Algebra Lineal

ALGEBRA LINEAL
Ricardo Miguel Guzman Navarro Universidad de C ordoba Facultad de Ciencias B asicas e Ingenier as Departamento de Matem aticas
Indice general
Pr ologo
III
1. Sistemas de ecuaciones lineales (S.E.L) 1 1.1. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . 1 1.2. Soluci on de S.E.L . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2. Matrices 2.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Suma de matrices . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Producto por escalar . . . . . . . . . . . . . . . . . . . . . . . 2.4. Producto de matrices . . . . . . . . . . . . . . . . . . . . . . . 2.4.1. Producto de matrices . . . . . . . . . . . . . . . . . . . 2.4.2. Operaciones elementales de la y producto de matrices 2.5. Traspuesta y traza de una matriz . . . . . . . . . . . . . . . . 2.5.1. Traspuesta de una matriz . . . . . . . . . . . . . . . . 2.5.2. Traza de una matriz . . . . . . . . . . . . . . . . . . . 2.6. Determinante de una matriz . . . . . . . . . . . . . . . . . . . 2.6.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . 2.6.2. Determinante de una matriz . . . . . . . . . . . . . . . 2.7. Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . 2.8. Sistemas de ecuaciones lineales y matrices . . . . . . . . . . . 2.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 13 14 15 17 17 21 23 23 23 24 24 25 30 34 35
3. Espacios vectoriales 40 3.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 40 3.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.3. Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . 44 ii
INDICE GENERAL 3.4. Bases y dimensi on . . . . . . . . . . . . . . . 3.4.1. Bases y dimensi on . . . . . . . . . . . 3.4.2. Vectores de coordenadas . . . . . . . . 3.5. Espacios vectoriales y matrices . . . . . . . . . 3.5.1. Los cuatro subespacios fundamentales . 3.5.2. Rango de una matriz . . . . . . . . . . 3.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
iii 45 45 47 48 48 49 52
4. Transformaciones lineales 54 4.1. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . 54 4.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 5. Ortogonalidad 5.1. Espacios con productos 5.2. Espacios normados . . 5.3. Vectores ortogonales . 5.4. Ejercicios . . . . . . . interiores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 62 63 67 69 72 72 74 75 76 76 77 80 83 83 85 87 90
6. Valores y Vectores Propios 6.1. Valores y Vectores Propios . . . . . . . . . . . 6.2. Subespacios Propios . . . . . . . . . . . . . . 6.3. Matrices Invertibles y Valores Propios . . . . . 6.4. Producto de matrices y Valores Propios . . . . 6.5. Localizaci on de Valores Propios . . . . . . . . 6.6. C alculo de Valores Propios . . . . . . . . . . . 6.7. C alculo de Vectores Propios . . . . . . . . . . 6.8. Independencia lineal y vectores propios . . . . 6.9. Valores propios de algunas matrices especiales 6.10. Semejanza de Matrices . . . . . . . . . . . . . 6.11. Ejercicios . . . . . . . . . . . . . . . . . . . . Bibliograf a
Pr ologo
El objetivo principal de este trabajo es el de proporcionar un m odulo guia, a partir del cual los estudiantes de Ingenier a de Sistemas de la Universidad de C ordoba adquieran conocimientos b asicos del Algebra Lineal. Lo especial de este m odulo es que en el se realiza un estudio del Algebra Lineal con un enfasis en Teor a de Matrices. Esto se hace porque las Matrices son los entes matem aticos m as u tiles para los que se dedican al estudio de las Ciencias Computacionales. En este trabajo se realiza un estudio de los m as importantes temas que com ponen normalmente un primer curso de Algebra L neal. Estos temas son: Sistemas de Ecuaciones Lineales, Matrices, Espacios Vectoriales, Transformaciones Lineales, Ortogonalidad y Valores y vectores Propios.
Ricardo Miguel Guzman Navarro.
Mayo 22 de 2006.
iv
INDICE GENERAL
Cap tulo 1 Sistemas de ecuaciones lineales (S.E.L)

El prop osito de este cap tulo es dar al lector informaci on b asica acerca de los sistemas de ecuaciones lineales y ense narle el m etodo habitual para resolverlos.
1.1.
Sistemas de ecuaciones lineales
En esta secci on presentaremos: los componentes esenciales, algunas clasicaciones y varios de los m as importantes resultados de los sistemas de ecuaciones lineales. Notaci on - Deniciones. El s mbolo R de notar a al conjunto de los n umen ros reales. Los elementos de R son llamados escalares. R representar a al conjunto a 1 . . . : ai R para todo i = 1, ..., n . a n El elemento a1 . . . an 1
CAP ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)
n de Rn se puede denotar de manera compacta por [ai ] . R a1 . n El producto de un elemento a R por un elemento . . de R se dene an como aa1 a1 . . n . a . = . . R , aan an
donde aai , para i = 1, ..., n, es el producto usual en R. La suma de dos elementos b1 a1 . . . . . y . an de Rn se dene como a1 b1 a1 + b1 . . . . . + . .= . . , an bn an + bn donde la suma ai + bi es la suma usual en R. Deniciones. una ecuaci on es una igualdad con una o m as inc ognitas. Una ecuaci on lineal en R con n variables tiene la forma a1 x1 + a2 x2 + + an xn = b, donde a1 , a2 , ..., an , b est an en R. Se considera que las variables s olo pueden tomar valores en R. Una soluci on de una ecuaci on lineal a1 x1 + a2 x2 + + an xn = b, donde a1 , a2 , ..., an , b R, es una ntupla ordenada c1 . n . . R cn tal que a1 c1 + a2 c2 + + an cn = b. bn
1.1. SISTEMAS DE ECUACIONES LINEALES
Ejemplo. La ecuaci on lineal 3x1 + 4x2 3x3 x4 = 1 (1.1)
2 1 on. A un m as, todo elemento de R4 de la forma tiene a 2 como una soluci 5 t s con t, s, w R es soluci on de (1.1). w 3t + 4s 3w + 1 Denici on. Un sistema de ecuaciones lineales con m ecuaciones y n inc ognitas, es una expresi on de la forma a11 x1 + a12 x2 + + a1n xn = b1 a21 x1 + a22 x2 + + a2n xn = b2 (1.2) . . . a x + a x + + a x = b , m1 1 m2 2 mn n m donde aij , bi R para i = 1, ..., m y j = 1, ..., n. Los aij se denominan coecientes y los b e rminos independientes. Una soluci on de (1.2) j t c1 . n es un elemento c = . . R tal que cn a11 c1 + a12 c2 + + a1n cn = b1 a21 c1 + a22 c2 + + a2n cn = b2 . . . a c + a c + + a c = b . m1 1 m2 2 mn n m Es decir, c es soluci on de cada ecuaci on del sistema. El sistema (1.2) es homog eneo si b1 = = bm = 0.
Ejemplo. Una soluci on del sistema de ecuaciones lineales 2x1 + 3x2 2x3 = 1 3x1 + 2x2 + 2x3 = 9 4x1 + 4x2 3x3 = 2 1 es 1, ya que 2 2(1) + 3(1) 2(2) = 1 3(1) + 2(1) + 2(2) = 9 . 4(1) + 4(1) 3(2) = 2 Denici on. Un sistema de ecuaciones lineales es consistente si tiene al menos una soluci on. Es necesario anotar que todo sistema homog eneo de ecuaciones lineales es consistente, ya que este tipo de sistemas tiene siempre la soluci on trivial, es dec r, la soluci on 0 . . . . 0 Denici on. Dos sistemas de ecuaciones lineales consistentes son equivalentes, si tienen exactamente las mismas soluciones. Las propiedades de la igualdad permiten realizar algunas operaciones a las ecuaciones de un sistema para obtener sistemas equivalentes. Denici on. Las operaciones elementales de las ecuaciones de un sistema de ecaciones lineales son de los siguientes tres tipos : (Ei representa la i esima ecuaci on del sistema.) Tipo 1. Intercambio de dos ecuaciones del sistema : Ei Ej . Tipo 2. Multiplicar una ecuaci on por un escalar no cero : cEi Ei .
DE S.E.L 1.2. SOLUCION
Tipo 3. Adicionar a una ecuaci on un m ultipliplo de otra : Ei cEj + Ei . Ejemplos. 2x1 + 3x2 2x3 = 1 3 x1 + 2 x2 + 2 x3 = 1 4x1 + 4x2 3x3 = 2 2x1 + 3x2 2x3 = 1 3x1 + 2x2 + 2x3 = 1 4x1 + 4x2 3x3 = 2 2x1 + 3x2 2x3 = 1 3x1 + 2x2 + 2x3 = 1 4x1 + 4x2 3x3 = 2
E2
2x1 + 3x2 2x3 = 1 4x1 + 4x2 3x3 = 2 , E3 3x1 + 2x2 + 2x3 = 1 6x1 + 9x2 6x3 = 3 3x1 + 2x2 + 2x3 = 1 , 3E1 4x1 + 4x2 3x3 = 2
E1
2x1 + 3x2 2x3 = 1 3 x1 + 2 x2 + 2 x3 = 1 . E3 2E1 + E3 2x2 + x3 = 0
1.2.
Soluci on de S.E.L
En esta secci on daremos ideas sucientes para resolver cualquier sistema de ecuaciones lineales. Teorema 1.1. Si un sistema de ecuaciones lineales se obtiene a partir de otro por medio de un n umero nito de operaciones elementales, entonces los dos sistemas son equivalentes. Demostraci on. Ejercicio. En lugar de resolver un sistema de ecuaciones lineales, podemos resolver cualquier sistema equivalente; ninguna soluci on se pierde y ninguna soluci on nueva aparece. Esta idea tan simple es la que permite resolver de manera sencilla sistemas de ecuaciones lineales. Dado un sistema de ecuaciones lineales cuya soluci on se busca, lo transformamos realizando operaciones elementales, de manera inteligente, en un sistema equivalente m as simple que podamos resolver con facilidad.
Ejemplo. Resolvamos el sistema 2x1 + x2 + x3 = 1 x1 + 3x2 3x3 = 2 . x 1 + 2 x2 + 4 x3 = 3 En efecto, 2x1 + x2 + x3 = 1 x1 + 3x2 3x3 = 2 x1 + 2 x2 + 4 x3 = 3 x1 + 3x2 3x3 = 2 2x1 + x2 + x3 = 1 x1 + 2 x2 + 4 x3 = 3 2 x1 + 3 x2 3 x3 = 5x2 + 7x3 = 3 x2 + 7 x3 = 1 2 x1 + 3 x2 3 x3 = x2 + 7 x3 = 1 5x2 + 7x3 = 3 2 x1 + 3 x2 3 x3 = x2 + 7 x3 = 1 . 28x3 = 8 y
E1 E2
E2 2E1 + E2 E3 E1 + E3
E2 E3
E3 5E2 + E3 2 Entonces x3 = , 7
2 x2 = 7x3 1 = 7( ) 1 = 1 7
2 1 x1 = 3x2 + 3x3 + 2 = 3(1) + 3( ) + 2 = . 7 7 As , la soluci on del sistema es 1/7 1 . 2/7
DE S.E.L 1.2. SOLUCION Ejemplo. Resolvamos el sistema x1 + 2x1 + 2x1 + 3x1 + x1 En efecto, x1 2x1 2x1 3x1 x1 E2 E3 E4 E5 2E1 + E2 2E1 + E3 3E1 + E4 E1 + E5 + 2 x2 + 0 x2 + 2 x2 + x2 x2 + + + + + + + + + + 0 x3 4 x3 6 x3 7 x3 x3 0 x3 4 x3 6 x3 7 x3 x3 = = = = = = = = = = = = = = = = = = = = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 . 0 0
2 x2 0 x2 2 x2 x2 x2
+ + + + +
0 x3 4 x3 6 x3 7 x3 x3
= = = = =
0 0 0 . 0 0
x1 + 2 x2 4x2 6x2 7x2 x2 x1 + 2 x2 x2 6x2 7x2 x2
E2 1 E 4 2
+ 0 x3 + x3 + 6 x3 + 7 x3 + x3
E3 6E2 + E3 E4 7E2 + E4 E5 E2 + E5
x1 + 2x2 + 0x3 x2 + x3 0 0 0
Luego, x3 = x3 , x2 = x3 y x1 = 2x2 = 2x3 . As , la soluci on del sistema es 2 2x3 x3 : x3 R = x3 1 : x3 R . x3 1
Ejemplo. Resolvamos el sistema x1 + x2 + x3 + x4 + x5 + x6 = 1 x1 x2 + x3 3x4 + 0x5 4x6 = 1 . x1 + x2 + 3x3 x4 + 3x5 3x6 = 5 En efecto, x1 + x 2 + x3 + x4 + x5 + x6 = 1 x1 x2 + x3 3x4 + 0x5 4x6 = 1 x1 + x2 + 3x3 x4 + 3x5 3x6 = 5 E2 E1 + E2 E3 E1 + E2 x1 + x2 + x1 + x2 + E3 E2 + E3 x3 + x4 + x5 + x6 = 1 2x3 2x4 + x5 3x6 = 2 2x3 2x4 + 2x5 4x6 = 4 x 3 + x4 + x5 + x6 = 1 2x3 2x4 + x5 3x6 = 2 . x5 x6 = 2
De donde, x6 = x6 , x5 = x6 + 2, x4 = x4 , 2x4 x5 + 3x6 + 2 2x4 (x6 + 2) + 3x6 + 2 = = x4 + x6 , 2 2
x3 = x2 = x2 y
x1 = x2 x3 x4 x5 x6 + 1 = x2 (x4 + x6 ) x4 (x6 + 2) x6 + 1 = x2 2x4 3x6 1. Luego la soluci on del sistema es
DE S.E.L 1.2. SOLUCION
x2 2x4 3x6 1 x2 x4 + x6 x4 x6 + 2 x6
: x2 , x 4 , x 6 R
1 3 2 1 0 0 0 1 0 1 1 0 . : x , x , x R + + x + x = x2 2 4 6 6 4 0 0 1 0 0 1 2 0 0 1 0 0 Para hallar una soluci on particular del sistema tenemos que dar valores espec cos a x2 , x4 y x6 . Por ejemplo, si x2 = 1, x4 = 1 y x6 = 2, tenemos entonces que
1 1 0 0 0 0
2 0 1 1 0 0
+ 2
3 0 1 0 1 1
1 0 0 0 2 0
6 1 1 1 4 2
es una de las innitas soluciones del sistema. Ejemplo. Resolvamos el sistema x1 x2 5 x3 = 0 2x1 + 2x2 2x3 = 1 . 3x1 + 4x2 x3 = 1
10
En efecto, x1 x2 5x3 = 0 2x1 + 2x2 2x3 = 1 3 x1 + 4 x2 x3 = 1 E2 2E1 + E2 E3 3E1 + E3 x1 x1 E3 (7/4)E2 + E3 x2 5x3 = 0 4x2 + 8x3 = 1 7x2 + 14x3 = 1 x2 5x3 = 0 4x2 + 8x3 = 1 . 0 = 3/4
La tercera igualdad anterior es contradictoria, esto implica que el sistema que deseamos resolver no tiene soluci on.
1.3.
Ejercicios
3x1 + 2x2 2x3 + 5x4 2x1 4x2 3x3 2x1 + 6x2 4x1 x1 4x2 + 5x3 7x4 x2 + 2 x3 + 3 x4 3x3 3x4 5 x4 = = = =
1. Resolver los siguientes sistemas de ecuaciones lineales: = = = = 1 0 . 3 8
7 2 . 4 2
2. Resolver los siguientes sistemas de ecuaciones 3x1 + 2x1 + x2 + x3 = 1 x1 + x1 + 3 x2 + x3 = 1 , 2x1 + 2x1 + x2 + 5x3 = 3 0x1 +
lineales: 2 x2 x2 3 x2 3 x2 + x3 + 3 x3 + x3 + 0 x3 + + + 4 x4 2x4 0 x4 2 x4 = 1 = 1 . = 2 = 2
1.3. EJERCICIOS
11
3. Resolver x1 2x1 + 3x1 4x 1 5x1 +
los siguientes sistemas de ecuaciones lineales: x2 2 x2 3 x2 3 x2 0 x2 = 1 = 6 = 6 , = 5 = 10 5x1 + 2x2 + 2x3 + x4 2x5 3x6 = 0 x1 + 3 x2 + x3 + 0 x4 x5 x6 = 0 . x1 + 2x2 + 4x3 + x4 x5 4x6 = 0
4. Resolver los siguientes sistemas de ecuaciones lineales: 2x1 + x2 + 0x3 = 2 x1 + 2 x2 x3 = 0 , 2x1 + 0x2 + 2x3 = 3 3x1 + 2x2 + x3 = 4 3x1 + x2 + 7x3 + 3x4 + 2x5 = 1 x1 + 4x2 5x3 10x4 3x5 = 2 . 2x1 + 2x2 + 2x3 2x4 + 0x5 = 5 5. Un sistema de n ecuaciones lineales y n inc ognitas a11 x1 + a12 x2 + + a1n xn a22 x2 + + a2n xn ann xn de la forma = b1 = b2 , . . . = bn
donde no todos los aii son cero, es llamado triangular superior. Construya un algoritmo que calcule la soluci on u nica de este tipo de sistemas. 6. Considere el sistema 2x1 x2 + 3x3 = a 3x1 + x2 5x3 = b . 5x1 5x2 + 21x3 = c Encuentre condiciones sobre a, b y c para que el sistema sea consistente.
12
7. Considere el sistema 2x1 + 3x2 x3 = a x1 x2 + 3 x3 = b . 3x1 + 7x2 5x3 = c Encuentre condiciones sobre a, b y c para que el sistema sea inconsistente. 8. Considere el sistema 2x1 3x2 + 5x3 = 0 x1 + 7 x2 x3 = 0 . 4x1 11x2 + kx3 = 0 para qu e valor de k , el sistema tendr a soluciones no triviales ?
Cap tulo 2 Matrices

El objetivo de este cap tulo es el de estudiar las propiedades b asicas de las principales operaciones algebraicas realizadas con matrices.
2.1.
Matrices
Las matrices son una herramienta fundamental para la sistematizaci on de algunos c alculos laboriosos y almacenamiento de datos. Adem as, facilitan la modelaci on de fen omenos complicados existentes en matem aticas y en otras areas del conocimiento. Denici on. Una Matriz m n con componentes en R, es un arreglo rectangular ordenado de la forma a11 a12 a1n a21 a22 a2n A= . (2.1) , . . . . . . . . . . . am1 am2 amn donde aij R para i = 1, ..., m y j = 1, ...., n. La la i de A es Ai = [ai1 ain ] y la columna j de A es a1j . Aj = . . . amj 13
14
CAP ITULO 2. MATRICES
La componente i,j de A es el elemento de R que se encuentra en la intersecci on de la la i con la columna j de A. La componente i,j de A se denotar a por aij o por Aij . El tama no de A es m n y el conjunto de todas las matrices m n con componentes en R se denotar a por Rmn . La expresi on (2.1) se puede compactar como A = [aij ] Rmn . Si A Rnn , se dice que A es una matriz cuadrada de orden n. Ejemplo. Una matriz general 2 4 es A= Ejemplo. Si a11 a12 a13 a14 a21 a22 a23 a24 .
1 1 2 0 5 6 A= 3 4 2 5 5 8
3
entonces, el tama no de A es 4 3, la componente 2, 3 de A es A2 la 3 de A es A3 = 3 4 2 y la columna 2 de A es 1 5 A2 = 4 . 5
= 6, la
Denici on. Dos matrices A, B Rmn son iguales si Aij = Bij para toda i = 1, ..., m y j = 1, ..., n.
2.2.
Suma de matrices
Denici on. Si A, B Rmn , denimos la suma de A y B como la matriz A + B Rmn tal que (A + B)ij = Aij + Bij para toda i = 1, ..., m y j = 1, ..., n.
2.3. PRODUCTO POR ESCALAR Ejemplo. 1 4 1 3 2 1 0 4 + 5 4 = 5 8 . 2 3 1 6 3 9
15
Teorema 2.1. Sean A, B, C Rmn . Entonces 1. (A + B) + C = A + (B + C). 2. A + B = B + A. 3. Existe una u nica matriz 0 Rmn tal que A + 0 = A para toda A Rmn . 4. Para cada matriz A Rmn existe una u nica matriz A Rmn tal que A + (A) = 0. Demostraci on. Ejercicio.
2.3.
Producto por escalar
Denici on. Si A Rmn y c R, denimos el producto de c por A como la matriz cA Rmn tal que (cA)ij = cAij para toda i = 1, ..., m y j = 1, ..., n. Este producto se conoce como producto por escalar. Ejemplo. 0 3 2 0 9 6 5 6 = 3/2 15 18 . 3 1/2 6 3 8 18 9 24
Teorema 2.2. Sean A, B Rmn y a, b R. Entonces 1. (ab)A = a(bA).
16
2. a(A + B) = aA + aB. 3. (a + b)A = aA + bA. 4. 1A = A. 5. (1)A = A. 6. 0A = 0. 7. a0 = 0. Demostraci on. Ejercicio. Ejemplo. Si 1 2 0 0 1 1 A = 1 0 , B = 1 1 , C = 1 1 R32 , 3 1 2 2 1 1 entonces 3 6 0 0 1 1 3A + 2B C = 3 0 + 2 2 + 1 1 9 3 4 4 1 1 2 5 = 2 1 . 6 6
2.4. PRODUCTO DE MATRICES
17
2.4.
2.4.1.
Producto de matrices
Producto de matrices
Denici on. Sean A = [aij ] Rmn y B = [bij ] Rnp . Se dene el producto de Ai y Bj como a1j . Ai Bj = [ai1 ain ] . . = ai1 a1j + + ain anj R. anj Ejemplo. Si A= entonces A2 B4 = 4 5 6 1 3 = (4)(1) + (5)(3) + (6)(2) = 7. 2 1 2 3 4 5 6 2 3 4 1 3 , yB= 5 1 0 7 5 2 2
Denici on. Sean A = [aij ] Rmn y B = [bij ] Rnp . Se dene el producto de A y B como la matriz AB Rmp tal que (AB)ij = Ai Bj = ai1 b1j + + ain bnj . Ejemplo. 1 2 4 2 0 1 4 11 3 0 2 3 1 1 0 . = 10 5 1 2 5 3 6 16 17 2 3 N otese que para que el producto AB tenga sentido se requiere que el n umero de columnas de A sea igual al n umero de las de B. En el evento en que esta condici on no se de, el producto de A por B no se puede realizar.
18
Respecto a la conmutatividad del producto de matrices podemos decir un par de cosas: primero, si AB est a denido y el n umero de las de A es igual al n umero de columnas de B, entonces BA tambi en est a denido, pero si el n umero de las de A es distinto del n umero columnas de A se tiene que AB y BA tienen tama nos distintos y por tanto nunca podr an ser iguales. Segundo, si AB y BA est an denidos y son del mismo tama no, esto no es suciente para concluir que AB = BA. Ejemplo, 1 7 12 2 3 1 7 4 8 1 2 1 1 1 3 2 0 3 = 3 0 5 = 8 4 5 2 3 5 2 0 1 1 1 1 5 7 3 2 3 1 1 2 1 = 2 0 3 1 1 3 . 1 1 1 2 0 1 Si A = [aij ] Rmn y B = [bij ] Rnp tenemos: Ai B = ai1 B1 + + ain Bn , ABj = A1 b1j + + An bnj , AB = [AB1 ABp ] , A1 B . . AB = . Am B y AB = A1 B1 + A2 B2 + + An Bn . La demostraci on y ejemplicaci on de estas propiedades se deja como ejercicio. Teorema 2.3. Sean A Rmn y B, C Rnp . Entonces A(B + C) = AB + AC.
2.4. PRODUCTO DE MATRICES Demostraci on . (A(B + C))ij = Ai (B + C)j = Ai (Bj + Cj ) = Ai Bj + Ai Bj = (AB)ij + (AC)ij = (AB + AC)ij . Teorema 2.4. Sean A, B Rmn y C Rnp . Entonces (A + B)C = AC + BC. Demostraci on. Ejercicio. Teorema 2.5. Sean A Rmn , B Rnp y C Rpq . Entonces A(BC) = (AB)C. Demostraci on . (A(BC))ij = Ai (BC)j = Ai (C1j B1 + + Cnj Bn )
19
= C1j Ai B1 + + Cnj Ai Bn = C1j (AB)i1 + + Cnj (AB)in = (AB)i Cj = ((AB)C)ij . Denici on. La matriz In de Rnn tal que (In )ij = 1 si i = j 0 si i = j
es llamada matriz identidad. El s mbolo ei se usar a exclusivamente para representar a la columna i de In . Teorema 2.6. Sea A Rmn . Entonces AIn = A Demostraci on. Ejercicio. e Im A = A.
20
Teorema 2.7. Sea A Rmn . Entonces A(In )j = Aj Demostraci on. Ejercicio. Para una matriz A Rnn se denen las potencias enteras no negativas de A como: A 0 = In y para k entero positivo Ak = AA A . k veces La ley asociativa garantiza que no hay diferencia en el resultado cuando agrupamos de diferentes maneras por potencias en un producto de la forma AA A. Por ejemplo, A5 = AAAAA = AA4 = A4 A = A2 A3 = A3 A2 . As , las leyes usuales de los exponentes son ciertas. Es decir, para enteros no negativos r y s Ar As = Ar+s y (Ar )s = Ars . e (Im )i A = Ai .
Teorema 2.8. El producto realizable, en cualquier orden, de una matriz por una matriz nula es una matriz nula. Demostraci on. Ejercicio. A diferencia de la multiplicaci on en R, donde la multiplicaci on de dos escalares no nulos da como resultado un escalar no nulo, en el contexto del producto de matrices puede ocurrir que el producto de dos matrices no nulas sea una matriz nula. Por ejemplo, 3 1 2 3 6 9 0 0 0 6 2 4 1 2 3 = 0 0 0 . 3 1 2 4 8 12 0 0 0
2.4. PRODUCTO DE MATRICES
21
2.4.2.
Operaciones elementales de la y producto de matrices
Denici on. Sean A Rmn y c R. Las operaciones elementales de las son : Tipo 1. Intercambio de dos las : Fi Fj . Tipo 2. Multiplicar una la por un n umero no cero : Fi cFi . Tipo 3. Sumar a una la un multiplo de otra : Fi Fi + cFj . Las operaciones elementales de columnas son : Tipo 1. Intercambio de dos columnas : Ci Cj . Tipo 2. Multiplicar una columna por un n umero no cero : Ci c Ci . Tipo 3. Sumar a una columna un multiplo de otra : Ci Ci + c Cj . Ejemplo. Sea 1 2 3 4 2 R34 . A = 1 0 3 2 2 0 3 2 2 0 3 1 0 3 2 , 1 2 3 4 1 2 3 4 3 0 9 6 , 2 2 0 3
Entonces
1 2 3 4 1 0 3 2 F1 F3 2 2 0 3 1 2 3 4 1 0 3 2 F2 3F2 2 2 0 3
1 2 3 4 1 2 3 4 1 0 3 2 F3 F3 + (2)F2 1 0 3 2 . 2 2 0 3 4 2 6 7
22
Denici on. Una matriz elemental en Rnn es cualquier matriz que resulta de realizar una sola operaci on elemental de la o una sola operaci on elemental de columna a In . Ejemplo. La matriz 1 0 0 E = 0 1 0 R33 0 3 1 I3 F3 F3 + 3F2 E. Teorema 2.9. Sean A Rmn , c R {0} y E1 , E2 , E3 tales que Im Fi Fj E1 , Im Fi cFi E2 , Im Fi Fi + cFj E3 . Entonces 1. A Fi Fj E1 A. 2. A Fi cFi E2 A. 3. A Fi Fi + cFj E3 A. Demostraci on. Ejercicio. Ejemplo. Si 1 2 2 A = 3 1 2 R33 , 2 3 1 A F1 F1 + 2F2 7 4 6 1 2 0 3 1 2 = 0 1 0 A. 2 3 1 0 3 1
es elemental, ya que
entonces
2.5. TRASPUESTA Y TRAZA DE UNA MATRIZ Donde I3 F1 F1 + 2F2 1 2 0 0 1 0 . 0 3 1
23
2.5.
2.5.1.
Traspuesta y traza de una matriz

Traspuesta de una matriz
Denici on. Si A Rmn , se dene la traspuesta de A como la matriz AT Rnm , tal que (AT )ij = Aji para i = 1, ..., n y j = 1, ..., m. Ejemplo. Si 1 2 A = 3 5 R32 , entonces AT = 7 9
1 3 7 2 5 9
R23 .
Teorema 2.10. Sean A, B Rmn y c R. Entonces 1. (AT )T = A. 2. (A + B)T = AT + BT . 3. (cA)T = cAT . Demostraci on. Ejercicio. Deniciones. Una matriz A Rnn es sim etrica si AT = A y A es T antisim etrica si A = A .
2.5.2.
Traza de una matriz
Denici on. Sea A Rmn . La diagonal principal de A es la diagonal de A constituida por todos los elementos Aii .
24
Denici on. Sea A Rnn . La traza de A se dene como tr(A) = A11 + + Ann . Teorema 2.11. Sean A, B, P Rnn y c R. Entonces 1. tr(A + B) = tr(A) + tr(B). 2. tr(cA) = c tr(A). 3. tr(AB) = tr(BA). 4. tr(A) = tr(AT ).
2 2 2 5. tr(AT A) = a2 11 + + a1n + + an1 + + ann .
Demostraci on. Ejercicico.
2.6.
Determinante de una matriz
En esta secci on presentaremos las principales propiedades del determinante de una matriz y aplicaremos esas propiedades en su c alculo. En esta secci on el s mbolo Jn representar a siempre al conjunto {1, ..., n}.
2.6.1.
Permutaciones
Denici on. Una permutaci on de Jn es una biyecci on de Jn en Jn . Una permutaci on de Jn se acostumbra a representar por = 1 2 (1) (2) n (n)
2.6. DETERMINANTE DE UNA MATRIZ o por la notaci on m as compacta = (1) (2) (n) .
25
El conjunto de todas las permutaciones de Jn se denotar a por Sn . No es dif cil probar que Sn tiene exactamente n! elementos, donde n! = n(n 1) (2)(1). Denici on. Sea = ( (1) (2) (n)) una permutaci on de Jn . Se dene el signo de como + si el n umero m nimo de intercambios de elementos consecutivos que se le pueden realizar a la lista (1) (2) (n) para convertirla en 1 2 n es un n umero par. En caso distinto tiene signo . Denotaremos el signo de por sgn( ). Ejemplo. Hallemos el signo de cada permutaci on en S3 . Si 1 = (1 2 3), entonces sgn(1 ) = + Si 2 = (1 3 2), entonces sgn(2 ) = Si 3 = (2 1 3), entonces sgn(2 ) = Si 4 = (2 3 1), entonces sgn(4 ) = + Si 5 = (3 1 2), entonces sgn(5 ) = + Si 6 = (3 2 1), entonces sgn(6 ) = .
2.6.2.
Determinante de una matriz

det(A) =
Sn
Denici on. Sea A = [aij ] Rnn . Se dene el determinante de A como sgn( ) a1(1) a2(2) an(n) . (2.2)
26
Ejemplo. Hallemos el determinante de A = [aij ] R33 . Como signo de (1 2 3), (2 3 1) y (3 1 2) es + y signo de (1 3 2), (2 1 3) y (3 2 1) es . Entonces det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a11 a23 a32 a12 a21 a33 a13 a22 a31 . En particular, si 1 2 3 A= 4 5 6 7 8 9
tenemos que det(A) = (1)(5)(9) + (2)(6)(7) + (3)(4)(8) (1)(6)(8) (2)(4)(9) (3)(5)(7) = 45 + 84 + 96 48 72 105 = 0. Teorema 2.12. Sea A Rnn tal que A tiene una la o una columna nula. Entonces det(A) = 0. Demostraci on. Ejercicio. Denici on. Una matriz T = [tij ] Rmn es triangular superior si tij = 0 siempre que i > j y es triangular inferior si tij = 0 siempre que i < j . T es triangular si es triangular superior o bien triangular inferior. T es diagonal si es, al mismo tiempo, triangular superior e inferior. Una matriz diagonal D = [dij ] Rmn se representar a algunas veces por el s mbolo diag(d11 , ..., dtt ), donde t es el m nimo entre m y n. N otese que si A = [aij ] Rnn y Sn , entonces en la lista a1(1) , ..., an(n) hay exactamente un elemento de cada la y cada columna de A. Este hecho implica que el determinante de una matriz triangular n n sea f acil de calcular.
2.6. DETERMINANTE DE UNA MATRIZ Teorema 2.13. Sea T Rnn triangular. Entonces
n
27
det(T) =
i=1
Tii .
Demostraci on. Ejercicio. Como un caso especial tenemos, que por ser In una matriz triangular, det(In ) = 1 1 = 1. Ejemplo. Por ser triangular superior, el determinante de la matriz 1 2 0 T= 0 2 1 0 0 4 es igual a (T)11 (T)22 (T)33 = (1)(2)(4) = 8. Teorema 2.14. Sea A Rnn . Entonces det(A) = det(AT ). Demostraci on. Ejercicio. A continuaci on dedicaremos un espacio a estudiar la relaci on existente entre el determinante de una matriz y las operaciones elementales de la. Teorema 2.15. Sean A, B Rnn tales que A Fi Fj B. Entonces det(A) = det(B). Demostraci on. Ejercicio. Teorema 2.16. Sean A, B Rnn tales que A Fi cFi B para cierto c R. Entonces det(B) = c det(A).
28
Demostraci on. Ejercicio. Teorema 2.17. Sean A Rnn , i, j {1, ..., n} con i = j , c R y A Fi Fi + cFj B. Entonces det(A) = det(B). Demostraci on. Ejercicio. Veamos otras propiedades importantes del determinante. Teorema 2.18. Sea A Rnn tal que su la i es igual a su la j . Entonces det(A) = 0. Demostraci on. Ejercicio. Teorema 2.19. Sean A, B Rnn . Entonces det(AB) = det(A) det(B). Demostraci on. Ejercicio. Una combinaci on de los Teoremas 2.13, 2.15, 2.16 y 2.17, nos permitir a calcular el determinante de cualquier matriz de una manera bastante sencilla. En el siguiente ejemplo damos una peque na muestra de este hecho. Ejemplo. Calcule el determinante de 2 A= 2 3 Por Teorema 2.16 la matriz 2 6 2 4 . 4 6
2 2 6 1 1 3 det 2 2 4 = 2 det 2 2 4 , 3 4 6 3 4 6 del Teorema 2.17 1 3 1 1 3 2 4 = det 0 0 2 , 4 6 0 1 3
por aplicaci on reiterada 1 2 det 3
2.6. DETERMINANTE DE UNA MATRIZ por Teorema 2.15 1 1 3 1 1 3 2 = det 0 1 3 det 0 0 0 1 3 0 0 2 1 1 3 3 = (1)(1)(2). det 0 1 0 0 2 det(A) = (2)(1)(1)(1)(2) = 4.
29
y por Teorema 2.13
Luego
El resultado que presentaremos a continuaci on nos muestra la linealidad del determinante respecto a las las de matrices. Teorema 2.19. Sean A Rnn y x1 , x2 , ..., xk Rn tales que
T T Ai = xT 1 + x2 + + xk .
Entonces
A1 A1 . . . . . . T T det(A) = det( x1 ) + det( x2 . . . . . . An An
A1 . . . ) + + det( xT k ). . . . An
Demostraci on. Ejercicio. N otese que si A = [aij ] Rnn tenemos

T T Ai = ai1 eT 1 + ai2 e2 + + ain en .
Entonces, por Teorema 2.19, A1 A1 . . . . . . T T det(A) = ai1 det( e1 ) + ai1 det( e2 . . . . . . An An
) + + ain
A1 . . . T det( en ). . . . An
30
Si A Rnn , el s mbolo A(i/j ) representar a la matriz n 1 n 1 que se obtiene al eliminar de A la la i y la columna j . El teorema que presentamos a continuaci on nos proporciona 2n f ormulas para calcular el determinante de una matriz n n. Teorema 2.20. Sea A = [aij ] Rnn . Entonces para i = 1, ..., n y j = 1, ..., n det(A) = ai1 (1)i+1 det(A(i/1)) + + ain (1)i+n det(A(i/n)). y det(A) = a1j (1)1+j det(A(1/j )) + + anj (1)n+j det(A(n/j )). Demostraci on. Ejercicio.
2.7.
Inversa de una matriz
Esta secci on est a dedicada al estudio de las principales propiedades de las matrices invertibles, a determinar cuando una matriz es invertible y al c alculo de la inversa de matrices invertibles. Denici on. Sea A Rmn una inversa a izquierda de A es una matriz B Rnm tal que BA = In . una inversa a derecha de A es una matriz C Rnm tal que AC = Im . Teorema 2.21. Sea A Rmn con inversa a izquierda B e inversa a derecha C. Entonces B = C. Demostraci on . B = BIm = B(AC) = (BA)C = In C = C. Denici on. Una matriz A Rnn es invertible si existe una matriz B Rnn tal que AB = In = BA. En tal caso B es una inversa de A.
2.7. INVERSA DE UNA MATRIZ
31
Teorema 2.22. Sea A Rnn invertible. Entonces A tiene a lo m as una inversa. Demostraci on. Supongamos que B y C son inversas de A, entonces en particular B es inversa a izquierda de A y C es inversa a derecha de A, luego por Teorema 2.21 B = C. Puesto que una matriz A Rnn puede tener a lo m as una inversa, es conveniente tener un s mbolo para representar la inversa de A cuando exista, el s mbolo que usaremos ser a A1 . Ejemplo. 2 A= 4 3 La matriz invertible 4 6 16 14 6 1 5 6 tiene como inversa a A1 = 26 22 12 . 6 1 2 11 10 6
Teorema 2.23. Si A, B Rnn son tales que AB = In . Entonces B = A1 . Demostraci on. Sea C = BA In + B. Entonces AC = ABA AIn + AB = A A + In = In . Luego, C es tambi en una inversa a derecha de A. Por Teorema 2.21 B = C, por tanto BA = C + In B = B + In B = In y as , B = A1 . Teorema 2.24. Si A, B Rnn son matrices invertibles, entonces AB es tambi en invertible. Demostraci on . AB(B1 A1 ) = A(BB1 )A1 = AIn A1 = AA1 = In . Adem as, (B1 A1 )AB = B1 (A1 A)B = B1 In B = B1 B = In .
32
Luego AB es invertible y (AB)1 = B1 A1 . El teorema que sigue da una condici on suciente y necesaria para que una matriz sea invertible. Teorema 2.25. Sea A Rnn . Entonces A es invertible si, y s olo si, det(A) = 0 (o equivalentemente, A es no invertible si, y s olo si, det(A) = 0). Demostraci on. Ejercicio. Teorema 2.26. Sea A Rnn invertible. Entonces det(A1 ) = (det(A))1 .
Demostraci on. Ejercicio. Teorema 2.27. Toda matriz elemental es invertible. A un m as, la inversa de una matriz elemental es una matriz elemental del mismo tipo. Es decir, si E es una matriz elemental de la de tipo 1, entonces E1 es una matriz elemental de la de tipo 1, etc. Demostraci on. Ejercicio. Teorema 2.28. Sea A Rnn tal que A tiene una columna nula. Entonces A no es invertible. Demostraci on. Ejercicio. Teorema 2.29. Sea A Rnn una matriz invertible. Entonces A se puede expresar como producto de matrices elementales la. Demostraci on. Ejercicio. Teorema 2.30. Sea A Rnn una matriz no invertible. Entonces A se puede expresar como producto de matrices elementales la por una matriz triangular.
2.7. INVERSA DE UNA MATRIZ Demostraci on. Ejercicio. Ejemplo. La matriz invertible 1 2 1 A = 1 0 2 3 1 1 sedeja expresar como el producto E1 E2 E7 E8 de matrices donde 1 0 0 1 0 0 1 0 E1 = 1 1 0 , E2 = 0 1 0 , E3 = 0 2 0 0 1 3 0 1 0 0 1 2 0 1 0 0 1 0 , E5 = 0 1 0 , E4 = 0 0 0 1 0 5 1 1 1 0 2 0 1 0 y E8 = 0 E7 = 0 0 1 0 1 0 = 0 1 0 0 0 3 . 2 1
33
elementales, 0 0 1 0 0
11 2
E6 0 1 0
El Teorema 2.32 nos garantiza que si A Rnn es invertible, entonces existen matrices elementales la E1 , ..., Ep tales que A = E1 Ep . Pero A = E1 Ep = = =
1 1 E p E1 A = In 1 1 A1 = E p E1 1 1 A1 = E p E 1 In
Concluimos de lo anterior que A1 se puede hallar realizando a In , de manera ordenada, las mismas operaciones elementales de la que se le realizan a A para convertirla en In .
34
Ejemplo. Hallemos la inversa de la matriz invertible 1 0 0 A = 1 2 0 . 3 0 1 En efecto, 1 0 0 1 0 0 1 0 0 1 0 0 1 2 0 0 1 0 F2 F2 + F1 0 2 0 1 1 0 3 0 1 0 0 1 3 0 1 0 0 1 1 0 0 1 0 0 1 1 0 F3 F3 3F1 0 2 0 0 0 1 3 0 1 1 0 0 1 0 0 1 1 1 0 . F2 F2 0 1 0 2 2 2 0 0 1 3 0 1 As , A1 1 0 0 1 1 0 . = 2 2 3 0 1
2.8.
Sistemas de ecuaciones lineales y matrices

a11 x1 + a12 x2 + + a1n x1 a21 x1 + a22 x2 + + a2n x1 = b1 = b2 . . .
Un sistema de ecuaciones lineales con coecientes en R
am1 x1 + am2 x2 + + amn x1 = bm , se puede expresar de forma matricial como Ax = b,
2.9. EJERCICIOS donde a11 a1n . . mn .. . A= . ,x= . . . R am1 amn x1 . n . . R yx= xn
35 b1 . m . . R . bm
Teorema 2.31. Sea A Rnn . Entonces A es invertible (resp. no invertible ) si, y s olo si, el sistema homog eneo de ecuaciones lineales Ax = 0 tiene s olo la soluci on trivial (resp. soluciones no triviales ). Demostraci on. Ejercicio. Teorema 2.32. Sea A Rnn . Entonces A es invertible (resp. no invertible ) si, y s olo si, para todo b Rn el sistema de ecuaciones lineales Ax = b tiene u nica soluci on (resp. innitas soluciones o no tiene soluci on ). Demostraci on. Ejercicio.
2.9.
Ejercicios
1 2 3 2 3 1 4 5 6 + 0 3 2 7 8 9 5 2 6
1. Calcule
2. Construya un algoritmo para la suma de matrices m n. 3. Calcule 3
2 3 4 1 0 5
4. Construya un algoritmo para la multiplicaci on de un escalar por una matriz m n. 5. Calcule 2 3 3 8 1 5 1 5 0 2 3 7 6 1 . 6 0 2 4
36
6. Construya un algoritmo para la multiplicaci on de una matriz m n por una matriz n p. 7. Halle el signo de todas las permutaciones en S4 . 8. Construya un algoritmo para calcular el determinantes de una matriz nn. 9. Utilice la f ormula (2.2) para hallar el determinante de A = [aij ] R44 . 10. Halle el determinante de la matriz 1 2 1 3 2 1 0 4 3 2 3 1 2 0 1 5
utilizando la f ormula obtenida en el Ejercicio 9 y despu es utilizando s olo los Teoremas 2.13, 2.15, 2.16 y 2.17. 11. Calcule el determinante de las 1 1 3 2 5 0 , 2 4 3 1 2 2 3 matrices 1 2 3 1 3 7 4 5 6 , 4 4 5 7 8 9 3 7 2 2 3 5 3 5 7 . 4 2 0 4 1 0
12. Sean A Rnn y c R. Demuestre que det(cA) = cn det(A). 13. Una matriz A Rnn es una matriz de bloques si tiene la forma A1 ... A= At
2.9. EJERCICIOS
37
con t > 1, Ai Rni ni para i = 1, ..., n, n1 + n2 + + nt = n, las diagonales principales de las Ai est an sobre la diagonal principal de A y las componentes de A que no est an en ninguna Ai son cero. Cada Ai se dice un bloque de A. Demuestre que
t
det(A) =
i=1
det(Ai ).
14. Si
verique que A1
3 6 7 A = 0 2 0 , 1 1 2 2 5/2 7 1/2 0 . = 0 1 3/2 3 matrices 4 0 y 2 3 1 1 . 0 2
15. Halle la inversa de las 1 2 3 1 1 0 A= 2 3 1 0 2 0
3 2 B= 0 1
4 2 3 5 4 7 4 2
16. Demuestre que si A Rnn es tal que tiene una la nula, entonces A es no invertible. 17. Demuestre que si A Rnn es invertible, entonces A1 es invertible y que (A1 )1 . 18. Sean c R {0} y A Rnn invertible. Demuestre que cA es invertible y que (cA)1 = c1 A1 . 19. Halle A y B matrices invertibles en R33 tales que A+B no sea invertible. 20. Sean A Rnn invertible y m un entero positivo. Demuestre que Am es invertible y que (Am )1 = (A1 )m .
38
21. Sea A Rnn invertible. Demuestre que AT es invertible y que (AT )1 = (A1 )T . 22. Demuestre que la inversa de una matriz triangular superior (respectivamente, triangular inferior o diagonal) n n invertible, es una matriz del mismo tipo. 23. Sean A, B Rnn matrices sim etricas. Demuestre que A + B es tambi en sim etrica. 24. Sean A, B Rnn matrices sim etricas. Demuestre que AB es sim etrica si, y s olo si AB = BA. 25. Sea A Rnn . Demuestre que si A es antisim etrica, entonces Aii = 0 para toda i. 26. Sea A Rnn . Demuestre que A + AT es sim etrica y que A AT es antisim etrica. Demuestre adem as que A puede escribirse de manera u nica como la suma de una matriz sim etrica y una matriz antisim etrica. 27. Escriba la matriz 2 3 4 2 1 0 3 2 1
como la suma de una matriz sim etrica y una matriz antisim etrica. 28. Sea A Rnn . Demuestre que si A es antihermitiana, entonces Aii es un n umero imaginario puro para toda i. 29. Demuestre que no existen matrices A, B Rnn tales que AB BA = In . Ayuda: piense en las trazas.
2.9. EJERCICIOS 30. Halle la traza de la matriz 1 2 1 2 . A = 2 3 1 0 5 31. Sean A Rnn y P Rnn invertible. Demuestre que tr(P1 AP) = tr(A). 32. Una matriz A Rnn es ortogonal si A es invertible y AT = A1 . Demuestre que las matrices 3/5 4/5 0 1 2 2 4/5 3/5 0 1 2 2 2 , 0 0 1 3 2 1 2 0 0 0 son ortogonales. 0 0 0 1 0 y 0 1 0 0 1 0 0 1
39
33. Sea A Rnn . Demuestre que A es ortogonal si, y s olo si, AT es ortogonal.
Cap tulo 3 Espacios vectoriales

En este cap tulo se denir an y analizar an los espacios vectoriales y algunos de los principales objetos matem aticos relacionados con estos.
3.1.
Espacios vectoriales
Denici on Un espacio vectorial sobre R consta de lo siguiente: 1. Un conjunto no vac o V de objetos llamados vectores. 2. Una operaci on llamada suma, que asigna a cada par de vectores x, y de V un vector x + y de V , llamado la suma de x y y tal que : (a) x + y = y + x x, y V . (b) x + (y + z) = (x + y) + z x, y, z V . (c) Existe un u nico vector 0 de V , llamado vector nulo, tal que x + 0 = x para todo x V . (d) Para cada x V , existe un u nico vector x V , tal que x + (x) = 0. 3. Una operaci on, llamada multiplicaci on por escalar, que asocia a cada escalar c R y cada vector x V un vector cx V , tal que: (e) 1x = x para todo x V . (f ) (c1 c2 )x = c1 (c2 x) para todo c1 , c2 R y todo x V . (g) c(x + y) = cx + cy para toda c R y todas las x, y V . (h) (c1 + c2 )x = c1 x + c2 y para todas las c1 , c2 R y toda x V . 40
3.1. ESPACIOS VECTORIALES
41
Notaci on. Si V es un espacio vectorial sobre R, algunas veces denotaremos este hecho por R V . Ejemplo. Rn con las operaciones + :
n Rn Rn R x1 y1 x1 + y 1 . . . . ( . . , . . ) . xn yn xn + y n
y :
n n R R R x1 cx1 . . (c, . . ) . . xn cxn
es un espacio vectorial sobre R. Ejemplo. Rmn con las operaciones + : Rmn Rmn Rmn (A, B) A + B y : R Rmn Rmn (c, A) cA es un espacio vectorial. Ejemplo. El conjunto, Pn , de todos los polinomios en la variable x, con coecientes en R y grado menor o igual a n, es un espacio vectorial sobre R con las operaciones: suma ordinaria de polinomios y producto por escalar denido como c(a0 + a1 x + + an xn ) = ca0 + ca1 x + + can xn para toda c R y todo a0 + a1 x + + an xn Pn .
42
CAP ITULO 3. ESPACIOS VECTORIALES
Ejemplo. Sea S un subconjuto no vac o de R. Si V es el conjunto formado por todas las funciones de S en R, entonces: Si f, g V se dene f + g como f + g : S R . s f (s) + g (s) Si f V y c R se dene cf como cf : S R . s cf (s) Entonces V junto las operaciones + : V V (f, g ) y : RV (c, f ) es un espacio vectorial. V , cf V f + g
3.2.
Subespacios
Denici on. Sea W un subconjunto no vac o de un espacio vectorial V sobre R. Si W es tambi en un espacio vectorial sobre R con la suma de vectores y multiplicaci on por escalar denidas en V y restringidas a W , entonces W es llamado un subespacio de V . Teorema 3.1. Un subconjunto no vac o W de un espacio vectorial R V es un subespacio de R V si, y s olo si, para todo x, y W y todo c R cx + y W . Demostraci on. Ejercicio. V y {0} son subespacios de V . Estos subespacios son llamados los subespacios triviales de V .
3.2. SUBESPACIOS
43
Denici on. Sean R V un espacio vectorial y S un subconjunto no vac o de V . Una combinaci on lineal de los vectores de S es cualquier vector x V que se deja expresar en la forma x = c1 x1 + + cr xr , donde los ci R, los xi S y r es un entero positivo. El conjunto de todas las combinaciones lineales de elementos de S se denotar a por gen(S ). Teorema 3.2. Sean R V un espacio vectorial y S un subconjunto no vac o de V . Entonces gen(S ) es un subespacio de V . Demostraci on. Ejercicio. gen(S ) es llamado el subespacio generado por S . Denici on. Sean U, W subespacios de un espacio vectorial R V . La suma de los subespacios U y W es el conjunto U + W = {x + y : x U y y W } . Teorema 3.3. Sean U, W subespacios de un espacio vectorial R V . Entonces U +W es un subespacio de V . Demostraci on. Ejercicio. La uni on de subespacios no es siempre un subespacio. Teorema 3.4. Sean X = {x1 , ..., xr } y Y = {y1 , ..., yt } subconjuntos de un espacio vectorial R V . Entonces gen(X Y ) = gen(X ) + gen(Y ). Demostraci on. Ejercicio.
44
3.3.
Independencia lineal
Denici on. Un conjunto de vectores S = {x1 , ..., xr } de un espacio vectorial R V es linealmente independiente cuando la u nica soluci on para los escalares ai en la ecuaci on homog enea a1 x1 + + ar xr = 0 es la soluci on trivial a1 = = ar = 0. Si S no es linealmente independiente se dir a linealmente dependiente. Ejemplo. El conjunto 1 0 1 1 , 0 , 0 R3 1 0 1 es linealmente independiente. Ejemplo. El conjunto 1 5 1 2 , 0 , 6 R3 1 2 7 es linealmente dependiente. Teorema 3.5. Sea S = {x1 , ..., xr } un conjunto linealmente independiente en un espacio vectorial R V . Entonces todo subconjunto no vac o de S es tambi en linealmente independiente. Demostraci on. Ejercicio. Teorema 3.6. Sea S = {x1 , ..., xr } un conjunto de un espacio vectorial R V . Si S contiene un subconjunto linealmente dependiente, entonces S es tambi en linealmente dependiente. Demostraci on. Ejercicio.
3.4. BASES Y DIMENSION
45
Teorema 3.7. Sean S = {x1 , ..., xr } un conjunto linealmente independiente en un espacio vectorial R V y x V gen(S ). Entonces S {x} es un conjunto linealmente independiente de V . Demostraci on. Ejercicio. Teorema 3.8. Sean S = {x1 , ..., xr } un subconjunto de un espacio vectorial olo si, cada vector de gen(S ) se R V . S es linealmente independiente si, y s deja escribir de manera u nica, salvo orden, como una conbinaci on lineal de vactores de S . Demostraci on. Ejercicio. Teorema 3.9. Sea S = {x1 , ..., xr } un subconjunto de un espacio vectorial olo si, alg un vector de S R V . Entonces S es linealmente dependiente si, y s es combinaci on lineal del resto de vectores de S . Demostraci on. Ejercicio.
3.4.
3.4.1.
Bases y dimensi on
Bases y dimensi on
Denici on. Un subconjunto de un espacio vectorial R V es una base para V si gen( ) = V y es linealmente independiente. Teorema 3.10. Sea = {x1 , ..., xn } una base de un espacio vectorial R V . Entonces cualquier conjunto con m as de n vectores es linealmente dependiente. Demostraci on. Ejercicio. Teorema 3.11. Sea = {x1 , ..., xn } una base de un espacio vectorial Entonces cualquier conjunto con menos de n vectores no genera a V .
R V.
46 Demostraci on. Ejercicio.
Teorema 3.12. Si un espacio vectorial R V tiene una base con n vectores, entonces toda base de V tiene esa misma cantidad de vectores. Demostraci on. Ejercicio. Deniciones. Un espacio vectorial R V se dice de dimensi on nita si tiene una base constituida por un n umero nito de vectores. La dimensi on de V , denotada por dim(V ), es el n umero de vectores de una base de V . La dimensi on del espacio vectorial {0}, se dene como cero. Un espacio vectorial que no tiene una base nita se dice que es de dimensi on innita. Teorema 3.13. Sea R V un espacio vectorial con dim(V ) = n. Entonces : 1. Cualquier conjunto linealmente independiente en V tiene a lo m as n vectores. 2. Cual quier subconjunto de V que genere a V tiene al menos n elementos. 3. Cualquier subconjunto linealmente independiente de V con n elementos es una base de V . 4. Cualquier subconjunto de V que tenga n elementos y genere a V es una base de V . 5. Cualquier subconjunto linealmente independiente de V puede ser extendido a una base de V . 6. Cualquier subconjunto de V que genere a V puede ser reducido a una base de V . Demostraci on. Ejercicio. Teorema 3.14. Sean R V un espacio vectorian de dimensi on n y W un subespacio de V . Entonces dim(W ) dim(V ) y dim(W ) = dim(V ) si, y
3.4. BASES Y DIMENSION s olo si, W = V . Demostraci on. Ejercicio.
47
3.4.2.
Vectores de coordenadas
Denici on. Sean = {x1 , ..., xn } una base ordenada de un espacio vectorial V y x V . Los coecientes ai en la expresi on R x = a1 x1 + + an xn son llamados coordenadas de x respecto a . Adem as, el vector a1 . n [x] = . . R an es llamado el vector de coordenadas de x respecto a . Teorema 3.15. Sean = {x1 , ..., xn } una base ordenada de un espacio vectorial R V , x, y V y c R. Entonces [cx + y] = c [x] + [y] . Demostraci on Ejercicio. Teorema 3.16. Sean = {x1 , ..., xn } una base ordenada de un espacio vectorial R V y y1 , ..., yt vectores de V . Entonces {y1 , ..., yt } es linealmente independiente en V si, y s olo si, [y1 ] , ..., [yt ] es linealmente indepenn diente en R . Demostraci on. Ejercicio. Teorema 3.17. Sean 1 = {x1 , ..., xn } y 2 = {y1 , ..., yn } bases de un espacio vectorial R V . Entonces la matriz invertible P = [x1 ]2 [xn ]2 Rnn
48
es la u nica matriz que tiene la propiedad P [x]1 = [x]2 x V .
Adem as, P1 es la u nica matriz con la propiedad P1 [x]2 = [x]1 Demostraci on. Ejercicio. Denici on. La matriz P en el Teorema 3.17 se conoce como la matriz de cambio de la base 1 a la base 2 . Teorema 3.18. Sean 1 = {x1 , ..., xn }, 2 = {y1 , ..., yn } y 3 = {z1 , ..., zn } bases para un espacio vectorial R V . Si P es la matriz de cambio de base de 1 a 2 y Q es la matriz de cambio de base de 2 a 3 , entonces QP es la matriz de cambio de base de 1 a 3 . Demostraci on. Ejercicio. x V .
3.5.
Espacios vectoriales y matrices
En esta secci on presentaremos algunos resultados fundamentales que relacionan las matrices con los espacios vectoriales.
3.5.1.
Los cuatro subespacios fundamentales

R(A) = {Ax : x Rn }
Teorema - denici on 3.19. Sea A Rmn . Entonces
es un subespacio de Rm . Este subespacio se denomina el espacio columna de A. El espacio la de A es el espacio columna de AT . Naturalmente, el espacio la de A se denotar a por R(AT ). Demostraci on Ejercicio.
3.5. ESPACIOS VECTORIALES Y MATRICES Teorema 3.20. Sean A, B Rmn . Entonces:
49
1. R(A) = R(B) si, y s olo si, B se puede obtener al realizar un n umero nito de operaciones elementales de columna a A. 2. R(AT ) = R(BT ) si, y s olo si, B se puede obtener al realizar un n umero nito de operaciones elementales de la a A. Demostraci on Ejercicio. Teorema - Denici on 3.21. Sea A Rmn . Entonces N (A) = {x Rn : Ax = 0} es un subespacio de Rn . Este subespacio se conoce como el espacio nulo de A y N (AT ) es llamado el espacio nulo izquierdo de A. La nulidad de A es la dimensi on del espacio nulo de A. Demostraci on. Ejercicio. Teorema 3.22. Sean A, B Rmn . Entonces: 1. N (A) = N (B) si, y s olo si, B se puede obtener al realizar un n umero nito de operaciones elementales de la a A. 2. N (AT ) = N (BT ) si, y s olo si, B se puede obtener al realizar un n umero nito de operaciones elementales de columna a A. Demostraci on Ejercicio.
3.5.2.
Rango de una matriz

rk(A) = dim(gen {A1 , ..., An }) = dim(R(A)).
Denici on. Sea A Rmn . El rango de A se dene como
50 Ejemplo.
CAP ITULO 3. ESPACIOS VECTORIALES 1 3 2 1 rk( 2 0 1 5 ) = 2. 1 1 1 2
Teorema 3.23. Sea A Rnn . Entonces A es invertible si, y s olo si, rk(A) = n. Demostraci on. Ejercicio. Teorema 3.24. Sea A Rmn . Entonces rk(A) = rk(AT ) Demostraci on. Ejercicio. Del Teorema anterior y de la denici on de rango de una matriz podemos mn concluir que: si A R , entonces
T rk(A) = dim(gen {A1 , ..., An }) = dim(gen AT 1 , ..., Am ).
N otese que los subespacios en cuesti on tienen la misma dimensi on, pero el primero es subespacio de Rm y el segundo de Rn . Teorema 3.25. Sea A Rmn . Entonces rk(A) min{m, n}. Demostraci on. Ejercicio. Teorema 3.26. Sean A Rmn , B Rnp . Entonces rk(AB) rk(A).
Demostraci on. Ejercicio. Teorema 3.27. Sean A Rmn y P Rnn invertible. Entonces rk(A) = rk(PA).
3.5. ESPACIOS VECTORIALES Y MATRICES
51
Demostraci on. Ejercicio. Teorema 3.28. Sean A Rmn y P Rmm invertible. Entonces rk(A) = rk(AP). Demostraci on. Ejercicio. Teorema 3.29. Sean A Rmn , P Rmm invertible y Q Rnn invertible. Entonces rk(A) = rk(PAQ). Demostraci on. Ejercicio. Teorema 3.30. Sean A Rmn con rk(A) = r > 0. Entonces existen matrices B Rmr y L Rrn ambas de rango r tales que A = BL Demostraci on. Supongamos que las columnas i1 , ..., ir de A forman un conjunto linealmente independiente, entonces una matriz E Rnn que se obtiene al reordenar las las de In de tal manera que tenga como primeras las a (In )i1 , ..., (In )ir es tal que AE tiene las mismas columnas de A, con la seguridad de que las primeras r columnas de AE forman un conjunto linealmente independiente. Sea B = [Ai1 Air ] Rmr , entonces las columnas r + 1, ..., n de AE son combinaciones lineales de las columnas de B, por esto existen ar+1 , ..., an en Rr tales que (AE)r+1 = Bar+1 , ..., (AE)n = Ban . Luego AE = [Be1 Ber Bar+1 Ban ] = B [e1 er ar+1 an ] y por tanto A = BL, donde L = [e1 er ar+1 an ] E1 Rrn . N otese que rk(B) = rk(L) = r.
52
3.6.
Ejercicios
1 1 1 1 gen 2 , 0 , 2 , 4 = R3 . 1 1 1 3
1. Demuestre que
2. Determine si R3 est a generado por los vectores 0 3 1 1 1 , 0 , 1 , 2 . 2 5 3 2 3. Determine cu ales de los vectores 3 1 1 0 15 , 1 6 0 est an en
1 1 , 1 0
1 2 1 1 8 3 gen 5 , 0 , 5 . 2 1 3 x y z
4. Exprese el vector general
como combinaci on lineal de los vectores 1 1 1 2 , 0 , 2 . 1 1 1
3.6. EJERCICIOS
53
5. Demuestre que el espacio de los polinomios de grado menor que 3 en la variable x y coecientes en R est a generado por 2, 3 + x, 2 x2 y tambi en por 1, 2 + 2x, 1 x + x2 , 2 x2 , pero no por 1 + x, x + x2 . 6. Demuestre que si el conjunto {x1 , x2 , x3 } es linealmente independiente en un espacio vectorial R V . Entonces {x1 + x2 , x2 + x3 , x1 + x3 } es tambi en un conjunto linealmente independiente. 7. Demuestre que el conjunto 1 1 1 1 2 , 0 , 2 , 4 1 1 1 3 es linealmente dependiente en R3 . 8. Demuestre que el conjuto S = 1, 2 + 2x, 1 x + x2 , 2 x2 es linealmente dependiente y determine los subconjuntos de S con 3 elementos que sean linealmente independientes. 9. Determine cu ales de las siguientes matrices no pueden escribirse como combinaci on lineal de las dem as. 1 1 1 2 , 1 2 3 1 , 2 3 3 2 , 1 1 1 6 .
10. Sea A Rnn . Demuestre que A es invertible si, y s olo si, las columnas de A forman un conjunto linealmente independiente. 11. Sean P Rnn invertible y {x1 , ..., xt } un conjunto linealmente independiente en Rn . Demuestre que {Px1 , ..., Pxt } es linealmente independiente en Rn .
Cap tulo 4 Transformaciones lineales

En este cap tulo introduciremos las transformaciones lineales, que es un tipo especial de funciones entre espacios vectoriales. Mediante estas funciones podemos decidir si dos espacios vectoriales comparten ciertas propiedades algebraicas.
4.1.
Transformaciones lineales
Denici on. Sean V y W espacios vectoriales sobre R. Una transformaci on lineal de V en W es una funci on de V en W tal que T (cx + y) = cT (x) + T (y) para todos los vectores de y todo escalar de R. Ejemplos. Sean V y W espacios vectoriales sobre R. Entonces las siguientes son transformaciones lineales T : V V , x x T : V W . x 0 Estas transformaciones son llamadas transformaci on identidad y transformaci on cero, respectivamente.
54
4.1. TRANSFORMACIONES LINEALES Ejemplos. Sea A Rmn . Entonces T : Rn Rm x Ax es una transformaci on lineal.
55
Teorema 4.1. Sean V, W espacios vectoriales sobre R y T de V en W una transformaci on lineal. Entonces: 1. T (0) = 0. 2. T (x) = T (x). Demostraci on. Ejercicio. Denici on. Si T : U V y S : V W son transformaciones lineales, entonces la composici on de S con T es la funci on S T : U W denida por (S T )(x) = S (T (x)) x U . Teorema 4.2. Sean U, V, W espacios vectoriales sobre R y T : U V y S : V W transformaciones lineales. Entonces S T : U W es una transformaci on lineal. Demostraci on. Ejercicio. Teorema 4.3. Sean V, W espacios vectoriales sobre R y T de V en W una transformaci on lineal. Entonces: 1. Im(T ) es un subespacio de W . La dimensi on de Im(T ) se acostumbra a llamar rango de T (rango (T )). 2. {x V : T (x) = 0} es un subespacio de V . Este subespacio es llamado el espacio nulo de T y su dimensi on se conoce como la nulidad de T (nulidad (T )).
56
CAP ITULO 4. TRANSFORMACIONES LINEALES
Demostraci on. Ejercicio. Teorema 4.4. Sean V un espacio vectorial de dimensi on nita sobre R, W un espacio vectorial sobre R, {x1 , ..., xn } una base de V y y1 , ..., yn vectores de W . Entonces existe una u nica transformaci on lineal T de V en W tal que T (xi ) = yi para toda i.
Demostraci on. Ejercicio. Ejemplo. La u nica transformaci on lineal T de R3 en R2 tal que 1 1 2 3 4 2 , T ( 2 ) = y T ( 1 ) = T ( 0 ) = 1 4 2 0 2 0 es T : R3 x y z R2 x+y+z x y + 2z .
Teorema 4.5. Sean V un espacio vectorial de dimensi on nita sobre R, W un espacio vectorial sobre R y T una transformaci on lineal de V en W . Entonces rango (T ) + nulidad (T ) = dim(V ). Demostraci on. Ejercicio. Teorema 4.6. Sean V, W un espacios vectoriales sobre R y T una transformaci on lineal de V en W . Entonces T es sobreyectiva si, y s olo si, existe una base de W contenida en Im(T ). Demostraci on. Ejercicio.
4.1. TRANSFORMACIONES LINEALES
57
Teorema 4.7. Sean V, W espacios vectoriales sobre R y T una transformaci on lineal de V en W . Entonces T es inyectiva si, y s olo si, el espacio nulo de T es {0}. Demostraci on. Ejercicio. Denici on. Sean V, W espacios vectoriales sobre R y T de V en W una transformaci on lineal. Entonces T es un isomorsmo si T es biyectiva. En tal caso se dice que V es isomorfo a W o que V y W son isomorfos. Teorema 4.8. Sean V, W espacios vectoriales de dimensi on nita sobre R y T un isomorsmo de V en W . Entomces: 1. Si {x1 , ..., xn } es un conjunto linealmente independiente de V , entonces {T (x1 ), ..., T (xn )} es un conjunto linealmente independiente de W . 2. Si {x1 , ..., xn } genera a V , entonces {T (x1 ), ..., T (xn )} genera a W . 3. Si {x1 , ..., xn } es una base de V , entonces {T (x1 ), ..., T (xn )} es una base de W . Demostraci on. Ejercicio. Teorema 4.9. Todo espacio vectorial V sobre R de dimensi on n es isomorfo a Rn . Demostraci on. Ejercicio. Teorema 4.10. Sean V un espacio vectorial de dimensi on n sobre R, W un espacio vectorial de dimensi on m sobre R, = {x1 , ..., xn } una base ordenada de V , una base ordenada de W y T una transformaci on lineal de V en W . Entonces A = [T (x1 )] [T (xn )] es la u nica matriz de Rmn tal que A [x] = [T (x)] para todo x V .
58
Esta matriz se llama la matriz que representa a T respecto a las bases ordendas y . Demostraci on. Ejercicio. Algunas veces, la matriz que representa a una trasformaci on lineal T respecto a las base y se denota por [T ] . Con esta notaci on, la expresi on A [x] = [T (x)] se convierte en [T ] [x] = [T (x)] . Ejemplo. Consideremos las bases 1 = 1, 1 x, 1 x2 , 1 x3 de P3 , 2 = 1 1 1 1 1 1 1 1 1 0 0 0 , , 1 1 1 1 1 0 1 1 0 0 0 0 , , 1 1 1 1 0 0 1 0 0 0 0 0 ,
de R23 y hallemos la matriz que representa a la transformaci on lineal T : P3 R23 a0 0 a1 a2 0 a3
a0 + a1 x + a2 x2 + a3 x3 respecto de las bases 1 y 2 . En efecto, T (1) = 1 0 0 0 0 0 1 0 1 0 0 0 1 0 0 1 0 0 = [T (1)]2 =
0 0 0 0 0 1
T (1 x) = T (1 x2 ) =
= [T (1 x)]2 = = T (1 x2 )
2
0 0 0 1 1 1 0 0 1 1 0 1
4.1. TRANSFORMACIONES LINEALES T (1 x3 ) = 1 0 0 0 0 1 = T (1 x3 ) = 1 1 0 0 0 1

T
59 .
Luego, la matriz que representa a T respecto de las bases 1 y 2 es A= 0 0 0 1 0 0 0 1 0 0 1 0 . 0 1 1 0 0 1 0 0 1 1 1 1
N otese que si p(x) = a0 + a1 x + a2 x2 + a3 x3 , entonces = 0 0 0 1 0 0 0 1 a0 + + a3 0 0 1 0 a1 0 1 1 0 a2 0 1 0 0 a3 1 1 1 1 = a3 a3 a2 a1 a2 a1 a0 = [T (P (x))] . 2
A [p(x)]1
Teorema 4.11. Sean U, V y W espacios vectoriales de dimensi on nita sobre R con base , y , respectivamente. Sean T : U V y S : V W transformaciones lineales. Entonces [S T ] Demostraci on. Ejercicio. Teorema 4.12. Sea V un espacio vectorial de dimensi on nita sobre R con bases y y sea T : V V una transformaci on lineal. Entonces [T ] = P1 [T ] P, donde P es la matriz de cambio de la base a la base . Demostraci on. Ejercicio.
= [S ]
[T ] .
60
4.2.
Ejercicios
T : R3 R3 x 1+x+y y 3x + 2z z 5 2y z
1. Determine si
es una transformaci on lineal. 2. Halle una transformaci on lineal de R4 a R3 que tenga como espacio nulo a 1 1 3 2 gen 1 , 0 . 4 2 3. Encuentre una transformaci on lineal de R3 en R3 que tenga como imagen a 1 2 gen 1 , 1 . 1 0 4. Sean A= y T : R3 R2 . x Ax Halle el espacio nulo, nulidad, imagen y rango de T . 5. Halle un isomorsmo de R22 en R4 y otro de R4 en R22 . 6. Sean R V un espacio vectorial de dimensi on n y una base de R V . Demuestre que T : V Rn x [x]
1 3 2 0 2 1
4.2. EJERCICIOS es un isomorsmo. Esto demuestra el Teorema 4.9.
61
7. Sea A Rnn . Demuestre que A es invertible si, y s olo si la transformaci on lineal T : Rn Rn x Ax es biyectiva. 8. Sean V un espacio vectorial sobre R de dimensi on nita, una base de V , W un espacio vectorial sobre R y T una transformaci on lineal de V en W . Demuestre que T es la transformaci on cero si, y s olo si, T (x) = 0 para todo x de .
Cap tulo 5 Ortogonalidad

El principal objetivo de este cap tulo es el estudio de los espacios vectoriales reales en los que tiene sentido hablar de longitud de un vector y angulo entre vectores. Se har a esto mediante el estudio de ciertas funciones conocidas como productos interiores.
5.1.
Espacios con productos interiores
Denici on. Un producto interior en un espacio vectorial V sobre R es una funci on que asigna a cada par de vectores x, y de V un escalar x, y R de tal modo que para cualesquier x, y, z de V y todos los escalares c R se tiene que : 1. x, x 0 y x, x = 0 si, y s olo si, x = 0. 2. x, cy = c x, y . 3. x, y + z = x, y + x, z . 4. x, y = y, x . Debe observarse que las condiciones 2, 3 y 4 implican que cx + y, z = c x, z + y, z .
62
5.2. ESPACIOS NORMADOS
63
Denici on. Un espacio con producto interior es un espacio vectorial sobre R junto con un producto interior denido en ese espacio. Un espacio vectorial real con producto interior y dimensi on nita es un espacio euclidiano. Ejemplo. En Rn existe un producto interior llamado producto interior can onico o producto punto. Est a denido para x1 y1 . . n x= . . , y = . . en R yn xn como x, y
2
= x1 y1 + + xn yn .
Ejemplo. Si A Rnn es invertible, entonces x, y = xT AT Ay es un producto interior en Rn . Este es llamado el Aproducto interior. Ejemplo. A, B = tr(AT B) es un producto interior en Rmn y Rmn . Este es el producto interior can onico de matrices. N otese que se reducen al productor interior can onico m en R cuando n = 1.
5.2.
Espacios normados
Denici on. Una norma en un espacio vectorial V sobre R es una funci on de V en R que satisface las siguientes condiciones para todo x, y V y todo c R : 1. x 0 y x = 0 si, y s olo si, x = 0. 2. cx = |c| x .
64
CAP ITULO 5. ORTOGONALIDAD
3. x + y x + y . Denici on. Un espacio normado es un espacio vectorial sobre R junto con una norma denida en ese espacio. Ejemplo. Si para cada x = [xi ] Rn denimos x Entonces
2 2 2 = x2 1 + + xn
1 2
xT x.
es una norma en Rn .
M as a un, tenemos el siguiente resultado, en forma de ejemplo, que es una fuente rica que nos ilustra acerca de la gran variedad de normas que se pueden denir en Rn Ejemplo. Sea p 1. Si para cada x = [xi ] Rn denimos x Entonces Rn .
p p
= ( |x 1 |p + + |x n |p ) p .
es una norma en Rn . Esta norma es llamada la p-norma de
Ejemplo. Si para cada x = [xi ] Rn denimos x Entonces

= max |xi | .
i
es una norma en Rn .
Deniciones. Sean V un espacio vectorial normado y x, y V . La longitud de x es x 2 y la distancia entre x e y es d(x, y) = x y

2
Ejemplo. Hallemos la longitud de x y la distancia entre x y y, donde 1 3 x = 2 y y = 1 . 4 5
5.2. ESPACIOS NORMADOS Por denici on de longitud y distancia tenemos: 1 x 2 = 2 = (1)2 + (2)2 + (4)2 = 21, 4 2 y d(x, y) = 3 1 2 1 5 4 4 = 1 9
65
(4)2 + (1)2 + (9)2 = 7 2.
Teorema 5.1. (Desigualdad de Cauchy-Bunyakovskii-Schwarz). Sea V un espacio vectorial sobre R con producto interior , . Entonces | x, y | x, x y, y para todo x, y V .
Demostraci on. Ejercicio. Teorema 5.2. (Desigualdad triangular). Sea V un espacio vectorial sobre R con producto interior , . Entonces x+y , x+y x, x + x, x para todo x, y V .
Demostraci on. Ejercicio. Teorema 5.3. Sean V sobre R un espacio con producto interior , . Entonces : V R x, x x es una norma en V . Esta norma es la norma en V inducida por el producto interior , . Demostraci on. Ejercicio.
66
Denici on. Sean x, y vectores no nulos de un espacio vectorial V sobre R con producto interior , . El angulo entre los vectores x e y se dende como x, y = cos1 , x y donde es la norma en inducida por , . Cuando hablemos de angulo entre vectores de Rn s olo consideraremos el producto interior , 2 y la norma 2 . Al realizar los c alculos para hallar el angulo entre dos vectores, aseg urese de que su calculadora est e en modo radianes. Ejemplo. Hallemos el angulo entre los vectores 2 3 En efecto, = cos1 x, y 2 x 2 y 11 13 52 = cos1
" ! ! 2 # " 7 # , 1 3 ! 2 ! 2 # " 7 # 1 2 3 2
7 1
"
= cos1
cos1 (0,431455497)
2,0169 radianes 115,6 grados. Teorema 5.4. (Identidad del paralelogramo). Para una norma en un espacio vectorial V sobre R, existe un pruducto interior , en V tal que x 2 = x, x para todo x V si, y s olo si, la identidad del paralelogramo x+y 2+ xy 2 =2 x 2+ y 2 se cumple para todo x, y V .
5.3. VECTORES ORTOGONALES Demostraci on. Ejercicio.
67
Teorema 5.5. Sean U Rnn ortogonal y u una columna de U. Entonces u

2
= 1.
Demostraci on . UT U = In = uT u = 1 = u
2 2
u, u u
2
=1
= 1 =
= 1. = x 2.
Teorema 5.6. Sean U Rnn ortogonal y x Rn . Entonces Ux Demostraci on . Ux Luego Ux

2 2
= Ux , Ux = x 2.
= (Ux)T Ux = xT UT Ux = xT x = x
2 2
5.3.
Vectores ortogonales
Deniciones. Sean x y y vectores de un espacio vectorial V con producto interior , . Entonces x es ortogonal a y si x, y = 0; como esto implica que y es ortogonal a x, a menudo s olo diremos que x y y son ortogonales. Si S es un conjunto de vectores de V , se dice que S es un conjunto ortogonal siempre que todos los pares de vectores distintos de S sean ortogonales. Un conjunto ortonormal es un conjunto ortogonal S con la propiedad adicional de que x = 1 para todo x S . Teorema 5.7. Todo conjunto ortogonal de vectores no nulos es linealmente independiente. Demostraci on. Ejercicio.
68
Teorema 5.8. Si un vector x es combinaci on lineal de un conjuto ortogonal de vectores no nulos {x1 , ..., xn }, entonces x es igual a la combinaci on lineal particular x, x1 x, xn x= xn . 2 x1 + + x1 xn 2 Demostraci on. Ejercicio. Teorema 5.9. (Proceso de ortogonalizaci on Gram-Schmidt) Sean V un espacio con producto interior , y = {x1 , ..., xn } una base de V . Si es la norma en V inducida por , . Entonces = {y1 , ..., yn } es una base de ortogonal de V , donde y1 = x1 y yj = xj ( xj , y1 xj , yj 1 y1 + + yj 1 ) para j = 2, ..., n. y1 , y1 yj 1 , yj 1
Demostraci on. Ejercicio. Teorema 5.10. Todo espacio con producto interior de dimensi on nita tiene una base ortonormal. Demostraci on. Ejercicio. Denici on. Sean W un subespacio de un espacio vectorial con producto interior V y x V . Una mejor aproximaci on a x por vectores de W es un vector y W tal que xy xw para todo w W . Teorema 5.11. Sean W un subespacio de un espacio con producto interior V y x V . Entonces: 1. Un vector y W es una mejor aproximaci on a x, por vectores de W si, y s olo si, x y es ortogonal a todo vector de W .
5.4. EJERCICIOS 2. Si existe una mejor aproximaci on a x por vectores de W es u nica.
69
3. Si W es de dimensi on nita y {x1 , ..., xn } es cualquier base ortogonal de W , entonces el vector y= x, x1 x, xn xn . 2 x1 + + x1 xn 2
es la u nica mejor aproximaci on a x por vectores de W . Demostraci on. Ejercicio. Denici on. Siempre que exista el vector y del que se habla en el Teorema 5.11 se le llamar a la proyecci on ortogonal de x sobre W . Denici on. Sean V un espacio con producto interior y S un subconjunto no vac o de V . El complemento ortogonal de S es el conjunto S de todos los vectores de V ortogonales a todo vector de S . Si W y U son subespacios de V , y cada vector de W es ortogonal a cada vector de U , entonces W y U son subespacios ortogonales. Si W y U son subespacios ortogonales, denotaremos tal hecho por W U . Teorema 5.12. Sea W un subespacio de un espacio vectorial dimensi on nita con producto interior V . Entonces V = W W . La expresi on W W signica que cada vector de V se deja escribir de manera u nica, salvo conmutatividad, como la suma de un vector en W con otro de W y que W W es igual a vac o. Demostraci on. Ejercicio.
5.4.
Ejercicios
2
1. Calcule x, y
si
1 3 2 , y = 2 . x= 1 2
70
2.Calcule x, y
si
1 1 x = 2 , y = 1 . 2 2
1
3.Calcule x
, x
y x
para 1 x = 2 . 3
4.Calcule x
para
2 x = 2 . 3
5. Sean x, y Rn . Demuestre que x+y

2 2
+ xy
2 2
= 2( x
2 2
+ y 2 2 ).
6. Halle una base ortonormal 3 0 , 1 0
para R4 1 3 , 0 1
a partir 1 0 , 2 1
de la base 0 1 . 0 2
7. Halle la proyecci on ortogonal de 1 x = 1 2 sobre 0 1 1 , 1 . W = gen 2 3
5.4. EJERCICIOS
71
8. Halle W si
1 1 W = gen 3 , 1
0 0 . 1 1
9. Sean U Rnn ortogonal y x, y Rn . Demuestre que x,y

2
=0
Ux , Uy
= 0.
10. Demuestre que A Rnn satisface AT A = AAT si, y s olo si, Ax para todo x Rn . 11. Sea U Rnn tal que para todo x Rn Ux Demuestre que U es ortogonal.
2 2
= AT x
= x
Cap tulo 6 Valores y Vectores Propios

En este cap tulo presentaremos los conceptos b asicos de valor propio, vector propio, espacio propio y espectro de una matriz. Adem as, presentaremos algunos de los resultados m as relevantes relacionados con tales conceptos. Debido a que en un estudio de los valores y vectores propios es imposible no hablar de n umeros complejos, debemos hacer algunas observaciones respecto a la terminolog a que utilizaremos en este cap tulo. La palabra escalar se utilizar a para referirnos a un n umero que puede ser real o complejo. Un vector n 1 ser a una matriz n 1 cuyas componentes pueden ser n umeros reales o complejos.
6.1.
Valores y Vectores Propios
Denici on. Sea A Rnn . Un escalar es un valor propio de A si existe un vector n 1 x = 0 tal que Ax = x. Ahora, si Ax = x con x = 0, entonces x es un vector propio de A asociado al valor propio . Ejemplo. 2 es un valor propio de la matriz 2 0 1 2 , A = 5 1 3 2 5/4 72
6.1. VALORES Y VECTORES PROPIOS ya que
73
2 0 1 1 2 1 5 1 2 3 = 6 = 2 3 . 3 2 5/4 4 8 4 1 Adem as, 3 es un vector propio de A asociado al valor propio 2. 4 Teorema 6.1. Sea A Rnn . Entonces ning un vector propio de A puede estar asociado a valores propios distintos de A. Demostraci on. Si suponemos que x es un vector propio de A asociado a valores propios distintos i , j de A, entonces (i j ) = 0 y (i j )x = i x j x = Ax Ax = 0. Luego (i j )1 (i j )x = (i j )1 0 = x = 0, lo cual es absurdo. Por tanto, ning un vector propio de A puede estar asociado a valores propios distintos de A. Denici on. Sea A Rnn , el espectro de A es (A) = { escalar : es un valor propio de A} . El s mbolo R [x] denotar a al conjunto de los polinomios en la variable x y coecientes en R. La evaluaci on de un polinomio p(x) = a0 + a1 x + + at xt de R [x] en una matriz A Rnn es la matriz p(A) = a0 In + a1 A + + at At , donde Ai para todo i = 2, ..., t es el producto usual de matrices de A con sigo misma i veces. Ejemplo. Sean A= 1 1 1 2
74
CAP ITULO 6. VALORES Y VECTORES PROPIOS
y p(x) = 1 3x + 2x2 . Entonces p(A) = 1 1 0 0 1 1 0 0 1 3 1 1 1 2 +2 1 1 1 2 = 1 1 1 2 2 3 3 1 .
3 3 3 6
0 6 6 6
Teorema 6.2. Sean A Rnn , p(x) R [x], (A) y x un vector propio de A asociado a . Entonces p() (p(A)) y x es un vector propio de p(A) asociado a p(). Demostraci on. Supongamos que p(x) = a0 + a1 x + + at xt , entonces p(A)x = a0 x + a1 Ax + + at At x, pero Aj x = Aj 1 Ax = Aj 1 x = Aj 1 x = = j x para todo j = 1,...,t. Luego p(A)x = a0 x + a1 x + + at t x = (a0 + a1 + + at t )x = p()x.
6.2.
Subespacios Propios
EA () = {x vectores n 1 : Ax = x}
Teorema 6.3. Sean A Rnn y un valor propio de A. Entonces
es un subespacio del espacio de los vectores n 1 sobre los n umeros complejos. Demostraci on. Claramente A0 = 0, por tanto 0 EA (). Ahora, si x, y EA () y c escalar, entonces A(c x + y) = c Ax + Ay = c x + y = (c x + y), por tanto (c x + y) EA (). Luego EA () es un subespacio de los vectores n 1 sobre los n umeros complejos.
6.3. MATRICES INVERTIBLES Y VALORES PROPIOS
75
N otese que EA () es igual a {0} unido con el conjunto formado por todos los vectores propios de A asociados al valor propio . Adem as, por Teorema 6.1 se tiene que si i , j son valores propios distintos de A, entonces EA (i ) EA (j ) = {0} .
Denici on. El subespacio EA () se denomina subespacio propio de A asociado al valor propio . Adem as, la dimensi on de EA (), dim(EA ()), se llama la multiplicidad geom etrica del valor propio de A. De la denici on de vector propio, es claro que EA () tiene al menos un vector no nulo, por tanto dim(Rn ) = n dim(EA ()) 1.
6.3.
Matrices Invertibles y Valores Propios
Teorema 6.4. Sea A Rnn . Entonces = 0 es un valor propio de A si, y s olo si, A es no invertible. Demostraci on. Ejercicio. Teorema 6.5. Sea A Rnn . Entonces A es invertible si, y s olo si, ning un valor propio de A es cero. Demostraci on. Este resultado es equivalente al Teorema 6.4. Teorema 6.6. Sea A Rnn una matriz invertible. Entonces es un valor propio de A si, y s olo si, 1 es un valor propio de A1 . A un m as, x es un vector propio de A asociado a si, y s olo si, x es un vector propio de A1 asociado a 1 . Demostraci on. Puesto que A es invertible, ninguno de sus valores propios es cero. Luego, un escalar es un valor propio de A y x es un vector propio
76 de A asociado a
Ax = x A1 Ax = A1 x A1 x = 1 x
si, y s olo si, 1 es un valor propio de A1 y x es un vector propio de A1 asociado a 1 .
6.4.
Producto de matrices y Valores Propios

(AB) = (BA).
Teorema 6.7. Sean A, B Rnn . Entonces
Demostraci on. Ejercicio.
6.5.
Localizaci on de Valores Propios
Existen muchos teoremas que dan informaci on acerca de la localizaci on en el plano complejo de los valores propios de una matriz. El m as famoso de ellos es el Teorema de Gershgorin, el cual constituye el centro de esta peque na secci on. Denici on. Sea A Rnn . El radio espectral de A es el n umero real no negativo rad(A) = m ax {|| : (A)} . || signica m odulo de si es complejo o valor absoluto de si es real. El radio espectral de una matriz A Rnn es justamente el radio del disco cerrado m as peque no centrado en el origen del plano complejo que contiene a todos los valores propios de A. Denici on. Sea A Rnn . Los n discos de Gershgorin de A son: Dp = {z escalar : |z app | Rp (A)} p = 1, ..., n.
6.6. CALCULO DE VALORES PROPIOS Donde Rp (A) = |ap1 | + + ap(p1) + ap(p+1) + + |apn | .
77
La regi on del plano complejo formada por la uni on de esos n discos ser a llamada regi on de Gershgorin y denotada por G(A). Teorema 6.8. (De Gershgorin). Sea A Rnn . Entonces (A) est a contenido en G(A). Demostraci on. Ejercicio.
6.6.
C alculo de Valores Propios
Teorema 6.9. Sea A Rnn . Entonces es un valor propio de A si, y s olo si, det(In A) = 0. Demostraci on . valor propio de A x = 0 : A x = x x = 0 : (In A)x = 0 (In A) es no invertible det(In A) = 0.
Denici on. Sea A Rnn . El polinomio caracter stico de A es el polinomio de R [x] dado por PA (x) = det(xIn A). La expresi on PA (x) = 0 se llama ecuaci on caracter stica de A. Seg un Teorema 6.9, es un valor propio de A Rnn si, y s olo si, es soluci on de la ecuaci on caracter stica de A. Esto u ltimo equivale a que es una ra z de PA (x).
78
Ejemplo. Hallemos el polinomio caracter stico y los valores propios de 1 2 3 A = 4 5 6 . 7 8 9 En efecto, x 1 2 3 PA (x) = det(xI3 A) = det 4 x 5 6 7 7 x 9 = x3 15x2 18x. Una simple inspecci on visual muestra que 1 = 0 es una ra z de PA (x). Con esa informaci on es f acil probar (con ayuda de la F o rmula General atica ) Cuadr 15 3 3 15 que las otras ra ces de PA (x) son 2 = 2 2 33 y 3 = 2 33 + 2 . As , 15 3 3 15 (A) = 0, 2 2 33, 2 33 + 2 . Por lo general, es dif cil o imposible hallar las ra ces de PA (x). Sin embargo, si PA (x) tiene coecientes enteros, algunas veces es u til un resultado de Algebra elemental que dice: si p(x) es un polinomio con coecientes enteros, entonces toda ra z entera de p(x) divide al t ermino independiente de este. Ejemplo. Hallemos los valores propios de una matriz A que tiene como polinomio caracter stico a PA (x) = x3 + 2x2 3x 6. Si PA (x) tiene una ra z entera, esa ra z debe ser un divisor del t ermino constante. Los divisores de 6 son: 1, 2, 3, 6. Si sustituimos x = 2 en PA (x) se obtiene cero. De tal hecho podemos deducir que 2 es una ra z de PA (x) y que x + 2 divide exactamente a PA (x). Con ayuda de la F ormula General Cuadr atica encontramos que PA (x) = (x + 2)(x 3)(x + 3). Luego los valores propios de A son 2, 3 y 3.
6.6. CALCULO DE VALORES PROPIOS
79
Denici on. Sea es un valor propio de A Rnn . El n umero de veces que se repita como ra z de PA (x) es la multiplicidad algebraica del valor propio de A. Ejemplo. La matriz A= cuyo polinomio caracter stico es PA (x) = x5 7x3 + 2x2 + 12x 8 = (x + 2)2 (x 1)2 (x 2), tiene como valores propios 1 = 2 con multiplicidad algebraica 2, 2 = 1 con multiplicidad algebraica 2 y 3 = 2 con multiplicidad algebraica 1. Teorema 6.10. Sea A Rnn . Entonces PA (x) es un polinomio de grado n. Adem as, si PA (x) = an xn + an1 xn1 + an2 xn2 + + a1 x + a0 , entonces an = 1, an1 = tr(A) y a0 = (1)n det(A). Demostraci on. Ejercicio. Teorema 6.11. Sean A Rnn y 1 , ..., n los valores propios de A. Entonces det(A) = 1 n y tr(A) = 1 + + n . Demostraci on. Ejercicio. Teorema 6.12. Sea A Rnn . Entonces A y AT tienen los mismos valores propios con las mismas multiplicidades algebraicas correspondientes. 1 0 0 0 0 2 0 0 1 0 5 6 1 0 3 4 0 0 0 0 0 0 0 0 2
80
Demostraci on. Bastar a probar que PA (x) = PAT (x). En efecto, PA (x) = det(xIn A) = det((xIn A)T ) = det(xIn AT ) = PAT (x).
6.7.
C alculo de Vectores Propios
Teorema 6.13. Sean A Rnn y un valor propio de A. Entonces x es un vector propio de A asociado a si, y s olo si, x es una soluci on no trivial del sistema homog eneo de ecuaciones lineales (In A)y = 0. Demostraci on. x es soluci on no trivial del sistema (In A)y = 0, si, y s olo si, x = 0 y (In A)x = 0 si, y s olo si, x = 0 y Ax = x. Presentamos a continuaci on algunos ejemplos que ilustran la forma como se pueden hallar valores propios y vectores propios. Ejemplo. Hallemos los valores propios y los espacios propios de la matriz A= 2 12 1 5 .
Soluci on. La ecuaci on caracter stica de A es det(xIn A) = det x 2 12 1 x + 5 = x2 + 3x + 2 = (x + 1)(x + 2) = 0,
de donde se obtiene que 1 = 1 y 2 = 2 son los valores propios de A. Para determinar los vectores propios correspondientes se resuelven los sistemas homog eneos (1 I2 A)x = 0 y (2 I2 A)x = 0: para 1 = 1, la matriz de coecientes es (1)I2 A = que se reduce por las a 1 4 0 0 . 1 2 12 1 1 + 5 = 3 12 1 4 ,
6.7. CALCULO DE VECTORES PROPIOS
81
Por consiguiente, x1 4x2 = 0. Se concluye que todo vector propio de A asociado a 1 = 1 es de la forma x= Luego EA (1 ) = gen x1 x2 4 1 = 4x2 x2 = x2 4 1 , x2 = 0.
. Para 2 = 2, la matriz de coecientes es 2 2 12 1 2 + 5 1 3 0 0 = 4 12 1 3 ,
(2)I2 A = que se reduce por las a
Por consiguiente, x1 3x2 = 0. Luego todo vector propio de A asociado a 1 = 2 es de la forma x= Luego EA (2 ) = gen x1 x2 3 1 = . los espacios propios de la matriz 0 0 . 2 3x2 x2 = x2 3 1 , x2 = 0.
Ejemplo. Hallemos los valores propios y 2 1 A= 0 2 0 0
Soluci on. La ecuaci on caracter stica de A es x 2 1 0 x2 0 = (x 2)3 = 0. det(xIn A) = det 0 0 0 x2 Por tanto, 1 = 2 es el u nico valor propio de A. Ahora, 0 1 0 2I3 A = 0 0 0 0 0 0
82
mplica que en la soluci on del sistema homog eneo (2I3 A)x = 0 tiene que x2 = 0 y las variables x1 , x3 est an libres. Luego todo vector propio de A asociado a 1 = 2 es de la forma 0 1 x1 x1 x = x2 = 0 = x1 0 + x3 0 . 1 0 x3 x3 0 1 Luego EA (1 ) = gen 0 , 0 . 0 1 Ejemplo. Hallemos los valores propios y los espacios propios de la matriz 1 0 0 0 0 1 5 10 . A= 1 0 2 0 1 0 0 3 Soluci on. La ecuaci on caracter stica de A es x1 0 0 0 0 x 1 5 10 det(xIn A) = det 1 0 x2 0 1 0 0 x3 = (x 1)2 (x 2)(x 3) = 0. As los valores propios de A son 1 = 1, 2 = 2 y 3 = 3. Una base para el espacio propio de 1 = 1 se encuentra como sigue: 0 0 0 0 0 0 5 10 (1)I3 A = 1 0 1 0 1 0 0 2 y se reduce a la matriz 1 0 0 0 0 0 0 0 0 2 1 2 . 0 0 0 0
6.8. INDEPENDENCIA LINEAL Y VECTORES PROPIOS
83
Lo cual implica que x1 + 2x4 = 0, x3 2x4 = 0 y x2 est a libre. As , todo vector propio de A asociado a 1 = 1 es de la forma 2 x1 2x4 0 x2 x2 = = x2 1 + x4 0 . x= 2 x3 2x4 0 1 0 x4 x4 0 2 1 0 Luego EA (1 ) = gen 0 , 2 . 0 1 Para 2 = 2 y 3 = 3, se sigue el mismo patr on para obtener 0 0 5 5 EA (2 ) = gen 1 y que EA (3 ) = gen 0 . 1 0
6.8.
Independencia lineal y vectores propios
Teorema 6.14. Sean 1 , ..., r valores propios distintos de A Rnn . Si para cada i {1, ..., r} Si es un conjunto linealmente independiente de vectores propios de A asociados a i , entonces S = S1 Sr es todav a un conjunto linealmente independiente. Demostraci on. Ejercicio. Teorema 6.15. Sea A Rnn y i un valor propio de A. Entonces multiplicidad geom etrica de i multiplicidad algebraica de i . Demostraci on. Ejercicio.
6.9.
Valores propios de algunas matrices especiales
84
Teorema 6.16. Los valores propios de una matriz sim etrica son reales. Demostraci on. Ejercicio. Teorema 6.17. Sean U Rnn ortogonal y es un valor propio de U. Entonces || = 1. Demostraci on. Sea x un vector propio de U asociado al valor propio , entonces x 2 = Ux 2 = x 2 = || x 2 . Luego || = 1. Teorema 6.18. Sea U Rnn ortogonal. Entonces |det(U)| = 1.
Demostraci on. Si 1 , ..., n son los valores propios de U (algunos i pueden ser iguales), entonces por Teorema 6.11, det(U) = 1 n y como |i | = 1 para i = 1, ..., n, entonces |det(U)| = |1 n | = |1 | |n | = 1 1 = 1.
Teorema 6.19. Sea A Rnn es tal que AAT = AT A, entonces para todo valor propio de A, se tiene que EA () = EAT ().
Demostraci on. Ejercicio. Teorema 6.20. Sean A Rnn es tal que AAT = AT A y i , j valores propios distintos de A. Entonces EA (i ) EA (j ). Demostraci on. Ejercicio.
6.10. SEMEJANZA DE MATRICES
85
6.10.
Semejanza de Matrices
Denici on. Sean A, B Rnn . Decimos que A es semejante a B, si existe P Rnn invertible tal que A = P1 BP.
Demostraci on. Ejercicio. Teorema 6.21. (Lema de Schur). Toda matriz A Rnn es semejante a una matriz triangular superior. Demostraci on. Ejercicio. Teorema 6.22. Sean A, B Rnn . Si A y B son semejantes, entonces A y B tienen el mismo polinomio caracter stico, y por consiguiente los mismos valores propios con las mismas multiplicicades algebraicas respectivas, el mismo determinante y la misma traza. Demostraci on. Como A y B son semejantes, existe P Rnn invertible tal que A = P1 BP, luego PA (x) = det(xIn A) = det(xIn P1 BP) = det(P1 xIn P P1 BP) = det(P1 (xIn B)P) = det(P1 ) det(xIn B) det(P) = det(xIn B) = PB (x). Teorema 6.23. Sean A, B Rnn semejantes con A = P1 BP. Entonces para todo (A) se tiene que EB () = {Px : x EA ()} .
Demostraci on. Ejercicio.
86
Teorema 6.24. Sean A, B Rnn semejantes, entonces para todo (A) se tiene que dim(EA ()) = dim(EB ()). Demostraci on. Ejercicio. Denici on. Una matriz A Rnn es diagonalizable si es semejante a una matriz diagonal. Ejemplo. La matriz 3 1 0 A = 1 2 1 0 1 3 1 1 1 0 1 P= 2 1 1 1
es diagonalizable, ya que la matriz
es invertible y 1 1 1 3 1 0 1/6 2/6 1/6 0 1 2 1 2 0/6 3/6 1 P1 AP = 3/6 1 1 1 0 1 3 2/6 2/6 2/6 = diag(1, 3, 4). Teorema 6.25. Sea A Rnn tal que A tiene n valores propios distintos, entonces A es diagonalizable. Demostraci on. Ejercicio. Teorema 6.26. Sean A Rnn y 1 , ..., k los valores propios distintos de A, entonces las siguientes armaciones son equivalentes: 1. A es diagonalizable.
6.11. EJERCICIOS
87
2. Existe una base para los vectores n 1 formada por vectores propios de A. 3. para i = 1, ..., k dim(EA (i )) es igual a la multiplicidad algebraica, mi , de i como valor propio de A. Demostraci on. Ejercicio.
6.11.
Ejercicios
1. Halle el espectro de una matriz diagonal de Rnn . 2. Sean A,B Rnn (n 2). Demuestre que: (a) (A) y (B) no implica + (A + B). (b) (A) y (B) no implica (AB). 3. Sean A Rnn y s {1, ..., n} un n umero jo. Demuestre que si ais = 0 para i = 1, ..., s 1, s + 1, ..., n, entonces ass es valor propio de A. 4. Sea A Rnn . Demuestre que si (A), entonces k (Ak ) para todo k entero positivo. 5. Sea A Rnn tal que la suma de los elementos de cada la de A es c. Pruebe que c (A). 6. Una matriz A Rnn es idempotente si A2 = A. Demuestre que (A) {0, 1} . 7. Una matriz A Rnn es unipotente si A2 = In . Demuestre que (A) {1, 1} .
8. Una matriz A Rnn es nilpotente si Ak = 0 para alg un entero positivo k . Demuestre que (A) = {0}.
88
9. Halle los discos de Gershgorin para 1 A = 1/4 1
la matriz 0 1/4 1 1/4 . 1 3
10. Demuestre, sin calcularlos, que los valores propios de la matriz 6 2 1 1 5 0 2 1 4 satisfacen la desigualdad 1 || 9. 11. Demuestre que las partes imaginarias de los valores propios de la matriz 3 1/3 2/3 1 4 0 1/2 1/2 1 est an situadas en el intervalo [1 , 1]. 12. Verique que p(x) = x4 2x3 11x2 + 24 es el polinomio caracter stico de la matriz 1 1 3 2 0 1 4 0 0 1 1 1 2 1 3 1 13. Halle todos los valores propios y bases para los espacios propios de la matriz 3 2 2 1 1 . A= 1 0 2 3 Ayuda : x = 1 1 1
T
es un vector propio de A.
6.11. EJERCICIOS
89
14. Halle todos los valores propios y bases para los espacios propios de la matriz 1 2 0 0 2 . A= 4 0 2 1 Ayuda : 3 es un valor propio de A. 15. Demuestre que el polinomio caracter stico de la matriz nula [resp. idennn n n tidad] de R es x [resp. (x 1) ], y por tanto su u nico valor propio es = 0 [resp. = 1] con multiplicidad algebraica n. 16. Demuestre que los valores propios de una matriz triangular son los elementos de su diagonal principal. 17. Si 18 2 12 9 6 , A = 4 3 2 3
compruebe que PA (x) = x3 30x2 + 275x 750 y (A) = {5, 10, 15}. 18.Demuestre que si A Rnn y (A) = {1 , ..., n }, entonces para todo c R (cA) = {c1 , ..., cn }. 19. Sean A Rnn y c R. Demuestre que EA () = EcA (c) (A). 20. Demuestre que existen matrices no nulas en Rnn cuyo polinomio caracter stico es xn . 21. Sean A Rnn , (A) y r R+ . Demuestre que existe x EA () tal que x 2 = r. 22. Si A, B Rnn , n > 1 y PA (x) = PB (x). Demuestre que A y B no son necesariamente semejantes.
90
23. Sean D1 , D2 Rnn matrices diagonales. Demuestre que son semejantes si, y s olo si, tienen los mismos polinomios caracter sticos. 24. Demuestre que matrices semejantes tienen igual rango.
Bibliograf a
on al Algebra Lineal, Editorial Limusa S.A. [1] Anton, H. (1996), Introducci Grupo Noriega Editores, M exico. [2] Asmar, A. J. (1995), T opicos en Teor a de Matrices, Universidad Nacional de Colombia, Sede Medell n. [3] Harville, D. (1997), Matrix Algebra From a Statisticians Perspective, Springer - verlag, New York. [4] Homan, K. y Kunze, R. (1983), Algebra Lineal, Prentice - Hall Hispanoamericana, S.A., M exico. [5] Horn, R. y. J. C. (1985), Matrix Analisys, Cambridge University Press, U.S.A. [6] Kincaid, D. y Cheney, W. (1991), Numerical Analysis, Brooks Cole Publishing company. Pacic Grove, California. [7] Meyer, C. (2000), Analysis and Applied Linear Algebra, Siam, Philadelphia. [8] Noble, B. y Daniel, J. W. (1989), Algebra Lineal Aplicada, Prentice - Hall Hispanoamericana, S.A., M exico. [9] Searle, S. (1986), Matrix Algebra Useful for Statistics, John Wiley and Sons, U.S.A.
91

Algebra Lineal

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Algebra Lineal

Diunggah oleh

Hak Cipta:

Format Tersedia

ALGEBRA LINEAL

Ricardo Miguel Guzman Navarro.

Cap tulo 1 Sistemas de ecuaciones lineales (S.E.L)

Sistemas de ecuaciones lineales

CAP ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

1.1. SISTEMAS DE ECUACIONES LINEALES

Ejemplo. La ecuaci on lineal 3x1 + 4x2 3x3 x4 = 1 (1.1)

CAP ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

DE S.E.L 1.2. SOLUCION

2x1 + 3x2 2x3 = 1 3 x1 + 2 x2 + 2 x3 = 1 . E3 2E1 + E3 2x2 + x3 = 0

CAP ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

2 1 x1 = 3x2 + 3x3 + 2 = 3(1) + 3( ) + 2 = . 7 7 As , la soluci on del sistema es 1/7 1 . 2/7

x1 + 2 x2 4x2 6x2 7x2 x2 x1 + 2 x2 x2 6x2 7x2 x2

Luego, x3 = x3 , x2 = x3 y x1 = 2x2 = 2x3 . As , la soluci on del sistema es 2 2x3 x3 : x3 R = x3 1 : x3 R . x3 1

CAP ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

De donde, x6 = x6 , x5 = x6 + 2, x4 = x4 , 2x4 x5 + 3x6 + 2 2x4 (x6 + 2) + 3x6 + 2 = = x4 + x6 , 2 2

x1 = x2 x3 x4 x5 x6 + 1 = x2 (x4 + x6 ) x4 (x6 + 2) x6 + 1 = x2 2x4 3x6 1. Luego la soluci on del sistema es

DE S.E.L 1.2. SOLUCION

CAP ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

1. Resolver los siguientes sistemas de ecuaciones lineales: = = = = 1 0 . 3 8

3. Resolver x1 2x1 + 3x1 4x 1 5x1 +

CAP ITULO 1. SISTEMAS DE ECUACIONES LINEALES (S.E.L)

Cap tulo 2 Matrices

CAP ITULO 2. MATRICES

entonces, el tama no de A es 4 3, la componente 2, 3 de A es A2 la 3 de A es A3 = 3 4 2 y la columna 2 de A es 1 5 A2 = 4 . 5

2.3. PRODUCTO POR ESCALAR Ejemplo. 1 4 1 3 2 1 0 4 + 5 4 = 5 8 . 2 3 1 6 3 9

Producto por escalar

Teorema 2.2. Sean A, B Rmn y a, b R. Entonces 1. (ab)A = a(bA).

CAP ITULO 2. MATRICES

2.4. PRODUCTO DE MATRICES

CAP ITULO 2. MATRICES

CAP ITULO 2. MATRICES

2.4. PRODUCTO DE MATRICES

Operaciones elementales de la y producto de matrices

CAP ITULO 2. MATRICES

2.5. TRASPUESTA Y TRAZA DE UNA MATRIZ Donde I3 F1 F1 + 2F2 1 2 0 0 1 0 . 0 3 1

Traspuesta y traza de una matriz

Traza de una matriz

CAP ITULO 2. MATRICES

Demostraci on. Ejercicico.

Determinante de una matriz

Determinante de una matriz

CAP ITULO 2. MATRICES

CAP ITULO 2. MATRICES

2 2 6 1 1 3 det 2 2 4 = 2 det 2 2 4 , 3 4 6 3 4 6 del Teorema 2.17 1 3 1 1 3 2 4 = det 0 0 2 , 4 6 0 1 3

por aplicaci on reiterada 1 2 det 3

y por Teorema 2.13

A1 A1 . . . . . . T T det(A) = det( x1 ) + det( x2 . . . . . . An An

Demostraci on. Ejercicio. N otese que si A = [aij ] Rnn tenemos

Entonces, por Teorema 2.19, A1 A1 . . . . . . T T det(A) = ai1 det( e1 ) + ai1 det( e2 . . . . . . An An

CAP ITULO 2. MATRICES

Inversa de una matriz

2.7. INVERSA DE UNA MATRIZ

CAP ITULO 2. MATRICES

CAP ITULO 2. MATRICES

Sistemas de ecuaciones lineales y matrices

Un sistema de ecuaciones lineales con coecientes en R

am1 x1 + am2 x2 + + amn x1 = bm , se puede expresar de forma matricial como Ax = b,

2.9. EJERCICIOS donde a11 a1n . . mn .. . A= . ,x= . . . R am1 amn x1 . n . . R yx= xn

2. Construya un algoritmo para la suma de matrices m n. 3. Calcule 3

4. Construya un algoritmo para la multiplicaci on de un escalar por una matriz m n. 5. Calcule 2 3 3 8 1 5 1 5 0 2 3 7 6 1 . 6 0 2 4

CAP ITULO 2. MATRICES

3 6 7 A = 0 2 0 , 1 1 2 2 5/2 7 1/2 0 . = 0 1 3/2 3 matrices 4 0 y 2 3 1 1 . 0 2

15. Halle la inversa de las 1 2 3 1 1 0 A= 2 3 1 0 2 0