Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Teora y Prctica
Miguel A. Perell
c 2000 - 2002 CRESLINE
Versin 20020715
ii
ndice general
Introduccin
XI
Teora
1. Espacios vectoriales
1.1. Hacia el concepto de vector . . . . . . . . . . . .
1.2. Concepto de espacio vectorial . . . . . . . . . . .
1.3. Propiedades elementales . . . . . . . . . . . . . .
1.4. Producto de espacios vectoriales . . . . . . . . .
1.5. Subespacios vectoriales . . . . . . . . . . . . . . .
1.6. Interseccin de subespacios vectoriales . . . . . .
1.7. Subespacio engendrado por un subconjunto . . .
1.8. Suma de subespacios vectoriales . . . . . . . . . .
1.9. Combinaciones lineales . . . . . . . . . . . . . . .
1.10. Clausura lineal . . . . . . . . . . . . . . . . . . .
1.11. Sistemas equivalentes . . . . . . . . . . . . . . . .
1.12. Dependencia e independencia lineal . . . . . . . .
1.13. Bases de un espacio vectorial de dimensin finita
1.14. Dimensin de un subespacio vectorial . . . . . . .
1.15. Espacio vectorial cociente . . . . . . . . . . . . .
1.16. Rango de un sistema de vectores . . . . . . . . .
1.17. Isomorfismos de espacios vectoriales . . . . . . .
1.18. Cambio de coordenadas . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
3
3
7
8
9
12
13
14
18
20
23
25
30
34
38
40
43
48
2. Aplicaciones lineales
2.1. Definicin y ejemplos . . . . . . . . . . .
2.2. Ncleo e imagen de una aplicacin lineal
2.3. Matriz asociada a una aplicacin lineal .
2.4. Espacios vectoriales isomorfos . . . . . .
2.5. Teoremas de isomorfismo . . . . . . . .
2.6. El espacio de las aplicaciones lineales . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
53
53
55
57
62
65
68
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
iii
iv
NDICE GENERAL
3. Matrices
3.1. Definicin de matriz . . . . . . . . . . . . . . . .
3.1.1. Tipos especiales de matrices . . . . . . . .
3.2. Espacio vectorial de las matrices . . . . . . . . .
3.2.1. Suma de matrices . . . . . . . . . . . . .
3.2.2. Multiplicacin escalar de matrices . . . .
3.3. Matriz asociada a una aplicacin lineal . . . . . .
3.4. Producto de matrices . . . . . . . . . . . . . . . .
3.5. Imagen de un vector por de una aplicacin lineal
3.6. El anillo de las matrices cuadradas . . . . . . . .
3.7. Trasposicin de matrices . . . . . . . . . . . . . .
3.8. Cambios de base en un espacio vectorial . . . . .
3.9. Cambios de base en una aplicacin lineal . . . . .
3.9.1. Matrices equivalentes . . . . . . . . . . .
3.9.2. Matrices semejantes . . . . . . . . . . . .
3.10. Rango de una matriz . . . . . . . . . . . . . . . .
3.11. Matrices elementales . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
71
. 71
. 73
. 76
. 76
. 77
. 80
. 82
. 85
. 86
. 90
. 92
. 94
. 96
. 97
. 98
. 100
4. Determinantes
4.1. Determinante de n vectores . . . . . . . . . . . . . . . . .
4.1.1. Propiedades de las formas multilineales alternadas
4.1.2. Propiedades de los determinantes . . . . . . . . . .
4.2. Determinante de un endomorfismo . . . . . . . . . . . . .
4.3. Determinante de una matriz cuadrada . . . . . . . . . . .
4.3.1. Desarrollo por los elementos de una fila o columna
4.3.2. Clculo del rango de una matriz por determinantes
4.3.3. Clculo por determinantes de la matriz inversa . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
111
111
113
120
122
126
129
132
134
.
.
.
.
.
.
.
.
137
137
138
140
141
148
150
153
155
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6. Diagonalizacin de endomorfismos
159
6.1. Vectores propios y valores propios. Polinomio caracterstico . . . 159
6.2. Diagonalizacin de endomorfismos . . . . . . . . . . . . . . . . . 161
NDICE GENERAL
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
167
167
169
175
177
181
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
185
185
195
200
204
207
213
218
223
223
228
II
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
endomorfismo
. . . . . . . . .
.
.
.
.
.
Prctica
233
9. Espacios vectoriales
9.1. Concepto de espacio vectorial . . . . . . . . . . . . . . . . . . . .
9.2. Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . .
9.3. Interseccin de subespacios vectoriales . . . . . . . . . . . . . . .
9.4. Subespacio engendrado por un conjunto . . . . . . . . . . . . . .
9.5. Suma de subespacios vectoriales . . . . . . . . . . . . . . . . . . .
9.6. Combinaciones lineales . . . . . . . . . . . . . . . . . . . . . . . .
9.7. Clausura lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.8. Sistemas equivalentes . . . . . . . . . . . . . . . . . . . . . . . . .
9.9. Dependencia e independencia lineal . . . . . . . . . . . . . . . . .
9.10. Bases de un espacio vectorial de dimensin finita . . . . . . . . .
9.11. Dimensin de un subespacio vectorial . . . . . . . . . . . . . . . .
9.12. Espacio vectorial cociente . . . . . . . . . . . . . . . . . . . . . .
9.13. Rango de un sistema de vectores . . . . . . . . . . . . . . . . . .
9.14. Producto de espacios vectoriales. Isomorfismos de espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.15. Cambio de coordenadas . . . . . . . . . . . . . . . . . . . . . . .
235
235
242
245
246
246
247
249
252
253
255
257
259
259
10.Aplicaciones lineales
10.1. Definicin y ejemplos . . . . . . . . . . .
10.2. Ncleo e imagen de una aplicacin lineal
10.3. Matriz asociada a una aplicacin lineal .
10.4. Espacios vectoriales isomorfos . . . . . .
10.5. Teoremas de isomorfismo . . . . . . . .
265
265
267
270
275
276
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
262
262
vi
NDICE GENERAL
10.6. El espacio de las aplicaciones lineales . . . . . . . . . . . . . . . . 277
11.Matrices
11.1. Definicin de matriz . . . . . . . . . .
11.2. Espacio vectorial de las matrices . . .
11.3. Producto de matrices . . . . . . . . . .
11.4. Matriz asociada a una aplicacin lineal
11.5. El anillo de las matrices cuadradas . .
11.6. Cambios de base . . . . . . . . . . . .
11.7. Matrices elementales . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
279
279
279
281
283
283
285
288
12.Determinantes
293
12.1. Formas multilineales. Propiedades . . . . . . . . . . . . . . . . . 293
12.2. Determinante de un endomorfismo . . . . . . . . . . . . . . . . . 294
12.3. Determinante de una matriz cuadrada. Propiedades . . . . . . . 295
13.Sistemas de ecuaciones lineales
303
14.Diagonalizacin de endomorfismos
313
14.1. Vectores y valores propios. Polinomio caracterstico . . . . . . . . 313
14.2. Diagonalizacin de matrices . . . . . . . . . . . . . . . . . . . . . 314
15.Forma reducida de Jordan
15.1. Polinomio mnimo . . . . . . . . . .
15.2. Subespacios invariantes . . . . . . .
15.3. El teorema de Cayley-Hamilton . . .
15.4. Matriz cannica de un endomorfismo
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
319
319
320
323
326
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
331
331
334
339
342
III
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Apndices
347
A. Espacios vectoriales
349
B. Aplicaciones lineales
355
C. Matrices
361
D. Determinantes
365
369
F. Diagonalizacin de endomorfismos
371
NDICE GENERAL
vii
375
379
Agradecimientos
381
viii
NDICE GENERAL
Prefacio
El presente libro es slo una parte del curso que con el mismo ttulo se
ofrece de forma gratutita en www.aprendes.com. Su nico objetivo es presentar
sus contenidos en formato pdf para que el estudiante pueda obtener una copia
impresa de aquellos documentos que son de su inters. El estudiante, sin embargo, debe tener en cuenta que al elegir el estudio por la va del documento
impreso no podr beneficiarse de ninguna de las ayudas incorporadas en el curso
mediante interaccin, ni de ninguno de los exmenes tipo test donde podr poner a prueba su nivel de conocimientos sobre un determinado tema. Este material
debe considerarse solamente como un soporte de repaso a los cursos interactivos
presentados por aprendes.com.
ix
PREFACIO
Introduccin
El presente libro, dedicado al lgebra Lineal, est destinado a los estudiantes
de primer curso de las Facultades de Ciencias, Escuelas de Ingeniera y Arquitectura, y su texto est dividido en tres partes: Teora, Prctica y Apndice.
La primera parte presenta una exposicin terica de cada tema por captulos.
En cada captulo se tratan los conceptos de forma rigurosa mediante definiciones,
se enuncian sus propiedades mediante teoremas y corolarios, y se acompaan
todas las demostraciones. En la exposicin se han incorporado ejemplos para
hacer ms fcil su compresin y su utilizacin en la prctica.
La segunda parte, como su nombre indica, es una cuidada seleccin de problemas resueltos de cada tema. En la mayora de los casos, los problemas se
presentan en cada captulo de esta parte bajo los mismos epgrafes que la exposicin terica, y se han escrito los razonamientos que justifican los pasos
realizados para llegar a la solucin de cada uno de ellos.
Finalmente, como apndice del texto, se han aadido listas de problemas
de cada uno de los temas tratados en las partes anteriores para que sirvan de
soporte a los estudiantes que quieran practicar y profundizar ms, as como la
bibliografa utilizada en el curso.
xi
xii
INTRODUCCIN
Parte I
Teora
Captulo 1
Espacios vectoriales
1.1.
1.2.
2.
3.
4.
5.
6.
7.
(u + v) = u + v
8.
( + )u = u + u
9.
(u) = ()u
10.
2.
3.
4.
5.
El conjunto E dotado con la adicin tiene la estructura de grupo conmutativo o abeliano al satisfacer los axiomas 1-5. Se supone en esta
seccin que el lector est familiarizado con las propiedades elementales de
la teora de grupos.
6.
7.
xn )
x1
..
.
xn
Ejemplo 8 El conjunto Mnm (R) de las matrices de orden n m con coeficientes reales junto con las operaciones de adicin matricial y multiplicacin
escalar:
(aij ) + (bij ) = (aij + bij )
(aij ) = (aij )
donde 1 i n y 1 j m, forman un espacio vectorial real.
Ejemplo 9 El conjunto E de todos los puntos del plano que se encuentran en
el primer cuadrante no es un espacio vectorial real. Para ver esto, obsrvese que
el punto de coordenadas (1, 1) est en E, pero (1)(1, 1) = (1, 1) no lo est.
Ejemplo 10 El conjunto de los polinomios de segundo grado con coeficientes
reales no es un espacio vectorial real. Para ver esto, consideremos los siguientes
polinomios de segundo grado:
p(x) = x2
q(x) = x2 + x + 1
1.3.
Propiedades elementales
0u = 0
2.
0 = 0
3.
u = 0 implica = 0 o u = 0
4.
(1)u = u
1.4.
El procedimiento que nos ha permitido definir Kn a partir de K puede generalizarse para construir nuevos espacios a partir de espacios conocidos.
Sean E1 y E2 dos espacios vectoriales sobre el mismo cuerpo conmutativo K.
Consideremos el conjunto producto E1 E2 y las dos operaciones siguientes:
(u1 , u2 ) + (v1 , v2 ) = (u1 + v1 , u2 + v2 )
(u1 , u2 ) = (u1 , u2 )
Entonces con estos datos tenemos un espacio vectorial sobre K que se llama
espacio vectorial producto E1 E2 .
Del mismo modo se define el producto de n espacios vectoriales E1 , ..., En
sobre un mismo cuerpo K. Las operaciones son en este caso
(u1 , u2 , ..., un ) + (v1 , v2 , ..., vn ) = (u1 + v1 , u2 + v2 , ..., un + vn )
(u1 , u2 , ..., un ) = (u1 , u2 , ..., un )
que definen el espacio vectorial producto E1 E2 En .
Observacin 3 De nuevo hacemos la sugerencia de que el lector haga la prueba
de las dos afirmaciones anteriores.
Sabemos que K es un espacio vectorial sobre s mismo, entonces, tomando
E1 = E2 = = En = K, se tiene el espacio vectorial Kn sobre K. Este espacio
vectorial es el mismo que el del ejemplo 5.
Ejemplo 11 Rn es un espacio vectorial real.
Ejemplo 12 Cn es un espacio vectorial tanto real como complejo.
1.5.
Subespacios vectoriales
para todo u, v S, u + v S
2.
para todo u S y K, u S
10
1.
2.
0 b12
0 a12
y B=
A=
a21 0
b21 0
dos matrices cualesquiera de S y un escalar cualquiera. Entonces
0
a12 + b12
A+B =
a21 + b21
0
y
A =
0
a21
a12
0
11
y
q(x) = b0 + b1 x + + bn xn
Entonces,
(p + q)(x) = p(x) + q(x) =
= (a0 + b0 ) + (a1 + b1 )x + + (an + bn )xn
y
(p)(x) = p(x) =
= (a0 ) + (a1 )x + + (an )xn
tienen la forma adecuada para afirmar que p + q y p estn en S. Por consiguiente, S es un subespacio vectorial.
Ejemplo 17 Recurdese que si f y g son funciones continuas y es una constante real, entonces f + g y f son funciones continuas. Se concluye, pues,
que el conjunto de todas las funciones continuas es un subespacio del espacio
vectorial real de todas las funciones reales de variable real.
Ejemplo 18 Consideremos un sistema lineal de m ecuaciones con n incgnitas:
a11 a12
a21 a22
A= .
..
..
..
.
.
am1
x=
x1
x2
..
.
xn
am2
s=
amn
b=
a1n
a2n
..
.
s1
s2
..
.
sn
b1
b2
..
.
bm
12
At = 0
Por tanto,
A(s + t) = As + At = 0 + 0 = 0
y
A (s) = (As) = 0 = 0
0
1.6.
2.
S =
(x, y, z) R3 : x 2y + z = 0
T =
(x, y, z) R3 : x = 0
de R3 .
13
x 2y + z = 0
x=0
es decir,
1.7.
S T = (x, y, z) R3 : 2y + z = 0 y x = 0
2.
14
1.8.
En general, ST no es un subespacio vectorial de E. Para probarlo, consideremos los subespacios vectoriales S = {(x, 0) : x R} y T = {(0, y) : y R}
de R2 . La suma (1, 0) + (0, 1) = (1, 1) no pertenece a S ni a T.
2.
15
2.
3.
S T = {0}
16
1.
2.
i=1
Si = S1 Sm
vi = 0
i=1
Cuando se cumple
E = S1 S2
17
E1 : x = 2 + 3 +
E2 : y = 3 + 2
E3 : z = 2 + 2
De aqu se obtiene
3E1 2E2 : 3x 2y = 7 + 7
E3 :
z = 2 + 2
De aqu se obtiene
2(3E1 2E2 ) 7E3 : 6x 4y 7z = 0
Por consiguiente
S + T = {(x, y, z) R3 : 6x 4y 7z = 0}
Para saber si la suma es directa debemos averiguar si los subespacios son o no
independientes. Para ello, debemos calcular S T . Un vector (x, y, z) de S T
debe cumplir
(x, y, z) = (2, 3, 0) + (3, 1, 2)
y
(x, y, z) = (1, 2, 2)
Por tanto,
(2, 3, 0) + (3, 1, 2) = (1, 2, 2)
es decir
(2 + 3, 3 + , 2) = (, 2, 2)
de donde se obtiene
2 + 3 =
3 + = 2
2 = 2
18
y la suma no es directa.
1.9.
Combinaciones lineales
iJ
19
2.
3.
v = 1 v1 + 2 v2 + + m vm
entonces, por sustitucin y reglas de clculo, tenemos
p
p
p
X
X
X
v = 1
1j wj + 2
2j wj + + m
mj wj
=
j=1
m
X
k=1
k k1 w1 +
j=1
m
X
k=1
k k2
w2 + +
m
X
j=1
k kp
k=1
wp
20
1 + 62 = 9
21 + 42 = 2
1 + 22 = 7
Del mismo modo, para que w0 sea una combinacin lineal de u y v deben
existir 1 y 2 tales que
(4, 1, 8) = 1 (1, 2, 1) + 2 (6, 4, 2)
o bien,
(4, 1, 8) = (1 + 62 , 21 + 42 , 1 + 22 )
Igualando componentes, se obtiene
1 + 62 = 4
21 + 42 = 1
1 + 22 = 8
Este sistema de ecuaciones es incompatible, de modo que no existen esos escalares. Como consecuencia, w0 no es una combinacin lineal de u y v.
1.10.
Clausura lineal
21
22
1 + 2 + 23 = x
1
+ 3 = y
21 + 2 + 33 = z
Por consiguiente, el problema se reduce a determinar si este sistema es o no
compatible para todos los valores de x, y y z. Aunque ms adelante daremos
mtodos ms operativos para resolver estas cuestiones, de momento nos contentamos con afirmar que el vector (1, 0, 0) de R3 no es una combinacin lineal
de v1 , v2 y v3 . En efecto, puede comprobarse que el sistema siguiente
1 + 2 + 23 = 1
1
+ 3 = 0
21 + 2 + 33 = 0
es incompatible. Por consiguiente, los vectores v1 , v2 y v3 engendran un subespacio vectorial distinto de R3 .
Ejemplo 26 Podemos determinar x de manera que el vector (1, 2, 5, x) pertenezca al subespacio de Q4 engendrado por (4, 2, 1, 7) y (1, 0, 2, 4)?
Solucin: Para que (1, 2, 5, x) h(4, 2, 1, 7), (1, 0, 2, 4)i deben existir dos
escalares 1 y 2 de Q tales que
(1, 2, 5, x) = 1 (4, 2, 1, 7) + 2 (1, 0, 2, 4)
o bien,
(1, 2, 5, x) = (41 + 2 , 21 , 1 + 22 , 71 + 42 )
41 + 2 = 1
21 = 2
1 + 22 = 5
71 + 42 = x
1.11.
23
Sistemas equivalentes
Definicin 11 Se dice que dos sistemas (v1 , ..., vm ) y (w1 , ..., wp ) de E son
equivalentes, denotndolo por (v1 , ..., vm ) (w1 , ..., wp ), cuando sus clausuras
lineales son iguales, es decir, cuando
hv1 , ..., vm i = hw1 , ..., wp i
Teorema 11 Dos sistemas son equivalentes si y slo si todo vector de cada
sistema es combinacin lineal de los vectores del otro.
Demostracin: Es inmediato a partir de la definicin de clausura lineal de un
sistema.
Observacin 15 Es fcil demostrar tambin que la relacin definida anteriormente es de equivalencia.
Teorema 12 La clausura lineal de un sistema no cambia cuando se aaden
nuevos vectores al sistema que sean combinacin lineal de los primeros.
Demostracin: Dado un sistema de vectores (v1 , ..., vm ), si
w=
m
X
i vi
i=1
entonces
hv1 , ..., vm , wi = hv1 , ..., vm i
pues
1 v1 + + m vm + w
= 1 v1 + + m vm +
m
X
i vi
i=1
= (1 + 1 ) v1 + + (m + m ) vm
y por otra parte
1 v1 + + m vm = 1 v1 + + m vm + 0w
as con cualquier otro vector aadido.
Observacin 16 Hacemos las siguientes observaciones:
1.
2.
Despus de este resultado, cabe preguntarse en seguida si ser posible encontrar un sistema de vectores equivalente con un nmero menor de vectores. Resolveremos esta cuestin al estudiar la independencia lineal de
vectores.
24
Definicin 12 A continuacin definimos ciertas transformaciones que aplicadas sobre un sistema de vectores proporcionan sistemas equivalentes. Estas
operaciones se llaman transformaciones elementales y son las siguientes:
T1: Permutar dos vectores cualesquiera
(v1 , ..., vi , ..., vj , ...vm ) (v1 , ..., vj , ..., vi , ...vm ) (i 6= j)
T2: Multiplicar un vector cualquiera por un escalar distinto de cero
(v1 , ..., vi , ...vm ) (v1 , ..., vi , ...vm )
T3: Sumar a un vector cualquiera un mltiplo escalar de otro vector
(v1 , ..., vi , ..., vj , ...vm ) (v1 , ..., vi + vj , ..., vj , ...vm ) (i 6= j)
Teorema 13 La clausura lineal de los vectores de un sistema no cambia sometiendo el sistema a una o varias transformaciones elementales.
Demostracin: Supongamos que el sistema S 0 = (w1 , ..., wm ) es el resultado de aplicar una de las transformaciones elementales sobre el sistema dado
S = (v1 , ..., vm ). Se trata de probar que hw1 , ..., wm i = hv1 , ..., vm i, o lo que es
lo mismo, que S S 0 . Probaremos que todo vector v, combinacin lineal del sistema (v1 , ..., vm ), es tambin combinacin lineal del nuevo sistema (w1 , ..., wm ).
Si S 0 se obtiene de S por T1, entonces esto es evidente por la conmutatividad
de la suma, pues los wj son idnticos a los vi , salvo el orden.
Si S 0 se obtiene de S por T2, entonces reemplazamos vi por wi = vi ( 6=
0), sin modificar los restantes vectores. Entonces se tiene
v
= 1 v1 + + i vi + + m vm
i
= 1 w1 + + wi + + m wm
= 1 v1 + + i vi + + m vm
= 1 w1 + + i wi + + (j i )wj + + m wm
Por otra parte, las transformaciones elementales son reversibles, ya que las
operaciones inversas son del mismo tipo. Por tanto, los sistemas S y S 0 son,
pues, equivalentes. Adems, la transitividad de la relacin demuestra que una
sucesin de transformaciones (tal que cada una opera sobre el sistema que resulta
de la precedente) aplica un sistema a otro de equivalente.
Ejemplo 27 Demostrar que los sistemas S = (v1 , v2 ) y S 0 = (w1 , w2 ) de
R3 son equivalentes,siendo v1 = (1, 1, 2), v2 = (0, 1, 1), w1 = (1, 0, 1) y w2 =
(2, 1, 1).
25
1.12.
2.
3.
26
4.
5.
k1
1
v1
vk1
k
k
27
m
1
v1
vm
i
i
es decir, vi es combinacin lineal de los vectores v1 , ..., vi1 , vi+1 , ..., vm . Entonces, por sucesivas aplicaciones de T1, se tiene
(v1 , ..., vi , ..., vm ) (v1 , ..., vi1 , vi+1 , ..., vm , vi )
y, por el teorema 10, se tiene
(v1 , ..., vi1 , vi+1 , ..., vm , vi ) (v1 , ..., vi1 , vi+1 , ..., vm )
Por tanto,
(v1 , ..., vi , ..., vm ) (v1 , ..., vi1 , vi+1 , ..., vm )
Repitiendo el proceso con cada i 6= 0, se obtendr un subsistema equivalente al
original.
El recproco es evidente, pues si el sistema dado es equivalente a un subsistema suyo, cualquier vector de este ltimo es combinacin lineal de los vectores
del sistema y, en consecuencia, el sistema es ligado.
Observacin 17 Del ltimo resultado del teorema anterior se sigue que el sistema que se obtiene por eliminacin de todos aquellos vectores que en la relacin
1 v1 + + m vm = 0
tengan coeficiente distinto de cero, es equivalente al sistema original.
Definicin 14 Diremos que el sistema (v1 , ..., vm ) de vectores de un espacio
vectorial E es libre cuando no es ligado.
Cuando el sistema de vectores (v1 , ..., vm ) de E es libre, tambin se dice que
los vectores v1 , ..., vm del sistema son linealmente independientes.
Observacin 18 Dicho de otro modo, para que un sistema (v1 , v2 , ..., vm ) sea
libre es necesario y suficiente que la relacin
1 v1 + + m vm = 0
se cumpla slo si todos los coeficientes i son nulos; la nica combinacin nula
de los vectores del sistema corresponde a elegir todos los coeficientes nulos.
Teorema 15 Sealemos algunas consecuencias inmediatas de la definicin:
1.
28
2.
3.
4.
5.
6.
Si el sistema (v1 , ..., vm ) es libre, mientras que el sistema (v1 , ..., vm , w),
obtenido aadindole un vector, es ligado, entonces el vector w es combinacin lineal de los vectores v1 , ..., vm .
Del teorema 7 y del teorema 15 (5) se deduce inmediatamente el resultado siguiente: si el sistema (v1 , ..., vm ) es libre, entonces
hv1 , ..., vm i = hv1 i hvm i
29
2
v2 = 0
1
de donde
v1 =
2
v2
1
30
o bien
(1 23 , 21 + 2 , 31 + 22 + 3 ) = (0, 0, 0)
Igualando compoenentes, se obtiene el siguiente sistema:
1 23 = 0
21 + 2 = 0
31 + 22 + 3 = 0
1.13.
2.
32
Corolario 2 En un espacio vectorial de dimensin finita, la dimensin coincide con el nmero mximo de vectores linealmente independientes de cualquier
sistema libre, y tambin con el nmero mnimo de vectores de cualquier sistema
generador.
Demostracin: Es una consecuencia inmediata del teorema 16.
Corolario 3 En un espacio vectorial de dimensin finita, toda familia libre de
E puede completarse hasta obtener una base.
Demostracin: Sea (v1 , ..., vn ) una base y (w1 , ..., wk ) una familia libre de E,
entonces por el teorema 16 se pueden sustituir k vectores vi por los wj de
modo que la familia (w1 , ..., wk , vi1 , ..., vink ) sea una base de E.
Corolario 4 Para que un sistema de n vectores sea una base de un espacio
vectorial de dimensin n, es suficiente que el sistema sea generador de E o que
sea libre.
Demostracin: Por el corolario 3, cualquier sistema libre de n vectores se
puede completar hasta obtener una base. Ahora bien, todas las bases del espacio
tienen n vectores por el teorema 18. Por tanto, el sistema es una base. Por
otro lado, cualquier sistema generador de n vectores de un espacio vectorial
de dimensin n no es ligada, pues, de lo contrario, por el teorema 14 (5),
existira una subsistema propio generador, lo cual es imposible por el hecho de
que el nmero mnimo de vectores de cualquier sistema generador es n, segn
el corolario 2.
Definicin 18 Se llaman coordenadas de un vector v de un espacio vectorial E respecto a la base (v1 , ..., vn ) a la nica familia finita de escalares
(1 , ..., n ) tales que
v = 1 v1 + + n vn
Observacin 24 Esta ltima definicin tiene sentido en virtud del teorema
15 (5).
Ejemplo 31 El espacio geomtrico ordinario es de tres dimensiones, porque,
elegidos tres vectores no coplanarios (no situados en el mismo plano) OA, OB, OC,
OM = OA + OB + OC
Ejemplo 32 El espacio Kn de los vectores que son n tuplas de elementos K
es de dimensin n. En efecto, consideremos los n vectores siguientes:
e1 = (1, 0, ..., 0)
e2 = (0, 1, ..., 0)
..
.
en = (0, 0, ..., 1)
2 + 2 = 0
+ 3 + = 0
+ + 3 = 0
34
de donde
e3 = v1 + v2
Por tanto,
(v1 , e2 , e3 , e4 ) (v1 , e2 , v2 , e4 )
Finalmente, se tiene
v3 = (1)v1 + 1e2 + 2v2 + 0e4
de donde
e2 = v1 2v2 + v3
Por tanto,
(v1 , e2 , v2 , e4 ) (v1 , v3 , v2 , e4 )
Adems, se cumple
(v1 , v3 , v2 , e4 ) (v1 , v2 , v3 , e4 )
Por consiguiente,
(e1 , e2 , e3 , e4 ) (v1 , v2 , v3 , e4 )
Ejemplo 35 El conjunto de los polinomios en una indeterminada x con coeficientes en un cuerpo conmutativo K es un espacio vectorial sobre K que denotamos por K [x]. La familia (1, x, x2 , ...) es una base de K [x] pues todo polinomio
puede escribirse como combinacin lineal de una subfamilia finita. Este espacio
es de dimensin infinita.
Ejemplo 36 En el espacio vectorial C sobre R la familia (1, i) es una base. La
familia (1 + i, 1 i) es otra base.
1.14.
Teorema 19 Si E es un espacio vectorial de dimensin n, todo subespacio vectorial S de E es de dimensin finita y se cumple
dim S dim E
Adems
dim S = dim E
implica
S=E
35
= 1 v1 + + k vk
= k+1 vk+1 + + n vn
de aqu se obtiene
1 v1 + + k vk k+1 vk+1 n vn = 0
de donde i = 0 para todo 1 i n, ya que (v1 , ..., vn ) es un sistema libre.
Por consiguiente, v = 0 y, en consecuencia, S T = {0}.
Teorema 21 En un espacio vectorial E de dimensin n, todo subespacio S admite al menos un subespacio suplementario T y se cumple
E=ST
implica
36
una base de T. As tenemos que (u1 , ..., up , up+1 , ..., uk ) es una base de S y
(u1 , ..., up , vp+1 , ..., vm ) es una base de T. Entonces
(u1 , ..., up , up+1 , ..., uk , vp+1 , ..., vm )
constituye un sistema de generador de S + T. Si demostramos que todos estos
vectores son linealmente independientes, habremos obtenido una base de S + T
con un nmero de vectores que prueba la igualdad del enunciado. Supongamos
k
X
i ui +
i=1
m
X
i vi = 0
i=p+1
entonces
k
X
i=1
i ui =
m
X
i vi
i=p+1
es un vector de S T, de donde
es decir
m
X
i vi =
i=p+1
p
X
j uj
j=1
j uj +
j=1
p
X
m
X
i vi = 0
i=p+1
i ui = 0
i=1
37
Ejemplo 37 Determinar una base para la suma y la interseccin de los subespacios S y T de R4 engendrados por los conjuntos {(1, 2, 1, 0), (1, 1, 1, 1)} y
{(2, 1, 0, 1), (1, 1, 3, 7)} respectivamente.
Solucin: Es claro que dim S = 2 y dim T = 2. Un vector (x, y, z, t) S T
debe cumplir
(x, y, z, t) = (1, 2, 1, 0) + (1, 1, 1, 1) = (2, 1, 0, 1) + (1, 1, 3, 7)
es decir
( , 2 + , + , ) = (2 + , , 3, + 7)
Por tanto, se obtiene el siguiente sistema
E1
E2
E3
E4
:
: 2 +
: +
:
= 2 +
=
=
3
= + 7
E1 + E2 :
3 =
E3 :
= + 7
Sustituyendo estos resultados en E3 se tiene
= 3
Por tanto, = , = 4 y = 3. De aqu, se tiene
(x, y, z, t) = (1, 2, 1, 0) + 4(1, 1, 1, 1) = (5, 2, 3, 4)
Por tanto,
S T = h(5, 2, 3, 4)i
v1
v2 v3 v4
1 2
1
1
1 1 1 2
1
0
3
1
1
1
7
0
v2 + v1 = u2
0
3
2
1
v3 2v1 = u3
0
5
2
1
v4 v1 = u4
0
3
2
7
38
u2
0
3
2
1
5u2 + 3u3 = w3
0
0
4
8
v1
u4 + u2 = w4
0
1
0
2
4
1
8
0
u2
0
3
2
1
w3
0
0
4
8
w4 w3
0
0
0
0
Por consiguiente
S + T = h(1, 2, 1, 0), (0, 3, 2, 1), (0, 0, 4, 8)i
y una base de S + T es ((1, 2, 1, 0), (0, 3, 2, 1), (0, 0, 4, 8)).
1.15.
F
F
se deduce
(u1 v1 ) + (u2 v2 ) = (u1 + u2 ) (v1 + v2 ) F
Y, si u1 v1 F, entonces u1 v1 F, pues de u1 v1 F se deduce que
(u1 v1 ) = u1 v1 F.
Teorema 24 El conjunto cociente E/F junto con las siguientes operaciones:
[u] + [v] = [u + v]
[u] = [u]
en donde [u] = {u + v : v F} designa la clase del vector u E, es un
espacio vectorial sobre K.
39
n
X
i vi
i=1
n
X
n
X
i [vi ] =
i=1
i [vi ]
i=m+1
i [vi ] = [0]
i=m+1
es decir,
"
n
X
i vi = [0]
i=m+1
de donde
n
X
i=m+1
Entonces
n
X
i vi =
i=m+1
es decir,
m
X
j=1
i vi F
m
X
j vj
j=1
j vj
n
X
i vi = 0
i=m+1
Ahora bien, (v1 , ..., vm , vm+1 , ..., vn ) es una base de E. Por tanto, j = 0 (j =
1, ..., m) y i = 0 (i = m + 1, ..., n).
Hemos obtenido una base de E/F, demostrando as la igualdad del enunciado.
40
1.16.
rang (v1 , ..., vi , ..., vj , ...vm ) = rang (v1 , ..., vj , ..., vi , ...vm ) (i 6= j)
41
2.
3.
rang (v1 , ..., vi , ..., vj , ...vm ) = rang (v1 , ..., vi + vj , ..., vj , ...vm ) (i 6=
j)
n
X
ij vj
(i = 1, ..., r)
j=1
y se cumple
ij = 0 para j < i
y
ii 6= 0 para todo i = 1, ..., r
entonces (u1 , ..., ur ) es un sistema libre.
Demostracin: Consideremos
1 u1 + + r ur = 0
Introduciendo las coordenadas de los vectores en la base se tiene
1
n
X
j=1
1j vj + + r
n
X
rj vj = 0
j=1
i ij = 0
(j = 1, ..., n)
i=1
42
1 1r + 2 2r + + r rr
= 0
= 0
= 0
..
.
= 0
es decir, 1 = 2 = = r = 0.
Observacin 28 El teorema anterior nos da un mtodo para determinar el
rango de un sistema. Para ver esto, examina con detalle el siguiente ejemplo.
Ejemplo 39 En R4 determinar el rango del sistema S = (v1 , v2 , v3 , v4 ), siendo
v1 = (1, 1, 2, 0), v2 = (1, 1, 0, 6), v3 = (1, 2, 0, 1), v4 = (1, 1, 1, 3).
Solucin: Tomando la base cannica de R4 , escribimos las coordendas de
estos vectores por filas (del mismo modo se hara por columnas) como sigue:
v1
v2
v3
v4
:
:
:
:
1
1
1
1
1
1
2
1
2
0
0
1
0
6
1
3
1
0
0
0
1
0
3
0
2
2
2
1
0
6
1
3
1
3
0
0
2
2
1
2
0
1
3
6
:
:
:
:
:
:
:
:
1
0
0
0
1
0
0
0
1
3
0
0
2
2
1
0
1
0
0
1
3
0
2
2
1
0
1
3
0
1
3
0
43
1.17.
2.
Afirmar que dos espacios vectoriales son isomorfos equivale a decir que
ambos tienen la misma estructura de espacio vectorial.
2.
Estudiaremos con detalle los isomorfismos como caso particular de los homomorfismos de espacios vectoriales (o aplicaciones lineales) ms adelante
en la seccin correspondiente.
44
f (v1 + w1 , v2 + w2 ) =
(v1 + w1 ) + (v2 + w2 ) =
(v1 + v2 ) + (w1 + w2 ) =
f (v1 , v2 ) + f (w1 , w2 )
y
f ((v1 , v2 )) =
=
=
=
f (v1 , v2 ) =
v1 + v2 =
(v1 + v2 ) =
f (v1 , v2 )
Es evidente que E1 E2 = E01 E02 , ya que los dos subespacios tienen interseccin
{(0, 0)}.
Por otra parte, es inmediato comprobar que las aplicaciones, f1 : E01 E1
definida por f1 (v1 , 0) = v1 , y f2 : E02 E2 definida por f2 (0, v2 ) = v2 , son
isomorfismos de espacios vectoriales.
Como consecuencia de esto, en la prctica se identifica siempre Ei y E0i
(i = 1, 2); identificar por ejemplo E1 y E01 quiere decir, confundir los vectores
45
v1 E1 y (v1 , 0) E01 . Esta identificacin permite decir que E1 y E2 son subespacios suplementarios de E1 E2 . Por el teorema, los espacios E1 E2 y
E1 E2 son isomorfos.
El espacio E = E1 E2 se llama suma directa de los espacios vectoriales
dados E1 y E2 . Entonces, es claro que E tiene a E1 y E2 como subespacios
suplementarios y se cumple que E y E1 E2 son isomorfos.
En estas condiciones, si v E, la descomposicin nica v = v1 + v2 , hace
que la aplicacin de E en Ei definida por
v
= v1 + v2
7 vi
46
equivalente a v2 = w2 . Por tanto, todos los vectores de una misma clase tienen
la misma componente en E2 . Consideremos la aplicacin f : E/E1 E2 denida
por
f ([v1 + v2 ]) = v2
Es claro que f es exhaustiva, pues cualquiera que sea v2 de E2 existe [0 + v2 ]
tal que f ([0 + v2 ]) = v2 . Adems, si
f ([v1 + v2 ]) = f ([w1 + w2 ])
entonces v2 = w2 . Por tanto,
(v1 + v2 ) (w1 + w2 ) E1
es decir,
[v1 + v2 ] = [w1 + w2 ]
Por tanto, f es inyectiva. Se cumple
f ([v] + [w]) = f ([v + w]) = v2 + w2 = f ([v]) + f ([w])
y
f ( [v]) = f ([v]) = v2 = f ([v])
Por tanto, f es un isomorfismo.
Corolario 9 En un espacio vectorial E, todos los subespacios suplementarios
de un subespacio vectorial E1 de E son isomorfos.
Demostracin: Es una consecuencia inmediata del teorema anterior.
Teorema 30 Dos espacios vectoriales E y E 0 de dimensin finita sobre el mismo cuerpo K son isomorfos si y slo si tienen la misma dimensin.
Demostracin: Supongamos que E y E0 son de la misma dimensin n. Elegimos una base (v1 , ..., vn ) de E y otra (w1 , ..., wn ) de E0 . Por el teorema 15
(5), todo vector u E admite una expresin nica como sigue
u = 1 v1 + + n vn
Consideremos la aplicacin f de E en E0 definida por
f (u) = 1 w1 + + n wn
Es claro que f es biyectiva. Por otra parte, si f (v) = 1 w1 + + n wn , entonces
se cumple:
f (u + v) = (1 + 1 )w1 + + (n + n ) wn =
= (1 w1 + + n wn ) + ( 1 w1 + + n wn ) =
= f (u) + f (v)
47
y
f (u) = 1 w1 + + n wn =
= (1 w1 + + n wn ) =
= f (u)
Por tanto, esta aplicacin es un isomorfismo de E en E0 .
Recprocamente, supongamos que E y E0 son isomorfos, y sea f el isomorfismo de E en E0 . Suponagmos tambin que dim E = n y dim E0 = n0 . Elegimos
una base (v1 , ..., vn ) de E. Denotamos por wi = f (vi ) para cada 1 i n.
Cualquier vector u E admite una expresin nica como sigue
u = 1 v1 + + n vn
De aqu, se tiene
f (u) = f (1 v1 + + n vn ) =
= 1 f (v1 ) + + n f (vn ) =
= 1 w1 + + n wn
Puesto que f es exhaustiva, cualquier vector w E0 tiene una antiimagen en
E. Supongamos que f (u) = w, entonces
w = 1 w1 + + n wn
Por tanto, (w1 , ..., wn ) es un sistema generador de E0 . Vamos a ver ahora que
(w1 , ..., wn ) es libre. Para ello, consideremos
1 w1 + + n wn = 0
es decir
1 f (v1 ) + + n f (vn ) = 0
De aqu, segn la definicin de isomorfismo, se sigue
f (1 v1 + + n vn ) = f (0)
ya que
f (0) = f (0 + 0) = f (0) + f (0)
implica
f (0) = 0
48
1.18.
Cambio de coordenadas
Definicin 23 Se llaman coordenadas de un vector v de un espacio vectorial E respecto a la base (v1 , ..., vn ) a la nica familia finita de escalares
(1 , ..., n ) tales que
v = 1 v1 + + n vn
49
(i = 1, ..., n)
i = 1 i1 + + n in
(i = 1, ..., n)
y
Demostracin: Sea v un vector arbitrario de E de coordenadas (1 , ..., n ) en
la base antigua B1 . Queremos hallar sus nuevas coordenadas en la base nueva
B2 .
Los vectores de la nueva base estn definidos por medio de sus coordenadas
en la antigua base por las ecuaciones
uj = 1j v1 + + nj vn
(j = 1, ..., n)
(1.1)
(i = 1, ..., n)
50
(j = 1, ..., n)
(1.2)
(i = 1, ..., n)
Observacin 34 Podemos escribir estas ecuaciones de una manera ms cmoda utilizando matrices. Consideremos las matrices siguientes
11 1n
1
11 1n
.. Q = ..
.. A = .. B =
..
..
P = ...
.
.
.
.
.
.
n1
nn
n1
nn
1 si i = j
(i, j) =
0 si i 6= j
siendo Nn = {1, 2, ..., n}. El valor (i, j) se representa por ij y recibe el nombre
de smbolo de Kronecker.
Teorema 32 Dadas dos bases distintas (v1 , ..., vn ) y (u1 , ..., un ) de un espacio
vectorial E. Las coordenadas ij y ij de los vectores de una base respecto de la
otra, estn ligadas por las siguientes ecuaciones caractersticas
n
X
kj ik = ij
k=1
1
..
.
n
51
uj
=
=
n
X
kj 1k
k=1
n
n X
X
u1 + +
n
X
kj nk
k=1
un =
kj ik ui
i=1 k=1
Dado que (u1 , ..., un ) es un sistema libre, se deducen las siguientes relaciones:
1.
2.
kr ik = 0
k=1
(i = 1, ..., r 1, r + 1, ..., n)
Introduciendo el smbolo de Kronecker, las dos relaciones anteriores se escriben en una sola como sigue
n
X
kj ik = ij
k=1
Observacin 35 El teorema puede escribirse ms cmodamente utilizando matrices. En efecto, obsrvese que la matriz asociada a la aplicacin que define el
smbolo de Kronecker por
aij = ij
es la matriz que llamamos matriz identidad
por In
1 0
0 1
In = . . .
..
.. ..
0 0
52
Q = P 1
2 0
0
P = 0 1 0
0 2 3
Entonces, segn la observacin 35, la matriz Q de paso de B2 a B1 cumple
QP = I3
Por tanto,
Q = P 1
3 0
0
1
= 0 6 0
6
0 4 2
x2
x1
3 0
0
1
0 6 0 y2 = y1
6
0 4 2
z
z
2
2
4
3 0
0
1
0 6 0 1 = 1
6
1
5
0 4 2
Por tanto
u = 2v1 v2 + v3
Captulo 2
Aplicaciones lineales
2.1.
Definicin y ejemplos
54
1.
f (u + v) = f (u) + f (v)
2.
f (0) = 0
3.
f (u) = f (u)
4.
Definicin 27 Un monomorfismo es una aplicacin lineal inyectiva. Un epimorfismo es una aplicacin lineal exhaustiva. Un isomorfismo es una aplicacin lineal biyectiva. Un endomorfismo es una aplicacin lineal de un espacio E en s mismo. Un automorfismo es un endomorfismo biyectivo.
2.2.
55
Im f
56
f (v) = v0
i=n
X
i=1
i ui
i=n
X
i f (ui ) =
i=1
i=n
X
i=k+1
i f (ui )
57
Por tanto,
Pi=n
i=k+1
i=k+1
i ui =
i=k
X
i ui
i=1
i=k+1
Por tanto,
i=k
X
i=1
i ui
i=n
X
i ui = 0
i=k+1
Los vectores ui son linealmente independientes, por lo que los coeficientes deben
ser 0. En particular, i = 0 para i = k+1, . . . , n. Por consiguiente, f (uk+1 ), . . . , f (un )
son linealmente independientes.
Definicin 30 El rango de una aplicacin lineal f es la dimensin de Im f.
Teorema 36 Una aplicacin lineal f : E F es inyectiva si, y slo si, ker f =
0. Una aplicacin lineal f es exhaustiva si, y slo si, Im f = F.
Demostracin: Veamos primero que f es inyectiva ker f = 0.
) u ker f f (u) = 0 = f (0) u = 0, por ser f inyectiva.
) f (u) = f (v) f (u) f (v) = 0 f (u v) = 0 u v ker f
u v = 0 u = v.
Para ver que f es exhaustiva Im f = F, basta aplicar la definicin de
exhaustividad.
2.3.
i=1
i=1
58
i=1
i=1
i=1
n
n
n
X
X
X
(i wi + i wi ) =
i wi +
i wi = f (x) + f (y)
=
i=1
f (x) = f
n
X
i=1
i ui
i=!
i=!
n
!
n
n
X
X
X
(i )ui =
(i )wi =
i wi = f (x).
=f
i=1
i=1
i=!
Observacin 36 El anterior teorema nos dice que una aplicacin lineal queda
totalmente determinada por las imgenes de los vectores de una base. Estas
imgenes pueden ser, no obstante, arbitrarias.
Teorema 38 Con las notaciones del teorema anterior, f es inyectiva si, y slo
si, {wi |i I} es linealmente independiente.
Demostracin: ) Supongamos que f es inyectiva. Por tanto, ker f = 0.
Veamos que {wi |i I} son linealmente independientes:
!
X
X
X
X
i wi = 0
i f (ui ) = 0 f
i ui = 0
i ui = 0
iI
iI
iI
iI
i = 0 para cada i I.
!
X
X
X
Sea x =
i ui ker f f (x) = 0 f
i ui = 0
i wi = 0
iI
iI
iI
X
iI
i ui
iI
y=
X
iI
i f (ui ) y =
X
iI
i wi .
59
F = hwi |i Ii y =
i wi =
iI
i f (ui ) =
iI
y Im f f es exhaustiva.
f ( i ui ) = f
iI
i ui
iI
Teorema 40 Con las notaciones del teorema anterior, f es biyectiva si, y slo
si, {wi |i I} es una base de F.
Demostracin: El enunciado se deduce de los dos teoremas anteriores:
f biyectiva f inyectiva y exhaustiva
{wi |i I} es linealmente independiente y genera F
{wi |i I} es una base de F.
m
X
ji vj ,
i = 1, . . . , n
j=1
m
n
La matriz asociada es la herramienta con que, muy a menudo, se estudian las aplicaciones lineales. Veamos cmo esta matriz nos permite calcular las
coordenadas de la imagen de un vector:
n
!
n
n
n
m
m
X
X
X
X
X
X j
j
Sea w =
wi ui E f (w) =
wi f (ui ) =
wi
i vj =
i wi vj
i=1
i=1
i=1
j=1
j=1
n
X
ji wi ,
j = 1, . . . , m.
i=1
i=!
60
w1
w1
W = ... , W = ...
wn
wn
n
X
1i xi , . . . ,
i=1
n
X
m
i xi )
i=1
m
1
Ejemplo 48 La matriz de IE : E E,
dos espacios, es la matriz identidad
1 0
0 1
.. ..
. .
1n
..
.
m
n
..
.
0
0
..
.
0 0
n
X
ji vj
j=1
61
s
!
m
m
m
s
m
X
X
X
X
X
X
j=1
j=1
k=1
k=1
s
X
cki wk
k=1
m
X
j=1
ji kj =
m
X
kj ji
j=1
Es decir,
C = BA.
B Msm (K),
C Mts (K)
j=1
62
n
X
pki uk ,
i = 1, . . . , n
qjk v
k ,
j = 1, . . . , m
k=1
y Q es la matriz de IF
vj =
m
X
k=1
Recordemos, sin embargo, que las matrices R = (rkj ) y Q son inversas una de la
otra. As pues,
B = R1 AP.
2.4.
63
f ((1 u1 + + n un ) + ( 1 u1 + + n un )) =
f ((1 + 1 )u1 + + (n + n )un ) =
(1 + 1 , . . . , n + n ) = (1 , . . . , n ) + ( 1 , . . . , n ) =
f (u) + f (v)
f (v) = f ((1 u1 + + n un )) = f (1 u1 + + n un ) =
= (1 , . . . , n ) = (1 , . . . , n ) = f (v)
f es inyectiva: Basta probar que ker f = 0:
v
ker f f (v) = 0 f (1 u1 + + n un ) = 0 (1 , . . . , n ) = 0
i = 0, i = 1, . . . , n v = 0.
64
n
X
i ui
i=1
n
X
i vi
i=1
n
X
i ui +
i=1
Pn
n
X
i ui ,
i=1
i ui
i=1
y=
Pn
i=1
i ui ,
K.
n
!
n
X
X
(i + i )ui =
(i + i )vi =
=f
i=1
i=1
n
n
n
X
X
X
(i vi + i vi ) =
i vi +
i vi = f (x) + f (y)
=
i=1
f (x) = f
n
X
i=1
i ui
i=1
i=1
n
!
n
n
X
X
X
(i )ui =
(i )vi =
i vi = f (x)
=f
i=1
i=1
i=1
n
X
i=1
i ui ker f f (x) = 0 f
n
X
i ui
i=1
=0
i = 0 para i = 1, . . . , n x = 0 ker f = 0
f es exhaustiva: Basta
P ver que F = Im f. Sea y F,
Consideremos x = ni=1 i ui E.
f (x) = f
n
X
i=1
i ui
n
X
i=1
y=
n
X
i=1
Pn
i=1
i vi = 0
i vi .
i vi = y y = f (x) y Im f
2.5.
65
Teoremas de isomorfismo
f : G (F + G)/F
dada por
f (v) = [v]
f es claramente lineal. ker f est formado por aquellos vectores v G tales
que [v] = 0, es decir, v F. Por tanto, ker f = F G. Adems, f es exhaustiva:
si [u] (F + G)/F u = w + v,
w F,
66
67
El ncleo de f corresponde en el plano a una recta que pasa por (0, 0). R2 / ker f
es el conjunto de rectas paralelas a ker f :
R2 / ker f = {x y = a,
a R}
Cada una de estas rectas corta al eje de las x en un punto (a, 0), y su imagen
por f es, precisamente, a. El isomorfismo
g : R2 / ker f Im f
definido de la forma
g([(x, y)]) = f (x, y) = x y
hace corresponder a cada recta de R2 / ker f su interseccin con el eje de las x.
Ejemplo 54 Consideremos
e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1) en R3
Sean F y G los subespacios vectoriales de R3 definidos por
F = he1 , e2 i,
G = he1 , e3 i
Entonces
F G = he1 i y F + G = R3
Por tanto, (F + G)/F es el conjunto de planos de R3 paralelos a F y G/(F G)
es el conjunto de rectas del plano G paralelas a F G. El isomorfismo usado en
la demostracin del segundo teorema de isomorfismo hace corresponder a cada
recta de G paralela a F G el plano de R3 paralelo a F que la contiene.
Ejemplo 55 Sean
e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1) en R3
Consideremos los subespacios de R3
F = he1 i y G = he1 , e2 i
Entonces R3 /F es el conjunto de rectas de R3 paralelas a F y G/F es el conjunto
de rectas de G paralelas a F. Cada clase de (R3 /F)/(G/F) est formada por todas
las rectas (paralelas a F) situadas en un plano paralelo a G. El isomorfismo
usado en la demostracin del tercer teorema de isomorfismo hace corresponder
a cada una de esas clases el plano paralelo a G que la contiene (que es un
elemento de R3 /G).
68
2.6.
fij (uk ) = 0 si k 6= i
fij (ui ) = vj
El teorema quedar demostrado si probamos que estas nm aplicaciones forman
una base de L(E, F). Para ello, tenemos que ver que {fij } genera L(E, F), y que
es linealmente independiente.
{fij } genera L(E, F): Sea f : E F lineal. Supongamos que f (uk ) =
Pm
j
j=1 k vj . Entonces
n X
m
X
f=
ji fij
i=1 j=1
m
n X
X
ji fij (uk ) =
i=1 j=1
ji fij
i=1 j=1
m
X
j=1
jk vj
n X
m
X
ji fij (uk ) = 0
i=1 j=1
m X
n
X
ji fij (uk )
j=1 i=1
=0
k = 1, . . . , n
k = 1, . . . , n
k = 1, . . . , n ji = 0
k = 1, . . . , n,
j = 1, . . . , m.
69
i = 1, . . . , n,
j = 1, . . . , m
70
Captulo 3
Matrices
3.1.
Definicin de matriz
Definicin 33 Dados dos conjuntos finitos I = {1, 2, ..., m} y J = {1, 2, ..., n},
se llama matriz de orden m n con coeficientes en un conjunto K a
toda aplicacin de I J en K, tal que a cada par de elementos (i, j) I J le
hace corresponder el elemento aij de K. Dicha matriz es expresable como una
tabla rectangular de m filas y n columnas formada por elementos de K.
Denotaremos las matrices por letras maysculas. De este modo, si A es una
matriz de orden m n, designaremos por aij el coeficiente de A que ocupa el
lugar correspondiente a la i-sima fila y la j-sima columna. De esta manera A
se escribir como sigue:
A= .
..
..
..
..
.
.
.
am1 am2 amn
72
CAPTULO 3. MATRICES
2
1 2 3
y
3
Ejemplo 57 Los sistemas lineales quedan perfectamente caracterizados por matrices. As, por ejemplo, el siguiente sistema lineal:
3x 2y + z = 1
2x + 3y z = 0
define la matriz
3 2 1
2 3 1
m
X
i=1
Las coordenadas aij de estos n vectores pueden estar dispuestas segn una matriz
como la siguiente:
.
..
..
..
..
.
.
.
am1 amj amn
73
3.1.1.
1
2 1
5
3
1
1
2
A = 0 1
3 4
2 2 2
B=
0 1
2
3 2 2
1 5 3
C=
1 1 2
d e
a b c
d0 e0
B = a0 b0 c0
B11 B12
B=
B21 B22
74
CAPTULO 3. MATRICES
d
d0
e
e0
Siguiendo con este procedimiento podemos afirmar que cualquier matriz puede
considerarse como la yuxtaposicin ordenada por filas de varias matrices columna o bien como la yustaposicin ordenada por columnas de matrices fila. De este
modo, si
A= .
..
..
.
.
.
.
.
.
.
am1 am2 amn
F1
F2
A= .
..
Fm
podemos escribir
= C1
C2
Cn
F1
B = F2 = C1 C2 C3 C4
F3
donde por ejemplo
c
C3 = c0
F2 =
a0
b0
c0
d0
e0
75
Definicin 37 Una matriz cuadrada se llama diagonal cuando todos los elementos situados fuera de la diagonal principal son nulos:
aij = 0 i 6= j
Las matrices diagonales son de la forma siguiente:
a11
..
.
.
..
0
..
.
0
..
.
0
..
.
aii
..
.
..
.
0
..
.
ann
Una matriz diagonal se llama escalar cuando todos los elementos de la diagonal
principal son iguales:
aii = k i = 1, 2, ..., n
En particular, cuando k = 1, se llama la matriz identidad de orden n y se
denota por In o simplemente I.
1
.. . .
.
.
.
..
0
0
..
.
1
.. . .
.
.
0
0
..
.
..
.
1
Definicin 38 Una matriz cuadrada se llama triangular inferior (superior) cuando todos los elementos que estn por encima (debajo) de la diagonal
principal son nulos. Por ejemplo,
a11
0
0
a21 a22
0
A= .
.
..
.
..
..
..
.
an1 an2 ann
es una matriz triangular inferior. Obsrvese que aij = 0 cuando i > j (i < j) y
la matriz es triangular inferior (superior).
Ejemplo 60 Escribir la matriz real A de orden 2 3 tal que aij = (1)i+j .
Solucin: Se tiene
1 1 1
A=
1 1 1
puesto que, por ejemplo, a23 = (1)2+3 = (1)5 = 1.
76
CAPTULO 3. MATRICES
3 t1
t
2v
y
2t
u
u+1 t+w
Solucin: Dos matrices son iguales cuando son del mismo orden y tienen
sus coeficientes iguales. Por tanto
3
t1
2t
u
=
=
=
=
t
2v
u+1
t+w
3 2
6 5
3.2.
Sea K un cuerpo conmutativo. Las operaciones que vamos a definir a continuacin tienen como objetivo dotar al conjunto Mmn (K) de una estructura
de espacio vectorial sobre K.
3.2.1.
Suma de matrices
2.
77
4.
Ejemplo 62 La matriz suma de dos matrices del mismo orden se calcula sumando cada coeficiente de una con el correspondiente coeficiente de la otra:
1 2 3
0 4 8
1 2 5
=
+
0 1 4
1 1 4
1 0 8
3.2.2.
(A + B) = A + B
2.
( + )A = A + A
3.
()A = (A)
4.
1A = A
78
CAPTULO 3. MATRICES
1
2
0
3 4 2
6
12
0
18 24 12
n X
m
X
aij Eij
j=1 i=1
siendo Eij una matriz de Mmn (K) que tiene todos sus coeficientes nulos, salvo
el que est situado en la interseccin de la fila i con la columna j y que es igual
a la unidad de K
0
.. . .
.
.
Eij =
.
..
0
0
..
.
1
.. . .
.
.
0
0
..
.
..
.
0
79
En efecto,
a11
a21
..
.
..
.
a1n
a2n
..
.
1 0
0 0
A =
= a11 .. .. . .
. .
.
am1 am2 amn
0 0
0 0 1
0 0
0 0 0
0 0
a1n . . .
+ + am1 . . .
. . ...
..
.. ..
.. ..
0 0 0
1 0
0 0 0
0 0 0
amn . . .
. . ...
.. ..
a12
a22
..
.
0 0
0
0
..
.
+ +
0
0
..
.
0
+ +
j=1 i=1
1 0
0 1
0 0
0 0
,
,
,
0 0
0 0
1 0
0 1
Obsrvese que cualquier matriz, como por ejemplo
1 5
A=
2 8
se escribe como combinacin lineal de las matrices de esta base
1 5
1 0
0 1
0 0
0 0
= 1
+5
2
+8
=
2 8
0 0
0 0
1 0
0 1
= E11 + 5E12 2E21 + 8E22
Ejemplo 65 Probar que el conjunto T de las matrices triangulares inferiores
de Mn (K) forman un subespacio vectorial de Mn (K). Probar tambin que su
dimensin es n(n + 1)/2.
80
CAPTULO 3. MATRICES
a11
0
a21 a22
A+B = .
..
..
..
.
.
an1
an2
a11 + b11
a21 + b21
=
..
.
an1 + bn1
0
a22 + b22
..
.
an2 + bn2
..
.
b11
b21
..
.
0
b22
..
.
..
.
0
0
..
.
bn1
bn2
bnn
0
0
..
.
ann + bnn
a11
a11
0
0
0
a21 a22
a21 a22
0
A = .
..
.. = ..
..
..
..
..
.
.
.
. .
.
an1 an2 ann
an1 an2
0
0
..
.
ann
a11
1 0 0
0 0
0
0
a21 a22
0 0 0
1 0
0
A = .
..
.. = a11 .. .. . .
. + a21 .. .. . .
..
..
. .
. .
.
. ..
.
.
.
an1
a22
an2
0 0
0 1
.. .. . .
.
. .
0 0
ann
0
.. + + ann
.
0
0 0
0 0
.. .. . .
.
. .
0 0
0
0
..
.
0 0
0
0
..
.
0
es decir, las matrices triangulares E11 , E21 , E22 , E31 , ..., Enn forman un sistema
generador de T . Es claro que por su forma son tambin linealmente independientes. Por tanto, constituyen una base de T . Su dimensin es
dim T = 1 + 2 + 3 + + (n 1) + n =
n(1 + n)
2
obsrvese la sucesin de elementos de la base (E11 , E21 , E22 , E31 , E32 , E33 , E41 , ..., Enn ).
3.3.
81
respectivamente. Sabemos que una aplicacin lineal f : E F queda unvocamente determinada al expresar los vectores f (u1 ), ..., f (un ) en la base B0 de F.
De este modo, tenemos
f (ui ) = a1i v1 + + ami vm (i = 1, ..., n)
Definicin 41 Se llama matriz de f respecto de las bases B de E y B0 de F a
la matriz de orden m n con coeficientes en K cuya columna i sima est
constituida por las coordenadas de f (ui ) (i = 1, ..., n) en la base B0 de F.
82
CAPTULO 3. MATRICES
1 1
Mf = 1 1
1 1
1 2 3
0 1 1
3.4.
Producto de matrices
83
(g f )(ui ) =
k=1
m
X
f (ui ) =
j=1
p
X
g(vj ) =
ki wk
ji vj
kj wk
k=1
Entonces
(g f )(ui ) = g(f (ui )) = g(
=
m
X
ji
p
X
m
X
ji vj ) =
j=1
kj wk =
j=1
k=1
p X
m
X
ji kj wk =
k=1 j=1
Por tanto
ki =
m
X
m
X
ji g(vj )
j=1
p
m X
X
ji jk wk
j=1 k=1
p
m
X
X
wk
k=1
ji kj
j=1
ji kj
j=1
84
CAPTULO 3. MATRICES
(i = 1, ..., m; j = 1, ..., n)
Simblicamente escribimos
AB = C cij = ai1 b1j + ai2 b2j + + aip bpj
A la matriz AB se la llama producto de A y B.
Observacin 43 La multiplicacin de dos matrices es una operacin que no
siempre puede realizarse. Para que pueda hacerse se ha de cumplir la siguiente
condicin: el nmero de columnas de la primera matriz (factor de la izquierda)
ha de coincidir con el nmero de filas de la segunda matriz (factor de la derecha).
Si A es una matriz de orden m p, entonces slo podemos multiplicarla por una
matriz B que sea del orden p n. En tal caso, la matriz producto A B es de
orden m n. Es importante pues observar bien como estn puestos los nmeros
m, n y p de los rdenes de las matrices.
La operacin se efecta de la siguiente manera: si designamos por C la matriz
que resulta de la multiplicacin de A por B, tenemos
cij = ai1 b1j + ai2 b2j + + ain bnj
es decir, multiplicamos trmino a trmino la fila i de A por la columna j de B,
sumando despus todos los productos efectuados.
Ejemplo:
1
2
1 2 3
0 1 =
2 1 3
1 5
2 19
5 12
Observemos los rdenes: 2 3 por 3 2 debe obtenerse 2 2.
3.5.
a11
..
.
am1
a1n
..
.
amn
..
.
x1
.. =
.
xn
y1
..
.
ym
y1
..
.
ym
donde
a11
a1n
.
.
= x1 .. + + xn ..
am1
amn
x1
.
A11 A1n ..
=
xn
a1i
Ahora bien
A11
A1n
a11
.
= ..
am1
a1n
..
=A
.
amn
86
CAPTULO 3. MATRICES
siendo
x1
X = ...
xn
y1
Y = ...
ym
1 0 3 2
2 0 1
1 2 3
A=
, B = 1 1 2 , C = 3 1 2 1
3 1 2
2 0 1 1
1 3 1
comprobar que
(AB)C = A(BC)
Solucin: Se tiene por un lado
2
1 2 3
1
AB =
3 1 2
1
1 0
3 7 8
3 1
(AB)C =
5 7 3
2 0
2 0 1
BC = 1 1 2
1 3 1
1 2 3
A(BC) =
3 1 2
3.6.
0 1
3
1 2 =
5
3 1
3 2
34
2 1
=
32
1 1
1 0 3 2
3 1 2 1 =
2 0 1 1
4
0 7 3
0 1 3 3 =
10 3 4 6
7 8
7 3
7 13 21
7 32
0
4
0 7 3
0 1 3 3
10 3 4 6
34 7 13 21
32 7 32
0
87
nos permite definir sobre Mn (K) dos operaciones internas A + B y AB, adicin
y multiplicacin de matrices respectivamente. Esta biyeccin y la estructura de
anillo de L(E) nos muestran que Mn (K), provisto de las operaciones de adicin
y multiplicacin de matrices, tiene tambin estructura de anillo y que estos dos
anillos son isomorfos.
La unidad de este anillo es la matriz asociada a la identidad de E, es decir,
la matriz In . Como L(E), este anillo no es conmutativo, como se puede ver en
el siguiente ejemplo
1 1
0 1
1 1
=
0 1
1 0
1 0
0 1
1 1
0 1
=
1 0
0 1
1 1
Igual que L(E), Mn (K) tiene divisores de cero. El siguiente ejemplo muestra
este hecho
1 0
0 0
0 0
=
0 0
1 1
0 0
Observacin 44 De este teorema, se sigue que las matrices cuadradas de orden
n sobre K satisfacen las siguientes propiedades:
1.
(AB)C = A(BC)
2.
AB 6= BA
3.
AIn = In A = A
4.
A(B + C) = AB + AC y (A + B)C = AC + BC
5.
AB = O no implica A = O o B = O
6.
AB = AC no implica B = C
7.
Mf1 .
88
CAPTULO 3. MATRICES
A1 es nica
1 1
=A
A
(AB)
= B 1 A1
Es una simple consecuencia de que las matrices inversibles de Mn (K) forman un grupo.
Ejemplo 69 Demostrar que la matriz
1 1 1
A= 1 1 1
1 1 1
Ahora bien,
Por tanto,
1 1 1
3 3 3
A2 = 1 1 1 = 3 3 3 = 3A
1 1 1
3 3 3
89
2 1
A=
1 2
verifica la ecuacin A2 + A + I2 = O, determinando los valores de y .
Calcular A1 , si existe.
Solucin: Se tiene entonces
2 1
2 1
1 0
0 0
+
+
=
1 2
1 2
0 1
0 0
Ahora bien,
2 1
1 2
5 4
4 5
5 + 2 +
4+
0 0
=
4+
5 + 2 +
0 0
luego
5 + 2 + = 0
4+ = 0
de donde = 4 y = 3. Entonces A satisface la ecuacin siguiente
A2 4A + 3I2 = O
Multiplicando la igualdad por A1 , suponiendo que existe, se tiene
A 4I2 + 3A1 = O
Por tanto,
A1 =
es decir
A1 =
1
3
1
(4I2 A)
3
2 1
1 2
Obsrvese que
1
AA
1
=
3
2 1
1 2
2 1
1 2
1
=
3
3 0
0 3
= I2
90
CAPTULO 3. MATRICES
3.7.
Trasposicin de matrices
2.
3.
4.
5.
(AB)t = B t At
=
=
=
=
C t = (cji )
(aj1 b1i + aj2 b2i + + ajn bni )
(b1i aj1 + b2i aj2 + + bni ajn )
B t At
91
A es simtrica si y slo si At = A
2.
A es antisimtrica si y slo si At = A
3.
4.
t
1
1
(A + At ) = (At + A)
2
2
1
(A At )
2
1
1 t
t
= (A A) = (A A )
2
2
1
1
(A + At ) + (A At )
2
2
2.
1
Si A es inversible, entonces (At ) = A1
3.
92
4.
CAPTULO 3. MATRICES
Si A y B son simtricas, entonces AB es simtrica si y slo si AB = BA
Solucin: (1) En efecto,
t
(AAt )t = At At = AAt
1 1
1 2
A=
yB=
1 1
2 1
entonces
AB =
1 2
2 1
1 1
1 1
que no es simtrica.
(3) Si A es inversible, existe A1 . Entonces
1 3
3 1
AA1 = I
de donde
(A1 A)t = At (A1 )t = I
t
1
Por tanto, (At ) = A1 .
(4) Si AB es simtrica, entonces
AB = (AB)t = B t At = BA = BA
luego, A y B conmutan. Recprocamente, si AB = BA, entonces
(AB)t = B t At = BA = AB
por tanto, AB es una matriz simtrica.
3.8.
Teorema 57 Si B1 = (u1 , ..., un ) y B2 = (v1 , ..., vn ) son dos bases de un espacio vectorial E sobre K, la matriz P que tiene por columna i las coordenadas
de vi respecto de la base B1 es inversible; se le llama la matriz de cambio o
paso de la base B1 a la base B2 y se cumple
X = PY
Y = P 1 X
IdE B1
E
vi = 1i u1 + + ni un (i = 1, ..., n)
93
11 1n
..
..
P = ...
.
.
n1
nn
Observacin 47 Cuando se pasa de una base B a otra base B se dice algunas veces que B es la base antigua y B0 , la nueva. Tambin se dice que
(x1 , ..., xn ) son las coordenadas antiguas y (y1 , ..., yn ), las nuevas de v. Se
ve enseguida que la matriz de paso P da las coordenadas antiguas en funcin de
las nuevas.
Ejemplo 72 En R2 se consideran las bases B1 = (e1 , e2 ) , B2 = (u1 , u2 ) y
B3 = (v1 , v2 ) tales que
u1
u2
= e1
= 2e1 + e2
v1
v2
= e1
= e1 + 4e2
IdR2
R2
(ei )
IdR2
R2
(vi )
94
CAPTULO 3. MATRICES
siendo
A=
entonces
1 2
0 1
R2
(ui )
Por tanto
BA =
luego
1 14
0 14
1
0
7
4
1
4
yB=
IdR2
BA
2
5
1 14
0 14
R2
(vi )
1 2
0 1
43
4
5
4
1
0
7
4
1
4
Por consiguiente
u=
3.9.
43
5
v1 + v2
4
4
IdE
E
P
B1
f
F
A B2
IdF
Q1
F
B20
entonces tenemos
f = IdF f IdE
Por tanto
A0 = Q1 A P
95
y
Y 0 = A0 X 0
Por tanto
QY 0 = AP X 0
de donde multiplicando por la izquierda por Q1 se sigue que
Y 0 = Q1 AP X 0
Por tanto
A0 X 0 = Q1 AP X 0
es decir
(A0 Q1 AP )X 0 = O
para todo X 0 . Aplicando esta ltima frmula a las matrices columna asociadas
a los m vectores de B10 se deduce que
A0 = Q1 AP
Corolario 15 Para todo endomorfismo f de E se tiene
A0 = P 1 AP
siendo A y A0 las matrices asociadas a f respecto a la base B1 y B10 , respectivamente; y P la matriz de paso de B1 a B10 .
Demostracin: Es inmediato a partir del teorema 13.
Ejemplo 73 Obtener la matriz asociada a una aplicacin lineal f : R2 R3
definida por
f (1, 2) = (1, 1, 2)
f (2, 3) = (2, 10, 1)
al expresarla en la base B1 = ((1, 1), (1, 3)) de R2 y B2 = ((1, 0, 1), (1, 1, 0), (0, 0, 2))
de R3 .
Solucin: Supongamos que B0 = (e1 , e2 ) y B00 = (u1 , u2 , u3 ) son las bases
cannicas de R2 y R3 respectivamente. Entonces
f (1, 2) = f (e1 ) + 2f (e2 ) = u1 + u2 + 2u3
f (2, 3) = 2f (e1 ) + 3f (e2 ) = 2u1 + 10u2 + u3
De aqu se obtiene
f (e1 ) = (1, 17, 4) = u1 + 17u2 4u3
f (e2 ) = (0, 8, 3) = 8u2 + 3u3
Por tanto la matriz asociada a f en las bases cannicas de R2 y R3 es la siguiente
1
0
A = 17 8
4 3
96
CAPTULO 3. MATRICES
IdR2
R2
B0
donde
P =
y
Q1
f
R3
A B00
1 1
1 3
IdR3
Q1
R3
B2
1
1 1 0
1
= 0 1 0 = 0
12
1 0 2
1
1
1
2
0
0
1
2
En esta misma unidad se expone un mtodo para hallar la matriz inversa. Aqu
suponemos que ya se conoce y simplemente damos el resultado. Por tanto
1 1 0
1
0
1 1
1 0 17 8
Q1 AP = 0
1 3
1
1
4 3
1
2
2
2
8 8
= 9 7
7
32
2
3.9.1.
Matrices equivalentes
97
se deduce
Q1 BP 1 = A
La relacin es transitiva ya que para todo A, B, C Mmn (K), de
B = QAP
y
C = RBS
entonces
C = R(QAP )S = (RQ) A(P S)
siendo RQ Mm (K) y P S Mn (K), matrices inversibles.
3.9.2.
Matrices semejantes
1 1
P
BP 1 = A
A(P Q)
98
CAPTULO 3. MATRICES
3.10.
2.
3.
dim Im f
4.
Demostracin: Sabemos que el rang A es el nmero mximo de vectores columna de A linealmente independientes. Supongamos que dim E = n y (ui : i =
1, ..., n) una base de E, y dim F = m, si A es la matriz asociada a la aplicacin
lineal f , entonces los vectores columna de A representan los n vectores f (ui ) de
F y, como que Im f = hf (u1 ), ..., f (un )i, se tiene
rang A = dim Im f
y rang A inf{n, m}, ya que Im f F. Por otra parte, la aplicacin lineal f t ,
traspuesta de f , tiene asociada la matriz At en las bases duales de las consideradas en E y F. Entonces, el mismo razonamiento anterior hace que
rang At = dim Im f t
Obsrvese que los vectores columna de At son los vectores fila de A. Ahora bien,
sabemos que
dim Im f = dim Im f t
Por tanto se obtiene lo que queramos demostrar y adems se cumple que
rang A inf{n, m}
99
100
CAPTULO 3. MATRICES
0 0 0
A= 1 1 2
2 2 1
Sabemos que rang A = dim Im f = dim hf (e1 ), f (e2 ), f (e3 )i. Por tanto, debemos calcular el rango del sistema de R3 formado por las imgenes de los vectores
de la base, que son los vectores columna de la matriz A. Calcularemos este rango
por transformaciones elementales
f (e1 ) f (e2 ) f (e3 )
0
0
0
1
1
2
2
2
1
3.11.
Matrices elementales
101
1
0
0
0
0
0
0
1
0
0
1
0
0
1
0
0
1 0 0
0 1 0
0 0 2
1
0
0
0
3
1
0
0
0
0
1
0
0
0
0
1
102
CAPTULO 3. MATRICES
103
1.
2.
0 0
1 0
0 1
0 0
0 0
es una matriz 5 6 reducida por
1
0
0
0
1
0
0
0
0
3
2
2
0
0
0
0
0
1
0
5
3
3
3
0
0 2 3 0 4
1 0 1 1 1
0 0 0 1 0
0 0 0 0 2
no es reducida por filas ya que la cuarta fila no tiene como primer elemento 1
y tambin porque la cuarta fila tiene como primer elemento el 1 de la quinta
columna y no todos sus elementos son nulos.
Definicin 53 Diremos que una matriz A de Mmn (K) es escalonada reducida por filas si
1.
2.
3.
1 0
0 1
0 0
0 0
0 0
0
0
1
0
0
2
2
3
0
0
0
0
0
1
0
3
3
5
3
0
104
CAPTULO 3. MATRICES
2 1 3 2
0 2 1 4
A=
4 2 3 9
2 3 4 5
Observemos que la primera fila no nula tiene como primer elemento un 2, colocado en la primera columna. Multipliquemos la primera fila por 1/2. As tenemos
1 12 32 1
0 2
1 4
4 2 3 9
2 3 4 5
Ahora sumamos la primera fila multiplicada
filas respectivamente. As tenemos
3
1 12
2
0 2
1
0 0 3
0 2 1
1
4
5
3
Observemos que as hemos reducido cada uno de los otros elementos de la columna 1 a cero. Repitamos el mismo procedimiento con la segunda fila. Observamos
que el primer elemento no nulo es un 2, colocado en la segunda columna. Multipliquemos la segunda fila por 1/2. As tenemos
3
1 12
1
2
1
0 1
2
2
0 0 3 5
0 2 1 3
Ahora sumamos la segunda fila multiplicada por 4 a la cuarta, y la segunda fila
multiplicada por 1/2 a la primera; as tenemos
1 0 74 2
0 1 1 2
2
0 0 3 5
0 0 2 7
1 0 74
2
0 1 1
2
2
0 0 1 5
3
0 0 2
7
105
1 0 0 59
12
0 1 0 17
6
0 0 1 5
3
0 0 0 31
3
Finalmente, multiplicamos la cuarta fila por 3/31 y as tenemos
1 0 0 59
12
0 1 0 17
6
0 0 1 5
3
0 0 0 1
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
Ejemplo 77 Hallar la matriz escalonada reducida por filas de la siguiente matriz
1 2 3
2 3 4
A=
3 4 5
4 5 6
escribiendo en cada caso la matriz elemental correspondiente.
Solucin: Para ello seguimos los pasos siguientes
1 0 0 0 1 2 3
1 0
0 1 0 0 2 3 4
2 1
0
0 0 1 0 3 4 5 F2 = F2 2F1 0 0
0 0 0 1 4 5 6
0 0
1 0 0 0 1
1
2
3
0 1 0 0 0 1 2
0
0
F3 = F3 3F1
0 0 1 0 3
3
4
5
0 0 0 1 4
0
5
6
1 0 0 0 1
1
2
3
0 1 0 0 0 1 2
0
0
0 0 1 0 0 2 4 F4 = F4 4F1 0
0 0 0 1 4
4
5
6
3
2
5
6
0
0
1
0
0
0
0
1
1
0
3
4
2
1
4
5
0
1
0
0
0
0
1
0
0
0
0
1
1
0
0
4
2
1
2
5
0
1
0
0
0
0
1
0
0
0
0
1
1
0
0
0
2
1
2
3
3
2
4
6
3
2
4
6
106
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
CAPTULO 3. MATRICES
0
1
0
0
0
0
1
0
0
0
0
1
1
0
0
0
2
1
2
3
0
1
0
0
0
0
1
0
0
0
0
1
1
0
0
0
2
1
2
3
0
1
0
0
0
0
1
0
0
0
0
1
1
0
0
0
0
1
2
3
0
1
0
0
0
0
1
0
0
0
0
1
1
0
0
0
0
1
0
3
1
0
3
2
F20 = F2 0 1
0
0
4
0
0
6
1
3
0
0
2
F1 = F1 2F2
0
4
0
6
1
1
0
0
2
F3 = F3 + 2F2
0
4
0
6
1
1
0
0
2
F4 = F4 + 3F2
0
4
0
6
0
0
1
0
0
0
0
1
2
1
0
0
1
0
0
0
0
0
1
0
2
1
2
3
0
0
0
1
1
0
0
0
0
1
2
0
0
0
1
0
0
0
0
1
1
0
0
0
0
1
0
3
0
1
0
3
0
0
1
0
0
0
0
1
1
0
0
0
0
1
0
0
B = E7 E6 E1 A
1 2 0 0
0 1 0 0
E5 =
0 0 1 0
0 0 0 1
1
2
4
6
1
2
0
6
1
2
0
0
0
1
2
3
1 0 1
0 1 2
B=
0 0 0
0 0 0
3
2
4
6
107
A1 = (E1 E2 Es )
108
CAPTULO 3. MATRICES
1.
2.
Esta definicin coincide con la definicin 14, pero ahora ha sido expresada en trminos de matrices elementales. En efecto, si tomamos P =
0
0
0
E1 Es1 Es y Q = Er Er1 E1 , se tiene B = QAP , con P, Q matrices inversibles. Las matrices P y Q son inversibles por el corolario 6.
1 2 3
2 3 4
A=
3 4 5
4 5 6
1 0 1
0 1 2
0 0 0
0 0 0
1 0 0 0 1 0 0
1 0 0 0 1 0 0
0 1 0 0 0 1 0 F30 = F3 + F1 0 1 0 0 0 1 0
1 2 0 0 0 0 1
0 2 0 0 1 0 1
1 0 0 0 1 0 0
1 0 0 0 1
0 0
0
0 1 0 0 0 1 0 F3 = F3 2F2 0 1 0 0 0
1 0
0 2 0 0 0 0 1
0 0 0 0 0 2 1
1 0 0
0 1 0
0 0 0
0 0 0
109
1 0 1
0 1 2
0 0 0
0 0 0
En efecto, para comprobarlo basta trasponer
anteriormente
1 0 1
1
1 0 1
0 1 2
0 1 0 0
0 0 0
0
0 0 1
0 0 0
Entonces
1 0 0
0 0
0 1 0
1 2 =
0 0 0
0 1
0 0 0
1 0 1
1 0 0
1 0 1
P = 0 1 0 0 1 2 = 0 1 2
0 0 1
0 0 1
0 0 1
3 2 0 0
2 1 0 0
Q = E7 E6 E1 =
1 2 1 0
2 3 0 1
Obsrvese que se
3 2
2 1
1 2
2 3
cumple lo siguiente
1 2 3
0 0
2 3 4
0 0
1 0 3 4 5
4 5 6
0 1
1
1 0 1
0
0 1 2 =
0
0 0 1
0
0
1
0
0
0
0
0
0
110
CAPTULO 3. MATRICES
1 2 1
7
4
A = 3
2
2
1
1 0 0
1 2 1
0 1 0 3
7
4
0 0 1
2
2
1
0
1 0 0 1 2 1
F2 = F2 + 3F1
1
1
3 1 0 0
0
F3 = F3 2F1
2 0 1 0
6
3
0
F1 = F1 + 2F2
0
F3 = F3 6F2
0
F3 = 13 F3
0
F2 = F2 F3
0
F1 = F1 F3
Luego
7
2 0 1 0
1
3
1 0 0 1
1
20 6 1 0 0 3
7 2
0 1 0 1
3 1
0 0 1 1
20/3 2 1/3 0 0 1
1/3
0
1/3 1 0 0
1/3 0 1 0
11/3 1
20/3
2 1/3 0 0 1
A1
1/3
0
1/3
1/3
= 11/3 1
20/3
2 1/3
Captulo 4
Determinantes
4.1.
Determinante de n vectores
Consideremos el conjunto de las matrices cuadradas de orden n con coeficientes en un cuerpo conmutativo K. Queremos asociar a cada matriz un elemento de K, su determinante, de forma que se cumplan las siguientes propiedades:
1. si multiplicamos por a K los elementos de una columna, el determinante
queda multiplicado por a
2. si una columna es suma de dos, el determinante es suma de los determinantes calculados con cada una de las columnas-sumandos
3. si dos columnas son iguales, el determinante es cero
Estas tres condiciones son, de hecho, suficientemente restrictivas como para
no permitir mucho margen al querer definir lo qu ser el determinante de una
matriz. Vamos a verlo.
Observemos, en primer lugar, que las condiciones impuestas se refieren a las
columnas; por ello, conviene considerar cada matriz cuadrada de orden n como
n
z
}|
{
n
un elemento de K Kn , interpretando cada columna como una ntupla
de Kn . As pues, un determinante ha de ser una aplicacin
n
z
}|
{
K
det : Kn Kn
(a1 , ..., an )
7 det(a1 , ..., an )
que cumpla:
1. det(a1 , ..., a ai , ..., an ) = a det(a1 , ..., an ), para todo a K y para todo
i = 1, ..., n
2. det(a1 , ..., ai +a0i , ..., an ) = det(a1 , ..., ai , ..., an )+det(a1 , ..., a0i , ..., an ), para
todo i = 1, ..., n
111
112
CAPTULO 4. DETERMINANTES
2.
D(v1 , ..., vi + vi0 , ..., vn ) = D(v1 , ..., vi , ..., vn ) + D(v1 , ..., vi0 , ..., vn ), para
todo i = 1, ..., n
Las nformas lineales para n 2 se llaman tambin formas multilineales; si n = 2, se dice que D es una forma bilineal.
Observacin 54 Las condiciones (1) y (2) se resumen diciendo que f es lineal
en cada factor. El nombre de forma se reserva para aplicaciones lineales o
multilineales en K.
Definicin 56 Sea E un espacio vectorial de dimensin n sobre un cuerpo conmutativo K. Una forma multilineal D de E en K se llama simtrica si para todo
elemento (v1 , ..., vi , ..., vn ) de En y para toda permutacin Sn se cumple
D(v(1) , ..., v(i) , ..., v(n) ) = D(v1 , ..., vi , ..., vn )
Definicin 57 Sea E un espacio vectorial de dimensin n sobre un cuerpo conmutativo K. Una forma multilineal D de E en K se llama antisimtrica si
para todo elemento (v1 , ..., vi , ..., vn ) de En y para toda permutacin Sn se
cumple
D(v(1) , ..., v(i) , ..., v(n) ) = () D(v1 , ..., vi , ..., vn )
Teorema 66 Sea E un espacio vectorial de dimensin n sobre un cuerpo conmutativo K. Una forma multilineal D de E en K es antisimtrica si y slo si
para todo (v1 , ..., vi , ..., vn ) de En y para toda trasposicin Sn se cumple
D(v(1) , ..., v(i) , ..., v(n) ) = D(v1 , ..., vi , ..., vn )
Demostracin: Si Sn es una trasposicin, entonces () = 1. Luego, si
D es antisimtrica se tiene
D(v(1) , ..., v(i) , ..., v(n) ) = D(v1 , ..., vi , ..., vn )
Recprocamente, si Sn , es descomponible en producto de trasposiciones:
= r 1 . Entonces
D(v(1) , ..., v(n) ) = D(v(r 1 )(1) , ..., v(r 1 )(n) )
= D(v(r 2 )(1) , ..., v(r 2 )(n) )
..
.
= (1)r D(v1 , ..., vn )
= () D(v1 , ..., vn )
113
Definicin 58 Sea E un espacio vectorial de dimensin n sobre un cuerpo conmutativo K. Una forma multilineal D de E en K se llama alternada si cumple
D(v1 , ..., vn ) = 0
si dos de los vectores son iguales.
4.1.1.
114
CAPTULO 4. DETERMINANTES
= 3 4 5 6 1 2
Entonces
3 5 1
4 6 2
5 1
3 1
6 2
4 2
=
=
siendo ak K, entonces
D(v1 , ..., vj , ..., vn ) = 0
Demostracin: En efecto, segn (1) y (2) se tiene
X
D(v1 , ..., vj , ..., vn ) =
ak D(v1 , ..., vk , ..., vn )
k6=j
115
X
D v1 , ..., vi +
ak vk , ..., vn = D(v1 , ..., vi , ..., vn )
k6=i
n
X
ahi eh
h=1
entonces
D(v1 , ..., vn ) = D
=
n
X
ah1 eh , ...,
h=1
n
X
n
X
ahn eh
h=1
h1 ,...,hn =1
n
X
h1 ,...,hn =1
En D(eh1 , ..., ehn ), los subndices h1 , ..., hn pueden tomar valores arbitrarios en
{1, ..., n}, pero el sumando se anular siempre que dos de los subndices sean
iguales. Quedarn solamente, pues, los sumandos en que h1 , ..., hn sean precisamente 1, ..., n permutados. Designemos por h la permutacin
h = h1 hn
= a
hsn
116
CAPTULO 4. DETERMINANTES
hsn
hsn
hsn
Por tanto, estos dos sumandos suman 0 y podemos eliminarlos del sumatorio.
Este proceso puede repetirse tantas veces como sea necesario; al final quedar
X
(h) ah1 1 ahi i ahj j ahn n k = 0
hsn
de donde
D(v1 , ..., vi , ..., vj , ..., vn ) = 0
Corolario 22 Si e1 , ..., en es una base de E y D es una nforma lineal alternada tal que D(e1 , ..., en ) = 0, entonces D(v1 , ..., vn ) = 0 para cualquier ntupla
de vectores de E.
Demostracin: Es inmediato a partir de que
X
D(v1 , ..., vn ) =
(h) ah1 1 ahn n k
hsn
117
y abreviadamente se escribe
det(v1 , ..., vn ) =
(ei )
(h) ah1 1
hsn
siendo
vi =
ahn n k =
n
X
a11
..
.
an1
..
.
a1n
..
.
ann
ahi eh
h=1
As pues, existen tantas nformas lineales alternadas como elementos del cuerpo
K.
Teorema 73 Consideremos el conjunto A (E, K) de las nformas lineales alternadas de E en K y, en l, las operaciones dadas por
(D1 + D2 )(v1 , ..., vn ) = D1 (v1 , ..., vn ) + D2 (v1 , ..., vn )
(a D)(v1 , ..., vn ) = a D(v1 , ..., vn ) (a K)
A (E, K), con estas operaciones, es un espacio vectorial sobre el cuerpo K.
Demostracin: Es muy fcil probar que si D1 , D2 y D son de A (E, K), entonces D1 + D2 y aD tambin lo son. El resto de axiomas se comprueban sin
ninguna dificultad.
Teorema 74 Sea ahora e1 , ..., en una base de E. La aplicacin
A (E, K) K
D
7 D(e1 , ..., en )
118
CAPTULO 4. DETERMINANTES
lo que no es posible.
Teorema 75 Sean e1 , ..., en y u1 , ..., un dos bases de un espacio vectorial E.
Entonces, se verifica que
det (ui ) (v1 , ..., vn ) = det (ei ) (v1 , ..., vn ) det (ui ) (e1 , ..., en )
Demostracin: Para cualquier nforma lineal alternada D tenemos
D(v1 , ..., vn ) = det (ei ) (v1 , ..., vn ) D(e1 , ..., en )
= det (ei ) (v1 , ..., vn ) det (ui ) (e1 , ..., en ) D(u1 , ..., un )
y tambin
D(v1 , ..., vn ) = det (ui ) (v1 , ..., vn ) D(u1 , ..., un )
Podemos tomar D tal que D(u1 , ..., un ) 6= 0 y obtenemos la igualdad deseada.
Ejemplo 80 Supongamos que E es un espacio vectorial de dimensin 2 sobre
K. Sea e1 , e2 una base de E y v1 , v2 E. Calcular det(ei ) (v1 , v2 ).
119
Por tanto
det(v1 , v2 ) = a11 a22 a21 a12
(ei )
de donde
det(u1 , ..., un ) = 1
(ui )
Por tanto,
det (ui ) (u1 , ..., un ) = det (ei ) (u1 , ..., un ) det (ui ) (e1 , ..., en ) = 1
120
CAPTULO 4. DETERMINANTES
Luego si vi = vj , se sigue
2 D(v1 , ..., vi , ..., vj , ..., vn ) = 0
y como K no es de caracterstica 2, se concluye
D(v1 , ..., vi , ..., vj , ..., vn ) = 0
4.1.2.
a11 a1n
..
.
..
.
. ..
an1 ann
() a(1)1 a(n)n
=
s
n
a11 a12
121
() a(1)1 a(2)2 a(3)3 = a11 a22 a33 +a21 a32 a13 +a31 a12 a23 a31 a22 a13 a11 a32 a23 a21 a12 a33
s3
s3
ya que ( 1 ) =
tanto
( 2 ) = ( 3 ) = 1 y ( 4 ) = ( 5 ) = ( 6 ) = 1. Por
= a11 a22 a33 +a21 a32 a13 +a31 a12 a23 a31 a22 a13 a11 a32 a23 a21 a12 a33
Observacin 57 Para recordar la expresin que permite calcular los determinantes de orden 3 se tiene la regla de Sarrus: se multiplican los tres elementos
de la diagonal principal; luego se multiplican los dos elementos situados sobre
una lnea paralela por debajo (a21 y a32 ) a la diagonal principal por un tercer
elemento que es el vrtice (a13 ) que est por encima de la diagonal principal.
Luego, se repite la misma multiplicacin pero tomando la paralela por encima
(a12 y a23 ) y el vrtice (a31 ) por debajo de la diagonal principal. Ahora se suman
los tres nmeros obtenidos. Se procede de igual forma pero en lugar de tomar como referencia la diagonal principal, se toma la otra diagonal, que est formada
por los elementos a13 , a22 y a31 . Despus se suman los tres nmeros obtenidos.
Por ltimo, se resta la segunda suma de la primera. Ejemplo:
2 1 2
3 5 1 = [2 (5) 7 + 3 4 (2) + 1 1 1]
1 4
7
[(2) (5) 1 + 1 4 2 + 1 3 7]
= 93 39 = 132
Ejemplo 83 Hallar el signo del termino a21 a12 a43 a34 a55 que aparece en el desarrollo de un determinante de orden cinco.
Solucin: La permutacin correspondiente a este trmino es
2 1 4 3 5
4 3
2 1
=
122
CAPTULO 4. DETERMINANTES
1
1 a b+c
1 b a+c = 1
1
1 c a+b
a a + b + c
b a + b + c
c a+b+c
1 a 1
= (a + b + c) 1 b 1
1 c 1
= 0
4.2.
Determinante de un endomorfismo
fb(D)(v1 , ..., vi , ..., vj , ..., vn ) = D(f (v1 ), ..., f (vi ), ..., f (vj ), ..., f (vn )) = 0
Teorema 77 La aplicacin fb definida como sigue
fb : A (E, K) A (E, K)
D
7 fb(D)
123
es lineal.
Demostracin: En efecto,
Por tanto,
Adems,
fb(D1 + D2 )(v1 , ..., vn ) = (D1 + D2 )(f (v1 ), ..., f (vi ), ..., f (vn ))
= D1 (f (v1 ), ..., f (vi ), ..., f (vn )) + D2 (f (v1 ), ..., f (vi ), ..., f (vn ))
= fb(D1 )(v1 , ..., vn ) + fb(D2 )(v1 , ..., vn )
Por tanto,
Teorema 78 La aplicacin
L(E) L(A (E, K))
f
7 fb
es una aplicacin del anillo L(E) en el anillo L(A (E, K)) que satisface las siguientes propiedades
g[
f = fb gb y IbE = IA(E,K)
Demostracin: En efecto,
g[
f (D)(v1 , ..., vn ) = D(g(f (v1 )), ..., g(f (vn )))
= gb(D)(f (v1 ), ..., f (vn ))
= fb(b
g (D))(v1 , ..., vn )
= (fb gb)(D)(v1 , ..., vn )
Por tanto, g[
f = fb gb. Por otro lado, tenemos
124
CAPTULO 4. DETERMINANTES
y por tanto
c (D) 6= a fb(D)
af
es decir, fb = k IA(E,K) .
Definicin 60 Al elemento k de K correspondiente a f se le llama determinante del endomorfismo f y lo denotamos por det f . Por tanto, det f es el
elemento de K que satisface
fb = (det f ) IA(E,K)
Por tanto,
125
De f f 1
det I = 1
1 fb = Ib
= I, se obtiene f\
f 1 = fd
A(E,K) . De aqu, resulta
det f 1 det f = 1
126
CAPTULO 4. DETERMINANTES
Solucin: Se tiene
det f = det (ei ) (f (e1 ), f (e2 ), f (e3 ))
Por tanto,
1 1 0
1 0 = 0
det f = 1
0
0 1
luego f no es un automorfismo.
4.3.
a11 a1n
.
..
A = ...
. ..
an1 ann
det A =
a11
..
.
an1
..
.
a1n
..
.
ann
En
A = (aij ) 7 (a1 , ..., an )
de forma que
det A = det (ei ) (a1 , ..., an )
Esta correspondencia permite traducir enseguida las propiedades de los determinantes de n vectores en propiedades de los determinantes de las matrices
cuadradas de orden n.
127
a11 a1n
..
..
det f = det A = ...
. .
an1 ann
siendo
f (ei ) =
n
X
aji ej
j=1
det In = 1
2.
3.
Demostracin: A partir del hecho de que cualquier matriz cuadrada es la matriz de un endomorfismo en una cierta base de un espacio vectorial de dimensin
n y del corolario ??? se deducen de forma inmediata estos resultados.
Teorema 80 Sea A una matriz cuadrada de orden n sobre K y At su matriz
traspuesta. Entonces
det A = det At
Demostracin: Sean A = (aij ) y At = (bij ), de forma que aij = bji . Entonces,
tenemos
X
(h) ah(1)1 ah(n)n
det A =
hsn
hsn
ksn
ksn
= det At
en donde k = h1 .
128
CAPTULO 4. DETERMINANTES
Observacin 61 Este resultado tiene como consecuencia que todas las propiedades
de los determinantes de matrices cuadradas de orden n referentes a sus columnas
dan lugar a propiedades referentes a sus filas. Por ejemplo, si multiplicamos los
elementos de una fila por un elemento a de K, el valor del determinante queda
multiplicado por a; si una fila es combinacin lineal de las otras, el determinante
es cero; etc.
0
7 5
5 15
AB =
a 8
2 b
4.3.1.
129
2 1
3 5
1 4
Ahora se trata de
Solucin:
2 1 2
3 5 1
1 4
7
Sarrus que
2
1 = 132
7
= 2 (1)1+1 5 1
4 7
1+2 3 1
1+3 3 5
+1 (1)
1 7 + (2) (1)
1 4
= 78 20 34 = 132
130
CAPTULO 4. DETERMINANTES
muestra claramente que los trminos en que interviene a11 son exactamente los
trminos que resultan de todas las permutaciones Sn tales que (1) = 1.
Una permutacin par (impar) de este tipo contina siendo una permutacin par
(impar) de los restantes ndices 2, ..., n, ya que (1) = 1 no forma inversin con
los siguientes (i). Por tanto,
X
A11 =
() a2 2 an n = |M11 |
s0
Observacin 62 1. La frmula del corolario reduce el clculo de un determinante de orden n al de determinantes de rdenes n 1, lo cual tiene
gran inters prctico en la mayora de ocasiones.
2.
131
1 2
1 1
1 1
2 1
Solucin:
1 2 1
1 1 2
1 1 2
2 1 1
2
1
2
1
1 2
2 1
2 2
1 1
2 1 2
3 3 3
= 0
0 1 1 0
5 3 5
1
2 1 2
0
1 1 1
= 3
0
1
1 0
0
5 3 5
1 2
1 2
0 1
1 1
= 3
0
0
2 1
0 0 2 0
1 2 1 2
0 1 1 1
= 3
0 0 2 1
0 0 0 1
= 31121=6
132
CAPTULO 4. DETERMINANTES
demuestra que |EA| = |E| |A|; por simetra, segn el teorema (traspuesta), lo
mismo se aplica a las operaciones elementales entre columnas, obteniendo que
|AE| = |A| |E|.
Observacin 63 Estos ltimos resultados proporcionan un mtodo til para
calcular el valor del determinante de una matriz A. Se reduce A mediante transformaciones elementales a una forma triangular T ; sea t el nmero de intercambios de filas (o columnas) efectuado, y sean c1 , ..., ck los diversos escalares
utilizados para multiplicar filas (o columnas) de A. Por el teorema anterior, se
tiene
det A = (1)t (c1 ck )1 det T
El clculo se concluye poniendo
det T = t11 tnn
segn el ltimo corolario.
4.3.2.
133
aj1 , ..., ajr . Completemos estos vectores-columna con vectores de la base e1 , ..., en
en la que trabajamos hasta obtener una base del espacio aj1 , ..., ajr , ehr+1 , ..., ehn .
La matriz A formada por estos vectores en columna tiene el siguiente determinante
a1j1 a1jr 0 0 0
a2j1 a2jr 0 1 0
..
..
..
..
..
.
.
.
..
..
..
..
.
.
1 . .
.
.
..
.
.
det A = .
..
. .. ..
.
.
..
..
.
..
.
. .. 1
.
..
..
.
.
..
.
. .. ..
.
a
anjr 0 .. 0
nj1
En cada una de las n r ltimas columnas, todos los elementos son 0, excepto
uno que vale 1; ese elemento aparece en cada columna en una fila distinta.
Desarrollando sucesivamente este determinante por cada una de las nr ltimas
columnas, se obtiene
ai1 j1 ai1 jr
..
det A = ...
ai j ai j
r 1
r r
Como los vectores-columna aj1 , ..., ajr son linealmente independientes, se deduce que det A 6= 0. Obtenemos as un menor de orden r de la matriz A con
determinante no nulo.
1
2
A=
1
4
siguiente matriz
2 3 1 5
1 3 0 1
1 2 0 2
4 8 1 8
134
CAPTULO 4. DETERMINANTES
Solucin: Se cumple
det
1 2
2 1
6= 0
1 2 1
1 2 3
2 1 3 = 0 y 2 1 0 6= 0
1 1 0
1 1 2
1 2 1 5
1 2 3 1
2 1 3 0
=0 y 2 1 0 1 =0
1 1 0 2
1 1 2 0
4 4 1 8
4 4 8 1
Por tanto, rang A = 3 y adems, segn estos resultados, podemos concluir que
la cuarta fila es combinacin lineal de las tres primeras; en efecto, la suma de
las tres primeras filas es la fila cuarta.
4.3.3.
135
1 si i = j
0 si i 6= i
136
CAPTULO 4. DETERMINANTES
A1 = |A|
(Aij )t
1
A= 1
1
de la siguiente matriz
2 2
1 1
0 1
1
0 1
2 1
2
0
1 1
Por tanto,
A1
t
1
2
0
1
0 1
1 1
2 = 0
= |A|1 (Aij )t = 2 1
1 2
1
0
1 1
Captulo 5
Sistemas de ecuaciones
lineales
5.1.
A=
a11
a21
..
.
a12
a22
..
.
..
.
a1n
a2n
..
.
am1
am2
amn
,b =
b1
b2
..
.
bm
,x =
x1
x2
..
.
xn
138
5.2.
140
5.3.
Regla de Cramer
para todo i = 1, ..., n; los vectores a1 , ..., an respresentan los vectores columna
de la matriz A.
Demostracin: Supongamos que en la ecuacin matricial
Ax = b
la matriz A es cuadrada de orden n y que det A 6= 0. Esto es equivalente a
suponer que en la ecuacin siguiente
f (x) = b
f es un isomorfismo. Entonces sabemos que hay una solucin y slo una, que
es
x = A1 b
Sabemos tambin que
A1 = (det A)1 (Aij )t
donde (Aij ) representa la matriz adjunta de A. Por tanto
xi = (det A)1
n
X
Aji bj
j=1
n
X
Aji bj
j=1
141
1
2 3
2 1 1
1
1
2
3
2 4
1
1
= 27 6= 0
1
3
Por tanto el sistema tiene una sola solucin. Aplicando la regla de Cramer,
obtenemos
2
2 3
1
1 1 1 1
0
1
2 1
1
2 4 3
x=
=2
27
1 2 3
1
2 1 1 1
1 0
2 1
3 1 4 3
=1
y=
27
t =
5.4.
1
2 2
1
2 1 1 1
1
1 0 1
3
2 1 3
27
1
2
3 2
2 1 1 1
1
1
2 0
3
2 4 1
27
=1
=1
142
ai1 j1
..
M = .
air j1
..
.
ai1 jr
..
.
air jr
= 1
..
.
xr
xr+1
xn
= r
= r+1
..
.
= n
nr
X
i1 xr+i
nr
X
ir xr+i
i=1
i=1
..
.
..
.
143
a11 a1r
..
..
..
.
.
.
ar1
arr
tenga determinante D 6= 0; obsrvese que as evitamos escribir las permutaciones i, j Sr , presentes en el enunciado del teorema. Por tanto, los vectores
columna a1 , ..., ar de A son linealmente independientes; observemos, en particular, que r n. En estas condiciones, tenemos
ar+i = i1 a1 + + ir ar (i = 1, ..., n r)
b = 1 a1 + + r ar
es decir, los n r vectores columna restantes de A son combinaciones lineales
de los r primeros. Sustituyendo estos resultados en la ecuacin
a1 x1 + + ar xr + ar+1 xr+1 + + an xn = b
se obtiene
(x1 +
nr
X
i=1
i1 xr+i 1 ) a1 + + (xr +
nr
X
i=1
ir xr+i r ) ar = 0
De aqu, por la independencia lineal de los vectores a1 , ..., ar , todos los coeficientes de la combinacin son nulos y, por tanto, se obtiene
x1
= 1
..
.
xr
= r
nr
X
i1 xr+i
nr
X
ir xr+i
i=1
i=1
donde xr+1 , ..., xn pueden tomarse arbitrariamente en K. Estas frmulas dan explcitamente las soluciones del sistema de ecuaciones una vez conocidos los elementos 1 , ..., r , 11 , ..., 1r , ...., nr1 , ..., nrr del cuerpo K. Por tanto, debemos calcular estos elementos. Para ello, consideremos los sistemas que resultan
144
= ar+i (i = 1, ..., n r)
= b
..
.
(i = 1, ..., n r)
a11 1 + + a1r r = b1
..
.
ar1 1 + + arr r = br
..
.
(i = 1, ..., n r)
ai1 j1
..
M = .
air j1
..
.
ai1 jr
..
.
air jr
145
tiene determinante no nulo. Las soluciones admitidas por el sistema en el teorema anterior
x1
= 1
..
.
xr
xr+1
xn
= r
= r+1
..
.
= n
nr
X
i1 xr+i
i=1
nr
X
ir xr+i
i=1
donde r+1 , ..., n K pueden escogerse arbitrariamente, son todas las soluciones del sistema
a11 1 + + a1r r = b1
..
.
ar1 1 + + arr r = br
xnr
= (1 11 , 2 12 , ..., r 1r , 1, 0, ..., 0)
= (1 21 , 2 22 , ..., r 2r , 0, 1, ..., 0)
..
.
= (1 nr1 , 2 nr2 , ..., r nrr , 0, 0, ..., 1)
obsrvese que cada una de ellas es una solucin ya que al sustituir en el sistema
se obtienen las condiciones
..
(i = 1, ..., n r)
.
146
nr
X
i=1
(xi x0 )xr+i
que coinciden con las soluciones dadas por las frmulas del teorema anterior.
Por tanto, hemos demostrado que dichas frmulas dan todas las soluciones del
sistema.
Observacin 69 Las incgnitas xr+1 , ..., xn cuyos valores puden elegirse arbitrariamente en K se llaman incgnitas no principales, mientras que las
restantes se llaman incgnitas principales. Supuesto que el sistema tiene soluciones y es de rango r, del teorema anterior ??? se sigue que como incgnitas
principales podemos elegir r cualesquiera de ellas con tal que las columnas del
mismo subndice sean vectores linealmente independientes.
Los resultados de los teoremas anteriores suelen resumirse en el siguiente
teorema.
Teorema 91 (Teorema de Rouch-Frobenius) La condicin necesaria y suficiente para que un sistema de m ecuaciones lineales con n incgnitas sobre un
cuerpo K tenga solucin es que la matriz del sistema y la matriz ampliada con
la columna de trminos independientes tengan el mismo rango r. Supuesto que
la condicin se cumple, la solucin es nica si el rango es igual al nmero de
incgnitas. Si r < n se llaman incgnitas principales a r cualesquiera de las
incgnitas cuyas columnas en la matriz del sistema son linealmente independientes; entonces se pueden escoger arbitrariamente en K los valores de las incgnitas restantes, que se llaman incgnitas no principales, y con stas se expresan
linealmente los valores de las incognitas principales que con ellos forman una
solucin del sistema.
Definicin 67 Se llaman sistemas homogneos a los sistemas de ecuaciones
lineales cuyos trminos independientes son todos nulos. Matricialmente, un sistema homogneo se expresa como
Ax = 0
Tales sistemas admiten obviamente la solucin x1 = x2 = = xn = 0 y
tienen como conjunto de soluciones el ncleo de la aplicacin lineal cuya matriz
asociada es la matriz del sistema de ecuaciones.
147
a11
a1n1
..
..
..
det An =
6= 0
.
.
.
an11 an1n1
se cumple
i =
ya que b = 0, y
1j =
xn1
xn
det A1
det An
det A2
= 12 xn = (1)n2
det An
..
.
det An1
= 1n1 xn = (1)
det An
=
= 11 xn = (1)n1
det A1
det A2
det An1
, (1)n2
, ...,
, 1)
det An
det An
det An
o bien,
((1)n1 det A1 , (1)n2 det A2 , ..., det An1 , det An )
observemos que dicho subespacio es de dimensin 1.
148
5.5.
x + 2y z + t + u = 0
3x y + t u = 6
6x + y + t + u = 1
x 2y + 2z 2t = 5
1
2 1
3 1
0 = 9 6= 0
6
1
0
1
2 1
1
3 1
0
1
6
1
0
1
1 2
2 2
=0
1
2 1
1
3 1
0 1
=0
6
1
0
1
1 2
2
0
=0
se cumple que rang (A|b) = 3. Por tanto, como rang A = rang (A|b) = 3 < 5,
el sistema es compatible indeterminado. Elegimos como incgnitas principales
x, y, z ya que los vectores columna correspondientes a estas incgnitas son linealmente independientes. Por tanto, las incgnitas t, u pueden tomar cualquier
valor real; supongamos que t = y u = . Entonces el sistema
x + 2y z =
3x y = 6 +
6x + y = 1
2 1
6 + 1
0
1
1
0
7 2
x=
=
9
9 9
1
1
3 6+
0
6 1
0
11 1
= +
y=
9
3
3
3 1 6 +
6
1 1
59 13
9
+
z=
=
4
4
4
4
t=
u=
Por tanto, las soluciones del sistema son
t =
u =
7 2
t
9 9
11 1
+ tu
3
3
59 13
9
t+ u
4
4
4
t
u
150
5.6.
Mtodo de Gauss
151
1 0 0 c1r+1 c1n
d1
0 1 0 c2r+1 c2n
d2
.. .. . .
..
..
.
..
.
..
..
. .
.
.
.
.
0 0 1 crr+1 crn
d
r
0 0 0
0
d
r+1
.. .. . .
.
..
..
.
.
..
..
..
. .
. .
.
m
d
0 0 0
0
0
El sistema as obtenido es de la forma
x1
x2
..
.
xr
+ c1r+1 xr+1
+ c2r+1 xr+1
..
..
.
.
+
+
+ c1n xn
+ c2n xn
=
=
..
.
+ crr+1 xr+1
+ crn xn
0
..
.
= dr
= dr+1
..
..
.
.
= dm
d1
d2
tiene, pues, las mismas soluciones que el original, salvo tal vez el orden de
las incgnitas. Por tanto, el sistema es compatible si y slo si
dr+1 = = dm = 0
y, en este caso, la solucin general es
xi = di cir+1 xr+1 cin xn
xr+1 = xr+1
..
.
(i = 1, ..., r)
xn = xn
Observacin 70 Los cambios en la matriz (A|b) se efectan de la manera
siguiente: si la primera columna es toda 0, se pasa al lugar n. Si hay un elemento
no nulo, se permutan las filas de forma que quede en primer lugar. Con un
cambio del tipo 2 se puede conseguir que este elemento pase a ser un 1 y con
cambios del tipo 3 se puede conseguir que el resto de la columna sea 0. La
primera columna queda, as, en la forma deseada. Supongamos que tenemos h
columnas en la forma deseada. Si en la columna h + 1 los elementos de las filas
h + 1, ..., m son 0, la situamos en el lugar n. En caso contrario, colocamos un
elemento no nulo en la fila h + 1, permutando nicamente las filas h + 1, ..., m.
Con cambios del tipo 2 y 3 podemos conseguir que este elemento sea 1 y el resto
de la columna sea 0. Observemos que de esta forma las columnas anteriores no
varan. El proceso puede continuar hasta obtener una matriz como la que hemos
escrito ms arriba.
152
Notacin 2 Una de las ventajas del mtodo de Gauss es que se puede aplicar
simultneamente a sistemas de ecuaciones con la misma matriz y diferentes trminos independientes. Sean, por ejemplo, Ax = b y Ax = c dos sistemas con
matriz A. Si efectuamos los cambios necesarios en la matriz (A|b|c), resolveremos al mismo tiempo los dos sistemas.
Ejemplo 95 Consideremos el sistema
x1 2x2 + 3x3 + 5x4 4x5
2x1 4x2 + 6x3 + 5x4 + 2x5
2x1 5x2 + 7x3 + 7x4 + 3x5
x1 + x2 2x3 3x4 + 5x5
= b1
= b2
= b3
= b4
C1 C2 C3 C4 C5
1 2
3
5 4
2 3
2 4
6
5
2 6 1
2 5
7
7
3 7
1
1
1 2 3
5 3
2
2.
F1
F2 2F1
F3 2F1
F4 + F1
C1 C2 C3 C4 C5
1 2
3
5 4
2 3
0
0
0 5 10 10
5
0 1
1 3 11 11
7
0 1
1
2
1 1 1
3.
F1
F4
F3
F2
C1 C2 C3 C4 C5
1 2
3
5 4
2 3
0 1
1
2
1 1 1
0 1
1 3 11 11
7
0
0
0 5 10 10
5
4.
F1 2F2
F4
F3 F2
F2
C1 C2 C3 C4 C5
1
0
1
1 6
4 1
0
1 1 2 1
1
1
0
0
0 5 10 10
8
0
0
0 5 10 10
5
153
5.
F1
F2
F3
F4 F3
C1 C2 C3 C4 C5
1
0
1
1 6
4 1
0
1 1 2 1
1
1
0
0
0 5 10 10
8
0
0
0
0
0
0 3
observemos que la ltima fila nos dice que el segundo sistema es incompatible. En consecuencia, podemos eliminarla y tambin la ltima columna.
6.
F1
F2
F3 /5
C1 C2 C4 C3 C5
1
0
1
1 6 4
0
1 2 1 1 1
0
0
1
0 2 2
7.
F1 F3
F2 + 2F3
F3
C1 C2 C4 C3 C5
1
0
0
1 4 2
0
1
0 1 5 5
0
0
1
0 2 2
Por tanto, las soluciones del primer sistema se obtienen del siguiente sistema
equivalente
x1 + x3 4x5 = 2
x2 x3 5x5 = 5
x4 2x5 = 2
x3 = x3
x5 = x5
es decir,
x1
x2
x3
x4
x5
5.7.
= 2 x3 + 4x5
= 5 + x3 + 5x5
= x3
= 2 + 2x5
= x5
(i = 1, ..., n)
154
1 0 b11 b1n
.. . .
.
..
..
..
.
. ..
.
.
.
0 1 bn1 bnn
1 1 1
A= 0 1 1
1 0 1
1 1 1 1 0 0
0 1 1 0 1 0
1 0 1 0 0 1
2.
F1
F2
F3 F1
1
1 1
1 0 0
0
1 1
0 1 0
0 1 0 1 0 1
3.
F1
F2
F3 + F2
1 1 1
1 0 0
0 1 1
0 1 0
0 0 1 1 1 1
4.
F1 F3
F2 F3
F3
1 1 0
2 1 1
0 1 0
1
0 1
0 0 1 1
1
1
155
5.
F1 F2
F2
F3
Por tanto,
A1
5.8.
1 0 0
1 1
0
0 1 0
1
0 1
0 0 1 1
1
1
1 1
0
0 1
= 1
1
1
1
X1
= IX1 + T X2 = X1 + T X2
(I|T )X = (I|T )
X2
Por tanto, el sistema inicial es equivalente al siguiente
X1 + T X2 = Z
es decir,
X1 = Z T X2
X2 = X2
Z T X2
X1
=
X=
X2
X2
156
1 1
1 2
1 1
y B=
A=
1 1 1
1 1
Solucin: Es claro que XA = B es equivalente a At X t = B t y por tanto,
discutiremos la compatibilidad de este ltimo sistema. As tenemos
1 1 1 1
t t
A |B = 1 1 1
1 1 2 1
F3
1 1 2 1
1 1 1 1
1 1 1 1 1 1 F2
1 1 2 1
1 1
1 1
F1
1
1
2
1 1 2 1
F1
1
1 1 1 0 1 1 2
0 F2 F1
1 1
1 1
0 1 1 2 1 3 1
F3 aF1
2
1
1
1
1
2
1
0 1 1 2
0 1
1
2
0
2
3
2
0 1 1
0
0 2 1 + 2 3
1 1
Puesto que las transformaciones que hemos efectuado respetan el valor del determinante de At , tenemos
det At = ( 1)(2 2 ) = ( 1)2 ( + 2)
Por tanto, si 6= 1 y 6= 2, entonces rang At = 3 y por tanto se cumple
rang At = rang (At |B t ) = 3. En este caso, el sistema es compatible determinado. Si = 1, tenemos
1 1 1 1 1
t t
A |B 0 0 0 0 0
0 0 0 0 0
1
F
0 F
1
F
157
1
1 2
4
1
t t
3 6
0
A |B 0 3
0
0
0
3 1
1
t t
A |B 0
0
siendo T =
1 1
yZ=
1 1 1
= 1. Tenemos,
1 1 1 1
0 0 0 0 = (I1 |T |Z)
0 0 0 0
1 1 . Por tanto,
X1
X2
X1 =
a b
a b
a b
1 1
1 1
1 1
X2 =
X2 =
1 1
c d
e f
1 1
1 1
c d
e f
c+e d+f
La solucin general de At X t = B t es
1ce 1df
a b
d
Xt = c d = c
e
f
e f
y por tanto
X=
1ce
1df
c e
d f
158
2.
1
1
2
t t
1
2
A |B 0 1
2
0
0 2 1 + 2 3
1
0
1
1 1
t t
0 1 1
A |B
0 0 1
1 1
0 1 1
0 0 1
1 1 0
0 1 0
0 0 1
(+1)2
+2
+2
1
+2
(+1)2
+2
(+1)2
+2
1
0
1
+2
F1
1
1 F2
1
(1)(+2) F3
1 1 0
+2
1
0 1 0
+2
2
1
0 0 1 (+1)
+2
+2
2
1 0 0 +1
+2
+2
1
1
0 1 0
+2
+2
2
1
0 0 1 (+1)
+2
+2
1
0
1 0 0
t t
A |B 0 1 0
0 0 1
+1
+2
1
+2
(+1)2
+2
1
+2
1
+2
1
+2
2
+2
1
+2
1
+2
1
+2
1
+2
1
+2
F1 F3
F2 + F3
F3
F1 F2
F2
F3
t
= (I3 |X )
y, en consecuencia, la solucin es
1
( + 1) 1 ( + 1)2
X=
1
1
1
+2
Captulo 6
Diagonalizacin de
endomorfismos
6.1.
160
Definicin 72 Sea A = aji la matriz de f
E. Entonces, si k es un valor propio de f ,
1
a1 k
a12
2
2
a1
a2 k
det (f kI) =
..
..
.
.
n
an
a
1
2
..
.
=0
n
an k
a1n
a2n
..
.
Esta expresin es una ecuacin de grado n en la incgnita k, el miembro izquierdo de la cual es el valor en k de un polinomio pA (x), que denominaremos polinomio caracterstico de A.
Teorema 93 Si A y B son las matrices asociadas a f en dos bases distintas,
entonces pB (x) = pA (x).
Demostracin: Se cumple:
det (B kI) = det (f kI) = det (A kI)
k K.
1
a1 x
a12
a1n
a21
a2n
a22 x
.
.
.
.
an
an x
an
1
Observacin 73 El teorema anterior nos permite hablar del polinomio caracterstico de f , pf (x).
Teorema 94 El polinomio caracterstico de A es
n
n1
161
donde Ar es la suma de los determinantes de los menores de orden n r formados por los elementos de A de (n r) filas y (n r) columnas correspondientes
a los mismos ndices: aji , i = i1 , . . . , inr , j = i1 , . . . , inr . Es decir, son los
menores de orden n r que tienen la diagonal principal sobre la diagonal principal de A.
Demostracin: No efectuaremos el clculo de los Ar , que es largo y pesado.
Por otra parte, existen maneras ms cmodas de hallarlos que las que podramos
dar con los conocimientos que tenemos ahora. Nos limitaremos a calcular el
coeficiente de xn1 y el trmino independiente.
De la definicin de determinante resulta
1
a1 k
a12
a1n
a21
a2n
a22 k
..
..
..
..
.
.
.
.
an
an k
an
1
donde S es una suma de productos en cada uno de los cuales hay a lo sumo
n 2 elementos de la diagonal. Los trminos de grado n y n 1 en k son, por
tanto,
(1)n k n + (1)n1 (a11 + + ann ) kn1 .
El trmino independiente de pA (x) es pA (0) = det (A 0I) = det A.
Corolario 35 Si A y B son dos matrices asociadas al mismo endomorfismo,
es decir, tales que B = P 1 AP con P invertible, entonces
a11 + + ann = b11 + + bnn .
Demostracin: Del teorema anterior y de la invariancia del polinomio caracterstico, se deduce que Ar = Br para todo r y, en particular,
a11 + + ann = b11 + + bnn .
Definicin 73 La suma a11 + + ann se llama la traza de A, tr A. Dado
que dos matrices equivalentes tienen la misma traza, tiene sentido referirse a la
traza de f , tr f.
6.2.
Diagonalizacin de endomorfismos
Sea f End (E). Si conseguimos formar una base de E con vectores propios
de f , la matriz de f tendr una forma muy simple:
k1 0 0
0 k2 0
..
.. . .
.. .
.
.
.
.
0 0 kn
162
k1 0
0 k2
..
.. . .
.
.
.
0 0
0
0
..
.
kn
para j = 2, . . . , m.
3
4
5
4
5
35
163
4
5
5
,
4
85
5
de donde resulta que ker (f I) = {(2y, y)} = h(2, 1)i. Anlogamente se ve que
ker (f + I) = h(1, 2)i es el subespacio de vectores propios de valor propio 1.
Los vectores (2, 1) , (1, 2) forman una base en la que la matriz de f es
1 0
.
0 1
La imagen de un v E se puede encontrar geomtricamente de la manera
siguiente: descompongamos v como suma de un vector v1 de h(2, 1)i y un vector
v2 de h(1, 2)i: v = v1 + v2 . Entonces f (v) = v1 v2 . Esto es una simetra
de eje h(2, 1)i.
Ejemplo 101 Consideremos ahora f : R2 R2 con matriz
1 1
0 1
en la base usual (1, 0) , (0, 1). El polinomio caracterstico es (1 x)2 y, por tanto,
el nico valor propio es 1. Si f diagonalizase, su matriz diagonal sera
1 0
,
0 1
f sera la identidad y eso no es cierto. De hecho, el subespacio de vectores
propios tiene dimensin 1 : ker (f I) = h(1, 0)i.
Teorema 96 Si r es la multiplicidad del valor propio k, es decir, si r = dim ker (f kI),
y s es la multiplicidad del cero k del polinomio caracterstico, entonces r s.
Demostracin: Sea v1 , . . . , vr una base de ker (f kI). Completmosla hasta
obtener una base de E : v1 , . . . , vn . En esta base la matriz de f es de la forma
k 0 0 a1r+1 a1n
..
..
0 k 0
.
.. .. . .
..
..
..
. .
.
.
.
.
.
A=
.
..
..
0 0 k
. . .
..
..
. . ...
.. ..
.
.
0
anr+1
ann
164
k1 0
.. . .
..
.
.
.
0
kn
k1 0
.. . .
.
.
. ..
0
kn
n1 + + nr = n
165
0 0 a33 a3n
,
..
..
.. . .
..
.
. .
.
.
0 0 0 ann
k a12 a1n
0 a22 a2n
.. .. . .
. .
. .
. ..
0
an2
ann
g : hv2 , . . . , vn i hv2 , . . . , vn i
166
de matriz
a22
..
.
an2
..
.
a2n
.. .
.
ann
Tenemos que det (f xI) = (k x) det (g xI) y, por tanto, el polinomio caracterstico de g, det (g xI), se descompone tambin en factores de primer grado. Por hiptesis de induccin existe entonces una base u2 , . . . , un de hv2 , . . . , vn i
en la cual la matriz de g es triangular:
2 2
b2 b3 b2n
0 b33 b3n
..
.. . .
. .
.
. ..
.
0
bnn
P
Ahora bien, f (vi ) = a1i v1 + g (vi ), i = 2, . . . , n. Por tanto, si uj = ni=2 cij vi ,
entonces
n
!
n
n
X
X
X
1
i
i
i 1
f (uj ) =
cj f (vi ) =
cj ai v1 + g (vi ) =
cj ai v1 + g (uj ) ,
i=2
i=2
i=2
Pnprimera
i 1
fila k, b12 , ..., b1n , donde b1j =
,
j 2. Es, por tanto, una matriz
c
a
j
i
i=2
triangular.
Corolario 37 Todo endomorfismo de un espacio vectorial sobre los complejos
es triangulable.
Captulo 7
La forma reducida de
Jordan
7.1.
Polinomio mnimo
168
el polinomio mnimo de u. Entonces u, f (u) , . . . , f s1 (u) son linealmente independientes y u, f (u) , . . . , f s1 (u), f t (u) (t s) son linealmente dependientes.
Demostracin: Si u, f (u) , . . . , f s1 (u) fuesen linealmente dependientes, habra
un polinomio p (x) de grado < s tal que p (f ) (u) = 0. Esto contradice la definicin de mu (x).
Si t = s, mu (f ) (u) = a0 u + a1 f (u) + + as f s (u) = 0 nos dice que estos
vectores son linealmente dependientes. Para t > s, procederemos por induccin.
As, pues,
169
de donde
7.2.
Subespacios invariantes
b
Demostracin: mf (f ) = 0 mf (f ) (u)
= 0 u E mf (f ) (v) =
mf (f ) (v) = 0 v F mf (x) mfb (x) mfb (x) divide a mf (x) .
Corolario 38 Si dos subespacios F y G de E, invariantes por f , tienen polinomios mnimos primos entre s, entonces F G = {0}.
Demostracin: Claramente, F G es tambin invariante y, por el teorema
anterior, su polinomio mnimo es 1. En este caso, el espacio debe ser {0}.
Teorema 101 Para todo polinomio p (x) K [x] , N uc p (f ) e Im p (f ) son subespacios invariantes por f .
Demostracin: Si u N uc p (f ) , p (f ) (f (u)) = f (p (f ) (u)) = f (0) = 0, de
donde f (u) N uc p (f ).
Si u = p (f ) (v) Im p (f ), f (u) = f (p (f ) (v)) = p (f ) (f (v)), de donde
f (u) Im p (f ) .
Teorema 102 (primer teorema de descomposicin) Si el polinomio mnimo de f End (E) es
mf (x) = m1 (x)n1 mr (x)nr ,
E i = N uc (mi (f ) i ) ,
i = 1, . . . , r.
170
Demostracin: Supongamos que el polinomio mnimo de f, mf (x), se descompone en producto de dos factores primos entre s:
mf (x) = p (x) q (x) .
Consideremos los subespacios invariantes N uc p (f ) y N uc q (f ). Los polinomios
p (x) y q (x) son anuladores de la restriccin de f a estos subespacios. Por tanto,
N uc p (f ) N uc q (f ) = {0}.
Ahora bien, es fcil ver que N uc p (f ) Im q (f ) y que N uc q (f ) Im p (f ) .
Comprobemos la primera inclusin: si u = q (f ) (v) Im q (f ), entonces p (f ) (u) =
p (f ) q (f ) (v) = mf (f ) (v) = 0 y, por tanto, u N uc p (f ). Estas inclusiones
indican que
n = dim N uc p (f ) + dim Im p (f )
dim N uc p (f ) + dim N uc q (f ) =
= dim (N uc p (f ) N uc q (f )) n.
Las dos inclusiones son, pues, igualdades y
E = N uc p (f ) N uc q (f ) .
Cules son los polinomios mnimos de la restriccin de f a esos dos subespacios
invariantes en que se descompone E? Ya hemos dicho antes que tienen que ser
divisores de p (x) y de q (x) (estos polinomios son anuladores): sean p (x) y
q (x) . Pero, entonces, p (x)q (x) es un anulador de f : si u E, u = u1 + u2
con u1 N uc p (f ) , u2 N uc q (f ) y, entonces,
p (f ) q (f ) (u) = q (f ) p (f ) (u1 ) + p (f ) q (f ) (u2 ) = 0 + 0 = 0.
Por tanto, por un lado p (x)q (x) (mf (x)) y por el otro divide a mf (x) =
p (x) q (x). Debe cumplirse, pues p (x)q (x) = mf (x); es decir, p (x) = p (x)
y q (x) = q (x) son los polinomios mnimos buscados. Naturalmente, si ahora
p (x) (o q (x)) se descompone en factores primos, podemos descomponer N uc p (f )
(o N uc q (f ) ) en suma de subespacios invariantes y proceder as tantas veces como podamos.
Lo nico que falta por demostrar es la unicidad de la descomposicin. Supongamos, pues, que tenemos dada una descomposicin en subespacios invariantes
E = E1 Er ,
de la cual solamente sabemos que el polinomio mnimo de la restriccin de f
a E i es mi (x)ni , para i = 1, . . . , r. Esta ltima condicin implica que E i
n
N uc (mi (f ) i ) , de donde
n = dim E 1 + + dim E r
n
n
dim N uc (m1 (f ) 1 ) + + dim N uc (mr (f ) r ) = n.
171
La desigualdad tiene que ser, pues, una igualdad y todas las inclusiones anteriores tienen que ser igualdades:
E i = N uc (mi (f )ni ) ,
i = 1, . . . , r.
Observacin 75 La descomposicin de E en suma directa de subespacios invariantes reduce el estudio del comportamiento de f al estudio de sus restricciones a cada uno de los subespacios. Si escribimos la matriz de f en una base
de E formada por bases de cada uno de los subespacios, obtenemos
A1
A2
0
..
.
0
Ar
4
5
5
A=
4
35
5
En la base (1, 0) , (0, 1). El estudio de las combinaciones lineales entre sus potencias An resulta aqu trivial. Tenemos A2 = I y, por tanto, x2 1 es un
polinomio anulador.
Si mf (x) = x 1, mf (f ) = f I = 0, de donde f = I. Si mf (x) =
x + 1, mf (f ) = f + I = 0, de donde f = I. Ninguno de los dos casos es el
nuestro; por tanto,
mf (x) = (x 1) (x + 1)
E = E1 E2,
1 0
.
0 1
172
Ejemplo 107 Como generalizacin del ejemplo anterior, consideremos un endomorfismo f tal que f 2 = I (se llama una involucin). mf (x) divide a
x2 1 = (x 1) (x + 1) y, como en el ejemplo 1,
si mf (x) = x 1, f = I;
si mf (x) = x + 1, f = I;
si mf (x) = (x 1) (x + 1) , E = E 1 E 2 .
El polinomio mnimo de la restriccin de f a E 1 es x 1 y, por tanto, sobre
1
E , f es IE 1 . Anlogamente, sobre E 2 , f es IE 2 . Si e1 , . . . , er es una base de
E 1 y er+1 , . . . , en una base de E 2 , la matriz de E en la base que resulta de la
unin de esas dos es
..
.
0
.
.
.
0
1
Observemos que aqu tambin E 1 , E 2 son los subespacios de vectores propios de
valores propios 1, 1 y que la matriz obtenida es una matriz diagonal.
..
.
0
i
.
..
.
0
i
173
Un estudio parecido al de los ejemplos anteriores nos da, para todos los posibles
mf (x), bases de E en las que la matriz de f es diagonal y los valores propios
son
(
)
1 + i 3 1 i 3
1,
,
2
2
o un subconjunto de ste.
Si el cuerpo es R, x3 1 = (x 1) (x2 + x + 1) y, por tanto, E = E 1 E 2 .
El polinomio mnimo de f sobre E 1 es x 1 y, por tanto, f sobre E 1 es IE 1 . El
polinomio mnimo de f sobre E 2 es x2 + x + 1, irreducible. Sea e1 , . . . , er una
base de E 1 , y er+1 , . . . , en una base de E 2 . La matriz de f en la base e1 , . . . , en
es de la forma
1
0
..
.
.
1
0
A2
1 1
A=
0 1
2
en la base (1, 0) , (0, 1). Es fcil ver que mf (x) = (x 1) . El primer teorema de
descomposicin no permite descomponer E en suma de subespacios invariantes.
Hay, sin embargo, un subespacio invariante: el subespacio de vectores propios
de valor propio 1, h(1, 0)i . Si f tuviese una matriz diagonal, tendra que ser
1 0
0 1
174
1 0 0
A = 0 1 1
0 1 1
E 2 = N ucf 2 = he2 , e3 i .
1 0 0
0 0 1 ,
0 0 0
que es triangular.
175
i
i
Supongamos
tambin
que ai es el valor propio de e1 , . . . , eni . Entonces, si ponemos
i
i
i
E = e1 , . . . , eni , tenemos
E = E1 Er
de donde mf (x) = (x a1 ) (x ar ) .
Por definicin el polinomio mnimo tiene grado n2 = dim End (E) . Esta
cota es, sin embargo, muy grande cuando se trata de encontrar el polinomio
mnimo de un endomorfismo.
Teorema 105 El grado del polinomio mnimo mf (x) es menor o igual que la
dimensin del espacio E.
Demostracin: Sea mf (x) = m1 (x)n1 mr (x)nr y E = E 1 E r la
descomposicin dada por el primer teorema de descomposicin. Es suficiente
n
ver que gr mi (x) i dim E i para i = 1, . . . , r.
Dado que mi (x)ni es el polinomio mnimo de la restriccin de f a E i ,
n
n 1
hay un vi E i tal que mi (f ) i (vi ) = 0 pero mi (f ) i (vi ) 6= 0. Entonces
ni
el polinomio mnimo de vi es mi (x) y, por tanto, tendremos que los vectores vi , f (vi ) , . . . , f ki 1 (vi ) son linealmente independientes, donde ki = gr
mi (x)ni . Por tanto, ki dim E i .
7.3.
El teorema de Cayley-Hamilton
176
A1
0
A2
A=
.
.
..
Ar
y pf (x) es un anulador.
177
Observacin 76 El teorema de Cayley-Hamilton proporciona un mtodo prctico para calcular el polinomio mnimo de un endomorfismo f dado: sea A la
matriz de f en una base cualquiera. Debemos calcular el polinomio caracterstico pA (x), descomponerlo en factores irreducibles y buscar el menor de sus
divisores q (x) tales que q (f ) = 0 (tal como se ha hecho en los ejemplos de la
seccin Subespacios invariantes). ste ser mf (x) .
7.4.
El primer teorema de descomposicin en subespacios invariantes permite reducir el estudio de un endomorfismo f al estudio de sus restricciones a ciertos
subespacios invariantes E i . En casos muy particulares, los espacios E i son subespacios de vectores propios y podemos obtener una matriz de f diagonal. Vamos
a estudiar ahora las restricciones de f a los subespacios E i en el caso general.
Concretamente, vamos a descomponer cada subespacio E i en suma de subespacios invariantes sobre los cuales la actuacin de f es muy clara: los subespacios
f -cclicos.
Definicin 79 Un subespacio F de E es f cclico si existe un vector u E
tal que F = u, f (u) , f 2 (u) , . . . .
Observacin 77 Si F es f cclico, entonces es invariante por f y su dimensin es el grado del polinomio mnimo de f en u. Si este polinomio es
a0 + a1 x + + as1 xs1 + xs ,
0 0
1 0
0 1
.. ..
. .
..
.
0 0
0
0
0
..
.
a0
a1
a2
..
.
1 as1
178
F0 = u0 , f (u0 ) , f 2 (u0 ) , . . .
y E = E/F0 .
f induce un endomorfismo f de E
f : E E
[v] 7 [f (v)] ,
bien definido, ya que la imagen por f de todos los representantes de [v] est en
[f (v)] :
f ([v]) = f (v + F0 ) = f (v) + f (F0 ) f (v) + F0 = [f (v)] .
Ahora bien, dim E < n = dim E y, por hiptesis de induccin,
E = F1 Fr
Fi
7 [v]
es un isomorfismo.
Supongamos demostrado, de momento, este lema. Entonces
E = F0 F1 Fr .
Comprobmoslo: si v E, [v] = [v1 ]+ +[vr ] con [vi ] Fi . El lema nos asegura
entonces que podemos suponer que vi Fi . As pues, E = F0 +F1 + +Fr . Para
ver que la suma es directa, supongamos que v E se expresa de dos maneras
como suma de vectores de F0 , . . . , Fr :
v = v0 + v1 + + vr = w0 + w1 + + wr ,
vi , wi Fi ,
i = 0, 1, . . . , r
i = 1, . . . , r;
179
Si m (x) y m (x) son los polinomios mnimos de f y f en v y en [v] respectivamente, entonces m (x) | m (x), ya que
m(f ) ([v]) = [m (f ) (v)] = [0].
El polinomio mnimo de f en v divide al polinomio mnimo de f . Esto
implica, en nuestro caso, que aquel polinomio es una potencia de q (x) con
exponente s.
Demostracin del lema: Sean q (x)s y q (x)s los polinomios mnimos de
f y f en ui y [ui ], s s s. Entonces
q(f )s ([ui ]) = [0]
ss
q (x) | q (x)
q(f )s (ui ) F0
q (f )
ss
s
q (f )s (ui ) = a (f ) (u0 )
a (f ) (u0 ) = q (f ) (ui ) = 0
a (x)
t1
([ui ])
forman una base de F i , y por tanto la proyeccin i : Fi F i es un isomorfismo. Esto acaba la demostracin.
Observacin 78 Hasta qu punto es nica la descomposicin obtenida en el
segundo teorema de descomposicin? Supongamos que
E = G0 G1 Gm ,
donde los subespacios Gi son f cclicos y el polinomio mnimo de la restricn
cin de f a Gi es qi (x) i con qi (x) irreducible. Agrupemos los sumandos que
correspondan a potencias del mismo qi (x). Por ejemplo, supongamos q0 (x) =
q1 (x) = = qs (x) y consideremos E 0 = G0 Gs . El polinomio mnimo
t
de la restriccin de f a E 0 es q0 (x) , donde t = m
ax (n0 , . . . , ns ) . Agrupando
de esta forma los Gi , obtenemos una descomposicin de E,
E = E0 E1 Er ,
180
a. q (f ) (Fi ) Fi ; de donde
q (f )t (E) = q (f )t (F0 ) q (f )t (Fr )
y, por tanto,
dim(q (f )t (E)) =
r
X
i=0
si t
r
X
i=0
mn (si , t) gr q (x) .
0 si si t 1
1 si si t,
181
Pr
de donde i=0 (mn (si , t) mn (si , t 1)) = nt + nt+1 + + ns . Denotemos
por qt la dimensin de q (f )t (E). Tenemos entonces
qt1 qt = (nt + nt+1 + + ns ) gr q (x) ,
de donde resulta que
nt =
1
(qt1 2qt + qt+1 ) .
gr q (x)
t
t1
= q t q t1 .
pt = dim N uc q (f ) / N uc q (f )
nt =
7.5.
1
(pt pt+1 ) .
gr q (x)
Teorema 110 Si el polinomio mnimo de f End (E) se descompone en factores lineales, existe una base de E en la cual la matriz de f es de la forma
J =
J (a0 , s0 )
0
J (a1 , s1 )
..
.
J (ar , sr )
182
son linealmente independientes. Ahora bien, dim Fi = si y por tanto estos vectores forman una base. La matriz de la restriccin de f a Fi en esta base es la
siguiente matriz de si filas:
ai 0
0 0
1 ai
0 0
.
..
0 1
0
0
.
J (ai , si ) = .
.
.
.
.
.
..
..
. . ..
..
..
0 0
1 ai 0
0 0
1 ai
Definicin 80 La matriz J del teorema anterior se llama la matriz reducida
de Jordan de f .
Observacin 80 Observemos que los elementos ai que aparecen en la diagonal
de la matriz cannica de Jordan son los valores propios de f (posiblemente
repetidos).
Para obtener una base de E en la cual la matriz de f sea la matriz cannica
de Jordan procederemos de la siguiente forma.
Sean
p (x) = (x 1 )1 (x r )r
y
m (x) = (x 1 )s1 (x r )sr
los polinomios caracterstico y mnimo de f . Recordemos que 1 + + r =
n = dim E y si i i. Los enteros si estn caracterizados por el hecho de
satisfacer
2
{0} N uc (f i I) N uc (f i I)
N uc (f i I)si 1 ( N uc (f i I)si
y
N uc (f i )
si
= N uc (f i ) = E i ,
t si .
Adems,
E = E1 Er .
La base que buscamos es unin de bases convenientes de los subespacios
invariantes E i . Restringindonos a estos espacios, podemos suponer que el polinomio caracterstico de f End (E) es (x )n y el polinomio mnimo (x )s , s
n. Para cualquier u E, designaremos (f I) (u) por q (u). Consideremos el
siguiente recuadro de vectores:
N uc (f I)
u11
q(u11 )
q s1 (u11 )
u1k1
q(u1k1 )
u21
q s1 (u1k1 ) q s2 (u21 )
183
u2k2
q s2 (u2k2 )
us1
usks
u11 , . . . , u1k1 determinan clases que forman una base de N uc (f I)s / N uc (f I)s1 .
Es fcil ver que u11 , . . . , u1k1 son linealmente independientes y que q (u11 ) , . . . , q (u1k1 )
N uc (f I)s1 determinan clases linealmente independientes en N uc (f I)s1 / N uc (f I)s2 .
Los vectores u21 , . . . , u2k2 son vectores representantes de clases que, juntamente
s1
s2
/ N uc (f I) . Repicon las anteriores, forman una base de N uc (f I)
tamos ahora este proceso hasta obtener una base de N uc (f I) formada por
los vectores situados en la ltima fila del recuadro.
Tenemos entonces:
i. El conjunto de todos los vectores que aparecen en el recuadro forman una
base de E.
ii. El nmero de columnas es la multiplicidad del valor propio .
iii. El nmero de filas es el exponente del polinomio mnimo.
iv. El nmero de vectores en cada fila es
dim (N uc(f I)t / N uc (f I)t1 ) = q t q t1 = pt .
v. El nmero de matrices J (, t) que aparecen en la matriz cannica de Jordan
de f es nt = pt pt+1 , que es la diferencia de vectores en filas consecutivas.
vi. Cada columna es la base de un subespacio f cclico de la descomposicin
de E.
Observacin 81 nS 1 siempre, ya que ps+1 1. Esto significa que siempre
aparece al menos una matriz J (, s) de la mxima dimensin.
Ejemplo 113 Consideremos un endomorfismo f End (E) con matriz
1 1 1 1 1
1
3
1
1
1
0
0
2
0
0
.
0
0
0
1 1
0
0
0
1
3
(f 2I) = 0
184
2
1
0
0
0
0
2
0
0
0
0
0
2
1
0
0
0
0
2
0
0
0
0
0
2
Captulo 8
8.1.
2.
Teorema 111 Dada una base e1 , ..., en de E, a toda forma bilineal f sobre E
se puede asociar una matriz cuadrada A de Mn (K) definida por f (ei , ej ) = aij
para todo 1 i, j n. Adems, la aplicacin de L(E2 , K) en Mn (K) definida
por f 7 A es un isomorfismo de espacios vectoriales. Si X y Y representan
las matrices columna de las coordenadas de los vectores x e y respecto de la base
e1 , ..., en , entonces se cumple
f (x, y) = X t AY = Y t At X
185
n
X
xi ei
y=
i=1
n
X
yj ej
j=1
j=1
xi yj f (ei , ej )
i,j
x1
X = ... , A =
xn
a11
..
.
an1
..
.
a1n
..
,Y =
.
ann
y1
..
.
yn
es decir, hemos considerado los vectores x e y como matrices columna que indicamos respectivamente por X y Y . Recprocamente, utilizando la misma notacin anterior, dada una matriz cuadrada A de Mn (K) y una base e1 , ..., en
de E. La aplicacin f : E E K definida como sigue
f (x, y) = X t AY
es una forma bilineal sobre E. Como consecuencia inmediata de lo que acabamos
de ver, la aplicacin de L(E2 , K) en Mn (K) definida por f 7 A es una
aplicacin biyectiva; adems se ve enseguida que es un isomorfismo de espacios
vectoriales. Es claro que f (x, y) es una escalar y, por tanto, independiente de
la trasposicin, es decir, se cumple
f (x, y) = Y t At X
Esto equivale a caracterizar la forma bilineal por una nueva matriz At .
Definicin 82 Dada una forma bilineal f sobre E. Se llama matriz de la
forma bilineal f referida a la base e1 , ..., en a la matriz A = (aij ) de
Mn (K) tal que
f (ei , ej ) = aij
para todo 1 i, j n.
187
Y = PY 0
1 1
1 3
t
1
1
1
2
f (x, y) =
2
1 3
3
1
2 3
=
7
= 19
Por otra parte, tenemos
t
1 1
2
f (y, x) =
1 3
3
1
1 2
=
11
= 21
1
2
1 1
P =
1 1
Por tanto, la nueva matriz asociada a f en la nueva base es
A0
= P t AP
t
1 1
1 1
1 1
=
1 3
1 1
1 1
1 1
2 0
=
1 1
2 4
4 4
=
0 4
2
1
A=
1 3
La matriz de cambio viene dada por
2 1
P =
1 1
Por tanto, la nueva matriz asociada a f es
A0
= P t AP
t
2
1
2 1
2 1
=
1 3
1 1
1 1
2 1
5
3
=
1 1
5 4
5 2
=
0 1
5y10 + 2y20
0
x1 x02
=
y20
= 5x01 y10 + 2x01 y20 x02 y20
189
= f (ei , ej )
= f (ej , ei )
= aji
X t AY
X t At Y
Y t AX
f (y, x)
Sea f una forma bilineal sobre un espacio vectorial E sobre K. Para todo
y E, la funcin fy definida por
fy (x) = f (x, y)
es una forma lineal sobre E. Por consiguiente, f define una aplicacin de E
en su dual E por
(y) = fy
Teorema 114 Sea f una forma bilineal sobre un espacio vectorial E sobre K.
La aplicacin : E E definida por
(y) = fy
es lineal.
Demostracin: Cualesquiera que sean x, y, z E se cumple
fy+z (x) = f (x, y + z)
= f (x, y) + f (x, z)
= fy (x) + fz (x)
y, por tanto,
fy+z = fy + fz
n
X
bik ek
k=1
= f (ei , ej )
= fei (ej )
n
!
X
bik ek (ej )
=
k=1
=
=
n
X
k=1
n
X
bik ek (ej )
bik kj
k=1
= bij
Por tanto, A = B.
191
f es no degenerada sobre E
2.
3.
5.
det A 6= 0
n
X
xi ei
i=1
entonces,
q(x) = f (x, x)
X
X
xi ei ,
xi ei )
= f(
=
aij xi xj
i,j
= X t AX
donde f (ei , ej ) = aij , es decir, si consideramos q como una aplicacin de Kn
en K, q se expresa como un polinomio homogneo de segundo grado.
193
1
[q(x + y) q(x) q(y)]
2
Esta frmula muestra tambin que si la misma forma cuadrtica q est asociada a dos formas bilineales simtricas f y g, entonces f = g y, por tanto, la
aplicacin es inyectiva.
Observacin 86 1. En general, la aplicacin establecida en el teorema no
es inyectiva ya que si h es una forma bilineal alternada no nula, entonces
se tiene
f (x, x) = q(x)
y
(f + h)(x, x) = f (x, x) + h(x, x)
= f (x, x)
= q(x)
Por lo tanto, las dos formas bilineales distintas f y f + h estn asociadas
a la misma forma cuadrtica q.
2.
1
[q(x + y) q(x) q(y)]
2
para todo x, y E.
Corolario 40 Si q es la forma cuadrtica asociada a la forma bilineal simtrica
f sobre E, las relaciones q = 0 y f = 0 son equivalentes.
Demostracin: Es inmediato a partir de las frmulas q(x) = f (x, x) y
f (x, y) =
1
[q(x + y) q(x) q(y)]
2
para todo x, y E.
Corolario 41 Si q es la forma cuadrtica asociada a la forma bilineal simtrica f , para todo endomorfismo u de E, se tiene q [u(x)] = q(x) si y slo si
f [(u(x), u(y)] = f (x, y) para todo x, y E. En tal caso se dice que u conserva
f o q.
Demostracin: Es inmediato a partir de las frmulas q(x) = f (x, x) y
f (x, y) =
1
[q(x + y) q(x) q(y)]
2
para todo x, y E.
Definicin 88 Si E es de dimensin finita y q es una forma cuadrtica sobre
E. Si f es la polar de q, la matriz A = (aij ) asociada a f respecto de una base
de E se llama tambin matriz asociada a la forma cuadrtica q y a su
determinante se le llama discriminante de q. Tenemos entonces que
X
X
X
aij xi xj =
aii x2i + 2
aij xi xj
q(x) =
i,j
i,j
2 32
A=
32
4
195
1 1
P =
1 1
Por tanto, la matriz de q en la nueva base es
A0
= P t AP
t
1 1
2 32
1 1
=
1 1
1 1
3
4
1 2 7
2
1 1
2
=
5
11
1 1
2
2
3 2
=
2 9
3 2
y1
y2
2 9
3y1 + 2y2
x1 x2
=
2y1 + 9y2
= 3x1 y1 + 2x1 y2 + 2x2 y1 + 9y1 y2
f (x, y) =
x1
x2
8.2.
La restriccin de f a F es no degenerada
2.
F F = {0}
3.
F no es isotropo
4.
E = F F
197
2.
Se cumple
E = F F
para todo subespacio vectorial F de E.
2.
1.
f (X, I)
tr(XI) trX trI
trX 2 trX
trX
a b
F=
: a, b, c R
c a
3.
1 0
0 1
0 0
,
,
0 1
0 0
1 0
constituye una base de F.
199
1.
2.
3.
1.
2.
q
(, , , 2 + 2 + 2 )
La matriz asociada a q es
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
Ejemplo 119 Sea E un espacio vectorial sobre K, f una forma bilineal simtrica sobre E y x0 un vector no nulo de E. Demostrar que el subespacio K x0 es
istropo si y slo si x0 es istropo. Se dice entonces que K x0 es una recta
istropa que pasa por el origen.
Solucin: Todos los elementos del subespacio en cuestin son de la forma
x0 con K. Luego, este subespacio ser istropo si existe 6= 0 tal que
f (x0 , x0 ) = f (x0 , x0 ) = 0
para todo K. En particular, para = 1, tenemos
f (x0 , x0 ) = 0
y, por tanto, x0 es istropo. Recprocamente, si x0 es istropo entonces es obvio
que el subespacio K x0 es istropo.
8.2.1.
Bases ortogonales
n
X
ai xi yi
i=1
201
es decir, E es la suma directa de la recta vectorial generada por v1 y del hiperplano F ortogonal a sta. Segn el corolario ???, dim F = n1 y, en consecuencia, la hiptesis de induccin muestra que F admite una base v2 , ..., vn ortogonal
respecto a la restriccin fF de f a F. Es claro entonces que v1 , v2 , ..., vn es una
base ortogonal de E respecto a f .
Corolario 44 Sea f una forma bilineal simtrica sobre un espacio vectorial E
de dimensin n sobre un cuerpo K de caracterstica distinta de 2 y q la forma
cuadrtica asociada. Supongamos que K es de caracterstica distinta de 2. Entonces, existe una base de E tal que la expresin de f y de q respecto a esta base
sea
r
r
X
X
f (x, y) =
ai xi yi y q(x) =
ai x2i
i=1
i=1
ai para 1 i r
f (ei , ei ) =
0 para r + 1 i n
Entonces esta base cumple las condiciones del enunciado. Si r < n, es claro que
en es ortogonal a todos los ei (1 i n) y, por tanto, a todo x E, y, en
consecuencia, f es degenerada. Se tiene por tanto r = n si f es no degenerada.
Recprocamente, si r = n la matriz de f respecto a la base que acabamos de
construir es la matriz diagonal D = diag(a1 , ..., an ), con ai 6= 0 (i = 1, ..., n).
Por tanto, es inversible y f no es degenerada.
Observacin 87 1. Si suponemos que K es algebraicamente cerrado y de
caracterstica distinta de 2 (por ejemplo K = C). Entonces, existe una
base de E tal que la expresin de f y de q respecto a esta base sea
f (x, y) =
r
X
xi yi
q(x) =
i=1
r
X
x2i
i=1
Corolario 45 Sea f una forma bilineal simtrica sobre un espacio vectorial real
E de dimensin n y q la forma cuadrtica asociada. Existen nmeros naturales
s, t tales que s + t n, y una base de E tal que la expresin de f respecto a esta
base sea
f (x, y) =
s
X
i=1
xi yi
s+t
X
xi yi
q(x) =
i=s+1
s
X
i=1
x2i
s+t
X
x2i
i=s+1
> 0 para 1 i s
< 0 para s + 1 i s + t
f (ei , ei ) =
= 0 para s + t + 1 i n
Tomando ahora
ei
f (ei ,ei )
ei
vi =
f (ei ,ei )
ei
para 1 i s
para s + 1 i s + t
para s + t + 1 i n
para 1 i s
1
1 para s + 1 i s + t
f (vi , vi ) =
0
para s + t + 1 i n
203
s
X
i=1
xi yi
s+t
X
xi yi
q(x) =
i=s+1
s
X
i=1
x2i
s+t
X
x2i
i=s+1
f (x, y) =
s
X
i=1
xi yi
0
sX
+t0
xi yi
q(x) =
i=s0 +1
s
X
x2i
i=1
0
sX
+t0
x2i
i=s0 +1
s
X
i=1
xi yi
s+t
X
xi yi
q(x) =
i=s+1
s
X
i=1
x2i
s+t
X
x2i
i=s+1
8.2.2.
Bases ortonormales
0 si i 6= j
f (ei , ej ) =
1 si i = j
o lo que es lo mismo, si la matriz de f respecto a la base en cuestin es la matriz
identidad, o, por ltimo, si la expresin de f respecto a esta base es de la forma
f (x, y) =
n
X
xi yi
i=1
donde n = dim E.
Observacin 89 La existencia de una base ortonormal obliga evidentemente
a que f sea no degenerada, y la observacin ??? muestra que esta condicin
tambin es suficiente en el caso ortogonal complejo o, con mayor generalidad,
si K es algebraicamente cerrado y de caracterstica distinta de 2.
Definicin 94 Decimos que una forma bilineal simtrica f sobre un espacio
vectorial real E y que la forma cuadrtica asociada q es definida positiva si
f (x, x) = q(x) > 0
para todo x 6= 0 de E.
205
Teorema 123 (Existencia de bases ortonormales) Sea E un espacio vectorial real de dimensin finita y f una forma bilineal simtrica sobre E. Para
que E admita una base ortonormal respecto a f es necesario y suficiente que f
sea definida positiva.
Demostracin: Si f admite una base ortonormal, entonces se tiene para todo
xE
n
X
f (x, x) =
x2i
i=1
y por consiguiente,
f (x, x) > 0
para todo x 6= 0. Recprocamente, si f es definida positiva, la demostracin del
corolario ??? muestra que se cumple s = n, y por tanto consiguiente que E
admite una base ortonormal.
Del corolario ??? se deduce que para que f sea definida positiva es necesario
y suficiente que s = n y t = 0. El otro extremo, s = 0 y t = n, es el de las
formas definidas negativas, es decir,
f (x, x) < 0
para todo x 6= 0.
Definicin 95 Decimos que una forma bilineal simtrica f sobre un espacio
vectorial real E y que la forma cuadrtica asociada q es definida negativa si
f (x, x) = q(x) < 0
para todo x 6= 0 de E.
Definicin 96 Se dice con mayor generalidad que una forma bilineal simtrica
f sobre un espacio vectorial real E y que la forma cuadrtica asociada q es
positiva (resp. negativa) si se cumple f (x, x) = q(x) 0 (resp. f (x, x) =
q(x) 0) para todo x E. Una forma que no es ni positiva ni negativa se
llama indefinida; esto significa que se pueden encontrar vectores x, y E tales
que
f (x, x) = q(x) > 0 y f (y, y) = q(y) < 0
Observacin 90 Esto significa evidentemente que t = 0 (resp. s = 0), de
manera que las formas definidas positivas (resp. definidas negativas) son las
formas positivas (resp. negativas) no degeneradas. Para el caso en que la forma
es indefinida es claro que se tiene p 1 y q 1.
Teorema 124 (Desigualdad de Schwarz) Si f es una forma bilineal simtrica positiva sobre un espacio vectorial real E y q la forma cuadrtica asociada,
se cumple
p
f (x, y) q(x) q(y)
q(x + y) = f (x + y, x + y)
= f (x, x) + 2f (x, y) + f (y, y)
p
q(x) + 2 q(x) q(y) + q(y)
hp
i2
p
=
q(x) + q(y)
de donde, obtenemos
p
p
p
q(x + y) q(x) + q(y)
207
[f (x, y)] 0
para todo y E, y por tanto,
f (x, y) = 0
para todo y E.
Observacin 91 De lo anterior resulta que si f es definida positiva, su ncleo
se reduce a {0}; por tanto, el vector nulo es el nico vector istropo respecto a
una forma bilineal simtrica definida positiva sobre un espacio vectorial real E.
8.3.
p(x) = 0 si y slo si x = 0
2.
3.
p(x) = || p(x)
para todo x, y E y R, se llama una norma sobre E.
q(x) = ||
p
q(x)
Definicin
98 Un espacio vectorial E sobre R provisto de una norma x 7
p
q(x), siendo q una forma cuadrtica definida positiva sobre E, se llama un
espacio prehilbertiano real en el caso general y, en particular, si E es de
dimensin finita, E se llama espacio euclideo.
Definicin 99 Sea E un espacio euclideo de dimensin n, a la forma bilineal
simtrica definida positiva sobre E se llama producto escalar. Si f es el producto escalar sobre E, utilizaremos la notacin x y para designar el nmero
real f (x, y). Se llama norma euclidea a la norma definida por
kxk = x x
En una base ortonormal de E, se tiene
x y = x1 y1 + + xn yn
y
kxk =
q
x21 + + x2n
n
X
xi yi
i=1
209
Esto nos permite decir que existe una sola estructura de espacio euclideo de dimensin n. Para estudiarlo escogemos una forma bilineal simtrica no degenerada positiva f0 que se llama producto escalar sobre E. Las bases ortonormales
de E sern las bases ortonormales respecto a f0 . Asimismo, se llama norma
euclidea a la norma definida con la ayuda de la forma cuadrtica q0 asociada
a f0 .
Definicin 100 Si E es un espacio euclideo, dos vectores x, y E se llaman
ortogonales si x y = 0. Un vector x E se llama unitario si x x = 1.
Ejemplo 120 Si E es un espacio euclideo y x es un vector de E no nulo, entonces
x
xx
es un vector unitario de E.
Solucin: Tenemos
x
xx
x
=
=1
xx
xx
xx
Ejemplo 121 Si E es un espacio euclideo y S es un subconjunto de vectores
diferentes de 0 y ortogonales dos a dos, entonces S es linealmente independiente.
Solucin: Supongamos que S = {v1 , ..., vr } y que
r
X
i vi = 0
i=1
r
X
i=1
r
X
i=1
i vi
vk
i vi vk
= k vk vk
Ahora bien, como vk 6= 0, se tiene vk vk 6= 0. Por tanto, k = 0 para todo k.
Teorema 126 (Mtodo de Gram-Schmidt) Si E es un espacio euclideo,
entonces siempre existe una base ortonormal de E.
Demostracin: Sea e1 , ..., en una base cualquiera de E. Consideremos los subespacios siguientes:
E1 = he1 i E2 = he1 , e2 i En = he1 , ..., en i = E
entonces, los vectores u1 , ..., ur , ur+1 forman una base ortonormal de Er+1 . De
este modo, por induccin obtenemos que En = E tiene una base ortonormal.
Teorema 127 Si una forma bilineal f sobre un espacio vectorial real tiene la
matriz identidad en una base u1 , ..., un , entonces f es un producto escalar.
Demostracin: Es inmediato y se deja al lector los detalles de la demostracin.
3 1 1
G= 1 1 0
1 0 1
Determinar por el mtodo de Gram-Schmidt un conjunto ortonormal de {(1, 0, 0), (0, 1, 1)}
respecto del producto escalar considerado.
Solucin: Hacemos v1 = (1, 0, 0) y v2 = (0, 1, 1). Entonces tenemos,
v1
u1 =
v1 v1
211
1 0 0 1 =3
=
1
v1 v1
luego,
1
u1 = ( , 0, 0)
3
Por otro lado, tenemos
u02 = v2 u1
siendo = v2 u1 , es decir,
=
=
luego,
0 1 1
3 1 1
3
1 1 0 0
1 0 1
0
3
0 1 1
u02
3
1
3
1
3
=
3
2
= (0, 1, 1) ( , 0, 0)
3
2
= ( , 1, 1)
3
y
u02 u02
23
23
2
3
3 1 1
1 1 1 1 0 1
1 0 1
1
2
1 1 13 =
3
1
Por tanto,
u2
u0
p 02 0
u2 u2
3
3
2
= ( , , )
6
6
6
=
=
=
=
=
=
y (x) = z (x)
xy =xz
x (y z) = 0
yz=0
y=z
(y) = (y)
213
S es un subespacio vectorial de E
2.
S T implica T S
3.
S = hSi
4.
hSi S = {0}
5.
hSi (S )
Demostracin: En cada caso es una simple comprobacin a partir de la definicin; la demostracin se deja al lector.
Teorema 130 Si E es un espacio euclideo y F es un subespacio vectorial de E,
entonces
E = F F
Demostracin: De la propiedad 4 del teorema anterior se deduce que F F =
{0}. Sea u1 , ..., ur una base ortonormal de F. Completmosla hasta obtener
una base u1 , ..., ur , er+1 , ..., en de E y apliquemos el mtodo de Gram-Schmidt
para conseguir una base ortonormal u1 , ..., ur , ur+1 , ..., un de E. Observemos que
uj F si j = r + 1, ..., n. Entonces, para todo x E,
x = x1 u1 + + xr ur + xr+1 ur+1 + + xn un F + F
de donde resulta lo que queramos demostrar.
Corolario 48 Si E es un espacio euclideo y F es un subespacio vectorial de E,
entonces
dim F = dim E dim F
Demostracin: Es inmediato a partir del resultado del teorema anterior.
Corolario 49 Si E es un espacio euclideo y F es un subespacio vectorial de E,
entonces F = F.
Demostracin: Por la propiedad 5 del teorema ???, se tiene F F . Por el
corolario anterior, F y F tienen la misma dimensin y, por tanto, F = F.
8.3.1.
7 y
f0
7 y f
g(y)
es decir, se cumple
[g(y)] = y f
de donde, para todo x E se tiene
[g(y)] (x) = (y f )(x)
x g(y) = y (f (x))
x g(y) = f (x) y
215
=
=
=
=
{y E : g(y) = 0}
{y E : x g(y) = 0, para todo x E}
{y E : f (x) y = 0, para todo x E}
(Im f )
de donde,
bji
= g(ei ) ej
= ei f (ej )
n
!
X
akj ek
= ei
k=1
= aij
Por tanto, B = At .
Ejemplo 123 En R2 se considera el producto escalar cuya matriz en la base
cannica es
2 0
G=
0 3
y el endomorfismo f definido por
1
2
0
1
3
!1
2 3
0 1
1
2
0
1
3
6
2
0 1
2 0
6 1
y en la base cannica
1
2
0
1
3
2 0
6 1
1
2
0
1
3
!1
2 0
2 1
Por tanto,
g(x, y) = (2x, 2x + y)
Definicin 103 Sea E un espacio euclideo. Se dice que f L(E) es autoadjunto o simtrico cuando su adjunto coincide con s mismo, es decir, si se
cumple
x f (y) = f (x) y
para todo x, y E.
Corolario 50 Sea E un espacio euclideo. Si A es la matriz de f L(E) en una
base ortonormal de E, entonces f es simtrico si y slo si A = At .
Demostracin: Es inmediato a partir del teorema anterior.
Ejemplo 124 Sea f un endomorfismo del espacio euclideo ordinario R2 cuya
matriz en la base ((1, 1), (0, 1)) es
2 0
1
Determinar para que f sea simtrico.
Solucin: Si f es simtrico, entonces su matriz en una base ortonormal
debe ser simtrica. Si tomamos la base cannica, entonces la matriz de f en
esta base es
1 0
2 0
1 0
2
0
=
1 1
1
1 1
+1 1
luego, + 1 = 0, es decir, = 1.
Definicin 104 Sea E un espacio euclideo. Se dice que un automorfismo f de
E es ortogonal si su adjunto es f 1 , es decir, si se cumple
x f 1 (y) = f (x) y
para todo x, y E.
217
= f (x) f (y)
= x g(f (y))
g f = idE
f es ortogonal
2.
3.
A1 = At
4.
At A = AAt = In
n
! n
X
X
xi ei f
xj ej
f (x) f (y) = f
i=1
n
X
i=1
j=1
! n
X
xi f (ei )
xj f (ej )
n
n X
X
i=1 j=1
n X
n
X
j=1
xi yj (f (ei ) f (ej ))
xi yi
i=1 j=1
= xy
8.3.2.
219
E 6= E0
con
x=
n
X
xi ei
y=
i=1
n
X
yi ei
i=1
n
X
x2i
i=1
=
=
=
=
de donde
( )(x x) = ( )
como x 6= 0 implica
n
X
i=1
f 0 (x) x
(x) x
(x x)
0
n
X
i=1
|xi |2 = 0
|xi |2 6= 0
2.
Los subespacios propios asociados a dos valores propios distintos son ortogonales
221
Demostracin:
1.
F = hxi = {y E : x y = 0}
es invariante pot f . En efecto, si y F, entonces
x f (y) =
=
=
=
f (x) y
(x) y
(x y)
0 =0
=
=
=
=
f (x1 ) x2
(1 x1 ) x2
1 (x1 x2 )
0
de donde, x1 x2 = 0 y, por tanto, x1 y x2 son ortogonales. Por consiguiente, resulta que los subespacios propios asociados a 1 y 2 son ortogonales.
x
kxk
(At = A)
8.4. PROCEDIMIENTOS
223
n
X
i x2i
i=1
r
X
i xi yi
q(x) =
i=1
r
X
i x2i
i=1
8.4.
Procedimientos
8.4.1.
aii x2i + 2
aij xi xj
i,j
1
2
[L(x)] + q1 (x)
a11
[q(x)]
2 x1
y q1 (x) = p(x2 , ..., xn ) es una forma cuadrtica en las variables x2 , ..., xn a
la que se vuelve a aplicar el mtodo, con lo que acabamos descomponiendo
q en una suma o diferencia de cudrados.
2
[L1 (x) L2 (x)] + q1 (x)
a12
[q(x)]
x1
[q(x)]
x2
[p(x)] + +
[p(x)] = 2p(x)
x1
xn
Ejemplo 125 Determinar una forma reducida de la siguiente forma cuadrtica
de R3
q(x, y, z) = x2 + y 2 + 3z 2 + 4xy + 2xz + 2yz
Solucin: Aplicaremos el mtodo de reduccin de Gauss, segn caso (1):
q(x, y, z) = x2 + y 2 + 3z 2 + 4xy + 2xz + 2yz
= (x + 2y + z)2 3y 2 + 2z 2 2yz
7
1
= (x + 2y + z)2 (3y + z)2 + z 2
3
3
obtenemos as la siguiente forma reducida de q
7
1
q(x0 , y 0 , z 0 ) = (x0 )2 (y 0 )2 + (z 0 )2
3
3
donde
0
x = x + 2y + z
y 0 = 3y + z
0
z =z
8.4. PROCEDIMIENTOS
225
0
x
10
x2
x0
30
x4
1 0 2 1 0 2
(x ) (x2 ) (x03 )2
4 1
4
= x1 + x2 + x3 + 2x4
= x1 x2 + x3
= x4
=0
Transformaciones elementales
Realizando transformaciones elementales en la matriz A de la forma bilineal
simtrica asociada a la forma cuadrtica, conseguiremos otra matriz D congruente con ella cuya forma es diagonal. De este modo, existe una matriz ortogonal
P tal que
D = P t AP
Las columnas de P sern las coordenadas de los vectores que constituyen la base
ortonormal respecto de la cual la matriz de la forma cuadrtica es D.
Ejemplo 127 Sea q la forma cuadrtica sobre R3 definida por
q(x, y, z) = x2 + y 2 + z 2 + 2yz
1.
2.
Es definida positiva?
Solucin:
1.
1 0 0
A= 0 1 1
0 1 1
I3 |A|I3
1 0 0 1 0 0 1 0 0
0 1 0 0 1 1 0 1 0
0 0 1 0 1 1 0 0 1
1 0 0 1 0 0 1 0 0 F1
0 1 0 0 1 1 0 1 0 F2
0 0 1 0 0 0 0 1 1 F3 F2
1 0 0
0 1 1
0 0 1
C1
1
0
0
C2
0
1
0
C3 C2
0
0
0
P |D|P t
1 0 0
0 1 0
0 1 1
Es evidente que q no es definida positiva ya que los elementos de la diagonal de la forma reducida son 1, 1 y 0, que no son estrictamente positivos.
1 0 0
A= 0 1 1
0 1 1
8.4. PROCEDIMIENTOS
227
0
x
1 0 0
0 1 1 y = 0
0
z
0 1 1
Por ejemplo, el vector (0, 1, 1) es un vector propio de valor propio 0 ya que
0
0
1 0 0
0 1 1 1 = 0
0
1
0 1 1
Como que la traza es un invariante frente a los cambios de base, deducimos que
trA = 1 + 0 +
1+1+1 = 1+
2 =
Por tanto, los valores propios son 0,1 y 2. Puesto que los vectores propios de valores propios distintos son ortogonales, podemos calcular un vector propio (x, y, z)
de valor propio 2 con la ayuda de las ecuaciones siguientes:
(x, y, z) (1, 0, 0) = 0
(x, y, z) (0, 1, 1) = 0
= (1, 0, 0)
(0, 1, 1)
1
1
=
= (0, , )
2
2
2
(0, 1, 1)
1
1
=
= (0, , )
2
2
2
y, por tanto,
1
1
1
1
((1, 0, 0), (0, , ), (0, , ))
2
2
2
2
es una base ortonormal formada por vectores propios de f en la que las matrices
de f y q coinciden; esta matriz es
1 0 0
D= 0 2 0
0 0 0
La forma reducida de q en dicha base es
q(x0 , y 0 , z 0 ) = x02 + 2y 02
8.4.2.
2 1 0 0 0
1 2 0 0 0
A=
0 0 2 0 0
0 0 0 2 1
0 0 0 1 2
en la base cannica. Para ello, hallar su rango y su signatura.
Solucin: Sabemos que en una base ortonormal el endomorfismo simtrico
asociado a q tiene la misma matriz A. El polinomio caracterstico de A es
det(A I5 ) = ( 2)( 1)2 ( 3)2
y, por tanto, los valores propios de A son 1 (doble),2 y 3 (doble). Por lo tanto,
la forma reducida de q en la base ortonormal formada por vectores propios de
valores propios 1,2 y 3 es
q(x, y, z, t, u) = x2 + y 2 + 2z 2 + 3t2 + 3u2
De aqu obtenemos que r = 5 y la signatura de q es (5, 0) y, en consecuencia,
la forma cuadrtica es definida positiva.
Diagonalizacin de la forma cuadrtica
Supongamos que en una base ortonormal la forma cuadrtica se reduce a
q(x) = a11 x21 + + ann x2n
entonces:
8.4. PROCEDIMIENTOS
229
1 0 2
(x ) + (y 0 )2 + (z 0 )2 (t0 )2
4
0
x = 4x + 2y
0
y =y+zt
0
z
=t+z
0
t =z
a11 a1p
..
..
Mp = ...
(1 p n)
. .
ap1 app
c1 0
..
.
..
D= .
. ..
0
1
t21
T = .
..
tn1
cn
0
1
..
.
..
.
0
0
..
.
tn2
tales que
A = T Dt T
y
ck =
Mk
Mk1
1
A= 1
1
cannica es
1 1
2 2
2 3
8.4. PROCEDIMIENTOS
231
= 1>0
1 1
=
1 2
1 1
= 1 2
1 2
=1>0
1
2 = 1 > 0
3
1 a
1
A= a
0
0
0
0
3
= 1 < 0
1 a
=
a
1
1 a
1
= a
0
0
= 1 a2
0
0 = 3(1 a2 )
3
1
A= 1
0
cannica de R3 es
1 0
2 0
0 3
det(A I3 ) = 1
0
= 3 + 62 10 + 3
La sucesin de signos es
+ +
es decir, hay tres cambios de signo. Como A admite todos sus valores propios
en R, se sigue que los valores propios de A son todos positivos y, por tanto, q
es definida positiva.
Parte II
Prctica
233
Captulo 9
Espacios vectoriales
9.1.
=
=
=
(1 + 1 + 1)v
0v
0
ya que 3 0 mod 3
236
Solucin: Si K = Z2 = 0, 1 , entonces K2 es un espacio vectorial de
22 = 4 elementos sobre K. La suma de vectores se define por la tabla siguiente:
+
(0, 0)
(0, 1)
(1, 0)
(1, 1)
(0, 0)
(0, 0)
(0, 1)
(1, 0)
(1, 1)
(0, 1)
(0, 1)
(0, 0)
(1, 1)
(1, 0)
(1, 0)
(1, 0)
(1, 1)
(0, 0)
(0, 1)
(1, 1)
(1, 1)
(1, 0)
(0, 1)
(0, 0)
(0, 0)
(0, 0)
(0, 0)
(0, 1)
(0, 0)
(0, 1)
(1, 0)
(0, 0)
(1, 0)
(1, 1)
(0, 0)
(1, 1)
237
f (x) + (f (x)) =
238
por definicin
(f + g) (x) =
por definicin
(f (x) + g(x)) =
por la propiedad distributiva de la multiplicacin respecto de la adicin en R
f (x) + g(x) =
por definicin
(f ) (x) + (g) (x) =
por definicin
(f + g) (x)
(8) Para todo f E y , R, ( + ) f = f + f , pues
(( + ) f ) (x) =
por definicin
( + ) f (x) =
por la propiedad distributiva en R
f (x) + f (x) =
por definicin
(f ) (x) + (f ) (x) =
por definicin
(f + f ) (x)
(9) Para todo f E y , R, () f = (f ), pues
(() f ) (x) =
por definicin
() f (x) =
por la propiedad asociativa de la multiplicacin en R
(f (x)) =
por definicin
((f ) (x)) =
por definicin
( (f )) (x)
(10) Para todo f E, 1f = f , pues
(1f ) (x) =
239
por definicin
1f (x) =
por ser 1 la unidad en R
f (x)
Ejercicio 5 Estudiar si los conjuntos siguientes de nmeros reales y las operaciones que se indican formano no
un espacio vectorial
sobre el cuerpo de los
(x + y 5) = (x) + (y) 5
porque 1/2
/ Z.
(b) Para B y las mismas
operaciones
se cumplen los 10 axiomas:
h
i
x1 + y1 5 + x2 + y2 5 + x3 + y3 5 =
por definicin
por definicin
h
i
x1 + y1 5 + (x2 + x3 ) + (y2 + y3 ) 5 =
((x1 + x2 ) + x3 ) + ((y1 + y2 ) + y3 ) 5 =
por definicin
por definicin
h
i
(x1 + x2 ) + (y1 + y2 ) 5 + x3 + y3 5 =
h
i
x1 + y1 5 + x2 + y2 5 + x3 + y3 5
240
x1 + y1 5 + x2 + y2 5 =
por definicin
(x1 + x2 ) + (y1 + y2 ) 5 =
(x2 + x1 ) + (y2 + y1 ) 5 =
por definicin
x2 + y2 5 + x1 + y1 5
0 + 0 5 + x1 + y1 5 =
por definicin
(0 + x1 ) + (0 + y1 ) 5 =
x1 + y1 5
(x1 ) + (y1 ) 5 + x1 + y1 5 =
por definicin
((x1 ) + x1 ) + ((y1 ) + y1 ) 5 =
0+0 5
por definicin
por definicin
h
i
(x1 + x2 ) + (y1 + y2 ) 5 =
((x1 + x2 )) + ((y1 + y2 )) 5 =
(x1 + x2 ) + (y1 + y2 ) 5 =
por definicin
por definicin
x1 + y1 5 + x2 + y2 5 =
x1 + y1 5 + x2 + y2 5
( + ) x1 + y1 5 =
por definicin
(( + ) x1 ) + (( + ) y1 ) 5 =
(x1 + x1 ) + (y1 + y1 ) 5 =
por definicin
por definicin
x1 + y1 5 + x1 + y1 5 =
x1 + y1 5 + x1 + y1 5
por definicin
por definicin
x1 + y1 5 =
(x1 ) + (y1 ) 5 =
() x1 + () y1 5 =
por definicin
() x1 + y1 5
1 x1 + y1 5 =
por definicin
(1x1 ) + (1y1 ) 5 =
x1 + y1 5
Por tanto, B es un espacio vectorial sobre Q.
241
242
9.2.
Subespacios vectoriales
243
= 0
= 0
244
Por definicin,
u + v = (x1 + x2 , y1 + y2 , z1 + z2 , t1 + t2 )
Adems se cumple,
2(x1 + x2 ) + 3(y1 + y2 ) + (z1 + z2 ) 2(t1 + t2 ) =
efectuando operaciones,
2x1 + 3y1 + z1 2t1 + 2x2 + 3y2 + z2 2t2 =
por hipotesis,
0+0=0
Por tanto, u + v S.
Si u = (x1 , y1 , z1 , t1 ), R, entonces por definicin se tiene
u = u = (x1 , y1 , z1 , t1 )
Adems se cumple,
2(x1 ) + 3(y1 ) + (z1 ) 2(t1 ) =
efectuando operaciones,
(2x1 + 3y1 + z1 2t1 ) =
por hiptesis,
0 = 0
Por tanto, u S. Obsrvese que 0 = (0, 0, 0, 0) S.
Por consiguiente, S es un subespacio vectorial de R4 .
9.3.
245
x=
y =+
z =
en donde , R. De estas ecuaciones se deduce
y + z = 2
y, de aqu, se obtiene
y + z = 2x
es decir
2x y z = 0
Por tanto, podemos escribir
T = {(x, y, z) R3 : 2x y z = 0}
De este modo, es evidente que
S T = {(x, y, z) R3 : x + y + z = 0 y 2x y z = 0}
Para expresarlo en forma paramtrica debemos resolver el sistema lineal formado
por las dos ecuaciones definidoras del subespacio:
x+y+z =0
2x y z = 0
Sumando las dos ecuaciones se obtiene
x=0
y, por tanto,
y = z
Si ahora hacemos z = , con R, entonces
x=0
y =
z=
y, en consecuencia
S T = {(0, , ) : R}
246
9.4.
x=+
y=
z =
hAi = {(x, y, z) R3 : x 2y + z = 0}
9.5.
:
:
:
:
x = + 2 + +
y = 2 + + 2 +
z = 2
t = 3 + 4 + + 4
247
y, en consecuencia,
y la suma no es directa.
9.6.
S T 6= {0}
Combinaciones lineales
1 3 = 1
21 + 2 = 1
31 + 22 + 3 = 1
248
21 + 2 + 33 = 2
1 2 + 23 = 0
41 + 32 + 53 = 6
cuya solucin es: 1 = 4, 3 = 2, 2 = 0. Por tanto,
p(x) = 4p1 (x) + 0p2 (x) + (2)p3 (x) = 4p1 (x) 2p3 (x)
6 3
0 8
1 2
0 1
4 2
, M2 =
, M3 =
M1 =
1 3
2 4
0 2
de M2 (R).
Solucin: Se trata de encontrar 1 , 2 , 3 R tales que
A = 1 M1 + 2 M2 + 3 M3
es decir
6 3
0 8
= 1
1 2
1 3
+ 2
6 3
1 + 43
=
1 + 22
0 8
0 1
2 4
+ 3
21 + 2 23
31 + 42 23
4 2
0 2
249
1 + 43 = 6
21 + 2 23 = 3
1 + 22 = 0
31 + 42 23 = 8
cuya solucin es: 1 = 2, 3 = 1, 2 = 1. Por tanto,
A = 2M1 + M2 + M3
9.7.
Clausura lineal
31 2 = 1
1 + 22 + 73 = 5
1 3 = a
250
es decir,
(x, y, z, t) = (1 + 22 , 1 + 2 , 1 , 1 + 32 )
Por tanto, el siguiente sistema
1 + 22 = x
1 + 2 = y
1 = z
1 + 32 = t
F = (x, y, z, t) R4 : x 2y + z = 0 y 3y 2z t = 0
Ejercicio 17 Hallar un sistema generador S del espacio vectorial de las soluciones del siguiente sistema lineal homogneo:
xy =0
2x + y + z = 0
x+yz =0
Suponer que los coeficientes del sistema son elementos de: (a) R; (b) Z2 ; (c)
Z5 .
Solucin: En cualquiera de los tres casos es preciso resolver el sistema.
(a) En este caso, su solucin es: x = y = z = 0. Por tanto, S = ((0, 0, 0)).
(b) En este caso, el sistema se escribe como sigue
251
= {(x, y, z) R3 : x + y + z = 0}
= {(, 2, 3) : R}
Demostrar que R3 = S1 S2 .
Solucin: Primero debemos comprobar que S1 S2 = {(0, 0, 0)} y, segundo,
que S1 + S2 = R3 . En efecto, si u = (x, y, z) S1 S2 , entonces se cumple
x + y + z = 0, pues u S1 , y = 2x, z = 3x ya que u S2 . Por tanto,
x + 2x + 3x = 5x = 0
o sea x = 0; de donde, y = z = 0. En consecuencia, S1 S2 = {(0, 0, 0)}.
Consideremos u = (x, y, z) R3 , debemos encontrar v S1 y w S2 tales que
u=v+w
Es claro, por otra parte, que si (x, y, z) S1 , entonces z = x y. Por tanto,
(x, y, x y) = x(1, 0, 1) + y(0, 1, 1)
252
y, en consecuencia,
S1 = h(1, 0, 1), (0, 1, 1)i
Por tanto, si v S1 , entonces v = (1, 0, 1) + (0, 1, 1) y, si w S2 ,
entonces w = (, 2, 3). Entonces
(x, y, z) = (1, 0, 1) + (0, 1, 1) + (1, 2, 3)
o bien
+=x
+ 2 = y
+ 3 = z
x+y+z
6
luego
=
5x y z
6
x + 2y z
3
9.8.
Sistemas equivalentes
= p2 p3
= p2 + p3 + p4
= p1 2p2 + 2p3
y
p1
p2
p3
p4
=
=
=
=
2q1 + q3
q1 + 2q2 + q3
2q2 + q3
q1 + q2
Por tanto, S1 S2 .
9.9.
253
2 + 3 = 0
1 + 3 = 0
2 + 3 = 0
254
De donde se obtiene
2(1 + 2 ) = 0
2 = 0
3 = 0
=0
=0
=0
=0
2a b = 15
3a = 3
de donde resulta
a = 1 y b = 13
Ejercicio 22 En el espacio vectorial de los nmeros reales
R sobre el cuerpo
de los nmeros racionales Q, probar que los vectores 1, 2, 5 son linealmente
independientes.
Solucin: Consideremos
1 1 + 2 2 + 3 5 = 0
con 1 , 2 , 3 Q. Si fuera 1 6= 0, entonces
1 = 2 2 3 5
2 2 + 3 5 = 0
Si fuera 2 6= 0, entonces
5
2 = 3
2
es decir, ( 5/ 2)3 sera un nmero racional, lo que no es posible. Por tanto,
2 = 3 = 0. En consecuencia, los vectores son linealmente independientes.
9.10.
1 + 2 + 3 = 0
1 + 2 + 23 = 0
1 + 22 + 33 = 0
x+y+z =6
x + y + 2z = 9
x + 2y + 3z = 14
256
f2
1
f1 +
2
1
f1
2
1
f5
2
1
f5
2
F = hf1 , f2 , f3 , f4 , f5 i = hf1 , f4 , f5 i
1 + 3 = 0
1 + 2 = 0
1 3 = 0
9.11.
257
ao
a1
an1
fn (x) +
fn1 (x) + +
f1 (x) + an f0 (x)
n!
n(n 1) 2
n
es decir, p(x) es combinacin lineal de f0 (x), f1 (x), ..., fn (x). Por otra parte,
sabemos que dim Rn [x] = n + 1. Por tanto, (f0 (x), f1 (x), ..., fn (x)) es una base.
(b) Obsrvese que p3 (x) = p1 (x) p2 (x). Por tanto, son linealmente dependientes.
(c) Para que p(x) hr1 (x), r2 (x)i deben existir 1 , 2 R tales que
p(x) = 1 r1 (x) + 2 r2 (x)
es decir,
1 + 5x2 = 1 (1 + x2 ) + 2 (1 x2 )
De aqu se obtiene el sistema
1 + 2 = 1
1 2 = 5
258
es decir,
1 + x = 1 (1 + x2 ) + 2 (1 x2 )
o bien,
1 + x = 1 + 2 + 0x + (1 2 )x2
es decir,
(1 + 3x + 5x2 ) + (1 + 2x2 ) = (1 + x2 ) + (1 x2 )
o bien,
+ 3x + (5 + 2)x2 = + + ( )x2
=+
3 = 0
5 + 2 =
++ =0
3 = 0
5 + 2 + = 0
9.12.
259
9.13.
260
Aplicando T1 se obtiene
v3 : 1 1
v2 : 1 1
v1 :
1 1
aplicando 2 veces T3 se obtiene
1
v3 : 1
v2 v3 :
0 + 1 1
v1 + v3 :
0 1 1 + 2
o de forma equivalente
1
v3 : 1
v2 v3 :
0
1
(1 + )
v1 + v3 :
0 ( + 1) ( + 1)( 1)
Aplicando T2, suponiendo que + 1 6= 0, se obtiene
1
v3 : 1
v2 v3 :
0 1 (1 + )
v1 +v3
:
0
1
1
+1
Aplicando T1, se tiene
: 1
1
:
0
1
1
0 1 (1 + )
v2 v3 :
v3
v1 +v3
+1
v2 v3 +
v3
v1 +v3
+1
(1)(v1 +v3 )
+1
: 1 1
:
0 1
1
:
0
0 (1 + ) ( 1)2
o de forma equivalente
v2 v3 +
v3
v1 +v3
+1
(1)(v1 +v3 )
+1
: 1 1
:
0 1
1
:
0
0 2 + 2
261
v1 + v3
(1 )(v1 + v3 )
(v1 , v2 , v3 ) v3 ,
, v2 v3 +
+1
+1
y, los vectores de este ltimo sistema son linealmente independientes, ya que
2 + 2 6= 0 para todo R. Por tanto, si 6= 1 entonces rang S = 3.
Si fuese = 1, entonces se tendra
v3 : 1 1 1
v2 v3 :
0
2
0
v1 v3 :
0
0
0
Suprimiendo la tercera fila se tiene
v3 : 1 1 1
v2 v3 :
0
2
0
Por tanto, si = 1
(v1 , v2 , v3 ) (v3 , v2 v3 )
262
Por tanto,
rang(v1 , v2 , v3 , v4 ) = rang(v1 , v2 , v1 + v2 + v3 , 2v1 + v2 + v4 ) = 4
ya que los vectores del sistema (v1 , v2 , v1 + v2 + v3 , 2v1 + v2 + v4 ) son
linealmente independientes.
9.14.
9.15.
Cambio de coordenadas
Ejercicio 31 Calcular la matriz de cambio de la base B1 = ((1, 1, 0), (1, 0, 2), (0, 2, 5))
a la base B2 = ((0, 1, 1), (1, 1, 1), (3, 1, 0)) de R3 .
Solucin: Sea B0 la base natural de R3 . Sabemos que la matriz de paso de
B1 a B0 es
1 1 0
P = 1 0 2
0 2 5
y la matriz de paso de B2 a B0 es
0 1 3
Q= 1 1 1
1 1 0
Si (x1 , y1 , z1 ) son las coordenadas de un vector en B1 y (x2 , y2 , z2 ) son las coordenadas del mismo vector en B2 . Entonces, se cumple
x2
0 1 3
x1
1 1 0
1 0 2 y1 = 1 1 1 y2
1 1 0
0 2 5
z1
z2
263
como que las matrices de cambio son siempre invertibles, podemos escribir
1
x1
x2
0 1 3
1 1 0
1 1 1 1 0 2 y1 = y2
1 1 0
0 2 5
z1
z2
es decir
x2
x1
2 3 4
2 5
9 y1 = y2
1 2 3
z1
z2
2 3 4
9
Q1 P = 2 5
1 2 3
Obsrvese el siguiente diagrama para recordar cmo puede deducirse directamente la matriz en cuestin
Q1
B2 B0 B1
No hay que olvidar que el diagrama para cualquier base B que no sea la natural
es siempre el siguiente
P
B0 B
en donde la matriz P tiene por columnas las coordenadas de los vectores de la
base B.
264
Captulo 10
Aplicaciones lineales
10.1.
Definicin y ejemplos
266
Solucin:
Por otro lado,
g(x1 ) + g(x2 ) = (x1 , 2, 3x1 ) + (x2 , 2, 3x2 ) = (x1 x2 , 4, 3x1 + 3x2 )
As pues, g(x1 + x2 ) 6= g(x1 ) + g(x2 ), por lo que g no es lineal.
Consideremos h : R3 R dada por h(x, y, z) = x 3y + 2z.
Sean (x1 , y1 , z1 ), (x2 , y2 , z2 ) R3 :
h((x1 , y1 , z1 ) + (x2 , y2 , z2 )) = h(x1 + x2 , y1 + y2 , z1 + z2 ) =
= (x1 + x2 ) 3(y1 + y2 ) + 2(z1 + z2 ) = x1 + x2 3y1 3y2 + 2z1 + 2z2 =
= (x1 3y1 + 2z1 ) + (x2 3y2 + 2z2 ) = h(x1 , y1 , z1 ) + h(x2 , y2 , z2 )
Sean (x1 , y1 , z1 ) R3 ,
R:
267
a b
f
= (a + b, b + c, c + d, d + a).
c d
Probar que f es lineal.
Solucin: Sean A1 , A2 M2 (R):
a1 b1
a2
, A2 =
A1 =
c1 d1
c2
Veamos que f es lineal:
a2
a1 b1
+
f (A1 +A2 ) = f
c1 d1
c2
b2
d2
=f
b2
d2
a1 + a2
c1 + c2
b1 + b2
d1 + d2
= ((a1 +a2 )+(b1 +b2 ), (b1 +b2 )+(c1 +c2 ), (c1 +c2 )+(d1 +d2 ), (d1 +d2 )+(a1 +a2 )) =
= ((a1 +b1 )+(a2 +b2 ), (b1 +c1 )+(b2 +c2 ), (c1 +d1 )+(c2 +d2 ), (d1 +a1 )+(d2 +a2 )) =
= (a1 + b1 , b1 + c1 , c1 + d1 , d1 + a1 ) + (a2 + b2 , b2 + c2 , c2 + d2 , d2 + a2 ) =
a2 b2
a1 b1
+f
= f (A1 ) + f (A2 )
=f
c1 d1
c2 d2
a b
Sean R, A =
:
c d
a b
a b
f (A) = f
=f
= (a+b, b+c, c+d, d+a) =
c d
c d
= ((a + b), (b + c), (c + d), (d + a)) = (a + b, b + c, c + d, d + a) =
a b
= f
= f (A)
c d
As pues,
f (A1 + A2 ) = f (A1 ) + f (A2 )
f (A1 ) = f (A1 )
Por tanto, f es lineal.
10.2.
= {(x, y) : 2x + y = 0, x y = 0, 3y = 0} =
268
Calculemos Im f :
Im f = {f (x, y), (x, y) R2 } = {(2x + y, x y, 3y), (x, y) R2 } =
= {(2x, x, 0) + (y, y, 3y), (x, y) R2 } =
x1 x2 x2 x3
. Calcular la dimensin y una base de N uc f e Im f .
x3 x1 x1 x2
Solucin: Calculemos N uc f :
N uc f = {(x1 , x2 , x3 ) R3 : f (x1 , x2 , x3 ) = 0} =
0 0
x1 x2 x2 x3
3
=
}=
= {(x1 , x2 , x3 ) R :
x3 x1 x1 x2
0 0
= {(x1 , x2 , x3 ) : x1 x2 = 0, x2 x3 = 0, x3 x1 = 0, x1 x2 = 0} =
= {(x1 , x2 , x3 ) : x1 = x2 = x3 } = {(x1 , x1 , x1 ), x1 R} =
= {x1 (1, 1, 1), x1 R} = h(1, 1, 1)i
As pues,
N uc f = h(1, 1, 1)i
Por tanto, dim N uc f = 1, y podemos deducir que dim Im f = 2, ya que
dim R3 = dim N uc f +dim Im f
3 = 1+dim Im f
dim Im f = 2
Calculemos ahora Im f :
Im f = {f (x1 , x2 , x3 ), (x1 , x2 , x3 ) R3 } =
x1 x2 x2 x3
={
, (x1 , x2 , x3 ) R3 } =
x3 x1 x1 x2
x2 x2
x1
0
0 x3
={
, (x1 , x2 , x3 ) R3 } =
+
+
x1 x1
0
x2
x3
0
1 1
1 0
0 1
+ x3
= {x1
+ x2
, (x1 , x2 , x3 ) R3 } =
0 1
1 1
1 0
269
1 1
0 1
1 0
,
i
=h
,
0 1
1 0
1 1
Sabemos que dim Im f = 2, por lo que basta tomar dos vectores linealmente
independientes entre los que generan Im f , por ejemplo los dos primeros:
1 1
1 0
i.
Im f = h
,
0 1
1 1
(I f )2 = I f
2.
N uc f = Im (I f )
3.
Im f = N uc (I f )
Solucin:
1.
Veamos que (I f )2 = I f :
(I f )2 = (I f ) (I f ) = I I + I (f ) + (f ) I + (f ) (f ) =
= I f f + f 2 = I 2f + f 2 = I 2f + f = I f
2.
) Probemos que N uc f Im (I f ):
u N uc f
f (u) = 0
u f (u) = u 0
(I f )(u) = u
u Im (I f )
) Probemos que N uc f Im (I f ):
v Im (If )
uf (u) = v
0 = f (v)
I(u)f (u) = v
As pues, N uc f = Im (I f ).
v N uc f
270
3.
N uc (I f ) = {u E : (I f )(u) = 0}
) Probemos que Im f N uc (I f ):
v Im f
f 2 (u) = f (v)
v f (v) = 0
f (f (u)) = f (v)
f (u) = f (v)
v = f (v)
(I f )(v) = 0
v N uc (I f )
) Probemos que Im f N uc (I f ):
u N uc (I f )
(I f )(u) = 0
u f (u) = 0
u = f (u)
I(u) f (u) = 0
u Im f
As pues, Im f = N uc(I f ).
10.3.
2
1
3
5
(Porque los coeficientes de f (e1 ) en la base {u1 , u2 , u3 , u4 } son (2, 1, 3, 5)
f (e2 ) = f (0, 1, 0) = (4, 2, 1, 0) = 4u1 2u2 + u3
271
4
2
1
0
f (e3 ) = f (0, 0, 1) = (2, 1, 2, 5) = 2u1 u2 2u3 5u4
Por tanto, la tercera columna de la matriz asociada a f en estas bases ser
2
1
2
5
As pues, la matriz asociada a f en las bases cannicas de R3 y R4 es:
2
4
2
1 2 1
3
1 2
5
0 5
1 1
1 1
(La primera columna de la matriz est formada por la coeficientes de f (e1 )
en la base {e1 , e2 }, y la segunda columna, por los coeficientes de f (e2 ) en
{e1 , e2 })Calculemos ahora la matriz asociada a f 2 I:
La matriz asociada a f es
1 1
1 1
y la matriz asociada a I es
1 0
0 1
272
1 1
1 0
1 1
1 1
1 0
=
1 1
0 1
1 1
1 1
0 1
2 0
1 0
1 0
=
=
0 2
0 1
0 1
1 1
1 1
1 1
1 1
1 1
1 1
2 0
2 2
=
=
=
.
1 1
1 1
1 1
1 1
0 2
2 2
Ejercicio 40 Sea f : R3 R4 una aplicacin lineal tal que f (e1 e3 ) =
u1 , f (e2 e3 ) = u1 u2 y f (2e3 ) = 2u1 + 2u3 , donde B = {e1 , e2 , e3 } es
= {u1 , u2 , u3 , u4 } es una base de R4 . Calcular la matriz
una base de R3 y B
f (e1 )f (e3 ) = u1
f (e1 ) = u1 + u1 + u3
f (e2 ) = u1 u2 + f (e3 )
f (e3 ) = u1 +u3
f (e1 ) = u1 +f (e3 )
f (e1 ) = 2u1 + u3
f (e2 ) f (e3 ) = u1 u2
f (e2 ) = u1 u2 + u1 + u3
f (e2 ) = 2u1 u2 + u3
As pues,
f (e1 ) = 2u1 + 0u2 + 1u3 + 0u4
f (e2 ) = 2u1 1u2 + 1u3 + 0u4
f (e3 ) = 1u1 + 0u2 + 1u3 + 0u4
es
Por tanto, la matriz asociada a f en las bases B, B
2 2 1
0 1 0
1 1 1
0 0 0
273
2 1 0
0 1 1
Calculemos ahora la matriz de f en las bases siguientes:
Base de R3 : {v1 = (1, 1, 1), v2 = (0, 1, 2), v3 = (0, 2, 1)}
Base de R2 : {w1 = (2, 1), w2 = (1, 0)}
Para determinar la matriz asociada a f en estas bases, debemos calcular
f (v1 ), f (v2 ), f (v3 ) y expresarlo en la base {w1 , w2 }:
f (v1 ) = f (1, 1, 1) = (3, 0) = 3w2
f (v2 ) = f (0, 1, 2) = (1, 1) = w1 + 3w2
f (v3 ) = f (0, 2, 1) = (2, 1) = w1
As pues,
f (v1 ) = 0w1 + 3w2
f (v2 ) = w1 + 3w2
f (v3 ) = w1 + 0w2
Por tanto, la matriz asociada a f en las bases {v1 , v2 , v3 } de R3 y {w1 , w2 }
de R2 es:
0 1 1
3 3 0
274
2
2
Ejercicio 42 Sea
f : R R una aplicacin lineal cuya matriz en la base
1 3
. Dada la base {u1 , u2 }, con u1 = (2, 5), u2 = (1, 3),
cannica es A =
2 4
calcular la matriz de f en esta nueva base.
Solucin: Sabemos que la matriz de f en la base {e1 = (1, 0), e2 = (0, 1)}
de R2 es
1 3
A=
2 4
Queremos encontrar su matriz en la base
2 1
5 3
Por tanto,
R1 =
Calculemos finalmente B:
3 1
5 2
3 1
1 3
2 1
B = R AP =
=
5 2
2 4
5 3
3 1
17 10
27
16
=
=
5 2
24 14
37 22
1
27
16
37 22
10.4.
275
(f +g) = + = (f )+(g)
Sea K
(f )(e) = f (e) = (e) = ()e
(f ) = = (f )
As pues,
(f + g) = (f ) + (g)
(f ) = (f )
es inyectiva:
N uc = {f L(E, E) : (f ) = 0} = {f L(E, E) : f (e) = 0e} =
= {f L(E, E) : f (v) = 0v, v E} = 0
Por tanto, N uc = 0
inyectiva
v E
En particular,
f (e) = e
(f ) =
Im
Im = K
exhaustiva.
276
10.5.
Teoremas de isomorfismo
2.
3.
1.
Veamos que Im f = F + G:
Im f = {f (u, v) : (u, v) F G} = {f (u, v) : u F, v G} =
= {u + v : u F, v G} = F + G
Veamos que N uc f = {(u, u) : u F G}:
N uc f = {(u, v) F G : f (u, v) = 0} = {(u, v) F G : u + v = 0} =
= {(u, v) FG : v = u} = {(u, u) FG} = {(u, u) : u F, u G} =
= {(u, u) : u F G}
2.
(u, u) = g(u)
(u, u)
277
10.6.
278
Captulo 11
Matrices
11.1.
Definicin de matriz
1 2
8 5
3 2
A=
, B = 1 2
3 16 , C =
7 6
5
8
1 1
1 0 1
3 2
1
A=
5 4
3
7 6
5
ya que, por ejemplo, a42 = 2 4 2 = 8 2 = 6.
11.2.
1 2
2 1
2X 5Y =
X + 3Y =
0
1
3 0
279
280
Solucin: Sean
A=
1 2
0
1
B=
2 1
3 0
= A
= B
1 2
2 1
4 3
Y = 2B + A = 2
+
=
0 1
3 0
3 2
y multiplicando la primera por 3 y la segunda por 5 y sumando despus, se tiene:
1 2
2 1
13 1
X = 3A + 5B = 3
+5
=
0 1
3 0
15 3
Ejercicio 50 Estudiar la dependencia lineal de las tres matrices siguientes:
2 2
1 4
0 4
A=
B=
C=
4 6
5 3
4 8
Solucin: De la siguiente combinacin lineal de la matriz nula
2 2
1 4
0 4
0 0
+
+
=
4 6
5 3
4 8
0 0
se obtiene:
2 +
4 + 5 4
2 4 4
6 + 3 8
luego
2 + = 0
2 4 4 = 0
4 + 5 4 = 0
6 + 3 8 = 0
0 0
0 0
11
2 1
5 3
A=
B=
C=
4
5 3
2 1
281
11
2 1
5 3
+
=
4
5 3
2 1
de donde se obtiene
2 + 5
5 + 2
3
3
o sea el sistema
2 + 5 = 11
3 =
5 + 2 = 4
3 =
11
4
11.3.
Producto de matrices
1 2 3
B=
2 1 4
C=
1 7 13
5 0
5
x y
A=
z t
Entonces
AB =
Por tanto
x y
z t
1 2 3
2 1 4
1 7 13
5 0
5
y, en consecuencia,
x + 2y
z + 2t
x + 2y
z + 2t
2x y
2z t
2x y
2z t
3x + 4y
3z + 4t
x + 2y = 1
2x y = 7
3x + 4y = 13
de donde, y = 1 y x = 3. Adems
z + 2t = 5
2z t = 0
3z + 4t = 5
3x + 4y
3z + 4t
282
3 1
A=
1 2
Ejercicio 53 Efectuar por cajas la multiplicacin AB, con
1 1
2 3 1 0
1 0
A= 1 0 0 1 y B=
1 0
0 1 1 0
0 1
Solucin: Para ello, debemos tener en cuenta que las matrices cuyos elementos sean las cajas han de ser multiplicables, as como debe ser siempre posible
la multiplicacin de las cajas consideradas como matrices. Descomponemos A
de la siguiente manera
2 3 1 0
A11 A12
A= 1 0 0 1 =
A21 A22
0 1 1 0
y B como sigue
1
1
B=
1
0
Entonces
AB =
A12
A22
A11
A21
Se tiene
A11 B11 + A12 B21
=
=
y
A21 B11 + A22 B21
=
=
Por tanto
0
B11
=
B21
0
1
B11
B21
2 3
1 0
0 1
2 0
1 0
0 1
1 1
1 0
1 1
1 0
6 2
1 2
6
AB = 1
2
2
2
0
1 0
0 1
1 0
1 0
0 1
11.4.
283
Ejercicio 54 Una aplicacin lineal aplica (1, 1) en (0, 1, 2) y (1, 1) en (2, 1, 0).
Hallar la matriz que representa a esta aplicacin lineal.
Solucin: Llamamos f a esta aplicacin lineal. Es claro que f : R2 R3
y
f (1, 1) = (0, 1, 2)
f (1, 1) = (2, 1, 0)
Si tomamos las bases cannicas de R2 y R3 , puesto que (1, 1) = e1 + e2 y
(1, 1) = e1 + e2 y f es lineal, se tiene
f (e1 ) + f (e2 ) = (0, 1, 2)
f (e1 ) + f (e2 ) = (2, 1, 0)
De aqu se sigue que
2f (e1 ) = (2, 0, 2)
2f (e2 ) = (2, 2, 2)
es decir,
f (e1 ) = (1, 0, 1)
f (e2 ) = (1, 1, 1)
Por tanto, la matriz asociada a f en
siguiente matriz
1
0
1
11.5.
1
1
1
tr (A + B) = tr A + tr B
2.
tr (AB) = tr (BA)
Como consecuencia, probar que no es posible la igualdad AB BA = In .
284
aii +
i=1
n
X
bii
i=1
= tr A + tr B
n
X
i=1
n
X
n
X
aij bji
n
X
dii
i=1
y
tr D
i=1
cii
n
X
i=1
j=1
n
X
bij aji
j=1
Es claro que tr C = tr D.
Si fuera posible, entonces por (1) y (2) se cumple
tr(AB BA) = trI
tr(AB) tr(BA) = n
0 = n
lo que es una contradiccin.
285
2.
k1
k2
km m
A + A + +
A =O
k0
k0
k0
de donde resulta
k1
k2
km m1
A=I
I A
A
k0
k0
k0
Por tanto
A1 =
11.6.
k1
k2
km m1
I A
A
k0
k0
k0
Cambios de base
IdR3
R3
B0
IdR3
R3
B1
286
siendo
1 0 1
A = 1 1 0
0 1 1
1
1
0
0
1 3 1
3
B = 2 4 1 = 1 1 13
3 0 0
4 3 23
En esta misma unidad se expone un mtodo para hallar la matriz inversa. Aqu
suponemos que ya se conoce y simplemente damos el resultado. Entonces
IdR3
BA
R3
B2
R3
B1
donde
1
1
0
0
0
1 0 1
3
3
1
2
BA = 1 1 3 1 1 0 = 0
3
2
0 1 1
4 3 3
1 73
Por tanto
1
0
3
0 2
3
1 73
2
1
3
1 = 2
3
10
1
3
1
3
43
14
3
1
3
43
14
3
luego, las coordenadas del vector en la base B1 son (2/3, 2/3, 10/3).
Ejercicio 59 Sea f : R3 R3 una aplicacin lineal de matriz asociada en la
base cannica B0 = (e1 , e2 , e3 )
1 0 1
A = 1 1 0
0 2 0
IdR3
R3
B0
f
R3
A B0
IdR3
P 1
entonces
R3
B1
P 1 AP
R3
B1
R3
B1
287
0 1 1
P = 1 0 1
1 1 0
ya que
IdR3
R3
u1
u2
u3
R3
u1 = e2 + e3
u2 = e1 + e3
u3 = e1 + e2
Se tiene
R3
e1
e2
e3
ya que
Por tanto
IdR3
e1 = 1/2(u1 + u2 + u3 )
e2 + e3 = u1
e1 + e3 = u2
= e2 = 1/2(u1 u2 + u3 )
e2 = 1/2(u1 u2 + u3 )
e1 + e2 = u3
P 1
y, en consecuencia,
P 1 AP
R3
e1 = 1/2(u1 + u2 + u3 )
e2 = 1/2(u1 u2 + u3 )
e3 = 1/2(u1 + u2 u3 )
1
=
2
1
= 1
0
1 1
1
1
= 1 1 1
2
1
1 1
0 1 1
1 0 1
1 1
1
1 1 1 1 1 0 1 0 1
1 1 0
0 2 0
1
1 1
1
3
2
2
3
3
2
2
1
12
2
1
1 32
1
1
2
3
1 3
2 = 7
2
2
1
1
0
2
0 2 2
es decir,
f (v) = u1 + 7u2
288
11.7.
Matrices elementales
1
3 1
0
2 1 1
1
1 11 1 2
0
2 0 1
1
1 1
3
1 0 0 0
0
2 1 0 0
F2 = F2 2F1
0
F3 = F3 + F1 E3 E2 E1 =
1 0 1 0
0
0 0 0 1
F4 = F4 + F1
1 0 0 0
Entonces
1
2
0
1
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
1
F2 = F2 E4 =
Entonces
1 0
0 1
7
0 0
0 0
0 0
1
3 1
0
2 1 1
1
1 11 1 2
0
2 0 1
1
1 1
3
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
1 0
0 17
0 0
0 0
0 0
0
0
1
0
0
0
0
0
1
0
1 3
1
0
0 7 1 1
0 14
2 2 =
0 2
0 1
0 4
2
3
0
0
0
0
1
1 3
1
0
0 7 1 1
0 14
2 2
0 2
0 1
0 4
2
3
0
0
0
0
1
1 3
0 1
0 14
0 2
0 4
0
1 3 0 0
F1 = F1 3F2
0
0
1
0 0
F3 = F3 14F2
0
14
1 0
E8 E7 E6 E5 =
0
F4 = F4 2F2
0 2 0 1
0
F5 = F5 4F2
0 4 0 0
1
1
7
2
0
2
0
0
0
0
1
0
17
2
1
3
1
0
0
0
Entonces
1
0
0
0
3
1
14
2
4
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
1
0
0
0
1
0
0
1
0
0
0
0
0
7
10
0
0
0
0
1
0
0
Entonces
1
0
0
0
1 3
0 1
0 14
0 2
0 4
1
2
0
2
0
0
0
1
0
0 47
1 17
0 0
0 27
0 10
7
1
0
0
0
0
7
F3 E10 =
10
0
0
0
0
1
4
0
7
1
1
7
0 10
7
0 27
0 0
1
0
0
0
0
0
17
2
1
3
1
7
F3 = F5
E9 =
0
F5 = F3
F3 =
Entonces
1
0
0
0
289
1
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
1
25
7
1
0
0
0
0
0
1
0
0
0
3
7
17
25
7
57
0
0
7
10
0
0
0 47
1 17
0 1
0 27
0 0
3
7
17
5
2
57
0
0
0
1
0
1
0
0
0
0
0 47
1
1
7
10
0
7
0 27
0 0
57
25
7
0 47
1 17
0 1
0 27
0 0
1
0
0
0
0
3
7
17
25
7
57
0 47
1 17
0 1
0 27
0 0
1
0
0
0
0
0
0
0
0
1
3
7
17
1
0
0
0
0
0
=
57
1
0
0
0
0
0
0
1
0
0
F1 = F1 47 F3
0
1
E
E
E
=
F2 = F2 7 F3
13 12 11
0
2
F3 = F3 + 7 F4
0 47
1 17
0 1
0 27
0 0
0
0
0
1
0
0 47
1
1
7
0 0
0 27
0 10
7
1
0
0
0
0
0
1
0
0
0
3
7
17
3
7
17
5
2
57
0
0
0
1
0
0
0
0
0
1
0
1
0
0
0
0 1
0 12
1 52
0 0
0 0
290
1 0 0 1
0 1 0 0
0
0
C4 = C4 + C1 E1 =
0 0 1 0
0 0 0 1
Entonces
1
0
0
0
0
0
1
0
0
0
0 1
0 12
1 52
0 0
0 0
0
1
0
0
0
0
1
0
1
1
0
0
= 0
0
0
1
0
1
0
0
0
1
C4 = C4 + C2 E2 =
0
2
0
Entonces
1
0
0
0
0
0
1
0
0
0
0 0
0 12
1 52
0 0
0 0
1 0 0
0 1 0
0 0 1
0 0 0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
5
2
0
0
1
0
0
0
0
1
0
0
0
0
1
0
=
0
1
1
2
1
0
0
0
5
C4 = C4 C3 E3 =
0
2
0
Entonces
0
1
0
0
0
1
0
0
0
1
0
0
0
0 0
0 12
5
1
2
0 0
0 0
0
1
1
2
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0 0
0 0
1 52
0 1
1
0 0
0
0 0
= 0
1 52
0
0 1
0
0
1
0
0
0
0
0
1
0
0
0
0
5
2
0
0
0
0
0
0
0
1 0 0 1
0 1 0 1
0
0
0
2
P = E1 E2 E3 =
0 0 1 5
2
0 0 0 1
y se cumple
1
1
5
3
10
1
10
35
5
15
2
5
2
5
Q = E13 E12 E1 =
0
0
0
0
1
0 25
1
0 10
7
0
10
1
1
5
0
0
291
1
5
3
10
1
10
35
1
5
15
2
5
2
5
1
3 1
0
2 1 1
1
1 11 1 2
0
2 0 1
1
1 1
3
0
0
0
0
1
0 25
1
0 10
7
0
10
1
1
5
0
0
1 0 0 1
1
0 1 0
2 =
0 0 1 5
2
0 0 0 1
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
292
Captulo 12
Determinantes
12.1.
= x1 y2 x2 y1 + x1 y2 x2 y1
0
= f (x, y) + f (x , y)
294
tr((A1 + A2 )B)
tr(A1 B + A2 B)
tr(A1 , B) + tr(A2 , B)
f (A1 , B) + f (A2 , B)
12.2.
Determinante de un endomorfismo
= e1 + e2
= e1 + e3
= e2 + e3
1 1
1
det f = 1
0
0
de un endomorfismo no cambia si
0
0
1
=0
12.3.
0 0
0
det f = 0 0 1 = 0
0 1
0
1 9 1 3
2 6 1 8
2 2 1 3
1 5 1 9
es mltiplo de 11.
Solucin: Al sumar a la cuarta fila la tercera multiplicada por 10, la segunda
por 100 y la primera por 1000, se tiene
1
1 9 1 3
9
1
3
2
2 6 1 8
6
1
8
2 2 1 3 = 2
2
1
3
1
9
1
3
2
6
1
8
= 11
2
1
3
2
111 875 101 349
296
2
Solucin: Desarrollaremos
1 2 3 4
1 2 4 5
2 3 5 7
1 0 0 1
2 0 1 3
siguiente determinante
2 3 4 5
2 4 5 6
3 5 7 9
0 0 1 2
0 1 3 0
5 2 3 4 3
5
6 2 4 5 4
6
9 = 9 3 5 7 5
0 0 0 1
0
2
5 0 1 3 6
0
5 2 3 3
6 2 4 4
9 3 5 5
5 0 1 6
10 2 3 15
14 2 4 20
16 3 5 25
0 0 1 0
10 2 15
= 14 2 20
16 3 25
5 2 3
= 10 7 2 4
8 3 5
5 2 3
= 10 7 2 4
1 1 1
2 1 3
= 10 3 2 4
0
0 1
2 1
= 10
3 2
= 10 (1) = 10
1 1 1
D = a b c
a2 b2 c2
a
2
a
1
c
c2
= a
2
0
0
ba
ca
(b a)(b + a) (c a)(c + a)
1
1
= (b a)(c a)
b+a c+a
1
0
= (b a)(c a)
b+a cb
= (b a)(c a)(c b)
3 1 1 1
1 3 1 1
1 1 3 1
.. .. .. . .
..
. . .
. .
1 1 1 3
Solucin:
3 1
1 3
1 1
.. ..
. .
1 1
1
1
3
.. . .
.
.
1
2+n 2+n
1
=
..
..
.
1
1
3
1 1
0 2
= (2 + n) 0 0
.. ..
. .
0 0
1
1
1
..
.
= 2n1 (2 + n)
2 + n 2 + n
1
1
3
1
..
..
..
.
.
.
1
1 1
0 0
2 0
.
.. . .
. ..
.
0 2
Ejercicio 69 Sea A una matriz cuadrada de orden n cuyos elementos aij son
funciones reales derivables de variable x real. Se designa por aj los n vectorescolumna de A y se escribe
f (x) = det A = det(a1 , ..., aj , ..., an )
Demostrar que
f 0 (x) =
n
X
j=1
298
f 0 (x) =
[|A|]
aij
Por tanto,
f 0 (x) =
()
Sn
Se cumple que
X
Sn
d
a(j)j a(n)n
a
dx (1)1
n
X
d
a(j)j a(n)n
()
a(1)1
dx
j=1
Sn
!
n
X
X
d
a(j)j a(n)n
=
() a(1)1
dx
j=1
X
d
a(1)1 a(j)j a(n)n =
()
dx
Sn
n
X
j=1
luego
f 0 (x) =
n
X
j=1
n
X
j=1
n
n
X
X
j=1
n
X
i=1
aij Aij
d
[aij ] Aij
dx
i,j=1
n
X
d
[aij ] Aij
dx
i,j=1
[det A] = Aij
aij
Sea
1+x
1
1
1
+
x
Dn = .
.
..
..
..
.
1
1
y supongamos que
f (x) = Dn
entonces
0
f (x) =
1
1
0 1 + x
..
..
..
.
.
.
0
1
1
1
..
.
1+x
1+x
1
1
1 + x
..
..
..
.
.
.
1
1
= nDn1
Por tanto,
0
0
..
.
1
1+x
1
1
..
.
1 + x 0
1
1
+ ..
.. . .
.
.
.
1
0
+ +
1+x
1
1
..
.
f 0 (x) = nDn1
f 00 (x) = n(n 1)Dn2
f 000 (x) = n(n 1)(n 2)Dn3
..
.
(n2)
f
(x) = n(n 1)(n 2) 3 D2
(n1)
f
(x) = n!(1 + x)
f (n) (x) = n!
Aplicando la frmula de Taylor a f en x = 0 se tiene
f (x) = f (0) +
f 0 (0) f 00 (0)
f (n1) (0) n1 f (n) (0) n
+
+
+ +
x
x
1!
2!
(n 1)!
n!
300
f (x) =
= nxn1 + xn
= (n + x)xn1
Por tanto,
Dn = (n + x)xn1
Ejercicio 70 Calcular el rango de
1
0
A=
2
3
Solucin: Observemos que
1 7
5
0 4
2
2 2 4
3 1 7
1 7
0 4
6= 0
1 7
5
0 4
2 = 8 6= 0
2 2 4
x
y
la siguiente matriz
7
5 3 2
4
2 2 0
2 4 0 1
1 7 1 3
3
2
0
1
=0
1
0
2
3
7
4
2
1
5
2
4
7
2
0
1
3
=0
5
2
4
z
3
2
0
t
= 16x 8z + 8t
16 3 8 7 + 8 1 = 0
1 1 x
1 0 y
A=
1 1 z
1 1 t
debe ser 2. En consecuencia, todos los menores de A de orden 3 deben ser nulos.
Al ser (1, 1, 1, 1) y (1, 0, 1, 1) linealmente independientes, la dimensin de S es
2. Por tanto, habr dos ecuaciones homogneas definidoras de S que pueden ser
1 1 x
1 1 x
1 0 y =xt=0
1 0 y =xz =0
y
1 1 t
1 1 z
Por tanto,
S = {(x, y, z, t) R4 : x = z = t}
1
A= 1
1
siendo a3 = 1 y a 6= 1.
Solucin: Se cumple
1 1
det A = 1 a
1 a2
1
a2
a
siguiente matriz
1 1
a a2
a2 a
= a4 + 3a2 2a
a
a
a
a a a2 a a2 a
a2 a a 1 1 a2 = (a 1) a
1
(1 + a)
a (1 + a)
1
a2 a 1 a2 a 1
Observando que la matriz A es simtrica, tenemos
a
a
a
a a
1
1
a
a a3
1
(1 + a) =
A1 =
3a
3a
a (1 + a)
1
a a2
a
a2
a3
302
1 1 1
1
A1 = 1 a2 a
3
1 a a2
Captulo 13
Sistemas de ecuaciones
lineales
Ejercicio 73 Discutir y resolver el sistema siguiente
2x + 4y + 5z = 1
x + 3y + 3z = 1
4x + 5y + 4z = 2
3x + 3y + 2z = 2
2x + 5y z = 7
2 4
5
2
4
5
1
1 3
0
1
3
2
1
4 5
4
2
0 3 6
3 3
0 6 11
2
2
2 5 1 7
0
1
6
F1
2 4
2 4
5
1
0 2
3
0 2
1
F
2
0 0 9
9
2F3 + 3F2 0 0
0 0
0 0 8
8 F4 + 3F2
0 0 13 13
0 0
2F5 F2
sistema
F1
1
3
F1
2F
2
2F1
0
F
3
1 2F4 3F1
8
F5 F1
5
F1
1
1 3
F2
F
1
1
3 /9
0
0 F4 /8 F3 /9
0
F5 /13 F3 /9
0
2x + 4y + 5z = 1
2y + z = 3
z=1
cuyo nmero de ecuaciones (suprimidas las ecuaciones triviales, o sea las filas
de ceros de la matriz) es igual al nmero de incgnitas. Por tanto, el sistema es
303
304
compatible determinado y su solucin es, sustituyendo los valores de las incgnitas hacia arriba
x=2
y = 2
z=1
x+y+z+tu=1
x y z t + 2u = 2
x + y + z + 2t = 0
1 1 1 1 1
1
1
1
1
1 1
1 1 1 1
2
1
2 0 0 0 0
1
1
1
2
0
0 0 0 1
1
0
1
0
0
1
0
0
1
0
0
1
1
0
1
1
1
F1
1
1 F3
3
F2
F1
1
3 F2 + F1
1
F3 F1
x+tu=1yz
t + u = 1
u=3
x=8yz
y=y
z=z
t = 4
u=3
x 3y = 10
3x + 8y = 12
5x 19y = 35
305
Solucin: Escalonemos la matriz ampliada del sistema
1 3
F1
1
3
10
10
3
18 F2 3F1
8
17
12 0
0 34
5 19 35
15
F3 + 5F1
1 3
F1
10
0 17 18
F2
21
0
0
F3 + 2F2
3x + 2y + z = 0
2x + 2y + 5z = 0
7x 4y + 2z = 0
F1
3 2 1
3
2
1
2
2
5 0 2 13 3F2 2F1
0 2 13
7 4 2
3F3 + 7F1
3 2 1
F1
0 2 13
F2
0 0 0
F3 F2
Hemos obtenido la matriz escalonada equivalente por filas a la matriz ampliada
del sistema dado. El nmero de ecuaciones no triviales del sistema escalonado
correspondiente es menor que el nmero de incgnitas. Por tanto, el sistema es
compatible indeterminado. La incgnita no principal es z como puede observarse
en la matriz escalonada. El sistema escalonado equivalente es
3x + 2y = z
2y = 13z
Por sustituciones hacia arriba obtenemos las soluciones
x = 4z
13
y= z
2
z=z
306
Ejercicio 77 Discutir y resolver cuando sea posible, segn los valores del parmetro
, el siguiente sistema
2y z =
3x 2z = 11
y+z =6
2x + y 4z =
3 0 2 11
0 2 1
3 0 2 11 0 2 1
0 1
1
6 0 1
6
1
2 1 4
2 1 4
F1
3 0 2
3 0 2
11
0 2 1
0
2 1
F
2
0 0
0 1
1
3
6
F3
0 3 8 3 22
0 0 13
3F4 2F1
F1
3 0 2
11
0 2 1
F2
0 0
3
12
F3
4 + 24
0 0
0
3F4 + 13F3
F2
F1
F3
F4
F1
11
F2
12 2F3 F2
3 44
2F4 3F2
3x 2z = 11
2y z = 6
3z = 6
cuya solucin es
x=5
y=4
z=2
2x 5y + z 2t + 2u = 0
3x 2y z + t 2u = 0
2x + y z + 2t 3u = 0
x 2y + z t + u = 0
307
Solucin: El sistema es homogneo, tiene 4 ecuaciones y 5 incgnitas (o
sea, es de rango 5 como mximo). Por consiguiente, el sistema es compatible
indeterminado. Para conocer el nmero de grados de libertad (nmero de incgnitas no principales) es necesario calcular el rango de la matriz del sistema.
F4
1 2 1 1 1
2 5 1 2 2
3 2 1 1 2
3 2 1 1 2
2 1 1 2 3 2 1 1 2 3
2 5 1 2 2
1 2 1 1 1
F1
1 2 1 1 1
1 2 1 1 1
0 4 4 4 5 F2 3F1
3 2 1 1 2
2 1 1 2 3 0 5 3 4 5 F3 2F1
0 1 1 0
0
2 5 1 2 2
F4 2F1
1 2 1 1 1
1 2 1 1 1
0 1
0 4 4 4 5
1
0
0
F4
0 5 3 4 5 0 5 3 4 5
0 4 4 4 5
0 1 1 0
0
F2
1 2 1 1 1
1 2 1 1 1
0 1
0 1
1
0
0
1
0
0
0 5 3 4 5 0 0 8 4 5 F3 5F2
0 0 8 4 5
0 4 4 4 5
F4 4F2
1 2 1 1 1
1 2 1 1 1
0 1
0 1
1
0
0
1
0
0
0 0 8 4 5 0 0 8 4 5
0 0
0
0
0
F4 F3
0 0 8 4 5
luego, la matriz tiene rango 3 y por tanto, el sistema es compatible indeterminado
con 53 = 2 grados de libertad. Para resolverlo, utilizamos la matriz escalonada
equivalente. El sistema equivalente es entonces
x 2y + z t + u = 0
y+z =0
8z + 4t 5u = 0
x 2y + z = t u
y+z =0
8z = 4t + 5u
t=t
u=u
es decir,
x = 18 (4t 7u)
y = 18 (4t 5u)
z = 18 (4t 5u)
t=t
u=u
308
ax + a2 y + a3 z = a
x + ay + a2 z = a2
3
x + y + az = a
x + y + z = a4
1 a a2 1
a a2 a3 a
1 a a2 a2
1 a a2 a2
1 1 a a3 = a 1 1 a a3 =
1 1 1 a4
1 1 1 a4
1
F1
a
a2
1
2
0
0
0
a 1 F2 F1
a
=
2
3
0 1 a a a2 a4 1 F3 F1
0 1 a 1 a a 1 F4 F1
0
0
1
a(1 a)
(1 a)(a2 + a + 1)
a(a2 1) 1 a
1 a (1 a)(1 + a) (1 a)(a + 1)(a2 + 1)
0
0
1
2
2
2
a
a + a + 1 =
a(a 1)(1 a) 1
1 1 + a (a + 1)(a2 + 1)
a
3 1
a(a + 1)(1 a)
= a(a + 1)(1 a)3
1 1+a
De la ecuacin
2.
0 0 0 0
1 0 0 0
1 1 0 0
1 1 1 0
son
309
y los rangos son rang A = rang (A|b) = 3. Por consiguiente, el sistema
es compatible determinado ya que el rango coincide con el nmero de incgnitas. El sistema que resulta es homogneo
x=0
x+y =0
x+y+z =0
1
1
1
1
1
1
1
1
sistema son
1 1
1
1
1 1
1
1
1
1
1 1
1 1 1 1
1
0
1
1
0
0
1
0
1
1
1 1 0
2 2 2
1
1
1
0
2
0
1
0
1
0
0
0
1
2
2
0
1
0
2
0
1
1
0
0
2 0
0
0
1
2
0
0
1
0
2
0
F1
F2 + F1
F3 + F1
F4 + F1
1
0
F
2 2
F3 F2
0
de donde rang A = rang (A|b) = 3. Por consiguiente, el sistema es compatible determinado ya que el rango coincide con el nmero de incgnitas.
El sistema equivalente que resulta es
x + y z = 1
2y = 0
2z = 2
1 1 1
1 1 1
1 1 1
1 1 1
1
1
1
1
cuyos rangos son evidentemente rang A = rang (A|b) = 1. Por consiguiente, el sistema es compatible indeterminado con 3 1 = 2 grados de
310
x=1yz
y=y
z=z
x + ay + a2 z = 1
x + ay + abz = a
bx + a2 y + a2 bz = a2 b
1 a a2
1 1 a
1 a ab = a2 1 1 b =
b a2 a2 b
b a ab
1 1 a
1
1
a F1
0
b a F2 F1
a2 1 1 b = a2 0
=
b a ab
0 ab
0 F3 bF1 (b 6= 0)
1 1
0 ba
2
2
= a2 (a b)2
a (a b) 0 0 b a = a (a b)
1
0
0 1
1
a a2
a
a ab
2
a b a2 a2 b
a2 (1 b)
x=
=
a2 (a b)2
ab
1 1
a2
1 a
ab
b a2 b a2 b
b(a2 1)
y=
=
2
2
a (a b)
a(a b)
1 a
1
1 a
a
b a2 a2 b
1a
=
z=
2
2
a (a b)
a(a b)
311
2.
1 0 0
1 0 0
b 0 0
1
0
0
cuyos rangos son evidentemente rang A = 1 y rang (A|b) = 2. Por consiguiente, el sistema es incompatible.
3.
1
1
a
a a2 1
a a2 a
a2 a3 a3
cuyos rangos son rang A = 1 (ya que las tres columnas son dependientes de
la primera; las otras dos se obtienen multiplicando esta ltima por a y a2 ,
respectivamente; obsrvese que a 6= 0, porque de lo contrario estaramos
en el caso anterior). El rango de la matriz ampliada puede ser 2 ya que
1 1
1 a =a1
b)
1 1 1 1
1 1 1 1
1 1 1 1
cuyos rangos son evidentemente: rang A = rang (A|b) = 1 y el sistema es compatible indeterminado con 3 1 = 2 grados de libertad.
Su solucin es
x=1yz
y=y
z=z
312
Captulo 14
Diagonalizacin de
endomorfismos
14.1.
Problema 1: Hallar los posibles valores propios de un endomorfismo idempotente (f 2 = f f = f ) de un espacio vectorial E.
Solucin: Sea k un valor propio de f . Sea v un vector propio de valor propio
k:
f (v) = kv
Entonces
f 2 (v) = f (f (v)) = f (kv) = kf (v) = k kv = k 2 v
Pero, por ser f idempotente,
f 2 (v) = f (v) = kv
Por tanto,
k2 v
= kv (k 2 k)v = 0 k2 k = 0
k(k 1) = 0 k = 0, k = 1
1 4 1 4
2
0
5 4
A=
1 1 2 3
1 4 1 6
313
314
a4 = 1 + 0 +(2) + 6 = 5
1 + a2 +a3 +
1 4 1 1 1 4 0 5
+
+
+
A2 =
2 0 1 2 1 6 1 2
0 4 2 3
= 8 3 + 2 5 + 16 9 = 9
+
+
4 6 1 6
1 4 1 1 4 4 1 1 4 0 5 4
0 4 + 1 2 3 + 1 2 3
0
5 + 2
A1 = 2
1 1 2 1 4
6 1 1 6 4 1 6
= 3 + 16 8 + 2 = 7
det A = 2
As pues,
pA (x) = x4 5x3 + 9x2 7x + 2
1 1 2 3
1 2 3 4
2 3 4 5
0 2 1 2
B=
A=
0 1 0 1 ?
1 3 4 5 ,
1 2 3 4
0 1 2 4
Solucin: Por el corolario del teorema 3, sabemos que dos matrices asociadas
al mismo endomorfismo, o equivalentes, tienen la misma traza, pero
tr A = 1 + 2 + 4 + 4 = 11
tr B = 1 + 3 + 0 + 4 = 8
Por tanto, A y B no son equivalentes.
14.2.
Diagonalizacin de matrices
1 2 0
A = 1 3 1
0 1 1
315
1x
2
0
3x
1 = (1 x)2 (3 x) + (1 x) =
PA (x) = 1
0
1
1x
= (1 x)((1 x)(3 x) + 1) = (1 x)(x2 4x + 4) =
= (1 x)(x 2)2
Los valores propios son 1 y 2. Calculemos ahora los vectores propios asociados
a cada uno de los valores propios:
a. k = 1. La matriz A I
1 2
1 3
0 1
es:
0 2 0
1 0 0
0
1 0 1 0 = 1 2 1
0 1 0
0 0 1
1
Calculemos N uc (A I) :
si cumple:
0
1
0
Por tanto,
x1
0
2 0
2 1 x2 = 0
0
1 0
x3
2x2 = 0
x1 + 2x2 + x3 = 0
x2 = 0
x1 = x3
1 2 0
2 0 0
1 2 0
1 3 1 0 2 0 = 1 1 1
0 1 1
0 0 2
0 1 1
0
x1
1 2 0
1 1 1 x2 = 0
0
0 1 1
x3
Por tanto,
x1 + 2x2 = 0
x1 = 2x2
x1 + x2 + x3 = 0
x3 = x2
x2 x3 = 0
316
5
B= 0
2
vectores propios de
0 4
3 0
0 1
5x
0
4
4
= (3 x) 5 x
3x
0
PB (x) = 0
2
1
x
2
0
1 x
Los valores propios son 1 y 3. Calculemos ahora los vectores propios asociados
a cada uno de los valores propios:
a. k = 1. La matriz B I es:
4 0 4
1 0 0
5 0 4
0 3 0 0 1 0 = 0 2 0
2 0 2
0 0 1
2 0 1
0
x1
4 0 4
0 2 0 x2 = 0
0
2 0 2
x3
4x1 4x3 = 0
2x2 = 0
317
x2 = 0
x1 = x3
2 0 4
3 0 0
5 0 4
0 3 0 0 3 0 = 0 0 0
2 0 4
0 0 3
2 0 1
0
x1
2 0 4
0 0 0 x2 = 0
0
2 0 4
x3
Por tanto,
318
Captulo 15
Polinomio mnimo
320
15.2.
Subespacios invariantes
a. Para ver que (u, (f I)u) es una base de F = hu, (f I)ui , basta ver que
u y (f I)u son linealmente independientes. Sean y dos escalares
tales que
u + (f I)u = 0
321
Por tanto, las componentes de f (u) en la base B son (, 1), y las componentes de f ((f I)u) son (0, ). Por tanto, la matriz de la restriccin de
f a F en la base B es
0
1
Ejercicio 4: Encontrar la descomposicin dada por el primer teorema de
descomposicin de un endomorfismo involutivo (f 2 = I).
Solucin:
Sea f un endomorfismo tal que f 2 = I. Un polinomio anulador es x2 1.
Calculemos el polinomio mnimo, usando que mf (x) divide a x2 1 = (x
1)(x + 1). Se pueden dar tres casos:
322
si mf (x) = x 1, obtenemos f = I;
si mf (x) = x + 1, obtenemos f = I;
si mf (x) = (x 1)(x + 1), aplicando el primer teorema de descomposicin,
obtenemos E = E 1 E 2 .
..
.
0
.
.
.
0
1
1 0 0
A = 0 1 1
0 1 1
en la base cannica de R3 .
Solucin:
Al calcular las potencias An se ve en seguida que f 3 = f 2 y, por tanto, x3 x2
es un polinomio anulador. As pues, mf (x) divide x3 x2 = x2 (x 1).
Si mf (x) fuera x 1, obtendramos f = I, lo cual es falso.
Si mf (x) fuera x, obtendramos mf (f ) = f = 0, lo cual es falso.
Si mf (x) fuera x2 , obtendramos f 2 = 0, lo cual es falso.
Si mf (x) fuera (x 1) x, obtendramos f 2 = f , lo cual es falso.
As pues, mf (x) = (x 1)x2 y, por el primer teorema de descomposicin,
E = E 1 E 2 . Sobre E 1 , f es IE 1 . Sobre E 2 , f tiene polinomio mnimo x2 . El
clculo de E 1 y E 2 nos da
E 1 = N uc (f I) = h(1, 0, 0)i,
323
1 0 0
0 0 1 ,
0 0 0
que es triangular.
15.3.
El teorema de Cayley-Hamilton
1 2 0
A = 1 3 1
0 1 1
Solucin: El polinomio caracterstico de A es
1x
2
0
1 =
pA (x) = det (A xI) = 1 3 x
0
1
1x
= (1 x)[(3 x)(1 x) 1] + 2(1 x) =
= (1 x)(3 3x x + x2 1) + 2 2x =
= (1 x)(x2 4x + 2) + 2 2x =
= x2 4x + 2 x3 + 4x2 2x + 2 2x =
= x3 + 5x2 8x + 4
Por el teorema de Cayley-Hamilton, sabemos que el polinomio caracterstico es
mltiplo del polinomio mnimo, y por tanto, es anulador. Por consiguiente, se
verifica:
A3 + 5A2 8A + 4 = 0
Multiplicamos por A1 :
A2 + 5A 8 + 4A1 = 0
Por tanto,
A1 =
A2 5A + 8I
4
324
As pues,
A1
=
=
1
(A A 5A + 8I) =
4
1 0 0
1 2 0
1 8 2
1
4 8 4 5 1 3 1 + 8 0 1 0 =
4
0 0 1
0 1 1
1 4 2
2 2 2
1
1
1 1 .
4
1 1 5
1 0
A= 0 1
0 0
0
0
1
2
1x
0
1x
pA (x) = det (A xI) = 0
0
0
1
= (1 x)(1 x)( x) =
2
5
1
= (x3 x2 + 2x )
2
2
1
2
0
0
x
0 2A3 5A2 + 4A I = 0
325
1 0 0
= 0 1 0
0 0 2
1x
0
0
1
1x
0
pA1 (x) = det (A xI) = 0
0
0
2x
= (1 x)(1 x)(2 x) =
= (x3 4x2 + 5x 2)
1 i
0
i 1 i
A=
0 i 1
0
0
i
de la matriz
0
0
.
i
1
1 x
i
0
0
i
1 x
i
0
=
0
i
1 x
i
0
0
i
1 x
1 x
0
0
i
0
i 1 x
i
1 x
i
i
= (1 x) i
i
1 x
0
i
1 x
= (1 x)[(1 x)3 (1 + x) (1 x)] i[i(1 x)2 + i] =
= (1 + x)4 + (1 + x)2 + 1
326
15.4.
2 0 3
1 2 0
A=
0 0 2
0 0 1
de Jordan de la matriz
0
3
.
0
2
2x
0
3
0
1
2
x
0
3
pA (x) =
0
0
2
x
0
0
0
1
2x
= (2 x)4 .
0
1
dim N uc (A2I) = 4rango (A2I) = 4rango
0
0
0
0
0
0
0 0
0 0
dim N uc (A2I) = 4rango (A2I) = 4rango
0 0
0 0
2
Adems,
3
0
0
1
0
3
= 42 = 2
0
0
0 0
6 0
= 41 = 3
0 0
0 0
(A 2I)3 = 0
Por tanto, el polinomio mnimo de A es
mA (x) = (x 2)3 .
Veamos qu forma tiene el recuadro expuesto en el procedimiento para obtener
la matriz de Jordan:
El nmero de filas es el exponente del polinomio mnimo: 3
El nmero de elementos en la fila inferior es p1 :
p1 = q 1 q 0 = dim N uc (A 2I) dim N uc I = 2 0 = 2
El nmero de elementos en la segunda fila por abajo es p2 :
p2 = q 2 q 1 = dim N uc (A 2I)2 dim N uc (A 2I) = 3 2 = 1
El nmero de elementos en la fila superior es p3 :
p3 = q 3 q 2 = dim N uc (A 2I)3 dim N uc (A 2I)2 = 4 3 = 1
327
2 0 0 0
1 2 0 0
J =
0 1 2 0 .
0 0 0 2
Ejercicio 10: Calcular las posibles formas cannicas de Jordan de la matriz
10
4
13
3
7 .
A= 5
9 4 12
1x
10 x
0
1 x
4
13
=
= 5
3x
7
5
3x
7
pA (x) =
9
4 12 x
4 12 x 9
1
0
0
= (1 x) 3 x
2
= (1 x) 5 3 x
4 3 x =
9
4 3 x
= (1 x)2 (x + 1).
9
4
13
2
7 = 32 = 1
dim N uc (AI) = 3rango (AI) = 3rango 5
9 4 13
328
16 8 24
dim N uc (AI)2 = 3rango (AI)2 = 3rango 8 4 12 = 31 = 2
16
8
24
Por tanto,
N uc (A I) N uc (A I)2 = N uc (A I)r ,
r2
1 0
1 1
J=
0 0
0
0 .
1
329
1 0 0
J = 0
1 0
0
1 1
En la base B = {(A I)u1 = (1, 1, 1), u1 = (1, 2, 0), u2 = (1, 12 , 1)}, la
matriz del endomorfismo ser:
1 1 0
J = 0 1 0
0 0 1
En la base B = {u2 = (1, 12 , 1), (A I)u1 = (1, 1, 1), u1 = (1, 2, 0)}, la
matriz del endomorfismo ser:
1 0 0
J = 0
1 1
0
0 1
330
Captulo 16
= 2v1 + v2
= v1 v3
= v1 + v3
1 0 2
0
A= 1 1
0 1
0
x1
x1
2
1 1
1
0 0 x2 = x02
0 1 1
x3
x03
es decir,
2
1
x1
x2 = 1
0
0 1
x3
0 1
= 12 1
1
1
2
1
1
0
1
0
12
1
2
x01
x02
x03
x01
x02
x03
331
f (x, y) =
x1
x2
x3
x01
x02
y1
1 0 2
1 1
0 y2
0 1
0
y3
t
0
1
0
1 0 2
0 12
1 12 1 1
1
1
0 1
0
1 12
2
21
y10
12 12
2
2 4
0
x3
y20
1
0 2
0
y30
0
1
0
y1
1 12 y20
y30
1 12
B2 es
12
0
0
La matriz asociada a f .
2.
Rango y ncleo de f .
3.
1.
Se cumple
f (x, y) =
x1
x2
x3
y1
1 0 1
0 1
1 y2
1 1
2
y3
1 0 1
1
A= 0 1
1 1
2
333
1 0
0 1 6= 0
el rango de f es dos y, en consecuencia, f es una forma degenerada. El
ncleo se obtiene resolviendo el siguiente sistema,
x1
0
1 0 1
0 1
1 x2 = 0
0
1 1
2
x3
x1
x1
2
2
3
1
0 1 x2 = x02
x3
x03
0 1 1
luego,
0
1
1
2
x1
x1
x2 = 1
2
1 x02
1 2 2
x3
x03
Entonces,
f (x0 , y0 ) =
x01
x02
x01
x02
t
y1
1
1
2
1 0 1
1
1
2
2
1 y20
1 1
2
1 0 1
x03 1
1 2 2
1 1
2
1 2 2
y30
0
y1
4 6 8
x03 6 9 12 y20
8 12 17
y30
x01
x02
x03
0
x1
4 6 8
6 9 12 x02
8 12 17
x03
16.2.
1 0
0 1
0 0
B=
,
,
0 0
1 0
0 1
una base del mismo. Sea f una forma bilineal simtrica sobre S2 (R), cuya matriz
asociada en esta base es
1 1
0
1
A= 1 2
0 1 1
Se pide:
1.
2.
1 2
B=
2 0
3.
4.
1.
Como
1 1
0
1 2
1
0 1 1
el rango de f es dos y,
1
1
0
es decir,
1 1
1 2
=0
6= 0
0
x
1
0
2
1 y = 0
0
z
1 1
x+y =0
x + 2y z = 0
y + z = 0
1 1
1 0
0 1
0 0
+
+
=
1
1
0 0
1 0
0 1
y la matriz
1 1
1
1
1 2
1 0
0 1
0 0
=1
+2
+0
2 0
0 0
1 0
0 1
es decir, (1, 2, 0); luego el subespacio ortogonal vendr dado por las matrices de coordenadas (x, y, z) tales que
x
1 1
0
1 y = 0
1 2 0 1 2
z
0 1 1
es decir,
3 5 2
Por tanto,
hBi =
3.
x y
y z
x
y = 3x + 5y 2z = 0
z
S2 (R) : 3x + 5y 2z = 0
1 0
0 0
que tiene como coordenadas (1, 0, 0). Hallemos su subespacio ortogonal,
x
x
1 1
0
1 1 0 y
1 y =
1 0 0 1 2
z
z
0 1 1
= x+y =0
Un vector de este subespacio es, por ejemplo, (0, 0, 1) que ser el segundo
vector vector de la base. Buscamos ahora un tercer vector de coordenadas
0 0 1 1
0
x
x
1
0
0 1 1 y
2
1 y =
z
z
1 1
= y + z = 0
x+y =0
y + z = 0
Por ejemplo, podemos tomar (1, 1, 1). Por lo tanto, una base ortogonal
respecto a f es
1 1
1 0
1 1
0
B =
,
,
1
1
0 0
1 0
4.
1 0 1
P = 0 0 1
0 1 1
y, por tanto, la nueva matriz
t
1 1
1 0 1
0 0 1 1 2
0 1
0 1 1
de q en la
0
1
1
base B0 ser
1 0 0
1 0 1
0 0 1 = 0 1 0
0 0 0
0 1 1
q(x0 , y 0 , z 0 ) = (x0 )2 + (y 0 )2
y, en consecuencia, es una forma cuadrtica positiva, ya que slo contiene
trminos positivos por qu?
2.
3.
x1 x3 + 2x4 = 0
x2 x3 x4 = 0
en la base B. Hallar la matriz de q sobre F, indicando la base utilizada en
F.
4.
1.
1
2
A=
1
1
B es
2
2
0
1
1
0
1
1
1
1
1
0
x1
1 2 1
1
2 2 0
1
x2
1 0 1 1 x3 = 0
1 1 1 0
x4
Como el rango de A es tres, la dimensin del ncleo es uno y, por tanto,
podemos tomar como base el vector (1, 1, 0, 1).
3.
x1 x3 + 2x4 = 0
x2 x3 x4 = 0
cuyas soluciones son ( 2, + , , ) = (1, 1, 1, 0) + (2, 1, 0, 1) con
, R. Por tanto, una base de F es u1 = (1, 1, 1, 0) y u2 = (2, 1, 0, 1)).
Calculemos ahora la matriz de la restriccin de f a F en la base considerada; para ello, debemos determinar f (u1 , u1 ) = q(u1 ), f (u1 , u2 ) y
1
1
1
1
= 9
1 0
0
0
2
2 1
1
2 0
1
1 = 2
0 1 1 0
1
1 1 0
2
1 2 1
1
2 2 0
1
1
2 1 0 1
q(u2 ) =
1 0 1 1 0 = 3
1
1 1 1 0
2
1 1 1 0
q(u1 ) =
1
1
2
1 1 1 0
f (u1 , u2 ) =
1
1
2
2
0
1
1
0
1
1
9
2
2 3
x1
1 2 1
1
2 2 0
1
x2
1 0 0 0
1 0 1 1 x3 = x1 + 2x2 + x3 + x4 = 0
1 1 1 0
x4
y, tomamos, por ejemplo, (1, 0, 1, 0); el tercer vector debe satisfacer,
adems de esta ltima ecuacin, la siguiente,
x1
1 2 1
1
2 2 0
1
x2
1 0 1 0
1 0 1 1 x3 = 2x2 + 2x3 + 2x4 = 0
1 1 1 0
x4
1 2 1
2 2 0
0 0 1 1
1 0 1
1 1 1
x1
1
x2
1
1 x3
0
x4
= x2 + x4 = 0
339
y, tomamos, (1, 1, 0, 1). Por tanto, B0 = ((1, 0, 0, 0), (1, 0, 1, 0), (0, 0, 1, 1), (1, 1, 0, 1))
es una base ortonormal de E respecto a f . La matriz de q respecto a esta
ltima base se calcular como sigue,
1
0
0
0
1
0
1
0
0
0
1
1
t
1
1 2
2 2
1
0 1 0
1
1 1
1
0
1
1
1 1
1
0 0
1
1 0 1
0 0
0
0
0
1
1
1 0 0 0
1
0 2 0 0
1
=
0 0 0 1 0
0 0 0 1
1
16.3.
2
1
0
1 0 1
1 1 y M2 = 0 3
1
M1 = 1
0 1
3
1 1
2
2 2 0
2 1 2
0 2 3
Encontremos la matriz de la restriccin al subespacio F, para ello debemos calcular q(u1 ), f (u1 , u2 ) y q(u2 ),
2
2 2 0
2 0 1 2 1 2 0 = 5
q(u1 ) =
1
0 2 3
1
2 2 0
2 0 1 2 1 2 1 = 5
f (u1 , u2 ) =
1
0 2 3
1
2 2 0
1 1 1 2 1 2 1 = 10
q(u2 ) =
1
0 2 3
Por tanto, la matriz de la restriccin a F es,
5 5
5 10
que es una forma cuadrtica indefinida, ya que a la vista de su polinomio caracterstico 75 5x + x2 tiene signatura (1, 1) por qu?
Ejercicio 87 Consideremos la forma cuadrtica q de R3 definida por
q(x) = 2x2 2xy + y 2 + 2xz
Para cada t [0, 1], consideramos el subespacio vectorial Ft = h(1, 1, 0), (t, 1, t)i
y qt : Ft R, la restriccin de q sobre Ft . Considerando en R3 el producto
escalar ordinario,
1.
2.
3.
341
Solucin:
1.
2 1 1
1
1 0
1
0 0
1
2 1 1
1 0 1 = 1
1 1 0 1
q(u1 ) =
0
1
0 0
t
2 1 1
1 0 1 = 0
1 1 0 1
f (u1 , u2 ) =
t
1
0 0
t
2 1 1
1 0 1 = 2t + 1
t 1 t 1
q(u2 ) =
t
1
0 0
Por tanto, la matriz de qt en la base u1 , u2 de Ft es
1
0
AFt =
0 1 2t
2.
3.
1 1 0 1
0
1 1 0 1
t
t 1 t 1
t
ordinario de R3 restringido a
= 2
= t+1
= 1 + 2t2
2
t+1
GFt =
t + 1 1 + 2t2
16.4.
= G1
Ft AFt
1
1
0
2
t+1
=
0 1 2t
t + 1 1 + 2t2
2
1
1 + 2t 1 + t + 2t2
=
1 t
2 4t
1 2t + 3t2
Procedimientos
Clasificar las formas cuadrticas segn los distintos valores reales del parmetro
.
2.
xy =0
y=0
3.
4.
1.
1 0
1
A = 0 1
1 +1
Calculemos los menores principales,
M1
M2
M3
Entonces tenemos:
= 1>0
1 0
=
0 1
1 0
= 0 1
1
=1>0
1
= (1 )
+1
16.4. PROCEDIMIENTOS
2.
343
a)
b)
c)
d)
x
1 0 1
x y z 0 1 2 y = 0
z
1 2 3
x + 2y + 3z = 0
Por tanto,
F = {(x, y, z) R3 : x + 2y + 3z = 0}
3.
Para = 3, tenemos
q3 (x) = x2 + y 2 + 4z 2 + 6yz + 2zx
= (x + z)2 + y 2 + 3z 2 + 6yz
= (x + z)2 + (y + 3z)2 6z 2
Mediante el siguiente cambio de coordenadas,
0
x =x+z
y 0 = y + 3z
0
z =z
Para = 4, tenemos
q4 (x) = x2 + y 2 + 5z 2 + 8yz + 2zx
Vamos a construir una base ortogonal respecto a q4 . Tomamos como primer
vector de esta base el vector (1, 0, 0). El subespacio ortogonal con (1, 0, 0)
vendr dado por
x
1 0 1
1 0 0 0 1 4 y = 0
z
1 4 5
x+z = 0
x
1 0 1
0 1 0 0 1 4 y = 0
z
1 4 5
y + 4z = 0
Por tanto, (x, y, z) tiene que ser solucin del siguiente sistema,
x+z =0
y + 4z = 0
Por ejemplo, (1, 4, 1) puede ser el tercer vector de la base. Por lo tanto,
la base ortogonal respecto a q4 es,
B = ((1, 0, 0), (0, 1, 0), (1, 4, 1))
La forma reducida correspondiente se hallar calculando primero
q4 (1, 0, 0) = 1
q4 (0, 1, 0) = 1
q4 (1, 4, 1) = 12
Por tanto,
q4 (x0 ) = (x0 )2 + (y 0 )2 12(z 0 )2
Ejercicio 89 Consideremos en R3 la familia de formas cuadrticas q cuya
matriz respecto a la base cannica es
1 0
A = 0 1 1
1 0
Calcular las signaturas de las formas cuadrticas segn los valores reales del
parmetro .
Solucin: Calculamos el determinante de A ,
1 0
0 1 1 = 1 2
1 0
16.4. PROCEDIMIENTOS
345
Parte III
Apndices
347
Apndice A
Espacios vectoriales
1. Demostrar que el conjunto C de los nmeros complejos, con las operaciones
(a + bi) + (c + di) = (a + c) + (b + d)i
(a + bi) = a + bi
tiene estructura de espacio vectorial real.
2. Considerese el conjunto de las funciones definidas sobre el intervalo [0, 1]
y tales que 2f (0) = f (1). Forman un espacio vectorial real?
3. Considerese el conjunto de los polinomios de grado inferior o igual a 4,
sobre un cuerpo K (comprendido el polinomio nulo). Forman un espacio
vectorial sobre K?
4. Consideremos el espacio vectorial real F(R, R) de las funciones reales de
variable real. Determinar cules de los siguientes subconjuntos son subespacios vectoriales: (a) S1 = {f F(R, R) : f (x) = f (x), x R};
(b) S2 = {f F(R, R) : f (x) = f (x), x R}; (c) S3 = {f
F(R, R) : f es continua}; (d) S4 = {f F(R, R) : f (x) 0, x R};
(e) S5 = {f F(R, R) : f es dos veces derivable y f 00 f 0 + f = 0}; (f)
S6 = {f F(R, R) : f (1) = f (2) + 3}.
5. Consideremos el espacio vectorial real Mnm (R) de las matrices de orden
n m con coeficientes reales. Determinar cules de los siguientes subconjuntos son subespacios vectoriales:
Pn (a) S1 = {A Mnm (R) : a11 = 0};
(b) S2 = {A Mnm (R) :
i=1 aii = 0, n = m}; (c) S3 = {A
Mnm (R) : aij = aji , i, j, n = m}.
6. Considrese
las inclusiones Q Q( 3 5) R C, siendo Q( 3 5) = {a +
350
7. Escribir el vector w = (2, 2, 3) como una combinacin lineal de los vectores del sistema S = (v1 , v2 , v3 ) de R3 , siendo v1 = (2, 1, 4), v2 =
(1, 1, 3), v3 = (3, 2, 5).
8. Escribir el polinomio p(x) = 2 + 2x + 3x2 como una combinacin lineal de
los polinomios p1 (x) = 2+x+4x2 , p2 (x) = 1x+3x2 , p3 (x) = 3+2x+5x2
de R2 [x].
9. Averiguar si la matriz
A=
1 7
5 1
1 2
0 1
4 2
M1 =
, M2 =
, M3 =
1 3
2 4
0 2
de M2 (R).
10. (a) Exprese (4a, a b, a + 2b) como una combinacin lineal de (4, 1, 1) y
(0, 1, 2). (b) Exprese (3a + b + 3c, a + 4b c, 2a + b + 2c) como una
combinacin lineal de (3, 1, 2) y (1, 4, 1). (c) Exprese (2a b + 4c, 3a
c, 4b + c) como una combinacin lineal de tres vectores diferentes de cero.
11. Exprese v = (1, 1) como una combinacin lineal de v1 = (1, 1), v2 =
(3, 0), v3 = (2, 1), de dos maneras distintas.
12. Expresar (si es posible) los siguientes elementos de F(R, R) como una
combinacin lineal de las familias correspondientes: (a) sin x y (1, x, x2 , ...);
(b) x2 + x 1 y (1,x 1, (x 1)2 ); (c) 1 y (x + 1, x2 1, x3 + 1); 0 y
((x 1)2 , x, x2 + 2, 3).
13. En el espacio vectorial R4 se considera el subespacio engendrado por
los vectores (2, 3, 1, 5) y (0, 2, 1, 3). Hallar a y b para que el vector
(2, a, 3, b) pertenezca a dicho subespacio.
14. Hallar un sistema generador S del espacio vectorial de las soluciones de
los siguientes sistemas lineales homogneos:
2x 3y + z = 0
x + 4y + 8z = 0
6x 9y + 3z = 0
(b)
(a) 2x + 5y + 6z = 0
4x + 6y 2z = 0
3x + y 4z = 0
15. De los sistemas siguientes, determinar cules engendran R3 . En caso negativo, dar una descripcin geomtrica del subespacio que engendran. (a)
S1 = ((4, 7, 3), (1, 2, 6), (2, 3, 5)); (b) S2 = ((2, 5, 0), (4, 6, 3)); S3 =
((1, 0, 3), (2, 0, 1), (4, 0, 5), (2, 0, 6)).
351
16. Hallar un sistema de ecuaciones lineales homogneas cuyo espacio de soluciones es cada uno de los siguientes subespacios vectoriales:
S1
S2
S3
S4
0 1
0 1
3 1
=
,
,
3 1
1 3
1 0
a b
M ={
: a, b, c R}
0 c
ab
2a
0
M ={
: a, b R}
b
a + 2b
352
25. Determinar los rangos de los sistemas R4 y eventualmente las relaciones entre los vectores de Si (i = 1, 2). (a) S1 : v1 = (1, 0, 1, 0), v2 = (2, 1, 0, 1), v3 =
(0, 2, 1, 1), v4 = (3, 1, 2, 0); (b) S2 : v1 = (1, 0, 2, 3), v2 = (7, 4, 2, 1), v3 =
(5, 2, 4, 7), v4 = (3, 2, 0, 1).
26. Determinar, segn los valores de (o de , , ) los rangos de los sistemas
S1 , S2 , S3 de vectores de R3 . (a) S1 : v1 = (, 1, 1), v2 = (1, , 1), v3 =
(1, 1, ); (b) S2 : v1 = (, 1, 1), v2 = (1, , 1), v3 = (1, 1, );
S3 : v1 = (0, , ), v2 = (, 0, ), v3 = (, , 0).
27. Determinar una base del subespacio F de R4 descrito por (x, y, z, t) del
que se sabe que x = y 3z y z = t. Completar la base obtenida para
obtener una base de R4 .
28. En R3 verificar que los vectores a, b, c son independientes y calcular las
coordenadas de x respecto de la base (a, b, c). Los vectores son a =
(1, 1, 1), b = (1, 1, 1), c = (1, 1, 1) y x = (2, 3, 1).
29. Determinar el rango del sistema de vectores vi (i = 1, ..., n) de Rn que
tienen coordenadas ij = 1+ ( 1) ij , en donde es un escalar conocido
y ij es el smbolo de Kronecker.
30. Sean F, G, H subespacios del espacio vectorial E. Demostrar o dar contraejemplos de las afirmaciones siguientes:
a) F (G + H) = (F G) + (F H)
b) F + (G H) = (F + G) (F + H)
G = ht + 1, t, t 1i
353
32. Consideremos en C3 el sistema S = ((2 i, 1, 1), (1, 2 + i, 3), (1, 2 + 3i, 2)).
Averiguar: (a) Si S es un sistema generador de un subespacio de C3 de
dimensin 1; (b) Si S es un sistema generador de un subespacio de C3 de
dimensin 2; (c) Es una base de C3 ? (d) Es un sistema libre?
354
Apndice B
Aplicaciones lineales
1. Es lineal la aplicacin f : R2 R3 definida por f (x, y) = (2x + y, x
y, 3y)?
Solucin: S.
2. Sea la aplicacin f : R3 M2 (R) dada por
x1 x2 x2 x3
.
f (x1 , x2 , x3 ) =
x3 x1 x1 x2
Demostrar que es lineal.
3. Sea la aplicacin lineal f : R4 R3 dada por f (x, y, z, t) = (x+y, xt, 3z).
Calcular el valor de para que el vector v = (22, 4, 0, 2) pertenezca
a N uc f .
Solucin: = 2.
4. Consideremos las aplicaciones f : M2 (R) R2 [x] definida por
a b
f
= a + (b + c)x2
c d
y g : R2 [x] R2 [x] definida por
g(P (x)) = P(x) (derivada de P (x))
a) Es f inyectiva? Es g inyectiva?
b) Calcular las matrices asociadas a f y g en las bases cannicas de
M2 (R) y R2 [x]:
1 0
0 1
0 0
0 0
,
,
,
,
Base de M2 (R) :
0 0
0 0
1 0
0 1
Base de R2 [x] : {1, x, x2 }
355
356
1 0
1 1
1 1
e) Calcular la matriz de gf en las bases V y W, siendo V =
,
,
0 0
0 0
1 0
y W = {1 + x + x2 , 1 + 2x + x2 , x2 }
Solucin: f y g no son inyectivas; la matriz asociada a f es
1 0 0 0
0 0 0 0
0 1 1 0
La matriz asociada a g es
0 1 0
0 0 2
0 0 0
0 2 4 4
0 0 0 0
0 2 2 0 y 0 2
4
4
0 0
0
0
0 0 0 0
5. Sean f y g dos endomorfismos de un espacio vectorial, tales que f g = gf .
Demostrar:
a) f (ker g) ker g
b) f (Im g) Im g
Indicacin: Usar las definiciones de N uc e Im.
357
b) E = F G.
Indicacin: Para probar que E = FG hay que demostrar que FG = {0}
y que E = F + G. Observa que x = 12 (x + f (x)) + 12 (x f (x)).
9. Se definen las aplicaciones lineales f y g de la siguiente manera
f
g
: R3 R4
: R4 R2
Calcular:
a) La matriz asociada a f en las bases cannicas de R3 y R4 .
b) La matriz asociada a g en las bases cannicas de R4 y R2 .
c) La matriz asociada a g f en las bases cannicas de R3 y R2 .
d) ker (g f )
Solucin:
1 1 0
1 0 1
1 0 0 1
2 1 0
,
y
0 0
0
1 1 0 0
0 1 1
1 0
0
y ker (g f ) = h(1, 2, 2)i.
a b
M=
: a, b, c R
c 0
y la aplicacin f : M M definida por
a b
ab ba
f
=
.
c 0
c
0
Demostrar que f es lineal, y calcular la matriz asociada a f en la base
1 0
0 1
0 0
e1 =
, e2 =
, e3 =
0 0
0 0
1 0
de M.
La matriz asociada a f es
1 1 0
1 1 0
0
0 1
358
1 3 1
0 1
1
12. Sea f la aplicacin entre los espacios M2 (R) y R2 [x] definida por
a b
f
= ax2 + (b c)x + d
c d
a) Es f lineal?
b) Calcular la matriz de f en las bases cannicas de M2 (R) y R2 [x]:
1 0
0 1
0 0
0 0
,
,
,
,
Base de M2 (R) :
0 0
0 0
1 0
0 1
Base de R2 [x] : {x2 , x, 1}
c) Calcular N uc f y Im f.
d) Es f inyectiva? Es f exhaustiva? Es f biyectiva?
Solucin: S;
1 0 0 0
0 1 1 0
0 0 0 1
0 1
ker f =
, Im f = R2 [x]; f es exhaustiva, pero no es
1 0
inyectiva ni biyectiva.
1 1
la matriz de un endomorfismo f de R2 en la base
13. Sea A =
0 1
cannica. Sean u1 = (0, 1), u2 = (1, 1) una base de R2 . Calcular la matriz de f en esta nueva base.
Solucin:
0 1
1 2
2 0
1 2
0 2
359
15. Sea f : E E una aplicacin lineal, y {e1 , e2 , e3 } una base de E. Se define
f por
f (e1 e2 ) = 0
f (e1 + e2 + e3 ) = 4e2 + 5e3
f (e2 + e3 ) = 3e2 + 3e3
Hallar la imagen de v = 3e1 + 4e2 + 6e3 .
16. Consideremos la aplicacin lineal f : R3 [x] M2 (R) definida por
a
bd
f (ax3 + bx2 + cx + d) =
.
cb
0
a) Calcular su matriz en las bases cannicas de R3 [x] y M2 (R):
Base de R3 [x] : {x3 , x2 , x, 1},
1 0
0 1
0 0
0 0
Base de M2 (R) :
,
,
,
0 0
0 0
1 0
0 1
b) Calcular una base de N uc f.
Solucin:
y N uc f = h(0, 1, 1, 1)i.
1 0 0 0
0 1 0 1
0 1 1 0
0 0 0 0
360
Apndice C
Matrices
1. Escribir la matriz real A de orden 2 3 tal que aij = (1)i+j .
2. Para qu valores de u y v son iguales las dos matrices siguientes?
4
4
u
(1 u)2 v 2 3
v
2u 5 y v 3v u v
6 v+5
1
6
u 1
3. Calcular A + B, A B, y 5A 3B, sabiendo que
0 1 1
1 1 5
A=
yB=
2 3 7
0 1 9
4. Determinar dos matrices X, Y tales que
1 1
2X 5Y =
2 1
2 1
X + 2Y =
4 1
1 1
0 1
2 3
,
,
2 3
1 1
1 4
6. En M3 (R) consideramos el subconjunto S de las matrices mgicas. Una
matriz A se llama mgica si las ocho sumas siguientes son iguales.
3
X
i=1
aij (j = 1, 2, 3),
3
X
aij (i = 1, 2, 3),
j=1
3
X
i=1
362
APNDICE C. MATRICES
7. Una aplicacin lineal aplica (2, 3) en (1, 0) y (3, 2) en (1, 1). Hallar la
matriz que representa a esta aplicacin lineal.
8. Dado el espacio vectorial Mn (R) de las matrices cuadradas de orden n
con coeficientes reales.
a) Demostrar que el conjunto S de las matrices simtricas y el conjunto
T de las matrices antisimtricas son subespacios de Mn (R)
b) Demostrar que Mn (R) = S T
Descomponer la matriz
1 2 1
6 1 4
2 3 5
1
A= 0
0
Calcular An y B n .
1
n
1
0
1
n
0
1
y B=
cos sin
sin cos
11. Sea B1 = (u1 , u2 , u3 ), con u1 = (1, 2, 1), u2 = (0, 3, 1) y u3 = (2, 0, 3), una
base de R3 . Hallar la matriz respecto a la base cannica de la aplicacin
lineal que hace corresponder a cada vector su primera coordenada en la
base B1 .
12. Sea E un espacio vectorial real de dimensin 3 y B1 = (e1 , e2 , e3 ) una base
del mismo. Sea f un endomorfismo de E cuya matriz en esta base es
2 0 1
1 1 0
2 0 2
y g el endomorfismo de E determinado por
g(e1 ) = e1 + e3
g(e2 ) = 2e1 + e2 + 3e3
g(e3 ) = 3e1 + e2 + 4e3
Hallar las matrices asociadas a los endomorfismos g f y 2f 3g.
363
13. Calcular el rango de las matrices
a 0 b
A3 = b a 0
0 b a
Generalizarlo para An .
a 0 0 b
b a 0 0
y A4 =
0 b a 0
0 0 b a
1 0 0 0
0 0 3 0
A=
0 0 0 6
0 1 0 0
0 0 1 0
0
3
0
1
2 0 1
A= 1 0 1
1 1 1
16. Calcular la matriz triangular equivalente a
3 1 0
1 1 1
A=
0 1 2
1 2 1
la matriz
0
1
1
2
364
APNDICE C. MATRICES
Apndice D
Determinantes
1. Sea el espacio vectorial R2 . Se considera la aplicacin f : R2 R2 R
definida por
f (x, y) = x1 y1 x2 y2
con x = (x1 , x2 ), y = (y1 , y2 ). Estudiar si f es una forma bilineal. Es
simtrica? Es antisimtrica? Es alternada?
2. Calcular el determinante de la matriz A = (aij ), donde aij = |i j|.
3. Probar que (x 1)3 divide al polinomio
1 x x2 x3
1 1
1
1
1 2
3
4
1 4
9 16
4. Dada la matriz
M=
0 A
adj A 0
1 + x + x2
1
1
1
1
+
x
+
x
1
1
1
1 + x + x2
1
1
1
1
1
1
1
1
1
1 + x + x2
1
en factores irreducibles.
365
1
1
1
1
1 + x + x2
366
APNDICE D. DETERMINANTES
a) det(adj A) = (det A)
b) Si rang A = n 1, entonces rang (adj A) = 1
8. Consideremos el determinante
k
1
2k
k
2
3k
D (n, k) = .
..
..
.
nk (n + 1)k
..
.
k
(2n 1)
nk
k
(n + 1)
..
.
t
1
9. Demostrar que, si A es invertible, A1 = (At ) .
0
2
3
4
1
2
1
5
4
4
4
9
es mltiplo de 3.
1
2
A=
1
2
2
3
1
4
3
4
1
6
4
5
1
8
5
6
1
1
6
7
1
2
13. Hallar las ecuaciones definidoras del subespacio vectorial S = h(1, 1, 1, 1), (1, 2, 3, 4), (3, 2, 1, 0)i
de R4 .
x x2
2
x
367
15. Calcular la matriz inversa de la matriz
1 i i
0
A= i 1
i 0
1
siendo i2 = 1.
a
D = 2
a3
a
1 1 1
b c d
b2 c2 d2
b3 c3 d3
368
APNDICE D. DETERMINANTES
Apndice E
Sistemas de ecuaciones
lineales
1. Dado el sistema
x + by + az = 1
ax + by + z = a
x + aby + z = b
6x 6y + (11 a) z = 0
3x + (12 a) y 6z = 0
(2 a) x + 3y 6z = 0
x + 2y + z 1
2x + y + 2z 1
(mod 5)
y + 2z 1
x + 2y + z 1
2x + y + 2z 1
(mod 3)
y + 2z 1
370
x + y + 3z 2
2x + 3y + 4z 0
3x + 4y + az 3
x1 + x2 + x3 + x4 = 10
x1 x2 + 2x3 + x4 = 9
2x1 + x3 + x4 = 9
1
0
0
0
a
1
0
0
0
a2
a
1
0
0
a3
a2
a
1
0
a4
a3
a2
a
1
x+y+z = 3
2x ay + 3z = 4
3x 3y + 4z = 7
5x (a + b)y + 7z = 8 + b
9. Dadas las
1
A= 2
1
matrices
2
11 2
1 3 1
b 0 1
a 3
1 4 , B = 1 1 b , C = 0 1 0 , D = 2 8 2
0
2 0
1 2 1
2 b 0
0 2
Apndice F
Diagonalizacin de
endomorfismos
1. Estudiar la diagonalizacin de las siguientes matrices de Mn (K) para K =
Q, R, C.
a)
b)
c)
d)
e)
1 2 2
1 3 0
0 2 1
3 1 1
6 1
2
2
1
0
5 6 3
1 0 1
1 2 1
1 1
1
1
1 1 1 1
1 1 1 1
1 1 1 1
3
1
0
4 1 0
4 8 2
371
372
2
0
0 0
1 1 2 4
10 2 11 6
0 5 0 0
B=
A=
11
0 12 1 8
0
6 3
7 0
7 4
0 9 1 3
4 0 4 11
6 3 3 9
A=
5 1 5 7
1 1 1 5
6. Sabiendo que las matrices
a 5
A=
5 4
y B=
3i 0
0 3i
1 0
a 1
A=
b c
d e
sea diagonalizable.
a
b
A=
b
b
Diagonaliza?
0 0
0 0
2 0
f 2
matriz
b c d
a c d
c a d
c d a
373
10. Sea f EndR (E). Probar que si dim E es senar, entonces f tiene algn
valor propio, y que si dim E es par y det f < 0, f tiene al menos dos
valores propios. Dar un ejemplo de un endomorfismo sin valores propios.
11. Sea A Mn (R) y R no nulo. Encontrar la relacin que hay entre el
polinomio caracterstico de A y el polinomio caracterstico de A. Deducir
que si es un valor propio de A, entonces es un valor propio de A
y que si x es un vector propio de A de valor propio , entonces x es un
vector propio de A de valor propio .
374
Apndice G
1 0 0
A1 = 1 1 0 ,
1 0 1
1 0 1
A2 = 0 3 4 ,
0 1 1
2
1 1
A3 = 2 1 2
1 1 2
4 1 1
A = 6 1 2
3 1 0
1 0 0
y B= 1 0
1 0
1 3 0
3
1
0
0 1
A=
0
0 1 0
1 2 0
1
376
5 0
0 2
2 0
de
4
0
1
1 3 2
0 1 0
0 2 2
6 6 3
0
0
0
4
2
0
1
2
1 3
0 1
2 2 4
6
1 1 1 1
7. Calcular la forma cannica de Jordan de
4 0 4 11
6 3 3 9
5 0 5 7
1 0 1 5
8. Estudiar para qu valores de los parmetros a y b es diagonalizable la
matriz
5 0 0
0 1 b
3 0 a
calculando la forma cannica de Jordan para los valores a = 1 y b = 1.
1 2 3
1 1
A=
y B= 2 1 3
0 1
3 3 0
10. Calcular la forma cannica de Jordan de las siguientes matrices:
3 0 0
10
4
13
3
7 y B= 0 1 5
A= 5
0 5 1
9 4 12
11. De una matriz A se sabe que el conjunto de sus valores propios es {1, 1, 6}.
Adems, se tiene:
377
a) dim N uc (A I) = dim N uc (A I)2 = 1
b) dim N uc (A + I) = 1
c) dim N uc (A + I)2 = 2
d) dim N uc (A + I)3 = dim N uc (A + I)4 = 3
e) dim N uc (A 6I) = dim N uc (A 6I)2 = 1
Cul es la forma cannica de Jordan de A?
12. Sea B = {e1 , e2 , e3 , e4 , e5 } una base del espacio vectorial R5 . Sea f un
endomorfismo de R5 del que se conoce
a) f (e2 ) = e2
b) f (e3 + e4 ) = e3 + e4
c) f (e5 ) = 2e5 + e1 e2
El polinomio caracterstico de f tiene la raz triple 2. Las ecuaciones implcitas, respecto de la base B, del ncleo del endomorfismo f 2I son
x1 + x2 + x3 = 0
x3 + x4 = 0
x5 = 0
Calcular la forma cannica de Jordan de f .
378
Apndice H
1 1 1
1 3 0
1 0 2
3. Clasificar la siguiente forma cuadrtica
q(x, y, z) = 3x2 + 4xy + 10xz 4yz
Calcular una forma reducida.
4. Obtener la forma reducida en una base ortogonal respecto a q de las siguientes formas cuadrticas:
a) q(x, y, z) = x2 + y 2 5z 2 + 6xz + 4yz
b) q(x, y, z) = 2xy + 2yz + 2xz
1 2 3 4
4
2 2
2 5 8 11
5 1
(b)
(a) 2
3 8 14 20
2 1 3
4 11 20 30
6. Dadas las matrices asociadas a formas cuadrticas
2
1 1
1 0 1
1 1 1
1 , A2 = 0 1 0 , A3 = 1 2 2
A1 = 1 2
1 1 2
1 0 1
1 2 3
Agradecimientos
Quiero expresar aqu mi sincero agradecimiento a la profesora Brbara Llacay por haber colaborado en la realizacin de algunos captulos de este libro.
381
382
AGRADECIMIENTOS
Bibliografa
[1] Roger Godement. lgebra. Editorial Tecnos, 1971.
[2] G. Birkho S. Mac Lane. lgebra Moderna. Editorial Vicens-Vives, 1974.
[3] Michel Queysanne. lgebra Lineal. Editorial Vicens-Vives, 1973.
[4] A. Lentin J. Rivaud. lgebra Moderna. Editorial Aguilar, 1973.
[5] J. Sancho San Roman.
Zaragoza, 1973.
Universidad de
383