Algebra Lineal

UNIVERSIDAD PEDRO RUIZ GALLO
FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS ESCUELA PROFESIONAL DE MATEMATICAS
ALGEBRA LINEAL
presentado por:
Lic. Mat. Walter Arriaga Delgado
LAMBAYEQUE PERU 2013
Dedicatoria
Para mis padres, Martha y El as; para mi adorable esposa, Flor Angela y para los m as grandes tesoros de mi vida, mis hijas Alessandra Anghely y Stefany Grace.
Prefacio
Visi on general
Una de las situaciones m as diciles a que se ve enfrentado comunmente un investigador en matem atica es la de tratar de explicar su labor profesional. La respuesta a esta interrogante a lo largo de la historia de la humanidad han sido de la m as variable ndole: hay quienes plantean que cultivan esta ciencia por satisfacci on personal, sin buscar sus aplicaciones inmediatas; otros aseguran que, siendo la busqueda de conocimiento consustancial a la naturaleza humana y siendo la matem atica lenguaje universal, esta debe cultivarse como contribuci on al acervo cultural de la humanidad, para permitir a los diversos pueblos comprender su propia y particular realidad. Tambi en se estima necesario que todos los pa ses, especialmente aquellos en desarrollo, cultiven las disciplinas b asicas para as poder lograr independizarse cient ca, tecnol ogica y econ omicamente. Concordando en mayor o menor medida con estos planteamientos, se puede constatar que pese a ser la matem atica la m as com un de las ciencias, en el sentido de que est a presente y es utilizada por todos en la vida cotidiana, ciertamente no es la ciencia con mayor grado de popularidad; mucha gente tiene sentimientos de aprensi on, disgusto e incluso miedo a la matem atica. A un considerando estas dicultades, creemos que no ha sido sucientemente difundido el muy relevante papel que juega nuestra disciplina en la formaci on integral de cada ciudadano; de manera privilegiada, la matem atica aporta a esta formaci on capacitando a las personas para tomar decisiones en la vida, para enfrentar situaciones nuevas, para poder crear y expresar ideas originales; esto se logra por ejemplo a trav es de desarrollar la capacidad de abstracci on, de ense nar a relacionar objetos o situaciones diversas, de desarrollar la intuici on; en n, la matem atica ayuda a desarrollar una mentalidad cr tica y creativa. Es entonces muy preocupante que sea la m as desconocida de las ciencias para el ciudadano medio; es lo que nos atrevemos a llamar el analfabetismo matem atico, o, m as generalmente, el analfabetismo cient co. El libro que se encuentra en estos momentos en sus manos pretende presentarle una introducci on, a nivel elemental y b asico, de una parte de las matem aticas sumamente u til y aplicable a muchas ramas del saber: El Algebra Lineal. De la experiencia de dictar cursos y ponencias sobre Algebra Lineal es que surgieron i
ii
Algebra Lineal
Walter Arriaga Delgado
apuntes de clase que, despu es de sucesivas revisiones y ampliaciones, fueron transform andose hasta optar la forma que ahora presentamos, con la intenci on de que sirva como texto gu a que inicie al alumno en esta fascinante rama de las matem aticas.
Objetivo El objetivo de este libro es presentar los temas de manera clara y comprensible para los estudiantes de cualquier nivel, de forma que los motive a preguntar porqu e y transmitirles el entusiasmo y gusto por el estudio del Algebra Lineal y a la vez proporcionar al lector una herramienta de consulta, as como reforzar la comprensi on de los temas y conceptos por medio de una amplia gama de interesantes aplicaciones en el mundo real. El texto se ha dise nado para brindarle una comprensi on s olida e intuitiva de los conceptos b asicos, sin sacricar la precisi on matem atica.
Aplicaciones Una de mis metas fue convencer a lo estudiantes de la importancia del Algebra Lineal en sus campos de estudio. As , este libro pretende implementar el estudio de las aplicaciones del Algebra Lineal a la Computaci on e Inform atica, Ingenier a de Sistemas, etc.
Caracter sticas
Contenido El contenido del presente manuscrito se desarrolla de la siguiente manera: En el Cap tulo I, se realiza un an alisis general de la teor a de matrices, determinantes y sistemas de ecuaciones lineales. En el Cap tulo II, se estudian los espacios vectoriales y subespacios vectoriales, adem as se determinan la base y dimensi on de un espacio vectorial. En el Cap tulo III, se estudia las transformaciones lineales, asi como tambi en se determina el n ucleo y la imagen de una transformaci on lineal.
Caracter sticas pedag ogicas En base a nuestra experiencia docente y en consejos de muchos colegas, hemos inclu do varios aspectos pedag ogicos para ayudar a los estudiantes a aprender y a ampliar su perspectiva acerca del Algebra Lineal.
Walter Arriaga Delgado Problemas resueltos y propuestos
Algebra Lineal
iii
Un problema en matem atica puede denirse como una situaci on, a la que se enfrenta un individuo o un grupo, que requiere soluci on, y para lo cual no se vislumbra un camino aparente y obvio que conduzca a la misma. La resoluci on de problemas debe apreciarse como la raz on de ser del contenido matem atico, un medio poderoso de desarrollar conocimiento matem atico y un logro indispensable de una buena educaci on matem atica. El elemento crucial asociado con el desempe no ecaz en matem atica es que los estudiantes desarrollen diversas estrategias que le permitan resolver problemas donde muestren cierto grado de independencia y creatividad. La elaboraci on de estrategias personales de resoluci on de problemas crea en los alumnos conanza en sus posibilidades de hacer matem atica, estimula su autonom a, as como expresa el grado de comprensi on de los conocimientos y le facilita mecanismos de transferencia a otras situaciones. Concebimos entonces que la resoluci on de problemas es el proceso m as importante que posibilitar a a los estudiantes experimentar la utilidad y potencia de la matem atica. Implicarlos en esa labor les permitir a indagar, construir, aplicar y conectar lo aprendido. De ah que una responsabilidad importante de los docentes del area de matem atica sea elaborar, seleccionar, proponer y discutir problemas de diverso tipo y exigencia conjuntamente con los estudiantes y con otros colegas. Aprender matem atica signica entender y usar la matem atica a trav es de la resoluci on de problemas, aprender matem atica no s olo es memorizar f ormulas t ecnicas para resolver ejercicios propuestos. Hay que hacer que los alumnos trabajen din amicamente en actividades que permitan la construcci on del saber matem atico por etapas, a partir de fen omenos y de situaciones cotidianas de modo que vayan elaborando conceptos de dicultad creciente, observando claramente y de inmediato su uso. Todo usuario de la Matem atica recopila, descubre o crea conocimiento en el curso de la actividad que realiza con un n. El desarrollo de las actividades debe estar organizado para que los estudiantes comuniquen ideas oralmente y por escrito. El proceso de construcci on del lenguaje matem atico no puede ser una actividad individual. Es un proceso de comunicaci on: alumno-profesor, profesor-alumno y sobre todo alumno-alumno. La capacidad de usar con facilidad el lenguaje matem atico es muy importante para comprender la matem atica y por eso las formas de comunicaci on matem atica deben ser cada vez m as formales y simb olicas. El libro contiene problemas resueltos y propuestos para que el estudiante ponga a prueba su aptitud. En los ejemplos resueltos ense namos a los estudiantes a pensar sobre los problemas antes de que empiecen a resolverlos.
iv Res umenes
Algebra Lineal
Al nal de cada cap tulo, aparece un repaso detallado de los resultados importantes del mismo, esto permitir a una clara comprensi on del texto. Uso de Software La tendencia cada vez mayor a que el docente se convierta en un facilitador del aprendizaje m as que un presentador de hechos ha producido una expansi on en la esfera de los paquetes de inform atica especializados como los software matem aticos preparados para ayudar al docente. Estos paquetes tienen por objeto suplementar el trabajo pr actico, permitiendo as ampliar la presentaci on de la ciencia a los estudiantes. Estos software han adquirido tal grado de complejidad en la ense nanza de la Ciencia que han recibido el nombre de Tecnolog a Educativa. Entre los software matem aticos m as importantes podemos citar: Maple, Matlab, Derive, Mathematica, Cabri Geometry, etc. El software matem atico Maple que se ha utilizado para la preparaci on de este libro, se caracteriza por realizar c alculos con s mbolos que representan objetos matem aticos. Se trata de un sistema de c alculo cient co (simb olico, num erico y gr aco) interactivo, con una sintaxis pr oxima a la notaci on matem atica, disponible para una amplia gama de sistemas operativos. Algunas de sus capacidades son: Operaciones num ericas en aritm etica racional exacta o decimal de precisi on arbitraria. Manipulaci on algebraica de variables y s mbolos. Operaciones con polinomios, fracciones algebraicas y funciones matem aticas elementales. C alculo de l mites, derivadas y primitivas. Resoluci on de ecuaciones y sistemas. Operaciones con vectores y matrices. Capacidades gr acas en 2 y 3 dimensiones. Lenguaje de programaci on de alto nivel.
La historia de la matem atica

La historia de la matem atica est a llena de an ecdotas, de problemas interesantes que pueden motivar a los j ovenes a estudiarla y desarrollar actitude positivas hacia ella. El uso de t opicos de historia de la matem atica, de biograf as de matem aticos, de acertijos y problemas cl asicos permite acercarnos a esta ciencia desde un punto de vista humano. Los estudiantes comprenden que la matem atica es simplemente una actividad creada por seres humanos iguales
Algebra Lineal
a ellos, quienes desarrollaron ideas creativas y resolvieron situaciones que en su tiempo eran importantes, pero que en otros momentos sufrieron frustraci on y desenga no, ya sea al no poder resolver los problemas que se plantearon, porque la sociedad no estaba preparada para sus ideas renovadoras, o porque sufrieron la marginaci on de las comunidades cient cas de la epoca, como ocurri o en el caso de las mujeres matem aticas. Es sumamente u til explorar con nuestros alumnos los inicios de un concepto, las dicultades con las que tuvieron que enfrentarse estos investigadores y las ideas que surgieron al enfrentar una situaci on nueva. Todos estos hechos encarnan una verdadera aventura intelectual que muchas veces se deja de lado en las clases tradicionales donde un tema aparece presentado de manera acabada e inerte, sin posibilidad de descubrimiento, ni cr tica.
Requisitos
El requisito para leer este libro es conocer su matem atica b asica y su c alculo diferencial e integral. Para aprovechar al m aximo este texto los alumnos deben contar con medios num ericos de resoluci on (software matem aticos) que no exigen que el usuario sea experto en computaci on, pero de igual modo pueden aprender bien incluso sin ning un medio de estos.
El autor
Introducci on
Desde los comienzos de su existencia, el hombre ha estudiado su medio ambiente con la nalidad de mejorar su situaci on. Empez o por observaciones, como hacemos hoy en d a, y sigui o por la reuni on de informaci on y su aplicaci on a la vida cotidiana. La ciencia es hoy d a algo m as compleja. Nuestra capacidad de observaci on ha aumentado enormemente gracias al desarrollo de los modernos instrumentos desde los que nos permiten ver diminutas part culas de materia ampliadas millones de veces hasta los que nos permiten ver estrellas distantes en los l mites exteriores del universo tal como lo conocemos. Nuestros procesos de acopio de datos tambi en se han vuelto muy complejos. No solo disponemos de medios muy r apidos para registrar informaci on sino que, mediante el uso de calculadoras y software, podemos recuperar la informaci on en una fracci on de segundo. Sin embargo, muchos de nosotros no tenemos todav a la posibilidad de usar los u ltimos inventos de la ciencia moderna. Tenemos que trabajar con las cosas existentes en nuestro medio inmediato que van a inuir en nuestras vidas y en las de quienes nos rodean. Hay que tener en cuenta que los cambios r apidos e incesantes del mundo de hoy hacen que tambi en cambien a su comp as los conocimientos necesarios de matem atica El algebra lineal es la rama de la matem atica que concierne al estudio de vectores, espacios vectoriales, transformaciones lineales y sistemas de ecuaciones lineales. Los espacios vectoriales son un tema central en la matem atica moderna; por lo que el algebra lineal es usada ampliamente en algebra abstracta y an alisis funcional. El algebra lineal tiene una representaci on concreta en la geometr a anal tica, y tiene aplicaciones en el campo de las ciencias naturales y en las ciencias sociales. La historia del algebra lineal moderna se remonta a los a nos de 1843 cuando William Rowan Hamilton (de quien proviene el uso del t ermino vector) cre o los cuaterniones; y de 1844 cuando Hermann Grassmann public o su libro Die lineare Ausdehnungslehre. El algebra lineal tiene sus or genes en el estudio de los vectores en el plano y en el espacio tridimensional cartesiano. Aqu , un vector es un segmento, caracterizado por su longitud (o magnitud), direcci on y sentido (u orientaci on). Los vectores pueden entonces utilizarse para representar ciertas magnitudes f sicas, como las fuerzas, pueden sumarse y ser multiplicados por escalares, formando entonces el primer ejemplo de espacio vectorial real. Hoy d a, el algebra lineal se ha extendido para considerar espacios de dimensi on arbitraria o incluso de dimensi on innita. Un espacio vectorial de dimensi on n se dice que es vii
viii
Algebra Lineal
n-dimensional. La mayor a de los resultados encontrados en 2 y 3 dimensiones pueden extenderse al caso n-dimensional. A mucha gente le resulta imposible la visualizaci on mental de los vectores de m as de tres dimensiones (o incluso los tridimensionales). Pero los vectores de un espacio n-dimensional pueden ser u tiles para representar informaci on: considerados como ntuplas, es decir, listas ordenadas de n componentes, pueden utilizarse para resumir y manipular informaci on ecientemente. Por ejemplo, en econom a, se pueden crear y usar vectores octo-dimensionales u 8tuplas para representar el Producto Interno Bruto de 8 pa ses diferentes. Se puede simplemente mostrar el PIB en un a no en particular, en donde se especica el orden que se desea, por ejemplo, (Estados Unidos, Reino Unido, Francia, Alemania, Espa na, India, Jap on, Australia), utilizando un vector (v1 , v2 , v3 , v4 , v5 , v6 , v7 , v8 ) en donde el PIB de cada pa s est a en su respectiva posici on. Un espacio vectorial (o espacio lineal), como concepto puramente abstracto en el que podemos probar teoremas, es parte del algebra abstracta, y est a bien integrado en ella. Por ejemplo, con la operaci on de composici on, el conjunto de aplicaciones lineales de un espacio vectorial en s mismo (endomorsmos) tiene estructura de anillo, y el subconjunto de las aplicaciones lineales que son invertibles (los automorsmos) tiene estructura de grupo. El Algebra Lineal tambi en tiene un papel importante en el c alculo, sobre todo en la descripci on de derivadas de orden superior en el an alisis vectorial y en el estudio del producto tensorial (en f sica, buscar momentos de torsi on) y de las aplicaciones antisim etricas. Un espacio vectorial se dene sobre un cuerpo, tal como el de los n umeros reales o en el de los n umeros complejos. Una aplicaci on (u operador) lineal hace corresponder los vectores de un espacio vectorial con los de otro (o de el mismo), de forma compatible con la suma o adici on y la multiplicaci on por un escalar denidos en ellos. Elegida una base de un espacio vectorial, cada aplicaci on lineal puede ser representada por una tabla de n umeros llamada matriz. El estudio detallado de las propiedades de las matrices y los algoritmos aplicados a las mismas, incluyendo los determinantes y autovectores, se consideran parte del algebra lineal. En matem atica los problemas lineales, aquellos que exhiben linealidad en su comportamiento, por lo general pueden resolverse. Por ejemplo, en el c alculo diferencial se trabaja con una aproximaci on lineal a funciones. La distinci on entre problemas lineales y no lineales es muy importante en la pr actica. Puesto que el algebra lineal es una teor a exitosa, sus m etodos se han desarrollado por otras areas de la matem atica: en la teor a de m odulos, que remplaza al cuerpo en los escalares por un anillo; en el algebra multilineal, uno lidia con m ultiples variables en un problema de mapeo lineal, en el que cada n umero de las diferentes variables se dirige al concepto de tensor; en la teor a del espectro de los operadores de control de matrices in-dimensionales, aplicando el an alisis matem atico en una teor a que no es puramente algebraica. En todos estos casos las dicultades t ecnicas son mucho m as grandes. El Algebra Lineal es seguramente, una de las herramientas fundamentales en las Ciencias de la Computaci on. Originariamente dedicada a la resoluci on de sistemas de ecuaciones, su abstracci on y formalismo la hacen a veces un poco arida de entender. Sin embargo la inmen-
Algebra Lineal
ix
sidad de sus aplicaciones bien vale el esfuerzo: Teor a de la Informaci on, Teor a de C odigos, Criptograf a, etc. Incluso las m as recientes tendencias en computaci on como la Computaci on Cu antica tienen en el Algebra Lineal su herramienta clave. En este curso introduciremos los conceptos y t ecnicas clave del Algebra Lineal y veremos por encima algunas de sus aplicaciones a la Inform atica, en concreto a la Teor a de C odigos. Esta obra es un intento para lograr que la ense nanza y el aprendizaje de la ciencia sean los m as ecaces posible. Como no hay una manera perfecta de ense nar la Ciencia, esta publicaci on no pretende ser el non plus ultra de la ense nanza de la Matem atica. Los profesores deben buscar constantemente los mejores m etodos para ellos mismos y para sus alumnos, as como leer con la mayor amplitud y profundidad posibles. Sin embargo, se espera que este trabajo sirva de documento b asico para empezar. Se ha reunido las contribuciones de docentes que se han especializado en estos temas a n de presentar un amplio panorama de la ense nanza de esta Ciencia. Es importante que el pensamiento creador en todos los niveles de educaci on se centre en crear las situaciones de aprendizaje m as ecaces para los estudiantes. En consecuencia, este texto est a destinado tanto a estudiantes de ciencias e ingenier a como a docentes en ejercicio as como tambi en a los futuros docentes de varios niveles acad emicos para que lo utilicen en las situaciones m as diversas. Su nalidad es mejorar la ense nanza cotidiana de la ciencia examinando los numerosos temas que inuyen sobre el estudiante. Este es el compromiso que como docente de la Facultad de Ciencias F sicas y Matem aticas de la Universidad Nacional Pedro Ruiz Gallo he asumido: el contribuir a la formaci on integral de los estudiantes del presente siglo. Se tiene siempre la esperanza de que una publicaci on sea tan buena que haya demanda de una segunda edici on. Esto permite siempre corregir las inexactitudes y las equivocaciones, as como a nadir material pertinente nuevo u omitido inadvertidamente antes. Se agradecer aa los lectores que comuniquen sus propias contribuciones y sugerencias al autor.
Algebra Lineal
Indice general
Prefacio Introducci on
VI
1. MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES 1 1.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1.1. Algo de historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1.2. 1.1.3. 1.1.4. 1.1.5. 1.1.6. 1.1.7. 1.1.8. 1.1.9. 1.1.10. 1.1.11. 1.1.12. 1.1.13. 1.1.14. 1.1.15. Introducci on . . . . Orden de una Matriz Igualdad de Matrices Matrices Especiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 3 4 4 7 13 14 14 15 15 16 16 16 17 18 18 18 19 19 21 22 24 25
Operaciones con Matrices . Traza de una matriz . . . . Transpuesta de una matriz Matriz sim etrica . . . . . . Matriz antisim etrica . . . . Matriz Matriz Matriz Matriz Matriz involutiva . . nilpotente . . idempotente conjugada . . hermitiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.16. Matriz antihermitiana 1.1.17. Matriz ortogonal . . . 1.1.18. Matriz positiva . . . . 1.2. Determinantes . . . . . . . . 1.2.1. Algo de historia . . . . 1.2.2. 1.2.3. 1.2.4. 1.2.5.
C alculo de Determinantes por la Regla de Sarrus Propiedades Generales . . . . . . . . . . . . . . . Menores complementarios y Cofactores . . . . . . C alculo de Determinantes por Cofactores . . . . xi
xii
Algebra Lineal
Walter Arriaga Delgado 26 33 34 35 36 37 38 39 40 42 43 43 43 44 44 46 47 49 49 51 52 53 54 58
1.3. Otras matrices importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4. Operaciones Elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.1. Matriz escalonada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.2. Matrices equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.3. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5. Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.1. Matriz de cofactores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.2. Adjunta de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.3. Matrices elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.4. M etodo de Gauss Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6. Criptograf a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6.2. Sistema Criptogr aco usando Matrices . . . . . . . . . . . . . . . . . . . 1.7. Sistemas de Ecuaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 1.7.1. Algo de historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.7.2. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.7.3. Clasicaci on de los sistemas de ecuaciones lineales . . . . . . . . . . . . 1.7.4. Sistemas Equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.7.5. M etodo de Gauss-Jordan. Eliminaci on Gausiana . . . . . . . . . . . . . 1.7.6. M etodo de Gabriel Cramer . . . . . . . . . . . . . . . . . . . . . . . . . 1.7.7. Teorema de Rouch e - Fr obenius . . . . . . . . . . . . . . . . . . . . . . . 1.7.8. Sistemas homog eneos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.8. Factorizaci on LU de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.9. Rese nas Hist oricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2. VECTORES EN EL ESPACIO BIDIMENSIONAL Y TRIDIMENSIONAL 87 3. ESPACIOS VECTORIALES 89 3.1. Espacio Vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 3.1.1. Propiedades de los espacios vectoriales . . . . . . . . . . . . . . . . . . . 3.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1. Operaciones con subespacios . . . . . . . . . . . . . . . . . . . . . . . . 96 96 97
3.2.2. Combinaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 3.2.3. Sistemas de generadores . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 3.2.4. Dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . . . 106 3.2.5. Bases y Dimensi on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 4. TRANSFORMACIONES LINEALES 131 4.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 4.2. Clasicaci on de las Transformaciones Lineales . . . . . . . . . . . . . . . . . . . 133 4.3. N ucleo e Imagen de una Transformaci on Lineal . . . . . . . . . . . . . . . . . . 134
Algebra Lineal
xiii
4.4. Matriz asociada a una Transformaci on Lineal . . . . . . . . . . . . . . . . . . . 138 4.4.1. Representaci on matricial de una transformaci on lineal . . . . . . . . . . 138 4.5. Operaciones con Transformaciones Lineales . . . . . . . . . . . . . . . . . . . . 139 5. VALORES Y VECTORES PROPIOS. 5.1. Valores y vectores propios . . . . . . . 5.2. Diagonalizaci on de una matriz . . . . 5.2.1. Matrices semejantes . . . . . . Bibliograf a Indice de Materias DIAGONALIZACION 165 . . . . . . . . . . . . . . . . . . . . . . . 165 . . . . . . . . . . . . . . . . . . . . . . . 170 . . . . . . . . . . . . . . . . . . . . . . . 171 181 183
xiv
Algebra Lineal
Indice de guras
1.1. Johann Carl Friedrich Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Arthur Cayley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. Gabriel Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 60 61
4.1. La transformaci on lineal T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 4.2. El n ucleo de una transformaci on lineal T . . . . . . . . . . . . . . . . . . . . . . 134 4.3. La imagen de una transformaci on lineal T . . . . . . . . . . . . . . . . . . . . . 135
xv
xvi
Algebra Lineal
Indice de cuadros
1.1. Matrices elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
xvii
xviii
Algebra Lineal
MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES

Objetivos Conocer y aplicar las principales t ecnicas de c alculo matricial. Operar con las matrices para aplicarlas en la soluci on de sistemas lineales. Ordenar los datos adecuadamente en la formulaci on de un problema. Manejar los determinantes como elemento de c alculo en la resoluci on de los sistemas lineales.
1.1.
1.1.1.
Matrices
Algo de historia
El primero que emple o el t ermino matriz fue el matem atico ingl es James Joseph Sylvester en el a no 1850. Sin embargo, hace m as de dos mil a nos los matem aticos chinos hab an descubierto ya un m etodo de resoluci on de sistemas de ecuaciones lineales equivalente al m etodo de Gauss y por lo tanto empleaban tablas con n umeros. Pero hasta el Siglo XIX no se desarrolla en las matem aticas el Algebra de matrices. A este desarrollo contribuy o de forma decisiva el matem atico ingl es Arthur Cayley. En 1858 public o unas Memorias sobre la teor a de matrices en la que daba la denici on de matriz y las operaciones suma de matrices, de producto de un n umero real por una matriz, de producto de matrices y de inversa de una matriz. Cayley arma que obtuvo la idea de matriz a trav es 1
Algebra Lineal
de la de determinante y tambi en como una forma conveniente de expresar transformaciones geom etricas.
1.1.2.
Introducci on
Las matrices aparecen por primera vez hacia el a no 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teor a se debe al matem atico W.R. Hamilton en 1853. En 1858, A. Cayley introduce la notaci on matricial como una forma abreviada de escribir un sistema de m ecuaciones lineales con n inc ognitas. Las matrices se utilizan en el c alculo num erico, en la resoluci on de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales. Adem as de su utilidad para el estudio de sistemas de ecuaciones lineales, las matrices aparecen de forma natural en geometr a, estad stica, econom a, inform atica, f sica, etc... La utilizaci on de matrices (arrays) constituye actualmente una parte esencial de los lenguajes de programaci on, ya que la mayor a de los datos se introducen en los ordenadores como tablas organizadas en las y columnas: hojas de c alculo, bases de datos,... Adem as de su utilidad para el estudio de los sistemas de ecuaciones, las matrices aparecen de manera natural en geometr a, estad stica, econom a, etc. Nuestra cultura est a llena de matrices de n umeros: El horario de los trenes de cada una de las estaciones es una matriz de doble entrada, la tabla de cotizaciones de la Bolsa en cada uno de los d as de la semana es otra, etc. Las tablas de sumar y multiplicar, la disposici on de los alumnos en clase, las casillas de un tablero de ajedrez, las apuestas de la loto, los puntos de un monitor de ordenador, son otros tantos ejemplos de la vida cotidiana de matrices. Actualmente, muchos programas de ordenador utilizan el concepto de matriz. As , las Hojas de C alculo funcionan utilizando una inmensa matriz con cientos de las y columnas en cuyas celdas se pueden introducir datos y f ormulas para realizar c alculos a gran velocidad. Esto requiere utilizar las operaciones con matrices. Denici on 1.1.1. Una matriz es un ordenamiento rectangular de elementos dispuestos en las y columnas. Aqu un ejemplo en sus distintas presentaciones: 0 1 a 2 2 0 1 a 2 2 0 1 a 2 2
Esta matriz posee dos las y tres columnas. Es importante adquirir el h abito de enunciar siempre las antes de columnas.
Algebra Lineal
Los elementos aij pueden ser n umeros reales, n umeros complejos o cualquier objeto no num erico, como por ejemplo la posici on de las chas en el tablero del ajedrez o los apellidos de personas cuando son codicadas en orden alfab etico. Notaci on General: Se simboliza cada elemento con sub ndices de la forma aij , donde i representa la la donde se encuentra y j la columna. As la matriz de m las y n columnas cuyos elementos son aij es: a11 a12 . . . a1j . . . a1n a21 a22 . . . a2j . . . a2n . . . . . . . . . . . . A= ai1 ai2 . . . aij . . . ain . . . . . . . . . . . . am1 am2 . . . amj . . . amn A = (aij )mn , siendo i = 1; 2; 3; . . . ; m ; j = 1; 2; 3; . . . ; n donde m, n N y podemos leer as :
que abreviadamente se representa por:
A es la matriz de m las y n columnas. aij es un elemento de la matriz A. Si aij K; (K = R o K = C) entonces denimos una matriz Amn como una aplicaci on de I J en K. I J (i, j ) 1j n K
aij
con 1 i m ; aij K.
donde a cada pareja (i, j ) le corresponde un solo elemento
1.1.3.
Orden de una Matriz
El orden de una matriz es la multiplicaci on indicada del n umero de las por el n umero de columnas de dicha matriz, as si la matriz tiene m las y n columnas diremos que la matriz es de orden m n. Ejemplo 1.1.1. La matriz de orden 2 3. Kmn = {(aij )mn /aij K} Si Si K = R, entonces entonces K = C, 4 2 5 7 1 3 tiene 2 las y 3 columnas, entonces decimos que es
El conjunto de matrices m n con elementos aij K se denota por Kmn . Es decir Rmn = {(aij )mn /aij R} Cmn = {(aij )mn /aij C}
Algebra Lineal
1.1.4.
Igualdad de Matrices
Dos matrices del mismo orden son iguales si todos sus elementos de la misma posici on son respectivamente iguales. As , sean las matrices A = (aij )mn B = (bij )mn
A = B aij = bij , i, j , 1 i m , 1 j n Ejemplo 1.1.2. Halle el valor de: (2x y ) + (2z w). Si las matrices: 2x + y 2z + w x 2y z 2w son iguales. Soluci on De la igualdad de matrices 2x + y 2z + w x 2y z 2w Se tiene: 2x + y = 4 x 2y = 1 entonces x = 7/5 , As mismo: y = 6/5 = 4 5 y 4 5 1 0
1 0
2z + w = 5 z 2w = 0 entonces z = 2 , w = 1 Luego el valor de : (2x y ) + (2z w) es: 2 7 6 5 5 8 23 +3= 5 5
+ (2(2) 1) =
1.1.5.
Matrices Especiales
a) Matriz Cuadrada: Una matriz A es cuadrada cuando el n umero de las es igual al n umero de columnas. Amn es cuadrada si y s olo si m = n, en este caso se dice que A es de orden n n o simplemente de orden n y se representa por An . a11 a12 a13 a1n a 21 a22 a23 a2n A= a31 a32 a33 a3n . . . . .. . . . . . . . . . an1 an2 an3 ann Ejemplo 1.1.3. La matriz A = 2 1 3 5 es cuadrada de orden 2.
(1.1)
Algebra Lineal
Diagonal Principal: Es una matriz cuadrada A = (aij )nn , la diagonal principal es el conjunto de elementos aij tales que i = j . As en: 2 3 5 A= 7 9 8 1 4 0
En la matriz cuadrada 1.6, la diagonal principal es: (a11 a22 a33 . . . ann ) Tipos de matrices cuadradas: Las matrices cuadradas pueden ser:
la diagonal principal es la terna (2 9 0) y la diagonal secundaria es la terna (1 9 5).
a.1. Matriz Triangular: Es aquella matriz cuyos elementos que se encuentran por encima o por debajo de la diagonal principal son ceros. Estas a su vez pueden ser: a.1.1. Matriz Triangular Superior : Una matriz cuadrada A = (aij )nn es triangular debajo de la diagonal principal son a 11 0 T = 0 . . . superior si aij = 0 i > j , esto es, cuando los elementos que se encuentran por ceros. a12 a13 a1n
a22 a23 a2n 0 a33 a3n . . . .. . . . . . . . 0 0 0 ann 3 5 0 Ejemplo 1.1.4. La matriz 0 7 0 es triangular superior. 0 0 0 a.1.2. Matriz Triangular Inferior : Una matriz cuadrada A = (aij )nn es triangular inferior si aij = 0 i < j , esto es, cuando los elementos que se encuentran por encima de la diagonal principal son ceros. a 0 0 11 a 21 a22 0 T = a31 a32 a33 . . . .. . . . . . . . 0
an1 an2 an2 16 0 0 es triangular inferior. Ejemplo 1.1.5. La matriz 1 16 0 3 2
0 0 . . . ann
Algebra Lineal
a.2 Matriz Diagonal: Es aquella matriz cuyos elementos que se encuentran por encima y por debajo de la diagonal principal a 11 0 D= 0 . . . 0 Ejemplo 1.1.6. Las matrices 3 0 0 4 son ceros. Es decir aij = 0 si i = j . 0 0 0 a22 0 0 0 a33 0 . . . .. . . . . . . . 0 0 ann 0 0 , 0 e 0 son diagonales. 0 0
a.3 Matriz Escalar: Es aquella matriz cuyos elementos que se encuentran en la diagonal principal de toda matriz diagonal son iguales. 0 0 0 0 E= 0 0 . . . . . . . . . 0 0 En forma general: En es escalar si aij = , 0, si i = j si i = j 2 0 0 2 3 0 0 son escalares , 0 3 0 0 0 3 1. 0 0 0 . . .
0 0 . .. . . . 0
Ejemplo 1.1.7. Las matrices
a.4 Matriz Identidad: Es aquella matriz cuyos elementos que se encuentran en la diagonal principal de toda matriz escalar son iguales a 1 0 0 0 1 0 I= 0 0 1 . . . . . ... . . . . En forma general: In es identidad si 1, si i = j aij = 0, si i = j
0 0 0 1
Algebra Lineal
b) Matriz Rectangular: Son aquellas matrices donde el n umero de las es distinta al n umero de columnas. Esto es: la matriz A = (aij )mn es rectangular si m = n. Ejemplo 1.1.8.
32
2 4 1 2
3 0
2 3 1 1
14
c) Matriz Nula: Es aquella matriz cuadrada o rectangular en donde todos sus elementos son nulos, es decir, una matriz A = (aij )mn es nula si aij = 0 i, j . Ejemplo 1.1.9. 0 0 0 0 ; 0 0 0 0 0 0
1.1.6.
Operaciones con Matrices
As como en cualquier conjunto num erico, en el conjunto de matrices tambi en se denen ciertas operaciones, obviamente, bajo determinadas condiciones. a. Adici on y sustracci on de matrices Sean las matrices A = (aij )mn B = (bij )mn
La suma A + B de las matrices A y B de orden m n es una matriz C = (cij )mn de As : A + B = (aij )mn + (bij )mn = (aij + bij )mn orden m n, de tal modo, que cada elemento cij es igual a la suma: aij + bij .
La resta A B de las matrices A y B de orden m n es una matriz D = (dij )mn de As : A B = (aij )mn (bij )mn = (aij bij )mn Ejemplo 1.1.10. Sean: 2 4 A= 5 7 2 4 3 1 = ; B= 2+5 orden m n, de tal modo, que cada elemento dij es igual a la resta: aij bij . 5 7
9 16
, entonces: 7 11
A+B = 2
3 1 4
+ 5
4+7
9 16 7 =
3 9 1 + 16 25 47
(A + B ) = (A B ) =
6 15 3 12 17 3
AB =
3 1
9 16
3 (9) 1 16
Denici on 1.1.2. La operaci on binaria que hace corresponder a cada par de matrices A y B una tercera matriz C llamada suma de A y B , esto es: + : Mmn Mmn Mmn (A, B )
+(A, B ) = A + B = C
8 Propiedades:
Algebra Lineal
i. La adici on es interna o cerrada en Mmn es decir: Mmn , por denici on de la adici on de matrices.
(A + B ) Mmn A, B
ii. La adici on en Mmn es asociativa, es decir: (A + B ) + C = A + (B + C ), Sean A = (aij )mn ; A; B ; C Mmn . Veamos: B = (bij )mn ; C = (cij )mn
(A + B ) + C = ((aij )mn + (bij )mn + (cij )mn ) (aij + bij + cij )mn = (aij )mn + (bij + cij )mn = A + (B + C )
iii. Existe en Mmn una u nica matriz identidad o neutro aditivo denotado por 0; llamada matriz nula donde todos sus elementos son ceros; esto es: A Mmn , 0 Mmn tal que A + 0 = 0 + A = A etrico aditivo dado por A Mmn ; esto iv. Toda matriz A Mmn tiene un sim 0mn
es: A Mmn , (A) = (aij )mn tal que A +(A) = (aij )mn +(aij )mn =
Con estas propiedades queda garantizado que (Mmn ; +) tiene estructura de grupo. Adem as: v. La adici on en Mmn es conmutativa, es decir: A + B = B + A, A; B Mmn , (bij )mn + (aij )mn = B + A as : A + B = (aij )mn + (bij )mn (aij + bij )mn = (bij + aij )mn
Mediante esta quinta propiedad diremos que (Mmn ; +) es un grupo abelino o conmutativo. b. Multiplicaci on de matrices b.1. Multiplicaci on de un escalar por una matriz Cuando un escalar multiplica a una matriz, cada elemento de la matriz queda multiplicado por dicho escalar. As : Sea A = (aij )mn Donde es un escalar Ejemplo 1.1.11. 20 15 10 5 Denici on 1.1.3. La operaci on binaria que hace corresponder a cada par de elementos, un escalar y una matriz A, una matriz C llamada producto de y A, Sea: A = 4 3 2 1 5A = A = (aij )mn .
5(4) 5(3) 5(2) 5(1)
5A =
Walter Arriaga Delgado esto es:
Algebra Lineal
: K Mmn Mmn (, A)
(, A) = A
Propiedades: i. Propiedad distributiva: (A + B ) = A + B , A, B Mmn ; K ii. Propiedad distributiva: ( + )A = A + A, A Mmn ; ; K iii. Propiedad asociativa: (A) = ( )A, A Mmn ; ; K Por tanto: Si K = R entonces (Mmn , +, ) es un espacio vectorial sobre el cuerpo de los n umeros reales. n umeros complejos. Si K = C entonces (Mmn , +, ) es un espacio vectorial sobre el cuerpo de los
b.2. Multiplicaci on de una matriz la por una matriz columna b 1 b 2 ; B= Sean las matrices: A = a1 a2 a3 an b3 1n . . . bn Denimos: AB = (a1 b1 + a2 b2 + a3 b3 + + an bn )11 . Es decir:
n
n 1
AB =
k =1
ak bk 7
B= 2 4 entonces: AB = (1)(7) + (3)(2) + (5)(4) = 21 Ejemplo 1.1.12. Sean: A = 1 3 5 ; b.3. Multiplicaci on de dos matrices Dados dos matrices A = (aij )mn ; B = (bjk )np existe una tercera matriz C = (cik )mp que representa el producto de multiplicar las matrices A y B ; donde cik es el producto de multiplicar la la i de la primera matriz por la columna k de la segunda matriz. Denici on 1.1.4. La operaci on binaria que hace corresponder a cada par de matrices A y B , una matriz C llamada producto de A y B , esto es: : Mmn Mnp Mmp (A, B )
(A, B ) = AB
10
Algebra Lineal
Nota: La multiplicaci on de una matriz A y la matriz B existe si y s olo si el n umero de columnas de la primera matriz es igual al n umero de las de la segunda matriz. Es decir:
n
AB = (cik )mp / cik =

j =1
aij bjk
Si el producto AB est a denido se dice que A es conformable con B para la multiplicaci on. 5 4 1 4 3 2 Ejemplo 1.1.13. Sean las matrices: A = ; B= 7 9 3 5 1 9 23 2 1 2 33 La matriz C producto de A y B ser a de orden 2 3 de la siguiente forma. c11 c12 c13 C= . Hallando cada uno de los elementos: c21 c22 c23 c11 = (4)(5) + (3)(7) + (2)(2) = 45 c12 = (4)(4) + (3)(9) + (2)(1) = 45 c13 = (4)(1) + (3)(3) + (2)(2) = 17 c21 = (5)(5) + (1)(7) + (9)(2) = 50 c22 = (5)(4) + (1)(9) + (9)(1) = 38 c23 = (5)(1) + (1)(3) + (9)(2) = 26 entonces: C = 45 45 17 50 38 26
Nota: La multiplicaci on de matrices no necesariamente es conmutativa. b.4. Multiplicaci on de matrices por bloques Existen situaciones en las que es conveniente manejar las matrices como bloques de matrices m as peque nas, llamadas submatrices, y despu es multiplicar bloque por bloque en lugar de componente por componente. Resulta que la multiplicaci on en bloques es muy similar a la multiplicaci on normal de matrices. Ejemplo 1.1.14. Considere el producto: 1 1 2 0 1 3 4 1 4 3
2 AB = 1 2
5 2 1 0 2 3 3 2 1 5 0 0 1 2 4
El lector debe vericar que este producto est e denido. Ahora se hace una partici on
Algebra Lineal
11
de estas matrices mediante l neas punteadas. 1 1 | 2 4 1 4 | 3 2 2 1 | 0 C | D G | H 0 | 4 5 | | | = | 1 3 1 | 2 3 2 | 1 E | F J | K 2 3 | 5 0 0 1 | 2 Existen otras maneras de formar la partici on. En este caso C = K = 1 1 1 2 0 ,
, etc. Ahora suponiendo que todos los productos y las sumas de las 2 matrices est an denidos, se puede multiplicar normalmente para obtener CG + DJ | CH + DK C D G H AB = = | E F J K EG + F J | EH + F K Ahora: CG = 2 4 4 5 1 1 2 0 1 4 2 1 6 8 = 1 5 2 8
DJ =
3 2 0 7
12 13
y 1 1 3 0 3 6
CG + DJ =
13
10 21 1 2 0 =
De manera similar, EH = 4 5 1 1
2 3 .
FK =
2 3 5
EH + F K = 13 20 7 13
El lector debe vericar que CH + DK = de manera que CG + DJ AB = EG + F J
EG + F J =
11 1
Esta es la misma respuesta que se obtiene si se multiplica AB directamente.
7 13 13 10 21 | 20 | CH + DK 10 21 20 | | = = 3 4 1 | EH + F K 4 | 1 3 11 1 1 11 1 | 1 | 13
Cuando se hace una partici on de dos matrices y, como ene el ejemplo anterior, todos los productos de submatrices est an denidos, entonces se dice que la partici on es conformante.
12 Propiedades
Algebra Lineal
i. Propiedad asociativa: A(BC ) = (AB )C , donde A Mmp , B Mpq , C Mqn . En efecto: A(BC ) =
q p k =1 p p q p q p q
aik (BC )kj =

q k =1 p
aik (
l=1
bkl clj ) =
q l=1 k =1 l=1
aik (bkl clj ) =

k =1 l=1
(aik bkl )clj
=
l=1 k =1
(aik bkl )clj =
(
l=1 k =1
aik bkl )clj =
(AB )il clj = (AB )C
ii. Propiedad asociativa: A(B + C ) = AB + AC , donde A Mmp , B ; C Mpn . En efecto:

p p p
A(B + C ) =
p p k =1
aik (B + C )kj =
k =1
aik (bkj + ckj ) =

k =1
(aik bkj + aik ckj ) =
aik bkj +
k =1 k =1
aik ckj = AB + AC
iii. Propiedad no conmutativa: AB = BA iv. AB = 0 no implica que A = 0 oB=0 v. AB = AC no implica que B = C vi. Elemento neutro: A Mnn , In Mnn tal que IA = AI = A. Ejemplo 1.1.15. Sean las matrices: A = BA. AB = 3 2 4 1 3 7 1 5 = 11 31 13 33 3 2 4 1 y ; B = 3 7 1 5 3 7 1 5 3 2 4 1 ; Veamos AB y = 37 13 23 7
BA =
De donde observamos que: AB = BA. Ejemplo 1.1.16. Sean las matrices: A = Veamos AB. AB = 3 5 5 10 6 10 3 6 = 0 0 0 0 3 5 ; B= 5 10 ;
6 10
3 6
Vemos que AB = 0, pero no implica que A o B sean matrices nulas. Ejemplo 1.1.17. Sean las matrices: A = Veamos AB y AC. AB = 1 1 0 0 2 3 5 8 = 7 11 0 0 y AC = 1 1 0 0 5 8 2 3 = 7 11 0 0 1 1 0 0 , B= 2 3 5 8 , C= 5 8 2 3
Se observa que AB = AC sin embargo B = C .
Walter Arriaga Delgado Denici on 1.1.5.
Algebra Lineal
13
Si AB = BA, se dice que las matrices A y B son matrices conmutables. Si AB = BA , se dice que las matrices A y B son matrices anticonmutables. Nota: Si A es una matriz cuadrada de orden n y B = aA + bI donde a y b son escalares entonces A y b son conmutables. c. Potenciaci on de matrices Sea A una matriz cuadrada y n N/n 2; entonces se dene: An = A.A.A.A A
n veces
Ejemplo 1.1.18. Si A =
1 3 2 4
entonces
A2 =
1 3 2 4
1 3 2 4
15
10 22
Nota: La potenciaci on de matrices es conmutativa. De donde se tendr a. a. (k. A)n = kn . An b. Si A es una matriz cuadrada entonces Am An = An Am /m; n N c. Si A y B conmutan entonces Am y B n conmutan siendo m, n naturales. d. Si A es una matriz cuadrada (Am )n = Amn = (An )m ; m; n N.
1.1.7.
Traza de una matriz
Dada la matriz cuadrada A = (aij )nn , se llama traza de A a la suma de los elementos de la diagonal principal y se denota por:
n
Traz(A) =
i=1
aii = a11 + a22 + a33 + + ann
Ejemplo 1.1.19. Sea
Teorema 1.1.1. Sean las matrices cuadradas A y B del mismo orden y un escalar. Traz(A B ) = Traz(A) Traz(B ) En efecto: Sean A = (aij )nn
n n i=1
5 9 0 A= 4 0 7 9 5 2
Traz(A) = 5 + 7 2 = 10
B = (bij )nn
n
A B = (aij bij )nn
Traz(A B ) =
i=1
(aii bii ) =
n
(aii )
n
i=1
(bii ) = Traz(A) Traz(B )
Traz( A) = Traz(A) En efecto: Traz(A) =
aii =
i=1 i=1
aii = TrazA
14 Traz(AB ) = Traz(BA) En efecto: Traz(AB ) =

n
Algebra Lineal
cij ,
i=1
donde
n
cij =
j =1 n
aij bj i
entonces
Traz(AB ) =
i=1
n j =1
aij bj i
bji aij
j =1 i=1
= Traz(BA)
1.1.8.
Transpuesta de una matriz
resultante de cambiar, ordenadamente, las las por las columnas de la matriz A de tal manera, que si llamamos A = (aij ) y At = (a ij ) tenemos: a ij = aji , 1 i m 1 j n por lo que si A Mmn At Mnm . Ejemplo 1.1.20. Dada la matriz A= 1 2 3 4 7 2 entonces 1 4 At = 2 7 3 2
Denici on 1.1.6. Sea A Mmn , se llama transpuesta de A y se denota por At a la matriz
Teorema 1.1.2. (A B )t = At B t ,
n t n
A, B Mmn . donde: Ai son matrices del mismo orden, i = 1, n
Ai
i=1
=
i=1
At i,
(At )t = A,
A Mmn . A Mmn , es un escalar
(A)t = At ;
(AB )t = B t At ,
n t 1
A Mmn , B Mnp . donde: Ai son matrices conformables, i = 1, n
Ai
i=1
=
i= n
At i,
1.1.9.
Matriz sim etrica
Una matriz cuadrada diremos que es sim etrica si y s olo si es igual a su transpuesta, en otras palabras es sim etrica respecto a su diagonal principal. A es sim etrica A = At 10 1 2 5 7 Ejemplo 1.1.21. Las matrices ; etricas 1 2 3 son matrices sim 7 4 2 3
Algebra Lineal
15
1.1.10.
Matriz antisim etrica
Una matriz cuadrada ser a antisim etrica si y s olo si es igual al negativo de su transpuesta. A es antisim etrica A = At Los elementos sim etricos respecto de la diagonal principal son opuestos y su diagonal son ceros. Ejemplo 1.1.22. Dada la matriz A = 0 5 se tiene que
5 0 = (1)
At = entonces A es antisim etrica.
0 5 5 0
5 0
= A
Observaci on 1.1.1. Todos los elementos de la diagonal principal de una matriz antisim etrica son iguales a cero y los elementos sim etricos respecto a la diagonal principal son opuestos o en forma equivalente: aij = aji Teorema 1.1.3. Toda matriz cuadrada se puede escribir como la adici on de una matriz sim etrica y otra antisim etrica Demostraci on (A + At )t = At + (At )t = At + A = A + At A + At A At + 2 2 Observe las matrices A + At y A At . Veamos que: A + At es sim etrica A At es antisim etrica
(A At )t = At (At )t = At A = (A At ) y como: A=
sim etrica
antisim etrica
podemos expresar la matriz A como una adici on de una matriz sim etrica y otra antisim etrica.
1.1.11.
Matriz involutiva
Una matriz cuadrada es involutiva si y s olo si su cuadrado es igual a la identidad, es decir: A2 = I. A= 1 1 0 1 1 0 0 1 . Veamos:
Ejemplo 1.1.23. Dada la matriz 1 1 0 1 1 1 0 1
A2 = A. A =
= I entonces A2 = I A es involutiva.
16
Algebra Lineal
1.1.12.
Matriz nilpotente
Una matriz cuadrada A se dice nilpotente de ndice k si Ak = ; donde es una matriz nula; adem as Ak1 = . A= 5 1 1 6 . 2 1 3 2 3 0 1 1 3
Ejemplo 1.1.24. Dada la matriz
Veamos:
A2 = A. A = 5 1
Entonces A es una matriz nilpotente de ndice de nilpotencia 3.
0 0 0 3 = 0 0 0 A3 = A. A = 5 2 6 3 9 2 1 3 1 1 3 0 0 0 1 3 0 0 0
6 2 6 3 9 5 = 3 2 1 3 2 1 3 1 1 3 2
1.1.13.
Matriz idempotente
Una matriz cuadrada A se llama idempotente si y s olo si A2 = A Ejemplo 1.1.25. Veamos la matriz A2 = A. A = 3 2 3 2 A= = 3 3 2 2 , donde:
3 2 ,
3 2
3 2
3 2
obteni endose que A2 = A
luego diremos que A es una matriz indepotente.
1.1.14.
Matriz conjugada
1; la expresi on z = a + bi representa un n umero
Sean a y b n umeros reales e i =
conplejo. Los n umeros complejos de la forma a + bi y a bi se llaman conjugados y cada z = a + bi. del conjugado de un n umero complejo z es el mismo. Si z1 = a + bi y z2 = c + di se tiene z1 + z2 = (a + c) + (b + d)i y conjugados.
uno de ellos es conjugado del otro. Si z = a + bi, su complejo conjugado se representa por Sean z1 = a + bi y z2 = z 1 = a bi; entonces, z 2 = z 1 = a bi = a + bi, es decir, el conjugado
es decir, el conjugado de la suma de dos n umeros complejos es igual a la suma de los
z1 + z2 = (a + c) (b + d)i = (a bi) + (c di) = z1 + z2 ,
Algebra Lineal
17
z1 z2 = (ac bd)+ (ad + bc)i y z1 z2 = (ac bd) (ad + bc)i = (a bi)(c di) = z1 z2 , esto es, el conjugado del producto de dos n umeros complejos es igual al producto de los conjugados. Sea A una matriz cuyos elementos son n umeros complejos; la matriz obtenida a partir de A sustituyendo cada elemento por su conjugado se llama matriz conjugada de A y se representa por A (conjugada de A). Ejemplo 1.1.26. Si A= 1 + 2i 3 i 2 3i ser a A= 1 2i 3 i
2 + 3i
Sean A y B las matrices conjugadas, respectivamente de A y B , y k un escalar cualquiera; entonces se tiene que: Teorema 1.1.4. (A) = A. (kA) = k A (A + B ) = A + B . (AB ) = A B . (A)t = (A ). donde la transpuesta de A se denota por A (y se lee transpuesta de la conjugada de A). Algunas veces se emplea la notaci on A .
t t
1.1.15.
Matriz hermitiana
Dada una matriz cuadrada de elementos complejos se llama hermitiana o herm tica si dicha matriz es igual a la transpuesta de su matriz conjugada, es decir: una matriz cuadrada A es hermitiana si y s olo si A = A . De donde se concluye que los elementos de la diagonal principal son necesariamente reales. Ejemplo 1.1.27. Sea la matriz: (A)t = 5 41 4+i 1 , A= 5 4i 4+i 1 A= 5 4+i 4i 1
t
como: (A)t = A
A es una matriz hermitiana.
Propiedades Sea A = B + iC , donde A es hermitiana y B y C reales, entonces B es sim etrica y C antisim etrica. En una matriz hermitiana, los elementos de la diagonal principal son reales.
18
Algebra Lineal
1.1.16.
Matriz antihermitiana
Dada una matriz cuadrada de elementos complejos se llama antihermitiana si es igual al negativo de la transpuesta de su matriz conjugada. Es decir: una matriz cuadrada A es antihermitiana si y s olo si A = A .
t
De donde se cuncluye que los elementos de la diagonal principal son ceros. 0 4 + 5i = (1) 4 + 5i 0 0 0 4 5i 4 5i 0
Ejemplo 1.1.28. Sea 0
A=
A=
4 5i 0 4 + 5i luego se dir a que la matriz A es antihermitiana.
(A)t =
4 5i
4 + 5i 0
= A
Teorema 1.1.5. Sea A una matriz cuadrada de elementos complejos. A + (A)t es hermitiana. A (A)t es antihermitiana. Teorema 1.1.6. Toda matriz cuadrada de elementos complejos se puede escribir como la adici on de una matriz hermitiana y otra antihermitiana.
1.1.17.
Matriz ortogonal
Sea la matriz cuadrada An = [aij ]. A es ortogonal s y s olo si A1 = At , A es no singular Propiedades A es ortogonal AAt = In . Si A y B son ortogonales AB es ortogonal. Las matrices ortogonales, representan transformaciones en espacios vectoriales reales llamadas justamente, transformaciones ortogonales. Estas transformaciones son isomormos internos del espacio vectorial en cuesti on. Suelen representar rotaciones y son usadas extensivamente en computaci on gr aca. Por sus propiedades tambi en son usadas para el estudio de ciertos brados y en f sica se las usa en la formulaci on de ciertas teor as de campos.
1.1.18.
Matriz positiva
X = 0.
Sea A Rnn , A es positiva s , y s olo si XAt X > 0 X Rn ,
Algebra Lineal
19
1.2.
1.2.1.
Determinantes
Algo de historia
Los determinantes fueron introducidos en Occidente a partir del siglo XVI, esto es, antes que las matrices, que no aparecieron hasta el siglo XIX. Conviene recordar que los chinos (Hui, Liu, Jiuzhang Suanshu o Los nueve cap tulos del arte matem atico.) fueron los primeros en utilizar las tablas de n umeros y en aplicar un algoritmo que, desde el Siglo XIX, se conoce con el nombre de Eliminaci on gaussiana. Primeros c alculos de determinantes En su sentido original, el determinante determina la unicidad de la soluci on de un sistema de ecuaciones lineales. Fue introducido para el caso de orden 2 por Cardan en 1545 en su obra Ars Magna presentado como una regla para la resoluci on de sistemas de dos ecuaciones con dos inc ognitas. Esta primera f ormula lleva el nombre de regula de modo. El japon es Kowa Seki introdujo los determinantes de orden 3 y 4 en la misma epoca que el alem an LeibnizLa aparici on de determinantes de ordenes superiores tard o a un m as de cien a nos en llegar. Curiosamente el japon es Kowa Seki y el alem an Leibniz otorgaron los primeros ejemplos casi simultaneamente. Leibniz estudi o los distintos tipos de sistemas de ecuaciones lineales. Al no disponer de la notaci on matricial, representaba los coecientes de las inc ognitas con una pareja de ndices: o por un sistema de tres ecuaciones as pues escrib a ij para representar ai,j . En 1678 se interes con tres inc ognitas y obtuvo, para dicho ejemplo, la f ormula de desarroyo a lo largo de una columna. El mismo a no, escribi o un determinante de orden 4, correcto en todo salvo en el signo. Leibniz no public o este trabajo, que pareci o quedar olvidado hasta que los resultados fueron redescubiertos de forma independiente cincuenta a nos m as tarde En el mismo periodo, Kowa Seki public o un manuscrito sobre los determinantes, donde se hallan f ormulas generales dif ciles de interpretar. Parece que se dan f ormulas correctas para determinantes de tama no 3 y 4, y de nuevo los signos mal para los determinantes de tama no superior. El descubrimiento se queda sin futuro a causa del cierre de de Jap on al mundo exterior. Este aislamiento debido a los shoguns, se ve reejado en la expulsi on de los Jesuitas en 1638. Determinantes de cualquier dimensi on Gabriel Cramer obtuvo las primeras f ormulas generales de c alculo de los determinantes. En 1748, un p ostumo tratado de algebra de MacLaurin recupera la teor a de los determinantes al contener la escritura correcta de la soluci on de un sistema de cuatro ecuaciones con cuatro inc ognitas. En 1750, Cramer formula las reglas generales que permiten la resoluci on de un sistema de n ecuaciones con n inc ognitas, aunque no ofrece demostraci on alguna. Los m etodos de c alculo de los determinantes son hasta entonces delicados debido a que se basan en la noci on de signatura de una permutaci on. Los matem aticos se familiarizan con este nuevo objeto a trav es de los art culos de B ezout en 1764, de Vandermonde en 1771 (que proporciona concretamente el calculo del determinante de la actual Matriz de Vandermonde). En 1772, Laplace establece las reglas de recurrencia
20
Algebra Lineal
que llevan su nombre. En el a no siguiente, Lagrange descubre la relaci on entre el c alculo de los determinantes y el de los vol umenes. Gauss utiliza por primera vez el t ermino (( d eterminante )), en las Disquisitiones arithmeticae en 1801. Lo empleaba para lo que hoy d a denominamos discriminante de una cu adrica y que es un caso particular de determinante moderno. Igualmente estuvo cerca de obtener el teorema del determinante de un producto.
Aparici on de la noci on moderna de determinante Cauchy fue el primero en emplear el t ermino determinante con su signicado moderno. Se encarg o de realizar una s ntesis de los conocimientos anteriores y public o en 1812 la f ormula del determinante de un producto. Ese mismo a no Binet ofreci o una demostraci on para dicha f ormula. Paralelamente Cauchy establece las bases del estudio de la reducci on de endomorsmos. Con la publicaci on de sus tres tratados sobre determinantes en 1841 en la revista Crelle, Jacobi aporta a la noci on una gran notoriedad. Por primera vez presenta m etodos sistem aticos de c alculo bajo una forma algor tmica. Del mismo modo, hace posible la evaluaci on del determinante de funciones con instauraci on del jacobiano. El cuadro matricial es introducido por los tabajos de Cayley y Sylvester. Cayley es adem as el inventor de la notaci on del determinante mediante dos barras verticales y es quien estableci o la f ormula de c alculo de la inversa. La teor a se ve reforzada por el estudio de determinantes que poseen propiedades de simetr a particular y por la introducci on del determinante en los nuevos campos de las matem aticas, como es el caso del wronskiano en las ecuaciones diferenciales lineales. Denici on 1.2.1. El determinante es una funci on que, aplicada a una matriz cuadrada, la transforma en un escalar. Notaci on: Sea A una matriz cuadrada, el determinante de la matriz A se representa por |A|
o det(A).
Sea Mnn el conjunto de todas las matrices cuadradas de orden n; entonces la denici on queda de la siguiente manera. | | : Mnn R o C A |A|
Determinante de una matriz de orden uno Se llama determinante de una matriz de primer orden, formada por el elemento a11 , al propio elemento a11 . Ejemplo 1.2.1. Sea: A = (3) |A| = 3
Algebra Lineal
21
Determinante de una matriz de orden dos Sea la matriz A= a11 a12 a21 a22 se dene el determinante de A como: |A| = a11 a22 a21 a12 Ejemplo 1.2.2. Sea: A = 3 2 1 4 |A| = 3(4) 2(1) = 10
|A| = (a11 a22 a33 + a12 a23 a31 + a21 a32 a13 ) (a31 a22 a13 + a21 a12 a33 + a32 a23 a11 ) 1 2 3 Ejemplo 1.2.3. Sea: A = 1 0 4 |A| = (0 16 3) (0 10 + 4) = 13 2 1 5
Determinante de a11 Sea: A = a21 a31
una matriz de orden tres a12 a13 a22 a23 se dene el determinante de A como: a32 a33
1.2.2.
C alculo de Determinantes por la Regla de Sarrus
Se aplica la matriz trasladando las dos primeras las a la parte inferior y se aplican multiplicaciones en a11 Sea: A = a21 a31 direcciones de las diagonales, conforme se indica. a12 a13 a22 a23 entonces: a32 a33 a11 a21 |A| = a31 a11 a21 a12 a22 a32 a12 a22 a13 a23 a33 a13 a23 a11 a22 a33 a21 a32 a13 a31 a12 a23 D
a13 a22 a31 a23 a32 a11 a33 a12 a21 I donde:
D = a11 a22 a33 + a21 a32 a13 + a31 a12 a23
22
Algebra Lineal
I = a13 a22 a31 + a23 a32 a11 + a33 a12 a21 por lo tanto |A| = D I 1 2 3 Ejemplo 1.2.4. Halle el determinante de: A = 1 0 4 2 1 5 Soluci on: 1 1 0 4 10 6 2 1 1 2 0 1 2 0 3 4 5 3 4 0 3 16 19
|A|
|A| = (19) (6) = 13
1.2.3.
Propiedades Generales
1. Dada una matriz cuadrada A, se tiene que: |A| = |At |. 2. Dadas las matrices cuadradas A y B y del mismo orden se tiene que: |AB | = |A||B |. 3. Si una matriz cuadrada tiene dos las o dos columnas, respectivamente proporcionales; se dice entonces que su determinante es cero. 4. Si una matriz cuadrada A posee una la o una columna de ceros, su determinante es nulo. 5. Si se intercambian dos las o columnas consecutivas de una matriz cuadrada, su determinante s olo cambia de signo. 6. Si a una la o columna de una matriz cuadrada se le suma una cierta cantidad de veces otra la o columna, entonces la matriz resultante tiene el mismo determinante. 7. Si todos los elementos de una la o una columna se multiplican por un n umero k, todo el determinante queda multiplicado por dicho n umero.
Algebra Lineal
23
8. El determinante de una matriz diagonal, triangular inferior o triangular superior es igual al producto de multiplicar los elementos de la diagonal principal. 9. El determinante de una matriz antisim etrica de orden impar es igual a cero. 10. El determinante de una matriz hermitiana es un n umero real. 11. El determinante de una matriz ortogonal A es +1 o 1. En efecto, de las propiedades del y por tanto, det A = 1. determinante tenemos det(A At ) = det A det At = det A det A = (det A)2 = det I = 1,
12. Si A es una matriz nilpotente entonces |A| = 0. En efecto, si A es una matriz nilpotente de orden k, Ak = 0. Por tanto |Ak | = 0, luego |A|k = 0, y en consecuencia |A| = 0. 13. Sea A una matriz de orden n; se cumple que: |kA| = kn |A|; k es una escalar. 14. El determinante de una matriz cuadrada no var a si a una la o una columna se le suma una combinaci on lineal de las o columnas paralelas. 15. Si una la o columna de la matriz cuadrada A es combinaci on lineal de otras paralelas, su determinante es nulo. 16. Si descomponemos una la o una columna de una matriz cuadrada en suma de dos, podemos descomponer el determinante en suma de dos determinantes de la forma: a11 . . . a12 . . . a1n . . . a11 . . . a12 a1n . . . . . . ai2 . . . a11 . . . a12 . . . a i2 . . . a1n . . . a in . . .
ai1 + a i1 ai2 + ai2 ain + ain = ai1 . . . . . . . . . . . .
ain + a i1 . . . . . .
an1
an2
ann
an1 an2 ann
an1 an2 ann
Observaci on 1.2.1. No confundir con det(A + B ) = det(A) + det(B ), que esto no se cumple. Observaci on 1.2.2. Teniendo en cuenta la denici on del determinante, se pueden considerar dos matrices cuadradas especiales m as: a) Matriz Singular. Una matriz es singular si su determinante es cero; es decir: det A = 0 A es singular b) Matriz Regular. Una matriz es regular llamada tambi en no singular si su determinante es diferente de cero; es decir: det A = 0 A es no singular
24 Ejemplo 1.2.5. Dada la matriz: A = 3 4 6 8
Algebra Lineal
|A| = 24 24 = 0
A es singular Dada la matriz: B = 4 3 1 5 |B | = 20 3 = 17
B es no singular
1.2.4.
Menores complementarios y Cofactores

orden n. a12 a22 ai2 a1j a2j . . . aij . . . a1n
y la columna j de la matriz A luego:
Denotaremos por Mij a la matriz cuadrada de orden (n 1) que resulta de eliminar la la i I. Al determinante de la matriz Mij (|Mij |) se le llamar a menor complementario del elemento aij de la matriz A. II. Se dene cofactor del elemento aij denotado por Aij . Aij = (1)i+j |Mij | Ejemplo 1.2.6. Sea la matriz A = 1 5 3 2 3 2 2 1 4
Consid erese la matriz cuadrada de a11 a21 A= ai1 an1
an2 anj
a2n ain ann
2 3 el menor de 3 es: = 4 + 3 2 2 2 el menor de 5 es: el menor de 2 es: el menor de 1 3 4 4 2 3 5 2 3 = 3 8 = 11 = 6 20 = 26 4 = 9 + 4 = 5
2 es:
1 3
Walter Arriaga Delgado Nota:
Algebra Lineal
25
1. La diferencia entre el menor |Mij | y el cofactor Aij de un elemento aij es solamanete el signo. As : Aij = (1)i+j |Mij |, de donde:
2. El signo que relaciona a Aij y |Mij | del elemento aij de la matriz A se puede hallar en forma pr actica mediante el siguiente arreglo: + + + + + . . . . . . . . .
menor cofactor |Mij | si i + j es par Aij = |M | si i + j es impar ij
As el signo de a35 es positivo puesto que (3 + 5) es par. El signo del elemento a25 es negativo ya que (2 + 5) es impar.
1.2.5.
C alculo de Determinantes por Cofactores
Teorema de Laplace: El determinante de una matriz A = (aij )mn es igual a la suma de los productos obtenidos de multiplicar los elementos de cualquier la (o columna) por sus respectivos cofactores:
n
|A| = ai1 Ai1 + ai2 Ai2 + . . . + ain Ain =
aij Aij
j =1 n
|A| = a1j A1j + a2j A2j + . . . + anj Anj = Ejemplo 1.2.7. Calcular el determinate de: 3 5 0 7
aij Aij
i=1
Soluci on: Elegimos la la 2, entonces:
A= 2 1
3 2
26 5 7 3 7 1 2 3
Algebra Lineal 5
|A| = (2)
3 2
+0
1 3
|A| = 2(10 + 21) + 0 4(9 5)
|A| = 118 Nota: Lo m as recomendable es escoger la la o columna que tenga la mayor cantidad de ceros.
1.3.
Otras matrices importantes
Matriz diagonal
Una matriz diagonal es una matriz cuadrada en que las entradas son todas nulas salvo en la diagonal principal, y estas pueden ser nulas o no. Toda matriz diagonal es tambi en una matriz sim etrica, triangular (superior e inferior) y (si las entradas provienen del cuerpo R o C ) normal. Otro ejemplo de matriz diagonal es la matriz identidad. Operaciones matriciales Las operaciones de suma y producto de matrices son especialmente sencillas para matrices diagonales. Vamos a emplear aqu la notaci on de diag(a1 , . . . , an ) para una matriz diagonal que tiene las entradas a1 , . . . , an en la diagonal principal, empezando en la esquina superior izquierda. Entonces, para la suma se tiene: diag(a1 , . . . , an ) + diag(b1 , . . . , bn ) = diag(a1 + b1 , . . . , an + bn ) y para el producto de matrices, diag(a1 , . . . , an ) diag(b1 , . . . , bn ) = diag(a1 b1 , . . . , an bn ) La matriz diagonal diag(a1 , . . . , an ) es invertible si y s olo si las entradas a1 , . . . , an son todas distintas de 0. En este caso, se tiene
1 1 diag(a1 , . . . , an )1 = diag(a 1 , . . . , an )
En particular, las matrices diagonales forman un subanillo del anillo de las matrices de n n. i- esima de A por ai para todo i. Multiplicar la matriz A por la derecha con diag(a1 , . . . , an ) equivale a multiplicar la columna i- esima de A por ai para todo i.
Multiplicar la matriz A por la izquierda con diag(a1 , . . . , an ) equivale a multiplicar la la
Walter Arriaga Delgado Usos
Algebra Lineal
27
Las matrices diagonales tienen lugar en muchas areas del algebra lineal. Debido a la sencillez de las operaciones con matrices diagonales y el c alculo de su determinante y de sus valores y vectores propios, siempre es deseable representar una matriz dada o transformaci on lineal como una matriz diagonal. autovectores linealmente independientes. Tales matrices se dicen diagonalizables. De hecho, una matriz dada de n n es similar a una matriz diagonal si y s olo si tiene n
En el cuerpo de los n umeros reales o complejos existen m as propiedades: toda matriz normal es similar a una matriz diagonal (teorema espectral) y toda matriz es equivalente a una matriz diagonal con entradas no negativas.
Matriz banda
Una matriz cuadrada se le llama Matriz Banda cuando es una matriz donde los valores no nulos son connados en un entorno de la diagonal principal, formando una banda de valores no nulos que completan la diagonal principal de la matriz y m as diagonales en cada uno de sus costados. Escrito formalmente, una matriz A = (ai,j )nn es una matriz banda si todos sus elementos son cero fuera de una zona diagonal cuyo rango se determina por las constantes k1 y k2 : ai,j = 0 si j < i k1 o j > i + k2 ; k1 , k2 0
Los valores k1 y k2 son el semiancho de banda izquierdo y derecho respectivamente. El ancho de banda de una matriz es k1 + k2 + 1, y se puede denir como el n umero menor de diagonales adyacentes con valores no nulos. Una matriz banda con k1 = k2 = 0 es una matriz diagonal. Una matriz banda con k1 = k2 = 1 es una matriz tridiagonal; cuando k1 = k2 = 2 se tiene una matriz pentadiagonal y as sucesivamente. umero p, se le puede llamar matriz Una matriz banda con k1 = k2 = p, dependiendo del n p-banda, formalmente se puede denir como ai,j = 0 si |i j | > p ; p0
matriz triangular superior.
triangular inferior. De forma similar, para k1 = n 1, k2 = 0, se obtiene la denici on de una
De una matriz banda con k1 = 0, k2 = n 1, se obtiene la denici on de una matriz
28
Algebra Lineal
Matriz normal
Sea A matriz compleja cuadrada, entonces es una matriz normal si y s olo si A A = AA donde A es el conjugado transpuesto de A (tambi en llamado hermitiano). Ejemplo 1.3.1. La matriz
i i i i i i i i
de orden 2 es normal, debido a que: i i = 2 0 0 2 = i i i i i i =
i i i i
i i i i i i i i
i i
i i
i i i i
Una importante propiedad de este tipo de matrices es que son diagonalizables.
Matriz denida positiva

Una matriz denida positiva es una matriz hermitiana que es an aloga a los n umeros reales positivos. Deniciones equivalentes Sea M una matriz hermitiana cuadrada n n, se dice denida positiva si cumple con una
(y por lo tanto, las dem as) de las siguientes formulaciones equivalentes: 1. Para todos los vectores no nulos z Cn tenemos que z M z > 0. N otese que z M z es siempre real.
2. Todos los autovalores i de M son positivos. (Recordamos que los autovalores de una matriz hermitiana o en su defecto, sim etrica, son reales.) 3. La funci on x, y = x M y dene un producto interno en Cn . 4. Todos los menores principales de M son positivos. O lo que es equivalente; todas las siguientes matrices tienen determinantes positivo. la superior izquierda de M de dimensi on 1 1 la superior izquierda de M de dimensi on 2 2 la superior izquierda de M de dimensi on 3 3 la superior izquierda de M de dimensi on (M 1) (M 1)
Walter Arriaga Delgado M en s misma
Algebra Lineal
29
An alogamente, si M es una matriz real sim etrica, se reemplaza Cn por Rn , y la conjugada transpuesta por la transpuesta. Propiedades Toda matriz denida positiva es inversible (su determinante es positivo), y su inversa es denida positiva. Si M es una matriz denida positiva y r > 0 es un n umero real, entonces rM es denida positiva. Si M y N son matrices denidas positivas, entonces la suma M + N , el producto M N M y N M N son denidas positivas, adem as si M N = N M , entonces M N es tambi en denida positiva. Toda matriz denida positiva M , tiene al menos una matriz ra z cuadrada N tal que N2 = M. Observaci on 1.3.1. La matriz hermitiana M se dice: denida negativa si x M x < 0 para todos los vectores x Kn no nulos. semidenida positiva si x M x 0 para todo x Kn . semidenida negativa si x M x 0 para todo x Kn . Una matriz hermitiana se dice indenida si no entra en ninguna de las clasicaciones anteriores. Observaci on 1.3.2. Caso no hermitiano. Una matriz real M puede tener la propiedad 1 1 xT M x > 0 para todo vector real no nulo sin ser sim etrica. La matriz es un ejem0 1 plo. En general, tendremos xT M x > 0 para todo vector real no nulo x si y s olo si la matriz sim etrica (M + M T )/2, es denida positiva.
Matriz permutaci on
La matriz permutaci on es la matriz cuadrada con todos sus n n elementos iguales a 0,
excepto uno cualquiera por cada la y columna, el cual debe ser igual a 1. De acuerdo a esta denici on existen n! matrices de permutaci on distintas, de las cuales una mitad corresponde a matrices de permutaci on par (con el determinante igual a 1) y la otra mitad a matrices de permutaci on impar (con el determinante igual a -1).
30 Para n = 3 se tiene: Matrices de 1 0 0 0 0 1 0 1 0 0 1 0 permutaci on 0 1 0 0 0 0 1 0 1 par: 1 0 0 1 0 0
Algebra Lineal
Matrices de permutaci on impar: 0 0 1 0 1 0 1 0 0 0 1 0 1 0 0 0 0 1 1 0 0 0 0 1 0 1 0 Puede notarse que las matrices de permutaci on conforman un grupo de orden n! respecto al producto. Propiedades El elemento neutro del grupo es la matriz identidad. El elemento inverso de cada elemento del grupo de matrices de permutaci on es la matriz traspuesta correspondiente. Cada elemento del grupo de matrices de permutaci on es una matriz ortogonal. El producto de matrices de permutaci on par siempre genera una matriz de permutaci on par. El producto de matrices de permutaci on impar siempre genera una matriz de permutaci on par. El producto de matrices de permutaci on de paridad distinta siempre genera una matriz de permutaci on impar. Observe que las matrices de permutaci on par conforman un semigrupo y que adem as el grupo de matrices de permutaci on no es conmutativo. Cada elemento del grupo de matrices de permutaci on fuera del semigrupo es una matriz sim etrica.
Jacobiano
El jacobiano es una abreviaci on de la matriz jacobiana y su determinante, el determinante Jacobiano. Son llamados as en honor al matem atico Carl Gustav Jacobi.
Algebra Lineal
31
La matriz Jacobiana es una matriz formada por las derivadas parciales de primer orden de una funci on. Una de las aplicaciones m as interesantes de esta matriz es la posibilidad de aproximar linealmente a la funci on en un punto. En este sentido, el Jacobiano representa la derivada de una funci on multivariable. a otro espacio euclideano m-dimensional. Esta funci on est a determinada por m funciones ser organizadas en una matriz m por n, la matriz y1 x1 . .. . . . y m x1 Jacobiana de F : y1 xn . . . y
m
Supongamos F : Rn Rm es una funci on que va del espacio euclidiano n-dimensional
reales: y1 (x1 , . . . , xn ), . . . , ym (x1 , . . . , xn ). Las derivadas parciales de estas (si existen) pueden
xn
Esta matriz es denotada por JF (x1 , . . . , xn ) o como
(y1 , . . . , ym ) . (x1 , . . . , xn )
Cuadrado latino
Un cuadrado latino es una matriz de n n elementos, en la que cada casilla est a ocupada
por uno de los n s mbolos de tal modo que cada uno de ellos aparece exactamente una vez en cada columna y en cada la. Las siguientes matrices son cuadrados latinos: a 1 2 3 b 2 3 1 c 3 1 2 d
Los cuadrados latinos se dan como una Tabla de multiplicar (Tabla Cayley) de quasigrupos. Estos tienen su aplicaci on en el dise no de experimentos. El nombre de Cuadrados Latinos se origina con Leonhard Euler qui en utiliz o caracteres Latinos como s mbolos. Un cuadrado latino se dice que est a reducido (o normalizado o de forma estandarizada) si la primera la y la primera columna est an en orden natural. Por ejemplo, el primer cuadrado est a reducido, porque la primera la y la primera columna son 1, 2, 3. Es posible hacer un cuadrado latino permutando (reordenando) las las y las columnas. Representaci on por un Arreglo Ortogonal Si cada entrada de un cuadrado latino de n n se escribe como una tripleta (f, c, s)
c a d d b a a c b
b d c
donde f es la la, c la columna y s el s mbolo (para nuestro caso un n umero), obtenemos n2
32
Algebra Lineal
tripletas llamado arreglo ortogonal del cuadrado. Por ejemplo, para el primer cuadrado latino de nuestros ejemplos, el arreglo ortogonal ser a as {(1, 1, 1), (1, 2, 2), (1, 3, 3), (2, 1, 2), (2, 2, 3), (2, 3, 1), (3, 1, 3), (3, 2, 1), (3, 3, 2)} donde, por ejemplo, la tripleta (2,3,1) representa que el valor en la la 2 columna 3 es 1. La representaci on de un cuadrado latino puede ser escrita en t erminos del arreglo ortogonal quedando as : Existen n2 tripletas de la forma (f, c, s), donde 1 f, c, s n. Todos los pares (f, c) son diferentes, todos los pares (f, s) son diferentes, y todos los pares (c, s) son diferentes. La representaci on por arreglos ortogonales muestra que las las, columnas y s mbolos juegan un papel muy similar, esto estar a un poco m as claro conforme nos adentremos en el tema. Muchas operaciones sobre un Cuadrado latino produce otro Cuadrado latino (por ejemplo, alternar las). Si permutamos las las, permutamos las columnas, y permutamos los s mbolos de un Cuadrado latino obtenemos un nuevo Cuadrado latino que decimos que es isot opico del primero. El isotopismo es una relaci on de equivalencia, en base a esto se dice que todos los Cuadrados latinos est an divididos en subgrupos, llamados clases isot opicas, seg un esto dos Cuadrados de la misma clase se dice que son isot opicos, y dos de clases diferentes son no isot opicos. Otro tipo de operaci on es simple de explicar usando la representaci on de estos por arreglos ortogonales. Si reorganizamos consciente y sistem aticamente los tres elementos de cada tripleta (f, c, s) por (c, f, s) lo cual corresponde a una transposici on del cuadrado (reejado en la diagonal principal), o podemos remplazar cada tripleta (f, c, s) por (c, s, f ), lo que es una operaci on m as complicada. Todas juntas nos dan 6 posibilidades, incluida no hacer nada, d andonos 6 Cuadrados Latinos llamados conjugados del cuadrado original. Finalmente, podemos combinar estas dos operaciones equivalentes: Dos Cuadrados Latinos son parat opicos si uno de ellos es conjugado del otro. Esto es nuevamente una relaci on de equivalencia, con la clase de equivalencia principal llamada Clase Principal, especies o clase parat opica. Cada clase contiene 6 clases isot opicas. El popular rompecabezas Sudoku es un caso especial de Cuadrados Latinos; toda soluci on de un Sudoku es un Cuadrado Latino. Un Sudoku impone una restricci on adicional a los subgrupos de 3 3, estos solo deben contener los d gitos del 1 al 9 (en la versi on est andar). togonalidad de los Cuadrados Latinos: El Cuadrado Ortogonal (A. E. Brouwer, 1991). El rompecabezas conocido como Diamante 16 ilustra un concepto generalizado de la or-
Algebra Lineal
33
1.4.
Operaciones Elementales
Se llaman operaciones elementales o transformaciones elementales por las o columnas sobre una matriz a las siguientes operaciones: Operaciones elementales con las Dada la matriz A Mmn , cuyas las son F1 , F2 , . . . , Fm . Las operaciones elementales Fij A : Intercambia dos las de A. Fi () : Multiplica la la Fi de A por un escalar = 0. Fij () : Multiplica la la Fi de A por un escalar = 0 y luego suma a la la Fj . Esta operaci on se representa por el vector la Fi + Fj . Operaciones elementales con columnas Dada la matriz A Mmn , cuyas columnas son C1 , C2 , . . . , Cm . Las operaciones elemenCij A : Intercambia dos columnas de A. Ci () : Multiplica la columna Ci de A por un escalar = 0. Cij () : Multiplica la columna Ci de A por un escalar = 0 y luego suma a la columna Cj . Esta operaci on se representa por el vector columna Ci + Cj . 3 1 9 2 , realicemos las siguientes operaEjemplo 1.4.1. Sea la matriz A = 2 5 1 1 4 7 8 0 ciones: 2 5 1 1 3 1 9 2 F12 3 1 9 2 5 1 1 2 4 7 8 0 4 7 8 0 3 1 9 2 3 2 9 1 C24 2 5 1 1 2 1 1 5 4 7 8 0 4 0 8 7 3 1 9 2 3 1 9 2 F2 (5) 2 5 1 1 10 25 5 5 4 7 8 0 4 7 8 0
con las son:
tales con columnas son:
34 3 1 5 7 1 5 7 9 1 8 9 1 8 2
Algebra Lineal 3 4 1 18 7 2 16 9 1 2
2 4 3 2 4 3 2 4
C3 (2) 1 2 5 0 2 3
1 0 2
26 4 1 9 2 3 89 9 2 2 (10) C3 5 1 1 1 1 2 45 7 8 0 4 73 8 0
3 (2) F1 1 2 5
1 9
1.4.1.
Matriz escalonada
con r las no nulas y s las nulas. Llamaremos pivote de una la (o columna) de A al primer elemento no nulo de dicha la (o columna), si lo hay. La matriz A se dice que es escalonada por las si verica las siguientes condiciones: Todas las las nulas est an en la parte inferior de la matriz. El primer elemento no nulo de cada la, llamado pivote, est a a la derecha del pivote de la la anterior (esto supone que todos los elementos debajo de un pivote son cero). Adem as se dice que es escalonada reducida por las si cumplen las siguientes condiciones: El pivote de cada la no nula es 1. En cada la, el pivote es el u nico elemento no nulo de su columna De igual forma se puede denir la matriz escalonada y escalonada reducida por columnas. Ejemplo 1.4.2. Matrices escalonadas: 1 3 2 5 1 2 0 0 1 2 5 7 0 1 7 4 , 0 1 1 , 0 0 1 7 2 0 0 1 10 0 0 0 0 0 0 0 1
Una matriz A Mmn , de la forma: 1 a12 0 0 0 0 A= 0 0 . . . . . . 0 0
a13 a14 a15 a1n 1 0 0 . . . 0
a24 a25 a2n 0 1 a3n 0 0 0 . . . . . . . . . 0 0 0
Algebra Lineal
35
Ejemplo 1.4.3. Matrices escalonadas reducidas: 1 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 , 0 1 0 , 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 Observaci on 1.4.1.
Toda matriz puede llevarse por operaciones elementales de las a la forma escalonada. El algoritmo para hacerlo se llama m etodo de Gauss o del pivote. La forma escalonada de una matriz no es u nica.
1.4.2.
Matrices equivalentes
Dos matrices A y B se denominan equivalentes si una de ellas se deduce de la otra mediante una suseci on nita de transformaciones elementales de l nea (la o columna). El siguiente ejemplo nos muestra que toda matriz de orden m n puede ser reducida mediante operaciones elementales la (columna) a una matriz en forma escalonada por las (columnas). 2 5 3 1 2 2 Ejemplo 1.4.4. Reducir a la forma escalonada por las la matriz: A = 3 4 1 2 3 2 Soluci on 2 5 3 1 2 2 1 2 2 1 2 2 1 2 2 0 1 1 F 3 (3) 0 1 1 2 (2) F12 2 5 3 F1 1 A= 3 4 1 3 4 1 3 4 1 0 2 5 2 3 2 2 3 2 2 3 2 2 3 2 1 2 2 1 2 2 1 2 2 0 1 1 F 3 (2) 0 1 1 F 4 (1) 0 1 1 4 (2) F1 2 2 0 2 5 0 0 7 0 0 7 0 1 2 0 1 2 0 0 3 1 2 2 1 2 2 0 1 1 F 4 (3) 0 1 1 F3 (1/7) 3 = B 0 0 1 0 0 1 0 0 3 0 0 0 Observaci on 1.4.2. Una matriz cuadrada A Mnn escalonada es una matriz triangular superior, pero no todas las matrices triangulares superiores son matrices escalonadas.
36
Algebra Lineal
Anteriormente hemos visto que una matriz triangular era inversible si y s olo si todos los t erminos de la diagonal principal no son cero; esta caracter stica es tambi en v alida para las matrices escalonadas cuadradas. Veremos a continuaci on las ventajas que ofrece la reducci on de una matriz cuadrada en otra que tenga forma escalonada.
1.4.3.
Rango de una matriz
El rango de una matriz es el mayor de los ordenes de los menores no nulos que podemos encontrar en la matriz. Por tanto, el rango no puede ser mayor al n umero de las o de columnas. Tambi en se dene el rango de una matriz como el n umero m aximo de las (o columnas) linealmente independientes. esta segunda denici on nos va a permitir relacionar el concepto de rango con conceptos relativos a espacios vectoriales. El c alculo del rango de una matriz es una cuesti on importante a la hora de estudiar sistemas de ecuaciones lineales. Adem as en teor a de control, el rango de una matriz se puede usar para determinar si un sistema lineal es controlable u observable. A continuaci on vamos a explicar c omo calcular rangos de matrices reales y veremos de que modo podemos utilizar esta informaci on para aplicarla a los espacios vectoriales. Denici on 1.4.1. El rango de una matriz es igual al n umero de las no nulas que quedan en la u ltima interacion de las sucesivas transformaciones elementales que se hacen con la matriz. Se deduce que para hallar el rango de una matriz es suciente transformarla a su forma escalonada. Como dos matrices equivalentes tienen el mismo rango, el rango de dicha matriz ser a igual al rango de la matriz escalonada. Si designamos por r el n umero de las no nulas de la matriz escalonada, entonces el rango de la matriz se denota: (A) = r 0 1 Ejemplo 1.4.5. Hallar el rango de la matriz A = 3 0
Soluci on: Realizando sucesivamente las transformaciones elementales 1 4 5 1 4 0 2 4 0 2 4 1 4 5 2 F 3 (3) y F 5 (2) 0 F12 1 1 A = 3 1 7 3 1 7 0 11 0 1 2 0 0 1 2 1 2 3 0 2 3 0 0 5
2 4 4 5 1 7 1 2 2 3 0
tendremos: 5 4 22 2 10
Walter Arriaga Delgado 1 4
Algebra Lineal 4 5
37
La u ltima matriz escalonada B tiene 2 las no nulas, luego: (B ) = (A) = 2 25 75 Ejemplo 1.4.6. Hallar el rango de la matriz A = 75 25 Soluci on: Por el m etodo de 25 25 31 17 43 75 94 53 132 0 75 94 54 134 0 0 25 32 20 48
0 F2 (1/2) 0 0 0
5 1 1 2 F 3 (11) , F 5 (5) , F 4 (1) 0 2 2 2 0 11 22 0 1 2 5 10 0
1 2 0 0 =B 0 0 0 0
31 17
las transformaciones elementales se tiene: 25 31 17 43 25 31 17 43 31 17 43 1 2 3 0 1 2 3 0 1 2 3 1 3 5 0 0 1 2 0 0 1 2 0 0 0 0 0 0 1 2 1 3 5
94 53 132 94 54 134 32 20 48
43
La u ltima matriz escalonada tiene tres las no nulas, por tanto (A) = 3
1.5.
Matriz Inversa
tal que AB = BA = I . La matriz B recibe el nombre de matriz inversa de A y se denota por A = B 1 , an alogamente la matriz A es la inversa de B y se expresa por A = B 1 . Entonces se tiene: AA1 = A1 A = I Propiedades: Si A y B son matrices cuadradas invertibles de orden n, entonces: (A1 )1 = A (A)1 = 1 A1 ; es escalar. (AB )1 = B 1 A1 (1.2)
Si A Mnn , se dice que A es invertible o tiene inversa si existe una matriz B Mnn
38 (At )1 = (A1 )t
Algebra Lineal
Teorema 1.5.1. Una matriz cuadrada tiene inversa si y solo si es una matriz no singular, en tal caso se dice que la matriz es invertible. Teorema 1.5.2. Si una matriz cuadrada A es invertible entonces su inversa es u nica. Demostraci on. Supongamos que B y C son dos matrices inversas de A. Debemos probar que B = C. En efecto. Si B es matriz inversa de A entonces AB = BA = I , adem as C es matriz inversa de A entonces AC = CA = I . Tambi en se cumple por la ley asociativa de la multiplicaci on de matrices que B (AC ) = (BA)C . Entonces: B = BI = B (AC ) = (BA)C = IC = C de donde se obtiene que B = C .
1.5.1.
Matriz de cofactores
a11 a12 a13 a1n
Sea la matriz
a21 a22 a23 a1n A= . . . . .. . . . . . . . . . an1 an2 an3 ann Si Aij es el cofactor del elemento aij , entonces la matriz A11 A12 A13 A21 A22 A23 cofact(A) = . . . . . . . . . An1 An2 An3 se le conoce como matriz de cofactores, donde: Aij = (1)i+j |Mij | y Mij es la matriz cuadrada de orden (n 1) que resulta de eliminar la la i y la columna j de la matriz A Ejemplo 1.5.1. Dada la matriz: A = 3 Soluci on 5 . Hallar la matriz cofact(A) 1 4 3 2 1 2 3 cofact(A) denida como: A1n A1n . .. . . . Ann
Algebra Lineal 1 2
39
A11 = (1)1+1 A12 = (1)1+2 A13 = (1)1+3 A21 = (1)2+1 A22 = (1)2+2
4 3 3 5 1 3 3 2 1 4 2 3 4 3 1 3 1 3
= 26 =4
A23 = (1)2+3 A31 = (1)3+1 A32 = (1)3+2 A33 = (1)3+3
1 4 2 3 2 5 1 3 3 5 1 2 3 2
= 6 =4
= 14
=4
= 18
= 4
=0 26 4 4 14
luego la matriz de cofactores es: cofact(A) = 18
0 6 4 4
1.5.2.
Adjunta de una matriz
La Adjunta de una matriz cuadrada A es la traspuesta de la matriz que se obtiene al sustituir cada elemento aij por su cofactor Aij . La Adjunta de A se denota por: Adj(A). Adj(A) = [cofact(A)]t A= 3 5 1 4 3 2 1 2 3
Ejemplo 1.5.2. Sea la matriz:
Soluci on
entonces la adjunta de A estar a dada por: 26 18 4 Adj(A) = 0 4 4 14 6 4
Por el ejemplo anterior se tiene que la matriz de cofactores est a dada por: 26 4 14 cofac(A) = 18 0 6 4 4 4
(1.3)
40
Algebra Lineal
Teorema 1.5.3. Sea A una matriz invertible, entonces la matriz inversa est a dada por: A1 = y la adjunta de una matriz estar a por: Adj(A) = |A|A1 1 2 3 Ejemplo 1.5.3. Hallar la matriz inversa de A = 3 2 5 1 4 3 26 18 4 De (1.3) se tiene que: AdjA = 0 4 4 . 14 6 4 1 3 2 2 3 Adem as 5 = 24, de donde: (1.5) Adj(A) |A| (1.4)
1 4 3 A1 =
1 4 24 14
26
4 6 4 0
18
1.5.3.
Matrices elementales
con las.
a partir de la matriz identidad, In , de orden n n mediante una sola operaci on fundamental Fij , Fi , Fj + Fi seg un la
Una matriz cuadrada E de orden n n se llama matriz elemental si se puede obtener
Notaci on: Una matriz elemental se denota por E , o por forma en que se obtuvo de I . Ejemplo 1.5.4. Veamos tres matrices elementales Matriz 1 0 0 1 0 0 Matriz 1 0 0 1 0 0
obtenida multiplicando la primera la de I por 3 y sum andola a la tercera la. 0 1 0 0 3 (3) F1 0 1 0 0 = F3 3F1 1 3 0 1
obtenida multiplicando la segunda la de I por 5. 0 1 0 0 F2 (5) 0 0 5 0 = 5F2 1 0 0 1
Walter Arriaga Delgado Matriz 1 0 0 1 0 0
Algebra Lineal
41
Considere los siguientes tres productos, con 1 0 0 1 0 0 0 0 1/ 0 0 0 0 1 1 0 0 1 0 0 1 0 0 1 0 1 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 inversa es del mismo tipo (vea tabla 1.1). Matriz mental E eletipo Muliplicar A por la izquierda Multiplique Multiplicaci on =0 Multiplique Suma la Fj + Fi la i de A por y sume a la la j Permutaci on Intercambie las las i y j Fij la Fi
obtenida intercambiando la segunda y tercera la de I . 0 1 0 0 F23 0 0 1 = F23 0 1 0 1 0 =0 0 1 0 = 0 1 0 0 1 0 = 0 1 0 0 1 1 = 0 0 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1
(1.6)
(1.7)
(1.8)
Las ecuaciones 1.6, 1.7 y 1.8 sugieren que toda matriz elemental es invertible y que su
Multiplicar Representaci on por simb olica izquierda, E 1 Multiplique 1/ Multiplique la Fj Fi la i de A por y sume a la la j Intercambie las las i y j la la i de A por 1 Fi la Representaci on simb olica
la i de A por
Fij
Cuadro 1.1: Matrices elementales Teorema 1.5.4. Toda matriz elemental es invertible. El inverso de una matriz elemental es una matriz del mismo tipo. Nota: El inverso de una matriz elemental se puede encontrar por inspecci on. No es necesario hacer c alculos.
42
Algebra Lineal
Teorema 1.5.5. Una matriz cuadrada es invertible si y solo si es el producto de matrices elementales. 2 4 6 Ejemplo 1.5.5. Vericar que la matriz A = 4 5 6 es invertible y expresarla como un 3 1 2 producto de matrices elementales.
1.5.4.
M etodo de Gauss Jordan
El m etodo de Gauss Jordan consiste en lo siguiente: Dada la matriz cuadrada A de orden n n, se construye la matriz rectangular de orden n 2n llamada matriz aumentada (A | I ).
Se utiliza las transformaciones elementales por las para poner la matriz A a su forma escalonada reducida, obteni endose la matriz (I | B ). La matriz inversa en este caso es B = A1 . Observaci on 1.5.1. Si uno de los elementos de la diagonal principal de la matriz escalonada reducida E en (E | B ) es cero, entonces la matriz A no es invertible 2 4 6 Ejemplo 1.5.6. Determinar si la matriz A = lo fuera, 4 5 6 es invertible. Si as 3 1 2 calcular su inversa. Soluci on Primero efectuamos las operaciones con las para reducir A a una matriz escalonada E . Para ello formamos la matriz (A | I ). 2 4 6 | 1 0 0 1 (A|I ) = 4 5 6 | 0 1 0 = 4 3 1 2 | 0 0 1 3 1 1 2 3 | 2 0 0 1 = 0 = 2 | 2 1 0 1 3 3 0 0 5 11 | 3 0 1 0 2 2 1 0 1 | 5 0 1 6 3 2 1 = 0 1 2 | 3 0 = 0 3 11 5 0 0 1 | 6 1 0 3 0 0 1 2 3 | 1 0 0 2 0 3 6 | 2 1 0 = 6 | 0 1 0 3 2 | 0 0 1 0 5 11 | 2 0 1 5 2 1 | 6 0 3 1 2 | 2 0 3 3 5 1 | 11 1 6 3 8 7 0 | 3 1 3 11 0 | 13 2 = (I |B ) 3 3 11 5 1 | 6 1 3 3 |
1 2
2 5 1 0 1 0 0 1 0
Walter Arriaga Delgado como A se redujo a I , se tiene que: 8 3 1 13 B=A = 3 11 6
Algebra Lineal
43
7 3 11 3 5 3
16 14 6 1 26 22 12 = 2 6 1 11 10 6 1
1.6.
1.6.1.
Criptograf a
Introducci on
La criptograf a es la ciencia que se encarga de dise nar m etodos para mantener condencial a la informaci on que es enviada por un medio inseguro. Casi todos los medios de comunicaci on son inseguros, es decir, un esp a siempre puede intervenir una comunicaci on, y en tal caso conocer su contenido, alterar el contenido, borrar el contenido, etc. La criptograf a entonces usa un algoritmo de cifrado con una clave. Para que el emisor de un mensaje pueda estar seguro que este sea condencial, y solo el receptor autorizado pueda saber en contenido aplicando un m etodo de descifrado con su respectiva clave. La criptograf a tiene una amplia historia, ha existido desde los inicios de la civilizaci on.
1.6.2.
Sistema Criptogr aco usando Matrices
C = AM es el mensaje cifrado. Para poder descifrar el mensaje solo multiplicamos por la matriz inversa A1 a C para obtener el mensaje original. A1 C = A1 AM = IM = M Ejemplo 1.6.1. Proceso de preparaci on. Para cifrar un mensaje se hace lo siguiente: si el mensaje original es CULTURA PAZ Y EDUCACION El primer paso es codicar el mensaje con n umeros de acuerdo a la siguiente tabla: 0 21 T C 3 1 A 22 U U 22 2 B 23 V L 12 3 C 4 D 24 W T 21 5 E 25 X U 22 6 F 26 Y R 19 A 1 7 G 27 Z 0 P 17 A 1 Z 27 0 E 5 D 4 U 22 C 3 A 1 C 3 I 9 O 16 N 14 8 H 9 I 10 J 11 K 12 L 13 M 14 N 15 N 16 O 17 P 18 Q 19 R 20 S
Sea A una matriz invertible n n, y M un mensaje con forma de matriz n m. Entonces,
De tal forma que el mensaje queda codicado como:
44 2 3
Algebra Lineal
1 1 23 9 14 1 0 8 6 El mensaje M fue cifrado con la clave A, y se obtuvo el mensaje cifrado C . Encuentre el mensaje M Soluci on: Como A = 2 3 1 1 23 , entonces A1 = 1 3 1 2 8 , ahora como M = A1 C se tiene que: 24 12 1 1 5 0 19 9 7
Ejemplo 1.6.2. Sean: A =
, C=
45 39 47 3 19 15 11
M=
1 3 1 2 1 12
45 39 47 3 19 15 11 9 14 1 0 0 6
21 19 1 19 1 1
luego el mensaje se lee de la siguiente manera: 24 21 5 19 1 19 19 9 1 7 por lo tanto el messaje M ser a: WALTERARRIAGA
1.7.
1.7.1.
Sistemas de Ecuaciones Lineales

Algo de historia
La primera fase, que comprende el periodo de 1700 a. de C. a 1700 d. de C., se caracteriz o por la invenci on gradual de s mbolos y la resoluci on de ecuaciones. Dentro de esta fase encontramos un algebra desarrollada por los griegos (300 a. de C.), llamada algebra geom etrica, rica en m etodos geom etricos para resolver ecuaciones algebraicas. La introducci on de la notaci on simb olica asociada a Vi` ete (1540-1603), marca el inicio de una nueva etapa en la cual Descartes (1596-1650) contribuye de forma importante al desarrollo de dicha notaci on. En este momento, el algebra se convierte en la ciencia de los c alculos simb olicos y de las ecuaciones. Posteriormente, Euler (1707-1783) la dene como la teor a de los c alculos con cantidades de distintas clases (c alculos con n umeros racionales enteros, fracciones ordinarias, ra ces cuadradas y c ubicas, progresiones y todo tipo de ecuaciones). Para llegar al actual proceso de resoluci on de la ecuaci on ax + b = c han pasado m as de 3.000 a nos. Los egipcios nos dejaron en sus papiros (sobre todo en el de Rhid 1,650 a.c. y el de Mosc u 1,850 a.c.) multitud de problemas matem aticos resueltos. La mayor a de ellos son de tipo aritm etico y respond an a situaciones concretas de la vida diaria; sin embargo, encontramos algunos que podemos clasicar como algebraicos, pues no se reere a ning un objeto concreto. En estos, de una forma ret orica, obten an una soluci on realizando operaciones con los datos de forma an aloga a como hoy resolvemos dichas ecuaciones. Las ecuaciones m as utilizadas por los egipcios eran de la forma: x + ax = b x + ax + bx = 0 donde a, b y c eran n umeros conocidos y x la inc ognita que ellos denominaban aha o mont on. Una ecuaci on lineal que aparece en el papiro de Rhid responde al problema siguiente: Un mont on y un s eptimo del mismo es igual a 24.
Algebra Lineal
45
1 x = 24. 7 La soluci on la obten an por un m etodo que hoy conocemos con el nombre de m etodo de la falsa posici on o regula falsi. Consiste en tomar un valor concreto para la inc ognita, probamos con el y si se verica la igualdad ya tenemos la soluci on, si no, mediante c alculos obtendremos la soluci on exacta. Los babilonios (el mayor n umero de documentos corresponde al periodo 600 a.c. a 300 d.c.) casi no le prestaron atenci on a las ecuaciones lineales, quiz as por considerarlas demasiado elementales, y trabajaron m as los sistemas de ecuaciones lineales y las ecuaciones de segundo grado. Los babilonios llamaban a las inc ognitas con palabras tales como longitud, anchura, area, o volumen , sin que tuvieran relaci on con problemas de medida. Un ejemplo tomado de una tablilla babil onica plantea la resoluci on de un sistema de ecuaciones en los siguientes t erminos: 1/4anchura + longitud = 7manos longitud + anchura = 10manos Para resolverlo comienzan asignando el valor 5 a una mano y observaban que la soluci on pod a ser: anchura = 20, longitud = 30. Para comprobarlo utilizaban un m etodo parecido al de eliminaci on. En nuestra notaci on, ser a: y + 4x = 28 y + x = 10 restando la segunda de la primera, se obtiene 3x = 18, es decir, x = 6 e y = 4. Tambi en resolv an sistemas de ecuaciones, donde alguna de ellas era cuadr atica. Los matem aticos griegos no tuvieron problemas con las ecuaciones lineales y, exceptuando a Diophante (250 d.c.), no se dedicaron mucho al algebra, pues su preocupaci on era como hemos visto, mayor por la geometr a. Sobre la vida de Diophante aparece en los siglos V o VI un epigrama algebraico que constituye una ecuaci on lineal y dice: En notaci on moderna, la ecuaci on ser a: x + Transe unte, esta es la tumba de Diophante: es el quien con esta sorprendente distribuci on te dice el n umero de a nos que vivi o. Su juventud ocup o su sexta parte, despu es durante la doceava parte su mejilla se cubri o con el primer vello. Pas o a un una s eptima parte de su vida antes de tomar esposa y, cinco a nos despu es, tuvo un precioso ni no que, una vez alcanzada la mitad de la edad de su padre, pereci o de una muerte desgraciada. Su padre tuvo que sobrevivirle, llor andole durante cuatro a nos. De todo esto, deduce su edad. Los griegos resolv an algunos sistemas de ecuaciones, pero uti1izando m etodos geom etricos. Thymaridas (400 a.c.) hab a encontrado una f ormula para resolver un determinado sistema de n ecuaciones con n inc ognitas. Diophante resuelve tambi en problemas en los que aparec an sistemas de ecuaciones, pero transform andolos en una ecuaci on lineal. Diophante s olo aceptaba las soluciones positivas, pues lo que buscaba era resolver problemas y no ecuaciones. Utiliz o ya un algebra sincopada como hemos se nalado anteriormente. Sin embargo, unas de las dicultades que encontramos en la resoluci on de ecuaciones por Diophante es que carece de un m etodo general y utiliza en cada problema m etodos a veces excesivamente ingeniosos. Los sistemas de ecuaciones aparecen tambi en en los documentos indios. No obstante, no llegan a obtener m etodos generales de resoluci on, sino que resuelven tipos especiales de ecuaciones. El libro El arte matem atico, de autor chino desconocido (siglo III a.c.), contiene algunos problemas donde se resuelven ecuaciones. En ellos encontramos un esbozo del m etodo de las
46
Algebra Lineal
matrices para resolver sistemas de ecuaciones lineales. Uno de dichos problemas equivale a resolver un sistema de tres ecuaciones lineales por dicho m etodo matricial. Los primeros documentos matem aticos que existen (datan del siglo III d.c.) son los Sulvas utras, donde se recogen todos los conocimientos necesarios para construir los templos. En estos aparece el siguiente problema: Hallar el lado de un rect angulo, conociendo el otro lado y sabiendo que su area es igual al area de un cuadrado dado. Lo resolv an utilizando el m etodo de la falsa posici on, como los egipcios. Posteriormente, Brahmagupta (siglo VII) expresa, ya de forma sincopada, c omo resolver ecuaciones lineales. La inc ognita la representaba por la abreviatura ya , y las operaciones con la primera s laba de las palabras. Dada la ecuaci on ax + b = cx + d, la soluci on vendr a dada dividiendo la diferencia de los t erminos conocidos entre la diferencia de los coecientes de los desconocidos, esto es, x= db ac
Estos m etodos pasaron a los arabes que los extendieron por Europa. Al algebrista AbuKamil (siglo IX y X) se le atribuye una obra donde trata la soluci on de ecuaciones lineales por simple y doble falsa posici on.
1.7.2.
Introducci on
El objetivo general de este tema es discutir y resolver sistemas de ecuaciones lineales, haciendo abstracci on del tipo de problemas que origina su planteamiento. Discutir un sistema consiste en averiguar si tiene o no tiene soluci on y, caso de tenerla, saber si es u nica o si no lo es. Resolver un sistema es calcular su soluci on (o soluciones). Los casos m as sencillos (2 ecuaciones con 2 inc ognitas, 3 ecuaciones con 3 inc ognitas ...) ya se han estudiado en cursos anteriores. Aqu , an alizaremos el caso general: cualquier n umero de ecuaciones y cualquier n umero de inc ognitas. Denici on 1.7.1. Un sistema de m ecuaciones lineales con n inc ognitas es un conjunto de expresiones algebraicas de la forma: a11 x1 + a12 x2 + + a1n xn = b1 a21 x1 + a22 x2 + + a2n xn = b2 . . . . . . . . . . . . . . . a x + a x + + a x = b m1 1 m2 2 mn n m
(1.9)
donde:
xj son las inc ognitas, (j = 1, 2, . . . , n). aij son los coecientes, (i = 1, 2, . . . , m), (j = 1, 2, . . . , n).
Algebra Lineal
47
bi son los t erminos independientes, (i = 1, 2, . . . , m). Cuando n es peque no, es usual designar a las inc ognitas con las letras x, y, z, t, . . . Obs ervese que el n umero de ecuaciones no tiene por qu e ser igual al n umero de inc ognitas. Cuando bi = 0 para todo i, el sistema se llama homog eneo. 2x + y z = 4 Ejemplo 1.7.1. El sistema de ecuaciones x + y + z = 6 3x y = 4 se verica para x = 2, y = 2, z = 2.
1.7.3.
Clasicaci on de los sistemas de ecuaciones lineales
Los sistemas de ecuaciones lineales de acuerdo a su posibilidad de soluci on pueden ser: I. Sistema Compatible: Es aquel sistema de ecuaciones que si admite soluciones. Estas a su vez pueden ser: a. Sistema Compatible Determinado: Si tienen un n umero limitado de soluciones. b. Sistema Compatible Indeterminado: Si tienen innitas soluciones. II. Sistema Incompatible: Es aquel sistema de ecuaciones que no admite soluci on alguna. Ejemplo 1.7.2. x + 3y = 10 El sistema 3x + y = 6 , es compatible. Su soluci on es {1, 3} y es determinado por
que s olo tienen una soluci on. x + 3y = 7 El sistema , es incompatible, por que no hay ning un par de valores que x + 3y = 10 veriquen las ecuaciones. x y = 6 El sistema 3x 3y = 18 , es compatible indeterminado por que tiene innitas solu-
ciones. {0, 6}, {1, 5}, {1, 7}, {2, 4}, . Notaci on: El sistema de ecuaciones (1.9) se puede escribir en forma matricial de la siguiente manera: A.X = B (1.10)
48 a11 a12 ... a1n
Algebra Lineal x1 b1
x2 b2 a21 a22 . . . a2n donde: A = . , X = . y B = . . . .. . . . . . . . . . . . am1 am2 . . . amn xn bm
El sistema se escribir a en forma vectorial de la siguiente manera: A1 .X1 + A2 .X2 + + An .Xn = B En esta notaci on, las soluciones de un sistema son los elementos de la forma: S = (s1 , s2 , . . . , sn ) Rn y se verica la siguiente relaci on: A1 .s1 + A2 .s2 + + An .sn = B (1.11)
Si en el sistema (1.9) consideramos las siguientes matrices: a11 a12 a1n b1 a21 a22 a2n b2 A1 = . , A2 = . , . . . . . ., An = . , B = . . . . . . . . . . am1 am2 amn bm
2x y + z = 6 Ejemplo 1.7.3. Consideremos el sistema de ecuaciones lineales: x + 4y 2z = 0 3x 5y + z = 4 tenemos que 2 1 A = 1 4 3 5
El sistema se puede escribir de las siguientes formas: 6 x 2 1 1 Forma matricial: 1 4 2 y = 0 4 3 5 1 z 6 1 1 2 Forma vectorial: 1 x + 4 y + 2 z = 0 4 1 3 5
2 1 1 A = 1 4 2 es la matriz de coecientes de orden 3 3; y la matriz 3 5 1 1 6 2 0 es la matriz ampliada de orden 3 4. 1 4
Algebra Lineal
49
1.7.4.
Sistemas Equivalentes
Dos sistemas de ecuaciones son equivalentes si toda soluci on del primero es soluci on del segundo y viceversa. (No es necesario que tengan el mismo n umero de ecuaciones). x + 3y = 6 2x y = 5 x + 3y
Ejemplo 1.7.4. Los sistemas:
= 6
xy = 2 Ambos son compatibles determinados y su soluci on es: x = 3, y = 1.
3x 2y = 7
son equivalentes.
Denici on 1.7.2. En un sistema de ecuaciones lineales, una ecuaci on es combinaci on lineal de las ecuaciones del sistema, si se obtiene como resultado de sumar las ecuaciones del mismo previamente multiplicadas por un n umero real. A continuaci on veamos el Teorema fundamental de equivalencia. Teorema 1.7.1. Si en un sistema de ecuaciones lineales se sustituye la ecuaci on i- esima por una combinaci on lineal de dicha ecuaci on y las dem as ecuaciones del sistema (siempre que el coeciente que multiplique a la ecuaci on i- esima sea distinto de cero), el sistema resultante es equivalente al primero.
1.7.5.
M etodo de Gauss-Jordan. Eliminaci on Gausiana
Es el m etodo de resoluci on de sistemas de ecuaciones lineales, que consiste en llegar a un sistema escalonado transformando la matriz ampliada x+yz = Ejemplo 1.7.5. Resolver el sistema 2x + 3y + z = 5x y + 2z = en una matriz escalonada por las. 1 3 2
Soluci on
Consideramos la matriz aumentada o ampliada asociada al sistema, separando un poco la columna de los t erminos independientes: 1 1 1 1 1 1 1 1 1 1 1 2 3 3 1 1 3 = 0 1 3 = 0 1 5 1 2 2 0 6 7 3 0 0 25 x + y z Luego, el sistema ha quedado de la siguiente forma: y + 3z 25z
1 = 1 = 1 = 3
50
Algebra Lineal
Walter Arriaga Delgado 3 16 12 ,y= ,x= . 25 25 25
Resolviendo las ecuaciones, comenzando por la u ltima queda: z = Se trata de un sistema compatible determinado. 3x + 3y +11z t = 8 Ejemplo 1.7.6. Resolver el sistema 2x + 5z + 3t = 4 x y + 2z + 2t = 2
Soluci on
La matriz ampliada es: 3 3 11 1 8 1 1 2 2 2 1 1 2 2 2 2 0 5 3 4 5 3 4 = 2 0 = 0 2 1 1 0 = 1 1 2 2 2 3 3 11 1 8 0 6 5 7 2 1 1 2 2 2 0 2 1 1 0 0 0 2 4 2 x y + 2z + 2t = 2 Luego, el sistema ha quedado de la siguiente forma: 2y + z t = 0 2z 4t = 2
Resolvemos la u ltima ecuaci on, z = 1 + 2t; si hacemos t = , queda: 1 1 13 z = 1 + 2; y = + ;x= + ; t = . 2 2 2 2 Las soluciones del sistema se hallan dando valores arbitrarios al par ametro . Es un sistema compatible indeterminado. y + z = 2 Ejemplo 1.7.7. Resolver el sistema x + 2y + 4z = 3 2x + 4y + 8z = 1
Soluci on
La matriz ampliada es: 1 2 4 3 0 1 1 2 1 2 4 3 1 2 4 3 = 0 1 1 2 = 0 1 1 2 0 0 0 5 2 4 8 1 2 4 8 1 x + 2y + 4z = 3 Luego, el sistema ha quedado de la siguiente forma: y + z = 2 0 = 5 Se observa que el sistema es incompatible.
Algebra Lineal
51
1.7.6.
M etodo de Gabriel Cramer
El m etodo de Gauss que acabamos de ver es sencillo y ecaz para resolver un sistema de ecuaciones lineales. Pero tiene un inconveniente. Si de un sistema de 300 inc ognitas tan s olo nos interesan 7, siguiendo el m etodo de Gauss, habr amos de seguir el proceso de triangulaci on como si nos interesaran todas ellas. La regla de Cramer, que ahora veremos, aprovecha con astucia las propiedades de las matrices y sus determinantes para despejar, separadamente, una cualquiera de las inc ognitas de un sistema de ecuaciones lineales. La matriz A es cuadrada y regular. En tal caso, A tiene inversa A1 , por lo que multiplicando a (1.10) por la izquierda por A1 , se tiene: A1 AX = A1 B X = A1 B X= Adj(A) B. |A| Sistema de Cramer: Es un sistema de la forma (1.9) en el que m = n, y |A| = 0. Es decir,
Entonces, para usar la regla de Cramer se debe cumplir las siguientes condiciones: El n umero de ecuaciones es igual al n umero de inc ognitas. El determinante de la matriz de coecientes de las inc ognitas debe ser distinto de cero. Denotaremos por: a11 Determinante del sistema: S = a21 . . . a11 Determinante de xj : xj = a21 a12 a22 . . . a1n a2n . .. . . . b1 b2 bn a1n a2n ann
an1 an2 ann a12 a22
an1 an2
xj es el determinante que se obtiene a partir de la matriz de coecientes A, cambiando los elementos de la columna j por los t erminos independientes. La soluci on viene dada por: xj = xj S (1.12)
a x + b1 y + c1 z = d1 1 Nota: El el caso de un sistema lineal de 3 ecuaciones con 3 inc ognitas: a2 x + b2 y + c2 z = d2 a3 x + b3 y + c3 z = d3 se tiene:
52 S = Determinante del sistema. x = Determinante de x. Recordemos que: a1 b1 c1 S = a2 b2 c2 ; a3 b3 c3 d1 b1 c1
Algebra Lineal
y = Determinante de y . z = Determinante de z .
a1 d1 c1 y = a2 d2 c2 ; a3 d3 c3
a1 b1 d1 z = a2 b2 d2 . a3 b3 d3
x = d2 b2 c2 ; d3 b3 c3
Finalmente la soluci on del sistema se obtiene as : x= x S ; y= y S ; z= z S
Ejemplo 1.7.8. Resolver el sistema
2x + 3y 5z = 8 5x 2y + z 3x y + 2z = 9
= 9
Soluci on
El sistema es un t pico caso en el que resulta conveniente aplicar la regla de Cramer. Primero hallaremos los determinantes aplicando el m etodo de Sarrus: 2 3 5 1 2 5 1 2 2 8 5 1 2 8 z = 64 3 9 2 x = 96 y = 4; S 3
S = 5 2 3 1 3 8
S = 32;
y = 5 9
y = 128;
x = 9 2 9 1 x=
z = 5 2 9 3 1 9
Luego:
x = 3; S
y=
z=
z = 2. Por lo tanto el conjunto soluci on es: S
C.S. = {3; 4; 2}
1.7.7.
Teorema de Rouch e - Fr obenius
Sea el sistema dado en (1.9), donde A es la matriz de coecientes de las inc ognitas y A la matriz ampliada con los t erminos independientes. I. La condici on necesaria y suciente para que el sistema sea compatible, es decir, para que tenga soluci on es que el rango1 de A sea igual al rango de A. a) Si rango de A = rango de A = n, el sistema tendr a soluci on u nica (Sistema compatible determinado).
1
El rango de una matriz es igual al n umero de las linealmente independientes
Algebra Lineal
53
b) Si rango de A = rango de A = k < n, el sistema tendr a innitas soluciones y depender a exactamente de n k par ametros (Sistema compatible indeterminado). II. Si rango de A = rango de A, el sistema no tendr a x + y z Ejemplo 1.7.9. Dado el sistema lineal 2x + 3y + az x + ay + 3z Halle el valor de a de tal modo que: No tenga soluci on. Tenga m as de una soluci on. Tiene una u nica soluci on. Soluci on La matriz ampliada: 1 1 1 1 1 1 1 1 1 1 1 1 2 3 a 3 = 0 1 a + 2 1 a+2 1 = 0 1 1 a 3 2 0 a1 4 1 0 0 6 a a2 2 a No tiene soluci on si: 6 a a2 = 0 2 a = 0 soluci on (Sistema incompatible). = 1 = 3 = 2
(a + 3)(a 2) = 0 a = 2 a = 3 Tiene m as de una soluci on si: 6 a a2 = 0 2 a = 0 a = 2 Tiene soluci on u nica si: 6 a a2 = 0 2 a = 0 a = 3 , a = 2. Por lo tanto a R {3; 2}
1.7.8.
Sistemas homog eneos
Un sistema de ecuaciones lineales es homog eneo, si todos los t erminos independientes son nulos. Consideremos el siguiente sistema homog eneo de m ecuaciones con n inc ognitas: a11 x1 + a12 x2 + + a1n xn = 0 a21 x1 + a22 x2 + + a2n xn = 0 . . . . . . . . . . . . . . . a x + a x + + a x = 0 m1 1 m2 2 mn n
(1.13)
54
Algebra Lineal
Aplicando el teorema de Rouch e-Fr obenius a este sistema, resulta que siempre tendr a soluci on, ya que siempre se cumple que r (A) = r (B ). Si r (A) = n umero de inc ognitas, existir a una u nica soluci on que ser a la soluci on trivial: x1 = x2 = . . . = xn = 0 Si r (A) < n umero de inc ognitas, existir an innitas soluciones. Podemos enunciar, pues, el siguiente teorema: Teorema 1.7.2. Un sistema de ecuaciones lineales homog eneo tiene soluci on distinta de la trivial si y solo si el rango de la matriz los coecientes es menor que el n umero de inc ognitas. Corolario 1.7.1. Un sistema de ecuaciones lineales homog eneo con igual n umero de ecuaciones que de inc ognitas tiene soluci on distinta de la trivial si y solo si el determinante de la matriz de coecientes es nulo.
1.8.
Factorizaci on LU de una Matriz
En el algebra lineal, la descomposici on LU es una forma de factorizaci on de una matriz no singular como el producto de una matriz triangular inferior y una superior. Esta factorizaci on es u til para resolver sistemas de ecuaciones lineales sobre una computadora y se puede usar para probar resultados importantes sobre matrices. En la secci on 1.7 se muestra el sistema de ecuaciones lineales dado en 1.9 que a su vez se puede escribir como 1.10, es decir como: Ax = b Supongamos que se conoce c omo factorizar una matriz Ann en la forma A = LU (1.14)
donde L es una matriz triangular inferior n n y U es una matriz escalonada n n. Entonces el sistema 1.10 podr a representarse en la forma LU.x = b (1.15)
Si denominamos y a la matriz columna de n las resultado del producto de las matrices U x, tenemos que la ecuaci on (1.15) se puede reescribir del siguiente modo: Ly = b (1.16)
A partir de las ecuaciones (1.15) y (1.16), es posible plantear un algoritmo para resolver el sistema de ecuaciones lineales empleando dos etapas:
Algebra Lineal
55
Primero obtenemos y aplicando el algoritmo de sustituci on progresiva en la ecuaci on (1.16). Posteriormente obtenemos los valores de x aplicando el algoritmo de sustituci on regresiva a la ecuaci on Ux = y (1.17)
El an alisis anterior nos muestra lo f acil que es resolver estos dos sistemas de ecuaciones triangulares y lo u til que resultar a disponer de un m etodo que nos permitiera llevar a cabo la factorizaci on A = LU . Si disponemos de una matriz A de n n, estamos interesados en encontrar aquellas matrices: l11 0 0 u11 u12 u13 u1n 0 u u u 22 23 2n 0 0 u u U = 33 3 n . . . . .. . . . . . . . . . 0 0 0 unn
l l 0 0 21 22 L = l31 l32 l33 0 . . . . .. . . . . . . . . . ln1 ln2 ln3 lnn
tales que cumplan la ecuaci on (1.14). Cuando esto es posible, decimos que A tiene una descomposici on LU . Se puede ver que las ecuaci on anterior no determina de forma u nica a Ly a U . De hecho, para cada i podemos asignar un valor distinto de cero a lii o uii (aunque no ambos). Por ejemplo, una elecci on simple es jar lii = 1 para i = 1, 2, . . . , n haciendo de esto modo que L sea una matriz triangular inferior unitaria. Otra elecci on es hacer U una matriz triangular superior unitaria (tomando uii = 1 para cada i). 2 3 2 4
4 10 4 0 Ejemplo 1.8.1. Encuentre una factorizaci on LU para la matriz A = . 3 2 5 2 2 4 4 7 Reduzca por las la matriz A a una matriz triangular superior y depu es escriba A como un producto de una matriz triangular superior. Soluci on F3 F3 + 3 2 F1 F2 F2 2F1 F3 F3 5 8 F2
4 10 4 0 F4 F4 + F1 0 4 8 8 F4 F4 7 F2 4 3 2 5 2 0 5 2 4 2 2 4 4 7 0 7 6 3
2 3
56 2 3 2 4 2 3
Algebra Lineal 2 4
0 4 8 8 F4 F4 20 F3 0 4 8 8 3 =U 0 0 3 9 0 0 3 9 0 0 20 11 0 0 0 49 Usando las matrices elementales 1 0 0 0 1 0 0 0 1 0 0 0 1 0 U = 0 0 1 0 0 0 1 0 0 20 1 0 7 3 4 0 1 0 0 0 2 1 0 0 A 0 0 1 0 0 0 0 1 o tambi en 1 0 2 1 A= 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 3 1 0 2 0 1 0 0 0 0 0 U 1 0 20 1 3 0 0 0 se pude escribir 1 0 1 0 0 0 0 0 1 0 0 0 5 0 0 8 1 0 0 0 0 0 1 1 1 1 0 0 0 1 0 0 0 3 0 1 0 2 0 0 1 0
1 0 0 0 1 0 0 0 1
0 0 0
1 1 0 0 0 0 1 0 0 0 0 1 1
1 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 5 1 0 0 0 1 0 1 0 8 0 0 1 0 0 0 1 0 7 4 0
0 0 0
0 0 0 1
Se ha escrito A como un producto de seis matrices elementales y una matriz triangu-
lar superior. Sea L el producto de las matrices elementales. Debemos vericar que L = 1 0 0 0 2 1 0 0 3 5 , que es una matriz triangular inferior con unos en la diagonal. 1 0 2 8 20 1 7 1 4 3
Despu es se puede escribir A = LU , donde L es triangular inferior y U es triangular supe-
rior. Los elementos de la diagonal de L son todos iguales a 1 y los elementos de la diagonal de U son los pivotes. Esta factorizaci on se llama factorizaci on LU de A.
El procedimiento usado en el ejemplo (1.8.1) se puede llevar a cabo mientras no se requieran permutaciones paa poder reducir A a la forma triangular. Esto no siempre se puede. Por
Algebra Lineal
57
ejemplo, el primer paso a la reducci on por las de 0 2 3 2 4 7 1 2 5
es permutar(intercambiar) las las 1 y 2 o las las 1 y 3. Suponga que por el momento esa permutaci on no es necesaria. Entonces, igual que en el ejemplo (1.8.1), se puede escribir A = E1 E2 En U , donde U es una matriz triangular superior
y cada matriz elemental es una matriz triangular inferior y con unos en la diagonal. Esto se deduce del hecho de que E es de la forma Fj + Fi . (No hay permutaciones ni multiplicaciones de las por constantes). M as a un, los n umeros que se hacen cero en la reducci on por ls est an siempre abajo de la diagonal de manera que en Fj + Fi siempre se cumple que j > i. As los aparecen abajo de la diagonal. Ejemplo 1.8.2. Resuelva el sistema Ax = b usando la factorizaci on LU, donde 2 3 2 4 4 4 10 4 0 8 A= y b= 4 3 2 5 2 2 4 4 7 1 A = LU , donde 0 2 0 0 y U = 0 0 1 0
Soluci on
De ejemplo anterior se puede escribir 1 0 0 2 1 0 L = 3 5 2 8 1 20 1 7 4 3
3 0 0
2 3 0
4 8
El sistema Ly = b conduce a las ecuaciones y1 2y1 + y2 5 3 2 y1 + 8 y2 + y3 y1 + 7 y2 + 20 y3 + y4 4 3 es decir y1 = 4 y2 = 8 2y1 = 16

5 y3 = 4 + 3 2 y1 8 y2 = 12
8 9 49
= 4 = 8 = 4 = 1
y4 = 1 + y1 7 4 y2
20 3
y3 = 49
58
Algebra Lineal
es decir x4 = 1
acabamos de realizar la sustituci on hacia adelante. Ahora, de U x = y se obtiene 2x1 + 3x2 + 2x3 + 4x4 = 4 4x2 8x3 8x4 = 16 3x3 + 9x4 = 12 49x = 49
4
3x3 = 12 9x4 = 3 x3 = 1
4x2 = 16 + 8x3 + 8x4 = 0 x2 = 0 Por lo tanto la soluci on es:
2x1 = 4 3x2 2x3 4x4 = 2 x1 = 1 1 0 x= 1 1
1.9.
Rese nas Hist oricas
Johann Carl Friedrich Gauss
Figura 1.1: Johann Carl Friedrich Gauss Johann Carl Friedrich Gauss, naci o el 30 de Abril de 1777 en Brunswick, Alemania. Fue un matem atico, astr onomo y f sico alem an de una profunda genialidad, que contribuy o signicativamente en muchos campos, incluida la teor a de n umeros, el an alisis matem atico, la geometr a diferencial, la geodesia, el magnetismo y la optica. Considerado el pr ncipe de las matem aticas el matem atico m as grande desde la antig uedad, Gauss ha tenido una inuencia notable en muchos campos de la matem atica y de la ciencia, y es considerado uno de los matem aticos que m as inuencia ha tenido alrededor de la historia.
2
Algebra Lineal
59
Gauss fue un prodigio, de quien existen muchas an ecdotas acerca de su asombrosa precocidad siendo apenas un peque no infante, e hizo sus primeros grandes descubrimientos mientras era apenas un adolescente. Completo su magnum opus, Disquisitiones Arithmeticae a los veinti un a nos (1798), aunque no seria publicada hasta 1801. Un trabajo que fue fundamental para que la teor a de los n umeros se consolidara y ha moldeado esta area hasta los d as presentes. Es c elebre la siguiente an ecdota: con tan solo 3 a nos corrigi o en su cabeza un error que su padre, mientras este realizaba un conteo de pago de sus empleados, haciendo ver su precoz habilidad para los n umeros. Ten a Gauss 10 a nos cuando un d a en la escuela el profesor manda sumar los cien primeros n umeros naturales. El maestro quer a unos minutos de tranquilidad . . . pero transcurridos pocos segundos Gauss levanta la mano y dice tener la soluci on: los cien primeros n umeros naturales suman 5.050. Y efectivamente es as . C omo lo hizo Gauss? Pues mentalmente se dio cuenta de que la suma de dos t erminos equidistantes era constante: 1, 2, 3, 4 . . . . . . 97, 98, 99, 100 1 + 100 = 2 + 99 = 3 + 98 = 4 + 97 = = 101 Con los 100 n umeros se pueden formar 50 pares, de forma que la soluci on nal viene dada por el producto 101 50 = 5050 Gauss hab a deducido la f ormula que da la suma de n t erminos de una progresi on aritm etica de la que se conocen el primero y el u ltimo t ermino: (a1 + an )n 2 d onde a1 es el primer t ermino, an el u ltimo, y n es el n umero de t erminos de la progresi on. En 1796 descubri o el m etodo de construcci on del Heptadec agono, y di o el criterio necesario y suciente para que un pol gono pueda ser dibujado. Fue el primero en probar rigurosamente el Teorema Fundamental del Algebra (disertaci on para su tesis doctoral en 1799), aunque una prueba casi completa de dicho teorema fue hecha por Jean Le Rond dAlembert anteriormente. En 1801 public o el libro Disquisitiones Aritmeticae, con seis secciones dedicadas a la Teor a de n umeros, d andole a esta rama de las matem aticas una estructura sistematizada. En la u ltima secci on del libro expone su tesis doctoral. Ese mismo a no predijo la orbita del asteroide Ceres aproximando par ametros por m nimos cuadrados. En 1809 fue nombrado director del Observatorio de G ottingen. En este mismo a no publica Theoria motus corporum coelestium in sectionibus conicis Solem ambientium describiendo c omo calcular la orbita de un planeta y c omo renarla posteriormente. Profundiza sobre ecuaciones diferenciales y secciones c onicas. Quiz as Gauss haya sido la primera persona en intuir la independencia del postulado de las paralelas de Euclides y de esta manera anticipar una geometr a no euclidiana. Pero esto s olo se arma, sacando conclusiones de cartas enviadas a sus amigos, Farkas Bolyai y a su hijo J anos Bolyai a quien Gauss calic o como un genio de primer orden. En 1823 publica Theoria combinationis observationum erroribus minimis obnoxiae, dedicado a la estad stica, concretamente a la distribuci on normal cuya curva caracter stica, denominada Campana de Gauss, es muy usada en disciplinas no matem aticas donde los datos Sn =
60
Algebra Lineal
son susceptibles de estar afectados por errores sistem aticos y casuales como por ejemplo la psicolog a diferencial. Hay que aclarar que Gauss no fue el primero en hacer referencia a la distribuci on normal. Mostr o un gran inter es en geometr a diferencial y su trabajo Disquisitiones generales circa supercies curva publicado en 1828 fue el m as reconocido en este campo. En dicha obra expone el famoso Teorema Egregium. De esta obra se deriva el t ermino Curvatura Gaussiana. En 1831 se asocia al f sico Wilhelm Weber durante seis fruct feros a nos en los que realizan investigaciones sobre las Leyes de Kirchho, publicaciones sobre magnetismo y construyen un tel egrafo el ectrico primitivo. Aunque a Gauss le desagradaba dar clases, algunos de sus alumnos resultaron destacados matem aticos como Richard Dedekind y Bernhard Riemann. Otros matem aticos contempor aneos fueron Carl Gustav Jakob Jacobi, Dirichlet y Sophie Germain. Gauss muri o en G ottingen el 23 de febrero de 1855.
Arthur Cayley
Figura 1.2: Arthur Cayley Arthur Cayley naci o en Richmond, Reino Unido, el 16 de agosto de 1821 y muri o en Cambridge, 26 de enero de 1895. Fue uno de los fundadores de la escuela brit anica moderna y contribuy o grandemente con el adelanto de la matem atica pura. Se gradu o en 1842 en la Trinity College, Cambridge, el m as tarde entr o en leyes y posteriormente fue admitido en la London Bar (1849). Luego pas o a ser profesor en Cambridge. Cayley desarroll o la teor a de la invarianza algebraica, y su desarrollo de la geometr a no dimensional ha sido aplicada en la f sica al estudio del Espacio-Tiempo continuo. Introdujo la multiplicaci on de las matrices. Es el autor del teorema de Cayley-Hamilton que dice que cualquier matriz cuadrada es soluci on de su polinomio caracter stico. Dio la primera denici on moderna de la noci on de grupo. Su trabajo en las matrices del algebra sirvi o como un fundamento para la Mec anica Cu antica, la cual fue desarrollada por Werner Heisenberg en 1925. Cayley tambi en sugiri o que la Geometr a Euclidiana y no Euclidiana son tipos especiales de geometr a. Uni o la Geometr a Proyectiva (la cual depende de las propiedades invariantes de las guras) y la Geometr a M etrica (dependiente en tama nos de angulos y longitudes de l neas). Se publicaron los trabajos matem aticos de Cayley en Cambridge (1889-98). Recibi o la Royal Medal en 1859 y la Medalla Copley en 1882.
Algebra Lineal
61
En combinatoria, su nombre est a unido a la f ormula nn2 que enumera los arboles decorados con n picos. Se llama a veces octavas de Cayley o n umeros de Cayley a los octoniones.
Gabriel Cramer
Figura 1.3: Gabriel Cramer Gabriel Cramer (31 de julio, 1704 - 4 de enero, 1752) fue un matem atico Suizo nacido en Ginebra. Profesor de matem aticas de la Universidad de Ginebra durante el periodo 172427. En 1750 ocup o la c atedra de losof a en la citada universidad. En 1731 present o en la Academia de las Ciencias de Par s, una memoria sobre las causas de la inclinaci on de las orbitas de los planetas. Edit o las obras de Jean Bernouilli (1742) y Jacques Bernouilli (1744) y el Comercium epistolarum de Leibniz. Su obra fundamental es la Introduction a lanalyse des courbes alg ebriques (1750), en la que se desarrolla la teor a de las curvas alg egricas seg un los principios newtonianos, demostrando que una curva de grado n viene dada por la expresi on: n(n 3) 2
Wilhelm Jordan
Wilhelm Jordan fue un geodesista alem an, naci o en 1842 y muri o en 1899. Hizo encuestas en Alemania y Africa. Es recordado entre los matem aticos por su algoritmo de Eliminaci on de Gauss - Jordan, con Jordan mejorando la estabilidad del algoritmo de manera que se pod a aplicar para minimizar el error cuadrado en las mediciones. Esta t ecnica algebr aica apareci o en su Handbuch der Vermessungskunde (1873).
62
Algebra Lineal

I. Matrices
EJERCICIOS RESUELTOS
1.
1. Demuestre que si A es una matriz cuadrada, entonces: a) AAt es sim etrica. Demostraci on. Bt = B. En efecto: B t = (AAt )t = (At )t At = AAt = B Por lo tanto B = AAt es sim etrica. b) At A es sim etrica. Demostraci on. Bt = B. En efecto: B t = (At A)t = At (At )t = At A = B Por lo tanto B = At A es sim etrica. c) A + At es sim etrica. Demostraci on. Se debe probar que B = A + At es sim etrica, es decir que Bt = B. En efecto: B t = (A + At )t = At + (At )t = At + A = A + At = B Por lo tanto B = A + At es sim etrica. d) A At es antisim etrica. B t = B . Demostraci on. Se debe probar que B = A At es antisim etrica, es decir que En efecto: B t = (A At )t = At (At )t = At A = (A At ) = B Por lo tanto B = A At es antisim etrica. Se debe probar que B = At A es sim etrica, es decir que Se debe probar que B = AAt es sim etrica, es decir que
e) A + A t es hermitiana. B = B.
t
Demostraci on. Se debe probar que B = A + A t es hermitiana, es decir que En efecto: B = (A + A t )t = (A + A t )t = At + A = At + A = A t + A = A + At = B Por lo tanto B = A + A t es hermitiana. f) A A t es antihermitiana. que B = B .
t t t
Demostraci on. Se debe probar que B = A A t es antihermitiana, es decir En efecto: B = (A A t )t = (A A t )t = At A = At A = A t A =
A A t = (A A t ) = B
Algebra Lineal
63
g) AA t es hermitiana. B = B.
t
Por lo tanto B = A A t es antihermitiana. Demostraci on. Se debe probar que B = AA t es hermitiana, es decir que
En efecto: B = (AA t )t = (AA t )t = AAt = A At = AA t = B Por lo tanto B = AA t es hermitiana. h) A t A es hermitiana. Demostraci on. Se debe probar que B = A t A es hermitiana, es decir que B = B. En efecto: B = (A t A)t = (A t A)t = At A = At A = A t A = B Por lo tanto B = A t A es hermitiana. 1 i) A es involutiva entonces (I + A) es idempotente. 2 Demostraci on. Hip otesis: A es involutiva, es decir A2 = I 1 Tesis: B = (I + A) es idempotente, es decir B 2 = B . 2 2 1 1 1 2 En efecto: B = (I + A) = (I + A)(I + A) = (I + IA + IA + AA) = 2 4 4 1 1 1 1 (I + 2A + A2 ) = (I + 2A + I ) = (2I + 2A) = (I + A) = B 4 4 4 2 2. Demuestre que si A es una matriz cuadrada sim etrica de orden m y P una matriz Demostraci on. de orden m n, entonces la matriz B = P t AP es sim etrica.
t t
Hip otesis: A es sim etrica: At = A Tesis: B = P t AP es sim etrica: B t = B . En efecto: B t = (P t AP )t = (P t (AP ))t = (AP )t (P t )t = P t At P = P t AP = B Por lo tanto B = P t AP es sim etrica. etrica de orden m y P una 3. Demuestre que si A es una matriz cuadrada antisim matriz de orden m n, entonces la matriz B = P t AP es antisim etrica. Demostraci on. Hip otesis: A es antisim etrica: At = A
En efecto: B t = (P t AP )t = (P t (AP ))t = (AP )t (P t )t = P t At P = P t (A)P = P t AP = B Por lo tanto B = P t AP es antisim etrica.
Tesis: B = P t AP es antisim etrica: B t = B .
II. Determinantes 1. Calcular:
64
Algebra Lineal a2 (a + 1)2 (a + 2)2 (a + 3)2 a) b2 c2 (b + 1)2 (c + 1)2 (b + 2)2 (c + 2)2 (b + 3)2 (c + 3)2
d2 (d + 1)2 (d + 2)2 (d + 3)2 Soluci on Usando las transformaciones lineales se tiene: a2 (a + 1)2 (a + 2)2 (a + 3)2 b2 c2 (b + 1)2 (c + 1)2 (b + 2)2 (c + 2)2 (b + 3)2 (c + 3)2 = a2 a2 + 2a + 1 a2 + 4a + 4 a2 + 6a + 9 b2 c2 b2 + 2b + 1 c2 + 2c + 1 b2 + 4b + 4 c2 + 4c + 4 b2 + 6b + 6 c2 + 6c + 9
d2 (d + 1)2 (d + 2)2 (d + 3)2
d2 d2 + 2d + 1 d2 + 4d + 4 d2 + 6d + 9 a2 2a + 1 4a + 4 6a + 9 = b2 c2 d2 2b + 1 2c + 1 4b + 4 4c + 4 6b + 6 6c + 9
2d + 1 4d + 4 6d + 9
a2 2a + 1 2 6 = b2 c2 2b + 1 2 6 2c + 1 2 6 =0
d2 2d + 1 2 6
puesto que 2 columnas son proporcionales. 2. Demostrar que si A y B son matrices cuadradas de orden n no singulares, y sea R entonces: a) Adj(AT ) = [Adj(A)]T Demostraci on. b) Adj(A1 ) = [Adj(A)]1 Demostraci on. En efecto: Adj(A1 ) = |A1 |(A1 )1 = |A|1 (A1 )1 = (|A|A1 )1 = [Adj(A)]1 . c) Adj(AB ) = Adj B Adj A Demostraci on. En efecto: Adj(AB ) = |AB |(AB )1 = |A||B |B 1 A1 = [|B |B 1 ][|A|A1 ] = Adj B Adj A. d) Adj(An ) = [Adj(A)]n En efecto: Adj(AT ) = |AT |(AT )1 = |A|(A1 )T = (|A|A1 )T = [Adj(A)]T .
Walter Arriaga Delgado Demostraci on. e) Adj(A) = n1 Adj(A) Demostraci on. En efecto:
Algebra Lineal
65
En efecto: Adj(An ) = |An |(An )1 = |A|n (A1 )n = (|A|A1 )n = [Adj(A)]n .
Adj(A) = |A|(A)1 = n |A|1 A1 = n1 (|A|A1 ) = n1 Adj(A). III. Rango de una matriz 1 2 1. Hallar el rango de la matriz A = 0 2 3 2 6 5 2 4 3 0 5 10 0 15 6 0 8 4 8 0 2 0
Soluci on: Realizando sucesivamente las transformaciones elementales tendremos: 1 3 2 0 2 0 1 3 2 0 2 0 2 6 5 2 4 3 0 0 1 2 0 3 A= 0 0 5 10 0 15 0 0 5 10 0 15 2 6 0 8 4 8 0 0 4 8 0 8 1 3 2 0 2 0 1 3 2 0 2 0 0 0 1 2 0 3 0 0 1 2 0 3 =B 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 La u ltima matriz escalonada B tiene 3 las no nulas, luego: (B ) = (A) = 3
IV. Aplicaciones Problema 1.1. En la sala de un hospital dedicado al tratamiento de diab eticos se administra insulina de tres clases: semilenta, lenta y ultralenta. El n umero de unidades diarias que se aplica a los pacientes de los cinco ingresados viene dado por la siguiente tabla: Pac. 1 Semilenta Lenta Ultralenta 15 20 10 Pac. 2 15 20 5 Pac. 3 20 15 10 Pac. 4 30 5 10 Pac. 5 10 20 15
El n umero de d as que ha estado internado cada paciente es:
66
Algebra Lineal Pac. 1 No de d as 3 Pac. 2 7 Pac. 3 5 Pac. 4 12
Walter Arriaga Delgado Pac. 5 20
Calcula, con ayuda del producto de matrices, las unidades de cada clase que le fue administrada a los pacientes. Soluci on:
La matriz de necesidades diarias es: A = 20 20 15 10 5
15 15 20 30 10 5
10 10 15 3 7 La matriz columna que expresa el n umero de d as es: D = 5 . 12 20 Para hallar el n umero de unidades de cada clase administradas a los pacientes calculemos: 3
20 .
7 810 AD = 20 20 15 5 20 5 = 735 10 5 10 10 15 12 535 20 15 15 20 30 10 Problema 1.2. En un hospital oncol ogico se aplica a un grupo de cuatro pacientes un tratamiento de quimioterapia mediante un protocolo CMF (C = ciclofosfamida, M = metrotexate, F = 5uoracilo). Las cantidades diarias que necesita cada paciente de cada uno de los compuestos var an seg un la supercie total corporal, del siguiente modo: Paciente 1: 1200 mg de C, 80 mg de M y 1200 mg de F. Paciente 2: 900 mg de C, 60 mg de M y 950 mg de F. Paciente 3: 1100 mg de C, 70 mg de M y 1000 mg de F. Paciente 4: 1150 mg de C, 80 mg de M y 1100 mg de F. Teniendo en cuenta que el tratamiento se va a aplicar durante tres semanas a los pacientes 1, 3 y 4 y dos semanas al paciente 2, hallar la matriz de necesidades diarias y las cantidades de cada compuesto necesarias para poder atender correctamente los tratamientos de los cuatro pacientes. Soluci on: La matriz de necesidades diarias es:
Algebra Lineal Pac. 1 Ciclofosfamida Metrotexate 5-uoracilo 1200 80 1200 Pac. 2 900 60 950 Pac. 3 1100 70 1000 Pac. 4 1150 80 1100
67
Si representamos por D el vector columna que expresa el n umero de d as que cada paciente debe seguir el tratamiento, se tiene: 21 14 D= 21 21
A= 80
1200 900 1100 1150 60 70
80 1200 950 1000 1100
Las necesidades totales de cada compuesto se obtienen multiplicando la matriz A por la D: 1200 900 1100 1150 85050 14 5670 = AD = 80 60 70 80 21 82600 1200 950 1000 1100 21 21
As pues, se necesitan: 85.050 mg de ciclofosfamida, 5.670 de metrotexate y 82.600 mg de 5-uoracilo.
68
Algebra Lineal

I. Matrices
EJERCICIOS PROPUESTOS
1.
1) Dada la matriz A = (aij )23 donde: aij = los elementos de A
i + j , si i j
i j , si i < j
. Hallar la suma de
ij , si i > j 2) Dada la matriz M = (mij )33 , donde: mij = i2 + j 2 , si i = j . Hallar la suma de 2 2i j , si i < j los elementos de la segunda columna de M 3) Dadas las matrices A = 5 1 3 2 0 a+b ;B= 3 5 a 2 b . Calcule ab, si AB = BA.
es sim 4) Si la matriz W = etrica, hallar: a + b + c 7 2 c 1 ab 2 10 5 8 4 , hallar la traza de la matriz B , que sumada con la 5) Dada la matriz A = 3 2 5 7 6 0 matriz A origine la matriz identidad. 2 x 2 2 4 6) Si 4 1 3 = y . Calcular: x + y + z z 1 2 3 7) Si A es una matriz que cumple: Hallar la traza de la matriz A 8) Sea f (x) = x2 + x + 2 y A = 0 2 1 4 . Hallar la traza de f (A). (A + I )2 = 4 3 3 2 ; (A I )2 = 1 0 0 1 .
9) Sea la matriz A = (aij )nn , denida por aij = |i j | + j i, hallar la traza de A. 10) Dada la matriz A = 1 1 0 1 , hallar: traz(A + A2 + A3 + + An ).
11) Si A = (aij )22 /iaij + jaji = i2 + j 2 . Calcule a11 a12 + a21 a22 1 1 1 ; hallar la traza de la matriz 298 .A100 12) Si A = 1 0 0 0 1 1
Algebra Lineal 1 1 0 1
69
13) Dado el polinomio P (x) = x19 + 2x 1 y la matriz A = P (A) 14) Dada la matriz A = 1 2
. Hallar la traza de
, ella se puede expresar como la suma de una matriz 3 4 sim etrica B y otra antisim etrica C ; hallar el determinante de la matriz C . A = (aik )232 : aik = i + k; B = (bkj )241 : bkj = 2k + 3j . Si
15) Sean las matrices:
C = AB de elementos de cij . Halle el elemento c34 1 0 . . . 0 0 2 . . . 0 16) Sea D = . una matriz diagonal n n, esto es, . . .. . . . . . . . 0 0 . . . n a11 a12 a21 a22 est an fuera de la diagonal son iguales a cero. Sea A = . . . . . . an1 an2
los elementos que
. . . a1n
columna j de A, entonces AD = 1 A1 2 A2 . . . n An . Muestre que el productoDAes obtenido de la matriz A1 A2 i por i , o sea, si A = . donde Ai = a1j a2j . . A n A 1 1 A 2 2 entonces DA = . ... n An
Muestre que el producto AD es obtenido de la matriz A multiplicando cada a1j a2j columna j por j , o sea, si A = A1 A2 . . . An donde Aj = . es la . . anj A multiplicando cada la . . . anj es la la i de A,
. . . a2n . .. . . . . . . ann
17) Sean A y B matrices de orden m p y p n, respectivamente. Muestre que a j - esima columna del producto AB es igual al producto ABj , donde b1j . . Bj = esima columna de B , o sea, si B = B1 B2 . . . Bn , . es a j bpj
70
Algebra Lineal
entonces AB = A B1 B2 . . . Bn = AB1 AB2 . . . ABn Muestre que la i esima la del producto AB es igual al producto A i B , donde A1 A2 Ai = ai1 ai2 . . . aip es a i esima la de A, o sea, si A = . , entonces . . Am A1 B A1 A2 B A2 AB = . B = . . . . . . Am Am B
18) Se D1 y D2 son matrices diagonales de orden n n, entonces D1 D2 = D2 D1 . a0 , , ak son escalares, entonces AB = BA. a b b a y
19) Se A es uma matriz de orden n n y B = a0 In + a1 A + a2 A2 + + ak Ak , donde 20) Demuestre que las matrices valores de a, b, c, d. c d d c son conmutables para todos los
21) Demuestre que
22) Demuestre que si tentes. 23) Demuestre que
2 4 1 3 4 es una matriz idempotente. 1 2 3 2
AB = A y BA = B , entonces las matrices A y B son idempo1 1 2 3
24) Demuestre que si A es una matriz nilpotente de ndice 2, entonces A(I A)n = A, n un entero positivo cualquiera. 25) Demuestre que A es involutiva s y s olo si (I A)(I + A) = 0. 26) Dadas las matrices cuadradas sim etricas A y B . Demuestre que la matriz AB es sim etrica s y s olo si A y B son matrices conmutables. 27) Dadas las matrices cuadradas A y B . Demuestre que A y B son conmutables s y s olo si A kI y B kI son conmutables para cualquier valor real k.
A= 5
6 es una matriz nilpotente de orden 3. 2 1 3
28) Demuestre que la suma y el producto de dos matrices triangulares superiores es otra matriz triangular superior. 29) Demuestre que la suma y el producto de dos matrices triangulares inferiores es otra matriz triangular inferior.
Algebra Lineal
71
30) Demuestre que la suma y el producto de dos matrices diagonales es otra matriz diagonal. 31) Demuestre que la suma y el producto de dos matrices escalares es otra matriz escalar. 32) Demuestre que si A es una matriz cuadrada, entonces q son n umeros enteros positivos. 2 3 5 33) Dadas las matrices A = 5 1 4 y 1 3 4 a) Verique que A y B son idempotentes. Ap Aq = Aq Ap , donde p y 1 3 5
B= 1 3 5 1 3 5
b) Verique que A y B no cumple con el rec proco del problema 3. 34) Demuestre que si A es una matriz idempotente, entonces B = I A es tambi en idempotente adem as AB = BA = 0. 35) Demuestre que si H es una matriz hermitiana y A una matriz conforme respecto de la multiplicaci on, se verica que (A) t HA es herm tica. 36) Demuestre que toda matriz herm tica A se puede expresar por B + iC , siendo B una matriz real y sim etrica y C otra matriz real pero hemisim etrica. 37) Demuestre que: a) Toda matriz herm tica A se puede representar por A = B + iC , siendo B una matriz real y hemisim etrica y C otra matriz real pero sim etrica. b) A A es una matriz real si, y solo si, B y C son anticonmutativas. 38) Demuestre que si A y B son dos matrices permutables, tambi en lo son A1 y B 1 , A t y B t, y A y B . 39) Demuestre que, siendo m y n enteros positivos, Am y B n son matrices permutables si lo son A y B . 40) Demuestre que: 0 b) 0 0 a) 1
n t t t
= n
n nn1 0 n n nn1 n 0 1 n(n 1)n2 2 nn1 n
41) Demuestre que si A es una matriz sim etrica o hemisim etrica, tanto AA t = A t A como A2 son matrices sim etricas. 42) Demuestre que si A es una matriz sim etrica tambi en lo es aAp + bAp1 + + gI , en donde a, b, . . . , g son escalares y p un n umero entero y positivo.
1 =0 0 0
1 0
72
Algebra Lineal
43) Demuestre que toda matriz cuadrada A se puede escribir en la forma A = B + C , siendo B una matriz herm tica y C hemiherm tica. 44) Demostrar que si A es una matriz real y hemisim etrica, o bien compleja y hemiherm tica, las matrices iA son herm ticas. 45) Demostrar que el teorema del problema 30 se puede enunciar en los siguientes t erminos: Toda matriz cuadrada A se puede escribir en la forma A = B + iC , siendo B y C dos matrices herm ticas. 46) Demostrar que si A y B son dos matrices tales que AB = A y BA = B , se verica: a) B t A t = A t y A tB t = B t,
b) A t y B t son idempotentes, c) A = B = I siempre que A posea inversa. 1 1 (I + A) y (I A) son matrices 47) Si A es una matriz involutiva, demostrar que 2 2 1 1 idempotentes, y que (I + A) (I A) = 0. 2 2 1 48) Si A es una matriz inversa de la matriz cuadrada A, demostrar que: a) (A1 ) t = (A t )1 , b) (A)1 = A1 , c) (A )1 = (A1 ) t . 49) Hallar todas las matrices permutables con a) diag(1, 1, 2, 3), b) diag(1, 1, 2, 2). 50) Si A1 , A2 , . . . , As son matrices escalares de ordenes m1 , m2 , . . . , ms , respectivamente, hallar todas las matrices permutables con diag(A1 , A2 , . . . , As ). 51) Si A =diag(A1 , A2 , . . . , As ) y B =diag(B1 , B2 , . . . , Bs ), siendo Ai y Bi del mismo orden, (i = 1, 2, . . . , s), demostrar que a) A + B =diag(A1 + B1 , A2 + B2 , . . . , As + Bs ) b) AB =diag(A1 B1 , A2 B2 , . . . , As Bs ) c) Traza de AB =traza de A1 B1 + traza de A2 B2 + . . . traza de As Bs . 52) Demostrar que si A y B son matrices cuadradas hemisim etricas de orden n, la condici on necesaria y suciente para que la matriz AB sea sim etrica es que A y B conmuten. 53) Demostrar que si A es una matriz cuadrada de orden n y B = rA + sI , siendo r y s escalares, A y B conmutan.
t
Algebra Lineal
73
54) Sean A y B dos matrices cuadradas de orden n y r1 , r2 , s1 , s2 escalares de forma que r1 s2 = r2 s1 . Demostrar que las matrices C1 = r1 A + s1 B y C2 = r2 A + s2 B son permutables si, y solo si, A y B conmutan. 55) En los incisos siguientes se dan matrices A y B en las que se ha efectuado cierta partici on. Calcule en cada caso el producto de AB atendiendo a la partici on dada. Verique su respuesta. 3 1 | 0 5 8 2 1 | 0 1 3 a) A = B= | 0 0 | 4 1 1 1 3 1 4 | 7 0 2 1 3 | 6 B = b) A = 3 0 4 8 | 5 | 3 0 7 1 | 2 3 8 | 1 0 5 4 1 5 | 0 1 c) A = | B = 1 3 0 | 1 1 0 1 | 3 2 2 | | 24
2 | | 1 0 1 0 1 0 0 1 2
| | | |
| 2 1 7 3 | | | | 4 2 1 0
56) Dos marcas de material deportivo, Keni y Didasa, patrocinan a cuatro equipos de basket: A, B, C y D. Keni ofrece 150.000 pts por partido ganado y 90.000 pts por partido empatado. Didasa ofrece 130.000 pts por partido ganado y 100.000 pts por empatado. Los partidos ganados o empatados por los cuatro equipos al nalizar la temporada, se recogen en la tabla siguiente: A Ganados Empatados 15 10 B 12 13 C 14 11 D 20 5
2 4 5 5 3 0 1
Obt en una matriz que reeje, para cada equipo, el capital recibido de cada patrocinador. Idem las contribuciones totales para cada equipo. 57) Si I A es una matriz regular y A es antisim etrica, demostrar que I + A es tambi en regular. II. Determinantes Calcular los determinantes de las siguientes matrices:
74 1 2 3 4 5 6 7 8 9 Rpta. 0 cos sen 0 sen cos 0 0 0 1 Rpta. 1 1 2 3 4 2 3 1 2 1 1 1 1 1 0 2 6 Rpta. 1 1 2 3 1 4 1 2 2 0 2 2 3 2 1 1 0 Rpta. 1 1 1 1 1 1 1 + x 1 1 1 1 1 + y 1 1 1 1 1+z Rpta. xyz 4 1 1 1 1 1 4 1 1 1 1 1 4 1 1 1 1 1 4 1 1 1 1 1 4 Rpta. 0 0 1 4 3 6 0 2 0 9 7 2 5 0 1 0 3 Rpta. 384 m + 3a p + 7b q + 11b m + 5a p + 9b q + 13b m + 7a p + 11b q + 15b Rpta. 0
Algebra Lineal 1 1 1
Walter Arriaga Delgado 1
1)
a2 b2 c2 d2 9) a3 b3 c3 d3 a4 b4 c4 d4 Rpta. (b a)(c a)(d a)(c b)(d b)(d c) a b c d a2 b2 c2 d2 10) a3 b3 c3 d3 a4 b4 c4 d4 Rpta. abcd(b a)(c a)(d a)(c b)(d b)(d c) 2 2 11) 2 . . . 2 1 2 2 2 2 2 2 2 2 2 3 2 2 2 2 4 2 . . . . .. . . . . . . . . . 2 2 2 n
2)
3)
4)
5)
6)
a1 a1 12) . . . a 1 a1
a1 a2 an1 1 x a2 an1 1 a2 x an1 1 . . . . .. . . . . . . . . . a2 a3 x 1 a2 a3 an 1
7)
8)
15 15 19 20 13) 15 15 15 21 15 15 15 15 Rpta. 360 a2 2a + 1 2a + 3 b2 2b + 1 2b + 3 14) c2 2c + 1 2c + 3 d2 2d + 1 2d + 3 Rpta. 0
15 16 17 18
2b + 5 2c + 5 2d + 5
2a + 5
Walter Arriaga Delgado 0 0 0 0 0 0 0 1 15) 5 7 6 1 4 1 1 1 5 0 0 1 Rpta. 10 1 1 1 2 3 5 16) 4 9 25 9 28 126 Rpta. 240 1 2 3 1 0 3 17) 1 2 0 . . . . . . . . . 2
Algebra Lineal x a a ... a a x a . . . a 19) a a x . . . a . . . . . . . . . . . . . . . a a a ... x
75
3 1 1 1 1
7 49 344 ... n
1 2 0 1 1 1 0 x 18) 1 x 0 . . . . . . . . .
3 ...
... ... .. .
1 x x ...
. . . n . . . n . .. . . . ... 0 1 1 x x x x . . . . . . x 0
2 1 0 0 ... 0 1 2 1 0 . . . 0 20) 0 1 2 1 . . . 0 . . . . .. . . . . . . . . . . . . 0 0 0 0 ... 2 2 1 0 ........
1 2 1 0 ....... 0 1 2 1 0 ..... ..... . . . 0 1 2 1 21) . . . 0 1 2 1 ... .............. 0 1 2 1 ...... ....... 0 1 2 ......... 0 1
0 1 2
Ejercicios diversos: 1) Hallar |M |, donde M es matriz de orden 3, tal que mij = 2i j x2 4 2 1 3) Resolver: 5 2 4 2) Resolver: 3x 6x = x2 100 x 2x x 5x 3 15 Rpta. 0 Rpta. 10
5 8 15 = x2 28 a+x x b+x x x a+b 2a x x c+x x 2b a+b x x x d+x + ab 2a 2b =0 Rpta.
Rpta. 2 7
4) Resolver:
x x x
abcd abc + abd + acd + bcd
5) Calcular: E =
ab
Rpta. 2a
76 m 2 3 x1 x x
Algebra Lineal 2 , hallar k si: n 3 x x+2 x x x x+3 =0
6) Si
m n
1 2+
2 3+
3 4 +2
1 0
=k
4 1
Rpta. 5
7) Resolver:
Rpta. 4
m 8) Si m, n y p son las ra ces de la ecuaci on x3 + 4x + 3 = 0. Calcular: n p 1 2 T 9) Si A = 2 2 3. Hallar |A A | 4 1 2 10) Dada la matriz A = 2 3 3 5 5 7 7 . Calcular |AT A|. 3 11) Sean las siguientes matrices: A = (ai,j )44 / |A| = 2; Calcular: W = |3AT | | B| |2A1 | | 2B | 3 2 5 4 1 Rpta. 0
n p m
p m n
Rpta. 49
Rpta. 0
B = (bi,j )55 / |B | = 1. Rpta. 5176

1
12) Hallar la traza de la matriz A, si se cumple que: 2A = |A| 13) Hallar el determinante de A, si se cumple que: A = |A| 3
Rpta. 14
16) Sea A una matriz cuadrada de orden 2 cuyo determinante es igual a 4, la diferencia entre la suma de los elementos de la diagonal principal y la suma de los elementos de la diagonal secundaria es 8. Se suma x a cada elemento de la matriz A entonces el valor de su determinante es igual a 4. Calcular el valor de x. 1 0 17) En un texto antiguo de Algebra se encuentra la matriz A = 0 b 0 c 3 on A2 AT . Hallar AT leer la segunda columna 2 de la operaci 6 a, b y c n umeros naturales. a olo se puede 0 y s 0 + traz(AT ), siendo
. Rpta. 1/11 5 2 5 ; si i < j 14) Calcular el determinante de la matriz A de orden 4, si: aij = 3 ; si i j 3 aij ; si i = j . Calcule |A|. 15) Dada la matriz A = (aij )33 denida por: aij = a ; si i = j
ij
Walter Arriaga Delgado a b c
Algebra Lineal d
77
b a 18) Dada la matriz: c d d c con {a; b; c; d} R {0}.
c 2det(BB T ) , . Calcular el valor de W = det(B ) + det(B T ) a b b a d

n
19) Sea A = (aij ) Mn (k) una matriz triangular superior. Mostrar que det A = 20) Sean A Mn (k), B Mm (k) y C Mn,m (k), y sea M = bloques. Mostrar que det M = det A det B . 21) Sea l 1, n1 , . . . , nl 1, y Ai Mni (k) si 1 i l. Mostrar que: A1 0 0 ... 0 0 A2 0 . . . 0 l det 0 det Ai . 0 A3 . . . 0 = i=1 .......... 0 0 0 . . . Al A C 0 B
aii .
i=1
la matriz de
22) Si A, B, C, D Mn (k) y A es inversible, muestre que: det A B C D = det(AD ACA1 B )
23) Demuestre que si A Mn (k) es antisimetrica y n es impar, entonces det A = 0. 24) Demuestre que si A Mn (k) es ortogonal, entonces det A = 1. III. Rango de una matriz Hallar el rango de cada una de las siguientes matrices: 1 1 2 1) 1 1 0 2 1 1 Rpta. 2 2 3 1 1 1 3) 3 3 5 0 3 4 1 Rpta. 0 5 4) 1 2 2 4 1 1 3 5 2 4 12
1 2 3 4 5 2) 1 2 1 3 2 0 4 4 7 7 Rpta. 2
78 Rpta. 2 3 1 1 2 5) 2 1 5 2 Rpta. 3 1 1 6) 2 2 3 5 Rpta. 2 2 0 0 1 7) 2 1 0 1 2 8
Algebra Lineal Rpta. 3
4 2 0 2
1 1 0 1
1 2 1 3 4 9) 5 1 1 7 7 7 9 1 1 3 5 Rpta. 3 24 19 36 72 38
Rpta. 3 3 1 3 5 3 2 8) 1 3 5 7 5 1
0 1 0 0 2 1 0 1 0 2 3 5
49 40 73 147 80 10) 73 59 98 219 118 47 36 71 141 72 Rpta. 3 17 28 45 61 11 13 39
4 0 7 4 1
24 37 11) 25 7 31 12 42 13 Rpta. 2
50 32 18 11 19 43 55 29 55 68
IV. Matriz Inversa 1 e valores del par ametro m existe A1 . 1) Dada la matriz 0 m 3 , averigua para qu 4 1 m 1 Calcula A . 1 0 2) Calcular 3 0 0 1 1 0 1 0 0 la inversa de las siguientes matrices: 0 0 2 0 0 5 1 0 0 1 1 0 7 2 2 4 0 3 1/3 0 0 Rpta. 0 1/2 0 0 0 1/5 1 0 1 Rpta. 0 0 1 1 1 1 1 7/2 16/3 Rpta. 0 1 / 2 2 / 3 0 0 1/3
Walter Arriaga Delgado 1 2 3 2 3 1 3 4 0 1 3 2 2 5 4 3 8 1 1 2 3 4 5 6 7 8 8 3 2 1 1 1 1 2 1 1 1 1 1 2 3 2 3 3 4 1 1 0 1 1 2 1 0 1 1 2 3 3 2 4 2 1 0 2 3 5 2 4 6 4 8 10 2 1 3 1 4 0 1 1 0 3 1 2 4 1 1 2 4 6 2 3 4 4 2 2 1 1 2
Algebra Lineal
79 4 12 7 Rpta. 3 9 5 1 2 1 27 19 22 Rpta. 7 8 10 1 1 1 8/3 8/3 1 Rpta. 10/3 13/3 2 1 2 1 0 1 1 Rpta. 1 2 1 1 1 1 6 1 1 Rpta. 0 2 1 3 0 1 1/4 1/4 1/2 Rpta. 1/4 1/2 3/4 1/4 1/4 1/2 4 3 2 Rpta. 8 6 5 7 5 4 2 5/2 1/2 Rpta. 1 0 1 / 2 0 1 1/2 1 0 1 Rpta. 0 0 1 1 1 1 1/28 1/4 3/56 Rpta. 11 / 28 1 / 4 5 / 56 1/4 1/4 1/8 1 1 1 Rpta. 5 4 6 3 5/2 4
80 2 0 4 4 2 6 8 2 16 3 6 9 0 2 1 3 1 2 6 1 1 2 1 0 3 0 1 5 3 2 2 1 1 2 2 3 9 1 2 2 1 1 0 1 2 cos sen 0 sen cos 0 0 0 1 1 1 1 1 1 + x 1 1 1 1+y 1 1 1 1 1 2 1 1 1 1 3 1 1 1 1 4 1 2 3 4 2 3 1 2 1 1 1 1 1 0 2 6 1 2 3 1 4 1 2 2 0 2 2 3 2 1 1 0
Algebra Lineal
Walter Arriaga Delgado 11/2 1 1
Rpta. 0 1/2 2 3 1/2 1/2 5/87 1/29 8/29 Rpta. 1/29 11/29 1/29 2/29 7/29 2/29 1 1 1 Rpta. 2 3 2 3 3 4 5 13 1 Rpta. 1 4 11 6 16 1 1 4 3 Rpta. 4 18 13 2 9 7 cos sen 0 Rpta. sen cos 0 0 0 1 (x + y + xy )/xy 1/x 1/y Rpta. 1/x 1/x 0 1/y 0 1/y 17/6 1 1/2 1/3 1 1 0 0 Rpta. 1/2 0 1/2 0 1/3 0 0 1/3 22 6 26 17 17 5 20 13 Rpta. 1 0 2 1 4 1 5 3 1 1 1 3 8 11 10 26 Rpta. 10 13 12 31 12 16 15 38
Walter Arriaga Delgado 1 3) Dada la matriz A = 0 0 1 4) Sea la matriz: A = 2 b
Algebra Lineal 7 2 1 2 4 , hallar: traz(A + A ) 0 3 a+b 0 etrica. Hallar la traza de A1 5 a sim x 3
81
5) Demostrar que la inversa de una matriz hermitiana es tambi en hermitiana. 6) Resolver AX = B , donde: 1 1 1 2 4 1 A= 1 0 0 ; B = 2 1 0 1 1 1 2 0 1 3 2 1 4 4 4 A= 4 5 2; B = 6 3 1 2 1 4 6 3 7 1 1 1 1 3 1 A= 5 4 6; B = 7 16 2 3 1 4 6 10 2 1 2 0 3 0 1 ; B = 2 1 3 A= 2 5 2 0 2 3 5 1 1 1 2 3 5 1 3 ; B = 7 7 3 A= 3 2 1 2 3 1 8 6 3 2 2 1 Rpta. X = 2 3 0 2 1 0 1 2 3 Rpta. X = 0 1 3 1 0 1 1 2 0 Rpta. X = 0 2 1 1 1 1 1 2 3 Rpta. X = 2 1 1 3 1 1 1 2 1 Rpta. X = 2 1 1 0 1 2
V. Criptograf a
El mensaje M fue cifrado con la clave A y se obtuvo el mensaje cifrado C . Encontrar M . 1) A = 1 2 ; C= 64 27 45 29
0 1 2 3 1 1 1 2 0 1
22 5 13 14 3 10 26 39 50 13 3 2 7 13 15 11 12 17 19 24 29 16
Rpta. SUPERMAN 2) A = ; C=
Rpta. LIONELMESSI 3) A = ; C= 23 23 37 45 0 5
Rpta. VIVAELPERU
82 2 1 1 1 1 2 3 5
Algebra Lineal 12 11 9 2 29 2 15 13 15 4 2 13 7 3
4) A =
; C=
Rpta. ANDREABOCELLI 5) A = ; C= 1 23 12 24 12 25 10 6 7 55 20 60 41 59 25 30 45 48 22 16
Rpta. PIENSOLUEGOEXISTO 1 2 3 57 29 9 6) A = 3 9 2 3 1; C = 20 3 4 0 2 11 8
Rpta. BARCELONA 0 1 1 5 17 12 9 12 ; C = 1 31 23 13 13 7) A = 1 1 2 18 16 11 10 11 1 1 1
Rpta. ALGEBRALINEAL 14 17 18 18 15 1 0 1 8) A = 22 21 19 1 0 1 ; C = 17 0 10 7 6 17 41 2 1 1 Rpta. CAPERUCITAROJA 4 19 5 25 19 4 1 0 1 ; C = 5 9) A = 1 19 26 19 5 0 0 1 16 1 9 25 26 7 1 1 1
Rpta. ALESSANDRAYGRACE 12 0 0 0 12 7 19 1 0 1 10) A = 9 1 0 0 9 1 0 0 1 ; C = 0 11 12 4 26 11 3 14 1 1 1 Rpta. LAILIADAYLAODISEA VI. Sistemas de ecuaciones lineales 1) Aplicando el m etodo de eliminaci on de Gauss-Jordan, resuelva los siguientes sistemas: x+y+z = 6 = 5 2x 3y + z 6x + y + 3z = 18
x y + 2z
4x + 2y 2z = 8 = 24
Rpta. x = 1, y = 2, z = 3
x + 2y 3z = 4
Rpta. x = 2, y = 3, z = 5
Walter Arriaga Delgado 3x z
Algebra Lineal 3x + 2y z = x + z = x + y = x y + z = 2x + y z + t
83
= 4 = 7
0 2 3 4 = 1
6x + 4y + 5z
Rpta. x = 1, y = 2, z = 1 2x + 2y + 6z = 10 2x y + 4z = 11 y + z = 3
3x + 3y + 2z = 11
Rpta. x = 8/5, y = 7/5, z = 8/5 x + 2y + z w = 5 2x y z + w = 2 x + 3y + 2z + 2w = 1 3x 2y + 3z 2w = 5
Rpta. x = 2, y = 1, z = 1, w = 2 2x 3y + 4z w = 4 3x + 2y 5z + 3w = 4 5x y + 5z 4w = 2 7x 6y + 5z w = 6 Rpta. x = 1, y = 2, z = 3, w = 4 2x + y + z = 1 x 2y + z = 2 x + y 2z = 1 Rpta. x = t, y = t + 1, z = t
2) Una compa n a minera extrae mineral de dos minas, el cual contiene para la mina I el 1 % de n quel y 2 % de cobre, para la mina II el 2 % de n quel y 5 % de cobre. Qu e cantidad de mineral se deber a extraer de cada mina para obtener 4 toneladas de n quel y 9 toneladas de cobre? 3) En una fabrica de ropa se producen tres estilos de camisas que llamaremos 1, 2, 3. Cada prenda pasa por el proceso de cortado, cosido, planchado y empaquetado. Las camisas se elaboran por lote. Para producir un lote de camisas del tipo 1 se necesitan 30 min para cortarlas, 40 min para coserlas y 50 min para plancharlas y empaquetarlas. Para el tipo 2, 50 min para cortar, 50 min para coser y 50 min para planchar y empaquetar. Para el tipo 3, 65 min para cortar, 40 min para coser y 15 min para planchar y empaquetar. Cu antos lotes se pueden producir si se trabajan 8
x+y+z = 0 x + 2y z = 1 x1 x2 + x3 2x4 = 6 x2 + x3 + 2x4 + x5 = 5 = 2 2x1 + 4x3 2x4 6x5 2x1 + 3x2 x3 + 7x4 + 5x5 = 3 3x + 3y + 2z + w = 10 8x + 6y + 5z + 2w = 21 4x + 2y + 3z + w = 8 3x + 5y + z + w = 15 7x + 4y + 5z + 2w = 18 x1 + x2 + 2x3 + x5 = 4 x1 + x2 3x3 + 5x4 = 4 x1 + 3x2 + 2x3 + 5x4 + 3x5 = 13 2x1 4x3 + 5x4 = 1
84
Algebra Lineal
horas en cortar, 8 horas en coser y 8 horas en planchar y empaquetar? 4) Tres compuestos se combinan para formar tres tipos de fertilizantes. Una unidad del fertilizante del tipo I requiere 10 kg del compuesto A, 30 kg del compuesto B y 60 kg del compuesto C. Una unidad del tipo II requiere 20 kg del A, 30 kg del B, y 50 kg del C. Una unidad del tipo III requiere 50 kg del A y 50 kg del C. Si hay disponibles 1600 kg del A, 1200 kg del B y 3200 del C. Cu antas unidades de los tres tipos de fertilizantes se pueden producir si se usa todo el material qu mico disponible? 5) Una compa n a tiene 4 fabricas, cada una emplea administradores, supervisores y trabajadores calicados en la forma siguiente: F abrica 1 Administradores Supervisores Trabajadores 1 4 80 F abrica 2 2 6 96 F abrica 3 1 3 67 F abrica 4 1 4 75
si los trabajadores ganan 350 soles a la semana, los supervisores 275 soles y los trabajadores 200 soles, Cu al es la n omina de cada f abrica? 6) Una industria utiliza tres m aquinas en la elaboraci on de cuatro productos diferentes. Las m aquinas se utilizan a pleno rendimiento 8 horas al d a. El n umero de horas que cada m aquina necesita para elaborar una unidad de cada producto es: Producto 1 M aquina 1 M aquina 2 M aquina 3 d a? 7) Tres productos X , Y y Z , tienen los siguientes porcentajes de F e, Zn y Cu: Fe X Y Z 50 40 30 Zn 30 30 70 Cu 20 30 0 1 2 1 Producto 2 2 0 2 Producto 3 1 1 3 Producto 4 2 1 0
Cu al es el n umero de unidades de cada producto que elaborar a la industria en un
Cu anto de cada producto debe combinarse para obtener un nuevo producto que contenga 44 % de F e, 38 % de Zn y 18 % de Cu?. 8) Hallar la factorizaci on LU de las siguientes matrices: 1 2 0 6 1 4 A= B= 0 1 0 0 1 0 2 1 1 2 0 2 1 1 0 0 C= 0 1 1 0 1 0 0 1
Algebra Lineal
85
9) Calcular cuando sea posible, por el m etodo de GaussJordan, la inversa de las matrices del ejercicio anterior. 10) Resolver mediante factorizaci on LU el sistema 3x + y + z x+y+z =1
3x y + 4z = 0 = 2
ax + by + z = 1 11) Dado el sistema de ecuaciones x + aby + z = b . Se pide: x + by + az = 1 a) Discutirlo seg un los valores de a y b. matriz de los coecientes. etodo de GaussJordan donde A es la b) Para a = 2 y b = 1, hallar A1 por el m c) Para que valores de a y b admite descomposici on LU la matriz de los coecientes? Calcular dicha descomposici on para dichos valores.
VECTORES EN EL ESPACIO BIDIMENSIONAL Y TRIDIMENSIONAL
87
ESPACIOS VECTORIALES
Objetivos Identicar espacios y subespacios vectoriales, y analizar sus caracter sticas fundamentales. Determinar bases para espacios y subespacios vectoriales. Conocer y manejar los conceptos de combinaci on lineal, dependencia e independencia lineal de vectores. Transferir los conceptos b asicos adquiridos de espacios vectoriales a situaciones problem aticas de la vida real y de su especialidad interpretando los resultados.
En la mayor a de los modelos matem aticos usados en Econom a aparecen sistemas de ecuaciones algebraicas que es preciso resolver. Si las ecuaciones son lineales el estudio de estos sistemas pertenece a la rama de las matem aticas denominada Algebra Lineal. La parte m as importante de la econom a que usa los sistemas de ecuaciones lineales es el an alisis inputoutput que trabaja con modelos de Leontief. Para comprender y manejar estos modelos es conveniente familiarizarse con una serie de conceptos como son los de matrices, determinantes y vectores. No obstante, me gustar a recalcar que la utilidad del algebra lineal va m as all a de su capacidad para resolver sistemas de ecuaciones lineales, ya que se usa extensamente en muchas otras materias relacionadas con la ciencia y la t ecnica, adem as de la econom a. En particular, muchos de los m etodos del algebra lineal son u tiles en la teor a de optimizaci on, la estad stica y la econometr a. 89
90
Algebra Lineal
3.1.
Espacio Vectorial
Una de las tareas b asicas del an alisis matem atico consiste en identicar estructuras fundamentales que aparecen con alguna regularidad en diferentes situaciones, desarrollarlas en abstracto y aplicar despu es los resultados obtenidos a las diferentes situaciones particulares. De este modo se pueden entender simult aneamente muchas situaciones diferentes investigando las propiedades que rigen todas ellas. Las matrices parecen tener poco que ver con los polinomios y estos a su vez con los segmentos orientados, pero resulta que todos ellos comparten caracter sticas fundamentales que, una vez desarrolladas, proporcionan un mejor entendimiento. Cu ales son algunas de las propiedades fundamentales de las matrices, los segmentos orientados, las nuplas e incluso los polinomios? En primer lugar, se pueden sumar; as tenemos el concepto de clausura bajo suma: se tienen objetos denidos en un conjunto particular y se establece una operaci on de suma sobre esos objetosde manera que el resultado es un nuevo objeto del mismo conjunto. En segundo lugar, tambi en se tiene el concepto de clausura bajo multiplicaci on por un escalar. Adem as, estas operaciones tienen ciertas propiedades que ya hemos visto en el caso de nuplas y segmentos orientados. As pues, hemos identicado r apidamente una serie de caracter sticas comunes. Hay otras?, y lo que es m as interesante, cu al es el n umero m as peque no de caracter sticas que necesitamos identicar de modo que todas las dem as se sigan a partir de estas?. Para empezar, creamos una nueva etiqueta, que aplicamos a cualquier conjunto de objetos que tengan estas caracter sticas: espacio vectorial, y nos referimos a los objetos de este conjunto como vectores. Despu es podemos mostrar que las matrices, los segmentos orientados, las nuplas, etc., son ejemplos particulares de espacios vectoriales, de manera que los podemos denominar con el t ermino m as general de vectores. Hist oricamente, las primeras ideas que condujeron a los espacios vectoriales modernos se remontan al siglo XVII: geometr a anal tica, matrices y sistemas de ecuaciones lineales. La primera formulaci on moderna y axiom atica se debe a Giuseppe Peano, a nales del siglo XIX. Los siguientes avances en la teor a de espacios vectoriales provienen del an alisis funcional, principalmente de los espacios de funciones. Los problemas de an alisis funcional requer an resolver problemas sobre la convergencia. Esto se hizo dotando a los espacios vectoriales de una adecuada topolog a, permitiendo tener en cuenta cuestiones de proximidad y continuidad.
Algebra Lineal
91
Estos espacios vectoriales topol ogicos, en particular los espacios de Banach y los espacios de Hilbert tienen una teor a m as rica y complicada. Los espacios vectoriales tienen aplicaciones en otras ramas de la matem atica, la ciencia y la ingenier a. Se utilizan en m etodos como las series de Fourier, que se utiliza en las rutinas modernas de compresi on de im agenes y sonido, o proporcionan el marco para resolver ecuaciones en derivadas parciales. Adem as, los espacios vectoriales proporcionan una forma abstracta libre de coordenadas de tratar con objetos geom etricos y f sicos, tales como tensores, que a su vez permiten estudiar las propiedades locales de variedades mediante t ecnicas de linealizaci on. Denici on 3.1.1. Un espacio vectorial V es un conjunto, cuyos elementos son llamados vectores, en el que est an denidas dos operaciones: La adici on, llamada ley de composici on interna, que a cada par cualquiera de vectores u, v V le hace corresponder un nuevo vector u + v V , esto se expresa de la siguiente manera: +: V V (u, v ) Se cumplen los siguientes axiomas: A1 ) u + v V , u, v V (cerradura bajo la suma). A2 ) u + v = v + u, u, v V (conmutatividad). A3 ) (u + v ) + w = u + (v + w), u, v, w V (asociatividad). A4 ) u V , existe un u nico 0 V tal que u + 0 = 0 + u = u donde 0 representa el vector nulo o el elemento neutro aditivo. A5 u V , existe un u nico u V tal que u + (u) = (u) + u = 0 donde u se denomina opuesto de u y representa el elemento inverso aditivo. La multiplicaci on por un escalar, llamada ley de composici on externa, que a cada escalar cualquiera que pertenece al cuerpo K y a cada vector cualquiera u V le hace corresponder un vector v , esto se expresa como: : KV (, v ) Se cumplen los siguientes axiomas: V (, v ) = v V +(u, v ) = u + v
92
Algebra Lineal
M1 ) u V , u V , K (cerradura bajo la multiplicaci on por un escalar). M2 ) (u) = ( )u, u V , , K (asociatividad). M3 ) ( + )u = u + u, u V , , K (primera ley distributiva). M4 ) (u + v ) = u + v , u, v V , K (segunda ley distributiva). M5 ) u V , existe un u nico 1 K tal que 1.u = u, donde 1 representa el elemento neutro multiplicativo. Observaci on 3.1.1. 1. Denotaremos por (V, +, , K ) un espacio vectorial o simplemente V . 2. Los elementos de V se llaman vectores y los elementos de K se llaman escalares. 3. Como V est a denido sobre los elementos de K , se dice que V es un K espacio vectorial. 4. Si K = R, V se llama espacio vectorial real. 5. Si K = C, V se llama espacio vectorial complejo. 6. Un conjunto V = 0 es un espacio vectorial sobre un campo K si tiene denidas dos operaciones suma y multiplicaci on por un escalar y cumpla los diez axiomas antes mencionados, pero si no cumple con al menos uno de los axiomas entonces no es un espacio vectorial.
Ejemplos de espacios vectoriales

Ejemplo 3.1.1. Un espacio vectorial trivial. Sea V = {0}. Es decir, V consiste s olo del n umero 0. V cumple con todos los axiomas: 0 + 0 = 0 V ; 0 + 0 = 0 + 0; (0 + 0) + 0 = 0 + (0 + 0); 0 + 0 = 0; 0 + (0) = 0; 1 0 = 0 V ; ( 0) = ( )0 = 0; ( + )0 = 0 + 0 = 0; (0 + 0) = 0 + 0 = 0; 1 0 = 0. Por lo tanto V = {0} es un espacio vectorial trivial. Ejemplo 3.1.2. Un conjunto que no es espacio vectorial. Sea V = {1}. Es decir, V consiste
s olo del n umero 1. Este no es un espacio vectorial puesto que no cumple con la cerradura ya que 1 + 1 = 2 V . Tampoco cumple otros axiomas, sin embargo, con s olo demostrar que no cumple al menos uno de los axiomas queda probado que V no es espacio vectorial. Observaci on 3.1.2. Vericar todos los axiomas puede ser tedioso. En adelante se vericar an s olo aquellos axiomas que no son obvios.
Algebra Lineal
93
Ejemplo 3.1.3. El conjunto V = R, con las operaciones usuales de suma y producto de R es un espacio vectorial sobre R. Ejemplo 3.1.4. El conjunto V = R2 = {(x, y ) R2 / x R y R} y K = R, con las operaciones usuales de suma de pares ordenados (a, b) + (c, d) = (a + c, b + d) y el producto por un escalar (a, b) = (a, b), R, constituye un espacio vectorial sobre R. En efecto: +: V V RV (, (a, b)) V V (a, b) = (a, b) ((a, b), (c, d)) (a, b) + (c, d) = (a + c, b + d) :
A1 Sea v1 = (a, b) V a, b R; sea v2 = (c, d) V c, d R. Luego: v1 + v2 = (a, b) + (c, d) = (a + c, b + d) V , cumple la cerradura.

R R
A2 Sea v1 = (a, b) V ; sea v2 = (c, d) V entonces v1 + v2 = (a, b) + (c, d) = (a + c, b + d) = (c + a, d + b) = (c, d) + (a, b) = v2 + v1 A3 Sea v1 = (a, b) V ; sea v2 = (c, d) V ; sea v3 = (e, f ) V entonces (v1 + v2 ) + v3 = [(a, b) + (c, d)] + (e, f ) = (a + c, b + d) + (e, f ) = ((a + c) + e, (b + d) + f ) = (a + (c + e), b + (d + f )) = (a, b) + (c + e, d + f ) = (a, b) + [(c, d) + (e, f )] = v1 + (v2 + v3 ) A4 v1 = (a, b) V , !0 = (0, 0) V tal que v1 + 0 = (a, b) + (0, 0) = (a, b) = v1 A5 v1 = (a, b) V , ! v1 = (a, b) V tal que v1 + (v1 ) = (a, b) + (a, b) = (0, 0) = 0 M1 Sea v1 = (a, b) V a, b R; sea R. Luego: v1 = (a, b) = ( a , b ) V , cumple la cerradura.
R R
M2 Sea v1 = (a, b) V , sea , R, entonces: (v1 ) = ( (a, b)) = (a, b) = ((a), (b)) = (( )a, ( )b) = ( )(a, b) = ( )v1 M3 Sea v1 = (a, b) V , sea , R, entonces: ( + )v1 = ( + )(a, b) = (( + )a, ( + )b) = (a+a, b+b) = (a, b)+(a, b) = (a, b) + (a, b) = v1 + v1
94
Algebra Lineal
M4 Sea v1 = (a, b) V ; sea v2 = (c, d) V ; sea R, entonces (v1 + v2 ) = ((a, b)+(c, d)) = (a + c, b + d) = ((a + c), (b + d)) = (a + c, b + d) = (a, b) + (c, d) = (a, b) + (c, d) = v1 + v2 M5 v1 = (a, b) V , !1 R tal que 1v1 = 1(a, b) = (1a, 1b) = (a, b) = v1 Ejemplo 3.1.5. En R2 cualquier recta que pase por el origen, es un espacio vectorial sobre R. Sea V = {(x, y ) R2 / y = mx}, donde m es un n umero real jo. Se puede vericar que se cumple cada uno de los axiomas. Observe que los vectores en R2 se han escrito como las en lugar de columnas que en esencia es lo mismo. Ejemplo 3.1.6. El conjunto de puntos en R2 que est an sobre una recta que no pasa por el origen no constituye un espacio vectorial. Sea V = {(x, y ) R2 / y = 2x + 1}, V no es un espacio vectorial sobre R. En efecto: Dada la operaci on +: V V V
((x1 , y1 ), (x2 , y2 )) (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) Denimos la operaci on: Sea a = (x1 , y1 ) V entonces y1 = 2x1 + 1 Sea b = (x2 , y2 ) V entonces y2 = 2x2 + 1 puesto que y1 + y2 = 2(x1 + x2 ) + 2, decimos que: a + b = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) V esto quiere decir que no cumple con la cerradura. Por lo tanto V no es un espacio vectorial. Ejemplo 3.1.7. En R3 cualquier plano que pase por el origen, es un espacio vectorial sobre R. Sea V = {(x, y, z ) R3 / ax + by + cz = 0} Ejemplo 3.1.8. En R3 cualquier plano que no pase por el origen, no es un espacio vectorial sobre R. Ejemplo 3.1.9. El conjunto V = Rn = {(x1 , x2 , . . . , xn ) / xi R} es un espacio vectorial
Walter Arriaga Delgado sobre R con las operaciones usuales de: +: V V RV (, (x1 , x2 , . . . , xn ))
Algebra Lineal
95
V V (x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn )
((x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn )) (x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ) :
Ejemplo 3.1.10. Sea Pn [x] el conjunto de todos los polinomios de grado menor o igual que n y de coecientes reales: Pn [x] = {p(x) = a0 + a1 x + a2 x2 + + an xn , n N, a0 , a1 , . . . , an R}. El conjunto Pn [x] es un espacio vectorial sobre R con las operaciones denidas como: + : Pn [x] Pn [x] Pn [x] (p(x), q (x)) : Dados los polinomios: p(x) = a0 + a1 x + a2 x2 + + an xn Pn [x] R Pn [x] (, p(x)) +(p(x), q (x)) = p(x) + q (x) Pn [x] (, p(x)) = p(x)
q (x) = b0 + b1 x + b2 x2 + + bn xn Pn [x] entonces: p(x) + q (x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + + (an + bn )xn Sea R, entonces: p(x) = a0 + a1 x + a2 x2 + + an xn Ejemplo 3.1.11. Sea F(X, R) el conjunto de todas las funciones f con dominio Dom(f ) = X = y rango Ran(f ) = R. El conjunto F(X, R) es un espacio vectorial sobre R con las operaciones denidas como: + : F(X, R) F(X, R) F(X, R) (f, g) +(f, g) = f + g : X R x (f + g)(x) = f (x) + g(x) : R F(X, R) F(X, R) (, f ) (, f ) = f : X R x (f )(x) = f (x)
96
Algebra Lineal
Ejemplo 3.1.12. Sea C[a, b] el conjunto de todas las funciones continuas de valores reales denidas en el intervalo [a, b]. El conjunto C[a, b] es un espacio vectorial sobre R con las operaciones denidas en el ejemplo anterior. Ejemplo 3.1.13. Sea Mmn el conjunto de todas las matrices, cuyos elementos mi,j R, donde 1 i m, 1 j n. Mmn es un espacio vectorial con las operaciones denidas como: + : Mmn Mmn Mmn (A, B ) : R Mmn (, A) +(A, B ) = A + B Mmn (, A) = A
3.1.1.
Propiedades de los espacios vectoriales
Sea V un espacio vectorial, entonces: a) 0 = 0 para todo escalar . b) 0 x = 0 para todo x V . c) Si x = 0 entonces = 0 o x = 0. d) ()x = (x) para todo x V .
3.2.
Subespacios
Para mostrar que un conjunto de objetos es un espacio vectorial, hemos de ver que se cumplan los diez axiomas del espacio vectorial. Este proceso se puede hacer m as corto si el conjunto de objetos es un subconjunto de un espacio vectorial conocido V . Dentro de un espacio vectorial V , hay subconjuntos que heredan la estructura de V , es decir, que son tambi en espacios vectoriales con la misma operaci on, el mismo elemento neutro y la misma acci on que V . En esta secci on, comenzaremos el estudio de los subconjuntos con esta propiedad. Denici on 3.2.1. Sea V un espacio vectorial y S un subconjunto de V , si S es en s un espacio vectorial bajo las operaciones de suma y multiplicaci on por un escalar denidas en V , entonces se dice que S es un subespacio de V .
Algebra Lineal
97
A continuaci on demostraremos un resultado que hace relativamente sencillo determinar si un subconjunto de V es en realidad un subespacio de V . Teorema 3.2.1. Un subconjunto no vac o S de un espacio vectorial V es un subespacio de V si y solo si se cumplen las siguientes condiciones: 0S Si x, y S , entonces x + y S Si x S , entonces x S para todo escalar Observaci on 3.2.1. 1. Todo subespacio de un espacio vectorial V contiene al 0. 2. Los subconjuntos {0} y V son subespacios de V llamados subespacios triviales. 3. Cualquier subespacio diferente de los triviales se denomina subespacio propio. Ejemplo 3.2.1. Los subespacios de R son los triviales, es decir S1 = {0} y el propio S2 = R, esto quiere decir que R no tiene subespacios propios. Ejemplo 3.2.2. Los subespacios de R2 son los triviales: S1 = {(0, 0)}; S2 = R2 , y los rectas en R2 que pasan por el origen.
subespacios propios de la forma: S3 = {(x, y ) R2 / y = mx} que constituyen el conjunto de
spacios propios de la forma: S3 = {(x, y, z ) R3 / x = at, y = bt, z = ct; a, b, c, t R} que
Ejemplo 3.2.3. Los subespacios de R3 son los triviales: S1 = {(0, 0, 0)}; S2 = R3 ; los subeconstituyen el conjunto de rectas en R3 que pasan por el origen; y los subespacios propios de la forma: S4 = {(x, y, z ) R3 / ax + by + cz = 0; a, b, c R} que constituyen el conjunto de planos en R3 que pasan por el origen.
3.2.1.
Operaciones con subespacios
Dado que los subespacios vectoriales son subconjuntos de V , es l ogico preguntarse cu ales son las operaciones conjuntistas que proporcionan subconjuntos con la misma estructura.
98 a) Intersecci on de subespacios
Algebra Lineal
Dado el espacio vectorial V y dos subespacios S1 y S2 de V , el conjunto de los vectores que pertenecen tanto a S1 como a S2 se conoce como el subespacio intersecci on S1 S2 . Consideremos ahora una familia de subespacios {Si }iI del espacio vectorial V , denotaremos por S =
i=1
Si a la intersecci on de esta familia.
Teorema 3.2.2. La intersecci on de toda familia {Si }iI de subespacios de un espacio vectorial V , es un subespacio de V Demostraci on. Sea S =
i=1
Si la intersecci on de una familia de subespacios de V .
Debemos probar que S es un subespacio de V . En efecto: Como Si es un subespacio de V , entonces 0 Si para todo i I , luego 0 es decir S = nulo.
i=1
Si = S ,
i=1
Si siempre cuenta por lo menos con un elemento: el mencionado vector
Sean x, y S = Si x S = Si y S =
i=1 i=1
i=1
Si , debemos probar que x + y S =
Si .
i=1
Si , entonces x Si para todo i I . Si , entonces y Si para todo i I . Si

i=1
Ahora como x Si y y Si para todo i I , entonces x + y Si , por ser Si un subespacio, luego x + y S = Sean R y x S = Si x S =
i=1
i=1
Si , debemos probar que a S =
Si .
i=1
Si , entonces x Si para todo i I ; y sea K , se tiene que x Si Si

i=1
para todo i I , por ser Si un subespacio, luego S = Por lo tanto S =

i=1
Si es un subespacio de V .
Ejemplo 3.2.4. Sea el espacio vectorial V = R2 , consideremos los subespacios: T = {(x, y ) R2 / y = 0} = eje X H = {(x, y ) R2 / x = 0} = eje Y luego el conjunto formado por la intersecci on de T y H esta dado por: S = T H = {(x, y ) R2 / y = 0 x = 0} = (0, 0), que representa el subespacio trivial de R2
Algebra Lineal
99
Ejemplo 3.2.5. Sea el espacio vectorial V = R2 , se sabe que todas las rectas que pasan por el origen son subespacios de R2 . Adem as S =
i=1
Si = {0}, que constituye el subespacio trivial
on de todos los subespacios propios de R2 , es de R2 . De esta manera, se tiene que la intersecci el subespacio trivial {0} de R2 .
S5
S4
S3 S2 S1
Ejemplo 3.2.6. Sea el espacio vectorial V = R3 , consideremos los subespacios: T = {(x, y, z ) R3 / z = 0} = plano XY
H = {(x, y, z ) R3 / x = 0} = plano Y Z
luego el subespacio formado por la intersecci on de T y H esta dado por: S = T H = {(x, y, z ) R3 / x = 0 z = 0} = {(0, y, 0) R3 / y R} = eje Y .
100
Algebra Lineal
H 0 T X Ejemplo 3.2.7. Sea el espacio vectorial V = R3 , consideremos los subespacios: S1 = {(x, y, z ) R3 / z = 0} = plano XY T H
S3 = {(x, y, z ) R3 / x = 0} = plano Y Z
S2 = {(x, y, z ) R3 / y = 0} = plano XZ
luego el subespacio formado por la intersecci on de S1 , S2 y S3 esta dado por: S = S1 S2 S3 = {(x, y, z ) R3 / x = 0 y = 0 z = 0} = (0, 0, 0), que corresponde al subespacio trivial de R3 .
b) Uni on de subespacios La uni on de subespacios de V no es, en general, subespacio de V Ejemplo 3.2.8. Sea el espacio vectorial V = R2 , consideremos los subespacios: T = {(x, y ) R2 / y = 0} = eje X H = {(x, y ) R2 / x = 0} = eje Y luego el conjunto formado por la uni on de T y H esta dado por: T H = {(x, y ) R2 / y = 0 x = 0}, que representa la uni on de los dos ejes X e Y . H 1 b 0 a 1 (1, 1) T
Walter Arriaga Delgado ahora: sea a = (1, 0) T H sea b = (0, 1) T H
Algebra Lineal
101
sin embargo, a + b = (1, 0) + (0, 1) = (1, 1) / T H por lo tanto T H no es un subespacio de V . Ejemplo 3.2.9. Sea el espacio vectorial V = R2 , ahora consideremos los subespacios: T = {(x, y ) R2 / y = x}
H = {(x, y ) R2 / y = x} luego el conjunto formado por la uni on de T y H esta dado por: T H = {(x, y ) R2 / y = 0 x = 0}, que representa la uni on de los dos ejes X e Y . H (0, 2) (1, 1) 1 b a 1 T (1, 1)
1 0
ahora: sea a = (1, 1) T H sea b = (1, 1) T H sin embargo, a + b = (1, 1) + (1, 1) = (0, 2) / T H por lo tanto T H no es un subespacio de V . Como en la uni on de subespacios no se preserva la estructura de subespacio, se precisa una operaci on alternativa que recoja de alguna manera la idea de agregaci on y que mantenga la estructura de espacio vectorial. Esta operaci on es la suma de conjuntos. c) Suma de subespacios Denici on 3.2.2. Sean S1 y S2 dos subespacios del espacio vectorial V , se llama suma de los subespacios S1 y S2 al conjunto denido por: S = S1 + S2 = {x V / x = x1 + x2 , x1 S1 , x2 S2 }
102
Algebra Lineal
Teorema 3.2.3. La suma de dos subespacios de V es un subespacio de V . Demostraci on. Sean S1 y S2 dos subespacios de V , debemos probar que S = S1 + S2 es un subespacio de V . 0 S , pues 0 = 0 + 0
S1
S2
Sean x, y S = S1 + S2 , debemos probar que x + y S = S1 + S2 . Si x S = S1 + S2 , entonces x = x1 + x2 con x1 S1 , x2 S2 Si y S = S1 + S2 , entonces y = y1 + y2 con y1 S1 , y2 S2 Adem as, x1 + y1 S1 y x2 + y2 S2 por ser S1 y S2 subespacios de V . Ahora x + y = (x1 + x2 ) + (y1 + y2 ) = (x1 + y1 ) + (x2 + y2 ), luego x + y S = S1 + S2
S1 S2
Sean R y x S = S1 + S2 , debemos probar que a S = S1 + S2 . Si x S = S1 + S2 , entonces x = x1 + x2 con x1 S1 , x2 S2 sea K , se tiene que: x1 S1 y x2 S2 por ser S1 y S2 subespacios de V . Ahora x = (x1 + x2 ) = x1 + x2 , luego x S = S1 + S2
S1 S2
Por lo tanto S = S1 + S2 es un subespacio de V . De manera general, dado {Si }i=1,n una familia de subespacios del espacio vectorial V , denimos la suma de estos subespacios como:
n n
S=
i=1
Si =
xV /x=
i=1
xi , xi Si , i = 1, n
Corolario 3.2.1. La suma de cualquier n umero nito de subespacios de V es un subespacio de V . Ejemplo 3.2.10. Sea el espacio vectorial V = R2 , consideremos los subespacios: T = {(x, y ) R2 / y = 0} = eje X H = {(x, y ) R2 / x = 0} = eje Y luego el subespacio suma est a dado por: S = {(x, y ) R2 / (x, y ) = (x, 0) + (0, y )} = T + H = R2 , es decir S = T + H = R2
Algebra Lineal
103
Ejemplo 3.2.11. Sea el espacio vectorial V = R3 , consideremos los subespacios: T = {(x, y, z ) R3 / y = 0} = plano XZ luego el subespacio suma esta dado por: S = {(x, y, z ) R3 / (x, y, z ) = (x1 , 0, z1 ) + (0, y2 , z2 )} = T + H = R3 . Z H T
H = {(x, y, z ) R3 / x = 0} = plano Y Z
0 X
Observaci on 3.2.2. La intersecci on S T es un subespacio mas peque no que S y T (est a contenido en S y tambi en en T ). Por el contrario la suma S + T es un subespacio mas grande 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. Al contrario que la interseccion, la suma S + T se calcula mas facilmente usando la forma param etrica de S y de T . Esto nos permite tomar un vector gen erico de cada uno de los subespacios y sumarlos, obteni endose una expresion param etrica de S + T . No obstante la forma param etrica asi obtenida puede tener par ametros no independientes. M as adelante, se dar a otro m etodo para calcular el subespacio suma. Ejemplo 3.2.12. Consideremos los subespacios en R3 dados en forma param etrica por: H = {(, + , ) : , R}
104 K = {(0, 0, ) : R}
Algebra Lineal
Entonces los elementos de H +K se formaran sumando (, +, )+(0, 0, ) = (, +, + ), es decir, H + K = {(, + , + ) : , , R} d) Suma Directa de subespacios Denici on 3.2.3. Sea V un espacio vectorial y S1 , S2 subespacios vectoriales de V . Se dice que S es suma directa de S1 y S2 y se denotar a por S = S1 S2 si y s olo si verica que: S = S1 + S2 S1 S2 = {0} De manera general, si la suma de un n umero nito de subespacios {Si }i=1,n de V
n n
S=
i=1
Si =
xV /x=
i=1
xi , xi Si , i = 1, n
donde tales subespacios son disjuntos dos a dos, es decir para i = j se tiene que Si Sj = {0}, entonces decimos que S es la suma directa de todos ellos y se expresar a como: S = S1 S2 S3 Sn Denici on 3.2.4. Dos subespacios S1 y S2 de un mismo espacio vestorial V se dicen suplementarios entre s , si V = S1 S2 . Observaci on 3.2.3. Dados dos subespacios suplementarios S1 y S2 de V , todo vector de V se descompone de forma u nica como suma de un vector de S1 y otro de S2 . Ejemplo 3.2.13. En el ejemplo (3.2.11) se tiene que S = H + T = R3 , sin embargo, T H = 0, en efecto, sea (x, y, z ) T H entonces (x, y, z ) T (x, y, z ) H , si (x, y, z ) T entonces y = 0 y si (x, y, z ) H entonces x = 0, luego se tiene que la intersecci on T H = {(0, 0, z )} = eje Z . Por tanto R3 = S = T H .
Ejemplo 3.2.14. Sea el espacio vectorial V = R3 , y considemos los subespacios: S1 = {(x, y, z ) R3 / z = 0} = plano XY
S3 = {(x, y, z ) R3 / x = 0} = plano Y Z es f acil observar que:
S2 = {(x, y, z ) R3 / y = 0} = plano XZ
Algebra Lineal
105
S1 S2 = (x, 0, 0) = eje X , por tanto R3 = S1 S2 S1 S3 = (0, y, 0) = eje Y , por tanto R3 = S1 S3 S2 S3 = (0, 0, z ) = eje Z , por tanto R3 = S2 S3
S1 S2 S3 = (0, 0, 0), por tanto R3 = S1 S2 S3
3.2.2.
Combinaciones lineales
Denici on 3.2.5. Sean v1 , v2 , . . . , vn , elementos del espacio vectorial V . Se dice que v V es combinaci on lineal de estos vectores si existen escalares 1 , 2 , . . . , n K, tales que:
n
v = 1 v1 + 2 v2 + + n vn =
i vi
i=1
As , v es combinaci on lineal de vectores de A = {v1 , v2 , . . . , vn }, si podemos expresar v como una suma de m ultiplos de una cantidad nita de elementos de A. Ejemplo 3.2.15. El vector v = (20, 12, 37) es una combinaci on lineal de los vectores v1 = (1, 3, 5) y v2 = (6, 2, 9), puesto que: (20, 12, 37) = 2(1, 3, 5) + 3(6, 2, 9) Ejemplo 3.2.16. En la ecuaci on: 2x + 3y 2z = 0, se dice que z es combinaci on lineal de x 3 y de y , porque podemos escribir z = x + y sin m as que despejar z . De la misma manera, 2 despejando oportunamente, cada una de estas variables se podr a expresar como combinaci on lineal de las otras dos. El siguiente es el segundo resultado importante: Si x1 , x2 , . . . , xn son las inc ognitas de un sistema cuya matriz de coecientes es A y cuyo vector de constantes es b, siendo tambi en a1 , a2 , . . . , an las columnas de A entonces: Ax = b x1 a1 + x2 a2 + + xn an = b
Es decir, el sistema tiene soluci on si y s olo si b es una combinaci on lineal de las columnas de la matriz A. La soluci on del sistema es el vector formado por coecientes de la combinaci on lineal de las columnas de A que dan b.
3.2.3.
Sistemas de generadores
Denici on 3.2.6. Se dice que los vectores v1 , v2 , . . . , vn , de un espacio vectorial V , generan a V si todo vector de V se puede escribir como una combinaci on lineal de ellos. Es decir, para
106
Algebra Lineal
todo v V , existen escalares 1 , 2 , . . . , n , tales que: v = 1 v1 + 2 v2 + + n vn =
i vi
i=1
Denici on 3.2.7. Sean v1 , v2 , . . . , vk , k vectores de un espacio vectorial V . El espacio generado por {v1 , v2 , . . . , vk } es el conjunto de combinaciones lineales de v1 , v2 , . . . , vk , es decir; L{v1 , v2 , . . . , vk } = {v V / 1 v1 + 2 v2 + + k vk } Observaci on 3.2.4. Para denotar un espacio generado por un conjunto de vectores v1 , v2 , . . . , vk , de un espacio vectorial V , usaremos cualquiera de las siguientes formas: L{v1 , v2 , . . . , vk } = v1 , v2 , . . . , vk = gen{v1 , v2 , . . . , vk } Teorema 3.2.4. Si v1 , v2 , . . . , vk son vectores de un espacio vectorial V , entonces L{v1 , v2 , . . . , vk } es un subespacio de V .
3.2.4.
Dependencia e independencia lineal
Los siguientes conceptos son fundamentales para el estudio de los espacios vectoriales, ya que la idea de independencia lineal nos llevar a a las deniciones de base, rango, dimensi on, etc., de capital importancia para dicho estudio. A partir de estos conceptos podremos profundizar en el an alisis de estas estructuras algebraicas, encontrando formas alternativas de representaci on y caracterizando los posibles subconjuntos del espacio vectorial que conservan las mismas propiedades. Denici on 3.2.8. Sean v1 , v2 , . . . , vn , n vectores de un espacio vectorial V ; se dice que los vectores son linealmente dependientes (LD) si existen n escalares 1 , 2 , . . . , n no todos ceros tales que:
n i=1
i vi = 1 v1 + 2 v2 + + n vn = 0
N otese que el s mbolo a la derecha del signo igual no es cero, sino que simboliza al vector nulo. Denici on 3.2.9. Sean v1 , v2 , . . . , vn , n vectores de un espacio vectorial V ; se dice que los vectores son linealmente independientes (LI) si y s olo si:
n i=1
i vi = 1 v1 + 2 v2 + + n vn = 0
i = 0,
i = 1, 2, . . . , n
Algebra Lineal
107
Si los vectores no son linealmente dependientes, se dice que son linealmente independientes. Un conjunto de vectores es linealmente independiente si ninguno de ellos puede ser escrito como una combinaci on lineal de los restantes. En R3 , si consideramos que todos los vectores salen del origen la dependencia lineal es f acil de visualizar: Dos vectores son linealmente dependientes si est an en la misma recta. Tres vectores son linealmente dependientes si est an en el mismo plano.
3.2.5.
Bases y Dimensi on
Denici on 3.2.10. Sea B = {v1 , v2 , . . . , vn } un subconjunto del espacio vectorial V . Se dice que B es una base de V si y s olo si: B es linealmente independiente. B es un sistema de generadores de V . Denici on 3.2.11. Dado el espacio vectorial V . Si V = {0}, entonces dim V = 0. Si V tiene una base nita y tiene n vectores, entonces dim V = n. En este caso se dice que V es un espacio vectorial de dimensi on nita. Si V es generado por una base innita, entonces dim V = . En este caso se dice que V es un espacio vectorial de dimensi on innita. Ejemplo 3.2.17. Si V = {0}, entonces dim V = 0. Si V = R, entonces dim V = 1. Si V = R2 , entonces dim V = 2. una base de R2 es: B = {(1, 0), (0, 1)} = {e1 , e2 } Si V = R3 , entonces dim V = 3. Si V = Rn , entonces dim V = n.
108
Algebra Lineal Si V = Mmn , entonces dim V = mn. Si V = Mnn , entonces dim V = n2 . Si V = Pn [x], entonces dim V = n + 1. una base de Pn [x] es: B = {1, x, x2 , . . . , xn } Si V = (R, +, , Q), entonces dim V = .
Algebra Lineal
109

I. Espacios Vectoriales
2.
Vericar si el conjunto dado es un espacio vectorial. 1. En el conjunto V = R2 se denen las siguientes operaciones: +: : V V KV V
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (x2 + y1 , x1 + y2 ) (, (x1 , x2 )) V (x1 , x2 ) = (x1 , x2 )
Vericar si (V, +, , R) es un espacio vectorial. Demostraci on. A1 Sea a = (x1 , x2 ) V x1 , x2 R; sea b = (y1 , y2 ) V y1 , y2 R
R R
Luego: a + b = (x1 , x2 )+(y1 , y2 ) = (x2 + y1 , x1 + y2 ) V , cumple la cerradura.
A2 Sea a = (x1 , x2 ) V , sea b = (y1 , y2 ) V , entonces: a + b = (x1 , x2 ) + (y1 , y2 ) = (x2 + y1 , x1 + y2 )
b + a = (y1 , y2 ) + (x1 , x2 ) = (y2 + x1 , y1 + x2 ) Como a + b = b + a, entonces no cumple con el axioma de la conmutatividad, por lo tanto V no es espacio vectorial. 2. En el conjunto V = R2 se denen las siguientes operaciones: +: : V V KV V
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (x2 + y2 , x1 + y1 ) (, (x1 , x2 )) V (x1 , x2 ) = (x1 , x2 )
Vericar si (V, +, , R) es un espacio vectorial. Demostraci on. A1 Sea a = (x1 , x2 ) V x1 , x2 R; sea b = (y1 , y2 ) V y1 , y2 R
R R
Luego: a + b = (x1 , x2 )+(y1 , y2 ) = (x2 + y2 , x1 + y1 ) V , cumple la cerradura.
110
Algebra Lineal A2 Sea a = (x1 , x2 ) V , sea b = (y1 , y2 ) V , entonces: (y1 , y2 ) + (x1 , x2 ) = b + a
a + b = (x1 , x2 ) + (y1 , y2 ) = (x2 + y2 , x1 + y1 ) = (y2 + x2 , y1 + x1 ) =
A3 Sea a = (x1 , x2 ) V , sea b = (y1 , y2 ) V , sea c = (z1 , z2 ) V , entonces: (a + b) + c = [(x1 , x2 ) + (y1 , y2 )] + (z1 , z2 ) = (x2 + y2 , x1 + y1 ) + (z1 , z2 ) = ((x1 + y1 ) + z2 , (x2 + y2 ) + z1 ) a + (b + c) = (x1 , x2 ) + [(y1 , y2 ) + (z1 , z2 )] = (x1 , x2 ) + (y2 + z2 , y1 + z1 ) = (x2 + (y1 + z1 ) , x1 + (y2 + z2 )) Como (a + b)+ c = a + (b + c), entonces no cumple con el axioma de la asociatividad, por lo tanto V no es espacio vectorial. II. Subespacios Vericar si los siguientes conjuntos son subespacios de V . 1. V = R2 ; S = {(x, y ) R2 / y = x} Demostraci on. Y S
(0, 0) S si a = (x1 , y1 ) S , entonces x1 = y1 si b = (x2 , y2 ) S , entonces x2 = y2 Dados a, b S , debemos probar que a + b S .
luego se tiene que x1 + x2 = y1 + y2 , de donde: a + b = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) S Dado R y a S , debemos probar que a S . si a = (x1 , y1 ) S , entonces x1 = y1
Algebra Lineal
111
multiplicando por R a ambos miembros se tiene: x1 = y1 , de donde: a = (x1 , y1 ) = (x1 , y1 ) S Por lo tanto S es un subespacio de V . 2. V = R2 ; S = {(x, y ) R2 / x + y = 1} Demostraci on.
Y 1 0 1 X
(0, 0) S Por lo tanto S no es un subespacio de V . 3. V = R2 ; S = {(x, y ) R2 / y = mx} Demostraci on. (0, 0) S si a = (x1 , y1 ) S , entonces y1 = mx1 si b = (x2 , y2 ) S , entonces y2 = mx2 Dados a, b S , debemos probar que a + b S .
luego se tiene que y1 + y2 = m(x1 + x2 ), de donde: a + b = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) S Dado R y a S , debemos probar que a S . si a = (x1 , y1 ) S , entonces y1 = mx1 de donde: multiplicando por R a ambos miembros se tiene: y1 = mx1 = m(x1 ), a = (x1 , y1 ) = (x1 , y1 ) S Por lo tanto S es un subespacio de V . 4. V = R2 ; S = {(x, y ) R2 / x Z} Demostraci on.
112
Algebra Lineal
5 4 3 2 1 0 1 2 3 4 5 X
(0, 0) S si a = (x1 , y1 ) S , entonces x1 Z si b = (x2 , y2 ) S , entonces x2 Z Dados a, b S , debemos probar que a + b S .
a + b = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) S Dado R y a S , debemos probar que a S . multiplicando por R se tiene que: x1 R y no a Z, de donde: a = (x1 , y1 ) = (x1 , y1 ) /S Por lo tanto S no es un subespacio de V . 5. V = R2 ; S = {(x, y ) R2 / y x} Demostraci on. Y si a = (x1 , y1 ) S , entonces x1 Z
luego se tiene que x1 + x2 Z, de donde:
(0, 0) S si a = (x1 , y1 ) S , entonces y1 x1 si b = (x2 , y2 ) S , entonces y2 x2 Dados a, b S , debemos probar que a + b S .
luego se tiene que y1 + y2 x1 + x2 , de donde:
a + b = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) S
Algebra Lineal
113
Dado R y a S , debemos probar que a S . a = 1(1, 1) = (1, 1) S .
sin embargo, para a = (1, 1) S , y para = 1, se tiene que: Por lo tanto S no es un subespacio de V . 6. V = R3 ; S = {(x, y, z ) R3 / 3x + 2y + z = 0} Demostraci on. (0, 0, 0) S si a = (x1 , y1 , z1 ) S , entonces 3x1 + 2y1 + z1 = 0 si b = (x2 , y2 , z2 ) S , entonces 3x2 + 2y2 + z2 = 0 luego sumando miembro a miembro se tiene que: 3(x1 + x2 ) + 2(y1 + y2 ) + (z1 + z2 ) = 0, de donde: a + b = (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) S Dado R y a S , debemos probar que a S . multiplicando por R a ambos miembros se tiene: (3x1 + 2y1 + z1 ) = 0, es decir, 3x1 + 2y1 + z1 ) = 0, de donde: a = (x1 , y1 , z1 ) = (x1 , y1 , z1 ) S Por lo tanto S es un subespacio de V . 7. V = Rn ; S = {(x1 , x2 , x3 , . . . , xn ) Rn / x1 x2 = 0} Demostraci on. (0, 0, 0, . . . , 0) S sin embargo, si consideramos: a = (1, 0, 0, . . . , 0) S , y b = (0, 1, 0, . . . , 0) S , observamos que: a + b = (1, 0, 0, . . . , 0) + (0, 1, 0, . . . , 0) = (1, 1, 0, . . . , 0), de donde: a + b S Por lo tanto S no es un subespacio de V . 8. V = Mnn ; S = {A Mnn / Traz(A) = 0} Demostraci on. 0 S , pues la matriz nula tiene traza nula. Sean A y B dos matrices cualesquiera de S , debemos probar que A + B S .
n
Dados a, b S , debemos probar que a + b S .
si a = (x1 , y1 , z1 ) S , entonces 3x1 + 2y1 + z1 = 0
Dados a, b S , debemos probar que a + b S .
si A S , entonces Traz(A) = si B S , entonces Traz(B ) =
aii = 0
i=1 n
bii = 0
i=1
114
Algebra Lineal luego sumando miembro a miembro se tiene que:

n n n
0=0+0=
i=1
aii +
i=1
bii =
i=1
(aii + bii ) = Traz(A + B ),
de donde: A + B S
Dado R y A S , debemos probar que A S .

n
si A S , entonces Traz(A) =
n n
aii = 0
i=1
multiplicando por R a ambos miembros se tiene que: 0=0= aii =

i=1 i=1
(aii ) = Traz(A),
de donde: A S
Por lo tanto S es un subespacio de V . 9. V = Rn ; sea W un subespacio de Rn . El conjunto W = {v Rn / v u = 0, u W } es un subespacio de Rn . En efecto Como v = (0, 0, 0, . . . , 0) Rn cumple con v u = 0, u W , entonces 0 W . Si v1 W , entonces v1 u = 0, u W Si v2 W , entonces v2 u = 0, u W Dados v1 , v2 W , debemos probar que v1 + v2 W .
luego (v1 + v2 ) u = v1 u + v2 u = 0 + 0 = 0, por tanto v1 + v2 W . Si v1 W , entonces v1 u = 0, u W Dado R y v W , debemos probar que v W .
luego (v ) u = (v u) = 0 = 0, por tanto v W .
Por lo tanto W es un subespacio denominado subespacio ortogonal de W . III. Operaciones con subespacios 1. Dados los subespacios U , W , T de un espacio vectorial V . Demostrar que: (U T ) + (U W ) U (T + W ) Demostraci on. Sea x [(U T ) + (U W )], entonces por denici on de suma de x1 U x1 T x1 T x2 W
conjuntos se tiene: x = x1 + x2 , donde x1 U T , x2 U W , luego:
ahora como x1 T , x2 W entonces x = x1 + x2 T + W , por se r T y W
subespacios de V . Adem as, como x1 U , x2 U entonces x = x1 + x2 U + U = U .
Algebra Lineal
115
Entonces se tiene que x U y x T + W , entonces x U (T + W ). Por lo tanto 2. Sean W1 y W2 subespacios de V = R2 , donde: W2 = {(x, y ) R2 / x = 0} Probar que: V = W1 W2 Demostraci on. W1 = {(x, y ) R2 / y = 0} se cumple que: (U T ) + (U W ) U (T + W )
Probemos que: R2 = W1 + W2 En efecto, todo elemento (x, y ) R2 , puede ser expresado como: (x, y ) = (x, 0) + (0, y )
W1 W2
luego R2 = W1 + W2 Probemos que: W1 W2 = (0, 0) Sea (x, y ) W1 W2 = (x, y ) W1 = y = 0 de donde: W1 W2 = (0, 0) = (x, y ) = (0, 0) Por lo tanto V = R2 = W1 W2 W1 = {(x, y ) R2 / y = x} (x, y ) W2 x=0
3. Sean W1 y W2 subespacios de V = R2 , donde: W2 = {(x, y ) R2 / y = x} Probar que: V = W1 W2 Demostraci on.
Probemos que: R2 = W1 + W2 En efecto, todo elemento (x, y ) R2 , puede ser expresado como: (x, y ) = x+y x+y , 2 2
W1
x+y yx , 2 2
W2
luego R2 = W1 + W2 Probemos que: W1 W2 = (0, 0) Sea (x, y ) W1 W2 = (x, y ) W1 = y = x (x, y ) W2 y = x
= x = x, es decir, x = y = 0 = (x, y ) = (0, 0)
116
Algebra Lineal de donde: W1 W2 = (0, 0) Por lo tanto V = R2 = W1 W2 4. Sean W1 y W2 subespacios de V = F(R, R), donde: Wp = {f F(R, R) / f es par : f (x) = f (x), x R} Probar que: V = Wp Wi Demostraci on.
Wi = {f F(R, R) / f es impar : f (x) = f (x), x R}
Probemos que: V = Wp + Wi En efecto, todo elemento f (x) V = F(R, R), puede ser expresado como: f (x) = 1 1 f (x) + f (x) + f (x) f (x) 2 2
Wp Wi
luego V = Wp + Wi Probemos que: Wp Wi = 0 Sea f (x) Wp Wi = (x, y ) Wp (x, y ) Wi
= f (x) = f (x) f (x) = f (x) = f (x) = f (x), es decir, 2f (x) = 0 = f (x) = 0 de donde: Wp Wi = 0 Por lo tanto V = F(R, R) = Wp Wi 5. Sean W1 y W2 subespacios de V = Mnn , donde: W1 = {A Mnn / A = At } Probar que: V = W1 W2 Demostraci on. W2 = {A Mnn / A = At }
Probemos que: V = W1 + W2 En efecto, todo elemento A V = Mnn , puede ser expresado como: A= 1 1 A + AT + A AT 2 2
W1 W2
luego V = W1 + W2
Algebra Lineal
117
Probemos que: W1 W2 = 0 Sea A W1 W2 = A W1 = A = AT = A = 0 de donde: W1 W2 = 0 Por lo tanto V = Mnn = W1 W2 IV. Combinaciones lineales 1. Indique si el vector v es combinaci on lineal de los vectores v1 , v2 y v3 . Donde: v = (6, 3), v1 = (6, 2), v2 = (24, 8), v3 = (24, 8) Soluci on: Debemos vericar si existen escalares 1 , 2 y 3 tales que:
3
A W2
A = AT
= A = A, es decir, 2A = 0
v=
i=1
i vi = 1 v1 + 2 v2 + 3 v3
(3.1)
Sustituyendo los vectores, la relaci on anterior queda: (6, 3) = 1 (6, 2) + 2 (24, 8) + 3 (24, 8) constru mos la matriz aumentada y usamos la eliminaci on Gaussiana: 6 24 24 6 2 8 8 3 = 1 4 4 0 0 0 0
como el sistema anterior es inconsistente, no existen 1 , 2 y 3 que cumpla la igualdad (3.1), por lo tanto, el vector v no es combinaci on lineal de los vectores v1 , v2 y v3 . 2. Indique si el vector v es combinaci on lineal de los vectores v1 y v2 . Donde: v = (38, 41, 29), v1 = (6, 5, 1), v2 = (2, 4, 6)
Soluci on: Debemos vericar si existen escalares 1 y 2 tales que:

2
v=
i=1
i vi = 1 v1 + 2 v2
(3.2)
Sustituyendo los vectores, la relaci on anterior queda: (38, 41, 29) = 1 (6, 5, 1) + 2 (2, 4, 6)
118
Algebra Lineal constru mos la matriz aumentada y usamos la 6 2 38 5 4 41 = 1 6 29 1 = 5 y 2 = 4 tal que se cumple: (38, 41, 29) = 5(6, 5, 1) + 4(2, 4, 6)
Walter Arriaga Delgado eliminaci on Gaussiana: 1 0 5 0 1 4 0 0 0
como el sistema anterior es consistente, entonces existen los escalares 1 y 2 , siendo
por lo tanto, el vector v es combinaci on lineal de los vectores v1 y v2 . V. Dependencia e independencia lineal 1. Si el conjunto de vectores {u, v, w} son LI, determinar si el conjunto de vectores Soluci on: {u + 2v 3w, 2u + v w, 3u + 5v 6w} son LI o LD.
(u + 2v 3w) + (2u + v w) + (3u + 5v 6w) = 0 ( + 2 + 3 )u + (2 + + 5 )v + (3 6 )w = 0 como {u, v, w} son LI entonces: + 2 + 3 = 0 1 2 3 2 + + 5 = 0 3 6 = 0
de donde se obtiene que = 0, = 0 y = 0. Por lo tanto el conjunto de vectores {u + 2v 3w, 2u + v w, 3u + 5v 6w} son LI
0 1 2 3 0 1 2 3 0 1 2 3 0 0 3 1 0 0 1 1/3 0 0 1 1/3 0 2 1 5 0 3 1 6 0 0 5 3 0 0 5 3 0 0 0 4/3 0
2. Si los vectores {u + v , v + 2w , u 3w} son LI, demostrar que {4u + 2v 7w , 3v + 7w , w u v } son LI Soluci on:
Sean x = u + v , y = v + 2w, z = u 3w, luego: 4u + 2v 7w = a(u + v ) + b(v + 2w) + c(u 3w) = (a + c)u + (a + b)v + (2b 3c)w a + c = 4 de donde: a + b = 2 2b 3c = 7
Algebra Lineal
119
resolviendo el sistema se obtiene a = 1, b = 1, c = 3, luego: 4u + 2v 7w = (u + v ) + (v + 2w) + 3(u 3w) = x + y + 3z 3v + 7w = a(u + v ) + b(v + 2w) + c(u 3w) = (a + c)u + (a + b)v + (2b 3c)w a+c=0 de donde: a + b = 3 2b 3c = 7 resolviendo el sistema se obtiene a = 1, b = 2, c = 1, luego: 3v + 7w = (u + v ) + 2(v + 2w) (u 3w) = x + 2y z w u v = a(u + v ) + b(v + 2w) + c(u 3w) = (a + c)u + (a + b)v + (2b 3c)w a + c = 1 de donde: a + b = 1 2b 3c = 1 resolviendo el sistema se obtiene a = 0, b = 1, c = 1, luego: 3v + 7w = 0(u + v ) (v + 2w) (u 3w) = y z luego el problema se traduce a lo siguiente: Si x, y , z son LI, demostrar que x + y + 3z , x + 2y z , y z son LI. en efecto (x + y + 3z ) + (x + 2y z ) + (y z ) = 0 ( + )x + ( + 2 )y + (3 )z = 0 + =0 LI, entonces + 2 = 0 3 = 0 1 1 0 0 1 1 0 0 1 0 0 2 1 0 0 1 1 0 0 1 1 0 1 1 0 0 4 1 0 0 0 5 0
como x, y , z son 1 1 3
de donde se obtiene que = 0, = 0 y = 0. Por lo tanto el conjunto de vectores {x + y + 3z , x + 2y z , y z } = {4u + 2v 7w , 3v + 7w , w u v } son LI
120
Algebra Lineal

I. Espacios Vectoriales:
2.
Vericar si el conjunto dado es un espacio vectorial. Si no lo es, d e una lista de los axiomas que no se cumplen. 1) V = {(x, y ) R2 / x + y = 2}, con las operaciones usuales de R2 . 2) V = {(x, y ) R2 / x y }, con las operaciones usuales de R2 . 3) V = {(x, y ) R2 / x y Z}, con las operaciones usuales de R2 . 4) V = {(x, y ) R2 / y 5}, con las operaciones usuales de R2 . 5) V = {(x, y ) R2 / xy = 0}, con las operaciones usuales de R2 . 6) V = {(x, y ) R2 / |x| + |y | 1}, con las operaciones usuales de R2 . 7) V = {(t, 2t, et ), t R}, con las operaciones usuales de R3 . 8) V = {(x, y, z ) R3 / x + y = z }, con las operaciones usuales de R3 . 9) En el conjunto V = R2 se denen las siguientes operaciones: +: : V V KV V V Rpta. No Rpta. No Rpta. No Rpta. No Rpta. Si Rpta. No Rpta. No Rpta. Si
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (x2 + y2 , x1 + y1 ) (, (x1 , x2 )) (x1 , x2 ) = (x1 , x2 )
Vericar si (V, +, , R) es un espacio vectorial. 10) En el conjunto V = R2 se denen las siguientes operaciones: +: : V V KV V
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (x1 y1 , x2 y2 ) (, (x1 , x2 )) V (x1 , x2 ) = (x1 , x2 )
Vericar si (V, +, , R) es un espacio vectorial. 11) En el conjunto V = R2 se denen las siguientes operaciones: +: : V V KV V V x1 y 1 x2 y 2 + , + 2 2 2 2
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (, (x1 , x2 ))
(x1 , x2 ) = (x1 , x2 )
Vericar si (V, +, , R) es un espacio vectorial.
Algebra Lineal
121
12) En el conjunto V = R2 se denen las siguientes operaciones: +: : V V KV V V
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ) (, (x1 , x2 )) (x1 , x2 ) = (x1 , 0)
Vericar si (V, +, , R) es un espacio vectorial. 13) En el conjunto V = R2 se denen las siguientes operaciones: +: : V V KV V V
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ) (, (x1 , x2 )) (x1 , x2 ) = (x1 , x2 )
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 + 1, x2 + y2 + 1) (, (x1 , x2 )) (x1 , x2 ) = (x1 , x2 )
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ) (, (x1 , x2 )) (x1 , x2 ) = (2x1 , 3x2 )
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ) (, (x1 , x2 )) (x1 , x2 ) = (2 x1 , 2 x2 )
Vericar si (V, +, , R) es un espacio vectorial.
122
Algebra Lineal 17) En el conjunto V = R2 se denen las siguientes operaciones: +: : V V KV V
((x1 , x2 ), (y1 , y2 )) (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ) (, (x1 , x2 )) (x1 , x2 ) = (1 x1 2 x2 , 2 x1 + 1 x2 ) V
Vericar si (V, +, , C) es un espacio vectorial, donde = 1 + 2 i. 18) Vericar que V = {A R22 / Traz(A) = 0} es un espacio vectorial sobre R con las operaciones de R22 operaciones de R22 19) Vericar que V = {A R22 / At = A} es un espacio vectorial sobre R con las 20) En el conjunto V = R+ se denen las siguientes operaciones: : R+ R+ R+ (x, y ) : K R+ R+
(x, y ) = x y = x y
(, x)
(, x) = x = x
potencia usuales en R+ . II. Subespacios:
Vericar si (V, , , R) es un espacio vectorial, donde x y y x son el producto y la
1) Encontrar un subconjunto no vac o de R2 que sea cerrado para la suma y para la resta pero no para la multiplicaci on por escalares. 2) Encontrar un subconjunto no vac o de R2 que sea cerrado para la multiplicaci on por escalares pero no para la suma. Vericar si los siguientes conjuntos son subespacios de V . 3) Cuando el espacio vectorial es: V = R2 1.1) S = {(x, y ) R2 / y = 5x} 1.2) S = {(x, y ) R2 / y Z} 1.4) S = {(x, y ) R2 / x y } 1.3) S = {(x, y ) R2 / y = 2x + 1} 1.5) S = {(x, y ) R2 / (x + y )2 = (x y )2 } y x 1.6) S = {(x, y ) R2 / + y = x } 2 2 4) Cuando el espacio vectorial es: V = R3 2.1) S = {(x, y, z ) R3 / x + z = 0} Rpta. Si Rpta. No Rpta. No Rpta. No Rpta. Si Rpta. Si
Algebra Lineal
123
2.2) S = {(x, y, z ) R3 / |x| = |y |}
2.4) S = {(x, y, z ) R3 / x = z = 0} 2.6) S = {(x, y, z ) R3 / xyz = 0} 2.7) S = {(x, y, z ) R3 / z = x3 }
2.3) S = {(x, y, z ) R3 / z = x + 2}
2.5) S = {(x, y, z ) R3 / x2 + y = 0}
2.8) S = {(x, y, z ) R3 / x y z } 2.10) S = {(x, y, z ) R3 / z = 3x + 2y } 2.12) S = {(x, y, z ) R3 / |x + y | = z } 2.9) S = {(x, y, z ) R3 / x = y = z }
2.11) S = {(x, y, z ) R3 / x = y z = 2} 2.13) S = {(x, y, z ) R3 / x + y z = 0 x + 2y + 3z = 0} 5) Cuando el espacio vectorial es: V = Rn 3.1) S = {(x1 , x2 , . . . , xn ) Rn / x1 > 0}
n
3.2) S = {(x1 , x2 , . . . , xn ) Rn / xn Z} 3.3) S = {(x1 , x2 , . . . , xn ) Rn /

i=1
i xi = 0 i R}
6) Cuando el espacio vectorial es: V = Pn [x] 4.1) n = 2, 4.2) n = 2, 4.3) n = 3, 4.4) n = 3, 4.5) n = 4, S = {p(x) Pn [x] / p(0) = 0} S = {p(x) Pn [x] / p (0) = 0} S = {p(x) Pn [x] / p(0) = p(1) = p(1) = 0} S = {p(x) Pn [x] / p(0) = 1} S = {p(x) Pn [x] / p(1) = p(2) = 1}
7) Cuando el espacio vectorial es: V = F(X, R) 5.1) S = {f F(X, R) / 2f (0) = f (1)} 5.2) S = {f F(X, R) / f (0) + f (1) = 0} 5.3) S = {f F(X, R) / f (x) 0} 5.4) S = {f F(X, R) / |f (x)| 1} 5.5) S = {f F(X, R) / f es par : f (x) = f (x), x X } 5.6) S = {f F(X, R) / f es impar : f (x) = f (x), x X } 5.7) S = {f F(X, R) / f (x + y ) = f (x) + f (y ) f (x) = f (x)} 5.8) S = B(X, R) = {f F(X, R) / f es acotada} 5.9) S = C(X, R) = {f F(X, R) / f es continua} 5.10) S = D(X, R) = {f F(X, R) / f es derivable}
124
Algebra Lineal 5.11) S = I(X, R) = {f F(X, R) / f es integrable} 8) Cuando el espacio vectorial es: V = C[0, 1]
1
6.1) S = {f C[0, 1] / 6.2) S = {f C[0, 1] /
0 1 0
f (t)dt = 0} f (t)dt = 1}
9) Cuando el espacio vectorial es: V = M22 7.1) S = {A = [ai,j ] M22 / a11 + a12 = 0} 7.2) S = {A = [ai,j ] M22 / det(A) = 0} 7.3) S = A = [ai,j ] M22 / A = A = [ai,j ] M22 / A = A = [ai,j ] M22 / A = a b b c 0 a b 0 a a+1 0 0
7.4) S =
7.5) S =
10) Cuando el espacio vectorial es: V = Mnn 8.1) S = {A = [ai,j ] Mnn / A es escalar} 8.2) S = {A = [ai,j ] Mnn / A es diagonal} 8.3) S = {A = [ai,j ] Mnn / A es triangular superior} 8.4) S = {A = [ai,j ] Mnn / A es sim etrica} 8.5) S = {A = [ai,j ] Mnn / A es antisim etrica } 8.6) S = {A = [ai,j ] Mnn / A es singular} 8.7) S = {A = [ai,j ] Mnn / A es no singular} III. Operaciones con subespacios: 1. Dados S y T subespacios de un espacio vectorial V . Demostrar que: S T es un subespacio de V si y s olo si S T o T S 2. Sean W1 y W2 subespacios de V = R3 , donde: W1 = {(x, y, z ) R3 / y = 0} Probar que: V = W1 W2 W2 = {(x, y, z ) R3 / x = z = 0} 3. Sean W1 y W2 subespacios de V = R3 , donde: W2 = {(x, y, z ) R3 / y = 0} Probar si: V = W1 W2 W1 = {(x, y, z ) R3 / x = 0}
Algebra Lineal
125
4. Sean W1 , W2 y W3 subespacios de V = R3 , donde: W2 = {(x, y, z ) R3 / 2x + y + 5z = 0} W3 = {(x, y, z ) R3 / x 4y z = 0} W1 = {(x, y, z ) R3 / x = 3y z = y }
Determinar: W1 W2 , W2 W3 , W1 W3 W1 = {(x, y, z ) R3 / x + y + z = 0} W2 = {(x, y, z ) R3 / x = z } W3 = {(0, 0, z ) / z R}. Calcular: a) W1 + W2
5. Sean W1 , W2 y W3 subespacios de V = R3 , donde:
b) W1 + W3 c) W2 + W3 d) Determinar si las sumas anteriores son sumas directas. IV. Combinaciones lineales: 1. Determinar si (1, 2, 1) es combinaci on lineal de los vectores (1, 2, 1), (1, 1, 2) y (1, 1, 2) en R3 . (1, 1, 2) en R3 .
Rpta. No
2. Determinar si (1, 2, 1) es combinaci on lineal de los vectores (1, 2, 1), (1, 1, 2) y Rpta. Si. 1 = 1/3, 2 = 5/6, 3 = 1/2. 1 + x 2x2 , 3. Determinar si 1 + x + x2 es combinaci on lineal de los vectores
1 + 3x + 2x2 y 1 x + x2 en P2 [x]. vectores {(3, 0, 2); (2, 1, 5)}.
Rpta. Si. 1 = 1/2, 2 = 1/2, 3 = 1. Rpta. a = 8
4. Para que valor de a el vector (1, 2, a) R3 , ser a una combinacion lineal de los 5. Para que valor de a el vector (2, 3, 2, 3) R4 , ser a una combinacion lineal de los vectores {(1, 0, 4, 1); (3, 2, 0, 2); (2, a, 2, 0)}. 3 1 1 1
Rpta. a = 3/5
6. Escriba la matriz E = A= 1 1 1 0 ,B=
, como combinaci on lineal de las matrices: 0 2 .
0 0 1 1
,C=
0 1
V. Sistema de generadores: 1. Determinar los subespacios generados por los siguientes conjuntos: Rpta. S = {(x, y, z ) R3 / x y z = 0} (1, 1, 2); (0, 1, 1); (1, 1, 0)
126
Algebra Lineal (1, 2, 1); (1, 1, 3); (2, 1, 4)
Rpta. S = {(x, y, z ) R3 / 7x 2y 3z = 0} Rpta. S = {(x, y, z, w) R4 / 2x y + w = 0} Rpta. S = {(x, y, z, w) R4 / y + w = 0} Rpta. S = {(x, y, z, w) R4 / 3x 2y + 4w = 0} Rpta. S = {(x, y, z, w) R4 / z + w = 0} Rpta. S = {(x, y, z, w) R4 / x + 3y z w = 0} Rpta. S = {(x, y, z, w) R4 / 2x y + 3z w = 0} 2. Determinar si los siguientes conjuntos de vectores generan el mismo subespacio: B = {(1, 2, 0); (2, 2, 1)} A = {(1, 1, 1); (3, 0, 1)}; A = {(1, 0, 1); (0, 2, 1)}; (1, 3, 2, 7); (2, 1, 3, 4); (3, 1, 1, 8) (1, 2, 3, 4); (1, 2, 3, 2); (2, 1, 2, 3) (3, 4, 1, 1); (3, 5, 1, 1); (1, 2, 1, 1) (2, 5, 1, 1); (2, 1, 3, 1); (2, 1, 2, 2) (1, 2, 2, 2); (2, 3, 2, 3); (1, 3, 5, 3) (1, 1, 0, 1); (1, 2, 1, 0); (2, 3, 3, 1)
Rpta. L(A) = L(B ) = {(x, y, z ) R3 / 2x + y + 2z = 0} B = {(2, 1, 0); (5, 2, 3)}
Rpta. L(A) = L(B ) = {(x, y, z ) R3 / x 2y 3z = 0} B = {(1, 0, 1); (3, 2, 3)} A = {(1, 1, 1); (2, 1, 2); (1, 2, 1)};
Rpta. L(A) = L(B ) = {(x, y, z ) R3 / x + z = 0} A = {(1, 2, 1, 3); (2, 5, 1, 2); (3, 6, 3, 7)}; B = {(1, 1, 1, 3); (2, 1, 1, 2); (2, 2, 1, 2)}
Rpta. L(A) = L(B ) = {(x, y, z, w) R4 / x 8z 3w = 0}
A = {(1, 2, 4, 2); (2, 2, 4, 1); (3, 2, 2, 3)}; B = {(1, 4, 6, 2); (4, 5, 7, 2); (5, 3, 7, 7)} Rpta. L(A) = L(B ) = {(x, y, z, w) R4 / 2x y + z 2w = 0}
3. Determinar el valor de a para que el vector (1, a, 5) R3 pertenezca al subespacio (1, 2, 3); (1, 1, 1) . Rpta. a = 3 4. Determinar el valor de a para que el vector (a, 3, 5) R3 pertenezca al subespacio 5. Determinar el valor de a para que el vector (7, 7, 1/5, a) R4 pertenezca al subespacio (2, 3, 2, 5); (1, 2, 4, 0) . Rpta. a = 5 (2, 1, 1); (3, 2, 5) . Rpta. a = 8
Algebra Lineal
127
6. Determinar el valor de a para que el vector (1, 2, 3, 2a) R4 pertenezca al subespacio (1, 2, 1, 4); (2, 1, 3, 4); (2, 3, 4, 6) . Rpta. a = 2 7. Determinar el valor de a y b para que el vector (1, 0, a, b) pertenezca al subespacio generado por los vectores (1, 4, 5, 2) y (1, 2, 3, 1). para qu e valores de a se tiene que L M = R4 . (a, 0, 2a, b), a, b R}, calcular L M . Rpta. a = 11, b = 4 Rpta. a = {0, 2} 8. Dado los subespacios de R4 , L = (1, 0, 0, 0); (1, 2, 1, 0) y M = (1, a, 1, 2); (0, 2, 1, a) , 9. Dado los subespacios de R4 , L = (1, 2, 0, 3); (0, 1, 2, 0) y M = {x R4 / x = Rpta. L M = {0} VI. Dependencia e independencia lineal 1. Determinar si los siguientes conjuntos de vectores son LI o LD A = {(1, 1, 1); (1, 2, 1); (1, 3, 2)} A = {(1, 2, 0, 1); (1, 1, 1, 3); (4, 0, 2, 1); (2, 0, 0, 1)} A = {(1, 2, 3, 0); (4, 3, 4, 16); (7, 3, 4, 5)} A = {(1, 0, 0, 1); (2, 1, 1, 2); (0, 1, 1, 0); (1, 1, 1, 1)} A = {(4, 5, 7); (3, 3, 4); (1, 1, 2); (2, 1, 1)} A = {(1, 3, 5, 6); (2, 6, 2, 4); (3, 5, 9, 1); (3, 4, 2, 5)} A = {(1, 2, 3, 1); (2, 3, 2, 3); (0, 1, 4, 1); (2, 3, 1, 1); (4, 1, 7, 3)} A = {(2, 5, 6, 9); (4, 2, 1, 3); (8, 2, 3, 1); (6, 5, 4, 7)} A = {(1, 1, 1, 1); (2, 1, 0, 0); (4, 3, 2, 1); (7, 3, 3, 2)} A = {(1, 2, 0, 1); (1, 1, 1, 3); (4, 0, 2, 1); (2, 0, 0, 1)} A = {(1, 2, 0, 1); (2, 3, 3, 3); (1, 12, 6, 3)} A = {(2, 1, 1, 1); (1, 1, 1, 1); (3, 1, 1, 2); (0, 1, 2, 1); (2, 1, 1, 1)} A = {et , e2t } A = {et , e3t , e5t } Rpta. LI Rpta. LI Rpta. LD Rpta. LD Rpta. LD Rpta. LI Rpta. LD Rpta. LI Rpta. LD Rpta. LI Rpta. LD Rpta. LD Rpta. LI Rpta. LI Rpta. LI Rpta. LI Rpta. LI , 0 0 1 0 , 4 , 1 0 0 0 1 Rpta. LI
A = {e2t , e3t , et , e2t }
A = {1, x, x2 , x3 , . . . , xn } A = {x, x2 x, x3 x} A= 1 0 0 0 2 1 4 0 , 0 1 0 0 ,
A=
0 3 1 5
2. Para que valores de k, los siguientes vectores son LD: A = {(1, 0, 1); (2, 1, 2); (1, 1, k)} Rpta. k = 1
7 5
128
Algebra Lineal A = {(2, 3, 4); (4, 5, 1); (2, 2, k)} 3. Para que valores de a y b, los siguientes vectores son LD: A = {(3, 0, a, 1); (1, 1, 0, b); (2, 5, b, 4)} 4. Para que valores de k, los siguientes vectores son LI: A = {(1, 2, k); (1, 1, 1); (0, 1, 1 k)} A = {(k, 1, 0); (3, 1, 2); (k, 2, 2)} A = {(k, 1 k, k); (2k, 2k 1, k + 2); (2k, k, k)} A = {(1, 1, 0); (3, k, 2); (0, 1, k)} A = {(1, 2, 0, 3, k); (0, 1, k, 1, 2); (1, 4, 2k, 5, 1)}
Walter Arriaga Delgado Rpta. k = 5
Rpta. a = b Rpta. k = 1 Rpta. k R
5. Si el conjunto de vectores {u, v } son LI, determinar si los siguientes conjuntos de vectores son LI o LD {u + v, v } {u + v, u v } 6. Si el conjunto de vectores {u, v, w} son LI, determinar si los siguientes conjuntos de vectores son LI o LD {u + v, u v } {u + av + bw, v + cw, w} {u + v w, v + w, 2u} son {u + 2v + 3w, 2u, u + 2v + 3w} {u + 2v 3w, 2u + v w, 3u + 5v 6w} {u + 2v + 3w, v 2u w, v w} {u + v 2w, u v w, u + w} {u + v 3w, u + 3v w, v + w} 7. Bases y dimensi on 1. Determinar si los siguientes subconjuntos son bases del espacio vectorial V indicado {(1, 3, 5); (2, 2, 3); (3, 2, 5)}; {(2, 1, 1); (2, 2, 1); (2, 2, 1)}; V = R3 V = R3 V = R3 V = R4 V = R4 V = R4 V = R4
{(1, 2, 1); (1, 3, 1); (1, 4, 1); (1, 5, 1)};
{(0, 1, 0, 1); (1, 2, 0, 1); (1, 2, 3, 1); (3, 5, 3, 2)}; {(0, 1, 0, 1); (1, 2, 0, 1); (1, 2, 3, 1); (2, 3, 3, 2)}; {(0, 1, 0, 1); (1, 2, 0, 1); (1, 2, 3, 1); (2, 3, 3, 2)}; {1, 1 + x, 1 + x2 , 1 + x3 }; V = P3 [x]
{(0, 1, 0, 1); (1, 2, 0, 1); (1, 2, 3, 1); (2, 3, 3, 2); (3, 5, 2, 9)};
Walter Arriaga Delgado 1 0 2 1
Algebra Lineal 6 1 7 2 0 1
129
; V = M22 3 1 1 4 5 8 1 0 0 0 2. Hallar una base y la dimensi on de los siguientes subespacios: S = {(x, y, z ) R3 / 3x + 3y + z = 0} S = {(x, y, z ) R3 / x = 2y 3z } Rpta. dim(S ) = 2 S = {(x, y, z ) R3 / 3x 2y + 6z = 0}
S = {(x, y, z, w) R4 / x + 2y + 3z + 4w = 0}
S = {(x, y, z, t) R4 / x y + z t = 0 2x + z + t = 0} Rpta. dim(S ) = 2 S = {(x1 , x2 , x3 , x4 , x5 ) R5 / 2x1 3x2 + x3 + 4x4 x5 = 0} S = {(x1 , x2 , . . . , xn ) Rn / a1 x1 + a2 x2 + + an xn = 0} S = (1, 2, 1, 1); (1, 1, 1, 2); (3, 2, 3, 2) en R4 dim(S + T ):
3. Dados los siguientes subespacios, hallar una base para S , T , S + T , S T y calcular S = {(x, y, z ) R3 / x + y z = 0} T = {(x, y, z ) R3 / x = z } S = {(x, y, z ) R3 / x = y + z }
Rpta. dim(S + T ) = 3 Rpta. dim(S + T ) = 3
S = {(x, y, z ) R3 / 2x y + z = 0}
T = {(x, y, z ) R3 / 3x 3y = z }
T = {(x, y, z ) R3 / x 2y z = 0}
T = {(x, y, z, w) R4 / x y z w = 0} S = {(x, y, z, t) R4 / x y + z t = 0} S = (1, 0, 1, 0); (1, 0, 1, 1) T = (3, 0, 2, 1) S = {(x, y, z ) R3 / z = 0} T = (0, 1, 1); (2, 0, 1); (2, 1, 2) T = {(x, y, z, t) R4 / 2x + y + 2z + t = 0}
S = {(x, y, z, w) R4 / x + y z + w = 0}
Rpta. dim(S + T ) = 4
Rpta. dim(S + T ) = 3
T = (1, 1, 2, 1); (2, 3, 1, 1)
S = {(x1 , x2 , x3 , x4 ) R4 / x1 x2 = 0} S = {(x, y, z, w) R4 / x z w = 0 , y + z = 0} S = (2, 5, 1, 1); (2, 1, 1, 1); (2, 1, 2, 2) T = (3, 4, 1, 1); (3, 5, 1, 1); (1, 2, 1, 1) S = (1, 1, 1); (1, 2, 1)
T = (1, 0, 1, 1); (1, 1, 1, 0); (0, 1, 2, 1)
T = {(x, y, z ) R3 / x = z }
130
Algebra Lineal S = (1, 0, 2, 0); (1, 2, 1, 1); (0, 0, 1, 0); (0, 0, 0, 1)
4. Siendo F = {(x, y, z ) R3 / x 2y + 3z = 0}, Con cual de los siguientes subespacios se verica que F H = R3 ? a) H = {(x, y, z ) R3 / x y + 3z = 0} c) H = {(x, y, z ) R3 / x = 0}
T = {(x, y, z, t) R4 / x y = 0}
b) H = {(x, y, z ) R3 / 2x + y + z = 0 y z = 0} d) H = {(x, y, z ) R3 / x = y = z }
TRANSFORMACIONES LINEALES
Objetivos Mostrar la dualidad entre el espacio de matrices y el espacio de las transformaciones lineales. Comprender los conceptos de dominio e imagen de una transformaci on. Determinar el n ucleo, imagen, rango y nulidad de transformaciones lineales. Distinguir cuando una transformaci on lineal es inyectiva, suprayectiva, biyectiva, y utilizar las propiedades de los isomorfos. Realizar operaciones entre transformaciones lineales y encontrar la transformaci on lineal inversa.
4.1.
Introducci on
Las transformaciones lineales desempe nan un papel muy importante en matem aticas, f sica, ingenier a, procesamiento de im agenes, gr acas en computadora y muchas otras areas de la ciencia y la vida diaria. As como cuando se estudian las funciones de n umeros reales, con valores tambi en reales, interesan especialmente las funciones continuas, cuando estudiamos funciones de un espacio vectorial con valores en otro, interesan aquellas que posean ciertas propiedades especiales. Las funciones continuas son aquellas que preservan ciertas propiedades topol ogicas de 131
132
Algebra Lineal
los n umeros reales. En los espacios vectoriales interesa, en cambio, conservar las estructuras algebraicas, es decir, que conserve las dos operaciones fundamentales que denen la estructura de espacio vectorial: la suma de vectores y la multiplicaci on de un vector por un escalar. Al considerar este tipo de funciones, uno de los mejores ejemplo que disponemos es la derivada como funci on de V en V ; siendo V el espacio vectorial real de todas las funciones reales derivables. La funci on derivada respeta la suma y la multiplicaci on por escalar, esto es, dados f ; g en V y en R se tiene: (f + g) (x) = f (x) + g (x) (f ) (x) = f (x) as tambi en, la integral mirada como funci on desde el espacio vectorial real W ; de todas las funciones integrables en el intervalo [a; b]; en el espacio vectorial real R tambi en cumple estas propiedades, es decir, dados f ; g en W y en R se tiene:
b b b
(f + g)(x)dx =
a b a
f (x)dx +
a b
g(x)dx
(f )(x)dx =
a a
f (x)dx
Denici on 4.1.1. Sean V y W dos espacios vectoriales sobre un cuerpo K. A la correspondencia T : V W que a cada vector v V le asigna un vector T (v ) W se le llama Transformaci on Lineal o Mapeo Lineal si para cualesquiera u, v V y K se verica: T (u + v ) = T (u) + T (v ). T (u) = T (u). A la transformaci on lineal T se le conoce tambi en como Homomorsmo. Las transformaciones lineales preservan las operaciones de suma de vectores y multiplicaci on por un escalar, es decir, T transforma un m ultiplo de un vector en el m ultiplo del transformado y una suma de vectores en la suma de los transformados. Se escribe indistintamente T u y T (u). Denotan lo mismo y las dos se leen T de u. Esto es an alogo a la notaci on funcional f (x), que se lee f de x. Teorema 4.1.1. Sean V y W dos espacios vectoriales. T : V W es una transformaci on lineal si y s olo si: T (u + v ) = T (u) + T (v ) u, v V y , K
Algebra Lineal T u v u+v u
133
W T (u) T (v ) T (u + v ) = T (u) + T (v ) T (u) = T (u)
Figura 4.1: La transformaci on lineal T Demostraci on. Si T : V W es una transformaci on lineal, entonces u, v V y , K T (u + v ) = T (u) + T (v ) = T (u) + T (v ) Si T (u + v ) = T (u) + T (v ), u, v V y , K, entonces: Para = = 1, se tiene que: T (u + v ) = T (u) + T (v ) Para = 0, se tiene que: T (u) = T (u) Por lo tanto T : V W es una transformaci on lineal.
En general: T (1 u1 + 2 u2 + + n un ) = 1 T (u1 ) + 2 T (u2 ) + + n T (un ) expresado en series:

n n
T
i=1
i ui
=
i=1
i T (ui )
Se puede decir tambi en que las transformaciones lineales preservan las combinaciones lineales.
4.2.
Clasicaci on de las Transformaciones Lineales
Sean V y W dos espacios vectoriales y sea T : V W una transformaci on lineal, entonces:
134
Algebra Lineal T es un monomorsmo si y s olo si T es inyectiva. T es un epimorsmo si y s olo si T es sobreyectiva. T es un isomorsmo si y s olo si T es biyectiva. T es un homomorsmo si V = W . T es un endomorsmo si V = W . T es un automorsmo si V = W y T es biyectiva.
4.3.
N ucleo e Imagen de una Transformaci on Lineal
Denici on 4.3.1. Sean V y W dos espacios vectoriales y sea T : V W una transformaci on lineal, entonces el n ucleo o kernel de T , denotado por N (T ) o Ker(T ), est a dado por: N (T ) = Ker(T ) = {v V / T (v ) = 0w } V N (T ) 0v 0w T W
Figura 4.2: El n ucleo de una transformaci on lineal T
Teorema 4.3.1. Sean V y W dos espacios vectoriales y sea T : V W una transformaci on lineal, entonces el n ucleo de T es un subespacio de V . Demostraci on. Como T (0v ) = 0w , entonces 0v N (T ) Si x, y N (T ), entonces probaremos que x + y N (T ) En efecto:
Walter Arriaga Delgado Si x N (T ) entonces T (x) = 0w Si y N (T ) entonces T (y ) = 0w
Algebra Lineal
135
sumando miembro a miembro T (x) + T (y ) = 0w , y como T es transformaci on lineal, T (x + y ) = T (x) + T (y ) = 0w , de donde x + y N (T ) Si x N (T ) y K, entonces probaremos que x N (T ) En efecto: Si x N (T ) entonces T (x) = 0w multiplicando a miembro a miembro T (x) = 0w = 0w , y como T es transformaci on lineal, T (x) = T (x) = 0w , de donde x N (T ) por lo tanto N (T ) es un subespacio de V . Denici on 4.3.2. Sean V y W dos espacios vectoriales y sea T : V W una transformaci on lineal, entonces la imagen o recorrido de T , denotado por Im(T ), est a dado por: Im(T ) = {w W / w = T (v ), para alg un v V } V T W Im(T ) 0v 0w
Figura 4.3: La imagen de una transformaci on lineal T
Teorema 4.3.2. Sean V y W dos espacios vectoriales y sea T : V W una transformaci on lineal, entonces la imagen de T , es un subespacio de W . Demostraci on. Como T (0v ) = 0w , entonces 0w Im(T ) Si x, y Im(T ), entonces probaremos que x + y Im(T ) En efecto:
136
Algebra Lineal Si x Im(T ) entonces existe un a V tal que T (x) = a Si y Im(T ) entonces existe un b V tal que T (y ) = b
sumando miembro a miembro T (x) + T (y ) = a + b, y como T es transformaci on lineal, T (x + y ) = T (x) + T (y ) = a + b, adem as V es un espacio vectorial entonces existe a + b V tal que T (x + y ) = a + b, de donde x + y Im(T ) Si x Im(T ) y K, entonces probaremos que x Im(T ) En efecto: Si x Im(T ) entonces existe un a V tal que T (x) = a multiplicando a miembro a miembro T (x) = a, y como T es transformaci on lineal, T (x) = T (x) = a, adem as V es un espacio vectorial entonces existe a V tal que T (x) = a, de donde x Im(T ) por lo tanto Im(T ) es un subespacio de W . Denici on 4.3.3. Sean V y W dos espacios vectoriales y sea T : V W una transformaci on lineal, entonces: (T ) = dim(Ker(T )) (T ) = dim(Im(T )) donde: (T ) es la nulidad de T y (T ) es el rango de T . Teorema 4.3.3. Sean V y W espacios vectoriales de dimensi on nita y sea T : V W una transformaci on lineal, entonces: dim V = (T ) + (T ) Teorema 4.3.4. Sean V y W espacios vectoriales y sea T : V W una transformaci on lineal, entonces: T es inyectiva si y s olo si Ker(T ) = 0v Nota 4.3.1. Dada la transformaci on lineal T : V W Para ver si un vector est a en el n ucleo de una transformaci on lineal se debe aplicar la transformaci on. El vector x est a en el n ucleo de T si y s olo si T (x) = 0. Para determinar el n ucleo de una transformaci on, debe encontrar la matriz que dene a la transformaci on lineal y resolver [A|0]. Hay dos alternativas: el sistema tiene soluci on u nica o el sistema tienen innitas soluciones. En el caso de innitas soluciones, la f ormula
Algebra Lineal
137
general muestra al n ucleo como un espacio generado donde el n umero de columnas sin pivote es la dimensi on del n ucleo como subespacio. En caso de tener soluci on u nica, el n ucleo de T es el conjunto formado por el vector cero. Para determinar si una transformaci on lineal es inyectiva, todas las columnas de la reducida de la matriz que dene a la transformaci on lineal deben de tener pivote. Para ver si un vector est a en la imagen de una transformaci on lineal se debe ver si un sistema es consistente. Para determinar la imagen de una transformaci on lineal, se debe obtener un conjunto generador de la imagen Im(T ), para ello se usa la base can onica de V con lo cual el conjunto generador ser a: G = T (v1 ), T (v2 ), . . . , T (vn ) , con esto se establece el espacio generado, utilizando los vectores como las de una matriz, luego se procede a escalonarla, si toda la tiene pivote la transformaci on es sobreyectiva. Es decir, todo vector del codominio es imagen de un vector en el dominio. Para determinar si una transformaci on lineal es suprayectiva, todos los renglones en la reducida de A deben de tener pivotes. (T ) = N umero de columnas sin pivote en A reducida. (T ) = N umero de columnas con pivote en A reducida. Observaci on 4.3.1. Dada la transformaci on lineal T : V W dim(W ) = m Si T es inyectiva, entonces Ker(T ) = 0; luego, (T ) = n. Pero, puesto que Im(T ) m, entonces n m. Esto signica que no puede existir un transformaci on lineal inyectiva de V en W si la dimensi on de V es mayor que la de W . Por ejemplo la transformaci on lineal T : R4 R3 no puede ser inyectiva pues 4 = dim(Ker(T )) + dim(Im(T )) dim(Ker(T )) + 3 por tanto, dim(Ker(T )) 1 probando que Ker(T ) = 0v . Un razonamiento similar al anterior muestra que no puede existir una transformaci on lineal sobreyectiva de V a W si la dimensi on de W es mayor que la de V . con dim(V ) = n y
138
Algebra Lineal
Por ejemplo la transformaci on lineal T : R4 R8 no puede ser sobreyectiva pues 4 = dim(Ker(T )) + dim(Im(T )) por tanto, dim(Im(T )) 4 probando que Im(T ) = R8 Finalmente, de las dos observaciones previas se deduce que si T es un isomorsmo, entonces dim(V ) = dim(W ), es decir: (T ) = (T ).
4.4.
Matriz asociada a una Transformaci on Lineal
Ya sabemos que una transformaci on lineal queda completamente determinada por la forma como la transformaci on act ua en una base del dominio y que la funci on de Rn a Rm denida por: T (v ) = Av para una matriz m n dada es una transformaci on lineal, la cual llamamos transformaci on matricial. En esta secci on, demostraremos que toda transformaci on lineal entre espacios vectoriales de dimensi on nita puede ser representada como una transformaci on matricial. Sea V un espacio vectorial de dimensi on nita, es decir dim(V ) = n, y sea = {v1 , v2 , . . . , vn } una base de V , entonces cada vector v V se expresa como combinaci on lineal de elementos de la base , es decir, existen escalares 1 , 2 , . . . , n tal que
n
v=
i=1
i vi = 1 v1 + 2 v2 + + n vn
entonces los coecientes i , i = 1, n se llaman coordenadas o componentes del vector v V respecto de la base , luego podemos expresar cada vector v V como una matriz columna, cuyos elementos sean las coordenadas de v respecto de la base , as 1 2 coord v = [v ] = . . . n
4.4.1.
Representaci on matricial de una transformaci on lineal
Sean los espacios vectoriales V y W de dimensi on nita y sea T : V W una transformaci on lineal donde B1 = {v1 , v2 , . . . , vn } es una base de V y B2 = {w1 , w2 , . . . , wm } una base
Walter Arriaga Delgado de W .
Algebra Lineal
139
Los vectores T (v1 ), T (v2 ), . . . , T (vn ) est an en W y por lo tanto, cada uno de ellos se puede expresar como una combinaci on lineal de los vectores de la base B2 , luego: T (v1 ) = a11 w1 + a21 w2 + + am1 wm T (v2 ) = a12 w1 + a22 w2 + + am2 wm . . . . . . . . . . . .
T (vn ) = a1n w1 + a2n w2 + + amn wm en otras palabras a21 a22 a2n , [T (v2 )]B = , . . . , [T (vn )]B = = 2 2 . . . . . . . . . am1 am2 amn a11 a12 a1n
[T (v1 )]B2
Denici on 4.4.1. Se llama representaci on matricial de T en las bases B1 y B2 o matriz

2 asociada a T en las bases B1 y B2 , a la matriz que representaremos por [AT ]B esima B1 y cuya i
columna son las coordenadas del vector T (vi ) en la base B2 . Esto es:
2 [AT ]B B1
[T (v1 )]B2 , [T (v2 )]B2 , . . . , [T (vn )]B2 a11 a12 a1n
Si la base B del espacio de partida es igual al del espacio de llegada, la matriz asociada a la transformaci on lineal se denota por [AT ]B
a21 a22 a2n = . . . . . . . . . am1 am2 amn
4.5.
Operaciones con Transformaciones Lineales
Denici on 4.5.1. Sean V y W dos espacios vectoriales, denotemos por: L(V, W ) = {T : V W / T es una transformaci on lineal}
140
Algebra Lineal
al conjunto de las transformaciones lineales de V en W , al cual podemos dotar de una estructura de espacio vectorial deniendo una suma de transformaciones y un producto de una transformaci on por un escalar en la forma usual; es decir: Si f, g : V W son transformaciones lineales, se dene la suma de f y g como: + : L(V, W ) L(V, W ) L(V, W ) (f, g) +(f, g) = f + g : V v W (f + g)(v ) = f (v ) + g(v )
Si f : V W es una transformaciones lineales, se dene el producto de k y f como: : K L(V, W ) L(V, W ) (k, f ) (k, f ) = k f : V v W (k f )(v ) = kf (v )
Teorema 4.5.1. Sean V y W dos espacios vectoriales sobre el cuerpo K y sean f y g transformaciones lineales de V en W entonces f + g es una transformaci on lineal. Teorema 4.5.2. Sean V y W dos espacios vectoriales sobre el cuerpo K y sea f una transformaci on lineal de V en W entonces kf es una transformaci on lineal. Teorema 4.5.3. Consideremos V y W dos espacios vectoriales sobre el cuerpo K y sea L(V, W ) = {T : V W / T es una transformaci on lineal} el conjunto de transformaciones lineales de V en W entonces L(V, W ) es un espacio vectorial, llamado el espacio vectorial de las transformaciones lineales. La composici on de funciones usual puede realizarse, en particular, entre dos transformaciones lineales. El resultado es, en este caso, una nueva transformaci on lineal. Teorema 4.5.4. Sean V , W y Z tres espacios vectoriales sobre K y sean f : V W y g : W Z dos transformaciones lineales. Entonces g f : V Z es una transformaci on lineal. Denici on 4.5.2. Dada una transformaci on lineal f : V V , si existe una transformaci on g es la transformaci on inversa de f y se denota por g = f 1 g : V V tal que para todo u V (f g)(u) = (g f )(u) = I (u) = u, entonces se dice que
Teorema 4.5.5. Sea f una transformaci on lineal de V en V , si existe su aplicaci on inversa f 1 , entonces f 1 es u nica y adem as es lineal.
Walter Arriaga Delgado Demostraci on.
Algebra Lineal
141
Probemos primero que f 1 es lineal. En efecto, para todo w1 , w2 V y , K , existen u1 , u2 V tales que f (u1 ) = w1 y f (u2 ) = w2 , entonces: f 1 (w1 + w2 ) = f 1 (f (u1 ) + f (u2 )) = f 1 (f (u1 + u2 )) = (f 1 f )(u1 + u2 ) = u1 + u2 = f 1 (w1 ) + f 1 (w2 ) Probemos ahora que f 1 es u nica. En efecto, supongamos que f 1 no es u nica, es decir, existen g1 y g2 que son transformaciones inversas de f , es decir, para todo u V (f g1 )(u) = (g1 f )(u) = I (u) = u (f g2 )(u) = (g2 f )(u) = I (u) = u luego se tiene que: g1 (u) = g1 (I (u)) = (g1 I )(u) = (g1 (f g2 ))(u) = ((g1 f ) g2 )(u) = (I g2 )(u) = I (g2 (u)) = g2 (u) de donde g1 g2 Por lo tanto f 1 es u nica y adem as es lineal.
142
Algebra Lineal
3.
I. Transformaciones Lineales Determinar cuales de las siguientes aplicaciones son transformaciones lineales. Considere K = R. 1. T : R2 R2 denido por: T (x, y ) = (x + y , x y ) Demostraci on. Probaremos que T (u + v ) = T (u) + T (v ), u, v R2 T (u + v ) = T ((x1 , y1 ) + (x2 , y2 )) = T (x1 + x2 , y1 + y2 ) = ((x1 + x2 ) + (y1 + y2 ) , (x1 + x2 ) (y1 + y2 )) = ((x1 + y1 ) + (x2 + y2 ) , (x1 y1 ) (x2 y2 )) = (x1 + y1 , x1 y1 ) + (x2 + y2 , x2 y2 ) = T (x1 , y1 ) + T (x2 , y2 ) = T (u) + T (v ) Probaremos que T (u) = T (u), u R2 , K En efecto: Sea u = (x1 , y1 ) entonces: T (u) = T ((x1 , y1 )) = T (x1 , y1 ) = (x1 + y1 , x1 y1 ) = (x1 + y1 , x1 y1 ) = T (x1 , y1 ) = T (u) Por lo tanto T (x, y ) = (x + y , x y ) es una transformaci on lineal. Demostraci on. En efecto:
En efecto: Sea u = (x1 , y1 ) y v = (x2 , y2 ), entonces:
2. T : P2 [x] R3 denido por: T (p(x)) = (p(0), p(1), p(2))
Probaremos que T (p(x) + q (x)) = T (p(x)) + T (q (x)), p(x), q (x) P2 [x] T (p(x) + q (x)) = (p(0) + q (0) , p(1) + q (1) , p(2) + q (2)) = (p(0), p(1), p(2)) + (q (0), q (1), q (2)) = T (p(x)) + T (q (x))
Algebra Lineal
143
Probaremos que T (p(x)) = T (p(x)), p(x) P2 [x], K En efecto:
T (p(x)) = (p(0), p(1), p(2)) = (p(0), p(1), p(2)) = T (p(x)) Por lo tanto T (p(x)) = (p(0), p(1), p(2)) es una transformaci on lineal. 3. T : P2 [x] R3 denido por: T (ax2 + bx + c) = (a + b , a + c , b c) Demostraci on. Probaremos que T (p(x) + q (x)) = T (p(x)) + T (q (x)), p(x), q (x) P2 [x] T (p(x) + q (x)) = T ((a1 x2 + b1 x + c1 ) + (a2 x2 + b2 x + c2 )) = T ((a1 + a2 )x2 + (b1 + b2 )x + (c1 + c2 )) = ((a1 + a2 ) + (b1 + b2 ) , (a1 + a2 ) + (c1 + c2 ) , (b1 + b2 ) (c1 + c2 )) = ((a1 + b1 ) + (a2 + b2 ) , (a1 + c1 ) + (a2 + c2 ) , (b1 + c1 ) (b2 + c2 )) = T (a1 x2 + b1 x + c1 ) + T (a2 x2 + b2 x + c2 ) = T (p(x)) + T (q (x)) Probaremos que T (p(x)) = T (p(x)), p(x) P2 [x], K En efecto: Sea p(x) = ax2 + bx + c entonces: T (p(x)) = T ((ax2 + bx + c)) = T (ax2 + bx + c) = (a + b , a + c , b c) = (a + b , a + c , b c) = T (ax2 + bx + c) = T (p(x)) Por lo tanto T (ax2 + bx + c) = (a + b , a + c , b c) es una transformaci on lineal. 4. T : P2 [x] P3 [x] denido por: T (p(x)) = xp(x) Demostraci on. = (a1 + b1 , a1 + c1 , b1 c1 ) + (a2 + b2 , a2 + c2 , b2 c2 )
En efecto: Sea p(x) = a1 x2 + b1 x + c1 y q (x) = a2 x2 + b2 x + c2 , entonces:
144
Algebra Lineal
Probaremos que T (p(x) + q (x)) = T (p(x)) + T (q (x)), p(x), q (x) P2 [x] T (p(x) + q (x)) = T ((a1 x2 + b1 x + c1 ) + (a2 x2 + b2 x + c2 )) = T ((a1 + a2 )x2 + (b1 + b2 )x + (c1 + c2 )) = x((a1 + a2 )x2 + (b1 + b2 )x + (c1 + c2 )) = x(a1 x2 + b1 x + c1 ) + x(a2 x2 + b2 x + c2 ) = T (a1 x2 + b1 x + c1 ) + T (a2 x2 + b2 x + c2 ) = T (p(x)) + T (q (x)) Probaremos que T (p(x)) = T (p(x)), p(x) P2 [x], K En efecto: Sea p(x) = ax2 + bx + c entonces: T (p(x)) = T ((ax2 + bx + c)) = T (ax2 + bx + c) = x(ax2 + bx + c) = x(ax2 + bx + c) = T (ax2 + bx + c) = T (p(x)) Por lo tanto T (p(x)) = xp(x) es una transformaci on lineal. II. N ucleo e imagen de una transformaci on lineal En los siguientes ejercicios, determinar: a) La transformaci on lineal T . b) El n ucleo Ker(T ) c) La imagen Im(T ) d) La nulidad (T ) e) El rango (T ) 1. T : R3 R2 tal que: Soluci on a) Transformaci on Lineal T de los vectores: (1, 2, 3), (2, 1, 1), (1, 2, 1)
En efecto: Sea p(x) = a1 x2 + b1 x + c1 y q (x) = a2 x2 + b2 x + c2 , entonces:
T (1, 2, 3) = (3, 1),
T (2, 1, 1) = (4, 0),
T (1, 2, 1) = (5, 3)
se sabe que todo vector (x, y, z ) R3 puede expresarse como combinaci on lineal (x, y, z ) = (1, 2, 3) + (2, 1, 1) + (1, 2, 1)
Walter Arriaga Delgado obteni endose el sistema:
Algebra Lineal
145
de donde:
x+yz 4x + y + 2z ; = ; 6 9 aplicando la transformaci on lineal: =
luego por transformaciones elementales 1 2 1 x 1 2 1 2 y 0 3 1 1 z 0
+ 2 = x 2 + 2 = y 3 + + = z 0 0 1 0
se tiene: (4x + y + 2z )/9 = (x + y z )/6
0 1 (x + 7y + 5z )/18
x + 7y + 5z 18
T (x, y, z ) = T [(1, 2, 3) + (2, 1, 1) + (1, 2, 1)] = T (1, 2, 3) + T (2, 1, 1) + T (1, 2, 1) = (3, 1) + (4, 0) + (5, 3) = (3 + 4 5, + 3 ) = (x 2y , y + z ) b) N ucleo Ker(T ) Ker(T ) = {(x, y, z ) R3 / T (x, y, z ) = (0, 0)} es decir: gener andose el sistema de ecuaciones lineales: x 2y = 0 y + z = 0 obteni endose: y = z y x = 2z c) Imagen Im(T ) Al transformar una base del dominio, se obtendr a un conjunto generador de la imagen Im(T ), se usar a la base can onica: Ker(T ) = {(2z, z, z ) / z R} T (x, y, z ) = (x 2y , y + z ) = (0, 0) T (x, y, z ) = (x 2y , y + z )
146 T (1, 0, 0) = (1, 0),
Algebra Lineal T (0, 1, 0) = (2, 1),
Walter Arriaga Delgado T (0, 0, 1) = (0, 1)
tablecemos el espacio generado, utilizando los vectores como las de una matriz y escalon andola se tiene: 1 0 2 1 0 1 0 1 0 0 1 0
por lo que el conjunto generador ser a: G = (1, 0); (2, 1); (0, 1) , con esto es-
por lo que la base can onica del subespacio es (1, 0); (0, 1) y este genera al subespacio Im(T ) d) Nulidad (T ) (x, y, z ) = (2z, z, z ) = z (2, 1, 1) Como Ker(T ) = {(2z, z, z ) / z R} entonces: Ker(T ) = (2, 1, 1) e) Rango (T ) Por lo anterior se tiene que Im(T ) = (1, 0); (0, 1) 2. T : R4 R3 tal que: (T ) = 2 (T ) = 1 Im(T ) = (1, 0); (0, 1)
T (1, 1, 2, 2) = (2, 3, 1), T (1, 3, 1, 1) = (9, 4, 13), Soluci on
T (1, 2, 1, 2) = (9, 8, 17)
T (1, 1, 2, 1) = (1, 6, 5),
a) Transformaci on Lineal T lineal de los vectores: se sabe que todo vector (x, y, z, w) R4 puede expresarse como combinaci on
(1, 1, 2, 2), (1, 1, 2, 1), (1, 3, 1, 1) y (1, 2, 1, 2) (x, y, z, w) = (1, 1, 2, 2) + (1, 1, 2, 1) + (1, 3, 1, 1) + (1, 2, 1, 2) obteni endose el sistema: +++ =x 3 + 2 = y 2 2 + = z 2 + + 2 = w
Algebra Lineal
147
luego por transformaciones elementales se tiene: 1 1 3 2 y 0 1 0 0 (11x + 9y + 3z + 13w)/9 2 2 1 1 z 0 0 1 0 (5x 9y 3z 10w)/9 2 1 1 2 w 0 0 0 1 (7x 9y 6z 14w)/9 = 1 1 1 1 x 1 0 0 0 (10x + 9y + 6z + 11w)/9
10x + 9y + 6z + 11w 11x + 9y + 3z + 13w ; = ; 9 9 5x 9y 3z 10w 7x 9y 6z 14w ; = = 9 9 aplicando la transformaci on lineal: de donde:
T (x, y, z, w) = T (1, 1, 2, 2)+T (1, 1, 2, 1)+T (1, 3, 1, 1)+T (1, 2, 1, 2) T (x, y, z, w) = (2, 3, 1) + (1, 6, 5) + (9, 4, 13) + (9, 8, 17) = (2 + + 9 9, 3 6 + 4 8, 5 + 13 17) = (x y + 2z + 3w , y + 4z + 3w , x + 6z + 6w) T (x, y, z, w) = (x y + 2z + 3w , y + 4z + 3w , x + 6z + 6w)
b) N ucleo Ker(T ) Ker(T ) = {(x, y, z, w) R4 / T (x, y, z, w) = (0, 0, 0)} es decir: gener andose el sistema de ecuaciones lineales: x y + 2z + 3w y + 4z + 3w x + 6z + 6w 1 1 2 3 0 1 0 T (x, y, z, w) = (x y + 2z + 3w , y + 4z + 3w , x + 6z + 6w) = (0, 0, 0)
= 0 = 0 = 0
obteni endose: x = 6z 6w, y = 4z 3w
0 1
1 0 6 6 0 0 1 4 3 0 4 3 0 6 6 0 0 0 0 0 0
Ker(T ) = {(6z 6w, 4z 3w, z, w) / z, w R}
148 c) Imagen Im(T )
Algebra Lineal
Al transformar una base del dominio, se obtendr a un conjunto generador de la imagen Im(T ), se usar a la base can onica: T (1, 0, 0, 0) = (1, 0, 1), T (0, 0, 1, 0) = (2, 4, 6), T (0, 1, 0, 0) = (1, 1, 0), T (0, 0, 0, 1) = (3, 3, 6)
por lo que el conjunto generador ser a: G = (1, 0, 1); (1, 1, 0); (2, 4, 6); (3, 3, 6) , una matriz y escalon andola se tiene: 1 1 1 0 0 2 4 6 0 3 3 6 0 1 0 1 subespacio Im(T ), entonces Im(T ) = (1, 0, 1); (0, 1, 1) 0 1 1 1 0 0 0 0
con esto establecemos el espacio generado, utilizando los vectores como las de
por lo que la base can onica del subespacio es (1, 0, 1); (0, 1, 1) y este genera al
adem as (x, y, z ) = (1, 0, 1) + (0, 1, 1), de donde x = , y = , z = + , obteni endose x + y = z d) Nulidad (T ) Como Ker(T ) = {(6z 6w, 4z 3w, z, w) / z, w R} entonces: (x, y, z, w) = (6z 6w, 4z 3w, z, w) = z (6, 4, 1, 0) + w(6, 3, 0, 1) Ker(T ) = (6, 4, 1, 0); (6, 3, 0, 1) e) Rango (T ) Por lo anterior se tiene que Im(T ) = (1, 0, 1); (0, 1, 1) 3. T : P2 [x] R3 tal que: T (x2 + x + 1) = (2, 2, 0), Soluci on (T ) = 2 (T ) = 2 Im(T ) = {(x, y, z ) R3 / x + y z = 0}
T (x2 x + 2) = (0, 3, 3),
T (x2 2x 1) = (1, 0, 1)
Walter Arriaga Delgado a) Transformaci on Lineal T
Algebra Lineal
149
se sabe que todo polinomio p(x) = ax2 + bx + c P2 [x] puede expresarse como combinaci on lineal de los vectores: x2 + x + 1, x2 x + 2, x2 2x 1 ax2 + bx + c = (x2 + x + 1) + (x2 x + 2) + (x2 2x 1) obteni endose el sistema: ++ =a 2 = b + 2 = c 0 1
luego por transformaciones 1 1 1 1 1 2 1 2 1 de donde: =
5a + 3b c a 2b + 3c ; = ; 7 7 aplicando la transformaci on lineal:
elementales se a 1 0 b 0 1 c 0 0
tiene: 0 (a 2b + 3c)/7 (3a b 2c)/7 = (5a + 3b c)/7
3a b 2c 7
T (ax2 + bx + c) = T [(x2 + x + 1) + (x2 x + 2) + (x2 2x 1)] = (2, 2, 0) + (0, 3, 3) + (1, 0, 1) = (2 , 2 + 3, 3 ) = (a + b , a + c , b c) b) N ucleo Ker(T ) Ker(T ) = {p(x) = ax2 + bx + c R3 / T (ax2 + bx + c) = (0, 0, 0)} es decir: T (ax2 + bx + c) = (a + b , a + c , b c) = (0, 0, 0) gener andose el sistema de ecuaciones lineales: a+b = 0 a+c = 0 bc = 0 obteni endose: b = a, y c = a T (ax2 + bx + c) = (a + b , a + c , b c)
= T (x2 + x + 1) + T (x2 x + 2) + T (x2 2x 1)
Ker(T ) = {ax2 ax a / a R}
150 c) Imagen Im(T )
Algebra Lineal
Al transformar una base del dominio, se obtendr a un conjunto generador de la imagen Im(T ), se usar a la base can onica: T (x2 ) = (1, 1, 0), T (x) = (1, 0, 1), por lo que el conjunto generador ser a: G = (1, 1, 0); (1, 0, 1); (0, 1, 1) , con matriz y escalon andola se tiene: 1 1 0 1 1 0 1 0 1 0 1 1 0 1 1 0 0 0 al subespacio Im(T ) entonces: T (1) = (0, 1, 1)
esto establecemos el espacio generado, utilizando los vectores como las de una
por lo que la base can onica del subespacio es (1, 1, 0); (0, 1, 1) y este genera Im(T ) = (1, 1, 0); (0, 1, 1) adem as (x, y, z ) = (1, 1, 0) + (0, 1, 1), de donde x = , y = + , z = , obteni endose x = y + z Im(T ) = {(x, y, z ) R3 / x y z = 0}
d) Nulidad (T ) Como Ker(T ) = {ax2 ax a / a R} entonces: ax2 ax a = a(x2 x 1) Ker(T ) = x2 x 1 e) Rango (T ) Por lo anterior se tiene que Im(T ) = (1, 1, 0); (0, 1, 1) (T ) = 2 (T ) = 1
III. Matriz asociada a una transformaci on lineal 1. En R4 , sea la base ordenada B = {(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)}. Determinar el vector de coordenadas de (1, 4, 1, 3) en esa base. Soluci on Debemos determinar los coecientes de la combinaci on lineal del vector dado en t erminos de la base B : (1, 4, 1, 3) = (1, 1, 1, 1) + (1, 1, 1, 0) + (1, 1, 0, 0) + (1, 0, 0, 0)
Algebra Lineal
151
Desarrollando el lado derecho e igualando componentes obtenemos: 1 4 1 3 = = = = +++ ++
2. En R2 se da la base ordenada B = {(1, 1), (2, 1)}. Determinar el vector de coordenadas de cualquier (a, b) R2 . Soluci on Hacemos (a, b) = (1, 1) + (2, 1). De aqu , =
1 3 (a
Resolviendo este sistema obtenemos que = 3, = 4, = 3 y = 3. 3 4 [(1, 4, 1, 3)]B = 3 3
a = + 2 ,
+ 2b), =
1 3 (a
b)
b = ,
luego,
[(a, b)]B =
(a + 2b)/3 (a b)/3
3. En P2 [x] se da la base ordenada B = {x2 1 , x + 1 , 3}. Determinar el vector de coordenadas de cualquier polinomio p(x) = ax2 + bx + c P2 [x]. Soluci on Hacemos ax2 + bx + c = (x2 1) + (x + 1) + (3). Luego, ax2 + bx + c = x2 + x + + 3 Igualando coecientes se tiene: = a, = b, = (a b + c)/3 a [ax2 + bx + c]B = b (a b + c)/3
4. Dados los espacios vectoriales V = R4 y W = R4 , y sea la transformaci on lineal T : V W , denida por T (x, y, z, w) = (x + 2y , 2x + y z w , 3x 2z + 3w , 2y + 3z + 4w) Hallar la matriz asociada a T respecto de las bases B1 = (1, 0, 0, 0), (1, 1, 0, 0), (1, 1, 1, 0), (1, 1, 1, 1)} de V y
152
Algebra Lineal B2 = (1, 0, 0, 0), (1, 1, 0, 0), (1, 1, 1, 0), (1, 1, 1, 1)} de W . Soluci on lineal de los elementos de B2 :
Calculamos las im agenes de los elementos de B1 y las escribimos como combinaci on
T (1, 0, 0, 0) = (1, 2, 3, 0) = 1 (1, 0, 0, 0) + 2 (1, 1, 0, 0) + 3 (1, 1, 1, 0) + 4 (1, 1, 1, 1) T (1, 1, 0, 0) = (3, 3, 3, 2) = 1 (1, 0, 0, 0) + 2 (1, 1, 0, 0) + 3 (1, 1, 1, 0) + 4 (1, 1, 1, 1) T (1, 1, 1, 0) = (3, 2, 1, 5) = 1 (1, 0, 0, 0) + 2 (1, 1, 0, 0) + 3 (1, 1, 1, 0) + 4 (1, 1, 1, 1)
T (1, 1, 1, 1) = (3, 1, 4, 9) = 1 (1, 0, 0, 0) + 2 (1, 1, 0, 0) + 3 (1, 1, 1, 0) + 4 (1, 1, 1, 1) luego se procede a encontrar los 1 2 2 [AT ]B B1 = 3 4 valores de los i , i , i y i 1 1 1 1 0 1 2 1 0 1 3 2 2 2 = 3 3 3 3 1 4 5 4 4 4 0 2 5 9
5. Dados los espacios vectoriales V = P3 [x] = {ax3 + bx2 + cx + d / a, b, c, d R} y denida por d (ax3 + bx2 + cx + d) dx Hallar la matriz asociada a T respecto de las bases T (ax3 + bx2 + cx + d) = B2 = B1 = {x3 x , x2 + 1 , x3 1 , x2 + x} de V {2x2 2 , x 1 , 2x2 y + x + 1} de W .
W = P2 [x] = {ax2 + bx + c / a, b, c R}, y sea la transformaci on lineal T : V W ,
Utilice la matriz para obtener la transformaci on de q (x) = x3 + 2x2 x + 3 y compruebe mediante la regla de correspondencia. Soluci on Calculamos las im agenes de los elementos de B1 y las escribimos como combinaci on lineal de los elementos de B2 : T (x3 x) = 3x2 1 = 1 (2x2 2) + 2 (x 1) + 3 (2x2 + x + 1) T (x3 1) = 3x2 = 1 (2x2 2) + 2 (x 1) + 3 (2x2 + x + 1) T (x2 + x) = 2x + 1 = 1 (2x2 2) + 2 (x 1) + 3 (2x2 + x + 1) i y i 1 3/2 3/2 1 3/2 1/2 1 0 1/2 T (x2 + 1) = 2x = 1 (2x2 2) + 2 (x 1) + 3 (2x2 + x + 1)
luego se procede a encontrar los valores de los i , i , 1 1 1 1 1/2 B2 [AT ]B1 = 2 2 2 2 = 1 3 3 3 3 1
Algebra Lineal
153
ahora para obtener la transformaci on del polinomio q (x) = x3 + 2x2 x + 3 usaremos la ecuaci on
2 [T (q (x))]B2 = [AT ]B B1 [q (x)]B1
luego x3 + 2x2 x + 3 = 1 (x3 x) + 2 (x2 + 1) + 3 (x3 1) + 4 (x2 + x) hallando los valores de los i se obtiene [q (x)]B1 = (1/2, 7/2, 1/2, 3/2) de donde 1/2 1/2 1 0 1/2 5 / 2 7/2 0 [T (q (x))]B2 = = 1 1 3 / 2 3 / 2 1/2 1 1 3/2 1/2 4 3/2 nalmente para obtener la imagen buscada se realiza una combinaci on lineal con [T (q (x))]B2 y los vectores de la base B2 5 (2x2 2) + 0(x 1) + 4(2x2 + x + 1) = 3x2 + 4x 1 2 al aplicar directamente la regla de asignaci on sobre el polinomio se tiene d (x3 + 2x2 x + 3) = 3x2 + 4x 1 dx que es el mismo resultado obtenido anteriormente. 6. Dados los espacios vectoriales V = R2 yW 2 T : V W asociada a la matriz A = 1 1 V y B2 = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} de W Soluci on Sea v = (x, y ) V , podemos expresarlo como combinaci on lineal de elementos de la base B1 (x, y ) = (1, 1) + (2, 0) = R3 , hallar la transformaci on lineal
1 0 , con bases B1 = {(1, 1), (2, 0)} de 1
de donde = y y = (x y )/2, es decir (x, y )B1 = (y , (x y )/2) o tambi en x y ahora usaremos la ecuaci on
2 [T (v )]B2 = [AT ]B B1 [v ]B1
=
B1
y (x y )/2
154
Algebra Lineal 1 y = 1 0 (x y )/2 1 1 2
Walter Arriaga Delgado (x + 3y )/2 = y (x 3y )/2
[T (v )]B2
luego para obtener la transformaci on lineal se realiza una combinaci on lineal con [T (v )]B2 y los vectores de la base B2 T (x, y ) = x + 3y x 3y (1, 0, 0) y (1, 1, 0) + (1, 1, 1) 2 2 T (x, y ) = (x y , x 5y x 3y , ) 2 2
Algebra Lineal
155
3.
I. Transformaciones Lineales 1) Determinar cuales de las siguientes aplicaciones son transformaciones lineales. Considere K = R. 1.1) T : R R denido por: T (x) = mx T (x) = |x| T (x) = x + 1 T (x) = sen x T (x) = ex 1.2) T : R R2 denido por: Rpta. Si Rpta. No Rpta. Si Rpta. No Rpta. No Rpta. No Rpta. No
T (x) = (x, 3x) T (x) = (x, x2 ) 1.3) T : R2 R denido por: T (x, y ) = 2x 3y T (x, y ) = xy 1.4) T : R2 R2 denido por: T (x, y ) = (2x, y ) T (x, y ) = (x + 2y, x + 3y ) T (x, y ) = ( 3 x, 3 y ) 1.5) T : R2 R3 denido por: T (x, y ) = (x + y, x y, x) 1.6) T : R3 R2 denido por: T (x, y ) = (x + 3y, 1, y x) T (x, y, z ) = (x + y, x + z ) T (x, y, z ) = (2x + 3y, x + y + 1) 1.7) T : R3 R3 denido por: T (x, y, z ) = (x + y + z, 2y 3z, x + 2z ) T (x, y, z ) = (x + 1, y + 2, z + 3) T (x, y, z ) = (x, y 2 , z 3 ) 1.8) T : R4 R2 denido por:
Rpta. Si Rpta. No
Rpta. Si Rpta. Si Rpta. No
Rpta. Si Rpta. No
Rpta. Si Rpta. No
Rpta. Si Rpta. No Rpta. No
T (x, y, z, w) = (xz, yw)
Rpta. No
156
Algebra Lineal T (x, y, z, w) = (ex+y , ln(z + w)) 1.9) T : R Rn denido por: T (x) = (x, x, . . . , x) T (x) = (x, 2x, . . . , nx) 1.10) T : Rn R denido por: T (x1 , x2 , . . . , xn ) = i (x1 , x2 , . . . , xn ) = xi (Proyecci on a la i esima coordenada)
n
Walter Arriaga Delgado Rpta. No
Rpta. Si Rpta. Si
Rpta. Si xi
i=1 n
T (x1 , x2 , . . . , xn ) = x1 + x2 + + xn =
2 2 T (x1 , x2 , . . . , xn ) = x2 1 + x2 + + xn =
Rpta. Si Rpta. No
x2 i
i=1
1.11) T : Rn Rm denido por: T (X ) = AX , donde A es una matriz de orden m n 1.12) T : M22 R denido por: T a b c d a b c d = a+b+c+d = a2 + d2 Rpta. Si Rpta. No Rpta. Si
T (A) = Traz(A) T (A) = det(A) 1.13) T : R2 M22 denido por: T (x, y ) = x y+1 x xy 0 0 0 x+y
T (x, y ) =
1.14) T : M22 M23 denido por: T (A) = AB , donde B es una matriz ja de orden 2 3 1.15) T : Mnn R denido por: T (A) = traz(A) 1.16) T : Mnn Mnn denido por: T (A) = A + I T (A) = AB , donde B es una matriz ja de orden n n T (A) = AB + BA, donde B es una matriz ja de orden n n T (A) = AT A 1.17) T : Mmn Mnm denido por:
Walter Arriaga Delgado T (A) = AT
Algebra Lineal
157
1.18) T : C[0, 1] R denido por:

1
T (f ) =
0 1
f (x)dx f (x)g(x)dx, donde g es una funci on ja en C[0, 1]

0
T (f ) =
1.19) T : P2 [x] P2 [x] denido por:
T (a + bx + cx2 ) = (a b) + (b + c)x + (a c)x2
T (a0 + a1 x + a2 x2 ) = a0 + (a1 + a2 )x + (a2 a0 )x2 1.20) D : Pn [x] Pn1 [x] denido por: 1.21) I : Pn [x] Pn+1 [x] denido por: D (a0 + a1 x + a2 x2 + + an xn ) = a1 + 2a2 x + 3a3 x2 + + nan xn1 I (a0 + a1 x + a2 x2 + + an xn ) = a0 x + a1 2 a2 3 an x + x + + xn+1 2 3 n+1
1.22) T : D(R, R) D(R, R) denido por: d T (f (x)) = (f (x)) dx 1.23) T : I(R, R) I(R, R) denido por: T (f (x)) = f (x)dx 2) Hallar la transformaci on lineal T en los siguientes ejercicios: 2.1) T : R2 R T (1, 1) = 2, 2.2) T : R2 R2 T (1, 1) = (2, 0), Rpta. T (x, y ) = T (1, 0) = (3, 4), 2.3) T : R2 R3 T (0, 2) = (3, 1) 3y + x y x , 2 2 T (0, 1) = (1, 2) T (0, 1) = 1 Rpta. T (x, y ) = x + y
Rpta. T (x, y ) = (3x y , 4x + 2y )
T (1, 1) = (1, 2, 0), T (1, 2) = (1, 0, 2),
Rpta. T (x, y ) = (x , 4x 2y , x y )
T (1, 2) = (1, 0, 1)
T (2, 1) = (0, 2, 1) 2y x 4x 2y 5y 4x Rpta. T (x, y ) = , , 3 3 3 T (1, 2) = (1, 0, 1), T (2, 1) = (2, 1, 2) 2x y Rpta. T (x, y ) = x , , x 3 2.4) T : R3 R
158 T (1, 1, 1) = 3, 2.5) T : R3 R2
Algebra Lineal T (0, 1, 1) = 1, T (0, 0, 1) = 2
Rpta. T (x, y, z ) = 6x y 2z T (1, 1, 1) = (1, 2), T (1, 1, 1) = (1, 2), T (1, 0, 2) = (1, 3),
Rpta. T (x, y, z ) = (5x + 2y + 2z , 6x + 2y + 2z ) T (1, 1, 0) = (3, 4), T (1, 0, 0) = (1, 1)
T (1, 1, 0) = (3, 4),
T (1, 0, 0) = (5, 6)
Rpta. T (x, y, z ) = (2z x 4y , 2z x 5y ) Rpta. T (x, y, z ) = (x + y , x + z ) T (2, 1, 1) = (1, 3),
T (3, 2, 1) = (5, 4)
2.6) T : R3 R3 T (1, 0, 2) = (1, 3, 2), T (1, 1, 2) = (2, 4, 0), T (1, 1, 1) = (2, 2, 2), Rpta. T (x, y, z ) = (x + y , x + z , y + z ) T (2, 3, 1) = (5, 1, 2), T (2, 2, 3) = (3, 7, 1), T (2, 1, 1) = (3, 1, 0) T (5, 3, 1) = (9, 3, 1)
Rpta. T (x, y, z ) = (x + y + z , x y + z , x y z ) T (1, 2, 3) = (3, 6, 2), Rpta. T (x, y, z ) = (2x y + z , x + 2y + z , x + 2y z ) T (1, 0, 0) = (2, 1, 1)
T (1, 3, 2) = (2, 1, 5), T (2, 3, 1) = (1, 3, 4), T (4, 2, 1) = (5, 2, 2) 30y 54x 31z 2x + 37y + 32z 41x + 48y 30z Rpta. T (x, y, z ) = , , 49 49 49 T (1, 2, 3) = (0, 2, 1), T (4, 5, 6) = (0, 1, 1), T (7, 8, 1) = (1, 1, 1) 2y x z 67x + 62y 3z , , x + y Rpta. T (x, y, z ) = 8 24 II. Clasicaci on de las transformaciones lineales 1) En la lista de ejercicios (I) determinar si las transformaciones lineales son monomorsmos, epimorsmos, isomorsmos, automorsmos o endomorsmos. 2) Sean T : V W y S : W Z transformaciones lineales. Probar que si T y S son suryectivas, entonces ST es suryectiva. Probar que si T y S son inyectivas, entonces ST es inyectiva. Probar que si S no es suryectiva, entonces ST no es suryectiva. Probar que si T no es inyectiva, entonces ST no es inyectiva. Puede ser S suryectiva y ST no? Puede ser T inyectiva y ST no? III. N ucleo e imagen de una transformaci on lineal 1) Dadas las siguientes transformaciones lineales, determinar el n ucleo Ker(T ), la imagen Im(T ), la nulidad (T ) y el rango (T )
Walter Arriaga Delgado 4.1) T : R2 R 4.2) T : R2 R2 T (x, y ) = x 2y T (x, y ) = (x y, y ) 4.3) T : R2 R3
Algebra Lineal
159
Rpta. (T ) = 1, (T ) = 1
Rpta. (T ) = 0, (T ) = 2 Rpta. (T ) = 0, (T ) = 2
T (x, y ) = (x 2y, x + y ) T (x, y ) = (x + y, x y, x + 2y ) T (x, y ) = (x 2y, 2x y, x + y ) T (x, y ) = (x y, x + y, 2x + 3y ) T (x, y, z ) = (x + y, x y ) T (x, y, z ) = (x, y z ) T (x, y, z ) = (x + y + z, y + z ) T (x, y, z ) = (x y z, 2x y z )
4.4) T : R3 R2
4.5) T : R3 R3
T (x, y, z ) = (x y + z, 2x y + 2z ) T (x, y, z ) = (x y, 2z y, x 2z ) T (x, y, z ) = (x + 3y + 4z, 3x + 4y + 7z, 2x + 2y ) T (x, y, z ) = (x + 2y z, y + z, x + y 2z ) T (x, y, z ) = (x y + z, x + z, 2x y + 2z ) T (x, y, z ) = (x 2y + z, 2x + y z, x + 3y 2z ) T (x, y, z, w) = (x + y z, x z + w) T (x, y, z, w) = (x y + 2z + 3w, y + 4z + 3w, x + 6z + 6w) T (x, y, z, w) = (z + w y, 2x 2z, x + 3y 2z + 3w, y x + z + 2w)
4.6) T : R4 R2 4.7) T : R4 R3 4.8) T : R4 R4
4.9) T : R5 R4
T (x, y, z, w) = (x y + 2z + w, x + z + 2w, x 2y + 5z + 4w, 2x y + z w) T (x, y, z, u, w) = (x + 2y + u + 3w, y + z + w, x + 3y + z + u + 4w, 2x 3y + T (x, y, z, u, w) = (x y + z + w, 2x y + 2z w, x + z 2w, u + x)
z 2u 5w) 4.10) T : R2 M22
160 x+y 0
Algebra Lineal 0 x+y
T (x, y ) =
4.11) T : Mnn Mnn T (A) = A At 4.12) T : P3 [x] P2 [x]
T (a0 + a1 x + a2 x2 + a3 x3 ) = a1 + a2 x2
2) Determinar la transformaci on lineal T : Rm Rn , tal que: a) m = 4, n = 3, Ker(T ) = (2, 1, 1, 2); (3, 0, 1, 1) b) m = 4, n = 3, Ker(T ) = (2, 1, 0, 1); (3, 1, 1, 2) c) m = 3, n = 2, Ker(T ) = (1, 2, 3) d) m = 3, n = 2, Ker(T ) = (0, 1, 1); (2, 1, 3) e) m = 4, n = 4, Ker(T ) = (1, 0, 1, 1); (0, 1, 1, 1) , T (1, 1, 0, 1) = (1, 0, 0, 1), T (1, 1, 1, 0) = (0, 1, 1, 0) 3) Para cada una de las siguientes transformaciones lineales calcular el n ucleo y la imagen; describir ambos subespacios impl cita y param etricamente. 1) D : P3 [x] P3 [x], 2) T : M22 R, 3) L : P2 [x] M22 , 4) Q : P3 [x] P4 [x], D (p(x)) = p (x) a b+c a
T (A) = traz(A) b+c Q(p(x)) = (x + 1)p(x) L(ax2 + bx + c) =
IV. Matriz asociada a una transformaci on lineal Dados los espacios vectoriales V y W , hallar la matriz asociada a la transformaci on lineal T : V W , con bases B1 de V y B2 de W , donde: 1) V = R2 , W = R2 T (x, y ) = (x + y , x y )
2 Rpta. [AT ]B B1 =
B1 = {(1, 1); (3, 2)}, B2 = {(1, 1); (3, 2)} 6 17 2 6
2) V = R2 , W = R3 T (x, y ) = (x + y , x y , x + 2y )
B1 = {(1, 2); (2, 0)}, B2 = {(1, 0, 0); (0, 2, 0); (0, 0, 3)} 3 2 2 1/2 1 = Rpta. [AT ]B B1 5/3 2/3
Algebra Lineal
161
T (x, y ) = (x + y , x y , 2x)
3) V = R3 , W = R2
B1 = {(1, 1); (0, 2)}, B2 = {(1, 1, 1); (1, 1, 0); (1, 0, 0)} 2 0 2 2 2 Rpta. [AT ]B = B1 2 4
T (x, y, z ) = (x 2z , y + z )
2 Rpta. [AT ]B B1 =
B1 = {(1, 1, 1); (2, 2, 0); (3, 0, 0)}, B2 = {(2, 0); (0, 2)} 1/2 1 3/2 1 1 0
T (x, y, z ) = (2x + y z , x 3z )
2 Rpta. [AT ]B B1 =
B1 = {(1, 1, 1); (1, 1, 1); (1, 1, 1)}, B2 = {(1, 1); (1, 0)} 2 5 4 4 1 2
T (x, y, z ) = (2x + y + z , y 3z )
2 Rpta. [AT ]B B1 =
B1 = {(1, 0, 1); (1, 1, 0); (1, 1, 1)}, B2 = {(1, 1); (2, 3)} 3 7/5 16/5 0 4/5 2/5
B1 = {(1, 1, 1); (1, 1, 1); (1, 2, 0)}, B2 = {(1, 1); (1, 0)}
2 Rpta. [AT ]B B1 =
T (x, y, z ) = (2x 3y + 4z , 5x y + 2z ) 6 2 3 9 3 1
T (1, 1, 0) = (1, 2),
T (0, 0, 1/2) = (2, 0), 2/3 0 3
T (3, 0, 0) = (6, 9)
B1 = {(1, 1, 0); (0, 0, 1/2), (3, 0, 0)}, B2 = {(2, 3); (1, 0)}
2 Rpta. [AT ]B B1 =
1/3 2 0
4) V = R3 , W = R3 T (x, y, z ) = (z , x + y , y )
B1 = {(1, 0, 0); (2, 1, 0); (3, 1, 2)}, B2 = {(2, 1, 0); (1, 0, 2); (0, 0, 1)} 1 3 4 2 2 6 10 Rpta. [AT ]B = B1 4 13 21 B1 = {(1, 0, 0); (2, 1, 0); (3, 1, 2)}, B2 = {(2, 1, 0); (1, 0, 2); (0, 0, 1)} T (x, y, z ) = (y z , x + y , x y + z )
162 1 3
Algebra Lineal 4
5) V = R3 , W = R4
2 Rpta. [AT ]B B1 = 2 5 9 5 11 22 T (x, y, z ) = (x + y , y 2z , 2x + y , 2x + 3z )
6) V = R4 , W = R3
B2 = {(1, 1, 1, 1); (1, 1, 1, 1); (1, 1, 1, 1); (1, 1, 1, 1)} 3/2 2 1/2 3 3 4 2 = Rpta. [AT ]B B1 3 4 7/2 7/2 4 4 T (x, y, z, w) = (x + 2y , 3y + 4z , 2x + 5w)
B1 = {(1, 0, 2); (0, 1, 3); (1, 2, 3)},
B1 = {(1, 0, 0, 0); (1, 1, 0, 0); (1, 1, 1, 0); (1, 1, 1, 1)}, B2 = {(1, 0, 0); (0, 1, 0); (0, 1, 1)} 1 3 3 B2 Rpta. [AT ]B1 = 2 5 9 2 2 2 T (1, 0, 0, 0) = (2, 3, 4, 5), T (0, 0, 1, 0) = (3, 0, 2, 4) B2 = {(1, 0, 0, 0); (0, 2, 9, 0); (0, 0, 1, 1); (0, 0, 1, 0)} 2 1 0 3 3/2 2 3 / 2 0 2 Rpta. [AT ]B = B1 5 6 0 4 29/2 24 23/2 2 x y B1 = {(1, 0, 0, 0); (0, 2, 9, 0); (0, 0, 1, 1); (0, 0, 1, 0)}, 3 3 4 T (0, 0, 1, 1) = (0, 3, 2, 0),
7) V = R4 , W = R4
T (0, 2, 9, 0) = (1, 4, 0, 6),
8) V = R3 , W = M22 T (x, y, z ) =
xz x+z 1 0 1 1 0 0 0 1 0 1 1 1
B1 = {(0, 2, 1); (2, 0, 1); (0, 1, 1)}, B2 = 1 1 1 1 ; ; ;
Algebra Lineal 2
163
Rpta.
2 [AT ]B B1
9) V = M22 , W = R3 T x y
3 = 2
2 2 2 1 1 1 1
z w
= (x + y z , x + y + w , y + z + w) 1 1 1 1 ; 1 0 1 1 ; 0 0 0 1 ; 0 1 1 1 ,
B1 =
10) T : P2 [x] R3
B2 = {(0, 2, 1); (2, 0, 1); (0, 1, 1)} 3 1/2 0 2 2 Rpta. [AT ]B 0 B1 = 1/2 1/2 0 2 1 0 3 T (p) = (p(0), p(1), p (1)) B1 = {x2 , x , 1}, 0 B2 Rpta. [AT ]B1 = 1 2 B2 = {(1, 0, 0) , (0, 1, 0) , (0, 0, 1)} 0 1 1 1 1 0
11) V = P3 [x], W = P2 [x]
T (ax3 + bx2 + cx + d) = bx2 + c B1 = {x3 , x2 , x , 1}, B2 = {x2 , x , 1} 0 1 0 0 2 Rpta. [AT ]B B1 = 0 0 0 0 0 0 1 0 Dados los espacios vectoriales V y W , hallar la transformaci on lineal T : V W 1 1) A = 1 0 1 1 2 V = R2 , asociada a la matriz A, con bases B1 de V y B2 de W , donde:
B1 = {(1, 1), (2, 0)}, x 5y x 3y Rpta. T (x, y ) = (x y , , ) 2 2
W = R3 ,
B2 = {(1, 0, 0), (1, 1, 0), (1, 1, 1)}
164 3 2) A = 0 2 2 1 1 V = R2 ,
Algebra Lineal
W = R3 , 1 2 W = R2 , 1 2 2
Rpta. T (x, y ) = (x , y 3x , 9y 5x) 3) A = 3 1 1 0
B1 = {(2, 1), (1, 1)},
B2 = {(0, 1, 1), (1, 1, 1), (1, 2, 0)}
V = R3 , 1
Rpta. T (x, y, z ) = (2x 2y + z , 2y + 2z ) 4) A = 1 1
B1 = {(1, 0, 1), (0, 0, 1), (2, 1, 0)},
B2 = {(1, 1), (0, 1)}
V = R3 ,
W = R2 ,
Rpta. T (x, y, z ) = (4x 7y + 5z , 35y 25z 20x) V. Operaciones con transformaciones lineales y g : V W con bases B1 de V y B2 de W , donde: 1) V = R2 , W = R2 f (x, y ) = (x + y , x y ) B1 = {(1, 1); (3, 2)} B2 = {(1, 1); (3, 2)}
B1 = {(2, 1, 0), (1, 0, 1), (0, 1, 1)},
B2 = {(1, 2), (0, 3)}
Dados los espacios vectoriales V y W y sean las transformaciones lineales f : V W
g(x, y ) = (2x + 3y , 3x 2y )
Hallar: Af , Ag , Af +g , Af g , A2f +3g , Af 2 , Ag2 , Af g , Agf , Af 1 , Ag1 . Dados los espacios vectoriales V y W y sean las transformaciones lineales f : V W
y g : W V con bases B1 de V y B2 de W , donde: 1) V = R3 , W = R2 f (x, y, z ) = (x y , y + z )
B1 y B2 son las bases can onicas Hallar: f g, g f .
g(x, y ) = (x + y , x y , 2x + 3y )
VALORES Y VECTORES PROPIOS. DIAGONALIZACION

Objetivos Determinar los valores propios y los vectores propios de una matriz cuadrada asociada a un endomorsmo. Interpretar geom etricamente el signicado de un autovalor y de los autovectores asociados a el. Aplicar la diagonalizaci on de matrices en el c alculo de la potencia n esima de una matriz diagonalizable.
5.1.
Valores y vectores propios
El c alculo de los valores propios y de los vectores propios de una matriz sim etrica tiene gran importancia en las matem aticas y en la ingenier a, entre los que cabe destacar, el problema de la diagonalizaci on de una matriz, ecuaciones diferenciales, sistemas din amicos discretos y continuos, el c alculo de los momentos de inercia y de los ejes principales de inercia de un s olido r gido, o de las frecuencias propias de oscilaci on de un sistema oscilante, estabilidad de sistemas lineales, dise no de sistemas electr onicos, an alisis de sistemas el ectricos de generaci on, transporte y demanda de energ a el ectrica, an alisis de estructuras y ceros de funciones transferencia, etc. 165
166 Un poco de historia
Algebra Lineal
Los valores y vectores propios pertenecen a los temas de mayor utilidad del algebra lineal. Se usan en varias areas de la matem atica, f sica, mec anica, ingenier a el ectrica y nuclear, hidrodin amica, aerodin amica, etc. De hecho, es raro encontrar un area de la ciencia aplicada donde nunca se hayan usado. Puede parecer muy extra no, pero los valores propios de las matrices aparecieron publicados antes que las matrices. Esto se debe al hecho ins olito de que parafraseando a Cailey, la teor a de las matrices estaba bien desarrollada (a trav es de la teor a de los determinantes) antes de que siquiera se denieran las matrices. Seg un Morris Kline, los valores propios se originaron en el contexto de formas cuadr aticas y en la mec anica celeste (el movimiento de los planetas), conoci endose como ra ces caracter sticas de la ecuaci on escalar. Desde aproximadamente 1740, Euler usaba de manera impl cita los valores propios para describir geom etricamente las formas cuadr aticas en tres variables. En la d ecada de 1760, Lagrange estudi o un sistema de seis ecuaciones diferenciales del movimiento de los planetas (s olo se conoc an seis) y de ah dedujo una ecuaci on polinomial de sexto grado, cuyas ra ces eran los valores propios de una matriz 6 6. En 1820, Cauchy se dio cuenta de la importancia de los valores propios para determinar los ejes principales de una forma cuadr atica con n variables. Tambi en aplic o sus descubrimientos a la teor a del movimiento planetario. Fue Cauchy quien, en 1840, us o por primera vez los t erminos valores caracter sticos y ecuaci on caracter stica para indicar los valores propios y la ecuaci on polinomial b asica que satisfacen. Denici on 5.1.1. Sea V un K espacio vectorial y T : V V un endomorsmo, un n umero K es un valor propio de T , si existe un vector no nulo en V , tal que: T (v ) = v Como a cada transformaci on lineal T se le asocia una matriz A, podemos denir tambi en el valor propio de la siguiente manera: Un n umero K es un valor propio de la matriz Ann , si existe un vector no nulo en V , tal que: Av = v El vector v = 0 correspondiente al valor propio , se llama vector propio. (5.1)
Algebra Lineal
167
Nota 5.1.1. La palabra eigen es la palabra alemana para propio. Los eigenvalores tambi en se llaman autovalores, valores propios o valores caracter sticos. Los eigenvectores reciben el nombre de autovectores, vectores propios o vectores caracter sticos. Observaci on 5.1.1. Observemos que mientras un vector propio debe ser no nulo (el vector 0 no se considera vector propio) un valor propio s puede ser nulo (el escalar 0 s puede ser valor propio). Todo vector propio va asociado a un u nico valor propio (se dir a que es el valor propio asociado a ese vector propio). Evidentemente, si tenemos un autovalor para una matriz A, el autovector asociado no es u nico (todos los proporcionales tambi en lo son), de hecho, es f acil ver que forman un conjunto particular tal y como se nalamos en la siguiente denici on. Denici on 5.1.2. (Subespacio propio) Al conjunto de todos los autovectores asociados a un autovalor junto con el vector 0, es decir A = {x / Av = v } {0}, se le llama subespacio propio asociado al autovalor (de hecho, es un subespacio vectorial, es decir, suma de autovectores asociados a un mismo autovalor tambi en es autovector, y lo mismo cabe esperar del producto de un escalar por un autovector; tambi en se suele expresar como subespacio invariante del endomorsmo). Ahora, en la ecuaci on (5.1) podemos escribir Av v = 0, o sacando factor com un, (A I )v = 0 lo cual signica que v Ker(A I ). Esta u ltima relaci on representa un sistema homog eneo. Recordemos que para que un sistema homog eneo admita soluci on distinta de la trivial, debe ocurrir que el rango no sea m aximo, o dicho de otro modo, que tras aplicar el m etodo de reducci on de Gauss obtengamos al menos una la completa de ceros, o equivalentemente (y lo que m as se suele usar para calcularlo), que el determinante de la matriz del sistema sea cero. Por tanto, tenemos el siguiente teorema: Teorema 5.1.1. Sea A una matriz de orden n n, entonces es un valor propio de A si y s olo si P () = det(I A) = 0 (5.2)
168
Algebra Lineal La ecuacion (5.2) se llama ecuaci on caracter stica de A, donde: a11 a21 |I A| = a31 . . . an1 a12 a22 a32 . . . an2 a13 a23 a1n a2n a3n . . .
a33 . .. . . . an3
=0
ann
Al determinante, que desarrollado es simplemente un polinomio en de grado menor o igual que n, se le llama polinomio caracter stico de A: P () = |I A| = cn n + cn1 n1 + + c1 + c0 Nota 5.1.2. Contando multiplicidades, toda matriz n n tiene exactamente n valores propios. Si el cero es autovalor, eso es que P () = |I A| se anula cuando = 0, entonces P (0) = |A| = 0. Rec procamente, si el determinante de una matriz es no nulo, el cero no es autovalor. Propiedades: Sean A y B matrices cuadradas de orden n, se cumple: La suma de los n valores propios de la matriz A es igual a su traza.
n
Traz(A) = 1 + 2 + 3 + + n =
i
i=1
El producto de los n valores propios de la matriz A es igual a su determinante.

n
det(A) = 1 2 3 . . . n =
i=1
Los valores propios de una matriz triangular (superior o inferior) son los valores de su diagonal. Autovalores distintos, 1 = 2 , no tienen autovectores comunes: A1 A2 = {0}. Es decir, un autovector v admite s olo un autovalor. (El rec proco, en general, no es cierto.)
Algebra Lineal
169
A y At tienen los mismos autovalores. En efecto, |I At | = |I t At | = |(I A)t | = |I A|, por tanto A y At tienen los mismos autovalores. AB y BA tienen los mismos autovalores. En efecto, |I AB | = |IAA1 ABAA1 | = |A(I )A1 A(BA)A1 | = |A(I autovalores. Si es autovalor de A, k es un autovalor de kA. En efecto, si es autovalor de A entonces: Av = v , con v autovector respecto de , ahora, (kA)v = k(Av ) = k(v ) = (k)v , por lo tanto k es un autovalor de kA y con v autovector respecto de k. Si es autovalor de A, k es un autovalor de A kIn . En efecto, si es autovalor de A entonces: Av = v , con v autovector respecto de , ahora, (A kIn )v = Av kIn v = v kv = ( k)v , por lo tanto k es un autovalor de A kIn . Si es autovalor de A, y A es regular, 1 es un autovalor de A1 . En efecto, si es autovalor de A entonces: Av = v , con v autovector respecto de , ahora como A es regular entonces A1 (Av ) = A1 (v ), luego v = A1 v , es decir 1 v = A1 v , de donde A1 v = 1 v , por lo tanto 1 es un autovalor de A1 . Si es autovalor de A, k es un autovalor de Ak . En efecto, por inducci on tenemos: Para h = 2, se verica A2 v = A(Av ) = A(v ) = Av = (v ) = 2 v , luego 2 es autovalor de A2 . Para h = k 1, se supone que se cumple Ak1 v = k1 v , luego k1 es autovalor de Ak1 . Para h = k, se prueba que: Ak v = A(Ak1 v ) = A(k1 v ) = k1 (Av ) = k1 (v ) = k v , luego k es autovalor de Ak .
BA)A1 | = |A||I BA||A1 | = |I BA|, por tanto AB y BA tienen los mismos
Por lo tanto para cualquier valor de k se cumple que k es un autovalor de Ak .
170
Algebra Lineal
Los autovalores de un endomorsmo idempotente (T 2 = T , por tanto su matriz asociada verica que A2 = A) de un espacio vectorial son = 0 y = 1. A manera de resumen, podemos esquematizar lo siguiente: Matriz A kA A kIn A1 Ak In + A autovalor k k 1 k 1+ autovector v v v v v v
En las siguientes propiedades estaremos reri endonos a valores o vectores propios indistintamente para matrices o endomorsmos. z del polinomio caracter stico de A de multiplicidad , se Denici on 5.1.3. Si 0 es una ra dice que 0 es un autovalor de orden de A, a se le llama multiplicidad algebraica de y se denota ma (). umero de Denici on 5.1.4. Se llama multiplicidad geom etrica de , y se denota mg (), al n autovectores linealmente independientes asociados a . En general, se cumple que: mg () ma () Procedimiento para calcular valores y vectores propios Se encuentra el polinomio caracter stico P () = det(I A) Se encuentran las ra ces 1 , 2 , . . ., m , de la ecuaci on caracter stica P () = 0 Una vez resuelta la ecuaci on caracter stica y obtenidos los autovalores de A, para calcular los autovectores se debe resolver el sistema homog eneo (i I A)v = 0, correspondiente a cada valor propio i
5.2.
Diagonalizaci on de una matriz
En general, hacer aritm etica con matrices es costoso, sobre todo si hay que realizar multiplicaciones entre ellas. Sin embargo, los c alculos se facilitan si las matrices son triangulares y
Algebra Lineal
171
a un m as si las matrices son diagonales. De otro lado, el c alculo de los valores propios de una matriz triangular y en especial si es diagonal es trivial; por ello, ser a conveniente encontrar un procedimiento que nos permitiera relacionar los valores propios de una matriz con los de una matriz triangular o diagonal. Por ahora, veamos que si dos matrices son semejantes, algunas de sus caracter sticas o propiedades son iguales; entre otras, sus valores propios son los mismos y los vectores propios de una se pueden calcular a partir de los de la otra.
5.2.1.
Matrices semejantes
Denici on 5.2.1. Sean A y B dos matrices cuadradas de orden n. Decimos que A es semejante a B si existe una matriz cuadrada P invertible tal que B = P 1 AP o tambi en P B = AP . La matriz P es conocida como matriz de paso. Teorema 5.2.1. Sean A y B dos matrices cuadradas de orden n y semejantes, entonces |A| = |B |. Demostraci on. Como A y B son semejantes entonces existe una matriz invertible P tal que B = P 1 AP , luego: |B | = |P 1 AP | = |P 1 ||A||P | = |A|, por lo tanto |A| = |B |. Teorema 5.2.2. Sean A y B dos matrices cuadradas de orden n y semejantes, entonces A y B tienen el mismo polinomio caracter stico y, por lo tanto, los mismos autovalores. Demostraci on. Como A y B son semejantes entonces existe una matriz invertible P tal que B = P 1 AP , luego: |I B | = |P 1 IP P 1 AP | = |P 1 (I A)P | = |P 1 ||I A||P | = |I A| por lo tanto, A y B tienen el mismo polinomio caracter stico y los mismos autovalores.
172
Algebra Lineal
4.
I. Valores y vectores propios 1. Determinar los autovalores y autovectores correspondientes a la matriz: 4 5 A= 2 3 Soluci on Encontremos primero los autovalores, para ello 1 0 4 5 4 5 = det(I A) = =0 2 + 3 0 1 2 3 2 2 = 0 resolviendo la ecuaci on se obtienen los dos valores propios: 1 = 1 2 = 2
de donde: ( 4)( + 3) + 10 = 0, obteni endose la ecuaci on caracter stica:
encontremos ahora los correspondientes vectores propios: Para 1 = 1: 5 5 x1 x1 = 0 = (1 I A)v = (1) 0 1 2 3 x2 2 2 x2 1 0 4 5
resolviendo el sistema se obtiene x1 = x2 , de donde v = (x1 , x2 ) = (x1 , x1 ) = x1 (1, 1) luego v1 = (1, 1)
es un vector propio correspondiente a
1 = 1
Para 2 = 2: 4 5 x1 2 5 x = 1 = 0 (2 I A)v = 2 0 1 2 3 x2 2 5 x2 1 0
2 resolviendo el sistema se obtiene x2 = x1 , de donde 5 1 v = (x1 , x2 ) = (x1 , 2 x ) = x (5 , 2) 1 1 5 5 luego v2 = (5, 2)
es un vector propio correspondiente a
2 = 2
Algebra Lineal
173
2. Determinar los autovalores y autovectores correspondientes a la matriz: 1 4 2 A = 3 4 0 3 1 3
Soluci on
Encontremos primero los autovalores, para ello +1 det(I A) = 3 3 4 4 1 2 0 3 =0
al efectuar el determinante se obtiene la ecuaci on caracter stica: 3 62 + 11 6 = 0 resolviendo la ecuaci on se obtienen los valores propios: 1 = 1 2 = 2 3 = 3
encontremos ahora los correspondientes vectores propios: Para 1 = 1: 2 4 2 x1
resolviendo el sistema se obtiene x1 = x2 = x3 , de donde v = (x1 , x2 , x3 ) = (x1 , x1 , x1 ) = x1 (1, 1, 1) luego v1 = (1, 1, 1)
(1 I A)v = 3 3 0 x2 = 0 3 1 2 x3 2x1 4x2 + 2x3 = 0 3x1 3x2 = 0 3x1 x2 2x3 = 0 es un vector propio correspondiente a 3 4 2 x1 1 = 1
Para 2 = 2:
(2 I A)v = 3 2 0 x2 = 0 3 1 1 x3
174
Algebra Lineal 3x1 4x2 + 2x3 3x1 2x2 3x1 x2 x3
= 0 = 0 = 0
3 3 x1 , x3 = x1 , de donde 2 2 3 3 x1 v = (x1 , x2 , x3 ) = x1 , x1 , x1 = (2, 3, 3) 2 2 2 luego v2 = (2, 3, 3) es un vector propio correspondiente a 2 = 2 resolviendo el sistema se obtiene x2 = Para 3 = 3: 4 4 2 x1 (3 I A)v = 3 1 0 x2 = 0 3 1 0 x3 4x1 4x2 + 2x3 = 0 3x1 x2 = 0 3x1 x2 = 0
resolviendo el sistema se obtiene x2 = 3x1 , x3 = 4x1 , de donde v = (x1 , x2 , x3 ) = (x1 , 3x1 , 4x1 ) = x1 (1, 3, 4) luego v3 = (1, 3, 4) es un vector propio correspondiente a 3 = 3
Algebra Lineal
175
5.
I. Valores y vectores propios Determinar los autovalores y autovectores correspondientes a las siguientes matrices: 1 = 1; vp1 = (1, 1) 1 2 1) Rpta. = 3; 2 1 vp2 = (1, 1) 2 1 = 1; vp1 = (1, 2) 1 0 2) Rpta. = 2; v = (0, 1) 2 2 2 p2 1 1 3) Rpta. 1 = 1; vp1 = (1, 0) 0 1 1 = 1; vp1 = (1, 2) 5 2 4) Rpta. = 6; v = (2, 1) 2 2 2 p2 1 = 1; vp1 = (3, 4) 5 3 5) Rpta. = 2; v = (1, 1) 4 2 2 p2 1 = 4 13; vp1 = (5 13 , 4) 9 3 6) Rpta. = 4 + 13; v = (5 + 13 , 4) 4 1 2 p2 1 = 1/2; vp1 = (1, 1) 9/16 1/16 7) Rpta. = 3/4; v = (1, 3) 3/16 11/16 2 p2 1 0 0 vp1 = (1, 0, 0) 8) 1 1 1 Rpta. 1 = 1; v = (0, 0, 1) p2 0 0 1 1 = 1; vp1 = (2, 1, 1) 0 1 1 9) 1 1 0 Rpta. 2 = 1; vp2 = (0, 1, 1) 1 0 1 3 = 2; vp3 = (1, 1, 1) 1 = 0; vp1 = (1, 1, 1) 1 1 0 10) 1 2 1 Rpta. 2 = 1; vp2 = (1, 0, 1) 0 1 1 3 = 3; vp3 = (1, 2, 1)
176 1 2 1 11) 1 0 1 4 4 5 12) 3 1 0 4 7 1 3 1 1 13) 2 2 1 2 2 0 1 14) 0 0

1 4 1 2 1 4
Algebra Lineal
Walter Arriaga Delgado 1 = 1; vp1 = (1, 1, 2) Rpta. 2 = 2; vp2 = (2, 1, 4) 3 = 3; vp3 = (1, 1, 4) Rpta. 1 = 1; vp1 = (2, 1, 1) 1 = 1; vp1 = (1, 0, 2) = 2; v = (1, 1, 2) 2 p2 vp1 = (0, 0, 1)
Rpta.
2 1 1 15) 2 3 2 3 3 4
0 0 1
2 0 3 16) 1 3 1 0 0 5 2 1 3 17) 1 2 3 3 3 20 5 6 6
1 3 3 19) 3 5 3 6 6 4
18) 1 4 2 3 6 4
v = (1, 0, 0) p2 2 = 1 ; vp3 = (1, 2, 1) 2 vp1 = (1, 0, 1) 1 = 1; v = (1, 1, 0) Rpta. p2 2 = 7; vp3 = (1, 2, 3) 1 = 2; vp1 = (1, 1, 0) Rpta. 2 = 3; vp2 = (0, 1, 0) 3 = 5; vp3 = (1, 0, 1) 1 = 1; vp1 = (1, 1, 0) Rpta. 2 = 2; vp2 = (3, 3, 1) 3 = 21; vp3 = (1, 1, 6) 1 = 1; vp1 = (3, 1, 3) vp2 = (2, 0, 1) Rpta. = 2; 2 v = (2, 1, 0) p2 vp1 = (1, 0, 1) 1 = 2; v = (1, 1, 0) Rpta. p2 2 = 4; vp3 = (1, 1, 2) Rpta.
1 = 1;
Walter Arriaga Delgado 3 1 1 20) 7 5 1 6 6 2
Algebra Lineal 1 = 2; vp1 = (1, 1, 0) = 4; 2 vp2 = (0, 1, 1)
177
Rpta.
3 1 1 21) 1 3 1 3 1 1 6 10
28 22) 2 3 4 1 2 7
2 1 0 23) 0 1 1 0 2 4 1 0 0 2 0 3 0 4 24) 1 2 0 0 0 0 0 1 2 5 25) 0 0 0 2 26) 0 0 4 0 3 0 0 0 1 2 0 2 2 2 1 0 0 0 1 1 0 2 4 0 0 Rpta. 0
1 = 0; vp1 = (1, 1, 4) Rpta. 2 = 2; vp2 = (1, 0, 1) 3 = 3; vp3 = (1, 1, 1) vp1 = (2, 1, 0) 1 = 1; Rpta. 2 = 2; vp2 = (1, 2, 1) 3 = 3; vp3 = (2, 1, 1) Rpta. 1 = 2; vp1 = (1, 0, 0) = 3; v = (1, 1, 2) 2 p2
1 = 3; vp1 = (0, 3, 2, 0) Rpta. 2 = 1; vp2 = (1, 0, 1, 0) 3 = 0; vp3 = (0, 0, 1, 0) 1 = 3; vp1 = (0, 0, 1, 2) 2 = 2; vp2 = (1, 1, 0, 0) 3 = 2; 4 = 7; vp3 = (0, 0, 2, 1) vp4 = (4, 5, 0, 0)
Rpta.
1 = 2; 2 = 3;
vp1 = (0, 0, 1, 1)
vp2 = (0, 0, 1, 2) 1 17 3 = ; vp3 = (4, 1 17, 0, 0) 2 1 + 17 4 = ; vp4 = (4, 1 + 17, 0, 0) 2
Determinar los autovalores y autovectores correspondientes a las siguientes transformaciones lineales T : V W , donde: a) V = R2 , W = R2
178
Algebra Lineal
Walter Arriaga Delgado 1 = 0; vp1 = (1, 1) = 2; v = (1, 1) 2 p2 1 = 2; vp1 = (1, 0)
1) T (x, y ) = (x + y , x + y )
Rpta.
2) T (x, y ) = (2x + y , 3y )
Rpta.
3) T (x, y ) = (x y , 3x + 5y ) 4) T (x, y ) = (10x 9y , 4x 2y ) b) V = R3 , W = R3 1) T (x, y, z ) = (x + y + z 1 = 0; Rpta. 2 = 3;
Rpta.
= 3; v = (1, 1) 2 p2 1 = 2; vp1 = (1, 1) = 4; v = (1, 3) 2 p2 1 = 4; vp1 = (3, 2)
Rpta.
, x + y + z , x + y + z) vp1 = (1, 1, 0) vp2 = (1, 0, 1) vp3 = (1, 1, 1)
2) T (x, y, z ) = (z , y , x) 1 = 1; vp1 = (1, 0, 1) vp2 = (0, 1, 0) Rpta. = 1; 2 v = (1, 0, 1) p3 3) T (x, y, z ) = (2x + y + z , = 1; vp1 1 Rpta. vp2 2 = 1; 3 = 3; vp3 = (0, 1, 1) = (1, 1, 0) = (2, 3, 1)
2x + 3y + 4z , x y 2z )
4) T (x, y, z ) = (x 3z , 2y , 3x z ) 1 = 4; vp1 = (1, 0, 1) vp2 = (1, 0, 1) Rpta. = 2; 2 v = (0, 1, 0) p3 5) T (x, y, z ) = (4x + y , 2y , y + 4z ) 1 = 2; vp1 = (1, 2, 1) vp2 = (0, 0, 1) Rpta. = 4; 2 v = (1, 0, 0) p3
Algebra Lineal 6y , 2x + 7z ) vp1 = (0, 1, 0) vp2 = (1, 0, 2) vp3 = (2, 0, 1)
179
6) T (x, y, z ) = (10x + 2z , 1 = 6; Rpta. 2 = 11;
8) T (x, y, z ) = (5x 6y 6z , x + 4y + 2z , 3x 6y 4z ) Rpta. 1 = 1; 2 = 2 9) T (x, y, z ) = (x 4y + 2z , 4x + y 2z , 2x 2y 2z ) Rpta. 1 = 3; 2 = 6 10) T (x, y, z ) = (x + y + 2z , = 1; vp1 1 Rpta. vp2 2 = 1; 3 = 4; vp3 Rpta. 1 = 1; 2 = 10 c) V = R4 , W = R4 1) T (x, y, z, w) = (x + y + z + w , x + y + z + w , x + y + z + w , x + y + z + w) Rpta. 1 = 0; 2 = 4 d) V = P2 [x], W = P2 [x] 1) T (ax2 + bx + c) = (2b c)x2 + (a + 3b c)x + (a + b + c) Ejercicios diversos: 2 a , determinar los valores reales de a y b para que el vector 1) Dada la matriz 3 b (1, 3) sea un autovector del autovalor asociado = 2. Rpta. a = 0, b = 1 x + 2y + z , 2x + y + z ) = (1, 0, 1) = (1, 2, 1) = (1, 1, 1)
7) T (x, y, z ) = (4x + z , 2x + y , 2x + z ) 1 = 1; vp1 = (0, 1, 0) Rpta. 2 = 2; vp2 = (1, 2, 2) 3 = 3; vp3 = (1, 1, 1)
11) T (x, y, z ) = (5x + 4y + 2z , 4x + 5y + 2z , 2x + 2y + 2z )
II. Diagonalizaci on de una matriz Determinar los autovalores y autovectores correspondientes a las siguientes transformaciones lineales T : V W , adem as determine si la matriz A asociada a la
180
Algebra Lineal
transformaci on lineal T es diagonalizable, si lo es encuentre la matriz P tal que D = P 1 AP a) V = R2 , W = R2 1) T (x, y ) = (x + y , 4x 2y ) 2) T (x, y ) = (4x 2y , 3x y ) 3) T (x, y ) = (4x + 2y , 3x + 3y ) 4) T (x, y ) = (2x 2y , 5x + y ) 5) T (x, y ) = (3x y , 2x + 4y ) 6) T (x, y ) = (2x y , 5x 2y ) 7) T (x, y ) = (3x 5y , x y ) 8) T (x, y ) = (3x + 2y , 5x + y ) b) V = R3 , W = R3 1) T (x, y, z ) = (x + y + 2z , 2x + 2y + 4z , 3x + 3y ) 2) T (x, y, z ) = (x + y + 2z , 2x + 2y + 4z , 3x + 3y + 6z ) 3) T (x, y, z ) = (x + 2y z , x + z , 4x 4y + 5z ) 4) T (x, y, z ) = (2x + y + z , 2x + 3y + 2z , 3x + 3y + 4z ) 5) T (x, y, z ) = (x + 2z , x y z , z ) 6) T (x, y, z ) = (x y + 4z , 3x + 2y z , 2x + y z ) 7) T (x, y, z ) = (3x + 2y + 4z , 2x + 2z , 4x + 2y + 3z ) 8) T (x, y, z ) = (x + y 2z , x + 2y + z , y z ) 9) T (x, y, z ) = (x y , x + 2y z , y + z ) 10) T (x, y, z ) = (3x , z , 2z ) 11) T (x, y, z ) = (7x 2y 4z , 3x 2z , 6x 2y 3z ) c) V = R4 , W = R4 1) T (x, y, z, w) = (x 2y , y , x + y + 2z , 2x + 2y + 3w) 2) T (x, y, z, w) = (x , y , x + y + 2z , 2x + 3w) 3) T (x, y, z, w) = (4x + y + w , 2x + 3y + w , 2x + y + 2z 3w , 2x y + 5w) 4) T (x, y, z, w) = (2x 2y , 5x + y , 2z w , 5z 2w)
Bibliograf a
[1] Anton, H. Introducci on al Algebra Lineal. Limusa, 2003. [2] Arvesu, J.; Marcell an, F.; S anchez, J. Problemas resueltos de Algebra Lineal. Paso a paso. Thomson, 2005. [3] Barbolla, R.; Sanz, P. Algebra Lineal y teor a de matrices. Prentice Hall, Madrid, 1998. [4] Burgos, J. Algebra lineal y geometr a cartesiana. McGraw-Hill, 1993. [5] Burgos, J. Algebra lineal. McGraw-Hill, 2000. [6] Diego, B. Problemas de Algebra lineal. Deimos, 2 edition, 1986. [7] Griel, D. Linear Algebra and its applications, volume 1 and 2. Ellis Horwood, 1989. [8] Hern andez, E. Algebra y Geometr a. Universidad Aut onoma de Madrid, 1994. [9] Lages Lima, Elon. Algebra Lineal. IMCA. Hozlo, Lima-Per u, 1999. [10] Larson. Edwards. Introducci on al Algebra Lineal. Limusa, 1995. [11] Lay, David C. Algebra Lineal y sus Aplicaciones. Prentice Hall, segunda edition, 2001. [12] Merino, L.; Santos, E. Algebra Lineal con m etodos elementales. Thomson, 2006. [13] M altsev, A. I. Fundamentos de Algebra Lineal. Mir, Mosc u, tercera edition, 1978. [14] Pita Ruiz, Claudio. Algebra Lineal. Mc Graw Hill, M exico, 1991. [15] Rojo, J. Algebra Lineal. Vector Ediciones, Madrid, 1989. [16] Rojo, J.; Martin, I. Ejercicios y problemas de Algebra Lineal. Editorial AC, Madrid, 1989. [17] Stanley I. Grossman. Algebra Lineal. Mc Graw Hill, M exico, quinta edition, 1996. [18] Strang, Gilbert. Algebra Lineal y sus aplicaciones. Addison-Wesley Iberoamericana, M exico, primera edition, 1990. [19] Villa, A. Problemas de Algebra. CLAGSA, 1988.
182
Algebra Lineal
Indice alfab etico

adjunta de una matriz, 39 autovalor, 167 autovector, 167 base, 107 cofactor, 25 combinaci on lineal, 105 criptograf a, 43 cuadrado latino, 31 cuerpo, 9 determinantes, 19 diagonal principal, 5 ecuaci on caracter stica, 168 eigenvalor, 167 eigenvector, 167 espacio vectorial, 9, 91 homomorsmo, 132 imagen, 135 jacobiano, 30 kernel, 134 ley de composici on externa, 91 interna, 91 matriz antihermitiana, 18 antisim etrica, 15 banda, 27 conjugada, 16 cuadrada, 4 de cofactores, 38 de paso, 171 de permutaci on, 29 denida positiva, 28 diagonal, 6, 26 elemental, 40 equivalente, 35 escalar, 6 escalonada, 34 escalonada reducida, 34 herm tica, 17 hermitiana, 17 idempotente, 16 identidad, 6 inversa, 37 involutiva, 15 jacobiana, 30 nilpotente, 16 normal, 28 nula, 7 orden de una, 3 ortogonal, 18 positiva, 18 rectangular, 7 regular, 23 semejante, 171 sim etrica, 14 singular, 23 transpuesta, 14 traza de una, 13 triangular, 5 triangular superior, 5 menor complementario, 24 multiplicidad algebraica, 170 n ucleo, 134 nulidad, 136 operaciones elementales, 33 pivote, 34 polinomio caracter stico, 168 183
184 rango, 136 rango de una matriz, 36 regla de sarrus, 21 sistema de ecuaciones, 44 subespacio, 96 ortogonal, 114 subespacio propio, 167 suma de subespacios, 101 suma directa, 104 teorema de Laplace, 25 transformaci on lineal, 132 valor caracter stico, 167 valor propio, 166 vector caracter stico, 167 vector propio, 166 vectores, 91
Algebra Lineal

Algebra Lineal

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algebra Lineal

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD PEDRO RUIZ GALLO

FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS ESCUELA PROFESIONAL DE MATEMATICAS

Lic. Mat. Walter Arriaga Delgado

LAMBAYEQUE PERU 2013

Walter Arriaga Delgado

Walter Arriaga Delgado Problemas resueltos y propuestos

Walter Arriaga Delgado

La historia de la matem atica

Walter Arriaga Delgado

Walter Arriaga Delgado

Walter Arriaga Delgado

Walter Arriaga Delgado

Walter Arriaga Delgado 26 33 34 35 36 37 38 39 40 42 43 43 43 44 44 46 47 49 49 51 52 53 54 58

Walter Arriaga Delgado

Walter Arriaga Delgado

Walter Arriaga Delgado

Walter Arriaga Delgado

MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES

Walter Arriaga Delgado

Walter Arriaga Delgado

que abreviadamente se representa por:

donde a cada pareja (i, j ) le corresponde un solo elemento

Orden de una Matriz

Walter Arriaga Delgado

2z + w = 5 z 2w = 0 entonces z = 2 , w = 1 Luego el valor de : (2x y ) + (2z w) es: 2 7 6 5 5 8 23 +3= 5 5

Walter Arriaga Delgado

la diagonal principal es la terna (2 9 0) y la diagonal secundaria es la terna (1 9 5).

an1 an2 an2 16 0 0 es triangular inferior. Ejemplo 1.1.5. La matriz 1 16 0 3 2

Walter Arriaga Delgado

Ejemplo 1.1.7. Las matrices

Walter Arriaga Delgado

Operaciones con Matrices

Walter Arriaga Delgado

5(4) 5(3) 5(2) 5(1)

Walter Arriaga Delgado esto es:

Walter Arriaga Delgado

AB = (cik )mp / cik =

Walter Arriaga Delgado

El lector debe vericar que CH + DK = de manera que CG + DJ AB = EG + F J

Esta es la misma respuesta que se obtiene si se multiplica AB directamente.

Walter Arriaga Delgado

aik (BC )kj =

aik (bkl clj ) =

(aik bkl )clj

(aik bkl )clj =

aik bkl )clj =

(AB )il clj = (AB )C

ii. Propiedad asociativa: A(B + C ) = AB + AC , donde A Mmp , B ; C Mpn . En efecto:

aik (bkj + ckj ) =

(aik bkj + aik ckj ) =

Se observa que AB = AC sin embargo B = C .

Walter Arriaga Delgado Denici on 1.1.5.

Traza de una matriz

aii = a11 + a22 + a33 + + ann

Ejemplo 1.1.19. Sea

A B = (aij bij )nn

(bii ) = Traz(A) Traz(B )

Traz( A) = Traz(A) En efecto: Traz(A) =

14 Traz(AB ) = Traz(BA) En efecto: Traz(AB ) =

Walter Arriaga Delgado

Transpuesta de una matriz

Denici on 1.1.6. Sea A Mmn , se llama transpuesta de A y se denota por At a la matriz

A, B Mmn . donde: Ai son matrices del mismo orden, i = 1, n

A Mmn . A Mmn , es un escalar