Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Prefacio
Estas lecturas son una recopilacion del curso Algebra y Algebra Lineal, dictada por el Profesor
Gabriel Gatica en el Departamento de Ingeniera Matematica de la Universidad de Concepcion,
Chile y del curso de Algebra Lineal, dictada por los Profesores Agueda
Mata y Miguel Reyes del
Departamento de Matematica Aplicada de FI-UPM, Espana.
Francisco Torres C.
Departamento de Matematica
Facultad de Ingeniera
II
Departamento de Matematica
Indice
general
1. Matrices y Sistemas de Ecuaciones
1.1. Matrices . . . . . . . . . . . .
1.2. Ejercicios . . . . . . . . . . .
1.3. Sistemas de Ecuaciones . . . .
1.4. Ejercicios . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
5
7
10
Departamento de Matematica
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
33
36
39
41
IV
Departamento de Matematica
INDICE
GENERAL
Captulo 1
Matrices y Sistemas de Ecuaciones
1.1.
Matrices
m
X
k=1
Departamento de Matematica
aik bkj
donde
bij = aij
1.1 Matrices
A Mn (R)
2. Toda matrz cuadrada se descompone como la suma de una matrz simetrica con una antisimetrica.
Definicion 6 . Una matriz A Mn (R) se dice invertible (o no singular) si existe una matriz
B Mn (R) tal que A B = I y B A = I.
Propiedades 4 .
1. La matriz B se llama inversa de A y se denota A1 .
2. Si A es invertible, entonces A1 es u nica.
3. Si A y B son invertibles, entonces AB es invertible y
(A B)1 = B 1 A1
Definicion 7 . Sea A Mnm (R). Se llaman operaciones elementales por filas (OEF) sobre A a
las siguientes operaciones.
1. Intercambio de dos filas de A, esto es, la fila i con la fila j. Se escribe fi fj , i, j =
1, 2, ..., n.
2. Multiplicar una fila de A por un escalar no nulo, esto es, para la fila i. Se escribe fi = fi ,
i = 1, 2, ..., n y R.
3. Sumar un multiplo escalar de una fila a otra, esto es, a la fila i se suma veces la fila j. Se
escribe fi = fi + fj , i, j = 1, 2, ..., n y R.
Definicion 8 . Dos matrices A, B Mnm (R) se dicen equivalentes por filas si una se obtiene de
la otra aplicando OEF.
Teorema 1 . Si A Mn (R) es equivalente por filas con I, entonces A es invertible.
Nota 3 . Sea A Mn (R). Si la matriz ampliada (A \ I) es equivalente por filas con (I \ B),
entonces B = A1 .
Departamento de Matematica
i = 1, 2, ..., n.
j=1
n
Y
aii .
i=1
3. |A| = |At |.
4. Si f es una OEF que intercambia dos filas de A, esto es, B = f (A), entonces |B| = |A|.
5. Si f es una OEF que multiplica una fila de A por un escalar , esto es, B = f (A), entonces
|B| = |A|.
6. Si f es una OEF que suma un multiplo escalar de la fila i a la fila j, esto es, B = f (A),
entonces |B| = |A|.
7. Si A tiene dos filas iguales, entonces |A| = 0.
8. |AB| = |A||B|.
Nota 4 Como |A| = |At |, entonces estas propiedades tambien valen para las columnas.
Definicion 11 Sea A Mn (R).
1. Se dice Menor de un elemento de aij al determinante de la matriz Aij , esto es, |Aij |.
2. Se dice Cofactor de un elemento aij al escalar cij = (1)i+j |Aij |.
Definicion 12 Sea A Mn (R).
1. Se dice Matriz de Cofactores de la matriz A a la matriz (cij ), donde cij es el cofactor de aij
y se escribe cof (A) = Ac .
2. Se dice Matriz Adjunta de la matriz A a la transpuesta de la matriz de cofactores y se escribe
Adj(A) = (Ac )t .
Teorema 2 Sea A Mn (R).
1. A es invertible si y solo si |A| =
6 0.
Departamento de Matematica
1.2 Ejercicios
2. La inversa de A es
A1 =
Adj(A)
|A|
1.2.
Ejercicios
1 1
0
0
a) A = 2 4
3 1 2
2 1 1
b) A = 4 1 3
2 1 3
0 1 2
2. Encontrar R tal que |A I| = 0, donde A = 1 0 1
0 0 1
1 a a2
3. Sea A = 1 b b2 , pruebe que |A| = (b a)(c a)(c b).
1 c c2
a 0 0 b
0 a b 0 a b 2
4. Pruebe que
0 b a 0 = b a
b 0 0 a
5. Calcule, si es que existen, los valores de k R para los cuales las siguientes matrices tienen
inversa
k 1 1
2 2
6
a) A = 1 k 1
b) B = 0 k 4 k
1 1 k
0 k
k
6. Calcule
el rango de la
siguientes matrices
1 2 3
1 0 1 1
a) A = 1 2 3
b) B = 0 2 1 2
0 4 0
1 4 3 5
Departamento de Matematica
k 1 1
2 2 6 k
a) A = 1 k 1
b) B = 0 k k 1
1 1 k
0 k
k k
8. Para cada matriz dada determine su inversa, si existe, usando operaciones elementales por
filas y matriz
de cofactores
1 1 0
0 1 1
a) A = 1 2 1
b) B = 2 1 1
3 1 1
2 1 1
2 6 2 6
0 1 2 3
2
SOLUCIONES
1.
a) det(A) = 4, det(A1 ) = 14
1
b) det(A) = 12, det(A1 ) = 12
2. = 1 es el u nico valor.
5.
a) k R {1; 2}
b) k R {0}
6.
a) r(A) = 2
b) r(B) = 2
7.
8.
a) A1
1 1 1
= 12 2 1 1
5 4 3
9. A1
1 12 11 16
0 4 4 8
= 21
0 0
1 4
0 0
0
4
Departamento de Matematica
b) B 1
1 0 1
1
= 12 0 1
2 1 1
1.3.
Sistemas de Ecuaciones
.
.
a x + a x + a x + ..... + a x
n1 1
n2 2
n3 3
nm m = bn
donde i 1, 2, ..., n y j 1, 2, ..., m. aij R, bi R y {xi }m
erminos
i=1 son los coeficientes, los t
independientes y las incognitas del sistema (S).
Definicion 15 (Forma Matricial) Este sistema (S) se puede escribir de la forma
a11 a12 a13 a1m
x1
b1
a21 a22 a23 a2m x2 b2
a31 a32 a33 a3m x3 b3
=
..
..
..
.. .. ..
.
.
.
.
.
.
. . .
xm
bn
an1 an2 an3 anm
esto nos lleva a la forma matricial del sistema
AX = B
Si B = 0, el sistema (S) se dice homogeneo, en caso contrario se dice no homogeneo.
Definicion 16 El vector (y1 , y2 , ..., ym )t Rn1 es solucion del sistema si satisface simultaneamente cada una de las ecuaciones. El conjunto de todas las soluciones del sistema se dice Conjunto Solucion.
Definicion 17 Es sistema (S) se dice.
1. Incompatible, si no tiene solucion.
2. Compatible Determinado, si tiene u nica solucion.
3. Compatible Indeterminado, si tiene mas de una solucion.
Definicion 18 Dado el sistema AX = B, la matriz (A \ B) Mn(m+1) (R) se dice la Matriz
Ampliada del Sistema.
Teorema 3 (Existencia de Soluciones)
Dado el sistema AX = B tal que r(A) = r(A \ B)
1. El sistema tiene u nica solucion si r(A) = m.
2. El sistema tiene mas de una solucion si r(A) < m.
Si r(A) 6= r(A \ B) el sistema no tiene solucion.
Departamento de Matematica
A1 X = B1
1 2 4
1 2 4
3
3
3
1 2 4
=f2 +f1
1 3
2
4 ff32=f
0 1
6
7 .. 0 1
6
7
3 5f1
5
0 6 1
0 10 26 16
0 0 1 1
As, la solucion del sistema es X = (1, 1, 1).
Ejemplo 2 Resolver el sistema
x+y+z = 1
2x + 2y + z = 2
x+y
= 1
Escalonando la matriz ampliada, tenemos
1 1 1 1 1 1 1 1
1 1 1 1
2 2f1
2 2 1 2 ff2 =f
0 0 1 0 f3 =f3 f2 0 0 1 0
3 =f3 f1
1 1 0 1
0 0 1 0
0 0 0 0
Departamento de Matematica
As, r(A) = (A \ B) < numero de incognitas, entonces el sistema tiene mas de una solucion. El
sistema equivalente es
x+y+z = 1
z = 0
Entonces z = 0 e y = 1 x. El conjunto solucion es
S = {(x, y, z) R3 : y = 1 x z = 0}
= {(x, 1 x, 0) : x R}
Ejemplo 3 Resolver el sistema
x 2y + 2z = 3
x 5y + 4z = 1
2x 3y + 2z = 1
Escalonando la matriz ampliada, tenemos
1 2 2 3 1 2 2
3
1 2 2
3
2 3f1
3 5 4 1 ff2 =f
0 1 2 8 f3 =f3 f2 0 1 2 8
3 =f3 2f1
2 3 2 1
0 1 2 5
0 0
0
3
En este caso, r(A) 6= (A \ B). Por tanto el sistema no tiene solucion.
Ejemplo 4 Dado el sistema de ecuaciones
x 2y + z = 2
x + y + az = 1
2x + ay + 4z = 2
Encuentre el valor de a R, talque es sistema
1. No tenga solucion.
2. Tenga mas de una solucion.
3. No tenga solucion.
SOLUCION.
La matriz asociada al sistema es
1 2 1
A = 1 1 a
2
a 4
10
1 2 1 2 1 2 1 2
1 2 1 2
=f2 +f1
1 1 2 1 ff2=f
0 1 1 1 f3 =f3 +2f2 0 1 1 1
3
3 2f1
2
0
2 2 4 2
0 2
2
0 0
0
Entonces, r(A) = (A \ B) < 3. Por tanto el sistema tiene mas de una solucion.
c. Para a = 3, escalonando la matriz ampliada, tenemos
1 2 1 2 1 2 1 2
1 2 1 2
=f2 +f1
1 1 3 1 ff2=f
0 1 2 1 f3 =f3 +f2 0 1 2 1
3
3 2f1
2 3 4 2
0 1
2
2
0 0
0
1
Entonces, r(A) 6= (A \ B). Por tanto el sistema no tiene solucion.
Ejemplo 5 Resuelva usando la Regla de Cramer.
2x + 3y + 5z = 10
3x + 7y + 4z = 3
x + 2y + 2z = 3
SOLUCION
El determinante de la matriz asociada es
2 3 5
|A| = 3 7 4 = 1
1 2 2
entonces se puede utilizar la Regra de Cramer.
10 3 5
2 10 5
3 7 4
3 3 4
3 2 2
1 3 2
x=
= 3, y =
= 2,
1
1
1.4.
2 3 10
3 7 3
1 2 3
z=
=2
1
Ejercicios
1. Decida si los sistemas que siguen son incompatibles o compatibles. En el u ltimo caso, decida
si son determinados o indeterminados y encuentre la solucion
xy = 2
a) 2x 2y = 8
3x y = 4
Departamento de Matematica
xy = 2
b) x + 3y = 8
2x + 2y = 10
1.4 Ejercicios
11
2. Muestre que el siguiente sistema es compatible determinado (tiene u nica solucion) y encuentre su solucion por reduccion por filas y por Cramer.
2x 4y
x 3y + t
x z + 2t
3x 4y + 3z t
= 10
= 4
= 9
= 15
3. Determinar el o los valores de p y q tales que el sistema no tenga solucion, tenga u nica solucion o tenga infinitas soluciones.
x y + 2z = 2
a) 3x + y + z = 1
2x + pz = q
x + 2y + z = q
b) 2x y + z = p
3x + y + 2z = 1
Departamento de Matematica
12
(1.1)
a) Incompatible
b) Compatible determinado x = 72 , y =
3.
a)
3
2
i. No tiene solucion si p = 52 y q 6= 52
ii. Tiene solucion u nica si p 6= 25
iii. Tiene infinitas soluciones si p = 52 y q = 52
Departamento de Matematica
1.4 Ejercicios
b)
4.
i. No tiene solucion si p + q 6= 1.
ii. En ningun caso tiene u nica solucion.
iii. Tiene infinitas soluciones si p + q = 1.
a) Es compatible determinado si 6= 0 y 6= 3.
b) Si = 0 es compatible indeterminado si a = b y b = c, si una de estas condiciones
falla, entonces no tiene solucion.
c) Si = 3 es compatible indeterminado si a+b+c = 0; si no, entonces no tiene solucion.
5. = 1
7.
a) a = 19, b = 13, c = 2 y d = 1.
b) a = 19, b = 13, c = 2, d = 1 y e = 0
Departamento de Matematica
13
14
Departamento de Matematica
Captulo 2
Espacios y Subespacios Vectoriales
2.1.
Espacios Vectoriales
Definicion 21 Un Espacio Vectorial sobre R es un conjunto V 6= sobre el que hay definidas dos
operaciones
1. Adicion.
: V V V
(u, v) u v
Verificando las siguientes propiedades:
a) Conmutativa: u v = v u, u, v V .
b) Asociativa: (u v) w = u (v w) , u, v, w V .
c) Elemento neutro: V tal que u = u = u, u V .
d) Elemento opuesto: u V , u V tal que u ( u) = ( u) u = .
se dice inverso aditivo.
2. Producto por escalar.
: RV V
(, u) u
Verificando las siguientes propiedades:
a) 1 u = u, u V.
b) ( u) = () u, , R, u V .
c) ( + ) u = u u, , R, u V .
d) (u v) = u v, R, u, v V.
Nota 7 Los elementos de un espacio vectorial se llaman Vectores.
Departamento de Matematica
16
2.2.
Subespacios Vectoriales
17
u, v S
u + v S,
SV
u S, R, u S
Corolario 1 Si V es un espacio vectorial y S V , S 6= , entonces
S V u + v S, , R, u, v S
Corolario 2 Sea V un espacio vectorial y S V entonces 0 S.
Nota 8 Sea V un espacio vectorial, S V y 0 S, esto no implica que S es subespacio vectorial
de V .
Por ejemplo, sean V = R2 , S = {(x, y) R2 : y = x2 } y 0 S, pero S V , pues el vector
u = (1, 1) S , = 2 R y u = 2(1, 1) = (2, 2)
/ S, entonces falla la segunda condicion del
Teorema 4.
Ejemplo 7 .
1. En todo espacio vectorial V , el conjunto {0} es un subespacio vectorial llamado subespacio
trivial.
2. Sea F(R) = {f : R R} el espacio vectorial de las funciones reales. Son subespacios
vectoriales
S1 = {f F(R) : f (0) = 0},
S3 = {f F(R) : f es acotada},
S2 = {f F(R) : f es continua}
S4 = {f F(R) : f es derivable}
y no lo son
S5 = {f F(R) : f (x) > 0, x R},
S6 = {f F(R) : |f (x)| 1, x R}
3. Sea Pn (R) el espacio de los polinomios de grado menor o igual a n. Son subespacios vectoriales
S1 = {p(x) Pn (R) : p0 (0) = 0},
S2 = {p(x) Pn (R) : a0 = a1 = 0}
18
S2 =
0 a
a 0
:aR
y no es
0 1
:aR
a 0
S3 =
Definicion 23 Sea V un espacio vectorial. Se dice que v V es combinacion lineal de los vectores {v1 , v2 , ..., vn } V , si existen 1 , 2 , ..., n R tales que
v=
n
X
i vi
i=1
Ejemplo 8 .
1. En R3 , el vector v = (1, 2, 3) es combinacion lineal de v1 = (1, 1, 1), v2 = (2, 4, 0) y
v3 = (0, 0, 1). En efecto, se plantea la ecuacion vectorial
(1, 2, 3) = (1, 1, 1) + (2, 4, 0) + (0, 0, 1)
que es equivalente al sistema de ecuaciones
+ 2
= 1
+ 4
= 2
+ = 3
cuya solucion es = 0, =
1
2
y = 3. As,
1
(1, 2, 3) = 0(1, 1, 1) + (2, 4, 0) + 3(0, 0, 1)
2
por tanto v es combinacion lineal de v1 , v2 , v3 .
1 0
1 1
2. En M2 (R), la matriz A =
no es combinacion lineal de A1 =
y
2 4
2 2
3 2
A2 =
. Se plantea la ecuacion matricial
3 5
1 0
1 1
3 2
=+
+
2 4
2 2
3 5
Departamento de Matematica
19
=
=
=
=
1
0
2
4
i vi = 0
i=1
En caso contrario, se dice que el conjunto {v1 , v2 , ..., vn } es linealmente independiente (l.i).
Nota 9 Para estudiar si un conjunto de vectores {v1 , v2 , ..., vn } es l.i o l.d, se plantea el sistema
de ecuaciones
n
X
i vi = 0
i=1
y se estudian sus soluciones. Si el sistema admite una solucion no nula, entonces el conjunto es l.d
y si solo admite la solucion nula, entonces el conjunto es l.i.
Ejemplo 9 .
1. En R4 , los vectores v1 = (1, 0, 1, 2), v2 = (1, 1, 0, 1) y v3 = (2, 1, 1, 1) son l.i., pues, la
ecuacion vectorial
v1 + v2 + v3 = 0
es equivalente al sistema
+ + 2
+
2 + +
=
=
=
=
0
0
0
0
cuya solucion es = = = 0.
2. En R4 , los vectores v1 , v2 y v3 , del ejemplo anterior y v4 = (2, 1, 1, 1) son l.d.,pues, el
sistema vectorial
v1 + v2 + v3 + v4 = 0
Departamento de Matematica
20
2 + + + 4
=
=
=
=
0
0
0
0
SOLUCION.
Sea v = (x, y, z) W entonces (x, y, z) = (1, 0, 1) + (1, 1, 1), as, tenemos el sistema
de ecuaciones
x = +
y =
z =
Departamento de Matematica
21
1 1 x
1 1
x
1 1
x
0 1 y
f3 =f3 f1 0
y f3 =f3 +2f2 0 1
y
1
1 1 z
0 2 z x
0 0 z x + 2y
entonces, el sistema tiene solucion si
x 2y z = 0
que se llaman Ecuaciones Implcitas. El subespacio vectorial W es
W = {(x, y, z) R3 : x 2y z = 0}
Los vectores que pertenecen a W deben satisfacer las ecuaciones implcitas. Por ejemplo
(3, 1, 1) W , pero (1, 2, 1)
/ W.
2. Sea V = R4 y A = {(1, 1, 1, 1), (1, 2, 1, 3)}. Determinar W = hAi.
SOLUCION
Sea v = (x, y, z, t) W entonces (x, y, z, t) = (1, 1, 1, 1) + (1, 2, 1, 3), el sistema
de ecuaciones asociado es
x
y
z
t
=
=
=
=
+
+ 2
+ 3
n
X
i vi
i=1
22
Bc = E1 = ..
0
0
.. . .
.
.
0
0
0
0
0
.. , E2 = ..
.
.
0
0
1
0
.. . .
.
.
0
0
0
0
0
.. , ..., Enm = ..
.
.
0
0
0
0
.. . .
.
.
0
..
.
3. En Pn (R),
Bc = {1, x, x2 , ..., xn }
Nota 10 Sea V = Rn y A = {v1 , v2 , ..., vn } V . Si se representa tambien por A la matriz cuyas
filas son los vectores de A y Ar la matriz escalonada asociada a A, entonces una base para hAi
esta formada por los vectores correspondientes a las filas no nulas de Ar .
Ejemplo 12 .
1. Si A = {(1, 3, 4), (2, 1, 1), (3, 2, 5), (5, 15, 20)} R3 , entonces
1
1 3 4
1 3 4
1 3 4
2 1 1
f2 =f2 2f1 0 7 7 0 7 7
f3 =f3 f2
f2 = 71 f2 0
3 3f1
0
3 2 5 ff34 =f
0 7 7
0 0 0
=f4 5f1
5 15 20
0 0 0
0 0 0
0
3
1
0
0
4
1
0
0
As, una base para hAi es B = {(1, 3, 4), (0, 0, 1)}. Usando definicion 26, calculamos las
coordenadas de v = (2, 1, 1):
(2, 1, 1) = (1, 3, 4) + (0, 1, 1)
entonces = 2 y = 7, por lo tanto v = (2, 7)B .
Las ecuaciones parametricas e implcitas de hAi son
x =
y = 3 +
z = 4 +
y
x+yz =0
por lo tanto
hAi = {(x, y, z) R3 : x + y z = 0}
Departamento de Matematica
23
1 0 0 1
1 0 0 1
1 0 0 1
0 1 0 1
=
=
=
=
y
a+b+d = 0
c = 0
por lo tanto
p(x) = a + bx + cx2 + dx3 : a + b + d = 0 c = 0}
hAi = {p(x)
3. Sea
A=
1 1
0 0
2 2
3 3
1 1
M1 =
, M2 =
, M3 =
, M4 =
, M5 =
0 1
1 1
2 2
5 3
3 1
1 1 0 0
1 1 0 1
0 0 1 0
0
0 1 1
2 2 2 2 ... 0 0 0 1
3 3 5 3
0 0 0 0
0 0 0 0
1 1 3 1
24
=
=
=
=
y
a+b=0
Por lo tanto
a b
hAi = M =
:a+b=0
c d
Propiedades 8 Si V 6= {0} es un espacio vectorial con una base formada por n vectores, entonces
cualquier subconjunto de V con n + 1 vectores es linealmente dependiente.
Teorema 6 Todas las bases de un espacio vectorial V 6= {0} tienen el mismo numero de elementos
(cardinal).
Definicion 27 (Dimension de un Espacio Vectorial)
Se llama dimension de un espacio vectorial V 6= {0}, que se denota por dimV , al numero de
elementos de cualquiera de sus bases. La dimension de V = {0} es cero.
Nota 12 Una base de un espacio vectorial V de dimension n esta formado por cualquier conjunto
de n vectores linealmente independientes.
Nota 13 (Interpretacion Geometrica de Subespacios)
Sean V = Rn y S V un subespacio vectorial.
1. Si dimS = 0, S = {0} es un punto (el origen).
2. Si dimS = 1, S = hui es la recta que pasa por el origen con vector direccion u.
3. Si dimS = 2, S = hu, vi es el plano que pasa por el origen con vectores direcionales u y v.
4. Si dimS = n, S = Rn es todo el espacio.
Definicion 28 (Suma e Interseccion de Subespacios)
Sean S y T subespacios vectoriales de V , se define su interseccion y suma como
S T = {v V : v S v T }
S T y S + T son subespacios vectoriales.
Departamento de Matematica
S + T = {u + v : u S v T }
25
1
0
0
1
0
0
1
0
0
1
1 0
f4 =f4 f1
0
0
1
0
0
0
1
0
1
0
1 0
f4 =f4 f2
0
0
0
1
0
0
1
0
0
1
0
0
As,
BS+T = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
Por tanto, por (4)
(4), Nota 13, S + T = R3 .
La representacion de un vector de S T como suma de un vector de S y uno de T no es
unica.
Por ejemplo
26
SOLUCION.
Sea p(x) = a + bx + cx2
1. Base para S.
p(1) = a b + c = 0
p(5) = a + 5b + 25c
Resolviendo el sistema, tenemos que b = 4c y a = 5c, entonces
p(x) = 5c 4cx + cx2 = c(5 4x + x2 )
por tanto
BS = {5 4x + x2 } dim(S) = 1
2. Base para T .
p0 (x) = b + 2cx
p0 (5) = b + 10c = 0 b = 10c
Entonces
p(x) = a 10cx + cx2 = a 1 + c(10x + x2 ) p(x) h{1, 10x + x2 }i
Estos vectores son l.i., por tanto
BT = {1, 10x + x2 } dim(T ) = 2
Departamento de Matematica
2.3 Ejercicios
27
3. Base para S + T .
S + T = h{1, 10x + x2 , 5 4x + x2 }i
Por Nota 11, todo polinomio de grado menor o igual a dos se representa por un vector en
R3 .
Entonces
S + T = h{(1, 0, 0), (0, 10, 1), (5, 4, 1)}i
Estos vectores son l.i., si la matriz formada por estos vectores escritos como filas tiene
determinante distinto de cero. As,
1
0
0
0 10 1 = 6 6= 0
5 4 1
Por lo tanto
BS+T = {(1, 0, 0), (0, 10, 1), (5, 4, 1)} dim(S + T ) = 3
Por Nota 13, S + T = P2 (R), por la formula de la dimension dim(S T ) = 0 entonces
S T = {0}, por tanto, por Teorema 7
S T = P2 (R)
2.3.
Ejercicios
L
(x2 , y2 ) = (x1 + x2 , y1 + y2 )
(x, y) = (x, y)
Es un espacio vectorial?
2. cuales de los siguientes subconjuntos de R3 o P3 (R) son subespacios vectoriales?
a) S = {(x, y, z) : y = 0}
b) S = {(x, y, z) : x + y + z = 0}
c) S = {(x, y, z) : x + z = 1}
d) S = {(x, y, z) : x + z = 0}
e) S = {(x, y, z) : x + z 0}
f ) S = {(x, y, z) : xy = 0}
g) S = {p(x) = x3 + ax + b, a, b R}
h) S = {p(x) = ax3 + b, a, b R}
Departamento de Matematica
28
Departamento de Matematica
2.3 Ejercicios
29
h(3, 2, 0, 5), (1, 0, 3, 4), (2, 2, 3, 1), (0, 2, 9, 17)i
a + b + 3c
2a b
a c a + 2b + 5c
: a, b, c R
x+y = 0
z+t = 0
b)
x+y = 1
z+t = 1
a b
b a
: a, b R
y V =
a b
c a
: a, b, c R
30
a) l.i.
b) l.d., {v1 = (1, 2, 3), v2 = (1, 3, 2)} es l.i y v3 = (0, 1, 1) = v1 v2
c) l.d., {v1 = (1, 0, 1, 0), v2 = (0, 1, 1, 1)} es l.i. y v3 = (2, 1, 3, 1) = 2v1 + v2 y
v4 = (2, 2, 4, 2) = 2v1 + 2v2
d) l.d., {p1 (x) = 1 + 3x + 4x2 , p2 (x) = 4 + x2 } es l.i., y p3 (x) = 3 + x + 2x2 =
1
p (x) + 23 p2 (x)
3 1
2.3 Ejercicios
11. a = 1 y b = 11.
12. hAi = hBi = h{(1, 0, 1), (0, 1, 1)}i = S y hCi 6= S pues los generadores de S no
satisfacen la ecuacion implcita de hCi o el vector (1, 1, 0) 6 S.
13. Una base es B = {(3, 2, 0, 5), (0, 29, 7), (0, 0, 3, 4)}
1 2
0
3
14. dimV = 2 y una base es B =
,
1 1
1 1
15.
16.
17. BS+T = {(1, 0, 1, 1), (0, 1, 0, 1), (0, 0, 1, 0)} y BST = {(3, 1, 1, 2)}
b) BS = {(1, 1, 0, 0) = 1 + x, (1, 0, 1, 0) = 1 + x2 , (1, 0, 0, 1) = 1 + x3 }
BT = {(0, 1, 0, 1) = x + x3 , (2, 1, 1, 0) = 2 + x + x2 }
BST = {(2, 2, 1, 1) = 2 + 2x + x2 + x3 }
S + T = P3 (R)
0 1
1 0
19. dim(U ) = 2 y BU =
,
0
1
1
0
1 0
0 1
0 0
dim(V ) = 3 y BV =
,
,
0 1
0 0
1 0
dim(U + V ) = 4, luego U +
V = M12
R
y
una
base es la canonica (usual).
0 1
dim(U V ) = 1 y BU V =
1 0
18.
Departamento de Matematica
31
32
Departamento de Matematica
Captulo 3
Transformaciones Lineales y
Diagonalizacion
3.1.
Transformaciones Lineales
34
vectorial de V
Ker(f ) = {v V : f (v) = 0}
Definicion 33 Imagen de una T.L.
Sea f : V W una T.L. Sea llama Imagen de f y se denota Im(f )), al siguiente subespacio
vectorial de W
Im(f ) = {w W : f (v) = w v V }
Proposicion 1 Sea f : V W una T.L. Entonces
1. f es inyectiva si y solo si Ker(f ) = {0}.
2. f es sobreyectiva si y solo si Im(f ) = W .
Proposicion 2 (Dimension del Subespacio Imagen)
Sea f : V W una T.L. Si B = {v1 , v2 , ..., vn } es una base de V , entonces
Im(f ) = hf (v1 ), f (v2 ), ..., f (vn )i
y, en consecuencia dimIm(f ) dimV
Definicion 34 (Matriz de una Tranformacion Lineal)
Sea f : V W una T.L., las bases BV = {v1 , v2 , ..., vn } de V y BW = {w1 , w2 , ..., wm } de W . La
matriz asociada a f de la base BV en BW se obtiene, colocando como columnas, los coeficientes
de la combinacion lineal que representa al vector f (vi ) al escribirlo como combinacion lineal de
los vectores de la base BW , i = 1, 2, ..., n.
W
La denotamos por A = M (f, BV , BW ) o A = [f ]B
BV .
Ejemplo 16
Sea f : P1 (R) P2 (R) una T.L., definida por
f (a + bx) = ax2 + (a + b)x
Departamento de Matematica
35
SOLUCION
f (1) = f (1 + 0x) = x2 + x, entonces
x2 + x = 1 + x + (1 x)2
= + x + 2x + x2
= + + ( 2)x + x2
lo que nos lleva a resolver el sistema
+ = 0
2 = 1
= 1
entonces = 1, = 3 y = 1.
Ahora, f (1 x) = x2 , entonces
x2 = 1 + x + (1 x)2
= + x + 2x + x2
= + + ( 2)x + x2
El sistema asociado es
+ = 0
2 = 0
= 1
as, = 2, = 2 y = 1.
Por tanto, la matriz es:
1 2
2
A= 3
1
1
Definicion 35 (Matriz Cambio de Base)
Sea V un espacio vectorial de dimension n y sean
B = {v1 , v2 , ..., vn } y B 0 = {v10 , v20 , ..., vn0 }
dos bases de V . Entonces la Matriz Cambio de Base es definida por A = M (Id, B, B 0 ), donde Id
es la aplicacion Identidad.
Teorema 9 (Teorema de la Dimension)
Sea f : V W una T.L. tal que dimV, dimW < , entonces
dimKer(f ) + dimIm(f ) = dimV
Definicion 36 (Rango de una Transformacion Lineal)
Sea f : V W una T.L. El rango de cualquier matriz asociada a f (respecto de bases cualquiera), se dice Rango de la Transformacion Lineal que es constante e igual a la dimension de la
imagen.
Departamento de Matematica
36
3.2.
Ejercicios
A+At
.
2
t
1 3 2
A = 0 1 1
2 1 0
Calcular f (e1 ), f (e2 ), f (e3 ) y f (e1 + 2e2 e3 ).
4. Sea f : R3 R3 la aplicacion lineal cuya matriz, respecto a la base canonica {e1 , e2 , e3 } es
2 0 1
A = 3 1 1
1 1 1
Encontrar una base de la imagen y del ker.
5. Encuentre la matriz, respecto a las bases usuales, en los correspondientes espacios, de las
siguientes aplicaciones lineales.
a) f : P3 (R) P3 (R) definida por f (1) = x2 + 1, f (x) = x + 2, f (x2 ) = x3 x y
f (x3 ) = 1.
R1
b) f : P3 (R) R2 definida por f (p(x)) = (p(1), 0 p(x)dx)
Departamento de Matematica
3.2 Ejercicios
37
2
a
a+b
. Obtener
cd ab
1
2
1
0
1
0
e02 = e2
e03 = 2e2 + e3
Encontrar los vectores de V que tienen las mismas coordenadas respecto a ambas bases.
11. Sea f : R3 R3 una aplicacion lineal tal que f (1, 1, 1) = (1, 1, 0), f (1, 1, 1) = (0, 0, 1)
y f (1, 2, 1) = (0, 0, 0).
a) Hallar la matriz de f respecto a la base canonica.
b) Hallar la matriz de f respecto a la base B = {(1, 1, 1), (1, 1, 1), (1, 2, 1)}
12. Sea B = {e1 , e2 , e3 } la base canonica de R3 y f : R3 R3 definida por
f (e1 ) + f (e2 ) = ae1 + (a + 1)e2 + e3
f (e1 ) + f (e3 ) = e1 + ae2 + 2e3
f (e3 ) = e1 + e3
a) Hallar la matriz de f respecto a B. Para que valores de a es f biyectiva?.
b) Si a = 1, considere el subespacio W = h{(1, 1, 0), (2, 0, 1)}i. Es kerf W = R3 ?.
Es Imf kerf = R3 ?.
c) Si a = 2, Sea B 0 = {e1 e2 , e3 , 2e2 + e3 }. Probar que B 0 es una base de R3 y hallar la
matriz de f respecto a B 0 .
Departamento de Matematica
38
1 2
13. Sea f : R2 R3 tal que A = M (f, B1 , B2 ) es dada por A = 1 1, donde
1 3
B1 = {(1, 1), (1, 1)} y B2 = {(1, 2, 1), (1, 0, 1), (1, 2, 1)}
Encontrar f .
14. Sea f : R3 R3 definida por
f (a, b, c) = (a + b + c, a b + 2c, 3b c)
a) Pruebe que f es invertible
b) Encuentre A = M (f, Bc , B) donde Bc es la base canonica y B = {(1, 1, 0), (1, 1, 1), (2, 1, 0)}.
15. Sea f : P3 (R) P3 (R) definida por f (p(x)) = p0 (x) xp00 (x) y sean
B1 = {1 x2 , 1 + x2 , 1 x3 , 2 + x} y B2 = {1, x3 + x2 , x3 x2 , 1 2x}
Hallar A = M (f, B1 , B2 ), A = M (f, B2 , B1 ) y la matriz cambio de base de B1 en B2 .
SOLUCIONES
1
0
(a) A =
1
0
1
1
6. A =
0
1
7. A = 5
0
Departamento de Matematica
2 0 1
1 1 0
1
1
(b) A = 1 1
0 0 0
1 1/2 1/3 1/4
0 1 0
0 0
0 0
a
a
+
b
, Imf =
: a, b, c R
, kerf = h{x2 + x3 }i.
1 1
c ab
0 0
0 2
3 5
0 3
0
1
0
1
3.3 Diagonalizacion
39
1 0
8. (a) a = 1/5 (b) A = 1 1
1 1
8 1 1
1 3
9. (a) A =
(b) A = 91 3 6 3
1 1
10 8 1
10. {(0, a, a) : a R}
3 0 3
11. (a) A = 16 3 0 3
3 2 1
12. a) M (f, B, B) = a
1
3 3 0
(b) A = 16 1 1 0
2 2 0
a 1
1 0 y f es biyectiva si a 6= 1
0 1
4 2 6
3 3
c) M (f, B 0 , B 0 ) = 12 3
1 1 5
3.3.
Diagonalizacion
(3.1)
40
0 0 1
Ejemplo 17 Sea f : R3 R3 un operador lineal asociado a la matriz A = 4 2 2,
2 0 3
reapecta a la base canonica. El polinomio caracteristico y sus raices, son
0
1
2 = ( 2)2 ( 1) = 0
P () = |A I| = 4 2
2
0
3
entonces = 1 con m(1) = 1 y = 2 con m(2) = 2, donde m() es la multiplicadad de .
El espectro es (A) = {1, 2}
Los subespacios propios asociados a estos autovalores son:
1 0 1
x
2 0 2
z
2 0 1
x
2 0 1
z
Los autovectores son v1 = (1, 2, 1), v2 = (1, 0, 2) y v3 = (0, 1, 0). As, B = {(1, 2, 1), (1, 0, 2), (0, 1, 0)}.
Por tanto,
1 0 0
D = M (f, B ) = 0 2 0
0 0 2
y
1 1 0
P = 2 0 1
1 2 0
Es facil comprobar que D = P 1 AP
Luego el operador lineal f y la matriz A son diagonalizables.
Teorema 10 Un operador lineal f sobre un espacio vectorial real V , de dimension n, es diagonalizable si y solo si existen n autovalores reales (algunos de ellos pueden se iguales) y una base
formada por los autovectores asociados.
Departamento de Matematica
3.4 Ejercicios
41
3.4.
Ejercicios
1. Hallar los subespacios propios (los generadores) de cada una de la siguientes aplicaciones o
matrices. Que representan geometricamente cada uno de ellos?
(a) f (x, y) = (x, 2y)
1 4
(d) A =
2 3
(b) f (x, y) = (x + y, 0)
2 3
3
5. Sea A = a 1 2.
a 0
1
Departamento de Matematica
42
6.
a b 0
a) Determinar a y b tale que A = 0 1 0, sea diagonalizable.
0 0 1
b) Determinar a tales que las siguientes aplicaciones sean diagonalizables.
i. f (x, y, z) = (x 2y (2 + a)z, y + az, z)
ii. f (x, y, z) = (x + a(x y + z), (a + 2)x ay + (a 1)z, 2x y)
Diagonalizar cuando sea posible.
7. Sea f : R4 R4 definida por f (x, y, z, t) = (x, 2x, x, x + ay). Calcular a R tal que f
sea diagonalizable y en estos casos, hallar una base B respecto a la cual la matriz asociada
a f sea diagonal.
8. Diagonalizar la aplicacion f (a + bx + cx2 + dx3 ) = d + cx + bx2 + a3 , donde la matriz
asociada a f es respecto a la base B = {1 + x3 .x + x2 , 1 x3 , x x2 }.
9. Hallar los autovalores y subespacios propios de la aplicacion f : P3 (R) P3 (R) definida
por f (p(x)) = p(x + 1). Es f diagonalizable?.
10. Sea f: M22
(R) M22 (R) una aplicacion definida por f (A) = AF F A donde
1 2
F =
. Se pide:
0 3
a) Hallar la matriz asociada a f respecto a la base canonica.
b) Base del Kerf .
c) Polinomio caracterstico y espectro de f .
d) La base de autovectores, si existe, respecto de la cual la matriz de f es diagonal.
SOLUCIONES
1.
2.
Departamento de Matematica
3.4 Ejercicios
43
1 0 0
1
0 1
b) D = 0 1 0 y P = 1 1 0
0 0 2
0 1 0
6.
a) A es diagonalizable si a = 1 y b = 0,
en este
a 0
diagonalizable si a 6= 1 y b R con D = 0 1
0 0
b)
casoya es diagonal.
Tambi
en es
0
1 0 b
0 y P = 0 0 a + 1
1
0 1
0
1 0 0
0 1 1
ii. Es diagonalizable si a = 0, en cuyo caso D = 0 1 0 y P = 1 2 0
0 0 1
1 0 2
7. Es diagonalizable si a = 0 y B = {(0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1), (1, 2, 1, 1)}
1 0 0
0
0 1 0
0
8. D =
0 0 1 0
0 0 0 1
9. El u nico autovalor es = 1 con m(1) = 4. S(1) = h(1, 0, 0, 0)i. Por lo tanto no es diagonalizable.
10.
Departamento de Matematica