Académique Documents
Professionnel Documents
Culture Documents
UNIVERSIDAD DE CANTABRIA
• ESPACIOS VECTORIALES
• APLICACIONES LINEALES
• ENDOMORFISMOS Y DIAGONALIZACIÓN
• EL ESPACIO EUCLÍDEO
A lo largo de este tema y de los que siguen, muchas veces aparecerán sistemas de
ecuaciones que habrá que resolver. Se dan por conocidas las distintas técnicas de
resolución de sistemas.
No obstante, mientras no se nos indique lo contrario, o en ausencia de indicaciones, los
sistemas siempre deberán clasificarse , y después resolverse por el método de Gauss.
Es decir,
6) Usando las ecuaciones del sistema ya escalonado, despejar las incógnitas principales
(en función de los parámetros).
7) Dar la solución con todas las incógnitas, tanto principales como parámetros.
Hay que seguir este proceso aunque el sistema pueda parecer muy sencillo.
No se debe comenzar a Ndespejar las incógnitasP de cualquier modo, pues entonces es fácil
que cometamos errores respecto a si existe o no solución, o al número de parámetros que
debemos dejar, etc.
Ejemplo.
Resolvemos el sistema formado por una sola ecuación, 2x+3yWz=4.
Introducción.
La idea de vector está tomada de la Física, donde sirven para representar magnitudes
vectoriales como fuerzas, velocidades o aceleraciones. Para ello se emplean vectores de
dos componentes en el plano, de tres componentes en el espacio...
2 3
Se supone conocida la representación gráfica y manejo de los vectores de y de .
En Matemáticas, tratamos de abstraer las propiedades que caracterizan a los vectores para
extenderlas también a otro tipo de objetos diferentes de los vectores de la Física.
Esencialmente, el comportamiento que caracteriza a los vectores es el siguiente:
Además estas operaciones cumplen ciertas propiedades, que observamos en los vectores
de 2 y de 3 :
En lo sucesivo, utilizaremos habitualmente la siguiente notación: u,v,w (u otras letras latinas) para
vectores, mientras que las letras griegas designarán escalares.
Distributivas:
Respecto de la suma de escalares: ( + ) v = v + v
Respecto de la suma de vectores: (u + v) = u + v
1) El espacio n
, formado por los vectores de n componentes (x1, . . .,xn) es un espacio
vectorial real, en el que se pueden sumar vectores y multiplicar por un escalar (real) de la
forma habitual.
Se puede comprobar que se cumplen las propiedades requeridas para ambas operaciones.
El vector cero es (0,. . .,0).
2 ={ ax2 + bx + c : a, b, c }
Es un espacio vectorial real, pues podemos sumar dos elementos de 2 y obtenemos otro
elemento de 2 ; también podemos multiplicar un elemento de 2 por un escalar real y
obtenemos otro elemento de 2. Veámoslo:
Suma: ( ax + bx + c ) + ( a[x + b[x + c[ ) = (a+a[) x2 + (b+b[) x + (c+c[) que pertenece a
2 2
2.
2
Producto por un escalar real , (ax + bx + c) = ax + bx + c que pertenece a 2.
p = x3+x2+x+1 , q = Mx3+x2+x+1
4) Consideremos el conjunto 2x2 (también denotado por 2) de las matrices 2x2 con
términos reales:
a c
2x2 = : a, b, c, d
b d
a c a' c'
En efecto, si tomamos , con a, a[, b, b[, c, c[, d, d[ enteros,
b d b' d'
La suma y el producto por un escalar cumplen todas las propiedades requeridas. En este
caso el vector 0 es el número complejo cero, 0+0i.
Observar además que, en este contexto, el conjunto de los números complejos se comporta
igual que el espacio vectorial 2 , identificando el número complejo a+bi con el vector (a,b).
2
Este es el motivo por el cual se suele representar el plano complejo como si fuera , con la
parte real en el eje de abscisas y la parte imaginaria en el eje de ordenadas.
Hay muchos otros espacios vectoriales. Gracias a esto, las propiedades que encontremos
para espacios vectoriales en general, las podemos aplicar a matrices, polinomios,
funciones...
Observación.
n
En algunos espacios vectoriales reales, distintos de , puede hacerse un bparalelismoc o
bidentificaciónc con n , para un n adecuado.
Por ejemplo, ya hemos visto cómo el espacio vectorial real de los números complejos
2
puede identificarse con , correspondiendo el número complejo a+bi al vector (a,b)
3
Veamos cómo el espacio 2 = { polinomios de grado 2 } puede identificarse con : cada
polinomio ax2+bx+c correspondería al vector (a,b,c) de 3
.
Lo mismo ocurre con el espacio de matrices 2x2 = { matrices 2x2 }, que se identifica con
4 a c
, correspondiendo a la matriz el vector (a,b,c,d).
b d
En todos los casos las operaciones de suma y producto por escalar se pueden trasladar
paralelamente del espacio considerado a n .
n
Esto hace posible efectuar las operaciones en en lugar de otros espacios.
Dado un espacio vectorial V, podemos considerar una parte S de él que funcione como un
espacio vectorial bmás pequeñoc, incluido en V.
Como V es un espacio vectorial, posee unas operaciones (suma, producto por un escalar)
que en particular se pueden efectuar en S. Sólo necesitaremos que, al efectuarlas, su
resultado quede dentro de S.
Definición: Subespacio.
Dado un espacio vectorial V, se dice que un subconjunto S de V es un subespacio vectorial
si contiene al vector 0 , y si al efectuar las operaciones de suma y producto por escalar entre
vectores de S, el resultado permanece en S.
(Se puede decir que S es bcerradoc para las operaciones suma y producto por escalar.)
Es decir:
0 S.
Si v, w S entonces v + w S.
Si v S y es un escalar, entonces v S.
Ya no hace falta comprobar que se cumplen las propiedades asociativa, conmutativa, etc.
puesto que sabemos que se cumplen en V, y por tanto también en S (se dice que S bheredac
las propiedades de las operaciones en V).
Por supuesto si para V utilizamos escalares reales, también para S; si para V utilizamos
complejos, también para S.
Ejemplos de subespacios.
1) La recta x=y es un subespacio de 2
. Está formado por los vectores de la forma (a,a).
Contiene al vector (0,0).
Además, es cerrado para la suma y producto por escalar:
Suma: (a,a) + (b,b) = (a+b, a+b) que también es un elemento de la recta.
Producto por un escalar: , (a,a) = ( a, a) que también es un elemento de la recta.
2) El plano XY es un subespacio de 3
. Está formado por los vectores de la forma (x,y,0).
Contiene al vector (0,0,0).
Además, es cerrado para la suma y producto por escalar:
Suma: (x,y,0) + (x[,y[,0) = (x+x[, y+y[, 0) que también es un elemento del plano.
Producto por un escalar: , (x,y,0)=( x, y, 0) que también es un elemento del plano.
2 3
Podemos decir que este plano bes como c pero incluido en .
a b
5) En 2 = { matrices 2x2 }, el conjunto de las matrices simétricas es un subespacio.
b c
Contiene a la matriz nula, y es cerrado para las operaciones:
Las curvas o las superficies curvas no son subespacios; tampoco las figuras geométricas
finitas, como círculos o polígonos en el plano, esferas o poliedros en el espacio.
(Comprobar gráficamente que no pueden sumarse vectores dentro de este tipo de conjuntos)
7) En todo espacio vectorial existen el subespacio cero, formado solamente por el vector
{ 0 }, y el subespacio total, formado por todos los vectores del espacio.
n
Descripción de los subespacios de .
n
Los subespacios de pueden describirse de dos formas: implícita y paramétrica.
Forma implícita: Mediante ecuaciones. Los vectores que verifiquen las ecuaciones son
los que pertenecen al subespacio.
Forma paramétrica: Mediante una expresión con parámetros, los cuales al tomar
distintos valores producen todos los vectores del subespacio.
Ejemplos:
2
1) En , la recta bisectriz del primer cuadrante puede describirse en implícitas como
{ y=x }, y en paramétricas como { ( ) : }
3
2) En , dado el subespacio en paramétricas { ( M ): }, su forma implícita
es la ecuación { z=xMy } .
3
3) En , dado el subespacio en paramétricas { ( ) : }, para describirlo en
y=x
forma implícita necesitamos dos ecuaciones: z = 3x
3 x+z=0
4) Consideremos el subespacio de dado en implícitas por x + 2y + z = 0
¿Cuál es su forma paramétrica? Para ello resolvemos el sistema, que es compatible
indeterminado. La solución depende de un parámetro y es { (M 0, ) : }.
n
Si S es un subespacio de , la forma implícita y paramétrica de S satisfacen en general la
siguiente relación:
Nº de ecuaciones implícitas + Nº de parámetros = n.
(n es el nº de incógnitas).
Sin embargo para que esto sea cierto debe cumplirse que las ecuaciones implícitas sean
independientes entre sí, es decir, que ninguna sea combinación lineal de otras. Esto significa
que, considerando las ecuaciones como un sistema, no bsobrec ninguna ecuación: es decir,
que la matriz de coeficientes tenga rango igual al número de ecuaciones.
También los parámetros deben ser independientes entre sí : por ejemplo en la expresión
3
paramétrica ( + , + ), que en corresponde a la forma implícita {x=y , z=0}, no se
cumple la relación anterior: 2+2 3. Esto ocurre porque los dos dos parámetros no son
independientes. En realidad puede sustituirse + por un solo parámetro y así
tendríamos ( , , 0) y ya se cumple 2+1=3.
(Esto será más fácil de comprobar más adelante, en el punto CBases y dimensiónE, pues el número
de parámetros independientes es igual a la dimensión del subespacio).
Inclusión de subespacios.
Dados dos subespacios A y B, puede ocurrir que uno esté incluido en otro (una recta dentro
de un plano, por ejemplo).
Se dice que A está contenido o incluido en B (y se denota A B) si todos los elementos de
A están también en B.
En cualquier espacio vectorial V, el subespacio { 0 } está contenido en todos los demás
subespacios; mientras que todos ellos están contenidos en el total V.
3
2) En , sean los siguientes subespacios dados en paramétricas:
A= { ( ): } b= { ( ): }
Ambos ejemplos son el mismo, pues se trata del eje X contenido en el plano XZ.
A partir de dos subespacios podemos construir otro efectuando las operaciones de suma o
intersección de subespacios.
1. Intersección de subespacios.
Ejemplos.
1) Sean en 3
los subespacios S=plano XY, T=plano XZ.
Sus ecuaciones implícitas son: S { z=0 }, T { y=0 }
z=0
Uniendo ambas tenemos que es la expresión implícita de S T.
y=0
Se trata por tanto del eje X , { ( ,0,0) } en paramétricas.
2) Sean en 4
los subespacios dados por las ecuaciones implícitas
x+z=0 2x+3z=0
U W
y+t=0 x+y=0 x+z = 0
y+t=0 sistema cuya solución es (0,0,0,0)
Uniendo todas las ecuaciones resulta 2x + 3z = 0 por tanto U W = { (0,0,0,0) }
x +y = 0
2. Suma de subespacios.
Teorema
La suma de subespacios es un subespacio.
Al contrario que la intersección, la suma S+T se calcula más fácilmente usando la forma
paramétrica de S y de T. Esto nos permite tomar un vector genérico de cada uno de los
subespacios y sumarlos, obteniéndose una expresión paramétrica de S+T.
No obstante la forma paramétrica así obtenida puede tener parámetros no independientes.
Más adelante, en el punto CSistemas generadoresE se dará otro método para calcular el
subespacio suma.
Ejemplo.
3
Consideremos los subespacios en dados en paramétricas por:
H={ ( , , ): }
K={ (0,0, ) : }
Observación
La intersección S T es un subespacio bmás pequeñoc que S y que T (está contenido en S y
también en T).
Por el contrario la suma S+T es un subespacio bmás grandec que S y que T, pues contiene a
ambos.
De hecho S T es el mayor subespacio contenido en ambos, y S+T es el menor subespacio
que contiene a ambos.
Teorema.
Para probar que un conjunto S es subespacio, basta probar que:
La combinación lineal de elementos de S está en S.
(Ello es debido a que calcular una combinación lineal de vectores involucra tanto la suma como el
producto por escalares, así que equivale a probar ambas cosas por separado).
Esto se suele expresar diciendo que un subespacio es un conjunto bcerradoc para las
combinaciones lineales.
Ejemplo.
2
Veamos si es subespacio de el conjunto U={ ( ) }.
Tomamos dos elementos genéricos de U, ( )y( ). Una combinación lineal de ellos es:
( )+ ( ) =( que también es un elemento de U.
Por tanto U es subespacio.
Ejemplo
2
Sean en los vectores u=(1,1), v=(0,3), w=(2,5) .
Observamos que son linealmente dependientes por (a):
w es combinación lineal de u y v , puesto que w = v+2u.
(pueden encontrarse también otras combinaciones, como u = 1
2 wM 1
2 v , etc).
Si un conjunto es linealmente dependiente, entonces por (a) sabremos que existe algún
vector entre ellos que es combinación lineal de los demás. Pero esto no quiere decir que
bcualquierc vector de ellos sea combinación lineal de los demás.
3
Por ejemplo, el siguiente conjunto en podemos comprobar que es ligado:
ya que, por (a), tenemos que w = u + v (es decir, w=1u + 1v + 0k ), hay un vector que es
combinación lineal de los demás. Pero no bcualquierc vector lo es, puesto que k no es
combinación lineal de los demás. Esto se puede ver poniendo
O equivalentemente:
(b) La única forma de poner 0 como combinación lineal de los vectores, es con todos los
coeficientes nulos.
Observación.
La definición de dependencia lineal no es: b v, w son independientes si 0v + 0w = 0 `
Esa afirmación no aporta nada, puesto que se cumple para todos los vectores, dependientes
o no.
De lo que se trata, es de ver si esa es la única manera de poner 0 como combinación lineal
de ellos.
Así pues, la única forma de poner (0,0) como combinación lineal de u, v es con coeficientes
nulos. Esto significa que son linealmente independientes.
3
3) Veamos si son independientes u=(1,0,2), v=(4,3,1) y w=(5,3,3) en :
+4 +5 =0
(0,0,0) = (1,0,2) + (4,3,1) + (5,3,3) 3 +3 =0
2 + +3 =0
1 4 5
Este sistema es compatible indeterminado, puesto que su matriz es 0 3 3 con rango 2.
2 1 3
Esto quiere decir (aun sin resolver el sistema) que existen coeficientes no nulos que
permiten poner (0,0,0) como combinación lineal de u, v, w. Por tanto son linealmente
dependientes.
3
4) Veamos si son independientes u=(3,2,M1), y v=(2,2,0) en :
3 +2 =0
(0,0,0) = (3,2,M1) + (2,2,0) 2 +2 =0
M =0
Esto quiere decir que la única solución es y por tanto que la única forma de poner
(0,0,0) como combinación lineal de u, v, es con coeficientes nulos. Por tanto son linealmente
independientes.
Observación.
Si observamos los dos últimos ejemplos, veremos que la matriz del sistema está formada
por los vectores dados, en columnas.
Hallando el rango de esa matriz vemos si el sistema es compatible determinado o
indeterminado, y por tanto si los vectores son independientes o dependientes, respectivamente.
Volveremos sobre esto más tarde (en el punto CRango de un conjunto de vectoresE.)
2) Dos vectores v, w son linealmente dependientes cuando uno es múltiplo del otro , v= w
(ya que esto equivale a decir que uno es combinación lineal del otro).
6) Si un conjunto es libre, se pueden añadir más vectores libres hasta un cierto número
(que será la dimensión del espacio, según veremos más adelante.) Por encima de este número ya
no se pueden añadir más vectores libres.
7) Si un conjunto es ligado, quitándole los vectores que son combinación lineal de los
demás, llegará a ser libre.
El desarrollo de esta propiedad nos lleva a un nuevo concepto, el de rango:
Ejemplo.
Consideremos en 2 el conjunto de vectores (2,0), (0,1), (4,3), (2,5); vamos a aplicar la
propiedad 6) anterior.
Este conjunto es linealmente dependiente puesto que observamos que algún vector es
combinación de los demás; concretamente
(4,3) = 2 (2,0) + 3 (0,1)
Suprimimos por tanto el vector (4,3) ; el conjunto restante (2,0), (0,1), (2,5) sigue siendo
ligado puesto que
(2,5) = 1 (2,0) + 5 (0,1)
Suprimimos el vector (2,5), el conjunto restante (2,0), (0,1) ya es independiente (son dos
vectores y uno no es múltiplo del otro).
También podríamos haber seguido otro camino, por ejemplo viendo que (2,0) es
combinación lineal de los demás (compruébese) y suprimiéndolo. El conjunto restante
(0,1), (4,3), (2,5) sigue siendo ligado; vemos que (0,1) es combinación lineal de los demás y
lo suprimimos. Llegamos entonces al conjunto (4,3), (2,5) que ya es independiente.
Por los dos caminos llegamos a distintos conjuntos independientes. Pero ambos constan del
mismo número de vectores (dos en este caso).
El rango es, por tanto, el número de vectores independientes que contiene el conjunto.
n
3) En particular, si tenemos n vectores en , la matriz que forman es cuadrada, por lo
que se puede calcular su determinante:
- Serán independientes si el rango de la matriz es n, es decir, si el determinante es no nulo.
- Serán dependientes si el determinante es nulo.
Ejemplos.
4
1. En determinar el rango de los vectores (1,2,3,4), (0,1,6,M1), (3,3,1,0) :
1 0 3
2 1 3
La matriz que forman por columnas es cuyo rango es 3
3 6 1
4 -1 0
2
2. En determinar el rango de los vectores (1,3), (5,8). Como la matriz que forman es
1 5
cuadrada se puede calcular su determinante. Como éste es no nulo, los vectores son
3 8
linealmente independientes.
3
3. En determinar el rango de los vectores u=(1,0,0), v=(0,1,0), w=(1,1,0), k=(0,0,1).
1 0 1 0
La matriz que forman por columnas es 0 1 1 0 en la cual (ya está escalonada) se
0 0 0 1
aprecia que el rango es 3. Esto quiere decir que de los 4 vectores, sólo 3 son
independientes, y el otro es combinación lineal de los demás.
Observación.
En un caso como el 3 anterior, el cálculo del rango nos dice cuántos vectores son
independientes, pero no cuáles. Aunque el rango sea 3, no está garantizado que 3 vectores
cualesquiera vayan a ser independientes. Por ejemplo en este caso, u,v,w no lo son.
Para saber cuáles lo son, se pueden tomar los correspondientes a las columnas pivotales
después de escalonar la matriz (en este caso u, w, k).
También podemos verlo usando la propiedad 4) del rango, quitando el vector que no haga
disminuir el rango: en este caso podemos quitar v. Otra posibilidad es quitar u, o también w.
Pero no podemos quitar k, pues entonces disminuiría el rango.
Observación.
Notar que, dado un conjunto de vectores, el conjunto de todas sus combinaciones lineales
es efectivamente un subespacio:
- la suma de dos combinaciones lineales de v1, ... , vr es otra combinación lineal de v1, ... , vr .
- el producto de un escalar por una combinación lineal de v1, ... , vr es otra combinación lineal
de v1, ... , vr .
Ejemplos.
2
1) En , un vector no nulo v genera una recta ( los vectores de la forma v ).
3
2) En : Dos vectores generan un plano.
Tres vectores que estén en el mismo plano, generan ese plano.
3
Tres vectores que no estén en el mismo plano, generan todo el espacio .
3) Veamos qué subespacio generan en 3 los vectores (1,0,0) y (0,1,0): las combinaciones
lineales de ellos serán de la forma
(1,0,0) + (0,1,0)
es decir de la forma { ( } que es la expresión paramétrica del plano XY.
3
4) Obtener un sistema generador del subespacio S={ ( ): } de .
Observemos que
( )= (1,0,2) (0,1,1)
por tanto los vectores de S son exactamente las combinaciones lineales de (1,0,2) y (0,1,1).
Así pues, estos dos vectores son un sistema generador de S.
Por supuesto pueden encontrarse otros sistemas generadores diferentes para S (de hecho
hay infinitas posibilidades).
a 2 1 2 a
b (las incógnitas son , µ, mientras que a, b son datos).
0 3 1 b
Se observa que para cualesquiera datos a, b este sistema es compatible. Así cualquier
2
vector (a,b) puede ponerse como combinación lineal de (2,0), (1,3), (2,1) y por ello son
un sistema generador de 2 .
2
7) ¿Son los vectores (1,1) y (2,2) un sistema generador de ?
Las combinaciones lineales de estos vectores son de la forma (1,1) + (2,2), es decir,
( +2 +2
Se observa pues, que sólo podemos generar vectores que tengan sus dos componentes
iguales. No podemos generar otros vectores como (3,4). (Si se intenta poner (3,4) como
combinación lineal de (1,1) y (2,2) se obtiene un sistema incompatible).
2
Por ello, (1,1) y (2,2) no forman un sistema generador de .
Observación
Dado un sistema v1, . . . ,vn, ¿cuándo un vector u pertenece al subespacio que generan?
Esto ocurrirá si u es combinación lineal de v1, . . . ,vn. , por tanto podemos plantear tal
combinación lineal, lo que conducirá a un sistema de ecuaciones, y ver si es compatible o
incompatible.
Ejemplo
En 3 , ¿pertenece u=(1,2,3) al subespacio generado por v=(4,5,6), w=(7,8,9) ?
Veamos si es posible poner u = v + w.
4 +7 =1
(1,2,3) = (4,5,6) + (7,8,9) 5 +8 =2
6 + 9 =3
Teorema
Un vector u pertenece al subespacio generado por un conjunto de vectores v1, . . . ,vn si al
añadirlo a éstos no aumenta el rango.
(En efecto, ya vimos que si al añadir u no aumenta el rango, significa que u depende linealmente de
v1, . . . ,vn , es decir, es combinación lineal de ellos).
Ejemplo.
Sean en 3 los subespacios:
U=plano XY={ ( } , sistema generador (1,0,0), (0,1,0).
V= plano XZ={ ( } sistema generador (1,0,0), (0,0,1).
Por tanto, siempre será mejor reducir los sistemas generadores en lo posible, suprimiendo
todos aquellos vectores que dependan linealmente de los demás.
Esto llevará al concepto de base.
Ejemplos de bases.
n:
1. La base canónica (o base natural, o base estándar) de
e1 = (1,0,. . . ,0)
e2 = (0,1,. . . ,0)
........
en = (0,0,. . . ,1)
- Son linealmente independientes porque forman un determinante no nulo.
- Son sistema generador de n porque todo vector (a1,a2,. . . ,an) n
se puede expresar
como combinación lineal de ellos:
(a1,a2,. . . ,an)= a1(1,0,. . . ,0)+ a2(0,1,. . . ,0)+ . . . + an(0,0,. . . ,1)
3
2. Otra base de distinta de la canónica: (1,0,0), (1,1,0), (0,2,-3).
- Son linealmente independientes porque forman un determinante no nulo.
3
- Son sistema generador de porque cualquier vector (a,b,c) se puede poner como
combinación lineal de ellos. En efecto, dado (a,b,c), buscamos , , que satisfagan
(a,b,c)= (1,0,0)+ (1,1,0)+ (0,2,-3)
Se obtiene un sistema:
+ =a
+2 =b
-3 = c
en las incógnitas , , , que es compatible determinado para cualesquiera a,b,c.
3
3. (1,2,3), (4,5,6), (7,8,9) en no forman base porque no son linealmente independientes
(su determinante es nulo).
3
5. Extender un conjunto para que forme base. ¿Es (1,0,2), (1,0,X1) base de ?
- Son linealmente independientes, porque uno no es múltiplo del otro.
3 3
- Pero no son un sistema generador de , porque no es cierto que todo vector de
pueda ponerse como combinación lineal de ellos. Por ejemplo, el (0,1,0) no se puede poner
(resulta un sistema incompatible).
3 3
Por tanto no son base de . ¿Puede obtenerse una base de de algún modo?
Sí, añadiendo algún otro vector de manera que siga siendo independiente de los anteriores,
por ejemplo (0,1,0). Así el conjunto (1,0,2), (1,0,X1), (0,1,0) es linealmente independiente, y
genera 3, por tanto es base de 3.
6. Reducir un conjunto para que forme base. ¿Es (2,0,0), (0,3,0), (4,1,0) base de
S=plano XY de 3 ?
- Son un sistema generador de S, pero no son independientes (su determinante es nulo).
Por tanto no son base de S. ¿Puede obtenerse una base de S de algún modo?
Sí. Estos tres vectores tienen rango 2, por tanto uno de ellos es combinación lineal de los
demás y puede suprimirse: por ejemplo suprimimos (4,1,0), ya que al quitarlo no baja el
rango. (También podría quitarse cualquiera de los otros dos).
Los restantes vectores (2,0,0), (0,3,0) siguen generando el mismo subespacio S y son
independientes. Son por tanto base de S.
Ejemplos de dimensión.
n
1. tiene dimensión n, pues tiene una base de n elementos (p.ej. la canónica).
2. M2x2= {matrices 2x2 con términos reales} tiene dimensión 4. Una base de M2x2 es:
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1
3. P2= {polinomios de grado 2 con coeficientes reales} tiene dimensión 3. Una base de P2
es, por ejemplo, la formada por los tres polinomios siguientes:
1+0x+0x2 , 0+x+0x2, 0+0x+x2 (es decir, los polinomios 1, x, x2).
4. El rango de una familia de vectores, es igual a la dimensión del subespacio que generan.
Es decir: si v1,v2,. . . vn generan un cierto subespacio S, y si el rango de dicho conjunto es r,
entonces dim S = r.
(Si un cierto conjunto de vectores tienen rango 2, entonces generan un plano; etc.)
Ejemplo.
3
En , sea S el subespacio generado por: (1,0,2), (0,X1,X2), (3,3,3), (2,2,0).
Observamos que el rango de este conjunto (= rango de la matriz que forman, por filas o por
columnas) es 3. Así por la propiedad 4 , tenemos que dim S = 3. Pero como estamos en 3,
por la propiedad 3 ha de ser S= 3.
Teorema:.
Sea S un espacio o subespacio de dimensión m. Entonces,
Si tenemos m vectores linealmente indep. en S, también serán sistema generador de S.
Si tenemos m vectores que generan S, también serán linealmente independientes.
Por tanto, si tenemos un conjunto formado por tantos vectores como indica la dimensión,
dichos vectores serán a la vez linealmente independientes y sistema generador, o bien
ninguna de las dos cosas.
Así pues, para probar que son base, bastaría probar solamente una de las dos cosas: que
son linealmente independientes, o que son sistema generador.
Esto solamente se puede aplicar cuando conocemos la dimensión del espacio y cuando
tenemos tantos vectores como indica la dimensión.
3
1) Expresar en forma implícita el subespacio S= { de .
Hace falta, por tanto, 1 ecuación implícita. Tratemos de buscar una relación entre las
coordenadas x,y,z del vector genérico
Observamos que la tercera coordenada es tres veces la primera menos cinco veces la
segunda. Así, la relación es z = 3x - 5y. Esta es la forma implícita.
(Nota: las ecuaciones implícitas nunca pueden tener término independiente, pues siempre ha de
satisfacerlas el vector cero).
1 0 x
Debe ser rg 0 1 y =2. Escalonamos esta matriz para ver su rango.
3 5 z
(Notar que el hecho de que sus términos sean incógnitas no impide en absoluto efectuar operaciones
elementales en las filas, como en cualquier matriz numérica.)
1 0 x 1 0 x 1 0 x
0 1 y 0 1 y 0 1 y
3 5 z 0 5 z 3x 0 0 z 3x 5y
Las dos primeras filas de la matriz son no nulas, así que el rango será 2 cuando la tercera
fila sea nula, es decir, cuando z - 3x + 5y = 0. Esta es la forma implícita buscada. Notar que
es la misma que se obtuvo en la 1ª forma.
4
2) Expresar en forma implícita el subespacio S= { de .
4
1ª forma. nº ecuaciones + nº parámetros libres (es decir, dim S) = 4 (en )
2 + 2 = 4
Hacen falta, por tanto, 2 ecuaciones implícitas. Tratemos de buscar dos relaciones entre
las coordenadas x,y,z,t del vector genérico
Estas dos relaciones son [claramente\ z = 2x + y ; t = -x + 3y.
Así pues, esta es la forma implícita.
1 0 x
0 1 y
Debe ser rg =2. Escalonamos esta matriz para ver su rango.
2 1 z
1 3 t
1 0 x 1 0 x 1 0 x
0 1 y 0 1 y 0 1 y
2 1 z 0 1 z 2x 0 0 z 2x y
1 3 t 0 3 t x 0 0 t x 3y
Las dos primeras filas de la matriz son no nulas, así que el rango será 2 cuando la tercera y
cuarta filas sean nulas, es decir, cuando z - 2x - y = 0 ; t + x - 3y = 0. Estas son las
ecuaciones implícitas buscadas. Notar que son las mismas que se obtuvieron en la 1ª forma.
3
1ª forma. nº ecuaciones + nº parámetros libres (es decir, dim S) = 3 (en )
2 + 1 = 3
Hacen falta, por tanto, 2 ecuaciones implícitas. Tratemos de buscar dos relaciones entre
las coordenadas x,y,z,t del vector genérico
Estas dos relaciones son z = 3x ; y = 2x. Estas son las ecuaciones implícitas.
3
Ahora, un vector (x,y,z) de pertenecerá a S si es combinación lineal de (1,2,3)
por tanto si al añadirlo a él , el rango no aumenta y sigue siendo 1.
1 x
Debe ser rg 2 y =1. Escalonamos esta matriz para ver su rango.
3 z
1 x 1 x
2 y 0 y 2x
3 z 0 z 3x
La primera fila de la matriz es no nula, así que el rango será 1 cuando la tercera y cuarta
filas sean nulas, es decir, cuando y - 2x = 0 ; z - 3x = 0. Estas son las ecuaciones
implícitas buscadas. Notar que son las mismas que se obtuvieron en la 1ª forma.
3
4) Expresar en forma implícita el subespacio S= { de .
A pesar de las apariencias, pues hay dos parámetros, la dimensión de S no es dos. Ello se
debe a que los parámetros no son libres. Se aprecia al hallar una base:
( 1,2,3 ) + ( 2,4,6 ) Sistema generador (1,2,3) , (2,4,6)
Pero no son independientes, luego no son base. Hay que quitar el segundo vector, que es
múltiplo del primero: La base es (1,2,3), por tanto se trata del mismo espacio del ejemplo 3).
5
5) Expresar en forma implícita el subespacio S= { de .
Es inmediato por la 1ª forma:
5
nº ecuaciones + nº parámetros libres (es decir, dim S) = 5 (en )
3 + 2 = 5
Hay que buscar tres relaciones entre las coordenadas x,y,z,t,s del vector genérico
(
Obviamente se tiene: y=0 , z=0 , s=0. Por tanto, estas son las ecuaciones implícitas.
(Nota: una forma paramétrica más sencilla de este subespacio es ).
Definición: Coordenadas.
En un espacio vectorial V, fijada una base {v1,v2,. . . vn} , todo vector u V puede ponerse de
forma única como combinación lineal de dicha base:
u= 1 v1 + 2 v2 +... n vn
Los escalares 1, 2, . .., n se llaman coordenadas del vector u en la base {v1,v2,. . . vn}.
Ejemplos de coordenadas.
1. Coordenadas en distintas bases.
En 2 fijemos la base canónica, { (1,0), (0,1) }. Consideremos el vector v=(1,2). Para hallar
sus coordenadas en esta base, ponemos u como combinación lineal de la misma:
(1,2)=1·(1,0) + 2·(0,1)
Por tanto, (1,2) son las coordenadas de v en base canónica.
Cuando se utiliza la base canónica, obtenemos el sentido usual de hcoordenadasi.
Pero cuando se utiliza otra base no es así.
Por ejemplo, en 2 fijemos ahora la base B = { (2,3), (1,X1) } y consideremos el mismo
vector v=(1,2). Hallemos sus coordenadas en la base B. Para poner v como combinación
lineal de dicha base, planteamos el sistema
3 1
(1,2)= (2,3)+ (1,X1) cuya solución es = , =X . Así pues,
5 5
3 1
v= (2,3) X (1,X1)
5 5
3 1
Por tanto, , son las coordenadas de v en base B.
5 5
No debe confundirse el vector con sus coordenadas; aquí el vector sigue siendo v=(1,2), y
3 1
las coordenadas , son un par de números que indican cómo expresar v en
5 5
combinación lineal de la base B.
2. Si u es el vector que tiene como coordenadas (5, X6) en la base (1,2) (3,4), ¿cuál es el
vector u?
Según la definición de coordenadas,
u = 5 (1,2) + (X6) (3,4) = (X13, X14).
En 3 , sea el subespacio S generado por los vectores (1,1,0) y (0,0,1). (Se trata del plano
x=y en 3). Los dos vectores son independientes, por tanto forman base de S.
Consideremos el vector v = (2,2,3) perteneciente a S. Hallemos las coordenadas de este
vector respecto a la base (1,1,0), (0,0,1) de S. Para ello expresamos v como combinación
lineal de dicha base:
(2,2,3)= 2·(1,1,0) + 3·(0,0,1)
Así pues, las coordenadas de v en esta base de S son (2,3).
No debe sorprendernos que v tenga sólo 2 coordenadas. El vector v ciertamente tendría 3
coordenadas como elemento de 3, pero tiene 2 coordenadas como elemento del plano S,
que es un subespacio de dimensión 2.
an bn an bn
obteniéndose así (b1, b2, . . . bn) las coordenadas del vector en base Bl.
Ejemplo.
2
Consideremos en las dos bases siguientes:
la base del ejemplo (1) anterior, B ={ (2,3), (1, X1) }
la base canónica Bl ={ (1,0), (0,1) }
Vamos a construir la matriz de cambio de base de B a Bl.
Para ello debemos expresar los vectores de la base B en función de la base canónica Bl.
(2,3) = 2·(1,0) + 3·(0,1) coordenadas (2,3)
(X1,1)= 1·(1,0) X1·(0,1) coordenadas (1, X1)
Introduciendo estas coordenadas en las columnas de una matriz, tendremos la matriz de
cambio de base de B a Bl:
2 1
P=
3 1
Vamos a aplicar estas matrices para hallar las coordenadas en base B del vector v=(1,2).
Tenemos sus coordenadas en la base canónica Bl que son (1,2). Utilizamos la matriz Q de
cambio de base de Bl a B:
1
5
1
5 1 3
5
=
3
5
2
5 2 1
5
3 1
Así hemos obtenido , , las coordenadas de v en base B. Comprobar que son las
5 5
mismas que se obtuvieron en el ejemplo (1) anterior.
Podemos volver a las coordenadas en base Bl utilizando la matriz P de cambio de base de B a B':
2 1 3
5 1
=
3 1 1
5 2
Comprobar en el ejemplo anterior que P y Q son inversas entre sí. Por tanto, después de
hallar P, podríamos haber hallado Q como P X1 .
• Observar en el ejemplo anterior que la matriz más fácil de obtener es la P, que pasa de una
base B a la base canónica, pues basta escribir en las columnas la base B.
P
-1
Base B Base canónica P= base B en columnas; Q=P
Ejemplo.
3
En , consideremos los subespacios
S = planoXY, una base es (1,0,0), (0,2,0).
T = planoXZ, una base es (3,0,0), (0,0,4).
3
S+T resulta ser el espacio total . En efecto, un sistema generador de S+T es la unión de
ambos,
(1,0,0), (0,2,0), (3,0,0), (0,0,4)
3
que es un sistema generador de . Pero no es una base, pues no es linealmente
independiente.
(Ello ocurre porque S T no es cero)
Teorema.
Si la suma S T es directa, al unir una base de S y una base de T se obtiene una base de
S T.
Ejemplo.
3
En , consideremos los subespacios
S = planoXY, una base es (1,0,0), (0,2,0).
H = eje Z, una base es (0,0,5)
La suma es directa pues S H = {0}. El subespacio suma S H resulta ser el espacio total
3
. Por el teorema anterior, uniendo las bases de S y de H se obtendrá una base del
subespacio suma:
(1,0,0), (0,2,0), (0,0,5)
3
que efectivamente es base de .
(la primera fórmula se puede obtener de la segunda, pues en el caso de suma directa, el
término de la intersección vale cero).
Ejemplo.
En 3, el suplementario de un plano es cualquier recta que no esté contenida en el plano.
Igualmente el suplementario de una recta es cualquier plano que no la contenga.
Ejemplo.
4
En , sea S el subespacio cuya base es v1=(1,0,2,0), v2=(3,0,0,0). Vamos a hallar un
suplementario de S. Para ello prolongamos la base dada añadiendo vectores que elegimos
entre los de la base canónica. Han de ser independientes de los anteriores.
No podemos añadir (1,0,0,0) porque no es independiente de los anteriores. (Es múltiplo de
v2).
Podemos añadir v3 = (0,1,0,0) pues es independiente de v1 , v2 (La matriz formada por
v1, v2, v3 tiene rango 3).
No podemos añadir w = (0,0,1,0) pues no es independiente de los anteriores. (La matriz
formada por v1, v2, v3 ,w tiene rango 3; su determinante es cero).
Podemos añadir v4 = (0,0,0,1) pues es independiente de v1 , v2 (La matriz formada por
v1, v2, v3 ,v4 tiene rango 4; su determinante es no nulo).
- Ya hemos terminado, pues tenemos 4 vectores independientes y por tanto una base del
total 4. Los dos vectores que hemos añadido, v3 = (0,1,0,0) y v4 = (0,0,0,1), forman una
base de un suplementario de S.
Cada ( ) es un punto.
Hay en total 50 puntos, de los cuales 20 son de cuestiones y 30 de ejercicios.
C-1) ¿Existe...
( ) a)...un subespacio de 2
que 4se parezca7 a ?
( ) b)...un subespacio de 2
que 4se parezca7 a 3
?
Si existe pon un ejemplo, y si no, razona por qué.
( ) C-2) En el espacio vectorial de las matrices 2x2 con términos reales, inventa un ejemplo de
subespacio (que no hayas visto en otro lugar).
5
( ) C-3) a) Si S y T son subespacios de , siendo dim S = 2 y dim T = 3, ¿qué posibilidades hay
para las dimensiones de S+T y de S T ?
( ) b) Lo mismo pero en 4
en lugar de 5
.
2
( ) C-5) a) En , inventa un conjunto de tres vectores {u,v,w} linealmente dependientes, que tenga
rango 2, de modo que se pueda suprimir uno de ellos y se conserve el rango.
( ) b) Lo mismo, pero de modo que no se pueda suprimir uno cualquiera. Señala cuáles se
pueden suprimir y cuáles no.
( ) C-7) Si u, v son linealmente independientes, ¿también lo son 2u y 3v? Explica por qué.
( ) C-8) ¿Cierto o falso? ?En un espacio vectorial, ningún conjunto linealmente independiente puede
tener más vectores que un sistema generador.F Razona la respuesta.
C-10) ¿Puede esta matriz ser una matriz de cambio de base en algún espacio vectorial?
Razona la respuesta.
1 3 3
( ) a) A=
0 1 0
1 1 1
( ) b) B= 1 1 1
1 1 1
1 1
( ) c) C=
3 2
3
( ) E-2) En , determina si v=(1,4,16) pertenece al subespacio generado por (1,2,4) y (-1,-1,2).
3
( ) E-3) a) Pasar a forma implícita el subespacio de dado en paramétricas:
{ (a+b, a+2b, b) : a, b }
4
( ) E-6) Extraer del siguiente conjunto en una familia linealmente independiente:
(1, 2, 0, 1), (-1, -1, -1, 3), (-1, 1, -3, 11) ,(4, 0, -2, 1), (2, -3, -3, 3),
E-8) En 4 , si S tiene como sistema generador { (1,1,0,0), (1, -1, 0, 0) } y T tiene como sistema
generador { (0,2,1,0) , (-1,1,1,0) }, hallar:
( ) a) un sistema generador del subespacio S+T.
( ) b) una base de S+T.
4
x+y-z-t =0 x-y=0
E-9) Dados los subespacios de S= y T= , calcular:
2x + 2y - z - t = 0 z-t =0
( ) a) el subespacio S T.
( ) b) el subespacio S+T (sugerencia: se puede usar el resultado de a) para hallar la dimensión de S+T).
4
x+y+z+t =0
E-10) Dado el siguiente subespacio de en implícitas, hallar una base y
y - 2z - t = 0
dimensión. Puedes hacerlo mediante el siguiente proceso:
( ) E-12) Extender el siguiente conjunto linealmente independiente hasta que forme base de 4
.
(2,3,0,1), (0,2,0,0).
E-15) Dadas las bases B={ (1,0), (0,1) } (canónica) y Be={ (0,-1), (1,2) } , hallar:
( ) a) la matriz de cambio de base de Be a B .
( ) b) la matriz de cambio de base de B a Be
3
( ) E-17) Hallar un subespacio suplementario (o complementario) de <(1,2,3), (4,5,6)> en .
Sol. C-1) a) Sí, por ejemplo el eje X, formado por los vectores de la forma ( , 0), que se identificarían
con el número real . También valdría el eje Y, o cualquier otra recta que pase por el origen. (Al
ser de dimensión 1, una recta se puede identificar con , que también es de dimensión 1).
2
b) No es posible, pues tiene dimensión 2, y no puede contener un espacio que Hse
3
parezcaJ a , pues éste tendría dimensión 3. Un espacio de dimensión 3 no puede estar
contenido en otro de dimensión 2.
Sol. C-2) Hay muchas posibilidades; estos son sólo algunos ejemplos: las matrices de la forma
a b a b a a a 2a a b a b a b
, , , , , , , etc.
2b c c a a a 3a 4a 2a 2b b+c c c a +b +c
es decir, las mismas que en a) excepto la primera. No sería posible dim(S+T) = 5 porque estamos
en 4, así que no puede haber un subespacio de dimensión 5.
Sol. C-4) Como en la cuestión anterior, dim S + dim T = dim(S+T) + dim(S T).
Ahora S y T son planos, por tanto ambos de dimensión 2, así que el 2º miembro ha de sumar 4, lo
que nos da las posibilidades:
dim(S+T) = 2 , dim(S T) = 2 (plano)
dim(S+T) = 3 , dim(S T) = 1 (recta)
b) Habría que poner 2 vectores que sean linealmente dependientes entre sí, p. ej. u=(1,0) ,
v=(2,0) , y otro que sea independiente de ellos: p.ej. w= (1,1) . Este conjunto tiene rango 2.
Así, quitando u se conserva el rango; quitando v también; pero no podemos quitar w porque
entonces el rango disminuye.
Sol. C-6) a) No, porque nunca pueden ser independientes más vectores de lo que indica la dimensión.
b) No, pues nunca pueden ser sistema generador menos vectores de lo que indica la dimensión.
Sol. C-7) Sí, porque si u, v son linealmente independientes, como sólo son 2 vectores, significa que
uno no es múltiplo del otro. Entonces 2u y 3v tampoco pueden ser uno múltiplo del otro.
(Imagina que 2u fuese múltiplo de 3v , p.ej. 5 veces: 2u = 5 3v, entonces despejando tendríamos
u = 152 v , y no puede ser porque u y v eran independientes).
Sol. C-8) Cierto, pues el conjunto independiente siempre tiene un número de vectores menor o igual
que la dimensión del espacio, mientras que el sistema generador siempre tiene un número de
vectores mayor o igual que la dimensión del espacio.
Sol. C-9) a) La base { (0,1) , (1,0) } , es decir, la canónica pero con los vectores en orden contrario.
Así claramente (1,2) = 2 (0,1) + 1 (1,0).
b) La base { (K1,0), (0,K1)} , es decir, la canónica pero con los vectores cambiados de signo.
Así claramente (1,2) = (a1) (K1,0) + (a2) (0,K1)
c) No es posible. En cualquier base, las coordenadas (0,0) son exclusivas del vector nulo.
Sol. E-1) a) No, porque no contiene al (0,0), ya que no hay ningún valor de a, b que cumpla a la vez
a+b=0 y a+b+2=0.
b) Sí. Es el conjunto de todos los vectores de 2 que tienen sus dos coordenadas iguales.
Se ve más fácilmente si llamamos b=a+1, entonces el conjunto es { (b,b) }. Es subespacio porque:
- La suma de dos elementos es (b,b)+(c,c)=(b+c,b+c) que es otro elemento del conjunto.
- Si es un escalar, (b,b) = ( b, b) que es otro elemento del conjunto.
Sol. E-2) 1ª forma: Plantear el sistema dado por (1,2,4)+ (-1,-1,2)=(1,4,16). Es compatible, por
tanto es posible poner v como combinación lineal de (1,2,4) y (-1,-1,2). Sí pertenece.
2ª forma: Hallar el rango de los tres vectores y ver que es 2. Por tanto, v es combinación
lineal de (1,2,4) y (-1,-1,2). Sí pertenece.
3
Sol. E-3) a) 1ª forma: Como hay 2 parámetros, y estamos en , hará falta 1 ecuación. HClaramenteJ
ésta es y=x+z , es decir, x-y+z=0.
2ª forma: Un sistema generador del subespacio es (1,1,0), (1,2,1). Un vector (x,y,z)
1 1 x
pertenece al subespacio si el rango de es 2. Esto ocurre cuando x-y+z=0 (se puede ver
1 2 y
0 1 z
calculando el determinante o triangulando la matriz).
Sol. E-4) a) Escalonando la matriz se ve que es de rango 4, igual al número de vectores, luego el
conjunto es independiente. (Otra forma: porque el determinante 4x4 que forman, es no nulo).
b) Escalonando la matriz se ve que es de rango 2, menor que el número de vectores, luego el
conjunto es dependiente. (Otra forma: viendo que alguno es combinación lineal de los otros).
Sol. E-7) Ponemos (a, a+b, a+b+c, c, 2a-b) = a (1,1,1,0,2) + b (0,1,1,0,-1) + c(0,0,1,1,0). Así, un
sistema generador es (1,1,1,0,2) , (0,1,1,0,-1), (0,0,1,1,0).
Sol. E-8) a) Un sistema generador de S+T se obtiene uniendo ambos sistemas generadores:
(1,1,0,0), (1, -1, 0, 0), (0,2,1,0) , (-1,1,1,0)
b) Para saber si este sistema generador es base, hay que ver si son independientes, y si no lo
son, quedarse con tantos como indique el rango.
1ª forma: Escalonando la matriz se obtiene que el rango es 3 (por tanto no son independientes);
las columnas pivotales son la 1ª, 2ª y 3ª y así una base de S+T sería
(1,1,0,0), (1, -1, 0, 0), (0,2,1,0)
2ª forma: Sin escalonar la matriz se ve que su 4ª columna es toda nula, así que el rango ya no es 4.
Será 3 o menor. Pero se ve fácilmente que los 3 primeros vectores son independientes, así que el
rango es 3 y los 3 primeros vectores forman base: (1,1,0,0), (1, -1, 0, 0), (0,2,1,0)
x y z t 0
2x 2y z t 0
Sol. E-9) a) S T se obtiene resolviendo el sistema formado por las 4 ecuaciones.
x y 0
z t 0
Se observa que el sistema es compatible determinado, y como es homogéneo, su solución única
es (0,0,0,0). Por tanto S T = { (0,0,0,0) }, es el subespacio cero.
b) 1ª forma: Siguiendo la sugerencia: Por a) tenemos que dim(S T)=0. También sabemos que:
4
- dim(S)=2, ya que está definido por 2 ecuaciones independientes en y por tanto tendría
4a2=2 parámetros, dimensión 2.
- dim(T)=2 por lo mismo.
Así, usando la fórmula dim(S)+ dim(T) = dim(S+T) + dim(S T), obtenemos que dim(S+T)=4.
4
Entonces S+T es un subespacio de dimensión 4 en , así que sólo puede ser el total.
4
Concluimos por tanto que S+T= .
Sol. E-11) a) No, pues no son independientes (su determinante es nulo; o bien escalonando la matriz
se ve que es de rango 2).
b) El subespacio {y=0} en 3 es un plano; tiene dimensión 2 (pues está dado por 1
ecuación en 3 ; 3a1=2). Así que los dos vectores serán base de este plano si son independientes.
Y son independientes, porque uno no es múltiplo de otro. Por tanto sí forman base.
4
Sol. E-12) Tenemos 2 vectores; para formar una base de habrá que añadir otros 2, que sean
independientes de los anteriores.
Probemos con vectores de la base canónica: por ejemplo si elegimos (0,0,1,0), (0,0,0,1) tendremos
la familia (2,3,0,1), (0,2,0,0), (1,0,0,0), (0,0,1,0) que se ve claramente que es de rango 4 (la matriz
ya está escalonada). Por tanto esta familia es base de 4.
(Los vectores añadidos no tienen por qué ser de la base canónica, valdrían otros si el rango final es 4).
Sol. E-13) Habrá que quedarse con 3 vectores independientes. (Ojo, los 3 primeros no lo son). Para
saber cuáles son, escalonamos la matriz y nos quedamos con las columnas pivotales, que son la
1ª, 2ª y 4ª. Por tanto una base será (1,2,3) (4,5,6), (0,1,3) .
Sol. E-14) 1ª forma: Planteamos el sistema (-3,-8) = (0,-1) + (1,2) , cuya solución es = 2, = a3.
Así pues, las coordenadas de v en la base dada son (2, K3).
2ª forma: Hallamos la matriz de cambio de base (ver ejercicio E-15), y multiplicándola por v se
2 -1 -3 2
obtiene = que son las coordenadas pedidas.
1 0 -8 -3
Sol. E-16) a) La suma será directa si dim(S T)=0. Sabemos que tanto S como T tienen dimensión 2,
entonces
dim S + dim T = dim(S+T) + dim(S T)
2 2 4 0
vemos que el caso dim(S T)=0 sólo se da cuando dim(S+T)=4. Y esto ocurrirá en caso de que los
vectores (1,2,0,0), (1,0,0,2), (0,0,2,1), (2,0,0,1) que generan S+T sean independientes.
En efecto lo son (la matriz que forman es de rango 4), así que dim(S+T)=4, y dim(S T)=0.
Por tanto la suma es directa.
b) La suma será directa si dim(S T)=0. Sabemos que tanto S como T tienen dimensión 2,
entonces
dim S + dim T = dim(S+T) + dim(S T)
2 2 4 0
vemos que el caso dim(S T)=0 sólo se da cuando dim(S+T)=4. Pero esto es imposible porque
estamos en 3, ningún subespacio puede tener dimensión 4. Por tanto dim(S+T)=4 no puede ser,
y dim(S T)=0 tampoco. La suma no es directa.
3
Sol. E-17) Añadimos vectores hasta formar una base de : será necesario añadir 1 vector, que sea
independiente de los anteriores. Por ejemplo (1,0,0) sirve, porque el rango de (1,2,3),(4,5,6), (1,0,0)
es tres.
Así, la base del suplementario son los vectores añadidos, en este caso (1,0,0). Por tanto el
suplementario encontrado es el espacio generado por este vector (en este caso se trata del eje x)
(Hay infinitas posibilidades más. De hecho cualquier recta no contenida en el subespacio sería un
suplementario).
Una aplicación entre dos conjuntos A y B es una regla que permite asignar a cada
elemento de A, uno de B.
La aplicación f del conjunto A en el conjunto B se indica mediante f: A B o bien
A f B.
El conjunto A se llama conjunto inicial, y el B conjunto final.
Si la aplicación f asigna al elemento a A el elemento b B, diremos que b es la imagen
de a, lo que se denota por f(a) = b.
La regla ha de estar inequívocamente definida, de modo que para todos y cada uno de los
elementos de A, esté claro qué elemento de B es su imagen.
Ejemplos:
1. La aplicación del conjunto de la población española mayor de edad en el conjunto de los
números naturales, que asigna a cada ciudadano su número de DNI.
Es inyectiva, pues no hay dos personas con el mismo DNI. No es suprayectiva, pues no
todos los números se utilizan.
2. La aplicación del conjunto de los números reales en el conjunto de los reales positivos,
que asigna a cada número su cuadrado:
x x2
No es inyectiva, pues hay números con el mismo cuadrado (p.ej. 2 y K2). Es suprayectiva,
pues todos los reales positivos son el cuadrado de algún número.
S f 3
( ,2 ) (3 , 4 ,5 )
Ejemplos.
3 2
1. Consideremos la siguiente aplicación de en y veamos si es lineal:
3 f 2
(x,y,z) (2x, z)
Vamos a comprobar que se cumple la afirmación (2) anterior.
3
(2a): Veamos que f(v+ w) = f(v) + f(w) para cualesquiera v, w :
3
Sean dos vectores genéricos de , v=(a,b,c), w= (a], b], c]), entonces
f(v + w) = f ( (a,b,c) + (a], b], c]) ) = f(a+a], b+b], c+c]) = ( 2(a+a]), c+c])
son iguales.
f(v) + f(w) = f(a,b,c) + f(a],b],c]) = (2a, c) + (2a' , c]) = ( 2a+2a], c+c])
2 4
2. Veamos ahora la siguiente aplicación de en :
2 g 4
V id V
u u
2. Aplicación nula: entre dos espacios vectoriales V y W, asigna a todo vector de V el
vector cero de W.
V n W
u 0
2 2 2 2
(x,y) ( 2 x- 2 y, 2 x+ 2 y)
3
6. Proyecciones: Son aplicaciones que llevan todos los vectores del espacio a un
cierto plano, sobre el que proyectamos.
La siguiente aplicación transforma cualquier pieza tridimensional en su vista en alzado
(proyección sobre el plano XZ).
3 3
(x,y,z) (x,0,z)
Observación. Esta propiedad puede utilizarse para probar que una aplicación no es lineal,
pues si no cumple esta propiedad no podrá serlo. (Si la cumple, podrá ser lineal o no.)
NÚCLEO E IMAGEN.
Observemos que determinados vectores de V pueden tener como imagen el 0W . Esto ocurre
al menos con 0V , pero también puede ocurrir con más vectores de V.
2 f 2
Por ejemplo, en la aplicación el vector (0,0) tiene como imagen
(x,y) (x-y, x-y )
(0,0), pero lo mismo le ocurre a (1,1), y también a todos los vectores de la forma ( ).
Además, si v1, . . . vn son un sistema generador de V, entonces sus imágenes f(v1), . . . , f(vn)
son un sistema generador de Im(f).
Ejemplos.
3 f 2
1) Calcular el núcleo y la imagen de la aplicación lineal
(x,y,z) (x+y+2z, 3x+3y+6z )
3
Imagen: Partimos de un sistema generador del espacio inicial , por ejemplo la base
canónica (1,0,0), (0,1,0), (0,0,1). Sus imágenes son:
f(1,0,0) = (1,3)
f(0,1,0) = (1,3)
f(0,0,1) = (2,6)
Por tanto Im(f) está generada por (1,3), (1,3), (2,6). Eliminando los vectores que son
combinación lineal de los demás, obtenemos que una base de Im(f) es { (1,3) }.
Así pues, la dimensión de Im(f) es 1.
x+y+2z =0
sistema compatible indeterminado cuya solución general es:
3x+3y+6z =0
(2 , 2 , K K ) :
Estos son todos los vectores que forman el núcleo, es decir
Ker(f) = { (2 , 2 , K K ) : }
De esta expresión paramétrica podemos obtener una base de Ker(f): { (2,0,K1), (0,2,K1) }
Por tanto la dimensión del núcleo es 2.
Observemos que se verifica la fórmula: 1 + 2 = 3.
2 f 2
2) Calcular el núcleo y la imagen de la aplicación lineal
(x,y) (2x-3y, -x-y )
Núcleo: Hay que encontrar los vectores cuya imagen es (0,0), es decir, los (x,y) tales que
(2x+3y, KxKy) = (0,0) por tanto
2x+3y=0
este sistema es compatible determinado y por tanto su única solución
KxKy = 0 es x=0, y =0.
Imagen: De la fórmula dim( Im(f) ) + dim( Ker(f) ) = 2 , como dim( Ker(f) ) es cero,
obtenemos que dim( Im(f) ) = 2.
2
Y como Im(f) está contenida en el espacio final , si su dimensión es 2 ha de ser todo el
espacio. Por tanto, Im(f) = 2 .
CLASIFICACIÓN DE APLICACIONES.
Una aplicación lineal f: V W puede ser inyectiva, suprayectiva, ninguna de las dos
cosas o ambas (y en ese caso es biyectiva). Veremos cómo esto se relaciona con el cálculo
del núcleo e imagen.
Suprayectividad:
Im(f) es un subespacio de W, que puede ocupar todo W o no. Si existen elementos de W
que estén fuera de Im(f), éstos no serán imagen de ningún elemento de V.
Por tanto, f: V W será suprayectiva si Im(f) ocupa todo W: Im(f) = W.
Para comprobar esto basta comparar las dimensiones: en efecto, como Im(f) siempre está
contenido en W, cuando sus dimensiones coincidan tendremos que Im(f) = W.
Así pues, f es suprayectiva cuando dim ( Im(f) ) = dim(W).
Neila Campos ÁLGEBRA LINEAL Aplicaciones Lineales 7
Inyectividad:
En principio habría que comprobar si existen dos vectores de V cuyas imágenes sean
iguales. Pero esto viene facilitado por el siguiente resultado:
Teorema. f es inyectiva si y sólo si su núcleo es solamente { 0V }.
Demostración:
Si hay un vector v además de 0V en el núcleo, ambos tienen la misma imagen 0W , con lo
que f ya no sería inyectiva.
Y por otra parte, si f no es inyectiva entonces hay dos vectores u, v con imágenes iguales,
f(u) = f(v), y entonces tendremos
f(u)Kf(v) = 0 f(u K v) = 0 así el vector u K v está en el núcleo, luego éste ya no es { 0V }
Ejemplos.
3 f 2
1) Consideramos la aplicación del ejemplo 1) anterior
(x,y,z) (x+y+2z, 3x+3y+6z )
2 f 2
2) Ejemplo 2) anterior:
(x,y) (2x-3y, -x-y )
3 2
3) Una aplicación f: nunca podrá ser inyectiva: pues como Im(f) está
contenida en 2
, su dimensión es 2 y así
Observación.
Cuando la aplicación es inyectiva, la fórmula dim( Im(f) ) + dim( Ker(f) ) = n indica que
Im(f) tiene la misma dimensión, n, que el espacio inicial.
Así pues, dada f: V W inyectiva, Im(f) es una EcopiaF de V dentro de W.
2 f 3
Por ejemplo, dada la siguiente aplicación inyectiva,
(x,y) (x+y, x-y, 0 )
el subespacio Im(f) está generado por las imágenes de la base canónica:
f(1,0)= (1,1,0)
f(0,1)=(1,K1,0).
Como (1,1,0) y (1,K1,0) son linealmente independientes, Im(f) tiene dimensión 2. Así, Im(f)
es un plano en 3 y por tanto una EcopiaF del conjunto inicial 2 dentro de 3 .
Veremos que hay una relación entre las matrices y las aplicaciones lineales, tanto es así que
cada matriz representa una aplicación, y cada aplicación se puede identificar con una matriz.
Para introducir esto, partimos del concepto de rango de una aplicación.
Observación.
En el ejemplo anterior, para calcular el rango de f, hemos calculado el rango (es decir, el
número de vectores independientes) de la familia de vectores (2,0), (3,1), (1,1). Esto
2 3 1
equivale, colocando estos vectores en columnas, a calcular el rango de la matriz
0 1 1
(en este caso rango 2).
Veremos que esta matriz cumple un papel importante respecto a la aplicación.
Dada una aplicación lineal f: V W, se llama matriz asociada a f (en bases canónicas) a
la matriz que contiene en sus columnas las imágenes de la base canónica de V.
Propiedades.
n m
1) La matriz de f: es de tamaño m x n.
A v = f(v)
Ejemplo.
2 f 3
Dada la aplicación
(x,y) (x+y, x-y, 0)
su matriz asociada será de tamaño 3x2.
2
Colocamos en las columnas las imágenes de la base canónica de :
1 1 5
2
1 -1 = -1 por tanto f(v) = (5,K1,0)
3
0 0 0
Observación.
Dada una aplicación lineal podemos calcular su matriz asociada; pero también al revés:
dada cualquier matriz A de tamaño m x n, podemos interpretarla como la matriz de una
aplicación f: n m
, puesto que con la matriz ya sabemos calcular las imágenes y
por tanto está determinada la aplicación f.
Así pues, hay una identificación entre aplicaciones lineales y matrices.
a11 a1n
n m
Sea f: , con matriz asociada A = .
a m1 a mn
n
Denotemos por (x1, . . ., xn) un vector del conjunto inicial , y por (y1, . . ., ym) su imagen en
m
. Entonces tenemos, según lo anterior,
a11 a1n x1 y1
= (ecuación matricial)
a m1 a mn xn ym
ym = am1x1+ . . . +amnxn
Esta es la ecuación de f, que es la expresión que permite calcular la imagen (y1, . . ., ym) a
partir del vector (x1, . . ., xn).
Imagen: Las columnas de A son las imágenes de la base canónica, por tanto son
imágenes de un sistema generador del espacio inicial V. Así pues dichas columnas son un
sistema generador de Im(f).
Por tanto: Im(f) es el espacio generado por las columnas de A.
Dichas columnas no tienen por qué formar una base de Im(f); para obtener ésta habrá que
suprimir las columnas que dependan linealmente de las demás (por ejemplo, escalonando la
matriz y quedándonos con las columnas pivotales).
Ejemplo.
1 0 1
Sea f la aplicación dada por la matriz A= 0 2 2 ; calcular bases de su núcleo e imagen.
2 1 1
3 3
Notemos que, ya que A es de tamaño 3x3, la aplicación será f: .
Finalmente podemos ver, como comprobación, que dim( Ker(f) ) + dim( Im(f) ) = 1 + 2 = 3.
La matriz de una aplicación que hemos considerado hasta ahora, es la matriz llamada
estándar o en bases canónicas. Cuando no se afirme lo contrario se tratará de la matriz
estándar.
Ahora bien, si fijamos en los espacios inicial y final otras bases, entonces podemos trabajar
con coordenadas en dichas bases.
Podemos entonces encontrar una expresión de f adecuada a estas coordenadas.
(Nota. A partir de aquí, conviene repasar el punto 7COORDENADAS Y CAMBIOS DE BASEB del
tema Espacios Vectoriales).
Ejemplo.
2 f 3
Sea la aplicación
(x,y) (x+y, x-y, 0)
y consideremos las bases siguientes:
2
- En el espacio inicial la base B = { (1,1), (1,K1) }
3
- En el espacio final la base B] = { (1,1,0), (1,0,1), (0,1,1) }
Calculemos la matriz de f en bases B y B]. Para ello hallamos las imágenes de la base B:
(0,2,0) = α (1,1,0) + β (1,0,1) + γ (0,1,1) α=1, β=–1, γ=1, es decir, (1,–1,1) son las
⎛ 1 ⎞
coordenadas de (2,0,0) en base B’ y por tanto ⎜ −1 ⎟ es la segunda columna de la matriz M.
⎜ ⎟
⎜⎝ 1 ⎟⎠
⎛ 1 1 ⎞
⎜ ⎟
Así tenemos M = ⎜ 1 -1 ⎟ , la matriz de f en bases B y B’.
⎜⎝ -1 1 ⎟⎠
Propiedades.
1) La matriz de f: ⎯⎯
→ en bases cualesquiera es de tamaño m x n, al igual que la
matriz estándar.
⎛ x ⎞ ⎛ y ⎞
1 1
⎜ ⎟ ⎜ ⎟
M ⎜ ! ⎟=⎜ ! ⎟
⎜ x ⎟ ⎜ y ⎟
⎝ n ⎠ ⎝ m ⎠
⎛ x ⎞ ⎛ y ⎞
1 1
⎜ ⎟ ⎜ ⎟
siendo ⎜ ! ⎟ las coordenadas de v en base B, y siendo ⎜ ! ⎟ las coordenadas de
⎜ x ⎟ ⎜ y ⎟
⎝ n ⎠ ⎝ m ⎠
su imagen f(v) expresada en base B’.
En bases canónicas: La imagen de (x,y) es simplemente (x+y, x-y, 0) por lo que f(v)=(8,2,0).
(4,3) = (1,1)+ (1,K1) =4, =1, luego (4,1) son las coordenadas de v en base B.
1 1 5
4
1 -1 = 3
1
-1 1 -3
Que las coordenadas de f(v) en base B] sean (5,3,K3) significa, por definición de
coordenadas, que:
base B
M base B/
También es posible cambiar de base sólo en el espacio inicial, o sólo en el espacio final:
f
V W 2) Ahora M es la matriz en B y la base
b. canónica
A canónica (es decir, sus columnas
b. canónica
contienen las imágenes de la base B,
P-1 P expresadas como coordenadas en base
canónica).
M
base B
Entonces tenemos: : M= AP
(Podemos considerar que Q es la matriz identidad)
Ejemplo:
2 f 3
Dada la aplicación
(x,y) (x+y, x-y, 0)
1 1
ya hemos calculado anteriormente la matriz en bases canónicas, que es A= 1 -1
0 0
1 1
y su matriz en bases B={(1,1),(1,K1)}, B]={(1,1,0),(1,0,1),(0,1,1)}, que es M = 1 -1 ,
-1 1
2 1 1
En el espacio inicial : el cambio de B a la base canónica es P=
1 1
(P se halla colocando en columnas los vectores de B expresados en base canónica).
El cambio inverso, de la base canónica a B será PK1.
MATRICES EQUIVALENTES.
La equivalencia es una relación entre matrices que se puede definir de cuatro formas
diferentes:
4) Dos matrices son equivalentes si tienen la misma dimensión mxn y el mismo rango.
1 2 3 4 1 0 0 0
Ejemplo. Dadas las matrices A= 5 6 7 8 y B = 0 1 0 0 , observamos que
9 0 1 2 0 0 1 0
ambas tienen dimensión 3x4 y rango 3. Así, por la afirmación 4) anterior, A y B son
equivalentes.
Esto significa, por 2), que A se puede transformar en B mediante operaciones elementales
por filas y posiblemente también por columnas.
También significa, por 1), que tanto A como B son matrices de una cierta aplicación lineal en
distintas bases. Esta aplicación deberá ser f: 4 3
(puesto que así su matriz será
3x4) y deberá ser rg(f)=3 ( es decir, dim(Im(f))=3 ), puesto que así la matriz de f tendrá
rango 3.
h:V W U
v f(v) g( f(v) )
Ejemplo
2 f 4 4 g 3
Sean las aplicaciones y
(x,y) (x, y, x+y, x-y ) (x,y,z,t) (x, x y, z+t)
1 0
0 1
La matriz de f en base canónica es A=
1 1
1 1
1 0 0 0
La matriz de g en base canónica es B= 1 1 0 0
0 0 1 1
Por tanto la aplicación compuesta h=g f tiene como matriz en base canónica
1 0
1 0 0 0 1 0
0 1
B·A= 1 1 0 0 = 1 1
1 1
0 0 1 1 2 0
1 1
2 3
que es de dimensión 3x2 puesto que h comienza en y acaba en .
2 4
( ) a) ¿Una aplicación lineal f: puede ser inyectiva?
( ) b) ¿Una aplicación lineal f: 3 2
puede ser inyectiva?
( ) c) ¿Una aplicación lineal f: 2 4
puede ser suprayectiva?
( ) d) ¿Una aplicación lineal f: 5 4
puede ser suprayectiva?
( ) e) ¿Una aplicación lineal f: 2 4
puede ser inyectiva sin ser suprayectiva?
( ) f ) ¿Una aplicación lineal f: 6 6
puede ser inyectiva sin ser suprayectiva?
( ) C-4) Dada una aplicación lineal f, con matriz asociada A, ¿qué relación hay entre Im(f)
y el rango de A?
C-5) Para cada una de estas aplicaciones lineales, ¿cuáles son las posibilidades para la
dimensión de Im(f) ?
3 4
( ) a) f :
( ) b) f : 5 2
C-6) Para cada una de estas aplicaciones lineales, ¿cuáles son las posibilidades para la
dimensión de Ker(f) ?
3 4
( ) a) f :
( ) b) f : 3 2
2 3
( ) a) f :
(x,y) (x+1 , y+1, x+y )
( ) b) f : 2 2
(x,y) (y , x )
f: 4 3
E-2) Dada , dar una base de la imagen de los
(x, y, z, t) (x+2y+t, y+3z-t, 0)
siguientes subespacios:
( ) a) S= <(1,0,1,0), (2,3,0,U1)>
( ) b) T= <(0,0,3,2), (4,6,3,U1), (1,0,0,2)>
( ) b) f : 3 4
( ) c) f : 3 3
( ) d) f : 3 3
3 2
( ) E-5) Dar la ecuación de la aplicación f : sabiendo que:
f(1,0,0)= (4,4) ; f(0,1,0)=(U1,1) ; f(0,0,1)= (2,9) .
E-6)
f: 3 4
f: 3 2
( ) b) Dada la aplicación hallar todos los vectores cuya
(x, y, z) (x+y, y-z)
imagen sea u=(1,1).
f: 3 2
( ) E-9) Dada la aplicación
(x, y, z) (2x+3z, x+2y)
y la base B= { (1,1,0), (0,1,1), (0,0,1) } en 3 , hallar la matriz de f tomando como bases
B en 3 y la canónica en 2 .
( ) E-10) Dada la aplicación del ejercicio E-9), y la base Bc= { (U2,0), (2,1) } en 2
, hallar la
matriz de f tomando como bases la canónica en 3 y la base Bc en 2 .
2 3
E-11) Dadas las bases B={ (1,4), (1,3) } de y Bc={ (2,0,1), (0,-1,0), (3,0,0) } de ,
2 3
( ) a) hallar la matriz en bases B y Bc de una aplicación f : , si su matriz en
-2 -2
bases canónicas es A= 3 3
1 0
2 3
( ) b) hallar la matriz en bases canónicas de otra aplicación g : , si su
1 0
matriz en bases B y Bc es M = 0 3
0 -2
Sol. C-2) Falso: f(v1), . . . , f(vn) serán un sistema generador de Im(f), pero no de W (a no ser
que Im(f) sea igual a W, pero no tiene por qué serlo. Sólo si f es suprayectiva).
1 0 0
Sol. C-3) a) Basta poner una matriz 4x3 de rango 3, por ejemplo 0 1 0
0 0 1
0 0 0
1 0 0 0
b) Basta poner una matriz 3x4 de rango 3 , por ejemplo 0 1 0 0
0 0 1 0
c) Ha de ser entre dos espacios de la misma dimensión, o de un espacio en sí mismo,
por ejemplo n n
. Basta entonces poner una matriz cuadrada nxn de rango n, por
ejemplo la identidad de tamaño n.
Sol. C-5) a) La dimensión de Im(f) ha de ser menor o igual que la dimensión del espacio inicial
3
(ya que la dimensión no puede aumentar). También ha de ser menor o igual que la
dimensión del espacio final 4 , ya que Im(f) está contenido en 4 . Así pues, la dimensión de
Im(f) ha de ser 3 y 4 , por tanto puede ser 0 (si fuese la aplicación nula), 1, 2 ó 3.
Sol. C-6) a) Ker(f) está contenido en 3 , por tanto su dimensión puede ser 0, 1, 2 ó 3.
b) Lo mismo. El espacio final no influye.
f(a,b)=(b,a)
f( a, b) = ( b, a) que coincide con (b,a).
Sol. E-2) a) f(S) está generado por las imágenes de (1,0,1,0) y (2,3,0,V1).
f(1,0,1,0) = (1,3,0)
f(2,3,0,V1) = (7, 4,0)
Los vectores (1,3,0) y (7,4,0) son linealmente independientes y por tanto base de f(S).
Sol. E-3) a) Im(f) está generada por las imágenes de la base canónica:
f(1,0,0,0)=(1,0,0)
f(0,1,0,0)=(2,1,0)
f(0,0,1,0)=(0,3,0)
f(0,0,0,1)=(1,V1,0)
que son las columnas de la matriz de f. La matriz está ya escalonada y tiene rango 2,
con columnas pivotales las dos primeras. Por tanto una base de Im(f) será { (1,0,0), (2,1,0) }
x
1 2 0 1 0
b) Resolviendo el sistema 0 1 3 -1
y se obtiene (6 +3 , V3 + , ) y de
0
z
0 0 1 0 0
t
ahí un sistema generador de Ker(f), que es (6, V3, 1 0), (-3, 1, 0, 1). Como estos dos vectores
son linealmente independientes, son base de Ker(f).
2 0 1
b) La matriz de la aplicación es A= 2 0 1 de rango 2 (escalonando la matriz).
-1 -1 -1
0 1 0
-1 -1 0
c) La matriz de la aplicación es A= 2 2 0
que tiene rango 2.
0 0 1
3 1 0
d) La matriz de la aplicación es A= 0 3 1 que tiene rango 3 =nº de de filas y de columnas,
0 0 3
luego es inyectiva y suprayectiva, por tanto biyectiva.
4 -1 2
Sol. E-5) a) Los datos nos proporcionan las columnas de la matriz de la aplicación: A=
4 1 9
x1
4 -1 2 4x1 - x 2 + 2x3
Así, la imagen de un vector (x1, x2, x3) es x2
4 1 9 4x1 + x2 +9x3
x3
y1 = 4x1 - x2 + 2x3
y la ecuación de la aplicación es
y2 = 4x1 + x2 + 9x3
1 1 1 4
x
Sol. E-6) a) El sistema 0 0 1 y
1 , que es compatible determinado, tiene como
0 1 0 3
z
1 0 0 0
solución (0,3,1). Es el único vector cuya imagen es (4,1,3,0) .
x
b) El sistema 1 1 0 y =
1
, que es compatible indeterminado, tiene como
0 1 -1 1
z
solución { (- 1+ }. Estos son todos los vectores cuya imagen es (1,1).
1 1 1
1 0 2 0
Sol. E-8) a) La matriz estándar de f es A= 0 0 1 y la de g es B=
0 1 0 0 1 0 2
1 0 0
1 1 1
1 0 2 0 0 0 1 = 1 -1 1
luego la matriz de h = g f es B A =
0 1 0 2 0 1 0 -2 0 1
1 0 0
2ª forma: La matriz que se pide, tendrá en sus columnas las imágenes de la base B
(expresadas en base canónica). Basta por tanto calcular dichas imágenes.
f(1,1,0)=(2,3)
f(0,1,1)=(3,2)
f(0,0,1)=(3,0)
2 3 3
Poniéndolas por columnas se obtiene la matriz .
3 2 0
2 0 3
Sol. E-10) La matriz de f en bases canónicas es A= . La matriz de cambio de la base
1 2 0
1
es QV1= 2 2 1
2 1
canónica a Ba en 2 . Por tanto la matriz que se pide es
0 1 0 1
1
1 2 0 3 0 2 - 32
QV1 A = 2
= .
0 1 1 2 0 1 2 0
0 0 1 -2 -2 1 1
1 1
Por tanto la matriz pedida es QV1A P = 0 1 0 3 3 = -15 -12
4 3
1
3
0 2
3
1 0 -4 - 103
1
2 V11 1 3 1
b) El cambio de base canónica a la base B en es P =
4 3 4 1
2 0 3
3
El cambio de Ba a la base canónica en es Q= 0 1 0
1 0 0
2 0 3 1 0 -30 8
V1 3 1
Por tanto la matriz pedida es Q M P = 0 1 0 0 3 = -12 3
4 1
1 0 0 0 -2 -3 1
En lo que resta de este tema, nos centraremos en un tipo especial de aplicaciones lineales:
los endomorfismos.
Definición: Endomorfismo.
Se llama endomorfismo a una aplicación lineal f: V V, en que el espacio inicial y final
son el mismo.
ENDOMORFISMOS BIYECTIVOS
Ejemplos de endomorfismos biyectivos (es decir, que cumplen todo lo anterior) son las
aplicaciones ya vistas: giros, simetrías y homotecias.
En este tema se tratará de ver, dada una matriz, si existe otra matriz semejante a ella
que sea diagonal: PU1 A P = D, y en ese caso calcular la diagonal D y la matriz de paso P.
En otras palabras: dado un endomorfismo, trataremos de encontrar una base en la cual la
matriz del endomorfismo sea sencilla (diagonal si es posible).
Para ello se utilizarán los valores y vectores propios.
En un endomorfismo, dado que el espacio inicial y el final son el mismo, podemos comparar
un vector v con su imagen f(v), y ver si es múltiplo suyo.
Definición.
Si un vector v (no nulo) cumple que su imagen es múltiplo suyo, es decir, si
f(v)= v
con escalar, se dice que v es un vector propio (o autovector) de f, y que es su valor
propio (o autovalor) asociado.
Ejemplos.
2 f 2
1) En una homotecia todos los vectores son vectores propios, y
(x,y) (2x, 2y )
su valor propio es 2, ya que cualquier vector v queda transformado en 2v.
3 3
2) Consideremos una simetría respecto al plano XZ,
(x,y,z) (x, - y,z)
- Observar que los vectores de la forma ( ,0,0) quedan transformados en sí mismos (es
decir, multiplicados por 1). Por tanto 1 es valor propio, con vectores propios los de la forma
( ,0,0)
- De igual modo son vectores propios los de la forma (0, 0, ), también con valor propio 1.
- Observar que los vectores de la forma (0, ,0) quedan transformados en (0,Z ,0), es decir,
multiplicados por Z1. Por tanto Z1 también es valor propio, con vectores propios los de la
forma (0, ,0).
2 2
Propiedades.
2. Los valores propios de una matriz diagonal o triangular, son sus elementos diagonales.
4. Si los valores propios de A son 1,. .., n entonces los de A son 1,. .., n.
5. Si los valores propios de A son 1,. . . , n y si A tiene inversa, entonces los valores
1 1
propios de A-1 son ,. . . .
1 n
3 2 x 0 x
Esto también podemos escribirlo como =
0 1 y 0 y
para poder pasar todo al miembro izquierdo,
3 2 0 x 0
Z =
0 1 0 y 0
y finalmente
3 x 2 0
= que es una ecuación equivalente a la primera, f(v)= v, es decir,
0 1 y 0
los vectores v=(x,y) no nulos que la verifiquen, serán vectores propios, y los serán los
valores propios.
Para la mayoría de los valores de este sistema será compatible determinado (rango 2), y
por tanto no tendrá más soluciones que x=0, y=0. Estos valores de no son valores propios.
Sin embargo, para algunos valores de el sistema será compatible indeterminado y por
tanto existirán soluciones no nulas del sistema: es decir, vectores no nulos tales que
f(v)= v.
Estos valores de que hacen el sistema compatible indeterminado, son los valores propios.
Las soluciones v de este sistema para cada son los vectores propios.
¿Cuándo el sistema será compatible indeterminado? Esto ocurrirá cuando la matriz del
sistema tenga determinante nulo. Planteamos entonces
3 2
det = 0.
0 1
es decir (3Z Z =0
lo que se cumple sólo para los valores =1, =3. Estos son los valores propios.
3 2 x 0
Ahora calculamos los vectores propios resolviendo el sistema =
0 1 y 0
para =1 y para =3, (el sistema ha de ser compatible indeterminado)
=3 :
0 2 x 0
El sistema es = cuya solución son los vectores ( ,0).
0 2 y 0
Por tanto, estos son los vectores propios de valor propio 3. El subespacio que forman es V3.
Una base de V3 es (1,0).
Hemos encontrado los vectores propios u=(1,D1) y v=(1,0), correspondientes a los dos
valores propios. Con estos dos vectores, como son linealmente independientes, se forma
una base de 2 , B={ (1,D1) , (1,0) }.
Hallemos la matriz de f en esta base y comprobaremos que efectivamente es diagonal.
Ahora bien, sabemos que los vectores de la base, u y v, son vectores propios: por tanto
conocemos su imagen, que es un múltiplo suyo.
Ahora hay que expresar estas imágenes en coordenadas respecto de la misma base B, es
decir, expresarlas como combinación lineal de u y v. Es fácil:
1
f(u) = 1·u se expresa como 1·u + 0·v coordenadas (1,0) 1ª columna
0
0
f(v) = 3·v se expresa como 0·u + 3·v coordenadas (0,3) 2ª columna
3
1 0
Así ya podemos formar la matriz D = , que efectivamente es diagonal.
0 3
Los elementos de la diagonal son precisamente los valores propios, 1 y 3 en este caso.
base B
D base B
donde:
3 2
- A es la matriz de f en base canónica, que ya conocíamos: A=
0 1
1 0
- D= es la diagonal de los valores propios.
0 3
- P es la matriz de cambio de la base B a la canónica; por tanto tendrá en sus columnas
los vectores de B expresados en base canónica:
1 1
P= (es decir, P tiene en sus columnas los vectores propios u, v).
1 0
Planteándolo en general,
Diagonalizar una matriz cuadrada A es encontrar una diagonal D semejante a A.
Pero atención: esto no es posible para todas las matrices. Si la construcción anterior es
posible, diremos que A es diagonalizable.
Para ver si A es diagonalizable, habrá que ver si se puede formar la base de vectores
propios. Es decir, habrá que ver si, uniendo las bases de los distintos subespacios propios,
]hay suficientes vectores^ como para formar con ellos una base del espacio total V.
dim( V ) = n I rg( AI I )
A) Ver si es diagonalizable.
1) Calcular el polinomio característico y hallar los valores propios.
1) Hallar los vectores propios, resolviendo el sistema correspondiente para cada valor propio.
2) Hallar una base de cada subespacio propio, y unirlas todas para formar una base de
vectores propios del espacio total n .
Para que D sea nxn se necesitarán n valores propios, así que en la diagonal habrá que repetir cada
valor propio tantas veces como indique dim(V ). Además ha de respetarse un mismo orden al
colocar los valores propios en D, y los vectores propios en las columnas de P.
2 0 2
3 2
El polinomio característico es det 1 3 1 = D 8 + 21 D 18 que factoriza
0 0 3
2
como ( D2) ( D3) . Por tanto, sus raíces son (simple) (doble).
Estos son los valores propios.
3 f 3
2) Veamos si es diagonalizable el siguiente endomorfismo:
(x,y,z) (x-4y, -y, 2y+z)
1 4 0
Ello se refiere a diagonalizar la matriz de f en base canónica, A= 0 1 0
0 2 1
= I1 :
2 4 0 x 0
El sistema es (A + x 0 , es decir, 0 0 0 y = 0 solución (2 )
0 2 2 z 0
Así pues, la base de vectores propios se forma uniendo las bases de V1 y VD1 :
B= { (1,0,0) , (0,0,1), (2,1,1) }
1 0 2
Poniendo esta base en columnas se obtiene la P = 0 0 1
0 1 1
1 0 0
Y la diagonal se forma con los valores propios 1 doble y D1 simple: D = 0 1 0
0 0 1
(Notar que ha de respetarse un mismo orden al colocar los valores y los vectores propios).
Por tanto si la matriz es real simétrica, no hace falta comprobar que es diagonalizable.
Supongamos que queremos calcular la potencia An de una matriz. Esto puede llevar una
gran cantidad de operaciones.
Pero si la matriz A es diagonalizable, el cálculo se facilita notablemente.
En ese caso, diagonalizando la matriz tendremos PD1AP = D, por tanto A = PDPD1 .
Entonces,
n n
A = A····A = P DPD1 PDPD1···· PDPD1 = PD····D PD1 = PD PD1
es decir,
n n
A = PD PI1
n
lo cual es muy fácil de calcular teniendo en cuenta que para hallar la potencia D basta
elevar a la potencia n cada elemento diagonal.
Ejemplo
3 2
Hemos obtenido anteriormente la diagonalización de la matriz A= :
0 1
1 0 1 1
PD1AP = D, por tanto A= PDPD1, donde D= y P=
0 3 1 0
Calculemos entonces A9.
1
9 9 19D1 0 D1 1 1 1 0 1 1 19683 19682
A =PD P =P P = =
0 39 1 0 0 19683 1 0 0 1
1. Círculos de Gershgorin.
Este resultado permite localizar una zona del plano complejo (o de la recta real) en la que
se encuentran los valores propios, y así acotarlos entre ciertos límites:
Dada una matriz A de tamaño nxn, se pueden dibujar en el plano complejo n círculos, uno
por cada fila de la matriz, de la siguiente manera:
- Centro: el elemento diagonal de la fila
- Radio: la suma de los valores absolutos de los demás elementos de la fila
Entonces, todo valor propio de A se encuentra contenido en alguno de los círculos,
incluido el borde.
Se trata de un método iterativo para calcular el valor propio dominante (es decir, de mayor
valor absoluto) de una matriz, así como su vector propio asociado.
1) Que haya un único valor propio de mayor valor absoluto (p. ej. no se podría aplicar a
una matriz cuyos valores propios fueran G5,1,5). Este valor propio será el que
calcularemos.
2) Que dicho valor tenga asociado un subespacio propio de dimensión 1, por tanto
generado por un solo vector propio. Este vector propio será el que calcularemos.
Ejemplo
4 12
Calculemos el valor propio dominante y su vector propio asociado, para A=
6 14
Partimos del vector v0 = (1,0). Hemos trabajado con 4 cifras significativas.
Nº ui i vi =
ui
iteración i
0 (1,0) 1 (1,0)
1 (D4,D6) D6 (0.6667, 1)
2 (9.333, 10) 10 (0.9333, 1)
3 (8.2667,8.4) 8.4 (0.9841,1)
... ... ... ...
8 ... 8 (1,1)
9 (8,8) 8 (1,1)
Cada ( ) es un punto.
Hay en total 40 puntos, de los cuales 15 son de cuestiones y 25 de ejercicios.
( ) C-1) Razonar por qué una matriz 3x3 no puede tener 4 valores propios.
4 0 0
C-2) Si la matriz de un endomorfismo en base canónica es 0 1 0
0 0 3
C-3) Una cierta matriz A, de tamaño 4x4, tiene como valor propio el 8.
( ) a) ¿Qué posibilidades hay para el rango de la matriz AI8 I ?
( ) b) ¿Qué posibilidades hay para la dimensión del subespacio propio V8 ?
( ) C-5) Inventa una matriz 3x3 que sea diagonalizable. (Busca un ejemplo lo más sencillo
posible).
( ) C-6) Sea A una matriz real simétrica 2x2 con dos valores propios y . Si un vector
propio asociado a es (I1, 3), ¿cuál será un vector propio asociado a ?
( ) b) En 2
, dado por la ecuación f(x,y) = (2x+5, 4x+10)
2
( ) c) En , la aplicación identidad (matriz identidad).
0 0 0
E-2) Dado el endomorfismo 2 1 2
, determinar si los siguientes vectores son o no
1 0 1
vectores propios, y en caso afirmativo, hallar su valor propio.
( ) a) u = (0,3,0)
( ) b) v = (1, 0 , -1)
( ) c) w = (2,2,1)
( ) b) 1 2
2 4
1 0 0
E-4) Dado el siguiente endomorfismo, 2 1 1
8 1 3
3
E-5) Considera el endomorfismo de dado por f(x,y,z) = (3xI3z, 3y+9z, I3z)
( ) a) Hallar sus valores propios.
( ) b) Hallar sus vectores propios.
( ) c) Determinar si es diagonalizable.
( ) d) En caso afirmativo, escribir la diagonal y la matriz de paso P.
3 3
( ) E-8) De una matriz A de tamaño 2x2, se sabe que es diagonalizable y que los valores
propios son 0 y 3 , con vectores propios respectivamente (1,1) y (4,1). Hallar la matriz A.
(Sugerencia: A=PDPF1).
( ) E-9) Dada A= 6 1 hallar, mediante el método de las potencias, el valor propio dominante
2 7
y su vector propio.
Sol. C-1) a) Una matriz 3x3 puede tener como mucho 3 valores propios: ya que el polinomio
característico es de grado 3 y puede tener como máximo 3 raíces.
Sol. C-2) a) Como la matriz es diagonal, los valores propios son los elementos diagonales: 4, J1, 3.
b) Los vectores propios son los de la base canónica: (1,0,0), (0,1,0), (0,0,1). Ya que,
como la matriz contiene las imágenes de la base canónica en columnas, se observa que
f(1,0,0) = (4,0,0) luego (1,0,0) es vector propio de valor propio 4.
f(0,1,0) = (0,-1,0) luego (0,1,0) es vector propio de valor propio J1.
f(0,0,1) = (0,0,3) luego (0,0,1) es vector propio de valor propio 3.
Sol. C-3) a) Tendrá rango estrictamente menor que 4, es decir, 3, 2, 1, ó 0. Ya que la matriz AJ8 I
dará lugar a un sistema compatible indeterminado, cuyas soluciones son los vectores propios de
valor propio 8.
b) Como todos los subespacios propios, podrá tener dimensión como mínimo 1, y como
máximo la dimensión del espacio vectorial, en este caso 4. Por tanto, dimensión 1, 2, 3 ó 4.
De hecho la dimensión de V8 está relacionada con el rango de la matriz AJ8 I, puesto que
dim (V8) = 4 J rg(AJ8 I) .
Sol. C-4) a) Los subespacios propios son V3 y V5 . Los dos valores propios son simples, es decir, de
multiplicidad 1. Como la dimensión del subespacio propio está comprendida entre 1 y la
multiplicidad, dicha dimensión ha de ser 1, tanto para V3 como para V5 .
Entonces 1 + 1= 2, sí es diagonalizable.
b) Los subespacios propios son V6 , V7 y V8. De manera similar, los tres valores propios son
simples, de multiplicidad 1. Como la dimensión del subespacio propio está comprendida entre 1 y la
multiplicidad, dicha dimensión ha de ser 1, para los tres subespacios .
Entonces 1+1+1= 3, sí es diagonalizable.
Sol. C-6) a) En una matriz real simétrica, los vectores propios de distinto valor propio son
ortogonales. Por tanto el vector asociado a deberá ser ortogonal a (J1,3). Por ejemplo (3,1) o
cualquier múltiplo suyo.
0 0 0 0 0
Sol. E-2) a) Hallamos la imagen de u:
2 1 2 3 3
1 0 1 0 0
vemos que f(u) = 1·u , luego u es vector propio de valor propio 1.
0 0 0 1 0
b) Hallamos la imagen de v:
2 1 2 0 0
1 0 1 1 0
vemos que f(v) = 0·v , v es vector propio de valor propio 0.
0 0 0 2 0
c) Hallamos la imagen de w:
2 1 2 2 6
1 0 1 1 3
vemos que f(w) no es múltiplo de w . Por tanto w no es vector propio.
Para = 2:
3 0 0 x 0
solución (0, ,- ) , vector propio (0,1,-1)
2 1 1 y 0
8 1 1 z 0
3
c) Los vectores propios son en total dos, luego no forman una base de .
El endomorfismo no es diagonalizable.
3 0 3
Sol. E-5) Primero escribimos la matriz de f, que es A=
0 3 9
0 0 3
a) Polinomio característico: (3J ) (J3J valores propios 3 doble, J3 simple.
b) Para = 3:
0 0 3 x 0
solución ( ) , vectores propios (1,0,0) , (0,1,0)
0 0 9 y 0
0 0 6 z 0
Para = J3:
6 0 3 x 0
solución ( ,J3 ) , vector propio (1,J3,2)
0 6 9 y 0
0 0 0 z 0
3
c) Hay en total tres vectores propios que forman una base de . Esto significa que el
endomorfismo sí es diagonalizable.
3 0 0
d) La diagonal es la de los valores propios: D=
0 3 0
0 0 3
La matriz de paso tiene en columnas los vectores propios (en el mismo orden que los
1 0 1
valores): P=
0 1 3
0 0 2
(Se puede comprobar que se cumple D= PJ1AP ).
J1 1 4 0 0 1 4
4 -4
Entonces, A=P D P = 3 3
=
1 1 0 3 1
3 3
1
1 -1
(Puede comprobarse que efectivamente A tiene los valores y vectores propios del enunciado).
Sol. E-9) El valor es 8 y el vector es (0.50, 1). Para dos cifras significativas converge en unas 10
iteraciones, según el vector inicial que se tome.
INTRODUCCIÓN.
Trataremos en este tema de llevar a los espacios vectoriales nociones geométricas como
ortogonalidad, ángulo, longitud, distancias, áreas...
Veremos que todo ello se puede obtener al introducir un producto escalar.
La geometría euclídea se desarrolla en los siglos XIX y XX, tras la aparición del concepto de
espacio vectorial. Recibe su nombre en honor a Euclides, matemático griego (~300 a.C.)
quien estudió los conceptos básicos de la Geometría plana, aunque por supuesto no en un
contexto vectorial.
Para generalizar esos conceptos geométricos, observamos el comportamiento de los
vectores del plano. En 2 tenemos definido el producto escalar usual
(a1,a2) · (b1,b2) = a1 b1 + a2 b2
Es una operación entre dos vectores, cuyo resultado es un escalar (de ahí el nombre
Sproducto escalarT).
El producto escalar permite reconocer a los vectores ortogonales (Sángulo rectoT): dos
vectores son ortogonales si su producto escalar es cero (por ejemplo, (1,3) y (-6,2), etc.)
Observemos las propiedades de esta operación:
1. Conmutativa. u · v = v · u
2. Distributiva. u · ( v + w) = u · v + u · w
3. Reubicación del escalar (u · v) = ( u) · v = u · ( v)
4. Definida positiva: v · v 0, y se da la igualdad v · v = 0 solamente para el vector v = 0 .
Cualquier operación en un espacio vectorial que cumpla las anteriores propiedades, diremos
que es un producto escalar (aunque no se trate del producto escalar usual).
Llamaremos espacio euclídeo a un espacio vectorial dotado de un producto escalar.
El producto escalar se denotará por u · v. También se puede utilizar la notación <u,v>.
bn
3
2. En podemos SinventarT otra operación que cumpla también las propiedades
anteriores, y por tanto podremos llamarla un producto escalar. Por ejemplo,
(a,b,c) · (a\,b\,c\) = aa\ + 2bb\ + 3 cc\
Por analogía con lo que ocurre en el plano o el espacio con el producto escalar usual,
podemos definir los siguientes conceptos, siempre referidos a un cierto producto escalar.
Nos situamos en V, un espacio euclídeo.
1. Vectores ortogonales.
Dos vectores u, v son ortogonales si su producto escalar es cero: u · v = 0. Se denota u v.
Diremos que un conjunto de vectores es un conjunto ortogonal si cada uno de ellos es
ortogonal a todos los demás. (Exigimos además que ninguno de los vectores sea el 0 ).
Notar que si dos vectores u, v son ortogonales entonces también lo son sus múltiplos u
y v ( , escalares).
Notar que si alguno de los dos vectores es nulo, no podemos dividir por su módulo y por
tanto el ángulo no está definido. En efecto, geométricamente el vector nulo no forma ángulo
ninguno.
3
1. En con otro producto escalar:
Consideremos el siguiente producto escalar, ya visto: (a,b,c) · (a8,b8,c8) = aa8 + 2bb8 + 3 cc8
y el vector v=(1,0,1) del ejemplo anterior. Con este producto escalar, su módulo es distinto:
v · v = 1·1 + 2·0·0 + 3·1·1 = 4 , luego | v |= 4=2,
Con este producto escalar también se obtienen distancias, ángulos, etc distintos de los
usuales (se trata de una GdistorsiónH geométrica del espacio),
Sean los vectores (funciones) f(x)=x2, g(x)=x+1 , respecto al producto escalar f·g= f(x)g(x)dx
0
1 1
1 7
Sus módulos son: | f | = x 2 · x 2 dx = , |g|= (x+1) (x+1) dx =
0 5 0
3
1
41
Su distancia es: [ x2f (x+1) ]2 dx =
0 30 1
x 2 ( x 1) dx 7
f·g 0 12
Ángulo que forman: arc cos =arc cos =arc cos = 0,547 rad
|f||g| 1 7 1 7
5 3 5 3
2 3
Como se ve en los ejemplos, si las anteriores nociones se aplican a o con el
producto escalar usual, producen los conceptos geométricos usuales. Si cambiamos el
producto escalar o trabajamos en otro espacio vectorial las nociones de longitud, ángulo, etc.
serán diferentes (quizá ni siquiera se puedan dibujar), aunque son igualmente coherentes.
Se llama conjunto ortonormal a un conjunto ortogonal cuyos vectores tienen todos norma 1.
Se puede obtener normalizando un conjunto ortogonal. Sus elementos v1, v2,... cumplen:
vi · vk = 0, vi · vi = 1 (el producto de vectores distintos es 0, de cada vector por sí mismo es 1)
Ejemplos
Una matriz cuadrada nxn se dice que es una matriz ortogonal si sus columnas son vectores
ortonormales de n (con el producto escalar usual).
(Nota. No nos dejemos confundir por la nomenclatura, pues se llama matriz ortogonal, a pesar de
que sus columnas son ortonormales y no sólo ortogonales.)
1 0 0 2 2
3 2 2 2
Ejemplos. 0 1 0 en ; en .
2 2
0 0 1
2 2
2. Por tanto, toda matriz ortogonal es regular o inversible (su determinante es no nulo).
3. Una matriz A es ortogonal si y sólo si su inversa coincide con su traspuesta. Af1 = At.
SUBESPACIOS ORTOGONALES.
3
Ejemplo: En , el eje X es ortogonal al plano YZ.
Sin embargo, el plano XY no es ortogonal al plano YZ.
Por otra parte, recordemos que en un espacio vectorial, dado un subespacio S podemos
definir su suplementario (o complementario) como T tal que S T sea el espacio total.
Todo subespacio S (salvo el { 0 } y el total) tienen infinitos suplementarios, pero sólo uno es
ortogonal a S.
Ejemplo.
3
En , el subespacio S=planoXY tiene infinitos suplementarios (toda recta que no esté
contenida en S). Pero de ellos sólo uno es su complemento ortogonal, que es el eje Z.
Propiedades:
S está formado por todos los vectores del espacio que son ortogonales a S.
Cualquier subespacio que sea ortogonal a S, estará contenido en S .
Se trata de encontrar todos los vectores ortogonales a S. Basta con que sean ortogonales a
su base.
Por tanto planteamos un sistema de ecuaciones como en el ejemplo siguiente. Es un
sistema compatible indeterminado, cuyo espacio solución será (en forma paramétrica) S .
Observemos que la dimensión de S (número de parámetros) deberá ser n f dim S.
Ejemplo.
4
Calculemos el ortogonal del siguente subespacio de : T= { (a, 0, 2a, b) : a,b }
Primero necesitamos una base de T: ésta es (1,0,2,0), (0,0,0,1).
Buscamos los vectores que sean ortogonales a ellos, es decir, los (x,y,z,t) tales que:
x x x
y y 1 0 2 0 y 0
(1, 0, 2, 0) = 0, (0, 0, 0, 1) =0 es decir, =
z z 0 0 0 1 z 0
t t t
sistema compatible indeterminado cuya solución es { (2 , ,f ,0) : , }
Por tanto una base de T será (2, 0, f1, 0), (0, 1, 0, 0).
Notar que efectivamente dim T = 2 = 4 f dim T. Comprobar también que cada uno de los
vectores de la base de T es ortogonal a cada uno de los vectores de la base de T.
Ejemplo:
2
En , proyectamos v=(1,2) sobre u=(3,1).
1
(3,1)
u·v 2 5 3 1
proy u ( v )= u= (3,1) = (3,1) = ,
u·u 3 10 2 2
(3,1)
1
3 1 3 1 1 3
Así v1 = , , y por tanto v2 = v ] v1 = (1,2) f , = ,
2 2 2 2 2 2
3 1 1 3
y el vector v queda expresado como (1,2) = , + , , dos componentes de las cuales
2 2 2 2
la primera va en la dirección de u y la segunda es ortogonal a u (compruébese).
(Fórmula de la Proyección)
Ejemplo:
3
En , proyectamos v=(3,2,2) sobre el subespacio S generado por: u1= (2,0,1), u2= (0,3,0).
Lo primero, observamos que u1 , u2 forman base de S, y además base ortogonal. Por tanto
puede utilizarse la fórmula anterior:
3 3
(2, 0, 1) 2 (0, 3, 0) 2
u1 v u v 2 2 8 6 8 6 16 8
proys(v) = u1 + 2 u2 = u1 + u2 = u1 + u2 = (2,0,1) + (0,3,0) = , 2,
u1 u1 u2 u2 2 0 5 9 5 9 5 5
(2, 0, 1) 0 (0, 3, 0) 3
1 0
16 8 16 8 1 2
Así v1 = , 2, , y por tanto v2 = v f v1 = (3,2,2) f , 2, = , 0,
5 5 5 5 5 5
16 8 1 2
y el vector v queda expresado como (3,2,2) = , 2, + , 0, , dos componentes de las
5 5 5 5
cuales la primera, v1 , pertenece a S y la segunda, v2 , es ortogonal a S (compruébese que
v2 es ortogonal a ambos vectores de la base de S).
Observación. S
Dado cualquier subespacio S, se tiene que S S = V,
u2 u
donde V es el espacio total.
Por tanto, todo vector u V puede descomponerse como: u1
S
u = u1 + u2, con u1 S, u2 S .
u1 = proy S (u)
De hecho, estas dos componentes no son otras que las u2 = proy S (u)
proyecciones ortogonales de u sobre S y sobre S , es decir,
Así pues, puede calcularse primero la componente u1 = proy S (u) y obtener después
la componente u como u2 = u – u1 .
2
Otra posibilidad es empezar calculando u2 = proy S (u) y luego obtener u1 = u f u2 .
Para ello hallamos S , que es la recta generada por w = (1,0,f2) (compruébese). Entonces,
w u 1 1 2
v2 = proy S (u) = proy w (u) = w= (1,0,f2) = ,0,
w w 5 5 5
1 2 16 8
y de ahí v1 = v f v2 = (3,2,2) f ,0, = , 2,
5 5 5 5
Observaciones.
u1 w un w
lo cual significa (por la definición de coordenadas) que los escalares ,..., son
u1 u1 un un
las coordenadas de w en la base dada {u1, . . . ,un}.
Además si la base es ortonormal, los denominadores pueden suprimirse pues valen 1, y así
las coordenadas son simplemente (u1 · w, . . . , un · w )
Ejemplo.
Hemos visto que para aplicar la fórmula de la proyección sobre un subespacio S, se requiere
una base ortogonal de S. Veremos cómo obtener una base ortogonal de S, si la que
tenemos no lo es.
Ejemplo.
3
Obtener una base ortogonal de a partir de la base u1=(1,1,0), u2=(0,1,1), u3=(1,0,1).
a1 = u1= (1,1,0)
0
(1,1, 0) 1
a1 u 2 1 1 1 1
a2 = u2 ] proy a1 (u2) = u2 ] a1 = (0,1,1) f (1,1,0) = (0,1,1) f (1,1,0) = , ,1
a1 a1 1 2 2 2
(1,1, 0) 1
a1 u 3 a 2 u3 1 1 1 1 2 2 2
a3 = u3 ] proy a2 (u3) ] proy a3 (u3) = u3 ] a1 f a 2 =(1,0,1)f (1,1,0) f , ,1 = ,
,
a1 a1 a2 a2 2 3 2 2 3 3 3
1 1 2 2 2
Por tanto la base ortogonal es (1,1,0), , ,1 , , , . (Compruébese que es ortogonal).
2 2 3 3 3
Para hacerla ortonormal dividimos cada vector por su norma, obteniéndose la base
2 2 6 6 6 3 3 3
, ,0 , , , , , , (Compruébese que es ortonormal).
2 2 6 6 3 3 3 3
1. Formamos la matriz A que contiene la base en sus columnas. Tendrá pues, tantas
columnas como indique dim S. (No es necesariamente cuadrada).
PS = A ( At A )]1 At
(la existencia de la inversa de At A está garantizada por haber formado A con una base).
Ejemplo.
3
En , vamos a proyectar v = (3,2,2) sobre el subespacio S generado por: u1= (2,0,1),
u2 = (0,3,0). (Ya lo hicimos por otro método, comprobaremos que el resultado es el mismo).
Tomamos la base (2,0,1), (0,3,0), (que es ortogonal pero no sería necesario que lo fuese), y
formamos la matriz
2 0
A= 0 3
1 0
2 0 1
4
5 0 52
t f1 t 5 0 2 0 1
Con ella calculamos PS = A ( A A ) A = 0 3 = 0 1 0
0 9 0 3 0
1 0 2
5 0 15
4
5 0 52 3 16
5
Y además, toda matriz Q que cumpla las tres propiedades anteriores, resulta ser matriz de
n
proyección de un cierto subespacio de . Este subespacio es aquel que generan sus
columnas.
0 1
2
1
2
Observación.
Si tenemos que proyectar un vector sobre un subespacio S, y no disponemos de una base
ortogonal de S, tenemos dos opciones:
- Calcular una base ortogonal por Gram-Schmidt para utilizar la fórmula de la proyección,
- O hallar la matriz de proyección PS y utilizarla para proyectar el vector.
1. Vector simétrico.
Puesto que en un espacio euclídeo sabemos SmedirT distancias y longitudes (con la noción
de módulo de un vector), ello nos permite aplicar las fórmulas geométricas usuales para
calcular áreas y volúmenes en 2 y 3.
Ejemplo.
Dado el subespacio S generado por (2,0,1),(0,3,0) hallar el simétrico vo del vector v = (3,2,2).
Calcular el área del triángulo formado por v y vo.
16 8 1 2 v2 v
- Como ya hemos calculado, v = v1 + v2 = , 2, + , 0, .
5 5 5 5
v1
16 8 1 2 17 6 S
Entonces, v\ = v1 f v2 = , 2, f , 0, = , 2,
5 5 5 5 5 5
El área pedida es dos veces el área sombreada, por tanto fv2 vo
base altura v v 16 2 8 2 1 2 2 2
área = 2 = 2 1 2 = v1 v 2 = 5 22 5 5 0 5 1\833 unidades2
2 2
Error = | proyS(v) ] v | 2
Nota. También es posible usar como error la norma | proyS(v) f v | en lugar de la norma al cuadrado.
Para ello consideramos el espacio C[0,1] con el producto escalar f · g = f(x) g(x) dx
0
Para ello necesitamos una base ortogonal de P2. Partiendo de la base estándar {1, x, x2}
podemos hallar una ortogonal por Gram-Schmidt (utilizando siempre el producto escalar
dado por la integral), obteniéndose la base a1 = 1, a2 = x f 12 , a3 = x2 f x + 16 . Así,
a1 f a f a f
proy P (f) = a1 + 2 a 2 + 3 a 3
2 a1 a1 a2 a2 a3 a3
lo que se calcula mediante las
integrales correspondientes
1 y=ex
(p. ej. a1 f = 1 e x dx = e+1 ,etc.)
0
= 0\0000386
y=p(x)
El error es muy pequeño, lo que
significa que la aproximación es y=ex
buena. En efecto, en la figura se ve
que la gráfica del polinomio p(x) y la
de ex están Sbastante próximasT en
el intervalo [0,1].
(De hecho, el error representa el área comprendida entre las dos curvas. Este método de
aproximación hace que dicha área sea mínima).
Si lo aproximáramos por un polinomio de grado 3, 4,... obtendríamos una aproximación aún
mejor.
Dada una función f(x), en lugar de aproximarla por un polinomio, también podemos
aproximarla por otro tipo de funciones. Basta hacer la transformación adecuada para
reducirlo al problema de aproximación por polinomios. Por ejemplo,
1
1) Aproximar f(x) = tg x por una función de la forma :
ax+b
1
Equivale a aproximar por un polinomio ax + b.
tg x
Neila Campos ÁLGEBRA LINEAL Espacio Euclídeo 16
2) Aproximar f(x) = log x por una función de la forma ax+b :
2
Equivale a aproximar log x por un polinomio ax + b.
ax+b
3) Aproximar f(x) = cos x por una función de la forma e :
Equivale a aproximar log (cos x) por un polinomio ax + b.
b1 a11 a12
Existirán tales x, y si el vector b es combinación lineal de , , es decir, si
b2 a21 a22
pertenece al subespacio S generado por ellas. En ese caso el sistema será compatible.
Si es incompatible, se debe a que b no pertenece al subespacio S.
En ese caso, podemos sustituir b por otro vector c que sí esté en S, y para cometer el
menor error posible, c será la mejor aproximación de b en S.
Este nuevo sistema ya es compatible. Su solución, si bien no cumple las ecuaciones del
sistema original A x = b , las satisface SaproximadamenteT.
Este método se llama método de mínimos cuadrados ya que hace mínimo el error
cuadrático.
Ejemplo 1.
1 2 x 3 3
Este sistema es incompatible, lo cual es debido a que b = no
2 4 y 5 5
1 2 2
pertenece al subespacio S generado por , en . Entonces sustituimos b por su
2 4
mejor aproximación en S. Para ello, una base de S es el vector (1,2).
3
(1, 2)
5 13 13 26
c = proyS(b) = proy(1,2)(b)= (1,2) = (1,2) = ,
1 5 5 5
(1, 2)
2
2 3 0 0
x
1 0 1 Igualmente es incompatible puesto que b = 1 no pertenece al subespacio
y
0 1 1 1
2 3
3
S generado por las columnas 1 , 0 en .
0 1
Calculamos por tanto la mejor aproximación de b en S. Una base de S está formada por
ambas columnas, puesto que son linealmente independientes. Con ella podemos calcular la
matriz de proyección, que será PS = A ( At A )f1 At .
5
14
Así, c = proyS( b ) = PS · b = 2
7
1
14
2 3 5 2
14 x
x 7
y se resuelve el sistema 1 0 2
7 compatible determinado, cuya solución es
y 1
0 1 1
14
y
14
2
2 5 2 1 25
El error cuadrático es | b f c | = 0,1,1 , , = 1\79 .
14 7 14 14
x = (At A)f1At b
Explicación:
En el ejemplo 2 anterior, las columnas de A son linealmente independientes. Ello nos ha
permitido utilizar A para para calcular la matriz de proyección A(AtA)f1 At , y ésta para
calcular c = A ( At A )f1 At b .
Pero, observemos la expresión A ( At A )f1 At b = c
Como el sistema que hay que resolver es A x = c , la expresión anterior nos indica que
(At A)f1At b (señalado arriba con la llave), que es un vector columna, es solución del sistema
A x = c.
Así pues, esa es la solución (única, pues el sistema A x = c es compatible determinado).
Ejemplo
Buscamos la recta que mejor se ajuste a los puntos (1,2), (2,3), (3,5).
Una recta es de la forma y = m x + b. Si pasara por los tres puntos, debería cumplirse
2 = a·1 + b 1 1 2
m
3 = a·2 + b es decir, un sistema en las incógnitas m, b : 2 1 3
b
5 = a·3 + b 3 1 5
3 1 (2,3)
es decir m = , b= (1,2)
2 3
3 1
y así la recta buscada es y = x + . Comprobar en
2 3
la figura que, si bien esta recta no pasa por ninguno
de los puntos dados, se aproxima a todos ellos.
1 1 2 2 11
6 2 2
3
1
El error cuadrático es | A x f b | 2 = 2 1 2
1
3 = 10
3 3 = 0\167
3 6
3 1 5 29
6 5
En todos los casos se debe Shacer pasarT la función por cada uno de los puntos,
introduciendo la abscisa del punto en la x y la ordenada en la y, para obtener una ecuación
por cada punto. Finalmente obtendremos un sistema incompatible en las incógnitas a, b, c...
que resolveremos por mínimos cuadrados.
( ) C-3) ¿En 4
puede existir un conjunto de 5 vectores ortogonales? Razonar la respuesta.
2
( ) C-5) En , proyectamos un cierto vector sobre la recta y=x. ¿Es posible obtener como
proyección el vector (1,2) ? Razonar la respuesta.
( ) C-6) ¿Pueden dos vectores distintos producir la misma proyección sobre un subespacio?
2 1 1
3 3 3
( ) C-7) Razonar si la matriz A = 1 2 1 puede ser matriz de proyección, y en ese caso, hallar a
3 3 3
1 1 2
3 3 3
qué subespacio corresponde.
3
E-1) Sean los vectores u=(4,0,3) , v=(1, 1, 3) en con el producto escalar usual. Hallar:
( ) a) El módulo de u y de v.
( ) b) La distancia entre u y v.
( ) c) El ángulo que forman.
4
E-3) Normalizar el vector v= (2,1,3,-2) en
( ) a) con el producto escalar usual.
( ) b) con el producto escalar dado por: (a,b,c,d)·(aC,bC,cC,dC) = aaC + bbC + 2 ccC +2 ddC
0 -1
( ) b) B =
1 0
4
( ) E-5) Comprobar si S y T son subespacios ortogonales en , siendo:
{ (-3,-3,0,1) , (1,0,2,0) } base de S, { (0,1,0,3) (1,1,-1,6) } base de T.
3
E-6) Hallar en el complemento ortogonal de los siguientes subespacios:
( ) a) S generado por (1,0,2)
( ) b) T generado por (1,0,2), (1,1,1)
E-7) Dado el vector (0,3,2), hallar su proyección ortogonal sobre los siguientes subespacios:
( ) a) sobre la recta generada por el vector (1,2,1)
( ) b) sobre el plano P generado por (1,2,1) y (0,-1,2)
( ) E-8) Hallar la mejor aproximación al vector (0,3,2) en el plano generado por (1,2,1) y (0,-1,2).
4
E-10) Dado el subespacio S generado por (1,0,-1,1) y (0,2,0,3) en ,
( ) a) Hallar su matriz de proyección.
( ) b) Proyectar sobre el vector v = (0,0,0,5) sobre S.
2
E-11) Dado el vector v=(3,4) de ,
( ) a) Hallar su simétrico v C respecto a la recta generada por (2,1).
( ) b) Hallar el área del triángulo definido por v y su simétrico.
( ) E-12) En el espacio de funciones continuas C[0,1] con el producto escalar f · g = f(x) g(x) dx
0
2
normalizar el vector f(x) = x .
2
( ) E-13) En el espacio de funciones continuas C[0,2] con el producto escalar f · g = f(x) g(x) dx
0
hallar la mejor aproximación de la función f(x)=2x+1 en el subespacio generado
por la función g(x)=x.
3x + y = 4
E-14) Dado el sistema x - y = 3
x + 3y = 7
( ) a) Comprobar que es incompatible y resolverlo por mínimos cuadrados.
( ) b) Hallar el error cuadrático.
Sol. C-1) a) El producto escalar debe ser cero. Podemos poner, por ejemplo, (-2,1,0), o bien (0,1,2), ó
(1,0,1), etc.
Sol. C-2) Esta operación cumple algunas de las propiedades de un producto escalar, por ejemplo, el
resultado es un escalar, tiene la propiedad conmutativa... Pero la propiedad definida positiva no se
cumple, pues al multiplicar un vector por sí mismo puede obtenerse un número negativo:
(1,2) · (1,2) = 1·1 H 2·2 = H3
Por tanto, no es un producto escalar.
Sol. C-3) No, puesto que los vectores ortogonales son linealmente independientes, y no puede haber 5
vectores independientes en 4.
Sol. C-4) Falso. Por ejemplo el conjunto { (1,0,0), (0,1,0) } es ortonormal y tiene dos vectores. (La
afirmación sería cierta si dijese QbaseR en lugar de QconjuntoR ).
Sol. C-5) No es posible, ya que la proyección sobre la recta ha de dar como resultado un vector
perteneciente a la misma, pero el vector (1,2) no pertenece a la recta y=x. u
v
Sol. C-6) Sí, como indica la siguiente figura, en que los vectores u y v tienen
ambos la misma proyección, w, sobre el eje X.
w
4
Sol. E-1) a) | u |2 = u · u = (4,0,3) 0 = 25 , luego | u | = 25 = 5.
3
1
| v |2 = v · v = (1,1,3) 1 = 11 , luego | v | = 11 .
3
1
(4, 0,3) 1
u v 3 13
c) cos = = = 0.784 , arc cos (0.784) = 0.669 rad
u v 5 11 5 11
Sol. E-4) a) Hay que comprobar si sus columnas son vectores ortonormales, es decir, si tienen módulo
1 y son ortogonales entre sí.
En este caso las columnas son u=(0,0,2) , v=(1,0,0), w=(0,1,0). Son ortogonales entre sí,
pues u · v = 0, u · w = 0, v · w = 0. Pero no todos tienen módulo 1, pues u tiene módulo 2.
Por tanto, A no es una matriz ortogonal.
b) Por cualquiera de los dos métodos del apartado a), se tiene que B sí es una matriz ortogonal.
Sol. E-5) Hay que ver si cada vector de la base de S es ortogonal a cada vector de la base de T.
(-3,-3,0,1) · (0,1,0,3) = 0
(-3,-3,0,1) · (1,1,-1,6) = 0
(1,0,2,0) · (0,1,0,3) = 0
pero (1,0,2,0) · (1,1,-1,6) = H1 0 por tanto S y T no son subespacios ortogonales.
Sol. E-6) a) Se trata de hallar todos los vectores (x,y,z) que son ortogonales a (1,0,2).
Planteamos por tanto la ecuación (1,0,2) · (x,y,z) = 0 , es decir
x + 2z= 0
Se trata de un sistema de una sola ecuación con tres incógnitas, con matriz ampliada (1 0 2 | 0).
Por el método de Gauss, su solución es que ya es, en paramétricas, el complemento
ortogonal de S.
[ Una base sería (-2,0,1), (0,1,0). Comprobar que estos vectores son ortogonales a (1,0,2).
Notar también que la dimensión del ortogonal es 2, ya que la de S es 1, estando en 3 . ]
b) Se trata de hallar todos los vectores (x,y,z) que son ortogonales a (1,0,2) y a (1,1,1).
(1,0,2) · (x, y,z) = 0 x + 2z = 0
Planteamos por tanto las ecuaciones , es decir,
(1,1,1) · (x, y,z) = 0 x + y +z=0
1 0 2 0
Se trata de un sistema de dos ecuaciones con tres incógnitas, con matriz ampliada
1 1 1 0
4 37 26
= , ,
3 15 15
Sol. E-8) La mejor aproximación es simplemente su proyección sobre el plano. Por tanto se trata del
mismo ejercicio b) anterior, cuya solución es 4 , 37 , 26 .
3 15 15
Sol. E-9) Aplicamos el proceso de Gram-Schmidt para hallar primero una base ortogonal a1 , a2 .
a1 = u = (0,1,0)
3
0 1 0 2
1
a2 = v H proy a1 (v) = (3,2,1) H (0,1,0) = (3,2,1) H 2 (0,1,0) = (3,0,1)
0
0 1 0 1
0
3 1
Por tanto la base ortonormal pedida, es : (0,1,0) , , 0,
10 10
b) Para proyectar sobre S, podemos usar la matriz de proyección que hemos calculado.
proy S (v) =
- 1/5 2/5 1/5 2/5 0 2
- 13/30 1/5 13/30 - 2/15 0 -2 3
2/15 2/5 - 2/15 11/15 5 11 3
2 -2 11
por tanto, proy S (v) = , 2, ,
3 3 3
(Nota: también se podría hacer mediante la fórmula de la proyección, pero primero habría
que hallar una base ortogonal de S, pues la del enunciado no lo es.)
Sol. E-11) a) Primero hay que expresar v como suma de dos componentes:
v = v1 + v2 con v1 en la dirección de (2,1) , y v2 ortogonal a (2,1).
3
2 1
4 10
v1 = proy (2,1) (v) = (2,1) = (2,1) = (4,2) esta es la componente v1
2 1
2 5
1
f
Ahora para normalizar f, lo dividimos por su módulo: = 5 f= 5 x2
1 5
2
Por tanto la función normalizada es: g(x) = 5 x
Sol. E-13) La mejor aproximación es la proyección. Por tanto hay que proyectar f sobre g.
2 2
g(x) f(x) dx x ( 2x + 1) dx
g f 0 0 22 3 11
proy g (f) = g= 2
g= 2
x = x = x
g g 8 3 4
g(x) g(x) dx x x dx
0 0
11
La mejor aproximación es por tanto la función h(x) = x
4
3 1
Sol. E-14) a) Escalonando, se ve que la matriz de coeficientes del sistema A= 1 1 tiene rango 2,
1 3
3 1 4
mientras que la matriz ampliada 1 1 3 tiene rango 3. Por tanto el sistema es incompatible, ha
1 3 7
de resolverse por mínimos cuadrados.
7 1 1 11
4 4
8
(A A) A 3 = 24 6 24
t H1 t
3 =
1 1 7
7 7 11
24 6 24
8
11 11
Así pues, la solución del sistema, aproximada por mínimos cuadrados, es x = , y= .
8 8
2
11 2
4 11 2
121
b) Error cuadrático: 3 - A 8 = 0 =
11 2
7 11 2
8
! " Alfa A
# $ Beta B
% & Gamma G suave, como en gato
' ( Delta D
) * Épsilon E breve
+ , Zeta DS
(pronunciado dseta)
- . Eta E larga
/ 0 Theta Z
(pronunciado zeta)
1 2 Iota I
3 4 Kappa K
5 6 Lambda L
7 µ Mu M
8 9 Nu N
: ; Xi X
< = Ómicron O breve
> ? Pi P
@ A Ro R
B C, D Sigma S
E F Tau T
Y G Ypsilon entre I y U
(como la u francesa)
H I Phi o Fi F
X J Ji J
K L Psi PS
M N Omega O larga