Resumen Apunte Mat2

ASIGNATURA DE MATEM
ATICAS II
Grado de Ingeniera Electr onica y Autom atica
Escuela de Ingeniera y Arquitectura
Jos e Luis Gracia Lozano
Curso 2012/2013
Indice general
1. Matrices. Sistemas de ecuaciones lineales 5
1.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1. Notaci on y primeras deniciones . . . . . . . . . . . . . . . . . . 5
1.1.2. Suma de matrices. Propiedades . . . . . . . . . . . . . . . . . . . 7
1.1.3. Producto de matrices. Propiedades . . . . . . . . . . . . . . . . . 9
1.1.4. Producto de una matriz por un escalar. Propiedades . . . . . . . . 13
1.1.5. Trasposici on . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1.6. Operaciones elementales. Rango de una matriz . . . . . . . . . . 17
1.1.7. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . 23
1.2.1. M etodo de Gauss. Teorema de Rouch eFrobenius . . . . . . . . . 23
1.2.2. M etodo de GaussJordan o de Jordan . . . . . . . . . . . . . . . 26
1.3. Determinantes de matrices . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3.1. Aplicaciones del determinante de una matriz . . . . . . . . . . . 33
2. Espacios vectoriales 39
1
2.1. Primeras deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.1.1. Subespacios intersecci on y suma. Subespacios complementarios . 41
2.1.2. Subespacio engendrado por un conjunto . . . . . . . . . . . . . . 42
2.2. Dependencia e independencia lineal . . . . . . . . . . . . . . . . . . . . 43
2.3. Sistemas generadores de un espacio vectorial . . . . . . . . . . . . . . . 45
2.4. Base y dimensi on de un espacio vectorial . . . . . . . . . . . . . . . . . 46
2.5. Coordenadas de un vector respecto de un base. Matriz de cambio de base 51
2.5.1. Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3. El espacio eucldeo R
n
55
3.1. Vectores en R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.1. Primeras deniciones . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.2. Producto escalar, norma, angulo y distancia . . . . . . . . . . . . 56
3.2. Vectores y subespacios ortogonales . . . . . . . . . . . . . . . . . . . . . 60
3.3. Proyecciones ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.4. Ajuste por mnimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . 64
3.5. El m etodo de GramSchmidt (*) . . . . . . . . . . . . . . . . . . . . . . 66
3.6. Factorizaci on QR (*) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4. Aplicaciones lineales 71
4.1. Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2. Primeras deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Indice General
4.3. Matriz coordenada de una aplicaci on lineal . . . . . . . . . . . . . . . . 75
4.4. N ucleo e imagen de una aplicaci on lineal . . . . . . . . . . . . . . . . . 77
5. Diagonalizaci on 83
5.1. Valores y vectores propios de una matriz . . . . . . . . . . . . . . . . . . 83
5.2. Forma diagonal de una matriz . . . . . . . . . . . . . . . . . . . . . . . 85
5.3. Otros resultados de valores y vectores propios . . . . . . . . . . . . . . . 87
6. Resoluci on de sistemas lineales con m etodos iterativos 93
6.1. Normas matriciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2. M etodos de Jacobi y Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . 96
6.2.1. Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.2.2. M etodo de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.2.3. M etodo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . 98
3
Indice General
4
Captulo 1
Matrices. Sistemas de ecuaciones
lineales
En este captulo recordamos las matrices, las operaciones con matrices y algunos con-
ceptos como el de matriz traspuesta, matriz sim etrica, etc. En el contexto del Algebra
vamos a utilizarlas por ejemplo en los espacios vectoriales, en la resoluci on de sistemas
de ecuaciones lineales, en las aplicaciones lineales, etc.
1.1. Matrices
1.1.1. Notaci on y primeras deniciones
Consideremos una nueva clase de objetos (matrices) dados de la siguiente forma
A =
_
_
_
_
_
a
11
a
12
a
1m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm
_
_
_
_
_
que en toda la asignatura supondremos que a
ij
K = R, C. A a
ij
se les llama los ele-
mentos de la matriz, a las lneas horizontales las y a las verticales columnas. Con la no-
taci on utilizada, el elemento a
ij
se encuentra en la la i y en la columna j. Habitualmente
5
Matrices. Sistemas de ecuaciones lineales
las matrices se escriben con letras may usculas y sus elementos con la misma letra pero en
min usculas. Para abreviar la notaci on, escribiremos simplemente A = (a
ij
)
1in,1jm
=
(a
ij
).
En todas sus las y columnas hay el mismo n umero de elementos, aunque el n umero
de elementos que hay en cada la no tiene porqu e coincidir con el n umero de elementos
que hay en cada columna.
La matriz anterior A se dice que es una matriz de dimensiones n m. Si n = m la
matriz se dice cuadrada y en otro caso rectangular (horizontal si m > n y vertical si
n > m).
Notar que el vector la (x
1
, , x
m
) es una matriz de dimensiones 1 m y que el
vector columna
_
_
_
x
1
.
.
.
x
n
_
_
_
es una matriz de dimensiones n 1.
El conjunto de todas las matrices sobre K lo denotaremos M(K), M
nm
(K) el con-
junto de todas las matrices de dimensiones nm sobre K y M
n
(K) el conjunto de todas
las matrices de orden n sobre K, entendiendo por orden de una matriz cuadrada al n umero
de las (=n umero de columnas) que tiene.
Denici on 1.1 Dada una matriz A = (a
ij
) M
n
(K),
se llama diagonal principal a la diagonal formada por los elementos a
11
, a
22
, . . . , a
nn
se dice matriz diagonal si a
ij
= 0 i = j
se dice matriz triangular superior si a
ij
= 0 i > j
se dice matriz triangular inferior si a
ij
= 0 i < j
6
Denici on 1.2 Se dice que las matrices A = (a
ij
) M
nm
(K) y B = (b
ij
) M
pq
(K)
son iguales si
n = p, m = q, y a
ij
= b
ij
i = 1, . . . , n, j = 1, . . . , m.
Ejemplo 1.1 Aqu puedes encontrar algunos ejemplos de las matrices denidas previa-
mente
A
1
=
_
_
_
_
11
2
4
6
_
_
_
_
A
2
=
_
3 7 2 8
_
A
3
=
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
A
4
=
_
_
_
_
3 0 0 0
0 0 0 0
0 0 1 0
0 0 0 8
_
_
_
_
A
5
=
_
_
_
_
1 5 3 0
0 2 3 6
0 0 0 4
0 0 0 5
_
_
_
_
A
6
=
_
_
_
_
0 0 0 0
1 4 0 0
5 4 2 0
9 0 3 5
_
_
_
_
1.1.2. Suma de matrices. Propiedades
Denici on 1.3 Sean A = (a
ij
), B = (b
ij
) M
nm
(K). La matriz C = (c
ij
)
M
nm
(K) con
c
ij
= a
ij
+ b
ij
i = 1, . . . , n, j = 1, . . . , m
recibe el nombre de suma de las matrices A y B y lo escribiremos C = A + B o (c
ij
) =
(a
ij
) + (b
ij
)
Ejemplo 1.2 Dadas las matrices
A =
_
_
1 2 4
6 7 5
3 1 2
_
_
B =
_
_
2 4 6
1 3 5
0 6 0
_
_
su suma es
C = A + B =
_
_
1 + 2 2 + 4 4 + 6
6 + 1 7 + 3 5 + 5
3 + 0 1 + 6 2 + 0
_
_
=
_
_
3 6 10
7 10 10
3 7 2
_
_
7
La suma de matrices verica las siguientes propiedades
Asociativa: (A + B) + C = A + (B + C) A, B, C M
nm
(K)
Conmutativa: A + B = B + A A, B M
nm
(K)
Existe elemento neutro:
A M
nm
(K) O = (0) M
nm
(K) t.q. A +O = A.
Toda matriz tiene opuesta
Para cada A = (a
ij
) M
nm
(K) (A) = (a
ij
) M
nm
(K) t.q. A+(A) = O.
Todas ellas se deducen inmediatamente a partir de la forma en la que hemos denido la
suma de matrices y de las propiedades de la suma de n umeros reales o complejos.
Denici on 1.4 Dadas A = (a
ij
), B = (b
ij
) M
nm
(K), se llama diferencia entre A y
B a la matriz C = (c
ij
) M
nm
(K) tal que B + C = A y lo escribiremos C = AB.
En consecuencia,
c
ij
= a
ij
b
ij
i = 1, . . . , n, j = 1, . . . , m.
Ejemplo 1.3 Dadas las matrices
A =
_
2 3
4 5
_
B =
_
1 5
6 2
_
su diferencia es
C = A B =
_
2 (1) 3 (5)
4 (6) 5 (2)
_
=
_
3 2
2 3
_
8
1.1.3. Producto de matrices. Propiedades
Consideramos ahora el producto de matrices. Comenzamos recordando con un ejem-
plo la forma en la que esta operaci on se dene
_
a
11
a
12
a
13
a
21
a
22
a
23
_
_
_
b
11
b
12
b
21
b
22
b
31
b
32
_
_
=
_
a
11
b
11
+ a
12
b
21
+ a
13
b
31
a
11
b
12
+ a
12
b
22
+ a
13
b
32
a
21
b
11
+ a
22
b
21
+ a
23
b
31
a
21
b
12
+ a
22
b
22
+ a
23
b
32
_
Ejemplo 1.4 Dadas las matrices A =
_
1 2 0
2 1 1
_
y B =
_
_
1 4
1 0
0 1
_
_
su producto
es
C = AB =
_
1 1 + (2) (1) + 0 0 1 4 + (2) 0 + 0 1
2 1 + (1) (1) + 1 0 2 4 + (1) 0 + 1 1
_
=
_
3 4
3 9
_
A continuaci on denimos el producto de matrices en el caso general.
ij
) M
nm
(K), B M
mp
(K), la matriz C = (c
ij
)
M
np
(K) con
c
ij
=
m
k=1
a
ik
b
kj
se le llama producto de A por B y lo escribiremos C = AB.
Nota 1.1 Dada A M
n
(K), sus sucesivas potencias vienen dadas de la siguiente forma
_
A
1
= A
A
n
= A
n1
A, n 2.
El producto de matrices que hemos denido anteriormente satisface las siguientes
propiedades:
Asociativa
(AB)C = A(BC) A M
nm
(K), B M
mp
(K), C M
pq
(K) (1.1)
9
Distributiva respecto de la suma de matrices
i. (A + B)C = AC + BC A, B M
nm
(K), C M
mp
(K)
ii. A(B + C) = AB + AC A M
nm
(K), B, C M
mp
(K)
(1.2)
Elemento unidad
A M
n
(K) I
n
= (
ij
) M
n
(K) t.q. AI
n
= I
n
A = A,
donde
ij
es la Delta de Kr onecker
ij
=
_
1 si i = j
0 si i = j.
Nota 1.2 Observar que
I
n
=
_
_
_
1 0
.
.
.
0 1
_
_
_
Nota 1.3 El producto de matrices no verica la propiedad conmutativa. Contraejemplo:
AB =
_
1 1
0 2
__
1 0
1 3
_
=
_
0 3
2 6
_
BA =
_
1 1
1 5
_
Nota 1.4 Como consecuencia de la no conmutatividad del producto de matrices, si A, B
M
n
(K), en general tendremos que
(A + B)
2
= A
2
+ B
2
+ A.B + B.A = A
2
+ B
2
+ 2A.B
Sin embargo, si A y B conmutan, es decir, si AB = B A, entonces es evidente que
(A + B)
2
= A
2
+ B
2
+ 2A.B
Denici on 1.6 Dos matrices A, B M
n
(K) se dice que conmutan si
AB = BA
10
Nota 1.5 En M
n
(K) existen divisores de cero, es decir, existen matrices O = A, B
M
n
(K) tal que AB = O.
Ejemplo:
AB =
_
1 1
1 1
__
1 1
1 1
_
=
_
0 0
0 0
_
Denici on 1.7 La matriz A M
n
(K) se dice regular o no singular o inversible si
existe B M
n
(K) tal que
AB = BA = I
n
La matriz B recibe el nombre de inversa de la matriz A y se denota B = A
1
.
Proposici on 1.1 No toda matriz cuadrada posee inversa.
Contraejemplo: No existen a, b, c, d R tal que
_
1 0
0 0
__
a b
c d
_
=
_
1 0
0 1
_
Proposici on 1.2 Sean A, B M
n
(K) tal que AB = I
n
. Entonces, BA = I
n
Proposici on 1.3 Si A M
n
(K) es regular, su inversa es unica.
Proposici on 1.4 Si A, B M
n
(K) son inversibles, entonces AB es inversible. Adem as,
(AB)
1
= B
1
A
1
Demostraci on. Tenemos que probar (AB)(AB)
1
= I
n
. Para obtener el resultado basta
con sustituir la expresi on del enunciado de esta proposici on
(AB)(AB)
1
= (AB)(B
1
A
1
) =
Asoc. prod.
A(BB
1
)A
1
= AI
n
A
1
= AA
1
= I
n
.
11
Una propiedad que utilizaremos en este curso relativa al producto de dos matrices A y B
es
A(B
1
|B
2
| |B
n
) = (AB
1
|AB
2
| |AB
n
)
donde B
1
, . . . , B
n
son las columnas de la matriz B
Por ejemplo, es f acil comprobar que
_
1 2
3 4
__
5 6
7 8
_
=
__
1 2
3 4
__
5
7
_
,
_
1 2
3 4
__
6
8
__
La siguiente propiedad hace referencia al producto de una matriz B = (B
1
|B
2
| |B
n
),
donde de nuevo B
i
denota la columna i de la matriz B, por un vector X = (x
1
, . . . , x
n
)
T
:
BX = x
1
B
1
+ x
2
B
2
+ . . . + x
n
B
n
Por ejemplo, es f acil comprobar que
_
1 2
3 4
__
5
6
_
= 5
_
1
3
_
+ 6
_
2
4
_
Ejercicio 1.1
1. Encuentra las matrices X tal que XAX
1
= B, con A =
_
2 0
0 1
_
, B =
_
8 9
6 7
_
2. Despeja la matriz X en la igualdad (X + A)
2
= X
2
+ XA + I
3. Prueba que si A
2
= A + I, entonces A es inversible.
4. Dada la matriz A =
_
_
0 2 1
0 0 1
0 0 0
_
_
, prueba que A
3
es la matriz nula. Demuestra
despu es que la matriz I
3
+ A + A
2
es la matriz inversa de I
3
A.
12
5. Dada la matriz A =
_
_
3 0 8
3 1 6
2 0 5
_
_
, comprueba que la matriz (A+I
3
)
2
es la
matriz nula y expresa la matriz A
2
como combinaci on lineal de las matrices A e I
3
.
6. a) Si A es una matriz regular de orden n y existe una matriz B tal que AB +
BA = O, probar que BA
1
+ A
1
B = O.
b) Si A =
_
3 2
4 3
_
, halla una matriz B = O tal que AB + BA = O.
1.1.4. Producto de una matriz por un escalar. Propiedades
Al igual que en la secci on anterior, comenzamos esta con un sencillo ejemplo recorda-
torio
_
a
11
a
12
a
21
a
22
_
=
_
a
11
a
12
a
21
a
22
_
ij
) M
nm
(K) y K. Se dene el producto de la matriz
A por el escalar , como aquella matriz B = (b
ij
) M
nm
(K) tal que
b
ij
= a
ij
i = 1, . . . , n, j = 1, . . . , m.
Proposici on 1.5 Sean A, B M
nm
(K) y , K. El producto de matrices por es-
calares satisface las siguientes propiedades
i. Distributiva respecto de la suma de matrices
(A + B) = A + B
ii. Distributiva respecto de la suma de escalares
( + )A = A + A
13
iii. Distributiva respecto del producto de escalares
()A = (A)
iv. Ley de identidad
1
k
A = A
Ejercicio 1.2 Halla las matrices X e Y que satisfacen el sistema
2X + Y =
_
1 4
2 0
_
X Y =
_
1 1
1 0
_
1.1.5. Trasposici on
ij
) M
nm
(K), se dice que B = (b
ij
)
M
mn
(K) es la matriz traspuesta de A si b
ij
= a
ji
. A la matriz B la denotaremos A
T
.
Proposici on 1.6
i. (A
T
)
T
= A, A M
nm
(K)
ii. (A + B)
T
= A
T
+ B
T
, A, B M
nm
(K)
iii. (AB)
T
= B
T
A
T
, A M
nm
(K), B M
mp
(K)
iv. (A
T
)
1
= (A
1
)
T
, A M
n
(K) regular.
Demostraci on.

Unicamente probaremos iv. En concreto, por el enunciado de esta propiedad,
tenemos que comprobar que A
T
(A
1
)
T
= I
n
donde A
1
existe por ser A regular. As,
A
T
(A
1
)
T
=
iii.
= (A
1
A)
T
= I
T
n
= I
n
.
14
Nota 1.6 Observar que si una matriz es regular tambi en lo es su traspuesta.
Denici on 1.10 Sea A M
nm
(C), se dice que B = (b
ij
) M
nm
(C) es la matriz
conjugada de A si
b
ij
= a
ij
, i = 1, . . . , n, j = 1, . . . , m.
La matriz conjugada B la denotaremos A.
Ejemplo 1.5 Dada la matriz
A =
_
7 + 2i 7
3i 6 3i
_
su conjugada es
A =
_
7 2i 7
3i 6 + 3i
_
Proposici on 1.7 Dada A M
nm
(C), se cumple
(A)
T
= (A
T
)
A esta matriz la denotaremos A
H
.
Denici on 1.11
Una matriz A M
n
(R) se dice sim etrica si A
T
= A, es decir, si a
ij
= a
ji
i, j.
Una matriz A M
n
(R) se dice ortogonal si A
T
= A
1
.
Denici on 1.12 Una matriz sim etrica A se dice
denida positiva si x
T
Ax > 0, x R
n
, x = (0, . . . , 0)
T
,
denida negativa si x
T
Ax < 0, x R
n
, x = (0, . . . , 0)
T
,
15
semidenida positiva si x
T
Ax 0, x R
n
,
semidenida negativa si x
T
Ax 0, x R
n
.
En otro caso se dice que la matriz es indenida.
Una aplicaci on de estas matrices la encontramos en la clasicaci on de las formas
cuadr aticas (circunferencias, elipses, parab olas o hip erbolas)
(x, y)
_
a b
b c
__
x
y
_
= d
2
que tambi en puede escribirse como
ax
2
+ 2bxy + cy
2
= d
2
.
Ejercicio 1.3
1. Sean A =
_
1 0
2 1
_
y B =
_
1 3
0 1
_
. Comprueba que (AB)
T
= B
T
A
T
pero que
son diferentes de A
T
B
T
.
2. Sea A =
_
1 0
9 3
_
. Calcula A
T
, A
1
, (A
T
)
1
y (A
1
)
T
.
3. Sean A y B dos matrices sim etricas. Indica cuales de las siguientes matrices son
sim etricas:
i. A
2
ii. A
2
B
2
iii. (A + B)(A B) iv. ABA v. ABAB
4. Sean A =
_
3
1
_
y B =
_
2
2
_
. Determina A
T
B, B
T
A, AB
T
y BA
T
.
5. a) Si B es una matriz cuadrada, muestra que A = B+B
T
es una matriz sim etri-
ca y K = B B
T
is antisim etrica (es decir K
T
= K)
b) Sea B =
_
1 3
1 1
_
, encuentra las matrices A y K del apartado anterior y
escribe B como suma de una matriz sim etrica y antisim etrica.
16
1.1.6. Operaciones elementales. Rango de una matriz
Nuestro siguiente objetivo es transformar de alguna forma una matriz en una escalon-
ada que nos proporcionar a el rango de la misma. El concepto de rango juega un papel
importante en el Algebra, recordar por ejemplo el Teorema de Rouch eFrobenius.
Para ello establecemos primero qu e tipo de transformaciones consideraremos v alidas.
Llamamos transformaciones elementales a cada una de las siguientes:
1. Tipo I: Intercambiar la posici on de dos las (columnas)
2. Tipo II: Multiplicar todos los elementos de una la (columna) por un escalar no
nulo.
3. Tipo III: Sumar a una la (columna) otra multiplicada por un escalar.
Diremos que dos matrices A y B son equivalentes, y lo denotaremos A B, si se
puede pasar de una a otra por medio de una sucesi on de transformaciones elementales.
Las transformaciones elementales pueden ser expresadas como el resultado de multi-
plicar la correspondiente matriz por ciertas matrices especiales.
Matrices elementales de tipo I: Denotaremos P
ij
a la matriz que se obtiene de la identi-
dad intercambiando las las i esima y j esima, esto es,
P
ij
=
_
_
_
_
_
_
_
_
_
_
_
_
1
.
.
.
0 1
.
.
.
.
.
.
.
.
.
1 0
.
.
.
1
_
_
_
_
_
_
_
_
_
_
_
_
17
Ejemplo 1.6
P
13
A =
_
_
0 0 1
0 1 0
1 0 0
_
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
=
_
_
a
31
a
32
a
33
a
21
a
22
a
23
a
11
a
12
a
13
_
_
AP
13
=
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_
_
0 0 1
0 1 0
1 0 0
_
_
=
_
_
a
13
a
12
a
11
a
23
a
22
a
21
a
33
a
32
a
31
_
_
Proposici on 1.8 La matriz P
ij
es regular. Adem as,
P
1
ij
= P
ij
Matrices elementales de tipo II: Denotaremos P
i
() a la matriz que se obtiene de la
identidad multiplicando por = 0 los elementos de la la i esima
P
i
() =
_
_
_
_
_
_
_
1
.
.
.
.
.
.
1
_
_
_
_
_
_
_
Ejemplo 1.7
P
2
()A =
_
_
1 0 0
0 0
0 0 1
_
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
=
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
AP
2
() =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_
_
1 0 0
0 0
0 0 1
_
_
=
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
i
() es regular. Adem as,
P
1
i
() = P
i
(1/)
18
Matrices elementales de tipo III: Denotaremos P
ij
() a la matriz que se obtiene de la
identidad sumando a la la i esima la la j esima multiplicando por
P
ij
() =
_
_
_
_
_
_
_
_
_
_
_
_
1
.
.
.
1
.
.
.
.
.
.
1
.
.
.
1
_
_
_
_
_
_
_
_
_
_
_
_
Ejemplo 1.8
P
21
()A =
_
_
1 0 0
1 0
0 0 1
_
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
=
_
_
a
11
a
12
a
13
a
11
+ a
21
a
12
+ a
22
a
13
+ a
23
a
31
a
32
a
33
_
_
AP
21
() =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_
_
1 0 0
1 0
0 0 1
_
_
=
_
_
a
11
+ a
12
a
12
a
13
a
21
+ a
22
a
22
a
23
a
31
+ a
32
a
32
a
33
_
_
ij
() es regular. Adem as,
P
1
ij
() = P
ij
()
Ejercicio 1.4
1. Determina P
32
P
21
y P
21
P
32
en el caso de matrices cuadradas de orden 3.
2. Dada la matriz
A =
_
_
0 a b
0 0 c
d e f
_
_
determina P
23
P
13
A.
19
3. Determina
_
_
c b a/2
e d 0
f 0 0
_
_
P
3
(2)P
13
4. Sea
A =
_
_
2 1 1
4 6 0
2 7 2
_
_
a) Determina U = P
32
(1)(P
31
(1)(P
21
(2)A)).
b) Determina L = P
1
21
(2)P
1
31
(1)P
1
32
(1)
c) Comprueba que A = LU.
5. Encuentra la factorizaci on LU de las matrices
A =
_
_
1 1 1
1 2 2
1 2 3
_
_
B =
_
_
1 1 1
1 5 3
0 8 5
_
_
Nota 1.7 Notar que en los ultimos ejercicios hemos factorizado la matriz A como el
producto de una matriz triangular inferior L por una matriz triangular superior U.

Esta
recibe el nombre de factorizaci on LU y es especialmente util para resolver sistemas de
ecuaciones lineales Ax = b, ya que si la matriz puede descomponerse como A = LU,
entonces el problema se reduce a resolver dos sistemas triangulares de ecuaciones:
Ly = b Ux = y.
1.1.7. Rango de una matriz
Con estas operaciones elementales podemos transformar una matriz en un nueva ma-
triz que est a en forma escalonada por las, entendiendo como aquella matriz que
i. El primer elemento no nulo (pivote) de cada la est a a la derecha de los elementos
iniciales no nulos de las las anteriores.
20
ii. Cada columna que contiene un pivote tiene nulos todos los elementos situados de-
bajo.
iii. Las las cuyos elementos son todos ceros aparecen despu es de todas las las que
poseen pivotes.
Denici on 1.13 Se llama rango por las de una matriz al n umero de las no nulas que
posee su matriz asociada en la forma escalonada.
Nota 1.8 Dada una matriz cualquiera, su matriz asociada en forma escalonada por las
no es unica pero todas tienen el mismo rango por las.
De forma an aloga se dene la forma escalonada por columnas y el rango por
columnas.
Proposici on 1.11 El rango por las y por columnas de una matriz A coincide. Este
n umero recibe el nombre de rango y lo representaremos rg(A).
Corolario 1.1 Si A M
nm
(K), entonces rg(A) mn{n, m}
Finalmente damos un resultado que relaciona los importantes conceptos de rango y
matriz inversible.
Teorema 1.1 A M
n
(K) es inversible rg(A) = n.
Ejercicio 1.5 1. Encontrar las potencias de A
2
, A
3
, B
2
, B
3
, C
2
, C
3
, siendo
A =
_
_
1
2
1
2
1
2
1
2
_
_
B =
_
1 0
0 1
_
C = AB
21
2. Obtener las matrices reales que conmutan con
A =
_
_
0 0 0
1 0 0
1 1 0
_
_
3. Una matriz cuadrada A se dice idempotente si A
2
= A. Encontrar todos los
valores de a, b, c R para los cuales A =
_
a 0
b c
_
es idempotente.
4. Probar que si A es idempotente y A = I
n
, entonces A no es inversible.
5. Una matriz cuadrada A de orden n se dice nilpotente de ndice k (k entero pos-
itivo) si A
k
= 0
nn
y k es el menor entero positivo que verica esta propiedad.
Comprobar que la matriz
A =
_
_
0 2 1
0 0 1
0 0 0
_
_
es nilpotente de ndice 3.
6. Decir cu ales de las siguientes armaciones son ciertas y cu ales falsas, dando en
cada caso una demostraci on o un contraejemplo seg un corresponda:
a. Si A y B son sim etricas, entonces AB es sim etrica.
b. Si A es sim etrica y P es una matriz cuadrada cualquiera, entonces PAP
T
es
sim etrica.
c. Si A es una matriz rectangular, AA
T
y A
T
A son sim etricas, que pueden no
ser iguales incluso para matrices cuadradas.
7. Mediante operaciones elementales, transformar las siguientes matrices en una ma-
triz escalonada e indicar su rango
A =
_
_
_
_
1 1 2 1
2 0 1 3
1 1 2 1
3 2 1 2
_
_
_
_
B =
_
_
_
_
1 2 3
1 1 1
3 3 5
0 3 4
_
_
_
_
C =
_
_
1 1 1 3
1 4 5 2
1 6 3 4
_
_
22
8. Distinguir seg un los diferentes valores de a y b el rango de las matrices
A =
_
_
1 1 a
1 a 1
a
2
1 1
_
_
B =
_
_
1 2 a
1 1 a
a 0 1
_
_
C =
_
_
2a b 1
2 ab 1
2 b a
_
_
1.2. Sistemas de ecuaciones lineales
1.2.1. M etodo de Gauss. Teorema de Rouch eFrobenius
Ahora nuestro prop osito es resolver sistemas de ecuaciones lineales. Por ejemplo con-
sideramos el siguiente sistema de tres ecuaciones y tres inc ognitas
_
_
_
2x
1
+ x
2
x
3
= 3
x
1
2x
2
+ 2x
3
= 1
2x
1
+ x
2
+ x
3
= 5
(1.3)
que en forma matricial se expresa Ax = b, donde
A =
_
_
2 1 1
1 2 2
2 1 1
_
_
x =
_
_
x
1
x
2
x
3
_
_
b =
_
_
3
1
5
_
_
La matriz A recibe el nombre de matriz de coecientes, x es el vector de inc ognitas y b
es el t ermino independiente.
Si b = O, el sistema de ecuaciones se llama homog eneo (siempre posee como solu-
ci on la trivial). En otro caso el sistema se dice no homog eneo.
La soluci on de un sistema son los valores de las inc ognitas tales que al sustituirlas
por ellas hacen que cada igualdad del sistema de ecuaciones se satisfaga. Un sistema
con soluci on se dice compatible; compatible determinado si la soluci on es unica y
compatible indeterminado si hay m as de una soluci on. Si el sistema no posee soluci on
se dice incompatible.
La matriz (A|b) se denomina matriz ampliada. En nuestro ejemplo (ver (1.3)), esta
23
viene dada como sigue
(A|b) =
_
_
2 1 1 3
1 2 2 1
2 1 1 5
_
_
Denici on 1.14 Dos sistemas de ecuaciones se dicen equivalentes si poseen la misma
soluci on.
En un sistema, si se cambian de orden las ecuaciones (o las inc ognitas pero conser-
vando sus coecientes) o se multiplica toda una ecuaci on por un escalar no nulo o se
suma a una ecuaci on otra multiplicada por un escalar, el sistema se transforma en otro
equivalente.
As, si en la matriz ampliada
permutamos dos las,
permutamos dos columnas (no la ultima) y teniendo en cuenta el cambio de inc ogni-
tas que lleva consigo,
multiplicamos una la por un escalar no nulo o
sumamos a una la un m ultiplo de otra (incluso una combinaci on lineal),
el sistema original se transforma en otro equivalente.
Mientras que si
multiplicamos una columna por un escalar no nulo o
sumamos a una columna una combinaci on lineal de las dem as
el sistema original se transforma en otro no equivalente.
M etodo de Gauss:
24
A continuaci on detallamos como se resuelve el ejemplo (1.3) con este conocido y
famoso m etodo
(A|b) =
_
_
2 1 1 3
1 2 2 1
2 1 1 5
_
_

P
12
_
_
1 2 2 1
2 1 1 3
2 1 1 5
_
_

P
32
(1)
_
_
1 2 2 1
2 1 1 3
0 0 2 8
_
_

P
21
(2)
_
_
1 2 2 1
0 5 5 5
0 0 2 8
_
_
Ahora se resuelve este ultimo sistema triangular superior con la t ecnica del remonte o
de sustituci on regresiva:
_
_
_
2x
3
= 8 x
3
= 4
5x
2
5x
3
= 5 x
2
= 3
x
1
2x
2
+ 2x
3
= 1 x
1
= 1
Teorema 1.2 (de Rouch eFrobenius) Sea Ax = b un sistema de ecuaciones lineales
Si rg(A) = rg(A|b) el sistema es compatible. Si adem as el rango coincide con el
n umero de inc ognitas es determinado. Si por el contrario el rango es estrictamente
menor que el n umero de inc ognitas el sistema es indeterminado. En este ultimo
caso
n umero de variables libres = n umero de inc ognitas - rango de A
Si rg(A) < rg(A|b) el sistema es incompatible.
Ejercicio 1.6
1. Estudiar los siguientes sistemas de ecuaciones
i.
_
_
3x y + 4z = 0
6x y + 5z = 0
15x + y + 2z = 0
6x + y z = 0
ii.
_
_
_
x
1
+ 2x
2
3x
3
16x
4
= 4
x
2
+ 2x
3
3x
4
= 6
x
1
x
2
+ x
3
+ 9x
4
= 2
25
2. Resolver por el m etodo de Gauss los sistemas
i.
_
_
_
2x
1
+ x
2
x
3
= 3
x
1
2x
2
+ 2x
3
= 1
2x
1
+ x
2
+ x
3
= 5
ii.
_
_
_
x + y + z = 1
2x + y + z = 2
3x + 2y + 2z = 0
iii.
_
_
x
1
+ x
2
+ 2x
3
+ 3x
4
= 1
x
1
2x
2
3x
3
4x
4
= 0
2x
1
+ 3x
2
+ 5x
3
+ 7x
4
= 1
3x
1
+ 4x
2
+ 7x
3
+ 10x
4
= 2
3. Discutir, seg un los valores del par ametro , los sistemas de ecuaciones
i.
_
_
_
x 2y + z = 1
x + y + 3z = 4
5x y + z = 10
ii.
_
_
_
x y = 2
3x + 2y = 4
4x + y =
iii.
_
_
x + ( + 1)y = 4
3x + (4 + 2)y = 16
2x + (3 + 2)y = 11
x + ( 1)y = 3
4. Discutir, seg un los valores de los par ametros a y b, el sistema de ecuaciones cuya
matriz ampliada es
_
_
a 0 b 2
a a 4 4
0 a 2 b
_
_
1.2.2. M etodo de GaussJordan o de Jordan
El m etodo de GaussJordan o de Jordan es muy parecido al de Gauss. Este m etodo
transforma el sistema original en uno diagonal (con unos en la diagonal) en vez de tri-
angular. Para ello se utiliza una ecuaci on no s olo para conseguir ceros por debajo de la
diagonal sino tambi en por encima. Una posibilidad es hacer ceros en cada etapa por enci-
ma y por debajo de cada pivote y, otra posibilidad, es primero transformar el sistema en
uno triangular y despu es transformar este ultimo en uno diagonal. Veamos, por ejemplo,
como se aplica esta segunda posibilidad con el siguiente sistema:
_
_
_
x y + z = 2
x + 5y + 3z = 18
x + 3y + 14z = 49
26
De nuevo hacemos uso de la matriz ampliada
_
_
1 1 1 2
1 5 3 18
1 3 14 49
_
_

P
21
(1)
P
31
(1)
_
_
1 1 1 2
0 4 4 20
0 4 13 47
_
_

P
32
(1)
_
_
1 1 1 2
0 4 4 20
0 0 9 27
_
_
P
2
(1/4)
P
3
(1/9)
_
_
1 1 1 2
0 1 1 5
0 0 1 3
_
_

P
23
(1)
P
13
(1)
_
_
1 1 0 1
0 1 0 2
0 0 1 3
_
_

P
12
(1)
_
_
1 0 0 1
0 1 0 2
0 0 1 3
_
_
Con lo que trivialmente la soluci on del sistema original es
x = 1, y = 2, z = 3
Una aplicaci on de este m etodo lo encontramos en el c alculo de la inversa de una matriz.
Por ejemplo, considerar la matriz
A =
_
_
1 0 3
2 1 1
3 1 4
_
_
(1.4)
y los elementos de su matriz inversa los denotamos por
A
1
=
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
Sabemos que estas matrices satisfacen la igualdad
AA
1
= I
3

_
_
1 0 3
2 1 1
3 1 4
_
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
o equivalentemente
_
_
1 0 3
2 1 1
3 1 4
_
_
_
_
a
11
a
21
a
31
_
_
=
_
_
1
0
0
_
_
_
_
1 0 3
2 1 1
3 1 4
_
_
_
_
a
12
a
22
a
32
_
_
=
_
_
0
1
0
_
_
_
_
1 0 3
2 1 1
3 1 4
_
_
_
_
a
13
a
23
a
33
_
_
=
_
_
0
0
1
_
_
27
Luego debemos resolver estos tres sistemas de ecuaciones. Notar que en todos ellos, la
matriz de coecientes es la misma por lo que podemos resolverlos de forma conjunta. Si
utilizamos en la resoluci on el m etodo de GaussJordan, resulta
(A|I
n
)

GaussJordan
(I
n
|A
1
)
Ejercicio 1.7 Calcular la inversa de (1.4) utilizando el m etodo de GaussJordan. Sol:
_
_
5/2 3/2 3/2
11/2 5/2 7/2
1/2 1/2 1/2
_
_
Ejercicio 1.8 Calcular, si existen, las matrices inversas de
A =
_
2 1
4 1
_
B =
_
_
1 1 1
2 1 2
0 0 1
_
_
C =
_
_
0 2 1
1 0 1
1 2 2
_
_
D =
_
_
_
_
2 1 1 1
0 0 1 0
2 1 1 1
0 0 0 1
_
_
_
_
1.3. Determinantes de matrices
ij
) M
n
(K), se llama matriz adjunta aso-
ciada al elemento a
ij
, y la denotaremos A
ij
, a la matriz que resulta de eliminar la la
i esima y la columna j esima de la matriz A.
Ejemplo 1.9
Dada A =
_
_
1 2 3
4 5 6
7 8 9
_
_
se tiene A
23
=
_
1 2
7 8
_
Denici on 1.16 (Desarrollo de un determinante por la primera columna) Sea
A =
_
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
a
13
a
23
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
.
.
. a
nn
_
_
_
_
_
_
_
28
Se llama determinante de la matriz A, que lo denotaremos |A|, al n umero
|A| =
_
_
a
11
si n = 1,
n
j=1
(1)
j+1
a
j1
|A
j1
| si n 2.
Nota 1.9 Vamos a desarrollar algunos t erminos del sumatorio anterior
n
j=1
(1)
j+1
a
j1
|A
j1
| = a
11
|A
11
| a
21
|A
21
| + a
31
|A
31
|
Ejemplo 1.10 Veamos algunos casos particulares:
Caso n = 1 : Sea A = (7), entonces |A| = | 7| = 7
Caso n = 2 :
|A| =
a
11
a
12
a
21
a
22
= a
11
|A
11
| a
21
|A
21
| = a
11
|a
22
| a
21
|a
12
| = a
11
a
22
a
21
a
12
Caso n = 3 :
|A| =
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
= a
11
|A
11
| a
21
|A
21
| + a
31
|A
31
| =
= a
11
a
22
a
23
a
32
a
33
a
21
a
12
a
13
a
32
a
33
+ a
31
a
12
a
13
a
22
a
23
=
= (a
11
a
22
a
33
+ a
13
a
21
a
32
+ a
12
a
23
a
31
) (a
11
a
23
a
32
+ a
12
a
21
a
33
+ a
13
a
22
a
31
)
Afortunadamente disponemos de la regla de Sarrus para recordar esta expresi on.
Caso n = 4 :
|A| =
a
11
a
12
a
13
a
14
a
21
a
22
a
23
a
24
a
31
a
32
a
33
a
34
a
41
a
42
a
43
a
44
= a
11
|A
11
| a
21
|A
21
| + a
31
|A
31
| a
41
|A
41
|
Proposici on 1.12 Los determinantes de matrices de orden 2 satisfacen las siguientes
propiedades:
29
1. |A| = |A
T
| A M
2
(K)
2.

a b
c d
c d
a b
3.

a + a
b + b
c d
a b
c d
c d
4.

a b
c d
a b
c d
5.

a b
a b
= 0
6.

a b
c d
a b
c + a d + b
(Esta propiedad permite calcular el determinante de un matriz utilizando el m etodo

de Gauss)
7.

a b
0 0
= 0
8. |AB| = |A||B| A, B M
2
(K)
Nota 1.10 Si n 2 entonces |A + B| = |A| +|B|. Contraejemplo:
_
_
_
A =
_
1 0
0 0
_
|A| = 0
_
_
_
B =
_
0 0
0 1
_
|B| = 0
_
_
_
A + B =
_
1 0
0 1
_
|A + B| = 1
Proposici on 1.13 Las propiedades anteriores tambi en son v alidas para matrices de cualquier
orden.
30
Proposici on 1.14 El determinante de una matriz se puede calcular desarrollando por
cualquier columna o por cualquier la.
Desarrollo de un determinante por la columna j esima
|A| =
n
i=1
(1)
i+j
a
ij
|A
ij
|
Desarrollo de un determinante por la la i esima
|A| =
n
j=1
(1)
i+j
a
ij
|A
ij
|
Nota 1.11 Regla mnemot ecnica de los signos en el c alculo de un determinante
_
_
_
_
_
_
_
+ +
+ +
+ +
+ +
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
_
_
_
_
_
_
_
Ejercicio 1.9 Comprobar desarrollando por varias las y columnas que
1 2 3 4
0 2 2 3
4 2 0 3
2 2 1 1
= 24
Proposici on 1.15 Sean D = (d
ij
), L = (l
ij
) y U = (u
ij
) M
n
(K) matrices diagonal,
triangular inferior y triangular superior respectivamente. Entonces,
|D| = d
11
d
nn
=
n
i=1
d
ii
,
|L| = l
11
l
nn
=
n
i=1
l
ii
,
|U| = u
11
u
nn
=
n
i=1
u
ii
.
31
Ejercicio 1.10 Resolver el ejercicio (1.9) con el m etodo de Gauss.
Ejercicio 1.11
1. Calcular los siguientes determinantes
a)
1 4 3
2 1 0
0 3 1
b)
3 2 1
7 0 7
1 4 7
c)
1 a b
0 1 c
0 0 1
d)
cos sin 1
sin cos 0
sin cos cos
2. Probar que
1 a a
2
1 b b
2
1 c c
2
= (b a)(c a)(c b) (Vandermonde)

3. Calcular:
a)
11 12 13 14
21 22 23 24
31 32 33 34
41 42 43 44
b)
1 1 1 1
1 1 1 2
1 1 3 1
1 4 1 1
c)
2 1 0 1
1 2 1 0
0 1 2 1
1 0 1 2
d)
1 1 1 1
1 1 + a 1 1
1 1 1 + b 1
1 1 1 1 + c
e)
1 t t
2
t
3
t 1 t t
2
t
2
t 1 t
t
3
t
2
t 1
f)
a a a a
a b b b
a b c c
a b c d
4. Si B = M
1
AM, probar que |A| = |B| y |A
1
B| = 1.
5. Si |A| = 5, donde A =
_
_
a b c
d e f
g h i
_
_
calcula:
a) |2A
1
| b) |(2A)
1
| c)
a g d
b h e
c i f
32
6. Resolver

1 x x x x
x 1 x x x
x x 1 x x
x x x 1 x
x x x x 1
= 0
7. Hallar un valor de x R tal que |A| = 0, siendo A la matriz
A =
_
_
_
_
2 3 5 x
3 5 x 2
5 x 2 3
x 2 3 5
_
_
_
_
8. Si A M
3
(R) y |A| = 2, indica cu al es el valor de
i. | A| ii. |A
1
| iii. |2A
T
| iv. |A
3
|
1.3.1. Aplicaciones del determinante de una matriz
1. Determinantes y rango de una matriz
Teorema 1.3 Sea A M
nm
(K), entonces el rango de A coincide con el mayor
orden de una submatriz cuadrada regular de A.
Ejercicio 1.12 Aplicar el resultado anterior a la matriz
A =
_
_
3 6 5 9
1 1 2 4
1 2 3 7
_
_
Sol: rg(A) = 2.
2. Determinantes y la inversa de una matriz
Proposici on 1.16 Dada A M
n
(K), son equivalentes
33
i. A es regular
ii. rg(A) = n
iii. |A| = 0
Proposici on 1.17 Sea A M
n
(K) regular. Entonces |A
1
| = 1/|A|
Demostraci on. Como A es regular posee inversa
AA
1
= I
n
Tomando determinantes en ambos lados de la igualdad, obtenemos
|AA
1
| = |I
n
|
|AB| = |A| |B|
|I
n
| = 1
|A| |A
1
| = 1 |A
1
| = 1/|A|
3. C alculo de la inversa de una matriz
Proposici on 1.18 Dada una matriz A regular, entonces
A
1
=
1
|A|
C
T
donde los elementos de la matriz C = (c
ij
) est an dados por
c
ij
= (1)
i+j
|A
ij
|
La matriz C se llama matriz adjunta y se suele denotar Adj(A).
Ejercicio 1.13 Calcular utilizando la matriz adjunta la inversa de las matrices
i.
_
1 2
3 4
_
ii.
_
3 5
1 2
_
iii.
_
_
1 0 3
2 1 1
3 1 4
_
_
34
4. Resoluci on de sistemas de ecuaciones lineales. Regla de Cramer Sea Ax = b un
sistema de ecuaciones compatible determinado, entonces
x
i
=
|A
1
| |A
i1
|b|A
i+1
| |A
n
|
|A|
i = 1, . . . , n
donde A
i
denota la columna i esima de la matriz A.
5. Factorizaci on LU: Sea A M
n
(R), si |A
k
| = 0, k = 1, . . . , n donde A
k
=
(a
i,j
), 1 i, j k, entonces la matriz A se puede factorizar como el producto de
una matriz triangular inferior L por una matriz triangular superior U.
Por ejemplo, la matriz
A =
_
_
1 1 1
1 2 2
1 2 3
_
_
admite una factorizaci on LU ya que
|1| = 1,
1 1
1 2
= 1, |A| = 1.
Nota 1.12 El m etodo de Gauss frente al m etodo de Cramer
Si tenemos un ordenador que efect ua una operaci on en 15 10
6
sg., el n umero de
operaciones y el tiempo para resolver un sistema de n ecuaciones con n inc ognitas
para n = 5, 10, 20 es
Adem as de realizar m as operaciones, y en consecuencia precisa de m as tiempo, no
debemos olvidar la acumulaci on de los errores de redondeo que pueden llegar a
invalidar la soluci on obtenida.
6. Criterio de Sylvester
35
Cuadro 1.1: M etodo de Gauss
n num. de operaciones tiempo
5 115 10
3
sg.
10 805 10
2
sg.
20 5910 9 10
2
sg.
Cuadro 1.2: M etodo de Cramer
n num. de operaciones tiempo
5 3600 10
2
sg.
10 4 10
8
10 m.
20 10
21
7 10
14
sg. 24 10
6
a nos !!!!
Una matriz sim etrica es denida positiva si y s olo si |A
r
| > 0 r = 1, . . . , n
donde A
r
= (a
ij
) 1 i, j r.
Una matriz sim etrica es denida negativa si y s olo si (1)
r
|A
r
| > 0 r =
1, . . . , n donde A
r
= (a
ij
) 1 i, j r.
Ejemplo 1.11 En el caso de una matriz de orden 2
_
a b
b c
_
Si a > 0 y ac b
2
> 0, la matriz es denida positiva
Si a < 0 y ac b
2
> 0, la matriz es denida negativa
Ejercicio 1.14
1. Hallar la matriz adjunta de las matrices
A =
_
1 0
2 1
_
B =
_
_
3 2 1
0 1 1
2 2 2
_
_
36
2. Usando la matriz adjunta, invierte la siguientes matrices
A =
_
_
2 1 0
1 2 1
0 1 2
_
_
B =
_
_
1 1 1
2 1 2
0 0 1
_
_
C =
_
_
1 1 2
2 1 1
3 0 3
_
_
D =
_
_
_
_
2 1 1 1
0 0 1 0
2 1 1 1
0 0 0 1
_
_
_
_
3. Resuelve por la regla de Cramer
i.
_
2x
1
x
2
= 1
x
1
+ 3x
2
= 0
ii.
_
_
2x
1
+ 3x
2
= 8
x
1
+ x
3
= 1
2x
2
x
4
= 1
x
1
+ x
4
= 4
iii.
_
ax + by = 1
cx + dy = 0
iv.
_
_
_
x + 4y z = 1
x + y + z = 0
2x + 3z = 0
v.
_
_
_
x 3y + 4z = 13
3x y + 2z = 3
3x + 5y z = 9
vi.
_
_
_
2x + y z = 3
x 2y + 2z = 1
2x + y + z = 5
4. Determina si las siguientes matrices son denidas positivas o negativas
i.
_
1 2
2 6
_
ii.
_
1 1
1 8
_
iii.
_
1 3
3 8
_
iv.
_
1 3
3 9
_
v.
_
_
1 1 1
1 2 2
1 2 3
_
_
vi.
_
_
2 1 1
1 1 1
1 1 3
_
_
37
38
Captulo 2
Espacios vectoriales
2.1. Primeras deniciones
Denici on 2.1 Sea V
1
un conjunto y K = R o C. Se dice que V es un espacio vectorial
(e.v.) sobre el cuerpo K, si dadas las operaciones
+ : V V V (operaci on interna)
(x, y) x + y
: K V V (operaci on externa)
(, x) x
se satisfacen las siguientes propiedades
(V, +) asociativa, conmutativa, elemento neutro y elemento opuesto.
i. ( + )u = u + u, , K u V
ii. (u + v) = u + v, K u, v V
iii. ()u = (u), , K u V
iv. (1
K
u) = u, u V
1
Ser an por ejemplo vectores, matrices o polinomios
39
A los elementos de V se les llama vectores y a los elementos de K escalares.
Ejemplo 2.1 Algunos ejemplos los encontramos en los vectores de R
n
, en el conjunto de
las matrices M
nm
(K) y el conjunto de los polinomios de grado menor o igual que n,
que lo denotaremos P
n
[x].
Proposici on 2.1 Un subconjunto L V con V e.v. se dice que es un subespacio vectorial
de V si
i. u + v L u, v L
ii. u L K, u L
o equivalentemente
u + v L , K, u, v L
Nota 2.1 Una condici on necesaria para que un conjunto L V sea subespacio vectorial
es que O
V
L.
Ejercicio 2.1 Probar que los siguientes conjuntos son subespacios de los espacios indi-
cados.
1. L = {(x, 0) | x R} de V = R
2
2. L =
{(
a 0
0 a
)
| a R
}
de M
2
(R)
3. L = {a + ax | a R} de P
1
[x].
Nota 2.2 Otro ejemplo de espacio vectorial es el de la funciones con operaciones de
adici on y multiplicaci on por escalares. Algunos subespacios vectoriales suyos los encon-
tramos en las funciones continuas, derivables e integrables.
40
2.1.1. Subespacios intersecci on y suma. Subespacios complementar-
ios
Sean L y M dos subespacios del e.v. V . Se denen
Subespacio intersecci on: L M = {u V | u L y u M}
Ejercicio 2.2 Los conjuntos
L = {(x, y, 0) | x, y R} M = {(0, y, z) | y, z R}
son subespacios vectoriales de R
3
? En caso armativo determina L M.
Subespacio suma: L + M = {u V | u = l + m, l L y m M}
Ejercicio 2.3 Dados
L = {(x, 0) | x R} M = {(0, y) | y R}
Qui en es L + M?
Nota 2.3 La uni on de dos subespacios vectoriales no es subespacio vectorial.
Contraejemplo: Dados L y M como en el ejercicio anterior
L = {(x, 0) | x R} M = {(0, y) | y R}
si fuera subespacio vectorial cualquier elemento de la forma (x, y) pertenecera al sube-
spacio suma (por ii. de la proposici on 2.1) y sin embargo si simult aneamente x = 0 e
y = 0 no es un elemento de la uni on.
Denici on 2.2 Sean L y M dos subespacios vectoriales de V . Se dice que son comple-
mentarios respecto de V si
41
1. L + M = V
2. L M = O
V
En esta situaci on se dice que V es suma directa de los subespacios L y M, y se representa
V = L M.
2.1.2. Subespacio engendrado por un conjunto
Denici on 2.3 Sea L = {l
1
, . . . , l
n
} un conjunto de vectores. Se llama subespacio en-
gendrado o generado por L al subespacio
< L >=
{
n
i=1
i
l
i
|
i
K
}
(2.1)
Ejemplo 2.2 Prueba que los siguientes subconjuntos son subespacios vectoriales
1. A = {(x, x, y, y, z) | x, y, z R}
2. B = {
(
a a
b b
)
| a, b R}
3. C = {a + ax + bx
2
+ bx
4
+ cx
5
, | a, b, c R}
Nota 2.4
La expresi on que aparece en (2.1) recibe el nombre de combinaci on lineal de
l
1
, . . . , l
n
.
Si S es un subespacio vectorial que contiene a L (L S), entonces < L > S.
En otras palabras, < L > es el menor subespacio que contiene a L.
Denici on 2.4 Sean L
1
y L
2
dos conjuntos de vectores. Se dice que son equivalentes si
< L
1
>=< L
2
>
42
Ejercicio 2.4
Cu ales de los siguientes subconjuntos son subespacios vectoriales?
a) A = {(x, y)| x y = 0}
b) B = {(x, y)| x y = 1}
c) C = {
(
a b
c d
)
| a + d = 1}
d) Los vectores de R
3
cuya primera componente es nula.
e)D = {a + bx
2
| a, b R}
f) Los vectores (x, y, z) tales que xy = 0.
g) Los vectores (x, y, z) tales que z y + 3x = 0.
h) E = {
(
a b
c d
)
| a + b + c + d = 0}.
i) F = {a + (2a)x + bx
2
| a, b R}.
2.2. Dependencia e independencia lineal
Denici on 2.5 Sea S = {u
1
, . . . , u
n
} V un conjunto de vectores. Se dice que u
1
, . . . , u
n
son linealmente dependientes o que S es un sistema ligado, si existen
1
, . . . ,
n
K
no todos nulos tales que
n
i=1
i
u
i
= O
V
(2.2)
Ejercicio 2.5 Estudiar si los siguientes sistemas son ligados
1. S = {(2, 3), (1, 5), (3, 8)} R
2
2. S =
{(
1 0
2 3
)
,
(
2 0
4 6
)
,
(
3 1
5 2
)}
M
2
(R)
43
3. S = {1, x} P
1
[x].
4. S = {1 + x, 2 + 2x, 3 + 3x} P
1
[x].
Nota 2.5 Supongamos que u
1
, . . . , u
n
son linealmente dependientes
n
i=1
i
u
i
= O
V
donde por ejemplo
1
= 0
K
. Entonces u
1
es combinaci on lineal de u
2
, . . . , u
n
ya que
1
u
1
=
n
i=2
i
u
i

1
= 0
K
u
1
=
n
i=2
(
i
/
1
)u
i
.
Denici on 2.6 Sea S = {u
1
, . . . , u
n
} V un conjunto de vectores. Se dice que u
1
, . . . , u
n
son linealmente independientes o que S es un sistema libre, si la unica soluci on de la
ecuaci on
n
i=1
i
u
i
= O
V
(2.3)
es la soluci on trivial, es decir,
1
= . . . =
n
= 0
K
.
Ejercicio 2.6
1. Decir si los vectores {(1, 1, 2), (1, 2, 1), (3, 1, 1)} son linealmente dependientes o
independientes.
2. Comprobar si los siguientes sistemas de matrices
{(
1 0
0 0
)
,
(
0 1
0 0
)
,
(
0 0
1 1
)}
,
{(
1 0
0 0
)
,
(
1 0
0 1
)
,
(
1 1
0 1
)}
,
son linealmente independientes.
3. Determinar el valor que ha de tomar k para que los vectores
{(4, 1, 2), (5, 2, 1), (2, k, 4)}
sean linealmente dependientes.
44
4. Se considera el espacio vectorial M
2
(R). Probar que son linealmente dependientes
o independientes
{(
2 1
3 2
)
,
(
3 2
5 4
)}
.
5. Probar que los polinomios p(x) = x
3
+ 2x
2
+ x + 1, q(x) = 2x
3
+ x
2
+ x + 3
y r(x) = x
2
+ 2, son linealmente independientes. Pertenece el polinomio s(x) =
x
3
+ 3x
2
+ 2 al espacio engendrado por A = {p(x), q(x), r(x)}?
6. Si O
V
S, puede ser S un sistema libre?
7. Dados los vectores v
1
= (2, 5, 7), v
2
= (3, 5, 3), v
3
= (0, 5, 0) y v
4
=
(4, 1, 2), expresar v
4
como combinaci on lineal de v
1
, v
2
y v
3
.
2.3. Sistemas generadores de un espacio vectorial
Denici on 2.7 Se dice que S = {u
1
, . . . , u
n
} V es un sistema generador de un
espacio vectorial V si < S >= V , es decir, todo elemento de V se puede expresar como
combinaci on lineal de los elementos de S, es decir, si existen
2
1
, . . . ,
n
K tales que
v =
n
i=1
i
v
i
v V
Si existe un sistema generador de V con un n umero nito de elementos, se dice que V
est a nitamente generado o engendrado. Esta ser a nuestra situaci on en esta asignatura.
Ejercicio 2.7
1. Comprobar que los siguientes sistemas de vectores son generadores
a) {(1, 0, 0), (0, 1, 0), (0, 0, 1), (1, 1, 1)} de R
3
b) {(1, 0, 0), (1, 1, 0), (1, 1, 1)} de R
3
2
no tienen porqu e ser unicos
45
c)
{(
1 0
0 0
)
,
(
0 1
0 0
)
,
(
0 0
1 0
)
,
(
0 0
0 1
)}
de M
2
(R)
d)
{(
1 0
0 0
)
,
(
1 1
0 0
)
,
(
1 1
1 0
)
,
(
1 1
1 1
)}
de M
2
(R)
e) {1, x, x
2
, x
3
} de P
3
[x]
f) {1, 1 + 2x, 3 + x
2
, 1 + x + x
3
} de P
3
[x]
2. Determinar si {(1, 1, 0), (1, 1, 1), (1, 1, 2), (0, 1, 1)} es un sistema generador de
R
3
.
Proposici on 2.2 Sea S = {u
1
, . . . , u
n
} tal que < S >= V , si los vectores de S son lin-
ealmente independientes entonces todo elemento de V se puede escribir de forma unica
como combinaci on lineal de S.
Demostraci on. Por R.A.
Supongamos lo contrario, es decir, que existe v V tal que
v =
n
i=1
i
u
i
v =
n
i=1
i
u
i
con
i
=
i
para alg un i. Igualando las expresiones anteriores obtenemos
n
i=1
i
u
i
=
n
i=1
i
u
i

n
i=1
(
i
i
)u
i
= O
V
con
i
i
= 0
K
para alg un i. En consecuencia u
1
, . . . , u
n
son linealmente dependientes.
Contradicci on con que el conjunto S sea un sistema libre.
2.4. Base y dimensi on de un espacio vectorial
Denici on 2.8 Un conjunto de vectores linealmente independientes que sean sistema
generador de un espacio vectorial se llama base del espacio vectorial.
46
Ejemplo 2.3 Unas bases importantes de los espacios con los que estamos trabajando
son las can onicas:
BC = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} de R
3
BC =
{(
1 0
0 0
)
,
(
0 1
0 0
)
,
(
0 0
1 0
)
,
(
0 0
0 1
)}
de M
2
(R)
BC = {1, x, x
2
, x
3
} de P
3
[x]
Ejercicio 2.8 Calcular una base para el subespacio vectorial
L = {(x
1
, x
2
, x
3
) R
3
| x
1
+ x
2
x
3
= 0}
Teorema 2.1 (de existencia de base) Todo espacio vectorial nitamente generado y dis-
tinto del nulo {O
V
} posee base.
Una vez que tenemos asegurada la existencia nos plantemos la unicidad. Esta es una
cuesti on m as sencilla ya que es sencillo encontrar un f acil contraejemplo:
Ejercicio 2.9 Comprobar que
B = {(1, 0, 0), (1, 1, 0), (1, 1, 1)}
tambi en (recuerda la can onica!!!) es base de R
3
Teorema 2.2 Todas las bases de un mismo espacio vectorial nitamente generado tienen
el mismo n umero de elementos.
Denici on 2.9 El n umero com un de elementos que posee cualquier base de un mismo
espacio vectorial V nitamente generado se llama dimensi on del espacio vectorial y la
denotaremos dim(V )
47
Ejemplo 2.4 Recogemos las dimensiones de algunos de los espacios vectoriales expuestos
anteriormente:
dim(R
2
) = 2 dim(R
3
) = 3 dim(M
2
(R)) = 4 dim(P
3
[x]) = 4 dim() = 0
Proposici on 2.3 Sean V un e.v. de dimensi on n y m > n. El conjunto de vectores
{v
1
, . . . , v
m
} son linealmente dependientes para cualesquiera v
1
, . . . , v
m
de V .
Proposici on 2.4 Si dim(V ) = n y {v
1
, . . . , v
n
} son linealmente independientes, entonces
{v
1
, . . . , v
n
} es base de V .
Proposici on 2.5 Si dim(V ) = n y S = {v
1
, . . . , v
n
} es sistema generador de V , entonces
{v
1
, . . . , v
n
} es base de V .
Ejercicio 2.10 Aplicar las proposiciones 2.4 y 2.5 para probar que
B = {(1, 2, 1), (0, 1, 1), (1, 1, 1)}
es base de R
3
.
Proposici on 2.6 Sean S =< u
1
, . . . , u
n
> y T =< v
1
, . . . , v
p
>, dos espacios vecto-
riales. Si todo vector u
i
i = 1, . . . , n se puede escribir como combinaci on lineal de los
vectores v
1
, . . . , v
p
, entonces S T.
Proposici on 2.7 Sea V un e.v. y L V un subespacio vectorial de V . Entonces
dim(L) dim(V )
Adem as, si dim(L) = dim(V ) entonces L = V .
Nota 2.6 Este ultimo resultado es util para probar que dos subespacios vectoriales son
iguales.
48
Corolario 2.1 Sean V un e.v. y L
1
, L
2
dos subespacios de V . Entonces
dim(L
1
L
2
) mn{dim(L
1
), dim(L
2
)}
Demostraci on. Se propone como ejercicio.
Ejercicio 2.11 Demostrar que < S >=<

S > donde
S = {(1, 2, 3), (2, 1, 1)}

S = {(1, 0, 1), (0, 1, 1)}
Teorema 2.3 Sean L y M dos subespacios vectoriales de V . Entonces,
dim(L) + dim(M) = dim(L + M) + dim(L M)
En el caso particular que L y M sean complementarios respecto de V , se tiene
dim(L) + dim(M) = dim(L + M) = dim(V )
Ejercicio 2.12
1. Sea V = {(x
1
, x
2
, x
3
, x
4
, x
5
) R
5
/ x
1
x
2
+ x
3
= 0 y x
2
+ x
4
+ x
5
= 0}. Pro-
bar que es subespacio vectorial de R
5
y hallar una base de V .
2. Prueba que E =
{(
a b
c d
)
| a = b 3c, c = d
}
es un subespacio vectorial de
M
2
(R) y halla su dimensi on.
3. Probar que
B
1
=
{
1 + x + 2x
2
, 3 x, 2x + x
2
}
y B
2
=
{
1 + 2x + x
2
, 3 x
2
, 1 + x + 2x
2
}
son bases del espacio vectorial de los polinomios cuadr aticos P
2
[x].
4. Dados S = {(x
1
, x
2
, x
3
, x
4
) R
4
| x
1
+ x
2
+ x
3
= 0 y x
1
+ x
2
x
3
= 0} y T =
(1, 1, 2, 1), (1, 1, 0, 1), (2, 2, 3, 1), (1, 1, 1, 2), se pide
49
a) Demostrar que S es un subespacio vectorial de R
4
. Hallar una base y la
dimensi on de S y T.
b) Demostrar que S T.
5. a) Sean B
1
= {(1, 0, 1, 0), (1, 1, 2, 0)} y B
2
= {(3, 1, 4, 0), (0, 1, 1, 0)}. Demues-
tra que < B
1
>=< B
2
> (a este espacio vectorial lo denotaremos S).
b) Sea S el subespacio vectorial del apartado i. y
T = {(x
1
, x
2
, x
3
, x
4
) R
4
| x
1
= x
2
, x
4
= 0}.
Determina una base para S + T y S T.
6. Dados los subespacios
L =< (1, 1, 0, 0), (1, 2, 1, 0) > M =< (1, 0, 1, 0), (1, 0, 0, 1) >
determinar una base de L + M y de L M
7. Se consideran los siguientes subespacios de R
4
S = (1, 2, 1, 2), (2, 5, 5, 5) T = (3, 8, 9, 10), (1, 5, 10, 7)
Hallar una base y la dimensi on de S + T y S T.
8. Considerar los subespacios S y T donde
S =
(
1 0
0 1
)
,
(
0 0
0 1
)
, T =
(
1 0
0 0
)
,
(
1 1
1 1
)
,
a) Decir si es cierto o falso que
(
3 2
2 3
)
T.
b) Dar una base de S + T y otra de S T.
50
2.5. Coordenadas de un vector respecto de un base. Ma-
triz de cambio de base
Denici on 2.10 Sea V un e.v. y B = {e
1
, . . . , e
n
} una base de V . Dado un vector v V ,
se llaman coordenadas de v respecto de la base B a los coecientes
1
, . . . ,
n
tales que
v =
n
i=1
i
e
i
y adoptaremos la siguiente notaci on
v(
1
, . . . ,
n
)
B
.
Ejercicio 2.13
1. Comprobar que las coordenadas del vector (2, 3) respecto de las bases can onicas
(BC) y B = {(1, 0), (1, 1)} son (2, 3)
BC
y (1, 3)
B
respectivamente.
2. Dada la siguiente base de R
3
B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
calcular las coordenadas del vector u = (3, 3, 1) respecto de la base B. (Sol:
(1, 2, 0)
B
)
Nota 2.7 Si B = {e
1
, . . . , e
n
} es una base de un e.v., entonces
e
i
(0, . . . , 1
i
, . . . , 0)
Proposici on 2.8 Las coordenadas de un vector respecto de una base son unicas.
Demostraci on. Este resultado ya fue probado en la proposici on 2.2
51
2.5.1. Cambio de base
En esta secci on nos proponemos determinar las coordenadas de un vector v R
n
respecto de una base B
2
= {u
1
, . . . , u
n
} cuando se conocen las coordenadas de ese vector
v respecto de una base diferente B
1
= {e
1
, . . . , e
n
}.
Para resolver este problema planteamos dos posibilidades
Primera posibilidad (Forma directa):
1. Calcular v a partir de sus coordenadas respecto de la base B
1
(v =
n
i=1
i
e
i
)
2. Resolver el sistema v =
n
i=1
i
u
i
Segunda posibilidad (Utilizando las matrices de cambio de base).
Vamos a centrarnos en la segunda opci on y por sencillez, consideramos el caso par-
ticular de n = 2. Sean
e
1
= (e
11
, e
12
), e
2
= (e
21
, e
22
), u
1
= (u
11
, u
12
), u
2
= (u
21
, u
22
), v = (v
1
, v
2
).
Usando la denici on de coordenadas respecto de una base, se tiene
1
e
1
+
2
e
2
= v,
1
u
1
+
2
u
2
= v,
o equivalentemente
1
(e
11
, e
12
) +
2
(e
21
, e
22
) = (v
1
, v
2
),
1
(u
11
, u
12
) +
2
(u
21
, u
22
) = (v
1
, v
2
).
Igualando ambas expresiones, se tiene
(
e
11
e
21
e
12
e
22
)(

1
2
)
=
(
u
11
u
21
u
12
u
22
)(

1
2
)
Y por tanto
(
u
11
u
21
u
12
u
22
)
1
(
e
11
e
21
e
12
e
22
)(

1
2
)
=
(

1
2
)
52
La matriz
B =
(
u
11
u
21
u
12
u
22
)
1
(
e
11
e
21
e
12
e
22
)
recibe el nombre de matriz de cambio de base.
En el caso que el espacio sea R
n
y las bases sean e
i
= (e
i1
, . . . , e
in
) y u
i
= (u
i1
, . . . , u
in
)
1 i n, entonces la matriz de cambio de base viene dada por
B =
u
11
. . . u
n1
.
.
.
.
.
.
u
1n
. . . u
nn
e
11
. . . e
n1
.
.
.
.
.
.
e
1n
. . . e
nn
Teorema 2.4 La matriz de cambio de base B del teorema anterior es regular. Adem as, la
matriz del cambio inverso es B
1
, es decir,
1
.
.
.
= B
1
1
.
.
.
Ejercicio 2.14
1. Se considera el espacio vectorial R
3
. Probar que {(1, 2, 3), (2, 4, 0), (0, 1, 1)} es
una base y hallar las coordenadas respecto de dicha base del vector (6, 4, 8).
2. Probar que B
1
= {(1, 1, 0), (0, 1, 0), (0, 1, 1)} y B
2
= {(1, 2, 3), (2, 4, 0), (0, 1, 1)}
son bases de R
3
. Si las coordenadas de un vector respecto de la primera base son
(2, 4, 6), halla sus coordenadas respecto de la segunda base.
3. Halla mediante la matriz de cambio de base las coordenadas del vector v respecto
de la base B
2
= {(1, 0), (2, 1)} sabiendo que sus coordenadas respecto de la base
B
1
= {(1, 1), (2, 0)} son
i. v(1, 2)
B
1
(Sol : v(3, 1)
B
2
) ii. v(4, 5)
B
1
(Sol : v(6, 4)
B
2
)
53
4. Demostrar que B
1
= {(1, 3, 2), (4, 1, 0), (2, 0, 1)} es base de R
3
. Siendo v el
vector de R
3
que tiene por coordenadas (1, 1, 0) respecto de B
1
, se pide
a) Comprobar que B
2
= {(2, 1, 0), (1, 3, 0), (0, 4, 1)} es base de R
3
.
b) Hallar directamente las coordenadas de v respecto de B
2
.
c) Hallar, mediante la matriz de cambio de base, las coordenadas de v respecto
de B
2
.
5. Se consideran las bases de R
3
B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, B
= {(1, 0, 1), (2, 1, 0), (3, 2, 1)}

Si las coordenadas de un vector u son X
B
y X
B
respecto de las bases B y B
,
denotaremos por P y Q a las matrices de cambio de base X
B
= PX
B
, X
B
=
QX
B
.
a) Determina la matriz P. Qu e relaci on hay entre las matrices P y Q?
b) Utilizando la matriz de cambio de base, calcula las coordenadas respecto de
B del vector u cuyas coordenadas respecto de B
son (-4,-2,5).
c) Cu ales son las coordenadas respecto de B
del vector v cuyas coordenadas

respecto de B son (7,8,1)?
6. Sean B
1
= {(1, 3, 2), (4, 1, 0), (2, 0, 1)} y B
2
= {(1, 0, 0), (1, 1, 0), (1, 1, 1)} dos
bases de R
3
. Si el vector v tiene por coordenadas (1, 1, 0) respecto de B
1
, se pide
a) Calcula las componentes del vector v.
b) Halla, mediante la matriz de cambio de base, las coordenadas de v respecto
de B
2
.
54
Captulo 3
El espacio eucldeo R
n
3.1. Vectores en R
n
3.1.1. Primeras deniciones
Comenzamos recordando algunas de las propiedades de la adici on vectorial y la mul-
tiplicaci on de un vector por un escalar:
Teorema 3.1 Sean u, v, w vectores de R
n
y , escalares. Entonces,
i. u +v = v +u
ii. u + (v +w) = (u +v) +w
iii. u +0 = 0 +u = u
iv. u + (u) = 0
v. (u +v) = u + v
vi. ( + )u = u + u
vii. ()u = (u)
55
n
viii. 1u = u
3.1.2. Producto escalar, norma, angulo y distancia
Denici on 3.1 Sean u = (u
1
, . . . , u
n
)
T
y v = (v
1
, . . . , v
n
)
T
dos vectores de R
n
. El
producto escalar de u y v se dene como
u v = v
T
u =
n
i=1
u
i
v
i
= u
1
v
1
+ u
2
v
2
+ . . . + u
n
v
n
.
Ejemplo 3.1 El producto escalar de los vectores u = (1, 2, 4)
T
y v = (3, 0, 2)
T
es 11.
Proposici on 3.1 Sean u, v, w vectores de R
n
y un escalar. Entonces,
1. u v = v u
2. (u +v) w = u w +v w
3. (u) v = u (v) = (u v)
4. u u 0 y u u = 0 si y s olo si u = 0
Denici on 3.2 La norma (longitud o magnitud) de un vector u R
n
se denota u y se
dene como
u =
u u =
u
2
1
+ u
2
2
+ . . . + u
2
n
Ejemplo 3.2 Las norma del vector u = (1, 3, 5)
T
es u =
35.
Nota 3.1 El producto escalar puede denirse de forma general mediante el uso de una
aplicaci on lineal : V V R, donde V es un espacio vectorial, de forma que verique
56
n
las propiedades 1,2,3,4 dadas en la Proposici on 3.1. As, por ejemplo, podemos denir el
siguiente producto escalar
f g :=
b
a
fg dx,
y su norma asociada sera
f :=
b
a
f
2
dx.
Denici on 3.3 Un vector unitario es un vector cuya norma es igual a 1. Si v es un vector
no nulo, entonces el vector
1
v
v
es un vector unitario en la direcci on del vector v. Este proceso recibe el nombre de
normalizaci on de un vector.
Ejemplo 3.3
1. Para normalizar el vector (2, 1, 3)
T
, primero calculamos su norma (2, 1, 3) =
14. Luego el vector normalizado es

(2/
14, 1/
14, 3/
14)
T
2. Los vectores de las bases can onicas de R
n
(1,0), (0,1), (1,0,0), (0,1,0), (0,0,1),
. . . (1,0,. . . ,0), . . . , (0,. . . ,0,1) son unitarios
Teorema 3.2 (Desigualdad de CauchySchwarz) Si u, v R
n
, entonces
|u v| u v
Denici on 3.4 Sean u y v vectores no nulos. Entonces, el coseno del angulo entre estos
vectores es
cos =
u v
u v
, 0 .
57
n
Ejemplo 3.4 El angulo entre los vectores u = (1, 0, 0)
T
y v = (1, 0, 1)
T
es = /4.
Denici on 3.5 Se dice que dos vectores no nulos son ortogonales si el angulo entre ellos
es recto. Si adem as son unitarios, reciben el nombre de vectores ortonormales. Si estos
vectores forman una base, se llama base ortogonal u ortonormal respectivamente.
Teorema 3.3 Dos vectores u y v no nulos, son ortogonales si y s olo si u v = 0.
Ejemplo 3.5 Los vectores (2, 3, 1)
T
y (1, 2, 4)
T
son ortogonales.
Teorema 3.4 (Desigualdad Triangular) Sean u y v dos vectores de R
n
. Entonces,
u +v u +v.
Teorema 3.5 (Teorema de Pit agoras) Sean u y v dos vectores de R
n
tales que u v = 0.
Entonces,
u +v
2
= u
2
+v
2
.
Denici on 3.6 La distancia entre dos puntos x = (x
1
, . . . , x
n
), y = (y
1
, . . . , y
n
) de R
n
se dene como
d(x, y) = x y =
(x
1
y
1
)
2
+ . . . + (x
n
y
n
)
2
.
Ejemplo 3.6 La distancia entre los puntos x = (1, 2, 3, 0)
T
, y = (4, 0, 3, 5)
T
es
74.
Denici on 3.7 El producto vectorial de los vectores a = (a
1
, a
2
, a
3
)
T
y b = (b
1
, b
2
, b
3
)
T
de R
3
se dene
ab =
(
a
2
a
3
b
2
b
3
a
1
a
3
b
1
b
3
a
1
a
2
b
1
b
2
)
=
a
2
a
3
b
2
b
3
a
1
a
3
b
1
b
3
j+
a
1
a
2
b
1
b
2
k,
donde i, j y k son los vectores de la base can onica.
58
n
Una regla memot ecnica para acordarse de la expresi on del producto vectorial es escribirlo
en t erminos de determinates:
a b =
i j k
a
1
a
2
a
3
b
1
b
2
b
3
y desarrollar el determinate por la primera la.

Ejemplo 3.7 Si a = (4, 2, 5)
T
y b = (3, 1, 1)
T
, determinar a b:
Sol:
a b =
i j k
4 2 5
3 1 1
= 3i + 19j + 10k = (3, 19, 10)

T
Proposici on 3.2 Sean u, v, w vectores de R
n
. El producto vectorial verica las sigu-
ientes propiedades
1. u v = (v u)
2. Si u v = 0, con u = 0 y v = 0, entonces u y v son paralelos.
3. (u +v) w = u w +v w
4. |u v| = u v sin (Ley del paralelogramo)
5. El vector unitario n =
u v
u v
es perpendicular al plano que contiene los vec-
tores u y v.
Ejercicio 3.1
1. Determina, si es posible, el producto escalar de los siguientes pares de vectores
i. (1, 2, 3)
T
, (4, 2, 7)
T
ii. (1, 2, 3)
T
, (2, 5)
T
59
n
2. Calcula la norma del vector (2, 1, 3)
T
3. Calcula el angulo entre los pares de vectores (2, 0)
T
, (1,
3)
T
.
4. Determina la distancia entre los pares de puntos (3, 2, 1)
T
, (7, 1, 2)
T
.
5. Determina a b, donde
a) a = (1, 1, 0)
T
y b = (0, 3, 5)
T
b) a = 5j y b = 2i 3j k
6. En P
2
[x] se dene el siguiente producto escalar:
p q =
1
1
p(x)q(x) dx.
Calcula el producto escalar de
i. p(x) = 3 x + 2x
2
, q(x) = 2 4x
2
ii. p(x) = 5 + 2x + x
2
, q(x) = 3 + 2x 4x
2
3.2. Vectores y subespacios ortogonales
Para los vectores ortogonales se tienen las siguientes propiedades
Proposici on 3.3 Si los vectores de S = {v
1
, . . . , v
k
} son mutuamente ortogonales (dos
a dos), entonces S es un sistema libre.
Proposici on 3.4 Si {v
1
, . . . , v
n
} es una base ortogonal de un subespacio vectorial V ,
entonces para todo vector u V se cumple
u =
u v
1
v
1
2
v
1
+ . . . +
u v
n
v
n
2
v
n
.
60
n
Ejemplo 3.8 Considera los vectores
v
1
= (0, 1, 0)
T
, v
2
= (
4
5
, 0,
3
5
)
T
, v
3
= (
3
5
, 0,
4
5
)
T
,
Es f acil comprobar que es una base ortonormal de R
3
. Para calcular las coordenadas del
vector u = (1, 1, 1)
T
respecto de esta base, basta con calcular los productos escalares
u v
1
= 1 u v
2
=
1
5
u v
3
=
7
5
,
y por tanto
u = v
1
1
5
v
2
+
7
5
v
3
Proposici on 3.5 Dos subespacios V y W de R
n
son ortogonales si todo vector de V es
ortogonal a todo vector de W, es decir,
v w = 0, v V, w W.
Proposici on 3.6 Dado un subespacio V de R
n
, el espacio de todos los vectores ortogo-
nales a V se llama el complemento ortogonal de de V y se denota V
.
Proposici on 3.7 Sea V un subespacio de R
n
. Entonces, se cumple dim(V ) +dim(V
) =
n y (V
= V
Ejemplo 3.9 Encuentra los vectores de R
3
ortogonales a a = (1, 1, 1)
T
y b = (1, 1, 0)
T
.
Comprueba que dichos vectores forman un espacio vectorial y determina una base del
mismo.
Sol: Denotamos por W =< (1, 1, 1), (1, 1, 0) >. Primero calculamos los vectores del
subespacio ortogonal X = (x, y, z)
T
W
, los cuales satisfacen simult aneamente:

X a = 0, y X b = 0,
61
n
es decir
x + y + z = 0, x y = 0.
Resolviendo este sistema resulta x = y, z = 2y. Luego W
= {(y, y, 2y), y R}.

Una base de W
es (1, 1, 2) y por tanto dim(W
)=1.
Ejercicio 3.2
1. Comprueba que los vectores
v
1
= (
3
5
,
4
5
, 0)
T
, v
2
= (
4
5
,
3
5
, 0)
T
, v
3
= (0, 0, 1)
T
,
forman una base ortonormal de R
3
. Calcula respecto de esta base las coordenadas
de los vectores
i. (2, 1, 1) ii. (1, 3, 4)
2. Determina todos los vectores ortogonales a (2, 1, 5)
T
. Comprueba que dichos
vectores forman un espacio vectorial y determina una base del mismo.
3. Determina los vectores ortogonales a (1, 0, 2)
T
y (1, 1, 4)
T
. Comprueba que dichos
vectores forman un espacio vectorial y determina una base del mismo.
4. Determina los vectores ortogonales a (1, 4, 4, 1)
T
y (2, 9, 8, 2)
T
. Comprueba que
dichos vectores forman un espacio vectorial y determina una base del mismo.
5. Encontrar un vector perpendicular al plano x + 2y z = 0.
6. Sea S = {(x
1
, x
2
, x
3
, x
4
) | x
1
+ x
2
+ x
3
+ x
4
= 0}. Determina una base de S
.
7. En P
3
[x] se dene el siguiente producto escalar:
p q =
1
1
p(x)q(x) dx.
Calcular
i. La norma de los vectores 1, x, x
2
y x
3
ii. Una base de < x
2
>
.
62
n
3.3. Proyecciones ortogonales
Comenzamos recordando un problema b asico de geometra. Dado un punto en el plano
P y una recta xa que pasa por el origen y a es su vector direccional, buscamos encontrar
el punto Q en la recta m as proximo al punto P (supuesto que la recta no pasa por P)

P
Q
p-q
La clave est a en la geometra: La recta que conecta P y Q (lnea de puntos) es per-
pendicular a la recta xa. Este hecho nos permite calcular su proyecci on en la recta. Si
p = OP y q = OQ = ya, entonces
(p q) q o (p ya) a.
De esta forma a
T
(p ya) = 0 y por tanto
y =
a
T
p
a
T
a
=
a p
a
2
.
Tambi en se suele decir que q es la proyecci on ortogonal del vector p sobre a.
Ejemplo 3.10 Determinar la proyecci on ortogonal del vector p = (4, 1)
T
sobre el vector
a = (2, 3)
T
Sol: Calculamos primero
a p = 11, a
2
= 13
63
n
As, la proyecci on viene dada por
q = ya =
a p
a
2
a = (
22
13
,
33
13
)
T
Ejercicio 3.3 Encuentra la proyecci on ortogonal del vector p sobre el vector a donde
1. p = (5, 5)
T
, a = (3, 4)
T
2. p = (4, 2)
T
, a = (3, 1)
T
La proyecci on ortogonal se puede extender a subespacios de dimensiones superiores.
As, ahora nos planteamos calcular la proyecci on de un vector p sobre un subespacio
vectorial S con p / S y donde {a
1
, a
2
, . . . , a
n
} es una base ortogonal de S. Si denotamos
dicha proyecci on por proy(p)
S
, se calcula como sigue:
proy(p)
S
=
a
1
p
a
1
2
a
1
+
a
2
p
a
2
2
a
2
+ . . . +
a
n
p
a
n
2
a
n
.
Ejemplo 3.11 Calcula la proyecci on ortogonal del vector p = (3, 2, 2)
T
en el subespacio
S =< a
1
, a
2
> con a
1
=(2, 0, 1) y a
2
= (0, 3, 0).
Usando que
a
1
2
= 5, a
2
2
= 9, a
1
p = 8, a
2
p = 6,
resulta
proy(p)
S
=
a
1
p
a
1
2
a
1
+
a
2
p
a
2
2
a
2
=
8
5
(2, 0, 1)
T
+
6
9
(0, 3, 0)
T
=
(
16
5
, 2,
8
5
)
T
.
Ejercicio 3.4 Calcula la proyecci on del vector (1, 2, 0, 2) sobre los subespacios
i. S =< (1, 1, 1, 1), (1, 1, 1, 1) >
ii. T =< (0, 1, 4, 1), (3, 5, 1, 1) >
64
n
3.4. El m etodo de GramSchmidt
Este m etodo nos permite encontrar una base ortonormal q
1
, . . . , q
k
de un subespacio
de R
n
a partir de otra base suya. Los vectores de la base que conocemos los denotamos
a
1
, . . . , a
k
.
Consideramos el primer vector y lo transformamos en un vector unitario q
1
= A
1
/A
1
=
a
1
/a
1
.
Ahora determinamos un vector unitario q
2
que es ortogonal a q
1
, para ello sustraemos
al segundo vector a
2
su componente en la direcci on de q
1
:
A
2
= a
2
(a
2
q
1
)q
1
, y q
2
= A
2
/A
2
.

q1
A2
q2
a2
Figura 3.1: La componente q
1
de a
2
es eliminada
Consideramos ahora el tercer vector a
3
y le sustraemos la componente correspondiente
al plano denido por q
1
y q
2
A
3
= a
3
(a
3
q
1
)q
1
(a
3
q
2
)q
2
, y q
3
= A
3
/A
3
.
Este proceso sigue para cada uno de los vectores, obteniendo
A
j
= a
j
(a
j
q
1
)q
1
(a
j
q
2
)q
2
. . . (a
j
q
j1
)q
j1
y q
j
= A
j
/A
j
.
65
n
Ejemplo 3.12 Dado el espacio vectorial S =< (1, 0, 1), (1, 0, 0), (2, 1, 0) >, encuentra
una base ortonormal.
En primer lugar, calculamos
q
1
=
A
1
A
1
=
a
1
a
1
= (1/
2, 0, 1/
2)
T
.
Ahora calculamos
A
2
= a
2
(a
2
q
1
)q
1
= (1, 0, 0)
T
2
(1/
2, 0, 1/
2)
T
= (1/2, 0, 1/2)
T
.
Luego
q
2
=
A
2
A
2
= (1/
2, 0, 1/
2)
T
.
Finalmente,
A
3
= a
3
(a
3
q
1
)q
1
(a
3
q
2
)q
2
= (2, 1, 0)
T
2(1/
2, 0, 1/
2)
T
2(1/
2, 0, 1/
2)
T
= (0, 1, 0)
T
.
Y como este vector es unitario, se tiene q
3
= A
3
.
Ejercicio 3.5
1. Aplica el proceso de GramSchmidt a los vectores {(0, 0, 1), (0, 1, 1), (1, 1, 1)}
2. Aplica el proceso de GramSchmidt a los vectores {(1, 1, 0), (1, 0, 1), (0, 1, 1)}
3. Sean
S
1
= {(x, y, z) R
3
| xy z = 0, xz = 0}, S
2
=< (2, 0, 1), (0, 4, 1) >
i. Calcula una base de S
1
y S
2
ii. Calcula la proyecci on ortogonal del vector (3, 2, 1)
T
sobre S
1
y tambi en sobre
S
2
.
4. Sea el subespacio S = {(x, y, z) R
3
| x = y = z}.
i. Calcula una base de S
ii. Calcula la proyecci on ortogonal de (1, 0, 0) sobre S

66
n
3.5. Ajuste por mnimos cuadrados
Finalmente, consideramos una importante aplicaci on que consiste en la resoluci on de
sistemas incompatibles Ax = b donde Aes una mn matriz. El n umero de observaciones
ser a, en general, mayor que el n umero de inc ognitas. Se busca aquella soluci on y que
minimice el error (o residuo)
b Ay,
y de ah que este m etodo reciba el nombre de ajuste por mnimos cuadrados. La soluci on
buscada viene dada por
A
T
(b Ay) = 0 o A
T
Ay = A
T
b,
que en estadstica reciben el nombre de ecuaciones normales.
Si las columnas de A son linealmente independientes, la matriz A
T
A es regular y por
tanto la soluci on buscada es
y = (A
T
A)
1
A
T
b.
Ejemplo 3.13 Encontrar la ecuaci on de la recta y = a + b t que mejor se ajusta a los
datos (t, y): (-2,4), (-1,3),(0,1), (2,0)
Sol: Primero imponemos las condiciones dadas en el enunciado, lo que lleva al siguiente
sistema incompatible
1 2
1 1
1 0
1 2
(
a
b
)
=
4
3
1
0
Calculamos la soluci on que mejor se ajusta utilizando el m etodo de ajuste por mnimos
cuadrados:
(
1 1 1 1
2 1 0 2
)
1 2
1 1
1 0
1 2
(
a
b
)
=
(
1 1 1 1
2 1 0 2
)
4
3
1
0
67
n
que proporciona el sistema
(
4 1
1 9
)(
a
b
)
=
(
8
11
)
cuya soluci on es a = 61/35 y b = 36/35
Ejercicio 3.6
1. Resuelve por el m etodo de ajuste de mnimos cuadrados los sistemas
i.
1 0
0 1
1 1
(
x
y
)
=
1
1
0
ii.
1 0
0 1
1 1
(
x
y
)
=
1
3
4
iii.
1 1
1 0
1 1
(
x
y
)
=
4
5
9
iv.
1 1
1 1
2 4
(
x
y
)
=
1
2
7
2. Encontrar la ecuaci on de la recta y = a +b t que mejor se ajusta a los datos (t, y):
(-2,4), (-1,3),(0,1), (2,0)
3. Encuentra el mejor plano y = C + Dx + Ez que se ajusta a los datos (y, x, z):
(3,1,1), (6,0,3), (5,2,1) y (0,0,0).
4. Dados los siguientes puntos (y, t) : (2,-1), (0,0), (-3,1), (-5,2). Encuentra
a) La recta y = a + bt que mejor se ajusta a estos datos.
b) La par abola y = a + bt + ct
2
que mejor se ajusta a estos datos.
Nota 3.2 Otro tipo de ajustes es el ajuste logartmico
y = a + b ln x,
que se plantea de forma similar que el ajuste lineal. El ajuste
y = ae
bx
,
68
n
se reduce al ajuste lineal tomando logaritmos
ln y = ln a + bx.
El ajuste exponencial
y = ab
x
se reduce de nuevo al ajuste lineal tomando logaritmos
ln y = ln a + x ln b
Ejercicio 3.7 Calcula un ajuste
i. de tipo logartmico para los datos (1, 1), (2, 3), (4, 3)
ii. de tipo exponencial para los datos (1, 4), (3, 2), (5, 1)
69
Captulo 4
Aplicaciones lineales
4.1. Preliminares
Denici on 4.1 Dados dos conjuntos A y B se llama correspondencia a cualquier sub-
conjunto de A B.
Denici on 4.2 Una correspondencia f entre dos conjuntos X e Y recibe el nombre de
aplicaci on o funci on
1
si a todo elemento del conjunto X le corresponde un unico ele-
mento del conjunto Y .
Habitualmente se utiliza la notaci on
f : X Y
x y = f(x)
donde
X := conjunto inicial o dominio
Y := conjunto nal
1
Se nombran as de manera indistinta aunque por razones hist oricas suele utilizarse el nombre de funci on
cuando los conjuntos son num ericos
71
y := imagen de x por f
x := antiimagen de y por f
Denici on 4.3 Sean la aplicaci on f : X Y y los subconjuntos A X y B Y . Se
denen
La imagen del subconjunto A por la aplicaci on f al conjunto
f(A) = {y Y | x A t.q.f(x) = y}
La antiimagen del subconjunto B por la aplicaci on f al conjunto
f
1
(B) = {x X | f(x) B}
Denici on 4.4 La aplicaci on f : X Y se dice que es
inyectiva cuando a elementos distintos de X le corresponden im agenes distintas.
O equivalentemente
x
1
, x
2
X si x
1
= x
2
=f(x
1
) = f(x
2
)
O equivalentemente
Si f(x
1
) = f(x
2
) =x
1
= x
2
sobreyectiva o suprayectiva cuando todos los elementos del conjunto nal tienen
como mnimo una antiimagen. O equivalentemente
y Y x X t.q. y = f(x)
O equivalentemente
f(X) = Y
72
biyectiva si es inyectiva y suprayectiva. O equivalentemente
y Y |x X t.q. y = f(x)
Nota 4.1 Si f : X Y es biyectiva existe la aplicaci on inversa f
1
: Y X.
Algunos ejemplos de aplicaciones T : R
2
R
2
son:
Rotaci on de angulo con respecto al origen
T
([
x
y
])
=
(
cos sen
sen cos
)[
x
y
]
Dilataci on (r > 1) y contracci on (0 < r < 1)
T
([
x
y
])
=
(
r 0
0 r
)[
x
y
]
= r
[
x
y
]
Reexi on
T
([
x
y
])
=
(
1 0
0 1
)[
x
y
]
=
[
x
y
]
Nota 4.2 Notar que todas estas aplicaciones satisfacen las siguientes propiedades:
i. T(u +v) = T(u) + T(v) u, v R
2
ii. T(u) = T(u) u R
2
y R.
4.2. Primeras deniciones
Denici on 4.5 Sean U y V espacios vectoriales sobre un cuerpo K y f una aplicaci on
lineal de U en V , es decir,
f : U V
Se dice que f es aplicaci on lineal si se satisfacen las siguientes propiedades:
73
i. f(u
1
+ u
2
) = f(u
1
) + f(u
2
) u
1
, u
2
U,
ii. f(u) = f(u), K, u U,
o equivalentemente
f(u
1
+ u
2
) = f(u
1
) + f(u
2
) , K, u
1
, u
2
U.
Ejercicio 4.1 Probar que la aplicaci on
f : R
3
R
3
(x, y, z) (x + 2y + 3z, x + y, x + y + 2z)
es lineal
Proposici on 4.1 Sea f : U V con U y V dos espacios vectoriales sobre K. Entonces,
1. f(O
U
) = O
V
2. f(u) = f(u)
3. f(u v) = f(u) f(v)
4. f(u v) = f(u) f(v)
5. f
(
n
i=1
u
i
)
=
n
i=1
f(u
i
).
Nota 4.3 Si f(O
U
) = O
V
, la aplicaci on f no es lineal.
Ejercicio 4.2 Decir cuales de las siguientes aplicaciones son lineales
1. f(x, y) = (x + 2y + 3, y)
2. f(x, y) = (x y, x + 3y)
74
3. f(x, y) = (x
2
, y)
Nota 4.4 A partir de las propiedades
(f + g)
= f
+ g
, (f)
= f
b
a
(f + g) dx =
b
a
f dx +
b
a
g dx,
b
a
f dx =
b
a
f dx,
observamos que la derivaci on e integraci on de funciones se puede interpretar en el con-
texto de las aplicaciones lineales.
4.3. Matriz coordenada de una aplicaci on lineal
Sean f : U V una aplicaci on lineal, B
U
= {u
1
, . . . , u
n
} una base de U y B
V
=
{v
1
, . . . , v
m
} una base de V .
Dados por una parte el vector U x =
n
i=1
x
i
u
i
y por otra su imagen por f, es decir,
V y = f(x) =
m
i=1
y
i
v
i
, nos planteamos establecer una relaci on matricial entre las
coordenadas de x e y. Si por
i,j
denotamos las coordenadas
f(u
1
) =
m
i=1
i,1
v
i
,
f(u
2
) =
m
i=1
i,2
v
i
,
.
.
.
f(u
n
) =
m
i=1
i,n
v
i
,
entonces se tiene

y
1
.
.
.
y
m
1,1
. . .
1,n
.
.
.
.
.
.
m,1
. . .
m,n
x
1
.
.
.
x
n
75
o equivalentemente
Y = BX
donde Y
T
= (y
1
, . . . , y
m
), B = (
i,j
) y X
T
= (x
1
, . . . , x
n
).
La matriz B recibe el nombre de matriz coordenada de la aplicaci on lineal f respecto
de las bases B
U
y B
V
.
Evidentemente si utilizamos bases distintas para los espacios vectoriales U o V la
matriz coordenada ser a diferente. As, si
B
U
y B
U
son dos bases de U.
B
V
y B
V
son dos bases de V .
Las coordenadas de x U respecto de las bases B
U
y B
U
son X y X
respectiva-
mente.
Las coordenadas de f(x) = y V respecto de las bases B
V
y B
V
son Y e Y
respectivamente.
Las matrices de cambio de base las denotamos P y Q, es decir,
X
= PX, Y
= QY
Entonces la relaci on entre las matrices coordenadas B y B
, es decir,
Y = BX, Y
= B
,
viene dada por
B
= QBP
1
.
Ejercicio 4.3 Determina la matriz coordenada respecto de las bases can onicas asociada
a las aplicaciones lineales
76
1. f(x, y) = (x + y, y)
2. f(x, y, z) = (x + z, y, y, x z)
3. f(x, y, z) = (x + y, y + z)
4. f(x, y) = (x y, x + y, 2y)
5. f(1, 0) = (1, 2), f(0, 1) = (2, 1)
6. f(1, 1) = (2, 1), f(2, 3) = (0, 2)
Ejercicio 4.4 Determina la matriz coordenada asociada a las aplicaci on lineal f(x, y) =
(x + y, y) respecto de las bases
i. Bases can onicas en los espacios de partida y llegada.
ii. Base {(1, 1), (1, 0)} en el espacio de partida y la base can onica en el espacio de
llegada.
4.4. N ucleo e imagen de una aplicaci on lineal
Proposici on 4.2 Sea f : U V una aplicaci on lineal y S un subespacio vectorial de U.
Entonces f(S) = {f(u) | u S} es un subespacio vectorial de V .
Denici on 4.6 Dada la aplicaci on lineal f : U V , al subespacio vectorial f(U) de V
se llama imagen de f y se denota Imf. A la dimensi on de Imf se llama rango de f y se
denota Rangf. As,
dim(Imf) = Rangf dimV
La ultima desigualdad se debe a que Imf V .
77
Ejercicio 4.5 Para la aplicaci on lineal
f : R
3
R
3
(x, y, z) (x + 2y + 3z, x + y, x + y + 2z)
dar una base de la imagen
Proposici on 4.3 Sea f : U V una aplicaci on lineal y W un subespacio vectorial de
V . El conjunto
f
1
(W) = {x U | f(x) W}
es un subespacio vectorial de U.
Denici on 4.7 Sea f : U V una aplicaci on lineal. El subespacio vectorial
f
1
(O
V
) = {x U | f(x) = O
V
}
se denomina n ucleo de f o ker f. A su dimensi on se le denomina nulidad de f . De esta
forma
dimker f = Nul f.
Ejercicio 4.6 Determinar una base para los n ucleos de las siguientes aplicaciones lin-
eales:
1.
f : R
3
R
3
(x, y, z) (x + 2y + 3z, x + y, x + y + 2z)
2.
f : R
4
R
3
(x, y, z, t) (x, y + z, t)
Ejercicio 4.7 Comprueba que la siguiente aplicaci on
f : R
3
R
4
(x, y, z) (x + z, y, y, x z)
es lineal. Calcula una base de su n ucleo e imagen.
78
Teorema 4.1 Sea f : U V una aplicaci on lineal. Entonces,
dimker f + dim(Imf) = dimU
o equivalentemente
Nul f + Rang f = dimU.
Proposici on 4.4 Sea f : U V una aplicaci on lineal. Entonces,
f inyectiva Rang f = dimU.
f suprayectiva Rang f = dimV.
f biyectiva Rang f = dimU = dimV.
Ejercicio 4.8
1. Dada la aplicaci on lineal f : R
3
R
2
denida por f(x, y, z) = (x + y, y + z)
I) Hallar la matriz coordenada asociada a la aplicaci on lineal f respecto de las
bases can onicas.
II) Determinar Im f y Ker f.
2. Existe una aplicaci on lineal f : R
3
R
4
de forma que su n ucleo es el subespacio
generado por los vectores (1,0,1), (1,1,1) y la imagen est a generada por (1,0,0,0) y
(1,2,0,0)?
3. Se dene la siguiente aplicaci on lineal f : U V de forma que
f(e
1
e
3
) = u
1
f(e
2
e
3
) = u
1
u
2
f(2e
3
) = 2u
1
+ 2u
3
donde B = {e
1
, e
2
, e
3
} es una base de U y B
= {u
1
, u
2
, u
3
, u
4
} es una base de V .
Determinar la matriz asociada a f en las bases B y B
.
79
4. Sea f : R
3
R
3
una aplicaci on lineal. Se sabe que
f(1, 0, 0) = (0, 0, 1) f(1, 1, 1) = (1, 0, 0) f(1, 0, 1) = (1, 0, 1)
ii. Determina la matriz coordenada de la aplicaci on f respecto de las bases
can onicas. Da la expresi on de f(a, b, c)
iii. Determina una base para el n ucleo y otra para la imagen de la aplicaci on
lineal.
5. Considera la aplicaci on lineal f : R
4
R
3
denida de la siguiente forma
f(1, 0, 0, 0) = (1, 2, 3) f(1, 1, 0, 0) = (0, 1, 1)
f(1, 1, 1, 0) = (2, 0, 1) f(1, 1, 1, 1) = (2, 1, 1)
i. Determina la matriz coordenada de la aplicaci on f respecto de las bases
can onicas.
ii. Encuentra una base para el n ucleo e imagen de la aplicaci on f.
6. Obtener la aplicaci on lineal f : R
3
R
3
que verique Ker f = {(x, y, z)
R
3
/ x = y} y f(0, 1, 0) = (2, 1, 5).
7. Sea f : R
3
R
3
una aplicaci on lineal tal que
f(1, 0, 1) = (2, 0, 2), f(1, 1, 1) = (0, 2, 2), f(1, 1, 0) = (0, 0, 0)
i. Utilizando en tu razonamiento matrices de cambio de base, determina la ma-
triz coordenada de la aplicaci on lineal respecto de las bases can onicas y da
la expresi on general de f(x, y, z).
ii. Determina una base del n ucleo y de la imagen de la aplicaci on lineal.
iii. Clasica la aplicaci on lineal.
8. Sea f : R
2
R
3
una aplicaci on lineal tal que f(1, 1) = (1, 1, 1), f(2, 1) =
(1, 1, 2).
80
i. Determina la matriz coordenada de f respecto de las bases can onicas uti-
lizando matrices de cambio de base.
ii. Determina una base del n ucleo y de la imagen de la aplicaci on lineal. Estu-
diar si es inyectiva, suprayectiva o biyectiva.
iii. Razona si los vectores (1,2), (2,3,5), (2,2,4) pertenecen al n ucleo, a la imagen
de la aplicaci on lineal o a ninguno de estos subespacios.
81
Captulo 5
Diagonalizaci on
5.1. Valores y vectores propios de una matriz
Denici on 5.1 Dos matrices A, B M
n
(K) se dicen semejantes si existe una matriz
regular P M
n
(K) tal que
B = PAP
1
El objetivo de este captulo es dar respuesta a la siguiente cuesti on:
Cualquier matriz cuadrada es semejante a una matriz diagonal? Notar que
en este caso el c alculo de su potencia A
n
se reduce a
A
n
= PD
n
P
1
y el c alculo de D
n
es inmediato. Algunos ejemplos de aplicaciones que re-
quieran para su resoluci on el c alculo de la potencia de una matriz ser an intro-
ducidos a lo largo de este captulo.
Para dar respuesta a esta pregunta, comenzamos introduciendo los siguientes concep-
tos.
83
Diagonalizaci on
Denici on 5.2 Dada una matriz A M
n
(K), se dice que K es un valor propio de
A si existe un vector v K
n
= O tal que
Av = v.
El vector v recibe el nombre de vector propio asociado al valor propio .
Ejercicio 5.1 Demostrar que realmente V () = {v K
n
| Av = v} es un subespacio
vectorial.
Denici on 5.3 Sean A M
n
(K) y K un valor propio suyo. El conjunto
V () = {v K
n
| Av = v}
recibe el nombre de subespacio fundamental asociado al valor propio .
Proposici on 5.1 Sean A M
n
(K) y K un valor propio suyo. Entonces,
1 dimV () n.
Demostraci on. Basta tener en cuenta por una parte que por denici on V () contiene un
vector no nulo; y por otra que V () K
n
.
Proposici on 5.2 es valor propio de una matiz A es raz de la ecuaci on |A
I
n
| = 0.
La ecuaci on anterior recibe el nombre de ecuaci on caracterstica.
Demostraci on. Por denici on, si v es un vector propio de la matriz A asociada al valor
propio , entonces
Av = v Av v = O (A I
n
)v = O
Puesto que el sistema anterior posee soluci on adem as de la trivial, entonces
rg(A I
n
) < n |A I
n
| = 0
84
Diagonalizaci on
Ejercicio 5.2 Calcular los valores propios y los subespacios fundamentales asociados a
las matrices
A =
(
1 1
1 1
)
, B =
(
4 3
1 2
)
, C =
3 2 0
1 0 0
0 0 1
5.2. Forma diagonal de una matriz

Denici on 5.4 Sean A, B M
n
(K). Se dice que A y B son semejantes si existe una
matriz regular P M
n
(K), tal que
B = PAP
1
.
Proposici on 5.3 Dos matrices semejantes tienen la misma ecuaci on caracterstica.
Denici on 5.5 Una matriz A M
n
(K) se dice diagonalizable si es semejante a una
matriz diagonal, es decir, si existe una matriz regular P M
n
(K), tal que
PAP
1
= D, (5.1)
con D una matriz diagonal.
n
(K) y v
1
, , v
r
vectores propios asociados a los valores
propios distintos
1
, ,
r
con r n. Entonces, los vectores v
1
, , v
r
son linealmente
independientes.
Teorema 5.1 Sean A M
n
(K) y v
1
, , v
n
vectores propios linealmente independi-
entes asociados a los valores propios
1
, ,
n
no necesariamente distintos. Si
P
1
= (v
1
|v
2
| |v
n
),
85
Diagonalizaci on
entonces
PAP
1
= D =
1
.
.
.

n
(K) y un valor propio suyo. Se llama multiplicidad
algebraica de y la denotaremos m() a la multiplicidad de como raz de la ecuaci on
caracterstica.
n
(K) y un valor propio suyo. A la dimensi on de V (), i.e.,
del subespacio fundamental asociado a , se le llama multiplicidad geom etrica.
Proposici on 5.5 Sean un valor propio de una matriz y V () su subespacio fundamental
asociado. Entonces,
1 dimV () m().
Nota 5.1 Si m() = 1, entonces dimV () = 1.
Teorema 5.2 La matriz A es diagonalizable si y s olo si dimV () = m() para todo
valor propio de A.
Corolario 5.1 Si la matriz A M
n
(K) tiene n valores propios distintos, la matriz A es
diagonalizable.
Ejercicio 5.3 Estudiar si las siguientes matrices son diagonalizables:
i.
(
1 1
1 1
)
ii.
(
1 0
1 1
)
iii.
3 2 0
1 0 0
0 0 1
86
Diagonalizaci on
5.3. Otros resultados de valores y vectores propios
ij
) M
n
(K). Se llama traza de la matriz A (y la denotare-
mos Tr(A)) a la suma de sus elementos diagonales, es decir,
Tr(A) = a
11
+. . . +a
nn
=
n
i=1
a
ii
.
Ejemplo 5.1
Tr
2 5 7
3 1 0
4 3 2
= 2 + 1 + (2) = 1.
Teorema 5.3 Sean A M
n
(K) y
1
, ,
n
valores propios de A. Entonces,
Tr(A) =
1
+. . . +
n
=
n
i=1
i
,
|A| =
1

n
=
n
i=1
i
,
Corolario 5.2 La matriz A es singular si y s olo si 0 es valor propio de A.
Denici on 5.9 Una matriz estoc astica es una matriz cuadrada cuyos elementos son pos-
itivos y sus columnas suman 1. Para estas matrices = 1 es un valor propio.
Proposici on 5.6 Dada una matriz sim etrica, entonces todos sus valores propios son reales.
Adem as,
i. es denida positiva si y s olo si todos sus valores propios son positivos
i
> 0, y
ii. es denida negativa si y s olo si todos sus valores propios son negativos
i
< 0.
87
Diagonalizaci on
n
(K), un valor propio suyo y m un entero positivo.
Entonces
m
es valor propio de A
m
. Adem as, si P diagonaliza a A, es decir,
PAP
1
= D,
entonces P tambi en diagonaliza a A
m
, es decir,
PA
m
P
1
= D
m
.
Nota 5.2
1. El calculo de la potencia de una matriz diagonal es elemental:
D
m
=
1
.
.
.
m
=
m
1
.
.
.
m
n
2. Notar que si la matriz A es diagonalizable, tenemos una forma efectiva de calcular

potencias de matrices:
PA
m
P
1
= D
m
=A
m
= P
1
D
m
P.
Ejercicio 5.4 Dada
A =
(
4 3
1 2
)
calcula A
5
, A
20
y A
100
.
Proposici on 5.8 Los valores propios de A y A
T
coinciden.
Demostraci on. Se basa en propiedades elementales del Algebra matricial
|A I
n
| =
(|C| = |C
T
|)
|(A I
n
)
T
| =
(|(C +D)
T
| = |C
T
+D
T
|)
|A
T
(I
n
)
T
| =
=
(I
T
n
= I
n
)
|A
T
I
n
|
88
Diagonalizaci on
As,
|A I
n
| = |A
T
I
n
|,
de donde se deduce el resultado.
n
(K) regular y un valor propio suyo. Entonces
1
=
1/ es un valor propio de A
1
. Adem as, si P diagonaliza a A, entonces P diagonaliza a
A
1
.
Proposici on 5.10 Dada una matriz sim etrica de coecientes reales se verica que sus
valores propios son n umeros reales y que los vectores propios asociados a valores propios
distintos son ortogonales.
Teorema 5.4 (de Schur) Sea A M
n
(R). Entonces existe una matriz ortogonal U tal
que
UAU
T
= T,
con T triangular (superior o inferior). Las matrices A y T por ser semejantes tienen los
mismos valores propios que se encuentran en la diagonal de D.
Teorema 5.5 (espectral) Sea A M
n
(R) sim etrica. Entonces existe una matriz ortog-
onal U tal que
UAU
T
= D,
con D diagonal. Las matrices Ay D por ser semejantes tienen los mismos valores propios
que se encuentran en la diagonal de D.
Ejercicio 5.5
1. Estudiar si las siguientes matrices son diagonalizables, indicando la matriz diago-
nal
A
1
=
(
3 1
1 1
)
A
2
=
(
0 1
1 1
)
89
Diagonalizaci on
2. Dada la matriz
A =
3 2 0
1 0 0
0 0 1
a) Calcular sus valores propios y sus subespacios fundamentales asociados.

b) Calcular A
6
.
3. Dada la matriz
M =
a m 0
0 1 0
0 0 2
con a, m R y m = 0, estudiar su diagonalizaci on para los distintos valores de a.

4. Pueden ser las matrices A =
1 0 2
2 1 3
5 6 9
B =
3 2 1
0 1 1
2 2 2
se-
mejantes?
5. Sea
A =
1 0
0 0
2 0 3
a) Estudiar para qu e valores de la matriz es diagonalizable.

b) Para = 2 encontrar P regular y D diagonal tal que D = PAP
1
.
6. Si A es una matriz cuadrada de oren n tal que A
25
= I
n
donde I
n
la matriz identi-
dad de orden n, Qui en es A
24
? 0 es valor propio de la matriz A?
7. Calcular
1 3 3
3 5 3
6 6 4
15
8. Considera la matriz
A =
1 0 0
a a 0
2 b 2
90
Diagonalizaci on
a) Estudiar para que valores de los par ametros a y b la matriz A es diagonaliz-
able.
b) Para a = 2 y b = 0 encontrar las matrices regular P y diagonal D tales que
PAP
1
= D.
9. Considera la matriz
A =
1 0 0
1 b 0
1 a b
i. Estudiar para que valores de los par ametros a y b la matriz A es diagonaliz-

able.
ii. Para a = 0 y b = 2 encontrar las matrices regular P y diagonal D tales que
PAP
1
= D. Comprueba esta igualdad matricial.
91

Resumen Apunte Mat2

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Resumen Apunte Mat2

Enviado por

Direitos autorais:

Formatos disponíveis

ASIGNATURA DE MATEM

(Esta propiedad permite calcular el determinante de un matriz utilizando el m etodo

= (b a)(c a)(c b) (Vandermonde)

= {(1, 0, 1), (2, 1, 0), (3, 2, 1)}

del vector v cuyas coordenadas

14. Luego el vector normalizado es

y desarrollar el determinate por la primera la.

= 3i + 19j + 10k = (3, 19, 10)

, los cuales satisfacen simult aneamente:

= {(y, y, 2y), y R}.

es (1, 1, 2) y por tanto dim(W

ii. Calcula la proyecci on ortogonal de (1, 0, 0) sobre S

5.2. Forma diagonal de una matriz

Denici on 5.6 Sean A M

2. Notar que si la matriz A es diagonalizable, tenemos una forma efectiva de calcular

a) Calcular sus valores propios y sus subespacios fundamentales asociados.

con a, m R y m = 0, estudiar su diagonalizaci on para los distintos valores de a.

a) Estudiar para qu e valores de la matriz es diagonalizable.

i. Estudiar para que valores de los par ametros a y b la matriz A es diagonaliz-

Você também pode gostar