Escolar Documentos
Profissional Documentos
Cultura Documentos
2. Espacios Vectoriales 47
2.1. Espacio Vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2. Subespacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . 50
2.2.1. Subespacios generados por un conjunto de vectores . . . . 52
2.2.2. Operaciones con subespacios . . . . . . . . . . . . . . . . 53
2.2.3. Suma Directa . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.3. Dependencia Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.4. Bases y dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.4.1. Dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.4.2. Subespacios de espacios de dimensión finita . . . . . . . . 68
2.5. Espacios Vectoriales con producto interno . . . . . . . . . . . . . 69
2.5.1. Norma y distancia . . . . . . . . . . . . . . . . . . . . . . 73
2.5.2. Ángulo entre dos vectores . . . . . . . . . . . . . . . . . . 75
2.6. Bases ortonormales . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.6.1. Proceso de Gram-Schmidt . . . . . . . . . . . . . . . . . . 78
2.7. Proyección ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . 82
1
ÍNDICE GENERAL 2
3. Transformaciones Lineales 89
3.1. Conceptos fundamentales . . . . . . . . . . . . . . . . . . . . . . 89
3.2. Núcleo e imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.3. El teorema de la dimensión . . . . . . . . . . . . . . . . . . . . . 95
3.4. Representación matricial de una transformación lineal . . . . . . 96
3.5. Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.6. Operaciones entre transformaciones lineales . . . . . . . . . . . . 108
3.6.1. Suma y multiplicación por escalar . . . . . . . . . . . . . 108
3.6.2. Composición . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.6.3. Inversa de una Transformación lineal . . . . . . . . . . . . 110
Sistema de ecuaciones y
Matrices
a1 x1 + a2 x2 · · · + an xn = b
donde a1 , . . . , an b ∈ R.
3
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 4
Ejemplos 1
Diremos que dos sistemas de ecuaciones son equivalentes si tienen el mismo nú-
mero de incognitas, ecuaciones y también el mismo conjunto solución.
Para obtener sistemas de ecuaciones equivalentes a 1.1, basta realizar las si-
guientes operaciones (elementales) entre las ecuaciones de 1.1:
Intercambiar de posición las ecuaciones,
Multiplicar una ecuación por una constante (no cero),
Sumar a una ecuación un multiplo de otra.
Para encontrar la solución de 1.1 necesitamos encontrar un sistema equivalente
más sencillo mediante operaciones elementales.
Ejemplos 2
3x1 + 2x2 = 7, E1
x1 + x2 = 3, E2
x1 + x2 = 3, E2
3x1 + 2x2 = 7, E1
A E1 le restamos 3E2
x1 + x2 = 3, E2
−x2 = −2, E1
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 5
multiplicandole −1 a E1
x1 + x2 = 3, E2
x2 = 2, E1
restandole a E2 la ecuación E1
x1 = 1, E2
x2 = 2, E1
así obtuvimos un sistema equivalente más sencillo que nos da la solución
del sistema original.
2. Resolver el siguiente sistema lineal
x1 + x2 + 3x3 = 12, E1
2x1 + 3x2 − 5x3 = −21, E2
5x1 + 2x2 + 5x3 = 23, E3
mediante operaciones elementales.
A E2 le restamos 2E1 , y a E3 le restamos 5E1
x1 + x2 + 3x3 = 12, E1
x2 − 11x3 = −45, E2
−3x2 − 10x3 = −37, E3
a E3 le sumamos 3E2
x1 + x2 + 3x3 = 12, E1
x2 − 11x3 = −45, E2
−43x3 = −172, E3
dividiendo E3 entre −43
x1 + x2 + 3x3 = 12, E1
x2 − 11x3 = −45, E2
x3 = 4, E3
restando a E1 la ecuación 3E3 , y sumando a E2 la ecuación 11E3
x1 + x2 = 0, E1
x2 = −1, E2
x3 = 4, E3
finalmente restando E2 a E1
x1 = 0, E1
x2 = −1, E2
x3 = 4, E3
así obtuvimos un sistema equivalente más sencillo que nos da la solución
del sistema original.
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 6
Observación 1
Dos matrices son iguales si tienen el mismo orden y cada una de sus entradas
coinciden.
Ejemplos 3
1. Matriz 2 × 2 µ ¶
1 2
3 4
2. Matriz 2 × 3 µ ¶
1 5 2
3 3 1
3. Matriz 3 × 3
1 1 1
0 1 2
0 2 1
a11 x1 + · · · + a1n xn = b1
a21 x1 + · · · + a2n xn = b2
..
.
am1 x1 + · · · + amn xn = bm
Ejemplos 4
3x1 + 2x2 − x3 = 2
x1 − x2 − x3 = −5
−x1 + x2 − 4x3 = 0.
x1 = 2
x2 = 1
x3 = 4.
Observación 2
Si A solo satisface a), b) y c) diremos que está en la forma escalonada.
Ejemplos 5
Decir cuales matrices estan en la forma escalonada y escalonada reducida
1 0 0 2 0 0 1 0 3
0 1 0 1 , 0 0 0 1 2 ,
0 0 1 3 0 0 0 0 0
1 6 0 1 0 0
0 0 1 , 0 1 0 ,
0 0 0 0 0 1
1 0 3 2 0 1 2 1
0 1 0 1 , 0 0 1 2 ,
0 0 1 4 0 0 0 0
0 1 0
1 0 0 .
0 0 1
c) Sustituir una linea por ella misma mas (o menos) k veces otra linea de la
matriz.
Observación 3
Así como estas operaciones aplicadas al sistema de ecuaciones nos da un sistema
equivalente al original. Diremos que la matriz resultante de estas operaciones
será equivalente a la matriz original.
Ejemplos 6
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 9
1 −1 −1 0 3 1 −1 0 0 1
0 1 5 0 −9
∼ F1 + F3 0 1 0 0 1 ∼F1 +F2
0 0 1 0 −2 F2 − 5F3
0 0 1 0 −2
0 0 0 1 1 0 0 0 1 1
1 0 0 0 2
0 1 0 0 1
0 0 1 0 −2 .
0 0 0 1 1
1 1 2 0 0 5 0 0 0 −2 −12 2
1 1 2 2 12 3 1 1 2 2 12 3
0 1 2 2 12 0
∼F4 +F3 0 1 2 2 12 0 ∼ F1 − 2F3
0 0 0 1 6 −1 0 0 0 1 6 −1 F2 − 2F3
0 0 0 −1 −6 1 0 0 0 0 0 0
1 1 2 0 0 5 1 0 0 0 0 3
0 1 2 0 0 2 0 1 2 0 0 2
0 0 0 1 6 −1 ∼F1 −F2 0 0 0 1 6 −1
0 0 0 0 0 0 0 0 0 0 0 0
así el sistema resultante es
x1 = 3
x2 + 2x3 = 2
x4 + 6x5 = −1
de aquí
x1 = 3
x2 = 2(1 − x3 )
x4 = −1 − 6x5 ,
si x3 = t, x5 = s por lo tanto el conjunto solución es
{(3, 2(1 − t), t, −1 − 6s, s)| s, t ∈ R} ⊂ R3
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 11
Teorema 1
Consideremos un sistema homogeneo con m ecuaciones y n incognitas. Si m <
n, entonces el sistema tiene una infinidad de soluciones.
Demostración
1.5. Matrices
Una matriz A de orden m × n (m filas, n columnas) es un arreglo rectangular
de números reales:
a11 a12 ··· a1n
a21 a22 ··· a2n
A= . .. .. .. ,
.. . . .
am1 am2 ··· amn
también se denota
A = (aij )j=1,...,n
i=1,...,m .
Definimos la matriz cero de orden m × n como aquella que solo tiene ceros:
0 0 ··· 0
0 0 ··· 0
0m×n = . . .
. . ...
.
.. ..
0 0 ··· 0
Operaciones
Si C = (crs ) de orden n × l
à !s=1,...,m
X
n
AC = aik cks .
k=1 i=1,...,m
Propiedades de la suma
A + (B + C) = (A + B) + C Asociativa,
Existe 0m×n tal que A + 0m×n = A Elemento neutro,
Teorema 2
Si el sistema AX = B es consistente, entonces la solución general del sistema
puede escribirse como la suma de una solución particular del mismo, más la
solución general del sistema homogeneo AX = 0m×1 .
Observación 5
Como el sistema AX = B puede tener mas de una solución, al decir ’solución
general’ nos referiremos a cualquiera de estas soluciones.
Demostración
Sea X0 solución particular de AX = B y X otra solución del mismo. Definimos
X̃ = X − X0 tenemos que
X = X0 + X̃,
Corolario 1
El sistema AX = B cumple alguno de los siguientes incisos
a) No tiene solución,
b) Tiene una única solución,
c) Tiene infinidad de soluciones.
Demostración
Obviamente AX = B puede tener solución o no. Supongamos que tiene solución
y sea X la solución general, entonces
X = X0 + X̃,
Ejemplos 7
Resolver
x1 + 6x2 − 5x3 = 1
x1 + 2x2 − x3 = 5
3x1 + 2x2 + x3 = 19
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 15
x1 = 7 − t;
x2 = −1 + t.
obtenemos
x1 + x3 = 0
x2 − x3 = 0,
luego tomando x3 = t ∈ R obtenemos la solución general del sistema homogeneo
x1 = −t
x2 = t,
Teorema 3
Sean A matriz n × m, y E matriz elemental de orden n, entonces
EA = RA.
Demostración
EA = RIA = RA.
Ejemplos 8
1. Matriz elemental 2 × 2: µ ¶
1 −1
E=
0 1
2. Matriz elemental 3 × 3:
1 0 −3
E= 0 1 2
0 0 1
A = P B,
Observación 6
Si A tiene inversa por la izquierda C y por la derecha B, entonces B = C. Y por
lo tanto la matriz es invertible. A la inversa de una matriz A la denotaremos
A−1 .
Propiedades
Sean A, B matrices invertibles, y α ∈ R, entonces
a) (A−1 )−1 = A,
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 18
b) (AB)−1 = B −1 A−1 ,
c) (An )−1 = A−n , n ∈ N,
d) (αA)−1 = α−1 A−1 .
Teorema 4
Una matriz elemental es invertible.
Demostración
Sea E = RI, y definimos E 0 = R0 I donde R0 contiene las operaciones inversas
de R, así
EE 0 = RIR0 I = RR0 I = I
E 0 E = R0 IRI = R0 RI = I,
por lo tanto E 0 = E −1 .
Teorema 5
Sea A una matriz de orden n×n, entonces los siguientes incisos son equivalentes
a) A es invertible,
b) A es equivalente a la matriz I de orden n × n,
c) A es un producto de matrices elementales.
Demostración
P −1 A = P −1 P = I
AP −1 = P P −1 = I
R = E1 · · · Ek A
así
A = E1−1 · · · Ek−1 R,
y como A es invertible, entonces R = I.
Observación 7
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 19
A = PB
donde P es invertible.
Teorema 6
Sea A una matriz de orden n×n, entonces los siguientes incisos son equivalentes
a) A es invertible,
b) El sistema homogéneo AX = 0 tiene solución trivial,
Demostración
X = A−1 AX = A−1 0 = 0.
RX = Y,
para ver que es la identidad basta ver que la última fila de R no es cero:
Esto se tiene ya que si tomamos
0
0
Y = 0
Corolario 2
Sea A matriz de orden n × n. Si A tiene inversa izquierda o derecha, entonces
es invertible.
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 20
Demostración
Supongamos que la matriz A tiene inversa izquierda BA = I, entonces el sistema
AX = 0 tiene solución trivial, luego A es invertible.
Si A tiene inversa derecha AB = I, entonces el sistema BX = 0 tiene solución
trivial y B es invertible.
Corolario 3
Sea A = A1 A2 · · · Ak , donde A1 , . . . , Ak son matrices de orden n × n. Entonces
A es invertible ssi cada Ai es invertible.
Demostración
A1 (A2 · · · Ak B) = I,
A2 (A3 · · · Ak BA1 ) = I,
Ejemplos 9
1. Encontrar la inversa de · ¸
2 −1
.
1 3
Consideremos la siguiente matriz y llevemosla a la forma escalonada re-
ducida
· ¯ ¸ · ¯ ¸
2 −1 ¯¯ 1 0 1 3 ¯¯ 0 1
∼ F ↔ F ∼ F2 − 2F1
1 3 ¯ 0 1 1 2
2 −1 ¯ 1 0
· ¯ ¸ · ¯ ¸
1 3 ¯¯ 0 1 1 3 ¯¯ 0 1
∼ F2 /(−7) ∼ F1 − 3F2
0 −7 ¯ 1 −2 0 1 ¯ − 71 2
7
· ¯ ¸
1 0 ¯¯ 73 1
7
0 1 ¯ − 17 72
así la matriz inversa es · 3 1
¸
7 7
− 17 2
7
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 21
1 ¯ 0 0 0 1
F4 − 3F1
3 −2 5
¯
1 2 −1 4 ¯¯ 1 0 0 0
0 −4 4 −10 ¯¯ −3 1 0 0
∼
0 −4 4 −10 ¯¯ −5 0 1 0 F3 −F2
0 −8 8 −11 ¯ −3 0 0 1
¯
1 2 −1 4 ¯¯ 1 0 0 0
0 −4 4 −10 ¯¯ −3 1 0 0
∼
0 0 0 ¯
0 ¯ −2 −1 1 0 F4 ↔F3
0 −8 8 −11 ¯ −3 0 0 1
¯
1 2 −1 4 ¯¯ 1 0 0 0
0 −4 4 −10 ¯¯ −3 1 0 0
0 −8 8 −11 ¯ −3 ¯ 0 0 1
0 0 0 0 ¯ −2 −1 1 0
de aquí se deduce que la matriz no tiene inversa.
1.9. Determinantes
Consideremos el conjunto In = {1, 2, . . . n}. Una permutación es una función
σ : In −→ In biyectiva. Al conjunto de las permutaciones sobre In las denotamos
Sn
Ejemplos 10
Observación 8
Sn tiene n! permutaciones
Ahora definimos la composición y la inversa de una permutación: Sean
µ ¶ µ ¶
1 2 ··· n 1 2 ··· n
σ1 = , σ2 = ,
σ1 (1) σ1 (2) · · · σ1 (n) σ2 (1) σ2 (2) · · · σ2 (n)
dos permutaciones , definimos la composición
µ ¶
1 2 ··· n
σ1 ◦ σ2 = ,
σ1 (σ2 (1)) σ1 (σ2 (2)) · · · σ1 (σ2 (n))
y la inversa de σ1 como
µ ¶
1 2 ··· n
σ1−1 = ,
σ1−1 (1) σ1−1 (2) · · · σ1−1 (n)
tal que σ1−1 ◦ σ1 = σ1 ◦ σ1−1 = I.
Ejemplos 11
Consideremos S4 , con las siguientes permutaciones
σ1 = (1 2 3 4) σ7 = (2 1 3 4) σ13 = (3 1 2 4) σ19 = (4 1 2 3)
σ2 = (1 2 4 3) σ8 = (2 1 4 3) σ14 = (3 2 1 4) σ20 = (4 2 1 3)
σ3 = (1 3 2 4) σ9 = (2 4 1 3) σ15 = (3 4 1 2) σ21 = (4 2 3 1)
σ4 = (1 3 4 2) σ10 = (2 4 3 1) σ16 = (3 1 4 2) σ22 = (4 1 3 2)
σ5 = (1 4 3 2) σ11 = (2 3 4 1) σ17 = (3 2 4 1) σ23 = (4 3 1 2)
σ6 = (1 4 2 3) σ12 = (2 3 1 4) σ18 = (3 4 2 1) σ24 = (4 3 2 1).
Calculemos σ3 ◦ σ9 , σ6 ◦ σ11 , σ3−1 , σ15
−1 −1
, y σ24 :
σ3 ◦ σ9 = (3 4 1 2) σ22 ◦ σ14 = (3 1 4 2) σ6 ◦ σ11 = (4 2 3 1)
σ3−1 = (1 3 2 4) −1
σ15 = (3 4 1 2) −1
σ24 = (4 3 2 1).
Ejemplos 12
1. La permutación µ ¶
1 2 3 4
σ=
4 2 3 1
tiene las siguientes inversiones
(4, 2) (4, 3) (4, 1) (2, 1) (3, 1)
así kσ = 5 y Sgn σ = (−1)5 = −1, por lo tanto la permutación es impar.
2. Calcular las inversiones de
µ ¶
1 2 3 4
σ= .
4 1 2 3
Tiene las siguientes inversiones
(4, 1) (4, 2) (4, 3)
así kσ = 3 y Sgn σ = (−1)3 = −1, por lo tanto la permutación es impar.
Observación 9
Una manera sencilla de calcular las inversiones de una permutación es colocando
los números 1, 2, . . . , n en una lista y abajo de ellos los valores σ(1), σ(2), . . . , σ(n),
luego unimos los valores iguales de entre las dos listas, y el número de intersec-
ciones nos da el número de inversiones de σ.
Teorema 7
Sean σ1 y σ2 permutaciones en Sn , entonces
Sgn (σ1 ◦ σ2 ) = (Sgn σ1 )(Sgn σ2 ).
Demostración
Sean kσ1 , kσ2 el número de inversiones en σ1 , y σ2 correspondientemente. No-
temos que
Sgn (σ1 ◦ σ2 ) = (−1)kσ1 +kσ2 −2kσ1 σ2 = (Sgn σ1 )(Sgn σ2 ).
Corolario 4
Si σ es una permutación del conjunto Sn , entonces
Sgn σ = Sgnσ −1
Teorema 8
Una transposición es una permutación impar.
Demostración
Al contar las inversiones de la transposicion obtenemos 2(j − i − 1) + 1, por lo
tanto es impar.
Corolario 5
Si σ es una permutación de Sn y τ una transposición, entonces
Observación 10
El corolario nos dice que si cambiamos dos elementos de σ entonces el signo
cambia.
Observación 11
Al producto a1σ(1) a2σ(2) · · · anσ(n) le llamaremos producto elemental, además no-
temos que contiene un elemento de cada fila.
Ejemplos 13
1. Calcular el determinante de
µ ¶
a11 a12
A= .
a21 a22
2. Calcular el determinante de
a11 a12 a13
A = a21 a22 a23 .
a31 a32 a33
Por lo tanto
det A = (Sgn σ1 )a11 a22 a33 + (Sgn σ2 )a11 a23 a32 + (Sgn σ3 )a12 a21 a33
(Sgn σ4 )a12 a23 a31 + (Sgn σ5 )a13 a21 a32 + (Sgn σ6 )a13 a22 a31
= a11 a22 a33 − a11 a23 a32 − a12 a21 a33 + a12 a23 a31 + a13 a21 a32 − a13 a22 a31
Propiedades
Sea A = (aij )i,j=1,...,n matriz cuadrada n × n.
1. Si los elementos de la k-ésima fila de A tienen la forma akj = a0kj + a00kj ,
entonces
det A = det A0 + det A00
donde A0 y A00 son las matrices que en la fila k-ésima tienen los elementos
a0kj y a00kj correspondientemente, y sus demás filas coinciden con las de A.
2. Si A0 es la matriz que se obtiene de A al multiplicar la k-ésima fila por un
número α, entonces
det A0 = α det A.
det I = 1.
det A = 0.
det A = 0.
det A0 = detA.
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 26
At = (aji )j,i=1,...,n .
Teorema 9
Sea A una matriz de orden n × n, entonces
det A = det At .
Ejemplos 14
1. Si µ ¶
1 3
A=
5 2
la transpuesta es µ ¶
t 1 5
A = .
3 2
2. Si
1 −3 3
A= 3 5 1
2 1 −1
la transpuesta es
1 3 2
At = −3 5 1 .
3 1 −1
Diremos que A = (aij )i,j=1,...,n es una matriz triangular superior si aij = 0 para
i > j.
a11 a12 · · · a1n
0 a22 · · · a2n
A= . .. .. ..
.. . . .
0 · · · 0 ann
Diremos que es triangular inferior si aij = 0 para i < j.
a11 0 ··· 0
..
a21 a22 · · · .
A= .
. .
.. .. .. 0
an1 an2 · · · ann
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 27
Teorema 10
Sea A = (aij ) una matriz triangular (inferior o superior), entonces
Ejemplos 15
Lema 2
Sea A una matriz de orden n × n, y sea E una matriz elemental, entonces
Teorema 11
Sean A y B matrices cuadradas, entonces
Corolario 6
Sea A matriz de orden n × n. A es inversible ssi det A 6= 0.
Corolario 7
Si A es una matriz inversible
1
det (A−1 ) = (det A)−1 = .
det A
Ejemplos 16
Sea
a11 a12 a13
A = a21 a22 a23 ,
a31 a32 a33
las submatrices son
· ¸ · ¸
a22 a23 a21 a23
M11 = , M12 = ,
a32 a33 a31 a33
· ¸ · ¸
a11 a13 a21 a22
M22 = , M13 = ,
a31 a33 a31 a32
· ¸ · ¸
a12 a13 a11 a12
M21 = , M23 = ,
a32 a33 a31 a32
· ¸ · ¸
a12 a13 a11 a13
M31 = , M32 = ,
a22 a23 a21 a23
· ¸
a11 a12
M33 = .
a21 a22
X
n
det A = (−1)i+k (det Mik )aik .
k=1
Demostración
Por definición del determinante
X
det A = Sgn (σ) a1σ(1) a2σ(2) · · · anσ(n) .
σ∈Sn
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 29
y
X
n
det A = (−1)i+k det Mik aik .
k=1
Observación 12
Ejemplos 17
Calcular el determinante de
2 1 0
A= 1 4 1
1 1 1
det A = (−1)2 a11 M11 + (−1)1+2 a12 M12 + (−1)1+3 a13 M13
µ ¶ µ ¶
4 1 1 1
= 2 det − 1 det
1 1 1 1
= 2(4 − 1) − 1(1 − 1)
= 6.
Calcular el determinante de
2 0 3
A= 1 4 8
1 0 2
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 31
= 4.
X
n ½
r+k det A si s = r,
(−1) (det Mrk )ask =
0 6 r.
si s =
k=1
Demostración
a0ij = aij si i 6= s,
a0ij = arj si i = s (r > s)
Observación 13
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 32
Ejemplos 18
1. Sea · ¸
1 2
A= .
−1 1
Calcular su adjunta:
La matriz de cofactores es
· ¸
1 1
C= .
−2 1
y la adjunta es · ¸
1 −2
adj A = .
1 1
2. Sea
1 −1 1
A= 2 1 1 .
0 3 2
Calcular su adjunta:
Los cofactores son
¯ ¯ ¯ ¯
¯ 1 1 ¯ ¯ ¯
c11 = (−1)2 ¯¯ ¯ = −1, c22 = (−1)4 ¯ 1 1 ¯ = 2,
3 2 ¯ ¯ 0 2 ¯
¯ ¯ ¯ ¯
¯
3¯ 2 1 ¯
¯ ¯
5 ¯ 1 −1 ¯
¯
c12 = (−1) ¯ = −4, c23 = (−1) ¯ = −3,
0 2 ¯ 0 3 ¯
¯ ¯ ¯ ¯
¯
4¯ 2 1 ¯
¯ ¯
4 ¯ −1 1 ¯
¯
c13 = (−1) ¯ = 6, c31 = (−1) ¯ = −2,
0 3 ¯ 1 1 ¯
¯ ¯ ¯ ¯
¯ −1 1 ¯ ¯ ¯
c21 = (−1)3 ¯¯ ¯ = 2, c32 = (−1)5 ¯ 1 1 ¯ = 1,
0 2 ¯ ¯ 2 1 ¯
¯ ¯
¯ 1 −1 ¯
c33 = (−1)6 ¯¯ ¯ = 3.
2 1 ¯
La matriz de cofactores es
−1 −4 6
C= 2 2 −3 .
−2 1 3
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 33
y la adjunta es
−1 2 −2
adj A = C t = −4 2 1 ,
6 −3 3
Teorema 14
Sea A una matriz n × n, entonces
A (adj A) = (detA) I.
Demostración
Sean A = (aij )i,j=1,...,n y adj A = (bij )i,j=1,...,n , así
donde
X
n
dij = aik bkj , y bkj = cjk ,
k=1
por lo tanto
X
n
dij = aik cjk ,
k=1
Corolario 8
Si A es invertible, entonces
adj A
A−1 = .
det A
Corolario 9
La matriz A es invertible ssi det A 6= 0.
Ejemplos 19
1. Sea · ¸
1 2
A=
−1 1
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 34
así · ¸
adj A adj A 1/3 −2/3
A−1 = = = .
det A 3 1/3 1/3
2. Sea
1 −1 1
A= 2 1 1
0 3 2
calcular su inversa: Anteriormente vimos que
−1 2 −2
adj A = −4 2 1 ,
6 −3 3
y además
det A = 0 c31 + c32 + 3c33 = 1 + 9 = 10,
por lo tanto
−1/10 2/10 −2/10
adj A adj A
A−1 = = = −4/10 2/10 1/10 .
det A 10
6/10 −3/10 3/10
AX = B.
1. Resolver
2x1 + x2 = 0
3x1 − x2 = 5
el sistema en forma matricial es AX = B, donde
µ ¶ µ ¶
2 1 0
A= yB = .
3 −1 5
Calculando A1 , A2 , det A, det A1 , det A2 tenemos
µ ¶ µ ¶
0 1 2 0
A1 = , A2 = .
5 −1 3 5
y detA = −5, detA1 = −5, det A2 = 10, por lo tanto las soluciones son
−5
x1 = −5 =1 x2 = 10
−5 = −2.
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 36
2. Resolver
x1 + 2x2 + 4x3 = 31
5x1 + x2 + 2x3 = 29
3x1 − x2 + x3 = 10.
Tenemos que
1 2 4
detA = det 5 1 2 = −27,
3 −1 1
31 2 4
detA1 = det 29 1 2 = −81,
10 −1 1
1 31 4
detA2 = det 5 29 2 = −108,
3 10 1
1 2 31
detA3 = det 5 1 29 = −135,
3 −1 10
así
x1 = 3, x2 = 4, x3 = 5
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 37
Lista de ejercicios
b)
x+y = 0
5x + 5y = 0
c)
3x + 5y = 8
5x − 2y = 3
b)
5x − 2y = 1
5x − 2y = 1
−x + 2y = 2
3x + 4y = 11
4x + 2y = 9
b)
x1 + x2 = 0
x2 + x3 = 1
x4 + x5 = 0
c)
x1 + x2 = 0
x2 + x3 = 1
x4 + x5 = 0
x1 + 2x2 + x3 + x4 + 5x5 = 2
2x1 + 3x2 − x3 + 6x4 − x5 = 1 3x2 − x3 + x4 − x5 = 1
c) x1 + 2x2 + x3 − 2x4 + 3x5 = −3 d) x3 + x4 − x5 = 0
2x1 + x2 − 6x3 + 5x4 + 3x5 = 2 x4 + x5 = 0
x5 = 1
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 39
8. Para los siguientes sistemas, determine los valores de a, b para que el sis-
tema tenga solución única:
2x1 + 3x2 + x3 = 5
x1 + ax2 = 1
(1) 3x1 − x2 + ax3 = 2 (2)
ax1 + x2 = a
x1 + 7x2 − 6x3 = b
b)
x1 + 3x2 + 3x3 = 0
2x1 + 7x2 + 7x3 = 0
2x1 + x2 + 6x3 = 0
c)
x1 + x2 − x3 = 0
2x1 − x2 + 3x3 = 0
b)
· ¸ 5 2 −1
2 5 4
A= , B= 3 2 2 , a = 0.
−2 3 −1
1 0 0
c)
2 1 0 1 0 −1
A= 3 2 −2 , B = 2 5 4 , a = −2.
4 1 1 3 2 4
b)
1 2 3 · ¸ 1 3 3
2 0
A= 3 1
2 , B= , C= 2 1 2
1 2
2 1 0 1 1 1
a) tr (A + B) = tr A + tr B.
b) tr (AB) = tr (BA)
18. Sea I la matriz identidad de orden 2, y sea
µ ¶
0 −1
A= ,
1 1
Demuestre que
ei = ie = i ij = −ij = k i2 = −e
ej = je = j jk = −kj = i j 2 = −e
ek = ke = k ki = −ik = j k 2 = −e
CAPÍTULO 1. SISTEMA DE ECUACIONES Y MATRICES 42
x1 + x2 = 1 x1 + x2 − x3 = 2
a) b)
2x1 + 2x2 = 2 2x1 − 2x2 + 2x3 = 2
x1 − x2 + x3 = 1
c) x1 + 32 x2 − 12 x3 = 2
5x1 + 5x2 − x3 = 9
es invertible.
22. Sea
3 −1 4
A= 0 2 1 .
1 −1 −2
Demuestre que
A3 − 3A2 − 7A + 18I = 0,
y calcular A−1 .
x1 + x2 − x3 + x4 = 3
2x1 + 3x2 = 1 2x1 − 3x2 + 4x3 − 2x4 = 1
a) b)
3x1 + 4x2 = 2 3x1 − x2 − 2x3 − 2x4 = −2
x1 + x2 − 2x3 + 5x4 = 5
28. Determine las inversiones para las permutaciones del ejemplo anterior.
29. Demostrar que si σ1 , σ2 son permutaciones de Sn
b)
1 1 2
A = −1 1 5 .
4 2 1
c) Segunda linea.
d) Primera columna.
35. Calcular los siguientes determinantes
a)
2 1 3
det 0 4 0 .
1 8 2
b)
3 1 5
det 2 1 4 .
0 4 2
c)
5 2 0 1
det 1 1 0 1 .
9 9 3 6
b)
1 1 1 ··· 1 1
−1 1 1 ··· 1 1
0 −1 1 ··· 1 1
det = 2n−1 .
.. .. .. ..
. . . .
0 0 0 ··· 1 1
3x1 − 5x2 + x3 = −4
2x1 + 3x2 = 1
a) b) 2x1 − x2 + 3x3 = 9
4x1 − 2x2 = 2
4x1 − 7x2 + x3 = 5
x1 + 2x2 + 2x3 = 4
c) 2x1 + x2 − 2x3 = −1
2x1 − 2x2 + x3 = −6
Capítulo 2
Espacios Vectoriales
1. α + β = β + α ∀ α, β ∈ K Conmutativa.
2. α + (β + µ) = (β + α) + µ ∀ α, β, µ ∈ K Asociativa .
3. µ(α + β) = µβ + µα ∀ α, β ∈ K Distributiva.
4. α · β = β · α ∀ α, β ∈ K Conmutatividad.
5. α · (β · µ) = (β · α) · µ ∀ α, β, µ ∈ K Asociativa .
6. Existe 0 ∈ K tal que α + 0 = α ∀α∈K Elemento Neutro.
Ejemplos 21
47
CAPÍTULO 2. ESPACIOS VECTORIALES 48
+ : V × V −→ V •:K ×V −→ V
(u, v) 7−→ u + v (α, v) 7−→ α · v
Observación 14
A los elementos de un espacio vectorial les llamaremos vectores.
i) W ⊂ V .
ii) W es un espacio vectorial con las operaciones suma y producto por escalar
definidas en V .
Ejemplos 23
Observación 15
Todo espacio vectorial tiene al menos dos subespacios vectoriales: {0}, y el mis-
mo. Los llamaremos subespacios vectoriales triviales.
i) Si u, v ∈ W , entonces u + v ∈ W .
ii) Si u ∈ W, α ∈ K, entonces αu ∈ W .
Demostración
⇐) Notemos que por i), y ii) las operaciones suma y multiplicación por escalar
son cerradas en W , ahora verifiquemos las condiciones para que W sea
espacio vectorial
u + v = v + u en V , si u, v ∈ W , como es cerrado bajo las operaciones
la igualdad tambien se cumple en W .
Similar al anterior.
Similar al anterior.
Por i), y ii).
Por i), y ii).
Tomando α = 0, y considerando que 0 = αu ∈ W .
Tomando α = −1, y considerando que −u = αu ∈ W .
CAPÍTULO 2. ESPACIOS VECTORIALES 51
Corolario 10
W es un subespacio vectorial del espacio vectorial V ssi
αu + βv ∈ W
Ejemplos 24
1. L ⊂ R2 dado por
(x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 )
a(x + x0 ) + b(y + y 0 ) = ax + ax0 + by + by 0 = 0
α (x, y) = (αx, αy)
a(αx) + b(αy) = α(ax + by) = α · 0 = 0
(figura)
2. El conjunto
C(R) := {f : R −→ R| continuas}
con las operaciones
es un subespacio de Rn .
Observación 16
Todo subespacio no trivial en R2 es de la misma forma que L.
CAPÍTULO 2. ESPACIOS VECTORIALES 52
L(S) := {c1 v1 + · · · + cm vm | c1 , . . . , cm ∈ K, v1 , . . . , vm ∈ S, m ∈ N}
Si S = {v1 , . . . , vn }, definimos
L(S) := {c1 v1 + · · · + cn vn | c1 , . . . , cn ∈ K}
Teorema 16
Sean V espacio vectorial, v1 , . . . , vn ∈ V vectores, entonces
L(v1 , . . . , vn ) := {c1 v1 + · · · + cn vn | c1 , . . . , cn ∈ K}
Demostración
Tomemos u = c1 v1 + · · · + cn vn ,v = c01 v1 + · · · + c0n vn en L(v1 , . . . , vn ), luego
Para ver que es el mas pequeño subespacio sea W subespacio de V que contiene
a v1 , . . . , vn : Como W es subespacio
c1 v1 + · · · + cn vn ∈ W ∀ c1 , . . . , cn ∈ K,
luego
L(v1 , . . . , vn ) ⊂ W,
y como W es arbitrario L(v1 , . . . , vn ) es el más pequeño.
Observación 17
De manera similar se prueba que L(S) es un subespacio de V con S infinito, y
que además es el subespacio más pequeño que contiene a S. A este espacio lo
llamaremos el espacio vectorial generado por S.
Ejemplos 25
Sean v1 = (1, 3, −1), v2 = (2, 1, 3) vectores en R3 , encontrar el subespacio gene-
rado por ellos: Por definición
c1 + 2c2 = x
3c1 + c2 = y
−c1 + 3c2 = z
CAPÍTULO 2. ESPACIOS VECTORIALES 53
y de aquí
L(v1 , v2 ) = {(x, y, z) ∈ R3 | − 2x + y + z = 0}
Teorema 17 S
Sean W1 ,W2 subespacios vectoriales de V . Si W1 W2 es un subespacio de V ,
entonces W1 ⊂ W2 o W2 ⊂ W1 .
Demostración S S S
Escogemos v1 ∈ W1 ⊂ W1 W2 , v2 ∈ W2 ⊂ W1 W2 , luego v1 + v2 ∈ W1 W2
entonces v1 + v2 ∈ W1 o v1 + v2 ∈ W2 . Si v1 + v2 ∈ W1 entonces v2 = v1 + v2 +
(−v1 ) ∈ W1 y luego W2 ⊂ W1 . Analogamente se obtiene que W1 ⊂ W2 .
Ahora damos la relación entre el generado por la unión de dos subespacios
y la suma de ellos.
Teorema 18 S
Sean W1 , W2 subespacios de V , entonces W1 + W2 = L(W1 W2 ).
Demostración S
Como W1 ⊂ W1 + W2 , y W2 ⊂ W1 + W2 tenemos que L(W1 W2 ) ⊂ W1 + W2 .
Para la otra contensión tomemos v = v1 + v2 ∈ W1 + W2 , luego notemos que
v = 1 · v1 + 1 · v2
S
es decir, se ve como una combinación lineal de elementos de W1 W2 , así obte-
nemos la otra contensión.
CAPÍTULO 2. ESPACIOS VECTORIALES 54
Ejemplos 26
Consideremos M2×2 , y sus subconjuntos
½· ¸ ¾ ½· ¸ ¾
a b a 0
W1 = |a, b, c ∈ R W2 = |a, d, c ∈ R
0 c d c
Observación 18
La descomposición de M2×2 dada por W1 , y W2 no es única:
· ¸ · ¸ · ¸ · ¸ · ¸
a b a 0 0 b 0 b a 0
= + = +
d c d c 0 0 0 c d 0
Demostración
T
1) ⇒ 2) Sea v ∈ W1 W2 ⊂ U , luego
v ∈ W1 v =v+0
⇒ ⇒ v = 0.
v ∈ W2 v =0+v
v = v2 + v2
⇒ v1 + v2 = w1 + w2 ⇒ v1 − w1 = v2 − w2 ,
v = w1 + w2
Ejemplos 27
Consideremos el espacio vectorial F (R), y sus subconjuntos
W1 = {f ∈ F (R)| f (−x) = f (x) ∀ x ∈ R} Pares
W2 = {f ∈ F (R)| f (−x) = −f (x) ∀ x ∈ R} Impares.
L
Veamos que F (R) = W1 W2 :
2. Los vectores
· ¸ · ¸ · ¸
−1 16 2 3 −1 2
v1 = , v2 = , v3 =
−4 13 3 4 −2 1
son l.d. en M2×2 : En efecto resolvamos
· ¸ · ¸ · ¸ · ¸
−1 16 2 3 −1 2 0 0
c1 + c2 + c3 =
−4 13 3 4 −2 1 0 0
de aquí obtenemos
· ¸ · ¸
−c1 + 2c2 − c3 16c1 + 3c2 + 2c3 0 0
= ,
−4c1 + 3c2 − 2c3 13c1 + 4c2 + c3 0 0
lo cual nos da el siguiente sistema de ecuaciones
−c1 + 2c2 − c3 = 0
16c1 + 3c2 + 2c3 = 0
−4c1 + 3c2 − 2c3 = 0
13c1 + 4c2 + c3 = 0
resolviendo por eliminación Gaussiana
−1 2 −1 −1 2 −1 −1 2 −1
16 3 2 16 3 2 16 3 2
∼ ∼
−4 3 −2 ∼L4 +13L1 −4 3 −2 L4 /2 −4 3 −2 L2 −4L3
13 4 1 0 30 −12 0 15 −6
−1 2 −1 −1 2 −1 −1 2 −1
0 15 −6 −4 3 −2 −4 3 −2
∼
−4 3 −2 ∼L2 ↔L3 0 15 −6 ∼L4 −L3 0 15 −6 L3 /3
0 15 −6 0 15 −6 0 0 0
−1 2 −1 −1 2 −1 −1 2 −1
−4 3 −2 0 −5 2 0 −5 2
∼ ∼
0 5 −2 ∼L2 −4L1 0 5 −2 L3 −L2 0 0 0 L2 /5
0 0 0 0 0 0 0 0 0
−1 2 −1 −1 0 −1/5 1 0 1/5
0 −1 2/5 0 −1 2/5 0 1 −2/5
∼ ∼ ,
0 0 0 L1 +2L2 0 0 0 (−) 0 0 0
0 0 0 0 0 0 0 0 0
así c1 = −1/5c3 , c2 = 2/5c3 , c3 ∈ R, es decir, la solución es no trivial,
por tanto son l.d.
Observación 19
Notemos que si c3 = 5, entonces c1 = −1, c2 = 2, y v1 se puede escribir como
una combinación lineal de v2 , y v3 .
· ¸ · ¸ · ¸
−1 16 2 3 −1 2
=2 +5
−4 13 3 4 −2 1
CAPÍTULO 2. ESPACIOS VECTORIALES 57
Teorema 20
Los vectores v1 , . . . , vn ∈ V , (n ≥ 2) son l.d. ssi al menos uno de ellos puede
escribirse como combinación lineal de los otros n − 1 vectores restantes.
Demostración
⇒) Si
c1 v1 + · · · + cn vn = 0
alguno de los coeficientes ci , i = 1, . . . , n es diferente de cero. Supongamos
c1 6= 0, luego
c2 v2 + · · · + cn vn = −c1 v1 , y
µ ¶ µ ¶
c2 cn
v2 + · · · + vn = v1
−c1 −c1
c1 v1 + · · · + (−1)vn = 0
Teorema 21
Sean v1 , . . . , vn ∈ V vectores,
Teorema 22
Sean v1 , . . . , vn ∈ Rn vectores, y A la matriz que tiene como columnas a tales
vectores, entonces los vectores v1 , . . . , vn son l.d. (l.i) ssi det A = 0 (det A 6=
0)
Demostración
CAPÍTULO 2. ESPACIOS VECTORIALES 58
c1 v1 + · · · + cn vn = 0
Ejemplos 29
−1 2 8 5
c1 ex + c2 sen x + c3 cos x = 0.
c1 + c3 = 0
c1 eπ/2 + c2 = 0
c1 eπ − c3 = 0.
Calculando su determinante
1 0 1 ¯ ¯
¯ eπ/2 1 ¯¯
det eπ/2 1 0 = −1 + 1 ¯¯ π = −1 − eπ = −(1 + eπ ) 6= 0,
e 0 ¯
eπ 0 −1
2. S es l.i.
Ejemplos 30
1. Los vectores v1 = (3, 1, −1), v2 = (4, 1, 1), v3 = (1, 2, 3) forman una base
de R3 :
CAPÍTULO 2. ESPACIOS VECTORIALES 60
x1 + 3x2 − 2x3 + x4 = 0
x1 + x2 − 4x3 + 3x4 = 0
−2x1 − 8x2 + 2x3 = 0
−x2 − x3 + x4 = 0,
así obtenemos
x1 − 5x3 + 4x4 = 0,
x2 + x3 − x4 = 0,
x3 , x4 ∈ R.
Tomando x3 = s ∈ R, y x4 = t ∈ R obtenemos que las soluciones tienen
la siguiente forma:
x1 5s − 4t
x2 −s + t
X=
x3 =
.
s
x4 t
Notemos que
(5s − 4t, −s + t, s, t) = (5s, −s, s, 0) + (−4t, t, 0, t)
= s(5, −1, 1, 0) + t(−4, 1, 0, 1),
es decir, las soluciones son generadas por (5, −1, 1, 0), (−4, 1, 0, 1), y cla-
ramente se ve que son l.i.; luego estos dos vectores son una base para el
conjunto solución.
Observación 21
c1 v1 + · · · + cn vn = 0.
Demostración
Sea S = {u1 , . . . , um } con m > n.Veamos que este conjunto es l.d. : Como V es
generado por v1 , . . . , vn tenemos que
ui = ci1 v1 + · · · + cin vn i = 1, . . . , m
luego si
0 = a1 u1 + · · · + am um
= a1 (c11 v1 + · · · + c1n vn ) + · · · + am (cm1 v1 + · · · + cmn vn )
= (a1 c11 + a2 c21 + · · · + am cm1 )v1 + · · · + (a1 c1n + a2 c21 + · · · + am cmn )vn .
con n ecuaciones y m incoginitas (m > n), luego el sistema tiene una infinidad
de soluciones no triviales, es decir, existe algún ai 6= 0 para i = 1, . . . , m. Por lo
tanto S es l.d.
Demostración
Sean
β1 = {v1 , . . . , vn }
β2 = {u1 , . . . , un }
Como V = L(β1 ) y β2 ⊂ V por el Teorema 24 n ≤ m. Analogamente obtenemos
que m ≤ n, Por lo tanto m = n.
CAPÍTULO 2. ESPACIOS VECTORIALES 64
2.4.1. Dimensión
Sea V un espacio vectorial de dimensión finita. Se define la dimensión de V
como el número de vectores en alguna base de V . Y la denotaremos dim V
Ejemplos 31
1. Los vectores e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1) forman una base
para R3 , y entonces dim R3 = 3.
Demostración
y nuevamente
L(S (2) ) = L(S (1) ) = L(S),
así, sucesivamente llegamos a algún conjunto l.i. (base) ya que el proceso
es finito.
2. Definimos S = {v1 , . . . , vn }, y sea V0 = L(S).
Si V0 = V , entonces S es la base de V . En caso contrario V0 V , y existe
w1 ∈ V tal que w1 6= V0 , así por el Lema 4
Ejemplos 32
Sea V = L(v1 , v2 , v3 , v4 ) con v1 = (1, 2, 3, −1), v2 = (−1, 1, 0, 4), v3 = (3, 4, 7, −5),
v4 = (2, 5, 7, −1). Notemos que V es subespacio de R4 . Por el Teorema 25 del
conjunto {v1 , v2 , v3 , v4 } podemos extraer una base de R4 , para esto consideremos
la combinación
c1 − c2 + 3c3 + 2c4 = 0
2c1 + c2 + 4c3 + 5c4 = 0
3c1 + 7c3 + 7c4 = 0
−c1 + 4c2 − 5c3 − c4 = 0.
c1 + 7/3c3 + 7/3c4 = 0
c2 − 2/3c3 + 1/3c4 = 0
c3 , c4 ∈ R,
de aquí
c1 = −7/3c3 − 7/3c4
c2 = 2/3c3 − 1/3c4 ,
luego notemos que si c3 = 0, y c4 = 3 de 2.1 obtenemos
obtenemos
c1 − c2 + c3 = 0
2c1 + c2 = 1
3c1 = 0
−c1 + 4c2 = 0,
y notemos que tal sistema no tiene solución, luego w2 6∈ L(v1 , v2 , w1 ). Así obte-
nemos el siguiente conjunto l.i. {v1 , v2 , w1 , w2 }.
Notemos que este conjunto genera a R4 , ya que si no lo generara podríamos
encontrar w3 ∈ R4 tal que w3 6∈ L(v1 , v2 , w1 , w2 ), luego repitiendo el proceso
aplicado arriba obtendríamos el conjunto l.i.
L(v1 , v2 , w1 , w2 , w3 )
Corolario 12
Sea V espacio vectorial de dimensión n.
1. Cualquier conjunto de n vectores l.i. es una base de V .
Observación 22
Para ver que un conjunto es base basta probar 1), o 2).
Teorema 26
Sean v1 , . . . , vn ∈ Rn , y la matriz A formada por ellos, entonces v1 , . . . , vn
forman una base ssi det A 6= 0.
Ejemplos 33
¿Que condiciones deben cumplir v1 = (a, b), v2 = (c, d) para formar una base
CAPÍTULO 2. ESPACIOS VECTORIALES 68
de R2 ?
De acuerdo con el Teorema anterior, consideremos la matriz
µ ¶
a c
A=
b d
Ejemplos 34
Teorema 28
Sean W1 , W2 subespacios del espacio de dimensión finita V . Entonces
Demostración
Sean r = dim W1 ∩ W2 , y β0 = {u1 , . . . , ur } una base de W1 ∩ W2 . Como
W1 ∩W2 es un subespacio de W1 , y de W2 podemos extender esta base a una base
β1 = {u1 , . . . , ur , v1 , . . . , vm } de W1 , y a una base β2 = {u1 , . . . , ur , w1 , . . . , ws }
de W2 . Ahora vemos que β = {u1 , . . . , ur , v1 , . . . , vm , w1 , . . . , ws } es base de
W1 + W2 : Primero veamos que genera, tomemos w = u + v ∈ W1 + W2 como
u ∈ W1 , y v ∈ W2 , entonces
u = c1 u1 + · · · + cr ur + cr+1 v1 + · · · + cr+m vm ,
v = b1 u1 + · · · + br ur + br+1 w1 + · · · + br+s ws ,
y de aquí
w = u+v
= (c1 + b1 )u1 + · · · + (cr + br )ur + cr+1 v1 + · · · + cr+m vm + br+1 w1 + · · · + br+s ws ,
tenemos que
d1 u1 + · · · + dr ur = −br+m+1 w1 − · · · − br+s+m ws ,
y
0 = d1 u1 + · · · + dr ur + br+m+1 w1 + · · · + br+s+m ws ,
pero los vectores forman la base β2 por lo tanto son l.i., entonces
d1 = · · · = dr = · · · = br+m+ = · · · = br+s+m = 0.
asií
0 = c1 u1 + · · · + cr ur + cr+1 v1 + · · · + cr+m vm ,
pero estos vectores son l.i. por ser la base β1 por lo tanto
c1 = · · · = cr+m = 0,
r + m + s = (r + m) + (r + s) − r.
Corolario 13
Sean W1 , W2 subespacios del espacio de dimensión finita V tales que W1 ∩ W2 =
{0}. Entonces
dim V = dim W1 + dim W2 .
Ejemplos 35
Consideremos el ejemplo 26, luego
Observación 23
(·|·) : V × V −→ C
Observación 24
En nuestro caso trabajaremos con espacios vectoriales sobre R.
Teorema 29
Sea V un espacio vectorial con producto interno, entonces
1. (v|0) = 0 para todo v ∈ V ,
¯
X ¯X Xn X
n
¯ n n
2. ci vi ¯¯ dj vj = (ci vi |dj vj ) para todo v1 , . . . , vn ∈ V , y todo
i=1 ¯ j=1 i=1 j=1
c1 , . . . , cn ∈ R.
Demostración
CAPÍTULO 2. ESPACIOS VECTORIALES 71
Ejemplos 36
(x|y) := x1 y1 + · · · + xn yn
d) Sea α ∈ R
(αx|y) = αx1 y1 + · · · + αxn yn
= α(x1 y1 + · · · + xn yn )
= α(x|y)
2. Sea V = C([0, 1]) funciones continuas en [0, 1]. Si f, g ∈ V , definimos
Z 1
(f |g) = f (x)g(x) dx.
0
(f |f ) = 0 =⇒ f = 0,
c) Es claro de
R1
(f + g|h) = 0 (f (x) + g(x))h(x) dx
R1 R1
= 0 f (x)h(x) dx + 0 g(x)h(x) dx
= (f |h) + (g|h)
d) Se tiene de
Z 1 Z 1
(αf |g) = (αf (x))g(x) dx = α f (x)g(x) dx.
0 0
Observación 25
El producto interno definido en el ejemplo 36.1 es llamado producto interno
canónico de Rn .
Teorema 30 (Desigualdad de Cauchy-Schwartz) Sea V espacio vectorial con
producto interno, entonces
(u|v)2 ≤ (u|u) (v|v) ∀ u, v ∈ V
Demostración
Consideremos u − λv, con λ ∈ R, luego
0 ≤ (u − λv|u − λv)
= (u|u) + (u| − λv) + (−λv|u) + (−λv| − λv)
= (u|u) − 2λ(u|v) + λ2 (v|v),
(u|v)
como λ es arbitrario, en particular tomando λ = (v|v)
0 ≤ (u − λv|u − λv)
µ ¶2
(u|v) (u|v)
= (u|u) − 2 (u|v) + (v|v)
(v|v) (v|v)
(u|v)2
= (u|u) − ,
(v|v)
CAPÍTULO 2. ESPACIOS VECTORIALES 73
así
(u|v)2 ≤ (u|u) (v|v)
Observación 26
La igualdad se cumple ssi u = λv o v = λu con λ ∈ R.
Corolario 14
Sean x1 , . . . , xn , y1 , . . . , yn ∈ R, entonces
à n !2 à n ! à n !
X X X
xi y i ≤ 2
xi 2
yi
i=1 i=1 i=1
Demostración
Aplicar el Teorema 30 a Rn con su producto interno canónico.
Corolario 15 Sean f, g ∈ C([0, 1]), entonces
µZ 1 ¶2 µZ 1 ¶ µZ 1 ¶
f (x)g(x) dx ≤ 2
f (x) dx 2
g (x) dx
0 0 0
Demostración
Aplicar el Teorema anterior a C([0, 1]) con su producto interno.
Por ejemplo
qR q
1 2x
kex k = 0
e dx = 1 2
2 (e − 1)
CAPÍTULO 2. ESPACIOS VECTORIALES 74
Teorema 31 p
Sea V espacio vectorial con producto interno. La norma kuk = (u|u) tiene las
siguientes propiedades
1. kvk ≥ 0 para todo v ∈ V ,
kvk = 0 ssi v = 0,
2. kαvk = |α| kvk para todo α ∈ R, para todo v ∈ V ,
3. ku + vk ≤ kuk + kvk para todo u, v ∈ V (Desigualdad triangular).
d(u, v) := ku − vk.
Ejemplos 38
Teorema 32
Sea V un espacio vectorial con producto interno. La distancia d(u, v) = ku − vk
con u, v ∈ V tiene las siguientes propiedades
1. d(u, v) ≥ 0 para cualesquiera u, v ∈ V ,
d(u, v) = 0 ssi u = v,
2. d(u, v) = d(v, u) para cualesquiera u, v ∈ V ,
3. d(u, v) ≤ d(u, w) + d(w, v) para cualesquiera u, v, w ∈ V .
CAPÍTULO 2. ESPACIOS VECTORIALES 75
(u|v)
θ = arc cos (0 ≤ θ ≤ π)
kuk kvk
Ejemplos 39
(u|v) = √
3 + 10 + 6 = 19,
√
kuk = √1 + 4 + 9 = √14,
kvk = 9 + 25 + 4 = 38
por lo tanto µ ¶
19
θ = arc cos √ = 34◦ ,537
532
(u|v) = √
3,
kuk = √1 = 1, √
kvk = 9 + 1 = 10
por lo tanto µ ¶
3
θ = arc cos √ = 18◦ ,434.
10
Demostración
Es inmediata de
Observación 27
Ejemplos 40
CAPÍTULO 2. ESPACIOS VECTORIALES 76
Observación 28
un conjunto ortonormal de V es base ssi el conjunto genera a V .
Ejemplos 41
El conjunto {e1 , . . . , en } ⊂ Rn es base ortonormal con el producto interno ca-
nónico de Rn : En efecto para i, j = 1, . . . , n
½
0 si i 6= j
(ei |ej ) =
1 si i = j,
Teorema 34
Sea β = {v1 , . . . , vn } un conjunto ortonormal en un espacio vectorial V con
producto interno. Las siguientes afirmaciones son equivalentes
1. β es base de V .
2. Para todo v ∈ V
X
n
v= (v|vi )vi ,
i=1
3. Para cualesquiera u, v ∈ V ,
X
n
(u|v) = (u|vi ) (vi |v),
i=1
CAPÍTULO 2. ESPACIOS VECTORIALES 77
Demostración
1) ⇒ 2) v ∈ V , entonces
v = c1 vi + · · · + cn vn
y notemos que (v|vi ) = ci para todo i = 1, . . . , n, así
X
n
v= (v|vi )vi
i=1
2) ⇒ 3) Sean u, v ∈ V ,luego
X
n
u= (u|vi )vi ,
i=1
y por lo tanto
X
n
(u|v) = (u|vi )(vi |v).
i=1
3) ⇒ 4) Se tiene de 3, tomando u = v.
4) ⇒ 1) Para v ∈ V
X
n
kvk2 = (u|vi )2 ,
i=1
ssi
X
n X
n X
n
0 = kwk2 = (u|u) − 2 (u|vi )2 + (u|vi )2 = kuk2 − (u|vi )2 .
i=1 i=1 i=1
Ejemplos 42
Sea β = {u, v, w} ⊂ R3 con u = (2/3, −2/3, 1/3), v = (2/3, 1/3, −2/3), w =
(1/3, 2/3, 2/3) y el producto interno canónico de R3 . β es una base ortonormal
de R3 : En efecto
(u|v) = 4
9 − 2
9 − 2
9 = 0, (u|w) = 2
9 − 4
9 + 2
9 = 0,
(u|v) = 2
9 + 2
9 − 4
9 = 0,
CAPÍTULO 2. ESPACIOS VECTORIALES 78
y q q
kuk = 4
+ 49 +
9
1
9 = 1, kvk = 4
9 + 1
9 + 4
9 = 1,
kwk = 1,
luego β es base ortonormal de R3 (es un conjunto l.i. de tres vectores).
Ahora veamos lo práctico que es tener una base ortonormal; por ejemplo si
queremos expresar u0 = (6, 6, −9) como combinación lineal de la base, para esto
por el Teorema 34
Ahora veremos que todo espacio vectorial V dimensión finita con producto
interno posee una base ortonormal.
v2 = w1 + w2 (2.2)
por 2.2
w2 = v2 − w1 = v2 − cu1
y entonces
0 = (w2 |u1 ) = (v2 |u1 ) − c(u1 |u1 ) = (v2 |u1 ) − c,
por lo tanto c = (v2 |u1 ), y por 2.2
Demostración
Por indución, supongamos que se cumple para n = r, y veamos que se cum-
ple para r + 1. Sea β = {v1 , . . . , vr+1 } base de V , por hipotesis de inducción
{v1 , . . . , vr } tiene como base ortonormal a βON = {u1 , . . . , ur }, y definimos
Pr
vr+1 − i=1 (vr+1 |ui )ui
ur+1 = Pr
kvr+1 − i=1 (vr+1 |ui )ui k
X
r
vk = (vr+1 |ui ) ∈ L(u1 , . . . , ur+1 ) = L(v1 , . . . , vr+1 )
i=1
Corolario 16
Todo espacio vectorial de dimensión finita con producto interno posee una base
ortonormal.
Ejemplos 43
(4, 0) − √4 ( √1 , √1 )
= ° 2 2 2
°
° °
°(4, 0) − √4 ( √1 , √1 )°
2 2 2
(4, 0) − (2, 2)
=
k(4, 0) − (2, 2)k
(2, −2)
= p
22 + (−2)2
(2, −2)
= √
2 2
1 1
= (√ , −√ )
2 2
(0, 1, 1) − ( 12 , 12 , 0) − (0, 0, 1)
= ° °
°(0, 1, 1) − ( 1 , 1 , 0) − (0, 0, 1)°
2 2
(− 1 , 1 , 0)
= ° 21 12 °
°(− , , 0)°
2 2
√ 1 1
= 2 (− , , 0)
2 2
Ejemplos 44
Lista de ejercicios
a) {(x1 , x2 , x3 )| x1 = x2 = x3 = 0}.
b) {(x1 , x2 , x3 )| x1 + x2 + x3 = 0}.
c) {(x1 , x2 , x3 )| x1 = 0}.
d ) {(x1 , x2 , x3 )| x1 x2 x3 ≥ 3}.
e) {(x1 , x2 , x3 )| x3 = 1}.
2. Diga si cada uno de los siguientes subconjuntos del espacio vectorial Rn
son o no subespacios vectoriales
a) {(x1 , . . . , xn )| c1 x1 + c2 x2 + · · · + cn xn = 0}.
b) {(x1 , . . . , xn )| x1 + · · · + xn = 0}.
c) {(x1 , . . . , xn )| x1 = 0}.
d ) {(x1 , . . . , xn )| x1 x2 x3 ≥ 3}.
e) {(x1 , . . . , xn )| x21 + · · · + x2n = 0}.
a) {a0 + a1 x + a2 x2 + a3 x3 | a0 + a1 = 0}.
b) {a0 + a1 x + a2 x2 + a3 x3 | a0 = a1 = a2 = a3 = 0}.
c) {a0 + a1 x + a2 x2 + a3 x3 | a3 = 1}.
d ) {a0 + a1 x + a2 x2 + a3 x3 | a0 = a1 = a2 = a3 }.
4. Diga si cada uno de los siguientes subconjuntos del espacio vectorial Mn×n
son o no subespacios vectoriales
10. Demuestre que el espacio R3 es generado por cada uno de los siguientes
conjuntos de vectores
b)
· ¸ · ¸ · ¸ · ¸
1 0 0 1 2 3 −1 4
v1 = , v2 = , v3 = , v4 = .
0 1 1 0 3 2 5 3
15. Determine una base del espacio solución de cada uno de los sistemas ho-
mogeneos de ecuaciones lineales siguientes
a)
x1 + x2 = 0
2x1 + 2x2 = 0
b)
3x1 + x2 − x3 = 0
x1 − x2 + x3 = 0
16. Demostrar que cada uno de los siguientes conjuntos de vectores son base
de R3
a) v1 = (1, 2, 1), v2 = (2, 3, 3), v2 = (3, 7, 1).
b) v1 = (3, 1, 4), v2 = (5, 2, 1), v2 = (1, 1, −6).
17. Encuentre una base β de R3 tal que β contenga a los vectores indicados:
a) v1 = (1, 1, 1).
b) v1 = (2, 3, 1), v2 = (3, 1, 2).
c) v1 = (1, 1, 1), v2 = (3, −1, 4), v3 = (0, 1, 2).
d ) v1 = (1, 2, 3), v2 = (5, 2, 1), v3 = (7, 6, 2), v4 = (3, −1, 4).
18. Considere el siguiente conjunto de vectores en R3
S = {(2, 1, 1), (10, 0, 2), (3, −1, 0), (−3, 6, 3), (0, 1, −1)}
v1 = (0, 1, −3, 2), v2 = (1, −1, 0, 1), v3 = (3, 0, 1, −1), v4 = (4, 0, −2, 2).
b)
· ¸ · ¸
3 1 3 −1
u= v= .
2 1 2 −1
b)
· ¸ · ¸
1 1 2 −3
u= v= .
2 3 1 4
es un conjunto ortogonal.
30. Demuestre que el conjunto de vectores de R3
½ ¾
2 1 2 1 2 2
S = ( , , ), ( , , − )
3 3 3 3 3 3
(x|y) := x1 y1 + 2x2 y2 + x3 y3
Apartir de la base β = {(1, 1, 1), (2, 3, −1), (5, 2, −2)} construya una base
ortonormal.
34. Obtenga una base ortonormal para cada uno de los siguientes subespacios
de R3 con el producto interno canónico
a) {(x, y, z)| 2x + 3y − z = 0}.
b) {(x, y, z)| z = 0}.
c) {(x, y, z)| x = 3t, y = t, z = −2t}.
35. Obtenga una base ortonormal para cada uno de los siguientes subespacios
de R4 con el producto interno canónico
Transformaciones Lineales
Observación 29
Propiedades 1
1. T (0) = 0,
2. T (−v) = −T (v) para todo v ∈ V .
à n !
X Xn
3. T ci vi = ci T (vi ), c1 , . . . , cn ∈ R, v1 , . . . , vn ∈ V .
i=1 i=1
Ejemplos 45
89
CAPÍTULO 3. TRANSFORMACIONES LINEALES 90
T (αv) = 0 = αT (v).
2. La transformación identidad: T : V −→ W tal que T (v) = v; veamos que
es lineal
T (u + v) = u + v = T (u) + T (v),
T (αv) = αv = αT (v).
3. La transformación reflexión con respecto al eje X: T : R2 −→ R2 dada
por
T (x, y, z) := (x, −y).
Veamos que es lineal:
T (α(x, y, z)) = T ((αx, αy, αz)) = (2αx + 3αy − 4αz, αx + 2αy + αz)
= α(2x + 3y − 4z, x + 2y + z)
= αT ((x, y, z)).
T ((x, y)) := x + y + 1.
Verificar si es o no lineal:
CAPÍTULO 3. TRANSFORMACIONES LINEALES 91
Ker T := {v ∈ V | T v = 0}.
Propiedades 2
2. Im T es un subespacio vectorial de W .
Ejemplos 46
x + 2y + z = 0,
3x + y − 2z = 0,
−x − 7y − 6z = 0,
debemos resolver el sistema para saber la forma del núcleo; por el método
de reducción de Gauss
1 2 1 1 2 1
3 1 −2 ∼L3 +L1 3 1 −2 ∼L2 −3L1
−1 −7 −6 0 −5 −5
1 2 1 1 2 1
0 −5 −5 ∼L3 −L2 0 −5 −5 ∼L2 /−5
0 −5 −5 0 0 0
1 2 1 1 0 −1
0 1 1 ∼L1 −2L2 0 1 1 ,
0 0 0 0 0 0
así obtenemos ¾
x−z = 0 x=z
=⇒
y+z = 0, y = −z,
CAPÍTULO 3. TRANSFORMACIONES LINEALES 93
así
a+b+c+d = 0
2a + 3b + 4c + 6d = 0
a + 3b + 5c + 9d = 0,
resolviendo el sistema por eliminación Gaussiana
1 1 1 1 1 1 1 1
2 3 4 6 ∼L3 −L1 2 3 4 6 ∼L2 −2L1
1 3 5 9 0 2 4 8
1 1 1 1 1 1 1 1
0 1 2 4 ∼L3 /2 0 1 2 4 ∼L3 −L2
0 2 4 8 0 1 2 4
1 1 1 1 1 0 −1 −3
0 1 2 4 ∼L1 −L2 0 1 2 4 ,
0 0 0 0 0 0 0 0
así obtenemos
¾
a − c − 3d = 0 a = c + 3d
=⇒
b + 2c + 4d = 0, b = −2c − 4d,
si c = t, d = t en R, las soluciones tienen la forma
· ¸ · ¸ · ¸
s + 3t −2s − 4t s −2s 3t −4t
= +
s t s 0 0 t
· ¸ · ¸
1 −2 3 −4
= s +t
1 0 0 1
= sA + tB
Facílmente se ve que {A, B} es l.i., entonces forma una base del núcleo y
así obtenemos
3
2x − y + 12 z = 0
3x − 2y + z = 0,
y ¯
x ¯¯
Im T = y ¯ 0 = 3x − 2y + z
¯
z ¯
¯
x ¯
¯
= y ¯ x, y ∈ R ,
¯
2y − 3x ¯
notemos que
x x 0
y = 0 + y
2y − 3x −3x 2y
1 0
= x 0 + y 1 ,
−3 2
como facílmente se ve que son l.i., tenemos que
1 0
0 , 1
−3 2
es base de Im T .
Demostración
Sea Ker T = L(v1 , . . . , vr ), luego β1 = {v1 , . . . , vr } es base, y la extendemos
a β = {v1 , . . . , vr , vr+1 , . . . , vn } una base de V (notemos que vr+1 , . . . , vn 6∈
Ker T ).
Ahora veremos que β2 = {T (vr+1 ), . . . , T (vn )} es base de V:
Genera: Sea w ∈ Im T , luego existe v ∈ V tal que T v = w; Como v ∈ V ,
entonces
v = c1 v1 + · · · + cr+1 vr+1 + · · · + cn vn ,
aplicando T
w = Tv = T (c1 v1 + · · · + cr+1 vr+1 + · · · + cn vn )
= c1 T (v1 ) + · · · + cr+1 T (vr+1 ) + · · · + cn T (vn )
= cr+1 T (vr+1 ) + · · · + cn T (vn )
2. Tenemos N (T ) = 2, R(T ) = 2, y
N (T ) + R(T ) = 4 = dim M2×2 .
β2 = {v1 , v2 , . . . , vm }.
Para todo u ∈ U tenemos que
u = a1 u1 + a2 u2 + · · · + an un ,
a la matriz formada por los coeficientes
a1
a2
[u]β1 = ..
.
an
le llamaremos la matriz del vector u con respecto a la base β1 . Aplicando T al
vector u tenemos que
T (u) = a1 T (u1 ) + a2 T (u2 ) + · · · + an T (un ),
como T (ui ) ∈ V para todo i = 1, . . . , n. Entonces
T (ui ) = b1i v1 + b2i v2 + · · · + bmi vm ,
para todo i = 1, . . . , n. A la matriz formada por los coeficientes bi ’s
b1i
b2i
[T (ui )]β2 = .
..
bmi
le llamaremos la matriz de T (ui ) con respecto a la base β2 . Asi
T (u) = a1 T (u1 ) + a2 T (u2 ) + · · · + an T (un )
= a1 (b11 v1 + · · · bm1 vm ) + · · · + an (b1n v1 + · · · bmn vm )
= (a1 b11 + a2 b12 + · · · + an b1n )v1 + (a1 b21 + a2 b22 + · · · + an b2n )v2
· · · + (a1 bm1 + a2 bm2 + · · · + an bmn )vm ,
y
a1 b11 + a2 b12 + · · · + an b1n
a1 b21 + a2 b22 + · · · + an b2n
[T (u)]β2 = ..
.
a1 bm1 + a2 bm2 + · · · + an bmn
pero notemos que
b11 b12 ··· b1n a1
b21 b22 ··· b2n a2
.. .. .. = [T (u)]β2
. . .
bm1 bm2 · · · bmn an
| {z } | {z }
A [u]β1
CAPÍTULO 3. TRANSFORMACIONES LINEALES 98
es decir
[T (u)]β2 = A[u]β1 .
A la matriz A le llamaremos la matriz asociada a la transformación T con
respecto a las bases β1 , β2 y la denotaremos
A = [T ]β1 β2 .
Observación 30
1. Las columnas de [T ]β1 β2 son las matrices de T (ui ) con respecto a la base
β2
[T ]β1 β2 = ([T (u1 )]β2 , [T (u2 )]β2 , . . . , [T (un )]β2 ).
Ejemplos 48
con
β1 = {(1, 0, 0), (1, 1, 0), (1, 1, 1)}
base de R3 ,
c3 + c4 = x
c2 + c3 + c4 = y
c1 + c4 = z
c1 + c2 + c3 + c4 = w
c1 = w−y
c2 = y−x
c3 = x+w−y−z
c4 = y + z − w.
c1 = 1
c2 = 1
c3 = 5
c4 = −4
por lo tanto
1
1
[T u1 ]β2 =
3
−4
Si (x, y, z, w) = (4, 3, −17, 7)
c1 = 4
c2 = −1
c3 = 25
c4 = −21
tenemos que
4
−1
[T u2 ]β2 =
25
−21
CAPÍTULO 3. TRANSFORMACIONES LINEALES 101
c1 = 3
c2 = 3
c3 = 15
c4 = −12
así
3
3
[T u3 ]β2 =
15
−12
y entonces la matriz asociada a la transformación lineal es
1 4 3
1 −1 3
3 25 15
−4 21 −12
T X = AX ∀ X ∈ Rn ,
Ker T = {X ∈ Rn | AX = 0}
Im T = {Y ∈ Rm | ∃ X ∈ Rn , AX = Y } = L(v1 , v2 , . . . , vn )
Ejemplos 49
Sea T : M2×2 −→3×1 la transformación lineal dada por
µ· ¸¶ a+b+c+d
a b
T = 2a + 3b + 4c + 6d ,
c d
a + 3b + 5c + 9d
consideremos la bases
½· ¸ · ¸ · ¸ · ¸¾
1 1 0 1 1 0 0 1
β1 = , , ,
0 0 −1 0 1 1 1 −1
CAPÍTULO 3. TRANSFORMACIONES LINEALES 102
1 1 1
β2 = 0 , 1 , 1 ,
0 0 1
de M2×2 y M3×2 respectivamente. Describir Ker T e Im T por medio de
A = [T ]β1 β2 .
Primero calculemos la imagen de β1 bajo T
µ· ¸¶ 2 µ· ¸¶ 0
1 1 0 1
T = 5 , T = −1 ,
0 0 −1 0
4 −2
µ· ¸¶ 3 µ· ¸¶ 1
1 0 0 1
T = 12 , T = 1 ,
1 1 1 −1
15 −1
luego para expresar estos vectores en términos de la base β2 resolvemos de ma-
nera general
1 1 1 x1
c1 0 + c2 1 + c3 1 = x2
0 0 1 x3
lo que es equivalente a resolver
c1 + c2 + c3 = x1
c2 + c3 = x2
c3 = x3 ,
despejando de este sistema obtenemos
c1 = x1 − x2
c2 = x2 − x3
c3 = x3 ,
y de aquí
· µ· ¸¶¸ −3 · µ· ¸¶¸ 1
1 1 0 1
T = 1 , T = 1 ,
0 0 −1 0
β2 4 β2 −2
· µ· ¸¶¸ −9 · µ· ¸¶¸ 0
1 0 0 1
T = −3 , T = 2 ,
1 1 1 −1
β2 15 −1
por lo tanto
−3 1 −9 0
A = [T ]β1 β2 = 1 1 −3 2 .
4 −2 15 −1
Ahora calculamos Ker T , para esto resolvamos el sistema homogéneo
AX = 0,
CAPÍTULO 3. TRANSFORMACIONES LINEALES 103
1 1 −3 2 1 1 −3 2
0 2 −9 3 ∼F2 /2 0 1 −9/2 3/2 ∼F1 −F2
0 0 0 0 0 0 0 0
1 0 3/2 1/2
0 1 −9/2 3/2
0 0 0 0
así
x1 + 3/2x3 + 1/2x4 = 0
x2 − 9/2x3 + 3/2x4 = 0
y por lo tanto el conjunto solución esta dado por los vectores de la forma
−3/2x3 − 1/2x4
9/2x3 − 3/2x4
x3
x4
es decir,
x1 x2 x3
Im T = {(x1 , x2 , x3 )| − + = 0}
2 6 3
o
s 2
Im T = {( − t, s, t)| s, t ∈ R}.
3 3
Notemos que el Ker T e Im T obtenidos anteriormente no coinciden con los
obtenidos en ejemplos 46 (2). La pregunta natural que surge es ¿existe alguna
relación entre Ker T , Im T calculados con la representación matricial de T
y Ker T , Im T calculados en ejemplos 46 (2)? Para encontrar esta relación
primero observemos que Ker T e Im T calculados recientemente dependen de
las bases β1 , β2 . Mientras que los calculados en los ejemplos 46 (2) dependen de
las bases canónicas. Con esta consideración al tomar la combinación
· ¸ · ¸ · ¸ · ¸
3 1 1 1 9 3 0 1 1 0 0 1
( s − t) + ( s − t) +s +t
2 2 0 0 2 2 −1 0 1 1 1 −1
la cual coincide con la obtenida en ejemplos 46 (2) para esto basta tomar t0 = s−t
y s0 = − 27 s + 52 t, así
1
− 2 (s + t) 3s − t · 0 0 0 0
¸
= s +0 t −2s 0− 4t .
s t
− 72 s + 52 t s − t
Teorema 39
Sea T : U −→ V transformación lineal, dim U = m, dim V = n. Sean
β1 , β10 bases de U
β2 , β20 bases de V.
Entonces
Q−1 [T ]β1 β2 P = [T ]β10 β20
o equivalentemente
[T ]β1 β2 = Q[T ]β10 β2 P −1
donde
Corolario 18
Sea T : V −→ V operador lineal, β, β 0 bases de V . Si P es la matriz de cambio
de base de β a β 0 , entonces
[T ]β = P [T ]β 0 P −1 .
Ejemplos 50
Sean T : R3 −→ R4 , con
Si
así
1 1 1
P = 0 1 1 .
0 0 1
Para calcular Q basta poner β20 en términos de β2 ,
así
0 0 1 1
0 1 1 1
Q=
1
.
0 0 1
1 1 1 1
Para aplicar la fórmula del teorema necesitamos calcular Q−1 ,
¯ ¯
0 0 1 1 ¯¯ 1 0 0 0 1 0 0 1 ¯¯ 0 0 1 0
0 1 1 1 ¯¯ 0 1 0 0 ¯ 0
∼F3 ↔F1 0 1 1 1 ¯ 0 1 0 ∼
1 ¯
0 0 1 ¯ 0 0 1 0 0 0 1 1 ¯¯ 1 0 0 0 F4 −F1
1 1 1 1 ¯ 0 0 0 1 1 1 1 1 ¯ 0 0 0 1
¯ ¯
1 0 0 1 ¯¯ 0 0 1 0 1 0 0 1 ¯¯ 0 0 1 0
0 1 1 1 ¯¯ 0 1 0 0 0 1 1 1 ¯ 0 1 0 0
∼ ¯ ∼
0 0 1 1 ¯¯ 1 0 0 0 F4 −F2 0 0 1 1 ¯¯ 1 0 0 0 −F4
0 1 1 0 ¯ 0 0 −1 1 0 0 0 −1 ¯ 0 −1 −1 1
¯ ¯
1 0 0 1 ¯¯ 0 0 1 0 1 0 0 0 ¯¯ 0 −1 0 1
0 1 1 1 ¯¯ 0 1 0 0 ¯ 0 −1 1
∼ F3 − F4 0 1 1 0 ¯ 0 ∼
0 ¯
0 1 1 ¯ 1 0 0 0 0 0 1 0 ¯ 1 −1 −1 1 F2 −F3
F2 − F4
¯
0 0 0 1 ¯ 0 1 1 −1
F1 − F4
0 0 0 1 ¯ 0 1 1 −1
¯
1 0 0 0 ¯¯ 0 −1 0 1
0 1 0 0 ¯ −1 1 0 0
¯
0 0 1 0 ¯ 1 −1 −1 1
¯
0 0 0 1 ¯ 0 1 1 −1
CAPÍTULO 3. TRANSFORMACIONES LINEALES 108
por lo tanto
T1 : U −→ V
T2 : U −→ V
Observación 31
Teorema 40
Sean U , V espacios vectoriales de dimensión finita. Entonces
3.6.2. Composición
Sean U , V , W espacios vectoriales, T1 : U −→ V , T2 : V −→ W transforma-
ciones lineales. Definimos la composición de T2 con T1 como
T2 ◦ T1 : U −→ W
(T2 ◦ T1 )(u) = T2 (T1 (u)).
Teorema 41
T3 ◦ (T2 ◦ T1 ) = (T3 ◦ T2 ) ◦ T1 .
(T2 + T3 ) ◦ T1 = T2 ◦ T1 + T3 ◦ T1 .
T1 ◦ (T2 + T3 ) = T1 ◦ T2 ) + T1 ◦ T3 .
α (T2 ◦ T1 ) = (α T2 ) ◦ T1 = T2 ◦ (cT1 ).
Ejemplos 51
Sean T1 : R3 −→ R2 , T2 : R2 −→ R3 transformaciones lineales dadas por
Calcular T2 ◦ T1 .
CAPÍTULO 3. TRANSFORMACIONES LINEALES 110
Teorema 42
Sean U , V , W espacios vectoriales de dimensión finita, T1 inL(U, V ), T2 ∈
L(V, W ). Consideremos las basesβ
β1 base de U,
β2 base de V,
β3 base de W.
Entonces
[T2 ◦ T1 ]β3 β1 = [T1 ]β2 β1 [T2 ]β3 β2 .
Ejemplos 52
Consideremos T1 y T2 como en el ejemplo anterior, con las bases
y de aquí · ¸
60 63 31
[T2 ◦ T1 ]β2 β1 =
55 79 27
la cual coincide con la matriz calculada anteriormente, por lo tanto se verfica
el teorema.
Observación 32
Ejemplos 53
Consideremos P = {Espacio de los polinomios}. Sean
T : P −→ P, S : P R−→ P
p(x) 7→ p0 (x) p(x) 7→ p(x)dx
= Id(a0 + a1 x + · · · + an xn ).
Ejemplos 54
La transformación T : R2 −→ R2 dada por T (x, y) = (x + y, x − y) es inversible.
Si fuera inversble existe S : R2 −→ R2 tal que
y de aquí µ ¶
x0 + y 0 x0 − y 0
S(x0 , y 0 ) = , ,
2 2
y obtenemos el siguiente sistema
x0 = x + y x0 + y 0 = 2x
⇒
y0 = x − y x0 − y 0 = 2y
sustituyendo obtenemos
(T ◦ S)(x, y) = (x, y),
por lo tanto µ ¶
x+y x−y
S(x, y) = , ,
2 2
es la inversa de T .
CAPÍTULO 3. TRANSFORMACIONES LINEALES 112
Teorema 43
Lema 5
Si T : U −→ V es transformación lineal, entonces T es inyectiva ssi ker T = {0}
Teorema 44
T : U −→ V es inversible ssi T es inyectiva y sobreyectiva.
Teorema 45
Sean U V isomorfos, entonces U es de dimensión finita ssi V lo es.
Corolario 19
Dos espacios vectoriales de dimensión finita son isomorfos ssi tienen la misma
dimensión.
Teorema 46
Sean U , V espacios vectoriales de la misma dimensión. Las siguientes afirma-
ciones son equivalentes
T es inversible.
T es sobreyectiva.
T es inyectiva.
CAPÍTULO 3. TRANSFORMACIONES LINEALES 113
T es no singular.
Si {u1 , . . . , un } es l.i. en U , entonces {T u1 , . . . , T un } es l.i.
Si {u1 , . . . , un } es base de U , entonces {T u1 , . . . , T un } es base de V .
Ahora veremos como afecta la inversibilidad de T a la matriz asociada a T .
Teorema 47
Sean T : U −→ V transformación lineal, β1 , β2 bases de U y V respectivamente,
entonces T es inversible ssi [T ]β2 β1 es inversible para cualesquiera β1 , β2 bases
de U y V .
Corolario 21
Si T : U −→ V es inversible, entonces
[T −1 ]β2 β1 = [T ]−1
β2 β1 .
1 1 0 2
luego calculando el determinante
det [T ]β = −34 6= 0,
por lo tanto T es invertible.
CAPÍTULO 3. TRANSFORMACIONES LINEALES 114
Lista de ejercicios
a) T : R2 −→ R2 , T (x, y) = (x + y, x − y).
b) T : R2 −→ R2 , T (x, y, z) = (x + y − z, x − y − z).
c) T : R3 −→ R3 , T (x, y, z) = (x + y, x + z, y + z).
d ) T : M2×2 −→ M2×2 , T (A) = At .
e) T : M3×3 −→ R, T (A) = tr A.
7. Describa el núcleo y la imagen de las siguientes transformaciones lineales
a) T : R3 −→ R2 , T (X) = AX con
· ¸
2 0 −1
A= ,
−4 0 2
b) T : R4 −→ R3 , T (X) = AX con
2 1 −1 3
A= 6 7 1 17 ,
0 2 2 4
a) β1 = {v2 , v1 , v4 , v3 },
b) β2 = {v1 , v1 + v2 , v1 + v2 + v3 , v1 + v2 + v3 + v4 },
c) β3 = {v1 + v2 , v2 + v3 , v3 + v4 , v4 },
es
2 1 −1
A= 3 2 2
4 3 2
Encuentre la matriz de T respecto de la base β = {(2, 1, 1), (3, 2, −4), (2, 3, 3)}.
Capítulo 4
T u = λu.
A[u]β = λ[u]β ,
(P −1 BP )[u]β = λ[u]β ,
y luego
B(P [u]β ) = λ(P [u]β ),
es decir si λ es valor propio de T y u vector propio de T , tambien lo serán para
la matriz asociada a T con respecto a cualquier otra base.
Ejemplos 56
El opeardor lineal T : R2 −→ R2 dado por
117
CAPÍTULO 4. VALORES PROPIOS Y VECTORES PROPIOS 118
c1 = 3
c1 + c2 = 7
y resolviendolo obtenemos
c1 = 3, c2 = 4.
De la misma manera
c01 = 1, c02 = 3.
Ahora para poder multiplicar esta matriz a la matriz que representa a (1, 3)
expresemos este vector en términos de la base β 0 :
c001 = 1, c002 = 2.
Finalmente
· ¸ · ¸ · ¸ · ¸
3 1 1 5 1
[T ]β 0 [u]β 0 = = =5
4 3 2 10 2
CAPÍTULO 4. VALORES PROPIOS Y VECTORES PROPIOS 119
Teorema 49
Sea A matriz cuadrada. λ ∈ R es un valor propio ssi det (A − λI) = 0.
Observación 33
AX = λX,
o equivalentemente
(A − λI)X = 0,
es decir, X es una solución no trivial del sistema
(A − λI)X = 0.
Por lo tanto para encontrar los vectores propios X debemos encontrar las solu-
ciones no triviales del sistema homogeneo.
Ejemplos 58
Los valores propios de · ¸
5 9
A=
2 2
son lambda1 = 8 y λ2 = 1. Encontremos los valores propios:
Consideremos A − λI con λ = 8
· ¸ · ¸
5−λ 9 −3 9
A − λI = =
2 2−λ 2 −6
obtenemos
· ¸ · ¸ · ¸
−3 9 1 −3 1 −3
∼F1 /−3 ∼F2 −2F1
2 −6 2 −6 0 0
así
x1 − 3x2 = 0 x1 = 3x2
y entonces si x2 = t ∈ R · ¸
3t
X= ,
t
por lo tanto si λ1 = 8 los vectores propios asociados son de la forma
(3t, t) t ∈ R.
resolviendo el sistema
· ¸ · ¸ · ¸
6 9 x1 0
=
2 3 x2 0
tenemos que · ¸ · ¸ · ¸
6 9 2 3 2 3
∼F1 /3 ∼F2 −F1 ,
2 3 2 3 0 0
es decir
3
2x1 + 3x2 = 0 x1 = − x2 ,
2
si x2 = t ∈ R entonces · ¸
− 23 t
X= ,
t
es decir los vectores propios asociados al valor propio λ2 = −1 son de la forma
3
(− t, t) t ∈ R.
2
Si A es una matriz cuadrada de orden n, λ valor propio y Eλ los vectores
propios asociados a λ. Al subsespacio vectorial (de Rn ) formado por Eλ y el
vector cero (ambos forman el espacio solución del sistema homogeneo (A −
λI)X = 0) le llamaremos subespacio propio de A (eigen espacio).
Ejemplos 59
Del ejemplo anterior tenemos que para la matriz
· ¸
5 9
A=
2 2
λ1 = 1 y λ2 = −2.
Si λ = 1
0 3 0
A − λI = 0 −3 0
0 6 0
resolviendo el sistema
0 3 0 x1 0
0 −3 0 x2 = 0
0 6 0 x3 0
obtenemos
s
X = 0 , s, t ∈ R,
t
así el espacio propio
Eλ1 = {(s, 0, t)| s, t ∈ R} = {s(1, 0, 0)+t(0, 0, 1)| s, t ∈ R} = L((1, 0, 0), (0, 0, 1)),
donde (1, 0, 0) y (0, 0, 1) forman una base de él, y por lo tanto tiene dimensión
2. Por otro lado Si λ = −2
3 3 0
A − λI = 0 0 0 ,
0 6 3
y resolviendo el sistema
3 3 0 · ¸ · ¸
0 x1 0
0 0 = ,
x2 0
0 6 3
o equivalentemente resolviendo
obtenemos
x1 = −x2 , x3 = −2x2
−t
X = t , t ∈ R,
−2t
así el espacio propio
donde (−1, 1, −2) forma una base de él, y por lo tanto tiene dimensión 1.
CAPÍTULO 4. VALORES PROPIOS Y VECTORES PROPIOS 123
Observación 34
Resolver (A−λI)X = 0 es equivalente a calcular el núcleo del operador (T −λI),
es decir,
Eλ = ker(T − λI).
Teorema 50
Sea T : V −→ V operador lineal, con V espacio vectorial de dimensión n. λ es
un valor propio de T ssi el operador T − λI : V −→ V no tiene inversa.
Teorema 51
Si A y B son matrices semejantes, entonces el polinomio característico de A es
el mismo que el polinomio característico de B.
Observación 35
Por el teorema anterior tenemos que el polinomio característico de un operador
T no depende de la representación matricial que tomemos, es decir, si [T ]β1 y
[T ]β2 son representaciones de T con respecto a las bases β1 y β2 correspondien-
temente, entonces los polinomios característicos de [T ]β1 y [T ]β2 coinciden.
Teorema 52
Sea A una matriz cuadrada de orden n, λ valor propio de A. Si Eλ es el espacio
propio asociado a λ, entonces
dim Eλ ≤ k,
Ejemplos 61
Consideremos la matriz
1 1 1 1
0 2 0 0
A=
0
0 1 1
0 3 3 1
y comprobemos que cumple el teorema anterior.
Calculamos el polinomio característico
Si λ = 1 el sistema se convierte en
0 1 1 1 x1 0
0 1 0 0 x2 0
.
0 0 0 0 x3 = 0
0 3 3 0 x4 0
o equivalentemente
x2 + x3 + x4 = 0
x2 = 0
3x2 + 3x3 = 0
luego de aquí
x1 = t ∈ R
x2 = x3 = x4 = 0
por lo tanto
t
0
X=
0 t∈R
0
y
Eλ1 = {(t, 0, 0, 0)| t ∈ R} = L((1, 0, 0, 0))
donde (1, 0, 0, 0) forma una base de Eλ1 , y entonces Eλ1 tiene dimensión 1, lo
cual cumple con el teorema
dim Eλ1 = 1 ≤ 3 = k.
Si λ = 2 obtenemos el sistema
−1 1 1 1 x1 0
0 0 0 0 x2 0
= .
0 0 −1 0 x3 0
0 3 3 −1 x4 0
o equivalentemente
x1 = x2 + x4 ,
x3 = 0,
x2 = 31 x4 ,
luego de aquí
x1 = 43 x4 ,
x3 = 0, x2 = 13 x4 ,
por lo tanto si x4 = t ∈ R
4
3t
1
t
3
X=
0
t
y
4 1 4 1
Eλ2 = {( t, t, 0, t)| t ∈ R} = L(( , , 0, 1))
3 3 3 3
donde ( 34 , 13 , 0, 1) forma una base de Eλ2 , y entonces Eλ2 tiene dimensión 1, lo
cual cumple con el teorema
dim Eλ2 = 1 ≤ 1 = k.
4.3. Diagonalización
Diremos que una matriz cuadrada A es diagonalizable si existe una matriz
inversible P tal que P −1 AP es diagonal, es decir, si A es semejante a una matriz
diagonal. Con esto tendremos que si T : V −→ V es un operador lineal con V
espacio vectorial de dimensión n, entonces T es diagonalizable si existe una base
β tal que [T ]β es diagonal.
Teorema 53
Si la matriz A es diagonalizable, entonces el polinomio característico de A se
puede factorizar como producto de factores lineales
Teorema 54
La matriz A de orden n es diagonalizable ssi los vectores propios de A forman
una base de Rn .
Observación 36
CAPÍTULO 4. VALORES PROPIOS Y VECTORES PROPIOS 126
D = P −1 AP
Ejemplos 62
Sea
1 0 0
A = 1 0 −2
−1 1 −3
¿Es diagonalizable la matriz A ?.
Teorema 55
Sea A matriz de orden n. Si λ1 , λ2 , . . . , λm (m ≤ n) son los valores propios
distintos de A, y vi es un vector propio asociado λi para i = 1, . . . , m. Entonces
{v1 , v2 , . . . , vm } es l.i.
Corolario 22
Si A matriz n×n tiene n valores propios distintos, entonces A es diagonalizable.
Ejemplos 63
Sea
1 1 1
A= 0 1 0
0 0 2
¿Es diagonalizable la matriz A ?.
Calculemos el polinomio característico
1−λ 1 1
p(λ) = det(A − λI) = 0 2−λ 0 = (1 − λ)(1 − λ)2 ,
0 0 2−λ
x2 + x3 = 0
x2 = 0
x3 = 0
y entonces
x1 = t ∈ R
x2 = 0
x3 = 0
así el espacio propio asociado a λ1 es
Si λ = 2
−1 1 1
A − λI = 0 0 0
0 0 0
y el sistema homogéneo correspondiente es
−x1 + x2 + x3 = 0
y entonces si x2 = s, x2 = t ∈ R
x1 = x2 + x3 = s + t
Eλ2 = {(s+t, s, t)| s, t ∈ R} = Eλ2 = {s(1, 1, 0)+t(1, 0, 1)| s, t ∈ R} = L((1, 1, 0), (1, 0, 1)).
luego tomando
Teorema 56
Sea A matriz n×n. Sean λ1 , . . . , λm los valores propios distintos de A y Eλ1 , Eλ2 , . . . , Eλm
los espacios propios corresppondientes. Los siguientes incisos son equivalentes
a) A es diagonalizable.
CAPÍTULO 4. VALORES PROPIOS Y VECTORES PROPIOS 128
b)
Ejemplos 64
Encontrar la base β de R3 respecto de la cual la matriz que representa a T es
diagonal,
T (x, y, z) = (2x, 3x + 2y + z, 4x + y + 2z).
Ejemplos 65 Sea
2 1 0
A= 0 1 1 ,
0 0 1
y consideremos los siguientes polinomios
los polinomios p0 ,p1 y p2 son anulados por A, por lo tanto el polinomio mínimo
es p2 .
Teorema 57
El polinomio mínimo es único.
Teorema 58
El polinomio mínimo de A, m(x) divide a cualquier polinomio que es anulado
por A.
CAPÍTULO 4. VALORES PROPIOS Y VECTORES PROPIOS 129
Ejemplos 66
En el ejemplo anterior el polinomio p2 divide a p0 , y a P1 .
Teorema 59
Sean A y B matrices semejantes:A = C −1 BC, y p(x) un polinomio arbitrario,
entonces
p(A) = C −1 p(B)C.
Corolario 23
Si A y B son matrices semejantes, entonces tienen el mismo polinomio mínimo.
Teorema 60 (Caley-Hamilton)
Sean A matriz n × n, y p(x) su polinomio característico, entonces p(A) = 0.
Ejemplos 67
Sea
2 2 0 0
−1 5 0 0
A= ,
2 0 −1 0
4 0 −8 3
Encontrar el polinomio mínimo.
Teorema 62
Si λ1 , . . . , λm son los valores propios distintos de A, entonces A es diagonalizable
ssi su polinomio mínimo es
m(x) = (x − λ1 )(x − λ2 ) · · · (x − λm ).
Ejemplos 68
Tomando A como en el ejemplo anterior tenemos que A es diagonalizable.
CAPÍTULO 4. VALORES PROPIOS Y VECTORES PROPIOS 130
P −1 AP = D
Teorema 63
Si A es diagonalizable ortogonalmente, entonces A es simétrica.
Teorema 64
Si A es simétrica, entonces sus valores propios son reales.
Teorema 65
Sean λ1 , . . . , λm valores propios distintos de A y X1 , . . . , Xm los vectores propios
correspondientes, entonces X1 , . . . , Xm son ortogonales a pares ((Xi |Xj ) = 0
para i 6= j).
Corolario 25
Sea A simétrica con todos sus valores propios distintos, entonces A es diagona-
lizable ortogonalmente
Observación 37
Si A es diagonalizable ortogonalmente: D = P t AP donde P esta formada por los
vectores propios de A ortonormalizados mediante el proceso de Gram - Schmidt.
Ejemplos 69
Sea
1 0 2
A= 0 2 0 ,
2 0 4
Es diagonalizable ortogonalmente? En caso de serlo en contrar la matriz P tal
que D = P t AP .
Teorema 66
Sea A natriz simétrica de orden n × n. Entonces A es diagonalizable ortogonal-
mente.
Ejemplos 70
Sea
1 1 1
A= 1 1 −1 ,
1 −1 1
Es diagonalizable ortogonalmente?