Académique Documents
Professionnel Documents
Culture Documents
Definicin
Una matriz es un arreglo bidimensional de nmeros (llamados entradas de la matriz) ordenados
en filas (o renglones) y columnas, donde una fila es cada una de las lneas horizontales de la matriz y
una columna es cada una de las lneas verticales. A una matriz con n filas y m columnas se le denomina
matriz n-por-m (escrito
tamao
) donde
se representa como
entradas. El tamao de una matriz siempre se da con el nmero de filas primero y el nmero de
columnas despus.
Dos matrices se dice que son iguales si tienen el mismo tamao y los mismos elementos en las mismas
posiciones. A la entrada de una matriz que se encuentra en la fila
llama entrada
o entrada
sima y la columna
sima se le
sima y la columna
de tamao
que se encuentra
, donde
.
o un
con dos
cifras se introduce una coma entre el ndice de filas y de columnas. As por ejemplo, la entrada que est
en la primera fila y la segunda columna de la matriz
de tamao
se representa como
mientras que la entrada que est en la fila nmero 23 y la columna 100 se representa como
Adems de utilizar letras maysculas para representar matrices, numerosos autores representan a las
matrices con fuentes en negrita para distinguirlas de otros objetos matemticos As
mientras que
es una matriz,
es un escalar en esa notacin. Sin embargo esta notacin generalmente se deja para
libros y publicaciones, donde es posible hacer esta distincin tipogrfica con facilidad. En otras
notaciones se considera que el contexto es lo suficientemente claro como para no usar negritas.
Otra notacin, en s un abuso de notacin, representa a la matriz por sus entradas, i.e.
incluso
Como caso particular de matriz, se definen los vectores fila y los vectores columna. Un vector
fila o vector rengln es cualquier matriz de tamao
cualquier matriz de tamao
. La entrada
es 7.
La matriz
1 3 2
A 0 3 3
4 0.2 1
Es cuadrada de orden
3.
Denotaremos el conjunto de todas las matrices cuadradas de orden n por
Ejemplo anterior,
Mn
.
As, en el
A M 3.
Los elementos de la diagonal principal de una matriz cuadrada son aquellos que estn situados
en la diagonal que va desde la esquina superior izquierda hasta la inferior derecha. En otras
palabras, la diagonal principal de una matriz A=( aij ) est compuesta por los elementos
a11 , a22 ,..., ann . En el ejemplo anterior la diagonal principal est compuesta por los elementos:
a11 1 , a22 3, a33 1 .
Matriz Nula: Una matriz es nula si todos sus elementos son iguales a cero. En el siguiente
ejemplo se muestra la matriz nula de orden 32.
0 0
O 0 0
0
0
Ms adelante veremos que la matriz nula, respecto a la adicin y multiplicacin de matrices,
juega un papel similar al nmero cero respecto a la adicin y multiplicacin de nmeros reales.
j . Es decir, si
Todos los elementos situados fuera de la diagonal principal son cero. Por ejemplo, la siguiente
matriz es diagonal:
0 0
D 0 6 0
0 0 3
Matriz Unidad: Es una matriz diagonal cuyos elementos de la diagonal son todos 1. A
continuacin mostramos la matriz unidad de orden 2.
1 0
I
1
Ms adelante veremos que la matriz unidad, respecto a la multiplicacin de matrices, juega un papel
similar al nmero 1 respecto a la multiplicacin de nmeros reales.
Matriz triangular: Es una matriz cuadrada en la que todos los elementos situados por debajo (o
por encima) de la diagonal principal son cero. Por ejemplo, la siguiente matriz es triangular:
2 1 1
3
T 0 6 4
0 0 1
Este tipo de matrices tambin se conoce como matriz escalonada. En algunos casos se hace la
distincin entre las matrices triangulares superiores o inferiores en dependencia de los
elementos nulos de la matriz; los que estn por debajo o por encima de la diagonal principal.
Segn se puede ver en el Math-block sobre sistemas de ecuaciones lineales, el concepto de
matriz triangular (o escalonada) es de vital importancia en el estudio de los sistemas de
ecuaciones lineales.
Ms adelante, despus de estudiar las operaciones con matrices, veremos algunos tipos
importantes de matrices como es el caso de las simtricas y las ortogonales.
O Adicin de matrices
A, B M nm . La matriz C (cij ) M
Sean
Es la suma de las
matrices
A (aij) y
nm
(I 1, 2,..., n,
J 1, 2,..., m)
Ejemplo
Consideremos las siguientes matrices:
A 1 3
2
0
B 2 4
1 0
M 2 0 2
1 3 5
Las matrices A y B son de orden 32, mientras la matriz M es cuadrada de orden 3. Por tanto, no
podemos calcular la suma de A y M y tampoco la suma de B y M, en cambio, s podemos sumar
A y B ya que tienen el mismo orden. Esto es,
AB
1
0
2
4
3 2 4 (1)
02
2 1 0
(1)
4 4
3 4 1 7
2
20 1
Conmutativa:
Asociativa:
A B B A,
A (B C) (A B)
C,
A, B M nm1
A, B, C M nm
Elemento opuesto:
A M
nm
O M
A M nm
AOOAA
:
( A) M nm A ( A) ( A) A O
:
Grupo)
nm
Por un nmero
a una matriz
J 1,...,m)
n;
Es decir, la matriz producto, B, es la que se obtiene multiplicando el nmero por cada uno de
los elementos de A. De aqu en adelante consideraremos que es un nmero real.
Ejemplo
Consideremos la matriz
Por
es:
0 1
A 2 0
5 7
2 0 1 10 0
5
A 5 2 0 4 10
0
20
5 7 0 25 35 0
El producto de una matriz por un nmero es una ley de composicin externa que cumple las
siguientes propiedades (Ver [8] para profundizar en leyes de composicin):
(A B) A
B
R,
A, B M nm
( ) A A
A
, R,
A M nm
Asociativa mixta
( ) A
(A)
, R,
A M nm
En esta definicin damos por supuesto que se cumple la propiedad conmutativa de la multiplicacin
del nmero por los elementos de A.
1A A
A M
y 1 R
nm
En virtud de estas propiedades y de las anteriores de la suma de matrices, resulta que el conjunto
nm
composicin externa, producto de una matriz por un nmero, tiene estructura de espacio vectorial
sobre el cuerpo de los nmeros reales (Ver [W7] y [2] para profundizar en la estructura de espacio
vectorial).
Multiplicacin de matrices
Se denomina matriz producto de la matriz
A (aij ) M
por la matriz
B (b jk ) M m p a
nm
cik ai1b1k ai 2 b2 k
aimbmk
aij b jk
j 1
7 2 14
5
AB 2
4 7 C
1
30
2
0
0 12
0 4
8
1 2
Dos matrices se pueden multiplicar slo cuando el nmero de columna de la primera matriz sea
igual al nmero de filas de la segunda. En ese caso se dice que las matrices son enlazadas.
En el siguiente ejemplo podemos ver adems cul es el orden del matriz producto.
4 4
2 3
2 1
A 1 2 0 6
0 1
34
2 2
1 1
B
0 2
3 2
42
AB 1
3 4 4
2 2 1
1 0 6
19 23
7 10
19 13
32
2 2
34
1 1
0 2
3
2
4=4
42
2 3 4 4
2 2
1 2 2 1
0 1 0 6
1 1
BA
0 2
BA.
34
3 2
42
Hay casos, como veremos en el siguiente ejemplo, en los que se pueden calcular ambos
productos aunque se obtienen resultados diferentes.
0 2
A
Entonces, por un lado,
4 3 2
Y B 1 3
1 2 3
0
3
4 3
AB
0 2
9
3
1
1 3 0 11
3
17
0 2
4 3 2
BA 1 3
7
1 2 3
3 0
9 11
4
12 9
Segn se pudo comprobar a travs de los ejemplos anteriores, para la multiplicacin de matrices
no se cumple la propiedad conmutativa. Veamos algunas propiedades de esta operacin:
Asociativa
A (BC) (AB)
C,
B M mk , C M k p
nm,
I M
n
A, B, C: A M
A M n
:
Distributiva (mixta)
AI I A A
A (B C) AB AC,
A, B,
C:
AM
B, C M mk
nm
1 0 0 0 0 0
2 0 8 1 0 0
AB AC no implica B C. Por
1 0 1 0 1 0 1 0
2 0 8 1 2 0 5 3
( A B) A 2 AB B
Ya que el
Producto no es conmutativo.
Matriz invertible
Una matriz cuadrada
A , que cumple
AA A A I ,
Donde
que
A es la inversa de A .
4 3
A 1 3 4
3 0 1
Es invertible y su inversa
es
3
31
4
31
7
A1 13
31
31
12
9
31 31
Ya
que
3
3 31
13
1
AA 1 3 4 31
1 9
3
0
31
7
31
11
31
10
31
12
7
31
11
31
10
31
31
4
31
7
31
1 0 0
0 1 0 I.
0 0 1
Para un estudio detallado sobre matriz inversa recomendamos el math-block titulado Matriz
Inversa.
Matriz traspuesta
La traspuesta de una matriz
3 2
La traspuesta de la matriz
A
4
es
3 A
2 .
1
Propiedades:
A T
T
T
T
A
A B
T
B
AT AT , con R
AB BT AT
T
T
O
A 1
T
A es simtrica AT A
Un ejemplo de matriz simtrica es el siguiente:
A 9 2 1 AT .
3
1 5
Las matrices simtricas tienen ese nombre debido a que presentan simetra respecto a la
Diagonal principal. En otras palabras, una
matriz
J 1,..., n.
Matriz anti simtrica: Es una matriz igual a la opuesta de su traspuesta. En otras palabras,
A es anti simtrica
T
A
La siguiente matriz es anti simtrica:
A.
A 9
9 3
2
3 1 5
Matriz ortogonal: Es aquella cuya traspuesta es igual a su inversa. Es decir, es aquella que
multiplicada por su traspuesta da como resultado la matriz unidad. Esto es,
A es ortogonal AAT I T
A A1
La siguiente matriz de funciones es ortogonal:
Senx cos x
cos
x
senx
Para
comprobarlo
es
suficiente
con
aplicar
la
definicin
tener
en
cuenta
que
sen x cos x 1.
Las matrices ortogonales de orden 2 son de la forma:
B a
Donde a y b son nmeros reales tales que
b a
a b 1.
Matriz involutiva: Es una matriz que coincide con su inversa. Esto es,
A es involutiva A2 I
La siguiente matriz es involutiva:
1 0
A
0
0 1 0
A
0
1
0
1 0
A es idempotente A2 A.
La siguiente matriz es idempotente:
1 0
A
1
0
Matriz nilpotente: Si
y
Que
que
A es nilpotente. Si k es tal
Ak 1
k
A 0 Para algn nmero natural k, se dice
0
k. A continuacin mostramos una matriz nilpotente de orden 2.
0
A 0
8 0
0
5
0 ,
0 0 0
2
A 0 0 0
0
0
Definicin de determinante
Dados los nmeros 1, 2,3,....n existen n! formas distintas de ordenarlos. Cada una de dichas
ordenaciones se llama permutacin. El conjunto de todas las permutaciones se representa por
Pn y la permutacin (1, 2, 3,..., n) se llama permutacin principal.
Por ejemplo, el conjunto {(1 2 3), (1 3 2), (2 1 3), (2 3 1), (3 1 2), (3 2 1)} contiene las 6
permutaciones diferentes de la terna (1 2 3).
Diremos que dos elementos de una permutacin forman una sucesin si estn colocados en el
mismo orden que en la permutacin principal. En caso contrario, diremos que forman una
inversin.
Por ejemplo: (2 3 1 4 5 6)
permutacin principal).
Si A
a11
a12
a1n
a 21
a 22
a 21 A
a n1
an 2
a nn
[W2]
11
( 1 2 n )Pn
a 2 2
o por det(A),
a n n signatura ( 1 2 n)
Clculo de determinantes
Determinantes de orden 2 (asociados a matrices 2x2)
Cuando A es una matriz 2x2 hay 2! = 2 permutaciones del par (1 2); estas son:
{(1 2), (2 1)}. Entonces, el determinante de A contendr los dos trminos:
a11
a11
a12
a 21
a 22
a 21
a 22
Ejemplo:
5 2. (4) 5.3 8 15 23
3 4
2
a11
a 21
a31
a12
a 22
a32
a13
= a11a22a33 + a12a23a31 + a21a32a13 - a13a22a31 - a12a21a33 - a11a23a32
a 23
a33
a11
a 21
a31
a12
a 22
a32
a13
a 23
a33
a11
a 21
a31
a12
a 22
a32
a13
a 23
a 33
Ejemplo:
3 2
4
10 9 16 24 (1) 60 15 83 68
Elegir aquella fila o columna que tenga el mayor nmero de ceros (si ninguna lnea tiene
ceros, se coge una lnea cualquiera).
2.
Cada uno de los elementos de la lnea dar lugar a un sumando, el cual se obtendr
como se explica en el paso siguiente.
3.
2
1 1
3
2 4 7
2
{elegimos la 1 columna y la desarrollamos}
3 2 9 1
1 3 1 1
1 - 1
2 4
3
7
2
2
3+
9 1
- 2
1 3 1 1
2
1
3 2
1
3 2
1 3 2
4 7
2 (1) 4 7 2 ...
1 2 9 1 (2) 2 9 1 3 4 7
3 1 1
3 1 1
3 1 1
2 9 1 15
2 2 2 1 1
0 0 0 1
1
2 2 2 1 1
0- 0 0
1 1 1
1 1 1
3 3 3
1
1
4
2 2 1 1
1 1 1
1
0
0
1 1 1
2
3 3 4
4
2 2 1 1
1 1
1 1
3 3
2 2 1 1
0
1 1
1 1
3 3
1+
1
1
4
1
2
4
2 2 2 1
1
2 2 2 1
1 1 1
1 1 1
1
1 1 1
1
2
1 1 1
3 3 3
3 3 3
= {al multiplicar por 0, los 3 primeros sumandos se eliminan; el ltimo determinante tambin se
anula} =
2
1
1
3
2
1
1
3
2 1
1 1
{desarrollamos por la 2 lnea}
1 2
3 4
2 2 1
2 2 1
2 2 1
2 2 2
(1) 1 1 2 1 1 1 2 1 1 1 2 1 1 1 1
3 3 4
3 3 4
3 3 4
3 3 3
= {los dos primeros determinantes se anulan mutuamente, pues son iguales pero de signo
cambiado; el ltimo determinante tambin se anula} =
2 2 1
1 1 2 2.1.4 1.3. (1) 2.2.3 (1).1.3 2.2.3 4.2.1
3 3 4
8 3 12 (3 12 8) 17 17 0
1 2 3 1 1 0
1 0 0 2 0 0 2
0 0 1 3 0 1
2. Si en un determinante se cambian entre s dos lneas paralelas (filas o columnas), el signo de
su valor tambin cambiar.
Por ejemplo,
1 2 3
1 2 3
0 0 1 1 0 0
1 0 0
0 0 1
en efecto:
1 2 3
0 0 1 2
1 0 0
1 2 3
1 0 0 2
0 0 1
3. Un determinante que tiene dos lneas paralelas (filas o columnas) iguales vale 0.
Por ejemplo,
1 2 3
1 2 3 0
1 0 0
4. Si un determinante tiene todos los elementos de una lnea nulos, el determinante vale 0.
Por ejemplo,
1 2 3
0 0 0 0
1 4 3
5. Multiplicar un determinante por un n real es equivalente a multiplicar cualquier linea (fila o
columna) por dicho nmero.
Por ejemplo,
1 2 3 1 2 3 2
2 0 0 1 0 0 1 2
1 0 0 1 0 0 2
Dada una matriz A de tamao nxn, y un n real , esta propiedad implica que:
A A
6. Si todos los elementos de una fila o columna estn formados por dos sumandos, dicho
determinante se descompone en la suma de dos determinantes.
Por ejemplo,
2 45 3 2 4 3 2 5 3
0 33 2 0 3 20 3 2
0 12 5 0 1 5 0 2 5
7. Si los elementos de una lnea son combinacin lineal de las otras, entonces, el determinante
vale 0.
Por ejemplo,
3 2 1 3
8. Si a los elementos de una lnea se le suman los elementos de otra paralela multiplicados
previamente por un n real el valor de la determinante no vara.
Por ejemplo,
1 5 2 1 3 1 5 3
2 3 2 2 0 2 3 0
3 423 1 3 4 1
9. El determinante de un producto de matrices es el producto de los determinantes de cada una
de ellas.
A B A B
Espacio vectorial
Definicin 1.1 Un espacio vectorial es una terna (V, +, ), donde V es un conjunto no vaco y +,
son dos operaciones del tipo +: V V R, : R V V a las
Que llamaremos suma de vectores y producto por escalares respectivamente
siguientes propiedades: denotando +(u, v) = u + v y (, v) = v,
y con las
1. u + (v + w) = (u + v) + w, u, v, w V (asociativa).
2. u + v = v + u, u, v V (conmutativa).
3. Existe e V tal que e + v = v + e = v, v V (elemento neutro).
4. Para cada v V existe w tal que v + w = w + v = e (elemento opuesto).
5. (v) = () v, v V, , R (seudo-asociativa).
6. (u + v) = u + v y ( + ) v = v + v, u, v V y , R (distributiva).
7. 1v = v,v V (unimodular).
= {(x1 , . . . , xn ); xi
Usual.
2
2. Sea V = {(x, y) R ; x y = 0} con la suma y producto por escalares como antes.
3. Sea V = {p} un conjunto con un unico elemento y con p + p = p y p = p.
4. Sea V = {f: R R; f es aplicacin} y
(f + g)(x) = f (x) + g(x),
(f )(x) = f (x),
x R.
i=1
i
0
ai X , donde por convenio X
= 1 y en vez de
i=1
i=1
ai X i y q(X ) =
n bi X i se
Entonces V es un espacio vectorial. Como ejemplo, el conjunto de palabras definidas por {1,
n
X, . . . , X } constituyen el espacio Pn [X ].
Se define en V1 V2 =
(v1 , v2 ) = (v1 , v2 ).
Con esta suma y producto por escalares, V1 V2 es un espacio vectorial y se llama espacio
producto.
la siguiente estructura
de espacio vectorial:
u + v = f (f
Se dice V
(u ) + f
(v )). v
= f (f
(v )).
x =x .
Entonces
U es un
1. U + W = W + U .
2. U + U = U .
3. U U + W .
4. U + W es el menor subespacio (con respecto a la inclusion de conjuntos) que contiene a U
y a W.
Definicion 2.3 Un espacio vectorial V es suma directa de dos subespacios vectori- ales U y W
suyo, y se denota por V = U W , si V = U + W y U W = {0}.
Con el concepto de subespacio vectorial podemos definir una estructura de espacio vectorial
en un conjunto cociente.
Definicion 2.4 Sea U un subespacio vectorial de V . En V se define la siguiente relacin
binaria R:
vRw si v w U.
Entonces R es una relacion de equivalencia en V . Al conjunto cociente se denota por V /U .
Es evidente que la clase de equivalencia de un vector v es
[v] = v + U = {v + u; u U }.
En V /U se define la siguiente suma y producto por escalares: (v + U ) + (w + U ) = (v + w) +
U.
(v + U ) = (v) + U.
Estas operaciones estn bien definidas: por ejemplo, si v + U = v + U y w + U =
w + U , v v U , w w U y por tanto, (v + w) + U = (v + w ) + U .
Proposicion 2.3 V /U es un espacio vectorial. El elemento neutro es 0 + U y si
v + U V /U , su elemento opuesto es (v) + U .
3
ai R
ai vi ; ai R}.
i=1
Proposicion 3.1 Se tienen las siguientes propiedades:
1. < X > es un subespacio vectorial. Si el cardina de X es 1, se dice que < v >
Es la recta vectorial generada por v.
2. Si X U , donde U es un subespacio vectorial, entonces < X > U .
3. Si X Y , entonces < X >< Y >.
Como ejemplos tenemos:
3
3
1. En R , < (1, 0, 1), (0, 1, 1) >= {(x, y, z) R ; x z = 0, y z = 0}.
2
2. R =< (1, 1), (0, 2) >.
n
3. R =< (1, 0, . . . , 0), . . . , (0, 0, . . . , 1) >.
4. Si X es Y son dos conjuntos finitos de vectores, entonces < X > + < Y >=< X Y >.
Definicion 3.2 Un espacio vectorial V se llama finitamente generado si existe un conjunto finito
de vectores X tal que < X >= V . A X se llama un sistema de generadores de V .
De esta forma, {1, X, . . . , X
Proposicion 3.2
} es un sistema de generadores de Pn [X ].
tambien es
n
2. {(1, 0, . . . , 0), . . . , (0, 0, . . . , 1)} R es linealmente independientes.
3. {1, 1 + X, 1 + X
} P2 [X ] es linealmente independiente.
no es base.
n
2. {(1, 0, . . . , 0), . . . , (0, 0, . . . , 1)} R es base. Se llamar
3. {1, 1 + X, 1 + X
n
La base usual de R .
} P2 [X ] es base.
i=1
es n.
3. La dimension de Pn [X ] es n + 1.
TRANSFORMACIONES LINEALES
Definicin: Sean V y W espacios vectoriales. Una transformacin lineal T de V en W (T: VW) es
una funcion que asigna a cada vector v V un vector unico T(v) W y que satisface:
v1 , v 2 V [T (v1 v 2 ) T (v1 ) T (v 2 )]
A.2) Rv V [T (v ) T (v )]
A.1)
Ejemplo:
A) Probar que T sea una transformacin lineal:
V C[a, b]
T :V W
T ( f ) f ( x)dx
a
1. f , g V ; T ( f g ) T ( f ) T ( g ) 1
b
T ( f ) f ( x)dx
a
T ( g ) g ( x)dx
a
( f g )( x) f ( x) g ( x)
b
T ( f g ) ( f g )( x)dx
a
T ( f g ) [ f ( x) g ( x)]dx
a
T ( f ) T ( g ) f ( x)dx g ( x)dx
2. R, f V ; T (f ) T ( f ) 1
(f )( x) f ( x)
b
T ( f ) f ( x)dx T (f ) f ( x)dx
a
f ( x)dx f ( x)dx T ( f )
T es una transformacin lineal.
T : R2 R2
x x h
y y k
v1 , v 2 V ; T (v1 v 2 ) T (v1 ) T (v 2 ) 0
x
x
v1 1
v 2 2
y1
y2
T (v`1 v 2 ) T (v1 ) T (v 2 )
x1 x 2
x
x
T 1 T 2
y1 y2
y1
y2
x1 x 2 h x1 h x 2 h
y1 y 2 k y1 k y 2 k
x1 x 2 h x1 x 2 2h
y1 y 2 k y1 y 2 2k
T V W
Demostracin:
V es un E.V . X V
. X ( sabemos que)
X X V
T (X ) T ( X )
entonces :
T (V ) T ( . X ) .T ( X )
W
B) La imagen del inverso de X es el inverso de X.
T X T (X )
Demostracin:
V es un E.V . X V
entonces :
X 1. X
( sabemos que)
T ( X ) T (1. X ) 1.T ( X )
T(X )
C) La transformada de la combinacin lineal es la combinacin lineal de la transformada.
Suponer: P(K) 1
P( K 1) 1
P( K ) P ( K 1) 1
AP (n) N
Ojo: en la induccin matemtica solo se trata naturales.
T ( X ) W X V FALSO
Nota:
porque no me asegura que se cumpla esto.
Ncleo de una transformacin lineal:
Definicin: sea T de V en W una transformacin lineal entonces el ncleo de la transformacin
denotada por Nu(T) se define como
Nu (T ) X V / T ( X ) W
(T ) dim Nu (T ) .
Im( T ) X W / T X Y para a lg un X V .
(T ) dim Im( T ) .
Teoremas:
Sea T de V en W una transformacin lineal entonces:
1. El ncleo de T es un subespacio de V.
Demostracin:
X 1 , X 2 Nu (T ) X 1 X 2 Nu (T )
i)
X
X
V / T ( X 1 ) 0W X 2 V / T ( X 2 ) 0W V es un E.V.
) 0W
Nu (T ) / T ( X 1 ) 0W
Nu (T ) / T ( X 2
X1 X 2 T ( X1 X 2 ) T ( X1) T ( X 2 )
0W 0W
0W
ii)
, X Nu (T )
X Nu(T )
X Nu (T ) T ( X ) 0W
T (X ) .T ( X ) .0W 0W
Nu (T ) es un subespacio de V .
2. La imagen de T es un subespacio de V.
Demostracin:
i)
Y1 , Y2 Im( T )
Y1 Y2 Re(T )
Y1 Im( T ) Y1 W / T ( X 1 ) Y1 para a lg un X 1 V
Y2 Im( T ) Y2 W / T ( X 2 ) Y2 para a lg un X 2 V
Y1 Y2 T ( X 1 X 2 ) Y1 Y2
pero X 1V X 2 V
( X 1 X 2 ) V luego Y1 Y2 Re(T )
ii)
, Y Im( T ) .Y Re(T )
Y Im( T ) Y W / Y T ( X ) para a lg un X V
.Y T ( X )
T (X ) donde X V
Y Im( T )
Im(T) es un subespacio de V.
3. Sea T : V W una transformacin lineal, se cumple:
i ) Nu (T ) V
ii ) Im( T ) W
iii ) dim( V ) dim Nu (T ) dim Im( T )
4. Sea T : V W una transformacin lineal
Nu (T ) { } T Es inyectiva.
5. Sea T : V V una transformacin lineal que se conoce como endomorfismo, se cumple:
Nu (T ) { } T Es inyectiva T es sobreyectiva.
Demostracin:
i)
:
Sean u , v V talque:
T (u ) T (v)
T (u ) T (v) 0
T (u v) 0
(u v) Nu(T )
uv 0
u v
ii)
T es inyectiva, Nu (T ) { } ?
{ } Nu (T ) (Afirmacin)
Nu (T ) { } (Probar)
Sea u Nu (T ) T (u ) 0
T (0) 0
T (u ) T (0) u 0
u { } Nu (T ) { }
Nu (T ) { }
:
iii)
T Es sobreyectiva.
Ejemplo:
Determine si la transformacin dada es inyectiva, sobreyectiva, o ambas.
x x y
T
y 2x y
T : 2 2
Solucin:
x x y 0
Nu (T ) /
y
2
x
y
0
0
Nu(T )
0
x y 0
x y
y0
T es inyectiva.
Im( T ) 2 T es sobreyectiva.
Representacin matricial:
Sea T : una transformacin lineal finita. Entonces existe una matriz nica de mxn A T tal
n
que T(x)=AT.x , x .
Dicha matriz se denomina, matriz de informacin correspondiente a T o representacin matricial de
T.
Teoremas:
Sea T de Rn en Rm una transformacin lineal. Si AT es la matriz asociada a T, entonces:
n
1. Nu(T ) Nu ( AT )
2. dim Nu(T ) dim Nu ( AT )
3. Im( T ) Im( AT )
4. dim Im( T ) dim Im( AT )
5. dim Nu (T ) dim Im( T ) n
Ejemplo:
Sea T :
3
x x 2y z
T : y 2 x y z
z x 3 y 2z
; Determine A(T), Nu(T), Im(T), dim Nu(T ) , dim Im( T ) :
x 1 2 1 x
1 2 1
T : y 2 1 1 y A(T ) 2 1 1
z 1 3 2 z
1 3 2
1 2 1 0
1 2 1 0
Nu(T ) 0 5 3 0 0 5 3 0
0 5 3 0
0 0
0 0
5 y 3z 0
3
z
5
x 2y z 0
y
3
x 2 z z
5
z
x
5
z /5
3 z / 5 / z
z
Nu (T )
dim Nu (T ) 1
a
x a
x
Im( T ) b / T y b para a lg un y
c
z c
z
1
2
1
0
0
1
3
5
0
1 x
a
1
1 y b 2
c
1
2 z
2
1
3
1 b
2 c
3 b 2a c a
0 c a
Autovalores y autovectores
Definicin de autovalor: R (o a C, aunque no lo consideraremos) es un
autovalor de una matriz A, cuadrada, n n, si existe un vector
x R n ( a En ) , x 0 tal que A x = x .
A x se le llama autovector asociado a .
Tambin se utilizan los nombres valor propio y vector propio, respectivamente,
para autovalor y autovector.
Observaciones:
1. Si A x = x A 2 x = A x =2 x .
A n x =n x
Por tanto, para determinar cmo acta A n resulta til conocer y x ,
pues el estudio de n es mucho ms sencillo.
2. Si
x es un autovector asociado a , entonces k x es otro autovector
asociado a .
En efecto: si
A x = x A ( k x )=k ( A x )=k ( x )= ( k x )
Diagonalizacion
la matriz P={
x 1 , x 2, , . , x n } es inversible. Luego puede escribise que PD P1= A .
Ejemplos:
3 1 0
1. Diagonalizacin de A 1= 1 2 1
0 1 3
3 1
0
| A1 I|= 1 2 1 =0 (3)(1)( 4)=0
0
1 3
Autovalores: = 3; = 1; = 4 R
. Los tres autovalores son
simples
la matriz es diagonalizable.
Si = 3,
0 1 0 x
0
I
x
=
0
=
( 1
)
1 1 1 y
0
0 1 0 z
0
][ ] [ ]
y =0 x=t
x yz=0 y =0
y =0 z=t
[]
1
x 1= 0
1
Si = 1,
][ ] [ ]
2 1 0 x
0
( A1 I ) x =0 1 1 1 y = 0
0 1 2 z
0
2 x y=0 x=t
x + y z=0 y=2 t
y +2 z=0 z=t
[]
[
1
x 2= 2
1
Si = 4,
][ ] [ ]
1 1 0 x
0
( A1 I ) x =0 1 2 1 y = 0
0 1 1 z
0
x y=0 x=t
x2 y z=0 y=t
y z=0 z=t
[]
1
x 3= 1
1
La matriz
1 1 1
3 0 3
1
1
P= 0 2 1 P =
1 2 1
6
1 1 1
2 2 2
[ ]
3 0 0
P1 A 1 P=D= 0 1 0
0 0 4
2. Diagonalizacin de
| A2 I|=
3 0
2
A 2= 1 2 3
2 5 1
3
0
2
1
2
3 =0( + 6.341)( + 2.251)( 2.592)=0
2
5
1
Autovalores: = 6.341 ; =
tres autovalores son simples
Si = 6.341 ,
3.341
0
2
( A2 I ) x =0 1
4.341 3
2
5 5.341
2.251 ; = 2.592
R
. Los
la matriz es diagonalizable.
][ ] [ ]
x
0
y=0
z
0
[ ]
0.598
x 1= 0.828
1
Si =
2.251 ,
0.749
0
2
x
0
I
x
=
0
=
( 2
)
1
0.251 3 y
0
2
5 1.251 z
0
][ ] [ ]
[ ]
2.669
x 2= 1.317
1
Si =
2.592 ,
5.592
0
2
x
0
( A2 I ) x =0 1
4.592
3
y =0
2
5
3.592 z
0
][ ] [ ]
[ ]
0.357
x 3= 0.575
1
La matriz
P1 A 2 P=D=
6.341
0
0
0
2.251
0
0
0
2.592
3. Diagonalizacin de
| A3 I|=
4 1 1
A 3= 2 5 2
1 1 2
4
1
1
2
2
5 2 =0 ( 3 ) ( 5 ) =0
1
1
2
Autovalores:
= 3; multiplicidad=2
= 5; multiplicidad=1
R
R
Si = 3,
][ ] [ ]
1 1 1 x
0
( A3 I ) x =0 2 2 2 y = 0
1 1 1 z
0
x+ yz=0 x=t x =0
2 x +2 y2 z=0 y =0 y=t
x+ yz=0 z=t z =t
[] []
1
0
x 1= 0 x 2= 1
1
1
Si =5,
][ ] [ ]
1 1 1 x
0
( A3 I ) x =0 2 0 2 y = 0
1 1 3 z
0
x + y z=0 x=t
2 x 2 z=0 y=2 t
x+ y3 z=0 z=t
[]
1
x 3= 2
1
La matriz
[ ]
1 0 1
1 1 1
1
P= 0 1 2 P1= 2 0
2
2
1 1 1
1
1 1
[ ]
3 0 0
P A 3 P=D= 0 3 0
0 0 5
1
4. Diagonalizacin de
| A 4I |=
3 1 1
A 4 = 7 5 1
6 6 2
4
1
1
2
2
5 2 =0 (+2) (4)=0
1
1
2
Autovalores:
= -2; multiplicidad=2
= 4; multiplicidad=1
R
R
Si = -2,
][ ] [ ]
1 1 1 x
0
( A4 I ) x =0 7 7 1 y = 0
6 6 0 z
0
x + y z=0 x=t
7 x +7 yz =0 y=t
6 x +6 y =0 z=0
[]
1
x 1= 1
0
][ ] [ ]
7 1 1 x
0
( A4 I ) x =0 7 1 1 y = 0
6 6 6 z
0
7 x + yz =0 x=0
7 x + yz =0 y=t
6 x +6 y 6 z=0 z=t
[]
0
x 2= 1
1
la matriz P={
x 1 , x 2, , . , x n } es inversible. Luego puede escribise que PD P1= A .
Ejemplos:
1 5 4
5. Diagonalizacin de A 5= 1 1 3
3 4 1
[ ]
1
5
4
1
1
3 =0
3
4
1
( 7.228)(+ 2.1140.308 i)( +2.114 +0.308 i)=0
| A5 I|=
la matriz es
diagonalizable.
Si =
7.228 ,
6.228
5
4
x
0
( A5 I ) x =0 1
6.228
3
y=0
3
4
6.228 z
0
][ ] [ ]
6.228 x +5 y +4 z =0 x=1.181t
x6.228 y +3 z=0 y=0.671t
3 x+ 4 y6.228 z=0 z =t
[ ]
1.181
x 1= 0.671
1
Si =
( A5 I ) x =0
2.114 0.308 i ,
][ ] [ ]
3.114+0.308 i
5
4
x
0
1
3.114 +0.308 i
3
y=0
3
4
3.114+ 0.308 i z
0
0.3740.424 i
x 2= 1.059+0.241 i
1
Si =
( A5 I ) x =0
2.114+0.308 i ,
][ ] [ ]
3.1140.308 i
5
4
x
0
1
3.114 0.308i
3
y=0
3
4
3.1140.308 i z
0
0.374 +0.424 i
x 3= 1.0590.241i
1
La matriz
1.181 0.3740.424 i
0.374+ 0.424 i
P= 0 0.671 1.059+ 0.241i 1.0590.241i
1
1
1
17
17
17
P1 A 5 P=D=
7.228
0
0
0
2.1140.308 i
0
0
0
2.114 +0.308 i
6. Diagonalizacin de
1 1 1
A 6= 1 2 1
1 1 3
1
1
1
A
I
=
| 6 | 1 2
1 =0
1
1
3
( +2)( +i (2 i+ 2 ) )( i ( 2i+ 2 ))=0
Autovalores: = 2 ; = i (2i+ 2 ) ; = i ( 2 i+ 2 ) C
. Los
autovalores son simples
la matriz es diagonalizable.
Si =
2 ,
( A6 I ) x = 0 1
1
][ ] [ ]
1 1 x
0
0
1 y=0
1 1 z
0
x+ yz=0 x=t
x z=0 y=0
x yz=0 z =t
[]
1
x 1= 0
1
Si =
i (2i+ 2 ) ,
][ ] [ ]
i ( 2 i+ 2 )
1
1
x
0
A
I
x
=
0
=
(
)
( 6
)
1
i 2i + 2
1
y
0
z
0
1
1
i (2i+ 2 )
1
i (2 i+ 2 ) x+ yz=0 x= (12 i 2) t
3
1
x +i (2 i+ 2 ) y + z=0 y= (2 i+ 2) t
3
x y +i (2 i+ 2 ) z=0 z=t
[ ]
1
(12i 2)
3
x 2= 1
(2 i+ 2)
3
1
Si = i ( 2 i+ 2 ) ,
( A6 I ) x = 0
][ ] [ ]
i ( 2 i+ 2 )
1
1
x
0
=
1
i ( 2i + 2 )
1
y
0
z
0
1
1
i ( 2i+ 2 )
1
i ( 2i+ 2 ) x+ y z=0 x= (1+ 2i 2) t
3
1
xi ( 2 i+ 2 ) y + z=0 y = (2 i+ 2) t
3
x yi ( 2i+ 2 ) z=0 z=t
[ ]
1
(1+2i 2)
3
x 3= 1
(2 i+ 2)
3
1
1
La matriz
P =
1
1
(12 i 2)
(1+2 i 2)
3
3
1
1
1
(2 i+ 2)
(2i+ 2)
3
3
1
P=[ 1 ]
1
2
1
2
1
1
1
i(i+ 2)
i(2i+ 2)
(1i 2)
4
4
4
1
1
1
i(i+ 2)
i(2i+ 2)
(1+i 2)
4
4
4
2
0
0
P A 6 P=D= 0 i (2i + 2 )
0
0
0
i ( 2i + 2 )
1
7. Diagonalizacin de
| A7 I|=
2 3 5
A 7= 0 3 0
6 9 15
2
3
5
0
3
0 =0 ( 3)(17)=0
6
9
15
Autovalores: = 0; = 3; = 17 R
simples
la matriz es diagonalizable.
Si = 0,
2 3 5 x
0
( A7 I ) x = 0 0 3 0 y = 0
6 9 15 z
0
][ ] [ ]
2 x +3 y +5 z=0 x=5 t
3 y=0 y =0
6 x+ 9 y+ 15 z=0 z =2t
[]
5
x 1= 0
2
Si = 3,
][ ] [ ]
1 3 5 x
0
A
I
x
=
0
=
( 7
)
0 0 0 y
0
6 9 12 z
0
x +3 y +5 z=0 x=3 t
0=0 y=14 t
6 x+ 9 y+ 12 z=0 z=9t
[ ]
[
3
x 2= 14
9
Si = 17,
( A7 I ) x = 0
][ ] [ ]
15
3
5 x
0
0 12 0 y = 0
6
9 2 z
0
15 x +3 y +5 z =0 x=t
12 y=0 y=0
6 x+9 y2 z=0 z=3 t
[]
1
x 3= 0
3
La matriz
[ ]
3
17
5
3
1
P= 0 14 0 P1= 0
2
9 3
2
17
0 0 0
1
P A 7 P=D= 0 3 0
0 0 17
1
14
3
14
1
17
0
5
17
CONCLUSIONES:
-
En
matrices
aprendimos
conceptos
generales
sobre
dicho
arreglo
BIBLIOGRAFA:
-
ndice
Capitulo3..espacios vectoriales