Aplicaciones
Todos los derechos reservados. No se permite la reproducción, archivo o transmisión total o parcial de este texto mediante
ningún medio, ya sea electrónico, mecánico, óptico, de fotorreproducción, memoria o cualquier otro sin permiso de los
editores Ude@.
Imagen de la portada
La Fuente ceremonial fue la obra ganadora del concurso promovido por el municipio de Medellín para la celebración de los
200 años de la Universidad. Esta pieza en ferroconcreto, enchapada en granito, está inspirada en los sitios rituales y hace
parte de una serie que su autor, el maestro Germán Botero Giraldo, viene trabajando desde 1990 con el tema de lo prehispánico.
La forma circular invita a la reunión y a la comunión cósmica presente en las culturas indígenas. El elemento vertical es un
hacha de la cual fluye agua, convirtiéndola en fuente. «El agua está presente como elemento refrescante, de sonido, brillo
y vida, así como los árboles dentro de la escultura, que crecerán y crearán sombra; más que una escultura, es un espacio
escultórico, un sitio para que la gente lo habite», dice su autor.
La Fuente ceremonial, situada junto a la entrada occidental de la calle Barranquilla, forma parte de las grandes obras que
embellecen el campus universitario y refuerza el ideal de hacer de éste un espacio abierto a la cultura, la ciencia y el
conocimiento.
Autora
Acerca de la
autora
Clara E. Mejía Laverde
Radio
Televisión
Impresos
Web
Multimedia
Videoconferencias
El texto Ude@
En el modelo Ude@ los conocimientos son aportados por cada medio en igualdad de importancia y con las
fortalezas propias de cada uno de ellos, pero el texto desempeña un papel fundamental en el aprendizaje ya
que es el que más diversidad ofrece en términos de funcionalidad y cantidad de contenidos. El texto Ude@
no sólo permite analizar con más detalle y profundidad los contenidos de cada curso, sino que facilita en
mayor medida la realización de ejercicios, tareas y autoevaluaciones.
La estructura del texto es lineal, con una progresión gradual de cada tema, lo cual hace más fácil la transmisión del contenido
de una manera lógica.
La división del texto está dada por capítulos que, a su vez, agrupan módulos (sesiones de clase). Al empezar cada capítulo
se encuentra un “Contenido breve” en la columna externa, que incluye una lista del número y el título de los módulos que
componen el capítulo. Por su parte cada módulo contiene, en su primera página, un índice temático del contenido, objetivos
específicos, preguntas básicas y una introducción, que le guiarán en el proceso de aprendizaje sobre el tema en particular
de cada sesión de clase.
El material Ude@ ha sido producido de manera integral, teniendo como objetivo primordial el autoestudio. Por tanto, la
producción de los contenidos se desarrolla en los diferentes formatos (radio, televisión, web, multimedia, videoconferencias),
con enlaces entre los mismos. La esencia de este enlace está dada por los iconos Ude@.
Los iconos, como representaciones gráficas de la realidad, serán los elementos gráficos que le
ayudarán a guiarse en su navegación por los diferentes medios. El espacio gráfico de cada página
del texto está dividido en dos columnas: en la interior, más ancha, podrá observar todo lo relaciona-
do con el desarrollo del contenido y las correspondientes figuras (gráficas, fotos, etc.), mientras que
en la exterior encontrará las llamadas a otros medios. Estas llamadas permiten que haya interrelación
y retroalimentación entre los mismos.
El mapa conceptual
Las preguntas básicas de cada módulo le ayudarán a valorar la comprensión de los nuevos
conceptos presentados y de la temática tratada a lo largo del mismo.
El estudio de los ejemplos intercalados en los bloques de texto y la solución de los ejercicios
incrementarán sus habilidades en la solución de problemas reales.
Álgebra Lineal
Contenido
Capítulo 1: Espacios vectoriales
Módulo 1 21
Definición y propiedades del espacio vectorial
Ejercicios 33
Capítulo 1, módulo 1
Módulo 2 35
Subespacios
Ejercicios 40
Capítulo 1, módulo 2
Módulo 3 43
Combinación lineal y subespacio generado
Ejercicios 49
Capítulo 1, módulo 3
Módulo 4 51
Independencia lineal
Ejercicios 58
Capítulo 1, módulo 4
Módulo 5 61
Bases y dimensión
Ejercicios 69
Capítulo 1, módulo 5
Módulo 6 71
Subespacios asociados con una matriz
Ejercicios 80
Capítulo 1, módulo 6
Módulo 7 83
Coordenadas y cambio de base
Ejercicios 93
Capítulo 1, módulo 7
Capítulo 2: Ortogonalidad
Módulo 8 99
Bases ortonormales y proyecciones en \ n
Ejercicios 113
Capítulo 2, módulo 8
Módulo 9 115
Método de aproximación por mínimos cuadrados
Ejercicios 123
Capítulo 2, módulo 9
Módulo 10 125
Espacios con producto interno
Ejercicios 135
Capítulo 2, módulo 10
Capítulo 3: TTransformaciones
ransformaciones lineales
Módulo 11 139
Definiciones, ejemplos y álgebra de las transformaciones lineales
Ejercicios 150
Capítulo 3, módulo 11
Módulo 12 153
Propiedades de las transformaciones lineales. Núcleo e imagen
Ejercicios 161
Capítulo 3, módulo 12
Módulo 13 163
El problema de la representación matricial de las transformaciones lineales
Ejercicios 178
Capítulo 3, módulo 13
Módulo 14 183
Isomorfismos o transformaciones lineales invertibles
Ejercicios 193
Capítulo 3, módulo 14
Módulo 15 195
Isometrías
Ejercicios 203
Capítulo 3, módulo 15
Tabla de contenido
Capítulo 4: Valores cara cterísticos, vectores
característicos,
característicos
característicos,, diagonalización y formas canónicas
Módulo 16 207
Valores y vectores característicos
Ejercicios 225
Capítulo 4, módulo 16
Módulo 17 227
El problema de la diagonalización
Ejercicios 233
Capítulo 4, módulo 17
Módulo 18 235
Aplicaciones de la teoría de valores y vectores cartacterísticos
Ejercicios 248
Capítulo 4, módulo 18
Módulo 19 251
Forma canónica de Jordan
Ejercicios 260
Capítulo 4, módulo 19
Módulo 20 265
Diagonalización ortogonal
Ejercicios 271
Capítulo 5, módulo 20
Módulo 21 273
Formas cuadráticas y secciones cónicas
Ejercicios 288
Capítulo 5, módulo 21
Módulo 22 289
Aproximación de valores y vectores característicos
Ejercicios 299
Capítulo 5, módulo 22
Apéndice 301
Respuestas 305
Álgebra Lineal
Prólogo
El objetivo al redactar este texto ha sido desarrollar las ideas En la actualidad existen muchos programas de computador
básicas del álgebra lineal y mostrar algunas aplicaciones que permiten desarrollar una amplia variedad de tópicos y
interesantes, haciendo un balance para no recargar dema- resolver gran cantidad de problemas que de otra forma con-
siado el desarrollo teórico y mantener un equilibrio entre la sumirían mucho tiempo y probablemente inducirían a come-
abstracción y la aplicación. Así, algunas demostraciones de ter errores, dada la magnitud de los cálculos que se tienen
teoremas que resultan fácilmente accesibles a los estudian- que realizar. El lenguaje de computación MATLAB es un
tes se dejan propuestas como ejercicios, y otras, demasiado excelente programa, fácil de usar, y calificado para trabajar
dificiles para el nivel de un curso introductorio, no se pre- problemas de álgebra lineal. Este libro no enseña el manejo
sentan. de ese programa; sin embargo, en la multimedia disponible
para el curso se plantean algunos ejercicios utilizando esta
El hilo conductor en la presentación de los temas ha sido la herramienta.
solución de los problemas básicos del álgebra lineal, enun-
ciados por el profesor William Perry, así: Agradezco cualquier sugerencia que pueda contribuir a
mejorar posteriores ediciones de este texto. Todas ellas pue-
1. El problema de la solución de un sistema de ecuaciones den enviarse a:
lineales.
2. El problema de la construcción de una base para un espa- clame@matematicas.udea.edu.co.
cio vectorial.
3. El problema de la construcción de una matriz que repre- La autora
sente una transformación lineal.
4. El problema de los valores y los vectores característicos.
5. El problema de la diagonalización.
Ejercicios
Módulo 1
Módulo 2
El poder lanzar al espacio un trasbordador es el fruto de años de trabajo y un triunfo de la Subespacios
ingeniería de sistemas de control. Matemáticamente, las señales de entrada y de salida de un
sistema de control son funciones y es importante que estas señales puedan sumarse y multiplicarse
por escalares. Estas dos operaciones con funciones tienen propiedades algebraicas análogas a las
Ejercicios
operaciones de sumar vectores en \ n y multiplicar un vector por un escalar. Por esta razón, el Módulo 2
conjunto de todas las posibles entradas (funciones) se llama espacio vectorial.
Módulo 3
Combinación lineal y subespa-
cio generado
Ejercicios
Módulo 3
En el desarrollo de la geometría vectorial hemos identificado los vectores con los Módulo 4
elementos de \ 2 y \ 3 escribiéndolos como parejas o ternas ordenadas de núme- Independencia lineal
ros reales, respectivamente; una vez hecho esto surge el problema de generalizar
este concepto y tener vectores como n-tuplas, conjuntos ordenados de n compo- Ejercicios
nentes en un espacio de n dimensiones. Ahora, ¿por qué querríamos hacer esto? Módulo 4
La respuesta puede ser tan simple como decir que la mayoría de los problemas de la
vida real involucran más variables que sólo dos o tres. Módulo 5
Bases y dimensión
Es claro que cuando generalizamos el concepto de vector a n dimensiones ya no
Ejercicios
tenemos la intuición geométrica que desarrollamos para el plano ( \ 2 ) y el espacio Módulo 5
(\3 ), pero podemos conservar las propiedades algebraicas.
Módulo 6
Subespacios asociados con una
Nos proponemos definir una estructura algebraica llamada espacio vectorial, don-
matriz
de se pueden reunir los conjuntos \2 , \3 y, en general, \n , además de otros con-
juntos tales como las matrices y los polinomios. Con esta abstracción podemos
Ejercicios identificar los vectores como los elementos de un espacio vectorial y en esta forma
Módulo 6 tratar las matrices o los polinomios como vectores.
Módulo 7 Dentro de los espacios vectoriales podemos reconocer conjuntos que guardan en
Coordenadas y cambio de base su interior la estructura de espacio vectorial, llamados subespacios. Una vez esta-
blecida la estructura desarrollamos los conceptos de combinación lineal, indepen-
Ejercicios dencia lineal, base y dimensión, los cuales constituyen los «ladrillos» para la cons-
Módulo 7 trucción de espacios vectoriales. Ubicamos como problema central en este capítu-
lo la determinación de una base para un espacio vectorial. Otros elementos que
aportan a la solución de este problema básico se presentan en el estudio de los
subespacios asociados con una matriz y en el establecimiento de coordenadas y
cambio de base.
20
1
Definición y propiedades del
espacio vectorial
Preguntas básicas
Introducción
Figura 1.1
Sea T el conjunto de todas las fuerzas que actúan sobre P; entonces, podemos decir
que:
i. Si F1 y F2 pertenecen a T, F1 + F2 pertenece a T.
ii. ( F1 + F2 ) + F3 = F1 + ( F2 + F3 ).
22
Módulo 1: Definición y propiedades del espacio vectorial
Figura 1.2
Por otra parte, existe una fuerza de magnitud cero, fuerza nula, que podemos desig-
nar 0 y tiene la propiedad de que:
iii. F + 0 = 0 + F = F.
Por último, es claro que el orden en que se consideran las fuerzas no altera la
resultante, esto es:
v. F1 + F2 = F2 + F1 .
Hemos entonces definido una operación cuyos «factores» son una fuerza y
un número real y su resultado es otra fuerza. Esta operación se dice que es
externa ya que hace intervenir un elemento (el número α ) que no pertene-
ce al conjunto T.
vii. α ( F1 + F2 ) = α F1 + α F2 .
Figura 1.3
viii. (α + β ) F = α F + β F .
ix. α (β F ) = (αβ ) F .
x. 1· F = F .
Definimos en \ 2 una operación binaria interna (es decir, los elementos que intervie-
nen en la operación pertenecen a \ 2 ) que llamaremos suma, así:
( x1 , y1 ) + ( x2 , y2 ) = ( x1 + x2 , y1 + y2 ) ,
i. Si ( x1 , y1 ) y ( x2 , y2 ) ∈ \ 2 , entonces ( x1 , y1 ) + ( x2 , y2 ) ∈ \ 2 .
(( x1 , y1 ) + ( x2 , y2 )) + ( x3 , y3 ) = ( x1 + x2 , y1 + y2 ) + ( x3 , y3 )
= ( x1 + x2 + x3 , y1 + y2 + y3 ).
Por otra parte,
( x1 , y1 ) + [( x2 , y2 ) + ( x3 , y3 )] = ( x1 , y1 ) + ( x2 + x3 , y2 + y3 )
= ( x1 + x2 + x3 , y1 + y2 + y3 ),
24
Módulo 1: Definición y propiedades del espacio vectorial
luego
ii. (( x1 , y1 ) + ( x2 , y2 )) + ( x3 , y3 ) = ( x1 , y1 ) + (( x2 , y2 ) + ( x3 , y3 )).
Así mismo, para cada par ( x, y ) podemos tomar el par (− x, − y ), de modo que:
( x1 , y1 ) + ( x2 , y2 ) = ( x1 + x2 , y1 + y2 ) = ( x2 + x1 , y2 + y1 ) = ( x2 , y2 ) + ( x1 , y1 ).
Entonces,
v. ( x1 , y1 ) + ( x2 , y2 ) = ( x2 , y2 ) + ( x1 , y1 ).
α ⋅ ( x, y ) = (α x, α y ),
siguientes propiedades:
vi. Si α ∈ \ y ( x, y ) ∈ \ 2 , entonces α ( x, y ) ∈ \ 2 .
vii. α (( x1 , y1 ) + ( x2 , y2 )) = α ( x1 , y1 ) + α ( x2 , y2 ).
Demostración
α (( x1 , y1 ) + ( x2 , y2 )) = α ( x1 + x2 , y1 + y2 ) = (α ( x1 + x2 ), α ( y1 + y2 ))
= (α x1 + α x2 , α y1 + α y2 ).
De otro lado,
α ( x1 , y1 ) + α ( x2 , y2 ) = (α x1 , α y1 ) + (α x2 , α y2 ) = (α x1 + α x2 , α y1 + α y2 ).
viii. (α + β )( x, y ) = α ( x, y ) + β ( x, y ).
Demostración
(α + β )( x, y ) = ((α + β ) x, (α + β ) y ) = (α x + β x, α y + β y) y
α ( x, y) + β ( x, y) = (α x, α y) + ( β x, β y) = (α x + β x, α y + β y).
Demostración
α ( β ( x, y)) = α (β x, β y) = (αβ x, αβ y) y
(αβ )( x, y ) = (αβ x, αβ y ).
x. 1( x, y ) = ( x , y ).
Demostración
1( x, y ) = (1x,1 y ) = ( x, y ).
1.2 Definición
Los ejemplos anteriores nos sirven para obtener un conjunto de propiedades comu-
nes a ellos. Todos los resultados que podamos deducir a partir de dichas propieda-
des serán válidos en los ejemplos realizados y en cualquier otro que goce de las
mismas propiedades.
v. a + b = b + a para todo a, b en V .
26
Módulo 1: Definición y propiedades del espacio vectorial
viii. (α + β )a = α a + β a para todo α , β escalares y a ∈ V .
x. 1a = a para todo a ∈ V .
Nota: cuando los escalares son números reales, decimos que se trata de un espacio
vectorial real, y en caso de que sean números complejos hablamos de un espacio
vectorial complejo.
1.3 Ejemplos
Si P ( x) = an x n + an −1 x n −1 + ... + a1 x + a0 y
Q ( x ) = bn x n + bn −1 x n −1 + ... + b1 x + b0 ,
entonces
( P + Q) ( x) = P ( x) + Q( x) =
( an + bn ) x n + (an −1 + bn −1 ) x n −1 + ... + ( a1 + b1 ) x + (a0 + b0 ).
(α p ) ( x) = α ( p ( x))
= α an x n + α an −1 x n −1 + ... + α a1 x + α a0 , α p ∈ Pn .
− p ( x) = − an x n − an −1 x n −1 + ... − a1 x − a0
p( x) + (− p( x)) = 0 ( x).
( f + g ) ( x) = f ( x) + g ( x) y (α f )( x) = α [ f ( x)].
Sea x = 2 e y = 3.
x ⊕ y = 2 − 3 = − 1,
y ⊕ x = 3 − 2 = 1,
luego
x ⊕ y ≠ y ⊕ x.
Sea α = 2, β = 3, x = 4.
(α + β ) x = (2 + 3)4 = 5 × 4 = 20,
28
Módulo 1: Definición y propiedades del espacio vectorial
pero
α x ⊕ β x = 2 × 4 − 3 × 4 = 8 − 12 = − 4.
7. Sea V = {( x, y, z ): ax + by + c z = 0, a, b, c ∈ \} .
( x1 + x2 , y1 + y2 , z1 + z2 ) ∈ V .
Como ( x1 , y1 , z1 ) ∈ V , (1)
De igual forma,
a( x1 + x2 ) + b( y1 + y2 ) + c( z1 + z2 ) = 0.
a x1 + b y1 + c z1 = 0,
α (a x1 + b y1 + c z1 ) = α 0 = 0,
a α x1 + b α y1 + c α z1 = 0.
Por tanto,
(α x1 , α y1 , α z1 ) ∈ V ,
esto es,
α ( x1 , y1 z1 ) ∈ V .
Además, si α = 0, se tiene que (0, 0, 0) ∈ V , y con α = − 1 tenemos
que
− ( x1 , y1 z1 ) ∈ V ,
2 : 3 = 32 = 9
3 ⊕ 4 = 3 × 4 = 12
↓ ↓
4 ⊕ 8 = 32...
Escalar Vector
1 1 1
− : 4 = 4−1 2 = 12
=
2 4 2
↓ ↓
Escalar Vector
(x ⊕ y ) ⊕ z = (x y )z = x(y z ) = x ⊕ (y ⊕ z ).
↓ ↓
Definición de Propiedad asociativa
la operación del producto entre reales
Idéntico aditivo:
30
Módulo 1: Definición y propiedades del espacio vectorial
Inverso aditivo.
x ⊕ (−x) = 0,
luego x(−x) = 1.
1
Así que − x = .
x
1
Como x > 0, > 0 y, por tanto,
x
−x ∈ V .
1.4 Propiedades
Teorema 1
v. Si α x = 0, entonces α = 0 ó x = 0 (o ambos).
0 + 0′ = 0′ y 0′ + 0 = 0 , propiedad iii
luego 0′ = 0 + 0′ = 0′ + 0 = 0. propiedad v
vi. 1 + (−1) = 0,
0 = 0 x = [1 + ( − 1)]x = 1x + ( − 1) x = 0,
1x + ( − 1) x + ( − x ) = − x ,
( x + ( − x )) + ( − 1) x = − x ,
0 + ( − 1) x = − x ,
( − 1) x = − x.
32
Módulo 1
1. Verifique con detalle que \ n es un espacio vectorial.
3. En el ejemplo 7, verifique los axiomas ii, v, vii, viii, ix y x de la definición de espacio vectorial.
5. En el ejemplo 8 verifique el cumplimiento de los axiomas v, vii, viii, ix y x de la definición de espacio vectorial.
En los ejercicios 6 a 16 determine si el conjunto dado, junto con las operaciones dadas, es un espacio vectorial. Si no lo es,
mencione al menos un axioma de la definición que no se cumple.
8. Sea V el conjunto de matrices simétricas reales de n × n con las operaciones matriciales usuales.
9. Sea V el conjunto de matrices antisimétricas reales de n × n con las operaciones matriciales usuales.
10. Sea V el conjunto de matrices invertibles n × n con las operaciones matriciales ordinarias.
11. Sea V el conjunto de matrices no invertibles n × n con las operaciones matriciales ordinarias.
12. Sea V = { An×n / AC = 0, C es una matriz constante de n × n} con las operaciones matriciales ordinarias.
13. Sea V el conjunto de todos los pares ordenados de números reales ( x, y ) con x ≤ 0, con las operaciones usuales
en \ 2 .
14. Sea V = {C} (un conjunto con un solo elemento) con las operaciones de suma y producto por un escalar definidas
por C + C = C y α C = C para todo α ∈ \.
15. Sea V el conjunto \ 3 con la operación de suma usual y la operación producto por un escalar definida por:
α : ( x, y, z ) = ( x,1, z ), α ∈ \.
18. Si x e y son vectores de un espacio vectorial V, demuestre que existe un vector único z ∈ V tal que x + z = y .
Preguntas básicas
1. ¿Qué es un subespacio?
2. Si H es un subespacio de V, ¿el elemento neutro de V pertenece a H?
3. ¿Es la intersección de subespacios de V un subespacio de V? ¿Lo es la unión?
4. ¿En todo espacio vectorial hay subespacios?
Introducción
1. Si x∈ H e y ∈ H , entonces x + y ∈ H .
2. Si x ∈ H , entonces α x ∈ H para todo escalar α .
La demostración del teorema consiste en verificar que al darse las dos reglas de
cerradura se verifican los demás axiomas de la definición de espacio vectorial.
ii. Todo espacio vectorial tiene dos subespacios triviales: el mismo espacio
(V ⊂ V) y el conjunto que tiene como único elemento el módulo. ¿Por qué?
2.2 Ejemplos
H ⊂ \ 2 y H ≠ ∅.
36
Módulo 2: Subespacios
(x1 , y1 ) = ( x1 , m x1 ) y (x2 , y2 ) = ( x2 , m x2 ).
( x1 + x2 , y1 + y2 ) = ( x1 + x2 , mx1 + mx2 )
= (( x1 + x2 , m( x1 + x2 )).
Luego
( x1 + x2 , y1 + y2 )∈ H .
( x, y ) = ( x, m x),
α ( x, y ) = α ( x, mx) = (α x, α mx) = (α x, m(α x) ) ,
(α x, m(α x))∈ H .
Por tanto,
α ( x, y ) ∈ H .
En consecuencia, el conjunto de puntos del plano que están sobre una recta
que pasa por el origen forma un subespacio de \2 .
Sea H = {( x, y ) ∈ \ / y = mx + b} , H ⊂ \ , H ≠ ∅
2 2
2.
Veamos si H es un subespacio de \2 .
H está formado por los puntos sobre una recta de pendiente m e intercepto
con el eje y igual a b. Es decir, una recta que no pasa por el origen.
Sea H = {( x, y, z )∈ \ / x = at , y = bt , z = ct ; a, b, c, t ∈ \} .
3
3.
H es el conjunto de puntos de \ 3 que están sobre una recta del espacio que
pasa por el origen. Comprobemos para H las dos reglas de cerradura.
Sean ( x1 , y1 , z1 ) y ( x2 , y2 , z2 )∈ H ; entonces,
Los subespacios propios de \ 3 son las rectas y los planos que pasan por el
origen.
4. Sabemos que todo polinomio es una función continua, así que el conjunto
de polinomios de grado menor o igual que n en el intervalo cerrado
[ a, b], Pn [ a, b] es un subconjunto del conjunto de funciones continuas
dentro del mismo intervalo.
2.3 Propiedades
Teorema 2
38
Módulo 2: Subespacios
Demostración
H1 ∩ H 2 ≠ ∅ ya que 0 ∈ H1 ∩ H 2 .
(x1 + x 2 )∈ H1 y (x1 + x 2 ) ∈ H 2 .
Es decir,
(x1 + x2 ) ∈ H1 ∩ H 2 .
Ahora, α x1 ∈ H1 y α x1 ∈ H 2 , ya que x1 ∈ H1 y x1 ∈ H 2 .
Luego
α x1 ∈ H1 ∩ H 2 .
Ejemplo
H1 = {( x, y )∈\ 2 / y = x} .
H 2 = {( x, y )∈\ 2 / y = 2 x} .
(1, 1) ∈ H1 y (1, 2) ∈ H 2 .
Entonces
(1, 1) ∈ ( H1 ∪ H 2 ) y (1, 2) ∈ H1 ∪ H 2 .
Pero (1, 1) + (1, 2) = (2, 3) ∉ ( H1 ∪ H 2 ) ya que (2, 3)∉ H1 y (2, 3) ∉ H 2 . Así que
H1 ∪ H 2 no es cerrado bajo la suma y, por tanto, no es un subespacio.
1. V = \2 , W = {( x, y) : x = y} .
2. V = M nn , W = { A ∈ M nn : A es simétrica} .
3. V = \ 3 , W = {( x, y, z ) ∈ \ 3 : ( x, y, z ) es perpendicular a ( a, b, c)} .
4. V = P4 , W = { p ∈ P4 : p(0) = 0} .
5. V = P4 , W = { p ∈ P4 : p(0) = 1} .
6. V = P4 , W = { p ∈ P4 : grado de p = 4} .
7. La traza de una matriz An× n se define como:
Sean V = M nn y W = { A ∈ M nn : tr A = 0} .
⎪⎧ ⎡ a 0 ⎤ ⎪⎫
8. V = M 22 , W = ⎨ A ∈ M 22 : A = ⎢ ⎥ ⎬.
⎩⎪ ⎣ 0 b ⎦ ⎪⎭
⎪⎧ ⎡a b c⎤ ⎪⎫
V = M 23 , W = ⎨ A ∈ M 23 : A = ⎢ , donde a = 2c + 1⎬ .
f ⎥⎦
9.
⎩⎪ ⎣d e ⎭⎪
⎪⎧ ⎡a b c⎤ ⎪⎫
10. V = M 23 , W = ⎨ A ∈ M 23 : A = ⎢ ⎥ , donde b = a + c ⎬ .
⎩⎪ ⎣ d 0 0 ⎦ ⎭⎪
11. V = C [0, 1], W = { f ∈ C [0, 1] : f (0) = f (1) = 0} .
⎪⎧ ⎡0 b c ⎤ ⎪⎫ ⎪⎧ ⎡a b c⎤ ⎪⎫
13. Sean V = M 23 , W1 = ⎨ A ∈ M 23 : A = ⎢ ⎥ ⎬ y W2 = ⎨ A ∈ M 23 : A = ⎢ ⎥ con b = a + c ⎬ .
⎩⎪ ⎣d e f ⎦ ⎭⎪ ⎪⎩ ⎣d e 0⎦ ⎪⎭
a. Demuestre que W1 y W2 son subespacios.
b. Describa el subconjunto W = W1 ∩ W2 y demuestre que es un subespacio.
W = {u ∈ \ 3 : u = α x + β y , con α , β ∈ \} .
Sea W1 + W2 = { v : v = v1 + v 2 con v1 ∈ W1 y v 2 ∈ W2 } .
Ejercicios delElemental
Álgebra Lineal módulo 241
y Aplicaciones
42
3
Combinación lineal y subespacio
generado
Preguntas básicas
Introducción
x = a1 v1 + a2 v 2 + ... + an v n
n
= ∑ ai v i .
i =1
Observaciones
x1 = 1x1 .
4. Todo vector es combinación lineal del conjunto que contiene dicho vector.
v1 = 1 v1 + 0 v 2 + ... + 0 v n .
Ejemplos
Figura 3.1
→ → → → → →
2. Si a y b son vectores libres, Pr ( a / b ), la proyección de a sobre b, es una
→ → → →
combinación lineal de b, y Pr ( b/ a ) es una combinación lineal de a.
44
Módulo 3: Combinación lineal y subespacio generado
⎛ −5 ⎞ ⎛ 4⎞ ⎛ 1⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
3. En \3 , ⎜ −2 ⎟ es una combinación lineal de los vectores 1
⎜ ⎟ y ⎜ 0 ⎟ ya
⎜ −7 ⎟ ⎜ 2⎟ ⎜ −1⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
⎛ −5 ⎞ ⎛ 4⎞ ⎛ 1⎞
que ⎜⎜ −2 ⎟⎟ = − 2 ⎜⎜1 ⎟⎟ + 3 ⎜⎜ 0 ⎟⎟ .
⎜ −7 ⎟ ⎜ 2⎟ ⎜ −1⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
v = a1 v1 + a2 v 2 .
(6, 3) = a1 (2,1) + a2 (−4, − 2)
Luego
6 = 2a1 − 4 a2 ,
3 = a1 − 2a2 ,
⎡ 2 − 4 ⎤ ⎡ a1 ⎤ ⎡6 ⎤
⎢1 − 2 ⎥ ⎢ a ⎥ = ⎢3 ⎥ .
⎣ ⎦ ⎣ 2⎦ ⎣ ⎦
⎡ 2 −4 6 ⎤ operaciones elementales ⎡ 1 −2 3 ⎤
⎢ ⎥ ⎯⎯⎯⎯⎯⎯⎯ →⎢ ⎥.
⎣1 −2 3⎦ se reduce a
⎣ 0 0 0 ⎦
3 + x 2 + x 3 = a1 (−1 + x ) + a2 (1 + x 2 ) + a3 (2 x + x 3 ).
Igualando los coeficientes de los términos del mismo grado en ambos lados
de la igualdad tenemos:
(1) 3 = −a1 + a2 .
(2) 0 = a1 + 2a3 .
(3) 1 = a2.
(4) 1 = a3.
3 + x 2 + x 3 = − 2( −1 + x ) + (1 + x 2 ) + (2 x + x 3 ).
Sean v1, v2,..., vn vectores en un espacio vectorial V, y suponga que todo vector
v ∈ V se puede expresar como una combinación lineal de estos vectores. Entonces
se dice que { v1, v2 ,..., vn} es un conjunto generador de V, o que los vectores v1, v2,..., vn
generan a V.
v = a1 v1 + a2 v 2 + ... + an v n .
Ejemplos
⎛1 ⎞ ⎛0⎞
Los vectores ⎜ ⎟ y ⎜ ⎟ generan \ .
2
6.
⎝ ⎠
0 ⎝ ⎠
1
⎛ 2⎞ ⎛1 ⎞ ⎛ 0 ⎞
Por ejemplo, ⎜ 4 ⎟ = 2 ⎜ 0 ⎟ + 4 ⎜1 ⎟ ,
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
⎛1 ⎞ ⎛ 0⎞ ⎛ 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜1 ⎟ , ⎜ 0 ⎟ generan \ .
3
y los vectores ⎜ 0 ⎟ ,
⎜0⎟ ⎜ 0 ⎟ ⎜1 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
46
Módulo 3: Combinación lineal y subespacio generado
7. En Pn todo polinomio se puede expresar como combinación lineal de los
monomios 1, x, x 2 ,..., x n ; luego generan a Pn .
⎛a b⎞ ⎛1 0 ⎞ ⎛0 1 ⎞ ⎛0 0⎞ ⎛0 0⎞
8. En M 22 : ⎜ ⎟=a⎜ ⎟ + b⎜ ⎟ + c⎜ ⎟ +d⎜ ⎟.
⎝c d ⎠ ⎝0 0⎠ ⎝0 0⎠ ⎝1 0 ⎠ ⎝ 0 1⎠
⎛1 0 ⎞ ⎛ 0 1 ⎞ ⎛ 0 0 ⎞ ⎛ 0 0 ⎞
Entonces, ⎜ ⎟, ⎜ ⎟, ⎜ ⎟, ⎜ ⎟ generan M 22 .
⎝ 0 0 ⎠ ⎝ 0 0 ⎠ ⎝1 0 ⎠ ⎝ 0 1 ⎠
Sean v1, v2, ..., vn n vectores en un espacio vectorial V. El espacio generado por
{v1, v2,..., vn} es el conjunto de las combinaciones lineales de v1, v2,..., vn . Esto es:
Teorema 1
Si v1, v2,..., vn son n vectores en un espacio vectorial V, el gen{ v1, v2 ,..., vn} es un
subespacio de V.
Ejemplos
9. En \, sea A = {1} .
gen A = { x x = a ·1, a ∈ \} = \.
⎡ ⎤
⎡ 1 3 x⎤ ⎡1 3 x ⎤ ⎢1 3 x ⎥
⎢ ⎥R → R + 2 R ⎢ 1
⎥R2 → R2 ⎢ ⎥
⎢ −2 1 y⎥ 2 2
⎢
1 0 7 y + 2x⎥ 7 ⎢0 y + 2x ⎥
1
⎢ ⎥R3 → − R3 ⎢ ⎥
⎣ 0 −1 z ⎦ ⎣0 1 − z ⎦R3 → R3 − R2⎢⎢ 7 ⎥
⎢0 y + 2 x ⎥⎥
0 −z−
⎣⎢ 7 ⎦⎥
Luego los elementos de gen (A) deben satisfacer
( y + 2 x)
−z − = 0,
7
o sea
2 x + y + 7 z = 0.
Nota: el espacio generado por dos vectores no nulos en \ 3 y que no sean paralelos
es un plano que pasa por el origen.
Teorema 2
Sean v1, v2,..., vn , v n +1 , n + 1 vectores que están en un espacio vectorial V. Si v1, v2,..., vn
genera a V, entonces v1 , v2 ,..., vn , vn+1 también genera a V. Esto es, la adición de uno
o más vectores a un conjunto generador de V da por resultado otro conjunto gene-
rador de V.
Demostración
v = a1 v1 + a2 v 2 + ... + an v n + 0 v n +1 ,
Ejemplo
⎪⎧⎛ 1 ⎞ ⎛ 0 ⎞ ⎪⎫
El espacio vectorial \ 2 puede ser generado por el conjunto A = ⎨⎜ ⎟ , ⎜ ⎟ ⎬ . Tam-
⎩⎪⎝ 0 ⎠ ⎝ 1 ⎠ ⎭⎪
⎪⎧⎛ 1 ⎞ ⎛ 0 ⎞ ⎛ 1⎞ ⎪⎫
bién puede ser generado por un conjunto mayor A′ = ⎨⎜ ⎟ , ⎜ ⎟ , ⎜ ⎟ ⎬ .
⎩⎪⎝ 0 ⎠ ⎝ 1 ⎠ ⎝ 1⎠ ⎭⎪
48
Módulo 3
En los ejercicios 1 a 3 determine si el vector dado w es combinación lineal de v1 y v2 . Si lo es, encuentre a1 y a2 tales que
w = a1 v1 + a2 v 2 .
1. v1 = (2, − 1) y v 2 = (−4, 2) .
a. w = (−6, 3).
b. w = (1, 1).
c. w = (0, 0).
a. w = (−3, 9).
b. w = (3, 6).
c. w = (0, 3).
⎡ 1 2⎤ ⎡ 3 2⎤
3. v1 = ⎢ ⎥ , v 2 = ⎢ −1 1 ⎥ .
⎣ −2 1 ⎦ ⎣ ⎦
⎡1 0 ⎤
a. w=⎢ ⎥.
⎣0 1 ⎦
⎡ −3 2 ⎤
b. w=⎢ ⎥.
⎣ −4 1 ⎦
⎡ −13 −6 ⎤
c. w=⎢ ⎥.
⎣ 1 −3 ⎦
4. Sean p1 = x + x 2 , p2 = x + x 3 y p3 = x + x 2 + x 3 .
a. 2x + x 2
b. 2 − 3x + 4 x 2 + x 3
c. 0
d. x
Ejercicios delElemental
Álgebra Lineal módulo 349
y Aplicaciones
En los ejercicios 5 a 10 describa el espacio generado por los vectores dados.
⎡1⎤
5. v = ⎢ ⎥.
⎣1⎦
⎡ 2⎤ ⎡−1⎤
v1 = ⎢⎢1⎥⎥ , v2 = ⎢⎢ 3 ⎥⎥ .
6.
⎢⎣0⎥⎦ ⎢⎣ 0 ⎥⎦
⎡ 3⎤ ⎡6⎤ ⎡7 ⎤
v1 = ⎢⎢0⎥⎥ , v 2 = ⎢⎢ 0 ⎥⎥ , v3 = ⎢⎢0⎥⎥ .
7.
⎢⎣1⎥⎦ ⎢⎣ −1⎥⎦ ⎢⎣ 2⎥⎦
⎡3 0 ⎤ ⎡ −2 0 ⎤
8. A=⎢ ⎥, B=⎢ ⎥.
⎣0 −1⎦ ⎣ 0 1⎦
9. p1 = 2 x + 3, p2 = −3 x − 5.
10. p1 = 3 x + 4 x 2 , p2 = 2 x − 5 x 2 , p3 = x + x 2 .
En los ejercicios 11 a 14 determine si el conjunto dado de vectores genera el espacio vectorial dado.
⎛ 1 ⎞ ⎛ −2 ⎞
11. En \ 2 ; ⎜ ⎟ , ⎜ ⎟ .
⎝ 3⎠ ⎝ 0 ⎠
⎛1⎞ ⎛ 2 ⎞ ⎛ −3 ⎞
12. En \ 2 ; ⎜ ⎟ , ⎜ ⎟ , ⎜ ⎟.
⎝ 2⎠ ⎝ 4 ⎠ ⎝ −6 ⎠
⎛ 1 ⎞ ⎛ −2 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
13. En \ ; ⎜ 2 ⎟ , ⎜ 3 ⎟ , ⎜ 1 ⎟ .
3
⎜ 0⎟ ⎜ 5 ⎟ ⎜ 3⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
⎛ 1⎞ ⎛ 2⎞ ⎛ 5⎞
14. En \ ; ⎜1⎟ ,
3 ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ 4⎟, ⎜ 9⎟.
⎜ 1⎟ ⎜1⎟ ⎜ 3⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
16. Demuestre que si u y v están en gen { v1 , v2 ,..., vk } , entonces u + v y α u están en gen { v1 , v2 ,..., vk } .
Preguntas básicas
Introducción
Definición 1
c1 v1 + c2 v2 + ... + cn vn = 0. (1)
Si los vectores no son linealmente dependientes, se dice que son linealmente inde-
pendientes, LI, es decir, la ecuación:
c1 v1 + c2 v 2 + ... + cn vn = 0
Es claro que la ecuación (1) siempre se satisface si elegimos todos los escalares
c1 , c2 ,..., cn iguales a cero. Lo importante es ver si es posible satisfacer la ecuación
con al menos uno de los escalares diferente de cero.
Ejemplos
Solución
c1 − c2 + 3c3 = 0 ⎡ c1 ⎤
7c1 + c2 + 5c3 = 0 A x = 0, x = ⎢⎢ c2 ⎥⎥ .
−2c1 − 2c3 = 0 ⎢⎣ c3 ⎥⎦
⎡ 1 −1 3 ⎤
⎢7 1 5⎥
La matriz de coeficientes del sistema ⎢ ⎥ se reduce por medio de
⎢⎣ −2 0 −2 ⎥⎦
52
Módulo 4: Independencia lineal
⎡1 0 1 ⎤
⎢0 1 −2⎥
operaciones elementales a ⎢ ⎥ . El sistema equivalente es
⎢⎣0 0 0 ⎥⎦
c1 = −c3 .
c2 = 2c3 .
c3 = c3 .
La fila nula de esta matriz nos indica que el sistema tiene infinitas solucio-
nes, es decir, hay soluciones con x ≠ 0 (c3 ≠ 0) y, por tanto, A es LD.
Solución
Dada la ecuación
c1 ( −1 + x 2 ) + c2 (2 + x ) + c3 x 2 = 0 + 0 x + 0 x 2 ,
Proposiciones
c1 c2
con α = − y β =− .
Vea en su multimedia de Álgebra c3 c3
Lineal el código fuente en
MATLAB para ilustrar «Conjunto
de vectores coplanares» Veamos entonces que u, v y w son coplanares:
w ⋅ (u × v ) = (α u + β v ) · (u × v )
= α (u · (u × v )) + β ( v · (u × v))
= α 0 + β 0 = 0.
Recuerde que tres vectores del espacio son coplanares si y sólo si su producto
triple es igual a cero.
4.3 Propiedades
Teorema 1
Demostración
Examinemos la ecuación
c1 v1 + c2 v 2 + ... + cn vn = 0 ,
54
Módulo 4: Independencia lineal
Como n > m (nº de incógnitas > nº de ecuaciones), el sistema tiene infinitas solu-
ciones. Por tanto, existen escalares c1 , c2 ,..., cn , no todos cero, que satisfacen la
ecuación y { v1 , v2 ,..., vn } es LD.
Corolario
Teorema 2
Teorema 3
Teorema 4
Sea A una matriz n × n . Entonces det A ≠ 0 si y sólo si las columnas de A son LI.
Teorema 5
Demostración
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ an1 ⎠ ⎝ an 2 ⎠ ⎝ ann ⎠ ⎝ xn ⎠
vector de \ n .
Teorema 6
Demostración
a1 v1 + a2 v 2 + ... + ai v i + ... an v n = 0.
Sea ai ≠ 0, entonces,
a1 a a
vi = − v1 − 2 v 2 − ... − n v n .
ai ai ai
Luego v i es una combinación lineal de los restantes n – 1 vectores de S.
Por tanto,
Observación
Ejemplo 3
56
Módulo 4: Independencia lineal
⎡1⎤ ⎡1 ⎤ ⎡ 0⎤ ⎡ 2⎤
⎢1⎥ ⎢0⎥ ⎢1 ⎥ ⎢1 ⎥
con v1 = ⎢ ⎥ , v 2 = ⎢ ⎥ , v3 = ⎢ ⎥ y v 4 = ⎢ ⎥ ,
⎢0 ⎥ ⎢1 ⎥ ⎢1 ⎥ ⎢1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0 ⎦ ⎣0⎦ ⎣ 0⎦ ⎣ 0⎦
En los ejercicios 1 a 4 muestre por inspección que los vectores son linealmente dependientes, LD.
1
3. P1 = −1 + 4 x, P2 = − 2 x, en P1 .
2
⎡1 2 ⎤ ⎡0 1⎤ ⎡ 1 3⎤
4. A1 = ⎢ ⎥, A2 = ⎢ ⎥, A3 = ⎢ ⎥ , en M 22 .
⎣0 −1⎦ ⎣ 4 2⎦ ⎣ 4 1⎦
⎡ −1 3 2 ⎤ ⎡ 0 6 4⎤ ⎡1 0 0⎤
10. A1 = ⎢ ⎥, A2 = ⎢ ⎥, A3 = ⎢ ⎥ , en M 23 .
⎣ 0 0 0⎦ ⎣ 4 6 2⎦ ⎣2 3 1⎦
⎡ −1 0 ⎤ ⎡ 0 1 ⎤ ⎡1 −1⎤ ⎡ 1 1 ⎤
11. ⎢ 3 1 ⎥ , ⎢1 0 ⎥ , ⎢ 0 6 ⎥ , ⎢ −1 2 ⎥ , en M 22 .
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
12. Si {u1 , u2 , u3 } es un conjunto LI, demuestre que {u1 , u 2 } , {u1 , u3 } , {u1} , {u2 } son LI.
15. Si {u1 ,..., un } es LI, pruebe que cualquier subconjunto no vacío de este conjunto es LI.
16. Si {u1 ,..., un } es LD, pruebe que {u1 ,..., un , un +1 ,..., uk } también es LD.
En los ejercicios 18 y 19 escriba la solución del sistema homogéneo dado en términos de uno o más vectores LI.
18. x1 − x2 + 7 x3 − x4 = 0
2 x1 + 3 x2 − 8 x3 + x4 = 0
19. x1 + 2 x2 − x3 = 0
2 x1 + 5 x2 + 4 x3 = 0
Ejercicios
Álgebradel
Ejercicios módulo
Lineal Elemental 4 59
y Aplicaciones
60
5
Bases y dimensión
Preguntas básicas
Introducción
Ejemplos
⎛1⎞ ⎛ 0⎞ ⎛ 0⎞ ⎛ 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟0 ⎜ ⎟1 ⎜ ⎟0 ⎜ 0⎟
⎜#⎟ ⎜ 0⎟ ⎜#⎟ ⎜#⎟
e1 = ⎜ ⎟ , e2 = ⎜ ⎟ ,..., ei = ⎜ ⎟ ,..., en = ⎜ ⎟
⎜#⎟ ⎜#⎟ ⎜ 1⎟ ⎜#⎟
⎜#⎟ ⎜#⎟ ⎜#⎟ ⎜ 0⎟
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝ 0⎠ ⎝ 0⎠ ⎝ 0⎠ ⎝ 1⎠
forman una base para \n . Cada uno de estos conjuntos recibe el nombre de
base natural, estándar o canónica para \ 2 , \ 3 y \ n , respectivamente.
En Pn la base estándar está formada por el conjunto {1, x, x ,..., x } . ¿Por qué?
2 n
2.
⎪⎧⎛ 1 0 ⎞ ⎛ 0 1 ⎞ ⎛ 0 0 ⎞ ⎛ 0 0 ⎞ ⎪⎫
3. En M 22 el conjunto de matrices ⎨⎜ 0 0 ⎟ , ⎜ 0 0 ⎟ , ⎜ 1 0 ⎟ , ⎜ 0 1 ⎟ ⎬ es una
⎩⎪⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎪⎭
base para el espacio vectorial M 22 . Ésta es la base estándar o canónica.
⎧⎛ x ⎞ ⎫
⎪⎜ ⎟ ⎪
4. Sea Π = ⎨⎜ y ⎟ : 3 x − 2 y + z = 0 ⎬ un subespacio de \3 . Vamos a determinar
⎪⎜ z ⎟ ⎪
⎩⎝ ⎠ ⎭
una base para Π.
⎛ x⎞
⎜ ⎟
⎜ y ⎟ ∈ Π ⇔ z = −3x + 2 y.
⎜z⎟
⎝ ⎠
62
Módulo 5: Bases y dimensión
⎛ x ⎞
Así que los vectores de Π tienen la forma ⎜⎜ y ⎟,
⎟
⎜ −3x + 2 y ⎟
⎝ ⎠
siendo x e y valores arbitrarios.
⎛ x ⎞ ⎛1⎞ ⎛ 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟,
⎜ y ⎟ = x⎜ 0 ⎟ + y⎜1⎟
⎜ −3x + 2 y ⎟ ⎜ −3 ⎟ ⎜ 2⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
lo que muestra que estos dos vectores generan Π. Además, son LI ya que
uno no es un múltiplo escalar del otro.
⎧⎛ 1 ⎞ ⎛ 0 ⎞ ⎫
⎪⎜ ⎟ ⎜ ⎟ ⎪
Es decir, ⎨⎜ ⎟ ⎜ ⎟ ⎬ es una base para Π.
0 , 1
⎪⎜ −3 ⎟ ⎜ 2 ⎟ ⎪
⎩⎝ ⎠ ⎝ ⎠ ⎭
Demostración
v = c1 v1 + c2 v 2 + ... + cn v n = d1 v1 + d 2 v 2 + ... + d n v n ,
(c1 − d1 ) v1 + (c2 − d 2 ) v 2 + ... + (cn − d n ) v n = 0.
c1 − d1 = c2 − d 2 = ... = cn − d n = 0 ⇒ ci = di , ∀i.
Teorema 2
Demostración
existe ci ≠ 0.
64
Módulo 5: Bases y dimensión
5.3 Dimensión. Definición, ejemplos y propiedades
Definición 2
Ejemplos
5. dim \ n = n.
6. dim Pn = n + 1.
7. dim M mn = mn.
Teorema 3
Teorema 4
Demostración
Ejemplos
10. Determinemos una base para el espacio solución del sistema homogéneo
x − y − z = 0,
2x − y + z = 0.
⎡ 1 −1 −1⎤ ⎡ 1 −1 −1⎤ ⎡ 1 0 2⎤ .
⎢ 2 −1 1⎥ → ⎢ 0 ⎥ → ⎢ 0 1 3⎥
⎣ ⎦ ⎣ 1 3 ⎦ ⎣ ⎦
Luego,
x = −2 z,
y = − 3 z.
z = 1z.
⎛ −2 ⎞
⎜ ⎟
Todo vector del espacio solución es múltiplo escalar del vector ⎜ −3 ⎟ .
⎜1⎟
⎝ ⎠
Por tanto,
⎧⎛ −2 ⎞ ⎫
⎪⎜ ⎟ ⎪
B = ⎨⎜ −3 ⎟ ⎬ .
⎪⎜ 1 ⎟ ⎪
⎩⎝ ⎠ ⎭
Teorema 5
66
Módulo 5: Bases y dimensión
Demostración
Teorema 6
Ejemplo
Sea S = {(1, − 1, 1), (0, 1, − 1)} . Obtenga una base de \ 3 que contenga a S.
Solución
Como \ 3 tiene dimensión tres, la base para \ 3 debe contener tres vectores.
El conjunto S es LI, ya que los vectores de S no son uno un múltiplo escalar del otro,
luego lo que hace falta es añadir otro vector v tal que v ∉ gen S.
= {x / x = (a, − a + b, a − b)} .
Si v = ( x1 , x2 , x3 ) perteneciera a gen S , entonces:
x1 = a,
x2 = − a + b,
x3 = a − b,
y por tanto
⎡ ⎤
⎢ ⎥
⎡1 0 x1 ⎤ ⎡1 0 x1 ⎤ ⎢1 0 x1 ⎥
⎢ ⎥ operaciones ⎢ ⎥
⎢ −1 1 x2 ⎥ ⎯⎯⎯⎯ → ⎢0 1 x1 + x2 ⎥ → ⎢0 1 x1 + x2 ⎥.
elementales ⎢ ⎥
⎢⎣ 1 −1 x3 ⎥⎦ ⎢⎣ 0 −1 x3 − x1 ⎥⎦ ⎢0 0 x3 − x1 + x1 + x2 ⎥
⎢
⎥
⎣⎢ x3 + x2 ⎦⎥
Una base para \ 3 será B = {(1, − 1, 1), (0, 1, − 1), (0, 1, 0)} .
1( x3 + x2 ) + x1 (1 − 1) = 0 ⇒ x3 + x2 = 0.
Otra manera podría ser probar los vectores de la base canónica hasta que uno de
ellos funcione.
68
Módulo 5
En los ejercicios 1 a 4 explique mediante inspección por qué los vectores dados no forman una base del espacio vectorial
dado.
3. P1 = 1 + 2 x + 3 x 2 , P2 = 2 x + x 2 , P3 = 5 − 3 x, P4 = 3 − 5 x + x 2 , para P2.
⎡3 0 ⎤ ⎡ 5 7⎤ ⎡9 7 ⎤
4. M1 = ⎢ ⎥ , M2 = ⎢ ⎥ , M3 = ⎢ ⎥ , en M 22 .
⎣0 2 ⎦ ⎣ −1 0 ⎦ ⎣2 5⎦
En los ejercicios 5 a 11 determine cuándo los vectores dados forman una base del espacio vectorial dado.
9. P1 = 1 + x, P2 = 3 − x, para P
1.
⎡1 0 ⎤ ⎡1 1 ⎤ ⎡1 1 ⎤ ⎡1 1⎤
11. M1 = ⎢ ⎥, M2 = ⎢ ⎥, M3 = ⎢ ⎥, M4 = ⎢ ⎥ , en M 22 .
⎣0 0⎦ ⎣0 0⎦ ⎣1 0 ⎦ ⎣1 1⎦
En los ejercicios 12 a 17 encuentre una base del espacio vectorial dado y determine su dimensión.
Capítulo 1: Espacios
Álgebra Linealvectoriales
Elemental y Aplicaciones 69
14. Todas las matrices antisimétricas de 3× 3.
19. Determine una base para \ 4 que incluya a los vectores (1, 0, 1, 0) y (0, 1, − 1, 0).
Determine todos los valores de a para los cuales {( a , 0, 1), (0, a, 2), (1, 0, 1)} es una base para \3 .
2
20.
En los ejercicios 22 a 25 encuentre una base para el espacio solución del sistema homogéneo dado.
22. x+ y−z =0
2x − y + 2z = 0
23. x− y =0
−3x + 3 y = 0
24. x − 3y + 2z = 0
−2 x + y + 3 z = 0
3x − 4 y + 5 z = 0
25. −x + 3 y − 2z = 0
−3 x + 9 y − 6 z = 0
2x − 6 y + 4z = 0
Preguntas básicas
Introducción
En esta sección se darán técnicas que nos permiten determinar una base para un Vea el módulo 6 del programa
espacio vectorial que surge como generado por un conjunto de vectores que no de televisión Álgebra Lineal
son linealmente independientes. Además, asignaremos a cada matriz A un número
que nos informa acerca del número de renglones o columnas LI de A. Este número
será el rango de la matriz.
Álgebra Lineal Elemental y Aplicaciones 71
Capítulo 1: Espacios vectoriales
6.1 Esp matrizz A
acios nulo, renglón y columna de una matri
Espacios
Definición 1
Vea en su multimedia de Álgebra
Lineal el código fuente en Sea A una matriz m × n . El conjunto
MATLAB para ilustrar «Base para
el espacio nulo de A»
N A = {x ∈ \ n Ax = 0}
Ejemplo 1
⎡1 −1 2⎤
Sea A = ⎢
0 ⎥⎦
.
⎣3 1
Solución
⎡1 −1 2⎤ ⎡1 −1 2⎤ 1 ⎡ 1 −1 2 ⎤
⎢3 R2 → R2 − 3R1 ⎢ R2 → R2 ⎢
⎣ 1 0 ⎥⎦ ⎣0 4 −6 ⎥⎦ 4 ⎣ 0 1 − 3 2 ⎥⎦
1
x1 = − x3
2
⎡1 0 1
⎤
R1 → R1 + R2 ⎢
2
−3 ⎥ 3
x2 = x3
⎣0 1 2⎦
2
x3 = x3
⎧⎛ − 1 2 ⎞ ⎫
⎪⎜ ⎟⎪
N A = gen ⎨⎜ 3 2 ⎟ ⎬
, ν ( A) = 1.
⎪⎜ 1 ⎟ ⎪
⎩⎝ ⎠⎭
Definición 2
72
Módulo 6: Subespacios asociados con una matriz
i. El espacio generado por los renglones de A,
r1 = (a11 , a12 ,..., a1n ), r2 = (a21 , a22 ,..., a2 n ) ,..., rm = (am1 , am 2 ,..., amn ),
6.2 Propiedades
Teorema 1
Demostración
Este resultado nos permite determinar una base para un espacio vectorial generado
por un conjunto de vectores dado de \n .
Ejemplo 2
⎧⎛ 2 ⎞ ⎛ 4⎞ ⎛ −10 ⎞ ⎛ −8 ⎞ ⎫
⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎪
⎪⎜ −3 ⎟ ⎜ −6 ⎟ ⎜ 15 ⎟ ⎜ 12 ⎟ ⎪⎪
⎪
Sea S = ⎨⎜ 4 ⎟ , ⎜ 5 ⎟, ⎜ −14 ⎟ , ⎜ −10 ⎟ ⎬ .
⎪⎜ 1 ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎪
⎪⎜ ⎟ ⎜ 3⎟ ⎜ 3 ⎟ ⎜ 4 ⎟⎪
⎜ ⎟ ⎜ −4 ⎟ ⎜ 7 ⎟ ⎜ 9 ⎟⎪
⎩⎪⎝ 2 ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠⎭ Vea en su multimedia de Álgebra
Lineal el código fuente en
Determine una base para gen S. MATLAB para ilustrar «Espacio
de renglones y columnas»
Tomamos los vectores de S como renglones de una matriz A y por medio de opera-
ciones elementales obtenemos una matriz equivalente B en forma escalonada. Los
renglones no nulos de B serán LI y formarán una base para RB que es el mismo RA.
Estos vectores tomados como columnas serán una base para gen S.
⎡ 2 −3 4 2⎤ 1 ⎡1 −3
2 2 1
2 1⎤
⎢ 4 −6 5 3 −4 ⎥⎥ operaciones elementales ⎢0 0 1 −1 8 ⎥
A=⎢ ⎯⎯⎯⎯⎯⎯⎯ →B = ⎢ ⎥.
3 3
⎢ −10 15 −14 3 7 ⎥ ⎢0 0 0 1 1 ⎥
10
⎢ ⎥ ⎢ ⎥
⎣ −8 12 10 4 9 ⎦ ⎣0 0 0 0 0⎦
⎧⎛ 1 ⎞ ⎛ 0 ⎞ ⎛ 0 ⎞⎫
⎪⎜ 3 ⎟ ⎜ ⎟ ⎜ ⎟⎪
⎪⎜ − 2 ⎟ ⎜ 0 ⎟ ⎜ 0 ⎟ ⎪⎪
⎪
Base para gen S = ⎨⎜ 2 ⎟ , ⎜ 1 ⎟, ⎜ 0 ⎟⎬.
⎪⎜ 1 ⎟ ⎜ 1 ⎟ ⎜ ⎟⎪
⎪⎜ 2 ⎟ ⎜− 3⎟ ⎜ 1 ⎟⎪
⎜ ⎟ ⎜ 8 ⎟ ⎜ 1 ⎟⎪
⎩⎪⎝ 1 ⎠ ⎝ 3 ⎠ ⎝ 10 ⎠ ⎭
Observación
Teorema 2
Demostración
Las columnas de B que contiene n pivotes son LI porque sus entradas distintas de
cero están en forma escalonada (en el ejemplo 2 las columnas 1, 3 y 4 son LI) .
74
Módulo 6: Subespacios asociados con una matriz
}
⎡* " " ⎤
⎢0 * " ⎥
⎢ ⎥ ρ
⎢ # ⎥
Tm×ρ =⎢ ⎥
⎢0 0 " *⎥
⎢# # ⎥
⎢ ⎥
⎢⎣ 0 0 " 0 ⎥⎦
Las entradas señaladas con * son los pivotes de B y por tanto diferentes de cero.
Por la forma especial de T y b, la ecuación T ρx×1 = mb×1 puede resolverse por sustitu-
ción regresiva. Luego b es combinación lineal de las columnas de T y, por tanto, de
las columnas de B que contienen pivotes.
Teorema 3
Sea mA× n y mB×n la matriz que resulta al reducir A a su forma escalonada. Los vectores
columna de B que contienen los pivotes forman una base para CB , entonces los
vectores columna correspondientes de A formarán una base para C A y, en conse-
cuencia,
dim C A = dim CB .
RA = RB .
ρ : número de pivotes de B.
dim RB = dim RA = ρ .
dim CB = ρ .
dim CB = dim C A .
Definición 3
6.3 Relaciones con el espacio nulo o núcleo de una Consulte el apéndice «Una
matriz A aplicación interesante de los
espacios vectoriales» al final de
este texto.
Sea mA× n y mB× n la matriz que resulta al reducir A a su forma escalonada.
N A = NB .
RA = RB .
Teorema 4
Teorema 5
Sea mA× n . Cada vector del espacio renglón de A, RA es ortogonal a todo vector del
espacio nulo de A, N A .( RA ⊥ N A ).
Demostración
Consideremos la ecuación A x = 0 .
Ahora, si y ∈ R A , entonces
y = C1r1 + C 2 r2 + ... + C m rm y
y ⋅ x = C1r1 ⋅ x + C2 r2 ⋅ x + ... + Cm rm ⋅ x = 0,
luego todo vector del espacio renglón es ortogonal a todo vector del espacio nulo.
76
Módulo 6: Subespacios asociados con una matriz
Ejemplo 3
⎡0 2 −3 1 2⎤
Sea A = ⎢⎢ 0 −2 3 3 1 ⎥.
⎥
⎢⎣ 0 4 −6 6 7 ⎥⎦
Determinemos N A , C A , ρ A , ν A .
Solución
⎡0 2 −3 1 2 ⎤ ⎡0 1 −3
2
1
2 1⎤
⎢ −2 3 ⎥ ⎯⎯⎯⎯⎯⎯⎯
operaciones elementales
→ ⎢ ⎥
⎢0 3 1 ⎢0 0 0 1 4 ⎥.
3
⎥
⎢⎣ 0 4 −6 6 7 ⎥⎦ ⎢⎣ 0 0 0 0 0 ⎥⎦
Variables principales x2 y x4 .
3
x4 = − x5 ,
4
3 1
x2 = x3 − x4 − x5 .
2 2
3 1⎛ 3 ⎞ 3 5
x2 = x3 − ⎜ − x5 ⎟ − x5 = x3 − x5 .
2 2⎝ 4 ⎠ 2 8
Parámetros: x1 , x3 y x5 .
Entonces:
x1 = x1 ,
3 5
x2 = x3 − x5 ,
2 8
x3 = x3 ,
3
x4 = − x5 ,
4
x5 = x5 .
⎧⎛ 1⎞ ⎛ 0 ⎞ ⎛ 0 ⎞ ⎫
⎪⎜ ⎟ ⎜ 3 ⎟ ⎜ −5 ⎟ ⎪
⎪⎜ 0 ⎟ ⎜ 2 ⎟ ⎜ 8 ⎟ ⎪
⎪ ⎪
N A = gen ⎨⎜ 0 ⎟ , ⎜ 1⎟ , ⎜ 0 ⎟ ⎬ , ν A = 3.
⎜
⎪ 0 ⎟ ⎜ ⎟ ⎜ ⎟
Escuche la biografía de Richard
0 −3 ⎪
Hamming en su multimedia de ⎪⎜ ⎟ ⎜ ⎟ ⎜ 4 ⎟ ⎪
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
Álgebra Lineal ⎩⎪⎝ 0 ⎠ ⎝ 0 ⎠ ⎝ 1⎠ ⎭⎪
Observamos que la nulidad de A es igual al número de parámetros en la solución del
sistema homogéneo Ax = 0.
⎧⎛ 3 1 ⎞ ⎛ 3 ⎞⎫
RA = gen ⎨⎜ 0, 1, − , , 1⎟ , ⎜ 0, 0, 0, 1, ⎟ ⎬ .
⎩ ⎝ 2 2 ⎠ ⎝ 4 ⎠⎭
⎧⎛ 2 ⎞ ⎛ 1 ⎞⎫
⎪⎜ ⎟ ⎜ ⎟⎪
C A = gen ⎨⎜ −2 ⎟ , ⎜ 3 ⎟⎬ , ρ A = 2.
⎪⎜ 4 ⎟ ⎜ 6 ⎟⎪
⎩⎝ ⎠ ⎝ ⎠⎭
a. ν ( A) = 0.
b. ρ( A) = n.
Teorema 7
Demostración
⎡ x1 ⎤
⎢x ⎥
[c1 , c 2 ,..., c n ] ⎢ 2 ⎥ = b tiene solución.
⎢#⎥
⎢ ⎥
⎣ xn ⎦
78
Módulo 6: Subespacios asociados con una matriz
Esto es: c1 x1 , c 2 x2 + ... + c n xn = b (ci : columna i de A) tiene solución.
ρ ( A ) = ρ [ A# b ]
ρ ( A ) = ρ [ A# b ] ⇔ b ∈ C A
ρ ( A ) ≠ ρ [ A# b ] ⇔ b ∉ C A y el sistema será inconsistente.
Ejemplo 4
Veamos si el sistema
x+ y−z = 7
6 x + y + 3 z = 20
4 x − y + 5z = 4
tiene solución.
Solución
⎡1 1 −1 7 ⎤ ⎡ 1 1 −1 7 ⎤ ⎡ 1 1 −1 7 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢6 1 3 20 ⎥ → ⎢ 0 −5 9 −22 ⎥ → ⎢ 0 −5 9 −22 ⎥
⎢⎣ 4 −1 5 4 ⎥⎦ ⎢⎣ 0 −5 9 −24 ⎥⎦ ⎢⎣ 0 0 0 −2 ⎥⎦
⎡ 1 1 −1 7 ⎤
⎢ ⎥
→⎢ 0 5 ⎥ ρ ( A) = 2
1 −9 22
5
, b ∉ CA
⎢⎣ 0 0 0 1 ⎥⎦ ρ ( A# b) = 3
1. ⎡ 1 5 3 0 1⎤ 2. ⎡1 4 5⎤ 3. ⎡1 4 0 5⎤
⎢ 0 0 1 7 3⎥ ⎢0 ⎢0 1 3 0 ⎥⎥
⎢ ⎥ ⎢ 0 1⎥⎥ ⎢
⎢⎣ 0 0 0 0 1⎥⎦ ⎢0 0 0⎥ ⎢0 0 1 0⎥
⎢ ⎥ ⎢ ⎥
⎣0 0 0⎦ ⎣0 0 0 1⎦
En los ejercicios 4 a 9 encuentre bases para los espacios nulo, renglón y columna de la matriz dada. Determine además el
rango y la nulidad y verifique en cada caso que ρ A +ν A = n.
4. ⎡ 3 2 5⎤ 5. ⎡ 1 2 −3 ⎤ 6. ⎡ 2 4 0 0⎤
⎢ 4 ⎢ 2 4 5⎥ ⎢ 1 0 3 5⎥
⎢ 3 2 ⎥⎥ ⎢ ⎥ ⎢ ⎥
⎢ −1 7 8⎥ ⎢⎣ −3 −6 0 ⎥⎦ ⎢⎣ 2 6 4 0 ⎥⎦
⎢ ⎥
⎣ 0 6 1⎦
7. ⎡ 0 2 −3 1 2 ⎤ 8. ⎡ 1 4 −1 0⎤ 9. ⎡ −1 − 1 0 0⎤
⎢ 2 −2 3 1 ⎥⎥ ⎢0 0 2
⎢0 −2 3 3 1⎥⎥ ⎢ ⎢ 3 ⎥⎥
⎢
⎢⎣0 4 −6 6 7 ⎥⎦ ⎢1 6 0 2⎥ ⎢ 4 0 −2 1⎥
⎢ ⎥ ⎢ ⎥
⎣2 8 9 0⎦ ⎣ 3 −1 0 4⎦
En los ejercicios 10 a 12 encuentre una base para el espacio generado por los conjuntos de vectores dados.
16. Sea A una matriz diagonal. Demuestre que ρ ( A) es el número de componentes diferentes de cero en la diagonal.
18. Sea A una matriz triangular n × n con ceros en la diagonal. Demuestre que ρ ( A) < n.
19. Sea A una matriz n × n . Demuestre que ρ ( A) < n si y sólo si existe un vector x ∈ \
n
tal que x ≠ 0 y Ax = 0.
Ejercicios
Álgebra del
Ejercicios módulo
Lineal Elemental 681
y Aplicaciones
82
7
Coordenadas y cambio de base
Preguntas básicas
Introducción
Hemos introducido las llamadas bases estándar o canónicas que, por lo general,
son más fáciles de usar. Sin embargo, hay muchos problemas de la física y la inge-
niería donde es más adecuado el uso de otras bases. En este módulo veremos la
manera de pasar la expresión de un vector de una base a otra. Vea el módulo 7 del programa
de televisión Álgebra Lineal
v = a1 v1 + a2 v 2 + ... + an vn .
⎡ a1 ⎤
⎢a ⎥
[ v ]B = ⎢ 2⎥
⎢ # ⎥.
⎢ ⎥
⎣ an ⎦
Ejemplo 1
⎛1⎞ ⎛ 0⎞
En \ , la base canónica está compuesta por los vectores e1 = ⎜ ⎟ y e 2 = ⎜ ⎟ ,
2
⎝ ⎠
0 ⎝1⎠
pero dos vectores de \ 2 LI también forman una base para \ , así: los vectores
2
⎛1⎞ ⎛ 3⎞
v1 = ⎜ ⎟ y v 2 = ⎜ ⎟ forman otra base de \ 2 .
⎝ 2⎠ ⎝ 5⎠
⎛ −1 ⎞
Sea x = ⎜ ⎟ ; entonces, x = −1e1 − 1e 2 .
⎝ −1 ⎠
⎛ −1 ⎞
Si B1 = {e1 , e 2 } ; entonces, (x) B1 = ⎜ ⎟ .
⎝ −1 ⎠
⎧⎪⎛ 1 ⎞ ⎛ 3 ⎞ ⎫⎪ x = ⎛ 1 ⎞ ⎛3⎞
2 ⎜ ⎟ − 1⎜ ⎟
Sea B2 = ⎨⎜ ⎟ , ⎜ ⎟ ⎬ , ⎝ 2⎠ ⎝5⎠
⎪⎩⎝ 2 ⎠ ⎝ 5 ⎠ ⎪⎭
x= 2 v1 − 1v 2
⎛2⎞
luego (x) B2 = ⎜ ⎟ (figura 7.1).
⎝ −1 ⎠
84
Módulo 7: Coordenadas y cambio de base
Figura 7.1
Ejemplo 2
⎛ 3⎞
⎜ ⎟
En la base estándar, B1 = {1, x, x } , es: [ P( x)] = ⎜ 2 ⎟.
2
i. B1
⎜1⎟
⎝ ⎠
ii. En la base B2 = {1 + x, 1 − x 2 , 1 + x + x 2 } es ?
P ( x ) = c1 (1 + x ) + c2 (1 − x 2 ) + c3 (1 + x + x 2 ),
⎡1 1 1 3⎤ ⎡1 1 1 3⎤
⎢ ⎥ ⎢ ⎥
⎢1 0 1 2⎥→⎢0 −1 0 −1⎥
⎢⎣ 0 −1 1 1 ⎥⎦ ⎢⎣ 0 0 1 2 ⎥⎦
⎡1 0 1 2⎤ ⎡1 0 0 0⎤
⎢ ⎥ ⎢ ⎥
⎢0 1 0 1⎥ → ⎢0 1 0 1⎥
,
⎢⎣ 0 0 1 2 ⎥⎦ ⎢⎣ 0 0 1 2 ⎥⎦
luego c1 = 0, c2 = 1 y c3 = 2,
así que:
3 + 2 x + x 2 = 0(1 + x ) + (1 − x 2 ) + 2(1 + x + x 2 ),
⎡0⎤
[ P ( x ) ]B = ⎢⎢1 ⎥⎥ .
2
⎣⎢ 2⎦⎥
Teorema 1
[u]B + [ v ]B = [u + v]B ,
α [u]B = [α u]B .
Observación
⎛ c1 ⎞
⎜ ⎟
para \ . Si v ∈ \ , entonces ( v) B1 = ⎜ c2 ⎟ , es decir,
3 3
⎜c ⎟
⎝ 3⎠
v = c1v1 + c2 v2 + c3 v3 . (1)
Vea en su multimedia de Álgebra
Lineal el código fuente en
MATLAB para ilustrar «Cambio
2
de base por rotación en \ »
86
Módulo 7: Coordenadas y cambio de base
Ahora, cada uno de los vectores v1 , v2 , v3 podemos expresarlo en la base B2 , así:
v1 = a11w1 + a21w 2 + a31w3 .
v 2 = a12 w1 + a22 w 2 + a32 w3 . (2)
v3 = a13 w1 + a23 w 2 + a33 w3 .
= ⎡⎣ ( v1 ) B2 ( v 2 ) B2 ( v 3 ) B2 ⎤⎦ ( v ) B1
= PB2 ← B1 ( v ) B1 .
Definición 2
Teorema 2
Teorema 3
Demostración
P −1 (x) B2 = P −1 P (x) B1
= I (x) B1 = (x) B1 ,
−1
luego (x) B1 = P (x) B2 .
cualquiera, la matriz de transición PB1 ← B2 es la matriz cuyas columnas son los vecto-
res de B2 expresados en B1 ; como los vectores de B2 están dados en la base
estándar, entonces
PB1 ← B2 = [ v1 v 2 ... v n ],
o sea que PB1 ← B2 se forma escribiendo la base B2 como una matriz. Luego, aplican-
do el teorema,
Ejemplo 3
⎧⎛ 1 ⎞ ⎛ 0 ⎞ ⎛ 0 ⎞ ⎫ ⎧⎛ 1 ⎞ ⎛ 1 ⎞ ⎛ 1⎞ ⎫
⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪ ⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪
En \ , sean B1 = ⎨⎜ 0 ⎟ , ⎜ 1 ⎟ , ⎜ 0 ⎟ ⎬ y B2 = ⎨⎜ 0 ⎟ , ⎜ 1 ⎟ , ⎜ 1⎟ ⎬ .
3
⎪⎜ 0 ⎟ ⎜ 0 ⎟ ⎜ 1 ⎟ ⎪ ⎪⎜ 0 ⎟ ⎜ 0 ⎟ ⎜ 1⎟ ⎪
⎩⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎭ ⎩⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎭
⎛ x⎞
Expresemos el vector ⎜⎜ y ⎟⎟ ∈ \ 3 en términos de la base B2 .
⎜z⎟
⎝ ⎠
88
Módulo 7: Coordenadas y cambio de base
Solución
⎡1 1 1⎤
⎢ ⎥
La matriz de transición de B2 a B1 , PB1 ←B2 , está dada por PB1 ← B2 = ⎢0 1 1⎥ .
⎢⎣0 0 1⎥⎦
⎡1 1 1 1 0 0⎤ ⎡1 0 0 1 −1 0 ⎤
⎢ ⎥ ⎢ ⎥
⎢0 1 1 0 1 0⎥ → ⎢ 0 1 0 0 1 −1⎥
⎢⎣ 0 0 1 0 0 1 ⎥⎦ ⎢⎣ 0 0 1 0 0 1 ⎥⎦
PB2 ←B1
⎛ x⎞ ⎛ x⎞
⎜ ⎟ ⎜ ⎟
⎜ y ⎟ = PB2 ← B1 ⎜ y ⎟
⎜z⎟ ⎜z⎟
⎝ ⎠ B2 ⎝ ⎠ B1
⎡1 −1 0 ⎤ ⎡ x ⎤ ⎡ x − y ⎤
= ⎢⎢0 1 −1⎥⎥ ⎢⎢ y ⎥⎥ = ⎢⎢ y − z ⎥⎥ .
⎢⎣0 0 1 ⎥⎦ ⎢⎣ z ⎥⎦ ⎢⎣ z ⎥⎦
Ejemplo 4
B2 = {1, x − 1, x 2 − 1} .
⎡1 −1 −1⎤
PB1 ← B2 = ⎢⎢0 1 0 ⎥⎥ .
⎢⎣0 0 1 ⎥⎦
Determinemos PB2 ← B1
⎡1 −1 −1 1 0 0 ⎤ ⎡1 0 0 1 1 1⎤
⎢ ⎥ ⎢ ⎥
⎢0 1 0 0 1 0 ⎥ → ⎢0 1 0 0 1 0⎥
⎢⎣ 0 0 1 0 0 1 ⎥⎦ ⎢⎣ 0 0 1 0 0 1 ⎥⎦
PB ←B
2 1
⎛ a0 ⎞
⎜ ⎟
a0 + a1x + a2 x expresado como vector coordenado en la base B1 es: ⎜ a1 ⎟
2
⎜a ⎟
⎝ 2⎠
⎛ a0 ⎞ ⎡1 1 1 ⎤ ⎡ a0 ⎤ ⎡ a0 + a1 + a2 ⎤
⎜ ⎟ ⎢0 1 0⎥ ⎢ a ⎥ = ⎢ ⎥
a
⎜ 1⎟ = ⎢ ⎥⎢ 1⎥ ⎢ a1 ⎥.
⎜a ⎟ ⎢ ⎥ ⎢ ⎥ ⎢
⎝ 2 ⎠ B2 ⎣ 0 0 1 ⎦⎣ 2⎦ ⎣
a a 2 ⎦⎥
a0 + a1 x + a2 x 2 = ( a0 + a1 + a2 ) + a1 ( x − 1) + a2 ( x 2 − 1).
Ejemplo 5
⎛2⎞ ⎧⎪⎛ 1⎞ ⎛ 2 ⎞ ⎪⎫
En \ 2 supongamos que (x) B1 = ⎜ −1⎟ , donde B1 = ⎨⎜ 1⎟ , ⎜ 3 ⎟ ⎬ ; expresemos x en
⎝ ⎠ ⎪⎩⎝ ⎠ ⎝ ⎠ ⎭⎪
⎪⎧⎛ 0 ⎞ ⎛ 5 ⎞⎪⎫
términos de la base B2 = ⎨⎜ ⎟ , ⎜ ⎟⎬.
⎩⎪⎝ 3 ⎠ ⎝ −1⎠⎭⎪
(x) B2 = PB2 ← B1 (x) B1 .
⎛ 1⎞ ⎛0⎞ ⎛5⎞
⎜ ⎟ = a11 ⎜ ⎟ + a21 ⎜ ⎟ ,
⎝ ⎠
1 ⎝ ⎠
3 ⎝ −1 ⎠
⎛ 2⎞ ⎛0⎞ ⎛5⎞
⎜ ⎟ = a12 ⎜ ⎟ + a22 ⎜ ⎟ .
⎝ 3⎠ ⎝ 3⎠ ⎝ −1 ⎠
5a21 = 1 5a22 = 2
3a11 − 1a21 = 1
y 3a12 − 1a22 = 3
⎡0 5 1⎤ ⎡0 5 2⎤
⎢ ⎥ ⎢ ⎥
⎣3 −1 1⎦ ⎣3 −1 3⎦
Estos dos sistemas poseen la misma matriz de coeficientes y por tanto podemos
formar una sola estructura con la matriz de coeficientes al lado izquierdo y los
términos independientes al lado derecho.
90
Módulo 7: Coordenadas y cambio de base
⎡0 5 1 2 ⎤ operaciones elementales ⎡ 1 0 2 17 ⎤
⎥ ⎯⎯⎯⎯⎯⎯⎯ →⎢
5 15
⎢ ⎥
⎣3 −1 1 3⎦ ⎣0 1 1
5 5 ⎦
2
↓ ↓
⎛1⎞ ⎛ 2 ⎞
⎜ ⎟ ⎜ ⎟
⎝1⎠ B2 ⎝ 3 ⎠ B2
Luego
⎡ 25 17
⎤
PB2 ← B1 = ⎢
15
⎥.
⎣ 15 2
5 ⎦
Entonces,
⎡ 2 5 17 15 ⎤ ⎡ 2 ⎤
(x) B2 = ⎢ ⎥⎢ ⎥
⎣ 1 5 2 5 ⎦ ⎣ −1⎦
⎡ 13 ⎤
= ⎢ ⎥.
⎣0⎦
⎡⎣ B2 B1 ⎤⎦ ⎯⎯⎯⎯⎯⎯⎯
operaciones elementales
→ ⎡⎣ I PB2 ← B1 ⎤⎦ .
Este teorema se desprende fácilmente del hecho de que los vectores en coordena-
das son n-tuplas ordenadas o sea elementos de \n , y del teorema 4 del módulo 4, el
cual dice que det A ≠ 0 si y sólo si las columnas de A son LI.
⎛1⎞
⎜ ⎟
0
(1 + x 2 ) B1 = ⎜ ⎟ ,
⎜1⎟
⎜ ⎟
⎝0⎠
⎛ −1 ⎞
⎜ ⎟
−3
(−1 − 3 x + 4 x 2 + 5 x 3 ) B1 = ⎜ ⎟ ,
⎜4⎟
⎜ ⎟
⎝5⎠
⎛ 2⎞
⎜ ⎟
5
(2 + 5 x − 6 x 3 ) B1 = ⎜ ⎟ y
⎜ 0⎟
⎜ ⎟
⎝ −6 ⎠
⎛ 4⎞
⎜ ⎟
6
(4 + 6 x + 3 x 2 + 7 x 3 ) B1 = ⎜ ⎟ .
⎜ 3⎟
⎜ ⎟
⎝7⎠
Entonces
1 −1 2 4
0 −3 5 6
det A = ≠ 0.
1 4 0 3
0 5 −6 7
92
Módulo 7
En los ejercicios siguientes, todas las bases son bases ordenadas.
En los ejercicios 1 a 7 calcule el vector coordenado de v con respecto a la base B dada para el espacio vectorial V.
⎪⎧⎛ 1 ⎞ ⎛ 0 ⎞ ⎪⎫ ⎛ 3⎞
1. V es \2 , B = ⎨⎜ ⎟ , ⎜ ⎟ ⎬ , v = ⎜ ⎟.
⎪⎩⎝ 0 ⎠ ⎝ 1 ⎠ ⎪⎭ ⎝1⎠
⎧⎛ 1 ⎞ ⎛ 0 ⎞ ⎛ 0 ⎞ ⎫ ⎛4⎞
⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪ ⎜ ⎟
V es \ ,3
B = ⎨⎜ 0 ⎟ , ⎜ 1 ⎟ , ⎜ 0 ⎟ ⎬ , v = ⎜ −1⎟ .
2.
⎪⎜ 0 ⎟ ⎜ 0 ⎟ ⎜ 1 ⎟ ⎪ ⎜0⎟
⎩⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎭ ⎝ ⎠
⎧⎛ 1 ⎞ ⎛ 0 ⎞ ⎛ 1 ⎞ ⎫ ⎛2⎞
⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪ ⎜ ⎟
V es \ ,3
B = ⎨⎜ −1⎟ , ⎜ 1 ⎟ , ⎜ 0 ⎟ ⎬ , v = ⎜ 3 ⎟ .
3.
⎪⎜ 0 ⎟ ⎜ 0 ⎟ ⎜ 2 ⎟ ⎪ ⎜ −1⎟
⎩⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎭ ⎝ ⎠
4. V es P1 , B = {1 + x, − 1 + 2 x} , v = 3 + 4 x.
5. V es P2 , B = {1, x − 1, x 2 − 1} , v = 1 + 2x − x2 .
6. V es P2 , B = {1 − x + x 2 ,1 + x,1 + x 2 } , v = 3 − 2x + 4x2 .
⎪⎧ ⎡1 0 ⎤ ⎡1 1 ⎤ ⎡1 1 ⎤ ⎡1 1⎤ ⎪⎫ ⎡ 2 0⎤
7. V es M 22 , B = ⎨⎢ ⎥, ⎢ ⎥, ⎢ ⎥, ⎢ ⎥⎬ v=⎢ ⎥.
⎩⎪ ⎣ 0 0 ⎦ ⎣ 0 0 ⎦ ⎣1 0 ⎦ ⎣1 1⎦ ⎪⎭ ⎣ −1 3⎦
⎪⎧⎛ 1 ⎞ ⎛ −2 ⎞ ⎫⎪ ⎪⎧⎛ 1 ⎞ ⎛ 1
⎞ ⎪⎫ ⎧⎪⎛ −2 ⎞ ⎛ 1 ⎞ ⎫⎪ ⎪⎧⎛ 3 ⎞ ⎛ −1 2 ⎞ ⎪⎫
B1 = ⎨⎜ ⎟ , ⎜ ⎟ ⎬ , B2 = ⎨⎜ −1 2 ⎟ , ⎜ 2
⎟ ⎬ , B3 = ⎨⎜ ⎟ , ⎜ ⎟ ⎬ , B4 = ⎨⎜
2
⎟ , ⎜ 3 ⎟⎬
⎪⎩⎝ 3 ⎠ ⎝ 1 ⎠ ⎪⎭ ⎪⎩⎝ 2 ⎠ ⎝
1
2 ⎠⎪ ⎭ ⎩⎪⎝ 1 ⎠ ⎝ 3 ⎠ ⎭⎪ ⎩⎪⎝
1
2 ⎠ ⎝ 2 ⎠ ⎭⎪
bases para \ .2
a. de B1 y B2 .
b. de B2 y B3 .
c. de B1 y B3 .
Multiplique las matrices de a y b en ambas formas. ¿Está alguno de estos productos relacionado con la matriz de c?
En los ejercicios 11 a 13 calcule el vector v si el vector de coordenadas [ v ]B está dado con respecto a la base B de V.
⎡ −1⎤
12. V es P2 , B = {1 − x, 1, 1 + x + x 2 } , ( v) B = ⎢⎢ 1 ⎥⎥ .
⎢⎣ 2 ⎥⎦
⎡2⎤
⎢1⎥
13. V es P3 , B = {−1 + x 2 , 2 + 2 x + x 3 , 1 + 2 x − x 2 + 3 x 3 , 2 x 2 + 3 x 3 } , ( v)B = ⎢ ⎥ .
⎢ −1⎥
⎢ ⎥
⎣3⎦
Sean B1 = {(1, 3), (−1, 2) } , B2 = {(0, 1), (−2, 3) } bases para \ , y sean v = (3, 4), w = (−4, 5) .
2
14.
f. Determine los vectores de coordenadas de v y w con respecto de B2 utilizando PB2 ←B1 . Compare las respuestas
con las del literal a.
⎡ 2 3⎤
⎢ −1 2 ⎥ , determine B1 .
⎣ ⎦
17. Sean B1 = { v1 , v2 , v3 } y B2 = {w1 , w 2 , w3 } bases para \ 3 , donde v1 = (1, 0, 1), v 2 = (1, 1, 0), v 3 = (0, 0, 1). Si la
⎡ 1 1 2⎤
matriz de transición de B2 en B1 es ⎢⎢ 2 1 1 ⎥⎥ , determine B2 .
⎢⎣ −1 −1 1 ⎥⎦
⎡ 2 1⎤
B1 es ⎢ 1 1⎥ , determine B2 .
⎣ ⎦
19. Suponga que los ejes x e y en el plano se rotan un ángulo θ en sentido antihorario generando nuevos ejes x′, y′.
20. En P2 : 3 + 2 x, 1 − x + x 2 , 2 x − x 2 .
21. En P2 : −2 + 2 x, 2 x + x + 12 x 2 , x + 4 x 2 .
⎡ 2 3 ⎤ ⎡ 0 7 ⎤ ⎡ 1 0 ⎤ ⎡ 1 1⎤
22. En M 22 : ⎢ ⎥, ⎢ ⎥, ⎢ ⎥, ⎢ ⎥.
⎣ 4 −1⎦ ⎣9 6⎦ ⎣ 4 −2⎦ ⎣0 3⎦
23. En Pn : { p1 , p2 ,..., pn +1 : pi (0) = 0, i = 1,..., n + 1} .
Ejercicios
Módulo 8
Módulo 9
Método de aproximación por
mínimos cuadrados
El experimentador desea comprobar la relación existente entre la fuerza aplicada al resorte y su Ejercicios
deformación. Para ello elabora una tabla donde registra el peso aplicado y la deformación sufrida
por el resorte, y obtiene una nube de puntos que ajusta a una recta mediante el método de
Módulo 9
mínimos cuadrados.
Módulo 10
Espacios con producto interno
Ejercicios
Módulo 10
Preguntas básicas
1. ¿Qué es un conjunto ortogonal?
2. ¿Qué propiedades tienen los conjuntos ortogonales?
3. ¿Cómo se construye una base ortonormal para un subespacio de \ n ?
4. ¿Cómo se calcula la proyección ortogonal de un vector sobre un subespacio?
5. ¿Cómo se encuentra el complemento ortogonal de un subespacio H de \ n ?
6. ¿Cómo se relacionan un subespacio H y su complemento ortogonal H ⊥ en \ n ?
7. ¿En la descomposición de un vector a ∈ \ n , como a = p + q con p ∈ H y
q ∈ H ⊥ , a qué son iguales p y q?
8. ¿Cuál es la mejor aproximación de un vector a ∈ \ n a los vectores de un subespacio
H de \ n ?
Introducción
100
Módulo 8: Bases ortonormales y proyecciones en \ n
8.1 Conjuntos ortonormales
Definición 1
1. u i · u j = 0 para i ≠ j.
2. ui = 1.
Como los vectores de S son de magnitud unitaria, se dice que son vectores norma-
lizados. De ahí que un conjunto que cumpla las dos condiciones se llame ortonormal.
Recordemos que si x ∈ \n , x = ( x1 ,x2 ,...,xn ) y la magnitud de x, x , está dada por:
Si ui = 1, entonces ui · ui = 1.
Ejemplo 1
a = 10 , b = 11 y c = 110 .
Los vectores
a 1 b 1 c 1
u1 = = (1, 3, 0), u 2 = = (3, − 1, 1) y u 3 = = (3, − 1, 10)
a 10 b 11 c 110
Demostración
Planteamos la ecuación
ci (u i · u i ), de donde ci ui = 0.
2
Corolario 1
ortonormal B = {u1 ,u2 ,..., uk } . La solución a este problema nos la brinda el siguien-
te teorema, conocido como proceso de ortonormalización de Gram-Schmidt.
Teorema 2
Demostración
102
Módulo 8: Bases ortonormales y proyecciones en \ n
Paso 1
Paso 2
Sea
v′2 = v2 − proyu1 v2 .
( v 2 · u1 )
proyu1 v 2 = 2
u1 ;
u1
como u1 = 1,
v ′2 = v 2 − ( v 2 · u1 )u1 .
v ′2 ⋅ u1 = v 2 ⋅ u1 − ( v 2 ⋅ u1 ) u1 ⋅ u1 = 0.
N
1
Figura 8.1
Paso 3
0 1 0
= 0.
Paso 5
v ′p +1
Sea u p +1 = .
v ′p +1
Ejemplo 2
⎧⎛ x ⎞ ⎫
⎪ ⎪
Sea W = ⎨⎜⎜ y ⎟⎟ : x − y + 2 z = 0 ⎬ un subespacio en \3 .
⎪⎜ z ⎟ ⎪
⎩⎝ ⎠ ⎭
104
Módulo 8: Bases ortonormales y proyecciones en \ n
ii. Determine una base ortonormal para W.
⎛2⎞
⎜ ⎟
iii. Si a = ⎜ 1 ⎟ ∈ \3 , determine proyW a.
⎜ −1⎟
⎝ ⎠
Solución
⎛ x⎞ ⎛ x ⎞ ⎛ y − 2z ⎞ ⎛ 1 ⎞ ⎛ −2 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
i. ⎜ y ⎟ ∈W ⇔ ⎜ y ⎟ = ⎜ y ⎟ = y ⎜ 1⎟ + z ⎜ 0 ⎟.
⎜z⎟ ⎜z⎟ ⎜ z ⎟ ⎜ 0⎟ ⎜ 1 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠
⎧⎛ 1 ⎞ ⎛ −2 ⎞ ⎫
⎪⎜ ⎟ ⎜ ⎟ ⎪
W = gen ⎨⎜ 1 ⎟ , ⎜ 0 ⎟ ⎬ . Como los vectores son LI, entonces
⎪⎜ 0 ⎟ ⎜ 1 ⎟ ⎪
⎩⎝ ⎠ ⎝ ⎠ ⎭
⎧ ⎛1⎞ ⎛ −2 ⎞ ⎫
⎪ ⎜ ⎟ ⎜ ⎟⎪
v =
⎨ 1 ⎜ ⎟1 , v 2 = ⎜ 0 ⎟ ⎬ es una base para W . dim W = 2.
⎪ ⎜0⎟ ⎜ 1 ⎟⎪
⎩ ⎝ ⎠ ⎝ ⎠⎭
⎛1⎞
v1 1 ⎜ ⎟
1. u1 = = 1 .
v1 2 ⎜⎜ ⎟⎟
⎝0⎠
2. v ′2 = v 2 − ( v 2 · u1 ) u1
⎛ −2 ⎞ ⎡⎛ −2 ⎞ ⎛ 1 2 ⎞ ⎤ ⎛ 1 2 ⎞ ⎛ −1⎞
⎜ ⎟ ⎢⎜ ⎟ ⎜ 1 ⎟ ⎥ ⎜ 1 ⎟ ⎜ ⎟
= ⎜ 0 ⎟ − ⎢⎜ 0 ⎟ . ⎜ 2 ⎟ ⎥ ⎜ 2 ⎟ = ⎜ 1 ⎟ .
⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 1 ⎠ ⎣⎢⎝ 1 ⎠ ⎝ 0 ⎠ ⎦⎥ ⎝ 0 ⎠ ⎝ 1 ⎠
⎛ −1 ⎞
v ′2 1 ⎜ ⎟
3. u2 = = 1 .
v ′2 3 ⎜⎜ ⎟⎟
⎝1⎠
⎧⎛ 1 2 ⎞ ⎛ −1 ⎞⎫
⎪⎜ ⎟ ⎜ ⎟⎪
3
Base ortonormal de W = ⎨⎜ 1 2 ⎟ , ⎜ 1 3 ⎟⎬
.
⎪⎜ ⎟ ⎜1 ⎟⎪
⎩⎝ 0 ⎠ ⎝ 3 ⎠⎭
⎡ ⎛ 2 ⎞ ⎛ 1 2 ⎞ ⎤ ⎛ 1 2 ⎞ ⎡ ⎛ 2 ⎞ ⎛ −1 ⎞ ⎤ ⎛ −1 ⎞ ⎛ 13 6 ⎞
⎢ ⎜ ⎟ ⎜ 1 ⎟ ⎥ ⎜ 1 ⎟ ⎢⎜ ⎟ ⎜ 1 ⎟⎥ ⎜ 1 ⎟ ⎜5 ⎟
3 3
= ⎢ ⎜ 1 ⎟ . ⎜ 2 ⎟ ⎥ ⎜ 2 ⎟ + ⎢⎜ 1 ⎟ . ⎜ 3 ⎟⎥ ⎜ 3 ⎟ = ⎜ 6 ⎟.
⎢⎣⎜⎝ −1⎟⎠ ⎜⎝ 0 ⎟⎠ ⎥⎦ ⎜⎝ 0 ⎟⎠ ⎢⎜⎝ −1⎟⎠ ⎜ 1 ⎟⎥ ⎜ 1 ⎟ ⎜ −2 ⎟
3 ⎠ ⎝ 3⎠
⎣ ⎝ 3 ⎠⎦ ⎝
Figura 8.2
Los vectores u1 y u 2 forman una base ortonormal para el plano generado por los
vectores v1 y v2 (figura 8.2).
Calcular las coordenadas de un vector relativas a una base puede ser un problema
relativamente difícil; ahora, si la base es ortonormal, esto es bastante sencillo, como
se ve en el siguiente teorema.
Teorema 3
v = ( v ⋅ u1 )u1 + ( v ⋅ u 2 )u 2 + ... + ( v ⋅ u n )u n .
v = proy Rn v.
Demostración
106
Módulo 8: Bases ortonormales y proyecciones en \ n
Multiplicando escalarmente por ui , i = 1,..., n, a ambos lados de la igualdad tene-
mos:
v ⋅ ui = c1 (u1 ⋅ ui ) + c2 (u 2 ⋅ ui ) + ... + ci (ui ⋅ ui ) + ... + cn (u n ⋅ ui )
0 0 1 0
= ci .
Ejemplo 3
⎧ ⎛ 1 2 ⎞ ⎛ −2 1 ⎞ ⎫
Sea B = ⎨u1 = ⎜ , 0, ⎟ , u2 = ⎜ , 0, ⎟ , u 3 = (0, 1, 0) ⎬ una base
⎩ ⎝ 5 5⎠ ⎝ 5 5⎠ ⎭
ortonormal para \3 . Expresemos el vector v = (2, − 3, 1) como una combinación
lineal de los vectores de B.
Teorema 4
H ⊥ = {u ∈ \ n : u ⋅ h = 0 , para todo h ∈ H } .
Ejemplo 4
W ⊥ está formado por todos los vectores ortogonales a (1, 2, 3); se puede mostrar
que W ⊥ es el plano que pasa por el origen con vector normal (1, 2, 3).
Teorema 5
a. H ⊥ es un subespacio de \n .
b. H ∩ H ⊥ = {0} .
c. dim H ⊥ = n − dim H .
Demostración
Sean x1 , x 2 ∈ H ⊥ , x1 ⋅ h = 0 y x 2 ⋅ h = 0, ∀h ∈ H .
Luego
(x1 + x 2 ) ⋅ h = x1 ⋅ h + x 2 ⋅ h = 0 + 0 = 0.
Ahora,
α x1 ⋅ h = α (x1 ⋅ h) = α 0 = 0,
lo que prueba que H ⊥ es un subespacio de \n .
x = (0, 0,..., 0)
y, por tanto,
c. Sea {u1 , u 2 ,..., u k } una base ortonormal de H. Esta base puede ampliarse
108
Módulo 8: Bases ortonormales y proyecciones en \ n
el proceso de Gram-Schmidt, B se puede transformar en una base ortonormal de \n .
Sea x ∈ H ⊥ ; entonces x ∈ \ n y
Sean H un subespacio de \ n y v ∈ \ .
n
p ∈ H y q ∈ H ⊥ y v = p + q,
Ejemplo 5
⎧⎛ 1 2 ⎞ ⎛ −1 ⎞⎫
⎪⎜ ⎟ ⎜ ⎟⎪
3
B = ⎨⎜ 1 2 ⎟ , ⎜ 1 3 ⎟⎬
⎪⎜ ⎟ ⎜1 ⎟⎪
⎩⎝ 0 ⎠ ⎝ 3 ⎠⎭
⎛2⎞ ⎛ 13 6 ⎞
⎜ ⎟
y para a = ⎜⎜ 1 ⎟⎟ encontramos proyW a = ⎜ 5 6 ⎟ .
⎜ −1⎟ ⎜ −2 ⎟
⎝ ⎠ ⎝ 3⎠
p = proyW a y q = proyW ⊥ a,
a = p + q ⇒ q = a − p = a − proyW a,
⎛ 2 ⎞ ⎛ 13 6 ⎞ ⎛ −1 6 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
q = ⎜ 1 ⎟ − ⎜ 5 6 ⎟ = ⎜ 1 6 ⎟ = proyW ⊥ a,
⎜ −1⎟ ⎜ −2 ⎟ ⎜ −3 ⎟
⎝ ⎠ ⎝ 3⎠ ⎝ 3⎠
⎧⎛ x ⎞ ⎫
⎪⎜ ⎟ ⎪
W = ⎨⎜ y ⎟ : x − y + 2 z = 0 ⎬ .
⎪⎜ z ⎟ ⎪
⎩⎝ ⎠ ⎭
q
q puede ser una base para W ⊥ y q una base ortonormal para W⊥.
1
q= ,
6
entonces
⎛ −1 6 ⎞ ⎛ −1 ⎞
⎜ ⎟ ⎜ ⎟
6
q
= 6 ⎜ 16 ⎟ = ⎜ 1 6 ⎟
.
q ⎜ −1 ⎟ ⎜ −2 ⎟
⎝ 3⎠ ⎝ 6⎠
⎧⎛ −1 ⎞⎫
⎪⎜ ⎟⎪
6
⊥
Base ortonormal de W = ⎨⎜ 1 6 ⎟⎬
.
⎪⎜ −2 ⎟ ⎪
⎩⎝ 6 ⎠⎭
⊥
No es necesario averiguar el valor de q para determinar la base de W . De la ecua-
ción de W sabemos que (1, –1, 2) es un vector normal a W, y por tanto pertenece a W⊥.
⎧⎛ 1 ⎞ ⎫ ⎧⎛ 1 ⎞⎫
Luego una base de W puede ser ⎨ −1 ⎬ y una base ortonormal de W = ⎪⎨⎜⎜ −1 ⎟⎪
6
⊥ ⎪⎜ ⎟ ⎪
6 ⎟⎬
.
⎜ ⎟
⎪⎜ 2 ⎟ ⎪ ⎪⎜ 2 ⎟⎪
⎩⎝ ⎠ ⎭ ⎩⎝ 6 ⎠⎭
Demostración
110
Módulo 8: Bases ortonormales y proyecciones en \ n
Ahora,
( v − proy H v ) ∈ H ⊥ y (proy H v − h) ∈ H ,
y entonces
(v − proy H v) ⋅ (proy H v − h) = 0.
v − h = ( ( v − proy H v) + (proy H v − h) ) ⋅ ( ( v − proy H v ) + (proy H v − h) )
2
= v − proy H v + proy H v − h .
2 2
Si h ≠ proy H v ,
y por tanto
v − h > v − proy H v .
⎛ 13 6 ⎞ ⎛2⎞
⎜5 ⎟ ⎜ ⎟
En el ejemplo 5, p = proyW a = ⎜ 6 ⎟ es el vector en W más cercano a a = ⎜ 1 ⎟ .
⎜ −2 ⎟ ⎜ −1⎟
⎝ 3⎠ ⎝ ⎠
i. a⋅b ≤ a b .
Figura 8.3
La distancia (al cuadrado) del punto b a la recta que lleva la dirección de a es:
2 2
⎛ a ⋅b ⎞ 2(a ⋅ b) 2 ⎛ a ⋅ b ⎞ 2
b − ⎜ 2 ⎟a = b − +⎜ 2 ⎟ a
2
⎜ a ⎟ a
2
⎜ a ⎟
⎝ ⎠ ⎝ ⎠
b a − (a ⋅ b) 2
2 2
= 2
.
a
Como esta distancia es mayor que cero, entonces el numerador en la expresión
anterior debe ser positivo, luego
b a − (a ⋅ b ) 2 > 0,
2 2
b a > (a ⋅ b)2 .
2 2
b a > a⋅b .
a⋅b = a b .
112
Módulo 8
1. Verifique que las siguientes son bases ortogonales para \ 3 . Obtenga bases ortonormales a partir de ellas.
2. Utilice el proceso de Gram-Schmidt para transformar la base de un subespacio de \ 3 , dada por {(1, 1, −1), (0, 1, − 1)} , en
una base ortonormal.
3. Igual que en el ejercicio 2, con la base {(1, −1, 0), (2, 0, 1)} .
4. Utilice el proceso de Gram-Schmidt para determinar una base ortonormal para el subespacio de \ 4 con base
{(1, −1, 0, 1), (0, 0, 1, 0), (2, 0, 0, − 1)} .
⎧⎛ 1 1 1 ⎞ ⎛ 1 2 1 ⎞ ⎛ 1 1 ⎞⎫
5. Sea S = ⎨⎜ , , ⎟, ⎜ − , ,− ⎟, ⎜− , 0, ⎟ ⎬ una base ortonormal de \ . Escriba el vector
3
⎩⎝ 3 3 3⎠ ⎝ 6 6 6⎠ ⎝ 2 2⎠⎭
(1, 2, − 1) en esta base.
⎧ ⎛ 1 2 ⎞⎫
6. Sea W el subespacio de \ 3 con base ortonormal ⎨(0, 1, 0), ⎜ , 0, ⎟ ⎬ . Escriba el vector v = (1, 2, − 1) como
⎩ ⎝ 5 5 ⎠⎭
p + q con p ∈ W y q ∈ W ⊥ .
7. Determine la distancia del punto (2, 3, − 1) al plano 3x − 2 y + z = 0. (Sugerencia: encuentre la proyección ortogonal
de (2, 3, − 1) sobre el plano.)
8. Construya una base ortonormal para el espacio solución del sistema homogéneo:
x + 3 y − 5z = 0
2x − y + z = 0
3x + 2 y − 4 z = 0
CapítuloÁlgebra
2: Lineal
Ortogonalidad
Elemental y Aplicaciones 113
⎛ 1 2 ⎞
9. Encuentre una base ortonormal en \ 3 que incluya los vectores u1 = ⎜ , 0, ⎟ y u 2 = (0, 1, 0).
⎝ 5 5⎠
a. Calcule proyH v.
b. Encuentre una base ortonormal para H ⊥ .
c. Escriba v = p + q con p ∈ H y q ∈ H ⊥ .
⎪⎧ ⎡ x ⎤ ⎫⎪ ⎡ 3⎤
10. H = ⎨⎢ ⎥ ∈ \ 2 : 2 x − y = 0⎬ ; v = ⎢ ⎥ .
⎩⎪ ⎣ ⎦
y ⎭⎪ ⎣5⎦
⎧⎡ x ⎤ ⎫ ⎡ −3⎤
⎪⎢ ⎥ ⎪
11. H = ⎨ ⎢ y ⎥ ∈ \ : 3x − 2 y + 6 z = 0 ⎬ ; v = ⎢⎢ 1 ⎥⎥ .
3
⎪⎢ z ⎥ ⎪ ⎢⎣ 4 ⎥⎦
⎩⎣ ⎦ ⎭
⎧⎡ x ⎤ ⎫ ⎡1⎤
⎪⎢ ⎥ ⎪ ⎢ −1⎥
⎪ y ⎪
12. H = ⎨ ⎢ ⎥ ∈ \ 4 : x = 2 y, w = − y ⎬ ; v = ⎢ ⎥ .
⎪⎢ z ⎥ ⎪ ⎢2⎥
⎢ ⎥
⎪ ⎣ w⎦ ⎪ ⎢ ⎥
⎩ ⎭ ⎣3⎦
Preguntas básicas
Introducción
En estos procesos se trata de ajustar una curva a los diversos puntos obtenidos
experimentalmente. En general, el resultado obtenido es un sistema de ecuaciones
Ax = y inconsistente. El problema entonces es encontrar un x en R n tal que Ax
sea tan cercano a y como sea posible. Vea el módulo 9 del programa
de televisión Álgebra Lineal
Figura 9.1
Una forma de minimizar los errores es hacer mínima la suma de los cuadrados de los
errores (ε12 + ε 22 + ... + ε n2 ) .
ε1 = y1 − (b + mx1 )
ε 2 = y2 − (b + mx2 )
. .
. .
ε n = yn − (b + mxn ).
y1 = (b + mx1 )
y2 = (b + mx2 ) o Y = AX
# #
yn = (b + mxn )
116
Módulo 9: Método de aproximación por mínimos cuadrados
⎛ y1 ⎞ ⎡1 x1 ⎤
⎜ ⎟ ⎢1
y2 x2 ⎥⎥ ⎛b⎞
con Y = ⎜ ⎟ , A=⎢ y X = ⎜ ⎟.
⎜ # ⎟ ⎢# #⎥ ⎝m⎠
⎜ ⎟ ⎢ ⎥
⎝ yn ⎠ ⎣1 xn ⎦
⎡ ε1 ⎤
⎢ε ⎥
Y − AX = ⎢ 2 ⎥ , Y − AX = ε12 + ε 22 + ... + ε n2 .
⎢#⎥
⎢ ⎥
⎣ε n ⎦
AX = proyCA Y.
El espacio columna de A, CA, puede ser un plano o una recta que pasa por el origen.
Representemos C A como un plano que pasa por el origen (figura 9.2).
Figura 9.2
AX ⋅ (Y − AX) = 0,
( AX)T (Y − AX) = 0,
XT AT (Y − AX) = 0 ,
XT ( AT Y − AT AX) = 0 ∀X ∈ R 2 .
Luego AT Y − AT AX = 0,
AT AX = AT Y.
Esta ecuación matricial representa dos ecuaciones con dos incógnitas, que frecuen-
temente se denominan ecuaciones normales.
Si AT A es invertible (se puede demostrar que esto sucede cuando los n datos no
son colineales), X tiene solución única dada por:
X = ( AT A) −1 AT Y.
Ejemplo 1
Encuentre la recta que da el mejor ajuste para los datos (2, 1), (3, 2), (4, 3), (5, 2).
En este caso:
⎡1 2⎤ ⎡1 ⎤
⎢1 3 ⎥⎥ ⎢2⎥
⎛b⎞
A=⎢ , Y = ⎢ ⎥, X=⎜ ⎟
⎢1 4⎥ ⎢3⎥ ⎝m⎠
⎢ ⎥ ⎢ ⎥
⎣1 5⎦ ⎣2⎦
AT AX = AT Y
118
Módulo 9: Método de aproximación por mínimos cuadrados
⎡1 2⎤ ⎡1 ⎤
⎢ ⎥ ⎢ ⎥
⎡1 1 1 1 ⎤ ⎢1 3⎥ ⎡1 1 1 1 ⎤ ⎢ 2⎥
=⎢ ⎥ X=⎢ ⎥ .
⎣ 2 3 4 5 ⎦ ⎢1 4⎥ ⎣ 2 3 4 5 ⎦ ⎢ 3⎥
⎢ ⎥ ⎢ ⎥
⎣1 5⎦ ⎣ 2⎦
⎡ 4 14 ⎤ ⎡ b ⎤ ⎡ 8 ⎤
⎢14 54 ⎥ ⎢ m ⎥ = ⎢30⎥
⎣ ⎦⎣ ⎦ ⎣ ⎦
⎡ 4 14 8 ⎤ operaciones elementales ⎡1 0 3 ⎤
⎥ ⎯⎯⎯⎯⎯⎯⎯ →⎢
5
⎢ ⎥.
⎣14 54 30 ⎦ ⎣0 1 5⎦
2
3 2
Ecuación de la recta: y = + x.
5 5
⎛ 1 ⎞ ⎡1 2⎤ ⎛ 1⎞ ⎛ 75 ⎞
⎜ ⎟ ⎢ ⎜ ⎟ ⎜ ⎟
2 1 3 ⎥⎥ ⎡ 3 5 ⎤ ⎜ 2 ⎟ ⎜ 9 5 ⎟
Y − AX = ⎜ ⎟ − ⎢ = −
⎜ 3 ⎟ ⎢1 4 ⎥ ⎢⎣ 2 5 ⎥⎦ ⎜ 3 ⎟ ⎜ 11 5 ⎟
⎜ ⎟ ⎢ ⎥ ⎜ ⎟ ⎜ ⎟
⎝ 2 ⎠ ⎣1 5⎦ ⎝ 2 ⎠ ⎝ 13 5 ⎠
⎛ −2 5 ⎞
⎜1 ⎟
4 + 1 + 16 + 9 6
Y − AX = ⎜ ⎟ = = ≈ 1.1.
5
⎜ 45 ⎟ 25 5
⎜ −3 ⎟
⎝ 5⎠
Figura 9.3
Figura 9.4
y1 = a + bx1 + cx12
y2 = a + bx2 + cx22
# # o Y = AX
yn = a + bxn + cx 2
n
con
⎛ y1 ⎞ ⎡1 x1 x12 ⎤
⎜ ⎟ ⎢ ⎥ ⎛a⎞
y 1 x2 x22 ⎥ ⎜ ⎟
Y = ⎜ 2 ⎟, A=⎢ y X = ⎜ b ⎟.
⎜ # ⎟ ⎢# # #⎥
⎜ ⎟ ⎢ ⎥ ⎜ ⎟
⎝c⎠
⎝ yn ⎠ ⎣⎢ 1 xn xn2 ⎦⎥
AT Y = AT AX.
Ejemplo 2
El método de ajuste cuadrático se puede usar para hacer estimaciones de las cons-
tantes físicas. Veámoslo:
120
Módulo 9: Método de aproximación por mínimos cuadrados
Un cubito se desliza sin fricción sobre el plano inclinado de la figura 9.5 y partiendo
del punto 0.
Figura 9.5
g 2
Su ley de movimiento está dada por: x(t ) = v0 t + t .
4
t = 1s x = 12.4 m
t = 2s x = 29.8 m
t = 3s x = 52.0 m
t = 4s x = 79.21 m
Sean
⎛ 12.4 ⎞ ⎡1 1 ⎤
Y = ⎜ 52.0
29.8 ⎟ ,
⎜ 79.21⎟
A = ⎢ 23 94 ⎥ ,
⎢ ⎥ ( )
X = vg 0 .
4
⎝ ⎠ ⎣ 4 16 ⎦
⎡ 12.4 ⎤
AT Y = ⎡⎢1 2 3 4 ⎤ ⎢ 29.8 ⎥ = ⎡ 544.84 ⎤ ,
⎣1 4 9 16⎥⎦ ⎢ 52.0 ⎥ ⎢⎣1866.96⎥⎦
⎣79.21⎦
⎡1 1 ⎤
AT A = ⎡⎢11 24 93 16
4 ⎤ ⎢ 2 4 ⎥ = ⎡ 30 100 ⎤ .
⎣ ⎦⎥ ⎢ 3 9 ⎥ ⎣⎢100 354⎦⎥
⎣ 4 16⎦
( ) ( )
X = 9.96 v0
2.46 = g 4 .
g ≈ 9.84 m/s 2 .
⎡1 1 ⎤ ⎡12.42 ⎤
AX = ⎢ 2 4 ⎥ ⎡ 9.96 ⎤ = ⎢ 29.76 ⎥ .
⎢3 9 ⎥ ⎣⎢ 2.46 ⎦⎥ ⎢52.02 ⎥
⎣ 4 16 ⎦ ⎣ 79.2 ⎦
12.4 − 12.42 −0.02
29.8 − 29.76 = 0.04 = (0.02) 2 + (0.04) 2 + (0.02) + (0.01) 2
ε = 52.0 − 52.02 0.02
79.21 − 79.2 0.01
= 0.05.
122
Módulo 9
En los ejercicios 1 a 4 determine la recta de mínimos cuadrados para los datos dados.
En los ejercicios 5 y 6 determine el polinomio cuadrático de mínimos cuadrados para los puntos dados.
⎡ 1 −2 ⎤ ⎡3⎤
⎢ −1 2 ⎥ ⎢ ⎥
7. Sean A = ⎢ ⎥ e y = ⎢ 1 ⎥.
⎢0 3⎥ ⎢ −4 ⎥
⎢ ⎥ ⎢ ⎥
⎣2 5⎦ ⎣2⎦
8. Encuentre el mejor ajuste cuadrático para los datos del ejemplo 2. ¿Qué tipo de ajuste ocasiona el menor error?
9. Se tienen dos magnitudes relacionadas cuadráticamente x e y, es decir, existen constantes a, b y c tales que y = a + bx + cx 2 .
En las mediciones experimentales de estas magnitudes se obtuvieron los siguientes datos:
x 0 0.5 1 2 2.5 3 4 5
y 3.2 1.6 2 –0.4 –0.8 –1.6 0.3 2.2
Capítulo Álgebra
2: Ortogonalidad
Lineal Elemental y Aplicaciones 123
124
10
Espacios con producto interno
Preguntas básicas
Introducción
Ejemplo 1
x ⋅ y = x1 y1 + x2 y2 + ... + xn yn .
i. x ⋅ x ≥ 0.
ii. x ⋅ x = 0 si y sólo si x = 0.
iii. x ⋅ (y + z ) = x ⋅ y + x ⋅ z.
iv. (x + y ) ⋅ z = x ⋅ z + y ⋅ z.
v. x ⋅ y = y ⋅ x.
vi. α x ⋅ y = x ⋅ α y = α (x ⋅ y ).
126
Módulo 10: Espacios con producto interno
La propiedad v del producto escalar se convierte en propiedad conmutativa ya que
( y ⋅ x ) = (y ⋅ x) debido a que el producto escalar es un número real.
Del mismo modo la propiedad vii del producto interno queda integrada con la
propiedad vi ya que los escalares son números reales y α (x ⋅ y ) = α (x ⋅ y ) .
Ejemplo 2
x = ( x1 , x2 ,..., xn ) e y = ( y1 , y2 ,..., yn ) .
2
= x1 + x2 + ... + x j + ... + xn ≥ 0.
2 2 2
ii. (x , x) = 0 ⇔ x = 0.
Veamos la condición v.
( y , x ) = y 1 x1 + y 2 x2 + .... + yn xn
= y1 x1 + y2 x2 + .... + yn xn
= y1 x1 + y2 x2 + .... + yn xn
= y1 x1 + y2 x2 + .... + yn xn
= x1 y1 + x2 y2 + .... + xn yn = (x, y ).
( x, α y ) = (α y , x) = (α y , x ) = α ( y , x ) = α ( x, y ).
v) vi ) v)
En M 3× 2 si
Ejemplo 4
b
i. (f, f) = ∫ a
f 2 (t ) dt ≥ 0. Del cálculo sabemos que si h ∈ C[ a ,b] y h ≥ 0
b
∫
b
sobre [a, b], entonces ∫ a
h(t ) dt ≥ 0. Ahora, si a
h(t ) dt = 0, entonces
En este espacio trabajamos con escalares reales, luego las propiedades se dan en la
misma forma que cuando se trabaja con el producto escalar.
Ejemplo 5
128
Módulo 10: Espacios con producto interno
Ejemplo 6
En C[ 0,1 ] , sean:
f (t ) = t 2 + 3,
g (t ) = 2t 2 − t.
Entonces
∫
1
( f , g) = (t 2 + 3)(2t 2 − t ) dt
0
1
= ∫ 0
(2t 4 − t 3 + 6t 2 − 3t ) dt
1
t5 t 4 t3 t2 ⎤ 13
= 2 − +6 −3 ⎥ = .
5 4 3 2 ⎦0 20
x = (x, x).
(x, y) = 0.
Ejemplo 7
En ^ 2 , sea x = (2 + i, − 1 + 3i ). Calculemos x .
x = ( x, x) ,
(x, x) = (2 + i )(2 − i ) + (−1 + 3i )(−1 − 3i ) = 15,
x = 15 .
Ejemplo 8
2π
2π 1 2π cos 2t
(sen t , cos t ) = ∫ 0
sen t cos t dt =
2 ∫ 0
sen 2t dt = −
4 0
= 0.
1
⎡ 2π (1 + cos 2t ) ⎤
1
2π
(cos t , cos t ) = ⎡ ∫ cos 2 t dt ⎤
2
= ⎢∫
2
cos t = dt ⎥
⎣⎢ 0 ⎦⎥ ⎣ 0 2 ⎦
1
2π
⎛1⎛ ⎞
2
sen 2t ⎞
= ⎜ ⎜t + ⎟ ⎟⎟ = π.
⎜2⎝ 2 ⎠0
⎝ ⎠
Definición 3
i. (u i , u j ) = 0 para i ≠ j.
ii. ui = 1.
con producto interno, hallar una base ortonormal B = {u1 , u 2 ,..., u k } para el
subespacio.
Ejemplo 10
1
Sea u1 = .
1
( ∫ 1 dx )
1
1 2
1 = (1, 1) = = ( x −1 ) = 2 =
2 1 1 1
2 2
2.
−1
130
Módulo 10: Espacios con producto interno
1
u1 = .
2
⎛ 1 ⎞ 1
v ′2 = v 2 − ( v 2 , u1 )u1 = x − ⎜ x, ⎟ .
⎝ 2⎠ 2
1
⎛ 1 ⎞ 1 1 x2 ⎤
1
⎜ x,
⎝
⎟ =
2⎠
∫ −1
x dx =
2
⎥ = 0.
2 2 ⎦ −1
v′2 = x.
1
(∫ )
x 1
1
2 ⎛ x3 ⎤ 1 ⎞ 2
2
u2 = , x = ( x, x ) = 2
x dx =⎜ ⎥ ⎟ = .
x −1 ⎜ 3 ⎦ −1 ⎟ 3
⎝ ⎠
3
= x.
2
v ′3 = v 3 − ( v 3 , u1 )u1 − ( v 3 , u 2 )u 2
⎛ 1 ⎞ 1 ⎛ 3 ⎞ 3
= x2 − ⎜ x2 , ⎟ − ⎜⎜ x 2 , x⎟ x.
⎝ 2⎠ 2 ⎝ 2 ⎟⎠ 2
1
⎛ 2 1 ⎞ 1 1 1 x3 ⎤ 2
⎜x ,
⎝
⎟ =
2⎠
∫ −1
x2 .
2
dx = ⎥ =
2 3 ⎦ −1 3
,
⎛ 2 3 ⎞
1
1 3 3 x4 ⎤
⎜⎜ x , x⎟ = ∫ x dx = = 0.
2
x ⎥
⎝ 2 ⎟⎠ −1 2 2 4 ⎦ −1
Luego
2 1 1
v ′3 = x 2 − = x2 − .
3 2 3
1
⎡ 1 ⎛ 2 1 ⎞2 ⎤
2
1 8
′
v3 = x − = ⎢ ∫ ⎜ x − ⎟ dx ⎥
2
= ,
3 ⎢⎣ −1 ⎝ 3⎠ ⎥⎦ 3 5
3 5 ( 3x − 1)
2
3 5 ⎛ 2 1⎞ 5
u3 = ⎜x − ⎟ = = (3 x 2 − 1).
8 ⎝ 3⎠ 8 3 8
⎪⎧ 1 3 5 2 ⎫⎪
B = ⎨ , x, (3 x − 1) ⎬ .
⎩⎪ 2 2 8 ⎭⎪
proy H v = ( v, u1 ) u1 + ( v, u 2 ) u 2 + .... + ( v, u k ) u k .
Definición 5
ii. Todo vector v ∈ V se puede expresar de manera única como suma de dos
⊥
vectores p y q tales que p ∈ H y q ∈ H ; p será proy H v pero q no es
proy H ⊥ v ya que ésta no está definida debido a que H ⊥ tiene dimensión
infinita.
Ejemplo 11
Sea p ( x ) = a0 + a1 x + a2 x 2 + a3 x 3 un elemento de H ⊥ .
Como p ( x) debe ser ortogonal a los vectores de la base de H, entonces
( p ( x ), 1) = 0 y ( p ( x ), x 2 ) = 0.
132
Módulo 10: Espacios con producto interno
1
( p( x), 1) = ∫ 0
(a0 + a1 x + a2 x 2 + a3 x 3 ) dx
1
x2 x3 x4 ⎤
= a0 x + a1 + a2 + a3 ⎥
2 3 4 ⎦0
a1 a2 a3
= a0 + + + = 0. (1)
2 3 4
1
( p( x), x 2 ) = ∫ 0
(a0 x 2 + a1 x3 + a2 x 4 + a3 x5 ) dx
1
x3 x4 x5 x6 ⎤
= a0 + a1 + a2 + a3 ⎥
3 4 5 6 ⎦0
a0 a1 a2 a3
= + + + = 0. (2)
3 4 5 6
Debemos resolver simultáneamente las ecuaciones (1) y (2) para determinar la base
de H ⊥ .
a1 a2 a3
a0 + + + = 0,
2 3 4
a0 a1 a2 a3
+ + + = 0.
3 4 5 6
⎡ 1 1 1 1
⎤ operaciones elementales ⎡1 0 −1
4⎤
−1
⎥ ⎯⎯⎯⎯⎯⎯⎯ →⎢
2 3 4 5
⎢1 1 ⎥⎦
.
⎣ 3 1
4
1
5
1
6⎦ ⎣0 1 16
15
1 1
Luego a0 = a2 + a3 ,
5 4
16
a1 = − a2 − 1a3 ,
15
a2 = 1a2 + 0a3 ,
a3 = 0a2 + 1a3 .
⎛ 15 ⎞ ⎛ 14 ⎞
⎜ −16 ⎟ ⎜ ⎟
Por tanto, los vectores ⎜
15 ⎟
y ⎜ −1⎟ forman una base para H ⊥ .
⎜ 1 ⎟ ⎜0⎟
⎜ ⎟ ⎜ ⎟
⎝ 0 ⎠ ⎝1⎠
⎧ 1 16 1 ⎫
base para H ⊥ = ⎨ − x + x 2 , − x + x3 ⎬ .
⎩ 5 15 4 ⎭
134
Módulo 10
⎛ x1 ⎞ ⎛ y1 ⎞
En \ , si x = ⎜ ⎟ , y = ⎜ ⎟ , sea ( x, y ) = 2 x1 y1 + 2 x2 y2 .
2
1.
⎝ 2⎠
x ⎝ y2 ⎠
Demuestre que ( x , y ) es un producto interno.
⎛ 1⎞ ⎛ 2⎞
2. Con el producto interno definido en el ejercicio 1, sea x = ⎜ ⎟ e y = ⎜ ⎟ . Calcule (x, y ) y x .
⎝ 1⎠ ⎝ 3⎠
3. Considere una forma de «normar» el ascenso a una montaña. Los índices de dificultad son como se muestra:
Una norma de dificultad para un viaje de x1 millas en la categoría 1, x2 millas en la categoría 2 y x3 millas en la categoría
(( x1 , x2 , x3 ), ( y1 , y2 , y3 )) = x1 y1 + 2 x2 y2 + 4 x3 y3 .
T1 3 2 1
T2 0 6 0
T3 5 0 1
8. Si A = ( aij ) es una matriz real de n × n, la traza de A, que se escribe tr A, es la suma de los componentes de la diagonal
de A : tr A = a11 + a22 + ... + ann . En M nn se define ( A, B) = tr ( ABt ) .
10. En P3 [0, 1], sea W el subespacio de P3 con base B = { x, x 2 } . Determine una base ortonormal para W.
Ejercicios
Módulo 11
Módulo 12
Propiedades de las transforma-
Un caricaturista emplea computadores y álgebra lineal para transformar la imagen y dar la sensación ciones lineales. Núcleo e imagen
de movimiento a la figura que dibuja. En la figura, la imagen de la izquierda se trasforma en la de
la derecha, haciendo una transformación que consiste en multiplicar cada punto (vector) de la
Ejercicios
figura inicial por una matriz A: (T ( x ) = Ax ).
Módulo 12
Módulo 13
El problema de la representación
matricial de las transformacio-
nes lineales
El concepto de función es uno de los más importantes en matemáticas. En particu-
lar, uno de los objetos principales del álgebra lineal es el análisis de las funciones Ejercicios
lineales definidas entre espacios vectoriales de dimensión finita. Estas funciones Módulo 13
reciben el nombre de transformaciones lineales y son de gran aplicación en múlti-
ples problemas de las ciencias físicas, naturales y sociales y en economía. Módulo 14
Isomorfismos o transformacio-
Nuestros ejemplos principales van a ser funciones de n
en m
que están asocia- nes lineales invertibles
das con matrices.
Ejercicios
Como resultado fundamental del capítulo vamos a asociar a cada transformación Módulo 14
lineal definida entre espacios vectoriales de dimensión finita una matriz de transfor-
mación; este hecho lo hemos destacado como el tercer problema básico del álgebra Módulo 15
lineal. Isometrías
Preguntas básicas
Introducción
De los cursos anteriores de matemáticas sabemos que una función f consta de dos
conjuntos A y B y una regla f ( x) que asigna a cada elemento de A un único
elemento de B. El conjunto A se llama dominio de f y B codominio de f . Escribimos
f : A → B para indicar que f es una función del conjunto A en el conjunto B.
Por lo general, se ha trabajado con funciones donde el dominio es el conjunto de Vea el módulo 11 del programa
de televisión Álgebra Lineal
números reales y el codominio es algún subconjunto de . Un tipo especial de
estas funciones son las llamadas funciones lineales , ya que la gráfica de la función
es una línea recta.
Álgebra Lineal Elemental y Aplicaciones 139
Capítulo 3: Transformaciones lineales
Queremos destacar dos propiedades que poseen algunas funciones lineales, las
rectas que pasan por el origen, esto es, f : → , f ( x) = mx, donde m es la
pendiente de la recta. Veamos que:
1. f ( x1 + x2 ) = m( x1 + x2 ) = mx1 + mx2 = f ( x1 ) + f ( x2 ).
2. f (α x) = m(α x) = α (mx) = α f ( x).
140
Módulo 11: Definiciones, ejemplos y álgebra de las transformaciones lineales
T ( x + y ) = T (x) + T ( y ).
b. Para todo x ∈ V y α ∈ (o α ∈ )
T (α x) = α T (x).
Una transformación lineal es, entonces, una función entre dos espacios vectoriales
«que preserva las operaciones de espacio vectorial». Es decir, la imagen de la suma
de dos vectores del dominio es la suma de las imágenes de cada uno de los vectores
y la imagen del producto de un vector del dominio por un escalar es el producto de
la imagen del vector por el escalar. Gráficamente es como se representa en la figura
11.1.
Figura 11.1
Ejemplo 1
Solución
T ( x + y ) = m ( x + y ) + b = mx + my + b. (1)
T (x) + T ( y ) = ( m x + b) + ( my + b) = mx + my + 2b. (2)
Las funciones correspondientes a los ejemplos 1 y 2 son líneas rectas. Sin embargo,
la recta dada en el ejemplo 2 no es una transformación lineal; la diferencia entre ellas
es el término constante; en el ejemplo 1, donde el b es cero, hay linealidad; si b ≠ 0
como en el ejemplo 2, no hay linealidad. En conclusión, las únicas rectas que repre-
sentan transformaciones lineales son las rectas que pasan por el origen.
Ejemplo 3
a. T (x + y ) = A(x + y ) = Ax + Ay = T (x) + T (y ).
b. T (α x) = A(α x) = α ( Ax) = α T (x).
A la función f A : n → m
tal que f A ( x ) = Ax con A una matriz m × n se le llama
función inducida por A.
Ejemplo 4
⎡ 3 2 −1⎤
Sea A = ⎢ ⎥, T :
3
→ 2
tal que
⎣ − 1 0 −2 ⎦
⎡x ⎤ ⎡x ⎤
⎡ 3 −1 ⎤ ⎢ y ⎥ es la función inducida por A.
T ⎢⎢ y ⎥⎥ = ⎢ 2
⎥ ⎢ ⎥
⎣−1 0 −2 ⎦ ⎢ ⎥
⎣⎢ z ⎦⎥ ⎣z ⎦
142
Módulo 11: Definiciones, ejemplos y álgebra de las transformaciones lineales
⎡x ⎤
⎡ 3x + 2 y − z ⎤
T ⎢⎢ y ⎥⎥ = ⎢ ⎥ es una transformación lineal.
⎢⎣ z ⎥⎦ ⎣− x − 2 z ⎦
Ejemplo 5
⎡cos θ −sen θ ⎤
Sea A = ⎢
cos θ ⎥⎦
.
⎣sen θ
Figura 11.2
⎛x⎞
Sea v = ⎜ ⎟ un vector en el plano xy. Supongamos que v se gira un ángulo θ en
⎝ y⎠
⎛ x′ ⎞
sentido antihorario. Sea v ' = ⎜ ⎟ el vector rotado, el cual no cambia su magnitud al
⎝ y′ ⎠
ser transformado, v = v' = r. Entonces
⎡r cos (α + θ )⎤ ⎡ x´ ⎤
=⎢ ⎥ = ⎢ ⎥ = v′.
⎣r sen (α + θ ) ⎦ ⎣ y´ ⎦
Un fabricante produce tres artículos diferentes para lo cual requiere dos materias
primas. La tabla 11.1 nos muestra el número de unidades de cada materia prima que
se requieren para la elaboración de cada artículo.
Tabla 11.1
Si se necesita producir cierta cantidad de los artículos A1, A2, A3 debemos preguntar-
nos: ¿cuántas unidades de las materias primas M1 y M2 se requieren?
⎡ a1 ⎤
Se define un vector de producción p = ⎢⎢a2 ⎥⎥ , donde a1, a2, a3 denotan las cantidades
⎢⎣ a3 ⎥⎦
que se deben producir de los artículos A1, A2, A3, respectivamente.
⎡ m1 ⎤
Similarmente, definimos m = ⎢ ⎥ , donde m1 y m2 denotan las cantidades de las
⎣m2 ⎦
materias primas M1 y M2 requeridas para la producción. Luego
m1 = 2a1 + a2 + 2a3 ,
m2 = a1 + 2a2 + 3a3 ,
⎡ a1 ⎤
⎡2 1 2⎤ ⎢ ⎥ ⎡ m1 ⎤
⎢ 1 2 3⎥ ⎢a2 ⎥ = ⎢m ⎥ ,
⎣ ⎦⎢ ⎥ ⎣ 2⎦
⎣ a3 ⎦
o también
Ap = m.
144
Módulo 11: Definiciones, ejemplos y álgebra de las transformaciones lineales
Ejemplo 7
Ejemplo 8
b
Sea L : C[a, b] → definida por L ( f ) = ∫ a
f ( x ) dx. Entonces, si f y g están en
C[a, b] :
b b b b
a. ∫ a
( f + g )( x) dx = ∫ a
( f ( x) + g ( x)) dx = ∫ a
f ( x) dx + ∫ g ( x) dx
a
L( f + g ) = L( f ) + L( g ).
∫ ∫ α ( f ( x)) dx = α ∫ f ( x) dx
b b b
b. (α f )( x) dx =
a a a
L (α f ) = α L( f ).
Ejemplo 9
Entonces
T ( v1 + v 2 ) = 0 = 0 + 0 = T ( v1 ) + T ( v 2 ) y T (α v ) = 0 = α 0 = α T ( v).
Ejemplo 10
Ejemplo 11
⎛ ⎛ a b ⎞ ⎞ ⎛ 1 0 ⎞⎛ a b ⎞
T ⎜⎜ ⎟⎟= ⎜ ⎟⎜ ⎟.
⎝ ⎝ c d ⎠ ⎠ ⎝ −1 2 ⎠⎝ c d ⎠
⎛⎛a b ⎞ ⎛ e f ⎞⎞ ⎛⎛ a + e b + f ⎞⎞
i. T ⎜⎜ ⎟+⎜ ⎟⎟= T ⎜⎜ ⎟⎟
⎝⎝ c d ⎠ ⎝ g h ⎠⎠ ⎝⎝c + g d + h ⎠⎠
⎛ 1 0 ⎞ ⎛ a + e b + f ⎞ ⎛ 1 0 ⎞ ⎛ ⎡a b ⎤ ⎡e f ⎤⎞
= ⎜ ⎟⎜ ⎟=⎜ ⎟⎜ ⎢ ⎥ + ⎢ ⎥⎟
⎝ −1 2 ⎠ ⎝ c + g d + h ⎠ ⎝ −1 2 ⎠ ⎝ ⎣ c d ⎦ ⎣g h ⎦ ⎠
⎡ 1 0⎤ ⎡a b ⎤ ⎡ 1 0⎤ ⎡ e f⎤
=⎢ ⎥ ⎢ ⎥ + ⎢ ⎥⎢
⎣ −1 2 ⎦ ⎣ c d ⎦ ⎣ −1 2 ⎦ ⎣ g h ⎥⎦
⎡a b ⎤ ⎡e f ⎤
=T⎢ ⎥ + T⎢ ⎥.
⎣c d ⎦ ⎣g h ⎦
⎛ ⎡a b ⎤ ⎞ ⎡⎛ α a α b ⎞ ⎤ ⎡ 1 0 ⎤ ⎡α a αb⎤
T ⎜α ⎢ ⎥ ⎟ = T ⎢⎜ ⎟⎥ = ⎢ ⎥⎢ α d ⎦⎥
ii.
⎝ ⎣c d ⎦ ⎠ ⎣⎝ α c α d ⎠ ⎦ ⎣ −1 2 ⎦ ⎣α c
⎡ 1 0⎤ ⎡a b ⎤ ⎡1 0⎤ ⎡ a b ⎤
= ⎢ ⎥ α⎢ ⎥ = α⎢
⎣ −1 2 ⎦ ⎣ c d ⎦ ⎣ −1 2 ⎥⎦ ⎢⎣ c d ⎥⎦
⎡a b ⎤
= αT ⎢ ⎥.
⎣c d ⎦
146
Módulo 11: Definiciones, ejemplos y álgebra de las transformaciones lineales
Teorema 1
Demostración
(T1 + T2 )( v1 + v 2 ) = T1 ( v1 + v 2 ) + T2 ( v1 + v 2 )
= T1 ( v1 ) + T1 ( v 2 ) + T2 ( v1 ) + T2 ( v 2 )
= (T1 ( v1 ) + T2 ( v1 )) + (T1 ( v 2 ) + T2 ( v 2 ))
= (T1 + T2 )( v1 ) + (T1 + T2 )( v 2 ).
Ahora,
(T1 + T2 )(α v1 ) = T1 (α v1 ) + T2 (α v1 )
= α T1 ( v1 ) + α T2 ( v1 )
= α (T1 ( v1 ) + T2 ( v1 ))
= α ((T1 + T2 ) v1 ).
Figura 11.3
Teorema 2
Demostración
Sean v1 y v 2 elementos de U y α ∈
. Entonces
i. T1 o T2 ( v1 + v 2 ) = T1 (T2 ( v1 + v 2 ))
= T1 (T2 ( v1 ) + T2 ( v 2 ))
= T1 (T2 ( v1 )) + T1 (T2 ( v 2 ))
= T1 o T2 ( v1 ) + T1 o T2 ( v 2 ).
ii. T1 o T2 (α v1 ) = T1 (T2 (α v1 ))
= T1 (α T2 ( v1 ))
= α T1 (T2 ( v1 ))
= α (T1 o T2 ( v1 )).
Ejemplo 13
(T1 + T2 )(a + bx + cx 2 ) = T1 (a + bx + cx 2 ) + T2 (a + bx + cx 2 )
= (b + cx) + (c − ax)
= (b + c) + (c − a ) x.
(5 T1 )(a + bx + cx 2 ) = 5 (T1 (a + bx + cx 2 ))
= 5 (b + cx) = 5b + 5cx.
148
Módulo 11: Definiciones, ejemplos y álgebra de las transformaciones lineales
Ejemplo 14
Sean T2 : 2
→ 3
y T1 : 3
→ 4
transformaciones lineales definidas por:
⎛x− y⎞
⎛ x+ y⎞ ⎛ x⎞ ⎜ ⎟
⎛ x⎞ ⎜ ⎟ ⎜ ⎟ x+ y⎟
T2 ⎜ ⎟ = ⎜ x − y ⎟ y T1 ⎜ y ⎟ = ⎜ .
⎝ ⎠ ⎜
y ⎟ ⎜z⎟ ⎜ x+ z ⎟
⎝ 2x ⎠ ⎝ ⎠ ⎜ ⎟
⎝ 2z ⎠
⎛ 2⎞ ⎛ x⎞
Determine T1 o T2 ⎜ ⎟ , T1 o T2 ⎜ ⎟ .
⎝ 4⎠ ⎝ y⎠
⎛8⎞
⎛ 6⎞ ⎜ ⎟
⎛ 2⎞ ⎛ ⎛ 2⎞⎞ ⎜ ⎟ 4
T1 o T2 ⎜ ⎟ = T1 ⎜ T2 ⎜ ⎟ ⎟ = T1 ⎜ −2 ⎟ = ⎜ ⎟
⎝ 4⎠ ⎝ ⎝ 4⎠⎠ ⎜ 4⎟ ⎜ 10 ⎟
⎝ ⎠ ⎜ ⎟
⎝8⎠
⎛ x+ y−x+ y⎞
⎛ x+ y⎞ ⎜ ⎟
⎛ x⎞ ⎛ ⎛ x ⎞⎞ ⎜ ⎟ ⎜ x+ y+ x− y⎟
T1 o T2 ⎜ ⎟ = T1 ⎜ T2 ⎜ ⎟ ⎟ = T1 ⎜ x − y ⎟ =
⎝ y⎠ ⎝ ⎝ y⎠⎠ ⎜ 2x ⎟ ⎜ x + y + 2x ⎟
⎝ ⎠ ⎜ ⎟
⎝ 4x ⎠
⎛ 2 y ⎞
⎜ ⎟
2 x
= ⎜ ⎟.
⎜ 3x + y ⎟
⎜ ⎟
⎝ 4x ⎠
1. T ( x, y) = 3x + y.
2. T ( x, y ) = x 2 − y.
3. T ( x, y) = y.
4. T ( x, y) = 2.
5. T ( x, y) = ( x, 0).
6. T ( x, y) = (1, y).
7. T ( x, y ) = ( x 2 , y 2 ).
8. T ( x, y) = ( xy, x + y).
2 → P
En los ejercicios 9 a 11 determine cuáles de las siguientes transformaciones T : P 3 son lineales.
9. T (a0 + a1 x + a2 x 2 ) = a0 + a1 x 2 + a2 x3 .
10. T (a0 + a1 x + a2 x 2 ) = (a0 + a1 ) x − (2a1 + a2 ) x 3 .
11. T (a0 + a1 x + a2 x 2 ) = a1a2 + 3a0 a2 x 2 − x3 .
⎡a b ⎤
12. T : M 22 → dada por T ⎢ ⎥ = ad − bc.
⎣c d ⎦
⎡a b ⎤
13. T : M 22 → dada por T ⎢ ⎥ = a + b + c + d.
⎣c d ⎦
14. T : M nn → dada por T ( A) = a11 + a22 + ... + ann .
15. T : M nn → dada por T ( A ) = a11 a 22 ... a nn .
16. T : M nn → dada por T ( A) = det A.
17. T: n
→ dada por T ( x1 , x2 ,..., xn ) = a1 x1 + a2 x2 + ... + an xn , con a1, a2 ,..., an constantes dadas.
21.
Figura 1 Figura 2
22.
Figura 3 Figura 4
23. Sea B una matriz cuadrada de orden n. Considere la transformación T : M n×n → M n×n dada por T ( A) = AB − BA
(B es una matriz fija de orden n). Demuestre que T es una transformación lineal.
24. Si T : V → W es una transformación lineal, demuestre que α T también es una transformación lineal de V en W.
a. (T1 + T2 )(x).
b. (T1 T2 )(x).
⎡ x⎤ ⎡ x⎤
⎡x − y + z⎤ ⎡ −x + y ⎤
T1 ⎢⎢ y ⎥⎥ = ⎢ y T2 ⎢⎢ y ⎥⎥ = ⎢ .
x + y ⎦⎥ ⎣ 2 x − y − z ⎥⎦
⎢⎣ z ⎥⎦ ⎣ ⎢⎣ z ⎥⎦
Calcule T1 + T2 , 4T1.
⎡ x⎤ ⎡ x+ y ⎤
⎡x − y + z⎤ ⎡ x⎤ ⎢
3
→ 2
tal que T ⎢⎢ y ⎥⎥ = ⎢ 2
→ 3
tal que T2 ⎢ ⎥ = ⎢ x − 4 y ⎥⎥ .
x + 2 z ⎥⎦
27. Sean T1 : y T2 :
⎢⎣ z ⎥⎦ ⎣ ⎣ y⎦ ⎢
⎣ x − y ⎥⎦
Determine (T1 T2 ) y (T2 T1 ).
Preguntas básicas
Introducción
Cuando establecemos una función entre dos conjuntos nos interesa saber qué
características particulares tiene, cuáles son los ceros de la función y cuál es el
conjunto de valores que ella toma. En esta sección estudiaremos estas propiedades
para las transformaciones lineales.
a. T (0) = 0.
b. T (x − y ) = T (x) − T (y ) para todo x, y en V.
c. T (α1 v1 + α 2 v 2 + ... + α n v n ) = α1 T ( v1 ) + α 2 T ( v 2 ) + ... + α n T ( v n ), siendo
Demostración
Si n = 2, T (α1 v1 + α 2 v 2 ) = T (α1 v1 ) + T (α 2 v 2 )
= α1 T ( v1 ) + α 2 T ( v 2 ).
T (α1 v1 + α 2 v 2 + ... + α k v k + α k +1 v k +1 ) =
T ((α1 v1 + α 2 v 2 + ... + α k v k ) + α k +1 v k +1 ) =
T (α1 v1 + α 2 v 2 + ... + α k v k ) + T (α k +1 v k +1 ) =
α1 T ( v1 ) + α 2 T ( v 2 ) + ... + α k T ( v k ) + α k +1 T ( v k +1 ),
aplicando la suposición establecida y el hecho de que la transformación es
lineal.
Observación
Es importante notar que en la parte a del teorema anterior, el cero del lado izquierdo
de la igualdad es el cero de V y el del lado derecho es el de W. Además la parte c del
teorema es una generalización de las partes a y b.
154
Módulo 12: Propiedades de las transformaciones lineales. Núcleo e imagen
Teorema 2
Demostración
Ejemplo 1
Sea T : 2
→ 3
una transformación lineal tal que:
⎛ −1⎞ ⎛ 0⎞
⎛1⎞ ⎜ ⎟ ⎛ 2⎞ ⎜ ⎟
T ⎜ ⎟ = ⎜ 0 ⎟ y T ⎜ ⎟ = ⎜ 2 ⎟.
⎝ 2⎠ ⎜ 2 ⎟ ⎝ 1 ⎠ ⎜ −1⎟
⎝ ⎠ ⎝ ⎠
⎛1⎞ ⎛ 2⎞
Los vectores ⎜ 2 ⎟ y ⎜ 1 ⎟ forman una base de
2
, luego la transformación está
⎝ ⎠ ⎝ ⎠
completamente determinada en todo el espacio vectorial.
⎛ x⎞
Veamos cómo está dada T ⎜ ⎟ .
⎝ y⎠
⎡1 0 2y − x⎤
⎛ x⎞ ⎛1⎞ ⎛ 2⎞ ⎡ 1 2 x ⎤ operaciones elementales ⎢ 3 ⎥
⎜ ⎟ = C1 ⎜ ⎟ + C2 ⎜ ⎟ ; ⎢ ⎯⎯⎯⎯⎯⎯⎯ →⎢ ⎥
⎝ y⎠ ⎝ 2⎠ ⎝ 1 ⎠ ⎣2 1 y ⎦⎥ ⎢0 1 2x − y ⎥
⎣⎢ 3 ⎦⎥
2y − x ⎛1⎞ 2x − y ⎛ 2 ⎞
= ⎜ ⎟ + ⎜ ⎟.
3 ⎝ 2⎠ 3 ⎝1⎠
⎛ x⎞ ⎛ 2 y − x ⎞ ⎛ 1 ⎞ ⎛ 2x − y ⎞ ⎛ 2 ⎞
T⎜ ⎟ = ⎜ ⎟ T ⎜ ⎟+⎜ ⎟ T ⎜ ⎟
⎝ ⎠
y ⎝ 3 ⎠ ⎝ 2⎠ ⎝ 3 ⎠ ⎝1⎠
⎛ −1⎞ ⎛ 0⎞ ⎛ x − 2y ⎞
⎛ 2 y − x ⎞ ⎜ ⎟ ⎛ 2x − y ⎞ ⎜ ⎟ 1 ⎜ ⎟
= ⎜ ⎟ 0 +⎜ ⎟ 2 = ⎜ 4x − 2 y ⎟.
⎝ 3 ⎠ ⎜⎜ ⎟⎟ ⎝ 3 ⎠ ⎜⎜ ⎟⎟ 3 ⎜ −4 x + 5 y ⎟
⎝ 2⎠ ⎝ −1 ⎠ ⎝ ⎠
⎛ 2⎞
⎛ 0⎞ 1 ⎜ ⎟
T ⎜ ⎟ = ⎜ 2 ⎟.
⎝ −1⎠ 3 ⎜ ⎟
⎝ −5 ⎠
Teorema 3
Teorema 4
a. El núcleo de T es un subespacio de V.
b. La imagen de T es un subespacio de W.
En consecuencia, nu T es un subespacio de V.
156
Módulo 12: Propiedades de las transformaciones lineales. Núcleo e imagen
Figura 12.1
Definición 2
Ejemplo 2
Sea T : 3
→ 2
dada por:
⎛ x⎞
⎜ ⎟ ⎛ x + 2y + z ⎞
T ⎜ y⎟ = ⎜ ⎟.
⎜ z ⎟ ⎝ −x + 3y + z ⎠
⎝ ⎠
Determine nu T, imagen T, ν (T ) y ρ (T ).
Solución
3
Para hallar el conjunto de vectores (x, y, z) de tales que T (x, y, z) = (0, 0),
debemos resolver el sistema homogéneo
x + 2y + z = 0
−x + 3y + z = 0
x = −1/ 5 z
⎡ 1 2 1⎤ operaciones elementales ⎡ 1 0 1/ 5⎤
⎢ −1 3 1⎥ ⎯⎯⎯⎯⎯⎯⎯ →⎢ ⎥ y = −2 / 5 z
⎣ ⎦ ⎣ 0 1 2 / 5⎦ z=z
si z = 5, x = −1, y = −2 .
⎧⎛ −1 ⎞ ⎫ ⎧⎛ −1 ⎞ ⎫
⎪⎜ ⎟ ⎪ ⎪⎜ ⎟ ⎪
Luego una base para nu T = ⎨⎜ −2 ⎟ ⎬ y nu T = gen ⎨⎜ −2 ⎟ ⎬ .
⎪⎜ 5 ⎟ ⎪ ⎪⎜ 5 ⎟ ⎪
⎩⎝ ⎠ ⎭ ⎩⎝ ⎠ ⎭
La dimensión de nu T es 1; ν (T ) = 1 .
⎛a⎞ ⎛a⎞
Sea ⎜ ⎟ ∈ 2
tal que ⎜ ⎟ ∈ imagen T, luego
⎝b⎠ ⎝b⎠
⎛a⎞ ⎛ x + 2y + z ⎞
⎜ ⎟=⎜ ⎟
⎝ b ⎠ ⎝ −x + 3y + z ⎠
3a − 2b 1
x= − z
⎡1 0 1
5 3a − 2b ⎤ 5 5
⎡ 1 2 1 a ⎤ operaciones elementales ⎢ 5 ⎥ a+b 2
⎢ −1 ⎯⎯⎯⎯⎯⎯⎯ →⎢ ⎥ y= − z
⎣ 3 1 b ⎥⎦ ⎢0 1 2
5 a+b ⎥ 5 5
⎢⎣ 5 ⎥⎦ z=z
1
x= (3a − 2b − z ),
5
1
y = (a + b − 2 z ),
5
z = z.
⎛ x⎞
⎛a⎞ ⎜ ⎟
y
Así que para cualquier elemento ⎜ ⎟ de 2
se puede encontrar una terna ⎜ ⎟ de
⎝b⎠ ⎜z⎟
⎝ ⎠
3
dando a z cualquier valor y determinando x e y como se indica en la solución del
sistema. Luego imagen T = 2
y ρ (T ) = 2.
Una forma de ver la acción de una transformación lineal consiste en hallar las imáge-
nes determinadas por T sobre figuras geométricas tales como polígonos o círculos.
Ejemplo 3
⎛ x ⎞ ⎡ 1 −1⎤ ⎛ x ⎞
Sea T definida por T ⎜ ⎟ = ⎢ ⎥ ⎜ ⎟ . Halle la imagen debida a T, del cuadrado
⎝ y ⎠ ⎣2 0 ⎦ ⎝ y ⎠
de vértices (0, 0), (0, 1), (1, 0), (1, 1).
Solución
Se hallan las transformaciones de los vértices. Como los lados del cuadrado son
segmentos de recta, la imagen del cuadrado resulta de unir las imágenes de los
vértices mediante segmentos de recta.
158
Módulo 12: Propiedades de las transformaciones lineales. Núcleo e imagen
Figura 12.2
Ejemplo 4
Muestre que T : 3
→ 3
definida por:
⎛ x⎞ ⎡ a 0 0⎤ ⎡ x ⎤
⎜ ⎟ ⎢ 0 b 0 ⎥ ⎢ y ⎥ a, b, c > 0,
T⎜ y⎟ = ⎢ ⎥ ⎢ ⎥
⎜ z ⎟⎠
⎝ ⎣⎢ 0 0 c ⎦⎥ ⎣⎢ z ⎦⎥
Solución
⎛ x⎞ ⎛ ax ⎞ ⎛ x '⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
T ⎜ y ⎟ = ⎜ by ⎟ = ⎜ y ' ⎟ y
⎜ z⎟ ⎜ cz ⎟ ⎜ z'⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
Figura 12.3
Ejemplo 5
Solución
T es lineal ya que:
T ( A + B ) = ( A + B )T + ( A + B )
= AT + BT + A + B = ( AT + A) + ( BT + B ) = T ( A) + T ( B ).
T (α A) = (α A)T + α A = α AT + α A = α ( AT + A) = α T ( A).
Determinemos el núcleo de T.
{
nu T = A : AT + A = 0( n× n )
n× n
}
AT + A = 0( n× n ) ⇔ AT = − A.
{
Por tanto, nu T = A : A es una matriz antisimétrica .
n× n
}
La imagen T está dada por:
imagen T = { C : C = A + A}.
n×n
T
C T = ( AT + A)T = ( AT )T + AT = A + AT = AT + A = C .
{
Esto es, imagen T = nC× n : C es una matriz simétrica . }
160
Módulo 12
En los ejercicios 1 a 7 encuentre núcleo, imagen, rango y nulidad de la transforrmación lineal dada:
⎡ x⎤ ⎡x + y⎤
1. T: 2
→ 2 , T⎢ ⎥=⎢ ⎥.
⎣ y⎦ ⎣ x − y⎦
⎡ x+ y ⎤
⎡ x⎤ ⎢
2. T: 2
→ 3 , T ⎢ ⎥ = ⎢5x + 5 y ⎥⎥ .
⎣ y⎦ ⎢ x − y ⎥
⎣ ⎦
⎡ x⎤ ⎡x + y⎤
3. T: 3
→ 3 , T ⎢⎢ y ⎥⎥ = ⎢⎢ x + z ⎥⎥ .
⎢⎣ z ⎥⎦ ⎢⎣ y + z ⎥⎦
4. 3 → P2 , T ( a0 + a1 x + a2 x + a3 x ) = a0 + a1 + a2 x + a3 x .
T : P 2 3 2
5. T : P2 → P3 , T ( p) = xp.
6. T : M 3×3 → , T ( A) = tr A.
7. T : C [0, 1] → , T ( f ) = f (1).
8. Sea D : P → P (P es el espacio vectorial de todos los polinomios) dada por D( p) = p ' (la derivada del polinomio
p). Describa el núcleo de D.
9. Sea T : 2 → 2 la transformación lineal tal que T (1, 1) = (0, 0) y T (0, 1) = (1, 1). Demuestre que tanto el núcleo
como la imagen de T son rectas en el plano xy que pasan por el origen. Encuentre las ecuaciones de estas rectas.
10. Sea T : 3
→ 2
una transformación lineal tal que T (1, 1, 0) = T (0, 2, 1) = (0, 0) y T (−1, 2, 4) = v ≠ 0. Demuestre
3
que el núcleo de T es un plano en que pasa por el origen. Encuentre su ecuación.
11. Sea T : n → m la transformación lineal T (X) = AX, donde A es una matriz m × n. ¿Qué relación guardan el núcleo
de T y el espacio solución del sistema homogéneo de ecuaciones lineales AX = 0?
Capítulo 3: Transformaciones
Álgebra Lineal Elementallineales
y Aplicaciones 161
⎡0 1 ⎤
12. Sea T : M 2×2 → M 2× 2 la transformación lineal T ( A) = AB − BA en donde B = ⎢ ⎥ . Describa el núcleo de T.
⎣0 0⎦
13. Encuentre una transformación lineal T de 3
→ 3
tal que nu T = {( x, y, z ) : 2 x − y + z = 0} .
⎡ x ⎤ ⎡2 0⎤ ⎡ x1 ⎤
15. Muestre que T : 2
→ 2
, definida por T ⎢ 1 ⎥ = ⎢ ⎥ ⎢ x ⎥ , transforma el círculo unitario x1 + x2 = 1 en una
2 2
⎣ 2⎦ ⎣
x 0 3 ⎦⎣ 2⎦
elipse.
Preguntas básicas
Introducción
En el ejemplo 3 del módulo 11 vimos que una matriz mA×n induce una transformación
Vea el módulo 13 del programa
lineal de n en m dada por T (x) = Ax . Cuando T tiene esta forma, el núcleo de televisión Álgebra Lineal
de T es el núcleo de A, y la imagen de T, formada por los vectores y = Ax para algún
En esta sección veremos que cualquier transformación lineal definida entre espa-
cios vectoriales de dimensión finita se puede expresar en la forma T (x) = Ax,
donde A es la matriz que representa la transformación.
164
Módulo 13: El problema de la representación matricial de las transformaciones lineales
13.1 TTer
er cer problema básico del álgebra lineal
ercer
Dada una transformación T : V → W , con dim V = n y dim W = m, hallar una
matriz A de m × n que represente a T.
Teorema 1
Sea T : n
→ m
una transformación lineal; entonces, existe una única matriz A
de m × n tal que T (x) = Ax, para x en n
.
⎡ c1 ⎤
⎢c ⎥
Sea x = ⎢ 2 ⎥ un vector de n
; entonces
⎢ ⎥
⎢ ⎥
⎣ cn ⎦
x = c1 e1 + c2 e 2 + ... + cn en ,
de modo que:
⎡ c1 ⎤
⎢c ⎥
Ax = [T (e1 ) T (e 2 ).. . T (e n )] ⎢ 2 ⎥
⎢ ⎥
⎢ ⎥
⎣cn ⎦
T ( x) = A x .
Ahora mostraremos que T es única. Suponga que Bm × n también cumple que
T (x) = B x para x ∈ n
.
⎛0⎞
⎜0⎟
⎜ ⎟
Si x = ei = ⎜ ⎟ ,
⎜1⎟
⎜ ⎟
⎜0⎟
⎝ ⎠
Ejemplo 1
Sea T = 3
→ 2
una transformación lineal definida por:
⎛ x⎞
⎜ ⎟ ⎡ x+ y ⎤
T ⎜ y⎟ = ⎢ ⎥.
⎜ z ⎟ ⎣ y − 2z ⎦
⎝ ⎠
⎛1⎞
⎜ ⎟ ⎡ 1 + 0 ⎤ ⎡1 ⎤
T (e1 ) = T ⎜ 0 ⎟ = ⎢ ⎥ = ⎢ ⎥ = Col1 ( A),
⎜ 0 ⎟ ⎣ 0 − 2.0 ⎦ ⎣ 0 ⎦
⎝ ⎠
⎛0⎞
⎜ ⎟ ⎡ 0 + 1 ⎤ ⎡1⎤
T (e 2 ) = T ⎜ 1 ⎟ = ⎢ ⎥ = ⎢ ⎥ = Col2 ( A),
⎜ 0 ⎟ ⎣1 − 2.0 ⎦ ⎣1⎦
⎝ ⎠
⎛0⎞
⎜ ⎟ ⎡ 0+0 ⎤ ⎡ 0 ⎤
T (e 3 ) = T ⎜ 0 ⎟ = ⎢ ⎥ = ⎢ ⎥ = Col3 ( A).
⎜ 1 ⎟ ⎣ 0 − 2.1⎦ ⎣ −2 ⎦
⎝ ⎠
Por tanto,
⎡1 1 0 ⎤
A= ⎢ ⎥.
⎣0 1 −2⎦
Así que:
⎛ x⎞ ⎡ x⎤
⎜ ⎟ ⎡1 1 0 ⎤
T ⎜ y⎟ = ⎢ ⎢ y⎥ = ⎡ x + y ⎤ .
⎥ ⎢ ⎥ ⎢ y − 2z ⎥
⎜ z ⎟ ⎣0 1 −2⎦ ⎢⎣ z ⎦⎥ ⎣ ⎦
⎝ ⎠
Teorema 2
166
Módulo 13: El problema de la representación matricial de las transformaciones lineales
(T (x)) B2 = AT (x) B1 .
Demostración
⎡ c1 ⎤
⎢c ⎥
Si x ∈ V , x = c1 v1 + c2 v 2 + ... + cn v n , o sea que (x) B1 = ⎢ ⎥ .
2
⎢ ⎥
⎢ ⎥
⎣cn ⎦
Sean: T ( v1 ) = y 1 , T ( v 2 ) = y 2 ,..., T ( v n ) = y n y
AT = [(y1 ) B2 (y 2 ) B2 ... (y n ) B2 ].
Ahora,
⎛1⎞ ⎛0⎞
⎜ ⎟ ⎜ ⎟
⎜ 0⎟ 0
( v1 ) B1 = ,..., ( v n ) B1 = ⎜ ⎟ .
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎝0⎠ ⎝1⎠
Entonces,
AT ( v i ) B1 = (y i ) B2 ,
⎡ c1 ⎤
⎢c ⎥
AT (x) B1 = [(y 1 ) B2 (y 2 ) B2 ... (y n ) B2 ] ⎢ 2 ⎥
⎢ ⎥
⎢ ⎥
⎣ cn ⎦
De otro lado,
de manera que
[T (x)]B2 = AT (x) B1 .
Definición 1
La solución al tercer problema básico del álgebra lineal está dada en el procedimien-
to desarrollado en la prueba del teorema 2.
Figura 13.1
Ejemplo 2
Sea T : 3
→ 2
la transformación lineal definida en el ejemplo 1 y sean:
B1 = { v1 , v 2 , v 3 } y B2 = {w1 , w 2 } bases de 3
y 2
, respectivamente, con
⎡1 ⎤ ⎡0⎤ ⎡1⎤
⎡1 ⎤ ⎡ 2⎤
v1 = ⎢⎢0 ⎥⎥ , v 2 = ⎢⎢1 ⎥⎥ , v 3 = ⎢⎢1⎥⎥ , w1 = ⎢ ⎥ , w2 = ⎢ ⎥ .
⎢⎣1 ⎥⎦ ⎢⎣1 ⎥⎦ ⎢⎣1⎥⎦ ⎣2⎦ ⎣0⎦
168
Módulo 13: El problema de la representación matricial de las transformaciones lineales
Solución
⎡1⎤ ⎡1 ⎤ ⎡ 2⎤
T ( v1 ) = ⎢ ⎥ = a1w1 + a2 w 2 = a1 ⎢ ⎥ + a2 ⎢ ⎥ ,
−
⎣ ⎦2 ⎣ ⎦
2 ⎣0⎦
⎡1⎤ ⎡1 ⎤ ⎡2⎤
T ( v 2 ) = ⎢ ⎥ = b1w1 + b2 w 2 = b1 ⎢ ⎥ + b2 ⎢ ⎥ ,
⎣ −1⎦ ⎣2⎦ ⎣0⎦
⎡2⎤ ⎡1 ⎤ ⎡2⎤
T ( v 3 ) = ⎢ ⎥ = c1w1 + c2 w 2 = c1 ⎢ ⎥ + c2 ⎢ ⎥ .
⎣ −1⎦ ⎣ 2⎦ ⎣0⎦
⎡1 2 1 1 2⎤ ⎡1 0 −1 −1
2
−1
2 ⎤
⎢ 2 0 −2 −1 −1⎥ operaciones elementales ⎢0 1 ⎥.
⎣ ⎦ ⎣ 1 3
4
5
4 ⎦
⎡ −1 −1
2
−1
2 ⎤
⎢ 1 ⎥, y
⎣ 3
4
5
4 ⎦
⎡ −1 −1 −1
⎤
(T (x)) B2 = ⎢
2 2
⎥ (x) B1 .
⎣ 1 3
4
5
4 ⎦
⎡1⎤
Ahora, si x = ⎢⎢2⎥⎥ ,
⎢⎣3⎥⎦
⎡1 ⎤ ⎡1 ⎤
⎢ ⎥ ⎡1 1 0 ⎤ ⎢ ⎥ ⎡ 3⎤
T ⎢ 2⎥ = ⎢ ⎥ ⎢ 2⎥ = ⎢ ⎥ ,
⎢⎣ 3⎥⎦ ⎣0 1 −2 ⎦ ⎢ 3 ⎥ ⎣ −4 ⎦
⎣ ⎦
Expresemos x en la base B1
⎡1 0 1 1 ⎤ ⎡1 0 0 1 ⎤
⎢0 1 1 2⎥ ⎢0 1 0 2⎥ .
⎢ ⎥ operaciones elementales
⎢ ⎥
⎢⎣1 1 1 3 ⎥⎦ ⎢⎣ 0 0 1 0 ⎥⎦
⎡1 ⎤
⎡ −1 −1 −1
⎤ ⎢ ⎥ ⎡ −2 ⎤
=⎢ ⎥ ⎢2⎥ = ⎢ 5 ⎥ .
2 2
(T (x)) B2
⎣ 1 3
4
5
4 ⎦ ⎢0⎥ ⎣ 2 ⎦
⎣ ⎦
Entonces,
⎡1 ⎤ ⎡2⎤ ⎡ 3 ⎤
T ( x) = − 2 ⎢ ⎥ + 5
2 ⎢ 0 ⎥ = ⎢ −4 ⎥ ,
⎣2⎦ ⎣ ⎦ ⎣ ⎦
lo cual coincide con el valor encontrado utilizando la matriz de T referida a las bases
estándar.
Ejemplo 3
B2 = {1 + x, 2 − x} de P2 y P1 , respectivamente.
c. Si P ( x ) = 2 + 3 x + x 2 , calcule T ( P ( x)) utilizando las matrices halladas
en a y b.
Solución
⎡6⎤ ⎡0 ⎤ ⎡1⎤
= a0 ⎢ ⎥ + a1 ⎢ ⎥ + a2 ⎢ ⎥
⎣ ⎦
0 ⎣ ⎦
1 ⎣1⎦
170
Módulo 13: El problema de la representación matricial de las transformaciones lineales
⎡ 6 a + a2 ⎤
= ⎢ 0 ⎥
⎣ a1 + a2 ⎦
= 6a0 + a2 + (a1 + a2 ) x.
T (1 + x 2 ) = 6(1) + 1 + (0 + 1) x = 7 + x,
T ( x + x 2 ) = 6(0) + 1 + (1 + 1) x = 1 + 2 x,
T (1 + x + x 2 ) = 6(1) + 1 + (1 + 1) x = 7 + 2 x.
⎡1 2 7 1 7 ⎤ ⎡1 0 3 5
3
11
3⎤
⎢1 −1 1 2 2 ⎥ operaciones elementales ⎢0 1 2 −1 ⎥.
⎣ ⎦ ⎣ 3
5
3 ⎦
⎡3 5 11
⎤
AT = ⎢
3 3
−1 ⎥.
⎣2 3
5
3 ⎦
c. Si P( x) = 2 + 3x + x 2 ,
⎡2⎤
P = ⎢⎢ 3 ⎥⎥ ,
⎢⎣ 1 ⎥⎦
T ( P ( x)) = A( P ( x))
⎡ 2⎤
⎡ 6 0 1⎤ ⎢ ⎥ ⎡13⎤
= ⎢ ⎥ ⎢ 3⎥ = ⎢ ⎥
⎣ 0 1 1⎦ ⎢ 1 ⎥ ⎣4⎦
⎣ ⎦
= 13 + 4 x.
⎡1 0 1 2 ⎤ ⎡1 0 0 −2⎤ ⎡ −2 ⎤
⎢0 1 1 3 ⎥ ⎢ 0 1 0 −1⎥ , ( P( x)) = ⎢ −1⎥ ,
⎢ ⎥ operaciones elementales
⎢ ⎥ B1 ⎢ ⎥
⎢⎣1 1 1 1 ⎥⎦ ⎢⎣ 0 0 1 4 ⎥⎦ ⎢⎣ 4 ⎥⎦
⎡ −2 ⎤
⎡3 5 11
⎤ ⎢ ⎥ ⎡7 ⎤
= ⎢ −1⎥ = ⎢ ⎥ ,
3 3
5 ⎥⎢
(T ( P( x))) B2
−1
⎣2 3 ⎦ ⎣3⎦
⎣⎢ 4 ⎦⎥
3
Teorema 4
AT = P2−1 C P1 .
Figura 13.2
172
Módulo 13: El problema de la representación matricial de las transformaciones lineales
= P2−1 C P1 (x) B1 .
AT = P2−1 C P1 .
Ejemplo 4
⎡ 6 0 1⎤
CT = ⎢ ⎥ la matriz de la transformación referida a las bases estándar,
⎣ 0 1 1⎦
⎡3 5 11
⎤
AT = ⎢
3 3
−1 ⎥ la matriz de T con respecto a B1 y B2 ,
⎣2 3
5
3 ⎦
Figura 13.3
1 ⎡ −1 −2 ⎤ 1 ⎡1 2 ⎤
P2−1 = − ⎢ = ⎢
3 ⎣ −1 1 ⎥⎦ 3 ⎣1 −1⎥⎦
,
⎡1 0 1⎤
1 ⎡1 2 ⎤ ⎡ 6 0 1⎤ ⎢ ⎡3 ⎤
0 1 1⎥⎥ = ⎢
5 11
= ⎢
3 3
AT ⎥ ⎢ ⎥
3 ⎣1 −1⎦ ⎣ 0 1 1⎦ ⎢ −1 ⎥.
⎢⎣1 1 1⎥⎦ ⎣2 3
5
3 ⎦
Ejemplo 5
⎡ x ⎤ ⎡ −2 x − 2 y ⎤
Sea T = 2
→ 2
definida por T ⎢ ⎥ = ⎢ ⎥.
⎣ y ⎦ ⎣ −5 x + y ⎦
⎡ 1 ⎤ ⎡ −2 ⎤ ⎡0⎤ ⎡ −2 ⎤
T ⎢ ⎥ = ⎢ ⎥ y T ⎢ ⎥ = ⎢ ⎥,
⎣ ⎦ ⎣ ⎦
0 − 5 ⎣ ⎦
1 ⎣1⎦
entonces
⎡ −2 −2 ⎤
CT = ⎢ ⎥.
⎣ −5 1 ⎦
⎪⎧⎡1⎤ ⎡ 2 ⎤ ⎪⎫
Sea B1 = ⎨⎢ ⎥ , ⎢−5⎥ ⎬ otra base para
2
y obtengamos la matriz de T referida a la
⎩⎪⎣1⎦ ⎣ ⎦ ⎭⎪
base B1 .
⎡⎛ ⎡1⎤ ⎞ ⎛ ⎡ 2 ⎤ ⎞ ⎤
AT = ⎢⎜ T ⎢ ⎥ ⎟ ⎜ T ⎢ ⎥ ⎟ ⎥ ,
⎢⎣⎝ ⎣1⎦ ⎠ B1 ⎝ ⎣ −5⎦ ⎠ B1 ⎥⎦
⎡1⎤ ⎡ −4 ⎤ ⎡ 2⎤ ⎡ 6⎤
T ⎢ ⎥ = ⎢ ⎥, T⎢ ⎥ = ⎢ ⎥.
⎣1⎦ ⎣ −4 ⎦ ⎣ −5⎦ ⎣ −15⎦
⎡1 2 −4 6⎤ ⎡1 0 −4 0 ⎤
⎢1 −5 −4 −15⎥ operaciones elementales ⎢0 1 0 3 ⎥⎦
.
⎣ ⎦ ⎣
La matriz de T referida a B1 es
⎡ −4 0 ⎤
AT = ⎢ ⎥.
⎣ 0 3⎦
Por el álgebra matricial sabemos que, en ciertas operaciones, los cálculos son más
fáciles si las matrices son diagonales, por ejemplo: hallar inversas, calcular determi-
nantes, hacer potencias. Estas consideraciones son relevantes cuando se trabaja
con matrices de gran tamaño.
174
Módulo 13: El problema de la representación matricial de las transformaciones lineales
No es evidente cuál es la base que debemos escoger para que AT sea una matriz
diagonal. Este problema lo resolveremos cuando abordemos el problema de la
diagonalización en el siguiente capítulo.
Teorema 5
BT = P −1 AT P .
Figura 13.4
(x) B1 = P (x) B2 ,
(T (x)) B1 = AT (x) B2 = AT P (x) B2 ,
(T (x)) B2 = P −1 (T (x)) B1 = P −1 AT P (x) B2 .
BT = P −1 AT P.
Definición 2
Teorema 6
a. A es similar a A.
Demostración
a. Como A = I A I = I −1 A I , A es similar a A.
b. Si A es similar a B, B = P −1 A P, luego
P B P −1 = P ( P −1 A P ) P −1 = ( PP −1 ) A ( PP −1 ) = A,
y entonces
A = ( P − 1 ) −1 B ( P − 1 )
d. Si A es similar a B, B = P −1 A P , entonces
e. Si A es similar a B, entonces B = P −1 A P.
B 2 = ( P −1 A P )( P −1 A P) = P −1 A( PP −1 ) A P = P −1 A I A P
= P −1 A2 P.
Luego A 2 es similar a B 2 .
176
Módulo 13: El problema de la representación matricial de las transformaciones lineales
B k + 1 = B k B = ( P −1 Ak P ) B = ( P −1 Ak P)( P −1 A P)
= P −1 Ak ( PP −1 ) A P = P −1 Ak I A P = P −1 Ak + 1 P.
a. B1
b. B1 y B2
c. B2 y B1
d. B2
e. Calcule T (2, − 1) empleando la definición de T y las matrices obtenidas en a, b, c y d.
2. Sea T : 3
→ 3
definida como T ( x, y, z ) = ( x + 2 y + z , 2 x − y, 2 y + z ) . Sea B1 la base natural para 3
y
B2 = {(1, 0, 1), (0, 1, 1), (0, 0, 1)} otra base para 3
. Determine la matriz de T con respecto a:
a. B1
b. B1 y B2
c. B2 y B1
d. B2
e. Calcule T (1, 1, − 2) empleando la definición de T y las matrices obtenidas en a, b, c, d.
⎡ x⎤
⎡x + y⎤
3
→ 2
definida como T ⎢⎢ y ⎥⎥ = ⎢ 3 2
y − z ⎥⎦
3. Sea T : . Sean B1 y B2 las bases naturales de y , respectivamente;
⎢⎣ z ⎥⎦ ⎣
⎧ ⎡1 ⎤ ⎡0⎤ ⎡ −1⎤ ⎫
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎪ ⎧⎪ ⎡ −1⎤ ⎡ 1 ⎤ ⎫⎪
además, sean B1′ ⎨ ⎢1 ⎥ , ⎢1 ⎥ , ⎢ 1 ⎥ ⎬ y B2′ ⎨ ⎢ 1 ⎥ , ⎢ 2 ⎥ ⎬ bases para
3
y 2
, respectivamente. Determine la matriz
⎪ ⎢0⎥ ⎢⎣ 0 ⎥⎦ ⎢⎣ 1 ⎥⎦ ⎪⎭ ⎪⎩ ⎣ ⎦ ⎣ ⎦ ⎪⎭
⎩⎣ ⎦
de T con respecto a:
a. B1 y B2
b. B1′ y B2′
⎡1 ⎤
c. Calcule T ⎢⎢ 2⎥⎥ utilizando la definición de T y las matrices obtenidas en a y b.
⎢⎣ 3⎥⎦
a. B1 y B2
b. B1′ y B2′
c. Determine T (3 − 3x) utilizando la definición de T y las matrices obtenidas en a y b.
5. Sea T : P1 → P3 definida por T ( p ( x )) = x 2 p ( x). Sean B1 = {1, x} y B1′ = { x, 1 + x} bases para P1 . Sean
a. B1 y B2
b. B1′ y B2′
⎡1 2 ⎤
6. Sea C = ⎢ ⎥ y sea T : M 22 → M 22 la transformación lineal definida por T ( A) = AC − CA para A en M 22 . Sean
⎣3 4 ⎦
⎪⎧ ⎡1 0 ⎤ ⎡ 0 1 ⎤ ⎡ 0 0 ⎤ ⎡0 0 ⎤ ⎪⎫ ⎪⎧ ⎡1 1 ⎤ ⎡ 0 1 ⎤ ⎡ 0 0 ⎤ ⎡1 0 ⎤ ⎪⎫
B1 = ⎨ ⎢ ⎥ ,⎢ ⎥ ,⎢ ⎥ ,⎢ ⎥ ⎬ y B2 = ⎨ ⎢ ⎥, ⎢ ⎥, ⎢ ⎥, ⎢ ⎥ ⎬ bases para M 22 . Determine
⎪⎩ ⎣ 0 0 ⎦ ⎣ 0 0 ⎦ ⎣1 0 ⎦ ⎣0 1 ⎦ ⎪⎭ ⎪⎩ ⎣ 0 0 ⎦ ⎣ 0 0 ⎦ ⎣1 1 ⎦ ⎣0 1 ⎦ ⎪⎭
a. B1
b. B2
c. B1 y B2
d. B2 y B1
7. Sea T : R 3 → R 3 la transformación lineal cuya matriz con respecto a las bases naturales para R 3 es:
⎡1 3 1 ⎤
⎢1 2 0 ⎥
⎢ ⎥
⎢⎣0 1 1 ⎥⎦
EjerciciosÁlgebradel
Linealmódulo 13 179
Elemental y Aplicaciones
Determine:
⎡1 ⎤ ⎡0 ⎤
a. T ⎢⎢ 2⎥⎥ b. T ⎢⎢1 ⎥⎥
⎢⎣ 3⎥⎦ ⎢⎣1 ⎥⎦
⎡ 1 2 1⎤
8. Suponga que la matriz de T : R 3 → R 2 con respecto a las bases B1 = { v1 , v2 , v3 } y B2 = {w1 , w 2 } es A = ⎢ ⎥,
⎣ −1 1 0 ⎦
⎡ −1⎤ ⎡0⎤ ⎡1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎡1 ⎤ ⎡1⎤
donde v1 = ⎢ 1 ⎥ , v 2 = ⎢ 1 ⎥ , v 3 = ⎢ 0 ⎥ , w1 = ⎢ ⎥ , w 2 = ⎢ ⎥ .
⎢⎣ 0 ⎥⎦ ⎢⎣ 1 ⎥⎦ ⎢⎣ 0 ⎥⎦ ⎣ 2⎦ ⎣ −1⎦
⎡2⎤
c. Calcule T ⎢⎢ 1 ⎥⎥ .
⎢⎣ −1⎥⎦
⎡ x⎤
d. Calcule T ⎢⎢ y ⎥⎥ .
⎣⎢ z ⎦⎥
9. Sea T : 2
→ 2
una transformación lineal. Suponga que la matriz de T con respecto a la base B1 = { v1 , v2 } es
⎡ 2 −3 ⎤ ⎡1 ⎤ ⎡1⎤
A=⎢ ⎥ , donde v1 = ⎢ ⎥ , v2 = ⎢ ⎥ .
⎣ −1 4 ⎦ ⎣ 2⎦ ⎣−1⎦
⎡−2⎤
c. Calcule T = ⎢ ⎥ .
⎣3⎦
10. 1 → P
Sea T : P 2 una transformación lineal. Suponga que la matriz de T con respecto a las bases
B1 = { v1 , v2 } y
⎡ 1 0⎤
B2 = {w1 , w 2 , w 3 } es A = ⎢⎢ 2 1⎥⎥ , donde v1 = 1 + x, v2 = −1 + x, w1 = 1 + x 2 , w 2 = x, w 3 = −1 + x.
⎢⎣ −1 −2 ⎥⎦
11. En las transformaciones lineales definidas en los ejercicios 1, 3, 5 y 7 describa su núcleo y su imagen por medio de
alguna de sus matrices asociadas.
13. Se dan parejas de matrices A y B. En cada caso muéstrese que A y B no son similares.
⎡1 0⎤ ⎡3 1 ⎤
a. A=⎢ B=⎢ ⎥.
⎥ ⎣3 2⎦
⎣ 2 3⎦
⎡ 1 2 3⎤
⎡9 3 7 ⎤
B = ⎢⎢4 5 6⎥⎥ .
b. A = ⎢⎢0 5 6 ⎥⎥
⎢⎣7 8 9⎥⎦
⎢⎣0 0 0 ⎥⎦
⎡2 0⎤ ⎡ 2 0⎤
c. A=⎢ B=⎢ ⎥.
⎥ ⎣ 0 2⎦
⎣1 2⎦
Ejercicios delElemental
Álgebra Lineal módulo y Aplicaciones13
181
182
14
Isomorfismos o transformaciones
lineales invertibles
14.1 Transformaciones lineales uno a uno y sobreyectivas Una transformación lineal y su inversa.
14.2 Isomorfismos
El espacio P3 es isomorfo a 4.
Preguntas básicas
Introducción
En este módulo se caracteriza un tipo especial de transformación lineal llamada Vea el módulo 14 del programa
isomorfismo. Esta transformación T : V → W «reproduce fielmente» la estructura de televisión Álgebra Lineal
de V en W, ya que establece una correspondencia biyectiva entre los elementos de
184
Módulo 14: Isomorfismos o transformaciones lineales invertibles
14.1 TTransfor
ransfor maciones lineales uno a un
ransformaciones o y
uno
sobreyectivas
Definición 1
T ( v1 ) = T ( v 2 ) → v1 = v 2 ,
v1 ≠ v2 → T ( v1 ) ≠ T ( v2 ).
Figura 14.1
La figura 14.1a muestra una trasformación lineal inyectiva y la 14.1b una transfor-
mación lineal no inyectiva.
Definición 2
imagen T = W.
El teorema siguiente dice que para demostrar si una transformación lineal es uno a
uno sólo se necesita examinar qué vectores se transforman en 0.
Teorema 1
Demostración
Ejemplo 1
⎛ x ⎞ ⎛ x + y⎞
Sea T : 2
→definida por T ⎜ y ⎟ = ⎜ x − y ⎟ . Para determinar si T es 1 - 1,
2
⎝ ⎠ ⎝ ⎠
encontramos nu T. Sea
⎛ x ⎞ ⎛0⎞ ⎛ x + y ⎞ ⎛ 0⎞
T ⎜ ⎟ = ⎜ ⎟, ⎜ ⎟ = ⎜ ⎟.
⎝ y ⎠ ⎝0⎠ ⎝ x − y ⎠ ⎝ 0⎠
x+ y =0
Resolvemos el sistema lineal
x− y =0
⎧⎪⎡0⎤ ⎫⎪
La única solución es x = 0 e y = 0, de modo que nu T = ⎨⎢ ⎥ ⎬ , y por el teorema 1, T
⎪⎩⎣0⎦ ⎪⎭
es 1 - 1.
Ejemplo 2
⎡ x⎤
⎡x − 2y⎤
Sea T : 3
→ 2
definida por T ⎢ y ⎥ = ⎢
y + z ⎥⎦
⎢ ⎥ .
⎢⎣ z ⎥⎦ ⎣
⎡ 1 −2 0 ⎤
AT = ⎢
1 1⎥⎦
.
⎣0
⎡ 1 −2 0 ⎤ operaciones elementales ⎡ 1 0 2 ⎤
⎢0 ⎯⎯⎯⎯⎯⎯⎯ →⎢
⎣ 1 1⎥⎦ ⎣ 0 1 1⎦
⎥.
⎧ x = −2z
⎪
La solución al sistema homogéneo es : ⎨ y = −z
⎪ z=z
⎩
⎧ ⎡ −2⎤ ⎫
⎪⎢ ⎥ ⎪
Luego nu T = N A = gen ⎨ ⎢ −1⎥ ⎬ .
⎪⎢ 1 ⎥ ⎪
⎩⎣ ⎦ ⎭
Por tanto, T no es 1 - 1.
186
Módulo 14: Isomorfismos o transformaciones lineales invertibles
Veamos si T es sobre:
Examinando las columnas de AT, vemos que cualesquiera dos columnas son LI, de
modo que C A = 2
y, por tanto, imagen AT = 2
. En consecuencia, T es sobre.
Ejemplo 3
Sea T : 3
→ 4
definida por:
⎡x+ y ⎤
⎡ x⎤ ⎢ y−z ⎥
T ⎢⎢ y ⎥⎥ = ⎢ ⎥
⎢ z+ x ⎥.
⎢⎣ z ⎥⎦ ⎢ ⎥
⎣ y + 2x⎦
⎡ 1 1 0⎤ ⎡ 1 0 0⎤
⎢ 0 1 − 1⎥ ⎢0 1 0⎥ x=0
AT = ⎢ ⎥ ⎯⎯ ⎯ ⎯ ⎯ ⎯ ⎯→ ⎢
operaciones elementales ⎥ y=0
⎢1 0 1⎥ ⎢ 0 0 1⎥
⎢ ⎥ ⎢ ⎥ z=0
⎣2 1 0⎦ ⎣0 0 0⎦
⎧ ⎡0 ⎤ ⎫
⎪ ⎪
nu T ⎨⎢⎢0⎥⎥ ⎬ ;
⎪ ⎢0 ⎥ ⎪
⎩⎣ ⎦ ⎭
luego T es 1 - 1.
Entonces,
⎧ ⎡1 ⎤ ⎡1 ⎤ ⎡ 0 ⎤⎫
⎪⎢ ⎥ ⎢1 ⎥ ⎢ −1⎥ ⎪
⎪ 0 ⎢ ⎥ ⎪⎬ ,
imagen T = C A = gen ⎨ ⎢ ⎥ , ⎢ ⎥,
⎪ ⎢1 ⎥ ⎢0⎥ ⎢ 1 ⎥⎪
⎪ ⎢⎣ 2 ⎥⎦ ⎢ ⎥
⎣1 ⎦
⎢ ⎥⎪
⎣ 0 ⎦⎭
⎩
4
el cual es un subespacio de dimensión 3 de y, por consiguiente, T no es sobre.
En los ejemplos podemos observar que una transformación lineal puede ser 1 - 1 y
no ser sobre, o ser sobre y no ser 1 - 1. El siguiente teorema muestra que cada una
de estas propiedades implica la otra si los espacios V y W tienen la misma dimen-
sión.
a. Si T es 1 - 1, entonces T es sobre.
b. Si T es sobre, entonces T es 1 - 1.
Teorema 3
a. Si n > m, T no es 1 - 1.
b. Si m > n, T no es sobre.
Demostración
T ( v ) = T (C1 v1 + C2 v 2 + ... Cn v n )
= C1T ( v1 ) + C2T ( v 2 ) + ... CnT ( v n )
= C1w1 + C2 w 2 + ... Cn w n .
v = a1 v1 + a2 v 2 + ... + an v n
T ( v ) = a1T ( v1 ) + a2T ( v 2 ) + ... + anT ( v n ),
188
Módulo 14: Isomorfismos o transformaciones lineales invertibles
14.2 Isomorfismos
Definición 3
Observación
Es importante notar en la definición anterior que la condición para que dos espacios
vectoriales V y W sean isomorfos es que exista entre ellos una transformación lineal
que sea isomorfismo. Así, entre espacios vectoriales isomorfos podemos definir
transformaciones lineales que no sean isomorfismos.
El siguiente teorema nos muestra la similitud existente entre dos espacios vectoriales
isomorfos. La palabra «isomorfismo» viene del griego «isomorphos», que significa
«de igual forma».
Teorema 4
Sea T : V → W un isomorfismo.
dim V = dim W .
Demostración
v = c1v1 + c2 v2 + ... + cn vn y T (v) = c1T (v1 ) + c2T (v2 ) + ... + cnT (vn ) ,
luego
{T ( v1 ), T ( v 2 ),..., T ( v n )} genera a W.
Álgebra Lineal Elemental y Aplicaciones 189
Capítulo 3: Transformaciones lineales
b. Supongamos que { v1 , v2 ,..., vn } es LI.
Sea c1T ( v1 ) + c2T ( v2 ) + ... cnT ( vn ) = 0. Entonces,
T (c1 v1 + c2 v2 + ... cn vn ) = 0,
es decir,
(c1 v1 + c2 v2 + ... cn vn ) ∈ nu T .
c. Se deduce de a y b.
d. Se deduce de c.
Teorema 5
Sean V y W dos espacios vectoriales reales de dimensión finita con dim V = dim W .
Entonces V ≅ W .
Demostración
Dos espacios vectoriales son isomorfos si entre ellos existe una transformación
lineal que sea un isomorfismo. Luego la demostración consiste en construir dicha
transformación lineal.
v = c1v1 + c2 v2 + ... + cn vn ,
T (v) = c1T (v1 ) + c2T (v2 ) + ... + cnT (vn ),
c1w1 + c2 w2 + ... + cn wn = 0.
190
Módulo 14: Isomorfismos o transformaciones lineales invertibles
Teorema 6
Ejemplo 4
T (1) = 1+ (1)' = 1+ 0 = 1
T ( x) = x + ( x)' = x +1
T ( x 2 ) = x 2 + ( x 2 )' = x 2 + 2 x
T ( x n ) = x n + ( x n )' = x n + nx n −1 .
⎡1 1 0 0⎤
⎢0 1 2 0 ⎥⎥
⎢
⎢ 0 1 0⎥
A = ⎢ ⎥ , det A = 1 ≠ 0.
( n +1)× ( n +1)
⎢ ⎥
⎢ n⎥
⎢ ⎥
⎣⎢ 0 0 0 1⎦⎥
Ejemplo 5
T1 : M → P3 definida por:
2× 2
⎡a b ⎤
⎥ = a + bx + cx + dx .
2 3
T ⎢
⎣ c d ⎦
⎡1 0 ⎤
⎥ = 1 + 0x + 0x + 0x .
2 .3
T ⎢
⎣ 0 0 ⎦
⎡1 0 0 0⎤
⎢0 1 0 0 ⎥⎥
⎡0 1 ⎤
T ⎢ ⎥ = 0 + 1x + 0 x + 0 x .
2 3
AT = ⎢ = I4
⎣0 0⎦ ⎢0 0 1 0⎥
⎢ ⎥
⎣0 0 0 1⎦
⎡0 0⎤
⎥ = 0 + 0 x + 1x + 0 x . det AT = 1
2 3
T ⎢
⎣ 1 0 ⎦
⎡0 0⎤
⎥ = 0 + 0 x + 0 x + 1x .
2 3
T ⎢
⎣ 0 1 ⎦
⎡a ⎤
⎢b ⎥
T2 : P3 → R 4 definida por T (a + bx + cx + dx ) = ⎢ ⎥ .
2 3
⎢c ⎥
⎢ ⎥
⎣d ⎦
192
Módulo 14
1. Dé un ejemplo de una TL T : V → W que sea
mn → M
nm definida por T ( A) = A es un isomorfismo.
T
2. Demuestre que T : M
n
3. Encuentre un isomorfismo entre Dn , matrices diagonales de orden n, y .
⎡ x ⎤ ⎡1 0 1 ⎤ ⎡ x ⎤
4. Sea T : 3
→ 3
definida como T ⎢ y ⎥ = ⎢ 0 1 1 ⎥ ⎢ y ⎥ . Determine si T es un isomorfismo.
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣⎢ z ⎦⎥ ⎣⎢1 0 2 ⎦⎥ ⎢⎣ z ⎦⎥
5. Para cada una de las siguientes transformaciones determine si es un isomorfismo a partir de la información dada.
a. T: 4
→ 4
, ρT = 4.
b. T: 4
→ 4
, ν (T ) = 2.
c. 2 → P
T : P 2,
ν (T ) = 1.
d. T : P3 → P3 , ρT = 4.
8. Demuestre que si T : V → W es un isomorfismo, entonces existe un isomorfismo L : W → V tal que L(T ( v)) = v. A
L se le llama transformación inversa de T y se denota T −1 .
9. Demuestre que si T : R n → R n está definido por T ( x) = Ax y T es un isomorfismo, entonces T −1 está dado por
T −1 ( x ) = A − 1 x .
Capítulo 3: Transformaciones
Álgebra Lineal Elemental ylineales
Aplicaciones 193
⎡ x ⎤ ⎡2 x + 4 y − 6 z ⎤
10. Sea T : 3
→ 3
una TL dada por T ⎢ y ⎥ = ⎢ 5 y − 2 z ⎥ .
⎢ ⎥ ⎢ ⎥
⎢⎣ z ⎥⎦ ⎢⎣ 9z ⎥⎦
11. n× n → M
Sea T : M n× n la transformación lineal dada por T ( A) = BA, donde B es una matriz fija de orden n. Demues-
tre que T es un isomorfismo si y sólo si B es una matriz invertible. En tal caso, describa T −1 .
Preguntas básicas
Introducción
Si Q −1 = QT , entonces QT Q = I n .
Teorema 1
Demostración
Sea
Sea B = (bij ) = QT Q.
bij = a1i a1 j + a2i a2 j + ... + ani anj = ci · c j , (1)
bij = c i · c j = 0 si i ≠ j y c i · c j = 1 si i = j.
196
Módulo 15: Isometrías
Ejemplo 1
Los vectores
⎡ 2 / 3⎤ ⎡ 1/ 3 ⎤ ⎡ −2 / 3 ⎤
⎢1/ 3 ⎥ , ⎢ 2/3 ⎥, ⎢ 2/3 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ forman una base ortonormal de 3
(verifíquelo),
⎢⎣ 2 / 3⎥⎦ ⎢⎣ −2 / 3⎥⎦ ⎢⎣ 1/ 3 ⎥⎦
⎡ 2 / 3 1/ 3 −2 / 3⎤
⎢ ⎥
así que la matriz Q = ⎢ 1/ 3 2 / 3 2 / 3⎥ es ortogonal.
⎢⎣ 2 / 3 −2 / 3 1/ 3⎥⎦
⎡ 2 / 3 1/ 3 2 / 3⎤ ⎡2 / 3 1/ 3 −2 / 3⎤ ⎡ 1 0 0⎤
Q Q = ⎢⎢ 1/ 3 2 / 3 −2 / 3⎥⎥
T ⎢ 1/ 3 2 / 3 2 / 3⎥ = ⎢0 1 0⎥ .
⎢ ⎥ ⎢ ⎥
⎢⎣ −2 / 3 2 / 3 1/ 3⎥⎦ ⎢⎣ 2 / 3 −2 / 3 1/ 3⎥⎦ ⎢⎣0 0 1⎥⎦
15.2 Isometrías
Antes de abordar el tema, veamos una propiedad interesante del producto escalar.
Teorema 2
Sea A una matriz de m × n con componentes reales. Entonces para cualesquier dos
vectores x ∈ n
e y∈ m
(Ax) · y = x · ATy.
Demostración
A x · y = ( A x ) T y = ( x T AT ) y = x T ( AT y ) = x · AT y .
El teorema nos dice que cuando en uno de los factores de un producto escalar hay
una matriz, ésta puede pasar al otro factor transponiéndola. Este resultado puede
generalizarse para cuando se tiene un producto interno en un espacio vectorial
n
diferente a ; en este caso el teorema se expresa así:
Definición 2
→
n n n
Una transformación lineal T : es una isometría si para todo x en
n
esto es, una isometría en es una transformación lineal que conserva la longitud
n
en .
T ( x) − T ( y ) = T ( x − y ) = x − y .
Teorema 3
T (x) · T (y) = x · y.
Demostración
= T (x) − 2T (x) · T (y ) + T (y ) .
2 2
(1)
x−y = (x − y ) · (x − y )
2
(2)
= x − 2x · y + y .
2 2
T (x) − T (y ) = x − y .
2 2
Entonces,
Teorema 4
198
Módulo 15: Isometrías
Demostración
x · y = T (x) · T (y ) = Ax · Ay = x · AT Ay,
↓ ↓
T .3 T .2
x · y = x · AT Ay ,
x · y − x · AT Ay = 0,
x · (y − AT Ay ) = 0, para todo x ∈ n
; entonces
n⊥
( y − A Ay ) ∈
T
(ver definición de complemento ortogonal),
y − A Ay = 0, y = AT Ay ,
T
Observaciones
Teorema 5
Demostración
Sea x∈ n
, x = c1u1 + c2 u 2 + ... + cn u n ; entonces
= u i · u i = 1,
2
ui
entonces
x = c12 + c2 2 + ... + cu 2 .
2
(1)
Teorema 6
Sea T : n
→ n
una isometría; entonces, si {u 1 , u 2 , ..., u n } es una base
ortonormal de n
, {T (u1 ), T (u 2 ),..., T (u n )} es una base ortonormal de n
.
Demostración
i ≠ j y ui = 1.
15.3 Isometrías en 2
⎛1⎞ ⎛ 0⎞
Sea T una isometría de 2
→ 2
. Sean u1 = T ⎜ ⎟ y u 2 = T ⎜ ⎟ . Los vecto-
⎝0⎠ ⎝1⎠
200
Módulo 15: Isometrías
⎛1⎞ ⎛0⎞
res ⎜ 0 ⎟ y ⎜ 1 ⎟ forman una base ortonormal en 2
, luego u1 y u2 también for-
⎝ ⎠ ⎝ ⎠
man una base ortonormal; u1 = u 2 = 1 y u1 · u 2 = 0 (u1 ⊥ u 2 ) (figura 15.1).
Figura 15.1
⎛ cos θ ⎞ ⎛ cos (θ ± π 2 ) ⎞
u1 = ⎜ ⎟, u2 = ⎜ ⎟.
⎝ sen θ ⎠ ⎝ sen (θ ± π 2 ) ⎠
Entonces
Si T ( x ) = Q2 x ,
Sea T : 2
→ 2
una isometría. Entonces T es:
Ejemplo 2
Sea T : 3
→ 3
una transformación definida por T (x) = Ax, donde
⎡sen θ cos θ 0⎤
A = ⎢⎢ cos θ −sen θ 0 ⎥⎥ .
⎢⎣ 0 0 1⎥⎦
Veamos que T es una isometría. Para esto basta con demostrar que A es una matriz
ortogonal y esto lo comprobamos realizando el producto A AT.
Ejemplo 3
Sea T : 2
→ 2
una isometría. Veamos que T preserva los ángulos entre los
vectores
2
Sean x e y en
−1 x·y
ángulo entre x e y = cos , (1)
x y
−1 T (x) · T (y )
ángulo entre T ( x) y T ( y ) = cos . (2)
T ( x) T (y )
202
Módulo 15
1. Sea T : 2
→ 2
una transformación lineal tal que:
⎛ 1 1 ⎞ ⎛ 1 1 ⎞
T⎜ , ⎟=⎜ , − ⎟,
⎝ 2 2⎠ ⎝ 2 2⎠
⎛ 1 1 ⎞ ⎛ 1 1 ⎞
T ⎜− , ⎟=⎜ , ⎟.
⎝ 2 2⎠ ⎝ 2 2⎠
2. 2× 2 → M
Considere la transformación lineal T : M 2× 2 para la cual
⎡1 0 ⎤ ⎡1 2 1 2 ⎤ ⎡0 1 ⎤ ⎡ 1 2 1 2 ⎤
T⎢ ⎥=⎢ ⎥, T⎢ ⎥=⎢ ⎥,
⎣ 0 0 ⎦ ⎣1 2 1 2 ⎦ ⎣ 0 0 ⎦ ⎣ −1 2 − 1 2 ⎦
⎡ 0 0 ⎤ ⎡1 2 −1 2 ⎤ ⎡ 0 0 ⎤ ⎡ 1 2 −1 2 ⎤
T⎢ ⎥=⎢ ⎥, T⎢ ⎥=⎢ ⎥.
⎣1 0 ⎦ ⎣1 2 −1 2 ⎦ ⎣ 0 1 ⎦ ⎣ −1 2 1 2 ⎦
1 1
T ( v1 ) = (2v1 + v 2 + 2 v 3 ), T ( v 2 ) = ( v1 − v 2 ).
3 2
2 2
5. Dé un ejemplo de una transformación lineal de en que preserve los ángulos y no sea una isometría.
6. Sea T : n
→ n
una isometría y sea T ( x ) = A x. Demuestre que S ( x ) = A − 1 x es una isometría.
Capítulo 3: Transformaciones
Álgebra Lineal Elementallineales
y Aplicaciones 203
Capítulo 4
Valores
característicos,
4
vectores
característicos,
diagonalización
y formas
canónicas
Ejercicios
Muchos problemas relacionados con ciencias e ingeniería están planteados en la Módulo 16
forma T (x) = Ax, donde A es una matriz n × n que representa una transformación
lineal. En el análisis de estos problemas es importante determinar aquellos vectores Módulo 17
x que se transforman paralelamente a sí mismos, T (x) = λ x, es decir, los vectores El problema de la diagonalización
Ejercicios
En este capítulo resolveremos dos problemas básicos del álgebra lineal. En primer
Módulo 18
lugar abordaremos el problema de la determinación de los valores y vectores carac-
terísticos de una matriz nA
×n
, y en segundo término el problema de la diagonalización Módulo 19
de una matriz, esto es: encontrar una matriz diagonal que sea similar a una matriz Forma canónica de Jordan
dada A. Este problema está íntimamente relacionado con el primero.
Ejercicios
Módulo 19
Por último, como no toda matriz es diagonalizable, determinamos para cualquier
matriz nA
×n
su forma canónica de Jordan, la cual es una matriz mucho más «simple»
que la matriz A. Estos procedimientos tendientes a determinar matrices similares a A
«más simples» responden a la necesidad de simplificar el manejo algebraico cuando
A es una matriz de tamaño grande.
En el desarrollo del capítulo se dará gran importancia a aplicaciones tales como los
sistemas dinámicos descritos por un sistema de ecuaciones en diferencias y proce-
sos de Markov.
206
16
Valores y vectores característicos
Contenidos del módulo
Preguntas básicas
Introducción
208
Módulo 16: Valores y vectores característicos
16.1 Valores y vectores característicos
Definición 1
Ax = λx,
n
Nota: los vectores característicos se toman en n-tuplas ordenadas de números
complejos, ya que éstos pueden tener componentes imaginarios, cuando λ es un
número complejo.
Ejemplo 1
⎡3 2 ⎤
Sea A = ⎢ ⎥.
⎣3 4 ⎦
Entonces
⎛ 1 ⎞ ⎡ 3 2 ⎤ ⎡ 1 ⎤ ⎡ 1⎤
A⎜ ⎟ = ⎢ ⎥⎢ ⎥ = ⎢ ⎥ .
⎝ −1⎠ ⎣3 4 ⎦ ⎣ −1⎦ ⎣ −1⎦
⎡ 1⎤
⎢ −1⎥ .
⎣ ⎦
Similarmente,
⎛ 2 ⎞ ⎡3 2 ⎤ ⎡ 2 ⎤ ⎡12 ⎤ ⎡ 2⎤
A⎜ ⎟ = ⎢ ⎥ ⎢ ⎥ = ⎢ ⎥ = 6⎢ ⎥ .
⎝ 3 ⎠ ⎣3 4 ⎦ ⎣ 3 ⎦ ⎣18 ⎦ ⎣ 3⎦
⎡ 2⎤
rístico ⎢ 3 ⎥ .
⎣ ⎦
⎡3 2 ⎤
La matriz A = ⎢ ⎥ es la representación matricial de la transformación lineal
⎣3 4 ⎦
⎛ x ⎞ ⎡3 2 ⎤ ⎡ x ⎤ ⎡ 3 x + 2 y ⎤
T: 2
→ 2
definida por T ⎜ ⎟ = ⎢ ⎥⎢ ⎥ = ⎢ ⎥.
⎝ y ⎠ ⎣3 4 ⎦ ⎣ y ⎦ ⎣3 x + 4 y ⎦
⎡ 1⎤ ⎡ 2⎤
⎢ −1⎥ y ⎢ 3 ⎥ son vectores característicos de A correspondientes a los valores
⎣ ⎦ ⎣ ⎦
característicos λ1 = 1 y λ2 = 6.
2
Estos vectores son LI, luego forman una base B1 de . Encontremos la matriz de la
transformación referida a esta base.
⎛ 1 ⎞ ⎡ 1⎤ ⎡ 1⎤ ⎡ 2⎤ ⎛ ⎛ 1 ⎞ ⎞ ⎛1⎞
T ⎜ ⎟ = ⎢ ⎥ = 1⎢ ⎥ + 0 ⎢ ⎥ , ⎜T ⎜ ⎟ ⎟ = ⎜ ⎟
⎝ −1⎠ ⎣ −1⎦ ⎣ −1⎦ ⎣ 3⎦ ⎝ ⎝ −1⎠ ⎠ B1 ⎝ 0 ⎠
⎛ 2 ⎞ ⎡12⎤ ⎡ 1⎤ ⎡ 2⎤ ⎛ ⎛ 2 ⎞ ⎞ ⎛ 0⎞
T ⎜ ⎟ = ⎢ ⎥ = 0 ⎢ ⎥ + 6 ⎢ ⎥ , ⎜T ⎜ ⎟ ⎟ = ⎜ ⎟ .
⎝ ⎠ ⎣ ⎦
3 18 −
⎣ ⎦
1 ⎣ ⎦ ⎝ ⎝ ⎠ ⎠ B1 ⎝ 6 ⎠
3 3
⎡1 0 ⎤
Luego BT, matriz de la transformación referida a la base B1, es BT = ⎢ ⎥ , la cual
⎣0 6 ⎦
es una matriz diagonal.
⎡ 1⎤ ⎡ 2 ⎤
Geométricamente, podemos describir la situación así: ⎢ −1⎥ y ⎢ 3 ⎥ determinan un
⎣ ⎦ ⎣ ⎦
sistema coordenado. Referida a este sistema la transformación T tiene el efecto de
⎡ 1⎤
dejar invariantes los vectores a lo largo de la dirección definida por ⎢ −1⎥ , ya que
⎣ ⎦
λ1 = 1 , y aumentar con un factor de 6 los vectores a lo largo del eje definido por
⎡ 2⎤
⎢ 3⎥ .
⎣ ⎦
⎛a⎞
Si x es un vector cualquiera de 2
, el cual referido a esta base es ⎜ ⎟ , entonces
⎝b⎠
⎡1 0⎤ ⎡a ⎤ ⎡a⎤
T (x) = ⎢ = ⎢ ⎥ (figura 16.1).
⎣0 6 ⎥⎦ ⎢⎣ b ⎥⎦ ⎣ 6b ⎦
210
Módulo 16: Valores y vectores característicos
Ejemplo 2
Figura 16.1
Ejemplo 3
⎡ 4 −2 ⎤
Sea A = ⎢
1⎥⎦
.
⎣1
⎡ 4 −2⎤ ⎡ x ⎤ ⎡ x⎤
⎢1 1⎥ ⎢ y ⎥ = λ ⎢ y ⎥ ,
⎣ ⎦⎣ ⎦ ⎣ ⎦
luego
4x − 2 y = λ x o (4 − λ ) x − 2 y = 0
x + y = λy x + (1 − λ ) y = 0
4−λ −2
= 0.
1 1− λ
Entonces,
(4 − λ )(1 − λ ) + 2 = 0,
λ 2 − 5λ + 6 = 0 = (λ − 3)(λ − 2).
Ax = 3x y Ax = 2x
⎡ 4 −2 ⎤ ⎡ x ⎤ ⎡ x⎤ ⎡ 4 −2 ⎤ ⎡ x ⎤ ⎡ x⎤
⎢1 ⎥ ⎢ ⎥ = 3⎢ ⎥ ⎢1 ⎥ ⎢ ⎥ = 2⎢ ⎥
⎣ 1⎦ ⎣ y ⎦ ⎣ y⎦ ⎣ 1⎦ ⎣ y ⎦ ⎣ y⎦
4 x − 2 y = 3x 4x − 2 y = 2x
x + y = 3y x + y = 2y
o o
(4 − 3) x − 2 y = 0 (4 − 2) x − 2 y = 0
x + (1 − 3) y = 0 x + (1 − 2) y = 0
o o
x −2y = 0 2x − 2 y = 0
x − 2y = 0 x − y=0
x = 2y x= y
⎡ 2γ ⎤ ⎡γ ⎤
x1 = ⎢ ⎥ , γ ∈ ( − {0} ) x 2 = ⎢ ⎥ , γ ∈ ( − {0} ) .
⎣γ ⎦ ⎣γ ⎦
x1 y x2 están expresando, cada uno, un subespacio compuesto por todos los vectores
⎡ 2 ⎤ ⎡1⎤
múltiplos de ⎢ 1 ⎥ y ⎢1⎥ , respectivamente. O dicho de otra forma, los vectores carac-
⎣ ⎦ ⎣⎦
212
Módulo 16: Valores y vectores característicos
⎡ 2⎤
terísticos asociados con λ1 = 3 son todos los múltiplos escalares del vector ⎢ ⎥ ;
⎣1 ⎦
similarmente, los vectores característicos correspondientes a λ2 = 2 son todos los
⎡1⎤
múltiplos escalares del vector ⎢ ⎥ .
⎣1⎦
Teorema 1
Demostración
Ax = λ x = λ Ix ,
( A − λI ) x = 0 .
Definición 2
P(λ ) = det ( A − λ I ).
P (λ ) = det ( A − λ I ) = 0.
P (λ ) es un polinomio de grado n en λ.
Esta ecuación tiene n raíces, varias de las cuales pueden repetirse. Si λ1 , λ2 ,..., λm
son las raíces diferentes de la ecuación con multiplicidades γ 1 , γ 2 ,..., γ m , entonces
P (λ ) puede factorizarse como:
i. Halle P (λ ) = det ( A − λ I ) .
ii. Halle las raíces de P (λ ) = 0 (λ1 , λ2 ,..., λm ) .
iii. Resuelva el sistema homogéneo ( A − λi I ) x = 0 correspondiente a cada
valor característico λi .
Teorema 2
214
Módulo 16: Valores y vectores característicos
Demostración
Si Ax = λ x , entonces ( A − λ I )x = 0.
Luego Eλ es el núcleo de ( A − λ I ), y por tanto Eλ es un subespacio de n
.
Definición 3
Ejemplo 4
⎡1 2 −1⎤
Sea A = ⎢⎢1 0 1 ⎥⎥ . Encontremos para A los valores y vectores característicos.
⎢⎣ 4 −4 5 ⎥⎦
1− λ 2 −1
det ( A − λ I ) = 1 −λ 1 =0
4 −4 5 − λ
= − λ 3 + 6λ 2 − 11λ + 6 = 0
= (λ − 1)(λ − 2)(λ − 3) = 0.
⎡ 0 2 −1⎤ ⎡1 0 1
⎤2
⎢1 −1 1 ⎥ ⎯⎯⎯⎯⎯⎯⎯
operaciones elementales
→ ⎢⎢ 0 1 −1 ⎥
⎢ ⎥ 2⎥ .
⎣⎢ 4 −4 4 ⎥⎦ ⎢⎣ 0 0 0 ⎦⎥
1
x=− z
2
1
y= z
2
z= 1z
⎧⎛ −1⎞ ⎫ ⎛ −1⎞
⎪⎜ ⎟ ⎪ ⎜ ⎟
E1 = gen ⎨⎜ 1 ⎟ ⎬ ; ⎜ 1 ⎟ es un vector característico asociado con λ = 1 .
⎪⎜ 2 ⎟ ⎪ ⎜ 2⎟
⎩⎝ ⎠ ⎭ ⎝ ⎠
Determinemos E2.
( A − 2 I )x = 0 .
⎡ −1 2 −1⎤ ⎡1 0 1
⎤
2
⎢ 1 −2 1 ⎥ ⎯⎯⎯⎯⎯⎯⎯
operaciones elementales
→ ⎢⎢ 0 1 −1 ⎥
⎢ ⎥ 4⎥ .
⎢⎣ 4 −4 3 ⎥⎦ ⎢⎣ 0 0 0 ⎥⎦
La solución es:
1
x=− z
2
1
y= z
4
z= 1z
⎧⎛ −2 ⎞ ⎫ ⎛ −2 ⎞
⎪⎜ ⎟ ⎪ ⎜ ⎟
E2 = gen ⎨⎜ 1 ⎟ ⎬ ; ⎜ 1 ⎟ es un vector característico asociado con λ = 2 .
⎪⎜ 4 ⎟ ⎪ ⎜ 4⎟
⎩⎝ ⎠ ⎭ ⎝ ⎠
Similarmente, encontremos E3 .
( A − 3I ) x = 0
⎡ −2 2 −1⎤ ⎡1 0 1
⎤
4
⎢ 1 −3 1 ⎥ ⎯⎯⎯⎯⎯⎯⎯
operaciones elementales
→ ⎢⎢ 0 1 −1 ⎥
⎢ ⎥ 4⎥ .
⎢⎣ 4 −4 2 ⎥⎦ ⎢⎣ 0 0 0 ⎥⎦
La solución es:
1
x=− z
4
1
y= z
4
z= 1z
216
Módulo 16: Valores y vectores característicos
⎧⎛ −1⎞ ⎫ ⎛ −1⎞
⎪⎜ ⎟ ⎪ ⎜ ⎟
E3 = gen ⎨⎜ 1 ⎟ ⎬ ; ⎜ 1 ⎟ es un vector característico asociado con λ = 3 .
⎪⎜ 4 ⎟ ⎪ ⎜ 4⎟
⎩⎝ ⎠ ⎭ ⎝ ⎠
Ejemplo 5
⎡ 1 −1 0 ⎤
⎢ ⎥
Sea A = ⎢ −1 2 −1⎥ . Determinemos los valores y vectores característicos de A.
⎣⎢ 0 −1 1 ⎥⎦
1− λ −1 0
det ( A − λ I ) = −1 2−λ −1
0 −1 1− λ
= − λ 3 + 4λ 2 − 3λ = 0
= − λ (λ − 1)(λ − 3) = 0.
E0 , ( A − 0 I )x = 0 .
⎡ 1 −1 0 ⎤ ⎡1 0 −1⎤
⎢ −1 2 −1⎥ ⎯⎯⎯⎯ ⎢0 1 −1⎥ , entonces x = 1z
⎢ ⎥ → ⎢ ⎥
⎢⎣ 0 −1 1 ⎥⎦ ⎢⎣0 0 0 ⎥⎦ y = 1z
z = 1z
⎧⎛ 1 ⎞ ⎫
⎪⎜ ⎟ ⎪
E0 = gen ⎨⎜ 1 ⎟ ⎬ .
⎪⎜ 1 ⎟ ⎪
⎩⎝ ⎠ ⎭
E1 , ( A − I )x = 0 .
⎡ 0 −1 0 ⎤ ⎡1 0 1 ⎤
⎢ −1 1 −1⎥ ⎯⎯⎯⎯
→ ⎢⎢ 0 1 0⎥⎥ , entonces x = − 1z
⎢ ⎥
⎢⎣ 0 −1 0 ⎥⎦ ⎢⎣ 0 0 0⎥⎦ y = 0z
z = 1z
⎧⎛ −1⎞ ⎫
⎪⎜ ⎟ ⎪
E1 = gen ⎨⎜ 0 ⎟ ⎬
.
⎪⎜ 1 ⎟ ⎪
⎩⎝ ⎠ ⎭
E3 , ( A − 3I ) x = 0 .
⎡ −2 −1 0 ⎤ ⎡1 0 −1⎤ x = 1z
⎢ −1 −1 −1⎥ ⎯⎯⎯⎯
→ ⎢ 0 1 2 ⎥ , entonces
⎢ ⎥ ⎢ ⎥ y = − 2z
⎢⎣ 0 −1 −2 ⎥⎦ ⎢⎣ 0 0 0 ⎥⎦
z = 1z
⎧⎛ 1 ⎞ ⎫
⎪⎜ ⎟ ⎪
E3 = gen ⎨⎜ −2 ⎟ ⎬
.
⎪⎜ 1 ⎟ ⎪
⎩ ⎝ ⎠ ⎭
Ejemplo 6
⎡0 1 0 ⎤
A = ⎢0 0 1 ⎥ ,
Sea ⎢ ⎥ entonces
⎢⎣1 −3 3⎥⎦
−λ 1 0
det( A − λ I ) = 0 −λ 1 =0
1 −3 3 − λ
λ 3 − 3λ 2 + 3λ − 1 = 0,
(λ − 1)3 = 0.
⎡ −1 1 0⎤ ⎡1 0 −1⎤
⎢ ⎥ → ⎢⎢0 1 −1⎥⎥ , entonces
E1 : ⎢ 0 −1 1 ⎥ ⎯⎯⎯ x=z
⎢⎣ 1 −3 2⎥⎦ ⎢⎣0 0 0 ⎥⎦ y=z
z=z
⎧⎛ 1 ⎞ ⎫
⎪⎜ ⎟ ⎪
E1 = gen ⎨⎜ 1⎟ ⎬ .
⎪⎜ 1 ⎟ ⎪
⎩⎝ ⎠ ⎭
218
Módulo 16: Valores y vectores característicos
Ejemplo 7
⎡ 3 2 4⎤
Sea A = ⎢ 2 0 2 ⎥ ; entonces,
⎢ ⎥
⎢⎣ 4 2 3 ⎥⎦
3−λ 2 4
det ( A − λ I ) = 2 −λ 2 =0
4 2 3−λ
det ( A − λ I ) = − λ 3 + 6λ 2 + 15λ + 8 = − (λ + 1) 2 (λ − 8) = 0.
E−1 : ( A + I )x = 0.
⎡ 4 2 4⎤ ⎡1 1
2 1⎤
⎢ 2 1 2 ⎥ ⎯⎯⎯
→ ⎢⎢0 0 ⎥⎥ , 1
⎢ ⎥ 0
entonces x=− y−z
⎢⎣ 4 2 4 ⎥⎦ ⎢⎣0 2
0 0 ⎥⎦
y= y
z=z
⎛ x⎞ ⎛ −1 2 ⎞ ⎛ −1⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ y ⎟ = y ⎜ 1 ⎟ + z ⎜ 0 ⎟.
⎜z⎟ ⎜ 0 ⎟ ⎜ 1⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
⎧⎛ -1 2 ⎞ ⎛ −1⎞ ⎫
⎪⎜ ⎟ ⎜ ⎟ ⎪
E−1 : gen ⎨⎜ 1 ⎟ , ⎜ 0 ⎟ ⎬ .
⎪⎜ 0 ⎟ ⎜ 1 ⎟ ⎪
⎩⎝ ⎠ ⎝ ⎠ ⎭
E8 : ( A − 8I )x = 0.
⎡ −5 2 4 ⎤ ⎡1 0 −1⎤
⎢ 2 −8 2 ⎥ ⎯⎯⎯
→ ⎢⎢0 1 −1 2 ⎥⎥ , entonces x= 1z
⎢ ⎥
⎢⎣ 4 2 −5⎥⎦ ⎢⎣0 0 0 ⎥⎦ 1
y=
z
2
z = 1z
⎧⎛ 1 ⎞ ⎫
⎪⎜ ⎟ ⎪
E8 : gen ⎨⎜ 1 2 ⎟ ⎬ .
⎪⎜ 1 ⎟ ⎪
⎩⎝ ⎠ ⎭
(2). Si bn−1 ,..., b1 , b0 son enteros, entonces P (λ ) no puede tener una raíz racio-
nal que no sea un entero. Luego las posibles raíces racionales de P (λ )
serán factores enteros de b0. Por supuesto, P (λ ) podría tener raíces
irracionales. Además, P (λ ) también podrá tener raíces complejas; si esto
sucede, éstas ocurren en pares conjugados.
Ejemplo 8
⎡ 2 −1 ⎤
Sea A = ⎢ ⎥ . Determinemos los valores y vectores característicos de A.
⎣ 5 −2 ⎦
2−λ −1
det ( A − λ I ) = = 0, entonces λ 2 + 1 = 0.
5 −2 − λ
Ei : ( A − iI )x = 0.
⎡2 − i −1 ⎤ ⎡ x ⎤ ⎡ 0 ⎤
⎢ 5 = , luego (2 − i ) x − y = 0
⎣ −2 − i ⎥⎦ ⎢⎣ y ⎥⎦ ⎢⎣ 0 ⎥⎦
(2 − i ) x = y
Entonces, si x = 1, y = 2 − i.
⎛ 1 ⎞
Por tanto, x1 = ⎜ ⎟ es un vector característico correspondiente a λ = i y
⎝2−i⎠
⎪⎧⎛ 1 ⎞ ⎪⎫
Ei : gen ⎨⎜ ⎟⎬ .
⎩⎪⎝ 2 − i ⎠ ⎭⎪
Ahora, E− i resulta de resolver ( A + iI )x = 0.
⎡2 + i −1 ⎤ ⎡ x ⎤ ⎡ 0 ⎤
⎢ 5 = , lo cual lleva a (2 + i ) x − y = 0.
⎣ −2 + i ⎥⎦ ⎢⎣ y ⎥⎦ ⎢⎣ 0 ⎥⎦
⎛ 1 ⎞
Ahora, si x = 1, y = (2 + i ), y entonces x 2 = ⎜ ⎟.
⎝2+i⎠
220
Módulo 16: Valores y vectores característicos
hecho no es casual y se puede demostrar que los valores característicos de una
matriz real ocurren en pares conjugados complejos y los vectores característicos
correspondientes son conjugados complejos entre sí.
16.3 Propiedades
Teorema 3
Demostración
(
C1 (λ1 − λ2 ) x1 + C2 λ2 − λ2
0
)x 2 = 0,
C1 (λ1 − λ2 )x1 = 0.
Hagamos (3) × A:
C1 Ax1 + C2 Ax 2 + ... + Ck Ax k + Ck +1 Ax k +1 = 0,
(
+ Ck +1 λk +1 − λk +1
0
)x k +1 = 0.
C1 = C2 = ... = Ck = 0.
Definición 4
Para cada valor característico debe haber asociado al menos un vector característi-
co. Si la multiplicidad algebraica de λ es mayor que 1, por ejemplo si A es una matriz
3 × 3 con dos valores característicos λ1 y λ2 con multiplicidades algebraicas 1 y
2, respectivamente, entonces para λ1 habrá asociado un vector característico y
222
Módulo 16: Valores y vectores característicos
para λ2 podrá haber uno o dos vectores característicos LI. Es claro que no podrán
ser más de dos ya que en el caso de que fueran tres vectores, se completarían cuatro
vectores LI en un espacio vectorial de dimensión 3, lo cual es absurdo.
Teorema 4
Teorema 5
Teorema 6
Los valores característicos de una matriz triangular son las componentes diagonales
de la matriz.
Teorema 7
Finalizamos esta sección destacando algunas relaciones entre los valores caracte-
rísticos de A y los valores característicos de matrices relacionadas con A.
Teorema 8
Sea An× n una matriz que tiene valores característicos λ1 , λ 2 ,..., λ k ; entonces:
Av = λi v. (1)
A Av = A λi v, A2 v = λi Av.
A 2 v = λi λ i v = λi 2 v .
Veamos para m = k + 1.
A Ak v = Aλi k v,
(3)
Ak +1 v = λi k Av.
Ak +1 v = λi k λi v = λi k +1 v.
k +1
Luego λi k +1 es un valor característico de A y esto completa la prueba.
Los literales b y d se dejan como ejercicio.
224
Módulo 16
⎡2 2⎤
Sea A = ⎢
2
1. ⎥ . Determine cuáles de los siguientes vectores de son vectores característicos de A; en caso de
⎣2 2⎦
serlo, determine el valor característico asociado.
a. (2, − 1) d. (4, 4)
b. (2, 2) e. ( − 6, 6)
c. (3, − 3) f. ( − 1, 2)
⎡ 0 1⎤ ⎡1 0 ⎤ ⎡ 0 −1⎤
2. ⎢ −1 0 ⎥ 3. 4.
⎢1 1 ⎥ ⎢ −1 0 ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
⎡1 1 0 ⎤ ⎡0 1 0 0⎤
⎡ 1 −1 4 ⎤ ⎢1
⎢0 −1 1 ⎥ ⎢ 3 2 −1⎥ ⎢ 0 0 0 ⎥⎥
5. ⎢ ⎥ 6.
⎢ ⎥
7.
⎢⎣0 0 2 ⎥⎦ ⎢0 0 1 1⎥
⎢⎣ 2 1 −1⎥⎦ ⎢ ⎥
⎣0 0 −2 4⎦
⎡ −3 −7 −5⎤ ⎡a 0 0 0⎤ ⎡a b 0 0⎤
⎢2 4 3⎥ ⎢0 a 0 0 ⎥⎥ ⎢0 a 0 0 ⎥⎥ ; b ≠ 0
8.
⎢ ⎥
9. ⎢ 10. ⎢
⎢⎣ 1 2 2 ⎥⎦ ⎢0 0 a 0⎥ ⎢0 0 a 0⎥
⎢ ⎥ ⎢ ⎥
⎣0 0 0 a⎦ ⎣0 0 0 a⎦
⎡a b 0 0⎤ ⎡a b 0 0⎤
⎢0 a c 0 ⎥⎥ ⎢0 a c 0 ⎥⎥
11. ⎢ ; bc ≠ 0 12. ⎢ ; bcd ≠ 0
⎢0 0 a 0⎥ ⎢0 0 a d⎥
⎢ ⎥ ⎢ ⎥
⎣0 0 0 a⎦ ⎣0 0 0 a⎦
13. Sea A una matriz diagonal de orden n cuyos elementos de la diagonal principal son λ1 , λ2 ,..., λn . Determine el
polinomio característico de A y sus valores característicos.
15. Suponga que λ1 es un valor característico de la matriz A, y λ2 es un valor carcterístico de la matriz B. ¿Es λ1 + λ2 un
valor característico de A + B?
18. Sea A una matriz real de n × n. Demuestre que si λ1 es un valor característico complejo de A con vector característico
v1, entonces λ1 es un valor característico de A con vector característico v1 .
17.1 Diagonalización
17.2 Condición necesaria y suficiente para que una matriz An× n sea diagonalizable
El problema de la diagonalización consiste
en encontrar una matriz D tal que D = P-1AP.
Objetivos del módulo
1. Establecer una condición necesaria y suficiente para que una matriz sea diagonalizable.
2. Utilizar las propiedades de las matrices semejantes para trabajar algebraicamente
con A a través de su matriz diagonal equivalente.
Preguntas básicas
Introducción
17.1 Diagonalización
Definición 1
D = P −1 AP.
Ejemplo 1
⎡3 2 ⎤
La matriz A = ⎢ ⎥ dada en el ejemplo 1 del módulo 16 es diagonalizable ya que A
⎣3 4 ⎦
⎡1 0 ⎤
es similar a BT = ⎢ ⎥ . Ambas matrices son representaciones de la transforma-
⎣0 6⎦
⎡ x ⎤ ⎡3 x + 2 y ⎤
ción lineal T : R 2 → R definida por T ⎢ y ⎥ = ⎢3 x + 4 y ⎥ . La matriz A está referida
⎣ ⎦ ⎣ ⎦
a la base estándar y la matriz BT está referida a la base formada por los vectores
⎡1⎤ ⎡2⎤
característicos LI ⎢ ⎥ y ⎢ ⎥ . Estos vectores forman las dos columnas de la
⎣ −1⎦ ⎣3⎦
matriz P.
−1
⎡ 1 0 ⎤ ⎡ 1 2 ⎤ ⎡3 2 ⎤ ⎡ 1 2 ⎤
⎢ 0 6 ⎥ = ⎢ −1 3 ⎥ ⎢3 4 ⎥ ⎢ −1 3 ⎥ .
⎣ ⎦ ⎣ ⎦ ⎣ ⎦⎣ ⎦
Teorema 1
Demostración
−1
Si A y B son similares entonces existe una matriz P tal que B = P AP, y por tanto
det ( B − λ I ) = det ( P −1 AP − λ I ) = det ( P −1 AP − P −1λ IP ) = det ( P −1 ( A − λ I ) P )
= det P −1 det ( A − λ I ) det P = det ( P −1 P ) det ( A − λ I ) = det I det ( A − λ I )
= det ( A − λ I ).
228
Módulo 17: El problema de la diagonalización
17.2 Condición necesaria y suficiente para que una
matriz A n× n sea diagonalizable
Teorema 2
Demostración
⎡ λ1 0 0⎤
⎢0 λ2 0 ⎥⎥
Supongamos que A es similar a D, con D = ⎢ ; entonces
⎢ ⎥
⎢ ⎥
⎣0 λn ⎦
D = P −1 AP, de modo que PD = AP. Sea P la matriz cuyas columnas son x1, x2,..., xn
P = ⎡⎣ x1 , x 2 ,..., x j ,..., x n ⎤⎦ ,
Ahora,
⎡ λ1 0 0⎤
⎢0 λ2 0 ⎥⎥
PD = ⎡⎣ x1 , x 2 ,..., x j ,..., x n ⎤⎦ ⎢ ,
⎢ ⎥
⎢ ⎥
⎣0 λn ⎦
Luego
Ax j = λ j x j j = 1,..., n.
P −1 AP = D,
Corolario
Si nA
×n
tiene n valores característicos distintos, entonces A es diagonalizable.
Observación
De 1 y 2 tenemos que:
Ejemplo 2
⎡ 3 2 4⎤
En el ejemplo 7 del módulo16 determinamos para A = ⎢⎢ 2 0 2 ⎥⎥ sus valores y
⎢⎣ 4 2 3 ⎥⎦
⎡1⎤
⎡ −1 2 ⎤ ⎡ −1⎤ ⎢1 ⎥
racterísticos ⎢ 1 ⎥ y ⎢ 0 ⎥ correspondientes a λ = −1 y ⎢ 2 ⎥ correspondiente a
⎢ ⎥ ⎢ ⎥ ⎢⎣ 1 ⎥⎦
⎣⎢ 0 ⎦⎥ ⎢⎣ 1 ⎥⎦
λ = 8.
230
Módulo 17: El problema de la diagonalización
⎡−1 0 0⎤
D = ⎢⎢ 0 −1 0⎥⎥ .
⎢⎣ 0 0 8⎥⎦
⎡ −1 2 −1 1 ⎤
P = ⎢⎢ 1 0 1 2 ⎥⎥ .
⎢⎣ 0 1 1 ⎥⎦
Entonces,
P −1 AP = D .
P ( P −1 AP ) P −1 = PDP −1 ,
( PP −1 ) A( PP −1 ) = A = PDP −1 .
An = PD n P −1 ,
⎡ −1 2 −1 1 ⎤ ⎡(−1) 0 ⎤ ⎡ −2 8 −2 ⎤
n
0
⎢ ⎥ 1
= ⎢⎢ 1 0 1 2 ⎥⎥ ⎢ 0 (−1) n
0 ⎥× ⎢ −4 −2 5 ⎥ .
⎢ ⎥
9
⎢⎣ 0 1 1 ⎥⎦ ⎢⎣ 0 0 (8) n ⎥⎦ ⎢⎣ 4 2 4 ⎥⎦
Ejemplo 3
Cuando estudiamos las propiedades de las matrices similares (teorema 6, módulo 13)
vimos que si A y B son matrices similares entonces det A = det B.
Ahora, si A es similar a una matriz diagonal D, det A = det D. Vea en su multimedia de Álgebra
Lineal el código fuente en MATLAB
para ilustrar «Diagonalización de
matrices»
det A = λ1 λ2 ,..., λn .
232
Módulo 17
En los ejercicios 1 a 6 determine si la matriz dada A es diagonalizable; en caso de serlo, determine las matrices P, D y P −1 tales
que A = P D P −1 .
⎛ 1 1 0 0⎞
⎛ 0 1 0⎞ ⎛ −2 −2 −4 ⎞ ⎜ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ −2 4 0 0⎟
1. ⎜ −1 0 0 ⎟ 2. ⎜ 2 3 2⎟ 3.
⎜ 0
⎜ 0 0 2⎟ ⎜ 3 2 5⎟ 0 2 1⎟
⎝ ⎠ ⎝ ⎠ ⎜ ⎟
⎝ 0 0 1 2⎠
⎛ 1 2⎞ ⎛0 i ⎞ ⎛ i 1⎞
4. ⎜ ⎟ 5. ⎜ ⎟ 6. ⎜ ⎟
⎝ −2 2 ⎠ ⎝ i 0⎠ ⎝0 i⎠
⎛1 1⎞
7. Diagonalice A = ⎜ ⎟ y emplee la diagonalización hallada para calcular A .
12
⎝0 2⎠
1
9. Si A y B son diagonalizables con A = P −1 D1P y B = Q −1 D2Q, ¿es A B una matriz diagonalizable, con D1 D2 su matriz
diagonal equivalente? ¿Es A + B diagonalizable, con D1 + D2 su matriz diagonal equivalente?
Preguntas básicas
Introducción
Para los adultos también hay una tasa de supervivencia β de los adultos
sobrevivientes para el periodo siguiente.
Pj , n = kPa , n −1 .
Pa , n = α Pj , n −1 + β Pa , n −1 .
⎡ Pj , n ⎤ ⎡0 k⎤ ⎡ Pj , n −1 ⎤
o Pn = APn −1 , donde Pn = ⎢ ⎥ , A = ⎢ , Pn −1 = ⎢ ⎥.
P
⎣ a,n ⎦ ⎣α β ⎥⎦ ⎣ Pa , n −1 ⎦
Entonces, si P0 es la población inicial de hembras jóvenes y adultas, podemos
expresar las poblaciones en los periodos siguientes así:
236
Módulo 18: Aplicaciones de la teoría de valores y vectores característicos
Pn = An P0 .
−λ k
det ( A − λ I ) = = 0.
α β −λ
− λβ + λ 2 − α k = 0, entonces λ 2 − λβ − α k = 0, de donde
β ± β 2 + 4α k
λ= , con β , α y k cantidades positivas.
2
β + β 2 + 4α k β − β 2 + 4α k
λ1 = y λ2 = .
2 2
P0 = a1v1 + a2 v2 .
Como Pn = An P0 , entonces
Pn = An (a1 v1 + a2 v 2 ) = a1 An v1 + a2 An v 2
= a1λ1n v1 + a2 λ2 n v 2 , ya que An v1 = λ1n v1 y An v 2 = λ2n v 2 (teorema 8,
parte c, módulo 16)
⎛ ⎛λ ⎞
n
⎞
= λ1n ⎜ a1 v1 + a2 ⎜ 2 ⎟ v 2 ⎟ .
⎜ ⎝ λ1 ⎠ ⎟
⎝ ⎠
n
⎛ λ2 ⎞
Como λ1 > λ2 , ⎜ ⎟ tiende a cero cuando n es grande, entonces
⎝ λ1 ⎠
Pn ≈ λ1n a1v1. (1)
Es importante notar toda la información que podemos obtener del cálculo de los
valores y vectores característicos:
Una pregunta importante de resolver es: ¿la población crecerá o decrecerá? Aumen-
ta si λ1 > 1, y esta condición se verifica cuando
β + β 2 + 4α k
> 1, β 2 + 4α k > 2 − β .
2
Elevando al cuadrado,
β 2 + 4α k > 4 − 4 β + β 2 ,
4α k > 4 − 4 β ,
1− β
k> .
α
⎡100 ⎤
k = 1, α = 0.6, β = 0.8 y P0 = ⎢ ⎥.
⎣ 200 ⎦
Entonces,
⎡ 0 1 ⎤
A=⎢ ⎥,
⎣ 0.6 0.8⎦
luego
−λ 1
det ( A − λ I ) = = λ 2 − 0.8λ − 0.6 = 0,
0.6 0.8 − λ
Los granjeros y otras personas del área no quieren que la población crezca. Pueden
controlar la población «cosechándola» (permitiendo la caza de venados adultos); si
h es la proporción de población cosechada en cada periodo, entonces la proporción
de supervivencia β de la población adulta se disminuye en h y la matriz A para el
modelo será:
⎡0 1 ⎤
A=⎢ ⎥.
⎣0.6 0.8 − h ⎦
238
Módulo 18: Aplicaciones de la teoría de valores y vectores característicos
⎡ 0 1 ⎤ −λ 1
A=⎢ ⎥, det ( A − λ I ) = = λ 2 − 0.2λ − 0.6 = 0
⎣ 0.6 0.2 ⎦ 0.6 0.2 − λ
Si queremos que la población permanezca estable, esto es, que no crezca ni desapa-
rezca, el valor característico mayor (λ1 ) debe ser igual a 1.
Entonces
β + β 2 + 4α K
λ1 = = 1,
2
h = 0.4.
Así que una proporción de caza igual a 0.4 mantendrá estable la población.
Ejemplo 1
Una especie animal está clasificada en dos etapas de vida: juvenil (hasta un año de
edad) y adulta. Suponga que las hembras adultas paren una vez al año un promedio
de 1.6 hembras juveniles. Cada año sobrevive 30% de los juveniles para transfor-
marse en adultos y sobrevive 80% de los adultos.
⎡ Pj , k ⎤ Pj , k = 1.6 Pa , k −1
Pk = ⎢ ⎥
⎣ Pa , k ⎦ Pa , k = 0.3Pj , k −1 + 0.8 Pa , k −1
de donde
⎡ Pj , k ⎤ ⎡ 0 1.6 ⎤ ⎡ Pj , k −1 ⎤
⎢P ⎥ = ⎢ ⎥⎢ ⎥,
⎣ a , k ⎦ ⎣ 0.3 0.8⎦ ⎣ Pa , k −1 ⎦
Pk = APk −1.
Veamos cómo se comporta este sistema, analizando sus valores y vectores carac-
terísticos. Vea en su multimedia de Álgebra
Lineal el código fuente en MATLAB
para ilustrar «Aplicaciones valores
−λ 1.6 y vectores propios»
det ( A − λ I ) = = λ 2 − 0.8λ − 0.48 = 0,
0.3 0.8 − λ
⎡4⎤
Si x = 4 e y = 3, entonces x1 = ⎢ ⎥ .
⎣3⎦
Para λ2 = −0.4, (A + 0.4 I) x = 0.
⎡4⎤
Si x = 4, y = −1 y x 2 = ⎢ ⎥ .
⎣ −1⎦
Si la población inicial P0 la expresamos en términos de x1 y x2, entonces
P0 = a1x1 + a2 x2 ,
Pn = An P0 = An (a1x1 + a2 x 2 ),
= a1 An x1 + a2 An x 2 = a1λ1n x1 + a2 λ2 n x 2 .
En los modelos estudiados se describe un proceso que está determinado por medio
de la matriz A. El vector P0 se llama estado inicial del proceso y el vector Pn para
n ∈ N se llama n-ésimo estado del proceso.
240
Módulo 18: Aplicaciones de la teoría de valores y vectores característicos
Teorema 1
Xo = c1 v1 + c2 v2 + ... + cn vn .
Demostración
Los vectores v1, v2 ,..., vn forman una base del espacio V (R n o C n ), luego X0 se
puede expresar en esta base como Xo = c1 v1 + c2 v2 + ... + cn v n .
Como X k = AX k −1 , entonces
X1 = AX 0 , X 2 = AX1 , X 2 = A2 X 0 ,..., X k = Ak X 0 .
Luego
Xk = Ak (c1 v1 + c2 v 2 + ... + cn v n )
= c1 Ak v1 + c2 Ak v 2 + ... + cn Ak v n .
Definición 1
Teorema 2
∑a
i =1
ij = 1, para j =1,..., n (la suma sobre cada columna es 1).
an1 an 2 ann − 1
n n n
∑ ai1 − 1
i =1
∑ ai 2 −1
i =1
∑a
i =1
in −1 0 0 0
a21 a22 − 1 a2n
a21 a22 − 1 a2n = = 0.
an1 an 2 ann − 1
an1 an 2 ann − 1
Suponga que una máquina está siempre en alguno de estos tres estados: (1) parada
sin reparación (P), (2) en necesidad de ajustes (N), (3) trabajando bien (T).
242
Módulo 18: Aplicaciones de la teoría de valores y vectores característicos
Sea:
P N T
⎡1 1
4
1
18 ⎤P
A = ⎢⎢ 0 1
2
8 ⎥N
18 ⎥
⎢⎣ 0 1
4
9 ⎥T
18 ⎦
con aij : probabilidad de que una máquina que se encuentre en el estado j pase al
estado i en el periodo siguiente.
⎡ X1,t ⎤
⎢ ⎥
Sea Xt = ⎢ X 2,t ⎥ , donde X i ,t es la probabilidad de que la máquina esté en el estado
⎢ X 3,t ⎥
⎣ ⎦
Entonces AX t -1 = X t .
Por ejemplo, si la máquina está trabajando bien al principio del periodo, entonces
⎡0⎤ ⎡1 1
4
1
18 ⎤ ⎡ 0 ⎤ ⎡ 9 18 ⎤
X 0 = ⎢ 0 ⎥ , X1 = ⎢⎢ 0
⎢ ⎥ 1
2
8 ⎥ ⎢0⎥ = ⎢ 8 ⎥ .
18 ⎥ ⎢ ⎥ ⎢ 18 ⎥
⎢⎣1 ⎥⎦ ⎢⎣ 0 1
4
9 ⎥ ⎢1 ⎥
18 ⎦ ⎣ ⎦ ⎢⎣ 9 18 ⎥⎦
Si consideramos una factoría donde cada máquina se comporta con una distribu-
ción de probabilidad como muestra X1 , podemos esperar que 1/18 de las máquinas
estén paradas, 4/9 necesiten ajustes y 1/2 estén trabajando bien.
1− λ 1
4
1
18
det ( A − λ I ) = 0 1
2 −λ 8
18 = 0,
0 1
4
9
18 −λ
⎛⎛ 1 ⎞
2
8 1⎞
(1 − λ ) ⎜ ⎜ − λ ⎟ − × ⎟ = 0,
⎜⎝ 2 ⎠ 18 4 ⎟⎠
⎝
⎛ 5⎞
(1 − λ ) ⎜ λ 2 − λ + ⎟ = 0,
⎝ 36 ⎠
⎛ 1 ⎞⎛ 5⎞ 1 5
(1 − λ ) ⎜ λ − ⎟⎜ λ − ⎟ = 0, λ1 = 1, λ2 = , λ3 = .
⎝ 6 ⎠⎝ 6⎠ 6 6
⎡1⎤
Para λ = 1, resolvemos ( A − I ) v = 0, de donde v1 = ⎢⎢0⎥⎥ .
⎢⎣0⎥⎦
⎡1⎤
Para λ = 1/ 6, se determina v2 = ⎢⎢−4⎥⎥ .
⎣⎢ 3 ⎦⎥
⎡−7⎤
⎢ ⎥
Para λ = 5 / 6, se encuentra v 3 = ⎢ 4 ⎥ (verifíquelo).
⎢⎣ 3 ⎥⎦
Luego
⎡ 1 1 −7 ⎤ ⎡1 1 1⎤ ⎡1 0 0⎤
P = ⎢⎢0 −4 4 ⎥⎥ , P −1 = ⎢⎢ 0 −1
8
1 ⎥ , D = ⎢0
6⎥ ⎢
1
6 0 ⎥⎥ .
⎢⎣0 3 3 ⎥⎦ ⎢⎣ 0 1
8
1 ⎥
6⎦ ⎢⎣ 0 0 5 ⎥
6⎦
⎡0⎤
X5 = A X0 = A ⎢⎢0 ⎥⎥ ,
5 5
⎢⎣1 ⎥⎦
⎡ 1 1 −7 ⎤ ⎡ 1 0 0 ⎤ ⎡1 1 1⎤
⎢ −1 ⎥ ⎢
A = PD P = ⎢0 −4 4 ⎥ ⎢ 0 ( 6 )5
5 5 1 0 ⎥⎥ ⎢⎢0 −1 1 ⎥
8 6⎥
⎢⎣0 3 3 ⎥⎦ ⎢⎣ 0 0 ( 5 6 )5 ⎥⎦ ⎢⎣0 1
8
1 ⎥
6⎦
⎡1 0.648 0.531⎤
= ⎢⎢0 0.201 0.268⎥⎥ ,
⎣⎢0 0.151 0.201⎥⎦
244
Módulo 18: Aplicaciones de la teoría de valores y vectores característicos
⎡1 ⎤
⎢0⎥
alcanzado su estado estacionario. Este vector es ⎢ ⎥ ; esto es, cuando todas las
⎢⎣0 ⎥⎦
máquinas están en el estado (1), o sea, paradas sin reparación, ya no ocurre ningún
cambio de estado de un periodo a otro. A esta situación se llega cuando han trans-
currido n periodos con n grande.
Teorema 2
Sea un proceso de Markov dado por la matriz A y la cadena X1, X2 ,..., Xk ,... . Si A es
diagonalizable y todo valor característico de A distinto de 1 posee módulo menor
que, 1 entonces:
Demostración
Luego
Ejemplo 2
Figura 18.1
Pk +1 = Pk = APk .
Pk es un vector característico correspondiente a λ = 1.
⎡3⎤
Si x = 3, y = 5 , entonces v = ⎢ ⎥ .
⎣5⎦
246
Módulo 18: Aplicaciones de la teoría de valores y vectores característicos
⎡3/ 8⎤
v1 = ⎢ ⎥ es un vector de estado estacionario.
⎣5 / 8⎦
⎡0.95 − λ 0.03 ⎤
⎢ 0.05 = (0.95 − λ )(0.97 − λ ) − 0.0015 = 0,
⎣ 0.97 − λ ⎥⎦
Luego
⎡1⎤
v2 = ⎢ ⎥ .
⎣−1⎦
⎡3 1 0.6 ⎤ ⎡1 0 1/ 8 ⎤
⎢5 −1 0.4 ⎥ → ⎢ 0 1 9 / 40 ⎥ .
⎣ ⎦ ⎣ ⎦
Pk = a1λ1k v1 + a2λ2k v2 ,
1 ⎡ 3⎤ 9 ⎡1⎤
= ⎢ ⎥ + (0.92)k ⎢ ⎥ .
8 ⎣5⎦ 40 ⎣ −1⎦
⎡3/ 8⎤
Cuando k → ∞, (0.92) k → 0 y Pk → ⎢ ⎥ .
⎣5/ 8⎦
La población se estabiliza cuando 3/8 de ella vive en la ciudad y 5/8 en los subur-
bios.
2. Suponga que hay tres centros principales de camiones «múdese usted mismo». Cada mes, la mitad de los que están
en Boston y en Los Ángeles van a Chicago, la otra mitad permanece donde está y los camiones de Chicago se
dividen igualmente entre Boston y Los Ángeles. Si inicialmente la compañía tenía x0, y0, z0 camiones en Boston,
Chicago y Los Ángeles, respectivamente,
a. Encuentre la distribución de camiones de la compañía en las tres ciudades, para cada mes.
b. Determine cuál será a largo plazo la distribución de camiones de la compañía.
3. Cada año 1/10 de la gente de Estados Unidos que vive fuera de California se muda dentro y 2/10 de la gente que vive
dentro de California se muda fuera. Si inicialmente y0 y z0 eran los tamaños de las poblaciones fuera y dentro de
California:
a. Encuentre, para el k-ésimo año, el tamaño de la población que vive fuera (dentro) de California.
b. ¿Puede modelar este problema como un proceso de Markov?
c. Encuentre la probabilidad de que un individuo de Estados Unidos, elegido al azar, viva fuera (dentro) de
California en el k-ésimo año.
d. Encuentre la distribución de la población americana a largo plazo.
4. Suponga que hay una epidemia en la que cada mes se enferma la mitad de los que están sanos y muere la cuarta parte
de los que están enfermos. Suponga que inicialmente había s0 y e0 individuos sanos y enfermos, respectivamente, y
ningún individuo había muerto.
a. Encuentre la distribución de la población para el k-ésimo mes y diga cuál es la probabilidad en ese mes, para
cada uno de los siguientes eventos: estar sano, estar enfermo, estar muerto.
b. ¿Puede modelar este problema como un proceso de Markov?
c. Encuentre la distribución de la población a largo plazo.
5. Un curso de Química se imparte en dos secciones. Si cada semana dejan el curso 1/ 4 de los que están en la sección
A y 1/ 3 de los que están en la sección B, y 1/6 de cada sección se transfiere a la otra:/
6. El crecimiento de un cultivo de bacterias en un medio nutritivo se observa cada dos horas y cada vez se encuentra
que la población ha crecido 30% con respecto a la vez anterior.
a. Denote por Pn la población de bacterias después de 2n horas y describa este proceso de crecimiento por
medio de una ecuación.
b. Dado que la población inicial es 1000 bacterias, determine P2 y P4.
La mitad de los conejos sobrevive el primer año. De éstos, la mitad sobrevive el segundo año. La duración de
la máxima vida es tres años.
Durante el primer año los conejos no producen descendencia. El número medio de descendencia es seis durante
el segundo año y ocho durante el tercer año.
Si actualmente la población consta de 24 conejos en la clase de la primera edad, 24 en la clase de la segunda edad y
20 en la tercera edad, ¿cuál será la distribución de conejos cuando hayan transcurrido diez años?
9. Una compañía de robótica quiere fabricar un brazo que deberá recoger partes de una banda transportadora para
colocarlas en otra banda. Ocasionalmente el brazo falla, pero el robot está diseñado para que en caso de falla se
activen circuitos secundarios. En las observaciones se descubre que si el brazo falla en una ocasión, tendrá éxito la
siguiente vez 97% de las veces. Si el brazo tiene éxito en cierto intento, los circuitos secundarios se desactivarán
y el brazo fallará la siguiente vez apenas 2% de las veces. ¿Cumplirá el brazo con el requerimiento del cliente de que
trabaje exitosamente 98% de las veces?
10. En un día dado, un estudiante está sano o bien está enfermo. De los estudiantes que están sanos hoy, 95% estará
sano mañana. De los estudiantes que están enfermos hoy, 55% estará enfermo mañana.
EjerciciosÁlgebradel
Ejercicios Linealmódulo 18249
Elemental y Aplicaciones
250
19
Forma canónica de Jordan
Contenidos del módulo
1. Determinar para cualquier matriz An× n , diagonalizable o no, una matriz semejante
J que es su forma canónica de Jordan.
Preguntas básicas
Introducción
La idea de la diagonalización de una matriz An× n es poder encontrar una matriz más
«sencilla» semejante a la matriz A con la cual se pueda operar más fácilmente. Sin
embargo, no todas las matrices tienen n vectores característicos LI, es decir, no son
semejantes a una matriz diagonal; en este caso se puede encontrar semejanza con
otra matriz, no diagonal pero sí más sencilla que la matriz original. Veremos la forma
de obtener estas matrices. Vea el módulo 19 del programa
de televisión Álgebra Lineal
Escuche la biografía de Camille Comenzamos el proceso definiendo una matriz cuadrada N k , así:
Jordan en su multimedia de
Álgebra Lineal
⎡0 1 0 0⎤
⎢0 0 1 0⎥⎥
⎢
Nk = ⎢ ⎥.
⎢ ⎥
⎢0 0 0 1⎥
⎢⎣0 0 0 0⎥⎦
N k es una matriz con unos arriba de la diagonal principal y ceros en las demás
posiciones.
⎡λ 1 0 0 0⎤
⎢0 λ 1 0 0 ⎥⎥
⎢
B (λ ) = ⎢ ⎥.
kxk ⎢ ⎥
⎢0 0 0 λ 1⎥
⎢⎣ 0 0 0 0 λ ⎥⎦
B (λ ) es una matriz que tiene un valor λ fijo sobre la diagonal, unos encima de la
diagonal y ceros en las demás posiciones.
Podemos considerar que una matriz bloque de Jordan de 1 × 1 (orden 1), será
B(λ ) = (λ ).
Con las matrices de bloques de Jordan se forma la matriz de Jordan J, la cual tiene la
siguiente forma:
⎡ B1 (λ1 ) 0 0 ⎤
⎢ 0 B2 (λ2 ) 0 ⎥⎥
J =⎢ .
⎢ ⎥
⎢ ⎥
⎣ 0 0 Br (λr ) ⎦
J es una matriz que tiene en la diagonal matrices de bloques de Jordan y ceros en las
demás posiciones.
252
Módulo 19: Forma canónica de Jordan
Ejemplos
⎡2 0 0 0 0⎤
⎢0 ⎡ 3 1 0⎤
⎢ 2 1 0 0⎥⎥ ⎢ ⎥
1. ⎢0 0 2 1 0⎥ ⎢0 3 0 ⎥ .
⎢ ⎥ ⎢0 0 4 ⎥
⎢0 0 0 2 0⎥ ⎣ ⎦
⎢⎣ 0 0 0 0 3⎥⎦
⎡λ 1 0 ⎤
⎢0 λ 1⎥
⎢ ⎥ formada por un bloque de Jordan de orden 3.
⎢⎣ 0 0 λ ⎥⎦
⎡ λ1 1 0 ⎤
⎢ ⎥
⎢ 0 λ1 0 ⎥ formada por un bloque de Jordan de orden 2 y uno de orden 1.
⎢0 0 λ ⎥
⎣ 2⎦
⎡λ1 0 0 ⎤
⎢0 λ 1⎥⎥
⎢ 2 formada por un bloque de Jordan de orden 1 y uno de orden 2.
⎢⎣ 0 0 λ2 ⎥⎦
⎡λ1 0 0⎤
⎢0 λ 0 ⎥⎥
⎢ 2 formada por tres bloques de Jordan de orden 1.
⎢⎣ 0 0 λ3 ⎥⎦
J = P −1 AP .
Este hecho es uno de los resultados más importantes del álgebra lineal, aunque su
demostración va más allá del alcance de un curso inicial.
Escuche el audio El puente de
La matriz J tiene sobre la diagonal los valores característicos de A. Esta matriz es Tacoma en su multimedia de
única excepto por el orden en que aparecen los bloques de Jordan. Álgebra Lineal
Ejemplo 3
⎡1 1 0 0 0 0⎤
⎢0 1 1 0 0 0 ⎥⎥
⎢
⎢0 0 1 0 0 0⎥
Si A es similar a J1 = ⎢ ⎥ también es similar a:
⎢0 0 0 3 0 0⎥
⎢0 0 0 0 4 1⎥
⎢ ⎥
⎢⎣ 0 0 0 0 0 4 ⎥⎦
⎡3 0 0 0 0 0⎤ ⎡4 1 0 0 0 0⎤
⎢0 ⎥ ⎢0 4 0
⎢ 1 1 0 0 0⎥
⎢ 0 0 0⎥⎥
⎢0 0 1 1 0 0⎥ ⎢0 0 1 1 0 0⎥
J2 = ⎢ ⎥ , J3 = ⎢ ⎥,
⎢0 0 0 1 0 0⎥
⎢0 0 0 1 1 0⎥
⎢0 0 0 0 4 1⎥ ⎢0 0 0
⎢ ⎥ 0 1 0⎥
⎢ ⎥
⎣⎢0 0 0 0 0 4⎦⎥
⎣⎢0 0 0 0 0 3⎦⎥
⎡4 1 0 0 0 0⎤
⎢0 4 0 0 0 0 ⎥⎥
⎢
⎢0 0 3 0 0 0⎥
J4 = ⎢ ⎥
⎢0 0 0 1 1 0⎥
⎢0 0 0 0 1 1⎥
⎢ ⎥
⎢⎣ 0 0 0 0 0 1⎥⎦
A continuación veremos cómo obtener la forma canónica de Jordan para una matriz
A2×2 . Si A es diagonalizable ya sabemos cómo obtener su matriz diagonal equivalen-
te. Sólo resta analizar el caso en el cual A tiene un solo valor característico λ de
multiplicidad algebraica 2 y multiplicidad geométrica 1. Bajo estas condiciones, si v1
es un vector característico correspondiente al valor característico λ, entonces exis-
te un vector v2 que satisface la ecuación
( A − λ I )v2 = v1.
254
Módulo 19: Forma canónica de Jordan
Definición 1
Sea A una matriz de 2 × 2 con un solo valor propio λ con multiplicidad algebraica 2
y multiplicidad geométrica 1. Si v1 es un vector característico correspondiente a λ,
entonces al vector v2 tal que ( A − λ I ) v2 = v1 se le llama vector característico ge-
neralizado de A correspondiente al valor característico λ.
Teorema 1
⎡λ 1 ⎤
P −1 AP = J , donde J = ⎢ ⎥ es la forma canónica de Jordan de A.
⎣0 λ⎦
Demostración
AP = A [ v1 , v 2 ] = [ Av1 , Av 2 ] = [λ v1 , Av 2 ].
AP = [λ v1 , v1 + λ v 2 ].
Ahora,
⎡λ 1 ⎤
PJ = [v1 , v2 ] ⎢ ⎥ = [λ v1 , v1 + λ v2 ].
⎣0 λ⎦
Luego
AP = PJ ,
de donde P−1 AP = J .
Ejemplo 4
⎡ −10 −7 ⎤
Transforme la matriz A = ⎢
4 ⎥⎦
a su forma canónica de Jordan.
⎣ 7
Solución
−10 − λ −7
det ( A − λ I ) = =0, λ 2 + 6λ + 9 = 0 → (λ + 3) 2 = 0.
7 4−λ
( A + 3I )x = 0,
−7 x − 7 y = 0
⎡ −7 −7 ⎤ ⎡ x ⎤ ⎡0⎤ −7 x = 7 y
⎢ 7 7 ⎥ ⎢ y ⎥ = ⎢0⎥ , entonces
⎣ ⎦⎣ ⎦ ⎣ ⎦ −x = y
Por tanto,
⎪⎧ ⎡ 1 ⎤ ⎪⎫
E−3 = gen ⎨ ⎢ ⎥ ⎬ .
⎩⎪ ⎣ −1⎦ ⎭⎪
⎡1⎤
Si v1 = ⎢ ⎥ , el vector v2 debe encontrarse como un vector característico generali-
⎣−1⎦
zado.
−7 x − 7 y = 1
⎡ −7 − 7 ⎤ ⎡ x ⎤ ⎡ 1 ⎤ 7 x + 7 y = −1
⎢7 =
7 ⎥⎦ ⎢⎣ y ⎥⎦ ⎢⎣ −1⎥⎦
, entonces
⎣ 1
x+ y = −
7
Si x = 0, y = −1/ 7,
⎡0⎤
luego v 2 = ⎢ −1 ⎥ .
⎣ 7⎦
⎡1 0⎤ ⎡ −1 7 0 ⎤ ⎡ 1 0⎤
P=⎢ ⎥ , P −1 = −7 ⎢ ⎥ =⎢ ⎥,
⎣ −1 −1
7⎦ ⎣ 1 1 ⎦ ⎣ −7 −7 ⎦
⎡1 0 ⎤ ⎡ −10 −7 ⎤ ⎡ 1 0 ⎤ ⎡ −3 1 ⎤
J = P −1 AP = ⎢ ⎥⎢ ⎥ = ⎢ 0 − 3⎥ .
⎣ −7 − 7 ⎦ ⎣ 7 4 ⎥⎦ ⎢⎣ −1 −1
7⎦ ⎣ ⎦
256
Módulo 19: Forma canónica de Jordan
Ejemplo 5
⎡3 0 0 0⎤
⎢0 3 0 0 ⎥⎥
J =D=⎢ .
⎢0 0 3 0⎥
⎢ ⎥
⎣0 0 0 −4⎦
⎡3 0 0 0⎤
⎢0 3 1 0 ⎥⎥
J =⎢ .
⎢0 0 3 0⎥
⎢ ⎥
⎣0 0 0 −4⎦
⎡3 1 0 0⎤
⎢0 3 1 0 ⎥⎥
J =⎢ .
⎢0 0 3 0⎥
⎢ ⎥
⎣0 0 0 −4⎦
⎡λ 1 0 ⎤
será J = ⎢ 0 λ 1 ⎥ .
⎢ ⎥
⎢⎣ 0 0 λ ⎥⎦
Ejemplo 6
⎡0 1 0⎤
A = ⎢⎢0 0 1 ⎥⎥
⎢⎣1 −3 3⎥⎦
⎡1⎤
co correspondiente a λ = 1, v1 = ⎢⎢1⎥⎥ .
⎢⎣1⎥⎦
Resolvamos ( A − I ) v2 = v1.
⎡ −1 1 0 ⎤ ⎡ x ⎤ ⎡1⎤
⎢ 0 −1 1 ⎥ ⎢ y ⎥ = ⎢1⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣⎢ 1 −3 2 ⎥⎦ ⎢⎣ z ⎥⎦ ⎣⎢1⎦⎥
⎡ −1 1 0 1⎤ ⎡ 1 0 −1 −2⎤ x = −2 + z
⎢ 0 −1 1 1⎥ → ⎢ 0 1 −1 −1⎥ y = −1 + z
⎢ ⎥ ⎢ ⎥,
⎢⎣ 1 −3 2 1⎥⎦ ⎢⎣ 0 0 0 0⎥⎦ z= z
⎡−2⎤
⎢ ⎥
Si z = 0, x = −2 e y = −1, entonces 2 ⎢ −1⎥ .
v =
⎢⎣ 0 ⎥⎦
258
Módulo 19: Forma canónica de Jordan
⎡−1 1 0⎤ ⎡ x ⎤ ⎡ −2⎤
⎢ 0 −1 1 ⎥ ⎢ y ⎥ = ⎢ −1⎥ ,
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣⎢ 1 −3 2⎥⎦ ⎢⎣ z ⎥⎦ ⎣⎢ 0 ⎦⎥
⎡ −1 1 0 −2 ⎤ ⎡ 1 0 −1 3⎤ x = 3+ z
⎢ 0 −1 1 −1⎥ → ⎢0 1 −1 1⎥ y = 1+ z
⎢ ⎥ ⎢ ⎥,
⎢⎣ 1 −3 2 0 ⎥⎦ ⎢⎣0 0 0 0⎥⎦ z= z
⎡3⎤
= ⎢ ⎥
Si z = 0, entonces 3 ⎢1⎥ .
v
⎢⎣0⎥⎦
Luego
⎡1 −2 3 ⎤ ⎡0 0 1 ⎤
P = ⎢⎢1 −1 1 ⎥⎥ , P = ⎢⎢1 −3 2⎥⎥ .
−1
⎢⎣1 0 0 ⎥⎦ ⎢⎣1 −2 1 ⎥⎦
⎡0 0 1 ⎤ ⎡0 1 0⎤ ⎡1 −2 3⎤ ⎡1 1 0⎤
J = ⎢⎢1 −3 2 ⎥⎥ ⎢⎢0 0 1 ⎥⎥ ⎢⎢1 −1 1 ⎥⎥ = ⎢⎢0 1 1 ⎥⎥ .
⎢⎣1 −2 1 ⎥⎦ ⎢⎣1 −3 3⎥⎦ ⎢⎣1 0 0⎥⎦ ⎢⎣0 0 1 ⎥⎦
⎡3 1 ⎤ ⎡3 0 ⎤ ⎡1 0 ⎤ ⎡1 2 ⎤
1. ⎢0 −1⎥ 2. ⎢0 −1⎥ 3. ⎢0 0 ⎥ 4. ⎢0 1 ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
⎡1 0 0 0 0⎤
⎡1 0 0 ⎤ ⎡1 0 0 ⎤ ⎢0 3 1 0 0 ⎥⎥
⎡ 3 −1⎤ ⎢0 3 1 ⎥ ⎢0 3 1 ⎥ ⎢
5. ⎢0 1 ⎥ 6. ⎢ ⎥ 7. ⎢ ⎥ 8. ⎢0 0 3 1 0⎥
⎣ ⎦ ⎢⎣0 0 4 ⎥⎦ ⎢⎣0 0 3⎥⎦ ⎢ ⎥
⎢0 0 0 3 0⎥
⎢⎣0 0 0 0 3 ⎥⎦
⎡a 0 0 0 0⎤
⎢0 b 1 0 0 ⎥⎥
⎢
9. ⎢0 0 b 1 0⎥
⎢ ⎥
⎢0 0 0 c 0⎥
⎢⎣ 0 0 0 0 c ⎥⎦
En los ejercicios 10 a 12 encuentre una matriz invertible P que transforme la matriz de 2 × 2 a su forma canónica de Jordan.
⎡ 2 −7 ⎤ ⎡ 4 7⎤ ⎡ 2 −1⎤
10. ⎢7 −12 ⎥ 11. ⎢ −7 −10 ⎥ 12. ⎢1 4 ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
⎡ −2 1 0 ⎤
⎢ −2 1 −1⎥ .
13. Reduzca la matriz a su forma canónica de Jordan: ⎢ ⎥
⎢⎣ −1 1 −2⎥⎦
⎡0 6 8⎤
14. Haga lo mismo que en el ejercicio anterior con A = ⎢ 1 2 0 0 ⎥⎥ .
⎢
⎢⎣ 0 1
2 0 ⎥⎦
20. Usando la forma canónica de Jordan, demuestre que para cualquier matriz A de n × n, det A = λ1 λ2 ,..., λn , donde
λ1 , λ2 ,..., λn son los valores característicos de A.
EjerciciosÁlgebradel
Ejercicios Lineal módulo 19261
Elemental y Aplicaciones
Capítulo 5
Diagonalización
ortogonal.
5
Formas
cuadráticas y
aproximación
de valores y
vectores
característicos
Según Morris Kline1, los valores característicos se originaron en el contexto de formas cuadrá-
ticas y en la mécanica celeste (el movimiento de los planetas), conociéndose como raíces carac-
terísticas de la ecuación escalar.
Módulo 20
Diagonalización ortogonal
En el capítulo anterior tratamos el problema general de la diagonalización de una
matriz. Ahora veremos un caso específico importante que se presenta cuando la Ejercicios
matriz An × n es simétrica y es que estas matrices siempre son diagonalizables, de tal Módulo 20
forma que la matriz P que diagonaliza a A es una matriz ortogonal. Este hecho tiene
Módulo 21
una aplicación relevante en la reducción de formas cuadráticas en \ 2 y \ 3 . Formas cuadráticas y secciones
cónicas
Finalizamos el capítulo presentando el teorema de las circunferencias de Gershgorin,
el cual proporciona un intervalo donde se pueden acotar los valores característicos Ejercicios
cuando no se precisa conocerlos con exactitud. Además se desarrolla un método Módulo 21
iterativo para calcular el valor característico y el vector característico dominante de
una matriz. Estos procedimientos se hacen necesarios debido a que cuando A es Módulo 22
una matriz de orden grande, el cálculo de los valores característicos por medio de la Aproximación de valores y
ecuación característica se transforma en un problema algebraico difícil. vectores característicos
Ejercicios
Módulo 22
1
En Mathematical thought from ancient to modern times (Fair Lawn, NJ.: Oxford University
Press, 1972).
264
20
Diagonalización ort ogonal
ortogonal
Preguntas básicas
Introducción
Demostración
Au = λu, u ∈ ^ n y u ≠ 0.
2
luego λ (u, u ) = λ (u, u ), (u , u ) = u ≠ 0 , entonces λ = λ .
Si λ = a + bi, λ = a − bi ,
a + bi = a − bi ↔ b = 0.
o Au1 · u 2 = u1 · At u 2 = u1 · Au 2 = u1 · λ2 u 2 = λ2 (u1 · u 2 ),
266
Módulo 20: Diagonalización ortogonal
Como λ1 ≠ λ2 , entonces u1 · u2 = 0, lo cual significa que u1 y u2 son
ortogonales.
Teorema 2
La demostración del teorema excede el alcance de este curso; sin embargo, pode-
mos verificarlo siempre que trabajamos con matrices simétricas.
Del teorema se desprende, como consecuencia, que toda matriz simétrica real es
diagonalizable y sus vectores característicos no sólo son LI sino que son
ortogonales. Si estos vectores se normalizan, se tienen n vectores característicos
ortonormales de modo que la matriz P que diagonaliza la matriz simétrica A es
ortogonal.
Definición 1
PT A P = D,
donde D es la matriz diagonal que tiene sobre la diagonal los valores característicos
de A.
Teorema 3
Demostración
AT = ( P D PT )T = ( PT )T DT PT = P D PT .
Ejemplo 1
⎡ 1 −1 0 ⎤
En el ejemplo 5 del módulo 16, dada A = ⎢⎢−1 2 −1⎥⎥ , determinamos sus valores
⎢⎣ 0 −1 1 ⎥⎦
característicos 0, 1 y 3 con sus correspondientes vectores característicos
⎛ 1 ⎞ ⎛ −1 ⎞ ⎛1⎞ ⎛ 1 ⎞ ⎛ −1⎞ ⎛ 1 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 1⎟ . ⎜ 0 ⎟ = 0
, ⎜1⎟ . ⎜ −2 ⎟ = 0 , ⎜ 0 ⎟ . ⎜ −2 ⎟ = 0.
⎜ 1⎟ ⎜ 1 ⎟ ⎜1⎟ ⎜ 1 ⎟ ⎜1⎟ ⎜1⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠
Para tener una base ortonormal de \ 3 sólo se necesita normalizar cada uno de estos
vectores.
268
Módulo 20: Diagonalización ortogonal
La base ortonormal está dada por
⎛ 1⎞ ⎛ −1⎞ ⎛1⎞
1 ⎜ ⎟ 1 ⎜ ⎟ 1 ⎜ ⎟
1 , 0 , −2
3 ⎜⎜ ⎟⎟ 2 ⎜⎜ ⎟⎟ 6 ⎜⎜ ⎟⎟ .
⎝ 1⎠ ⎝1⎠ ⎝1⎠
Luego la matriz P cuyas columnas son estos vectores es una matriz ortogonal, de
modo que P T A P = D.
⎡1 3
1
3
1
3
⎤ ⎡ 1 −1 0 ⎤ ⎡ 1 3
−1
2
1
6
⎤ ⎡0 0 0⎤
⎢ −1 ⎥⎢ ⎢ ⎥
⎢ 0 1
2⎥ ⎢
−1 2 −1⎥⎥ ⎢ 1 0 −2
6⎥
= ⎢⎢0 1 0 ⎥⎥
2 3 .
⎢1 −2 1 ⎥ ⎢ 0 −1 1 ⎥⎦ ⎢ 1
6⎦ ⎣
1 1 ⎥ ⎢⎣0 0 3⎥⎦
⎣ 6 6 ⎣ 3 2 6⎦
Ejemplo 2
⎡0 1 1 ⎤
Sea A = ⎢⎢1 0 1 ⎥⎥ . Diagonalicemos la matriz A ortogonalmente.
⎣⎢1 1 0 ⎥⎦
−λ 1 1
det( A − λ I ) = 1 −λ 1 = − λ 3 + 3λ + 2 = 0
1 1 −λ = λ 3 − 3λ − 2 = 0
(λ + 1)2 (λ − 2) = 0
⎡1 1 1⎤ ⎡1 1 1 ⎤
⎢1 1 1⎥ ⎯⎯→ ⎢ 0 0 0⎥ , luego x = −y −z
⎢ ⎥ ⎢ ⎥
⎢⎣1 1 1⎥⎦ ⎢⎣ 0 0 0⎥⎦ y= y
z= z
⎧ ⎛ −1 ⎞ ⎛ −1 ⎞ ⎫
⎪ ⎜ ⎟ ⎜ ⎟⎪
Entonces E−1 = gen ⎨ v1 = ⎜ 1 ⎟ , v 2 = ⎜ 0 ⎟ ⎬ .
⎪ ⎜0⎟ ⎜ 1 ⎟⎪
⎩ ⎝ ⎠ ⎝ ⎠⎭
⎛ −1⎞
v1 1 ⎜ ⎟
u1 = = 1 .
v1 2 ⎜⎜ ⎟⎟
⎝0⎠
Sea v 2′ = v 2 − ( v 2 · u1 )u1
⎛ −1⎞ ⎡⎛ −1⎞ ⎛ −1 2 ⎞ ⎤ ⎡ −1 2 ⎤ ⎡ −1 2 ⎤
⎜ ⎟ ⎢⎜ ⎟ ⎜ 1 ⎟ ⎥ ⎢ 1 ⎥ 6
= ⎜ 0 ⎟ − ⎢⎜ 0 ⎟ . ⎜ 2 ⎟ ⎥ ⎢ 2 ⎥ = ⎢⎢ −1 2 ⎥⎥ , v 2′ = .
⎜1⎟ 2
⎝ ⎠ ⎢⎣⎜⎝ 1 ⎟⎠ ⎜⎝ 0 ⎟⎠ ⎥⎦ ⎣⎢ 0 ⎦⎥ ⎣⎢ 1 ⎦⎥
⎛ −1 2 ⎞ ⎛ −1 ⎞
v 2′
6
2 ⎜ −1 ⎟ ⎜ −1 ⎟
u2 = = ⎜ 2⎟ = ⎜ 6⎟
.
v 2′ 6⎜ ⎟ ⎜2 ⎟
⎝1⎠ ⎝ 6⎠
E2 lo encontramos resolviendo ( A − 2 I )x = 0.
⎡ −2 1 1 ⎤ ⎡1 0 −1⎤
⎢ 1 −2 1 ⎥ ⎯⎯→ ⎢ 0 1 −1⎥ ; entonces
⎢ ⎥ ⎢ ⎥
⎢⎣ 1 1 −2 ⎥⎦ ⎢⎣ 0 0 0 ⎥⎦
⎛ 1⎞
x= z , v 3 = ⎜⎜1⎟⎟ .
y= z ⎜ 1⎟
⎝ ⎠
z= z
Luego
⎧ ⎛ 1⎞ ⎫
⎪ ⎜ ⎟⎪
E2 = gen ⎨ ⎜ 1⎟ ⎬ .
⎪ ⎜1⎟ ⎪
⎩ ⎝ ⎠⎭
⎛ 1
3
⎞
⎜ ⎟
u3 = ⎜ 1
3⎟ .
⎜ 1 ⎟
⎝ 3⎠
⎡ −1 2 −1
6
1
3
⎤
⎢ ⎥
La matriz P = ⎢ 1 2 −1
6
1
3⎥
es la matriz ortogonal que diagonaliza la matriz
⎢ 0 2 1 ⎥
⎣ 6 3⎦
simétrica A.
Así que:
⎡ −1 0 0 ⎤
P A P = D = ⎢⎢ 0 −1 0 ⎥⎥ .
T
⎢⎣ 0 0 2⎥⎦
270
Módulo 20
En los ejercicios 1 a 7 diagonalice ortogonalmente las matrices simétricas dadas, determinando la matriz diagonal D y la
matriz diagonalizante ortogonal P.
⎡ −1 2 2 ⎤ ⎡0 0 1⎤
⎡2 2⎤ ⎡ 1 −1⎤ ⎢ 2 −1 2 ⎥ ⎢0 0 0⎥
1. ⎢2 2⎥ 2. ⎢ −1 1 ⎥ 3. ⎢ ⎥ 4. ⎢ ⎥
⎣ ⎦ ⎣ ⎦ ⎢⎣ 2 2 1 ⎥⎦ ⎢⎣1 0 0 ⎥⎦
⎡0 0 0 ⎤ ⎡ −1 2 2 ⎤ ⎡ 0 −1 −1⎤
⎢0 2 2⎥ ⎢ 2 −1 2 ⎥ ⎢ −1 0 −1⎥
5. ⎢ ⎥ 6. ⎢ ⎥ 7. ⎢ ⎥
⎢⎣0 2 2 ⎥⎦ ⎢⎣ 2 2 −1⎥⎦ ⎢⎣ −1 −1 0 ⎥⎦
8. Suponga que An× n es una matriz simétrica real para la que todos sus valores característicos son cero. Demuestre que
A es la matriz nula n × n.
9. Demuestre que si una matriz real A de 2 × 2 tiene vectores propios ortogonales, entonces A es simétrica.
10. Muestre que si A es invertible y ortogonalmente diagonalizable, entonces A−1 es ortogonalmente diagonalizable.
11. Sea A una matriz real antisimétrica. Demuestre que todo valor propio de A es de la forma bi, donde b ∈ \ e i es la
unidad imaginaria.
Preguntas básicas
Introducción
Cuando la constante B es cero, o sea cuando la ecuación no tiene término en xy, los
ejes de simetría de la cónica son paralelos a los ejes coordenados.
274
Módulo 21: Formas cuadráticas y secciones cónicas
Figura 21.1
Se puede observar que las ecuaciones de las secciones cónicas cuyas gráficas
están en posición canónica no tienen el término xy o término mixto; cuando éste
aparece en la ecuación, la gráfica es una sección cónica que ha sido rotada desde su
posición canónica. Además, en las ecuaciones canónicas correspondientes a círcu-
los, elipses e hipérbolas las variables x e y aparecen siempre al cuadrado; cuando la
ecuación contiene términos cuadráticos y lineales en las variables x e y y la ecua-
ción no tiene término mixto, la gráfica es una sección cónica trasladada desde su
posición canónica; finalmente, si aparece término en xy y términos lineales en x o en
y, la gráfica es una sección cónica rotada y trasladada (figura 21.2).
Figura 21.2
F ( x, y ) = XT R X, (3)
⎡ x⎤
donde X = ⎢ ⎥ y R es la matriz simétrica que tiene sobre la diagonal principal los
⎣ y⎦
coeficientes de los términos cuadrados puros y sobre la otra diagonal se reparte
simétricamente el coeficiente del término cruzado.
⎡A B
⎤ ⎡x⎤
2
F ( x, y ) = ( x y ) ⎢ = Ax 2 + Bxy + Cy 2 .
⎣B 2 C ⎥⎦ ⎢⎣ y ⎥⎦
⎡3 1⎤ ⎡ x ⎤
F ( x, y ) = [ x y ] ⎢ ⎥⎢ ⎥
⎣1 1⎦ ⎣ y ⎦
⎡x⎤
= [3 x + y x + y ] ⎢ ⎥
⎣ y⎦
= 3 x + xy + xy + y 2 = 3x 2 + 2 xy + y 2 .
2
Inversamente, si R es una matriz simétrica, entonces la ecuación (3) define una forma
cuadrática.
Se puede representar F ( x, y ) por muchas matrices, pero sólo por una matriz simé-
⎡3 a ⎤
trica. En el ejemplo dado, cualquier matriz R = ⎢ ⎥ , donde a + b = 2, verifica que
⎣b 1 ⎦
⎡ 3 3⎤
XT R X = F ( x, y); entonces, si R = ⎢ ⎥ , se cumple que
⎣−1 1⎦
⎡ 3 3⎤ ⎡ x ⎤
[ x y] ⎢ ⎥⎢ ⎥
⎣ −1 1⎦ ⎣ y ⎦
⎡ x⎤
= [3x − y 3 x + y ] ⎢ ⎥
⎣ y⎦
= 3x − xy + 3 xy + y 2 = 3 x 2 + 2 xy + y 2 .
2
Ahora, si a la matriz R se le exige además que a = b, entonces sólo habrá una matriz
P que satisfaga simultáneamente las dos condiciones a + b = 2 y a = b.
276
Módulo 21: Formas cuadráticas y secciones cónicas
⎛ x′ ⎞
Sea X ′ = ⎜ ⎟ tal que X′ = P T X; entonces,
⎝ y′ ⎠
( X ′) T = ( P T X ) T = X T P .
⎡λ 0 ⎤ ⎡ x′ ⎤
F ( x ′, y ′) = X′T D X′ = [ x′ y ′] ⎢ 1 = λ x′2 + λ2 y ′2 .
⎣0 λ2 ⎥⎦ ⎢⎣ y ′⎥⎦ 1
Ejemplo 1
⎡3 1⎤ ⎡ x ⎤
F ( x, y ) = [ x y ] ⎢ ⎥ ⎢ ⎥.
⎣1 1⎦ ⎣ y ⎦
3−λ 1
det ( R − λ I ) = = 0, λ 2 − 4λ + 2 = 0
1 1− λ
λ1 = 2 + 2, λ2 = 2 − 2
( R − (2 + 2) I ) X = 0,
⎡1 − 2 1 ⎤ ⎡ x ⎤ ⎡0 ⎤
⎢ ⎥ ⎢ ⎥ = ⎢ ⎥.
⎢⎣ 1 −1 − 2 ⎥⎦ ⎣ y ⎦ ⎣0 ⎦
Entonces
(1 − 2)x = − y si x = 1, y = 2 − 1,
luego
⎛ 1 ⎞
v1 = ⎜⎜ ⎟⎟ v1 = 1 + ( 2 − 1)2 = 4 − 2 2.
⎝ 2 − 1⎠
1 ⎛ 1 ⎞
u1 = ⎜⎜ ⎟⎟ .
4 − 2 2 ⎝ 2 − 1⎠
Después resolvemos ( R − (2 − 2) I ) X = 0.
⎡1 + 2 1 ⎤ ⎡ x ⎤ ⎡0⎤
⎢ ⎥ ⎢ ⎥ = ⎢ ⎥ (1 + 2)x = − y;
⎣⎢ 1 −1 + 2 ⎦⎥ ⎣ y ⎦ ⎣ 0⎦
entonces, si x = −1, y = 1 + 2.
Así que
⎛ −1 ⎞
v 2 = ⎜⎜ ⎟⎟ v 2 = 1 + (1 + 2) 2 = 4 + 2 2 .
⎝1 + 2 ⎠
1 ⎛ −1 ⎞
u2 = ⎜⎜ ⎟⎟ .
4 + 2 2 ⎝1 + 2 ⎠
⎡ 1 −1 ⎤
⎢ ⎥
⎢ 4−2 2 4+2 2 ⎥
Sea P = ⎢ la matriz ortogonal tal que PT R P = D,
⎢ 2 −1 1 + 2 ⎥⎥
⎢⎣ 4 − 2 2 4 + 2 2 ⎥⎦
⎡2 + 2 0⎤
con D = ⎢ ⎥
⎣⎢ 0 2 − 2 ⎦⎥
278
Módulo 21: Formas cuadráticas y secciones cónicas
⎡ cos θ − sen θ ⎤
P=⎢ ⎥ para algún número θ , con 0 ≤ θ ≤ 2π , lo cual significa que
⎣sen θ cos θ ⎦
P es una matriz de rotación.
⎡a c ⎤
Sea P = ⎢ ⎥ real y ortogonal con P = 1.
⎣b d ⎦
⎡a ⎤ ⎡ c ⎤
Por el teorema 1 del módulo 15, los vectores ⎢ b ⎥ y ⎢ d ⎥ forman una base ortonormal
⎣ ⎦ ⎣ ⎦
⎡a⎤
de \2, es decir, son vectores unitarios y ortogonales. Luego ⎢ b ⎥ se puede expre-
⎣ ⎦
⎡cosθ ⎤
sar como ⎢senθ ⎥ , siendo θ el ángulo que forma el vector con el eje x positivo.
⎣ ⎦
⎡c⎤ ⎡a⎤
El vector ⎢ d ⎥ está formando un ángulo de π / 2 con el vector ⎢b⎥; entonces,
⎣ ⎦ ⎣ ⎦
⎡c ⎤ ⎡ cos (θ ± π 2 ) ⎤
⎢d ⎥ = ⎢sen (θ ± π ) ⎥ (figura 21.3).
⎣ ⎦ ⎣ 2 ⎦
Figura 21.3
⎡ cos θ − sen θ ⎤
P=⎢ y P = 1.
⎣sen θ cos θ ⎥⎦
⎡ c ⎤ ⎡ cos (θ − π 2 ) ⎤ ⎡ sen θ ⎤
Ahora, si ⎢ d ⎥ = ⎢ sen (θ − π ) ⎥ = ⎢ − cos θ ⎥ ,
⎣ ⎦ ⎣ 2 ⎦ ⎣ ⎦
λ1 x′2 + λ2 y ′2 = F ( x′y ′) ,
donde x ′ e y ′ son los ejes obtenidos al rotar los ejes x e y un ángulo θ en sentido
contrario a las manecillas del reloj.
⎡A B
⎤
λ1 y λ2 son los valores característicos de la matriz R = ⎢ B 2
.
⎣ 2 C ⎥⎦
Ejemplo 2
4
Esta ecuación representa una elipse con a =
2
, esto es, su eje mayor está
2− 2
sobre el eje y′.
4 4 4
b2 = y c2 = a 2 − b2 = − = 4 2.
2+ 2 (2 − 2) 2+ 2
280
Módulo 21: Formas cuadráticas y secciones cónicas
⎡ 1 −1 ⎤
⎢ ⎥
⎢ 4−2 2 4+2 2 ⎥
Como P = ⎢ tiene det P = 1, entonces
⎢ 2 −1 1 + 2 ⎥⎥
⎢⎣ 4 − 2 2 4 + 2 2 ⎥⎦
1 2 −1
cos θ = , y sen θ = .
4−2 2 4−2 2
Figura 21.4
Ejemplo 3
Solución
Solución
⎡9 3⎤ ⎡ x ⎤ ⎡ x⎤
[ x y] ⎢ ⎥ ⎢ ⎥ + [−10 10 10 10] ⎢ ⎥ + 90 = 0.
⎣ 3 1⎦ ⎣ y ⎦ ⎣ y⎦
⎡9 3⎤
Determinemos los valores característicos de R = ⎢ ⎥.
⎣3 1⎦
9−λ 3
det ( R − λ I ) = = λ 2 − 10λ = 0
3 1− λ
λ ( λ − 10) = 0
λ1 = 0 y λ2 = 10
⎡9 3⎤ ⎡ x ⎤ ⎡0 ⎤
⎢3 = ; entonces
⎣ 1 ⎥⎦ ⎢⎣ y ⎥⎦ ⎢⎣ 0 ⎥⎦
⎛ 1 ⎞
3 x = − y , v1 = ⎜ ⎟ .
⎝ −3 ⎠
Para λ2 = 10 tenemos
entonces,
⎛ 3⎞
x = 3 y, v 2 = ⎜ ⎟ .
⎝1⎠
⎡ 1 3 ⎤
⎢ 10 10 ⎥⎥
P=⎢ , det P = 1. Luego P es una matriz de rotación.
⎢ 3 1 ⎥
⎢− ⎥
⎣ 10 10 ⎦
⎡0 0 ⎤
PT R P = D = ⎢ ⎥.
⎣ 0 10 ⎦
282
Módulo 21: Formas cuadráticas y secciones cónicas
La forma cuadrática en los ejes x′y ′ es 10 y′2 .
⎡ 1 3 ⎤
⎢ 10 10 ⎥⎥ ⎡ x′ ⎤
10 y ′2 + [−10 10 10 10] ⎢ = −90.
⎢ 3 1 ⎥ ⎢⎣ y ′⎥⎦
⎢− ⎥
⎣ 10 10 ⎦
10 y ′2 − 40 x′ − 20 y ′ = −90,
y ′2 − 4 x′ − 2 y ′ = −9,
( y ′2 − 2 y ′ + 1) = −9 + 4 x′ + 1,
( y ′ − 1) 2 = 4( x′ − 2).
Teorema 2
Ejemplo 5
⎡ 1 −1 0 ⎤ ⎡ x⎤
Si R = ⎢ −1 2 −1⎥ y X = ⎢⎢ y ⎥⎥ , entonces la ecuación se puede escribir en la
⎢ ⎥
⎢⎣ 0 −1 1 ⎥⎦ ⎢⎣ z ⎥⎦
forma X T R X = 27.
⎡0 0 0⎤
⎢ ⎥
Del ejemplo 1 del módulo 20, P R P = D = ⎢0 1 0 ⎥ ,
T
⎢⎣0 0 3⎥⎦
⎡1 3
−1
2
1 ⎤6
⎢ ⎥
donde P = ⎢ 1 3
0 −2
6⎥
.
⎢1 1 1 ⎥
⎣ 3 2 6 ⎦
284
Módulo 21: Formas cuadráticas y secciones cónicas
y ′2 + 3 z ′2 = 27 ,
y ′2 z ′ 2
+ = 1.
27 9
Figura 21.6
Definición 1
⎛ x1 ⎞
⎜ ⎟
x2
Sea X = ⎜ ⎟ y R una matriz simétrica de n × n.
⎜ # ⎟
⎜ ⎟
⎝ xn ⎠
Ejemplo 6
⎡1 3 5 2 4⎤ ⎛ x1 ⎞
⎢3 2 ⎥ ⎜ ⎟
⎢ 0 −1 3⎥ ⎜ x2 ⎟
Sean A = ⎢ 5 0 4 0 6 ⎥ y X = ⎜ x3 ⎟ ; entonces
⎢ ⎥ ⎜ ⎟
⎢ 2 −1 0 1 −5⎥ ⎜ x4 ⎟
⎢⎣ 4 3 ⎥
6 −5 2 ⎦ ⎜x ⎟
⎝ 5⎠
XT R X = [ x1 x2 x3 x4 x5 ] ⎡1 3 5 2 4 ⎤ ⎡ x1 ⎤
⎢3 2
⎢ 0 −1 3 ⎥⎥ ⎢⎢ x2 ⎥⎥
⎢5 0 4 0 6 ⎥ ⎢ x3 ⎥ .
⎢ ⎥⎢ ⎥
⎢2 −1 0 1 −5⎥ ⎢ x4 ⎥
⎢⎣4 3 6 −5 2 ⎥⎦ ⎢⎣ x5 ⎥⎦
Luego
F ( x1 , x2 , x3 , x4 , x5 ) = x12 + 6 x1 x2 + 10 x1 x3 + 4 x1 x4 + 8 x1 x5 + 2 x22 − 2 x2 x4
+6 x2 x5 + 4 x32 + 12 x3 x5 + x42 − 10 x4 x5 + 2 x52 .
Ejemplo 7
286
Módulo 21: Formas cuadráticas y secciones cónicas
⎡5 3
2
−5
2 3⎤
⎢3 4 9 0 ⎥⎥
R=⎢
2 2
.
⎢ −5 2 9
2 7 4⎥
⎢ ⎥
⎣3 0 4 3⎦
1. 2 x 2 + 5 xy − 9 y 2
2. 3 x 2 − 3 xy + 6 xz − 9 y 2 + 7 yz − z 2
3. −4 x 2 + 6 xy − 3 y 2 + 7 xz
4. xy = a; a >0
5. 6 x 2 + 5 xy − 6 y 2
En los ejercicios 6 a 12 escriba la ecuación cuadrática en la forma XT R X = d y elimine el término xy rotando los ejes un ángulo
θ. Escriba la ecuación en términos de las nuevas variables, identifique la sección cónica obtenida y realice una representa-
ción gráfica cuando esto sea posible.
6. 4 x 2 + 4 xy + y 2 = 9
7. 4 x 2 + 4 xy − y 2 = 9
8. xy = a; a > 0
9. − x 2 + 2 xy − y 2 = 0
10. x 2 − 3 xy + 4 y 2 = 1
11. 6 x 2 + 5 xy − 6 y 2 = − 7
12. 9 x 2 + y 2 + 6 xy = 4
13. 5 x 2 + 12 xy − 12 13x = 36
14. 5 x 2 + 5 y 2 − 6 xy − 30 2 x + 18 2 y + 82 = 0
15. x 2 − y 2 + 2 3xy + 6 x = 0
En los ejercicios 16 y 17 escriba la forma cuadrática en términos de las nuevas variables x′, y ′, z ′ de manera que se eliminen
los términos de productos cruzados (xy, xz, yz).
16. x 2 − 2 xy + 2 y 2 − 2 yz + z 2
17. x 2 − 2 xy + y 2 − 2 xz − 2 yz + z 2
Preguntas básicas
Introducción
Se define el número
n
γ 1 = a12 + a13 + ... + a1n = ∑a
j =2
1j ,
n
γ 2 = a21 + a23 + ... + a2 n = ∑a
j =1
2j ,
j ≠2
y en general,
n
γ i = ai1 + ai 2 + ... + ai , i −1 + ai , i +1 + ... + ain = ∑a
j =1
ij .
j ≠i
Esto es, γ i es la suma de los valores absolutos de las componentes del i-ésimo
renglón de A, excepto la componente que está sobre la diagonal principal.
El círculo Di está compuesto por todos los puntos del plano complejo, sobre y
dentro de las circunferencias Ci = { z ∈ ^ : z − aii = γ i }. A estas circunferen-
cias se les llama circunferencias de Gershgorin.
290
Módulo 22: Aproximación de valores y vectores característicos
n
{λ1 , λ2 ,..., λk } ⊂ UD . i
i =1
Demostración
⎛ x1 ⎞
⎜ ⎟
x2
Sea λ un valor propio de A con x = ⎜ ⎟ un vector característico correspon-
⎜ # ⎟
⎜ ⎟
⎝ xn ⎠
diente. Sea x i la componente de x de mayor valor absoluto,
xi ≥ x j , j =1,..., n, xi > 0, ya que x ≠ 0 .
Ahora, Ax = λ x.
⎡x ⎤ ⎡ λ x1 ⎤
⎡ a11 a12 " a1n ⎤ ⎢ 1 ⎥ ⎢λ x ⎥
⎢ # # # ⎥⎥ ⎢ 2 ⎥
x ⎢ 2⎥
⎢ ⎢#⎥ ⎢ # ⎥
⎢ ai1 ai 2 ain ⎥ ⎢ ⎥ = ⎢ ⎥.
⎢ ⎥ ⎢ xi ⎥ ⎢ λ xi ⎥
⎢ # # # ⎥
⎢#⎥ ⎢ # ⎥
⎢⎣ an1 an 2 " ann ⎥⎦ ⎢ ⎥ ⎢ ⎥
⎢⎣ xn ⎥⎦ ⎢⎣λ xn ⎥⎦
∑a x
j =1
ij j = λ xi − aii xi = (λ − aii ) xi .
j ≠i
(
Schwarz aij x j ≤ aij x j , se obtiene: )
n n
(λ − aii ) xi = ∑a
j =1
ij xj ≤ ∑
j =1
aij x j ,
j ≠i j ≠i
n xj n
(λ − aii ) ≤ ∑j =1
aij
xi
≤ ∑
j =1
aij = γ i , ya que x j ≤ xi .
Vea en su multimedia de Álgebra
j ≠i j ≠i
Lineal el código fuente en MATLAB
para ilustrar «Circunferencia de
Gershgorin»
De la última expresión concluimos que λ ∈ Di , y esto concluye la prueba.
⎡ 1 3 −1 4 ⎤
⎢ 2 5 0 −7 ⎥
Sea A = ⎢ ⎥ ; entonces, a = 1, a = 5, a = 6, a = 4.
⎢ 3 −1 6 1 ⎥ 11 22 33 44
⎢ ⎥
⎣0 2 3 4 ⎦
γ 1 = 3 + −1 + 4 = 8,
γ2 = 2 + −7 = 9,
γ 3 = 3 + −1 + 1 = 5,
γ4 = 2+ 3 = 5.
D1 = {z∈^: z − 1 ≤ 8} , D2 = {z∈^: z − 5 ≤ 9} ,
D3 = {z∈^: z − 6 ≤ 5} , D4 = {z∈^: z − 4 ≤ 5} .
Gráficamente podemos ilustrar esta situación dentro del plano complejo así (figura
22.1):
Figura 22.1
292
Módulo 22: Aproximación de valores y vectores característicos
Ejemplo 2
⎡2 1
2
−1
3
1
4⎤
⎢1 3 1 1 ⎥⎥
Sea A = ⎢ 2 2
.
⎢ −1 3 1
2 5 2⎥
⎢1 ⎥
⎣ 4 1 2 4⎦
Aplicando el teorema del círculo de Gershgorin podemos demostrar que los valores
característicos de A son números reales positivos.
Demostración
Como A es una matriz simétrica, los valores característicos de A son reales (teorema
1, módulo 20).
D1 = {z∈^: z−2 ≤ 13
12 }.
D2 = {z∈^: z − 3 ≤ 2}.
D3 = {z∈^: z −5 ≤ 17
6 }.
D4 = {z∈^: z−4 ≤ 13
4 }.
Figura 22.2
Definición 1
x n +1 = A x n .
Entonces:
x1 = Ax 0
x 2 = Ax1 = A 2 x 0
# # #
x k = Ax k -1 = Ak x 0
294
Módulo 22: Aproximación de valores y vectores característicos
k
λi
Como λ1 > λi para i = 2,..., n, se acerca a cero a medida que k aumenta. Por
λ1
⎡ a1 ⎤ ⎡ λ1k c1a1 ⎤
⎢a ⎥ ⎢ k ⎥
λ ca
Si u1 = ⎢ 2 ⎥ , entonces λ1k c1u1 = ⎢ 1 1 2 ⎥ .
⎢#⎥ ⎢ # ⎥
⎢ ⎥ ⎢ k ⎥
⎣an ⎦ ⎢⎣ λ1 c1an ⎥⎦
α kj +1 = = = λ1 .
j -ésima componente de Ak x0 λ1k c1a j
Ejemplo 1
⎡1 3 ⎤
A=⎢ ⎥.
⎣2 2⎦
Solución
⎡1 ⎤
Sea x0 = ⎢ ⎥ .
⎣0⎦
Calculemos
⎡ 1 3 ⎤ ⎡ 1 ⎤ ⎡1 ⎤ 1
x1 = Ax 0 = ⎢ ⎥⎢ ⎥ = ⎢ ⎥ α1(1) = = 1
⎣ 2 2 ⎦ ⎣ 0 ⎦ ⎣ 3⎦ 1
⎡ 1 3 ⎤ ⎡1 ⎤ ⎡10 ⎤ 10 8
x 2 = Ax1 = ⎢ ⎥⎢ ⎥ = ⎢ ⎥ α1(2) = = 10 α 2(2) =
⎣ 2 2 ⎦ ⎣ 3⎦ ⎣ 8 ⎦ 1 3
⎡ 1 3 ⎤ ⎡10 ⎤ ⎡34 ⎤ 34
x 3 = Ax 2 = ⎢ ⎥⎢ ⎥ = ⎢ ⎥ α1(3) = = 3.4
⎣ 2 2 ⎦ ⎣ 8 ⎦ ⎣36 ⎦ 10
36
α 2(3) = = 4.5
8
Si continuamos de esta manera obtenemos la tabla 22.1, donde los resultados están
redondeados a cuatro cifras decimales.
Tabla 22.1
0 [1, 0] _ _
1 [1, 3] 1 _
2 [10, 8] 10 2.6667
3 [34, 36] 3.4 4.5
4 [142, 140] 4.17 3.8889
5 [562, 564] 3.9578 4.0286
6 [2254, 2252] 4.0107 3.993
7 [9010, 9012] 3.9973 4.0018
8 [36046, 36044] 4.0007 3.9996
⎡ 1 ⎤ ⎡1⎤
magnitud y obtenemos v1′ = ⎢ ⎥ , el cual es muy aproximado a ⎢1⎥ que es el
⎣ 0.9999 ⎦ ⎣⎦
vector característico correspondiente a λ = 4 .
En este caso el método ha funcionado bien, pero vale la pena decir algo acerca de
los casos en los cuales el método falla. Puede suceder que:
296
Módulo 22: Aproximación de valores y vectores característicos
3. A veces cuando los elementos de A han tenido que calcularse hay errores de
redondeo que cuando se calcula Am se convierten en errores considerables.
Ejemplo 2
Solución
⎡1 ⎤
Si x 0 = ⎢ ⎥ , entonces
⎣0⎦
⎡1 ⎤ ⎡ 13 ⎤
x 1 = ⎢ ⎥ y x 1′ = ⎢ ⎥ .
⎣3⎦ ⎣1⎦
⎡ 1 3 ⎤ ⎡ 1 3 ⎤ ⎡10 3 ⎤ 3 ⎡10 3 ⎤ ⎡ 1 ⎤ ⎡ 1 ⎤
x 2 = Ax1′ = ⎢ ⎥ ⎢ ⎥ = ⎢ ⎥, x 2′ = ⎢ ⎥ = ⎢ ⎥ = ⎢ ⎥
⎣2 2⎦ ⎣ 1 ⎦ ⎣ 4 3 ⎦ 10 ⎣ 4 3 ⎦ ⎣ 4 10 ⎦ ⎣ 0.4 ⎦
El vector característico se puede tomar como x k = [1, 0.9998] , el cual es una buena
aproximación del vector [1 1], y el valor característico λ1 se obtiene de:
Tabla 22.2
Iteración xk x ′k (normalizado)
0 [1, 0] [1, 0]
1 [1, 3] [0.3333, 1]
2 [3.3333, 1.3333] [1, 0.4]
3 [2.2, 2.8] [0.7857, 1]
4 [3.7857, 3.5714] [1, 0.9434]
5 [3.8302, 3.8868] [0.9854, 1]
6 [3.9854, 3.9709] [1, 0.9964]
7 [3.9892, 3.9928] [0.9991, 1]
8 [3.9991, 3.9982] [1, 0.9998]
x '− x
Er = .
x
x ( n ) − x ( n −1)
Er = .
x(n)
3.9991
= 4.0027,
0.9991
4.0027 − 3.9892
Er = = 0.0033.
4.0027
298
Módulo 22
En los ejercicios 1 a 3 dibuje las circunferencias de Gershgorin para la matriz dada A y encuentre una cota para λ si λ es
un valor característico de A.
⎡2 −1
2
1
3 0⎤ ⎡ 2 3 −1 0 ⎤
⎡ 3 1 0⎤ ⎢1 ⎢ 1 5 0 −2 ⎥
5 1 1 ⎥⎥
A = ⎢⎢ 1 2 4 2 ⎥⎥ A = ⎢ A = ⎢ ⎥
4
1. 2. 3.
⎢0 1
3 4 0⎥ ⎢ 3 −1 6 1 ⎥
⎢⎣ 2 0 5 ⎥⎦ ⎢ −1 ⎥ ⎢ ⎥
⎣ 2 1
4 1 3⎦ ⎣1 2 0 4 ⎦
⎡2 1
2
−1
3
1
4⎤
⎢1 4 1 1 ⎥⎥
Sea A = ⎢ −1
2 2
4. . Demuestre que los valores propios de A son números reales positivos.
⎢ 3 1
2 3 1⎥
⎢1 ⎥
⎣ 4 1 1 5⎦
⎡ −3 1 2 1 4 1 ⎤
⎢ 1 −5 1 2 ⎥⎥
Sea A = ⎢ 1
2
5. . Demuestre que los valores propios de A son números reales negativos.
⎢ 4 1 −4 1 ⎥
⎢ ⎥
⎣ 1 2 1 −6 ⎦
6. Se dice que la matriz A de n × n tiene diagonal estrictamente dominante si aii > γ i para i = 1, 2, ..., n, donde
n
γi = ∑a
j =1
ij . Demuestre que si An× n es una matriz con diagonal estrictamente dominante, entonces A es invertible.
j ≠i
En los problemas 7 a 9 calcule el valor característico dominante y el vector característico correspondiente mediante el
método de potencias con normalización.
⎡ 1 −1 4 ⎤ ⎡3 2 4⎤
7. ⎡ −2 − 2 ⎤ 8. ⎢ 3 2 −1⎥ 9. ⎢2 0 2⎥
⎢ −5 1 ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦
⎢⎣ 2 1 −1⎥⎦ ⎢⎣ 4 2 3 ⎥⎦
⎡ −3 5 ⎤
11. Demuestre que las iteraciones del método de potencias no convergen para la matriz A = ⎢ ⎥ . Explique por qué.
⎣ −2 3 ⎦
1.1 TTeoría
eoría de la codificación
Una palabra es una n-tupla de ceros y unos, a la que también se le llama cadena de
longitud n.
Definimos un espacio vectorial denotado por Z 2n , compuesto por todas las pala-
bras de longitud n. La suma y la multiplicación por un escalar se definen en la misma
forma que se hace en \ , sólo que acá los escalares se definen en Z 2 = {0, 1} que
n
La base canónica de
Todos los conceptos, como subespacios, base, dependencia lineal, conjunto gene-
rado v, espacio renglón, espacio columna, núcleo, rango y nulidad, se aplican a
Cleve Moler espacios vectoriales sobre Z 2 y a matrices cuyos elementos son de Z 2 .
302
El espacio nulo de H se llama código (7, 4) de Hamming. Una base B para el espacio nulo de H es:
Como H(ei) = hi (columna i de H, i = 1, 2, ..., 7), entonces los vectores de la base estándar Z 27 no pertenecen al núcleo de H.
Sea v ∈ nu H ; entonces ( v + ei ) ∉ nu H para i = 1,..., 7. Si Hv = h j , entonces ( v + e j ) ∈ nu H , además
( v + ei ) ∉ nu H , para i ≠ j . Es decir, si se cambia alguna coordenada a un vector de nu H, el vector resultante no
pertenece a nu H. Ahora, si Hv es la j-ésima columna de H, al cambiar la j-ésima componente de v el vector resultante
estará en nu H.
Veamos cómo codificar un mensaje y decodificar su recepción distorsionada. Suponga que la palabra por codificar corres-
ponde a la cadena binaria 0101 y que hubo una alteración de un dígito.
Para codificar 0101, se expresa la combinación lineal v en la base del código de Hamming (7, 4), así:
v = 0 u1 + 1u 2 + 0 u3 + 1u 4 = u 2 + u 4
= (0, 1, 0, 0, 1, 0, 1) + (0, 0, 0, 1, 1, 1, 1)
= (0, 1, 0, 1, 0, 1, 0).
La palabra codificada v está en nu H.
Suponga que el mensaje recibido es 1101010. Sea v ′ = (1, 1, 0, 1, 0, 1, 0). Para decodificar, calculamos Hv′ :
⎡1 ⎤
⎢1 ⎥
⎢ ⎥
⎡0 0 0 1 1 1 1⎤ ⎢0 ⎥ ⎡0 ⎤
⎢ ⎥
Hv ′ = ⎢⎢0 1 1 0 0 1 1⎥⎥ ⎢1 ⎥ = ⎢⎢0 ⎥⎥ .
⎣⎢ 1 0 1 0 1 0 1⎦⎥ ⎢⎢0 ⎥⎥ ⎣⎢1 ⎦⎥
⎢1 ⎥
⎢0⎥
⎣ ⎦
Ejemplo
Suponga que v = 0111011 es un mensaje codificado con C7,4 . Si a lo sumo hay un error en la transmisión, ¿cuál fue el
mensaje original?
Calculemos Hv
⎡0⎤
⎢1 ⎥
⎢ ⎥
⎡0 0 0 1 1 1 1⎤ ⎢1 ⎥ ⎡1 ⎤
⎢ ⎥
Hv = ⎢⎢0 1 1 0 0 1 1⎥⎥ ⎢1 ⎥ = ⎢⎢0 ⎥⎥ .
⎣⎢ 1 0 1 0 1 0 1⎦⎥ ⎢⎢0 ⎥⎥ ⎣⎢0 ⎦⎥
⎢1 ⎥
⎢1 ⎥
⎣ ⎦
Hv es la cuarta columna de H, entonces v + e4 será el mensaje corregido y v + e4 se obtiene cambiando la cuarta componente
de v. El vector corregido es entonces 0110011 y el mensaje correcto es 0110.
Ejercicios
2. Sea v = (1, 1, 0, 0, 1, 1, 1) un mensaje codificado en C7, 4, donde a lo sumo se ha cometido un error. Determine si v
está en C7, 4. Si lo está, decodifíquelo; si no, corríjalo y decodifique el mensaje correcto.
⎡1 ⎤ ⎡0⎤ ⎡1⎤
3. Sean u = ⎢1⎥ , v = ⎢1⎥ , w = ⎢⎢1⎥⎥ . Efectúe las operaciones indicadas Z 23 .
⎢ ⎥ ⎢ ⎥
⎢⎣0⎥⎦ ⎢⎣0⎥⎦ ⎢⎣1⎥⎦
a. u + v.
b. u − w.
c. u + v − w.
⎡1 0 1⎤
d. Sea A = [u, v, w ] = ⎢⎢1 1 1⎥⎥ . Calcule A2 y A3 sobre ] 2 .
⎢⎣0 0 1⎥⎦
304
Respuestas
Respuestas de los ejercicios impares
Capítulo 1
Módulo 1
7. Sí.
9. Sí.
Módulo 2
1. Sí.
3. Sí.
5. No.
7. Sí.
9. No.
11. Sí.
⎧⎪ ⎡0 b c⎤ ⎫⎪
13. W1 ∩ W2 = ⎨ A∈ M 23 : A = ⎢ d e 0 ⎥ con b = c ⎬ .
⎪⎩ ⎣ ⎦ ⎪⎭
⎧⎪ ⎡1⎤ ⎫⎪
5. }
gen ⎨ ⎢ ⎥ ⎬ = {( x, y ) } ∈ \ 2 : x = y . Bisectriz del 1.º y 3.er cuadrantes.
⎩⎪ ⎣1⎦ ⎭⎪
⎧⎛ x ⎞ ⎫
⎪ ⎪
7. El plano xz en \ 3 = ⎨⎜⎜ y ⎟⎟ ∈ \ 3 y = 0 ⎬ .
⎪⎜ z ⎟ ⎪
⎩⎝ ⎠ ⎭
11. Sí.
13. Sí.
Módulo 4
5. LI.
7. LI.
11. LI.
⎛ 13 ⎞
⎜ ⎟
19. x3 = ⎜ −6 ⎟ .
⎜1⎟
⎝ ⎠
25. α = 1.
Módulo 5
5. Sí.
7. Sí.
Álgebra Lineal
9. Sí.
11. Sí.
⎧ ⎡1 0 0 ⎤ ⎡0 1 0⎤ ⎡0 0 0⎤ ⎫
⎪⎢ ⎥ ⎢1 0 0⎥ , ⎢0 1 0⎥ , etc⎪ , 6
13. ⎨⎢0 0 0⎥ , ⎢ ⎥ ⎢ ⎥ ⎬ .
⎪⎢0 0 0⎥ ⎢⎣0 0 0⎥⎦ ⎢⎣0 0 0⎥⎦ ⎪
⎩⎣ ⎦ ⎭
⎧⎛ 0 ⎞ ⎛ 1 ⎞⎫
⎪⎜ ⎟ ⎜ ⎟⎪
15. ⎨⎜ 1 ⎟ , ⎜ 0 ⎟⎬ .
⎪⎜ −1⎟ ⎜ 2 ⎟⎪
⎩⎝ ⎠ ⎝ ⎠⎭
17. {− 1 + x , 1 + x 2 }.
21. El conjunto de todos los vectores de la forma (a, a − b, 2a + b, − a + 3b), con a y b ∈\.
⎪⎧⎛1⎞ ⎪⎫
23. ⎨⎜ ⎟ ⎬ .
⎩⎪⎝1⎠ ⎭⎪
⎧⎛ 3 ⎞ ⎛ −2 ⎞ ⎫
⎪⎜ ⎟ ⎜ ⎟⎪
25. ⎨⎜ 1 ⎟ , ⎜ 0 ⎟⎬ .
⎪⎜ 0 ⎟ ⎜ 1 ⎟⎪
⎩⎝ ⎠ ⎝ ⎠⎭
Módulo 6
⎧⎛ 1 ⎞ ⎛ 3 ⎞ ⎛ 1 ⎞ ⎫
1. {(1, 5, 3, 0, 1), (0, 0, 1, 7, 3), (0, 0, 0, 0, 1)} ; ⎪⎨⎜⎜ 0 ⎟⎟ , ⎜⎜ 1 ⎟⎟ , ⎜⎜ 3 ⎟⎟ ⎪⎬ ; ρ = 3.
⎪⎜ 0 ⎟ ⎜ 0 ⎟ ⎜ 1 ⎟ ⎪
⎩⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎭
⎧⎛ − 2 ⎞ ⎫ ⎧⎛ 1 ⎞ ⎛ −3 ⎞ ⎫
⎪⎜ ⎟ ⎪ ⎪⎜ ⎟ ⎜ ⎟⎪
5. ⎨⎜ 1 ⎟ ⎬ , {(1, 2, 0), (0, 0, 1)} , ⎨⎜ 2 ⎟ , ⎜ 5 ⎟ ⎬ , ρ = 2, v = 1 .
⎪⎜ 0 ⎟ ⎪ ⎪⎜ −3 ⎟ ⎜ 0 ⎟⎪
⎩⎝ ⎠ ⎭ ⎩⎝ ⎠ ⎝ ⎠⎭
⎧⎛ −1 ⎞ ⎫ ⎧⎛ −1⎞ ⎛ −1 ⎞ ⎛ 0 ⎞⎫
⎪⎜ ⎟ ⎪ ⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎪
⎪⎜ 1 ⎟ ⎪ ⎪⎜ 0 ⎟ ⎜ 0 ⎟, ⎜ 2 ⎟ ⎪⎬ , ρ = 3, v =1.
9. ⎨⎜ −3 ⎟ ⎬ , {(1, 0, 0, 1), (0, 1, 0, − 1), (0, 0, 2, 3)} ; ⎨⎜ ⎟ , ⎜0⎟ ⎜ −2 ⎟ ⎪
⎪⎜ 2 ⎟ ⎪ ⎪⎜ 4 ⎟ ⎜ ⎟ ⎜ ⎟⎪
⎪⎝ 1 ⎠ ⎪ ⎪⎝ 3 ⎠ ⎝ −1⎠ ⎝ 0 ⎠⎭
⎩ ⎭ ⎩
⎧⎛ 1 ⎞ ⎛ 0⎞⎫
⎪⎜ ⎟ ⎜ ⎟⎪
⎪⎜ 0⎟ ⎜ 1 ⎟⎪⎬.
11. ⎨⎜ ⎟ , ⎜ 0⎟⎪
⎪⎜ 1 ⎟ ⎜ ⎟⎪
⎪⎝ 0⎠ ⎝ 1 ⎠⎭
⎩
13. No.
15. Sí.
21. a. n, m ≥ n. b. m, m ≤ n. c. m = n.
Módulo 7
⎡2⎤
⎡ 52 ⎤ ⎡2⎤ ⎢1⎥
⎡ 3⎤ ⎢ 11 ⎥ ⎢2⎥ ⎢ ⎥ ⎡ 3 7 ⎤ ⎡ 0 ⎤ ⎡ −2 7 ⎤
1. ⎢1 ⎥ . 3. ⎢ 2⎥ . 5. ⎢ ⎥. 7. ⎢ −4 ⎥ . 9. ⎢ −2 ⎥ , ⎢ ⎥ , ⎢ 3 ⎥ .
⎣ ⎦ ⎢ ⎥ ⎣ 7⎦ ⎣ 2 ⎦ ⎣ 7 ⎦
⎣⎢ 2 ⎦⎥
−1 ⎢⎣ −1⎥⎦
⎣3⎦
⎛0⎞
11. ⎜ ⎟.
⎝ 3⎠
13. −1 + 9 x 2 + 7 x 3 .
⎛ 3⎞ ⎛2⎞
⎜ ⎟ ⎜ ⎟
15. a. ( v ) B2 = ⎜ 2 ⎟, (w ) B2 = ⎜ 3 ⎟.
⎜ −7 ⎟ ⎜ −3 ⎟
⎝ ⎠ ⎝ ⎠
Álgebra Lineal
⎡2 1 0⎤
⎢1 −2 3 ⎥
b. ⎢ 5 5⎥ .
⎢⎣0 2
5
2 ⎥
5⎦
⎛8⎞ ⎛7⎞
⎜ ⎟ ⎜ ⎟
c. ( v ) B1 = ⎜ −2 ⎟ , (w ) B1 = ⎜ −1⎟ .
⎜ −2 ⎟ ⎜0⎟
⎝ ⎠ ⎝ ⎠
d. Lo mismo que en c.
⎡ 13 1
3
−1
⎤2
⎢1 −2 1 ⎥⎥ .
e. ⎢ 3 3
⎢⎣ −1 3 2
3
3 ⎥
2⎦
f. Lo mismo que en a.
⎧⎛ 3⎞ ⎛ 2⎞ ⎛ 3⎞⎫
⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎪
17. ⎨⎜ 2⎟ , ⎜ 1⎟, ⎜1⎟⎬.
⎪⎜ 0⎟ ⎜ 0⎟ ⎜ 3⎟⎪
⎩⎝ ⎠ ⎝ ⎠ ⎝ ⎠⎭
Capítulo 2
Módulo 8
1. a. {(0, 0, 1), (− 1
2
, 1
2
, 0), ( 1
2
, 1
2 }
, 0) . b. {(0, 1
2
,− 1
2
), ( 2
6
,− 1
6
,− 1
6
), ( 13 , 1
3
, 1
3 }
) .
3. {( 1
2
,− 1
2
, 0), ( 13 , 1
3
, 1
3 }
) .
5. 2
3
( 13 , 1
3
, 1
3
)+ 4
6
(− 1
6
, 2
6
,− 1
6
)− 2
2
(− 1
2
, 0, 1
2
).
1
7. .
14
⎛ −186 ⎞ ⎛ 3⎞
1 ⎜ ⎟ ⎛ −186 ⎞ ⎛ 3⎞
1⎜ ⎟ 1 ⎜ ⎟ 13 ⎜ ⎟
11. a.
49 ⎜⎜
75 ⎟ . b. −2 . c. v = 75 ⎟ + −2 .
⎟ 7 ⎜⎜ ⎟⎟ 49 ⎜⎜ 49 ⎜⎜ ⎟⎟
⎝ 118 ⎠ ⎝ 6⎠ ⎟
⎝ 118 ⎠ ⎝6⎠
Módulo 9
1. y = 0.4 x + 0.6 .
2 4
3. y= x− .
5 5
⎛ 43 ⎞
7. i. ⎜ ⎟ . ii. 2 5.
⎝ −1 3 ⎠
Módulo 10
3. T2.
⎧⎛ 1 i ⎞ ⎛ i 1 ⎞⎫
7. ⎨⎜ , ⎟, ⎜ , ⎟⎬ .
⎩⎝ 2 2⎠ ⎝ 2 2 ⎠⎭
⎪⎧ ⎡1 0 ⎤ ⎡ 0 1 ⎤ ⎡ 0 0 ⎤ ⎡ 0 0 ⎤ ⎪⎫
9. ⎨⎢ ⎥, ⎢ ⎥, ⎢ ⎥, ⎢ ⎥ ⎬.
⎪⎩ ⎣0 0 ⎦ ⎣ 0 0 ⎦ ⎣1 0 ⎦ ⎣0 1 ⎦ ⎪⎭
Álgebra Lineal
Capítulo 3
Módulo 11
1. Sí.
3. Sí.
5. Sí.
7. No.
9. Sí.
11. No.
13. Sí.
15. No.
17. Sí.
19. No.
21. T ( x y ) = (− x, y ).
27. (T1 o T2 )( x, y ) = ( x + 4 y, 3 x − y ).
(T2 o T1 )( x, y, z ) = (2 x − y + 3 z , − 3 x − y − 7 z , − y − z ).
Módulo 12
3. nu T = {0} , imagen T = \3 ; ρ( t ) = 3; vt = 0.
⎡ 2 −1 1⎤
13. T (x) = A(x) con A = ⎢⎢ 2 −1 1⎥⎥ .
⎢⎣ 2 −1 1⎥⎦
Módulo 13
⎡1 −2 ⎤ ⎡1 −2 ⎤ ⎡3 −2⎤ ⎡3 −2 ⎤
a. ⎢
2 ⎥⎦
b. ⎢
0 ⎥⎦
c. ⎢
2 ⎥⎦
d. ⎢
0 ⎥⎦
1. . . . . e. (4, 0).
⎣1 ⎣2 ⎣−1 ⎣2
⎡1 1 0⎤ ⎡ −1 −1
3 0⎤ ⎡3⎤
a. ⎢
− 1⎥⎦
b. ⎢
0 ⎥⎦
3. . . c. ⎢ ⎥ .
⎣0 1 ⎣1 2
3 ⎣ − 1⎦
⎡0 0⎤ ⎡0 1⎤
⎢0 0 ⎥⎥ ⎢0 − 1⎥⎥
5. a. ⎢ . b. ⎢ .
⎢1 0⎥ ⎢0 1⎥
⎢ ⎥ ⎢ ⎥
⎣0 1⎦ ⎣1 1⎦
⎡10 ⎤ ⎡4⎤
7. a. ⎢⎢ 5 ⎥⎥ . b. ⎢⎢ 2 ⎥⎥ .
⎣⎢ 5 ⎦⎥ ⎢⎣ 2 ⎥⎦
⎡ 2 ⎤ ⎡ − 3⎤ ⎡1 ⎤ ⎡ 1 ⎤ ⎡ −2 ⎤
9. a. ⎢ ⎥ , ⎢ ⎥ . b. ⎢ ⎥ , ⎢ ⎥. c. ⎢ ⎥ .
⎣ −1⎦ ⎣ 4 ⎦ ⎣ 5 ⎦ ⎣ − 10 ⎦ ⎣ 25 ⎦
⎪⎧⎛ 0 ⎞⎪⎫
11. En 1. nu T = ⎨⎜ ⎟⎬ ; imagen T = \2 .
⎪⎩⎝ 0 ⎠⎪⎭
⎧⎛ −1⎞ ⎫
⎪⎜ ⎟ ⎪
En 3. nu T = gen ⎨⎜ 1 ⎟ ⎬ ; imagen T = \ .
2
⎪⎜ 1 ⎟ ⎪
⎩⎝ ⎠ ⎭
Álgebra Lineal
En 5. nu T = {0} ; imagen T = gen { x , x } .
2 3
⎧⎛ 2 ⎞ ⎫ ⎧⎛ 1 ⎞ ⎛ 3 ⎞⎫
⎪⎜ ⎟ ⎪ ⎪⎜ ⎟ ⎜ ⎟⎪
En 7. nu T = gen −
⎨⎜ ⎟ ⎬
1 ; imagen T = gen ⎨⎜ 1 ⎟ , ⎜ 2 ⎟⎬.
⎪⎜ 1 ⎟ ⎪ ⎪⎜ 0 ⎟ ⎜ 1 ⎟⎪
⎩⎝ ⎠ ⎭ ⎩⎝ ⎠ ⎝ ⎠⎭
Módulo 14
1. Solución posible: T : \ 2 → \ 3 , T ( x, y ) = ( x − y , 2 x + y, y ).
T : \ 3 → \ 2 , T ( x, y, z ) = ( x + y − z , y + z ).
T : \ 2 → \ 2 , T ( x, y ) = (2 x + y, x − y ).
⎡ a11 0 0 ⎤ ⎡ a11 ⎤
"
⎢0 a22 "0 ⎥⎥ ⎢⎢ a22 ⎥⎥
3. T : Dn → \ n , T ⎢ = .
⎢ # % # ⎥ ⎢ # ⎥
⎢ ⎥ ⎢ ⎥
⎣0 " " ann ⎦ ⎣ ann ⎦
7. No.
11. T −1 ( A) = B −1 A.
Módulo 15
⎛ 1 1 ⎞
3. ⎜ , ⎟.
⎝ 2 2⎠
⎛ x⎞ ⎛ x⎞
5. T : \ 2 → \ 2 tal que T ⎜ ⎟ = α ⎜ ⎟ , α ≠ 1.
⎝ y⎠ ⎝ y⎠
Módulo 16
⎛0⎞
3. λ = 1, v = ⎜ ⎟.
⎝1⎠
⎛1⎞ ⎛1⎞ ⎛ 0⎞ ⎛ 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
1 −1 0 0
7. λ1 = 1 con v1 = ⎜ ⎟ , λ 2 = −1 con v 2 = ⎜ ⎟ , λ 3 = 3 con v 3 = ⎜ ⎟ , λ 4 = 2 con v 4 = ⎜ ⎟ .
⎜0⎟ ⎜0⎟ ⎜1⎟ ⎜1⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝0⎠ ⎝0⎠ ⎝ 2⎠ ⎝1⎠
⎛1⎞ ⎛ 0⎞ ⎛ 0⎞ ⎛ 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
0 1 0 0
9. λ = a mult. alg 4, v1 = ⎜ ⎟ , v 2 = ⎜ ⎟ , v3 = ⎜ ⎟ , v 4 = ⎜ ⎟ .
⎜ 0⎟ ⎜ 0⎟ ⎜1⎟ ⎜ 0⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 0⎠ ⎝ 0⎠ ⎝ 0⎠ ⎝1⎠
⎛1⎞ ⎛ 0⎞
⎜ ⎟ ⎜ ⎟
0 0
11. λ = a mult. alg 4, v1 = ⎜ ⎟ , v 2 = ⎜ ⎟ .
⎜ 0⎟ ⎜ 0⎟
⎜ ⎟ ⎜ ⎟
⎝ 0⎠ ⎝1⎠
15. No. Para que λ1 + λ 2 sea un valor característico de A + B , es necesario que el vector característico de A correspon-
diente a λ1 sea el mismo que el de B correspondiente a λ 2 lo que, en general, no se cumple.
Módulo 17
⎛ i 0 0⎞ ⎛ −i i 0 ⎞ ⎛ −i 2 1
2 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
D = ⎜ 0 −i 0 ⎟ , P = ⎜ 1 1 0⎟, P −1 = ⎜ i 2 1
2 0 ⎟.
1.
⎜0 0 2⎟ ⎜ 0 0 1⎟ ⎜0 1 ⎟⎠
⎝ ⎠ ⎝ ⎠ ⎝ 0
Álgebra Lineal
⎛3 0 0 0⎞ ⎛1 0 1 0⎞ ⎛ −1 1 0 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
0 3 0 0⎟ 2 0 1 0⎟ 0 0 12 1
D=⎜ P=⎜ P −1 = ⎜
2 ⎟
3. , , .
⎜0 0 2 0⎟ ⎜0 1 0 1⎟ ⎜ 2 −1 0 0⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝0 0 0 1⎠ ⎝0 1 0 −1 ⎠ ⎝ 0 0 12 −1
2⎠
⎛i 0 ⎞ ⎛1 1 ⎞ 1 ⎛1 1 ⎞
5. D=⎜ ⎟, P=⎜ ⎟, p −1 = ⎜ ⎟.
⎝ 0 −i ⎠ ⎝ 1 −1⎠ 2 ⎝ 1 −1 ⎠
⎛ 1 −2 ⎞ ⎛ 1 0 ⎞⎛1 2⎞
7. A = PDP −1 = ⎜ ⎟⎜ ⎟⎜ ⎟.
⎝0 1 ⎠⎝0 1
2⎠⎝0 1⎠
⎛ 1 −2 ⎞ ⎛ 1 0 ⎞ ⎛ 1 2 ⎞ ⎛ 1 2 − 1 211 ⎞
A12 = PD12 P −1 = ⎜ ⎟⎜ 12 ⎟ ⎜ ⎟=⎜ ⎟.
⎝ 0 1 ⎠ ⎝⎜ 0 ( 1 2 ) ⎠⎟ ⎝ 0 1 ⎠ ⎝ 0 1 212 ⎠
⎛ 1 1⎞ ⎛0 0⎞
Si A y B son matrices diagonalizables, A + B no necesariamente es diagonalizable; por ejemplo: ⎜ −1 0 ⎟ y ⎜ 1 1 ⎟
⎝ ⎠ ⎝ ⎠
⎛ 1 1⎞
son diagonalizables, pero su suma ⎜ 0 1⎟ no es diagonalizable.
⎝ ⎠
Módulo 18
⎛ 2 z − y0 ⎞ ⎛ 7 ⎞ ⎛ y0 + z0 ⎞
k
3. a. Dentro: ⎜ 0 ⎟ ⎜ 10 ⎟ + ⎜ 3 ⎟ .
⎝ 3 ⎠⎝ ⎠ ⎝ ⎠
⎛ y − 2 z0 ⎞ ⎛ 7 ⎞ ⎛ y0 + z0 ⎞
k
Fuera: ⎜ 0 ⎟ ⎜ 10 ⎟ + 2 ⎜ 3 ⎟ .
⎝ 3 ⎠⎝ ⎠ ⎝ ⎠
1 ⎡8 1⎤
b. Sí. Matriz de transición: .
10 ⎢⎣ 2 9 ⎥⎦
(2 z0 − y0 ) ⎛ 7 ⎞ 1
k
( y0 − 2 z0 ) ⎛ 7 ⎞ 2
k
Probabilidad de vivir fuera: ⎜ ⎟ + .
3( y0 + z0 ) ⎝ 10 ⎠ 3
⎡ 0 ⎤
⎢ ⎥
5. a. A largo plazo la distribución de alumnos es ⎢ 0 ⎥ , el cual es un vector propio correspondiente a λ = 1 . El
⎢⎣ x0 + y0 ⎥⎦
⎛ 0⎞
⎜ ⎟
vector de probabilidad correpondiente será ⎜ 0 ⎟ .
⎜1⎟
⎝ ⎠
⎡7 2 0 ⎤
1 ⎢
b. Sí. Matriz de transición: 2 6 0 ⎥⎥ .
12 ⎢
⎢⎣ 3 4 12 ⎥⎦
⎡⎛ 5 + 5 ⎞ n ⎛ 5 − 5 ⎞ n ⎤
7. a. Pn = 1000 5 ⎢⎜⎜ ⎟ −⎜ ⎟ ⎥ ; n ∈ `.
⎢⎝ 10 ⎟⎠ ⎜⎝ 10 ⎟⎠ ⎥
⎣ ⎦
b. No
⎡⎛ 5 + 5 ⎞ 6 ⎛ 5 − 5 ⎞ 6 ⎤
c. P6 = 1000 5 ⎢⎜⎜ ⎟ −⎜ ⎟ ⎥.
⎢⎝ 10 ⎟⎠ ⎜⎝ 10 ⎟⎠ ⎥
⎣ ⎦
9. El brazo trabaja exitosamente 97.97% de las veces, muy cerca al 98% exigido por el cliente, así que es muy
probable que se acepte.
Módulo 19
1. No.
3. Sí.
5. No.
7. Sí.
9. No.
⎡ 1 0⎤
11. P=⎢ ⎥.
⎣ −1 1 7 ⎦
⎡1 1 0⎤ ⎡0 1 0 ⎤
13. P = ⎢⎢ 0 −1 −2⎥⎥ , J = ⎢⎢0 0 1 ⎥⎥ .
⎣⎢ −1 0 3 ⎥⎦ ⎣⎢0 0 0⎥⎦
Álgebra Lineal
⎡ λ1 0 0 0⎤ ⎡λ1 1 0 0⎤ ⎡ λ1 1 0 0⎤ ⎡ λ1 1 0 0⎤
⎢ λ2 0 ⎥⎥ ⎢ λ1 0 ⎥⎥ ⎢ λ1 0 ⎥⎥ ⎢0 λ1 0 ⎥⎥
⎢0 0
, ⎢0 0
, ⎢0 1
, ⎢ 0
,
15. ⎢0 0 λ3 0⎥ ⎢0 0 λ2 0⎥ ⎢0 0 λ1 0⎥ ⎢0 0 λ2 1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0 0 0 λ4 ⎦ ⎣0 0 0 λ3 ⎦ ⎣0 0 0 λ2 ⎦ ⎣0 0 0 λ2 ⎦
⎡ λ1 1 0 0⎤
⎢0 λ1 1 0 ⎥⎥
⎢
⎢0 0 λ1 1⎥.
⎢ ⎥
⎣0 0 0 λ1 ⎦
Los λ i no necesariamente son distintos. Además los bloques de Jordan pueden permutarse sobre la diagonal.
⎡ −3 0 0 0 0⎤ ⎡ −3 1 0 0 0⎤ ⎡ −3 0 0 0 0⎤
⎢ 0 −3 0 0 0 ⎥⎥ ⎢ 0 −3 0 0 0 ⎥⎥ ⎢ 0 −3 0 0 0 ⎥⎥
⎢ ⎢ ⎢
⎢ 0 0 4 0 0⎥ , ⎢ 0 0 4 0 0⎥ , ⎢ 0 0 4 1 0⎥ ,
17. ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 0 0 4 0⎥ ⎢ 0 0 0 4 0⎥ ⎢ 0 0 0 4 0⎥
⎢⎣ 0 0 0 0 4 ⎥⎦ ⎢⎣ 0 0 0 0 4 ⎥⎦ ⎢⎣ 0 0 0 0 4 ⎥⎦
⎡ −3 0 0 0 0⎤ ⎡ −3 1 0 0 0⎤ ⎡ −3 1 0 0 0⎤
⎢ 0 −3 0 0 0 ⎥⎥ ⎢ 0 −3 0 0 0⎥⎥ ⎢ 0 −3 0 0 0 ⎥⎥
⎢ ⎢ ⎢
⎢ 0 0 4 1 0⎥ , ⎢ 0 0 4 1 0⎥ , ⎢ 0 0 4 1 0⎥ .
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 0 0 4 1⎥ ⎢ 0 0 0 4 0⎥ ⎢ 0 0 0 4 1⎥
⎢⎣ 0 0 0 0 4 ⎥⎦ ⎢⎣ 0 0 0 0 4⎥⎦ ⎢⎣ 0 0 0 0 4 ⎥⎦
⎡7 0 0 ⎤ ⎡7 1 0⎤ ⎡7 1 0⎤
⎢0 7 0⎥ , ⎢0 7 0⎥ , ⎢0 7 1⎥ .
19. ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣0 0 7 ⎥⎦ ⎢⎣ 0 0 7 ⎥⎦ ⎢⎣ 0 0 7 ⎥⎦
Capítulo 5
Módulo 20
⎡0 0⎤ ⎡1 1
⎤
⎢ 0 4 ⎥ ; P = ⎢ −1
2 2
1. ⎥.
⎣ ⎦
1
⎣ 2 2⎦
⎡ −3 0 0 ⎤ ⎡1 2 1
2
1 ⎤ 2
⎢ ⎥ ⎢ ⎥
⎢ 0 1+ 2 2 0 ⎥; P = ⎢ −1 2 2 ⎥.
1 1
3. 2
⎢ ⎥ ⎢ 0 −1 ⎥
⎣0 0 1− 2 2 ⎦ ⎣
1
2 2⎦
⎡ −2 0 0 ⎤ ⎡1 −1 −1 ⎤
⎢ ⎥
3 2 6
⎢ ⎥ P=⎢1 −1
⎢ 0 1 0⎥ ; .
1
7. 3 2 6⎥
⎢⎣ 0 0 1 ⎥⎦ ⎢1 0 2 ⎥
⎣ 3 6⎦
Módulo 21
⎡ 2 52 ⎤ ⎡x⎤
1. [ x y] ⎢ ⎥⎢ ⎥.
⎣ 5 2 −9 ⎦ ⎣ y ⎦
⎡ −4 3 7
⎤ ⎡ x⎤
2
3. [ x y z ] ⎢⎢ 3 −3 0 ⎥⎥ ⎢⎢ y ⎥⎥ .
⎢⎣ 7 2 0 0 ⎥⎦ ⎢⎣ z ⎥⎦
⎡ 6 52 ⎤ ⎡x⎤
5. [ x y] ⎢ ⎥⎢ ⎥.
⎣ 5 2 −6 ⎦ ⎣ y ⎦
⎡4 2 ⎤ ⎡ x ⎤ x ′2 y ′2
7. [ x y] ⎢ ⎥ ⎢ ⎥ = 9; − = 1; hipérbola; θ ≈ 19.33º.
⎣ 2 −1⎦ ⎣ y ⎦ ⎛ 18 ⎞ ⎛ 18 ⎞
⎜ ⎟ ⎜ ⎟
⎝ 41 + 3 ⎠ ⎝ 41 − 3 ⎠
⎡ −1 1 ⎤ ⎡ x ⎤
9. [ x y] ⎢ ⎥ ⎢ ⎥ = 0; y ′2 = 0; recta que pasa por el origen; θ = π / 4 = 45º.
⎣ 1 −1⎦ ⎣ y ⎦
⎡ 6 52 ⎤ ⎡ x⎤ y ′2 x ′2
11. [ x y] ⎢ ⎥ ⎢ ⎥ = −7; − = 1; hipérbola; θ ≈ 11.31º.
⎣ 5 2 −6 ⎦ ⎣ y ⎦ 14
13
14
13
x′′2 y ′′2
13. Hipérbola; − = 1.
4 9
x′′2 y ′′2
15. Hipérbola; − = 1.
9 9
8 8
⎡ 1 −1 −1⎤ ⎡ x ⎤
17. ( x y z) ⎢⎢−1 1 −1⎥⎥ ⎢⎢ y ⎥⎥ , − x′2 + 2 y′2 + 2 z′2 .
⎢⎣−1 −1 1 ⎥⎦ ⎢⎣ z ⎥⎦
Álgebra Lineal
Módulo 22
1.
λ ≤7
1 12 ≤ \ ∈ λ ≤ 7
3.
λ ≤ 11
−2 ≤ \ ∈ λ ≤ 11
⎛1⎞
7. −4, ⎜ ⎟ .
⎝1⎠
⎛ 1 ⎞
⎜ ⎟
9. 8, ⎜ 0.5 ⎟ .
⎜ 1 ⎟
⎝ ⎠
⎛ 1⎞ ⎛ 1 ⎞ ⎛ 2 ⎞ ⎛ − 1 ⎞ ⎛ −2 ⎞ ⎛ 1 ⎞ ⎛ 2 ⎞
11. Comenzando con x0 = ⎜ ⎟ y sin normalización, se obtiene ⎜1 ⎟ , ⎜ 1 ⎟ , ⎜ −1⎟ , ⎜ −1 ⎟ , ⎜ 1⎟ , ⎜ 1 ⎟ ,... . Por tanto, el método
⎝ 1⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠
no converge. La razón de esto es que A no posee un valor característico dominante.