Documente Academic
Documente Profesional
Documente Cultură
A L G E B R A - L I N E A L
1
PROFESORES: Silvia POURCEL - Damin Alejandro TOLEDO
AO: 2, COMISINES N: 1, 2 y 3
CONTENIDOS
UNIDAD N I: Espacios Vectoriales
Definicin. Axiomas. Propiedades que se deducen de los axiomas. Subespacios. Teorema de condicin suficiente.
Combinacin lineal. Dependencia e independencia lineal. Propiedades. Teoremas fundamentales. Conjunto generador.
Base y dimensin de un espacio vectorial. Condicin para eliminar y condicin para cambiar un vector por otro de un
conjunto de vectores sin alterar el conjunto generado. Coordenadas. Base cannica.
Ejemplos.
UNIDAD N II: Matrices
Definicin. Matrices especiales: cuadrada, rectangular, fila, columna, nula, escalonada. Igualdad de matrices. Matriz
opuesta. Matriz traspuesta. Matriz conjugada. Matriz asociada. Matrices cuadradas particulares: diagonal, escalar,
identidad o unidad, simtrica, hermtica, hemihermtica. Matrices triangulares: superor e inferior. lgebra matricial:
suma y resta de matrices; producto de una matriz por un escalar; producto de matrices. Propiedades de las operaciones.
Anillo de matrices cuadradas. Propiedades de las matrices. Potencia de una matriz cuadrada: matriz idempotente,
involutiva y nilpotente. Base de una matriz. Particin de matrices: en columnas y nen filas. Dependencia e
independencia lineal de matrices. Operaciones elementales. Matriz equivalente. Mtodo de Gauss Jordan. Inversin de
una matriz cuadrada por Gauss Jordan. Matrices ortogonales. Propiedades.
Ejemplos.
UNIDAD N III: Determinantes
Definicin. Axiomas. Propiedades. Valor de un determinante de segundo orden; de tercer orden regla de Sarros-
Determinante de orden n. Menor complementario y adjunto de un elemento. Desarrollo de un determinante por los
elementos de una lnea o mtodo de Laplace. Propiedades. Matriz regular y matriz singular. Matriz de los adjuntos o
adjunta de una matriz. Propiedades. Rango o caracterstica de una matriz mediante operaciones elementales. Matriz
inversa de una matriz cuadrada. Teorema.
Ejemplos.
UNIDAD N IV: Sistema de Ecuaciones Lineales
Definicin. Clasificacin. Solucin de sistemas de ecuaciones lineales. Notacin matricial de un sistema de
ecuaciones. Conjunto solucin. Matrices asociadas a un sistema de ecuaciones. Sistemas Cramerianos. Teorema de
Cramer. Regla de Cramer o mtodo de los determinantes. Sistemas equivalentes. Teorema de Roche Frobeniuss.
Consecuencia de Roche Frobeniuss. Sistemas cuadrados: homogneos y no homogneos.
Ejemplos.
UNIDAD N V: Transformaciones Lineales
Transformaciones lineales entre dos espacios vectoriales sobre un mismo cuerpo. Definicin. Clasificacin.
Propiedades de las transformaciones lineales. Ncleo e imagen de una transformacin lineal. Proposicin. Teorema. .
Generadores. Base de un espacio vectorial.
Ejemplos.
UNIDAD N VI: Autovalores y Autovectores
Definicin. Matriz y polinomio caracterstico. Matrices diagonizables. Pasos a seguir para el clculo de valores y
vectores propios. Matriz de paso. Diagonalizacin de matrices. Teorema de Hamilton-Cayley.
Ejemplos.
BIBLIOGRAFA
LGEBRA y GEOMETRA Noem G. O. Ingeniera UNNE Argentina.
LGEBRA MODERNA Frank J. Ayres Mxico.
LGEBRA I y II Armando Rojo El Ateneo Argentina.
MATRICES Frank Ayres Colombia.
LGEBRA LINEAL Seymour Lipschutz Temple University.
LGEBRA LINEAL Serie de Compendios Schaums.
LGEBRA SUPERIOR May y Knight.
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
2
UNIDAD N I
ESPACIO VECTORIAL ( V , + , K , . )
Introduccin:
En varias aplicaciones fsicas aparecen ciertas cantidades, tales como temperatura y rapidez
(mdulo de la velocidad), que poseen solo magnitud. Estas pueden representarse por nmeros reales y
se denominan escalares. Por otra parte, tambin existen cantidades, tales como fuerza y velocidad, que
poseen tanto magnitud como direccin. Estas pueden representarse por flechas (que tienen
longitudes y direcciones apropiadas y parten de algn punto de referencia dado, O origen-) y se
denominan vectores.-
Entre las operaciones ms importantes del lgebra lineal estn la adicin y la multiplicacin por
escalar. Uno de los principales xitos matemticos del presente siglo es llegar al conocimiento de que
existen muchas estructuras matemticas (adems de R
n
vectores de dimensin n- y las matrices) que
satisfacen estas mismas propiedades. En vez de probar los mismos resultados una y otra vez por los
mismos mtodos para muchas estructuras diferentes, se trabaja con una sola estructura unificante; el
concepto de espacio vectorial. Las propiedades que definen un espacio vectorial son, con excepcin de
las propiedades de cerradura, precisamente las que se enumeran para matrices m x n y para el espacio
R
n
.-
Siendo V el conjunto de vectores (no vaco) y K el conjunto de escalares (nmeros) ( K = Q, R
C) (K: cuerpo) donde estn definidas dos operaciones: suma de vectores (Ley de Composicin
Interna) y producto de un escalar por un vector (Ley de Composicin Externa).-
Definicin: Un conjunto de objetos (V, +, K, . ) es un espacio vectorial real (o simplemente un espacio
vectorial), y a los elementos de V los llamamos vectores, si existen dos operaciones en V, llamadas
adiccin (o suma) (denotada por +) y multiplicacin por escalar, que satisfacen las siguientes diez
propiedades o axiomas:
1) Ley de Composicin Interna: Se denomina Ley de Composicin Interna definida para dos elementos
de un conjunto V, a una relacin tal que: tomando dos elementos cualesquiera
1
v
r
y
2
v
r
V, hace
corresponder un tercer elemento que es su suma
1
v
r
+
2
v
r
que tambin pertenece a V y se denomina suma
de
1
v
r
y
2
v
r
( se suman las componentes correspondientes a stos).-
En smbolos:
1
v
r
;
2
v
r
V:
1
v
r
+
2
v
r
V.-
2) Propiedad Asociativa:
1
v
r
;
2
v
r
;
3
v
r
V: (
1
v
r
+
2
v
r
) +
3
v
r
=
1
v
r
+ (
2
v
r
+
3
v
r
)
3) Propiedad Conmutativa:
1
v
r
;
2
v
r
V:
1
v
r
+
2
v
r
=
2
v
r
+
1
v
r
.-
4) Existencia del elemento neutro: ! 0
r
V / v
r
V : v
r
+ 0
r
= v
r
.-
5) Existencia del opuesto, simtrico o inverso aditivo: v
r
V : (- v
r
) V / v
r
+ (- v
r
) = 0
r
.-
(Los cinco axiomas enunciados caracterizan (V, +) como Grupo Abeliano)
6) Ley de Composicin Externa: Se denomina Ley de Composicin Externa definida para los elementos
de un conjunto K, con operadores o escalares en un conjunto de vectores V a toda funcin o aplicacin
de KxV en K; (el producto de un nmero real k por el vector v
r
, escrito k. v
r
, es el vector obtenido
multiplicando cada componente de v
r
por k).-
En smbolos: v
r
V ^ k K: k. v
r
V.-
7) Distributividad del producto externo respecto a la suma de vectores:
1
v
r
;
2
v
r
V: K: . (
1
v
r
+
2
v
r
) = .
1
v
r
+ .
2
v
r
.-
8) Distributividad del producto externo respecto a la suma de escalares:
1
;
2
K v
r
V: (
1
+
2
) . v
r
=
1
. v
r
+
2
. v
r
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
3
9) Propiedad asociativa mixta:
v
r
V
1
;
2
K:
1
.(
2
. v
r
) = (
1
.
2
). v
r
10) Producto de un vector por el neutro del producto escalar: v
r
V 1K: 1. v
r
=v
r
Ejemplos de Espacio Vectorial:
Ejemplo 1)
Sean: V = R
2
, K = R , la adicin definida en R
2
por
( a , b ) + ( c , d ) = ( a + c , b + d ) (1)
y el producto de nmero reales por elementos de R
2
definido mediante
( a , b ) = ( a , b ) (2)
Resulta ( R
2
, + , R , . ) el espacio vectorial de los pares ordenados de nmeros reales sobre el cuerpo de
los nmeros reales.
( R
2
, + ) es grupo abeliano.
Por otra parte se verifican:
A
6
. Por definicin (2).
A
7
. ( (a; b) + (c, d) ) = (a+c, b+d) = ( (a+c), (b+d) ) = ( a + c, b + d) =
= (a, b) + (c, d) = (a, b) + (c, d)
A
8
. ( + ) ( a , b ) = ( (+) a , (+) b ) = ( a + a , b + b ) = (a , b) + ( a , b) =
= ( a , b ) + ( a , b )
De acuerdo con (2), la distributividad del producto respecto de la suma en R, y las definiciones (1) y (2)
A
9
. ( (a, b) ) = ( a , b ) = ( ( a) , ( b) ) = ( () a , () b ) = ( ) ( a , b )
Hemos aplicado la definicin (2) , la asociatividad del producto en R y de nuevo la definicin (2).
Segn (1), (2), distributividad de la multiplicacin respecto de la adicin en R, y las definiciones (1) y
(2).
A
10
. 1 ( a, b ) = ( 1 a , 1 b ) = ( a , b )
Ejemplo 2)
En R
2
se definen: la suma como en el ejercicio anterior, y la ley de composicin externa mediante:
(a,b) = (a,a) (2)
Se verifica (R
2
, +) es grupo abeliano
(2) satisface A
6
y A
9
. No satisface A
8
.
NOTA: Los vectores geomtricos con K = R tienen estructura de espacio vectorial: (V, +, R, . ) es
espacio vectorial. (R
n
, + R, . ) tiene estructura de espacio vectorial.
PROPIEDADES QUE SE DEDUCEN DE LOS AXIOMAS
a) Existe un nico vector nulo 0
r
/ v
r
+ 0
r
= v
r
b) Para cada vector v
r
existen un nico vector v
r
/ v
r
+ v
r
= 0
r
Como ( V; +) es un grupo abeliano a) y b) ya fueron probadas.-
c) El producto de un escalar por el vector nulo me da el vector nulo.
En smbolos: . 0
r
=0
r
, para demostrar se utilizan, la existencia de neutro y distributiva de la
definicin de Espacio Vectorial.-
. 0
r
= .( 0
r
+0
r
) = . 0
r
+ . 0
r
(Por el carcter recproco de la igualdad) . 0
r
+ . 0
r
= . 0
r
(Sumo a ambos miembros el opuesto de . 0
r
) - . 0
r
+ . 0
r
+ . 0
r
= - . 0
r
+ . 0
r
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
4
Asocio convenientemente ( - . 0
r
+ . 0
r
) + . 0
r
= ( - . 0
r
+ . 0
r
)
Pero la suma de un vector con un opuesto me da el vector nulo . 0
r
= 0
r
.-
d) El producto del escalar nulo por cualquier vector me da el vector nulo.
En smbolos: 0 . v
r
= 0
r
.-
Para demostrar se utilizan los axiomas de existencia de neutro y distributividad del producto respecto
a la suma de escalares y neutro para ( K ; + ).-
0. v
r
= (0+0) . v
r
= 0. v
r
+ 0. v
r
(Por el carcter recproco de la igualdad) 0. v
r
+ 0. v
r
= 0. v
r
(Sumo a ambos miembros el opuesto de 0. v
r
) -0. v
r
+0. v
r
+ 0. v
r
= -0. v
r
+0. v
r
Pero la suma de un vector con un opuesto me da el vector nulo 0 . v
r
= 0
r
.-
e) Si el producto de un escalar por un vector es el vector nulo, entonces el escalar es 0 o el vector
es nulo.
En smbolos: . v
r
= 0
r
= 0 v
r
= 0
r
Se presentan dos posibilidades: = 0 , o bien, 0
En el primer caso es verdadera la primera proposicin de la disyuncin que figura en la tesis, y por
consiguiente sta es verdadera.
En el segundo caso es necesario probar que v
r
= 0
r
. En efecto, siendo 0 , existe el inverso
multiplicativo en K,
-1
. Partiendo de la hiptesis, premultiplicando por
-1
, usando A
9
, la propiedad
anterior, el producto de inversos en K y A
10
se tiene
. v
r
= 0
r
-1
( . v
r
) = 0
r
(
-1
). v
r
= 0
r
1. v
r
= 0
r
v
r
= 0
r
f) (- ) . v
r
= - ( . v
r
)
Se utilizan los axiomas ( 4 ) y ( 6 ) de la definicin de espacio vectorial, (d)
propiedad anterior; (4) simtrico en ( K ; + ).-
Est claro que ( . v
r
) es el opuesto de . v
r
, por (4): . v
r
+ [ - ( . v
r
) ] = 0
r
. v
r
+ [ - ( . v
r
) ] = . v
r
+ ( - ) . v
r
= [ + (- ) ] . v
r
= 0. v
r
= 0
r
nos queda por carcter
transitivo de la igualdad . v
r
+ [ - ( . v
r
) ] =0
r
y sumando a izquierda a ambos miembros de la
igualdad el opuesto de . v
r
- ( . v
r
) + . v
r
+ [ - ( . v
r
) ] = - ( . v
r
) + 0
r
- ( . v
r
)
= - ( . v
r
)
Como consecuencia si = - 1 (-1) . v
r
= - ( 1 . v
r
) = - v
r
SUBESPACIOS
Dados el espacio vectorial (V, +, K, .) y el conjunto no vaco S C V , si S es un espacio vectorial sobre el
mismo cuerpo K y con las mismas leyes de composicin que en V, diremos que (S, +, K, .) es un
subespacio de (V, +, K, .), o simplemente, que S es un subespacio de V.
Definicin: S es un subespacio de (V, +, K, .) si y slo si (S, +, K, .) es un espacio vectorial.
Cualquiera que sea (V, +, K, .), tanto V como {0
r
} son subespacios de V, llamados triviales.
TEOREMA: Condicin Suficiente:
Si el conjunto no vaco S C V es cerrado para la suma y para el producto por escalares, entonces (S,+, K,
.) es un subespacio de (V, +, K, .).
La aplicacin de este teorema es esencial para determinar si un conjunto S es un subespacio de (V,+, K,
.). para que lo sea, deben verificarse las siguientes condiciones:
1) S
2) S C V
3) x S, y S x + y S
4) K, x S x S
Definicines: Los subespacios de dimensin 0 se llaman puntos.
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
5
Los subespacios de dimensin 1 se llaman rectas.
Los subespacios de dimensin 2 se llaman planos.
Los subespacios de dimensin 3 se llaman r-planos.
COMBINACIN LINEAL
Dado un conjunto de vectores {
1
v
r
;
2
v
r
; ;
n
v
r
} de un espacio vectorial V y un conjunto de
escalares {
1
;
2
; ;
n
} pertenecientes a un cuerpo K; se llama combinacin lineal de
1
v
r
;
2
v
r
; ;
n
v
r
a todo vector de la forma
1
.
1
v
r
+
2
.
2
v
r
+ +
n
.
n
v
r
=
=
n
i
i i
v
1
.
r
.-
Es decir; dado el Espacio Vectorial ( V ; + ; K ; . ); en el cual se define dos operaciones:
1
v
r
;
2
v
r
V:
1
v
r
+
2
v
r
V es la suma vectorial, ley interna.-
v
r
V K : . v
r
V es el producto de un vector por un escalar (ley externa), este
producto, el de un nmero K, por un vector v
r
V, se obtiene multiplicando la magnitud de v
r
por
y mantiene la misma direccin si 0, o la direccin contraria u opuesta si < 0.-
Un vector v
r
es una combinacin lineal de los vectores
1
v
r
;
2
v
r
; ;
n
v
r
, si existen escalares
1
;
2
; ;
n
, tales que: v
r
=
1
.
1
v
r
+
2
.
2
v
r
+ +
n
.
n
v
r
=
=
n
i
i i
v
1
.
r
.-
En estas condiciones los vectores son datos y los escalares son valores por determinar (incgnitas)
es una ecuacin vectorial que tiene solucin si existen escalares que verifican la expresin de la
combinacin lineal.-
NOTA: En particular, si todos los escalares son nulos, la combinacin lineal se llama trivial y se obtiene
el vector nulo.
n
0
r
= 0. v
1
+ 0. v
2
+ ....... + 0. v
n
i=1
Para investigar si un vector es combinacin lineal de un conjunto de vectores, se propone una
sumatoria de los vectores por escalares arbitrarios, que sea igual al vector en cuestin. Si los escalares
existen entonces existe combinacin lineal.
Ejemplos:
1) En el sistema comn de ejes cartesianos perpendiculares coplanar, los smbolos i
r
y j
r
representan los
vectores unitarios ( 1 ; 0 ) y ( 0 ; 1 ), respectivamente. El vector ( 5 ; 2 ) se representa como una
combinacin lineal de i
r
y j
r
de la siguiente manera: 5 . i
r
2 . j
r
= 5 . ( 1 ; 0 ) 2 . ( 0 ; 1 ) =
= ( 5 . 1 ; 5 . 0 ) + (2 . 0 ; 2 . 1 ) = ( 5 ; 0 ) + ( 0 ; 2 ) = ( 5 + 0 ; 0 2 ) = ( 5 ; 2 ).-
2) En el sistema comn de ejes cartesianos perpendiculares entre si y espaciales, los smbolos i
r
; j
r
y k
r
representan los vectores unitarios i
r
= ( 1; 0 ; 0 ) , j
r
= (0 ; 1 ; 0 ) y k
r
= ( 0 ; 0 ; 1 ) que son los vectores
unitarios en un espacio euclidiano en dimensin 3 ( V = R
3
) . Entonces el vector ( 9; 4 ; 6 ) se representa
como una combinacin lineal de i
r
; j
r
y k
r
de la siguiente manera:
9i
r
4 j
r
+ 6k
r
= 9 . ( 1; 0 ; 0 ) 4 . (0 ; 1 ; 0 ) + 6 . ( 0 ; 0 ; 1 ) = ( 9 ; 0 ; 0 ) + ( 0; 4; 0 ) + ( 0 ; 0 ; 6 )
= ( 9 + 0 + 0 ; 0 4 + 0 ; 0 + 0 + 6 ) = ( 9 ; 4 ; 6 ).-
3) El vector ( 10 ; -9 ) es una combinacin lineal de los vectores u
r
= ( 2 ; 6 ) y v
r
= ( -4; 1 ) puesto que
1 . u
r
3 . v
r
= 1 . ( 2 ; 6 ) 3 . (4; 1 ) = ( 10 ; 9 )
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
6
4) El vector (7; 3; 5) es una combinacin lineal de u
r
= (2 ; 0 ; 4 ) , v
r
= (1; 1 ; 3 ) , w
r
= ( 1 ; 1 ; 0 ) e
y
r
= ( 4; 2 ; 8 ) ya que : 1 . u
r
+ 3 . v
r
+ 2 . w
r
1 . y
r
= 1.(2 ; 0 ; 4 ) + 3 . (1; 1 ; 3 ) + 2 . ( 1 ; 1 ; 0 )
1 . ( 4; 2 ; 8 ) = (2 ; 0 ; 4 ) + (3 ; 3 ; 9 ) + ( 2 ; 2 ; 0 ) + (4 ; 2 ; 8 ) =
= ( 2 3 + 2 4 ; 0 + 3 + 2 2 ; 4 + 9 + 0 8 ) = ( 7 ; 3 ; 5 )
Este ejemplo aclarar cmo se opera para obtener las combinaciones lineales
5) Expresar el vector ( 8 ; 5) como combinacin lineal de los vectores u
r
= ( 1 ; -2 ) y v
r
= ( 2; 3 )
Se plantea la combinacin lineal
1
. u
r
+
2
. v
r
= ( 8 ; 5)
1
.( 1 ; 2 ) +
2
.( 2; 3 ) = ( 8 ; 5)
( 1 .
1
; 2 .
1
) + ( 2 .
2
; 3.
2
) = ( 8 ; 5) ( 1 .
1
+ 2 .
2
; 2 .
1
+ 3.
2
) = ( 8 ; 5)
= +
= + +
5 . 3 2
8 . 2 . 1
2 1
2 1
Resolviendo el sistema se obtiene
1
= 2 ;
2
= 3 ( 8 ; 5) = 2. u
r
+ 3. v
r
6) Sean los vectores: V
1
= (-1, 0, 2) V
2
= (-1, 2, 4) en R
3
Determinamos si el vector u = (1, 2, 2) es combinacin lineal de V
1
y V
2
:
Tambin se puede resolver utilizando vectores columna llegando a los mismos resultados:
1
Si u = 2 , entonces procediendo anlogamente:
2
-1 -1 1
1
. 0 +
2
. 2 = 2
2 4 2
-
1
2
=1
1
+
2
= -1
2
2
= 2 o bien:
2
= 1
2
1
+ 4
2
= 2
1
+ 2
2
= 1
De donde:
2
= 1
1
+ 1 = -1
1
= -2
Al sustituir en la tercera ecuacin: -2 + 2. 1 = 0 1
Entonces u no es combinacin lineal de V
1
y V
2
.
Por lo tanto resolver un problema de combinacin lineal se reduce a resolver un sistema de
ecuaciones.
DEPENDENCIA E INDEPENDENCIA LINEAL
Vimos que dado un conjunto de vectores A = {
1
v
r
;
2
v
r
; ;
n
v
r
} de un espacio vectorial V y un
conjunto de escalares {
1
;
2
; ;
n
} pertenecientes a un cuerpo K; si el vector nulo 0
r
puede
obtenerse siempre como combinacin lineal de A tomando todos los
i
= 0.
Es decir,
1
.
1
v
r
+
2
.
2
v
r
+ +
n
.
n
v
r
= 0.
1
v
r
+ 0.
2
v
r
+ + 0 .
n
v
r
= 0
r
. Pero, puede ocurrir que existan
otras combinaciones lineales que den el vector nulo y que existan
i
0; en el primer caso el conjunto es
Linealmente Independiente (L.I.) y en el segundo caso es Linealmente Dependiente (L.D.).-
Definicin de L. D.: Dado un conjunto de vectores A = {
1
v
r
;
2
v
r
; ;
n
v
r
} de un espacio vectorial V, se
dice que A es un conjunto L. D. si existen escalares
1
;
2
; ;
n
; no todos nulos tales que la
combinacin lineal
1
.
1
v
r
+
2
.
2
v
r
+ +
n
.
n
v
r
= 0
r
.-
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
7
En smbolos:
r
A es linealmente dependiente i /
i
v
i
= 0
r
i
0
i = 1
La dependencia lineal de un conjunto finito de vectores significa que tiene que existir, al menos, una
combinacin lineal de stos que d el vector nulo y que no sea trivial.
Definicin de L. I.: Dado un conjunto de vectores A = {
1
v
r
;
2
v
r
; ;
n
v
r
} de un espacio vectorial V, se
dice que A es un conjunto L. I. si obtenemos el vector nulo como combinacin lineal de A solamente
haciendo todos los escalares nulos, es decir
1
.
1
v
r
+
2
.
2
v
r
+ +
n
.
n
v
r
= 0
r
1
=
2
==
n
= 0; en
consecuencia, se dice que A es un conjunto L. I.-
En smbolos:
r
A es linealmente independiente V i :
i
v
i
= 0
r
i
= 0
i = 1
La dependencia lineal de un conjunto finito y no vaco de vectores, significa que no puede darse una
combinacin lineal de dicho conjunto que d el vector nulo, con algn escalar distinto de cero.
Observacin: El procedimiento parta determinar si un conjunto A = {
1
v
r
;
2
v
r
; ;
n
v
r
} de un espacio
vectorial V es L.I. o L. D. es sencillo. Se plantea la combinacin lineal y se iguala al vector nulo, es
decir;
1
.
1
v
r
+
2
.
2
v
r
++
n
.
n
v
r
= 0
r
; y se resuelve para determinar el valor de las incgnitas
1
;
2
; ;
n
; Si la solucin nica es
1
=
2
= =
n
= 0, entonces el conjunto de vectores A es L . I.. De
lo contrario es L. D.
Ejemplos:
1) Sea A = {
1
v
r
;
2
v
r
;
3
v
r
} de un espacio vectorial V R
3
/
1
v
r
= ( 2; 0; 0 ) ;
2
v
r
= ( 0 ; 1 ; 0 ) ;
3
v
r
= ( 0; 0; -1 ) Planteamos la combinacin lineal
1
.
1
v
r
+
2
.
2
v
r
+
3
.
3
v
r
= 0
r
1
. ( 2 ; 0 ; 0 ) +
2
. ( 0 ; 1 ; 0) +
3
. ( 0 ; 0 ; 1 ) = ( 0 ; 0 ; 0 )
( 2.
1
; 0.
1
; 0 .
1
) + ( 0.
2
; 1.
2
; 0.
2
) + ( 0.
3
; 0.
3
; 1.
3
) = ( 0 ; 0 ; 0 )
( 2.
1
; 0 ; 0 ) + ( 0 ; 1.
2
; 0 ) + ( 0 ; 0 ; 1.
3
) = ( 0 ; 0 ; 0 )
( 2.
1
; 1.
2
; 1.
3
) = ( 0 ; 0 ; 0 ) por igualdad de ternas ordenadas, nos queda:
2.
1
= 0
1
= 0
1.
2
= 0
2
= 0 y en consecuencia A es L. I.
1.
3
= 0
3
= 0
2) Sea A = {
1
v
r
;
2
v
r
;
3
v
r
} de un espacio vectorial V R
3
/
1
v
r
= ( 1; 1; 0 ) ;
2
v
r
= ( 1 ; 3 ; 1) ;
3
v
r
= ( 5; 3; 2 ) Planteamos la combinacin lineal
1
.
1
v
r
+
2
.
2
v
r
+
3
.
3
v
r
= 0
r
1
. ( 1; 1; 0 ) +
2
. ( 1 ; 3 ; 1) +
3
. ( 5; 3; 2 ) = ( 0 ; 0 ; 0 )
(
1
;
1
; 0.
1
) + (
2
; 3.
2
;
2
) + ( 5.
3
; 3.
3
; 2 .
3
) = ( 0 ; 0 ; 0 )
(
1
+
2
+5.
3
;
1
+ 3.
2
+ 3.
3
; 0.
1
2
2 .
3
) = ( 0 ; 0 ; 0 )
1
+
2
+5.
3
= 0
1
+ 3.
2
+ 3.
3
= 0 y resolviendo el sistema nos queda:
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
8
2
2 .
3
= 0
3
= k ;
2
= - 2.
3
;
1
= - 3.
3
y en consecuencia A es L. D.
PROPIEDADES
i) Todo vector no nulo de un espacio vectorial constituye un conjunto linealmente independiente.
Sea v 0
r
en ( V, +, K, . ). Consideremos v = 0
r
De acuerdo con propiedad 3 de espacios vectoriales, como v 0
r
, se deduce que = 0 , y en
consecuencia { v } es L. I..
ii) El vector nulo de cualquier espacio vectorial constituye un conjunto linealmente dependiente.
En efecto, cualquier escalar, nulo o no, satisface la relacin 0
r
= 0
r
, segn lo demostrado en
propiedad 2 de espacios vectoriales. En consecuencia { 0
r
} es L. D..
iii) Todo conjunto al que pertenezca el vector nulo es L. D..
Sea: A = { v
1
, v
2
, ... , v
r
} con v
j
= 0
r
. Se verifica que:
0 v
1
+ 0 v
2
+ ...... +
j
v
j
+ ...... + 0 v
r
= 0
r
O sea:
j
v
j
=
j
0
r
= 0
r
con
j
no necesariamente nulo.
iv) Un conjunto finito y no vaco de vectores es L. D. si y slo s algn vector es combinacin lineal
de los dems.
Se puede despejar cualquiera de los vectores cuyo coeficiente sea distinto de cero; por lo tanto existe
combinacin de algn vector con respecto a los dems.
v) Un conjunto finito y no vaco de vectores es L. I. si y slo s ningn vector es combinacin lineal
de los dems.
No se puede despejar ningn vector en funcin de los dems porque todos los coeficientes son nulos; por
lo tanto no existe combinacin lineal entre ellos.
vi) Un conjunto finito y ordenado de vectores, al que no pertenece el vector nulo, es L. D. si y slo s
algn vector es combinacin lineal de los precedentes.
TEOREMAS FUNDAMENTALES
I- Si m vectores son linealmente dependientes, cualquiera de ellos se puede expresar como
combinacin lineal de los otros.
II- Si m vectores son linealmente independientes, mientras que el conjunto obtenido al aadir otro
vector x
m+1
es linealmente dependiente, el vector x
m+1
se puede expresar como combinacin lineal de los
independientes x
1
, x
2
, ... , x
m
.
III- Si entre los m vectores existen r < m linealmente dependientes, los vectores del conjunto total son
linealmente dependientes.
CONJUNTO GENERADOR
Se dice que un conjunto de vectores A = {
1
v
r
;
2
v
r
; ;
k
v
r
} de un espacio vectorial V, se dice
que A es un conjunto Generador de V, si todo vector de V se puede expresar como una combinacin
lineal de
1
v
r
;
2
v
r
; ;
k
v
r
.-
El concepto de Sistema de Generadores de un espacio vectorial es independiente de la
dependencia o independencia lineal del sistema. O sea, un Sistema de Generadores puede ser linealmente
independiente o no.
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
9
Si {
1
v
r
;
2
v
r
; ;
k
v
r
} es un conjunto generador de V, entonces se dice que los vectores {
1
v
r
;
2
v
r
;
;
k
v
r
} generan a V. El cardinal del conjunto A, -que simbolizamos- ( # A = {
1
v
r
;
2
v
r
; ;
k
v
r
}) es el
nmero de vectores que tiene dicho conjunto generador.-
Ejemplos: Los vectores
1
v
r
= ( 1 ; 2 ) y
2
v
r
= ( 3 ; 5 ) generan a R
2
.-
Solucin: se representa el vector genrico o arbitrario ( a , b ) como una combinacin lineal de los
vectores dados
1
v
r
y
2
v
r
de la siguiente manera:
1
.
1
v
r
+
2
.
2
v
r
= (a ; b)
1
= 7a 3b y
2
=b 2
Por lo tanto, infinidad de soluciones para
1
y
2
. Entonces el vector arbitrario (a,b) se puede
representar como una combinacin lineal de los vectores dados en infinidad de formas, siempre dentro
del mismo subespacio vectorial.-
BASE DE UN ESPACIO VECTORIAL
Se dice que un conjunto de vectores A={
1
v
r
;
2
v
r
; ;
k
v
r
} de un espacio vectorial V es base si:
* A es un conjunto generador.-
*Los vectores
1
v
r
;
2
v
r
; ;
k
v
r
son linealmente independiente.-
En consecuencia, BASE es un conjunto generador linealmente independiente.-
En un espacio de dimensin dos ( V
2
), dos vectores no paralelos constituyen una base.-
En un espacio de dimensin tres ( V
3
), tres vectores no coplanares constituyen una base.-
Si { v
1
, v
2
, ... , v
n
} es una base del espacio vectorial ( V, +, K, . ), utilizaremos el smbolo [v] para hacer
referencia a ella.
Para determinar si los vectores dados son una base, puedo realizarlo por uno de los dos siguientes
procedimientos:
1) Formo en base a los vectores columnas o vectores filas, un determinante, si es inversible es base.-
2) Si la matriz formada por los vectores columna son linealmente independientes, es decir, el rango
coincide con el nmero de filas de la matriz original.-
Ejemplos:
1) Demostrar que los vectores
1
v
r
= ( 2; 1; 3 ) ;
2
v
r
= ( 4 ; 0 ; 6) ;
3
v
r
= ( 8; 2; 3 ) forman una
base en R
3
.-
Formo el determinante D =
3 6 3
2 0 1
8 4 2
+ 0
puede cambiarse v
1
o v
2
por v, pero no v
3
, pues su coeficiente
es 0 y por lo tanto no se lo podra expresar como C.L. de los restantes vectores.
COORDENADAS
Si [v] = {
, ... ,
} es una base de (V, + K, . ), entonces cualquier vector V puede expresarse
en forma nica como combinacin lineal de los vectores de la base, ya que los vectores de sta son L. I. y
sistema de generadores:
=
+ ... +
Estos escalares
, ... ,
, ... ,
) en K
n
, llamada el vector coordenado de
relativo a [v]. Si se elige otra base en el espacio V, entonces el mismo vector admite otras coordenadas:
(
,....,
).
Dada la base [v] = {
, ... ,
} del espacio (V, +, K, . ), podemos expresar a cada vector V
como una matriz columna, cuyos elementos sean las coordenadas de respecto de [v]; en tal caso
escribiremos:
X
[v]
=
BASE CANNICA
Se llama as cuando los vectores que la componen son los vectores unidad (versores) sobre los ejes
coordenados y con sentido positivo:
y En R
2
: z En R
3
:
= ( 1, 0 ) = ( 1, 0, 0 )
= ( 0, 1 ) k j y = ( 0, 1, 0 )
i
= ( 0, 0, 1 )
i
x
j x
Tambin podemos expresarlos como vectores columnas:
En R
2
: En R
3
:
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
11
=
1
0
; =
0
1
=
1
0
0
; =
0
1
0
=
0
0
1
Se generaliza en R
n
: base cannica { e
1
, e
2
, ... , e
n
}
Una base de ( K
n
, +, k, . ) es el conjunto de vectores:
= ( 1, 0, 0, ... , 0 )
= ( 0, 1, 0, ... , 0 )
...............................
= ( 0, 0, 0, ... , 1 )
Expresados como vectores columna:
=
1
0
=
0
1
......
=
0
0
Se puede comprobar que la familia {
, ... ,
\
|
L L
M L M L M M M
L L
M L M L M M M
L L
L L
L L
3 2 1
3 2 1
3 3 33 32 31
2 2 23 22 21
1 1 13 12 11
; A =
donde
n j
m i
1
1
En la que figuran m x n nmeros de K, colocados ordenadamente en m filas y n columnas, se llama
matriz de nmeros de K con m filas y n columnas (o matriz de clase mxn, o bien matriz mxn), a toda
disposicin ordenada de m.n elementos de K en m filas y n columnas. En el cual, el elemento genrico
a
ij
, significa el elemento situado en la fila i-sima y la columna j-sima. Ejemplo a
34
es el elemento de
la fila tres y columna cuatro.
El conjunto de todas las matrices de clase mxn con coeficientes en K se anotar AK
mxn
; si no hay
dudas del cuerpo K se escribe A
mxn
.
As:
R
2x3
es el conjunto de todas las matrices con coeficientes reales que tienen dos filas y tres columnas.
C
2x3
es el conjunto de todas las matrices con coeficientes complejos que tienen dos filas y tres columnas.
Las matrices se indican con letras maysculas y a los elementos, que representan nmeros reales o
complejos, con letras minsculas.
Tanto las m filas como las n columnas se llaman lneas de la matriz. A la matriz la indicamos encerrando
sus elementos entre parntesis o corchetes.
Ejemplos: A =
3 2
7 1 5
4 3 2
x
|
|
\
|
; A R
3 2x
B =
2 3
5
4 3 4
2 3
x
i
i
i
|
|
|
\
|
+ ; B C
2 3x
En B el elemento a
22
= 3+4i
Por ejemplo:
Un vendedor de zapatos lleva un registro de los artculos vendidos; durante una semana obtuvo la
siguiente informacin:
zapato de zapato de zapato de total
dama caballero nio
lunes 12 7 9 28
martes 8 10 11 29
mircoles 5 8 7 20
jueves 6 4 5 15
viernes 7 4 8 19
total 38 33 40 111
Si se sabe la disposicin de los datos se puede escribir de la siguiente manera:
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
13
12 7 9 28
8 10 11 29
5 8 7 20
6 4 5 15
7 4 8 19
38 33 40 111
sta es una matriz que tiene 6 filas y 4 columnas, por lo tanto tiene 24 elementos (6.4 =24)
MATRICES ESPECIALES
Matriz Cuadrada: Es la matriz en la que el nmero de filas es igual al nmero de columnas m=n.
A=
Ejemplo. A=
1 0 3
2 1 2
3 1 0
; A
En consecuencia se dice que A
nxn
es una matriz de orden n, siendo a
ij
, con i = j la diagonal principal.
Matriz rectangular: es la matriz donde el nmero de filas es distinto al nmero de columnas: mn.
Puede ser:
i) Rectangular Horizontal: cuando m n (nmero de filas menor que el nmero de columnas)
Ejemplo: A =
ii) Rectangular Vertical: cuando m n (nmero de filas mayor que el nmero de columnas)
Ejemplo: A =
Como casos particulares de estas tenemos:
Matriz fila o vector fila: es la matriz que tiene 1 fila y n columnas.
A=
Matriz columna o vector columna: es la matriz que tiene m filas y 1 columna.
A=
Matriz Nula: es la matriz donde todos sus elementos son nulos; a
ij
= 0 ; a un conjunto de
ndices. Ejemplo: A=
0 0
0 0
; B=
0 0 0
0 0 0
Matriz escalonada:
a) Todas las filas no nulas (si las hay) preceden a las filas nulas.
b) En cada fila no nula, el nmero de ceros que precede al primer elemento distinto de cero es mayor que
el nmero de ceros de la fila anterior.
A=
0
0
0
0
0
0 0
IGUALDAD DE MATRICES
Observacin:
El elemento
A =
B =
; Es A = B
con
1
1
Ejemplo:
A =
4 5 + 1 6 1
2
28
; B =
2 6 5
8 1 0
A = B
Matriz opuesta: Dada la matriz A, su opuesta, (indicada A), es aquella que tiene por elementos los
opuestos de los elementos de A.
Si A =
-A =
; Ej.: A =
2 6 5
8 1 0
-A =
2 6 5
8 1 0
Matriz traspuesta: La matriz traspuesta de una matriz A, de elemento genrico
de clase mxn, es la
que se obtiene permutando ordenadamente las filas por las columnas, cuyo elemento genrico es
de
clase nxm. Y lo simbolizamos por A
T
.
A
; A =
A
T
=
A
T
Ejemplo: A =
2 3 4
5 6 7
A
T
=
2 5
3 6
4 7
Matriz conjugada: La matriz conjugada de una matriz A, de elemento genrico
de clase mxn, es la
que se obtiene conjugando los elementos imaginarios, cuyo elemento genrico es
de clase mxn. Y lo
simbolizamos por
.
Ejemplo: A =
2 3
4 2
4 3
=
2 + 3
4 2
4 3
Matriz asociada: Es la matriz traspuesta de la conjugada; o a la conjugada de su traspuesta. Y lo
simbolizamos por A
#
=
T
=
Ejemplo: A =
2 3
2 1
4 3 + 4
A
#
=
2 2 4
3 1 3 4
MATRICES CUADRADAS ESPECIALES
Matriz diagonal: son las matrices cuadradas que tienen nulos todos sus elementos no diagonales.
A
es diagonal
= 0
0 =
Ejemplo: A =
3 0 0
0 4 0
0 0 2
Matriz escalar: es la matriz diagonal cuya diagonal principal est formada por un escalar.
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
15
A
es escalar
= 0
= 0 =
A =
0 0
0 0
0 0
; A =
5 0 0
0 5 0
0 0 5
Matriz unidad o identidad: es la matriz escalar cuando k=1; y lo simbolizamos con I.
A
es diagonal
= 0
= 1 =
Ejemplo: A =
1 0 0
0 1 0
0 0 1
Matriz simtrica: Una matriz cuadrada es simtrica, cuando es igual a su traspuesta.
A
es simtrica A = A
T
; a un conjunto de ndices.
A =
1 3 0
3 2 2
0 2 0
; A =
4 5 6
5 3 1
6 1 5
Matriz antisimtrica: Una matriz cuadrada es antisimtrica cuando es igual a la opuesta de su
traspuesta. Los elementos de la diagonal principal de toda matriz antisimtrica son nulos; porque
= 0; a un conjunto de ndices.
A
es simtrica A = -A
T
; a un conjunto de ndices.
A =
0 3 0
3 0 2
0 2 0
; A =
0 5 6
5 0 1
6 1 5
Matriz hermtica: Una matriz cuadrada A tal que la traspuesta de su conjugada es igual a s misma (A
T
= A) se llama hermtica o autoadjunta. Evidentemente, los elementos de la diagonal principal de una
matriz hermtica han de ser nmeros reales.
Ejemplo:
A=
1 1 2
1 + 3
2 0
Matriz hemihermtica: Es una matriz cuadrada tal que: A
T
= - A. Se desprende fcilmente que todos
los elementos de la diagonal principal de una matriz hemihermtica han de ser o nulos o nmeros
imaginarios puros.
Ejemplo:
A=
1 2
1 3
2 0
MATRICES TRIANGULARES
A
es:
i) Triangular superior
= 0 i j ; a un conjunto de ndices.
Los elementos no nulos estn en la diagonal principal y por encima de sta.
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
16
Ejemplo: A =
0 0
A =
2 1 5
0 1 3
0 0 3
ii) Triangular inferior
= 0 i j ; a un conjunto de ndices.
Los elementos no nulos estn en la diagonal principal y por debajo de sta.
Ejemplo: A =
0 0
A =
2 0 0
6 1 0
4 2 3
LGEBRA MATRICIAL
Suma de matrices:
Esta operacin solo est definida para matrices de la misma clase.
Sean dos matrices A y B que pertenecen a la clase
, con A =
y B =
, se dice que
la matriz C
es la matriz suma de A + B, si C =
; a un conjunto
de ndices.
Ejemplo: Sean las matrices genricas de 2x2; A =
y B =
A+B =
= C
A=
2 3
5 7
y B =
0 4
2 6
C = A + B =
2 + 0 3 + 4
5 + 2 7 6
=
2 1
3 1
La suma de dos matrices de la misma clase es otra matriz de la misma clase que las dadas, en el cual cada
trmino de esta matriz se obtiene sumando los trminos que se encuentran en la misma posicin de las
matrices dadas.
En consecuencia, la suma de matrices que pertenece a
: (A + B) + C = A + (B + C)
Sean las matrices A =
; B =
y C =
, se tiene:
(A+B)+C = [
] +
= [
=
=
= A + (B + C)
2.- Propiedad Conmutativa: A, B,
: (A + B) = (B + A)
Sean las matrices A =
y B =
, se tiene:
(A + B) =
= (B + A)
3.- Existencia del elemento neutro: N (matriz nula)
: A + N = A
Sean las matrices A =
y N = 0
, se tiene:
A + N =
+ 0
+ 0
= A
Se prueba al derecho, porque ya se prob la propiedad conmutativa.
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
17
4.- Existencia del elemento inverso aditivo u opuesto: A
/[A + (-A)] = N
Sean las matrices A =
y A =
, se tiene:
A + (-A) =
= 0
= N
La suma de matrices al cumplir con estas propiedades tiene estructura de Grupo Abeliano.
Diferencia de matrices:
Dadas las matrices A y B de la misma clase, para poder restar la matriz B
a la matriz A
y . A = .
= .
Ejemplo: Sea A
y A =
. A =
.
Observacin: Si = -1; resulta (-1) . A, esto sera A ; y teniendo en cuenta que A y A son matrices
opuestas, su suma dara la matriz nula.-
Propiedades que se deducen del producto de una matriz por un escalar:
1) Ley de Composicin Externa: A
: .A
2) Distributividad del producto externo respecto a la suma de matrices:
A, B,
K: . (A+ B) = .A + .B
3) Distributividad del producto externo respecto a la suma de escalares:
1
;
2
K A
: (
1
+
2
) . A=
1
. A +
2
. A
4) Propiedad asociativa para escalares:
A
1
;
2
K:
1
.(
2
.A) = (
1
.
2
). A
5) Producto de un vector por el neutro del producto escalar: A
1K: 1.A = A
Teniendo en cuenta que el conjunto de matrices de clase mxn, en el cual estn definidas dos operaciones,
una operacin binaria interna que es la suma con estructura de Grupo Abeliano; y la operacin producto
externo por un escalar (perteneciente al conjunto de escalares con estructura de cuerpo con las
operaciones suma y producto), tienen estructura de espacio vectorial, la cuaterna (
, + , K , . ).
Producto de matrices:
Dos matrices A y B que pertenecen a la clase de matrices del tipo
C y D son conformes
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
18
Observacin: El producto de matrices solo se realiza con matrices conformes; las matrices cuadradas de
la misma clase son siempre conformes.
Definicin: Dadas las matrices conformes: A =
B =
; definimos
el producto AxB en ese orden a la matriz P =
/ AxB = P
P =
a
. b
con
1
1
Ejemplo:
Sean la matrices genricas A =
B =
AXB
Siendo:
Observacin:
1) El primer subndice de coincide con el primer subndice de en cada trmino.
2) El segundo subndice de coincide con el segundo subndice de en cada trmino.
3) El segundo subndice de es igual al primer subndice de en cada trmino.
Generalizando: el elemento
+ +
= a
. b
con
1
1
Propiedades del producto de matrices:
En general, dadas dos matrices cualesquiera, que pertenecen a la clase
, no necesariamente su
producto est definido, (no necesariamente puedo multiplicar siempre dos matrices que pertenecen a la
clase
); es decir, no es ley de composicin interna o de cierre, sin embargo, si las matrices son
cuadradas, -son de clase
B =
C =
conformes en
ese orden, se verifica que ( A . B ) . C = A . ( B . C )
(A . B ) . C = [
= a
. b
=
= a
. b
= a
. b
= a
. b
=
= a
. b
. . b
. [
=
A . ( B . C )
Propiedad conmutativa: El producto de matrices no es conmutativo
1) Sean las matrices A =
B =
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
19
2) Sean las matrices A=
B=
A.B
B.A
3)
Sean las matrices A=
B=
;
y por lo general A.B
B.A
Ejemplo:
A =
1 1
0 0
y B =
1 0
1 0
En consecuencia, la frase el orden de los factores no altera el producto no es aplicable en el producto
de matrices y es una de las diferencias con el algebra ordinaria de conjuntos numricos.
Cuando A.B = B.A se dice que las matrices son permutables.
Observacin: El producto entre dos matrices es conmutable si una de las matrices es escalar.
Propiedad de existencia de neutro:
En
: A . I
n
= I
n
. A = A siendo I
n
, la matriz identidad, ya que el
producto solo est definido para matrices cuadradas, atento a que deben ser permutables.-
ANILLO DE MATRICES CUADRADAS
Sea K
nxn
el conjunto de matrices cuadradas:
En K
nxn
el producto es una ley de composicin interna, asociativa, con elemento neutro igual a la
identidad nxn.
Por otra parte, como K
nxn
es un subconjunto de K
mxn
, sabemos que ( K
nxn
, +) es grupo abeliano, y de
acuerdo con las propiedades enunciadas prededentemente tenemos que ( K
nxn
, + . ) es un anillo no
conmutativo con unidad de las matrices cuadradas nxn con elementos en K.
Este anillo tiene divisores de cero; es decir, existen matrices no nulas cuyo producto es la matriz nula.
Ejemplo:
A =
1 0
1 0
B =
0 0
1 1
A . B =
0 0
0 0
Por lo tanto, si n N: ( K
nxn
, + . ) es un anillo con unidad y con divisores de cero.
PROPIEDADES DE LAS MATRICES
I ) La inversa del producto de dos matrices, que posean inversa, es igual al producto de las inversas en
orden contrario.
A.B
1 0
1 0
1 1
0 0
2 0
0 0
B.A
1 1
0 0
1 0
1 0
1 1
1 1
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
20
( A . B )
1
= B
-1
A
-1
E n efecto:
( A . B ) . ( B
-1
. A
.-1
) = A . B . B
-1
. A
-1
= A . I . A
-1
= A . A
-1
= I
( B
-1
. A
-1
) . ( A . B ) = B
-1
. A
-1
. A . B = B
-1
. I . B = B
-1
. B = I
Por lo tanto: ( A . B )
-1
= B
-1
. A
-1
II ) La matriz traspuesta de la suma de dos matrices es igual a la suma de las traspuestas.
( A + B )
T
= A
T
+ B
T
III) La Matriz traspuesta del producto de un escalar por una matriz es igual al producto del escalar por la
traspuesta de la matriz
(.A)
T
= . (A)
T
IV ) La matriz traspuesta del producto de dos matrices es igual al producto de las traspuestas en orden
contrario.
( A . B )
T
= B
T
. A
T
V) La matriz traspuesta de la traspuesta es igual a la matriz dada.
(A
T
)
T
= A
VI) La matriz conjugada de la suma de dos matrices es igual a la suma de las conjugadas.
+
VII ) La matriz conjugada del producto de dos matrices es igual al producto de las conjugadas
consideradas en el mismo orden.
VIII ) La matriz traspuesta de la conjugada de A es igual a la conjugada de la traspuesta.
=
= A
*
IX ) El producto de una matriz cuadrada por su matriz traspuesta es una matriz simtrica.
A.A
T
= B siendo B una matriz simtrica B = B
T
X ) La matriz asociada del producto de dos matrices es igual al producto de las matrices asociadas
consideradas en orden inverso.
( A . B )
#
= B
#
. A
#
POTENCIA DE UNA MATRIZ CUADRADA
Sea A
. Definimos A. AA
= A
n
1) Matriz idempotente:
Segn las condiciones anteriores, si k = 1, esto es A
2
= A . La matriz A se llama idempotente.
Ejemplo: Cualquiera sean los valores de y , la matriz
1 0 0
0 1 0
0
es idempotente.
2) Matriz involutiva:
Segn las condiciones anteriores, si k = 1, esto es A
2
= I . La matriz A se llama involutiva.
Ejemplo: A =
1 0
0 1
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
21
3) Matriz nilpotente:
Una matriz A tal que A
p
= 0 , siendo p un nmero entero positivo, se llama nilpotente. Si p es el menor
nmero entero y positivo para el cual A
p
= 0 , la matriz A es nilpotente de ndice p.
Ejemplo: La matriz
2 6
1 3
es nilpotente (p = 3)
4) A
p
. A
q
= A
p+q
= A
q+p
= A
q
. A
p
5) (A
m
)
p
= A
m.p
= A
p.m
= ( A
p
)
m
6) (A + B)
2
= (A+B).(A+B) = A
2
+ AB + BA +B
2
7) (A+B). (A-B) = A
2
A.B +A.B B
2
8) (A-B).(A+B) = A
2
+ A.B B.A B
2
BASE DE UNA MATRIZ
Siendo ( K
mxn
; + ; K ; . ) un espacio vectorial, una base en dicho espacio sera:
1 0 0
0 0 0
0
0
0
;
0 1 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
Observacin: Cualquier matriz A =
.
1 0 0
0 0 0
0
0
0
.
0 1 0
0 0 0
0
0
0
+ +
+
.
0 0 0
0 0 0
0
0
1
PARTICIN DE MATRICES
Una matriz puede ser particionada en submatrices o bloques ms pequeos, usando rectas horizontales y
verticales, tarea que se puede realizar de diferentes maneras o tambin eliminando cierta cantidad de filas
y columnas se logra el mismo cometido.
Ejemplo:
A =
A (1,3/1,4) =
;
O tambin A (1,2/3,4) =
Si conservamos la primera y
tercera fila y la primera y
cuarta columna obtendremos
la submatriz
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
22
Veamos en un ejemplo un esquema de particin: m= 2 + 3 ; n = 2 + 3 + 2
A=
1 1 1 0 3 2 5
3 4 2 7 4 1 5
6
3
5
3
2
2
9
1
5
2
4
3
8
6
5
0
1
1
3
0
2
;
Donde:
=
1 1
3 4
=
1 0 3
2 7 4
;; etc.
La conveniencia de la particin en bloques, hace que las operaciones entre matrices se pueda realizar,
operando sobre los bloques.-
Es conveniente conocer que tambin se pueden particionar de la siguiente manera:
Matriz particionada en columnas:
Sea:
A =
; A
2
=
; ; A
n
=
Cada columna es una matriz de clase mx1, me indica un vector columna.
Matriz particionada en filas:
A =
; donde
Cada fila es una matriz de clase 1xn, me indica un vector fila.
DEPENDENCIA E INDEPENDENCIA LINEAL DE UNA MATRIZ
Una columna A
j
de una matriz es combinacin lineal de otras columnas paralelas A
1
, A
2
, , A
n
; cuando
resulta de sumar estas ltimas previamente multiplicados por ciertos escalares
, ,
cualquiera.
A
j
= es combinacin lineal de
. A
1
+
. A
2
+... +
. A
n
=
Sea A = (a
ij
) K
mxn
de columnas A
1
,
A
2
, A
3
, ... , A
r
con r < n:
- Las columnas A
1
, A
2
, ... , A
r
son linealmente dependientes si y slo s existen escalares
, ... ,
. A
1
+
. A
2
+... +
. A
r
= [ 0 0 .... 0 ] = 0
i = 1
- Las filas A
1
, A
2
, ... , A
r
son linealmente independientes si y slo s no son linealmente dependientes.
Es decir, que la nica manera de expresar la matriz nula O
1xr
como combinacin lineal de A
i
es la
combinacin nula trivial.
r
.
= 0
= ... =
= 0
i = 1
Ejemplo:
1) A =
2 2
1 1
2 5
. B
1
+
. B
2
=
.
1 2
+
.
1 3
=
0 0
=
0 0
= 0
2
+ 3
= 0
2 .
+ 3 .
= 0 5 .
= 0
= 0
= 0
OPERACIONES ELEMENTALES
Las operaciones elementales que se pueden realizar en una matriz son:
a - Permutacin de dos filas entre s, o de dos columnas entre s.
b - Adicin de una fila a otra, o adicin de una columna otra.
c - Multiplicacin de una fila o de una columna por un escalar no nulo.
Si se efectan operaciones elementales sobre una matriz (filas o columnas), se obtiene otra matriz
equivalente a la dada (pero su rango y dimensin no varan).
NOTA: las operaciones b y c indican C. L. de filas o columnas.
Matrices equivalentes:
Sean A y B dos matrices pertenecientes a
un
escalar denominado determinante de la matriz.
Dicho de otra manera, determinante de orden o clase n es toda funcin D:
, es decir, la
funcin D asigna a cada matriz nxn un escalar llamado determinante.
El orden o la clase del determinante es igual al orden o clase de la matriz de la cual es imagen.
Sea la matriz A =
A
) siendo A
j
=
= |A
A
| Esta notacin aclara que la
aplicacin es funcin de las n columnas de la matriz A.-
Definicin Axiomtica: El determinante de orden n es una funcin de los vectores columnas de una
matriz cuadrada que verifica los siguientes cuatro axiomas:
Axioma 1: A
+ A
A
= A
A
+ |A
A
|
Axioma 2: |A
. A
A
| = . |A
A
|
Este axioma determina que si una columna (fila) de un determinante de A son mltiplos de un escalar k,
se puede sacar el factor comn en dicho determinante.
Axioma 3: A
A
= - A
A
Este axioma determina que si permuto dos columnas (filas); el determinante cambia de signo
Axioma 4: El determinante de la matriz identidad vale 1
1 0 0
0 1 0
0
0
1
= 1 |
= 1 |I| = 1 Ejemplo: A
=
1 0
0 1
= 1 0 = 1
Esto tiene tambin validez si en vez de tomar vectores columnas tomamos vectores filas.
Ejemplo: Dado el determinante A =
3 5
3 6
= -3.6 3.5 = -18 15 = -33
Aplicando axioma 1:
3 2 + 3
3 1 + 5
=
3 2
3 1
+
3 3
3 5
= (-3 6 ) + ( -15 -9 ) = -9 24 = -33
Aplicando axioma 2:
3. 1 2 + 3
3.1 1 + 5
= 3 .
1 5
1 6
3 . (-6 5 ) = 3 . ( -11) = -33
Aplicando axioma 3: A
=
5 3
6 3
= 5 . 3 6 .(-3 ) = 15 + 18 = 33
Nota: Los Axiomas 1 y 2 indican que la funcin es multilineal (lineal para cada columna) y el axioma 3
indica que la funcin es alternada.-
PROPIEDADES DE LA FUNCIN DETERMINANTE
Propiedad 1: Si dos columnas (filas) del determinante de una matriz son iguales, entonces su
determinante es nulo.
Por Axioma 3, considerando A
j
= A
k
A
A
= - A
A
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
29
|| = || || + || = 0 (1+1). || = 0 || = 0; ya que ( 1+1 ) = 2 0
Ejemplo:
3 5
3 5
= -3.5 (-3).5 = -15 + 15 = 0
Propiedad 2: Si una columna (fila) de una matriz cuadrada A es el vector nulo, entonces su determinante
es nulo.
|| = A
A
0
= A
A
0. 0
= 0. A
A
0
= 0
Ejemplo:
3 0
3 0
= -3.0 (-3).0 = 0 + 0 = 0
Propiedad 3: El determinante de una matriz no vara si a una columna (fila) se le suma una combinacin
lineal de otras:
h j || = |
| = |
+ .
| =
=
+ .
+ .
+ .
=
=
=
=
+ .
= || + . 0 = ||
Ejemplo: A =
5 2
3 4
= 20 6 = 14
A =
5 2
3 4
=
5 2 + 3.5
3 4 + 3.3
=
5 17
3 13
= 65 - 51 = 14 esto es porque;
5 2 + 3.5
3 4 + 3.3
=
5 2
3 4
+
5 3.5
3 3.3
=
5 2
3 4
+ 3.
5 5
3 3
= 14 + 3.0 = 0
Propiedad 4: Si en un determinante de una matriz, existen vectores columnas (fila) linealmente
dependientes, el determinante es nulo.
Si son L. D. existe una combinacin lineal, entonces podemos expresar una columna como C. L. de las
restantes:
=
|| = |
| =
1
=1
=
|
++
| =
. |
| +
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
30
+
. |
| +
. |
| + +
. |
| =
= 0 + 0 + 0 + + 0 = 0
Ejemplo: || =
5 15
3 9
= 45 45 = 0
esto es porque;
5 15
3 9
=
5 3.5
3 3.3
= 3 .
5 5
3 3
= 3 . 0 = 0
Propiedad 5: El determinante de una matriz cuadrada es igual al determinante de su matriz traspuesta.
Sea A K
nxn
, entonces: D (A) = D (A
T
).
Propiedad 6: El determinante de un producto de matrices cuadradas es igual al producto de los
determinantes de las matrices.
Sean A y B dos matrices cualesquiera de la misma clase n; en estas condiciones: |. | = ||. ||
VALOR DE UN DETERMINANTE
Determinante de segundo orden
Sea A K
nxn
: Si n = 2 D (A) = || =
= a
11
. a
22
a
21
. a
12
(Al producto de la diagonal principal se le resta el producto de la diagonal secundaria)
Determinante de tercer orden
Sea A K
nxn
: Si n = 3
D (A) = || =
=
= a
11
. a
22
. a
33
+ a
12
. a
23
. a
31
+ a
21
. a
32
. a
13
a
31
. a
22
. a
13
a
21
. a
12
. a
33
a
32
. a
23
. a
11
Para resolver, se suman los productos de la diagonal principal y sus paralelas con el vrtice opuesto y se
restan los productos de la diagonal secundaria y sus paralelas con el vrtice opuesto.
REGLA DE SARRUS
Se la utiliza para hallar el determinante de una matriz de tercer orden, solamente.
Procedimiento:
Se repiten las dos primeras filas de la matriz.
Se suman los productos de la diagonal principal y sus paralelas, y a estos se le restan los
productos de la diagonal secundaria y sus paralelas.
Sea la matriz de tercer orden A:
D (A) = || =
=
= a
11
. a
22
. a
33
+ a
21
. a
32
. a
13
+ a
31
. a
12
. a
23
a
31
. a
22
. a
13
a
11
. a
32
. a
23
a
21
. a
12
. a
33
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
31
Si repetimos las dos primeras columnas en vez de las dos primeras filas, se llega al mismo resultado
final.
Menores Complementarios:
Al suprimir en una matriz cualquiera, varias filas e igual nmero de columnas, se obtiene otra matriz
llamada menor de la primera o submatriz.
Sea A=
A =
Si la matriz es cuadrada, se extraen submatrices cuadradas, entonces podemos hablar del determinante de
esa submatriz.
DETERMINANTE DE ORDEN N
Dada una matriz A K
nxn
tal que A = [a
ij
]
nxn
, con 1 i n y 1 j n , llamamos determinante de A ,
al elemento del cuerpo K , que la siguiente funcin le hace corresponder a A:
a
11
si n = 1
D : K
nxn
K / D (A) =
a
11
. A
11
+ a
21
.A
21
+ a
31
.A
31
+ ........ + a
n1
.A
n1
si n >1
(A
ij
: de un elemento a
ij
)
MENOR COMPLEMENTARIO DE UN ELEMENTO a
ij
Sea A =
A=
Para cada elemento a
ij
, se define el menor complementario del elemento a
ij
como el determinante de la
matriz de clase u orden (n-1), que se obtiene de A, suprimiendo la fila i y la columna j. Es decir,
dada A =
; otro sera
; otro sera
; etc
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
32
ADJUNTO O COFACTOR DEL ELEMENTO aij
Al producto (-1)
i+j
. M
ij
, recibe el nombre de adjunto o cofactor del elemento a
ij
, es decir que adjunto del
elemento a
ij
, es su menor complementario con su propio signo o con signo contrario, segn que la suma i
+ j sea par o impar. Lo designamos A
ij
.
Ejemplos:
A
11
= ( - 1 )
1+1
. M
11
= M
11
A
12
= ( - 1 )
1+2
. M
12
= -M
12
A
13
= ( - 1 )
1+3
M
13
= M
13
En sntesis: A
ij
=
Mij si i + j es par
Mij si i + j es impar
Ejemplo: Sea A =
= 1
= 1
= -
D (A) = || =
=
= a
11
. a
22
. a
33
+ a
21
. a
32
. a
13
+ a
31
. a
12
. a
23
a
31
. a
22
. a
13
a
11
. a
32
. a
23
a
21
. a
12
. a
33=
(Sacamos factor comn los elementos de la primera columna)
= a
11
.( a
22
. a
33
- a
32
. a
23
) + a
21
.(a
32
. a
13
- a
12
. a
33
) + a
31
.( a
12
. a
23
- a
22
. a
13
) =
= a
11
.( a
22
. a
33
- a
32
. a
23
) + a
21
.(-1) . (a
12
. a
33
- a
32
. a
13
) + a
31
.( a
12
. a
23
- a
22
. a
13
) =
= a
11
.
+ (-a
11
) .
+ a
31
.
= a
11
. A
11
+ a
21
. A
21
+ a
31
. A
31
=
=
GENERALIZANDO:
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
33
Desarrollo por los elementos de una columna j-esima:
|| = a
1j
. A
1j
+ a
2j
. A
2j
+ + a
nj
. A
nj
Desarrollo por los elementos de una fila i-esima:
|| = a
i1
. A
i1
+ a
i2
. A
i2
+ + a
in
. A
in
Ejemplo:
|| =
3 2 1
2 1 1
1 2 2
= 6 + 2 + 4 [ (-1) + (-8) + 6 ] = 12 + 3 = 15
Desarrollamos por la primera fila
|| =
3 2 1
2 1 1
1 2 2
= 3 . (-1)
(1+1)
.
1 1
2 2
+ 2 . (-1)
(1+2)
.
2 1
1 2
+ 1 . (-1)
(1+3)
.
2 1
1 2
=
= 3 . 0 2 . (-5) + 1 . 5 = 0 + 10 + 5 = 15
Desarrollamos por la segunda columna
|| =
3 2 1
2 1 1
1 2 2
= 2 . (-1)
( 1 + 2 )
.
2 1
1 2
+ (-1) . (-1)
( 2 + 2 )
.
3 1
1 2
+ 2 . (-1)
( 3 + 2 )
.
3 1
2 1
=
= -2 . (-5) 1 . (-7) -2 . 1 = 10 + 7 - 2 = 15
PROPIEDADES DEL DESARROLLO DE UN DETERMINANTE POR LOS ELEMENTOS DE UNA
LNEA
Propiedad 1: El producto de los elementos de una lnea por los adjuntos de una paralela es igual a cero.
Ejemplo:
|| =
3 2 1
2 1 1
1 2 2
= desarrollo por los elementos de la primera columna y multiplico cada elemento
por los adjuntos de la segunda columna; esto es: 3 . A
21
+ 2 . A
22
+ 1 . A
32
= 3 . (-1)
( 1 + 2 )
.
2 1
1 2
+
+ 2 . (-1)
( 2 + 2 )
.
3 1
1 2
+ 1 . (-1)
( 3 + 2 )
.
3 1
2 1
= -2 . (-5) 1 . (-7) -2 . 1 = 10 + 7 - 2 = 15
Propiedad 2: Si todos los elementos de una lnea son nulas, menos uno, el determinante se reduce al
producto del elemento no nulo por su correspondiente adjunto.-
|| =
3 2 1
0 1 1
0 2 2
= 3 . (-1)
(1+1)
.
1 1
2 2
= 3 . 0 = 0
Propiedad 3: El determinante de una matriz triangular es el producto de los elementos de la diagonal
principal.
=
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
34
|| =
3 2 1
0 1 1
0 0 2
= 3 . ( -1 ) . ( -2 ) = 6
MATRIZ REGULAR Y MATRIZ SINGULAR
Matriz regular: Una matriz cuadrada es regular, cuando su determinante no es nulo.
|| 0
Matriz Singular: Una matriz cuadrada es singular, cuando su determinante es nulo.
|| = 0
MATRIZ ADJUNTA:
Dada una matriz A, cuadrada y regular, se llama matriz adjunta de A, que notaremos Adj (A), a la matriz
que se obtiene reemplazando cada elemento de la traspuesta de A, por su adjunto.
A =
A
T
=
Adj (A) =
Tambin podemos hallar la adjunta de una matriz determinando primero el adjunto de cada elemento y
luego trasponiendo
Adj (A) =
Propiedad de la matriz adjunta: El producto de una matriz
A. Adj (A) = ||
|| 0 0
0 || 0
0
0
||
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
35
Este resultado lo obtenemos recordando: Producto de matrices, la definicin de matriz adjunta,
desarrollo de un determinante por los elementos de una lnea y la propiedad de los determinantes: la
suma de los productos de los elementos de una lnea de una matriz cuadrada por los adjuntos de otra lnea
paralela a ella es igual a cero.
De la propiedad de la matriz adjunta podemos extraer factor || de donde:
A . Adj (A) =
|| 0 0
0 || 0
0
0
||
= || .
1 0 0
0 1 0
0
0
1
= || . I ; siendo I la matriz identidad; en
consecuencia: A . Adj (A) = || . I
Propiedad 1:
Si la matriz A, es tal que || 0, tenemos que I =
.
||
Propiedad 2:
Si A y B son matrices cuadradas de orden n se verifica:
Adj (A.B) = Adj (B) . Adj (A)
Ejemplo:
Sea la matriz A =
1 2 3
4 5 6
7 8 0
, calcular:
a) Adj (A)
b) A. Adj (A)=Adj (A).A
a) || = 0 + 84 + 96 (105 +0 +48) = 180 153 = 27
A
T
=
1 4 7
2 5 8
3 6 0
=
5 8
6 0
2 8
3 0
2 5
3 6
4 7
6 0
1 7
3 0
1 4
3 6
4 7
5 8
1 7
2 8
1 4
2 5
=
48 24 3
42 21 6
3 6 3
b)
48 24 3
42 21 6
3 6 3
A.Adj (A)
27 0 0
0 27 0
0 0 27
1 2 3
4 5 6
7 8 0
48 24 3
42 21 6
3 6 3
Adj (A).A
27 0 0
0 27 0
0 0 27
1 2 3
4 5 6
7 8 0
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
36
RANGO O CARACTERSTICA DE UNA MATRIZ
MEDIANTE OPERACIONES ELEMENTALES
Dada la matriz A =
I =
||..
||..
= I A
-1
=
||
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
37
UNIDAD N III
SISTEMA DE ECUACIONES LINEALES
Definicin: se llama Sistema de Ecuaciones Lineales a un conjunto de ecuaciones lineales que deben
verificarse todas simultneamente.
Un sistema de m ecuaciones lineales con n incgnitas es una expresin de la forma:
= + + + + +
= + + + + +
= + + + + +
= + + + + +
m n mn j mj m m
i n in j ij i i
n n j j
n n j j
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
. ... . ... . .
. ... . ... . .
. ... . ... . .
. ... . ... . .
2 2 1 1
2 2 1 1
2 2 2 2 22 1 21
1 1 1 2 12 1 11
M
M
Donde los
ij
a son los coeficientes de las incgnitas y
i
b son los trminos independientes; tanto
ij
a como
i
b pertenecen al cuerpo K, este debe ser especificado previamente, nosotros trabajaremos en general con
K= R.
1
x ,
2
x ;;
n
x , son smbolos llamados variables, indeterminadas o incgnitas, que pertenecen por
lo general al mismo cuerpo de escalares K.-
CLASIFICACIN DE LOS
SISTEMAS
General: si m n (son m ecuaciones con n incgnitas)
El sistema se llama Cuadrado: Si m = n (n ecuaciones con n incgnitas)
Homogneo: Si
i
b = 0, i = 1, 2, 3, , n con n N (naturales)
SOLUCIN DE UN SISTEMA DE ECUACIONES LINEALES
Se llama solucin del sistema de ecuaciones lineales en un cuerpo de escalares K, a todo conjunto de
valores de las incgnitas {
1
x ,
2
x ;;
n
x }K y que deben satisfacer simultneamente las m ecuaciones.
y tambin
=
=
n
j
j j
b x a
1
1 1
.
Ecuacin lineal en n variables
(1)
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
Si el sistema tiene solucin se denomina COMPATIBLE; en caso contrario INCOMPATIBLE.-
Un sistema compatible puede tener una solucin y se dice COMPATIBLE DETERMINADO o
infinitas soluciones que se dice COMPATIBLE INDETERMINADO.-
En un sistema de dos ecuaciones con dos incgnitas grfica y analticamente, despus de aplicar el
mtodo de Gauss sera:
= +
= +
g y f x d
c y b x a
. .
. .
a . y = b a . y = 0 0 . y = 0 0 . y = b con b 0
a 0 Sistema Sistema Compatible Sistema Incompatible
Compatible Determinado Indeterminado
NOTACIN MATRICIAL FR UN SISTEMA DE ECUACIONES LINEALES
Al sistema (1), lo podemos escribir en forma matricial de la siguiente manera:
mxn
mn m m
n
n
a a a
a a a
a a a
|
|
|
|
|
\
|
L
M M M M
L
L
2 1
2 22 21
1 12 11
.
1
2
1
nx
n
x
x
x
|
|
|
|
|
\
|
M
=
1
2
1
mx
m
b
b
b
|
|
|
|
|
\
|
M
A . X = B
Donde A es la matriz de los coeficientes; X es la matriz de las incgnitas y B es la matriz de los
trminos independientes.-
Para un Sistema Homogneo la expresin matricial es A . X = N Siendo N la matriz columna
nula.-
CONJUNTO SOLUCIN
r
1
r
2
O bien de la manera ms compacta A . X = B;
se ve con solo realizar el producto.-
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
39
Una solucin de tal sistema es una n-upla
|
|
|
|
|
\
|
'
'
2
'
1
n
x
x
x
M
que satisface SIMULTANEAMENTE TODAS
las ecuaciones del sistema.- vector solucin
Al conjunto solucin lo denotamos: S = { X / A . X = 0 }
MATRICES ASOCIADAS A UN SISTEMA DE ECUACIONES LINEALES
Cada sistema de m ecuaciones lineales con n incgnitas est asociado a dos matrices:
a) Matriz de los coeficientes del sistema.-
b) Matriz Ampliada [a la matriz de los coeficientes (anterior) se le agrega como ltima columna la
matriz de los trminos independientes]
a) A =
mxn
mn m m
n
n
a a a
a a a
a a a
|
|
|
|
|
\
|
L
M M M M
L
L
2 1
2 22 21
1 12 11
b) A =
) 1 (
2 1
2 2 22 21
1 1 12 11
+
|
|
|
|
|
\
|
n mx
m mn m m
n
n
b a a a
b a a a
b a a a
L
M M M M M
L
L
EQUIVALENCIA DE SISTEMAS DE ECUACIONES LINEALES
Dos sistemas de ecuaciones lineales, sobre un mismo cuerpo F, de igual nmero de incgnitas se llaman
equivalentes cuando toda solucin de uno de ellos lo es tambin del otro.
Para obtener un sistema equivalente a uno dado se pueden efectuar una o ms de las transformaciones
siguientes:
a) Permutar dos ecuaciones.
b) Multiplicar una ecuacin por una constante distinta de cero.
c) Sumar unas ecuacin a otra multiplicada por una constante.
Resolver un sistema de ecuaciones compatible consiste en sustituir el sistema dado por otro equivalente.
TEOREMA:
Supongamos que un sistema de ecuaciones lineales se obtiene de otro, mediante una sucesin finita de
operaciones elementales, entonces ambos tienen el mismo conjunto solucin.
Es decir que podemos usar las operaciones elementales para reducir el sistema a uno equivalente ms
simple (en forma triangular o escalonada).
TEOREMA:
Supongamos que un sistema de ecuaciones lineales contiene la ecuacin degenerada:
0
1
x + 0
2
x + . + 0
n
x = b
- Si b = 0, sta e3cuacin puede suprimirse del sistema sin alterar el conjunto solucin.
- Si b 0, el sistema no tiene solucin.
SISTEMAS CRAMERIANOS
Sea un sistema CUADRADO (nmero de ecuaciones igual al nmero de incgnitas)
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
40
= + + + + +
= + + + + +
= + + + + +
= + + + + +
n n nn j nj n n
i n in j ij i i
n n j j
n n j j
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
. ... . ... . .
. ... . ... . .
. ... . ... . .
. ... . ... . .
2 2 1 1
2 2 1 1
2 2 2 2 22 1 21
1 1 1 2 12 1 11
M
M
Si adems de ser cuadrado el determinante de los coeficientes A 0, es decir la matriz A es regular, no
singular o inversible el sistema con estas dos condiciones se llama CRAMERIANO.-
Podemos enunciar que un sistema es Crameriano m = n A 0
Observacin: La matriz de los coeficientes particionada en columnas es:
A =
nxn
nn n n
n
a a a
a a a
|
|
|
\
|
L
M M M M
L
2 1
1 12 11
= ( A
1
; A
2
; ; A
n
)
TEOREMA DE CRAMER
Un sistema A . X = B crameriano admite una solucin nica.
Como A 0; A
-1
/ A . A
-1
= A
-1
. A = I (matriz unidad o identidad); Como A . X = B
premultiplicamos (multiplicamos a izquierda) por A
-1
nos queda A
-1
. A . X = A
-1
. B asociando
convenientemente queda I . X = A
-1
. B y como I . X = X, nos queda, X = A
-1
. B. Y como la matriz
A
-1
es nica y la matriz B se conoce por ser dato o estar dada, la matriz ( A
-1
. B ) es la nica solucin del
sistema.-
Observacin: Este teorema proporciona adems un mtodo de resolucin: Por Matriz inversa (Se halla A
-
1
y se la multiplica por B).-
Regla de Cramer o mtodo de los determinantes
Veremos un procedimiento para resolver un sistema cuadrado, no homogneo compatible.-
Enunciado: Todos los sistemas cramerianos son compatibles determinados y su nica solucin
esta dada por:
x
i
=
A
A
i
con n i 1
Ejemplo: Resolverle siguiente sistema aplicando la regla de Cramer:
= + +
= + +
= +
= + + +
2 . 3 . 2 . 2 . 2
8 . 2 . 6 . 3
1 . 4 . 3
5 . 5 . 2
4 3 2 1
4 3 2 1
4 3 2 1
4 3 2 1
x x x x
x x x x
x x x x
x x x x
Del cual se desprenden cinco determinantes de orden cuatro:
O sea A
nxn
. X
nx1
= B
nx1
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
41
A =
3 2 2 6
1 2 6 3
4 3 1 1
1 5 1 2
= -120 ;
1
A =
3 2 2 2
1 2 6 8
4 3 1 1
1 5 1 5
= -240 ;
2
A =
3 2 2 2
1 2 8 3
4 3 1 1
1 5 5 2
= -24 ;
3
A =
3 2 2 2
1 8 6 3
4 1 1 1
1 5 1 2
= 0 ;
4
A =
2 2 2 2
8 2 6 3
1 3 1 1
5 5 1 2
= -96
x
1
=
A
A
1
=
120
240
= 2 ; x
2
=
A
A
2
=
120
24
=
5
1
; x
3
=
A
A
3
=
120
0
= 0 ; x
4
=
A
A
4
=
120
96
=
5
4
x
1
= 2 ; x
2
=
5
1
; x
3
= 0 ; x
4
=
5
4
S = 2 ;
5
1
; 0 ;
5
4
Dado el sistema:
= + + + + +
= + + + + +
= + + + + +
= + + + + +
n n nn j nj n n
i n in j ij i i
n n j j
n n j j
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
. ... . ... . .
. ... . ... . .
. ... . ... . .
. ... . ... . .
2 2 1 1
2 2 1 1
2 2 2 2 22 1 21
1 1 1 2 12 1 11
M
M
Adjunta de A
T
De donde
|
|
|
|
|
\
|
3
2
1
x
x
x
M
=
A
1
.
nxn
nn n n
n
n
A A A
A A A
A A A
|
|
|
|
|
\
|
L
M M M M
L
L
2 1
2 22 12
1 21 11
.
|
|
|
|
|
\
|
n
b
b
b
M
2
1
Desarrollando el producto se tiene:
x
1
=
A
b A b A b A
n n
. . .
1 2 21 1 11
+ + + L
x
2
=
A
b A b A b A
n n
. . .
2 2 22 1 12
+ + + L
M
x
n
=
A
b A b A b A
n nn n n
. . .
2 2 1 1
+ + + L
Tiene por solucin X=A
-1
.B
recordemos que A
-1
=
A
A Adj.
El numerador de las x
i
es el desarrollo por los adjuntos de
la columna del determinante de los coeficientes; donde se
reemplaza la columna i por la columna de los trminos
independientes.
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
42
1
A =
nn n n
n
n
a a b
a a b
a a b
L
M M M M
L
L
2
2 22 2
1 12 1
= b
1
.A
11
+ b
2
.A
21
+ +b
n
. A
n1
2
A =
nn n n
n
n
a b a
a b a
a b a
L
M M M M
L
L
1
2 2 21
1 1 11
= b
1
.A
12
+ b
2
.A
22
+ +b
n
. A
n2
M
n
A =
n n n
b a a
b a a
b a a
L
M M M M
L
L
2 1
2 22 21
1 12 11
= b
1
.A
1n
+ b
2
.A
2n
+ +b
n
. A
nn
x
1
=
A
A
1
; x
2
=
A
A
2
= ; ; x
n
=
A
A
n
Y por matriz inversa obtenemos X = A
-1
. B
A
-1
. B
|
|
|
|
|
\
|
n
b
b
b
M
2
1
A
1
.
|
|
|
|
|
\
|
nn n n
n
n
A A A
A A A
A A A
L
M M M M
L
L
2 1
2 22 12
1 21 11
|
|
|
|
|
\
|
3
2
1
x
x
x
M
= X
Del ejemplo:
A =
|
|
|
|
|
\
|
3 2 2 6
1 2 6 3
4 3 1 1
1 5 1 2
A =
3 2 2 6
1 2 6 3
4 3 1 1
1 5 1 2
= -120 adems reobserva que es cuadrada de 4x4
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
43
Por consiguiente existe A
-1
, calculamos primero su transpuesta
A
T
=
|
|
|
|
|
\
|
3 1 4 1
2 2 3 5
2 6 1 1
6 3 1 2
Adj. A
T
=
|
|
|
|
|
\
|
44 34 24 14
43 33 23 13
42 32 22 12
41 31 21 11
A A A A
A A A A
A A A A
A A A A
=
|
|
|
|
|
\
|
+
40 8 8 24
40 5 35 15
80 17 73 69
120 0 120 120
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
\
|
+
+
2 3 5
6 1 1
3 1 2
2 3 5
2 1 1
2 1 2
2 2 5
2 6 1
2 3 2
2 2 3
2 6 1
2 3 1
1 4 1
6 1 1
3 1 2
3 4 1
2 1 1
2 1 2
3 1 1
2 6 1
2 3 2
3 1 4
2 6 1
2 3 1
1 4 1
2 3 5
3 1 2
3 4 1
2 3 5
2 1 2
3 1 1
2 2 5
2 3 2
3 1 4
2 2 3
2 3 1
1 4 1
2 3 5
6 1 1
3 4 1
2 3 5
2 1 1
3 1 1
2 2 5
2 6 1
3 1 4
2 2 3
2 6 1
A
-1
=
A
A Adj.
A
-1
. B =
A
A Adj.
. B ^ A = - 120
A
-1
=
A
A Adj.
= -
120
1
.
|
|
|
|
|
\
|
+
40 8 8 24
40 5 35 15
80 17 73 69
120 0 120 120
=
|
|
|
|
|
|
|
|
\
|
120
40
120
8
120
8
120
24
120
40
120
5
120
35
120
15
120
80
120
17
120
73
120
69
120
120
120
0
120
120
120
120
=
A
-1
. A
|
|
|
|
|
\
|
3 2 2 2
1 2 6 3
4 3 1 1
1 5 1 2
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
44
|
|
|
|
|
|
|
\
|
3
1
15
1
15
1
5
1
3
1
24
1
24
7
8
1
3
2
120
17
120
73
40
23
1 0 1 1
|
|
|
|
|
\
|
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
= ( )
4 4x
I
A
-1
. B
|
|
|
|
|
\
|
2
8
1
5
|
|
|
|
|
|
|
\
|
3
1
15
1
15
1
5
1
3
1
24
1
24
7
8
1
3
2
120
17
120
73
40
23
1 0 1 1
|
|
|
|
|
|
\
|
5
4
0
5
1
2
=
|
|
|
|
|
\
|
4
3
2
1
x
x
x
x
Sistemas Equivalentes
Definicin: Sistemas equivalentes son aquellos sistemas que tienen el mismo conjunto solucin.
TEOREMA DE ROCHE FROBENIUSS
Enunciado: El sistema de ecuaciones A . X = B es compatible, si el rango de A (Matriz de los
coeficientes del sistema) y el rango de A (matriz ampliada) son iguales, es decir Rg. (A) = Rg.(A) = r.-
Si el rango r es igual al nmero de incgnitas del sistema de ecuaciones lineales, se dice
determinado ( r = n ).-
Si el rango r es menor al nmero de incgnitas del sistema de ecuaciones lineales, se dice
indeterminado ( r < n ) .-
NO Sistema Incompatible S =
Sintetizando: A . X = B Rg. ( A ) = Rg. ( A ) = r ? SI Sistema Compatible S
Consecuencia de Roche Frobeniuss
En el sistema A.X = 0 (Sistema Homogneo) siempre son compatibles, ya que Rg.(A) = Rg.(A)
Si r = n el Sistema es Compatible Determinado; la nica solucin es la trivial
(x
1
= x
2
= = x
n
= 0).
Si r < n el Sistema es Compatible Indeterminado; existen infinitas soluciones, adems de la trivial.
Sistemas Cuadrados (homogneos o no Homogneos)
m = n Si r = n A 0 Determinado
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
45
Si r < n A = 0 Indeterminados
UNIDAD N IV
TRANSFORMACIONES LINEALES
Vamos ahora a trabajar con dos funciones definidas entre dos espacios vectoriales, esto es,
funciones para los cuales los conjuntos alcance y rango son espacios vectoriales.-
Por ejemplo, consideremos la funcin: f: R
3
R
2
/ f (x
1
; x
2
; x
3
) = ( x
1
+x
2
; x
2
x
3
)
Tenemos una funcin que a cada elemento de R
3
(una terna ordenada) le hace corresponder un
elemento de R
2
(un par ordenado) y que se determinan de la siguiente forma:
La primera componente del par es la suma de la primera y segunda componente de la terna y la
segunda componente del par es la diferencia entre la segunda y tercera componente de la terna.-
Ejemplo:
f ( 0 ; 1 ; 2 ) = ( 0 + 1 ; 1 2 ) = ( 1 ; -1 )
^
f ( 2 ; 1 ; 0 ) = ( 2 + 1 ; 1 0 ) = ( 3 ; 1 )
Nos interesa aquellas funciones que conservan las dos operaciones bsicas
(suma vectorial = ley Interna; y producto de un vector por un escalar = ley externa).
Si seguimos trabajando con el ejemplo se observa:
x = ( 0 ; 1 ; 2 ) f ( x ) = ( 1 ; -1 )
^
x = ( 2 ; 1 ; 0 ) f ( x ) = ( 3 ; 1 )
Si hallamos la suma de las imgenes estamos sumando dos elementos del segundo espacio:
f ( x ) + f ( y ) = ( 1 ; -1 ) + ( 3 ; 1 ) = ( 4 ; 0 )
En cambio, si sumamos los elementos del primer espacio y luego hallamos la imagen de su suma
tenemos:
x + y = ( 0 ; 1 ; 2 ) + ( 2 ; 1 ; 0 ) = ( 2 ; 2 ; 2 )
f ( x + y ) = f ( 2 ; 2 ; 2 ) = ( 2 + 2 ; 2 2 ) = ( 4 ; 0 )
Por lo que concluimos la siguiente propiedad:
Algo parecido sucede con el producto de un escalar por la imagen de x o de y (cualquiera de los
dos).-
Ejemplo: sea k = 2
2 . f ( x ) = 2 . f ( 0 ; 1 ; 2 ) = 2 . ( 1 ; -1 ) = ( 2 ; -2 )
Ahora si calculamos primero el producto del escalar por el vector x en el primer espacio vectorial
y luego hallamos su imagen tenemos:
La imagen de la suma es igual a la suma de las imgenes es decir:
f ( x + y ) = f ( x ) + f ( y )
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
46
2 . x = 2 . ( 0 ; 1 ; 2 ) = ( 0 ; 2 ; 4 )
f ( 2.x ) = f ( 0 ; 2 ; 4 ) = ( 0 + 2 ; 2 4 ) = ( 2 ;-2)
Por lo tanto concluimos la siguiente propiedad:
No con todas las funciones pasa lo mismo, sea por ejemplo:
h : R
3
R
2
/ h ( x
1
; x
2
; x
3
) = ( x
1
+x
2
+ 1 ; x
2
x
3
)
Calculamos con los mismos puntos y tenemos:
h ( x + y ) = h ( 2 ; 2 ; 2 ) = ( 5 ; 0 ) la imagen de la suma
h ( x ) + h ( y ) = h ( 0 ; 1 ; 2 ) + h ( 2 ; 1 ; 0 ) = ( 2 ; -1 ) + ( 4 ; 1 ) = ( 6 ; 0 ) la suma de las
imgenes.-
En consecuencia, la suma de las imgenes es distinta a la imagen de la suma.-
La imagen del producto de un escalar por un vector sera:
h ( 2 x ) = h [ 2 ( 0 ; 1 ; 2 ) ] = h ( 0 ; 2 ; 4 ) = ( 3 ; -2 )
y , el producto del escalar por la imagen del vector sera:
2 [ h ( x ) ] = 2 [ h ( 0 ; 1 ; 2 ) ] = 2 ( 2 ; -1 ) = ( 4 ; -2 )
En consecuencia la imagen del producto de un vector por un escalar es distinto al producto del
escalar por la imagen del vector.-
Es decir; h no conserva la suma de vectores, ni el producto de un escalar por un vector, por lo
tanto, a las funciones como f que s conservan estas dos operaciones se llaman transformaciones lineales
u homomorfismo.-
Definicin de Transformaciones Lineales:
Dados dos espacios vectoriales ( V ; + ; K ; . ) y ( W ; + ; K ; . ) definidos ambos sobre el cuerpo
K de los nmeros reales, se llama transformacin lineal a toda funcin f : V W verifica las
siguientes propiedades:
a) Distributividad: respecto de la suma de vectores: f ( x
r
+ y
r
) = f ( x
r
) + f ( y
r
); x
r
; y
r
V
b) Homogeneidad: Si k K ^ v
r
V : f ( k . v
r
) = k . f ( v
r
)
Las dos propiedades se reducen en una sola expresin, diciendo que f : V W es una
transformacin lineal si y solo si : f ( k. x
r
+ k. y
r
) = k . f ( x
r
) + k . f ( y
r
)
Clasificacin:
Si adems:
f es inyectiva Se dice que f es un monomorfismo
f es sobreyectiva Se dice que f es un epimorfismo
f es biyectiva Se dice que f es un isomorfismo
La imagen del producto de un escalar por un vector es igual al producto
del escalar por la imagen del vector es decir: f (2 x ) = 2f ( x )
x
y
x + y
k x
f ( x )
f ( y )
f (x + y) = f (x) + f (y)
f (k x) = k f (x )
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
47
V W
N (f )
Si V = W Se dice que f es un endomorfismo
Si V = W y f es biyectiva Se dice que f es un automorfismo
PROPIEDADES
Demostraremos a continuacin dos propiedades que caracterizan a todas las transformaciones
lineales:
Sea f : V W una transformacin lineal.
Denotaremos mediante
V
0
r
y
W
0
r
a los vectores nulos en V y en W respectivamente.-
I) imagen del vector nulo del primer espacio por toda transformacin lineal es el vector nulo del
segundo espacio f (
V
0
r
) =
W
0
r
.-
Demostracin:
Sea
V
0
r
el vector nulo de V como el producto de cualquier vector por el escalar 0 es el vector
nulo, tenemos: f (
V
0
r
) = f ( 0 . v
r
) , v
r
V.-
Pero como f es lineal: f ( 0 . v
r
) = 0 . f ( v
r
) =
W
0
r
; porque W es tambin un espacio vectorial y
la imagen de cualquier vector por el escalar 0 es el vector nulo.
f (
V
0
r
) = f ( 0 . v
r
) = 0 . f ( v
r
) =
W
0
r
II) La imagen del opuesto de cualquier vector del primer espacio, es igual al opuesto de la imagen
de ese vector en el segundo espacio.
Es decir:
f ( - x
r
) = - f ( x
r
) ; x
r
V recordar que x = ( -1) . x
f ( - x
r
) = [ f ( -1) . x
r
] = ( - 1 ) . f ( x
r
) = - f ( x
r
)
NCLEO E IMAGEN DE UNA TRANSFORMACIN LINEAL
Definicin: El ncleo de f (kernel, kern, ker) es el conjunto de elementos de V cuya imagen por f es el
vector nulo en W sobre un mismo cuerpo K.-
f
W
0
r
Un vector perteneciente a V es un elemento del ncleo, si y solo si, su imagen es el vector nulo, es
decir, x
r
N ( f ) f ( x ) =
W
0
r
Ejemplo: De nuestro ejemplo tenemos:
N (f ) = { (x
1
; x
2
; x
3
) R
3
/ f (x
1
; x
2
; x
3
) = ( 0 ; 0 ) }
se tiene: (x
1
; x
2
; x
3
) N ( f ) f ( x
1
; x
2
; x
3
) = ( 0 ; 0 ) ( x
1
+x
2
; x
2
x
3
) = ( 0 ; 0 )
x
1
+ x
2
= 0 x
2
x
3
= 0 x
1
= x
2
x
2
= x
3
, es decir, aquellos vectores que cumplan esta
f (
V
0
r
) =
W
0
r
por ser f lineal
El smbolo N ( f ) se lee ncleo de
f o Kernel
N ( f ) = { x
r
V / f ( x
r
) =
W
0
r
}
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
48
condicin van a pertenecer al N ( f )
Ejemplo:
Sea x
r
= ( 2; -2; -2) f ( x ) = [ 2 + (-2) ; ( -2 ) (-2 )] = ( 0 ; 0 ) =
W
0
r
Definicin: La imagen de una transformacin lineal f : V W es el conjunto imagen e la
totalidad de las imgenes de los vectores del primer espacio vectorial.
V f W
V
0
r
W
0
r
I (f)
Otra definicin de imagen ( f ) = { y
r
W / x
r
V y
r
= f ( x
r
) }
Proposicin: El ncleo de cualquier transformacin lineal es un subespacio de V y la imagen un
subespacio de W.-
Demostracin: Dada cualquier transformacin lineal f, observemos primero que es:
N (f) e Im (f) (distinto de vaco), dado que ya se ha probado para toda transformacin lineal que
f (
V
0
r
) =
W
0
r
(Luego, el vector nulo del primer espacio vectorial pertenece al N ( f ) y el vector nulo del
segundo espacio pertenece a la Im ( f ).-
Por lo tanto, solo es necesario probar las otras dos condiciones que caracterizan a los subespacios
(espacio vectorial dentro o incluido en otro espacio vectorial); lo hacemos para cada uno de ellos:
I) Para N ( f ):
1) Tesis: x
r
N (f ) ; y
r
N ( f ) ( x
r
+ y
r
) N ( f )
Demostracin:
Sean x
r
, y
r
N ( f ) cuyas imgenes cumpla la condicin de que f ( x
r
) = f ( y
r
) =
W
0
r
por definicin de N
(f) f ( x
r
+ y
r
) = f ( x
r
) + f ( y
r
) =
W
0
r
+
W
0
r
=
W
0
r
x
r
+ y
r
N ( f ).-
2) Tesis: x
r
N (f ) ; k K (k. x
r
) N ( f ).-
Demostracin:
Sea x
r
N ( f ) f ( x
r
) =
W
0
r
adems dado k K se cumple por definicin de homogeneidad que: f
(k. x
r
) = k . f ( x
r
) = k.
W
0
r
=
W
0
r
(k. x
r
) N ( f ).-
N ( f ) es un subespacio de V dado que N ( f ) V .-
II) Para Im ( f ):
1) Tesis: x
r
, y
r
I ( f ) ( x
r
+ y
r
) I ( f )
Demostracin:
Sean x
r
, y
r
Im ( f ) por definicin de imagen ' x
r
e ' y
r
/ f ( ' x
r
) = x
r
y f ( ' y
r
) = y
r
f ( ' x
r
+ ' y
r
) = f ( ' x
r
) + f ( ' y
r
) = x
r
+ y
r
y como ( ' x
r
+ ' y
r
) V ( x
r
+ y
r
) Im ( f ) por definicin
de la transformacin lineal.-
2) Tesis: x
r
Im ( f ), k K ( k. x
r
) Im ( f )
Demostracin:
Imagen de f = I (f) = {f (x) / x
r
V }
Sabemos que f (
V
0
r
) =
W
0
r
. En
consecuencia
W
0
r
I (f), lo que
significa que I (f ) .
Adems I (f) W.-
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
49
Sea x
r
Im ( f ) por definicin de imagen ' x
r
V / f ( ' x
r
) = x
r
Sea k K: f (k . ' x
r
) = k . f ( ' x
r
) = k . x
r
y como k . ' x
r
V k . x
r
Im ( f ) por definicin de
transformacin lineal. Luego, Im (f) es subespacio de W, es decir, Im (f) W.-
Teorema: Vamos a aceptar sin demostrar el enunciado del siguiente teorema: Si V es un espacio
vectorial de dimensin finita y f : V W una aplicacin lineal, entonces se verifica que
dim [ Im ( f ) ] + dim [ N ( f ) ] = dim ( V ) dim = dimensin
Por ejemplo: Sea la funcin f : R
3
R
3
y la transformacin lineal dada por f ( x, y, z) = ( x, y, 0)
Sea un vector v
r
R
3
cualquiera con coordenadas ( a, b, c ) R
3
, la imagen de este elemento por
f ser f ( v
r
) = ( a, b, 0); lo que significa que la imagen de la funcin [ Im ( f ) ] es el plano xy Im ( f
) = { ( x, y, z ) R
3
/ z = 0}
por lo tanto estamos en presencia de un plano la dimensin es igual a dos dim [ Im ( f ) ] = 2
Para hallar la dimensin del ncleo, debemos buscar los elementos de R
3
cuya imagen es el vector
nulo, es decir, tomo un elemento h R
3
/ f ( h
r
) =
w
0
r
.-
Sea h
r
= ( x; y; z ) R
3
f ( h
r
) = f ( x; y; z ) = ( 0; 0; 0 ) ( x; y; 0) = ( 0; 0; 0 )
x = 0 e y = 0
N ( f ) es el eje Z N ( f ) = { ( x; y; z) R
3
/ x = y = 0} x = y = 0 ^ z 0 se trata de una recta (
eje Z ) y por ser una recta la dimensin es 1 dim [ N ( f ) ] = 1 .-
dim ( V ) = dim ( R
3
) = 3
y
dim [ Im ( f ) ] + dim [ N ( f ) ] = 2 + 1 = 3
GENERADORES
Definicin: Sea {
1
x
r
;
2
x
r
; ;
n
x
r
} V. Se dice que el conjunto de vectores {
1
x
r
;
2
x
r
; ;
n
x
r
} es un
conjunto de generadores de V o que genera V; si y solo s, todo elemento de V se puede escribir como
una combinacin lineal de
1
x
r
;
2
x
r
; ;
n
x
r
.-
El conjunto {
1
x
r
;
2
x
r
; ;
n
x
r
} genera V x
r
V : k
1
; k
2
; ; k
n
K (conjunto de
escalares) tales que: k
1
.
1
x
r
+ k
2
.
2
x
r
; ; k
n
.
n
x
r
=
=
n
i
i i
x k
1
.
r
Una definicin anloga vale para subespacios.-
Ejemplos:
1).- { ( 1; 2 ) ; ( -1 ; 0 ) } genera R
2
.-
Vamos a probar que cualquier elemento x
r
R
2
se puede escribir como Combinacin Lineal del
conjunto generador.-
Sea x
r
R
2
/ x
r
= ( x
1
; x
2
) ; busco k
1
; k
2
(incgnitas) R, tal que:
( x
1
; x
2
) = k
1
. ( 1; 2 ) + k
2
. ( -1 ; 0 ) por igualdad de pares:
k
1
k
2
= x
1
Sistema de dos ecuaciones con dos incgnitas k
1
y k
2
; resolviendo por
2 . k
1
= x
2
cualquier mtodo nos queda: k
1
=
2
2
x
y k
2
=
2
. 2
2 1
x x
Esto significa que cualquier x
r
R
2
se puede escribir como combinacin lineal de los vectores
dados; calculando los coeficientes a travs de las expresiones encontradas.-
BASE Y DIMENSIN DE UN ESPACIO VECTORIAL
Como queramos demostrar en el ejemplo
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
50
Definicin: Sea V un espacio vectorial sobre un cuerpo K y sea {
1
x
r
;
2
x
r
; ;
n
x
r
} un conjunto de
vectores incluido en V que verifica las condiciones:
a) El conjunto de vectores {
1
x
r
;
2
x
r
; ;
n
x
r
} genera V.-
b) El conjunto de vectores {
1
x
r
;
2
x
r
; ;
n
x
r
} es linealmente independiente.-
Entonces, el conjunto de vectores {
1
x
r
;
2
x
r
; ;
n
x
r
} con estas condiciones es una base de V.-
Definicin: Se llama dimensin de un espacio vectorial al nmero de elementos de una cualquiera de sus
bases. [ Se abrevia dim ( V ) ] .-
Definicin:
Los subespacios de dimensin 1 se llaman recta
Los subespacios de dimensin 2 se llaman planos
Los subespacios de dimensin 1 se llaman espacio de 3 o llamado de 3 - planos
y los de dimensin n, se llaman n planos.-
Ejemplos que verifican que son Transformaciones Lineales y clculo del Ncleo:
:
3
2
definida por ( x
1
; x
2
; x
3
) = ( x
2
; x
1
)
a) ( x
r
+ y
r
) = ( x
r
) + ( y
r
)
x
r
: ( x
1
; x
2
; x
3
)
y
r
: ( y
1
; y
2
; y
3
)
: ( x
r
+ y
r
) = [ ( x
1
; x
2
; x
3
) + ( y
1
; y
2
; y
3
) ] = ( x
1
+ y
1
; x
2
+ y
2
; x
3
+ y
3
) =
( x
2
+ y
2
; x
1
+ y
1
) = ( x
2
; x
1
) + ( y
2
; y
1
) = ( x
r
) + ( y
r
)
( x
r
) ( y
r
)
( x
r
+ y
r
) = ( x
r
) + ( y
r
) Verifica la primera condicin
b) : ( k. x
r
) = k. ( x
r
)
: ( k. x
r
) = [ k.( x
1
; x
2
; x
3
) ] = ( k. x
1
; k. x
2
; k. x
3
) = ( k. x
2
; k. x
1
) = k ( x
2
; x
1
) = k. ( x
r
)
( x
r
)
: ( k. x
r
) = k. ( x
r
) Verifica la segunda condicin
:
3
2
definida por ( x
1
; x
2
; x
3
) = ( x
2
; x
1
) es una transformacin lineal
c) Clculo del ncleo:
N ( ) = { x
r
V / ( x
r
) =
W
0
r
} N ( ) = { x
r
3
/ ( x
r
) =
2
0
r
}
( x
1
; x
2
; x
3
) = ( x
2
; x
1
) = ( 0; 0)
x
2
= 0
x
1
= 0
C :
3
2
definida por ( x
1
; x
2
; x
3
) = (x
1
+ x
2
; x
1
+ x
3
; x
1
)
a) ( x
r
+ y
r
) = ( x
r
) + ( y
r
)
x
r
: ( x
1
; x
2
; x
3
)
y
r
: ( y
1
; y
2
; y
3
)
: ( x
r
+ y
r
) = [ ( x
1
; x
2
; x
3
) + ( y
1
; y
2
; y
3
) ] = ( x
1
+ y
1
; x
2
+ y
2
; x
3
+ y
3
) =
= ( x
1
+ y
1
+ x
2
+ y
2
; x
1
+ y
1
+ x
3
+ y
3
; x
1
+ y
1
) = ( x
1
+ x
2
; x
1
+ x
3
; x
1
) + ( y
1
+ y
2
; y
1
+ y
3
; y
1
) =
( x
r
) ( y
r
)
= ( x
r
) + ( y
r
)
N ( ) = { ( 0; 0; x
3
) } pertenece al primer espacio vectorial
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
51
( x
r
+ y
r
) = ( x
r
) + ( y
r
) Verifica la primera condicin
b) : ( k. x
r
) = k. ( x
r
)
: ( k. x
r
) = [ k.( x
1
; x
2
; x
3
) ] = ( k. x
1
; k. x
2
; k. x
3
) = ( k. x
1
+ k. x
2
; k. x
1
+ k. x
3
; k. x
1
) =
= [ k ( x
1
+ x
2
) ; k ( x
1
+ x
3
) ; k x
1
] = k. ( x
1
+ x
2
; x
1
+ x
3
; x
1
) = k. ( x
r
)
( x
r
)
: ( k. x
r
) = k. ( x
r
) Verifica la segunda condicin
:
3
2
definida por ( x
1
; x
2
; x
3
) = (x
1
+ x
2
; x
1
+ x
3
; x
1
) es una transformacin lineal
c) Clculo del ncleo:
N ( ) = { x
r
V / ( x
r
) =
W
0
r
} N ( ) = { x
r
3
/ ( x
r
) =
3
0
r
}
( x
1
; x
2
; x
3
) = ( x
1
+ x
2
; x
1
+ x
3
; x
1
) = ( 0; 0; 0)
x
1
+ x
2
= 0 0 + x
2
= 0 x
2
= 0
x
1
+ x
3
= 0 0 + x
3
= 0 x
3
= 0
x
1
= 0
C :
2
2
definida por ( x
1
; x
2
) = ( - x
1
; -x
2
)
a) ( x
r
+ y
r
) = ( x
r
) + ( y
r
)
x
r
: ( x
1
; x
2
)
y
r
: ( y
1
; y
2
)
: ( x
r
+ y
r
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) = [ -( x
1
+ y
1
) ; -( x
2
+ y
2
)] =
= ( - x
1
- y
1
) ; ( - x
2
- y
2
) = ( - x
1
; -x
2
) + ( - y
1
; - y
2
) = ( x
r
) + ( y
r
)
( x
r
+ y
r
) = ( x
r
) + ( y
r
) Verifica la primera condicin
b) ( k. x
r
) = k. ( x
r
)
: ( k. x
r
) = [ k.( x
1
; x
2
) ] = ( k. x
1
; k. x
2
;
) = ( - k. x
1
; - k. x
2
) = k. ( -x
1
; - x
2
) = k. ( x
r
)
( x
r
)
( k. x
r
) = k. ( x
r
) Verifica la segunda condicin
:
2
2
definida por ( x
1
; x
2
) = ( - x
1
; -x
2
) es una transformacin lineal
c) Clculo del ncleo:
N ( ) = { x
r
V / ( x
r
) =
W
0
r
} N ( ) = { x
r
2
/ ( x
r
) =
2
0
r
}
( x
1
; x
2
) = (- x
1
; - x
2
) = ( 0; 0 )
- x
1
= 0 x
1
= 0
- x
2
= 0 x
2
= 0
:
2
2 2x
definida por ( x
1
; x
2
) =
|
|
\
|
+
0
1 2
2 1 2 1
x x
x x x x
a) ( x
r
+ y
r
) = ( x
r
) + ( y
r
)
x
r
: ( x
1
; x
2
)
y
r
: ( y
1
; y
2
)
: ( x
r
+ y
r
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) = =
|
|
\
|
+
+ + + +
0
1 1 2 2
2 2 1 1 2 2 1 1
y x y x
y x y x y x y x
=
|
|
\
|
+
0
1 2
2 1 2 1
x x
x x x x
+
|
|
\
|
+
0
1 2
2 1 2 1
y y
y y y y
= ( x
r
) + ( y
r
)
N ( ) = { ( 0; 0; 0) }
pertenece al primer espacio vectorial
N ( ) = { ( 0; 0 ) } pertenece al primer espacio vectorial
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
52
( x
r
) ( y
r
)
( x
r
+ y
r
) = ( x
r
) + ( y
r
) Verifica la primera condicin
b) ( k. x
r
) = k. ( x
r
)
: ( k. x
r
) = [ k.( x
1
; x
2
) ] = ( k. x
1
; k. x
2
;
) =
|
|
\
|
+
0 . .
. . . .
1 2
2 1 2 1
x k x k
x k x k x k x k
=
=
|
|
\
|
+
0 ) .(
) .( ) .(
1 2
2 1 2 1
x x k
x x k x x k
= k.
|
|
\
|
+
0 ) (
) ( ) (
1 2
2 1 2 1
x x
x x x x
= k. ( x
r
)
( x
r
)
( k. x
r
) = k. ( x
r
) Verifica la segunda condicin
:
2
2 2x
definida por ( x
1
; x
2
) =
|
|
\
|
+
0
1 2
2 1 2 1
x x
x x x x
es una transformacin lineal
c) Clculo del ncleo:
N ( ) = { x
r
V / ( x
r
) =
W
0
r
} N ( ) = { x
r
2
/ ( x
r
) =
2 2
0
x
r
}
( x
1
; x
2
) =
|
|
\
|
+
0 ) (
) ( ) (
1 2
2 1 2 1
x x
x x x x
=
|
|
\
|
0 0
0 0
por igualdad de matrices
x
1
+ x
2
= 0 2. x
2
= 0 x
2
= 0
x
1
- x
2
= 0 x
1
= x
2
x
2
x
1
= 0 x
2
= x
1
0 = 0
C :
2
2
definida por ( x
1
; x
2
) = ( x
1
; 0 )
a) ( x
r
+ y
r
) = ( x
r
) + ( y
r
)
x
r
: ( x
1
; x
2
)
y
r
: ( y
1
; y
2
)
: ( x
r
+ y
r
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) = [ ( x
1
+ y
1
) ; 0 ] =
= ( x
1
; 0 ) + ( y
1
; 0 ) = ( x
r
) + ( y
r
)
( x
r
) ( y
r
)
( x
r
+ y
r
) = ( x
r
) + ( y
r
) Verifica la primera condicin
b) ( k. x
r
) = k. ( x
r
)
: ( k. x
r
) = [ k.( x
1
; x
2
) ] = ( k. x
1
; k. x
2
;
) = ( k. x
1
; 0 ) = k. ( x
1
; 0 ) = k. ( x
r
)
( x
r
)
( k. x
r
) = k. ( x
r
) Verifica la segunda condicin
:
2
2
definida por ( x
1
; x
2
) = ( x
1
; 0 ) es una transformacin lineal
c) Clculo del ncleo:
N ( ) = { x
r
V / ( x
r
) =
W
0
r
} N ( ) = { x
r
2
/ ( x
r
) =
2
0
r
}
( x
1
; x
2
) = ( x
1
; 0
) = ( 0; 0 ) por igualdad de pares x
1
= 0
0 = 0
N ( ) = { ( 0; 0 ) } pertenece al primer espacio vectorial
N ( ) = { ( 0; 0 ) }
pertenece al primer espacio
vectorial
reemplazando
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
53
Ejemplos que verifican que no son Transformaciones Lineales:
O :
2
3
definida por ( x
1
; x
2
) = ( x
1
+ 1 ; x
2
+ 3 ; x
2
)
a) ( x
r
+ y
r
) = ( x
r
) + ( y
r
)
x
r
: ( x
1
; x
2
)
y
r
: ( y
1
; y
2
)
: ( x
r
+ y
r
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) =
= [ ( x
1
+ y
1
+ 1) ; ( x
2
+ y
2
+ 3) ; ( x
2
+ y
2
) ] = ( x
1
+ 1 ; x
2
+ 3 ; x
2
) + ( y
1
; y
2
; y
2
)
( x
r
) ( y
r
)
( x
r
+ y
r
) ( x
r
) + ( y
r
) No se verifica la primera condicin
NO ES TRANSFORMACIN LINEAL
O :
2
3
definida por ( x
1
; x
2
) = ( x
1
- 1 ; x
2
; 0 )
a) ( x
r
+ y
r
) = ( x
r
) + ( y
r
)
x
r
: ( x
1
; x
2
)
y
r
: ( y
1
; y
2
)
: ( x
r
+ y
r
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) =
= [ ( x
1
+ y
1
- 1) ; ( x
2
+ y
2
) ; 0 ] = ( x
1
- 1 ; x
2
; 0 ) + ( y
1
; y
2
; 0
)
( x
r
) ( y
r
)
( x
r
+ y
r
) ( x
r
) + ( y
r
) No se verifica la primera condicin
NO ES TRANSFORMACIN LINEAL
O :
3
2
definida por ( x
1
; x
2
; x
3
) = ( x
1
+ x
2
+ 1 ; x
2
- x
3
)
a) ( x
r
+ y
r
) = ( x
r
) + ( y
r
)
x
r
: ( x
1
; x
2
)
y
r
: ( y
1
; y
2
)
: ( x
r
+ y
r
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) =
= [ ( x
1
+ y
1
+ x
2
+ y
2
+ 1) ; ( x
2
+ y
2
x
3
y
3
) ] = ( x
1
+ x
2
+ 1 ; x
2
x
3
) + ( y
1
+ y
2
; y
2
- y
3
)
( x
r
) ( y
r
)
( x
r
+ y
r
) ( x
r
) + ( y
r
) No se verifica la primera condicin
NO ES TRANSFORMACIN LINEAL
O :
3
2
definida por ( x
1
; x
2
; x
3
) = ( x
1
x
3
; x
2
- x
3
+ 1 )
a) ( x
r
+ y
r
) = ( x
r
) + ( y
r
)
x
r
: ( x
1
; x
2
)
y
r
: ( y
1
; y
2
)
: ( x
r
+ y
r
) = [ ( x
1
; x
2
) + ( y
1
; y
2
) ] = ( x
1
+ y
1
; x
2
+ y
2
) =
= [ ( x
1
+ y
1
- x
3
y
3
) ; ( x
2
+ y
2
x
3
y
3
+ 1) ] = ( x
1
x
3
; x
2
x
3
+ 1 ) + ( y
1
- y
3
; y
2
- y
3
)
( x
r
) ( y
r
)
( x
r
+ y
r
) ( x
r
) + ( y
r
) No se verifica la primera condicin
NO ES TRANSFORMACIN LINEAL
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
54
UNIDAD N V
AUTOVALORES Y AUTOVECTORES
Polinomio de matrices
Consideremos un polinomio P(x) sobre el cuerpo K; por ejemplo,
P (x) = a
n
. x
n
+ a
n-1
. x
n-1
+ + a
1
.x + a
0
.
Recurdese que si A es una matriz cuadrada sobre K, definimos: P(A) = a
n
. A
n
+ + a
1
.A + a
0
.
I; donde I es la matriz identidad.-
En particular decimos que A es una raz o cero del polinomio P(A) si P (A) = 0.-
Ejemplo: Sea A =
|
|
\
|
4 3
2 1
y sean f (A) = 2.A
2
3 . A + 7 . I y g (A) = A
2
5 . A 2 . I ; Entonces:
f (A) = 2 .
2
4 3
2 1
|
|
\
|
- 3 .
|
|
\
|
4 3
2 1
+ 7 .
|
|
\
|
1 0
0 1
=
|
|
\
|
39 21
14 18
y
g (A) =
2
4 3
2 1
|
|
\
|
- 5 .
|
|
\
|
4 3
2 1
- 2 .
|
|
\
|
1 0
0 1
=
|
|
\
|
0 0
0 0
De este modo, A es un cero de g (A).-
Propiedad: Sean f y g dos polinomios sobre un cuerpo K y A una matriz n cuadrada sobre K. Se
cumple:
i) ( f + g ) A = f (A) + g (A)
ii) ( f . g ) A = f (A) . g (A)
iii) y para todo escalar k K : (k . f ) . A = K . f (A)
Ms aun, como f (K) . g ( K ) = g ( K ) . f ( K ) para todo par de polinomios g ( K ) y f ( K ); f
( A ) . g ( A ) = g ( A ) . f ( A ); es decir, dos polinomios cualesquiera en la matriz A conmutan.-
AUTOVECTORES Y AUTOVALORES
Son vectores y valores de una transformacin lineal.-
Consideremos un espacio vectorial ( V, + , K , . ) y un endomorfismo T: V V.-
Definicin: El escalar k de K es un valor propio de T v
r
no nulo v
r
V / T( v
r
) = k . v
r
.-
Todo vector no nulo que satisfaga la condicin anterior se llama vector propio de T, asociada al
valor propio k.-
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
55
k recibe el nombre de autovalor, valor propio, valor caracterstico o ligenvalor (del alemn ligen =
propio) y v
r
recibe el nombre de autovector, vector propio, vector caracterstico o ligenvector.-
Para cualquier matriz A
nxn
es necesario conocer los vectores caractersticos, junto con los
correspondientes valores caractersticos.-
En consecuencia, un vector propio de una transformacin lineal es un vector no nulo cuya imagen es un
mltiplo escalar del mismo.-
MATRIZ Y POLINOMIO CARACTERSTICO
Consideremos una matriz n cuadrada sobre un cuerpo K.
A =
nxn
nn n n
n
n
a a a
a a a
a a a
|
|
|
|
|
\
|
L
M L M M
L
L
2 1
2 22 21
1 12 11
La matriz k . I
n
A, donde I
n
y k un escalar indeterminado (cualquiera); se denomina la matriz
caracterstica de A:
k . I
n
A =
nxn
nn n n
n
n
a k a a
a a k a
a a a k
|
|
|
|
|
\
|
L
M L M M
L
L
2 1
2 22 21
1 12 11
Su determinante
) (k
A = A I k . que es un polinomio caracterstico en k, recibe el nombre de
polinomio caracterstico de A. Asimismo, llamamos ecuacin caracterstico al polinomio caracterstico
igualado a cero, es decir, a
) (k
A = A I k . = 0.-
Recordemos que la traza de A: es la suma de los elementos de la diagonal principal de una
matriz.-
A veces resulta ms conveniente resolver I k A . = 0, que el A I k . = 0, cuando se calculan
vectores propios. Por supuesto, ambos sistemas conducen al mismo espacio solucin.-
Esto se resuelve suponiendo que k es un valor caracterstico de A.
Entonces existe v
r
=
|
|
|
|
|
\
|
n
x
x
x
M
2
1
0 tal que A. v
r
= k . v
r
; Al segundo miembro podemos escribir:
k . v
r
= k . I . v
r
; reemplazando nos queda A . v
r
= k . I . v
r
; o sea, A . v
r
- k . I . v
r
= 0; sacando v
r
como
factor comn nos queda:
( A k . I ) . v
r
= 0 ( k . I A ) . v
r
= 0 multiplicando por (-1) ambos miembros
De aqu podemos decir que el vector v
r
debe ser 0, ya que si v
r
= 0 k no es un
valor caracterstico de A. Por lo tanto ( A k . I ) . v
r
= 0 representa un sistema
homogneo de n ecuaciones con n incgnitas x
1
,x
2
, ,x
n
.-
Este sistema solo va a tener solucin no trivial cuando el determinante
) (k
A = A I k . = 0
Por lo tanto concluimos diciendo que: Sea A una matriz n x n y v
r
un vector n x 1, con v
r
0.
(A k . I) . v
r
=
0
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
56
Entonces k es un valor caracterstico de A el determinante
) (k
A = A I k . = 0
MATRICES DIAGONALIZABLES
Se dice que una matriz A es diagonalizable si existe una matriz no singular (inversible) P (matriz de
paso) tal que D = P
-1
. A . P es una matriz diagonal, es decir: A K
nxn
es diagonalizable P no
singular / D = P
-1
. A . P .-
PASOS A SEGUIR PARA EL CLCULO DE VALORES Y VECTORES PROPIOS, MATRIZ DE
PASO Y DIAGONALIZACIN DE MATRICES
La entrada es una matriz n-cuadrada A cualquiera:
1 ).- Hallar el polinomio caracterstico
) (k
A = A I k .
2 ).- Hallar las races de
) (k
A para obtener los valores propios de A.-
3 ).- a) Construir M = A k . I restando k a los elementos diagonales de A, o M = k . I A.-
b) Encontrar una base para el espacio solucin de M . X = 0 (Los vectores de la base son
vectores propios linealmente independiente de A pertenecientes a k).-
4 ).- Considerar el conjunto S = {
1
v
r
,
2
v
r
, ,
n
v
r
} de todos los vectores propios obtenidos en el
punto 3 ).-
a) si m n, A no es diagonalizable.-
b) si m = n, sea P la matriz cuyas columnas son los vectores propios
1
v
r
,
2
v
r
, ,
n
v
r
D = P
-1
. A . P =
nxn
n
k
k
k
|
|
|
|
|
\
|
0 0 0
0 0 0
0 0 0
0 0 0
2
1
O
donde k
i
es el valor propio correspondiente al vector propio
i
v
r
.-
Ejemplo 1: Apliquemos el algoritmo de diagonalizacin a: A =
|
|
\
|
1 3
2 4
1 ).- El polinomio caracterstico
) (k
A = I k A . es el determinante
|
|
\
|
|
|
\
|
k
k
0
0
1 3
2 4
=
k
k
1 3
2 4
= ( 4 k ) . ( - 1 k ) 6 = - 4 4 . k + k + k
2
6 = k
2
3.k 10
2 ).- La ecuacin caracterstica es k
2
3.k 10 = 0
k
1,2
=
2
40 9 3 +
=
2
49 3
=
2
7 3
=
=
+ =
2
5
2
1
k
k
Alternativamente traza de A = 4 1 = 3 (suma de la diagonal principal) y A = - 4 6 = - 10, de
modo que P (k) = k
2
3.k 10.-
3 ).- a) Hallamos un vector propio
1
v
r
de A perteneciente al valor propio k
1
= 5.-
Restamos k
1
= 5 a los elementos diagonales de A para conseguir la matriz M =
|
|
\
|
6 3
2 1
.-
Los vectores propios pertenecientes a k
1
= 5 forman la solucin del sistema homogneo M.X=0,
Son los valores propios de A
-x + 2y = 0
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
57
es decir,
|
|
\
|
6 3
2 1
.
|
|
\
|
y
x
=
|
|
\
|
0
0
o
=
= +
0 6 3
0 2
y x
y x
o o y =
2
x
; El sistema solo tiene
una solucin independiente; por ejemplo: x = 2; y = 1. As
1
v
r
=
|
|
\
|
1
2
es un vector propio que genera
el valor propio de k
1
= 5.-
b) Hallamos un vector propio
2
v
r
de A perteneciente al valor propio k
2
= -2; restamos -2 (
o sumamos 2 ) a los elementos diagonales de A para conseguir M =
|
|
\
|
1 3
2 6
que conduce a :
= +
= +
0 3
0 2 6
y x
y x
o o y = -3x El sistema solo tiene una solucin independiente;
por ejemplo: x = -1; y = 3. As
1
v
r
=
|
|
\
|
3
1
es un vector propio que genera el valor propio de k
2
= -2
Sea P (matriz de paso) la matriz cuyas columnas son los vectores propios precedentes, es decir, es la base
constituida por los vectores propios ( P ).-
P =
|
|
\
|
3 1
1 2
clculos mediante P
-1
=
|
|
\
|
7
2
7
1
7
1
7
3
y D = P
-1
. A . P es la matriz diagonal que
tiene por entradas diagonales los respectivos valores propios.-
D = P
-1
. A . P =
|
|
\
|
7
2
7
1
7
1
7
3
.
|
|
\
|
1 3
2 4
.
|
|
\
|
3 1
1 2
=
|
|
\
|
2 0
0 5
; De acuerdo con ello, A posee la
factorizacin diagonal; tambin podemos obtener A, a partir de D y de la matriz de paso P, de la
siguiente manera: A = P . D . P
-1
=
|
|
\
|
3 1
1 2
.
|
|
\
|
2 0
0 5
.
|
|
\
|
7
2
7
1
7
1
7
3
=
|
|
\
|
1 3
2 4
.-
Aclaracin: A travs de este ejemplo vemos que si A K
nxn
n autovalores; pero para cada
autovalor existen infinitos autovectores. Es decir, cuando necesitamos hallar un autovector debemos
fijarnos en las caractersticas del problema para elegirlo adecuadamente.-
Ejemplo 2: Consideremos la matriz A =
|
|
\
|
1 4
1 5
; aqu la traza de A = 5 + 1 = 6 y A = 5 + 4 = 9; por lo
tanto P ( K ) = k
2
6k + 9 = ( k 3 )
2
es el polinomio caracterstico de A; en consecuencia, k = 3 es el
nico valor propio de A; restamos k= 3 a los elementos diagonales de A obteniendo M =
|
|
\
|
2 4
1 2
que
corresponde a
=
= +
0 2 4
0 2
y x
y x
o o y = -2x ; El sistema solo tiene una solucin
independiente; por ejemplo: x = 1; y = -2. As v
r
=
|
|
\
|
2
1
es el nico vector propio que genera el
valor propio de k
= 3 de la matriz A. Podemos decir que A no es diagonalizable, por no existir una base
constituida por vectores propios de A.-
Ejemplo 3: Consideremos A =
|
|
\
|
2 1
5 2
; Tr. ( A ) = 2 2 = 0 y A = -4 + 5 = 1 por consiguiente:
3x + y = 0
2x + y = 0
I IN NS ST TI IT TU UT TO O D DE E N NI IV VE EL L T TE ER RC CI IA AR RI IO O S SA AN N F FE ER RN NA AN ND DO O R RE EY Y
A L G E B R A - L I N E A L
58
P ( K ) = K
2
+1 es el polinomio caracterstico de A. Estudiaremos dos casos posibles:
a) A es una matriz sobre un cuerpo real R. Entonces P ( K ) no tiene races reales, de modo que A
no tiene valores propios, ni vectores propios y por ende no es diagonalizable.-
b) A es una matriz sobre el cuerpo complejo C. En este caso, P ( K ) = (k i) . ( k+ i) tiene dos
races complejas conjugadas; as pues, A tiene dos valores propios diferentes; i y i, y dos vectores
propios independientes. En consecuencia, existe una matriz no singular P sobre el cuerpo complejo para
la cual P
-1
. A . P =
|
|
\
|
i
i
0
0
; por esta razn, A es diagonalizable sobre C.-
TEOREMA DE CAYLEY - HAMILTON
Toda matriz es un cero de su polinomio caracterstico.-
Ejemplo: Sea B =
|
|
\
|
2 3
2 1
su polinomio caracterstico es
) ( k
B = B I k .
) ( k
B = B I k . =
|
|
\
|
|
|
\
|
2 3
2 1
1 . 0
0 1 .
k
k
=
2 3
2 1
k
k
= ( k - 1). ( k 2 ) ( - 3 ) . ( - 2 ) =
= k
2
2.k k + 2 6 = k
2
3.k 4 y por el Teorema de Cayley Hamilton; B es un cero de
) ( k
B
) (k
B = B
2
3 . B 4 . I =
|
|
\
|
10 9
6 7
+
|
|
\
|
6 9
6 3
+
|
|
\
|
4 0
0 4
=
|
|
\
|
0 0
0 0
.-