Vous êtes sur la page 1sur 109

UNIVERSIDAD DE CHILE FACULTAD DE ECONOM Y NEGOCIOS IA DEPARTAMENTO DE ECONOM IA

ALGEBRA LINEAL
Apunte del Curso

Mauricio Vargas S. mauvarga@fen.uchile.cl

Apunte del Curso Algebra Lineal 1


Mauricio Vargas S. Universidad de Chile 9 de agosto de 2009

Este apunte se encuentra en estado de correccin y evolucin. Los contenidos se basan en o o las clases del profesor Mximo Lira y de ninguna forma este apunte reemplaza las clases. La a nalidad es reforzar las ideas principales y entregar demostraciones que no se tratan en clase. Puede contener y seguramente contiene errores, favor de comunicarlos a mauvarga@fen.uchile.cl. Derechos reservados bajo licencia CreativeCommons (CC-BY-NC-ND)
1

Indice general
Contenidos 1. Deniciones Previas 1.1. Ley de Composicin Interna . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 1.2. Ley de Composicin Externa . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 1.3. Estructuras Algebraicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1. Grupo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.2. Grupo Abeliano o Conmutativo . . . . . . . . . . . . . . . . . . . . . . 1.3.3. Anillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.4. Cuerpo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4. Propiedades de los Nmeros Reales . . . . . . . . . . . . . . . . . . . . . . . . u 1.4.1. Axiomas en R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. Matrices 2.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1. Igualdad de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1. Suma de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2. Propiedades de la Suma de Matrices . . . . . . . . . . . . . . . . . . . 2.2.3. Ponderacin de Matriz por Escalar . . . . . . . . . . . . . . . . . . . . o 2.2.4. Propiedades de la Ponderacin de Matriz por Escalar . . . . . . . . o

1 1 1 2 2 3 3 3 5 5 11 11 12 12 12 12 13 13

ii

INDICE GENERAL 2.2.5. Producto de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.6. Propiedades del Producto de Matrices . . . . . . . . . . . . . . . . . . 2.2.7. Transposicin de matrices . . . . . . . . . . . . . . . . . . . . . . . . . o 2.2.8. Propiedades de la Transposicin de Matrices . . . . . . . . . . . . . . o 2.2.9. Operaciones Elementales de Fila . . . . . . . . . . . . . . . . . . . . . 2.2.10. Determinante de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . 2.2.11. Operaciones Inversas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Tipos de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1. Matriz Fila . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.2. Matriz Cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.3. Matriz Triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.4. Matriz Diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.5. Matriz Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.6. Matriz Identidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.7. Matriz Simtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 2.3.8. Matriz Antisimtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 2.3.9. Matriz Nula . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.10. Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.11. Propiedades de la Inversa . . . . . . . . . . . . . . . . . . . . . . . . . 2.4. Polinomios de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5. Polinomio Caracter stico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6. Mtodos Para Invertir Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . e 2.6.1. Matriz Ampliada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.2. Matriz Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.3. Teorema de Cayley-Hamilton . . . . . . . . . . . . . . . . . . . . . . . 2.7. Equivalencia por Filas de una Matriz . . . . . . . . . . . . . . . . . . . . . . . 2.8. Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 14 17 17 20 21 22 22 22 22 23 23 24 24 25 25 25 26 28 30 30 31 31 33 35 37 38 41

3. Sistemas de Ecuaciones Lineales

iii 3.1. Notacin Matricial de un Sistema de Ecuaciones . . . . . . . . . . . . . . . . o 3.1.1. Rango por Filas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Algoritmo tipo solucin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 3.3. Soluciones de un S.E.L . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1. Solucin general de un S.E.L . . . . . . . . . . . . . . . . . . . . . . . o 3.3.2. Solucin Particular de un S.E.L . . . . . . . . . . . . . . . . . . . . . . o 3.4. Sistemas Homogneos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 3.5. Formas de Resolucin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 3.5.1. Mtodo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 3.5.2. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. Escalares, Vectores y Espacios Vectoriales 4.1. Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Espacio Vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. Espacios Vectoriales Usuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.1. Espacio Vectorial R2 R . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.2. Rn R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.3. Rn [x] R (Polinomios reales de grado n sobre R) . . . . . . . . . . . . 4.4.4. C[a, b] (Funciones reales continuas sobre [a, b]) . . . . . . . . . . . . 4.5. Base de V K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5.1. Bases Cannicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 4.6. Dimensin de V K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 4.7. Vector de Coordenadas de x . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.8. Subespacio Vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.8.1. Combinacin Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 4.8.2. Independencia Lineal de un Conjunto . . . . . . . . . . . . . . . . . . 4.9. Operatoria Vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.9.1. Suma de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 42 44 44 44 46 46 47 47 48 53 53 53 56 56 56 58 59 59 59 60 61 61 62 63 63 64 64

iv

INDICE GENERAL 4.9.2. Ponderacin por Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . o 4.9.3. Producto Cartesiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.9.4. Norma de un Vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.9.5. Normas en Rn R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.9.6. Angulo Entre Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.9.7. Producto Punto ( Producto Interno) . . . . . . . . . . . . . . . . . . o 4.9.8. Propiedades del Producto Punto . . . . . . . . . . . . . . . . . . . . . 4.9.9. Productos Punto Usuales . . . . . . . . . . . . . . . . . . . . . . . . . 4.9.10. Producto Cruz ( Producto Vectorial) . . . . . . . . . . . . . . . . . . o 4.9.11. Propiedades del Producto Cruz . . . . . . . . . . . . . . . . . . . . . . 66 67 68 68 69 70 70 74 75 75 77 77 79 79 80 81 83 83 84 86 87 90 91 92 93 95 95

5. Transformaciones Lineales 5.1. Transformacin Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 5.1.1. Ncleo de una Trasformacin Lineal . . . . . . . . . . . . . . . . . . . u o 5.1.2. Imagen de una Transformacin Lineal . . . . . . . . . . . . . . . . . . o 5.1.3. Teorema de las Dimensiones (Ncleo - Imagen) . . . . . . . . . . . . u 5.1.4. Tranformaciones Lineales e Independencia Lineal . . . . . . . . . . . 5.1.5. Transformacin Lineal Inyectiva . . . . . . . . . . . . . . . . . . . . . o 5.1.6. Transformacin Lineal Biyectiva . . . . . . . . . . . . . . . . . . . . . o 5.1.7. Matriz Reprensentante de una Transformacin Lineal . . . . . . . . o 5.1.8. Propiedades de Transformaciones Lineales . . . . . . . . . . . . . . . 5.1.9. Cmo se Aplica la Matriz Representante? . . . . . . . . . . . . . . . o 5.1.10. Matriz de Pasaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.11. Cmo se Relacionan las Matrices Representantes? . . . . . . . . . . o 5.1.12. Matrices Similares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2. Cambio de Base y Similaridad . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. Formas Bilineales 6.1. Formas Bilineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

v 6.2. Cambio de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3. Simetr y Antisimetr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a a 6.4. Formas Cuadrticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 7. Referencias 97 97 97 99

Cap tulo 1 Deniciones Previas


1.1. Ley de Composicin Interna o

Sean A, B conjuntos no vac Una LCI sobre A es cualquier aplicacin o funcin de la os. o o forma: f AAA (a, b) f (a, b) A a A, b B

Tambin se usa la denominacin operacin para una LCI . En ese caso, en lugar de la e o o notacin funcional f (a, b) se usa la notacin operacional (Ejemplo: ab ). As la operacin o o o se denota: AAA (a, b) a b A a A, b B

1.2.

Ley de Composicin Externa o


g AAB (a, b) g(a, b) B a A, b B

Sean A, B conjuntos no vac Una LCI sobre A es cualquier aplicacin de la forma: os. o

En este caso la LCE tiene dominio de operadores en A

2 1. La LCE opera sobre otro conjunto 2. En este dominio de operadores no llega la funcin o Tambin se usa la notacin operacional para una LCI : e o AAB (a, b) ab B a A, b B Ejemplos : 1. R p(x) p(x) 3(1 + 3x x2 ) 3 + 9x 3x2 Los operadores son reales y polinomios El dominio es de polinomios 2. (a + bx + cx2 , d) ad + (a + b + c) (1 + 3x 5x2 , 2) 2 + (1) = 1

Deniciones Previas

1.3.

Estructuras Algebraicas

Una estructura algebraica es un ente matemtico construido por: a 1. Un conjunto y una o ms LCI a 2. Dos o ms conjuntos, una o ms LCI y una o ms LCE a a a

1.3.1.

Grupo

Sea (A, ) una estructura algebraica. Se cumple que es grupo si y slo si: o 1. posee neutro, es decir: e A a e = e a = a a A 2. es asociativa, es decir: a (b c) = (a b) c a, b, c A 3. es simetizable , es decir cada elemento de A posee un inverso a1 y se cumple: a a1 = a1 a = e

1.3.2.

Grupo Abeliano o Conmutativo

Sea (A, ) una estructura algebraica que tiene estructura de grupo y ademas es conmutativa. Se cumple que es grupo abeliano si y slo si: o 1. posee neutro, es decir: e A a e = e a = a a A 2. es asociativa, es decir: a (b c) = (a b) c a, b, c A 3. es simetizable , es decir cada elemento de A posee un inverso a1 y se cumple: a a1 = a1 a = e 4. es conmutativa , es decir para todos los elementos de A, a b c ... n genera un mismo resultado independientemente de como se altere el orden en que operan los elementos. Tomando (a, b) A se cumple que a b = b a

1.3.3.

Anillo

Sea (A, , ) una estructura algebraica con 2 LCI . Se cumple que esta es estructura de anillo si y slo si: o 1. (A, ) es grupo abeliano 2. es asociativa. 3. distribuye con respecto a

1.3.4.

Cuerpo

Sea (A, , ) una estructura algebraica con 2 LCI y que ambas tienen estructura de grupo abeliano. Se cumple que esta es estructura de cuerpo 1 si y slo si: o 1. posee un neutro, todos sus elementos tienen un inverso contenido en A y esta operacin es conmutativa o
Para la conmutatividad y clausura estas necesariamente se extienden para el caso en que se aplica o a (a, b, c, ..., n). Es decir a+b+c+...+n A abc...n A como tambin a+b+c...+n = n+...+c+b+a e a b c... n = n ... c b a y todas las combinaciones posibles para la suma y el producto. En el caso de la distributividad es anlogo, la propiedad se cumple para a (bc...n), a (ab) c ... n y todas las combinaciones posibles.
1

Deniciones Previas 2. posee un neutro, todos sus elementos tienen un inverso contenido en A y esta operacin es conmutativa o 3. A, , es distributiva de la forma a(b c) = (ab) (ac) 4. Tanto como cumplen con la propiedad de clausura, es decir al efectuar una operacin entre dos o ms elementos de A el resultado debe pertenecer a A o a

Ejemplos : 1. (R, +, ) a) Neutro: a+0=0+a=a a1=1a=a b) Inverso: a + (a) = (a) + a = 0 a a1 = a1 a = 1 c) Conmutatividad: a+b=b+a ab=ba d ) Distributividad: a(b + c) = (a b) + (a c) e) Clausura: (a + b) R (a b) R 2. (C, +, ) a) Neutro: (a + bi) + (0 + 0i) = (0 + 0i) + (a + bi) = a + bi (a + bi) (1 + 0i) = (1 + 0i) (a + bi) = a + bi b) Inverso: (a + bi) + [(a + bi)] = [(a + bi)] + (a + bi) = 0 + 0i (a + bi) (a + bi)1 = (a + bi)1 (a + bi) = 1 + 0i c) Conmutatividad: (a + bi) + (c + di) = (c + di) + (a + bi) (a + bi) (c + di) = (c + di) (a + bi) d ) Distributividad: (a + bi)[(c + di) + (e + f i)] = [(a + bi) (c + di)] + [(a + bi) (e + f i)]

5 e) Clausura: [(a + bi) + (c + di)] C [(a + bi) (c + di)] C Observacin : o El neutro y el inverso deben estar contenidos en el conjunto. De esta forma los nmeros u reales tienen estructura de cuerpo (R, +, ) y el neutro de la suma se asocia con 0, el neutro de la multiplicacin se asocia con 1 como tambin el inverso de la suma se asocia o e con a, b, c, etc y el inverso del producto (siempre que a 0) estar contenido en R. a

1.4.

Propiedades de los N meros Reales u

Con lo expuesto anteriormente se sabe que los nmeros reales forman un conjunto con u estructura de grupo y por lo tanto estn sujetos a las propiedades de esta estructura. Sin a embargo, estas propiedades pueden o no cumplirse dado un grupo cualquiera pero para el caso de los nmeros reales se garantiza que estas propiedades se cumplen deniendo u axiomas (propiedades tautolgicas que no se demuestran) pero que si permiten demostrar o propiedades del conjunto R.

1.4.1.

Axiomas en R

1. Conmutatividad a) Dados dos nmeros reales x, y cualquiera, su suma tiene como resultado un u nmero real, es decir: u (x, y R) x + y = y + x b) Para el producto se cumple la misma propiedad, es decir: (x, y R) x y = y x 2. Asociatividad a) Dados tres nmeros reales x, y, z cualquiera, su suma tiene como resultado un u nmero real, es decir: u (x, y, z R) x + (y + z) = (x + y) + z

Deniciones Previas

b) Para el producto se cumple la misma propiedad, es decir: (x, y.z R) x (y z) = (x y) z Demostracin : o x + (y + z) = (x + z) + y El axioma de asociatividad no dice que x + (y + z) = (x + z) + y pero usando los axiomas ya dados se tiene que: x + (y + z) = x + (z + y) x + (y + z) = (x + z) + y /conmutatividad /asociatividad

En relacin con lo anterior se concluye que la suma con n terminos es conmutativa o sin alterar el resultado y es anlogo para la multiplicacin. a o 3. Distributividad a) (x, y, z R) x(y + z) = xy + xz b) (x, y, z R) (x + y)z = xz + yz 4. Existencia de elementos neutros a) Elementos neutros para la suma Con las propiedades de grupo se sabe que en R se cumple que (x R) x + e = x Esta propiedad garantiza a lo menos la existencia de un elemento neutro (puede haber ms de uno) pero para el caso de la suma en R se sabe que el neutro es a 0 y por lo tanto es unico. Demostracin : El neutro para la suma es unico o En base al axioma anterior sabemos que existe al menos un neutro e1 que corresponde al cero. Supongamos que por otro camino hemos encontrado otro neutro e2 para la suma, de forma tal que se cumple: (x R) x + e1 = x x + e2 = x Si el neutro es unico entonces necesariamente e1 = e2 , formando un sistema con las ecuaciones enteriores se obtiene:

7 x + e1 x + e2 = x = x

Reemplazando x = e2 en (1) y x = e1 en (2) nos queda: e2 e1 De lo anterior se tiene que: e1 = e1 + e2 = e2 + e1 = e2 b) Elementos neutros para el producto Es anlogo al caso de la suma. Con las propiedades de grupo se sabe que en R a se cumple que (x R) x e = x Demostracin : El neutro para el producto es unico o En base al axioma anterior sabemos que existe al menos un neutro e1 que corresponde al uno. Supongamos que por otro camino hemos encontrado otro neutro e2 para la suma, de forma tal que se cumple: (x R) x e1 = x x e2 = x Si el neutro es unico entonces necesariamente e1 = e2 , formando un sistema con las ecuaciones enteriores se obtiene: x x e2 e1 De lo anterior se tiene que: e1 = e1 e2 = e2 e1 = e2 5. Existencia de elementos inversos a) Elementos inversos para la suma Con las propiedades de grupo se sabe que en R se cumple que (x R) x + opuesto(x) = 0 e1 e2 = x = x + e1 + e2 = e2 = e1

Reemplazando x = e2 en (1) y x = e1 en (2) nos queda: e1 e2 = e2 = e1

Deniciones Previas Esta propiedad seala que existen elementos neutros asociados a x pero para n el caso de la suma en R se sabe que el opuesto es x y por lo tanto es unico. Demostracin : El inverso para la suma es unico o En base al axioma anterior sabemos que existe al menos un inverso c1 que corresponde al cero. Supongamos que por otro camino hemos encontrado otro neutro c2 para la suma, de forma tal que se cumple: (x R) x + c1 = 0 x + c2 = 0 Si el neutro es unico entonces necesariamente c1 = c2 , formando un sistema con las ecuaciones enteriores se obtiene: x + c1 x + c2 Lo que se debe demostrar es que c1 = c2 PD c1 = c2 En efecto, usando los axiomas anteriores: c1 = c1 + 0 c1 = c1 + (x + c2 ) c1 = (c1 + x) + c2 c1 = (x + c1 ) + c2 c1 = 0 + c2 c1 = c2 b) Elementos inversos para el producto Es anlogo al caso de la suma. Con las propiedades de grupo se sabe que en R a se cumple que (x R) x reciproco(x) = 1 Demostracin : El inverso para el producto es unico o En base al axioma anterior sabemos que existe al menos un neutro c1 que corresponde al uno. Supongamos que por otro camino hemos encontrado otro neutro c2 para la suma, de forma tal que se cumple: (x R) x c1 = 1 x c2 = 1 Si el inverso es unico entonces necesariamente c1 = c2 , formando un sistema con las ecuaciones enteriores se obtiene: = 0 = 0

9 x x c1 c2 = = 1 1

PD c1 = c2 En efecto, usando los axiomas anteriores: c1 = c1 1 c1 = c1 (x c2 ) c1 = (c1 x) c2 c1 = (x c1 ) c2 c1 = 1 c2 c1 = c2

Cap tulo 2 Matrices


2.1. Matrices

Una matriz es una tabla de doble entrada de m las y n columnas con coecientes en el cuerpo K (que puede ser R o C). Considerando los subconjuntos de N: I = {1, 2, 3, . . . , m} J = {1, 2, 3, . . . , n}

Toda matriz es, adems, una funcin del tipo: a o M IJK (i, j) Mij K

Sea la matriz Amn , se denota genericamente: A= a11 a21 a12 a22 a13 a23 . . . a1n . . . a2n aij K, i = {1, 2, 3, . . . , m}, j = {1, 2, 3, . . . , n}

am1 am2 am3 . . . amn Mmn (K) corresponde a todas las matrices de m las, n columnas y coecientes en el cuerpo K incluyendo a la matriz Amn .

12

Matrices

2.1.1.

Igualdad de Matrices

Dadas dos matrices Amn Mmn (K), Bm n Mm n (K), diremos que son iguales si y slo o si: (m = m ) (n = n ) ( i = {1, 2, 3, . . . , m} , j = {1, 2, 3, . . . , n} , aij = bij )

2.2.
2.2.1.

Operaciones con Matrices


Suma de Matrices

Deniendo una aplicacin (o funcin) sobre Mmn (K) a partir de las operaciones denidas o o en el cuerpo K de la forma: Mmn Mmn Mmn (Amn , Bmn ) (A + B)mn Se dene la suma de matrices como: A, B Mmn (K), A + B = aij + bij

Observacin : La suma de matrices (Mmn , +) tiene estructura de grupo abeliano. o Demostracin : Es directa (lo cual no quiere decir que es trivial o evidente) con las o propiedades del cuerpo K se cumple que la suma es asociativa y conmutativa.

2.2.2.

Propiedades de la Suma de Matrices

1. Admite un neutro aditivo tal que Amn + 0mn = Amn El neutro aditivo corresponde a M es decir: 0= 0 ... 0 0 ... 0 Mmn (K)

Es sumamente importante sealar que el neutro aditivo para las matrices no es n unico. Como se dene la suma de matrices, la operacin suma sobre estas genera o

13 otra matriz si y slo si sumamos matrices de igual orden ya que de otra manera la o operacin no est denida. o a El neutro aditivo para las matrices de 2 3 es 0M = 023 , para las de de 5 2 es 0M = 052 , etc. Generalizando para las matrices de m n es 0M = 0mn con cualquier m, n N. Por lo tanto, a diferencia de las propiedades de R en que el neutro aditivo es unico para Mmn K existen tantos neutros como ordenes de matrices posibles. 2. Admite un inverso aditivo tal que Amn + (Amn ) = 0mn El inverso aditivo de Mmn = mmn Por ejemplo en M23 (C) 1 + i 0 2 + 3i i 1 0 Por lo tanto, + 1 i 0 2 3i i 1 0 = 0 0 0 0 0 0 = 0M es Mmn = mmn

1 + i 0 2 + 3i i 1 0

1 i 0 2 3i i 1 0

3. La suma de matrices es asociativa tal que: Amn + (Bmn + Cmn ) = (Amn + Bmn ) + Cmn

2.2.3.

Ponderacin de Matriz por Escalar o

Deniendo una aplicacin (o funcin) sobre Mmn (K) a partir de las operaciones denidas o o en el cuerpo K de la forma: K Mmn Mmn (, Amn ) Amn Sea la matriz Pmn = Amn esta se dene por: Pij = Aij

2.2.4.

Propiedades de la Ponderacin de Matriz por Escalar o


A, B Mmn , , K :

Las siguientes propiedades se cumplen 1. (Amn + Bmn ) = Amn + Bmn

14 2. ( + )Amn = Amn + Amn 3. (Amn ) = ()Amn 4. 1Amn = Amn

Matrices

Estas propiedades son las mismas de las de un espacio vectorial y su demostracin paro 2 R tomando dos ticular puede hacerse en forma anloga al caso de un espacio vectorial R a matrices cualquiera con n vectores de 2 componentes. El conjunto de las matrices Mmn sobre el cuerpo K con la LCI suma de matrices y la LCE ponderacin por escalar constituye un espacio vectorial Mmn K o

2.2.5.

Producto de Matrices
A = aij Mmr (K), B = bij Mrn Mmr Mrn Mmn (Amn , Bmn ) (A + B)mn

Dadas las matrices: Se dene la aplicacin o

y el producto C = AB como la matriz C Mmn (K) tal que: Cmn =


r

aik bkj ,
k=1

i = {1, 2, 3, . . . , m} j = {1, 2, 3, . . . , n}

2.2.6.

Propiedades del Producto de Matrices

1. Asociatividad Dadas las matrices A Mpq , B Mqr , C Mrs , entonces: A(BC) = (AB)C Mps Demostracin : o Para la matriz A en (i, j) se tiene aij = n aij k=1

15 Para la matriz B en (j, k) se tiene bjk = n bjk k=1 Para la matriz C en (k, l) se tiene ckl = n ckl k=1 En efecto, Para la matriz AB en (i, k) se tiene AB = Luego, (AB)C =
n

aij bjk
k=1

n k=1

(aij bjk )ckl

De manera anloga, para la matriz BC en (j, l) se tiene a BC = Luego, A(BC) = Finalmente, (AB)C = n (aij bjk )ckl k=1 A(BC) =
n k=1 aij (bjk ckl ) n

bjk ckl
k=1

aij bjk ckl


k=1

A(BC) = n (aij bjk )ckl = (AB)C k=1

2. Distributividad con Respecto a la Suma Dadas las matrices A Mpq , B, C Mqs , se cumple que: A(B + C) = (AB) + (AC) Demostracin : o Deniendo Dpr = Apq (Bqr + Cqr ) se tiene que: eij =
n k=1

Mps

aik (bkj + ckj ) i {1, 2, 3, . . . p, }, j {1, 2, 3, . . . , s}

16 En efecto, dij = dij = dij =


n k=1 n k=1 n k=1

Matrices

aik (bkj + ckj ) aik bkj + aik ckj


n

aik bkj +

aik ckj
k=1

Con la denicin de producto de matrices se puede formar una expresin equivalente o o a la anterior: Dpr = (AB)ps + (AC)ps Observacin : La multiplicacin de matrices no es conmutativa, ntese que como se o o o dene la aplicacin y la distributividad el producto entre matrices con distinto nmero o u de columnas no est denido. a En el caso de matrices con igual nmero de columnas o de matrices cuadradas de igual u orden el producto tampoco es una conmutativo. Se puede observar claramente con el siguiente ejemplo: 1 0 0 0 0 0 2 0 = 0 0 0 0 0 0 2 0 1 0 0 0 = 0 0 2 0

Como se sealo existe el caso particular de la matriz cuadrada y la matriz identidad, para n este caso la matriz identidad es un neutro en la estructura algebraica (Mnn (K), ) En efecto, dada A Mnn (K) se tiene que Ann Inn = Ann Demostracin : o
n k=1

aik ikj = aij ijj = aij = Ann

Se concluye que para el caso de las matrices cuadradas la suma y el producto constituyen una estructura algebraica (Mnn (K), +, ) que es un anillo con unidad (existe un neutro para )

17

2.2.7.

Transposicin de matrices o

Dada una matriz A = aij Mmn se dene la aplicacin: o Mmn Mnm A T (A) = AT Es decir, la matriz transpuesta de A, AT , corresponde a una matriz de orden n m a partir de una matriz de orden m n de igual cantidad de elementos. En esta aplicacin la transpuesta de AP Q = n aij se dene: o k=1 AT = Ejemplos : 1 2 5 8 3 4 1 2
n k=1

aji A =

aij
k=1

1.

1 2 5 8 3 4 1 2 1 5 3 2 5 2 0 1 3 0 3 6 2 1 6 4

2.

Para este caso la matriz es simtrica e 3. x = (2, 4, 1) A = AT = 2 4 1 2 4 1

2.2.8.

Propiedades de la Transposicin de Matrices o

1. (AT )T = A Demostracin : o

18 ((A)T )T = (A)T = Aij ij ji 2. (A + B)T = AT + B T Demostracin : o Sean A, B Mmn A + B Mmn y deniendo C = A + B En efecto, Para la matriz C en (i, j) se tiene cij = n aij + bij = n aij + n bij k=1 k=1 k=1 Para la matriz C T en (i, j) se tiene cji = n aji + bij = n aji + n bji k=1 k=1 k=1 Luego, para A, B en (i, j) (A)T = Aji = n aji k=1 ij (B)T = Bji = ij 3. (A)T = aAT Demostracin : o Sea Amn = A = Entonces, Amn = A = a11 . . . a1n = a11 . . . a1n a11 . . . a1n
n k=1 bji

Matrices

AT + B T = n aji + n bji = C T k=1 k=1

am1 . . . amn

am1 . . . amn a11 . . . am1 a1n . . . anm a11 . . . am1 a1n . . . anm

am1 . . . amn

(A)T = Anm = mn

Anm =

a11 . . . am1 a1n . . . anm

= AT

19 4. (AB)T = B T AT Demostracin : o Sean las matrices A Mpq y B Mqr tal que C = AB En efecto, Para (i, j) de la matriz C se tiene que cij =
n

aik bkj
k=1

mientras que para (i, j) de la matriz C T se tiene que cji = debido a la transposicin. o Luego, cji = n aki bjk = n bjk aki k=1 k=1 Sea la matriz D = B T AT Para (i, j) se cumple que dij = n (B)T (A)T k=1 qr pq dij = k = 1n (B)T (A)T dij = kj ik k = 1n bki ajk
n

aki bjk
k=1

dij =

k = 1n bki ajk =

k = 1n ajk bki = (AB)ji = (C T )ij

Finalmente, C = AB C T = (AB)
T

20

Matrices

2.2.9.

Operaciones Elementales de Fila

Se denen como aplicaciones del tipo: Mmn Mmn AP Q e(AP Q ) Existen 3 clases de operaciones inversas: 1. Operacin eij o Consiste en intercambiar de posicin las las (i, j). o Ejemplo : AP Q = a11 a21 a31 a41 a12 a22 a32 a42 a13 a23 a33 a43 a14 a24 a34 a44
e13

BP Q =

a31 a21 a11 a41

a32 a22 a12 a42

a33 a23 a13 a43

a34 a24 a14 a44

Observacin : AP Q BP Q = BP Q o 2. Operacin ej () o Consiste en ponderar la la j por el escalar 0 Ejemplo : AP Q = a11 a21 a31 a41 a12 a22 a32 a42 a13 a23 a33 a43 a14 a24 a34 a44
e2 (5)

BP Q =

a31 a32 a33 a34 5a21 5a22 5a23 5a24 a11 a12 a13 a14 a41 a42 a43 a44

3. Operacin eij () o Consiste en sumar a la la i, la la j ponderada por el escalar 0. El resultado queda en la la i Ejemplo : AP Q
e31 (5)

BP Q

21 a11 a21 a31 a41 a12 a22 a32 a42 a13 a23 a33 a43 a14 a24 a34 a44 a31 a32 a33 a34 a21 a22 a23 a24 a11 5a31 a12 5a32 a13 5a33 a14 5a34 a41 a42 a43 a44

e31 (5)

Tambin se denen operaciones inversas . Cada operacin elemental de la posee una e o inversa que es tambin una operacin de la. e o En efecto, 1. (eij )1 = eij 2. [ej ()]1 = ej () 3. [eij ()]1 = eij ()

2.2.10.

Determinante de una Matriz

Esta aplicacin de dene: o Mmn K K AP Q det(AP Q ) K El determinante ses la suma de todos los productos posibles entre elementos de AP Q, a los que se atribuye un signo, con la condicin de no repetir las ni columnas en cada o producto. El signo atribuido a cada producto es del de (1)n en el que n es el nmero de cmabios u al orden de columnas. Ejemplos : 1. AP P = a11 a12 a21 a22 b12 b21 , (n = 1) signo

Los productos posibles son: b11 b22 , (n = 0) signo+ Luego, det(AP P ) = b11 b22 b12 b21

22 2. BP P = 1 5 2 4

Matrices

det(AP P ) = 1 4 5 2 = 6

2.2.11.

Operaciones Inversas

Cada operacin elemental de la posee una inversa que tambin es una operacin eleo e o mental de la. Ya denidas las operaciones elementales de la, se tiene que: 1. (eij )1 = eij 2. [ej ()]1 = ej (1 ) 3. [eij ()]1 = eij ()

2.3.
2.3.1.

Tipos de Matrices
Matriz Fila

El caso especial de las matrices de 1 n es una notacin alternativa para un vector k Kn o es decir, la matriz M1n contiene las componentes (k1 , k2 , k3 , . . . , kn ) del vector k. De esto uye que una matriz de orden m n contiene las componentes de m vectores Kn . Ejemplo : k K3 = (x, y, z) M13 = a11 a21 a31 = x y z

2.3.2.

Matriz Cuadrada

Son aquellas matrices Mmn tal que m = n es decir, el nmero de las es igual al nmero u u de columnas. En las matrices cuadradas se denomina diagonal principal al subconjunto de elementos (entradas) de la matriz amn que cumplen que i = j. Ejemplo :

23 1 3 2 6 5 4 7 2 4

A=

Diagonal principal: {a11 , a22 , a33 } = {1, 5, 4}

2.3.3.

Matriz Triangular

Matriz Triangular Superior Sea Bmn una matriz cuadrada, esta es adems triangular superior si: a bij = 0 si i > j m=n Ejemplo : B= 1 4 2 0 6 8 0 0 7

Matriz Triangular inferior Sea Bmn una matriz cuadrada, esta es adems triangular inferior si: a bij = 0 si i < j m=n Ejemplo : B= 1 4 2 0 6 8 0 0 7

2.3.4.

Matriz Diagonal

Sea Cmn una matriz cuadrada, esta es adems diagonal si es superior e inferior a la vez si: a cij = 0 si i j m=n

24 Ejemplo : C= 1 0 0 0 3 0 0 0 2

Matrices

2.3.5.

Matriz Escalar

Sea Dmn una matriz cuadrada y diagonal, esta es adems escalar si: a dij = 0 si i j dij = k si i = j m=n Ejemplo : C= 7 0 0 0 7 0 0 0 7 =7 1 0 0 0 1 0 0 0 1

2.3.6.

Matriz Identidad

Sea Imn una matriz escalar, esta es adems identidad si y slo si: a o dij = 0 si i j dij = 1 si i = j m=n Ejemplo : C= 1 0 0 0 1 0 0 0 1

Que corresponde a una matriz identidad de 3 3. Observacin: La matriz identidad se denota Imn y se cumple que siempre es una matriz o cuadrada. La matriz identidad no es unica, existen matrices identidad de orden m n que puede ser 1 1, 2 2, etc.

25

2.3.7.

Matriz Simtrica e

La matriz Smn es simtrica si y slo si: e o Es una matriz cuadrada (m = n) sij = sji i, j Ejemplo : 1 5 3 2 0 5 2 0 1 8 3 0 3 6 7 2 1 6 4 0 0 8 7 0 5

C=

Que corresponde a una matriz simtrica de 5 5. e

2.3.8.

Matriz Antisimtrica e

La matriz S mn es antisimtrica si y slo si: e o Es una matriz cuadrada (m = n) sij = sji si i j sij = 0 si i = j Ejemplo : 0 5 3 2 0 5 0 0 1 8 3 0 0 6 7 2 1 6 0 0 0 8 7 0 0

C=

Se verica que a31 = 3 a13 = 3, a24 = 1 a42 = 1, etc.

2.3.9.

Matriz Nula

La matriz Nmn correponde al neutro aditivo para las matrices, es decir correponde al 0M y se cumple que: nij = 0 i, j Ejemplo:

26 0 0 0 0 0 0

Matrices

C=

Que corresponde a una matriz de 3 2 Observacin : La matriz nula no es unica, existen matrices nulas de orden m n pero a o diferencia de la matriz identidad esta no necesariamente es cuadrada.

2.3.10.

Matriz Inversa

Para algunas matrices cuadradas existe la matriz inversa y esta cuando existe al multiplicarse con su inversa (la matriz original) genera una matriz identidad. Tal condicin se o expresa: Sea Ann esta matriz es invertible si y slo si A1 tal que: o nn Ann A1 = A1 Ann = Inn nn nn Observacin : Este es un caso particular en que se cumple la conmutatividad en el o producto de matrices. Ejemplos : 1 5 1 6

1. Sea A =

De manera temporal supondremos que existe A1 Sea A1 = x1 y 1 x2 y 2 1 5 2 6 = x1 y1 x2 y2 = 1 0 0 1

Entonces, A A1 =

x1 + 5x2 y1 + 5y1 x2 + 6x2 y2 + 6y2

1 0 0 1

27 x1 + 5x2 x + 6x2 2 y1 + 5y1 y2 + 6y2 x1 + 5x2 x2 + 6x2 y1 + 5y1 y2 + 6y2 = = = = 1 0 0 1

= 1 x1 = 6, x2 = 1 = 0 = 0 y1 = 5, y2 = 1 = 1

Por lo tanto, A1 = 6 5 1 1

A es invertible. 2. Sea B = 1 2 2 4

De manera temporal supondremos que existe A1 Sea A1 = x1 y 1 x2 y 2 1 2 2 4 = x1 y 1 x2 y 2 1 0 0 1 = 1 0 0 1

Entonces, A A1 =

x1 + 2x2 y1 + 2y1 2x2 + 4x2 2y2 + 4y2 = = = = 1 0 0 1

x1 + 2x2 2x2 + 4x2 y1 + 2y1 2y2 + 4y2 x1 + 2x2 2x2 + 4x2

= 1 2x1 + 4x2 = 0 2x2 + 4x2

= 1 Contradicccin o = 0

Por lo tanto,

28 A no es invertible ya que el sistema no tiene solucin. o

Matrices

2.3.11.

Propiedades de la Inversa

1. Si A es invertible, entonces A1 es unica Demostracin : o Sea A Mnn (K) es invertible si y slo si existe A1 Mnn (K) tal que: o AA1 = A1 A = Inn Supongamos que existen dos inversas para A tal que: AB = AC = Inn BA = CA = Inn Luego, B = B(AC) B = (BA)C B = Inn C B=C 2. (A1 )1 = A Demostracin : o Sea A Mnn (K) tal que det(A) 0 entonces A1 est denida. a Entonces, (A1 )1 A1 = A A1 (A1 )1 A1 = Inn [(A1 )1 A1 ]A = Inn A (A1 )1 [A1 A] = A (A1 )1 [A A1 ] = A (A1 )1 Inn = A

29 (A1 )1 = A 3. (AB)
1

= B 1 A1

Demostracin : o Sea Ann y Bnn entonces AB est denida y AB Mnn (K) a Luego, si A y B admiten inversa ya que ambas Mnn (K) con n cualquier entero nito. AB(B 1 A1 ) A(BB 1 )A1 A(Inn )A1 AA1 Inn Tambin se debe demostrar para B 1 A1 (AB) e [B 1 A1 (AB)]T (AB)T (B 1 A1 )T (B T AT )[(AT )1 (B T )1 ] B T [AT (AT )1 ](B T )1 B T Inn (B T )1 B T (B T )1 Inn 4. (AT )1 = (A1 )T Demostracin : o Sea A Mnn (K) y det(A) 0 entonces, A es invertible. Para AT Mnn si det(AT ) 0 entonces AT es invertible. AT (AT )1 = AT (A1 )T Inn = AT (A1 )T

30 (AT )1 Inn = AT (A1 )T (AT )1 = (AT )1 [AT (A1 )T ] (AT )1 = [(AT )1 AT ](A1 )T (AT )1 = [AT (AT )1 ](A1 )T (AT )1 = Inn (A1 )T (AT )1 = A1 )T 5. (A + B)1 A1 + B 1 salvo en casos particulares

Matrices

Observacin : Slo algunas matrices son invertibles, como ya se vio existen casos en que o o una matriz no admite inversa y que algunas matrices cuadradas son invertibles. Se puede comprobar que existe la inversa vericando que el determinante sea distinto a cero para una matriz dada.

2.4.

Polinomios de Matrices

Tomando la forma genrica de un polinomio p(x) = an xn +an1 xn1 +. . .+a1 x+a0 se dene, e a partir de esto, el polinomio de matrices de la forma: p Mnn (K) Mnn (K) Ann p(A) De esta forma se tiene que p(A) = bn An + bn1 An1 + . . . + b1 A + b0 (bn corresponde a un coeciente cualquiera como puede ser an , cn , etc. Se denota b para evitar confusiones con algn aij Ann .) u

2.5.

Polinomio Caracter stico

Sea la matriz A Mnn (K). El polinomio caracterstico de A se dene: p() = det(A Inn ) = n + an1 n1 + . . . + a1 + a0

31 El polinomio caracterstico cumple las siguientes propiedades:

1. Es de grado n 2. Es mnico o 3. det(A) = a0 tal que si = 0 entonces, det(A) = a0 4. Como consecuencia del item anterior, (1)n det(A) = a0 Sustituyendo por la matriz A se tiene que: p(A) = An + an1 An1 + . . . + a1 A + a0 A partir de esta sustitucin se tiene la ecuacin caracterstica de una matriz que consiste o o en igualar el polinomio caracterstico de esta a cero.

2.6.
2.6.1.

Mtodos Para Invertir Matrices e


Matriz Ampliada

Para una matriz A Mnn (K) se puede escribir la matriz identidad correspondiente anexa a la matriz A, es decir: a11 a12 a13 . . . a1n 1 0 0 0 1 0 a21 a22 a23 . . . a2n 0 0 1 0 0 0

A=

an1 an2 an3 . . . ann 0 0 0

Luego se aplican operaciones elementales hasta obtener una matriz identidad al lado izquierdo (la matriz original) y el resultado que se obtiene a partir de la matriz identidad anexa corresponde a la inversa de A. Ejemplo :

32 2 1 1 5 2 3 0 2 1 1 2 1 1 1 0 0 5 2 3 0 1 0 0 2 1 0 0 1 1 2
1 2 e1 (1 2)

Matrices

Invertir, si es posible, la matriz A =

1 2

1 2 3 1 1 2 1

1 0 0 2 0 1 0 0 0 1 1 2 0 0
e32 (2) e21 (5)

5 2 0 2 1 1 2

1 0 0 1 1 2 0 1

1 2
1 2

1 2
5 2

0 0
e2 (2)

1 0 0 1 0 0
e23 (1)

0 1

5 2 0 0 0 1 1 0 0 2 5

1 1 2 1

0 1 2 5

0 2 1 1 1 1 2 2 0 1 0 0 0

2 0

e3 (1)

2 1

0 0 1 10 4 1 1 1 1 1 0 0 2 2 2 0 1 0 5
e12 (1 2)

1 10 4 1 1 1 1 0 3 1 2 2 0 1 0 0 0 1 5
e13 (1 2)

0 0 1 1 0 0

10 4 1 8 3 1 2 1

10 4 1

0 1 0 5

0 0 1 10 4 1 A1 = 8 3 1 5 2 1 10 4 1

33

2.6.2.

Matriz Adjunta

Sea la matriz A Mnn (K) se dene la adjunta como la transpuesta de la matriz de cofactores. Cada cofactor Aij corresponde al determinante de la matriz AT Mnn (K) sin considerar la columna i y la columna j cuyo resultado se multiplica por (1)i+j : a11 a12 a13 . . . a1n A= a21 a22 a23 . . . a2n AT = a11 a21 a31 . . . an1 a12 a22 a32 . . . an2

an1 an2 an3 . . . ann

a1n a2n a3n . . . ann

A modo de simplicar se pueden renombrar los elementos de la matriz AT tal que: b11 b12 a13 . . . b1n AT = b21 b22 b23 . . . b2n

bn1 bn2 bn3 . . . bnn A11 A12 A13 . . . A1n adj(A) = A21 a22 A23 . . . A2n
T

A11 A21 A31 . . . An1 adj(A) = A12 A22 A32 . . . An2

An1 An2 An3 . . . Ann

A1n A2n A3n . . . Ann

34 b22 . . . b2n bn2 . . . bnn adj(A) = (1)i+j det b12 . . . b1n ... bi2 . . . bin Considerando el producto P = A adj(A) = a11 a12 a13 . . . a1n a21 a22 a23 . . . a2n an1 an2 an3 . . . ann Si i = j entonces, pjj = aj1 Aj1 + aj2 Aj2 + . . . + ajn Ajn = Si i j entonces, pij = ai1 Aj1 + ai2 Aj2 + . . . + ain Ajn
n 1

Matrices b21 . . . b2i bn1 . . . bnj

(1)i+j det

. . . (1)i+j det

(1)i+j

det

b11 . . . b1j bij . . . bij

A11 A21 A31 . . . An1 A12 A22 A32 . . . An2 A1n A2n A3n . . . Ann

ajk Ajk = det(A)

Para este caso pij = 0 ya que corresponde al determinante de una matriz con las repetidas (las L.D ). det(A) 0 0 ... 0 det(A) 0 . . . 0 0 0 0 1 0 0 ... 0 0 1 0 ... 0 0 0 0 ... 1

A adj(A) =

= det(A)

0 . . . det(A)

Por lo tanto, A adj(A) es una matriz diagonal y se tiene que: A adj(A) = det(A) Inn A1 [A adj(A)] = A1 det(A)

35 A1 = adj(A) det(A)

Teorema 2.6.1 Una matriz A Mnn (K) es invertible si y slo si det(A) 0 o Ejemplo : Invertir (si es posible) la matriz A = det(A) = 39 1 det 1 3 det 1 3 det 1 8 4 5 4 5 8 2 det 3 1 det 3 1 det 2 8 4 5 4 5 8 2 det 3 1 det 3 1 det 2 1 1 3 1 3 1
T

1 3 5 2 1 8 3 1 4

adj(A) =

30 16 1 7 11 8 19 2 5

adj(A) =

30 7 19 16 11 2 1 8 5 30 39 7 39 11 39 8 39 19 39 2 39 5 39

A1 =

adj(A) = det(A)

16 39 1 39

2.6.3.

Teorema de Cayley-Hamilton

A partir de la denicin de polinomio caracterstico de una matriz, se puede enunciar el o teorema de Cayley-Hamilton :

36

Matrices

Teorema 2.6.2 Toda matriz cuadrada es ra de su polinomio caracter z stico que se dene pA () = det(A I) Es decir, A + an1 An1 + . . . + a1 A + a0 I = 0 Sea la matriz A Mnn (K). Entonces por denicin de polinomio caracterstico se tiene: o p() = det(A Inn ) = n + an1 n1 + . . . + a1 + a0 Sustituyendo por la matriz A e igualando a cero se tiene que: p(A) = An + an1 An1 + . . . + a1 A + a0 ) = 0(x) Ejemplo : A32 = 1 2 3 4 1 2 3 4 = (1 )(4 ) 6 = 2 5 2

p() = det(A I) = det Luego, 2 5 2 = 0

Reemplazando por la matriz A e igualando a cero A2 5A 2I = 0 7 10 15 22 5 10 15 20 2 0 0 2 = 0 0 0 0

Se comprueba que: 752 10 10 15 15 22 20 2 = 0 0 0 0

Aplicando el teorema de Cayley-Hamilton para invertir la matriz del ejemplo anterior se tiene que para el polinomio caracterstico 1 p() = 2 5 2 si = 0 entonces, det(A) = 2
El polinomio caracter stico de una matriz corresponde a p() = n + an1 n1 + . . . + a1 + a0 mientras que la ecuacin caracter o stica corresponde al polinomio n + an1 n1 + . . . + a1 + a0 = 0
1

37 Luego, a partir de A2 5A 2I = 0 se puede formar la expresin A 5I 2A1 = 0 o En consecuencia, A 5I A1 = 2 1 2 3 4 1 = A 2 4 2 3 1 A1 = 2 2 A1 = 3 2 1 1 2 2 3 2

5 0 0 5

Comprobando, 1 2 3 4 1 1 2 = 1 0 0 1

2.7.

Equivalencia por Filas de una Matriz

Sea AP Q denimos el espacio la de A como el subespacio KQ K generado por sus las le das como n-tuplas . Ejemplo : A32 = 1 2 3 5 1 8

El espacio la de A equivale a lin(A) = {(1, 2), (3, 5), (1, 8)} R2 R y es L.D. La dimensin del espacio la se denomina rango por las . o

38

Matrices

2.8.

Valores y Vectores Propios

Para una matriz de n n. A partir del polinomio caracterstico se obtiene un valor que corresponde a las soluciones del polinomio caracter stico tal. A partir de los valores propios se obtiene un vector propio asociado de la forma a b c ... z Ejemplo : Sea A = 4 5 2 3

El polinomio caracterstico corresponde a P () = A = 4 5 2 3 = (4 )(3 ) + 10 = (4 )(3 + ) + 10 = 0

P () = (12 + 2 ) + 10 = 2 2 = ( 2)( + 1) Los valores propios son: 1 = 2 con multiplicidad algebraica igual a 1 2 = 1 con multiplicidad algebraica igual a 1 El vector propio se obtiene a partir de (A I) x y = 0 0

Para 1 se obtiene el vector propio (A I) 2x 2x x y = 2 5 2 1 x y 0 0

+ 5y y

= 0 = 0

39 y = 0 x = 0 v1 = 0 0

Propuesto : Resolver para 2

Cap tulo 3 Sistemas de Ecuaciones Lineales


3.1. Notacin Matricial de un Sistema de Ecuaciones o

Un sistema de ecuaciones tiene una notacin de la forma: o a11 x1 a21 x2 am1 xm + + + a12 y1 a22 y2 am2 ym + + + ... ... ... + + a1n z1 a2n z2 = = b1 b2

+ amn zm

= bm

La notacin matricial de esta forma es: o a11 a21 a12 a22 a1n a2n amn x y z b1 b2 bm

am1 am2

Esto ultimo se puede expresar como A x = b. De esta forma, aplicando operaciones elementales se puede resolver un sistema de ecuaciones ya que mediante esta operacin se puede despejar una componente (o incgnita) o o y tambin se pueden encontrar incompatibilidades determinando los tipos de solucin e o encontrando las L.D .

42 Ejemplo : x + y 2x + 2y = = 3 6

Sistemas de Ecuaciones Lineales

La notacin matricial es: o 1 1 2 2 x y = 3 6

Para la matriz A se obtiene: 1 1 2 2


e21 (2)

1 1 0 0

Con esto se obtiene: 1 1 0 0 x y = 3 6

x + y = 3, 0 = 6 Por lo tanto el sistema es incompatible y no hay solucin. o Otra forma de saber las soluciones o si existe solucin es usando el determinante de la o matriz det 1 1 2 2 =1221=0

Si el determinante es cero entonces hay las L.D y no se puede determinar la solucin. o

3.1.1.

Rango por Filas

Deniendo r = rango y n = nmero de incgnitas. El rango por las de una matriz correu o sponde al nmero de las L.I que contiene. Se determina escalonando la matriz y segn u u el nmero de las L.I que se encuentren se dan los siguientes casos: u

43 1. Solucin unica: Si y slo si existe un vector c que es solucin del sistema. o o o Ejemplo : 3x + 5x + y 2y = = 5 8

Como se seal, si la solucin es unica se debe buscar un vector solucin c. Para n o o o esto se puede obtener [I c]. Es decir, se obtiene x = c1 , y = c2 , . . . , z = cn 3 1 5 5 2 8 1 0 2 0 1 1 x y = 2 1
1 e1 ( 3 )

1 1 3 5 3 5 2 8

e2 (5)

1 0

1 3 1 3

5 3 1 3

e12 (1)

1 0 0 1 3

2
1 3

e2 (3)

2. Innitas soluciones: Si se da el caso de que se pueda formar uno o ms pivotes a irreparables, vale decir, una la que inevitablemente contendr al 0 entonces el a rango de la matriz ser menor a la cantidad de las y para esta situacin se tiene a o que r < n Ejemplo : x + 2x 4x + 2y y 3y + 3z 4z 2z = 6 = 2 = 14

Para desarrollar esto se escalona el sistema A x = b y se obtiene [A b] 1 2 3 6 2 1 4 2 4 3 2 14 1 2 3 6 0 5 10 10 0 5 10 10


e21 (2)

1 2 3 6 0 5 10 10 4 3 2 14 1 2 3 6 0 5 10 10 0 0 0 0

e31 (4)

e32 (1)

Entonces, r = 2, n = 3 r < n y las soluciones son innitas.

44

Sistemas de Ecuaciones Lineales 3. No hay solucin: Si el sistema es incompatible y esto se puede vericar luego de o escalonar o directamente. Ejemplo : x + 2y 2x + 4y 1 2 6 2 4 2 1 2 1 2 = = 6 2 1 2 6 1 2 4 = 6 4 x + 2y = 6 x + 2y = 4 C

e21 (1)

x y

3.2.

Algoritmo tipo solucin o

Para el sistem A x = b si r = n entonces hay solucin unica y si r < n soluciones. o Para determinar las soluciones de un sistema de puede realizar lo siguiente: 1. Denir la matriz ampliada [A I] 2. Escalonar y obtener el rango. 3. Si se obtiene [0M c] c 0 entonces el sistema es incompatible. 4. En caso de que no ocurra lo sealado en el punto (3) entonces se tienen dos casos n posibles: r = n r < n Para r = n existen soluciones particulares y una solucin general. o

3.3.
3.3.1.

Soluciones de un S.E.L
Solucin general de un S.E.L o

El conjunto de todas las soluciones particulares del S.E.L A x = b corresponde a la solucin general del sistema. o Ejemplos :

45 1. x + 2x + y 3y + z z = 0 = 4

De la ecuacin (1) se obtiene z = x y o Reemplazando en (2) se obtiene 3x + 4y = 4 y = x = 1 3x 4 1 x 4 4 3x 3x =1 4 4

La solucin general ser o a

x y z

x + 2. 2x 4x +

2y y 3y

3z 4z 2z

= 6 = 2 = 14

La matriz aumentada queda: 1 2 3 6 2 1 4 2 4 3 2 14 1 2 3 6 0 5 10 10 0 0 0 0 La variable libre es z por lo que despejando se obtiene: x = 6 2y + 3z y=


1010z 5 e21 (2)

1 2 3 6 0 5 10 10 4 3 2 14

e31 (4)

1 2 3 6 0 5 10 10 0 5 10 10

e32 (1)

= 2 + 2z

x=2z

La solucin general del sistema es: o S= x y z R3 x y z = 2z 2 + 2z z = 2 2 0 +z 1 2 1

46

Sistemas de Ecuaciones Lineales

3.3.2.

Solucin Particular de un S.E.L o

Las soluciones particulares son todos los valores que se admiten en la solucin general. o Para el caso anterior una solucin particular est dada por un valor de x que este denido o a en las componentes (x, y, z). El ejemplo anterior admite, entre otros valores, x = 0 tal que x1 = 1 x1 =
1 4 5 4

0 1 1

y x = 1 tal que

Estos valores corresponden a soluciones particulares del sistema y existen tantas soluciones como valores que no indenan las ecuaciones dadas.

3.4.

Sistemas Homogneos e

Para un sistema de la forma A x = b si se cumple que b = 0 se tiene A x = 0 y entonces el sistema ser homogeneo. Entonces, todo sistema homogneo tiene como solucin x1 = a e o 0, x2 = 0, x3 = 0, . . . , xn = 0. Si las las de A son L.I , es decir det(A) 0, entonces el sistema admite otras soluciones.

Teorema 3.4.1 La solucin de un sistemas homogneo es s.e.v en Kn . Si llamamos S al o e conjunto solucin de A x = b entonces: o 1. 0 S 2. a, b S (a b) S 3. c S c S

47

3.5.
3.5.1.

Formas de Resolucin o
Mtodo de Gauss e

Si el sistema A x = b es un S.E.L compatible y tiene tantas ecuaciones como incgnitas, o es decir que tiene solucin unica se tienen la siguiente implicancia: Las las de la matriz o A son L.I det(A) 0 Dadas estas condiciones se puede invertir la matriz A y se obtiene: Ax=b A1 A x = A1 b x = A1 b Otra forma de obtener la solucin es de la siguiente forma: o 1. Se escribe la matriz aumentada [A b] 2. Se aplican operaciones elementales hasta obtener [I c] 3. x = c es la solucin del sistema. o Ejemplo : Obtener las soluciones para el sistema: 1 1 1 + + = 10 x y z 2 x 3 x + 3 y 2 y 4 z 1 z = 22 = 12

Primero, se puede aplicar un cambio de variable para simplicar la resolucin: o 1 1 1 Sea = x , = y, = z x y z

48 x 2x 3x + y 3y + 2y + z 4z z = 10 = 22 = 12

Sistemas de Ecuaciones Lineales

Luego, la notacin matricial corresponde a: o 1 1 1 10 2 3 4 22 3 2 1 12 1 1 1 10 0 5 6 42 0 1 4 42 1 1 1 10 0 0 1 12 0 1 4 42 1 1 1 10 0 0 1 12 0 1 0 6 1 0 0 4 0 0 1 12 0 1 0 6


e21 (2)

1 1 1 10 0 5 6 42 3 2 1 12 1 1 1 10 0 0 14 168 0 1 4 42 1 1 1 10 0 0 1 12 0 1 0 6 1 1 0 2 0 0 1 12 0 1 0 6 1 0 0 4 0 1 0 6 0 0 1 12

e31 (3)

e21 (5)

1 e2 ( 14 )

e32 (4)

e3 (1)

e3 (1)

e13 (1)

e23

1 1 1 Entonces, x = 4, y = 6, z = 12 x = , y = , z= 4 6 12

3.5.2.

Regla de Cramer

Tal como en el caso anterior se tiene que si el sistema A x = b es un S.E.L compatible y tiene tantas ecuaciones como incgnitas, es decir que tiene solucin unica se tienen la o o siguiente implicancia: Las las de la matriz A son L.I det(A) 0 Dadas estas condiciones se puede invertir la matriz A y se obtiene: Ax=b A1 A x = A1 b

49 x = A1 b Bajo estas condiciones la solucin x = A1 b se determina a partir de la matriz A1 tal que: o adj(A) det(A) a11 a21 a12 a22 a13 a23 . . . a1n . . . a2n

A1 =

Sea la matriz A =

am1 am2 am3 . . . amn A11 A21 A1 = adj(A) = det(A) A12 A22 A13 A23 . . . A1n . . . A2n
T

Am1 am2 Am3 . . . Amn det(A)

Se tiene que Aij = (1)i+j det(A ) siendo A la matriz resultante de aplicar el desarrollo de Laplace a la columna j. Es decir, A aij A En la matriz adjunta no se consideran los factores que ponderan a la matriz A . Considerando la componente j-sima de la ecuacin anterior se obtiene: e o b1 b2 b3 bn det(A) xj =
n 1 l.c j

Aj1 Aj2 Aj3 . . . Ajn xj =

Aj1 b1 + Aj2 b2 + Aj3 b3 + . . . + Ajn bn det(A)

Ajn bn

1 det(A)

j con j = det(A ) siendo A la matriz que se obtiene reemplazando la columna j por el vector b, es decir: Entonces, xj =

50 a11 a21 a12 a22 a13 a23 . . . a1n . . . a2n a11 a21 a12 a22

Sistemas de Ecuaciones Lineales a13 a23 . . . b1 . . . b2

A=

A = b

am1 am2 am3 . . . amn Ejemplo :

am1 am2 am3 . . . bn

Resolver el sistema usando la Regla de Cramer 1 x 2 x 3 x + + 1 y 3 y 2 y + 1 z 4 z 1 z = 5

= 11 = 6

Como en el caso anterior se puede aplicar un cambio de variable para simplicar la resolucin: o Sea x 2x 3x 1 1 1 = x , = y, = z x y z + y 3y + 2y + z 4z z = 5 = 11 = 6

det x = x = det x= 1 1 = x 2

5 1 1 11 3 4 6 2 1 1 1 1 2 3 4 3 2 1

15 + 24 + (22) 18 (40) 11 28 = =2 3 + (12) + 4 (9) (2) (8) 14

51 1 5 1 2 11 4 3 6 1 1 1 1 2 3 4 3 2 1

det y = y = det y= 1 1 = y 3 det z = y = det z= 1 1 = z 6

15 + 24 + (22) 18 (40) 11 42 = = 3 14 14

1 1 5 2 3 11 3 2 6 1 1 1 2 3 4 3 2 1

18 + (33) + 20 (45) (22) (12) 84 = =6 14 14

Cap tulo 4 Escalares, Vectores y Espacios Vectoriales


4.1. Escalar

Se dene escalar como toda maginitud que queda expresada cuando se conoce su magnitud y la unidad de medicin. o Ejemplos : 1. Masa: 50kg, 16oz 2. Temperatura: -6C, 32F, 273K 3. Tiempo: 5 segundos 4. Rapidez: 10 km h, 36 m s 5. Volumen: 4 m3

4.2.

Vector

Se dene vector como una magnitud que se dene con tres propiedades que le son caracter sticas:

54

Escalares, Vectores y Espacios Vectoriales

1. Mdulo: La longitud del vector (un vector contiene un segmento). En este caso es o el segmento OA y corresponde a 32 + 42 . 2. Direccin: Recta que contiene al vector. En este caso el vector est contenido en la o a 4 recta de forma cannica y = x o 3 3. Sentido: La orientacin que toma el vector. En este caso es desde el punto (0,0) o hasta el punto (3,4) y se ubica en el cuadrante I). Por convenio se divide el plano cartesiano en cuatro cuadrantes de la forma siguiente:

II)

I)

III)

IV)

55 Si no se especican las 3 propiedades anteriores, el vector no est denido. Los vectores a se denotan a, b, c, ..., n y su expresin en el plano es de la forma a = {ax , ay , az , ..., an }. o Ejemplos : 1. Velocidad: Un mvil se mueve en uno o ms ejes respecto de un centro de referencia. o a La velocidad es la variacin de distancia respecto del tiempo y puede tomar valores o negativos, no as la rapidez que correponde al mdulo de la velocidad. o 2. Desplazamiento: Un mvil puede ir de A a B que no es lo mismo que de B a A. o Entonces, es importante especicar el sentido de la echa que describe el vector desplazamiento. 3. Aceleracin: Dependiendo del sentido una fuerza puede acelerar o desacelerar un o mvil por lo que el mdulo por si slo no dene la aceleracin. o o o o

Los vectores de la gura son todos de igual mdulo pero su direccin y sentido no son o o iguales. Por esto que es importante denir que un vector se dene mediante estas tres propiedades.

56

Escalares, Vectores y Espacios Vectoriales

Los vectores son n-dimensionales , es decir, estn contenidos en planos en Kn (K puede ser a R o C) pero por razones geomtricas (no es posible gracar en ms de tres dimensiones) e a todo vector en el espacio est contenido en planos en R2 o R3 . a Todo vector en Kn se denota a = (a1 , a2 , . . . , an ) y tambin se puede denotar en forma de e matriz . Un vector de n-componentes , en este caso 3, se denota mediante una matriz la como se vi en el captulo 2 tal que: o a R3 = ax ay az

Para esclarecer an ms sirve como ejemplo el caso de un alumna que llamaremos Trixi u a . El desplazamiento de su casa, que queda en Diagonal Paraguay, desde un punto A a la facultad ubicada en un punto B es el vector AB que no es lo mismo que el desplazamiento opuesto BA. Ambas distancias tienen igual mdulo, misma direccin pero sentido inverso. o o Mediante gracos esto queda expresado claramente en los ejes (x, y) y (x, y, z). Existen muchos ms ejemplos como el de la velocidad de una piedra que cae con mudulo igual a a o su rapidez, direccin vertical y sentido hacia el centro de la tierra. o

4.3.

Espacio Vectorial

Sea V un conjunto de vectores {a, b, c, ..., n} dotado de una LCI denominada suma y que adems este conjunto tiene estructura de grupo abeliano. a Sea adems, K un conjunto de escalares {, , , ..., } dotado de dos LCI (+, ) tal que a (K, +, ) tiene estructura de cuerpo. Entonces, V K es un ejjespacio vectorial.

4.4.
4.4.1.

Espacios Vectoriales Usuales


Espacio Vectorial R2 R

Consideremos V = R2 = R R = {(x, y) x R y R} que corresponde a vectores pares ordenados de nmeros reales. u La suma en este caso se dene: a = (x, y) a b = (x, y) (p, q) = (x + p, y + q) b = (p, q)

57 Con esta denicin el neutro de la suma de vectores en R2 es: o 0 = (0, 0) En efecto, a + 0 = (x, y) + (0, 0) = (x + 0, y + 0) = (x, y) Para el caso de un vector polinomio cabe sealar que el neutro no correponde al 0 sino al n 2 + . . . + nxn p(x) = a + bx + cx 0(x), es decir: 0(x) = 0 + 0x + 0x2 + . . . + 0xn Para el cuerpo K tomamos el cuerpo (R, +, ) y nalmente consideramos la LCE entre R y R2 que se dene: R R2 R2 (, a) = ((x, y)) a = (x, y) = (x, y) Demostracin : R2 R es un espacio vectorial o Se pueden vericar las propiedades ya sealadas de la LCE K V: n 1. (a b) = a b En efecto, (a b) = [(x, y) (p, q)] (a b) = (x + p, y + q) (a b) = ((x + p), (y + q)) (a b) = (x + p), y + q) (a b) = (x, y) (p, q) (a b) = (x, y) (p, q) (a b) = a b 2. ( + )a = a a En efecto, ( + )a = ( + )(x, y) ( + )a = (( + )x , ( + )y) ( + )a = (x + x , y + y) ( + )a = (x, y) + (x + y) ( + )a = a + a

58 3. (a) = ()a En efecto, (a) = ((x, y)) (a) = [(x, y)] (a) = (x, y) (a) = (x, y) 4. 1a = a En efecto, 1a = 1(x, y) 1a = (1x, 1y) 1a = (x, y) 1a = a

Escalares, Vectores y Espacios Vectoriales

Las propiedades se han vericado con pares ordenados de nmeros reales por lo que se u 2 R es un espacio vectorial. demuestra que R Observacin : Aqu solo se ha demostrado un caso particular. La demostracin es vlida o o a para R2 R y no para cualquier espacio vectorial que puede ser R3 R, Rn R, etc.

4.4.2.

Rn R
nveces

Corresponde a: Rn R = (R R R . . . R) Todo vector en Rn R se denota x = {(x1 , x2 , x3 , . . . , xn ) xj R j = {1, 2, 3, . . . , n}}

La suma en este espacio es anloga al caso de pares ordenados, es decir: a x y = (x1 , x2 , x3 , . . . , xn ) (y1 , y2 , y3 , . . . , yn ) = (x1 + y1 , x2 + y2 , x3 + y3 , . . . , xn + yn ) La ponderacin por escalar tambin es anloga al caso de pares ordenados, se cumple: o e a x = (x1 , x2 , x3 , . . . , xn ) = (x1 , x2 , x3 , . . . , xn ) Observacin : Los vectores en Rn R se denominan n-tuplas o

59

4.4.3.

Rn [x] R (Polinomios reales de grado n sobre R)

Corresponde a : Rn [x] R = {p(x) = a0 + a1 x + a2 x2 + . . . + an xn aj R j = {(1, 2, 3, . . . , n}}


pol

La suma en este espacio es anloga al caso de pares ordenados, es decir: a (p q)(x) = (a0 + a1 x + a2 x2 + . . . + an xn ) (b0 + b1 x + b2 x2 + . . . + bn xn ) (p q)(x) = (a0 + b0 ) + (a1 x + b1 x) + (a2 x2 + b2 x2 ) + . . . + (an xn + bn xn ) La ponderacin por escalar en este espacio es anloga al caso de pares ordenados, es decir: o a p(x) = p(x) = (a0 + a1 x + a2 x2 + . . . + an xn ) p(x) = a0 + a1 x + a2 x2 + . . . + an xn El neutro para este espacio corresponde a 0(x), es decir: 0 + 0x + 0x2 + . . . + 0xn Observaciones : 1. 0(x) numricamente es cero pero conceptualmente es un polinomio. e 2. n indica el grado mayor de un polinomio, de esta forma un espacio de orden n contiene todos los polimios de grado n. 3. Un polinomio se puede expresar como n-tupla, ejemplo: 2 + 3x + 4x2 (2, 3, 4)

4.4.4.

C[a, b] (Funciones reales continuas sobre [a, b])

Suma de vectores: f + g(x) = f (x) + (x) g Ponderacin por escalar: (f )(x) = f (x) o Elemento neutro: 0 (x) = 0 x [a, b]

4.5.

Base de V K

Sea V K un espacio vectorial, entonces el conjunto A = {a1 , a2 , a3 , . . . , an } es una base de V K si y slo si: o

60 1. A es linealmente independiente 2. lin(A) = V K

Escalares, Vectores y Espacios Vectoriales

Cuando se cumplen ambas condiciones A es un conjunto libre (linealmente independiente) y generador , es decir que con combinaciones lineales de A se puede formar cualquier vector de V K. Ejemplo : E = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de R3 R 1. E es linealmente independiente. En efecto, (1, 0, 0) + (0, 1, 0) + (0, 0, 1) = (0, 0, 0) (, 0, 0) + (0, , 0) + (0, 0, ) = (0, 0, 0) ===0 2. E es generador de R3 R En efecto, sea (x, y, z) cualquier vector de R3 R se cumple que: (x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1) (x, y, z) = (x, 0, 0) + (0, y, 0) + (0, 0, z) (x, y, z) = (x, y, z) (x, y, z) lin(E) (x, y, z) R3

4.5.1.

Bases Cannicas o

Se dene base cannica como toda base formada unicamente por vectores unitarios tal o que solo una de las componentes de cada vector es no nula e igual a 1. Para toda base cannica se cumple lo siguiente: o 0 si i j Siendo j la componente 1 si i = j j-sima del vector i-simo . Es decir, cuando la componente tiene la misma cardinalidad e e que el vector entonces la componente toma el valor 1. Sea ci el i-simo vector cannico, necesariamente ci e o Para el caso de un vector polinomio la base cannica se dene: E = {1, x, x2 , . . . , xn } o

61

4.6.

Dimensin de V K o

Sea V K un espacio vectorial, entonces todas las bases de V K tienen la misma cardinalidad. Se dene dimensin del espacio V K a la cardinalidad de sus bases. De este concepto o surge el de vector de coordenadas de x que se dene:

4.7.

Vector de Coordenadas de x

Sea A = {a1 , a2 , a3 , . . . , an } y x V cualquier vector. Entonces se puede expresar x de la forma: n x = 1 a1 + 2 a2 + 3 a3 + . . . + n an = k xk


k=1

Es decir, x se puede formar a partir de una combinacin lineal de vectores del conjunto o al que pertenece. El vector de coordenadas de x con respecto a la base A corresponde a la n-tupla: 1 2 3 n Ejemplo : 1. En R3 R sea la base D = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} y el vector x = (2, 8, 5) Se tiene que x = 6(1, 0, 0) + 3(1, 1, 0) + 5(1, 1, 1) Por lo tanto el vector de coordenadas corresponde a: [x]D = 2. Determine base y dimension para W1 W2 si W1 = {(x, y, z, w) R4 x + y w = 0} W2 = {(x, y, z, w) R4 x w = 0} Sea u W1 W2 tal que: 6 3 5

[x]A =

62 a + b d = 0 a d 0 a+bd=0b=0 a=d

Escalares, Vectores y Espacios Vectoriales

u = (a, b, c, d) = (a, 0, c, a) = a(1, 0, 0, 1) + c(0, 0, 1, 0) u es generado por {(1, 0, 0, 1), (0, 0, 1, 0)} que es linealmente independiente {(1, 0, 0, 1), (0, 0, 1, 0)} es base de dimensin (cardinalidad) 2 de W1 W2 o

4.8.

Subespacio Vectorial

Sea V K un espacio vectorial y W V tal que W . Entonces W K es un s.e.v. de V K si y slo si cumple con el teorema de caracterizacin: o o Teorema 4.8.1 W V es s.e.v. de V K si y slo si: o 1. 0 W lo cual comprueba que W 2. ( , b ) W ( b ) W ( , b ) W, K a a a 3. W W ( , b ) W, K a a a Ejemplo : En R2 R sea W R2 [x] W = {p(x) = a + bx + cx2 , p(1) = 0} Probar que W R es un s.e.v. de R2 [x] R 1. Sea 0 (x) = 0 + 0x + 0x2 0 (x) W W tenemos que 0 (x) x=1 = 0 + 0 1 + 0 12 = 0

(x) = a + bx + cx2 p p q 2. Sean W (1) + (1) = 0 q (x) = d + ex + f x2 Entonces, (p + q)(x) = (x) + (x) p q Por lo tanto (p + q)(1) = (1) + (1) = 0 + 0 = 0 (p + q)(x) W p q

63 3. Sea x = a + bx + cx2 W p(1) = 0 y adems R p a Entonces, ( )(x) = (x) p p ( )(1) = (1) = 0 = 0 p p ( W) p

W es un s.e.v

4.8.1.

Combinacin Lineal o

Sea A = {x1 , x2 , x3 , . . . , xn } V K que puede ser un conjunto de caracter nito o innito. Una combinacin lineal de A es todo vector de la forma: o a=
n k=1

j xj a = lin(A)

El concepto de combinacin lineal lleva al concepto de independencia lineal que se dene o como sigue:

4.8.2.

Independencia Lineal de un Conjunto

Sea A = {x1 , x2 , x3 , . . . , xn } V K, se cumple que A es linealmente independiente si y slo o si: a=


n k=1

k xk = 0 (1 = 2 = 3 = . . . = n = 0)

Es decir, A es un conjunto linealmente independiente cuando la unica forma de obtener una combinacin lineal nula es que todos los escalares de la combinacin sean 0. Si esto o o no se cumple, entonces el conjunto necesariamente es linealmente dependiente. Ejemplos :
5 1. Vericar que (3, 2 ) es combinacin lineal de A = {(1, 0), (0, 2)} o 5 En efecto, (1, 0) + (0, 2) = 3, 2 5 (, 2) = 3, 2

64 2 = = 3 5 2

Escalares, Vectores y Espacios Vectoriales

5 4 es combinacin lineal de A o = 3, = 2. Demostrar que B = A {aj } con (A, B) V K es un conjunto linealmente dependiente. En efecto, aj V K aj lin(B)
n k=1,kj

aj =

k xk aj = 1 a1 + 2 a2 + 3 a3 + . . . + j1 aj1 + j+1 aj+1 + . . . + n an

0 = 1 a1 + 2 a2 + 3 a3 + . . . + j1 aj1 aj aj + j+1 aj+1 + . . . + nan La combinacin lineal nula es linealmente dependiente ya que aj est ponderado por o a 1.

4.9.
4.9.1.

Operatoria Vectorial
Suma de Vectores

Dados dos o ms vectores estos se pueden sumar directamente. Para el caso de dos veca tores a = (x1 , y1 ) , b = (x2 , y2 ) estos se suman componente a componente1 , es decir a + b = (x1 + x2 , y1 + y2 ). As se establece la regla del paralelogramo que dene que para sumar dos vectores cualquiera se debe hacer lo siguiente:

1. Dados a y b para obtener a + b se dibuja b a continuacin de a. o 2. Ambos vectores se trasladan hasta completar un paralelogramo.
Componente de un vector: La componente de un vector es la proyeccin de un vector sobre uno de o los ejes en que est contenido, es decir es el valor que el vector tiene en un je. a e Ejemplo : a = (3, 2) a x = 3 (componente x) y a y = 2 (componente y)
1

65 3. El vector que va desde el inicio de a hasta el nal de b es a + b. Una consecuencia importante de esto es que la suma de vectores no es conmutativa ya que invertir el orden de la suma invierte el sentido del vector resultante.

y b' a b x
x

a a'
a+b

a+b

En caso de tener dos o ms vectores sumados se hace de la misma manera. Para el caso a del paralelogramo deber sumarse los vectores de a pares para as poder formar el an paralelogramo y no otra gura. En forma algebraica la suma de n-vectores no presenta diferencia con la suma de dos vectores. Es importante sealar que la suma de vectores n est denida solo cuando se aplica a vectores de igual nmero de componentes. a u De otra forma, se pueden sumar vectores mediante la regla del tringulo que consiste a en copiar el vector que se suma a continuacin de otro y el vector resultante va desde el o origen del primer vector hasta el nal del vector sumado.

b a a+b

66 Resta de Vectores

Escalares, Vectores y Espacios Vectoriales

Como tal la resta de vectores no existe. La resta de vectores consiste en sumar el inverso de un vector a otro. Ejemplos : Dados a = (4, 2) , b = (2, 1) , c = (1, 0) , d = (3, 8) , e = (2, 7) 1. a + b = (2, 3) 2. a c = a + (c) = (4, 2) + [(1, 0)] = (4, 2) + (1, 0) = (5, 2) 3. a + b + c + d + e = ([4 2 1 + 3 2], [2 + 1 + 0 8 7]) = (2, 12) 4. a b c d e = ([4 + 2 + 1 3 + 2], [2 1 0 + 8 + 7]) = (2, 12) 5. a + b + d + c = ([4 2 + 3 1], [2 + 1 8 + 0]) = (4, 5)

4.9.2.

Ponderacin por Escalar o

Dado un vector cualquiera ponderar por un escalar consiste en multiplicar todas las componentes del vector por un mismo valor. De este modo si a = (x, y, z) entonces, a = (x, y, z) tal que puede alterar el mdulo y el sentido del vector. o Ejemplos : Dados a = (1, 2, 4) , b = (2, 0, 1) , c = (4, 6, 3) 1. 3 1 c = 2, 3, 2 2

2. 2a c + 10b = (2, 4, 8) + (4, 6, 3) + (20, 0, 10) = (12, 2, 15) Si consideramos una LCE entre K y V de la forma: KVV (, a) a a es vector a ponderado por escalar . Se cumple que:

67 1. (a b) = a b 2. ( + )a = a a 3. (a) = ()a 4. 1a = a Entonces la estructura (V, K, , +, , K V) es un espacio vectorial. Notacin de espacio vectorial: o (V, K, , +, , K V) V K

4.9.3.

Producto Cartesiano

Sean A, B conjuntos de vectores no vac Denimos el producto cartesiano de A, B como os. el conjunto: A B = {(A, B) a A b B} Es decir, al efectuar producto cartesiano a dos conjuntos de vectores, se obtiene un conjunto de combinaciones de vectores contenidos tanto en A como en B. Es importante sealar que tal operacin no contiene todas las combinaciones posibles ya que al efectuar n o A B se obtienen combinaciones de B sobre A y en otros casos es el segundo termino que opera sobre el primero. Adicionalmente, el producto cartesiano se puede realizar entre conjuntos de vectores de distinto nmero de componentes. u Ejemplos : 1. A = (1, 2) B = (, , ) A B = {(1, ), (1, ), (1, ), (2, ), (2, ), (2, )} 2. B A = {(, 1), (, 2), (, 1), (, 2), (, 1), (, 2)} 3. A A = {(1, 1), (1, 2), (2, 1), (2, 2)} Por igualdad de pares ordenados: (a, b) = (x, y) (a = x) (b = y)) De lo anterior se tiene que A B B A

68

Escalares, Vectores y Espacios Vectoriales

4.9.4.

Norma de un Vector

Dado un vector en Kn este cumple con las propiedades de un vector ya sealadas. Para n 2 y R3 se puede emplear el teorema de pitgoras para determinar el caso de vectores de R a el mdulo de un vector que en forma general se denomina norma . En todo espacio V K o se puede denir una aplicacin: o V R+ {0} a a Esta aplicacin cumple las siguiente propiedades: o 1. a 0 2. a = 0 a = 0 3. a = a 4. a + b a + b (desigualdad triangular)

4.9.5.

Normas en Rn R

La norma de un vector se clasica arbitrariamente asignando nmeros: u 1. Norma 1 a


1 = (a1 , a2 , a3 , . . . , an ) 1 = n

aj
k=1

2. Norma 2 ( Norma Eucldea , esta es la que se usa comnmente a menos que se o u indique otra cosa) a
2

1 2

aj
k=1

a1 2 + a2 2 + a1 3 + . . . + an 2

3. Norma 3 a
3

1 3

aj
k=1

a1 3 + a2 3 + a1 3 + . . . + an 3

69 4. Norma innito ( del supremo) o a

= sup{ ak }n k=1

Ejemplo : (2, 8, 3, 0) En efecto,


n

=8

l m

2n+ 8n+ 3n 2n+ 8n+ 3n 8n 8n 1 4


0 n

l m

8 l m

3 +1 + 8
n 0

8 l m

1n =8

4.9.6.

Angulo Entre Vectores

Dado un espacio vectorial V K, el ngulo entre dos vectores a, b de este espacio se dene a segn la relacin: u o

cos(a, b) =

< a, b > a b

Ejemplo en R2

70

Escalares, Vectores y Espacios Vectoriales

a b

Para determinar el angulo ser as a : cos(a, b) = < (2, [4 1]), (3, [3 1]) > 22 + (4 1)2 6+6 12 = = 13 13 13 32 + (3 1)2

12 Luego, el angulo correspondiente es: arccos( 13 ) = 22 37 12

4.9.7.

Producto Punto ( Producto Interno) o

Sea V K un espacio vectorial . Se dene el producto punto sobre V como cualquier aplicacin del tipo: o VVK (a, b) < a, b > K a, b V Es una operacin cuyo resultado es un escalar . Se denota < a, b > o en forma alternativa o a b

4.9.8.

Propiedades del Producto Punto

El producto punto cumple lo siguiente: 1. Asociatividad: Si aparece una suma junto con el producto punto se puede asociar respecto de la suma.

71 a) Para el caso de vectores: < a + b, c >=< a, c > + < b, c > b) Para el caso de matrices (siempre y cuando las operaciones estn bien denidas): e < A + B, C >= tr(C T A) + tr(C T B) c) Para el caso de polinomios: < p(x) + q(x), r(x) >=< p(x), r(x) > + < q(x), r(x) > d) Para el caso de funciones reales continuas en [a, b] < f (x) + g(x), h(x) >=< f (x), h(x) > + < g(x), h(x) > 2. Distributividad: Si el producto punto se pondera por un escalar, este distribuye respecto de cada trmino del producto punto e

a) Para el caso de vectores: < a, b >=< a, b >=< a, b > b) Para el caso de matrices (siempre y cuando las operaciones estn bien denidas): e < A, B >= tr(B T A) c) Para el caso de polinomios: < p(x), q(x) >=< p(x), q(x) >=< p(x), q(x) > d) Para el caso de funciones reales continuas en [a, b] < f (x), g(x) >=< f (x), g(x) >=< f (x), g(x) > 3. Conmutatividad: En Rn el producto punto es conmutativo tal que: a) Para el caso de vectores: < a, b >=< b, a > Para el caso de Cn se cumple que el producto punto es conmutativo respecto de su conjugacin, es decir, se cumple que: o < a, b >= < b, a > a b=b a

72

Escalares, Vectores y Espacios Vectoriales Ejemplo en C : Si < a, b >= 3 + 2i entonces, < b, a >= 3 2i < b, a > = 3 + 2i b) Para el caso de matrices (siempre y cuando las operaciones estn bien denidas): e < A, B >=< B, A > tr(B T A) = tr(AT B) c) Para el caso de polinomios: < p(x), q(x) >=< q(x), p(x) > d) Para el caso de funciones reales continuas en [a, b] < f (x), g(x) >=< g(x), f (x) > 4. Otra propiedad, no menos importante, es que el producto punto es siempre mayor o igual a cero (< a, b > 0) y esto se cumple con todos los casos ya mencionados.

Ejemplo : Demostrar que en M22 < A, A >= tr(AT A) es producto punto Se debe demostrar que se cumplen las propiedades mencionadas 1. PD < A, A > 0 Como < A, A >= a11 a12 a21 a22 , a11 a12 a21 a22

Se tiene entonces que a11 a12 a21 a22 Luego, tr(AT A) = tr a2 + a2 11 21 a11 a12 + a21 a22 a11 a12 + a21 a22 a2 + a2 12 22 = a2 + a2 + a2 + a2 11 12 21 22 , a11 a12 a21 a22 = tr(AT A)

En base a lo anterior se tienen dos casos,

73 a) (A A = 0) (a2 + a2 + a2 + a2 = 0) 11 12 21 22 Es directo que si a11 = a12 = a21 = a22 = 0 b) (A A > 0) (a11 2 + a2 + a2 + a2 > 0) 12 21 22 Esto implica que se debe demostrar lo siguiente: 0 0 A A > 0 M22 0 0 En efecto, si {a11 , a12 , a21 , a22 } R {0} (a2 + a2 + a2 + a2 ) > 0 11 12 21 22 tr a2 + a2 a11 a12 + a21 a22 11 21 + a11 a12 + a21 a22 a2 + a2 12 22 >0

2. Conmutatividad PD < A, A >=< A, A > Es directo que se cumple la igualdad. 3. Distributividad PD < A, A >=< A, A >=< A, A > a) < A, A >= tr a2 + a2 11 21 a11 a12 + a21 a22 a11 a12 a21 a22 a2 + a2 11 21 a11 a12 + a21 a22 a2 + a2 11 21 a11 a12 + a21 a22 a11 a12 + a21 a22 a2 + a2 12 22

b) < A, A >= tr

a11 a12 a21 a22 a11 a12 + a21 a22 a2 + a2 12 22 a11 a12 + a21 a22 a2 + a2 12 22

< A, A >= tr

< A, A >= tr

74 c) < A, A >= tr a11 a12 a21 a22

Escalares, Vectores y Espacios Vectoriales a11 a12 a21 a22 a11 a12 + a21 a22 a2 + a2 12 22 a11 a12 + a21 a22 a2 + a2 12 22

< A, A >= tr

a2 + a2 11 21 a11 a12 + a21 a22 a2 + a2 11 21 a11 a12 + a21 a22

< A, A >= tr

Se cumple que 1) = 2) = 3) 4. Asociatividad PD < A + B, C >=< A, C > + < B, C > < A + B, C >= tr(C T [A + B]) < A + B, C >= tr(C T A + C T B) < A + B, C >= tr(C T A) + tr(C T B) < A + B, C >=< A, C > + < B, C > tr(B T A) es producto punto en M2 (R)

4.9.9.

Productos Punto Usuales

1. Producto punto entre vectores en Rn < a, b >=< (a1 , a2 , a3 , . . . , an ), (b1 , b2 , b3 , . . . , bn ) >= a1 b1 + a2 b2 + a3 b3 + . . . + an bn < a, b >= n ak bk k=1 Para el caso de R2 o R3 se puede emplear < a, b >= a b cos(). En la esta ecuacin o ab corresponde a (a, b) = arc cos x y 2. Producto punto entre matrices < A, B >= tr(B T A) = tr(AT B) si y slo si B T A est denida. o a

75 3. Producto punto entre polinomios en Rn < p(x), q(x) >=< a0 + a1 x + a2 x2 , . . . , an xn , b0 + b1 x + b2 x2 , . . . , bn xn > < p(x), q(x) >= n ak bk k=1 4. Producto punto entre funciones reales continuas en [a, b] < f (x), g(x) >= a [f (x)g(x)]dx
b

4.9.10.

Producto Cruz ( Producto Vectorial) o

En R3 puede denirse una aplicacin que dene producto entre vectores tal que al efectuar o la operacin producto cruz (denotada con el operador ) se obtiene como resultado otro o vector. Entonces, se tiene lo siguiente: R3 R3 R3 (a, b) a b R3 (a, b) R3

4.9.11.

Propiedades del Producto Cruz

1. Se cumple que el producto cruz genera otro vector tal que: (a b) a (a b) b 2. La forma operacional es: a b = a b sen() 3. Se cumple que < a b, a >=< a b, b >= 0 dada la condicin de ortogonalidad o 4. Para calcular producto cruz mediante determinantrs (as no se consideran las nor mas como en el caso anterior) se toman los vectores de la base cannica R3 : o = (1, 0, 0) = (0, 1, 0) k = (0, 0, 1) y dados los vectores (a, b) R3 . Con esto i j se dene a b: a b = det k i j ax ay az bx by bz

5. El producto cruz no es conmutativo y esto es claramente visible con la forma matricial aunque tal vez no lo es a primera vista por medio de las normas. Ejemplo

76

Escalares, Vectores y Espacios Vectoriales Dados dos vectores [a = (5, 0, 2), b = (2, 1, 2)] R3 entonces, ab= k i j 2 5 0 21 2 i k j 21 2 2 5 0 j(3 2) + k(5) = i( 2)

ba=

j(3 2) + k(5) = 2) i(

Cap tulo 5 Transformaciones Lineales


5.1. Transformacin Lineal o

Sean U K y V K espacios vectoriales sobre el mismo cuerpo K. Se dene una transformacin lineal de U en V como una funcin (lineal) del tipo: o o f U KB K x f (x) V x U Toda transformacin lineal cumple las siguiente propiedades: o 1. f (x) = f (x) x U, K 2. f (x + y) = f (x) + f (y) x, y U, K Notar que, si f es lineal entonces f (0U ) = 0V . Con esto, se tiene que f (0) = 0, cabe preguntarse: Existen otros vectores cuya imagen sea 0V ? Efectivamente existen, se tiene que se da el caso en que x 0U f (x) = 0V excepto para transformaciones lineales inyectivas (recordar que una funcin inyectiva cumple o la condicin de que cada elemento del recorrido es generado por un unico elemento del o dominio de la misma funcin.) o Ejemplos : 1. f R2 R R R

78 (a, b) f (a, b) = 2a 5b es lineal En efecto, a) f [(a, b) + (x, y)] = f [(a + x, b + y)] f [(a, b) + (x, y)] = 2(a + x) 5(b + y) f [(a, b) + (x, y)] = (2a 5b) + (2x 5y) f [(a, b) + (x, y)] = f (a, b) + f (x, y) b) f [(a, b)] = f (a, b) f [(a, b)] = 2a 5b f [(a, b)] = (2a 5b) f [(a, b)] = f (a, b) f (a, b) es una transformacin lineal . o 2. Sea G M33 R R R A G(A) = tr(A) Probar que es una transformacin lineal o En efecto, a) G[A + B] = G[A + B] =
n

Transformaciones Lineales

(ajj + bjj ) ajj +


n

j=1 n j=1

bjj
j=1

G[A + B] = tr(A) + tr(B) G[A + B] = G(A) + G(B) b) G(A) =


n

ajj
j=1

G(A) = tr(A) G(A) = G(A) G(A) es una transformacin lineal . o

79

5.1.1.

N cleo de una Trasformacin Lineal u o

Sea f U K V K una transformacin lineal . Llamaremos ncleo de f al siguiente o u subconjunto de U: ker(f ) = {x U f (x) = 0V } Demostracin : ker(f ) es subespacio vectorial o 1. f (0U ) = 0V 0U ker(f ) ker(f ) 2. Sean (x, y) ker(f ) f (x) = f (y) = 0V f (x) + f (y) = 0V + 0V f (x + y) = 0V (x + y) ker(f ) 3. Sea x ker(f ) f (x) = 0V f (x) = 0V f (x) = 0V x ker(f ) ker(f ) es subespacio vectorial .

5.1.2.

Imagen de una Transformacin Lineal o

Dada una transformacin lineal f U K V K, la imagen de f es el conjunto: o im(f ) = {y V x U, f (x) = y} Demostracin : im(f ) es subespacio vectorial o Usando el teorema de caracterizacin se tiene: o 1. f (0x) = 0 f (x) = 0 0 V im(f )

80

Transformaciones Lineales 2. Si (y1 , y2 ) im(f ) y adems (, ) K entonces, existen x1 + x2 U tales que a f (x1 ) = y1 f (x2 ) = y2 . De esta forma se tiene que: y1 + y2 = f (x1 + x2 ) y1 + y2 = f (x1 ) + f ( x2 )

5.1.3.

Teorema de las Dimensiones (N cleo - Imagen) u

Sea f U K V K una transformacin lineal la dimensin de esta se puede descomponer o o de la forma: dim(U) = dim[ker(f )] + dim[im(f )] Demostracin : o Dada una transformacin lineal f cualquiera, supongamos los conjuntos o A = {a1 , a2 , a3 , . . . , av } base de ker(f ) B = {a1 , a2 , a3 , . . . , av , av+1 , . . . , an } base de U Es decir, B es una extensin de A tal que cumple con ser base de U o Sea adems C = {f (av+1 ), . . . , f (an )} base de im(f ). a Tomando un vector v im(f ) cualquiera, es decir v V, supongamos que existe un vector u U tal que f (u) = v. Como B es base de U se tiene que u = 1 a1 + 2 a2 + 3 a3 + . . . + v av + v+1 av+1 + . . . + n an Y debido a esto ultimo tambin se tiene e v = f (u) = 1 f (a1 ) + 2 f (a2 ) + 3 f (a3 ) + . . . + v f (av ) + v+1 f (av+1 ) + . . . + n f (an ) Ya que {a1 , a2 , a3 , . . . , av } es base de ker(f ) se tiene que f (u1 ) = f (u2 ) = f (u3 ) = . . . = f (uv ) = 0 De acuerdo al ultimo prrafo v se reduce a a v = f (u) = v+1 f (av+1 ) + . . . + n f (an )

81 v es combinacin lineal de C. Se debe probar que C es linealmente independiente . o Supongamos que v+1 f (av+1 ) + . . . + n f (an ) = 0V , reescribiendo queda f (v+1 av+1 + . . . + n an ) = 0V (v+1 av+1 + . . . + n an ) ker(f ) Debido a que el vector (v+1 av+1 + . . . + n an ) ker(f ) existirn escalares no nulos tales a que v+1 av+1 + . . . + n an = 1 a1 + 2 a2 + 3 a3 + . . . + v av v+1 av+1 + . . . + n an 1 a1 2 a2 3 a3 . . . v av = 0V De las condiciones iniciales, a partir de B se tiene que a1 , a2 , a3 , . . . , av , av+1 , . . . , an es linealmente independiente y por lo tanto se cumple que v+1 = . . . = n = 0 C es base de im(f ) y se tiene entonces que dim(U) = v + (n v) = n dim(U) = dim[ker(f )] + dim[im(f )]

5.1.4.

Tranformaciones Lineales e Independencia Lineal

Sea U K V K una transformacin lineal cualquiera. Considerando los conjuntos: o A = {x1 , x2 , x3 . . . , xn } U B = {f (x1 ), f (x2 ), f (x3 ) . . . , f (xn )} V cabe preguntarse si el conjunto y su respectiva transformacin son L.I , en caso de no o cumplirse esto se origina una combinacin nula de vectores en A o Suponiendo B L.I , Es A L.I ? Respuesta f (1 x1 + 2 x2 + . . . + n xn ) = f (0U ) 1 f x1 + 2 f x2 + . . . + n f xn = 0V

82 1 = 2 = . . . = n A es L.I Suponiendo A L.I , Es B L.I ? Respuesta f (1 x1 + 2 x2 + . . . + n xn ) = 0V (1 x1 + 2 x2 + . . . + n xn ) ker(f ) Suponiendo ker(f ) = 0U 1 x1 + 2 x2 + . . . + n xn = 0U 1 = 2 = . . . = n B es L.I

Transformaciones Lineales

Si B = f (A) es L.I entonces A es L.I . Adems si A es L.I y ker(f ) = 0U entonces B es a L.I Importante : Si f U K V K es una transformacin lineal y adems se tiene que o a 1. ker(f ) = 0U 2. f (x) = f (y) De la condicin 2. se obtiene: f (x) f (y) = 0V f (x y) = 0V o Es decir, (x y) ker(f ) De la condicin 1. se tiene que (x y) = 0U . Por lo tanto, x = y o Conclusin : ker(f ) = 0U f es inyectiva. o Supongamos ahora que se cumple: 1. f U K V K es una transformacin lineal inyectiva. o 2. f (x) = 0V De esta forma se tiene que: x y f (x) f (y)

83

5.1.5.

Transformacin Lineal Inyectiva o

Sea f U K V K una transformacin lineal . Ser biyectiva a partir de la condicin: o a o [f (u1 = f (u2 ) [u1 = u2 ] Sea x ker(f ), entonces para obtener ker(f ) se tiene f (x) = 0V Se sabe adems que f (0U ) = 0V a partir de lo cual se tiene x = 0U a Entonces, ker(f ) = {0U } Inversamente, supongamos ker(f ) = {0V } y adems f (x) = f (y) a f (x) f (y) = 0V f (x y) = 0V (x y) ker(f ) (x y) = 0U (a partir de la hiptesis ker(f ) = 0U ) o x=y f es inyectiva f es una transformacin lineal inyectiva ker(f ) = {0U } o

5.1.6.

Transformacin Lineal Biyectiva o

Sea f U K V K una transformacin lineal . Ser biyectiva a partir de dos condiciones: o a que sea inyectiva y sobreyectiva. La dimensin de la transformacin lineal se puede separar de la siguiente forma: o o dim(U) = dim[ker(f )] + dim[im(f )] f es inyectiva ker(f ) = 0U f es sobreyectiva im(f ) = V Cumpliendose estas dos condiciones con f biyectiva se tiene que dim(U) = dim(V)

84

Transformaciones Lineales

5.1.7.
Sean

Matriz Reprensentante de una Transformacin Lineal o

f U K V K una transformacin lineal o A = {a1 , a2 , a3 . . . , ap } U B = {b1 , b2 , b3 . . . , bq } V Tal que A y B son bases de U y V respectivamente. Se tiene que f (aj ) V j = {1, 2, . . . p} y se tiene la relacin o aj f (aj ) UV Entonces, se puede escribir f (a1 ) = 11 b1 + 21 b2 + . . . + q1 bq f (a2 ) = 12 b1 + 22 b2 + . . . + q2 bq f (aj ) = 1j b1 + 2j b2 + . . . + qj bq f (ap ) = 1p b1 + 2p b2 + . . . + qp bq Tal que q y p son las dimensiones de A y B respectivamente. A partir del sistema anterior denimos la matriz representante de f (con respecto a las bases de A y B) como: 11 12 13 . . . 1j . . . 1p 21 22 23 . . . 2j . . . 2p q1 q2 q3 . . . qj . . . qp Ejemplo Sea f R2 [x] R M22 (R)

([f ]A,B )QP =

85 f (a + bx + cx2 ) = a c a + 2c 2a 3c 2a

1. Hallar ker(f ), im(f ) y sus dimensiones Para hallar ker(f ) f (a + bx + cx2 ) = a a 2a 3c + = = = 2a = c 2c a c a + 2c 2a 3c 2a 0 0 0 0 = 0 0 0 0

Se tiene que a = 0 (ecuacin 3) y reemplazando en la ecuacin 2 se obtiene c = 0. De o o esta forma p(x) ker(f ) p(x) = bx La base de ker(f ) es {x} y es de dimensin 1. o Para hallar im(f ) Si lin[p(x)] = U < lin[p(x)] >= im(f ) Descomponemos f de la forma {1, x, x2 }, entonces reemplazando en f (a + bx + cx2 ) f (1) = f (x) = f (x2 ) = 1 1 2 3 0 0 0 0 1 2 0 3

Por lo tanto, un generador de im(f )es: 1 1 2 3 , 0 0 0 0 , 1 2 0 3

Dado que 0M una base de im(f ) es:

86 1 1 2 3 , 1 2 0 3

Transformaciones Lineales

dim[im(f )] = 2 2. Hallar la matriz representante con respecto a las bases {1, 1 + 2x, x2 } = A 1 0 0 0 , 1 1 0 0 , 1 1 1 0 1 0 0 0 , 1 1 1 1 =B

f (1) =

1 1 2 3

=0

1 1 0 0

+5

1 1 1 0

1 1 1 1 1 1 1 1 1 1 1 1

f (1 + 2x) =

1 1 2 3

=0

1 0 0 0 1 0 0 0

1 1 0 0 1 1 0 0

+5

1 1 1 0 1 1 1 0

f (x2 ) =

1 2 0 3

= 3

+2

+3

De esto obtenemos la transpuesta de la matriz de factores, es decir 0 1 5 3 0 1 5 3 3 2 3 3


T

0 0 3 1 1 2 5 5 3 3 3 3

Que corresponde a [f ]A,B

5.1.8.

Propiedades de Transformaciones Lineales

1. Suma Sean f U K V K y g U K V K transformaciones lineales . Entonces, f + g U K V K tal que (f + g)(x) = f (x) + f (x) es lineal. Se cumple que [f + g]A,B = [f ]A,B + [g]A,B

87 2. Ponderacin por escalar o Sea f U K V K una transformacin lineal. o Entonces, f U K V K es lineal. Se cumple que [f ]A,B = [f ]A,B + [g]A,B Es importante sealar que n (f + g) = (f ) + (g) ( + )f = (f ) + (f ) ()f = (f ) f = f 3. Composicin o Sean f U K V K y g U K V K transformaciones lineales . Entonces, g(f ) U K V K tal que (g f )(x) = g(f (x)) es lineal. Se cumple que [g f ]A,C = [g]B,C + [f ]A,B . Es importante sealar que las matrices n representantes de este caso van en conjuntos distintos entre si.

5.1.9.

Cmo se Aplica la Matriz Representante? o

Tal como aparece en las secciones anteriores partimos de la condicin: o Sean f U K V K una transformacin lineal o A = {a1 , a2 , a3 . . . , ap } U B = {b1 , b2 , b3 . . . , bq } V

Tal que A y B son bases de U y V respectivamente. Tomando un vector x U se tiene la siguiente relacin: A B A E E B o

88

Transformaciones Lineales

Para el caso de la matriz representante la lectura es de derecha a izquierda tal que [f ]A,B = [I]E,E [f ]A,B [I]A,E

Denotar la transformacin lineal [f ]A,B como [I]A,E [f ]A,B [I]E,E es incorrecto y cabe o sealar que [I]E,E y [I]A,E corresponden a matrices de cambio de base n Observacin : o En una matriz representante de vectores propios, los valores propios correspondientes se ubican en la diagonal. Es decir la suma de los valores propios es igual a la traza de la matriz representante y el producto de los valores propios es igual al determinante de la matriz representante. Dada una base de vectores propios A = {a1 + a2 + . . . + an } se cumple que: f (a1 ) = 1 a1 + 0 + . . . + 0 f (a2 ) = 0 + 1 a1 + . . . + 0 f (an ) = 0 + 0 + . . . + n an Propiedad Bsica de la Matriz representante a [f ]A,B [x]A = [f (x)]B

89 Ejemplo : Sea f R1 [x] R M22 (R) p(x) = a + bx a b ab a+b

Obtener la matriz representante de las bases cannicas o {1, x} y 1 0 0 0 , 0 1 0 0 , 0 0 1 0 , 0 0 0 1

90 f (1) = 1 0 1 1 0 1 1 1 =1 1 0 0 0 1 0 0 0 +0 0 1 0 0 0 1 0 0 +1 0 0 1 0 0 0 1 0 +1

Transformaciones Lineales 0 0 0 1 0 0 0 1

f (x) =

=0

+1

+1

Por lo tanto, la matriz representante es 1 0 0 1 1 1 1 1 A partir de esto se puede calcular la transformacin lineal correspondiente a un vector o de coordenadas. Para calcular la transformacin correspondiente al vector 5 3x se tiene o 1 0 0 1 1 1 1 1 1 0 0 1 1 1 1 1 5 3 8 2 5 3 8 2

[f (5 3x)] =

(5 3x) =

5 3

p(5 3x) =

5.1.10.

Matriz de Pasaje

Sea U K un espacio vectorial de dimensin n. Denimos la aplicacin lineal: o o I Kn K Kn K [x]A [x]B Lo cual corresponde a un cambio de base. Cada vector de la base de partida se puede expresar como combinacin lineal de los vectores de la base de llegada. o Ejemplo : Dadas las bases de R2 1 1 A= , 0 1 E= 1 0 , 0 1

91 La matriz de pasaje de A a E corresponde a [I]A,E = 1 1 0 1 1 0 1 0 0 1 0 1

Se obtiene a partir de la descomposicin o 1 0 1 1 =1 =1 +0 +1

La matriz de pasaje de E a A corresponde a [I]E,A = 1 1 0 1 1 0 1 0 1 1 1 1

Se obtiene a partir de la descomposicin o 1 0 0 1 =1 = 1 +0 +1

A partir de esto se tiene que [I]A,E = [I]1 E,A

5.1.11.

Cmo se Relacionan las Matrices Representantes? o


U K V K se

Con respecto a distintas bases, para las matrices representantes de f tiene la siguiente relacin: o

[f ]C,D = [I]B,D [f ]A,B [I]C,A

92

Transformaciones Lineales

Un caso particular de lo anterior es cundo se tiene una transformacin lineal a o f U K U K tal que la representacin esquemtica ser as o a a :

Entonces, para este ultimo caso se tiene: [f ]B,B = [I]A,B [f ]A,A [I]B,A Si denotamos [I]B,A = P y [I]A,B = P 1 Entonces, [f ]B,B = P 1 [f ]A,A P

5.1.12.

Matrices Similares

Basndose en el apartado anterior, si tomamos un caso particular en que dadas las matrices a cuadradas A, D, P tal que P es invertible y se cumple la relacin A = P 1 DP o

93 Entonces, A y D son matrices similares tal que: A2 = A A = (P 1 DP) (P 1 DP) = P 1 D2 P A3 = A2 A = (P 1 D2 P) (P 1 DP) = P 1 D3 P An = P 1 Dn P

5.2.

Cambio de Base y Similaridad

A partir de lo ya expuesto en este cap tulo asumamos una transformacin lineal tal que o f U U. Denimos la matriz representante (tal como se vio con lectura de izquierda a derecha) de la forma

Cap tulo 6 Formas Bilineales


6.1. Formas Bilineales

Supongamos un espacio vectorial B K sobre el cual se dene la aplicacin o f VVK (x, y) f (x, y) Tal aplicacin es una forma bilineal si y slo si se cumple: o o 1. f (x1 + x2 , y) = f (x1 , y) + f (x2 , y) 2. f (x, y) = f (x, y) 3. f (x, y1 + y2 ) = f (x, y1 ) + f (x, y2 ) 4. f (x, y) = f (x, y) Dado un conjunto cualquiera de vectores A = {a1 , a2 , a3 , . . . , an } que supondremos es base de V. Se puede formar la matriz de Gram de una forma bilineal genrica. e Se expresa: G= f (a1 , a1 ) f (a1 , a2 ) . . . f (a1 , an ) f (a2 , a1 ) f (a2 , a2 ) . . . f (a2 , an ) ... f (an , a1 ) f (an , a2 ) . . . f (an , an )

96

Formas Bilineales

G corresponde a la matriz de Gram de f respecto de la base A y se cumple f (x, y) = [x]T G[y]A A En esta relacin [x], [y] son los vectores de coordenadas con respecto a la base a la que o est referida G a Ejemplo : f [(x, y)(, )] = 3x 2x + 5y Respecto de la base cannica en R2 : {(1, 0), (0, 1)} se tiene o f [(1, 0), (1, 0)]3 1 1 2 1 0 + 5 0 1 = 3 f [(1, 0), (0, 1)] = 3 1 0 2 1 1 + 5 0 1 = 2 f [(0, 1), (1, 0)] = 3 0 1 2 0 0 + 5 1 1 = 5 f [(0, 1), (0, 1)] = 3 0 0 2 0 1 + 5 1 0 = 0 As la matriz de Gram correspondiente es: G= 3 2 5 0

Cabe sealar que en este ejemplo se presenta lo siguiente: n [(x, y)] = [(, )] = x y x y 3 2 5 0 = x y 3 2 5

f [(x, y), (, )] =

f [(x, y), (, )] = 3x 2x + 5y

97

6.2.

Cambio de Base

Sean F y G son matrices de Gram asociadas a una forma bilineal f con respecto a las bases de A y B respectivamente y P la matriz de pasaje de A a B entonces, se tiene que f = P T GP

6.3.

Simetr y Antisimetr a a

Dada f U U K una forma bilineal . Se establece que las condiciones de simetr o a antisimetr son: a 1. Simtrica: Si f (x, y) = f (y, x) e 2. Antisimtrica: Si f (x, y) = f (y, x) e Ejemplo : f R2 R2 R f [(x, y), (, )] = 5x + 8x + 8y + 20y Corresponde a una forma bilineal simtrica ya que los coecientes cruzados son iguales. e Importante : Toda forma bilineal se puede expresar como la suma de uan forma bilineal simtrica con una forma bilineal antisimtrica. e e

6.4.

Formas Cuadrticas a

Sea f U U K es una forma bilineal simtrica . Entonces, la aplicacin e o w UK x w(x) = f (x, x) es una forma cuadrtica a Se tien adems que x w(x) = f (x, x) es forma cuadrtica si y slo si: a a o 1. w(x) = 2 w(x) K

98 2. f U U K 1 (x, y) f (x, y) = [w(x + y) w(x) w(y)] es bilineal simtrica e 2

Formas Bilineales

Cap tulo 7 Referencias


1. Algebra Lineal, Stanley, Grossman. Editorial Mc Graw Hill, 1996 2. Algebra Lineal Teor y Ejercicios, Seymour Lipschutz, Editorial McGraw Hill, 1995. a 3. Teor y Problemas de Matrices. Frank Ayres, Serie Schaum, 1969. a 4. Tutor de Algebra Lineal, Publicaciones DIM/CMM, 2008 a

Vous aimerez peut-être aussi