v1
~v2
(A 1 I)~vm1 = ~vm1 1
Los vectores ~v2 , ~v3 , . . . , ~vm1 no son propiamente autovectores, pero se comportan de una forma muy
parecida, y se llaman autovectores generalizados de A, y la sucesin {~v1 , ~v2 , . . . , ~vm1 } se dice que es
una cadena de Jordan correspondiente a 1 . Naturalmente, cada bloque tiene su cadena correspondiente.
72
2.5.2.
x1 + x2 + + xp = multiplicidad algebraica de
3. Al valor propio le corresponden:
2.5.3.
x1 x2
x2 x3
..
.
1
2
..
.
xp1 xp
xp
p1
p
Una vez calculada la matriz J por el mtodo de CAROS, procedemos a calcular la matriz P , esto es,
a calcular en el orden adecuado una base formada por autovectores y autovectores generalizados de
A.
Para ello, dado un autovalor , tomemos un vector
~vi Ker(A I)i \ Ker(A I)i1
o lo que es lo mismo, un vector para el cual, segn el mtodo de CAROS, exista un bloque de Jordan
de orden i (empezamos con el valor mximo para el que conozcamos la existencia de una caja).
Una vez obtenido ~vi , calculamos:
~vi1 =(A I)~vi
~vi2 =(A I)~vi1
..
.
~v2 =(A I)~v3
~v1 =(A I)~v2
y el vector ~v1 resulta ser un autovector de A (o una combinacin lineal de ellos) y los vectores
~vj j = 2, . . . , i son sus autovectores generalizados. Dichos vectores son las i primeras columnas
73
4
0
1
0
1
1
1 1
A=
0 2 3 1
1 2 1 4
Calculamos primeramente los autovalores con el polinomio caracterstico:
4
0
1
0
1
1
1
1
p() = |A I4 | =
2 3 1
0
1
2
1 4
ahora podramos desarrollar el determinante por la primera fila, pero optamos por hacer ceros
4
4 0
0
1
0
1
0
0
F2 +F4 0
3
0
3
1
0
1 C4 C2
=
(3
0
2 3 1
2 3 1
0
1
1
2
1 4
2
1 4
4 0
1
0
0
1
0
0
(3 )
2 3
1
0
1
2
1 2
desarrollando por la segunda fila tenemos
4
1
0
3
1 = (3 )[(4 )(3 )(2 ) 1 + (4 )] = (3 )[(12
(3 ) 0
1
1 2
4 3 + 2 )(2 ) + 3 ] = (3 )(24 14 + 22 12 + 72 3 + 3 ) =
= (3 )(3 + 92 27 + 27)
Igualando el polinomio caracterstico a cero obtenemos la ecuacin caracterstica ( 3)(3 92 +
74
Hemos concluido por tanto que hay un nico autovalor, = 3, y de multiplicidad algebraica ma(3) =
4.
Ahora buscamos la matriz J mediante dos mtodos distintos. Por el algoritmo de Caros debemos
hallar el rango de A 3I4 , y sus sucesivas potencias hasta que sea necesario. Lo detallamos a continuacin:
1
0
1
0
1 2 1 1
1
0
1
0
1 0 1 0
1 2 1 1 F2 F1 0 2 0 1
0 2 0 1 F
0 2 0 1
4 +F1
1 2 1 1
0 2 0 1
Por tanto, r1 = rang(A 3I4 ) = 2. De modo que x1 = 4 r1 = 4 2 = 2. Como x1 6= 4, debemos
continuar. Calculamos ahora rang(A 3I4 )2 . Para ello calculamos primero la matriz (A 3I4 )2 :
1
0
1
0
1
2
1
1
1 2 1 1
12+1
422
12+1
211
=
0 2 0 1 = 2 + 1
42
2 + 1
21
1 2 1 1
1 + 2 1 4 + 2 + 2 1 + 2 1 2 + 1 + 1
1 2 1 1
0
0
0
0
=
1 2 1 1
0
0
0
0
Por tanto, r2 = rang(A 3I4 ) = 1. As que x2 = r1 r2 = 2 1 = 1. Como x1 + x2 = 3 6= 4,
debemos seguir multiplicando:
1 2 1 1
1
0
1
0
0
0
0
0
1 2 1 1 =
(A 3I4 )3 =
1 2 1 1 0 2 0 1
0
0
0
0
1 2 1 1
12+1
422
12+1
211
0 0 0 0
0 0 0 0
0
0
0
0
1 + 2 1 4 + 2 + 2 1 + 2 1 2 + 1 + 1 = 0 0 0 0
0
0
0
0
0 0 0 0
75
Por tanto, r3 = rang(A 3I4 )4 = 0. Esto significa que x3 = r2 r3 = 1 0 = 1, con lo que ahora s
sucede que x1 + x2 + x3 = 4. Por el algoritmo sabemos que hay x1 x2 = 2 1 = 1 caja de orden
1 1, x2 x3 = 1 1 = 0 caja de orden 2 2, y x3 = 1 caja de orden 3 3. As, la forma de Jordan
asociada a la matriz A es
3 0 0 0
0 3 1 0
J =
0 0 3 1
0 0 0 3
Otro mtodo de hallar J es utilizando la frmula
n(, i) = rang(A In )i1 2 rang(A In )i + rang(A In )i+1
entonces tenemos que
n(3, 1) = rang(A 3I4 )0 2 rang(A 3I4 )1 + rang(A 3I4 )1+1 =
= rang(I4 ) 2 rang(A 3I4 ) + rang(A 3I4 )2
Al aparecer un slo bloque de Jordan de orden 1, la forma cannica de Jordan ser:
3 0 0 0
0 3 1 0
J =
0 0 3 1
0 0 0 3
Ntese que no puede tener otra configuracin, porque por ejemplo si hubiese un bloque de orden 2
entonces tendran que haber dos bloques de orden 1, pero al haber un slo bloque de orden 1 el otro
bloque tiene que ser de orden 3.
Para obtener la matriz de paso P nos fijamos primero en la caja mayor, e intentamos encontrar un
autovector generalizado que est en Ker(A I4 )3 \ Ker(A I4 )2 . Como (A 3I4 )3 era la matriz
idnticamente nula, Ker(A I4 )3 = R4 , luego basta tomar un vector de R4 que no est en Ker(A
I4 )2 . Buscamos una base que defina al subespacio vectorial Ker(A I4 )2 (que tena dimensin 1):
1 2 1 1
x
0
x=
0
0
0
0 y 0
y=
Ker(A3I4 )2 =
1 2 1 1 z = 0 x2y+zt = 0 z =
0
0
0
0
t
0
t = 2 +
Por tanto, Ker(AI4 )2 = h(1, 0, 0, 1), (0, 1, 0, 2), (0, 0, 1, 1)i. Tenemos que escoger un vector que
pertenezca a R4 pero que no pertenezca a Ker(A I4 )2 . Probamos con el vector (1, 0, 0, 0), viendo
si es linealmente independiente con la base {(1, 0, 0, 1), (0, 1, 0, 2), (0, 0, 1, 1)}:
1 0 0 1
0 1 0 2
0 0 1 1
1 0 0 0
desarrollando por la primera columna
1 0 2 0 0 1
0 1 1 1 0 2 = 1 6= 0
0 0 0 0 1 1
76
1
0
1
0
1
1
1 2 1 1 0 1
~v2 := (A 3I4 )~v3 =
0 2 0 1 0 = 0
1 2 1 1
0
1
Igualmente, obtenemos con otra multiplicacin
1
0
1
1 2 1
~v1 := (A 3I4 )~v2 =
0 2 0
1 2 1
0
1
1
1
1 12+1 0
1
=
=
1 0 2 + 1 1
1
1
1 + 2 1
0
Para completar P debemos fijarnos en la caja 1 1, es decir, debemos obtener otro autovector de
A, esto es, otro elemento del ncleo de A 3I4 (que tena dimensin 2), que sea, por supuesto,
independiente de ~v1 , el autovector ya obtenido.
1
0
1
0
x
0
x+z =0
1 2 1 1 y 0
x 2y + z t = 0
Ker(A 3I4 ) =
0 2 0 1 z = 0 2y t = 0
1 2 1 1
t
0
x + 2y z + t = 0
1
0
1
0
1 0 1 0
1 2 1 1 F2 F1 0 2 0 1
x+z =0
z = x
0 2 0 1 F4 +F1 0 2 0 1
2y t = 0
t = 2y
1 2 1 1
0 0 0 0
x=
y=
Ker(A 3I4 ) = h(1, 0, 1, 0), (0, 1, 0, 2)i
z =
t = 2
El primero ya est en la segunda caja (coincide con el vector ~v1 ), y el segundo vector es el elemento
que nos faltaba. Por el orden en que hemos escrito J (que por supuesto no es nico), la matriz de paso
resultante es:
0
1
1 1
1
0
1 0
P =
0 1 0 0
2 0 1 0
Es conveniente verificar que P 1 AP = J. Por tanto calculamos P 1 :
0
1
1 1 1 0 0 0
1 0 1 0 0 1 0
1
F
=F
0
1 0 0 1 0 0 1 2 0 1 1 1 1 0 0
0 1 0 0 0 0 1 0 F
0 1 0 0 0 0 1
4 +2F2
2 0 1 0 0 0 0 1
0 0 1 0 0 2 0
1 0 1 0 0 1 0 0
1 0 0 0 0 1 0
0 1 0 0 0 0 1 0 F1 F4 0 1 0 0 0 0 1
0 0 1 1 1 0 1 0 F3 =F
0 0 1 0 0 2
0
4
F4 =F3 F4
0 0 1 0 0 2 0 1
0 0 0 1 1 2 1
0
=F1
0
F2
0 F3 =F2 +F3
1
1
0
1
1
77
Ahora hacemos
0 1 0 1
4
0
1
0
0
1
1 1
0 0 1 0 1
1
1 1
0
1 0
1
=
P 1 AP =
0 2
0
1 0 2 3 1 0 1 0 0
1 2 1 1
1 2 1 4
2 0 1 0
1 + 1
1 2
1 + 1
14
0
1
1 1
1
0
2
3
1
0
1 0
=
=
21
2+2
21
2 + 4
0 1 0 0
4 2 + 1 2 2 2 1 2 + 3 + 1 2 1 4
2 0 3 0
0
1
1 1
3 + 6
0
3 + 3 0
0 3 0 3
0 2 3 1 1
0
1 0
3
21
0
= 22
=
=
1 4
1
2 0 1 0 0 4 4 1 1 1 + 4 2 1
3 6 3 3
2 0 1 0
6 + 6 3 3 3 6 + 3 3
3 0 0 0
0 3 1 0
=
0 0 3 1
0 0 0 3
Ejemplo 6. Determinarla forma cannica
de Jordan del endomorfimo de R3 , cuya matriz en la
1 1 1
0 1 1
mg(1) = dim(P1 ) = 3 rang(A I3 ) = 3 rang 0 2 1 = 3 2 = 1,
0 0 0
no siendo diagonalizable. El polinomio mnimo se encuentra entre los polinomios que dividen al
caracterstico. Si el polinomio mnimo fuese m() = ( 3)( 1) el endomorfismo sera diagonalizable, ya que el mayor orden de cualquier bloque elemental sera 1. Pero como hemos visto que no es
2
diagonalizable el polinomio mnimo coincidir
con elcaracterstiico y ser m() = ( 3)( 1)
1 1 0
(el signo no es importante). Por tanto, J = 0 1 0.
0 0 3
Veamos a continuacin otro mtodo para la determinacin de la matriz de paso P . Sabemos que existe
un cambio de base, con matriz asociada P , de tal forma que en la nueva base la matriz del endomorfismo que define A en R3 es J. Adems se tiene que J = P 1 AP . Si escribimos P = (~v1 |~v2 |~v3 ), para
la matriz de paso, que tiene por columnas las coordenadas de los vectores de la nueva base, vi en la
78
2 1 1
x
0
2x + y z = 0
2x = y
z=0
Ker(A 3I3 ) = 0 0 1 y = 0
z=0
0 0 2
z
0
2z = 0
x=
y = 2 Ker(A 3I3 ) = h(1, 2, 0)i
z=0
0 1 1
x
0
y
z
=
0
y=z
Ker(A I3 ) = 0 2 1 y = 0
2y + z = 0
3y = 0 y = 0
0 0 0
z
0
x=
y = 0 Ker(A 3I3 ) = h(1, 0, 0)i
z=0
Por ltimo calculamos Ker(A I3 )2 , pero para ello antes tenemos que calcular (A I3 )2 :
0 1 1
0 1 1
0 2 1
(A I3 )2 = 0 2 1 0 2 1 = 0 4 2
0 0 0
0 0 0
0 0 0
0 2 1
x
0
2
y = 0 2y + z = 0 z = 2y
Ker(A I3 ) = 0 4 2
0 0 0
z
0
x=
y=
z = 2
79
1 1 0
(~v1 |~v2 |~v3 ) 0 1 0 = A(~v1 |~v2 |~v3 )
0 0 3
De aqu obtenemos, multiplicando, las relaciones
~v1 = A~v1
A~v1 ~v1 = 0
(A I3 )~v1 = 0
~v1 + ~v2 = A~v2 A~v2 ~v2 = ~v1 (A I3 )~v2 = ~v1
3~v3 = A~v3
A~v3 3~v3 = 0
(A I3 )~v3 = 0
De las dos primeras igualdades deducimos que ~v2 Ker(A I3 )2 \ Ker(A I3 ), y de la primera y
la ltima que ~v1 Ker(A I3 ) y ~v3 Ker(A 3I3 ). A modo de ejemplo, como ~v2 (A I3 ) = ~v1 ,
sustituimos esta expresin para ~v1 en ~v1 (A I3 ) y obtenemos ~v2 (A I3 )2 = 0 y por tanto ~v2
Ker(A I3 )2 . Le exigimos que no est en el ncleo anterior Ker(A I3 ), para que cuando tengamos
~v2 y apliquemos A I3 obtengamos ~v1 y no el vector nulo, que desde luego no podra formar parte de
ninguna base. Como ya tenemos determinados estos ncleos, no tenemos ms que elegir, por ejemplo,
~v2 := (0, 1, 2) Ker(A I3 )2 \ Ker(A I3 ) = h(1, 0, 0), (0, 1, 2)i h(1, 0, 0)i = h(0, 1, 2)i,
para tener que:
0 1 1
0
3
~v1 := (A I3 )~v2 = 0 2 1 1 = 0
0 0 0
2
0
~v1 = (3, 0, 0) est en el ncleo de A I3 , y por ltimo ~v3 := (1, 2, 0) que est en Ker(A 3I3 ). La
nueva base as construida es {(0, 1, 2), (3, 0, 0), (1, 2, 0)} que tiene asociada la matriz de paso
3 0 1
P = 0 1 2
0 2 0
Comprobamos que P 1 AP = J. Calculamos P 1 :
3 0 1
4
0 0
4 2 1
|P | = 0 1 2 = 12; Adj(P ) = 2 0 6 ; Adj(P )t = 0 0 6
0 2 0
1 6 3
0 6
3
4 2 1
Adj(P )t
1
0 0 6
=
|P |
12
0 6
3
4 2 1
1 1 1
3 0 1
4 4 6 4 2 1
1 1 1
1
1
0 3 1
0 0 6 0 3 1 0 1 2 =
0
0
6
12
12
0 6
3
0 0 1
0 2 0
0 18
6+3
0 0 1
3 0 1
4 2 7
3 0 1
12 2 + 14 4 4
0 1 2 = 1 0 0 6 0 1 2 = 1 0
12
0 =
12
12
0 2 0
0 18 9
0 2 0
0 18 18
36
12 12 0
1 1 0
1
0 12 0 = 0 1 0
=
12
0 0 36
0 0 3
80
2 0 3 0
1 2 0 3
A=
0 0 2 0
0 0 1 2
Primero, calculamos el polinomio caracterstico:
2
0
3
0
2
3
0
1
2
0
3
= (2 ) 0
=
2
0
p() =
0
2
0
0
0
1
2
0
0
1
2
2
0
= (2 )2
= (2 )2
1
2
Posteriormente calculamos la multiplicidad geomtrica de la nica raz 2
0 0 3 0
1 0 0 3
0 0 3 0
0 0 0 0
1 0 0 3
0 0 6 0
(A 2I4 )2 =
0 0 0 0 = 0 0 0 0
0 0 1 0
0 0 0 0
0 0 0 0
0 0 3 0
0 0
0 0 6 0 1 0 0 3 0 0
(A 2I4 )3 =
0 0 0 0 0 0 0 0 = 0 0
0 0 0 0
0 0 1 0
0 0
0
0
0
0
0
0
0
0
2 1 0 0
0 2 1 0
0 0 3 0
x
0
x = 3
1 0 0 3 y 0
x
+
3t
=
0
y=
Ker(A 2I4 ) =
0 0 0 0 z = 0 z = 0
z=0
0 0 1 0
t
0
t =
Ker(A 2I4 ) = h(3, 0, 0, 1), (0, 1, 0, 0)i
0
Ker(A 2I4 )2 =
0
0
0
0
0
0
0
6
0
0
81
0
x
0
0 y 0
=
6z = 0 z = 0
0 z 0
0
t
0
x=
y=
z=0
t=
0
J = P 1 AP P J = AP (~v1 |~v2 |~v3 |~v4 )
0
0
1
2
0
0
0
1
2
0
0
0
= A(~v1 |~v2 |~v3 |~v4 )
0
2
y entonces
2~v1
~v1 + 2~v2
~v2 + 2~v3
2~v4
= A~v1
(A 2I4 )~v1
= A~v2
(A 2I4 )~v2
= A~v3
(A 2I4 )~v3
= A~v4
(A 2I4 )~v4
=0
= ~v1
= ~v2
=0
Uniendo las tres primeras tenemos que ~v3 Ker(A 2I4 )3 \ Ker(A 2I4 )2 = R4 \ Ker(A 2I4 )2 ,
para lo cual, podemos tomar ~v3 := (0, 0, 1, 0). Aplicando las igualdades, obtenemos:
0 0 3 0
0
3
1 0 0 3 0 0
~v2 := (A 2I4 )~v3 =
0 0 0 0 1 = 0
0 0 1 0
0
1
0
1
~v1 := (A 2I4 )~v2 =
0
0
0
0
0
0
3
0
0
1
0
3
0
3 0 6
=
0 0 0
0
1
0
La eleccin de ~v4 ser de forma que ~v4 Ker(A 2I4 ) pero independiente de ~v1 , ya que ambos
pertenecen al mismo ncleo. Con lo cual ~v4 := (3, 0, 0, 1).
En resumen la nueva base ser:
B = {(0, 6, 0, 0), (3, 0, 0, 1), (0, 0, 1, 0), (3, 0, 0, 1)}
y la matriz de paso
0
6
P =
0
0
2.6.
3
0
0
1
0 3
0 0
1 0
0 1
Cuando una matriz no es diagonalizable, existe la posibilidad de encontrar una representacin agradable, llamada forma cannica de Jordan.
82
1
0 0
0
1 0
.. . . . .
.
.
. . ..
B() = .
.
.
0 0 1
0 0 0
Teorema 6. Toda matriz cuadrada A sobre un cuerpo K, algebraicamente cerrado, es semejante a una
matriz J diagonal por cajas denominada forma cannica de Jordan asociada a A, es decir, existe P
inversible tal que J = P 1 AP
B1 (1 )
0
0
0
B2 (2 )
0
J = ..
..
.
.
.
.
.
.
.
.
0
0
Br (r )
donde cada Bj (j ) es un bloque elemental de Jordan.
Si ni = dim(Bi (i )), los polinomios mnimos y caractersticos de cada Bi (i ) coinciden y son (x
i )ni , y por lo tanto, los polinomios mnimo y caracterstico de J son:
Y
m(x) = m. c. m.{(x i )ni }
p(x) =
(x i )ni
Asimismo se tiene que
rang(J I) = rang(A I) para cada autovalor de A.
El nmero de bloques elementales de Jordan asociados a un autovalor coincide con su multiplicidad geomtrica.
Otra forma de calcular el nmero de bloques asociados a un autovalor es mediante la siguiente proposicin.
Proposicin 7. Sea A la matriz asociada a un endomorfismo f respecto una base B de dimensin n.
El nmero de bloques de orden i asociados al autovalor de f que aparecen en la forma cannica de
Jordan J asociada a f es
n(, i) = rang(A In )i1 2 rang(A In )i + rang(A In )i+1
83
1 0 0
1 0 0
1 1 0
1 0
0 2 0 , 0 2 1 , 0 1 0 , 0 1
0 0
0 0 2
0 0 2
0 0 3
2.6.1.
Ak
A2 A3
+
+ +
+
2!
3!
k!
B1 0
0 B2
J = ..
.. . .
.
.
.
0 0
0
0
..
.
Br
eB1 0
0 eB2
eJ = ..
..
..
.
.
.
0
0
0
0
..
.
eBr
donde
eBi
siendo ri la dimensin de Bi .
1
0
= e 0
0
0
1
2!
1
1!
...
0
0
0
0
1
1!
1
(ri 1)!
1
(ri 2)!
...
..
.
..
.
84
3 0 0 0
0 3 1 0
3 1 0
0 3 1
1 1 21
e 0 0 3 = e3 0 1 1
0 0 1
Por tanto
e3 0 0 0
0 e3 e3 e3
J
2
e =
0 0 e3 e3
0 0 0 e3
2.7.
85
1 2
x
0
x = 2
=
x + 2y = 0 x = 2y
2 4
y
0
y=
f (1, 0, 0) = (2, 1, 1)
2 1 0
f (0, 1, 0) = (1, 0, 3) A = 1 0 1
f (0, 0, 1) = (0, 1, 1)
1 3 1
2 1
0
1 = (2 )(1 ) + 1 3(2 ) + (1 ) =
p() = |A I3 | = 1
1
3 1
= (2 2 + 2 ) + 1 6 + 3 + 1 = 3 + 32 2 + 2 4 = 3 + 32 4
86
La ecuacin caracterstica es 3 32 + 4 = 0:
1 3 0
4
2 2 4
1 1 2 0
2
2
2
3 32 + 4 = ( 2)2 ( + 1) = 0
1 1
0
1
1
1 0
2
0
1
0
x
0
y=0
x=z
x 2y + z = 0
P2 = Ker(A 2I3 ) = 1 2 1 y = 0
y=0
1
3 1
z
0
x + 3y z = 0
x=
y = 0 P2 = h1, 0, 1i
z=
0
x
0
3x + y = 0
1
y = 0
x + y + z = 0
2
z
0
x + 3y + 2z = 0
3
2
3z
x + 3y + 2z = 0
4
3
y= ;
4y + 3z = 0
4
8 6
y = 3
3z
9z 8z
z
x=
x = 3
+ 2z = +
=
P1 = h(1, 3, 4)i
4
4
4
4
z = 4
3 1
P1 = Ker(A + I3 ) = 1 1
1 3
3 1 0
1
F1 =F3
0
1 1 1
F +F
1 3 2 F23 =F31 3F3 0
c)
f (1, 0, 0) = (1, 8, 8)
1 0 0
f (0, 1, 0) = (0, 4, 1) A = 8 4 6
f (0, 0, 1) = (0, 6, 9)
8 1 9
1
0
0
4 6
= (1 )[(4 )(9 )+
p() = |A I3 | = 8 4 6 = (1 )
1
9
8
1
9
+ 6] = (1 )(36 4 9 + 2 + 6) = (1 )(2 13 + 42)
La ecuacin caracterstica es ( 1)(2 13 + 42) = 0, buscamos las races:
=
13
132 4 42
13 169 168
13 1
13 1
=
=
=
; 1 = 7, 2 = 6
2
2
2
2
87
0 0 0
x
0
8x + 3y 6z = 0
y = 0
P1 = Ker(A I3 ) = 8 3 6
8x + y + 8z = 0
8 1 8
z
0
x = 15
8x + 3y 6z = 0
z = 2y
z = 2y
y = 8
y
4y + 2z = 0
8x + 3y 6 (2y) = 0
x = 15
8
z = 16
Entonces P1 = h(15, 8, 16)i.
6 0
0
x
0
6x = 0
y = 0
8x 3y 6z = 0
P7 = Ker(A 7I3 ) = 8 3 6
8
1
2
z
0
8x + y + 2z = 0
x=0
x=0
y = 2 P7 = h(0, 2, 1)i
y = 2z
z=
5 0
0
x
0
5x = 0
y = 0
8x 2y 6z = 0
P6 = Ker(A 6I3 ) = 8 2 6
8
1
3
z
0
8x + y + 3z = 0
x=0
x=0
y = 3 P6 = h(0, 3, 1)i
y = 3z
z=
f (1, 0, 0) = (0, 0, 1)
0 0 1
f (0, 1, 0) = (0, 0, 0) A = 0 0 0
f (0, 0, 1) = (1, 0, 0)
1 0 0
Calculamos el polinomio caracterstico:
0 1
p() = 0 0 = 3 = 0 (2 + 1) = 0; 1 = 0, 2 = 1 = i
1
0
Tenemos que tener tantas races distintas como la dimensin del espacio vectorial (el orden de la
matriz) para poder afirmar que el endomorfismo es diagonalizable. Como las races i y i no son
reales, no hay suficientes races y entonces el endomorfismo no es diagonalizable.
3. Dada una base B = {e1 , e2 , e3 } de un espacio vectorial real, estudia si es diagonalizable el
endomorfismo dado por:
f (e1 e2 ) = 3e1 2e2 + e3 .
f (e1 + e3 ) = 3e1 3e2 .
88
1 1 0 3 2 1
1 1 0 3 2 1
F2 F1
1 0
0 1 1
1 3 3 0 0 1
1
F3 3F2
0 3 3 4
3 1
0 3 3 4
3
1
1 1 0 3 2 1
f (e1 ) f (e2 ) = (3, 2, 1)
0 1
1
0
0 1 f (e2 ) + f (e3 ) = (0, 0, 1)
0 0 6 4
6
4
6f (e3 ) = (4, 3, 4)
6f (e3 ) = (4, 6, 4) f (e3 ) = ( 32 , 1, 32 )
f (e2 ) + f (e3 ) = (0, 0, 1) f (e2 ) = (0, 1, 1) ( 32 , 1, 23 ) = ( 32 , 0, 13 )
f (e1 ) f (e2 ) = (3, 2, 1) f (e1 ) = (3, 2, 1) + ( 32 , 0, 13 ) = ( 73 , 2, 23 )
Podemos comprobar que se cumplen las igualdades del enunciado:
2
2
1
9
3
7
f (e1 ) f (e2 ) = ( , 2, ) ( , 0, ) = ( , 2, ) = (3, 2, 1) = 3e1 2e2 + e3
3
3
3
3
3
3
7
2
2
2
9
f (e1 ) + f (e3 ) = ( , 2, ) + ( , 1, ) = ( , 3, 0) = (3, 3, 0) = 3e1 3e2
3
3
3
3
3
2
1
2
2
3f (e2 ) 3f (e3 ) = 3( , 0, ) 3( , 1, ) = (4, 3, 1) = 4e1 + 3e2 + e3
3
3
3
3
Por tanto, estamos seguros de que:
2
7
f (e1 ) = e1 2e2 + e3 ;
3
3
2
1
f (e2 ) = e1 e3 ;
3
3
2
2
f (e3 ) = e1 e2 e3
3
3
2
3
2
3
0
31
23
1
23
El polinomio caracterstico es
7
2
23
3
3
7
2
4 4 4
1 =
p() = |M I3 | = 2
+
3
3
9 9 9
2
31 23
3
1 7
4
2
14 7
2
8 4
7 1
8 4
2
+
+ +
=
+ + + + + =
3 3
3
3
9
3
3
9 9
9 3
9 3
14
9
8 4
7 3
8 12
27
= 2 3 + + 1 = 3 32 1 =
9
3
9 9
9 9
9
9
9
= 3 32 3 1
89
3
3
1
1 2 1
1 2
1
0
1 1
1
3 + 32 + 3 + 1 = ( + 1)3 = 0
1 1
0
1
1
1 0
1
Tenemos entonces unas sola raz triple que es 1 (con multiplicidad algebraica 3). Calculamos su
multiplicidad geomtrica:
4 2
3 3 23
mg(1) = 3 rang(M + I3 ) = 3 rang 2 1 1
2
13 31
3
Como podemos ver, todas las filas son proporcionales, por tanto tenemos que mg(1) = 3 1 = 2.
Como la multiplicidad algebraica no coincide con la geomtrica concluimos que la matriz no es
diagonalizable.
1 1 0
4. Halla la potencia An de la matriz A = 0 2 0.
2 1 3
Tenemos que An = P Dn P 1 . Entonces tenemos que calcular la matriz diagonal D y la matriz de
paso P . Calculamos el polinomio caracterstico:
1
1
0
2
0 = (1 )(2 )(3 )
p() = |A I3 | = 0
2
1
3
Las races de la ecuacin caracterstica son 1, 2 y 3. Como tenemos tantas races distintas como
la dimensin del espacio vectorial (orden de la matriz) podemos afirmar que el endomorfismo es
diagonalizable. Determinamos los espacios propios correspondientes para formar la matriz de paso
P:
0 1 0
x
0
y
=
0
y=0
P1 = Ker(A I3 ) = 0 1 0 y = 0
x=z
2x + y + 2z = 0
2 1 2
z
0
x=
y = 0 P1 = h(1, 0, 1)i
z=
1 1 0
x
0
x + y = 0
x=y
0 0 0
y = 0
P2 = Ker(A 2I3 ) =
2x + y + z = 0
x=z
2 1 1
z
0
x=
y = P2 = h(1, 1, 1)i
z=
90
2 1 0
x
0
2x + y = 0
x=0
0 1 0
y = 0
P3 = Ker(A 3I3 ) =
y = 0
y=0
2 1 0
z
0
x=0
y = 0 P3 = h(0, 0, 1)i
z=
1 1 0
Tenemos por tanto que una matriz de paso es P = 0 1 0, donde hemos colocado en la primera
1 1 1
columna el vector propio asociado a 1, en la segunda el asociado a 2 y en la tercera
el asociado
a 3.
1 0 0
Esto nos obliga a escribir la matriz diagonal en el mismo orden, es decir, D = 0 2 0. Nos falta
0 0 3
calcular la inversa de la matriz de paso:
1 1 0
1 0 1
1 1 0
1 0 ;
|P | = 0 1 0 = 1; Adj(P ) = 1 1 0 ; Adj(P )t = 0
1 1 1
0 0 1
1 0 1
1 1 0
Adj(P )t
= 0 1 0
P 1 =
|P |
1 3 1
Entonces tenemos que
1 1 0
1 2n 0
1 1 0
1 1 0
1 0 0
1 0 =
1 0 = 0 2 n 0 0
An = 0 1 0 0 2n 0 0
n
n
n
1 0 1
1 2 3
1 0 1
1 1 1
0 0 3
n
1
2 1 0
0
2n
0
=
1 3n 2n 1 3n
5. Halla los autovalores y subespacios propios del endomorfismo f : R2 [x] R2 [x] definido
por f (p(x)) = p(x + 1).
Recordemos que la base cannica para los polinomios de segundo grado es C = {1, x, x2 }. Hallamos
la matriz de f en la base cannica:
f (1) = 1
1 1 1
f (x) = x + 1
A = MC (f ) = 0 1 2
f (x2 ) = (x + 1)2 = x2 + 2x + 1
0 0 1
Calculamos ahora el polinomio caracterstico:
1
1
1
1
2 = (1 )3
p() = |A I3 | = 0
0
0
1
Entonces la ecuacin caracterstica es p() = (1 )3 = 0 y la nica raz de esta ecuacin es
= 1 (triple) con multiplicidad algebraica 3. Calculamos el subespacio propio asociado a este nico
91
autovalor:
0 1 1
x
0
x=
y+z =0
y=0
y=0
P1 = Ker(A I3 ) = 0 0 2 y = 0
2z = 0
z=0
0 0 0
z
0
z=0
b) A = 0 1 0
0 0 1
a)
2
3
3
1 2 = (2 )(1 )(1 ) 6a + 3a(1 + )
p() = |A I3 | = a
a
0
1
3a(1 ) = (2 2 + + 2 )(1 ) 6a + 3a + 3a 3a + 3a = (2 + 2 )(1
) + 6a 6a = 2 + 2 + 2 + 2 3 + 6a 6a = 3 + 22 + 6a + 6a 2
La ecuacin caracterstica es 3 22 6a + 6a + 2 = 0. Calculamos sus races:
1 2 6a 1 6a + 2
1
1
1
6a 2
1 1 6a 2
0
p
1 4(6a 2)
1 24a + 9
6a 2 = 0 =
=
2
2
1
1
Y entonces tenemos las races 1, 2 (1 + 24a + 9) y 2 (1 24a + 9). Como no hay ninguna restriccin para el cuerpo K, las races imaginarias sirven como autovalores. Entonces tenemos tres
autovalores distintos y por la acotacin de la multiplicidad geomtrica sabemos que habr un vector
propio asociado a cada uno de ellos. Por lo tanto la matriz A es diagonalizable.
b) Calculamos el polinomio caracterstico:
a
b
0
1
0 = (a )(1 )(1 )
p() = |A I3 | = 0
0
0
1
2
92
0 b 0
mg(1) = 3 rang(A + I3 ) = 3 rang 0 0 0
0 0 2
Si b = 0 mg(1) = 3 1 = 2, la multiplicidad geomtrica coincide con la algebraica, y entonces
A es diagonalizable. Si b 6= 0 mg(1) = 3 2 = 1, la multiplicidad geomtrica no coincide con la
algebraica, y entonces A no es diagonalizable. En el caso en el que a = 1 la ecuacin caracterstica
queda p() = ( + 1)( 1)2 con lo que obtenemos los valores propios 1 = 1 (simple) y 2 = 1
(doble). Calculamos la multiplicidad geomtrica del valor propio 1:
0 b 0
mg(1) = 3 rang(A I3 ) = 3 rang 0 2 0 = 3 1 = 2
0 0 0
ya que no importa lo que valga b que las dos primeras filas siempre van a ser proporcionales. Entonces
como la multiplicidad geomtrica coincide con la algebraica A es diagonalizable.
7. Se sabe que el endomorfismo f : R2 R2 es diagonalizable, que (1, 2) y (3, 1) son autovectores y que f (5, 5) = (2, 1). Halla sus autovalores y su matriz en la base cannica.
Los autovectores (1, 2) y (3, 1) cumplen que
f (1, 2) = (1, 2)
f (3, 1) = (3, 1)
Por otra parte, tenemos que (5, 5) debe ser combinacin lineal de (1, 2) y (3, 1) (por qu?):
5 = a + 3b a = 5 3b
(5, 5) = a(1, 2) + b(3, 1)
5 = 10 6b + b
5 = 2a + b
5b = 15 b = 3; a = 5 9 = 4
Entonces tenemos que
f (4(1, 2) + 3(3, 1)) = 4f (1, 2) + 3f (3, 2) = 4(1, 2) + 3(3, 2) = (2, 1)
1
1
4 + 9 = 2
8 18 = 4
15 = 5 = ; 8 + 3 = 1
8 + 3 = 1
8 + 3 = 1
3
3
8 = 2 =
1
4
93
20
=
=
= 20
7
1
5 36 46 96 + 26
5 61 76
30
30
8. Determina la forma cannica de Jordan del endomorfismo f de R4 cuya matriz en la base
cannicaes:
4
0
1
0
1
1
1 1
a) A =
0 2 3 1
1 2 1 4
2 0 3 0
1 2 0 3
b) A =
0 0 2 0
0 0 1 2
a) Est resuelto en el ejemplo 5 de la pgina 73.
b) Est resuelto en el ejemplo 7 de la pgina 80.
9. Determina la forma cannica de Jordan y la matriz de paso del endomorfismo f de R3 cuya
matriz en la base cannica es:
1 1 1
A = 0 3 1
0 0 1
Est resuelto en el ejemplo 6 de la pgina 77.
94
2.8.
1 3 3
1. Sea f : R3 R3 con M = MC (f ) = 3 5 3.
6 6 4
1. Calcule los valores propios de M .
2. Calcule una base y la dimensin de cada uno de los subespacios propios.
3. Es posible diagonalizar M ?
1. Los valores propios de M , o de f , se obtienen calculando las races del polinomio caracterstico.
1
3
3
5
3 = (1 )(5 + )(4 ) 54 54 + 18(5 + )+
p() = |M I3 | = 3
6
6
4
+ 18(1 ) + 9(4 ) = (1 )(20 5 + 4 2 ) 9 + 36 = (1 )(20 2 )
9 + 36 = 20 + + 2 + 20 2 3 9 + 36 = 3 + 12 + 16
Igualando a cero este polinomio se obtiene la ecuacin caracterstica 3 12 16 = 0. Calculamos
las races:
0 12 16
4
4
16
16
1 4
4
0
2
2 4
p() = 3 12 16 = ( 4)( + 2)2 = 0
1 2
0
2
2
1 0
1
Entonces, los valores propios son 4, con multiplicidad algebraica 1, y 2, multiplicidad algebraica 2.
2. Calculamos ahora una base de cada subespacio propio:
3 3 3
x
0
P2 = Ker(M + 2I3 ) = 3 3 3 y = 0 3x 3y + 3z = 0 x = y z
6 6 6
z
0
x=
y=
z=
La dimensin del subespacio propio asociado a 2 es 2.
3 3 3
x
0
P4 = Ker(M 4I3 ) = 3 9 3 y = 0
6 6 0
z
0
3 3 3 1 F
1 1 1
3 1
3 9 3
0 12 6
F2 +F1
6 6 0 F3 +2F1 0 12 6
95
1 1 1
x
0
x+yz =0
z = 2y
y = 0
P4 = Ker(M 4I3 ) = 0 12 6
12y = 6z = 0
x=y
0 12 6
z
0
x=
y = P4 = h(1, 1, 2)i
z = 2
La dimensin del subespacio propio asociado a 4 es 1.
3. Como la multiplicidad geomtrica de cada autovalor es igual que la algebraica podemos afirmar
que es posible diagonalizar M .
0 1 b
2. Sea A = 1 0 b con b N. Estudie para qu valores del parmetro natural b la
b 1 0
matriz A es diagonalizable. Indicacin: el polinomio caracterstico es divisible por t + b.
Calculamos el polinomio caracterstico:
1 b
p() = |A I3 | = 1 b = 3 b2 + b + b2 b + = l3 + (b2 b + 1)+
b 1
+ (b b2 )
Nos indican que este polinomio es divisible por t + b, por lo que probamos a descomponerlo con la
raz b:
1
0
b2 + b 1 b2 b
b
b
b2
b2 + b
1
b
b1
0
1
b + 1
1
1 b + 1
0
b1
b1
1
0
El polinomio caracterstico se factoriza de la forma
p() = 3 (b2 b + 1) + (b2 b) = ( 1)( + b)( (b 1)
y entonces las races son 1 = 1, 2 = b y 3 = b 1. Si las tres races son distintas podemos
asegurar que A es diagonalizable porque cada autovalor tendr un vector propio asociado. Sin embargo, si hay races con multiplicidad algebraica mayor que 1 habr que comprobar la multiplicidad
geomtrica. Los posibles casos dependen de los valores que tome b. Veamos primero que valores de b
hacen que las tres races sean distintas. Si 1 = 2 , b = 1; si 1 = 3 , b = 2; y si 2 = 3 , b = 1/2.
Luego si b es distinto de 1, 2 y 1/2 la matriz A es diagonalizable. Pero como b es natural no puede
tomar los valores 1 y 1/2, por lo que b solo tiene que ser distinto de 2. Estudiemos el caso en el que
b = 2. En este caso el polinomio caracterstico queda p() = ( 1)2 ( + 2) con lo que obtenemos
dos valores propios, 1 = 1 (doble) y 2 = 2 (simple). Comprobamos la multiplicidad geomtrica
del valor propio 1:
1 1 2
mg(1) = dim(P1 ) = dim(R3 ) rang(A I3 ) = 3 rang 1 1 2 = 3 2 = 1
2 1 1
96
1 0 0
1 0 0
Entonces tenemos que D = P 1 AP con P = 0 1 0 y D = 0 4 0 . Para calcular A
1 0 1
0 0
tenemos que calcular primero la inversa de P :
1 0 1
Adj(P ) = 0 1 0 ;
0 0 1
1 0 0
Adj(P )t = 0 0 0 ;
1 0 1
P 1
1 0 0
Adj(P )
= 0 0 0 ;
=
|P |
1 0 1
t
1 0 0
1 0 0
1 0 0
1 0 0
1 0 0
1
0 0
4 0
A = 0 1 0 0 4 0 0 0 0 = 0 4 0 0 0 0 = 0
1 0 1
0 0
1 0 1
1 0
1 0 1
1 0
2. Como el determinante es invariante frente a semejanza, |A| = |D| = 4. Por tanto, A es inversible
si, y slo si, 4 6= 0 6= 0.
3. Una raz cuadrada de A es una matriz B tal que B 2 = A. Si D0 es una raz cuadrada de D, entonces
P D0 P 1 lo es de A. Entonces tenemos que una raz de A es
1 0 0
1 0 0
1 0 0
1 0 0
1 0 0
B = 0 1 0 0 2 0 0 0 0 = 0 2 0 0 0 0 =
1 0 1
0 0
1 0 1
1 0
1 0 1
1
0 0
0
2 0
1 0
donde 0.
97
4. Consideremos tres sucesiones infinitas de nmeros reales {xi }, {yi } y {zi } verificando
xn
3 0 1
xn1
yn = 8 2 4 yn1
zn
2 0
0
zn1
para n N . Calcule una expresin que proporcione los trminos generales para cada sucesin
en funcin de x0 , y0 y z0 . Indicacin: pruebe en primer lugar, usando induccin, que
xn
x0
3 0 1
yn = An y0 , n N, donde A = 8 2 4
zn
z0
2 0
0
No entiendo nada.
5. Calcule la forma cannica de Jordan, con una matriz de paso, as como la matriz exponencial
de las matrices
2 0 0 0
1 1 1
0 2 0 0
.
A=
0 1 2 0 , B = 0 3 1
0 0 1
1 1 0 2
El polinomio caracterstico de la matriz A es:
2
0
0
0
0
2
0
0
4
p() = |A I4 | =
= (2 )
0
1
2
0
1
1
0
2
que se calcula fcilmente porque la matriz es triangular. El nico autovalor es = 2 con multiplicidad
algebraica 4 y la multiplicidad geomtrica o la dimensin del espacio propio es
0 0 0 0
0 0 0 0
0
(A 2I4 )2 =
0
1
0
0
1
1
0
0
0
0
2
0
0
0
0
=
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
98
2 1
0 2
0 0
0 0
0
0
2
0
0
0
1
2
2 1 0 0
0 2 1 0
2 1 0 0
2 1 0 0
0 2 0 0
o bien 0 2 0 0 por qu?
0 0 2 1
0 0 2 0
0 0 0 2
0 0 0 2
Y as, la forma cannica de Jordan de A es
2
0
J =
0
0
1
2
0
0
0
0
2
0
0
0
1
2
Si solo hubiesemos tenido en cuenta el dato del polinomio caracterstico y el polinomio mnimo
necesitaramos de alguna informacin adicional para elegir entre estas dos posibilidades: el rango de
la matriz (A 2I4 ). Como tenemos que rang(A 2I4 ) = rang(J 2I4 ), y adems ya hemos visto
que rang(A 2I4 ) = 2, entonces tenemos que rang(J 2I4 ) = 2. Entonces veamos el rango de las
dos matrices para ver cual es la de rango 2:
2 1 0 0
2 0 0 0
0 1 0 0
0 2 0 0 0 2 0 0 0 0 0 0
0 0 2 0 0 0 2 0 = 0 0 0 0 rang = 1
0 0 0 2
0 0 0 2
0 0 0 0
2
0
0
0
1
2
0
0
0
0
2
0
0
2
0 0
1 0
2
0
0
2
0
0
0
0
2
0
0
0
0 0
=
0 0
2
0
1
0
0
0
0
0
0
0
0
0
rang = 2
1
0
Y entonces llegamos igualmente a la conclusin de que, como la segunda matriz es la que cumple que
rang(J 2I4 ) = 2, esa debe ser la forma cannica de Jordan. Calculamos ahora la matriz de paso P .
Comenzamos calculando la cadena de inclusiones de ncleos:
{0} = Ker(A 2I4 ) Ker(A 2I4 )2 = R4
99
2 1 0 0
0 2 0 0
= A~v1
(A 2I4 )~v1
= A~v2
(A 2I4 )~v2
= A~v3
(A 2I4 )~v3
= A~v4
(A 2I4 )~v4
=0
= ~v1
=0
= ~v3
Como Ker(A 2I4 )2 = R4 , los vectores ~v2 y ~v4 pueden ser cualesquiera con la nica condicin de
que no pertenezcan al ncleo de A 2I4 . Determinamos dicho ncleo:
0 0 0 0
x
0
x=0
0 0 0 0 y 0
y
=
0
y=0
Ker(A 2I4 ) =
0 1 0 0 z = 0 x + y = 0 z =
1 1 0 0
t
0
t=
Entonces, tenemos que Ker(A 2I4 ) = h(0, 0, 1, 0), (0, 0, 0,1)i. Tomemos entonces ~v2 := (1, 0, 0, 0)
y as ~v2 6= Ker(A 2I4). Para obtener ~v1 hacemos simplemente:
0 0 0 0
1
0
0 0 0 0 0 0
~v1 := (A 2I4 )~v2 =
0 1 0 0 0 = 0
1 1 0 0
0
1
Observamos que ~v1 pertenece a Ker(A 2I4 ). Tomamos ahora ~v4 linealmente independiente de ~v2 , y
as ~v4 := (0, 1, 0, 0) que tampoco pertencece al ncleo de A 2I4 . Entonces:
0 0 0 0
0
0
0 0 0 0 1 0
~v3 := (A 2I4 )~v4 =
0 1 0 0 0 = 1
1 1 0 0
0
1
0 1 0 0
0 0 0 1
2 1
2 2
e e
0
2
2 1 1
e
=e
= 2 2
0 1
e e
100
e e 0 0
0 e2 0 0
eJ =
0 0 e2 e2
0 0 0 e2
Calculamos la matriz inversa de P :
0 1 0 0 1 0 0 0
0 0 0 1 0 1 0 0 F1 =F4
0 0 1 0 0 0 1 0 F
2 =F1
F4 =F2
1 0 1 0 0 0 0 1
1 0 0 0 1 0 1 1
0 1 0 0 1 0 0 0
0 0 1 0 0 0 1 0
0 0 0 1 0 1 0 0
0 1 0 1 0
1 0 0 1 0
0 1 0 0 0
0 0 1 0 1
1
0
0
0
2 2
1 0 0 0
e e 0 0
1
2
0 1 0 0 0 e 0 0 1
eA =
0 0 1 0 0 0 e2 e2 0
0 0 0 1
0 0 0 e2
0
1 0 1 1
e
0
0 0
2
1 0 0 0 0
e
0 0
2
0 0 1 0 = 0
e
e2 0
0 1 0 0
e2 e2 0 e2
0
0
0
1
0 1
0 0
1 +F3
F
1 0
0 0
1 1
0
e2 0 0
0 0
0
0 e2
= 0
1 0 0
0 e2 e2
e2 e2 e2 e2
0 0
Ahora tenemos que hacer todo lo que hemos hecho con la matriz A pero conla matriz B. La forma
cannica de Jordan y la matriz de paso de la matriz B la calculamos en el ejemplo 6 de la pgina 77,
as que solo nos falta calcular la matriz exponencial de B. La forma canncida de Jordan de B era
1 1 0
J = 0 1 0
0 0 3
Tenemos dos bloques elementales de Jordan. Calculamos primero la matriz exponencial del bloque
de orden dos:
1
1
1 1
e e
0
1
e
=e
=
0 e
0 1
La matriz exponencial del ploque de orden uno es e3 . Por tanto:
e e 0
eJ = 0 e 0
0 0 e3
101
3 0 1
3e 3e e3
4 2 1
e e 0
4 2 1
1
1
0
e 2e3 0 0 6 =
0 1 2 0 e 0 0 0 6 =
eA =
12
12
3
0 2e 0
0 2 0
0 6
3
0 0 e
0 6
3
21
12e 6e + 6e3 3e 18e + 3e3
e 21 e + 12 e3 12
e + 14 e3
1
1
0
12e3
6e + 6e3 = 0
e3
2 e + 12 e3 =
=
12
0
0
12e
0
0
e
1
e 2 (e + e3 ) 14 (7e + e3 )
1
(e + e3 )
e3
= 0
2
0
0
e
x1 =
x1 + x2 + x3 = 0
x3 = x1 x2
x2 =
x3 + x 4
x4 = x1 + x 2
x3 =
Ker(f 2Id) =
x5 = 0
x5 = 0
x4 = +
x5 = 0
Ker(f 2Id) = {(1, 0, 1, 1, 0), (0, 1, 1, 1, 0)} Como entonces dim(Ker(f 2Id)) = 2 se tiene
que la multiplicidad geomtrica de 2 es 2, que no coincide con 3, que es la multiplicidad algebraica
tal y como dice el enunciado. Podemos afirmar entonces que f no es diagonalizable. Como las races
del polinomio caracterstico son 1 y 1 simples, y 2 triple, aparecen seguro dos bloques elementales
de orden uno asociados cada uno a 1 y 1 respectivamente, y uno tambin de orden uno asociado
a 2, ya que el nmero de bloques elementales de Jordan asociados al autovalor 2 coincide con su
multiplicidad geomtrica que es 2, por lo que un bloque tiene que ser de orden uno y el otro de orden
dos. Por tanto
2 1 0 0 0
0 2 0 0 0
0
0
2
0
0
J =
0 0 0 1 0
0 0 0 0 1
Si llamamos A = MB (f ), tenemos que J = P 1 AP . Para calcular A usaremos las tres ecuaciones
que nos dan en el enunciado
f (e2 ) = e2
f (e3 ) + f (e4 ) = e3 + e4
f (e5 ) = 2e5 + e1 e2
102
donde hemos tenido en cuenta que f es lineal. A estas ecuaciones tenemos que aadir dos ms. Los
vectores de la base del ncleo de f 2Id que hemos determinado son e1 e3 + e4 y e2 e3 + e4 y
verifican que (f 2Id)(x) = 0 f (x) = 2x. Por tanto, las ecuaciones que conseguimos son:
f (e1 ) f (e3 ) + f (e4 ) = 2e1 2e3 + 2e4 , f (e2 ) f (e3 ) + f (e4 ) = 2e2 2e3 + 2e4
Resolvemos el sistema:
0 1 0 0 0 0 1 0 0 0
1
0 0 1 1 0 0 0
1 1 0
0
1 =F4
0 0 0 0 1 1 1 0 0 2 F
0
1
1 0 1 1 0 2 0 2 2 0 FF23 =F
0
=F2
F4 =F5 F1
0 1 1 1 0 0 2 2 2 0 F5 =F3
0
1 0 0 2 0 2 0 1 3 0
1 0
0 1 0 0 0 0 1 0 0 0
0 1
F1 F4
0 0 1 1 0 0 0
0 0
1 1 0
1
0 0 0 2 0 0 3 1 3 0 F1 3 2 F4 0 0
F4
0 0 0 0 1 1 1 0 0 2 2
0 0
0 1 1 0 2 0 2 2 0
1 0 0 0 0 1 0 0 0
F1 +F3
1 1 0
0 1 1 0 0 0
F
+F
0 1 1 0 0 3 2 2 0 4 3
0 0 0 1 1 1 0 0 2
0 0 0 2 3
0
0
0
0 0 0 0 1
0
0
0
2
0
0
0
1
3 1 3/2 3/2 1
0
0
3/2
1/2
0
A=
0
0 1/2 3/2
0
0
0
0
0
2
Solo nos falta calcular una matriz de paso P . Como J
2 1 0 0
0 2 0 0
= P 1 AP , se tiene que P J = AP :
0
0
0
= A(~v1 |~v2 |~v3 |~v4 |~v5 )
0
1
Multiplicando llegamos a
2~v1
~v1 + 2~v2
2~v3
~v4
~v5
= A~v1
(A 2I5 )~v1 = 0
= A~v2
(A 2I5 )~v2 = ~v1
= A~v3 (A 2I5 )~v3 = 0
= A~v4
(A + I5 )~v4 = 0
= A~v5
(A I5 )~v5 = 0
103
Uniendo las dos primeras igualdades tenemos que ~v2 Ker(A 2I5 )\ Ker(A 2I5 ). Una vez elegido
~v2 multiplicamos y obtenemos ~v1 y elegimos ~v3 con independencia lineal en Ker(A 2I5 ). Despus
~v4 Ker(A + I5 ) y ~v5 Ker(A I5 ). Las cadenas de ncleos son
{0} Ker(A 2I5 ) Ker(A 2I5 )2 = Ker(A 2I5 )3 = . . .
{0} Ker(A + I5 ) = Ker(A + I5 )2 = . . .
{0} Ker(A I5 ) = Ker(A I5 )2 = . . .
Para calcular el ncleo Ker(A 2I5)2 primero tenemos que calcular (A 2I5 )2 :
2
0
0
0
0
1
3 3 3/2 3/2 1
2
0 1/2 1/2 0
(A 2I5 ) =
0
=
0
0 1/2 1/2 0
0
0
0
0
0
0 0
0
0
0
0 0 0
0
0
9 9 9/2 + 3/4 3/4 9/2 + 3/4 3/4 3 + 3 9 9 9/2 9/2 0
0 0
1/4 + 1/4
1/4 + 1/4
0
= 0 0 1/2 1/2 0
0 0
1/4 + 1/4
1/4 + 1/4
0
0 0 1/2 1/2 0
0 0
0
0
0
0 0 0
0
0
Y entonces
0
9
Ker(A 2I5 )2 =
0
0
0
x=
y=
t
=
z = s =
Los otros dos ncleos son
3
3
Ker(A + I5 ) =
0
0
0
3 0 0
0 0 1
F2 =F4
0 0 0
F3 +5F4
F4 =F2 3F4 0 0 0
1
F
3 5
0 0 0
0 0
0
0
x
0
y 0
9 9/2 9/2 0
2x + 2y + z t = 0
0 1/2 1/2 0 z = 0
z+t=0
0 1/2 1/2 0
t
0
0 0
0
0
s
0
Ker(A 2I5 )2 = h(1, 0, 1, 1, 0), (1, 1, 0, 0, 0), (0, 0, 0, 0, 1)i
3
0
0
0
1
x
0
0 3/2 3/2 1 y 0
0
2 +F1
z = 0 F
0 5/2 1/2 0
2F2 0
0 1/2 5/2
0
t
0
2F3 0
2F4
0
0
0
0
3
s
0
0 1
x=0
3x + s = 0
5 0
y=
z 5t = 0
24 0
z=0
t=0
12 0
t=0
s=0
0 1
s=0
0 0
0 1
0 3 3 0
0 5 1 0
0 1 5 0
0 0
0 3
104
1
0
0
0
1
x
0
1 0
0
0 1
3 2 3/2 3/2 1 y 0
F2 +3F1 0 4 3 3 4
0
1/2 1/2 0 z = 0 0 0
1 1 0
Ker(A I5 ) = 0
2F2
0
0 1/2 1/2
0 t 0 2F3 0 0 1 1 0
2F4
0
0
0
0
1
s
0
0 0
0
0 1
1 0 0 0 0
x=0
x=0
0 4 0 0 0
y=0
F1 F5
4y = 0
0 0 1 1 0
z = Ker(A I5 ) = h(0, 0, 1, 1, 0)i
zt=0
F2 4F5
0 0 0 0 0
t=
F2 +3F3
s=0
F4 +F3
0 0 0 0 1
s=0
A la vista de las condiciones que hemos deducido, definimos ~v2 := (0, 0, 0, 0, 1) para tener:
0
0
0
0
1
0
1
3 3 3/2 3/2 1 0 1
0 = 0
0
0
1/2
1/2
0
~v1 := (A 2I5 )~v2 =
0
0 1/2 1/2 0 0 0
0
0
0
0
0
1
0
Tenemos que ver si ~v1 pertenece a Ker(A2I5 ). Como tenemos que (1, 0, 1, 1, 0)(0, 1, 1, 1, 0) =
(1, 1, 0, 0, 0), ~v1 pertenece a Ker(A 2I5 ) como tiene que ser. Tomamos entonces en este ncleo
~v3 := (1, 0, 1, 1, 0) que no depende de ~v1 . Ya slo nos falta definir ~v4 := (0, 1, 0, 0, 0) y ~v5 :=
(0, 0, 1, 1, 0) para tener la nueva base
B = {(1, 1, 0, 0, 0), (0, 0, 0, 0, 1), (1, 0, 1, 1, 0), (0, 1, 0, 0, 0), (0, 0, 1, 1, 0)}
o lo que es lo mismo
B = {e1 e2 , e5 , e1 e3 + e4 , e2 , e3 + e4 }
1
1
0 1 0 0
0 0 1 0
0 1 0 1
.
0 1 0 1
1 0 0 0
7. Encuentre, usando la forma cannica de Jordan, una expresin para las potencias An de la
matriz
1 0 0 1
1 0 2 0
4
A=
2 1 4 2 9
1 0 0
3
105
2 44
=1
=
2
Por tanto, las races son 1 = 1, simple, y 2 = 1, triple. La multiplicidad algebraica de 1 es
1/2
0
mg(1) = dim(P1 ) = dim(R4 ) rang(A I4 ) = 4 rang
1/2
1/2
0 0 1/2
0 0
2
=43=1
2 2 9/2
0 0
1/2
2
3/2 0 0 1/2
1/2 0 0 1/2
0 2 0
2
0 0
2
0
(A + I4 )(A I4 )2 =
1/2 2 0 9/2 1/2 2 2 9/2 =
1/2 0 0 5/2
1/2 0 0
1/2
3/2 0 0 1/2
1/4 1/4
0 0
1/4 1/4
0 2 0
1
0 0
1
2
3/2 0 0 1/2
0 0 0 0
0 0 0 0
0 2 0
2
1 0 0 1 = 2 0 0 2
=
1/2 2 0 9/2 1 4 4 3 2 0 0 2
1/2 0 0 5/2
0 0 0 0
0 0 0 0
106
Como ( + 1)( 1)2 no es el polinomio mnimo, este debe ser ( + 1)( 1)3 . Lo comprobamos:
2
(A + I4 )(A I4 )3 =
2
0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0
0
0
0
0
0
0
0
0
1/2
0
2
2 1/2
0
1/2
0 0 1/2
0
1 + 1
0 0
2
=
2 2 9/2 1 + 1
0 0
1/2
0
1 0 0
0 1 1
J =
0 0 1
0 0 0
0
0
0
0
0
0
0 1 + 1
=
0 1 + 1
0
0
0
0
1
1
1
0
(~v1 |~v2 |~v3 |~v4 )
0
0
~v1
~v2
~v2 + ~v3
~v3 + ~v4
0
1
0
0
0
1
1
0
0
0
= A(~v1 |~v2 |~v3 |~v4 )
1
1
= A~v1
(A + I4 )~v1
= A~v2
(A I4 )~v2
= A~v3
(A I4 )~v3
= A~v4
(A I4 )~v4
=0
=0
= ~v2
= ~v3
De aqu tenemos que ~v4 Ker(A I4 )3 \ Ker(A I4 )2 y ~v1 Ker(A + I4 ). Las cadenas de ncleos
son
{0} Ker(A + I4 ) = Ker(A + I4 )2 = . . .
{0} Ker(A I4 ) Ker(A I4 )2 Ker(A I4 )3 = Ker(A I4 )4 = . . .
Determinamos los ncleos que aparecen en estas cadenas:
0
1 0 0 5
x
3/2 0 0 1/2
0 2 0
1 =2F4 0 2 0 2 F3 F1
2
y = 0 F
Ker(A + I4 ) =
1 4 0 9 F
1/2 2 0 9/2 z 0 2F3
4 4F1
F4 =2F1
0
3 0 0 1
t
1/2 0 0 5/2
1 0 0 5
x=0
x + 5t = 0
0 2 0 2
y=0
16t = 0
0 0 0 16
t=0
1/2 0
0
0
Ker(A I4 ) =
1/2 2
1/2 0
1 0 0 1
0 0 0
0 2 2 8
0 0 0
0
107
0 1/2
x
0
1 0 0 1
2F1 0 0 0
0
2
2
3 +F1
y = 0
F
2 9/2 z 0 2F3 1 2 2 9 F4 +F1
2F4
0
1/2
t
0
1 0 0
1
x=0
x t = 0
y=
2t = 0
2y 2z + 8t = 0
t=0
0 0 0 0
x
0
1
0
0
1
y
0
x+t=0
2
Ker(A I4 ) =
1 4 4 3 z = 0 x 4y + 4z 3t = 0
0 0 0 0
t
0
x =
x = t
x = t
y =
4y = 4z 4t
y =zt
z=
t=
Ker(A I4 )2 = h(1, 1, 0, 1), (0, 1, 1, 0)i
Para calcular Ker(A I4 )3 primero tenemos que calcular (A I4 )3 :
0 0 0 0
1/2 0 0 1/2
1 0 0 1 0
0 0
2
(A I4 )3 =
1 4 4 3 1/2 2 2 9/2 =
0 0 0 0
1/2 0 0
1/2
0
0 0
0
0
1/2 + 1/2
0 0
1/2 + 1/2
0
=
1/2 + 4/2 3/2 8 8 1/2 8 + 36/2 3/2 = 0
0
0 0
0
0
0 0 0
0 0 0
8 8 8
0 0 0
x
0
0 0 0 0
0
0
0
0
y
0
Ker(A I4 )3 =
0 8 8 8 z = 0 y z + t = 0 y = z t
0 0 0 0
t
0
x=
y =
t=
Elegimos ~v4 := (1, 0, 0, 0) y tenemos:
1/2
0
~v3 := (A I4 )~v4 =
1/2
1/2
0 0 1/2
1
1/2
0 0
2
0 = 0
2 2 9/2 0 1/2
0 0
1/2
0
1/2
108
1/2 0 0 1/2
1/2
1/4 1/4
0
0
0 0
2 0
1
= 1
~v2 := (A I4 )~v4 =
=
1/2 2 2 9/2 1/2 1/4 1 + 9/4 1
1/2 0 0
1/2
1/2
1/4 + 1/4
0
~v2 pertenece al Ker(A I4 ) porque es incluso el
~v1 := (0, 0, 1, 0). Y entonces la matriz de paso es:
0 0
0 1
P =
1 1
0 0
Calculamos la inversa de la matriz P :
0 0 1/2 1 1 0 0 0
0 1
0
0 0 1 0 0
F1 =F3
1 1 1/2 0 0 0 1 0 F
3 =F4
F4 =F1
0 0 1/2 0 0 0 0 1
1 0 0 0 0 1 1 1
0 1 0 0 0 1 0 0
0 0 1 0 0 0 0 2
0 0 0 1 1 0 0 1
1
0
0
0
1
0
0
0
1 1/2
1
0
0 1/2
0 1/2
0
0
0
1
0
0
0
1
0
1
0
0
1
0
0
0
0
0
2 F3
F1 F
1
2F3
F4 +F3
0
Antes de calcular An tenemos que calcular J n . Probaremos haciendo J 2 ya que la matriz es casi
diagonal y es posible que sea nilpotente o idempotente. Una matriz A Mn (K) se dice nilpotente si
existe k N tal que Ak = 0. Una matriz idempotente es una matriz la cual es igual a su cuadrado.
1 0 0 0
1 0 0 0
0 1 1 0
= 0 1 2 1
J2 =
0 0 1 1
0 0 1 2
0 0 0 1
0 0 0 1
Con una sola potencia no sacamos nada en claro.
1 0 0 0
1 0
0 1 2 1 0 1
J3 =
0 0 1 2 0 0
0 0 0 1
0 0
0
1
1
0
0
1
0 0
=
1 0
1
0
0
1
0
0
0
3
1
0
0
3
3
1
Si nos fijamos, vemos que el elemento a11 cambia de signo segn si la potencia es par o impar, los
elementos a22 , a33 y a44 siempre valen 1, los elementos a23 y a43 se incrementan en una unidad con
cada potencia por tanto tienen el valor n de la potencia, el elemento a24 de la potencia J n es la suma
de los elementos a23 y a24 de la potencia J n1 (cmo se puede expresar este elemento?). Ahora
calculamos An :
0 0 1/2 1
(1)n 0 0 0
0 1 1 1
0 1
0
0
1 n ?
0
0 1 0 0 =
An = P J n P 1 =
1 1 1/2 0 0
0 1 n 0 0 0 2
0 0 1/2 0
0
0 0 1
1 0 0 1
109
8. Dada la matriz
8
0
A=
0
0
0
0
0
0
0
0
0
0
0
0
0
8
8
0
0
0
8
8
0
8
0 0
0
8 8
0 8 0
8 8
0 0 0 0 0
0 0 1 0 0
0
0
0
0
0
J =
0 0 0 8 1
0 0 0 0 8
2.
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
8
0
A~v1 = 0
A~v2 = 0
A~v3 = ~v2
(A 8I)~v4 = 0
(A 8I)~v5 = ~v4
110
0 0
0
8 8
x
0
t+s=0
0 8 0
8 8
y 0
y=0
Ker(A8I) :
Ker(A8I) = h(1, 0, 0, 0, 0)i
0 0 8 0 0 z = 0 z = 0
0 0
0 8 0
t
0
t=0
0 0
0
0 0
s
0
0 0 0 64
0
x
0
s=
0 64 0 128 64 y 0
ys=0
x=
z = 0
z
=
0
y=
0
0
64
0
0
Ker(A 8I)2 :
0 0 0
64
0
t
0
t=0
z=0
0 0 0
0
0
s
0
t=0
Ker(A 8I)2 = h(0, 1, 0, 0, 1), (1, 0, 0, 0, 0)i
8
0
Ker(A) :
0
0
0
0
0
0
0
0
0
0
0
0
0
8
8
0
0
0
8
x
0
8 y 0
0 z = 0
0 t 0
8
s
0
x=0
y=
z = Ker h(0, 0, 1, 0, 0), (0, 1, 0, 0, 0)i
t=0
s=0
Tenemos que ~v5 Ker(A 8I)2 Ker(A 8I), por tanto, ~v5 := (0, 1, 0, 0, 1).
0 0
0
8 8
0
8
0 8 0
1 0
8
8
~v4 = (A 8I)~v5 =
0 0 8 0 0 0 = 0
0 0
0 8 0 0 0
0 0
0
0 0
1
0
~v3 Ker(A)2 Ker(A).
64 0
0 0
Ker(A)2 :
0 0
0 0
0 0
0 64 128
x
0
t=
y 0
0 0 64
z=
x+t=0
0 0
0 z = 0
y=
s=0
0
x =
0 0
0
t
0 0 64
s
0
s=0
8
0
~v2 = A~v3 =
0
0
0
0
0
0
0
0
0
0
0
0
0
8
8
0
0
0
8
1
0
0 8
8
0
0 = 0
0 1 0
8
0
0
0
0
P =
1
0
0
0 1 8 0
8 0 0 1
0 0 0 0
0 1 0 0
0 0 0 1
0 1
1 1
0
0
0 1 1
=
;
e
=e
0 1
0 1
1 0
0 1
eJ =
0 0
0 0
0 0
111
8 1
8 8
e e
0
8
8 1 1
=
e
=e
0 1
0 e8
0 0 0
1 0 0
1 0 0
0 e8 e8
0 0 e8
112
2.9.
1 (MAYO 2003). Determine la forma cannica de Jordan del endomorfismo de R3 dado por las
condiciones f (1, 0, 0) = 12 (3, 0, 1), f (0, 1, 0) = (0, 2, 0) y f (0, 0, 1) = 21 (1, 0, 3).
Tenemos en cuenta la propiedad: autovalor de A k autovalor de kA.
3
3 0 1
0
1
1
4
0 = (3 )2 (4 ) (4 ) =
A = 0 4 0 ; p(2) = 0
2
1
1 0 3
0
3
62
6 36 32
2
2
=
= (4 )(9 6 + 1) = (4 )( 6 + 8); 2 =
2
2
21 = 4, 22 = 2; p(2) = ( 4)2 ( 2) p() = ( 2)2 ( 1)
Comprobamos la multiplicidad geomtrica del autovalor 2:
1/2 0 1/2
0
0 = 3 1 = 2 = ma(2)
mg(2) = 3 rang 0
1/2 0 1/2
La matriz es diagonalizable y, por tanto, la forma cannica de Jordan coincide con la matriz diagonal:
1 0 0
J = 0 2 0
0 0 2
2 (ENERO 2006). Considere el endomorfismo en R3 dado por f (e1 ) = e1 , f (e2 ) = ae1 + e2
y f (e3 ) = e1 + e2 + 2e3 , donde a R y {e1 , e2 , e3 } es la base cannica de R3 .
a) Para qu valores del parmetro a es f diagonalizable?
b) Calcule su forma cannica de Jordan para a = 1, as como eA .
a)
1
1 a 1
a
1
1
1 = (1 )2 (2 )
A = 0 1 1 ; p() = 0
0
0 0 2
0
2
0 a 1
mg(1) = 3 rang 0 0 1
0 0 1
Para a 6= 0, mg(1) = 3 2 = 1 6= ma(1), y la matriz no es diagonalizable. Para a = 0, mg(1) =
3 1 = 2 = ma(1) y la matriz es diagonalizable ya que la multiplicidad algebraica de cada autovalor
coincide con su multiplicidad geomtrica.
b) Para a = 1, mg(1) = 1 por tanto tenemos una caja de Jordan asociada al autovalor 1:
1 1 0
J = 0 1 0 ,
0 0 2
e e 0
eJ = 0 e 0
0 0 e2
113
3 (ENERO 2006). Encuentre los valores de los parmetros reales y para los que el endomorfismo en R3 de matriz:
2 1 +
0
A=
2 2 2 + 2
es diagonalizable. Diagonalice en esos casos el endomorfismo y encuentre una matriz de paso.
2
1
= ( )
=
0
0
p() =
2 2
+ 2
2 2
2
+ 2
1
1 +
2
2
= ( )
= ( )
1 + 2 = ( ) 0 =
+ 2
= ( )2 ( )
Para = tenemos un solo autovalor de multiplicidad algebraica 3. Calculamos su multiplicidad
geomtrica:
1
0
0 1 0
0 ;
mg() = 3 0 0 0 = 3 1 = 2 6= ma() = 3
A= 0
0
2
0 2 0
La matriz no es diagonalizable para = . Para 6= :
1 +
= 3 1 = 2 = ma()
0
0
mg() = 3 rang 0
2 2 2 2 + 2
0 0
D 0 0 , para todo R, R, 6= .
0 0
1 +
x
0
0
0
0
y = 0 ( )x = y ( + )z
P = Ker(A I) :
2 2 2 2 + 2
z
0
1
x = +
1
1
y+z
P = (1, 0, 1),
, 1, 0
x=
y=
z=
2 2
1
+
x
0
0
y = 0
P = Ker(A I) :
2 2
2
+
z
0
2( )x = ( )
x = 12
(2 2)x + y + ( + )z = 0
y=0
y=0
( )y = 0
z=
z=
1
P =
, 0, 1
2
114
1
1/2
1
P = 0
1
0
1
0
1
4 (ENERO 2009). Sea el endomorfismo de R4 dado por f (x, y, z, t) = (t, z, y, x). Encuentre
una base en la que la matriz de f est formada por bloques elementales de Jordan.
0
0 0 0 1
0
1
1
0 1
0
0 0 1 0
0
; p() = 0 1
1 0 1 0 1 =
A=
=
0
0 1 0 0
1 0
0
1 0
0
0
1 0 0 0
1
0
0
1
1 1
2
2
= (2 1)(2 1) = ( 1)2 ( + 1)2
= ( 1)
1 1
1
0
0
1
1 1
0
= 4 2 = 2 = ma(1)
1 1 0
0
0 1
1 0 0 1
0 1 1 0
mg(1) = 4 rang
0 1 1 0 = 4 2 = 2 = ma(1)
1 0 0 1
1
0
mg(1) = 4 rang
0
1
El endomorfismo es diagonalizable.
x
0
x=
1 0
0
1
0 1 1
0 y 0
x=t
y=
P1 = Ker(A I) :
=
1 1 0
z
0
y=z
z=
1
0
0 1
t
0
t=
1
0
P2 = Ker(A + I) :
0
1
0
1
1
0
0
1
1
0
1
x
0
x =
y 0
0
x
=
t
y =
=
0
z
0
y = z
z=
1
t
0
t=
1 0 0 0
0 1 0 0
;
D=
0
0 1 0
0
0 0 1
1 0 1 0
0 1 0 1
P =
0
1 0 1
1
0 1 0
La base pedida es B = {(1, 0, 0, 1), (0, 1, 1, 0), (1, 0, 0, 1), (0, 1, 1, 0)}.
115
8
0
A=
0
0
0
0
0
0
0
0
0
0
0
0
0
8
8
0
0
0
8
8
0
8
2 0 1
A = k 2 k
0 0 1
en la base cannica es diagonalizable. Calcule eA cuando k = 1, dejando sin realizar la inversa
de la matriz de paso.
2
0
1
2
0
= (1 )(2 )2
p() = k 2 k = (1 )
k
2
0
0
1
0 0 1
mg(2) = 3 rang k 0 k
0 0 1
Si k = 0, mg(2) = 3 1 = 2 = ma(2). Si k 6= 0, mg(2) = 3 2 = 1 6= ma(2) = 2. Cuando k = 1
f no es diagonalizable.
1 0 0
1 0 0
(A I)~v1 = 0
(A 2I)~v2 = 0
(~v1 |~v2 |~v3 ) = 0 2 1 = A(~v1 |~v2 |~v3 )
J = 0 2 1 ;
0 0 2
(A 2I)~v3 = ~v2
0 0 2
~v3 Ker(A 2I)2 \ Ker(A 2I), ~v2 Ker(A 2I), ~v1 Ker(A I).
0 0 1
x
0
z=0
Ker(A 2I) : 1 0 1 y = 0
Ker(A 2I) = h(0, 1, 0)i
x=0
0 0 1
z
0
0 0 1
x
0
2
116
1 0 1
x
0
x+z =0
y = 0
Ker(A I) : 1 1 1
Ker(A I) = h(1, 0, 1)i
y=0
0 0 0
z
0
~v3 := (1, 0, 0).
0 0 1
1
~v2 := (A 2I)~v3 = 1 0 1 0
0 0 1
0
~v1 := (1, 0, 1).
1 0 1
0 1 0 ;
P =
1
0 0
2 1
0
2
2 1 1
e
=e
0 1
1
1 0 1
1 0 1
e 0 0
eA = P eJ P 1 = 0 1 0 0 e2 e2 0 1 0
1
0 0
0 0 e2
1
0 0
0 4
0
1
0 2
0
0
A=
0 0
0
0
4 8 12 4
a) Determine la forma cannica de Jordan J de la matriz.
b) Determine una matriz inversible P tal que P AP 1 = J .
c) Calcule eJ .
a)
4
0
1
4
1
0 2 0
0
= (2 ) 0
0 =
p() =
0
0
0
4 12 4
4
8
12 4
1
16 16
4
2
= (2 )(4 + + 4); =
= 2; p() = ( 2)3
= (2 )
4 4
2
2 4 0
0
0
0
mg(2) = 4 rang
0
0
2
4
8 12
0 0
0 2
J =
0 0
0 0
1
0
= 4 2 = 2 6= ma(2) = 3
0
2
0 0
1 0
2 0
0 2
117
b)
0
0
(~v1 |~v2 |~v3 |~v4 )
0
0
0
2
0
0
0
1
2
0
0
=
A(~
v
|~
v
|~
v
|~
v
)
1 2 3 4
0
(A 0I)~v1
(A 2I)~v2
(A 2I)~v3
(A 2I)~v4
=0
=0
= ~v2
=0
2 4 0 1
x
0
t = 2
2x + 4y + t = 0
y=
0
0
0 y 0
Ker(A 2I) :
=
0
0 2 0 z 0
z=0
x = 2
4
8 12 2
t
0
z=0
0
Ker(A 2I)2 :
0
0
0 12 0
x
0
y 0
0 0 0
= z = 0
0 4 0 z 0
0 0 0
t
0
t=
y=
x=
z=0
0 4 0 1
x
0
t=0
0 2
0
0
y = 0
y = 0 Ker(A 0I) = h(3, 0, 1, 0)i
Ker(A 0I) :
0 0
0
0 z 0
x = 3z
4 8 12 4
t
0
~v3 := (1, 0, 0, 0).
2 4 0 1
1
2
0
0 0
0
0
0
=
~v2 := (A 2I)~v3 =
0
0 2 0 0 0
4
8 12 2
0
4
~v1 := (3, 0, 1, 0), ~v4 = (2, 1, 0, 0).
3 2 1 2
0 0 0 1
P =
1 0 0 0
0 4 0 0
c)
1 0 0 0
0 e2 e2 0
eJ =
0 0 e2 0
0 0 0 e2
118
Tema 3
Espacio afn y eucldeo. Movimientos
3.1.
Formas bilineales
Sea V un espacio vectorial sobre un cuerpo K. Llamamos forma bilineal a toda aplicacin
f : V V K
(~u, ~v ) 7 f (~u, ~v )
que verifica:
1. f (~u, ~v + w)
~ = f (~u, ~v ) + f (~u, w)
~
~u, ~v , w
~ V y , K.
2. f (~u + ~v , w)
~ = f (~u, w)
~ + f (~v , w)
~
~u, ~v , w
~ V y , K.
es decir, una aplicacin f : V V K es una forma bilineal si es lineal en cada una de sus
componentes.
Al conjunto de las formas bilineales lo denotamos por L 2 (V 2 ; K)
Ejemplo 11. Dado R2 , la aplicacin f : R2 R2 R definida por
f : R2 R2 R
((x1 , x2 ), (y1 , y2 )) 7 x1 y2
es una forma bilineal, ya que para todo (x1 , x2 ), (y1 , y2 ), (z1 , z2 ) R2 y , K se tiene que
f ((x1 , x2 ) + (y1 , y2 ), (z1 , z2 )) = f ((x1 + y1 , x2 + y2 ), (z1 , z2 )) = (x1 + y1 )z2 = x1 z2 +
+ y1 z2 = f ((x1 , x2 ), (z1 , z2 )) + f ((y1 , y2 ), (z1 , z2 ))
con lo que queda comprobada la linealidad en la primera variable (o primer argumento) y, anlogamente, se comprobara la linealidad en la segunda variable (o segundo argumento).
Ejemplo 12. Comprobar que las siguientes aplicaciones son bilineales:
1. f : R2 R2 R definida como f [(a, b), (c, d)] = ac + bd.
2. f : R2 R2 R definida como f [(a, b), (c, d)] = ad bc.
3. f : Kn Kn K definida como f (X, Y ) = X t AY , con A Mn (K).
1. Veamos si f es una aplicacin lineal en la primera variable:
f ((a1 , b1 ) + (a2 , b2 ), (c, d)) = f ((a1 + a2 , b1 + b2 ), (c, d)) = (a1 + a2 )c + (b1 +
+ b2 )d = (a1 c + b1 d) + (a2 c + b2 d) = f ((a1 , b1 ), (c, d)) + f ((a2 , b2 ), (c, d))
119
120
Y por tanto, es lineal en la primera variable. Anlogamente se comprobara que es lineal en la segunda
variable y entonces, f es una aplicacin bilineal.
2. Igual que antes comprobamos la linealidad en la primera variable:
f ((a1 , b1 ) + (a2 , b2 ), (c, d)) = f ((a1 + a2 , b1 + b2 ), (c, d)) = (a1 + a2 )d (b1 +
+ b2 )c = (a1 d b1 c) + (a2 d b2 c) = f ((a1 , b1 ), (c, d)) + f ((a2 , b2 ), (c, d))
Anlogamente se comprobara en la segunda variable, por lo que f es una aplicacin bilineal.
3. Comprobamos la linealidad en la primera variable:
f (X + Z, Y ) = (X + Z)t AY = (X t + Z t )AY = X t AY + Z t AY =
= f (X, Y ) + f (Z, Y )
Anlogamente se comprobara la linealidad en la segunda variable, por lo que f es una aplicacin
bilineal.
Teorema 7. Sea f : V V K una forma bilineal. Entonces:
f (~u, ~0) = f (~0, ~u) = 0
~u V
Definicin 15. Se dice que una forma bilineal f : V V K es simtrica (Ls2 (V 2 ; K)) si verifica
que
f (~u, ~v ) = f (~v , ~u)
~u, ~v V
Ejemplo 13. La forma bilineal f : R2 R2 R definida por f [(x1 , x2 ), (y1 , y2 )] = x1 y1 + x2 y2
es simtrica puesto que:
f ((x1 , x2 ), (y1 , y2 )) = x1 y1 + x2 y2 = y1 x1 + y2 x2 = f ((y1 , y2 ), (x1 , x2 ))
Definicin 16. Se dice que una forma bilineal f : V V K es antisimtrica (La2 (V 2 ; K)) si
verifica que
f (~u, ~v ) = f (~v , ~u)
~u, ~v V
Proposicin 8. Una forma bilineal f : V V K es alternada si y slo si f (~u, ~u) = 0 para todo
~u V .
Definicin 17. Un cuerpo K de caracterstica n es aquel cuerpo en el que se cumple
n ~u = 0
~u K
121
0 1 0
Ejemplo 15. Sea M = 1 1 1 y f la forma bilineal dada por f (~
u, ~
v ) = (~
u)t M~
v . Prue0 0 1
ba que f no es degenerada.
Consideramos ~a = (a1 , a2 , a3 ) y ~u = (x1 , x2 , x3 ) dos vectores de R3 . Supongamos f (~a, ~u) = 0 ~u
R3 . De la igualdad (~a)t M~u = 0, es decir,
0
1
0
x1
a1 a2 a3 1 1 1 x2 = 0
0 0 1
x3
deducimos (a1 , a2 , a3 ) = (0, 0, 0), luego ~a = ~0, es decir, f es no degenerada a la izquierda. Segn el
corolario anterior, la aplicacin f es no degenerada.
3.1.1.
Perpendicularidad u ortogonalidad
Definicin 19. Dados ~u, ~v V , se dice que ~u es perpendicular u ortogonal a ~v con respecto a f si
f (~u, ~v ) = 0 (~uf ~v ).
Definicin 20. Dado S V y ~u V , se dice que ~u es perpendicular u ortogonal a S con respecto a
f si f (~u, ~v ) = 0 para todo ~v S.
Definicin 21. El subespacio formado por todos los elementos perpendiculares a S se denomina
f
ortogonal de S con respecto de f por la izquierda y se denota por S
f
S = {~u V |f (~u, ~v ) = 0; ~v S}
122
Proposicin 11. Si f es una forma bilineal simtrica o alternada, entonces tenemos que:
f
S = S
Proposicin 12. Si f es una forma bilineal simtrica o alternada, ambos subespacios coinciden y se
denominar ncleo radical de f .
Definicin 23. Se dice que f es no degenerada a la izquierda si Keri (f ) = {0}.
Anlogamente se define no degenerada a la derecha.
Definicin 24. Se dice que f , simtrica o alternada, es no degenerada si el ncleo o radical es el 0, es
decir,
si f (~u, ~v ) = 0 ~v V ~u = 0
Definicin 25. Un vector ~v V se dice isotrpico si f (~v , ~v ) = ~0.
Definicin 26. Un subespacio S se dice totalmente isotrpico si est formado nicamente por vectores isotrpicos.
(Qu ocurre si f es alternada?)
3.1.2.
Definicin 27. Sea V un espacio vectorial sobre un cuerpo K, y sea f : V V K una forma
bilineal. Si B = {~v1 , ~v2 , . . . , ~vn } es una base de V entonces, dados dos vectores ~x, ~y V tenemos
que
f (~v1 , ~v1 ) f (~v1 , ~vn )
y1
.
.
.
t
.
..
..
..
f (~x, ~y ) = (~x) A~y = x1 x2 xn
..
f (~vn , ~v1 )
f (~vn , ~vn )
yn
donde la matriz A = (f (~vi , ~vj )) de orden n definida sobre K recibe el nombre de matriz de la forma
bilineal f en la base B (A = MB (f )).
Ejemplo 16. Sea f : R3 R3 7 R una forma bilineal denida como
f [(x1 , x2 , x3 ), (y1 , y2 , y3 )] = 2x1 y1 3x1 y2 + 6x1 y3 + x2 y3 + 2x3 y1 x3 y2
Calcular la expresin matricial de f en la base cannica de R3 y en la base B = {(2, 0, 0), (0, 1, 0), (1, 0, 1
Definicin 28. Se denomina rango de una forma bilineal al rango de cualquiera de las matrices asociadas a la forma bilineal.
123
Definicin 29. Si dim V = n y f : V V K es una forma bilineal de rango menor que n, se dice
que la forma es degenerada. Si el rango de f es n es no degenerada.
Nota: la condicin necesaria y suficiente para que una forma bilineal sea degenerada es que |A| = 0,
siendo A cualquier matriz asociada a la forma bilineal.
Proposicin 13. Sea V un espacio vectorial de dimensin finita n, entonces las siguientes condiciones son equivalentes:
f
1. V = 0.
2.
V = 0.
124
Nota: respecto de la base cannica, a partir de la expresin de la forma bilineal se puede escribir la
matriz directamente, (sin clculos) porque atiende a la siguiente regla nemotcnica: enumerando
las filas con las componentes de ~x y las columnas con las de ~y , los elementos de la matriz son los coeficientes del producto de las componentes de ~x e ~y . As a11 es el coeficiente de x1 y1 , a12 el coeficiente
de x1 y2 , etc. . . pero ojo! slo es as para la matriz respecto de la base cannica.
Para calcular la matriz respecto de la base B hay dos vas: calculando directamente las imgenes de
los pares de vectores a partir de la expresin de f , tal como hacamos en las aplicaciones lineales solo
que ahora es ms laborioso, o a travs de la matriz P de cambio de base de B a C. Optamos por esta
segunda va. Realcese como ejercicio por la primera y comprubese que se obtiene la misma matriz.
La matriz de cambio de base de B a C es
2 0 1
P = 0 1 0
0 0 1
As la matriz A0
2 0
A0 = 0 1
1 0
3.1.3.
= MB (f ) de f respecto de la base B 0 es A0
0
2 3 6
2 0 1
4 6
0 0 0 1 0 1 0 = 0 0
1
2 1 0
0 0 1
4 4
= P t AP y vale
12
2 0 1
8 6 16
1 0 1 0 = 0 0 1
6
0 0 1
4 4 10
Bases ortogonales
125
Definicin 33. Dada f bilineal simtrica, se denomina rango al nmero de valores distintos de cero
de la matriz diagonal asociada.
Proposicin 16. La dimensin del ncleo de f ser:
dim(Ker f ) = n rang(A)
Proposicin 17. Sea f : V V K una forma bilineal simtrica y X un subespacio vectorial de V
tal que la restriccin de f a X es no degenerada. Entonces existe un subespacio vectorial Y de V tal
que V = X Y .
Definicin 34. Dados ~x = (~x1 , . . . , ~xn ) e ~y = (y1 , . . . , yn ) en la base cannica, se define producto
escalar euclideo a
n
X
f (~x, ~y ) =
xi yi
i=1
3.1.4.
Ejemplo 18. Diagonaliza la forma bilineal simtrica cuya matriz en la base cannica es
1 0 2
A = 0 1 1 .
2 1 0
Buscamos ~v1 no isotrpico, por ejemplo (1, 0, 0).
1
1 0 2
1
1 0 0 0 1 1 0 = 1 0 2 0 = 1 6= 0
2 1 0
0
0
Calculamos el subespacio ortogonal a ~v1 , h~v1 i = {~x R3 : f (~v1 , ~x) = 0}
x
x = 2
1 0 2
x
1 0 0 0 1 1
y = 1 0 2
y = x + 2z = 0
y=
2 1 0
z
z
z=
resultando h~v1 i = h(2, 0, 1), (0, 1, 0)i. Tomamos ~v2 := (0, 1, 0) y comprobamos si cumple que
f (~v2 , ~v2 ) 6= 0:
1
0
2
0
0
0 1 0 0 1 1 1 = 0 1 1 1 = 1 6= 0
2 1 0
0
0
Ahora calculamos h~v1 , ~v2 i = h~v3 i, para lo cual, calculamos
1
0
2
x
x
0 1 0 0 1 1 y = 0 1 1 y = y + z = 0
2 1 0
z
z
126
x = 2
x + 2z = 0
y=
=
= h(2, 1, 1)i =: h~v3 i
y + z = 0
z=
1
0
2
2
2
2 1 1 0 1 1 1 = 0 0 3 1 = 3
2 1 0
1
1
f (~v3 , ~v3 ) puede ser 0 ya que ~v3 es el ltimo vector y no tiene que ser no isotrpico. La base ortogonal
ser por tanto B = {~v1 , ~v2 , ~v3 }.
La matriz respecto de la nueva base ser
1 0
0
MB (f ) = 0 1 0
0 0 3
y la matriz de paso
1 0 2
P = 0 1 1
0 0 1
3.2.
Formas cuadrticas
Definicin 35. Dado un espacio vectorial V sobre un cuerpo K y una forma bilineal f sobre V , a
la funcin q : V K, definida por q(~x) = f (~x, ~x) para todo ~x V , se le llama forma cuadrtica
asociada a f .
Ejemplo 19. Consideremos la forma bilineal f : R2 R2 R definida por:
f ((x1 , x2 ), (y1 , y2 )) = x1 y2 + x2 y1
La forma cuadrtica asociada a f es la aplicacin
q : R2 7 R
dada por:
q(x1 , x2 ) = 2x1 x2
Ejemplo 20. Consideremos la forma bilineal f en R2 definida por:
f ((x1 , x2 ), (y1 , y2 )) = 2x1 y2
La forma cuadrtica asociada a f es, igual que antes,
q(x1 , x2 ) = 2x1 x2
127
Observacin: Distintas formas bilineales pueden dar lugar a una misma forma cuadrtica.
La forma cuadrtica puede expresarse matricialmente como:
x1
..
q((x1 , . . . , xn )B ) = (x1 , . . . , xn )B A .
xn
donde A es la matriz asociada a la forma bilineal f respecto de una base B de V , es decir MB (q) =
MB (f ).
Ejemplo 21. Determinar qu funciones q : Rn R de las siguientes son formas cuadrticas
en R.
1. n = 2, q(x, y) = x2 + 2xy + y 2 .
2. n = 2, q(x, y) = x2 + 2xy + y 2 + 1.
3. n = 3, q(x, y, z) = x2 + y 2 + z 2 .
4. n = 3, q(x, y, z) = x2 + y 2 + z 2 + 4xz.
Definicin 36. Dada una forma cuadrtica q : V K, la forma simtrica f : V V K definida
como
1
f (~x, ~y ) = (q(~x + ~y )) q(~x) q(~y )
2
para todo (~x, ~y ) V V , se denomina forma polar de la forma cuadrtica q.
Consecuencia de su definicin tenemos que:
1. q(x) = 2 q(x).
2. q(x + y) = q(x) + q(y) + f (x + y) + f (y, x).
3. MB0 (q) = P t MB P (cambio de base).
4. rang(r) = rango de cualquier matriz asociada a q.
5. q es no degenerada si la forma polar f es no degenerada.
3.2.1.
128
3.2.2.
Definicin 37. Dada una forma cuadrtica q : V K, se dice que es diagonalizable si existe una
base B tal que
q(~v ) = 1 1 (~v )2 + + n n (~v )2
Definicin 38. Se define rango (r) de una matriz diagonal asociada a una forma cuadrtica como el
nmero de elementos no nulos.
Teorema 10 (Ley de inercia de Sylvester). Todas las matrices diagonales asociadas a una misma
forma cuadrtica real tienen el mismo nmero de elementos positivos, negativos y nulos.
Definicin 39. Se llama signatura (s) de una forma cuadrtica al nmero de elementos positivos de
una matriz diagonal asociada, siendo invariante.
Proposicin 18. Sean r y s el rango y la signatura de una forma cuadrtica real q, entonces:
0 s r n.
Si 0 = s < r < n, q es semidefinida negativa.
Si 0 = s < r = n, es definida negativa.
Si 0 < s < r, es indefinida.
Si 0 < s = r < n, semidefinida positiva.
Si 0 < s = r = n, definida positiva.
Teorema 11 (Teorema del eje principal). Sea A una matriz simtrica. Entonces todos sus autovalores son reales y adems se tiene que:
A = P DP 1
siendo D, diagonal y P una matriz ortogonal (P 1 = P t ).
Nota: Los vectores columna de la matriz P deben ser ortonormales segn el producto escalar eucldeo.
Ejemplo 22. Diagonaliza ortogonalmente la forma cuadrtica definida por
3 1 0
A = 1 3 0 .
0
0 2
Calculamos primeramente el polinomio caracterstico
3 1
0
0 = (3 )2 (2 ) (2 ) = (2 )[(3 )2
p() = |A I3 | = 1 3
0
0
2
1] = (2 )(9 6 + 2 1) = (2 )(2 6 + 8)
129
6 4
62
6 36 32
=
=
; 1 = 4, 2 = 2
=
2
2
2
Entonces el polinomio caracterstico queda: p() = ( 4)( 2)2 . Posteriormente calculamos los
subespacios propios correspondientes a 4 y 2.
1 1 0
x
0
x=
x y = 0
y =
Ker(A 4I3 ) : 1 1 0 y = 0
2z = 0
0
0 2
z
0
z=0
1 1 0
x
0
x=
y=
Ker(A 2I3 ) : 1 1 0 y = 0 x y = 0
0
0 0
z
0
z=
Resultando los subespacios generados por h(1, 1, 0)i y h(1, 1, 0), (0, 0, 1)i respectivamente. En ultima instancia normalizamos dichos vectores, obteniendo
1
1 1
1
, , 0 , , , 0 , (0, 0, 1)
2
2
2 2
4 0 0
D = 0 2 0
0 0 2
1
2
1
2
P =
1
2
1
2
0
0
1
verificndose que D = P M P t y P P t = I3 .
3.2.3.
130
1 1
0 1 0 0
1 1
0
1 0 0
1 0
0
1 0 0
2 F1
2 C1
1 2 2 0 1 0 F
0 1 2 1 1 0 C
0 1 2 1 1 0
0 2 4 0 0 1
0 2 4
0 0 1
0 2 4
0 0 1
1 0 0
1 0 0
1 0 0 1 0 0
F3 +2F2
C3 +2C2
0 1 2 1 1 0 0 1 0 1 1 0
0 0 0 2 2 1
0 0 0 2 2 1
Por tanto, tenemos que:
1 0 0
D = 0 1 0
0 0 0
1 1 2
2
P = 0 1
0 0
1
Siendo por tanto la nueva base h(1, 0, 0), (1, 1, 0), (2, 2, 1)i, y la forma cuadrtica, respecto de esta
base ser q(r, s, t) = r2 + s2 , siendo (r, s, t) las coordenadas de un vector cualquiera.
Ejemplo 24. Estudia los subespacios totalmente isotrpicos de (R3 , q) con q la forma cuadrtica dada por q(x, y, z) = x2 + y 2 z 2 , en la base cannica.
Sea C la base cannica de R3 la matriz de la forma cuadrtica ser
1 0 0
MC (f ) = 0 1 0
0 0 1
Si ~v R3 de coordenadas (x, y, z) es isotrpico, entonces
1
0
0
x
x
x y z 0 1 0 y = 0 x y z y = 0 x2 + y 2 z 2 = 0
z
0 0 1
z
Por tanto z 2 = x2 + y 2 . El conjunto I = {(x, y, z) R3 : z 2 = x2 + y 2 } es un cono. Sea S un
subespacio totalmente isotrpico. La dimensin de S podra ser 0, 1, 2, 3. No puede ser 3, porque R3
tiene vectores no isotrpicos. Tampoco es cero, porque al menos hay un vector isotrpico. Puede ser
1, que correspondera a las generatrices del cono. No puede ser 2 porque tendramos un plano que
tendra que estar contenido en el cono. Por lo tanto,la dimensin es 1. (No entiendo nada)
3.2.4.
131
1 1 1
1
0
0
1
0
0
1 a a 0 a 1 a 1 0 a 1
0
1 a 3
0 a1
2
0
0
3a
Si a 6= 1 y a 6= 3 la forma cuadrtica es no degenerada.
Si a (, 1), es indefinida,porque a 1 < 0 y 3 a > 0.
Si a (1, 3), es definida positiva porque a 1 > 0 y 3 a > 0.
Si a (3, ), es indefinida porque a 1 > 0 y 3 a < 0.
Si a = 1, entonces es semidefinida positiva, porque 3 a > 0.
Si a = 3, entonces es semidefinida positiva, porque a 1 > 0.
Si a = 2, una base del espacio vectorial V = x y = 0 es h(1, 1, 0), (0, 0, 1)i. La matriz asociada a
la forma cuadrtica (y a la forma polar asociada fa ) ser
1 1 1
1 2 2
1 2 3
Los vectores (x, y, z) del subespacio ortogonal a V deben cumplir:
1 1 1
x
1 1 1
x
y =0
y = 0
(1, 1, 0) 1 2 2
(0, 0, 1) 1 2 2
1 2 3
z
1 2 3
z
Habr que resolver el sistema, por tanto,
2x + 3y + 3z = 0
x + 2y + 3 = 0
132
3.3.
Isometras
Definicin 40. Dados dos espacios vectoriales (V1 , q1 ) y (V2 , q2 ) sobre un mismo cuerpo, y un isomorfismo : V1 V2 , se dice que es una isometra si
q2 ((x)) = q1 (x), x V1
(qi formas cuadrticas)
Proposicin 19. En las condiciones anteriores, si fi es la forma polar de qi , son equivalentes las
siguientes condiciones:
1. f2 ((~u), (~v )) = f1 (~u, ~v ) para todos ~u, ~v V1 .
2. q2 ((~u)) = q1 (~u) para todo ~u V1 .
Definicin 41. Se define el grupo ortogonal de (V, q), denotado por O(V, q) a
O(V, q) = { : V V | es una isometra} = {|q((x)) = q(x)}
A los elementos de O(V, q) se denominan transformaciones ortogonales.
Proposicin 20. es una isometra si y solo si f ((ei ), (ej )) = f (ei , ej ), ei , ej B siendo B
una base de V , y f la forma polar asociada a q.
Proposicin 21. Dado un isomorfismo T : V V , es una transformacin ortogonal si y solo si,
fijada una base B de V se tiene que:
MB (T )t MB (q)MB (T ) = MB (q)
Ejemplo 26. Dado el par (R2 , q), donde q(x, y) = x2 + y 2 , consideramos Ta : R2 R2 el
isomorfismo en la base cannica dado por:
MC (Ta ) =
cos a sen a
sen a cos a
cos a sen a
sen a cos a
cos a sen a
sen a cos a
2
cos a + sen2 a
0
1 0
=
=
0
sen2 a + cosa
0 1
3.3. ISOMETRAS
3.3.1.
133
Transformaciones ortogonales en Rn
Proposicin 22. La matriz de una transformacin ortogonal de (Rn , q) es, en cierta base ortonormal,
de la forma:
Ir
Is
cos
sen
1
1
sen
cos
1
1
..
cos k sen k
sen k cos k
3.3.2.
Transformaciones ortogonales en R2
3.3.3.
Transformaciones ortogonales en R3
1
0
0
0 cos sen
0 sen cos
Transformacin ortogonal tipo II. Simetra respecto de un eje
1 0 0
0 1 0
0 0 1
Transformacin tipo III. Composicin de I y II
1
0
0
0 cos sen
0 sen cos
Transformacin tipo IV. Simetra respecto de un eje ( = )
1 0
0
0 1 0
0 0 1
134
3.4.
Formas hermticas
Definicin 44. Una forma hermtica es una aplicacin de V V en un cuerpo (F, ) verificando:
1. f (a~u1 + b~u2 , ~v ) = af (~u1 , ~v ) + bf (~u2 , ~v )
2. f (~u, ~v ) = f (~v , ~u),
a, b F, ~u1 , ~u2 , ~v V .
~u, ~v V
Siendo la lnea sobre f (~v , ~u) la conjugacin compleja en el caso de C o la identidad en el caso de R.
Un caso particular de formas hermticas son las formas bilineales simtricas reales, ya estudiadas.
3.4.1.
Aplicaciones autoadjuntas
~u, ~v V
3 1 0
eucldeo R3 cuya matriz en la base cannica es A = 1 3 0.
0
0 2
Al ser una matriz simtrica, diagonalizamos como hemos procedido en ejercicios anteriores.
3.5.
Producto escalar
Definicin 46. Sea V un espacio vectorial sobre un cuerpo K y f : V V K una forma bilineal.
Decimos que f es una forma bilineal definida positiva si verifica:
f (~u, ~u) > 0
~u V, ~u 6= ~0
Definicin 47. Sea V un espacio vectorial definido sobre el cuerpo de los nmeros reales. Llamamos
producto escalar a toda forma bilineal f : V V R simtrica y definida positiva.
135
Definicin 48. Llamamos espacio vectorial eucldeo a un espacio vectorial real en el que se ha definido un producto escalar.
Dados dos vectores ~u, ~v V , su producto escalar f (~u, ~v ), suele denotarse de distintas formas:
f (~u, ~v ) =< ~u, ~v >= (~u|~v ) = ~u ~v
Ejemplo 28.
1. Sea V = Rn . Sean ~u y ~v dos vectores con coordenadas en la base cannica
{x1 , . . . , xn } y {y1 , . . . , yn } respectivamente. Se define un producto escalar como
< ~u, ~v >= x1 y1 + x2 y2 + + xn yn
2. Sea V el espacio vectorial sobre R de las funciones reales que son continuas en el intervalo
[a, b]. Se puede definir el producto escalar de dos funciones f, g V como
b
f (t)g(t)dt
< f, g >=
a
q(x) = b0 + b1 x + + bn xn
3.5.1.
Teorema 12. Sea V un espacio vectorial eucldeo y B = {~v1 , . . . , ~vn } una base de V . Entonces el
producto escalar de dos vectores cualesquiera, ~u, ~v V queda determinado conociendo los productos
escalares < ~vi , ~vj > de los vectores de B.
< ~u, ~v >=
n X
n
X
i=1 j=1
< ~v1 , ~vn >
y1
..
..
.
.
< ~vn , ~vn >
yn
p(t)q(t)dt
0
136
Definicin 49. Sea V un espacio vectorial eucldeo. Llamamos norma, mdulo o longitud de un
vector ~u V al nmero real:
p
||~u|| = < ~u, ~u >
Definicin 50. Se dice que un vector ~u es unitario o normalizado si ||~u|| = 1. Dado un vector ~u 6= 0
~u
es unitario. Este proceso se llama normalizacin de ~u.
el vector
||~u||
Proposicin 24. Propiedades de la norma. Sea V un espacio vectorial eucldeo, y sean ~u, ~v V ,
R. Entonces:
1. ||~u|| = 0 si y slo si ~u = ~0.
2. ||~u|| = || ||~u||.
3. | < ~u, ~v > | ||~u|| ||~v || (Desigualdad de Schwarz).
4. ||~u + ~v || ||~u|| + ||~v || (Desigualdad triangular).
Definicin 51. Sean ~u, ~v dos vectores no nulos de un espacio vectorial eucldeo V . El ngulo que
forman ~u y ~v se define:
< ~u, ~v >
ng(~u, ~v ) = = arc cos
||~u|| ||~v ||
Utilizando la definicin de ngulo podemos expresar el producto escalar de dos vectores de la forma:
< ~u, ~v >= ||~u|| ||~v || cos
Ejemplo 30. Sobre el espacio vectorial U de los polinomios sobre R, definimos la siguiente forma bilineal
Z 1
< p, q >=
p(t)q(t)dt
0
Se pide
1. Pruebe que < , > es un producto escalar.
2. Si p(x) = x + 2 calcule ||p||.
1.
que < ~u, ~u >> 0 si x(t) 6= 0, lo cual es evidente porque, < ~u, ~u >=
R 1 Tenemos que Rprobar
1 2
x(t)x(t)dt
=
x
(t)dt,
es el rea de x2 (t), entre el eje de abscisas, y las rectas x = 0 y x = 1.
0
0
2. Calculamos la norma de p
s
s
s
s
1
Z 1
Z 1
Z 1
t3
2
2
2
||p|| =
+ 2t + 4t =
p(t)p(t)dt =
(t + 2) dt =
(t + 4t + 4)dt =
3
0
0
0
0
r
r
1 6 12
19
=
+ +
=
3 3
3
3
Ejemplo 31. Sea V = R3 . Consideramos f : V V R el producto escalar eucldeo. Dados
los subespacios S1 =< e1 , e2 >, S2 =< e3 > y S3 =< e1 + e2 + e3 >. Verifica que R3 es
suma directa ortogonal de los subespacios S1 y S2 . Verifica tambin que es suma directa de S1
y S3 pero no ortogonal.
En ambos casos, trivialmente la suma es directa (por qu?).
En el primer caso, como f (e1 , e3 ) = f (e2 , e3 ) = 0, la suma directa es ortogonal.
En el segundo caso, f (e1 , e1 + e2 + e3 ) = 1 6= 0, no es suma ortogonal.
3.5.2.
137
Definicin 52. En un espacio vectorial eucldeo V se dice que ~u, ~v V son vectores ortogonales si
< ~u, ~v >= 0.
Observar que dos vectores no nulos ~u, ~v son ortogonales si y slo si son perpendiculares, pues en este
caso cos(~u, ~v ) = 0. Por ello si ~u, ~v son ortogonales suele denotarse ~u~v .
Definicin 53. Un conjunto de vectores no nulos ~v1 , . . . , ~vn } de un espacio vectorial eucldeo V se
dice que es un conjunto ortogonal si cada vector del conjunto es ortogonal a todos los dems, es decir
< ~vi , ~vj >= 0, i 6= j.
Diremos que dicho conjunto es ortonormal si adems se verifica que los vectores que lo forman son
unitarios.
Teorema 13. Sea V un espacio vectorial eucldeo. Si S = {~v1 , . . . , ~vn } es un conjunto ortogonal de
vectores no nulos de V , entonces dicho conjunto es linealmente independiente.
3.5.3.
Teorema 14. En todo espacio vectorial eucldeo V de dimensin finita existe al menos una base
ortonormal.
Utilizamos un mtodo constructivo, que partiendo de una base cualquiera B = {~v1 , . . . , ~vn } de V
permite obtener una base ortogonal Bog = {w
~ 1, . . . , w
~ n } de V .
Se definen los vectores desconocidos de Bog como combinacin lineal de los de B.
w
~ 1 = ~v1
w
~ 2 = ~v2 + a21 w
~1
w
~ 3 = ~v3 + a31 w
~ 1 + a32 w
~2
..
.
w
~ n = ~vn + an1 w
~ 1 + an2 w
~ 2 + + an,n1 w
~ n1
Los vectores w
~ i, w
~ j tienen que ser ortogonales (< w
~ i, w
~ j >= 0).
Por lo tanto:
0 =< w
~ 2, w
~ 1 >=< ~v2 + a21 w
~ 1, w
~ 1 >=< ~v2 , w
~ 1 > +a21 < w
~ 1, w
~ 1 > a21 =
< ~v2 , w
~1 >
<w
~ 1, w
~1 >
0 =< w
~ 3, w
~ 1 >=< ~v3 + a31 w
~ 1 + a32 w
~ 2, w
~ 1 >=< ~v3 , w
~ 1 > +a31 < w
~ 1, w
~ 1 > +a32 < w
~ 2, w
~ 1 >
< ~v3 , w
~1 >
a31 =
<w
~ 1, w
~1 >
138
w
~ n = ~vn
< ~vn , w
~2 >
< ~vn , w
~ n1 >
< ~vn , w
~1 >
w
~1
w
~2
w
~ n1
<w
~ 1, w
~1 >
<w
~ 2, w
~2 >
<w
~ n1 , w
~ n1 >
Ejemplo 32. Sea V = R3 con el producto escalar usual. Aplicar el mtodo de Gram-Schmidt a
la base B = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}.
Ejemplo 33. Sea f : R3 R3 R definida por:
f (~
u, ~
v ) = (x1 2x2 )(y1 2y2 ) + x2 y2 + (x2 + x3 )(y2 + y3 )
siendo (x1 , x2 , x3 ) e (y1 , y2 , y3 ) las coordenadas de u
~ e~
v en la base cannica.
1. Pruebe que es un producto escalar.
2. Aplique Gram-Schmidt, con este producto escalar, a la base cannica.
1. Desarrollando f (~u, ~v ) tenemos:
f (~u~v ) = x1 y1 2x1 y2 2x2 y1 + 4x2 y2 + x2 y2 + x2 y2 + x2 y3 + x3 y2 + x3 y3 =
= x1 y1 2x1 y2 2x2 y1 + 6x2 y2 + x2 y3 + x3 y2 + x3 y3
La expresin matricial de f ser:
f ((x1 , x2 , x3 ), (y1 , y2 , y3 )) = x1 x2
1
2
0
y1
x3 2 6 1 y2
0
1 1
y3
Demostraremos que se trata de un producto escalar viendo que la forma cuadrtica asociada es definida positiva ya que evidentemente es simtrica.
Si x 6= 0, por ser suma de cuadrados, q(x) 0. Para que q(x) = 0, se tendr que verificar:
x1 2x2 = 0
x2 = 0
x1 = x2 = x3 = 0
x2 + x3 = 0
luego es un producto escalar. Vemoslo de otra forma diagonalizando la matriz usando vectores no
isotrpicos. Seleccionamos ~u1 = (1, 0, 0) con
1
2
0
1
1
f (~u1 , ~u1 ) = 1 0 0 2 6 1 0 = 1 2 0 0 = 1
0
1 1
0
0
139
por lo que ~u1 es no isotrpico. El segundo vector de la base ser seleccionado de < ~u1 > , es decir,
verificando f (~u1 , ~u2 ) = 0, esto es,
1
2
0
x
x
x = 2
1 0 0 2 6 1 y = 1 2 0 y = x 2y = 0
y=
0
1 1
z
z
z=
Elegimos ~u2 = (2, 1, 0) con
1
2
0
2
2
1 = 0 2 1 1 = 2
f (~u2 , ~u2 ) = 2 1 0 2 6 1
0
1 1
0
0
por lo que es no isotrpico. El tercer vector de la base, ~u3 , debe pertenecer a < ~u1 , ~u2 > , por tanto,
debe verificar la anterior ecuacin (x 2y = 0) y f (~u2 , ~x) = 0, esto es
1
2
0
x
x
2 1 0 2 6 1 y = 0 0 2 1 y = 0 2y + z = 0
0
1 1
z
z
Tenemos el sistema:
x = 2
x 2y = 0
y=
2y + z = 0
z = 2
1
2
0
2
2
f (~u3 , ~u3 ) = 2 1 2 2 6 1 1 = 0 0 1 1 = 2
0
1 1
2
2
La matriz diagonalizada, respecto de la base {~u1 , ~u2 , ~u3 } ser
1 0 0
0 2 0
0 0 2
definida positiva por lo que se trata de un producto escalar.
2. Apliquemos Gram-Schmidt a la base cannica:
w
~ 1 = (1, 0, 0)
< e2 , w
~1 >
w
~1
<w
~ 1, w
~1 >
< e3 , w
~1 >
< e3 , w
~2 >
w
~ 3 = (0, 0, 1)
w
~1
w
~2
<w
~ 1, w
~1 >
<w
~ 2, w
~2 >
w
~ 2 = (0, 1, 0)
Como
< e2 , w
~1 >
< (0, 1, 0), (1, 0, 0) >
=
<w
~ 1, w
~1 >
< (1, 0, 0), (1, 0, 0) >
140
calculamos
1
1 2 0
1
< (0, 1, 0), (1, 0, 0) >= 0 1 0 2 6 1 0 = 2 6 1 0 = 2
0
1 1
0
0
y
1
2
0
1
1
0 = 1 2 0 0 = 1
< (1, 0, 0), (1, 0, 0) >= 1 0 0 2 6 1
0
1 1
0
0
Por tanto w
~ 2 = (0, 1, 0)
2
(1, 0, 0)
1
1
1 2 0
1
< (0, 0, 1), (1, 0, 0) >= 0 0 1 2 6 1 0 = 0 1 1 0 = 0
0
1 1
0
0
2
1 2 0
2
< (0, 0, 1), (2, 1, 0) >= 0 0 1 2 6 1 1 = 0 1 1 1 = 1
0
1 1
0
0
2
1 2 0
2
< (2, 1, 0), (2, 1, 0) >= 2 1 0 2 6 1 1 = 0 2 1 1 = 2
0
1 1
0
0
Por tanto w
~ 3 = (0, 0, 1)0(1, 0, 0) 12 (2, 1, 0) = (1, 21 , 1). Normalizando los vectores obtenemos:
w
~1
= (1, 0, 0)
<w
~ 1, w
~1 >
w
~2
(2, 1, 0)
=
~v2 =
<w
~ 2, w
~2 >
2
w
~3
~v3 =
<w
~ 3, w
~3 >
~v1 =
Calculamos
<w
~ 3, w
~ 3 >= 1 12
1
2
0
1
1 2 6 1
12 = 0 0
0
1 1
1
1
~v3 = 1,
,1
2
2
1
1
1 1
2 =
2
2
1
3.6.
141
Espacio afn
1.
pq +
qr =
pr, p, q, r A.
por f (p, q) =
pq.
3.6.1.
Propiedades
Dado un espacio afn . Para todo p, p0 , q, q 0 P() y para todo ~v , ~v 0 V L() se verifica:
1.
pq = pq 0 q = q 0 .
2.
pp = 0.
3.
pq = 0 p = q.
4. p(p + ~v ) = ~v .
5. p +
pq = q.
6. p + ~v = p ~v = ~0.
7. p + ~v = p + ~v 0 ~v = ~v 0 .
8. (p + ~v ) + ~v 0 = p + (~v + ~v 0 ).
9. (p + ~v )(p + ~v 0 ) = ~v 0 ~v .
142
10. (p + ~v )(q + ~v ) =
pq
Definicin 2. Se denomina dimensin del espacio afn a la dimensin de V .
Definicin 3. Notaremos por q = p + ~v al nico punto q que cumple
q = p + ~v
pq ~v
Definicin 4. Llamaremos subespacio afn (o variedad afn) de dimensin r de V L() que pasa por
p y tiene la direccin W al subconjunto
p + W = {p + w|
~w
~ W}
Si dim(W ) = 1, se dice que p + W es una recta que pasa por p y tiene direccin W .
Si dim(W ) = 2, se dice que p + W es un plano que pasa por p y tiene direccin W .
Si la dimensin del subespacio vectorial suplementario es 1, se dice que p+W es un hiperplano
afn.
Definicin 5. Dado el subespacio afn p + W , si q p + W , las siguientes definiciones son equivalentes:
1. q est sobre p + W .
2. p + W pasa por q.
3. p + W contiene a q.
Proposicin 1. Dado un espacio afn y p + U un subespacio afn suyo, entonces
p + U = {q|
pq U } P()
Proposicin 2. Dado un espacio afn y p0 +U0 un subespacio afn suyo, entonces, si p y q P(),
se tiene que:
1. Si p, q p0 + U0 , entonces
pq U0 .
2. Si q p0 + U0 entonces q + U0 = p0 + U0 .
Proposicin 3. Dados dos subespacios afines p1 + U1 y p2 + U2 de un espacio afn , se tiene
U U
p1 + U1 p2 + U2 1 2
p1 p 2 U
vectores {
p
0 p1 , p0 p2 , . . . , p0 pn }.
Si el conjunto de vectores es independiente, el conjunto de puntos se dice afnmente independientes.
143
0 2
0 n
p = p0 + 1
p
0 p1 + 2 p0 p 2 + + n p 0 pn
En Rn , se denominar sistema de referencia cannico o usual al formado por el origen de
coordenadas y los extremos de los vectores de la base cannica.
Proposicin 4. La interseccin
Tde subespacios
T afines es un subespacio afn, esto es, dada la familia
{Ai = pi + Ui }, tenemos que Ai = p + Ui es un subespacio donde p es un punto cualquiera de
la interseccin.
Definicin 8. Dos subespacios afines de un espacio afn se dicen que son paralelos si
AB =
A = p + U y B = q + W son paralelos si
U W W U
es decir, una direccin est contenida en la otra, pero no hay puntos en comn.
(Algunas veces se suprime la condicion A B = )
Definicin 9. Sea B un subconjunto de puntos. Se denomina subespacio afn generado por B, L(B)
al menor subespacio afn que contiene a B
L(B) = p + U siendo p B
U =<
pq : q B >
Definicin 10. Se define la suma de un conjunto de subespacios afines, como el menor subespacio
afn que los contiene.
2. s + (U + W + <
pq >) si (p + U ) (q + W ) = siendo s (p + U ) (q + W ).
Proposicin 7. Dados dos subespacios afines p + U y q + W , tenemos que:
dim(p + U ) + dim(q + W ) = dim[(p + U ) + (q + W )] + dim[(p + U ) (q + W )]
Proposicin 8. Sea un espacio afn. Dados dos puntos distintos p y q, tenemos que solo pasa una
144
Corolario Cada par de rectas distintas de un espacio afn se cortan a lo sumo en un punto.
Definicin 11. Un espacio afn = (A, V, f ) se dir eucldeo si V es un espacio vectorial eucldeo
(espacio vectorial donde se ha definido un producto escalar).
Ejemplo 2. En el espacio afn R4 y en el sistema de referencia cannico, se consideran los subespacios
F1 = {(x1 , x2 , x3 , x4 ) R4 : x1 + x2 = 4, x3 + x4 = a}
y
F2 = {(3 + , 2 2, 2, 1 + ) : R}
y a R.
1. Calcula la dimensin de cada uno de los subespacios. Escrbelos de la forma p + W .
2. Determina a para que el subespacio afn F1 + F2 tenga dimensin mnima. Calcula dicho
subespacio.
1. Para el subespacio afn F1 , resolvemos el sistema de ecuaciones lineales, resultando x1 = ,
x2 = 4 , x3 = y x4 = a . Por tanto,
F1 = p + V1 = (0, 4, 0, a) + h(1, 1, 0, 0), (0, 0, 1, 1)i
La dimensin de F1 es por tanto, 2 (plano afn). Igualmente hacemos con F2 .
F2 = q + V2 = (3, 2, 0, 1) + h(1, 2, 2, 1)i
La dimensin de F2 es por tanto, 1 (recta afn).
2. El subespacio vectorial asociado a la suma F1 + F2 ser V1 + V2 V1 + V2 + < pq >. Para que sea
de dimensin mnima, tendramos que tener
pq V + V
1
1 1 0
1 1 0 0
0 0 1 = 1 + 2 = 1 6= 0
rang 0 0 1 1
1 2 2
1 2 2 1
3.6.2.
145
Definicin 12. Sean y 0 dos espacios afines sobre un mismo cuerpo K Se dice que : P()
P(0 ), biyectiva, es una transformacin afn si existe un isomorfismo
T : V L() V L(0 )
talque (q) = (p) + T (pq).
Si = 0 , se dice que es una afinidad.
Si (p) = p diremos que p es un punto invariante, doble o fijo.
Por ejemplo, una traslacin o una rotacin son transformaciones afines.
3.6.3.
Dada la afinidad : P() P() definida por (q) = (p) + T (pq) y sean (x1 , x2 , . . . , xn ) e
(y1 , y2 , . . . , yn ) las coordenadas de los puntos X e Y = (X).
Si M = (aij )ni,j=1 es la matriz asociada a T en la base {e1 , e2 , . . . , en } con ei = p0 pi , entonces la
representacin matricial de la afinidad es:
0 0
1 0
1
1
y1 b1 a11 a12 a1n x1
y2 b2 a21 a22 a2n x2
=
.. ..
.
..
..
.
.
..
..
. .
..
.
.
xn
yn
bn an1 an2 ann
donde (b1 , b2 , . . . , bn ) se calcula a partir de la imagen de un punto cualquiera.
Ejemplo 3. Dada la afinidad (x1 , x2 , x3 ) = (y1 , y2 , y3 ), dada por:
y 1 = x2
y 2 = x1 + x2 + x3 + 1
y 3 = x1 + x2 2
en forma matricial tenemos:
1
1
y1 0
=
y2 1
y3
2
0
0
1
1
0
1
1
1
0
1
0 x1
1 x2
x3
0
3.6.4.
Movimientos
Definicin 13. Dado un espacio afn euclideo (provisto de un producto escalar). Una afinidad se
llama movimiento si conserva las distancias entre puntos, es decir, si
d((p), (q)) = d(p, q),
p, q P()
146
0 1
1 0
es ortogonal, es decir, M M t = I 2 :
0 1
0 1
1 0
=
1 0
1 0
0 1
Definicin 14. Una traslacin es una afinidad f con la aplicacin identidad como isomorfismo asociado. En R2 , dado el vector v = (v1 , v2 ) la ecuacin ser
1
1 0 0
1
y1 = v1 1 0 x1
x2
y2
v2 0 1
x3
y en R3
1
1
y1 v1
=
y2 v2
y3
v3
0
1
0
0
0
0
1
0
0
1
0 x1
0 x2
x3
1
147
Definicin 16.
Dada M matriz ortogonal asociada a un movimiento, se dice que el movimiento
es directo si |M | = 1, es decir, conserva la orientacin.
Dada M matriz ortogonal asociada a un movimiento, se dice que el movimiento es inverso si
|M | = 1, es decir, no conserva la orientacin.
3.6.5.
giro de 45 grados que transforma el (0, 0) en el (1, 1 2). Determina la matriz asociada a
dicho movimiento, calculando el centro de giro.
La matriz del giro ortogonal es:
cos 45 sen 45
sen 45 cos 45
La ecuacin matricial de la transformacin es
1
0
0
1
1
x0 = b1 cos 45 sen 45 x
y0
y
b2 sen 45 cos 45
donde se determinarn b1 , b2 ya que se sabe que el punto (0, 0) se transforma en el (1, 1
Entonces se tiene:
1
1
0
0
1
1 = b1 cos 45 sen 45 0 b1 = 1
b2 = 1 2
0
b2 sen 45 cos 45
1 2
2).
148
1
0
0
A = 1 cos 45 sen 45
1 2 sen 45 cos 45
El centro de giro del movimiento (p1 , p2 ) es un punto fijo, por lo cual hay que resolver:
(
0
0
1
1
1
p1 = 1 + 12 p1 12 p2
p1 = 1
cos
45
sen
45
p
p2 = 1 2 + 12 p1 + 12 p2
p2
p2
1 2 sen 45
cos 45
1
1 2
p2 = 1 + p 1 p2 = 1 2 p1 + 2
2
2
1
1
1
p2 = 1 2 + p1 + p2 1 2 p1 + 2 = 1 2 + p1 +
2
2
2
i
1 h
1 2 p1 + 2
2 2 p 1 + 2 = 2 2 + p1 + 1 2 p1 + 2
+
2
p2 = 1 2 + 2 = 1
Dando como resultado (1, 1).
Resultados en R2
1. Todo movimiento directo es la identidad, una traslacin o un giro.
2. Todo movimiento inverso es una simetra o una simetra deslizante.
3. Si un movimiento tiene ms de un punto fijo es una identidad o una simetra.
4. Si un movimiento tiene ms de un punto fijo y es directo, es la identidad.
5. Si un movimiento tiene ms de un punto fijo y es inverso es una simetra.
6. La composicin de un giro y una traslacin es otro giro del mismo ngulo.
7. La composicin de una simetra y un giro cuyo centro est en el eje de simetra es otra simetra.
8. La composicin de una simetra y una traslacin es una simetra o una simetra deslizante.
3.6.6.
1 0 0
0 1 0
0 0 1
149
1 0 0
0 1 0
0 0 1
3. Giro de ngulo alrededor del eje determinado por u1 o rotacin y traslacin.
1
0
0
0 cos sen
0 sen cos
4. Simetria axial respecto a un eje paralelo a u1 o simetria ms traslacin.
1 0
0
0 1 0
0 0 1
5. Rotacin de ngulo alrededor de un eje paralelo a u1 seguida de una simetra respecto a un
plano paralelo al plano < u2 , u3 >.
1
0
0
0 cos sen
0 sen cos
6. Simetra central respecto de algn punto en el espacio. ( = )
1 0
0
0 1 0
0
0 1
Resultados en R3
1. Si el movimiento es directo, es una identidad, traslacin, rotacin alrededor de un eje o movimiento helicoidal.
2. Si el movimiento es inverso, es una simetra respecto a un plano, simetra deslizando o la composicin de un giro y una simetra.
3. Si el movimiento es un giro, para calcular el ngulo de giro podremos utilizar que la traza es
invariante por semejanza.
4. Tambin, en este ltimo caso, se puede calcular el ngulo que forman un vector perpendicular
al eje de giro y su imagen (usando la definicin dada en producto escalar).
Ejemplo 5. Clasifica el movimiento de ecuaciones:
0
0
1
1
1
3
1
y1 =
x
0
1
2
2
1
3
x2
y2
1 2
2
150
3
1
M = 21 32
2
es ortogonal, bien porque sus filas constituyan una base ortonormal o bien comprobando que M M t =
I2
!
!
3
3
3
3
3
1
1
1
1
0
2
2
2
2
= 34 43 41 34 =
3
3
1
1
0 1
4
+4
2
2
2
2
4
4
Calculamos su polinomio caracterstico:
3
2 21
p() = |M I2 | = 1
=
3
2
2
siendo p() = 2
!2
+
3
1
1
= 3 + 2 +
4
4
4
1
3 34
=
3i
=
2
2
El polinomio caracterstico no tiene races reales, lo cual confirma que es un giro, ya que es la nica
transformacin ortogonal en R2 que puede tener valores propios complejos. Comparando la matriz
M con la general de un giro
!
3
1
cos
sen
2
2
=
3
1
sen cos
2
vemos que
3
1
y sen =
2
2
(
1 0
0
1
1
3
x 12 y = x
3x y= 2x
3
1
2
0
x = x
2
3
1
2
2 + x + 3y = 2y
1
+
x
+
y
=
y
3
1
2
2
y
y
1
cos =
y=
y=
3x 2x; 2 + x + 3x 2 3x = 2 3x 4x 8x 4 3 = 2 x =
3
32
2
1
3x 2x y =
=
=
=y
2
2( 3 2) 2( 3 2)
2( 3 2)
,
2( 3 2)
y=
1
2
1 0
0
1
1
y1 = 1 0 1 x1
y2
x2
1 1 0
2( 3 2)
151
Primeramente verificamos que la afinidad es un movimiento. Para que la afinidad sea un movimientoel isomorfismo
asociado tiene que ser una transformacin ortogonal. Para ello la matriz
0 1
M =
debe ser ortogonal. En efecto sus columnas forman una base ortonormal de R2 .
1 0
Tambin podemos comprobar que M M t = I 2 :
0 1
0 1
1 0
=
1 0
1 0
0 1
Calculamos el polinomio caracterstico
1
= 2 1
p() = |M I2 | =
1
Con races 1. Es una simetra o simetra deslizante, segn existan puntos fijos. Calculamos el eje
vectorial de la simetra
1 1
x
0
2
P1 = Ker(M I2 ) = (x, y) R :
=
= (x, y) R2 : x + y = 0 =
1 1
y
0
= h(1, 1)i
La recta afn ser de la forma x + y
1 0
1 0
1 1
0
1 0
1
1
1 0 1 x = x 1 k + x = x
1x=kx
kx
kx
1 1 0
y resolviendo nos sale k = 1.
Ejemplo 7. Estudia la afinidad
0
1 0
1
1
y1 = 2 0 1 x1
x2
y2
0 1 0
Realizando el mismo estudio obtenemos que es una simetra, con eje vectorial x + y = 0. Si analizamos los puntos fijos con la ecuacin
1 0
0
1
1
2 0 1 x = x 2 y = x
x = y
y
y
0 1 0
152
no obtenemos solucin. Existe por tanto, adems, una traslacin. Repitiendo el razonamiento, el eje
afn es de la forma x + y = k, por tanto
1 0
0
1
1
2 0 1 x = 2 k + x
kx
x
0 1 0
Como tiene que ser tambin un punto de la recta, entonces (2 k + x) + (x) = k, de donde k = 1
y el eje de simetra es x + y + 1.
Calculemos
el vector traslacin. Tomamos un punto cualquiera de la recta de simetra, por ejemplo
p = 21 , 21 , que cumple 12 + 12 = 1 y calculamos su imagen
1 0
0
1
1
2 0 1 1 = 3
2
2
1
1
0 1 0
2
2
Por tanto el vector ser
3 1
,
2 2
1 1
,
2 2
= (1, 1)
1 0
La matriz de la simetra en la base B = {~u, ~v } ser
. La matriz de paso P = 25 1 5
0 1
5
5
refleja el cambio de base hacia la base B. Por tanto, teniendo en cuenta el esquema
f
R2 R2 R2 R2
C 1a B 2a B 3a C
la matriz de la simetra en la base cannica ser:
1
MC (f ) = PBC MB (f )PCB = PBC MB (f )PBC
!
1
2
1
1 0
1
0
1
5
5
5
P
P = 2
1
2
0 1
0
1
5
5
5
1 4 2 2 3 4
1 3 4
+
5 5
= 52 25 45 51 =
=
4
3
+5 55
5 4 3
5
5
5
2
5
1
5
!
=
1
5
2
5
2
5
15
1
5
25
2
5
1
5
Ntese que por ser P ortogonal, P 1 = P t , ya que sus columnas forman una base ortonormal.
153
Ejemplo 9. Prueba que un giro en R2 de ngulo 3 que lleva el punto (2, 2) al punto (1, 3),
tiene por centro el punto ( 3, 1), dadas las coordenadas en el sistema de referencia cannico.
La matriz de giro es de la forma
1 0
0
0
0
1
a cos sen = a 1 3
3
3
2
2
3
1
b sen 3 cos 3
b
2
1 0
0
1
1
1 3 =
1
a 1 3 2 = 1 a +
2
2
b+ 3+1= 3
1
2
3
b 23
2
1
0
0
3 1 3
2
3
2
1
2
Por ltimo se plantea la ecuacin de puntos fijos para comprobar el resultado del centro
1
0
0
1
1
3
1
3
+
x
y=x
2 3 +x 3y = 2x
2
2
3 1 3 x = x
2
2
2 + 3x + y = 2y
1 + 23 x + 12 y = y
3
1
y
y
1 2
2
x = 2 3 3y;
2 + 3 2 3 3y + y = 2y 2 + 6 3y + y = 2y
4y = 4 y = 1;
x= 3
0
0
1 0
1
1
a
1
1 a
y1
2
2
2 x1
=
a
a
1
y2
x2
1 2
2
2
1
1
y3
x3
1
0
2
M=
a
2
a
2
1
2
a
2
a
2
12
12
1
2
+ 4 +2
2
2
2
2
4
2
2
2
2
a
a
1
a
a
1
a
2 = 4 + a4 12
2
2
2
2
2
a
1
12
0
12 12
0
2a 2
2
2 2
a2 1 a2 1
0
1
0
0
2
2
2
2
2
2
= a2 21 a2 + 12 0 = 0 1 0
0 0 1
0
0
1
2
a2
+ a4 12
4
2
a2
+ a4 + 12
4
a
2a 2
2 2
2a 2 + 2a 2
2a 2 =
2 2
1
+ 21
2
154
1
1
1
2
2
2
1
1
A = 12
2
2
1
12
0
2
Si calculamos su polinomio caracterstico, obtenemos
1
1
1
2
2
2
2
1
1
1
1
1
1
1
1
1
2 =
p() = |A I3 | = 2
+ + +
+ +
2
1
2
4 4 2 2
4
2
12
1 1 1
1 1
1
1
1 1
1
3
2
+
=
+ + + + + = 3 + 2 +
2 2
4
2 4 2
4
4 2
4
4
3
2
+ 1 = + + 1
La ecuacin caracterstica es p() = 3 2 + 1 = 0. Calculamos sus races:
1
1 1 1 1
1 0 1 2 + 1 = 0 = i
1 0 1 0
Por lo que al factorizar el polinomio caracterstico queda p(x) = (x 1)(x2 + 1) con races 1 y i. Se
trata por tanto de una rotacin ya que uno de los vectores de la base ortonormal permanece invariante
y sobre el plano ortogonal se produce un giro. Para calcular el eje vectorial de giro, calculamos
P1 , obteniendo < (1, 1, 0) >. Calculamos el ngulo de rotacin mediante la igualdad de trazas:
1 + 2 cos = 1, por tanto cos = 0. Para determinar qu ngulo es de los dos posibles, establecemos
una base ortogonal a partir del eje obtenido anteriormente orientada positivamente
B = {(1, 1, 0), (0, 0, 1), (1, 1, 0)}
1
1
r + y
1 + 21 + 2r + s2 + y
=
A
y 1 + 2r s + y
2
r
s
1 2
2
1
(x, y, z) =
, 0,
+ < (1, 1, 0) >
2
2
Para determinar el vector traslacin se toma la diferencia entre un punto de la recta y su transformado
por el movimiento
!
!
2
1
2
1
si p =
, 0,
, su transformado ser 1 +
, 1,
2
2
2
2
155
Resultando p = 14 (2 + 2), 14 (2 2), 21 .
Por tanto, el eje de rotacin y el plano de simetra afn sern, respectivamente:
1
1
1
(x, y, z) =
(2 + 2), (2 2),
+ < (1, 1, 0) >
4
4
2
1
1
1
(2 + 2), (2 2),
(x, y, z) =
+ < (0, 0, 1), (1, 1, 0) >
4
4
2
Ejemplo 11. Dados los siguientes subespacios afines
A = {(x, y, z, t) = (3, 1, 0, 3) + (1, 0, 0, 1)}
B = {(x, y, z, t) R4 : y t = 1, x = z}
1. Obtenga una base del subespacio vectorial asociado y la dimension de cada uno de los
subespacios afines.
2. Estudie la posicin relativa de ambos subespacios determinando la interseccin.
3. Escriba la ecuacin de un plano paralelo al subespacio A.
A = p + U = (3, 1, 0, 3)+ < (1, 0, 0, 1) >, por tanto la dimensin es 1, recta afn. B = q + V =
(0, 1, 0, 0)+ < (0, 1, 0, 1), (1, 0, 1, 0) >, por tanto la dimensin es 2, plano afn.
pq = (3, 0, 0, 3) = 3(1, 0, 0, 1) + 0(0, 1, 0, 1) + 0(1, 0, 1, 0) U + V U V 6=
La interseccin vendra dada por:
(3, 1, 0, 3) + (1, 0, 0, 1) = (0, 1, 0, 0) + t(0, 1, 0, 1) + s(1, 0, 1, 0)
resultando que slo tienen el punto (0, 1, 0, 0) en comn.
Un posible plano paralelo al subespacio A se conseguir extendiendo la base de A a dimensin 2 y
tomando un punto distinto a p, por ejemplo,
C = (3, 1, 3, 0)+ < (1, 0, 0, 1), (0, 1, 0, 0) >
156
Ejemplo 12. Demuestra que la siguiente transformacin afn, con ecuaciones en el sistema de
referencia cannico representa una simetra respecto del plano x + z = 2.
y1 = 2 x3
y2 = x2
y3 = 2 x1
Escrito de forma matricial nos queda:
1
1
0
y1 2 0
=
y2 0
0
y3
2 1
0 0
1
x1
0 1
1 0 x2
0 0
x3
1
1
x 2 k + x
A
y =
y
kx
2 x
Como debe pertenecer al plano, aplicando la condicin obtenemos k = 2, es decir, x + z = 2.
Estudiamos las posibles traslaciones tomando la transformada de un punto cualquiera del plano
1
1
1 1
A
0 = 0
1
1
Como no hay cambio, no existe traslacin.
3.7.
Cnicas y cudricas
3.7.1.
Cnicas
Definicin 17. Una cnica es el lugar geomtrico de los puntos que resultan de la interseccin en R3
de un cono generalizado y un plano. La ecuacin de una cnica es del tipo:
Ax2 + 2Bxy + Cy 2 + 2Dx + 2Ey + F = 0
en la que los coeficientes A, B, C, D, E y F son reales no todos nulos.
157
x2 y 2
+ 2 =0
a2
b
Hiprbola
x2 y 2
2 1=0
a2
b
Punto
Parbolas
x2 y 2
2 =0
a2
b
y 2 2px = 0
x2 2py = 0
A B
C D
158
es simtrica y define una forma cuadrtica en R2 , por lo tanto diagonalizable ortogonalmente (autovectores). Por lo tanto segn la nueva base ortonomal,
0
u
u
u v
+2 D E P
+F =0
0
v
v
A B
siendo y los autovalores reales de la matriz
y P la matriz ortogonal de paso.
C D
x
t u
u v =P
x y =P
v
y
Operando obtenemos:
u2 + v 2 + M u + N v + F = 0
Posibilidades:
a) Los dos autovalores son distintos de cero
Completando cuadrados, nos queda la expresin:
2
2
M
N
M2 N2
u+
+ v+
+ F
=0
2
2
4
4
Si realizamos el siguiente cambio de variable:
r =u+
M
2
s=v+
N
2
K=F
M2 N2
4
4
obtenemos
r2 + s2 + K = 0
La expresin obtenida es analizada segn las ecuaciones de las cnicas vistas anteriormente,
1. Signo() = Signo() = Signo(K) Elipse imaginaria.
2. Signo() = Signo() 6= Signo(K) Elipse.
3. Signo() 6= Signo() Hiprbola.
b) Un autovalor es cero, por ejemplo = 0
Completando cuadrados obtenemos:
2
N2
N
+ Mu + F
=0
v+
2
4
Si realizamos el siguiente cambio de variable
s=v+
N
2
L=F
obtenemos
s2 + M u + L = 0
Analizando la expresin obtenida, obtenemos:
N2
4
159
1. Si M 6= 0 Parbola.
2. Si M = 0 y Signo() 6= Signo(L) Rectas paralelas.
3. Si M = 0 y Signo() = Signo(L) Rectas imaginarias.
c) Si los dos autovalores son cero
La ecuacin general nos queda como
2Dx + 2Ey + F = 0
que es una recta.
Ejemplo 13. Clasifique la siguiente cnica:
x2 + y 2 6xy + 4x + 4y = 0
Escrita en forma matricial sera de la forma:
1 3
x
x
x y
+2 2 2
=0
3 1
y
y
A continuacin diagonalizamos ortogonalmente la matriz simtrica M =
1 3
. Calculamos
3 1
el polinomio caracterstico:
1 3
p() = |M I2 | =
= (1 )2 9 = 1 2 + 2 9 = 2 2 8
3 1
Caculamos las races:
=
4+48
2 36
26
=
=
; = 2, = 4
2
2
2
160
1
2
1
2
12
1
2
!
u
=0
v
>0
= ( )2 2 = 2 2 + 2 2 = 2 2 + 2 2
p() =
Las races del polinomio caracterstico son
p
p
2 4 2
2 42 42 + 4 2
=
=
=
2
2
Por lo que la matriz tiene como autovalores 1 = + y 2 = .
Si = 0 ya est diagonalizada, la ecuacin de la cnica queda de la forma:
0
x
x
x y
+
+1=0
0
y
y
161
1 1
=0
2
teniendo que:
Si = 2, tenemos un punto.
Si > 2, tenemos una circunferencia.
Si 0 < < 2, tenemos una circunferencia imaginaria.
Si 6= 0, los valores propios son entonces 1 = + y 2 = . Calculamos los subespacios
propios asociados:
x
x
0
x
2
2
P+ =
R :
=
=
R : x y = 0
y
y
0
y
P
x
+
x
0
x
2
2
=
R :
=
=
R : x + y = 0
y
+
y
0
y
v
v
2
2
Multiplicando:
2
( + )u2 + ( )v 2 + ( + )u + 1 = 0
2
y completando cuadrados nos queda:
2
1
1
+ ( + )v 2 ( + ) + 1 = 0
( + ) u +
2
2
Haciendo las traslaciones r = u +
1 ,
2
s = v, tenemos que:
+
2
2
( + )r + ( + )s + 1
=0
2
Por lo tanto:
162
Si + = 2, es un punto.
Si + < 2, es una elipse imaginaria.
Si + > 2, es una elipse.
3.7.2.
Cudricas
Se denomina cudrica al lugar geomtrico de los puntos del espacio afn eucldeo cuyas coordenadas satisfacen:
A1 x2 + A2 y 2 + A3 z 2 + 2B1 xy + 2B2 xz + 2B3 yz + 2C1 x + 2C2 y + 2C3 z + D = 0
Expresada de forma matricial queda como:
A
B
B
x
1
1
2
x
x y z B1 A2 B3 y + 2 C1 C2 C3 y + D = 0
B2 B3 A3
z
z
Clasificacin ortogonal de las cudricas
A1 B1 B2
Haciendo un cambio de base y diagonalizando ortogonalmente la matriz B1 A2 B3 obteB2 B3 A3
nemos
u
u
0 0
u v w
0 0
v + 2 C1 C2 C3 P v + D = 0
0 0
w
w
siendo , y los autovalores de la matriz indicada y P la matriz de paso. Operando nos queda la
ecuacin:
u2 + v 2 + w2 + E1 u + E2 v + E3 w + D = 0
Posibilidades:
a) Todos los autovalores son distintos de cero
Completando cuadrados, nos queda la expresin:
E1
E2
E3
E12 E22 E32
+ v+
+ w+
+ D
=0
u+
2
2
2
4 4
4
E2
E2
E2
Sea F = D 41 42 43 .
a.2) Si F 6= 0
En este caso podemos dividir toda la ecuacin por F , obteniendo la siguiente ecuacin:
d1 r 2 + d2 s 2 + d3 t 2 = 1
1. Si di > 0 para i = 1, 2, 3, tenemos una elipsoide de revolucin. En el caso de d1 = d2 = d3 ,
tenemos una esfera.
2. Si d1 > 0, d2 > 0 y d3 < 0, tenemos un hiperboloide de una hoja.
163
r 2 s2
a2 b 2
164
2
5
4
x
x
x y z 5 7 5 y + 2 3 6 3 y + 5 = 0
4 5 2
z
z
Calculamos los autovalores y la matriz de paso ortonomal asociada a la matriz
2 5 4
M = 5 7 5
4 5 2
El polinomio caracterstico es:
2
5
4
p() = |M I3 | = 5 7 5 = (2 )2 (7 ) 100 100 + 16(7 + )
4
5
2
25(2 ) 25(2 ) = (4 4 + 2 )(7 ) 200 + 112 + 16 100 + 50 = 28+
+ 28 72 4 + 42 3 + 66 188 = 3 32 + 90 216
La ecuacin caracterstica es p() = +3 + 32 90 + 216 = 0. Determinamos los autovalores de
T resolviendo la ecuacin caracterstica:
3 90 216
3
3
18 216
1 6 72
0
6
6
72
p() = ( 3)( 6)( + 12)
1 12
0
12
12
1 0
1
P =
1
16
3
1
2
2
3
13
1
6
1
3
12
y = 12, = 3 y = 6, es decir, los tres autovalores son no nulos. Realizando el cambio de base
u
u
12 0 0
u v w
0 3 0
v + 2 3 6 3 P v + 5 = 0
0 0 6
w
w
donde P es la matriz de paso antes indicada, obtenemos:
12u2 + 4 6u + 3v 2 4 3v + 6w2 + 6 2w + 5 = 0
165
2
0
0
x
x
x y z 0 1 3 y + 2 2 1 2 y + 6 = 0
0 3 1
z
z
Calculamos los autovalores y la matriz de paso ortonomal asociada a la matriz
2 0 0
M = 0 1 3
0 3 1
dando como resultado:
0 12
0
P = 1
1
0
2
1
2
0
1
2
2
0
0
u
u
u v w 0 2 0 v + 2 2 1 2 P v + 6 = 0
0 0 4
w
w
donde P es la matriz de paso antes indicada, obtenemos:
2u2 + 2v 2 + 4w2 2u 4v 3 2w + 6 = 0
Completando cuadrados obtenemos:
!2
2
2
3
2
25
+
2 u +
2(v 1)2 + 4 2
=0
8
8
4
De lo cual deducimos que la cudrica es un hiperboloide de dos hojas.
166
3.8.
Ejercicios tema 3
~
e2 , ~
e3 }, es 0 0 0. Encuentre una base ortogonal con respecto a f de R3 , es decir, diago1 0 1
nalice f , usando vectores no isotrpicos.
Elegimos un vector ~v1 R3 no isotrpico, es decir, tal que f (~v1 , ~v1 ) 6= 0. Probamos, por ejemplo,
con el vector ~e3 :
0
0 0 1
0
0 0 1 0 0 0 0 = 1 0 1 0 = 1 6= 0
1 0 1
1
1
Entonces definimos ~v1 := (0, 0, 1). Cogemos ahora un vector no isotrpico del subespacio ortogonal
a ~v1 , h~v1 i = {~u R3 : f (~v1 , ~u) = 0}. Si ~u = (x, y, z), tenemos que
0
0
1
x
x=
y=
f (~v1 , ~u) = 0 0 1 0 0 0 y = 0 x + z = 0
1 0 1
z
z =
Por tanto h~v1 i = h(1, 0, 1), (0, 1, 0)i. Probamos con el vector ~e2 :
0
0
1
0
0 1 0 0 0 0 1 = 0
1 0 1
0
167
Por lo que el vector ~e2 es isotrpico. Probamos con el vector (1, 0, 1):
0
0
1
1
1
1 0 1 0 0 0
0
= 1 0 0 0 = 1 6= 0
1 0 1
1
1
Por tanto, como el vector (1, 0, 1) es no isotrpico definimos ~v2 : (1, 0, 1). Calculemos entonces
h~v1 , ~v2 i . Si ~u = (x, y, z) h~v1 , ~v2 i tenemos que f (~v1 , ~u) = 0 y f (~v2 , ~u) = 0. Calculamos entonces
0
0
1
x
x
f (~v2 , ~u) = 1 0 1 0 0 0 y = 0 1 0 0 y = 0 x = 0
1 0 1
z
z
Entonces obtenemos las ecuaciones
x=0
x+z =0
y=
x=z=0
x=0
z=0
Por lo que h~v1 , ~v2 i = h(0, 1, 0)i. Entonces definimos ~v3 := (0, 1, 0) aun siendo este ltimo vector
isotrpico. La base B = {~v1 , ~v2 , ~v3 } de R3 es la base ortogonal buscada. Se tiene adems que
1 0 0
MB (f ) = 0 1 0
0 0 0
La matriz de cambio de base es
0 1 0
P = 0 0 1
1 1 0
10. Se consideran en R3 y con respecto a la base cannica, las formas cuadrticas qa (x, y, z) =
= x2 + ay 2 + 3z 2 + 2xy + 2xz + 2ayz.
1. Diagonaliza y estudia el carcter de q a para los distintos valores de a.
2. Para a = 2, calcula el subespacio ortogonal del subespacio V = x y = 0 respecto de
la forma polar.
3. Para a = 1, calcule el rango y el ncleo de la forma polar.
4. Diagonalice la forma polar para a = 3, encontrando una base ortogonal.
1. Diagonalizamos completando cuadrados:
qa (x, y, z) = x2 + 2xy + ay 2 + 2xz + 2ayz + 3z 2 = (x + y + z)2 + 2z 2 + ay 2 y 2 + 2ayz
2yz = (x + y + z)2 + 2z 2 + y 2 (a 1) + 2yz(a 1) = (x + y + z)2 + (a 1)(y + z)2
(a 1)z 2 + 2z 2 = (x + y + z)2 + (a 1)(y + z)2 + (3 a)z 2
168
1
0
0
0 a 1
0
0
0
3a
Se puede diagonalizar tambin usando operaciones elementales sobre la matriz de qa . Haremos esto
aadiendo la matriz identidad ya que en el apartado 4 nos piden que encontremos una base ortogonal:
1
1
1
1 0 0
1 1 1 1 0 0
2 F1
2 C1
0 a 1 a 1 1 1 0 C
1 a a 0 1 0 F
0 0 1
1 a 3 0 0 1
1
a
3
1
0
1
1 0 0
1
0
1
1 0 0
3 F1
3 C1
0 a 1 a 1 1 1 0 F
0 a 1 a 1 1 1 0 C
1 a1
3
0 0 1
0 a1
2
1 0 1
1 0 0
1
0 0
1
0
0
1
0
0
3 F2
3 C2
0 a 1 a 1 1 1 0 F
0 a 1 a 1 1 1 0 C
0 a1
2
0
0
2
1 0 1
0 1 1
1
0
0 1
0 0
0 a 1 0 1 1 0
0
0
2 0 1 1
Si a 6= 1 y a 6= 3 la forma cuadrtica es no degenerada.
Si a (, 1), es indefinida, porque a 1 < 0 y 3 a > 0.
Si a (1, 3), es definida positiva porque a 1 > 0 y 3 a > 0.
Si a (3, ), es indefinida porque a 1 > 0 y 3 a < 0.
Si a = 1, entonces es degenerada y semidefinida positiva, porque 3 a > 0.
Si a = 3, entonces es degenerada y semidefinida positiva, porque a 1 > 0.
2. Si a = 2, una base del espacio vectorial V = x y = 0 es:
x=
y = V = h(1, 1, 0), (0, 0, 1)i
z=
La matriz asociada a la forma cuadrtica (y a la forma polar asociada fa ) ser:
1 1 1
1 2 2
1 2 3
Los vectores (x, y, z) del subespacio ortogonal a V deben cumplir:
1
1
1
x
x
1 1 0 1 2 2 y = 0 2 3 3 y = 0 2x + 3y + 3z = 0
1 2 3
z
z
169
x
1 1 1
x
0 0 1 1 2 2 y = 0 1 2 3 y = 0 x + 2y + 3z = 0
1 2 3
z
z
Habr que resolver, por tanto, el sistema,
2x + 3y + 3z = 0
x + 2y + 3z = 0
x+y =0
x + 2y + 3z = 0
x =
x = y
y=
y + 3z = 0
z = 31
1 0 0
0 0 0
0 0 2
por lo que el rango de la forma polar es 2. Tambin podemos ver cual es la forma polar para a = 1 y
calcular el rango a partir de ella:
1 1 1
1 1 1
1 1 3
Igualmente vemos que el rango es 2. Calculemos el ncleo de la forma polar:
1 1 1
x
0
1 1 1 y = 0 x + y + z = 0 x + y + z = 0 x + y = 0
x + y + 3z = 0
2z = 0
z=0
1 1 3
z
0
x=
y =
z=0
luego Ker(f1 ) = h(1, 1, 0)i.
4. Sustituyendo a = 3 en la diagonalizacin de la forma polar tenemos
1 0 0
0 2 0
0 0 0
Siendo por tanto la base ortogonal B = {(1, 0, 0), (1, 1, 0), (0, 1, 1)}.
11. Sea R2 [t] el espacio vectorial real de los polinomios de grado menor o igual que 2. Consideremos la base B = {1, t, t2 }. Definimos la forma cuadrtica q : R2 [t] R dada por q(p(t)) :=
:= p()p() donde y son nmeros reales fijos.
1. Determine la matriz asociada a q en la base B.
2. Si = , diagonalice q (encontrado una nueva base) y clasifquela.
170
1. La matriz de q en la base B coincide con la matriz de la forma polar asociada a q, que viene dada
por la ecuacin:
1
f (p(t), r(t)) = (q(pt(t) + r(t))) q(p(t)) q(r(t))),
2
1
1 ( + )
2
1
(2 + 2 )
2
1
(
2
+ )
1
2
(
+ 2 )
2
1
(2 + 2 )
2
1
( 2 + 2 )
2
2 2
1
0 2
0 2 0
2
0 4
171
1 0 0
1
0 2 1 0 0
1 0 2
2
F1
C3 2 C1
0 2 0 0 1 0 F3
0 2 0
0 1 0
2
0 4 0 0 1
0 0
0 2 0 1
1 0 0 1 0 0
0 2 0 0 1 0
0 0 0 2 0 1
La nueva base es B = {1, t, 2 + t2 }. La forma es indefinida si 6= 0 y semidefinida positiva si
= 0.
12. Diagonalice ortogonalmente el endomorfismo autoadjunto en el espacio vectorial eucldeo
R3 cuya matriz en la base cannica es
3 1 0
M = 1 3 0
0
0 2
Est resuelto en el ejemplo 22.
13. Consideremos el espacio vectorial R2 [t] formado por los polinomios reales en la indeterminada t de grado menor o igual que 2 con las operaciones habituales. Definamos el producto
escalar
Z 1
p(t)q(t) p, q R2 [t]
< p, q >:=
0
1
1
=
k1k
< 1, 1 >
1 dt = [t]10 = 1
y entonces ~u1 = 1.
w
~ 2 := ~e2
Calculamos
Z
< t, 1 >=
0
1
t
1
t dt =
=
2 0 2
y entonces
t 12
t 12
1
w
~ 2 = t ~u2 :=
=q
2
kt 12 k
< t 21 , t
1
2
>
172
Calculamos
1
1
< t , t >=
2
2
1
3
=
+
12
12
1
t
2
2
dt =
0
Por tanto
~u2 =
1
t t+
4
2
t3 t2
t
dt =
+
3
2
4
1
=
0
6
4
+
12 12
1
= 3(2t 1)
22 3 t
2
Por ltimo
w
~ 3 := ~e3
~u1
~u2 = t
1
< ~u1 , ~u1 >
< ~u2 , ~u2 >
< 1, 1 >
< 3(2t 1), 3(2t 1) >
3(2t 1)
Calculamos
3 1
1
t
=
< t , 1 >=
t dt =
3 0 3
0
Z
1
t4 t3 1 3 2
3
3
2
2
(2t t ) dt = 3
= 3
< t , 3(2t 1) >= 3
=
2
3 0
6 6
6
0
<
1
2
(2t 1) dt = 3
1
4 3
2
(4t 4t + 1) dt = 3 t 2t + t =
3
0
=46+3=1
Por tanto
1
3
1 1
2 3
1
w
~3 = t
3(2t 1) = t2 (2t 1) = t2 t + = t2 t +
3
6
3 2
6 6
6
y entonces
t2 t + 16
t2 t + 61
q
~u3 := 2
=
kt t + 16 k
< t2 t + 1 , t2 t + 1 >
2
Calculamos
2
Z 1
Z 1
1 2
1
1
1
t t2
2
< t t + , t t + >=
dt =
t4 t3 + t2 t3 + t2 +
t t+
6
6
6
6
6
6
0
0
5
1
Z 1
4
2
1
4
t
1
t
t
4
t
t
t
36
+
dt =
t4 2t3 + t2 +
dt =
+ t3 +
=
6 36
3
3 36
5
2
9
6
36 0 180
0
90
80
30
5
1
+
=
180 180 180 180
180
2
Por tanto
~u3 =
1
180 t t +
6
2
1
2
= 62 5 t t +
= 5(6t2 6t + 1)
6
173
2 1 1
15. Considere la matriz A = 1 2 1.
1 1 2
1. Si A representa un endomorfismo, sus autovalores son reales? Calclelos. Determine el
lmite de Ak cuando k .
2. Determine nmeros positivos r, s y t tales que las matrices A rI3 , A sI3 y A tI3 ,
representando a formas cuadrticas reales, sean, respectivamente, definida positiva, indefinida y definida negativa.
1. Segn el teorema 11 de la pgina 128 todos los autovalores son reales por ser la matriz simtrica.
Calculamos los autovalores por operaciones elementales:
2 1 1 1 0 0
2 0
1 1 0 0
2 1 1 1 0 0
F 12 F1
2 F3
2 C3
0 1 1 0 1 1 C
0 2 1 0 1 1 3
1 2 1 0 1 0 F
1 1 2 0 0 1
1 1 2 0 0 1
1 1 2 0 0 1
2 0
1
1
0 0
2
0
0
1
0
0
1
C3 2 C1
F3 + 12 F2
0 2 1
0 2 1
0
1 1
0
1 1
0 1 3/2 1/2 0 1
0 1 3/2 1/2 0 1
2 0 0
1
0
0
2 0 0
1
0
0
C3 + 21 C2
0 2 1
0
1 1 0 2 0
0
1 1
0 0 1 1/2 1/2 1/2
0 0 1 1/2 1/2 1/2
Por tanto los autovalores son 2 doble y 1 simple. Calculamos ahora Ak :
1 0 1/2
2 0 0
1
0
0
2 0
0
1/2 0 2k 0 0
1 1 = 0 2k 0
Ak = P Dk P t = 0 1
0 1 1/2
0 0 1
1/2 1/2 1/2
0 0 1/2
1
0
0
2 0
0
k
0
1 1 = 0 2
0
1/2 1/2 1/2
0 0 1/4
Cuando k :
2. Ni idea.
0
0
A=0 0
0 0 1/4
174
1
1
y1 =
0
y2
1
3
2
1
2
0
1
1
x1
2
3
x2
2
1 0
0
1
1
x0 = 2 0 1 x
y0
y
0 1 0
en el sistema de referencia cannico de R2 , probando para ello en primer lugar que se trata de
un movimiento.
Esta resuelto en el ejemplo 6 de la pgina 150.
2
18. Con respecto al sistema de referencia usual {o,
e1 , e2 } en R se considera M 1 , un giro de
45 grados que transforma el (0, 0) en el (1, 1 2) y M2 , una simetra respecto del eje afn
(0, 0) + h(1, 1)i seguida de una traslacin de vector (0, 1).
1. Determine las matrices asociadas a ambos movimientos con respecto al sistema de referencia usual.
2. Calcule el centro del giro M1 .
3. Si se componen ambos movimientos, actuando M1 en primer lugar, se obtiene un movimiento? En caso afirmativo, clasifquelo y estudie sus elementos geomtricos.
Los puntos 1 y 2 estn resueltos para M1 en el ejemplo 4 de la pgina 147. Resolvemos el punto 1
para el segundo movimiento.
1. Seguimos los pasos del ejemplo 8 de la pgina 152. Tomamos un vector director de la recta de
norma 1
1 1
~u := ,
2 2
y completamos a una base ortonormal de R2 conservando la orientacin cannica
1 1
~v := ,
2 2
1 0
En esta base as construida, B = {~u, ~v }, la matriz de la simetra es
con lo que si llamamos
0 1
P a la matriz de paso
!
1
1
P = 12 1 2
2
175
1 0
1 0
1
2
2
2
P
P = 1
1
1
0 1
0
1
2
2
2
0 1
=
1 0
1
2
1
2
!
=
1
2
1
2
1
2
12
1
2
12
1
2
1
2
!
=
Como adems tenemos la traslacin y el (0, 0) es un punto de la recta afn de la simetra, tenemos que
la matriz de este segundo movimiento es
1 0 0
M2 = 0 0 1
1 1 0
3. La composicin de movimientos es siempre un movimiento, por tanto la respuesta a la pregunta
es afirmativa. Es fcil comprobar que la composicin de transformaciones afines se corresponde con
la multiplicacin de sus matrices respecto de sistemas de referencia fijados. Entonces, si M1 acta
primero la matriz del movimiento composicin queda
0
0
0
0
1
1
1 0 0
1
1
1
1
0 0 1
1 2 2 = 1 2 2 2
1
1 1 0
2
12
1 2 12 12
2
Calculamos el polinomio caracterstico asociado a la transformacin ortogonal correspondiente, con
matriz asociada
!
M=
1
2
1
2
1
2
12
1
1
1
1
1
1
1
2
2
2
=
p() = |M I3 | = 1
=
1
2
2
2
2
2
2
2
= 2 1
Las races son 1 por tanto se trata de una simetra. El eje vectorial es
x
0
x
2
P1 = Ker(M I2 ) =
R : (M I2 )
=
=
y
y
0
! )
(
1 1
1
x
x
0
2
2
=
R2 :
=
;
1
1
y
21
y
0
2
!
1 1
1
F
=
2F
1
2 1 F2 ( 2+1)F1
1
2
2
2
1
21
2+1
1
F2 = 2F1
2
1
1
1
1
=
=
0 1 (2 1)
0
0
0 1 21 2+1
D
E
x
P1 =
R2 : x 1 + 2 y = 0 = 1 + 2, 1
y
176
1
0
0
1
1
1 2 1
1
k + 1 + 2 y = 1 2 + k + y + y =
2
2
2
2
k + y + y y
1
1
y
2
+
2
2
2
2
2
2
y
k
= 1 2 + 2 + 2 + y
2 + k2 + y
debe verificar
1
1
k + 1 + 2 y = 1 2 + k + y + y
2
2
y
2 + k2 + y
2 y, y ,