Beruflich Dokumente
Kultur Dokumente
(UASD)
FACULTAD DE CIENCIAS
ESCUELA DE MATEMATICA
CENTRO UNIVERSITARIO REGIONAL DE SANTIAGO
(CURSA)
ELABORADO POR
GENARO VIAS
PARA LA ASIGNATURA:
ALGEBRA MATRICIAL (MAT-239)
CONTIENE:
UNIDAD 1: ESPACIOS VECTORIALES REALES
UNIDAD 2: TRANSFORMACIONES LINEALES
UNIDAD 3: POLINOMIOS CARACTERISTICOS, VECTORES Y VALORES
PROPIO.
Alfabeto Griego
Maysculas
Minsculas
Pgina 1
Nombre
alfa
beta
gama
delta
epsiln
zita
ita
thita
iota
kapa
lamda
mi
ni
xi
omicrn
pi
ro
sigma
tau
ipsilon
fi
khi
psi
omega
Contenido
Unidad 1: Espacios Vectoriales
1. Definicin de espacio vectorial
2. Subespacios
3. Combinacin lineal
4. Conjunto generador y espacio generado
5. Dependencia e independencia lineal de vectores
6. Base de un espacio vectorial
7. Dimensin de un espacio vectorial
8. Espacios Vectoriales asociados a una matriz A
8.1. Espacio Nulo de una matriz A
8.2. Espacio Fila de una matriz A
8.3. Espacio Columna de una matriz A
8.4. Rango y singularidad de una matriz
9. Coordenadas y Cambio de Base
9.1. Coordenadas de un vector con respecto a una base S
9.2. Matriz de transicin o de cambio de base
10. Bases ortonormales en
Pgina 3
),
7) u V t , r K, (t.r )
u t
(r
es cerrada en V.
u, v V t K, t
(u v) t
u t
v.
Propiedad
distributiva
de
la
distributiva
de
la
u V t , r K, (t r )
u t
ur
u.
Propiedad
Pgina 4
) se le llama espacio
v1 , v2 R n donde
v2 ( y1, y2 ,..., yn ) y
v1 ( x1, x2 ,..., xn ) y
v1 t
2
3
4
n
Como n es cualquier nmero natural podemos concluir que: R, R , R , R , ..., R con
sus operaciones usuales forman, cada uno, un espacio vectorial sobre el campo de los
nmeros reales.
2) Sea M m x n el conjunto de todas las matrices de orden m x n, si V M m x n y K R,
entonces M m x n con sus operaciones usuales forman un espacio vectorial. Las operaciones
usuales en M m x n son la suma de matrices y la multiplicacin de un nmero por una matriz.
Pgina 5
0V 0V 0V y r
0V 0V , r R
es un espacio vectorial,
Demostracin:
Primero probamos si se cumplen las propiedades de cerradura (1) y (6):
Propiedad 1: Sean u ( x1, y1 ) v ( x2 , y2 ) elementos de V, entonces
u v ( x1, y1 ) ( x2 , y2 ) ( x1 x2 , y1 y2 ) . Como la suma de dos nmeros positivos es
ur
como r puede ser cualquier nmero real, si r es negativo (rx1, ry1 ) V y la multiplicacin
por escalar
no es cerrada en V.
Pgina 6
Demostracin:
Primero probamos si se cumplen las propiedades de cerradura (1) y (6)
Propiedad 1: Sean u ( x1, y1,0) v ( x2 , y2 ,0) elementos de V, entonces
u v ( x1, y1,0) ( x2 , y2 ,0) ( x1 x2 , y1 y2 ,0 0) ( x1 x2 , y1 y2 ,0) .
ur
Este resultado tiene la misma forma de los elementos de V por lo que (rx1, ry1,0) V y la
multiplicacin por escalar
es cerrada en V.
Propiedad 4: Siendo u ( x1, y1,0) V debemos probar que existe 0V V tal que
u 0V u . Sea 0V (a, b,0) .
( x1 , y1 ,0) x2 x3 , y2 y3 , 0 0
u v w
Como u v w u v w se cumple la propiedad asociativa de la suma.
Propiedad 5: Siendo u ( x1, y1,0) V debemos probar que existe u V tal que
u V y es u ( x1, y1,0) .
Propiedad 7: Sean u ( x1, y1,0) V r , t R , entonces (rt )
(rt )
u (rt )
u.
x1, y1,0 (rt ) x1,(rt ) y1,0 r (tx1 ), r (ty1 ),0 r tx1, ty1,0
t x1, y1,0
Como (rt )
ur
ur
u v r
u v r
u r
v .
( x1 x2 , y1 y2 ,0 0) (r ( x1 x2 ), r ( y1 y2 ),0)
(rx1 rx2 , ry1 ry2 ,0) (rx1 , ry1 ,0) (rx2 , ry2 ,0)
r ( x1 , y1 ,0) r ( x2 , y2 ,0) r
r
u r
u v r
Como r
( x1 , y1 ,0) r
.
( x2 , y2 ,0)
u r
u (r t )
ur
u t
u.
x1, y1,0 t
u t
Como (r t )
ur
( x1 , y1 ,0)
u t
u 1
( x1, y1,0) (1x1,1y1,0) ( x1, y1,0) . Por lo que existe la unidad escalar 1 R tal
que u V , 1 u u .
Como
se
cumplen
las
10
propiedades
podemos
afirmar
que
el
conjunto
Pgina 9
u 0V , u V .
ii) t
0V 0V , t K
iii) Si t
u 0V implica que t 0 u 0V .
iv) u V, (1)
u u
Demostracin:
u (0 0)
i ) Hagamos 0
u 0
0
u 0
u0
u 0
Sumemos 0
u.
u 0
u0
u a ambos lados
0V 0
u 0
0V 0
u 0V
0V 0
0V t
ii ) Hagamos t
0V t
0V t
Queda demostrado
0V 0V t
u 0
0V t
0V t
0V t
0V Sumemos t
0V t
0V a ambos lados
0V
0V t
0V t
0V t
0V 0V
0V t
0V
0V t
0V
Queda demostrado
Pgina 10
1
t
u 1
t
0V 1t t
u t
t (t )
u t
(1 1)
u 0V
u
Queda demostrado
u 0V y que
u 1 u 1 u,entonces
1 u u 0V
u a ambos lados de t
u como u 0V , entonces 0 t t 0
u 0V 1 u 0V u 0V
u 0V t
u t
u 0V por 1
1 u u (u ) u obtenemos
1 u 0V u
1 u u
Queda demostrado
Observaciones importantes:
Si V es un espacio vectorial sobre un campo K y u, v, w V , entonces se verifica que:
i)
ii)
iii) u v u w v w .
iv) (u) u .
v)
Si r , t K , entonces r
u t
u r t . Siendo u 0v
Pgina 11
EJERCICIOS PROPUESTOS
I- Determine si el conjunto V dado es cerrado bajo las operaciones ,
definidas.
se define
se define como
a b
4) V es el conjunto de todas las matrices 2 x 2,
, donde son a d .
c
d
II- Determine si el conjunto dado con las operaciones dadas en cada caso constituye un
espacio vectorial en el campo de los nmeros reales.
1) R 2 con sus operaciones usuales.
2) El conjunto de todas las ternas ordenadas de nmeros reales. se define como
se define como
( x1, y1, z1 ) ( x2 , y2 , z2 ) ( x2 , y1 y2 , z2 ) y
c
se define como
( x1, y1 ) (0, 0) .
5) El conjunto de todos los pares ordenados de nmeros reales ( x, y) , donde x 0 , con las
operaciones usuales de R 2 .
6) El conjunto de todos los nmeros reales positivos u .
se define como u v uv y
se define como c
u uc .
2. Subespacios
Definicin: Sea V un espacio vectorial sobre un campo K y W un subconjunto no vaco de
V. Si W es un espacio vectorial sobre K con las mismas operaciones definidas en V,
entonces W es un subespacio de V.
Teorema 2.1: Sea V un espacio vectorial sobre un campo K con las operaciones ,
Pgina 13
es cerrada en W.
v1 v2 ( x1,2 x1 ) ( x2 ,2 x2 ) ( x1 x2 , 2 x1 2 x2 ) [ x1 x2 , 2( x1 x2 )] ,
i)
haciendo
v1 t
haciendo
t x1 x
se
obtiene
Observaciones importantes:
i) Todo espacio V es subespacio de s mismo.
ii) El subconjunto de un espacio vectorial V que solo contiene al vector 0V es un
subespacio de V (subespacio trivial).
iii) Si un subconjunto W no contiene al 0V , entonces W no es un subespacio de V.
iv) Los subespacios no triviales de R2 son las rectas que pasan por el origen. Los
subespacios no triviales de R3 son las rectas y los planos que pasan por el origen.
Nota: De aqu en adelante utilizaremos siempre los signos + y . en lugar de y
facilitar la escritura.
Pgina 14
para
EJERCICIOS PROPUESTOS
I- Determine:
2
1) Si el conjunto W ( x, y) / y x es un subespacio de R .
3
2) Si el conjunto W ( x, y, z ) / z 0 es un subespacio de R .
3) Si el conjunto W ( x, y) / y x 1 es un subespacio de R 2 .
3
4) Si el conjunto W ( x, y, z ) / z 2 es un subespacio de R .
3
5) Si el conjunto W ( x, y, z ) / z x y es un subespacio de R .
3
6) Si el conjunto W ( x, y, z ) / z 0 es un subespacio de R .
a b c
10) Si el conjunto W de todas las matrices de la forma
donde a b c es un
d
0
0
subespacio de M 2x3 .
a b c
11) Si el conjunto W de todas las matrices de la forma
donde b c 1 es un
d
e
f
subespacio de M 2x3 .
a b
12) Si el conjunto W de todas las matrices de la forma
donde b c 0 es un
c d
subespacio de M 2x 2 .
13) Si el conjunto W de las matrices simtricas es un subespacio del conjunto de todas las
matrices M n x n .
Pgina 15
3. Combinacin Lineal:
Definicin: sean v1, v2 ,..., vn vectores de un espacio vectorial V. Un vector v de V es una
combinacin lineal de v1, v2 ,..., vn
si
existen escalares
Ejemplos:
1) Sea S {v1, v2} tal que v1 (1, 3); v2 (2, 5) . Determine si S genera a R2.
Definamos v ( x, y) R 2 y hagamos la combinacin lineal
c1 2c2 x
3c1 5c2 y
1
La matriz ampliada del sistema es
3
2 : x 1
5 : y 0
0 : 2 y 5x
1 : 3x y
Analizando la forma escalonada de la matriz ampliada vemos que el sistema tiene solucin
c1 2 y 5x c2 3x y sin importar los valores de x e y. Por lo tanto el conjunto S
genera a R2.
2) Sea S {v1, v2 , v3} tal que v1 (1, 2,3); v2 (3, 5,8); v3 (2, 1, 1) . Determine si S
genera a R3. Definimos v ( x, y, z ) R 3 y hacemos la combinacin lineal
c1 3c2 2c3 x
2c1 5c2 c3 y
3c1 8c2 c3 z
La forma escalonada de la matriz ampliada del sistema es:
1 3 2 x
1 3 2
1 3 2
x
x
0 1 5 2 x y
2 5 1 y f 2 2 f1 f 2 0 1 5 2 x y
3 8 1 z f f 3 f 0 1 5 z 3x f f f 0 0 0 z x y
3
1
3
2
Pgina 17
W { x( y, z, ) z/
( x, y, x y) R 3 .
Un vector de W {( x, y, z ) / z x y} es: (1, 1, 2) W , pero (1, 2, 5) W .
3) Sea S {v1 , v2 , v3 , v4 } tal que v1 (1, 1, 1); v2 (2, 5,1); v3 (0, 3,3); v4 (4, 2,10) .
Determine si S genera a R3.
Definamos v ( x, y, z ) y hagamos la combinacin lineal:
v c1v1 c2v2 c3v3 c4v4 c1 (1, 1, 1) c2 (2, 5,1) c3 (0, 3,3) c4 (4, 2,10) ( x, y, z ) .
Esta combinacin lineal nos lleva al sistema de ecuaciones
c1 2c2
4c4 x
c1 5c2 3 c3 2c4 y
c1 c2 3 c3 10c4 z
La matriz ampliada del sistema es
1 2 0 4
1 5 3 2
1 1 3 10
x 1 2 0 4
x
y 0 3 3 6
y x
z 0 0 0 0 2 x y z
Pgina 18
EJERCICIOS PROPUESTOS
I- Determine en cada caso si el vector v dado es combinacin lineal de los vectores
v1 (1,0,1, 1), v2 (1, 1,3, 1) y v3 (1, 2, 1,3) :
1) v (1, 2,0, 2)
2) v (2, 2,1,0)
3) v (3, 2, 2, 4)
4) v (0, 1,0, 2)
II- Determine en cada caso si el vector v dado es combinacin lineal de los vectores
1 1
A1
,
0
3
1 1
A2
,
0
2
2 2
A3
:
1
1
3 1
3 2
5 1
1 9
2) A
3 2
3 2
4) A
1) A
3) A
1 0
2 1
III- Determine en cada caso si el vector v dado es combinacin lineal de los vectores
P1 (t ) t 2 t , P2 (t ) t 2 2t 1,
P3 (t ) t 2 1:
1) P(t ) 3t 2 3t 1
2) P(t ) t 2 3t 2
3) P(t ) t 1
4) P(t ) 2t 2 t 1
IV- Determine en cada caso si el conjunto de vectores dado genera al espacio indicado. En
caso que no lo genere indique el subespacio generado y escriba dos vectores que
pertenezcan a l y dos que no pertenezcan.
2
Pgina 19
v4 (2, 5, 4)
(b) P1 (t ) t 1, P2 (t ) t t , P3 (t ) t 1
2
(c) P1 (t ) t 2, P2 (t ) 2t t 1, P3 (t ) t t 4
2
(d) P1 (t ) t 2t 1, P2 (t ) t 1
2
c1 c2 ... ck 0 .
Procedimiento para determinar si un conjunto de vectores v1 , v2 ,..., vn es Linealmente
Dependiente (LD) o Linealmente Independiente (LI).
Paso 1.
homogneo.
Pgina 20
Paso 2. Resuelva el sistema planteado, si este tiene solo la solucin trivial, entonces los
vectores son linealmente independientes, en caso contrario, si tiene una solucin no
trivial, entonces los vectores son linealmente dependientes.
Ejemplos:
1) Determine si el conjunto v1 (1, 1,3), v2 (2, 1,5), v3 (0,1, 2) son vectores
3
LD o LI en R .
Solucin
Paso 1. Planteamos la ecuacin c1v1 c2v2 c3v3 0R3 . Esto es:
c1 2c2
c1 c2 c3 0
3c1 5c2 2c3 0
Cuya matriz ampliada y su forma escalonada reducida es:
1 2 0 : 0 1 0
1 1 1 : 0 0 1
3 5 2 : 0 0 0
0 : 0
0 : 0
1 : 0
Lo que nos indica que el sistema tiene solo la solucin trivial c1 c2 c3 0 y que los
vectores dados son linealmente independientes.
2) Determine si el conjunto v1 (1, 1,2), v2 (2, 3,1), v3 (3, 5,0) son vectores
3
LD o LI en R .
Pgina 21
Solucin
Paso 1. Planteamos la ecuacin c1v1 c2v2 c3v3 0R3 . Esto es:
c1 2c2 3c3 0
c1 3c2 5c3 0
2c1 c2
3 : 0 1 0 1 : 0
1 2
1 3 5 : 0 0 1 2 : 0
2 1
0 : 0 0 0 0 : 0
Este sistema tiene infinitas soluciones ( c1 c3 , c2 2c3 y c3 es una variable libre) por
lo que los vectores dados son linealmente dependientes.
Pgina 22
v1 h v2 h v2 h v2
v1 h v2 0V
v1 h v2 0V
Como h 0 , entonces tenemos la combinacin lineal v1 hv2 0V donde por lo menos
uno de los escalares
dependientes.
Asumamos ahora que los vectores v1 y v2 son linealmente dependientes, entonces
existen escalares c1 y c2 , no todos cero, tales que c1v1 c2 v2 0V .
Si c1 0 podemos dividir cada trmino de c1v1 c2 v2 0V entre c1 para obtener:
c1
c2
c2
v
1 2 1 v2 0V .
c1
c1
c1
c2
v2 . Esto nos indica que v2 es un mltiplo escalar
c
1
Despejando v1 se obtiene: v1
de v1 .
Ejemplo:
Sean
v1 (1,3, 4) v2 (2,6, 8)
podemos
afirmar
vectores
que
v1 v2
dependientes. Comprobemos:
Si hacemos la combinacin lineal:
c1v1 c2 v2 0V
c1 (1,3, 4) c2 (2,6, 8) (0,0,0)
Que nos lleva al sistema lineal:
c1 2c2 0
3c1 6c2 0
4c1 8c2 0
1 2 :
3 6 :
4 8 :
Pgina 23
0 1
0 0
0 0
2 : 0
0 : 0
0 : 0
de
son
R3,
como
linealmente
Al resolver el sistema planteado vemos que tiene infinitas soluciones por lo que los
vectores dados son linealmente dependientes.
Teorema 5.2: El conjunto de vectores no nulos S {v1 , v2 ,..., vn } de un espacio vectorial
V son Linealmente Dependientes si, y solo si uno de los vectores v j , siendo j 2 es
combinacin lineal de los vectores que le preceden v1 , v2 ,..., v j 1 .
Demostracin:
Si v j es combinacin lineal de los vectores que le preceden v1 , v2 ,..., v j 1 entonces
c1
c
j
c2
c j 1
cj
v
...
1 c 2
c j 1 c
j
j
j
c1
c
j
c2
c j 1
v
...
1 c 2
c v j 1 v j 0V
j
j
v j 0V
c j 1
tales que
c1 2c2 4 c3 2 c4 0 1
4c2 4 c3
0 0 4
3c1 c2 5 c3 6 c4 0
3 1
4 2 : 0 1
4 0 : 0 0
5 6 : 0 0
0
1
0
2 2 : 0
1 0 : 0
0 0 : 0
El cual tiene infinitas soluciones, por lo que los vectores de S son linealmente
dependientes.
Si tomamos v j v2 se puede ver que v2 no es combinacin lineal de v1 porque ninguno
de ellos es mltiplo escalar del otro. Es decir, no existe un valor real c1 tal que v2 c1v1
Si tomamos v j v3 se puede ver que v3 s es combinacin lineal de v1 v2 , ya que
Es decir, 2v1 v2 2(1,0,3) (2,4, 1) (2,0,6) (2,4, 1) (4,4,5) v3, por lo tanto v3
es combinacin lineal de los vectores que le preceden.
vj
combinacin
lineal
de
los
vectores
v1 , v2 ,..., v j 1 , v j 1 ,..., vn
entonces
c1
c2
cj
cn
v1 v2 ... v j ... vn 0V
cj
cj
cj
cj
c1
c2
cn
v1 v2 ... v j ... vn 0V
cj
cj
cj
Pgina 26
R3
donde
es
linealmente
c1 2 c2 4c3 2
4c2 4c3 0
3c1 c2 5c3 6
1 2
0 4
3 1
4 : 2 1
4 : 0 0
5 : 6 0
0
1
0
2 : 2
1 : 0
0 : 0
es
el conjunto
Pgina 27
Demostracin:
Si S {v1 , v2 ,..., vn } genera V, entonces todo vector v de V se puede escribir como:
(1) .
v j b1v1 b2 v2 ... b j 1v j 1
(2)
tales que
Pgina 28
c1 2 c2 4c3 2c4 x
4c2 4c3
1 2 4 2
0 4 4 0
3 1 5 6
0
1
2
2
2
x
y 0 1 1 0
7
z 0 0 0 0 z 3x 4 y
Al analizar el sistema podemos darnos cuenta que este solo tiene solucin si
7
z 3x y 0 .
4
Esto implica que
z 3x
7
y, por lo tanto los vectores de W = gen S son de la forma
4
( x, y,3x 74 y) .
Como ya vimos en un ejemplo anterior, los vectores de S son linealmente dependientes y
v c1v1 c2v2 c4v4 c1 (1,0,3) c2 (2,4, 1) c4 (2,0,6) ( x, y, z) . Que nos lleva al sistema
de ecuaciones:
c1 2 c2 2c4 x
4c2
3c1 c2 6c4 z
Si hacemos la forma escalonada reducida de la matriz ampliada obtenemos:
Pgina 29
1 2 2
0 4 0
3 1 6
0
1
2
2
x
y 0 1 0
7
z 0 0 0 z 3x 4 y
7
Al igual que en el caso anterior este sistema solo tiene solucin si z 3x 4 y 0 .
Esto implica que z 3x 74 y , por lo tanto W = gen S1= gen S, es decir, tanto S como S1
generan a W.
Observaciones importantes:
i) Todo conjunto de vectores que contiene a dos vectores iguales o asociados es
linealmente dependiente.
ii) Todo conjunto de vectores que contiene al vector nulo ( 0V ) es linealmente dependiente.
Procedimiento alternativo para determinar la dependencia o independencia lineal de
n vectores en Rn.
Si queremos determinar la dependencia o independencia lineal de n vectores en Rn
procedemos de la siguiente manera:
Paso 1. Formamos una matriz cuadrada cuyas filas sern los vectores dados.
Paso 2. Calculamos el determinante de esa matriz, si este es igual a cero los vectores son
linealmente dependientes, en caso contrario son linealmente independientes.
Ejemplos:
1) Sea S {v1, v2 , v3} vectores de R3 tales que v1 (1,1,3), v2 (3,2,1), v3 (2, 1, 2) .
Determinar si los vectores de S son LD o LI.
1 1 3
Formemos la matriz con los vectores dados 3 2 1 .
2 1 2
Pgina 30
1 1 3
Calculamos el determinante 3 2 1 4 2 9 12 1 6 10 0 .
2 1 2
Como el determinante es diferente de cero los vectores de S son LI.
2) Sea S {v1, v2 , v3} vectores de R3 tales que v1 (1,5,2), v2 (2, 8, 5), v3 (0,2, 1) .
Determinar si los vectores de S son LD o LI.
1 5 2
Formemos la matriz con los vectores dados 2 8 5 .
0 2 1
Calculamos
1 5 2
2 8 5 8 0 8 0 10 10 0 .
0 2 1
v1 t 2 2, v2 2t 2 t 1, v3 t 2
2 0 1
Pgina 31
2 0 1
Calculamos 1 1 2 0 0 1 2 4 0 1 0 .
2 1 0
Como el determinante es diferente de cero los vectores de S son LI
5. 1. Dependencia o independencia lineal en un espacio de funciones continuas.
Sea S { f1, f 2 ,..., f n}/ f1, f 2 ,..., f n Fa,b} (recuerde que F[a,b] es el espacio de las funciones
continuas con valores reales en [a,b]) si todas las funciones de S tienen n1 derivadas
continuas entonces la dependencia o independencia lineal de los vectores de S se puede
determinar aplicando lo que se denomina Wronskiano, que es el determinante de la matriz
de orden n en la cual, los elementos de la primera fila sern las funciones dadas, los de la
segunda sern la primera derivada y as sucesivamente hasta la n1 derivada.
Esto es:
f1
f2
fn
'
'
fn
f1
f1
n 1
f2
f2
n 1
fn
'
n 1
t 2 t et
W 2t 1 et t 2et 2t et 0 2et 0 2t 2et
2 0 et et (t 2 2t 2) 0
para todos los valores de t R.
Como el Wronskiano es diferente de la funcin nula o cero, los vectores de S son LI.
Pgina 32
EJERCICIOS PROPUESTOS
I-Determine si los siguientes conjuntos de vectores son linealmente dependientes en el
espacio al que pertenecen. Cuando lo sean exprese uno de ellos como combinacin lineal
de los dems.
1) v1 (1,2, 1), v2 (3,2,5)
2) v1 (4,2,1), v2 (2,6, 5), v3 (1, 2,3)
3) v1 (1,1,0), v2 (0,2,3), v3 (1,2,3), v4 (3,6,6)
4) v1 (1,2,3), v2 (1,1,1), v3 (1,0,1)
5) v1 (1,1,2,1), v2 (1,0,0,2), v3 (4,6,8,6), v4 (0,3,2,1)
6) v1 (1, 2,3, 1), v2 (2,4, 6, 2)
7) v1 (1,1,1,1), v2 (2,3,1, 2), v3 (3,1,2,1), v4 (2,2,1,1)
8) v1 (4,2, 1,3), v2 (6,5, 5,1), v3 (2, 1,3,5)
9) v1 (1, 2, 3), v2 (0,0,0), v3 (1,3, 2)
10) P1 (t ) t 1, P2 (t ) t 2, P3 (t ) t 3
2
11) P1 (t ) 2t 1, P2 (t ) t 3, P3 (t ) t
2
12) P1 (t ) 3t 1, P2 (t ) 3t 1, P3 (t ) 2t t 1
2
13) P1 (t ) t 4, P2 (t ) 5t 5t 6, P3 (t ) 3t 5t 2
2
1 1
,
1
2
1 0
A2
,
0
2
0 3
A3
,
1
2
1 1
,
1
1
1 0
A2
,
0
2
0 1
A3
0 2
14) A1
15) A1
Pgina 33
2
A4
4
6
6
1 1
,
1
1
16) A1
2 3
A2
,
1
2
3 1
A3
,
2
1
2 2
A4
1 1
18) f1 (t ) t , f 2 (t ) e , f3 (t ) sen (t )
t
x
c1
ecuaciones siguiente
3c1 c2 y
1 0 : x 1 0 : x
0 1 : y 3 x
3
1
:
y
1
0
0
0
0
1
0
0
Es decir, e1 0 , e2 0 , e3 1 , ..., en 0
0
0
0
1
Los vectores e1 , e2 , e3 , ..., en constituyen la base cannica, estndar o natural para Rn.
En particular: e1 (1,0), e2 (0,1) es la base cannica, estndar o natural para R2.
Pgina 35
Teorema 6.1: Si S {v1, v2 ,..., vn } es una base para un espacio vectorial V, entonces cada
vector de V se puede escribir de una y solo una forma como combinacin lineal de los
vectores de S.
Esto significa que si S {v1, v2 ,..., vn } es una base para un espacio vectorial V, entonces
para todo vector v de V se cumple que el sistema de ecuaciones que se genera con la
combinacin lineal v c1v1 c2v2 ... cnvn tiene solucin nica.
Demostracin:
Como S es una base para V, todo vector de v de V se puede escribir como combinacin
lineal de los vectores de S porque S genera a V.
Supongamos
que
Son
dos
Pgina 36
Demostracin:
Si el conjunto S es linealmente independiente entonces l mismo constituye la base para W
al cumplir las dos condiciones necesarias para ser una base.
Si el conjunto S es linealmente dependiente aplicando el Teorema 5.3 podemos ir
eliminando los vectores que son combinacin lineal de los vectores que le preceden hasta
llegar a un subconjunto Si de S que sea linealmente independiente.
Procedimiento para determinar un subconjunto de S {v1, v2 ,..., vn } que sea una base
para W = gen S.
Paso 1: Formamos la combinacin lineal c1v1 c2v2 ... cnvn 0V y resolvemos para
de S, obtenindose un subconjunto S
que tambin
genera a W.
Paso 3: Repetimos el paso 1 para S1.
La eliminacin repetida nos conducir a un subconjunto T de S que es linealmente
independiente y que ser una base para W.
v1 (1,0,2),
c1 c2 3c3 2c4 c5 0
c3 c4 c5 0
2c1 2c2
2c4
1 1 3 2 1 : 0 1 1 0 1 0 : 0
0 0 1 1 1 : 0 0 0 1 1 0 : 0
2 2 0 2 0 : 0 0 0 0 0 1 : 0
3 2 1 : 0 1 0 1 0 : 0
c3 c4 c5 0 0 1
1 1 : 0 0 1 1 0 : 0
2c1
2c4
0
2 0 2 0 : 0 0 0 0 1 : 0
c1 3c3 2c4 c5 0 1
Este sistema tiene infinitas soluciones y c1 , c3 , c4 , c5 no son todos cero, esto significa
que los vectores de S1 son LD.
Pgina 38
vk
c1 3c3 2
c3 1
2c1
1 1 : 2 1 0 : 1
0 1 : 1 0 1 : 1
2 0 : 2 0 0 : 0
Que tiene por solucin c1 1, c3 1. Lo que nos indica que v4 es combinacin lineal de
v1 y v3 .
Procedemos a eliminar v4 y formar un nuevo conjunto S2 S1 vk {v1 , v3 , v5 } .
Repitamos los pasos anteriores ahora con S 2 .
Hacemos la combinacin lineal c1v1 c3v3 c5v5 0V .
c1 3c3 c5 0 1 3 1 : 0 1 0 0 : 0
c3 c5 0 0 1 1 : 0 0 1 0 : 0
2c1
0 2 0 0 : 0 0 0
1 : 0
Este sistema tiene solucin nica c1 c3 c5 0 , esto significa que los vectores
Pgina 39
c1 c2 3c3 2c4 c5 0
c3 c4 c5 0
2c1 2c2
2c4
1 1
0 0
2 2
3 2
1 1
0 2
1: 0
1 : 0
0 : 0
1 1 0 1 0 : 0
Paso 3: Se forma la base para W = gen S con los vectores de S que corresponden a las
columnas que contienen los unos (1s) principales que son v1 , v3 y v5 .
Es decir, una base para W = gen S es: (1,0,2),(3,1,0),(1,1,0) .
Observacin importante: El orden de los vectores en el conjunto S original determina la
base para W. Esto significa que si cambiamos el orden de los vectores en S podran
cambiar los elementos de la base.
S {u1 , u2 , u3 , u4 , u5 / u1 v4 , u2 v2 , u3 v5 , u4 v1 , u5 , v3 }
Teorema 6.3: Si S {v1, v2 ,..., vn } es una base para un espacio vectorial V y
m n.
Corolario 6.3.1: Si S {v1, v2 ,..., vn } y T {u1 , u2 ,..., um } son bases para un espacio
vectorial V, entonces
Observaciones importantes:
i) Todos los espacios de dimensin finita que tienen igual dimensin difieren slo en la
naturaleza de sus elementos, pero sus propiedades algebraicas son idnticas.
ii) Si V es un espacio de dimensin finita, entonces todo subespacio W de V tiene una base
finita y la dim (W) dim (V).
conjunto de vectores de V.
i) Si S es linealmente independiente, entonces S es una base para V.
ii) Si S genera a V, entonces es una base para V.
Esto significa que para probar si un conjunto con n vectores forma una base para un
espacio de dimensin n slo hay que probar una de las dos condiciones.
Pgina 42
Ejemplo:
Probar si S {v1, v2 , v3} tal que v1 (1,2,3), v2 (1,1,2), v3 (2,0, 1) es una base para
R3.
Aplicando el Teorema 7.2 solo debemos probar una de las dos condiciones. Probemos si S
n
es linealmente independiente. Como son n vectores de R calculemos el determinante de
los vectores de S son linealmente independientes y forman una base para R3.
EJERCICIOS PROPUESTOS
I-Cules de los siguientes conjuntos de vectores son una base para R2?
1) v1 (1,3), v2 (1,1)
2) v1 (0,0), v2 (1,2), v3 (2,4)
3) v1 (1,2), v2 (2, 3), v3 (3,2)
4) v1 (1,3), v2 (2,6)
II-Cules de los siguientes conjuntos de vectores son una base para R3?
1) v1 (1,2,0), v2 (0, 1,1)
2) v1 (1,1, 1), v2 (2,3,4), v3 (0, 2,1)
3) v1 (1,2,1,0), v2 (2, 1,0,1), v3 (0,1,3,2)
4) v1 (1,0, 2), v2 (2, 2, 2), v3 (1,2,0)
Pgina 43
III-Cules de los siguientes conjuntos de vectores son una base para R4?
1) v1 (1,0,0,1), v2 (0,1,0,0), v3 (1,1,1,1), v4 (0,1,1,1)
2) v1 (1,2,1,0), v2 (2, 1,0,1), v3 (0,1,3,2)
3) v1 (1, 1,1,0), v2 (0,1,0, 1), v3 (0,1,0,1), v4 (0,0,0,1), v5 (0,1,0,0)
4) v1 (1,1, 1,1), v2 (2,0, 2,0), v3 (1,2, 1,1), v4 (1, 1,0,1)
IV-Cules de los siguientes conjuntos de vectores son una base para P2?
2
2
1) P1 (t ) t t 2, P2 (t ) 2t 2t 3,
P3 (t ) 4t 2 1
2
2
2
2) P1 (t ) t 2t 1, P2 (t ) 3t 5t 3, P3 (t ) 2t 3t 2
2
2
3) P1 (t ) t 1, P2 (t ) 3t 2t ,
P3 (t ) 3t 2 2t 1,
2
2
4) P1 (t ) 3t 2t 1, P2 (t ) t t 1,
P4 (t ) 6t 2 6t 3
P3 (t ) t 2 1
V-Cules de los siguientes conjuntos de vectores son una base para M2x2?
1 1
0 0
1 0
0 1
,
A
,
A
,
A
2 1 1 3 0 1 4 1 1
0 0
1) A1
1 0
0 1
1 1
1 1
,
A
,
A
,
A
2 1 0 3 1 1 4 1 1
0 1
2) A1
VI- En cada caso determine una base para W=gen S y diga cul es su dimensin?
1) v1 (1,2,2), v2 (3,2,1), v3 (11, 10, 7), v4 (7,6,4)
2) v1 (1,1,0, 1), v2 (0,1,2,1), v3 (1,0,1, 1), v4 (1,1, 6, 3)
3
2
2
3) P1 (t ) t t 2t 1, P2 (t ) t 1,
2
4) P1 (t ) t 3, P2 (t ) 2t 5,
P3 (t ) t 3 2t ,
P3 (t ) 2t 2 6,
P4 (t ) t 2 2t 2
1 0
0 1
1 1
1 1
,
A
,
A
,
A
2 1 0 3 1 1 4 1 1
0 1
5) A1
Pgina 44
P4 (t ) 2t 3 3t 2 4t 3
a2 a1
a
5) El subespacio de M2x2 de todos los vectores de la forma
c
b
donde b c
d
R )
A
a11
a21
a
m1
amn
Pgina 45
x1
x2
x
n
0
0
0
Definicin: Se llama espacio nulo de una matriz A y se denota como N(A) al conjunto
de todas las soluciones de AX = 0.
n
1
1
Ejemplo: Sea A
2
2 1 2 1
2 2 1 2
4 3 3 3
0 1 1 1
1
0
La forma escalonada de la matriz ampliada [A:0] es:
0
0
El sistema equivalente es:
Pgina 46
2 1 2 1 : 0
0 1 1 1 : 0
0 0 0 1 :0
0 0 0 0 :0
x1 2 x2 x3 2 x4 x5 0
x3 x4 x5 0
x5 0
Este sistema tiene infinitas soluciones, el conjunto de todas las soluciones es:
x1 3r 2 s
x s
2
siendo r y s nmeros reales cualesquiera.
x3 r
x r
4
x5 0
Cada solucin o vector del espacio nulo se puede expresar como una combinacin lineal
de dos vectores, esto es:
3r 2 s
3
2
s
0
1
r
r 1 s 0 . Esto significa que los vectores
r
1
0
0
0
0
3
2
0
1
1 y 0
1
0
0
0
Pgina 47
Paso 2: Si en la solucin hay variables libres, se escribe X como combinacin lineal de los
vectores
X1, X 2 , ..., X p
con
s1 , s2 , ..., s p
como
coeficientes.
Es
decir,
X s1 X1 s2 X 2 ... s p X p .
Paso 3: El conjunto de vectores { X1, X 2 , ..., X p } es una base para el espacio nulo de A y
su dimensin (nulidad) es p.
Observaciones importantes:
i) La nulidad de A se corresponde con el nmero de variables libres del sistema.
ii) Si la forma escalonada reducida por filas obtenida, a partir [A:0], tiene r filas no nulas,
entonces la dimensin p = n r. Esto es, la dimensin del Espacio Nulo es igual al
nmero de variables del sistema homogneo menos la cantidad de filas que no se anulan
en la forma escalonada reducida.
a
a
...
a
mn
m1 m 2
v1 (a11 a12 ... a1n )
v (a a ... a )
n
2
21
22
2n
Las filas de A,
que son vectores de R , generan un subespacio de
Pgina 48
Teorema 8.1: Si A y B son dos matrices m x n equivalente por filas, entonces los
Espacios Fila de A y B son iguales. Esto significa que si tomamos una matriz A y
encontramos su forma escalonada reducida por filas, los Espacios Filas de ambas son
iguales.
Observacin importante:
Como las filas no nulas de una matriz escalonada reducidas son linealmente
independientes, estas forman una base para el Espacio Fila. Por lo tanto podemos utilizar
este mtodo para determinar una base para bicho espacio y en general para el espacio
n
1
1
Ejemplo: Sea A
2
2 1 2 1
2 2 1 2
4 3 3 3
0 1 1 1
1
0
Su forma escalonada reducida es B
0
2 0 3 0
0 1 1 0
0 0 0 1
0 0 0 0
Pgina 49
Paso 3: Formar la base con las filas que no se anulan en la forma escalonada reducida.
Observacin importante:
La base obtenida mediante este procedimiento no es un subconjunto del conjunto
n
1
1
Ejemplo: Sea A
2
2 1 2 1
2 2 1 2
4 3 3 3
0 1 1 1
Encontrar una base para el Espacio Fila de A que contenga slo vectores de A.
1
2
Entonces AT 1
2
1
1 2 0
2 4 0
1
0
1 3 1
0
0
2 3 1
0 1 0
1 1 0
0 0 1
0 0 0
0 0 0
Los unos principales aparecen en las columnas 1, 2 y 4 de AT que corresponden a las filas
1, 2 y 4 de A el conjunto {(1, 2, 1, 2, 1); (1, 2, 2, 1, 2); (0, 0, 1, -1, -1)} forma una base
para el Espacio Fila de A.
a11
a21
Las columnas de A, w1 ,
am1
a1n
a12
m
a22
a2 n
w2
, .... , wn
que son vectores de R
am 2
amn
Pgina 50
1
2
Ejemplo: Sea A 0
3
4
2 1
3 3
0
La forma escalonada reducida de A es B 0
0
0
0 0
1
0 1
0 0
0 0
0
0
11
24
49
26
7
3
Como los unos principales estn en las columnas 1, 2 y 3 podemos concluir que el
conjunto {(1, -2, 0, 3, -4); (3, 2, 8, 1, 4); (2, 3, 7, 2, 3)} es una base para el Espacio
Columna de A.
Ahora encontrar una base para el Espacio Columna de A que contenga vectores que no
estn en A y que sea semejante, en sencillez, a la base cannica.
Pgina 51
1 2
3 2
T
La transpuesta de A es A
2 3
1 2
0 3 4
8 1
7 2
0 4 3
1
0
Su forma escalonada reducida es B
0
0 2 0
1 1
0 0 1 1
0 0 0
Las filas no nulas forman una base para el Espacio Columna de A. Es decir, el conjunto
{(1, 0, 2, 0, 1); (0, 1, 1, 0, 1); (0, 0, 0, 1, -1)}
Definicin: La dimensin del Espacio Fila de A se denomina rango fila de A y la
dimensin del Espacio columna de A se denomina rango columna de A.
Teorema 8.2: El rango fila y el rango columna de la matriz Am x n= [aij] son iguales.
Ejemplo:
1 2
2 4
Sea A 1 2
3 6
1 2
1
0
4 0 2
6 0 2
1 2 0 0 . Determine:
0 9
5 8
1) Una base para el Espacio Fila de A. 2) Una base para el Espacio Columna de A.
Solucin:
1
0
0
0
2 0 3 0 1
0 1 1 0 1
0 0 0 1 1.
0 0 0 0 0
0 0 0 0 0
El conjunto {(1, 2, -1, 3, 1); (1, 0, 1, 0, 5); (0, 0, 0, 1, 1)} que corresponden a las columnas
donde estn los unos principales son una base para C(A).
Se concluye que la dimensin del Espacio Fila de A es igual a la dimensin del Espacio
Columna de A, igual a 3. Entonces el rango de A, h(A) es 3.
1
T
A
4
0
2 1
4 2
0 1
6 2
0 0
2 0
3
6
0
9
1
4
1
1
0
2
5
0
y su forma escalonada es: B
8
0
0
1
7
0
0 1 0 5
1 1 0 72
0 0 1 1
0 0 0 0
0 0 0 0
0 0 0 0
El conjunto {(1, 2, 1, 4, 0, 2); (2, 4, 0, 6, 0,2); (3, 6, 0, 9, 1, 4)} que corresponden a las
columnas donde estn los unos principales es una base para el Espacio Fila de A.
El conjunto {(1, 0, 1, 0, 5); (0, 1, -1, 0, 7 2 ); (0, 0, 0, 1, 1)} que corresponden a las filas no
nulas de la forma escalonada reducida de AT es una base para el Espacio Columna de A.
Observe que como A es una matriz 5 x 6 el Espacio Fila de A es un subespacio de R5 y el
Espacio Columna de A es un subespacio de R6.
Sea A 0 0
1 1
2 1
4
2
0
0
6
1
1
1
0
0
2
1
1
0
x1 2 x3 x5 2s r
x 2 x x 2s r
3
5
2
. Es decir,
x3 s
x 2 x 2 r
5
4
x5 r
2
2
Los vectores 1 ,
0
0
1
1
0
2
1
0
1
0
0
0
2
2
0
0
0
0
0
1
0
0
1
1
2 .
0
0
2 x3
x5 0
x2 2 x3
x5 0
x4 2 x5 0
2 s r 2
1
2 s r 2
1
s s 1 r 0 .
2r 0
2
r 0
1
cuyas filas o columnas son los vectores de S. Entonces los vectores de S son linealmente
independientes si y solo si det (A) 0.
Este corolario, que ya hemos aplicado anteriormente, nos da otro mtodo para decidir si n
n
existe.
2) X = 0 Rn es la nica solucin de AX = 0.
3) A es equivalente por fila a In.
Pgina 55
4) det (A) 0.
5) n es el rango de A.
6) A tiene nulidad 0.
7) El sistema lineal AX = B tiene una solucin nica para cada matriz Bn x1 .
8) Las filas de A forman un conjunto linealmente independiente de n vectores de Rn.
9) Las columnas de A forman un conjunto linealmente independiente de n vectores de
n
R .
EJERCICIOS PROPUESTOS
I- Determine el espacio solucin de los siguientes sistemas homogneos.
1)
x1 2 x2 x3 3x4 0
x1 x2 x3 x4 0
2) 2 x1 2 x2 x3 2 x4 0
2 x1 x2 x3 x4 0
x1
x1 x2 2 x3 3x4 4 x5 0
3)
3x3 3x4 0
x1 2 x2 2 x3 x4 x5 0
x1 2 x2 3x3 4 x4 5 x5 0
4)
x1 x2 3x3 5 x4 6 x5 0
2 x2 2 x3 2 x4 x5 0
2 x1 6 x2 2 x3 4 x4 x5 0
3 x1 4 x2 x3 2 x4 3x5 0
x1 4 x2
3x4
II- Determine una base y la nulidad del espacio nulo de las siguientes matrices.
2 1 2
1) A 4 2 4
8 4 8
1
2
2) B
3
2
3
4
1
3 1
2 0
1 1
1 1
Pgina 56
1 1 2 1
2 0 1 1
3) C 5 1 3 0
4 2 5 1
2 3 4 5
0
3
3
3
6
1)
1
1
A
3
2 1
9 1
8 3
3 2
1 2 7
1 1 4
3) C
3 2 3
2 1 1
1
1
1
2
2 2
2 2
2) B
3 3
4 2
0
0
5
1
3
4) D
0
1 2 1
2 1 2
0 5 4 determine:
1 1 3
3 1 1
3 7 1
4 8 0
2 8 4
1 5 7
2 1
5 2
1 4
0 7
3
0
5
S1 {v2 , v1,..., vn} es otra base para V, se podra decir que S y S1 son iguales. Sin
embargo, aqu vamos a tratar algunos conceptos donde el orden de los vectores en una
base es de mucha importancia y desde ese punto de vista S y S1 no son iguales.
c1
c
n
donde c1, c2 , ... , cn son nmeros reales. Entonces al vector 2 de R se le llama vector
c
n
c1
c2
de coordenadas de v con respecto a la base ordenada S y se escribe v S .
cn
Si cambiamos el orden de los vectores de la base S el vector de coordenadas v S puede
cambiar.
Ejemplo:
Sea
S {v1, v2 , v3 , v4}
una
base
para
R4 ,
tal
que
v1 (1,1,0,0), v2 (2,0,1,0),
Solucin: Para determinar v S se deben encontrar los escalares c1 , c2 , ... , cn tales que
1
0
: 1
0 1 0 : 2
2
0
0
0
0 0
1 0
0 1
0 0
0 : 3
0 : 1
.
0 : 2
1 : 1
3
1
Por lo que las coordenadas del vector v en la base S es v S .
2
1
Propiedades:
1) u v S u S v S . Es decir, el vector de coordenadas de la suma de vectores es
igual a la suma de los vectores de coordenadas.
2) kv S k v S . Siendo k un escalar.
3) Resumiendo las dos propiedades anteriores:
v c1w1 c2 w2 ... cn wn
(1)
Pgina 59
c1
c
2 .
c
n
(2)
a1n
a12
a
a
22
, ... , 2 n los vectores de coordenadas respecto a la base S de los
a
a
n2
nn
v c1w1 c2 w2 ... cn wn
c1 a11v1 a21v2 ... an1vn c2 a12v1 a22v2 ... an 2vn ... cn a1nv1 a2 nv2 ... annvn
v c1w1 c2 w2 ... cn wn
c1a11 c2 a12 ... cn a1n v1 c1a21 c2 a22 ... cn a2 n v2 ... c1an1 c2an 2 ... cnann vn
Donde
es el vector de coordenadas de v respecto a la base S.
Es decir, v S
c
a
c
a
...
c
a
a
a
...
a
1
21
2
22
n
2
n
21
22
2
n
c
a
c
a
...
c
a
a
a
...
a
n nn
nn
1 n1 2 n 2
n1 n 2
Pgina 60
c1
c2 P v .
S T T
cn
Siendo PS T
a
a
...
a
21
22
2
n
w
la matriz
1S
a
a
...
a
nn
n1 n 2
w2 S
... wn S .
Es decir, que las columnas de la matriz PS T son las coordenadas de los vectores de T
respecto a la base S.
A la matriz PS T
Esto es: w1 S
a1n
a11
a12
a21
a22
a
, w2 S
, ... , wn S 2 n .
an1
an 2
ann
Pgina 61
Los valores a11, a21,..., an1, a1,2 , a22 ,..., an 2 , ..., a1n , a2 n ,..., ann se determinan con reduccin
de Gauss-Jordan, transformando la matriz aumentada de este sistema a la forma escalonada
reducida por filas.
Paso 2. La matriz de transicin (PS T ) de la base T a la base S se forma tomando como
columna cada uno de los vectores de coordenadas encontrados en el paso anterior.
Ejemplo:
Sean
S {v1, v2}
tal
que
v1 (1,1) v2 (2,3)
T {w1, w2}
tal
que
w1 a11v1 a21v2
w2 a12v1 a22v2
a11 2a21 1
a11 3a21 2
Al
resolver
ambos
sistemas
obtenemos
a12 2a22 3
a12 3a22 1
a11 7, a21 3, a12 7, a22 2 .
7
7
Entonces, w1 S (1, 2)S , w2 S (3,1) S y la matriz de transicin o de
3
2
7 7
P
Pgina 62
c1
tal que v c1w1 c2 w2 c1 (1, 2) c2 (3,1) (4,6) .
c2
vT (4,6)T
c1 3c2 4
Esto nos lleva al sistema de ecuaciones
2c1 c2 6
2
Al resolver obtenemos v T
2
d1
tal que v d1v1 d 2v2 d1 (1,1) d 2 (2,3) (4,6) .
d2
vS (4,6)S
c1 2c2 4
Esto nos lleva al sistema de ecuaciones
c1 3c2 6
0
Al resolver obtenemos v S
2
Entonces,
7 7 2 7(2 7(2) 0
2 3(2) 2(2) 2 v S
vS PS T vT
queda
comprobado.
a11 2a21 1
a12 2a22 3
Al resolver los dos sistemas planteados anteriormente
y
,
a11 3a21 2
a12 3a22 1
como la matriz de coeficientes es la misma para ambos se pueden
transformar
simultneamente las dos matrices aumentadas para hacer la forma escalonada reducida.
1 2 : 1 : 3
Esto es:
, y su forma escalonada reducida queda
1 3 : 2 : 1
1 0 : 7 : 7
0 1 : 3 : 2 .
Ejemplo:
Sean S {v1 , v2 , v3} tal que v1 (1,0,2), v2 (0,1, 2) v3 (1, 1, 2) y T {w1 , w2 , w2 }
Pgina 63
tal que w1 (1,2,3), w2 (2,3,4) w2 (1, 1,1) bases para R3. Determine la matriz de
transicin de la base T a la base S y v S tal que v (1,5,3) .
Solucin:
Determinamos los vectores de coordenadas de cada uno de los vectores de T en la base S.
Para ello podemos expresar la matriz aumentada donde las columnas son
11
1
1 0 1 : 1 : 2 : 1 1 0 0 : 6 : 3 : 2
7
1
:
:
:
2
:
3
:
2
v
v
v
:
w
:
w
:
w
0
:
0
0
6
1
1
1
2
1 2 3 1 2 3
2 2 2 : 3 : 4 : 1 0 0 : 5 : 1 : 1
6
1
2
PS T
116
76
5
6
3
2
1
1
2
1
2
1
2
Entonces
v S
116
PS T v T = 76
5
6
Determinamos v T
3
2
1
1
2
1
2
1
2
c1
c
2
c3
c1
c2 . Para lo que establecemos:
c3
3c1 4c2 c3 3
Pgina 64
1 2 1 : 1 1 0 0 :
2
3
1
:
5
0 1 0 :
La matriz ampliada es
3 4 1 : 3 0 0 1 :
Por lo que v T
v S
Entonces
3
2
3
2
1
2
1
c1 2
c2 32
c 3
3 2
116
PS T v T = 76
5
6
3
2
1
1
2
1
2
1
2
17
1
11 9
3
2 12 2 4 6
19
3 7
3
2 12 3 4 6 .
3 5 3 3 11
2 12 2 4 6
Teorema 9.1: Sean S {v1 , v2 ,..., vn } y T {w1 , w2 ,..., wn } bases para el espacio
vectorial V, de dimensin n. Sea PS T la matriz de transicin de la base T a la base S.
Entonces PS T es no singular y su inversa P 1S T es la matriz de transicin de la base S a
la base T ( PT S ).
Ejemplo:
Sean
S {v1, v2}
tal
que
v1 (1,2) v2 (0,1) y
T {w1, w2}
tal
que
1 0 : 2 : 1 1 0 : 2 : 1
v
v
:
w
:
w
1 2 1 2
0 1: 1: 3 .
2
1:
3
:
Pgina 65
2 1
Por lo que la matriz de transicin de la base T a la base S es PS T
1 3
2do. Determinamos los vectores de coordenadas de cada uno de los vectores de S en la
base T. Para ello podemos expresar la matriz aumentada donde las columnas son:
2 1: 1: 0 1 0
w1 w2 : v1 : v2
0 1
3
1:
2
:
1
3
5
1
5
.
2
5
1
5
3
5
1
5
2
5
1 3 1
1 6 1
2 2
5 5 5
5 5 1 0 .
2 3 3
1 6 0 1
5 5 5
5 5
EJERCICIOS PROPUESTOS
I-En cada caso calcule el vector de coordenadas de v respecto a la base ordenada S.
1) S {v1 (1,0), v2 (3, 2)}, v (3, 2)
2) S {v1 (2,1), v2 (1,1)}, v (1,2)
3) S {v1 (1, 1,0), v2 (0,1,0), v3 (1,0,2)}, v (2, 1, 2)
4) S {v1 (1, 2,0,0), v2 (1,1,0,2)}, v3 (2,2,0,2), v4 (2,3, 1,0)}, v (1, 5, 2,4)
2
5) S {t t 1,
t 1,
t 2 1 }, v 4t 2 2t 3
Pgina 66
1 1 0 1 1 0 1 0
, 1 0 , 0 1 , 1 0 ,
0
0
6) S
1 3
v
2 2
II- Sean S {v1 (1,2), v2 (0, 1)}, T {w1 (1,1), w2 (2, 3)} bases ordenadas para R2.
Sean v (3, 2) y w (5,4) , determine:
1) Los vectores de coordenadas de v y w respecto a la base T.
2) La matriz da transicin de la base T a la base S ( PS T ) .
3) Los vectores de coordenadas de v y w respecto a la base S.
4) Compruebe que v S PS T v T
wS PS T wT .
1 1 1 0 0 1 1
S
IV- Sean
, 0 1 , 0 0 , 1
0
1
1 1 1 0 1
T
, 1 1 , 0
0
0
0 0
,
0 0
0
,
0
1
bases ordenadas para M2x2. Determine la
1
2 1
determine los vectores
1
1
Pgina 67
VI-
Sean
bases
ordenadas
para
R3,
donde
es PS T
1 1 2
2 1 1 determine los vectores de la base T.
1 1 1
ortogonal
en
R3
ya
que
es un
u1.u2 (1,0,2)(2,0 1) 2 0 2 0 ,
v2
1
1
1
2
1
u1
(1,0,2)
(1,0,2)
, 0,
,
2
2
2
u1
5
5
5
1 0 2
1
1
1
1
2
u2
(2,0,1)
(2,0,1)
, 0,
.
u2
5
5
5
(2)2 02 12
Pgina 68
ortonormal.
n
Teorema 10.1: Si S {u1, u2 ,.., uk } es un conjunto ortogonal de vectores no nulos en R ,
(1) .
ui
(2)
ui 0 y
necesariamente ci 0 , por lo que se puede concluir que los vectores de S son linealmente
independientes.
n
Corolario 10.1: Un conjunto ortonormal de vectores en R es linealmente independiente.
Definicin: Del Teorema 10.1 y el Corolario 10.1 se deduce que todo conjunto
n
n
ortonormal u ortogonal de n vectores en R es una base para R . Entonces,
1) Una base ortogonal para un espacio vectorial es una base cuyos vectores forman un
conjunto ortogonal.
2) Una base ortonormal para un espacio vectorial es una base cuyos vectores forman
un conjunto ortonormal.
Pgina 69
(1) .
(2)
Ejemplo:
Sean
S {u1, u2 , u3}
tal
que
2 2 1
2 1 2
u1 , , ; u2 , , ,
3 3 3
3 3 3
1 2 2
u3 , , una base ortonormal para R3 y v (3,4,5) un vector de R3.
3 3 3
2 2 1
2 1 2
1 2 2
v c1u1 c2 u2 c3 u3 c1 , , c2 , , + c3 , , podemos
3 3 3
3 3 3
3 3 3
Pgina 70
8 5
2 2 1
c1 v.u1 (3,4,5) , , 2 1 ,
3 3
3 3 3
4 10
2 1 2
c2 v.u2 (3,4,5) , , 2 0
3 3
3 3 3
8 10
1 2 2
c3 v.u3 (3,4,5) , , 1 7 .
3 3
3 3 3
As que:
2 2 1 1 2 2
v u1 0u2 7 u3 , , 7 , ,
3 3 3 3 3 3
2 2 1 7 14 14
, , , ,
.
3 3 3 3 3 3
3, 4, 5
n
Corolario 10.2: Sea S {u1, u2 ,.., un } una base ortogonal para R y v es un vector en
v.ui
para 1 i n .
ui .ui
Ejemplo: Sea S {u1 , u2 , u3} tal que u1 1,2, 2 ; u2 2,4,5 y u3 6,3,0 una
base ortogonal para R3
combinacin lineal
v c1u1 c2 u2 c3 u3 c1 1, 2, 2 c2 2, 4, 5 + c3 6, 3, 0
c1
v.u1
(2,1,4)(1,2, 2) 2 2 8 4
,
u1.u1 (1,2, 2)(1,2, 2) 1 4 4 9
c2
v.u2 (2,1,4)(2,4,5) 4 4 20 28
u2 .u2 (2,4,5)(2,4,5) 4 16 25 45
Pgina 71
c3
v.u3
(2,1,4)(6,3,0) 12 3 0 9 1
.
u3.u3 (6,3,0)(6,3,0) 36 9 0 45 5
As se obtiene:
4
28
1
4
28
1
v u1 u2 u3 1,2, 2 2,4,5 6,3,0 (2,1,4) v .
9
45
15
9
45
5
u .v
v2 u2 2 1 v1
v1.v1 ;
u .v
u .v
v3 u3 3 1 v1 3 2 v2
v1.v1
v2 .v2 ;
u .v
u .v
u .v
v4 u4 4 1 v1 4 2 v2 4 3 v3
v1.v1
v2 .v2
v3 .v3
u .v
u .v
vi ui i 1 v1 i 2 v2
v1.v1
v2 .v2
u .v
i i 1 vi 1
vi 1.vi 1
Pgina 72
*
El conjunto de vectores T v1, v2 ,.., vm es ortogonal.
1
1
1
1
v1; w2
v2 ; w3
v3 ... wi
vi ; i 1,2,3,..., m
v1
v2
v3
vi
w1
Paso 3: Haga
entonces para cualquier escalar c diferente de cero se verifica que u.(cv) = 0. Este
resultado se puede utilizar para simplificar los clculos en el Proceso de Gram- Schmidt
ya que en el resultado del paso 2 se puede multiplicar por un escalar para eliminar las
fracciones.
Cuando se eliminan las fracciones la base que se obtiene es ortogonal aunque difiere de la
que se obtendra si no las eliminramos. Cuando los clculos se hacen en computadora con
programas como MATLAB, por ejemplo, estos no eliminan las fracciones.
Ejemplo:
Sea S {u1, u2 , u3} una base para R3, donde u1 (1,1,1); u2 (1,0, 1) y u3 (1,2,3).
Transforme la base S en una base ortonormal para R3.
Solucin:
Paso 1: Hacemos u1 v1 (1,1,1) .
Paso 2: Calculamos
u .v
(1,0, 1)(1,1,1)
2
v2 u2 2 1 v1 (1,0, 1)
(1,1,1)
1,0,
1)
(1,1,1)
3
(1,1,1)(1,1,1)
v1.v1
2 2 2 1 2 1
(1,0, 1) , , , ,
3 3 3 3 3 3
v2 1,2, 1
u .v
u .v
v3 u3 3 1 v1 3 2 v2
v1.v1
v2 .v2
(1, 2,3)(1,1,1)
( 1, 2,3)( 1, 2, 1)
( 1, 2,3)
(1,1,1)
(1,2, 1)
(1,1,1)(1,1,1)
(
1,
2,
1)(
1,
2,
1)
4
1
4 4 4 1 2 1
(1, 2,3) (1,1,1) (1,2, 1) ( 1, 2,3) , , , ,
3
3
3 3 3 3 3 3
(2,0,2)
Entonces
Paso 3: Hacemos
w1
1
1
1
1 1 1
v1
(1,1,1)
(1,1,1)
,
,
v1
(1,1,1)
3
3 3 3
w2
1
1
1
1
1 2
v
(1,2, 1)
(1,2, 1)
,
,
v2
(1,2, 1)
6
6 6
6
w3
1
1
1
1
1
1
v3
(2,0,2)
(2,0,2)
(1,0,1)
,0,
v3
(2,0,2)
2 2
2
2
2
Entonces
1 1 1 1 2
1 1
1
,
,
,
,
,0,
;
;
6 6
6
2
2
3 3 3
EJERCICIOS PROPUESTOS
I- Cules de los siguientes son conjuntos ortogonales de vectores?
1) (1, 1,2), (0,2, 1), (1,1,1)
2) (1,2, 1,1), (0, 1, 2,0), (1,0,0, 1)
Pgina 74
es
1 2 2 2 1 2 2 2 1
, , , , , , ,
3 3 3 3 3 3 3 3 3
1) ,
1 1 1 1
, 0,
,
,
,
, 0,1,0
2 3 3 3
2
2)
1 2
1 1
,
,
,
,
7 7
7 7
4)
1
2
1
1
0,
,
0
,
,0,
0,
5
5 2
2
Sean u (1,1, 2), v (a, 1,2) . Cul es el valor de a para que u y v sean
ortogonales?
1
1
1
, 0,
, b . Cul es el valor de a y b para que el
, v a,
2
2
2
Pgina 75
(a, a b, b)
2 2
1
, 0,
,
,
0,
,
0,1,0
5
5
5
5
V- Siendo S
utilice el Teorema 10.2 para escribir el vector (2, 3,1) como combinacin lineal de los
vectores de S.
R n que son
n
ortogonales a todos los vectores de W se le llama complemento ortogonal de W en R y
Es decir, u.v = 0
determinar
definimos
un
vector
genrico
u ( x, y, z ) ,
tal
que
(2, 3,4).( x, y, z) 0 .
Entonces al resolver (2, 3, 4).( x, y, z) 0 se obtiene 2 x 3 y 4 z 0 .
Es decir,
x 32 r 2s, y r z s . Esto es
32 2
3
r
2
s
,
r
,
s
r
1 s 0 por lo que
2
0 1
32 2
32 2
2) Sea W un subespacio de R4
donde w1 (1,1,0,1) y
Solucin:
Sea u = (a, b, c, d) un vector en W . Entonces u . w1 0 u . w2 0
u . w1 (a, b, c, d ).(1,1,0,1) a b d 0 u . w2 (a, b, c, d ).(0, 1,1,1) b c d 0
1 1 0 1 :
0 1 1 1 :
0 1 0 1 2 : 0
0 0 1 1 1 : 0
Al resolver obtenemos:
Pgina 77
a r 2s
r 2s 1 2
rs 1 1
b r s
r s , por lo que
c r
r
1 0
d s
s
0 1
1 2
1 1
T u1 , u2 ;
1 0
0 1
1 2
1 1
Entonces podemos afirmar que W gen T gen ;
1 0
0 1
Teorema 11.1: Sean W1 , W2 subespacios de un espacio V, entonces W1 W2 es un
subespacio de V. Es decir, la suma de dos subespacios de V es un subespacio de V.
W1 W2 v V / v w1 w2 ; w1 W1 w2 W2 .
Si V W1 W2 y adems W1
n
a) W es un subespacio R .
b) W
W 0Rn
n
Teorema 11.3: Sea W un subespacio R , entonces
Rn W W
n
Esto es, todo vector v de R es el resultado de la suma de un vector w de W y un vector u
de W .
Pgina 78
Demostracin:
Sean
un
vector
de
Rn ,
donde
u . wi (v w). wi v . wi w .wi
v . wi [(v . w1 ) w1 (v . w2 ) w2 ... (v . wi ) wi ... (v . wm ) wm ]. wi
v . wi {[(v . w1 ) w1 ] . wi [(v . w2 ) w2 ] . wi ... (v . wi ) wi . wi ... [(v . wm ) wm ]. wi }
v . wi {(v . w1 )( w1 . wi ) (v . w2 )( w2 . wi ) ... (v . wi ) wi . wi ... (v . wm )( wm . wi )}
v . wi {(v . w1 )(0) (v . w2 )(0) ... (v . wi ) 1 ... (v . wm )(0)}
v . wi {0 0 ... (v . wi ) 1 ... 0}
v . wi (v . wi )(1) v . wi v . wi 0
Porque wi . w j 0 si i j y wi . wi 1 para i 1, 2, ..., m
Por lo tanto u es ortogonal a todo vector de W y pertenece W . Como
W 0Rn se
concluye que Rn W W .
Ejemplo:
En el ejemplo anterior se determin, dada la base S w1 , w2 para W subespacio de R4
donde
u1 1, 1, 1, 0 u2 2, 1, 0, 1 .
v = w + u.
Pgina 79
Solucin:
El proceso de Gram-Schmidt nos permite calcular una base ortonormal para W a partir de
w1
1
w2
w1
w2
1
1
(1,1,0,1)
(1,1,0,1)
(1,1,0,1)
3
1
1
(0, 1,1,1)
(0, 1,1,1)
(0, 1,1,1)
3
1 1 1
1
1 1 1
1 1 1
1 1
, 0,
,
, 0,
,
,
,
,
1,1, 4, 3 (0,
(0,
3 3 3
3
3 3 3
3 3 3
3 3
1,1, 4, 3
1
3 1 1
1
1
4
3
1
1
1
1
, , 0, (0
(0, , ,
3
3
3 3 3
3
3
3
3
3
3
3
3 1 1
1
6
1
1
1
, , 0,
(0, , , (1,1, 01) (0, 2, 2, 2) (1, 1, 2,3)
3 3 3
3
3
3
3
3
Pgina 80
1 2
1 1
Ejemplos: 1) Sea A
1 3
2 3
1
4
2
5
0 2
1 3
1 1
1 5
7
3
Al resolver BX = 0 se tiene que S 1 ;
0
0
Nulo de A.
1
0
0
0
0
1
0
0
7
3
0
0
2
1
0
0
4
1
2 4
1 1
0 ; 0
es una base para el Espacio
1 0
0 1
1
0
0
1
3 .
1
1
AT
1 1 1 2
2 1 3 3
2
1
Al resolver AT X = 0 se tiene que S 1 ;
0
AT .
1
0
0
0
0
0 2
1 1
0 0
0 0
0 0
1
1
0
0
0
1
1
0 es una base para el Espacio Nulo de
1
Pgina 81
0
1
1
1
Como los vectores en S son ortogonales a los de T se concluye que el Espacio Nulo de A
es el complemento ortogonal del Espacio Fila de A.
Como los vectores en S son ortogonales a los de T se concluye que el Espacio Nulo de
AT es el complemento ortogonal del Espacio Columna de A.
2) Determine una base para el
R5
W gen w1 , w2 , w3 , w4 , w5 de
2a b
d 2e 0
(1,3,1, 2, 4)( a, b, c, d , e) 0 a 3b c 2d 4e 0
(3, 2,1, 1, 2)( a, b, c, d , e) 0 3a 2b c d 2e 0
(7,7,3, 4, 8)( a, b, c, d , e) 0 7 a 7b 3c 4 d 8e 0
(1, 4, 1, 1, 2)( a, b, c, d , e) 0 a 4b c d 2e 0
La matriz de coeficientes de este sistema de ecuaciones es:
2 1 0 1
1 3 1 2
A 3 2 1 1
7 7 3 4
1 4 1 1
1
2
4
0
2 B 0
8
0
2
0 0
1 72 0 0
0 0 1 2
0 0 0 0
0 0 0 0
0
1
7
Pgina 82
1
72
7
0
0
w , w ,
1
w Pr oyW v
v.w1
v.w2
w1
w2
w1.w1
w2 .w2
v.wm
wm
wm .wm
Ejemplo:
Sea
un
subespacio
de
R4
Solucin:
Como (1,2, 1,1), (0, 1, 2,0), (1,0,0, 1) es un conjunto ortogonal, este constituye una
base ortogonal para W, por lo tanto podemos utilizar la frmula anterior para calcular
w Pr oyW v .
Pgina 83
w Pr oyW v
w
v.w3
v.w1
v.w2
w1
w2
w3
w1.w1
w2 .w2
w3 .w3
3 4 0 1
0200
3 0 0 1
(1,2, 1,1)
(0, 1, 2,0)
(1,0,0, 1)
1 4 11
0 1 4 0
1 0 0 1
2
2
4
(1,2, 1,1) (0, 1, 2,0) (1,0,0, 1)
7
5
2
n
Teorema 11.5: Sea W un subespacio de R , entonces dado el vector v de R n , el vector
EJERCICIOS PROPUESTOS
I- En cada caso determine W
3
1) W el subespacio de R generado por el vector w (2, 3, 1)
Pgina 84
II- En cada caso exprese el vector dado v como suma directa de un vector w de W y un
vector u de W
1) W gen(1,0,1), (1, 1, 1) y v (2, 2, 0)
2) W gen(1,1,1,0), (1, 0, 0,0) y v (1, 1, 0,0)
III- En cada caso calcule los cuatro espacios vectoriales asociados a la matriz A y
compruebe que se cumple el teorema 11.5.
1 5 3 7
1) A 2 0 4 6
4 7 1 2
4
2 1 3
0 3 7 2
2) A
1 1 2 3
1 4 9 5
1
2 2
1
3
0,
0,
1) W el subespacio de R con base
,
, v (3,4, 1)
5
5
5
5
1
1 1 1 1
, 0,
,
,
,
, v 2,1, 1 .
2 3 3 3
2
3
2) W el subespacio de R con base
4
3) W el subespacio de R con base (1,1,0,1), (0, 1,1, 0), (1,0,0,1) , v (2,1,3,0)
4
4) W el subespacio de R con base
4
VI- Sean W el subespacio de R con base
1
1
1
1
, 0,0,
,
0,
0,
1,0
,
,
0,0
,
Pgina 85
x
x z
Ejemplo 1.1 Sea T : R R definida por a T y
. Si tomamos
z y z
3
1
3 R 3 , por
2
1
1 (2) 3
ejemplo, y le aplicamos esta transformacin obtenemos T 3
2 3 (2) 1
Pgina 86
a1
a2
a1 a2
a1 a2
(a a ) (c1 c2 ) (a1 c1 ) (a2 c2 )
T (u v) T b1 b2 T b1 b2 1 2
c1 c2
c1 c2
(a c ) (a c )
T (u v) 1 1 2 2 T (u ) T (v)
(b1 c1 ) (b2 c2 )
a2
a2
(a2 c2 )
a c2 (a2 c2 )
T ( v) T b2 T b2 2
T (v )
(
b
c
)
(
b
c
)
2 2
2
2
2
c 2
c2
2
Como se cumplen las dos condiciones se concluye que T es una transformacin lineal de
R3 a R 2 .
Ejemplo 1.2: Una transformacin de reflexin
2
2
Sea T : R R definida por
x x
T = . Probemos que T es una transformacin
y y
lineal:
x1
x2
Sean u , v y R , entonces:
y1
y2
x x
x x x x x x x x
T (u v) T 1 2 T 1 2 1 2 1 2 1 2 T (u ) T (v)
y1 y2
y1 y2 ( y1 y2 ) y1 y2 y1 y2
x
x x x1
x1
T ( v) T 1 T 1 1
T (u )
y
y
)
y
1
1
1
1
1
Pgina 87
x 1
1) T : R 2 R 2 :T
y
0
2) T : R 2 R 2 :T
y
y
x 0
3) T : R R :T
y x
x
x
4) T : R R :T y
z y
x
0
5) T : R R :T y
z y
x
z
6) T : R R :T y
z x
x
1
3
2
7) T : R R :T y
z z
2
x x
8) T : R R :T 2
y y
x x2
9) T : R R :T
y y
10) T : R 2 R 2 :T
y
x
x y
Pgina 88
x x y
11) T : R 2 R 2 :T
y
x y
12) T : R 2 R :T xy
y
14) T : P2 P3 :T P( x) P( x) P( x)
15) T : P2 P4 :T P( x) P( x)
16) T : P2 P3 :T P( x) P( x) P( x)
T : M nn M nn :T ( A) AT A
Pgina 89
Ejemplo 2.1:
1
3
1
2
Sea T : R R tal que T 2 , T 1 .
2 2
3 1
2
1
Calcular T
5
a
2
b de R con la combinacin lineal,
a
1
2
c
b 1 2 2 3 .
c1 2c2 a
2c1 3c2 b
cuya
1 2 : a 1 0 : 2b 3a
matriz ampliada es
.
2 3 : b 0 1 : 2a b
a
La solucin es c1 2b 3a y c2 2a b , entonces cualquier vector de R 2 se
b
a
1
2
1
2
puede escribir c1 c2 (2b 3a) (2a b) .
b
2
3
2
3
Ahora podemos calcular:
a
1
2
1
2
T c1T c2T (2b 3a)T (2a b)T
b
2
3
2
3
1
3 2b 3a 3b 6a 5b 9a
(2b 3a) 2 (2a b) 1 4b 6a 2a b 3b 4a
2
1 6a 4b b 2a 4a 3b
5b 9a
a
4a 3b
Pgina 90
5(5) 9(1) 25 9 34
1
4(1) 3(5) 4 15 19
Ejemplo 2.2:
2
0
3
1
0
Sea T : R R tal que T 0 , T 1 . Calcular T
0 1
1 0
2
2
a
1 0
Como , es la base cannica de R 2 podemos expresar cualquier vector de
0 1
b
a
1
0
R 2 con la combinacin lineal, c1 c2 donde los valores de c1 y c2 se
b
0
1
pueden calcular directamente c1 a y c2 b .
a
1 0
Entonces a b y
b
0 1
2 0 2a 0 2 a
a
1
0
T aT bT a 0 b 1 0 b b
b
0
1
1 0 a 0 a
2a
a
Por lo que la regla de transformacin es T b
b
a
2(3) 6
3
Ahora podemos calcular T 2 2
2
3 3
Cuando trabajamos con la base cannica los clculos resultan ms sencillos. En el caso
anterior se pudo hacer directamente
2 0 6 0 6
3
1
0
T 3T 2T 3 0 2 1 0 2 2
2
0
1
1 0 3 0 3
Pgina 91
Teorema 2.3: Sea V un espacio vectorial de dimensin finita con base B {v1, v2 ,..., vn } .
Sea W un espacio vectorial que contiene los vectores w1, w2 ,..., wn , entonces existe una
transformacin lineal nica T :V W tal que T (vi ) wi para i = 1, 2, 3, , n.
2
3
Ejemplo 2.2: Encuentre una transformacin de R en el subespacio de R tal que
W y : 2 x 3 y z 0 .
z
Solucin:
De 2 x 3 y z 0 podemos determinar que z 2 x 3 y . Por lo que los vectores
x
1 0
x 0 y 1 . Entonces
y
y
de W son de la forma
que es equivalente a
2x 3y 2 3
2x 3y
1
0
w1 0 ; w2 1 es una base para W. Utilizando la base cannica o estndar de R 2 ,
2
3
1
0
1
0
1
0
5
Si queremos determinar la transformacin de un vector en particular, v , por
7
1 0 5 0 5
5
1
0
ejemplo, procedemos as: T 5T 7T 5 0 7 1 0 7 7
7
0
1 2 3 10 21 11
y
De manera general T
y
2x 3y
Pgina 92
todos los vectores v de V tales que T (v) 0W . Es decir, los vectores de V que al
aplicar la transformacin el resultado es el vector nulo o cero de W. Esto es:
ker(T ) v V / T (v) 0W .
2) La imagen de T, denotado por Im(T), es el subconjunto de W formado por todos
Observaciones importantes:
i) ker(T) es no vaco porque por lo menos contiene el vector nulo de V, ya que
T(0V) = 0W.
ii) La imagen de T es simplemente el conjunto de imgenes de los vectores en V
bajo la transformacin T. Si w = T(v), se dice que w es la imagen de v bajo T.
Solucin:
Un vector v = ( a, b ) de R2 est en el ker(T) si T(v) = 0 R 3 .
a 0
a
Entonces, T b a 0 , eso equivale a resolver el sistema
b 2a b 0
que tiene como solucin a b 0 , por lo que ker(T)= {(0, 0)}.
0
a
a b 0
2a b 0
3a b
3 1
3 1
Pgina 94
x a
x y b que
2x y c
x
1
x
0
y 1
1
1 0
2 1
1 0
1 0
2 1
3 1
3.4.
x
y x 2y
4
3
Determine el Ncleo y la imagen de T : R R tal que T y z .
z 2 x 4w
tal que
a
b a 2b 0
T(v) = 0 R 3 . Entonces T b c 0 .
c 2a 4d 0
d
0
a 2b
bc
0
Esto equivale a resolver el sistema
2a
4d 0
a 2r
b r
Este sistema tiene infinitas soluciones de la forma
siendo r R .
c
d r
2
2r 2
1
r 1
Por lo que r lo que significa que ker(T ) gen .
r 1
1
r 1
1
Para determinar
w = ( a, b, c ) de R 3 , aplicamos la
x
y x 2y a
T y z b .
z 2 x 4w c
w
a
x 2 y
y z
b
Establecemos el sistema
2 x
4w c
Ejemplo 4.1: Para el ejemplo anterior (3.3) Nu (T) = 0 y R (T) = 2 y para el ejemplo
(3.4) Nu (T) = 1 y R (T) = 3
Ejemplo 4.2: Para el ejemplo 3.4 Nu (T) = 1, R (T) = 3 y dim (V ) = 4, por lo tanto se
verifica que Nu (T) + R (T) = 1 + 3 = 4 = dim (V )
Pgina 96
EJERCICIOS PROPUESTOS
I- Encuentre el ncleo, la imagen, la nulidad y el rango de las transformaciones
siguientes:
x x
3x
1) T : R 2 R 2 ; T
2) T : R R 2 ; T x
2 x
y 0
3) T : M nn M nn ; T A AT A
x
4) T : R 2 R; T x y
y
x
5) T : R 4 R 2 ; T y x z
z y w
xz
x
6) T : R3 R 4 ; T y y 2 z
z x y z
2x
x
xz
7) T : R 4 R3 ; T y y w z
z x y w
a
8) T : R P3 ; T b (c d ) x 3 (a b)
c
3
x
z
a
3
2
2
3
9) T : R P3 ; T a bx (a b) x (a b) x 10) T : R R ; T y
y
b
z
2
Demostracin:
Sea
e1, e2 ,...,
T (e2 ) w2 ,
w1, w2 ,..., wn .
R n por AT .
Pgina 97
i-sima posicin
a1i
a11 a12
a
a a
21
22
2i
Si wi
, entonces AT ei
a
m1 am 2
mi
a1i
a2i
ami
0
a1n 0 a1i
a2 n a2 i
1 wi .
0
amn am i
0
1
1
1
4
4
4
Determine AT y T . Luego compruebe que T AT .
2
2
2
0
0
0
1
0
0
0 1
1 2
0 0
Las columnas de AT son T 0 , T 1 , T 1
0
0
1
2
0
0
0
0
0
0
0 0
y T 0
0
4
1
1 2 0 0
O sea que AT 0 1 1 0
2 0 0 4
1
1
1
4 1 2(4) 7
4 1 2 0 0 4 1 8 0 0 7
T 4 2 2 AT 0 1 1 0 0 4 2 0 2
2 2(1) 4(0) 2
2 2 0 0 4 2 2 0 0 0 2
0
0
0
Queda comprobado.
Pgina 98
yz
Ejemplo 5.2: Sea T : R3 R4 tal que T y
2x y z
z x y 2z
Pgina 99
1 1 0
0 1 1
Por lo que AT
. Su forma escalonada reducida es
2 1 1
1 1 2
1 0
0 1
0 0
0 0
0
0
.
1
Esto nos indica que la nica solucin al sistema AT X 0 es 0, por lo que el Espacio Nulo
de AT es
R3
y Nu(T) = 0.
1 1 0
0 1 1
La imagen de T: Im(T) = gen , , . El rango de T: R(T ) R( AT ) 3 .
2
1 1
1 1 2
AT v B .
1
1 0 2
1
bases B1 B2 . Compruebe que se cumple el teorema para v .
2
5
1
Solucin: Hallamos T 5 ,
2 3
8
3
T 6
1 2
Pgina 100
1 0
Esto produce la matriz aumentada siguiente 0 2
1 1
1 0 0 : 47
2 : 5 : 8
5 : 5 : 6
0 : 3 : 2
: 36
: 38
: 14
36
47
38
Esto nos indica que AT 50
21 14
1
Ahora comprobamos que para v se cumple que T (v ) B AT v B
2
2
1
1
Calculemos T 7 y
2 1
1
como matriz aumentada 0
para obtener
0
2
1
T (v)B
2 : 1
5 : 7
0 : 1
13
1 0 0 :13
Su forma escalonada reducida es 0 1 0 :14 , entonces T ( v ) B 14 .
0 0 1 : 7
7
2
Para obtener
1 0 7
y su forma escalonada reducida es
, entonces
0 1 4
T (v) AT v
B2
B1
Pgina 101
v B
3 : 1
1 : 2
5
74 . Luego calculamos
7
47 5 36 4 235 144 91
7
47 36 5 7
7
7
7
13
152
987 14
T (v ) B AT v B 50 38 74 50 75 38 74 250
7
7
105 56 49
7
21
14
21 75 14 74 7 7 7 7
2
Queda comprobado.
Teorema 5.4: Sean V un espacio vectorial de dimensin n, W un espacio vectorial de
dimensin m y T : V W una transformacin lineal. Sea B1 v1 , v2 ,..., vn una base
para V y B2 w1 , w2 ,..., wm una base para W y sea AT una representacin matricial
de T respecto a las bases B1 y B2 , entonces:
1) Rango de T = Rango de AT .
2) Nulidad de T = Nulidad ( AT )
3) La Nulidad de T + Rango de T = n
3x y
x
Ejemplo 5.4: En el ejemplo 5.3 vimos que para T : R R tal que T x 3 y con
y x y
1 0 2
1 3
AT 50
38 .
21 14
2
1
La forma escalonada reducida de AT es 0
0
1 , esto significa que el rango de AT es 2.
Pgina 102
Teorema 5.5: Sea T : R n R m una transformacin lineal. Suponga que C es una matriz de
transformacin de T respecto a las bases cannicas o estndares Sn de R n y Sm de R m .
Sea A1 la matriz de transicin de la base B1 a la base Sn de R n y A2 la matriz de
transicin de la base B2 a la base Sm de R m . Si AT es la matriz de transformacin de T
1
respecto a las bases B1 y B2 , entonces AT A2 CA1
1 0 0
x
x y
yz
z
0 2 1
3
1 1
B2 , . Determine A1 PS B , A2 PS B , la matriz de transformacin C
3
1
2
2
1 3
de T respecto a la base cannica y compruebe que se cumple el teorema anterior.
Solucin:
A1 PS3 B1
1 0 0
1 1
1 1 0
, C
1 1 1 , A2 PS B
,
2
2
3
0
1
0 2 1
3
AT A2 CA1 21
2
1
1
1
2
1
0
2
1 0 0 3 2
1 0
1 1 1 2
1
1 1
0 2 1 2 1
1 1
2
1
1
2
0
A2
32
1
2
0 0 1
3
1 1 2
1
2 1 2 2
1
0
0
0
1
1
T 1 , T 1 , T 1 .
1
3
0
0
2
1
32
12 1
0
1
3
1 1 , 3 2 y 0 1 .
B2 2 B2
B2 2
Pgina 103
1
2
1
3
2
1
1
2
Por lo que AT
1
2
3
2
2
.
1
2
EJERCICIOS PROPUESTOS
I- Encuentre la representacin matricial AT de la transformacin lineal dada, el ncleo, la
imagen, la nulidad y el rango de T. Si no se indica lo contrario considere que las bases
B1 y B2 son las bases cannicas.
x x 2y
1) T : R 2 R 2 ; T
y x y
x y
x
2) T : R 2 R3 ; T x y
y
2x 3y
2x
3) T : R R 3 ; T x x
x
x
x yz
4) T : R 3 R 2 ; T y
z 2 x 2 y 2 z
x x y
5) T : R 2 R 2 ; T
y x y
x x y
6) T : R 2 R 2 ; T
y x y
x x y 2z
7) T : R R ; T y 2 x y 4 z
z 5x y 8z
x x 2 y z
8) T : R R ; T y 2 x 4 y 2 z
z 3x 6 y 3z
x
x x y 2z w
y x y 2 z 3w
y x z 2w
4
3
4
4
9) T : R R ; T y 4 z 3w 10) T : R R ; T
z
z
x
2
y
5
z
4
w
6
z
6
w
w
w 2x y z w
Pgina 104
1 1 1
x
1 2
2x y z
11) T : R R ; T y
;
B
0
,
1
,
1
;
B
1 2 1 , 3 .
y
3
z
z
1 0 1
3
1 3
x x 2y
12) T : R 2 R 2 ; T
;
B
,
2
1
y 2x y
2 2
1 4
x 4x y
13) T : R 2 R 2 ; T
; B1 B2 ,
y 3x 2 y
1 3
2
3
14) T : P3 P1; T a0 a1x a2 x a3 x (a1 a3 ) x a2 .
2
3
4
4
2
15) T : P4 P4 ; T a0 a1x a2 x a3 x a4 x a4 x a2 x a0
a b a b c d a b c
16) T : M 22 M 22 ; T
ab
c
d
a
a b a b 2c d
17) T : M 22 M 22 ; T
a 2b 5c 4d
c
d
a 2c 2d
2a b c d
Pgina 105
2x
x
x y
2
x
x
2
T2 2 y x y v . Determine: (T1 T2 )(v) y 3T1 (v)
y
1
y
2(2) 2
4 2 2
2
2
2
2(2) 4 12
2
2) 3T1 (v) 3T1 3 2 (1) 3 3 9
1
2 (1) 1 3
T2 T1 : V W
T1 : V U
T1 (v)
Pgina 106
T2 T1 (v)
T2 : U W
T2 T1 (v) de W
2x
x
x y
z x
x
2y z
1
T2 y
y v . Determine (T2 T1 )(v) .
x y z
2
z x 2z
3 2
1
2(1)
2
2(1) 3 5
1
(T2 T1 )(v) T2 T1 T2 1 2 T2 1
2
2
1)
6
1
2
3
2 2(3) 8
Si hacemos la composicin para un vector genrico podemos deducir la regla que hace la
transformacin
directamente
de
(T2 T1 ) : R2 R4 .
Es
decir,
calculamos
x y 2x
yx
2x
2( x y ) ( x y ) x 3 y
x
x
(T2 T1 ) T2 T1 T2 x y
2x 2 y
y
2
x
(
x
y
)
(
x
y
)
y
x y
2 x 2( x y )
4x 2 y
yx
x x 3y
2
4
Por lo que (T2 T1 ) : R R tal que (T2 T1 )
es la regla de composicin
y
2
x
2
y
4x 2 y
2 1 1
1 1 3(2) 5
4(1) 2(2) 8
Pgina 107
x
y x y
T
tal que 1 2 z
z
y z
5
T
:
M
2
2
x
2
tal
x z ,
x
yz
x y
T
w
2
. Determine T2 T1 .
que z w
x w
2 w
T2
x
x
x y
T1 y T2 T1 y T2
2z
z
z
Por lo que T2 T1 : R3 R5 es T2
( x y)
yx
( y z ) 2 z y 3z
y z
2 z ( x z) x z
xz
( x y) ( x z) z y
2( x z )
2z 2x
yx
x y 3z
T1 y x z
z z y
2z 2x
Pgina 108
EJERCICIOS PROPUESTOS
x
x y
I- Sean T1 : R3 R 2 tal que T1 y
,
z y z
x
2y x
T2 : R R tal que T2 y
,
z
3
y
z
3
2y x
x x y
2
4
,
T3 : R R tal que T3
y x
3x 2 y
ca
Deternmine:
1) T1 T2
2) T4 T5
3) 3T1 2 T2
4) T3 T1
5) T6 T5
7. Tipos de Transformaciones Lineales
Pgina 109
es inyectiva, si y solo si
Ker (T ) 0V .
Demostracin:
Primero demostraremos que si T :V W es inyectiva, entonces Ker (T ) 0V .
Recordemos que si T es inyectiva entonces T (v) T (u) implica que v u .
Sea v Ker (T ), lo que implica que T (v) 0W . pero T (0V ) 0W , entonces necesariamente
x x
determine si T es un isomorfismo.
Solucin: Debemos determinar si T es biyectiva, es decir si es inyectiva y sobreyectiva.
Para determinar si es inyectiva basta con comprobar si Ker (T ) 0R3 (0,0,0) y para
determinar si es sobreyetiva comprobamos si Im (T) = R3.
*Comprobar si Ker (T ) 0R3 (0,0,0)
x x 0
T y y z 0
z x z 0
0 1 0 0 : 0 1 0 0 : 0
x
y z 0 0 1 1 : 0 0 1 0 : 0
x z 0 1 0 1 : 0 0 0 1 : 0
Este sistema tiene solo la solucin trivial x y z 0 , por lo tanto Ker (T ) 0R3
*Comprobar si Im (T) = R3
Como ya vimos en el Teorema 5.4 Nu (T) + R (T) = n, entonces como Ker (T ) 0R3
la nulidad de T [Nu (T)] = 0 lo que implica que R(T) = n = 3, esto nos que garantiza que
Im (T) = R3 .
Como Ker (T ) 0R3 (0,0,0) y Im (T) = R3 concluimos que T es un isomorfismo.
Pgina 111
1 0 0
Al calcular det AT det 0 1 1 1 0 . Y se concluye que T es un iomorfismo.
1 0 1
EJERCICIOS PROPUESTOS
I- Determine en cada caso si la transformacin dada es un isomorfismo.
x x 2y
1) T : R 2 R 2 tal que T
y x y
x x yz
2) T : R R tal que T y 2 y z
z 3 y x 2z
3
a
3) T : R3 P2 tal que T b P(t ) at 2 (c b)t (a c)
c
x w
x y yz
4) T : M 2x2 R4 tal que T
z w z x
w y
a b c
Pgina 113
x x 3y
Ejemplo 8.1: Sean T : R 2 R 2 tal que T
y T : R2 R2 tal que
y 2 x 7 y
x 7x 3y
T
. Determine si T T son inversas.
y 2x y
Solucin
Debemos comprobar si T T : R2 R2 Id R2 y T T : R2 R2 Id R2
Calculamos
x
x
7 x 3 y 7 x 3 y ) 3(2 x y )
T
T
2 x y 2(7 x 3 y ) 7(2 x y )
y
y
T T
7x 3y 6x 3y x
y Id R2
14
x
6
y
14
x
7
y
x
x
x 3 y 7( x 3 y ) 3(2 x 7 y )
T T T
2( x 3 y ) 2 x 7 y
y
y
2
x
7
y
T T
7 x 21y 6 x 21y x
Id R2
2x 6 y 2x 7 y y
xz
x
1
Ejemplo 8.2: Sea T : R3 R3 tal que T y 2 x y
, determine T si existe.
z x 2 y 2z
xz
x
a
a
a x
b
1
Definimos un vector b R 3 tal que T y 2 x y
y T b y .
z x 2 y 2z c
c
c z
A partir de esto establecemos el sistema:
x z a
1 0 1 : a 1 0 0 : c 2b 2a
2 1 0 : b 0 1 0 : 2c 3b 4a
2x y b
1 2 2 : c 0 0 1 : c 2b 3a
x 2 y 2z c
x c 2b 2a
x
c 2b 2a a
Entonces sustituyendo los valores de x, y z se obtiene T y T 2c 3b 4a b
z
c 2b 3a c
Pgina 115
c 2b 2a
a c 2b 2a
a
xz
x z 2 y 2x
x
En conclusin T 1 y 2 z 3 y 4 x es la inversa de T y 2 x y
z z 2 y 3x
z x 2 y 2z
x x
Confirmemoslo comprobando que T T 1 y y Id R3
z z
( z 2 y 2 x) ( z 2 y 3 x)
x
x
z 2 y 2x
2( z 2 y 2 x) (2 z 3 y 4 x)
T T 1 y T T 1 y T 2 z 3 y 4 x
z
z
2
y
3
x
(
z
2
y
2
x
)
2(2
z
3
y
4
x
)
2(
z
2
y
3
x
)
z
z 2 y 2 x z 2 y 3x
2z 4 y 4x 2z 3y 4x
y Id R3
z 2 y 2 x 4 z 6 y 8 x 2 z 4 y 6 x) z
Comprobemos este resultado para un caso particular. Siendo v 1, 3,2 determine T(v) y
luego compruebe que T-1 (T(v)) = v.
1 2
1
1
1
1
T(v) T 3
2(1) 3
3
2 1 2(3) 2(2) 1 6 4 1
1 1 2(1) 2(1) 1 2 2 1
T T(v) T 1 2(1) 3(1) 4(1) 2 3 4 3 v
1 1 2(1) 3(1) 1 2 3 2
1
Queda comprobado que T-1 (T(v)) = v, esto ocurre porque T-1 es la inversa de T.
Pgina 116
EJERCICIOS PROPUESTOS
I- Determine en cada caso si la transformacin lineal dada es invertible, si lo es encuentre
la transformacin inversa.
x x 2y
1) T : R 2 R 2 tal que T
y y
a
2) T : R P2 tal que T b P(t ) at 2 (c b)t (a c)
c
3
x
yx
3) T : R3 R2 tal que T y
z z 2y
x yw
x y z yw
4
4) T : M 2x2 R tal que T
y 2x z
z
w
3x 2 y w
a
5) T : R2 P2 tal que T P(t ) at 2 (b a)t a
b
a bc
x x
7) T : R3 R3 tal que T y y z
z zx
8) T : R4 M 2x2
x
y
x yz
tal que T
z x y 2w
w
y z w
x z w
Pgina 117
Av = v
El vector v 0C n se denomina vector caracterstico o propio de A correspondiente al
valor caracterstico o propio . El vector v puede tener componentes reales o complejas.
Nota: las palabras caracterstico, propio o eigen valor tiene el mismo significado, en esta
unidad sern utilizadas indistintamente las dos primeras.
2 2
Ejemplo 1.1: Sea A
, entonces = 3 es un valor propio de A ya que existe un
5
1
2 0
2 2 2 4 10 6 2
vector v tal que Av =v. Esto es
5 10 5 15 3 5
5
1
5
0
2
Para este caso v es un vector propio de A correspondiente al valor propio = 3.
5
3 0
Adems = 4 es otro valor propio de A ya que existe un vector v tal que
3 0
2 2 3 6 6 12
3
4
Av = v. Esto es
.
5 1 3 15 3 12
3
3
Para este caso v es un vector propio de A correspondiente al valor propio = 4.
3
Pgina 118
x1 0
x 0
de cero v 2 tal que Av = v, siendo x1, x2 ,..., xn nmeros reales o complejos.
x 0
n
La ecuacin Av = v se puede escribir Av = Inv ya que al multiplicar la matriz identidad
por v no se altera el resultado. Si en esta ultima ecuacin Av = Inv restamos a ambos
lados Inv obtenemos Av Inv = 0C n . Luego sacando factor comn v obtenemos
(A In) v =
0C n
Esta ltima ecuacin nos da una estrategia til para calcular los valores propios de una
matriz A ya que representa un sistema homogneo de n ecuaciones con n incgnitas donde
x1
x
la matriz (AIn) es la matriz de los coeficientes y v 2 es la matriz de las incgnitas.
x
n
Como v tiene que ser diferente del vector cero este sistema debe tener solucin diferente a
la solucin trivial y para eso el determinante de (A In) tiene que ser igual a cero.
As que haciendo det (A In) = 0 podemos determinar los valores propios de A.
Cuando se evala este determinante obtenemos un polinomio de grado n que est en
funcin de , es decir, P() = det (A In) que se denomina polinomio caracterstico de
A y a la ecuacin P() = det (A In) = 0 se le llama ecuacin caracterstica de A.
Entonces el clculo de los valores caractersticos de una matriz se reduce a resolver la
ecuacin caracterstica de A.
Pgina 119
4 2
Ejemplo 2.1: Sea A
, determinar el polinomio caracterstico, la ecuacin
3
3
det
det
0 1
3
3
3 3
3 3 0
P( ) (4 )(3 ) 6 12 7 2 6 2 7 6
El polinomio caracterstico de A es P( ) 2 7 6
La ecuacin caracterstica de A es P( ) 2 7 6 0
Los valores caractersticos de A se obtienen al resolver P() 2 7 6 0
2
P() 7 6 ( 1)( 6) 0 1 6 por lo que los valores propios de A
son 1 y 6.
EJERCICIOS PROPUESTOS
2 3
I- Sea A
verifique que:
4 1
3
a) 1 = 2 es un valor propio de A y que v1 es un vector propio asociado a 1 = 2.
4
1
b) 2 = 5 es un valor propio de A y que v2 es un vector propio asociado a 2 = 5.
1
Pgina 120
2 1
1)
4 1
2 2 3
5) 1 2 1
2 2 1
3 3
2)
1 5
2
6) 2
3
1 2
3)
1 3
1 2
2 2
1 1
4 1 3
4) 0 2 1
0 0 3
1 0 1
7) 0 1 2
1 3 2
3. Espacio Caractersticos
Definicin: sea un valor caracterstico de A, el subespacio
E de
C n tal que
E i . Los vectores de E i
Pgina 121
4 2
Ejemplo 3.1: Determinar los espacios y los vectores caractersticos de A
.
3
3
3 2 x 0
Ahora resolvemos (A 1In) v =
y 0 .
3
2
3 2
3 2
La forma escalonada de
es
x
1
1
3
y x . Por lo que la solucin general es 3 x 3 . Entonces E1 gen 3 .
2
2 x
2
2
Todos los vectores de E1 son vectores caractersticos de A correspondiente al valor
caracterstico = 1
1 0 x 4 2 6 0 x
3 3
2 x 0
3 y 0
2 2 x 0
Ahora resolvemos (A 6In) v =
y 0
3
1 1
2 2
La forma escalonada de
es
0 0 lo que significa que x y = 0, de donde
3 3
x
1
1
y x . Por lo que la solucin general es x . Entonces E6 gen
x
1
1
Pgina 122
r1, r2 ,..., rm nos indican respectivamente las veces que 1 , 2 ,..., m es raz de la ecuacin.
A estos nmeros r1, r2 ,..., rm se les denominan multiplicidades algebraicas de los valores
caractersticos 1, 2 ,..., m respectivamente.
3 2 4
Ejemplo 4.1: Sea A 2 0 2 , determine la multiplicidad algebraica de los valores
4 2 3
caractersticos de A.
3 2 4
1 0 0
3
0 0 1
4
4 2 3
2
0
2
2 0
3
4
Pgina 123
4 2 3
Para determinar la multiplicidad geomtrica de = 1 debemos hallar dim E1
A (1) I3 v 2 0 2 (1) 0 1 0 y 2 0 2 0 1 0 y 0
4 2 3
0 0 1
z 4 2 3 0 0 1 z 0
4 x 4 2 4 x 0
3 1 2
A (1) I3 v 2 0 1 2 y 2 1 2 y 0
4
z 0
2 3 1 z 4 2 4
4 2 4
2 1 2
La forma escalonada de 2 1 2 es 0 0 0 .
4 2 4
0 0 0
Esto significa que 2x + y + 2z = 0. Despejando y obtenemos y = 2x 2z y la solucin
1 0
x
1 0
2
es 2 x 2 z x 2 z 2 , entonces una base para E1 es 2
0 1
0 1
Pgina 124
( A 8 I 3 )v 2 0 2 8 0 1 0 y 2 0 2 0 8 0 y
0 0 1 z 4 2 3 0 0 8 z
4 2 3
4 x 5 2 4 x 0
3 8 2
( A 8 I 3 )v 2 0 8 2 y 2 8 2 y 0
4
z 0
2 3 8 z 4 2 5
1 0 1
5 2 4
1
La forma escalonada reducida de 2 8 2 es 0 1 2 .
0 0 0
4 2 5
x z 0
1
Esto significa que
, despejando x e y obtenemos x z , y z
1
2
y 2 z 0
1
z
1
1
La solucin es 2 z z 1 , entonces una base para E8 es 12
2
z
1
1
1,
1
,
2
Teorema 5.2: Los valores caractersticos de una matriz triangular son las componentes de
la diagonal principal de la matriz.
a11 a12
0 a
22
Si A
0 0
a1n
a2 n
, entonces los valores propios de A son a11 a22
ann
ann .
1 4 1
Ejemplo 5.3: Sea A 0 3 5 determine los valores caractersticos de A y compruebe
0 0 2
que de acuerdo al teorema 5.2 estos son las componentes de la diagonal principal de A, es
decir, 1 1, 2 3 y 3 2
Solucin: Calculamos P() = det (A In) = 0
1 4 1
1 0 0
1
0
0
0
2
0
0
1
4
3
0
5 0
2
1
EJERCICIOS PROPUESTOS
I- Determine los espacios caractersticos, la multiplicidad algebraica y la multiplicidad
geomtrica de cada uno de los valores caractersticos de cada matriz.
Nota: En un ejercicio anterior ya se haba calculado el polinomio y los valores
caractersticos de estas matrices, utilice esa informacin.
2 1
1)
4 1
3 3
2)
1 5
2 2 3
5) 1 2 1
2 2 1
2
6) 2
3
1 2
3)
1 3
1 2
2 2
1 1
4 1 3
4) 0 2 1
0 0 3
1 0 1
7) 0 1 2
1 3 2
II- Determine el polinomio caracterstico, los valores y vectores propios, los espacios
caractersticos, la multiplicidad algebraica y la multiplicidad geomtrica de cada uno
de los valores caractersticos de cada matriz.
1 1
1)
1 1
1 2
0 1
4)
0 0
0 0
3
3
3
0
4
2
3
1 1
2)
2 4
0
3) 0
0
1
0
0
1
5) 1
3
2
6) 0
0
2 3
3 2
1 2
0 0
3 1
2 2
Pgina 127
2
3
6. Matrices semejantes
Definicin: Dos matrices A y B de n x n son semejantes si existe una matriz no singular
(invertible) C de n x n tal que
B = C-1 AC
1 1
1
C
1
2 4
1
2 1
1
C
y
1 1 .
2
1 1 2 4 1
4 2 4 4 2
1 2 2 2 4 1 1 4 2 1 1
2 1 2 1 4 1 2 3 3 1 2
.
0
3
2
Entonces podemos afirmar que B
0
0
1 1
A
y
2 4 son matrices semejantes.
3
2 1
4 2
2 1
B
5 3
1 1 .
0 1
2 1 4 2 8 5 4 3 3 1
Al calcular CB
5 3 4 5 2 3 1 1 .
1
1
2 1 2 1 4 1 2 1 3 1
AC
.
0 1 1 1 0 1 0 1 1 1
(Propiedad transitiva)
Teorema 6.1: Si A y B son matrices semejantes de m x n, entonces, tienen el mismo
polinomio caracterstico y, por consiguiente, tienen los mismos valores propios.
Demostracin:
Como A y B son semejantes se cumple que
B = C-1 AC y det( B I ) det[C 1 AC I ] .
Esto significa que A y B tienen la misma ecuacin caracterstica, y como los valores
propios son las races de la ecuacin caracterstica, tienen los mismos valores propios.
2 1
4 2
B
son semejantes. Comprobemos ahora que tienen el mismo polinomio caracterstico y los
mismos valores propios.
Esto es: det( A I ) det( B I ) .
Pgina 129
2 1
det( A I ) det
(2 )(1 )
0 1
P( ) 2 2 0 1 2 y 2 1
4 2
det( B I ) det
(4 )(3 ) 10
5 3
P( ) 2 2 0 1 2 y 2 1
Los polinomios caractersticos y los valores propios de A y B son iguales.
7. Matriz diagonalizable
Definicin: Una matriz A de n x n es diagonalizable si existe una matriz diagonal D tal
que A es semejante a D. En este caso, tambin decimos que A puede diagonalizarse.
Observacin: Si D es una matriz diagonal, entonces sus valores propios son las
componentes de la diagonal. Si A es semejante a D, entonces A y D tienen los mismos
valores propios, en consecuencia A es diagonalizable, entonces A es semejante a una
matriz diagonal cuyos valores propios son las componentes de la diagonal.
1 0 0
6 3 25
2
4 3
1 1 .
5 7
4 3 6 3 25 12 8 6 6 4 6 50 32 21 2 4 3
0 1 1
1 1 2 1 8 0 2 2
0 1 2
087
5 7 2 2 7 18 10 14 9 5 14 75 40 49 6 10 14
1 0 0 2
DC 0 1 0 0
0 0 2 3
4 3 2 0 0
1 1 0 0 0
5 7 0 0 6
4 0 0 3 0 0 2 4 3
0 1 0 0 1 0 0 1 1 .
0 0 10 0 0 14 6 10 14
Pgina 130
0 0 0
1, 2 , 3 ,
0
0
0 es semejante a A, siendo
diagonales 1, 2 , 3 ,
, n se escribe D = diag ( 1, 2 , 3 ,
, n ).
Pgina 131
Paso 4: Sea C la matriz cuyas columnas son los n vectores linealmente independientes
determinados en el paso 3, entonces D = C-1AC es una matriz diagonal cuyos elementos
de la diagonal son los valores propios de A correspondientes a las columnas de C.
0 0 1
Ejemplo 7.2: Sean A 0 1 2 , determine si A es diagonalizable.
0 0 1
El polinomio caracterstico de A es:
0 1
P( ) det( A I ) 0 1 2 (1 )(1 ) 0
0 0
1
Los valores propios son 1 0, 2 1 y 3 1. En consecuencia, 2 1 es un valor
propio de multiplicidad 2. Consideremos los vectores propios asociados a los valores
propios 2 3 1, los cuales se obtienen al resolver el sistema ( A 1I3 )v 0
0 0 1 1 0 0 x1 0
( A 1I 3 )v 0 1 2 0 1 0 x2 0
0 0 1 0 0 1 x3 0
1 0 1 x1 0
0 0 2 x 0
2
0 0 0 x3 0
0
0
La solucin general de este sistema es r r 1 , donde r es cualquier nmero.
0
0
Entonces la dimensin del espacio solucin del sistema lineal ( A 1I3 )v 0 es 1; es decir,
la multiplicidad geomtrica es menor que la multiplicidad algebraica por lo que no existen
dos vectores linealmente independientes asociados con 2 1. Por lo tanto A no puede
diagonalizarse.
0 0 0
Ejemplo 7.3: Sean A 0 1 0 , determine si A es diagonalizable.
1 0 1
Pgina 132
0 0
( A 1I3 )v 0 ( A 1I 3 )v 0 1 0 0 1 0 x2 0
1 0 1 0 0 1 x3 0
1
0
0
0
0
0 x1 0
0 x2 0
0 x3 0
0
0
0
0
0
lineal
0 0 0 x1 0
t 1
( A 0 I 3 )v 0 1 0 x2 0 . La solucin general es 0 t 0 para
1 0 1 x3 0
t 1
cualquier valor t.
1
As que v1 0 es un vector propio asociado a 1 0 . Como v1 , v2 , v3 son linealmente
1
independientes, A puede diagonalizarse.
Pgina 133
Si hacemos la matriz C con los vectores v1 , v2 , v3 como columnas podemos comprobar que
D = C-1AC es una matriz diagonal semejante a A. esto es:
1 0 0
C 0 1 0,
1 0 1
1 0 0
C 1 0 1 0 ,
1 0 1
0 0 0
A 0 1 0 .
1 0 1
1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0
D C 1 AC 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0
1 0 1 1 0 1 1 0 1 1 0 1 1 0 1 0 0 1
Como se puede observar D es una matriz diagonal y los elementos de la diagonal son los
valores propios de A que ya habamos calculado.
Teorema 7.2: Sea V un espacio vectorial de dimensin finita con base B1 v1 , v2 ,..., vn
AT
es la
1
1
x x y
Ejemplo 7.4: Sea T : R 2 R 2 tal que T
, B1 v1 , v2 y
1
2
y 2y
1
1
B2 w1 , w2 . Determine lo que se indica en cada caso:
2
3
Pgina 134
1 2(1) 2
2 2(2) 4
2
1 0 : 2 : 6
0 1 : 2 : 5 . Por lo que AT
6
.
5
6
2
2(2)
4
3
2(
3)
es
7 12
1 0 : 7 : 12
0 1 : 6 : 10 . Por lo que CT
.
6
10
Pgina 135
det
det
2
2 5
2 5 0
5
0 1
P( ) (2 )(5 ) 12 10 2 5 2 12 2 3 2
P( ) 2 3 2 ( 2)( 1) 0 1 2 2 1
P() = det ( CT In)
7 12
7 12 0
12
1 0
7
P( ) det
det
det
6
6 10
6 10 0
10
0 1
P( ) (7 )(10 ) 72 70 7 10 2 72 2 3 2
P( ) 2 3 2 ( 2)( 1) 0 1 2 2 1
Queda comprobado que AT y CT tienen los mismos polinomios y valores caractersticos y
por lo tanto son semejantes.
EJERCICIOS PROPUESTOS
I- Determine si la matriz dada A es diagonalizable. De ser as encuentre una matriz C tal
que D = C-1 AC. Verifique que AC = CD y que los elementos distintos de cero de D son
los valores caractersticos o propios de A.
2
1)
5
2
1
3 1
2)
2 4
3 1
3)
4 4
Pgina 136
2
4)
5
1
2
3
5)
1
5
1
0 1 1
9) 1 0 1
1 1 0
1 1
6)
1 2
1
7) 1
0
2 1 0
10) 0 0 0
0 0 0
3
11) 1
1
1 2
2
1
1 1
1 1
1 1
1 1
1 1 0
8) 1 2 1
0 1 1
6
12) 0
0
3 3
3 1
1 3
0 0 2
Ejemplo 8.1: Sea la matriz simtrica A 0 2 0 , compruebe que los vectores
2 0 3
propios correspondientes a valores propios distintos son ortogonales.
El polinomio caracterstico de A es:
0 2
det( A I ) 0 2 0 (2 )(3 ) 4(2 ) ( 3 2 10 8) 0
2
0 3
P( ) ( 3 2 10 8) 0
Los valores propios de A son 1 2, 2 4 y 3 1.
Pgina 137
0 0 2 2 0
( A 2 I 3 )v 0 2 0 0 2
2 0 3 0 0
0 x1 0 2
0 x2 0 0
2 x3 0 2
0
0
0
2 x1 0
0 x2 0
5 x3 0
0
0
0 0 2 4
( A 4 I 3 )v 0 2 0 0
2 0 3 0
0
4
0
0 x1 0 4 0 2 x1 0
0 x2 0 0 6 0 x2 0
4 x3 0 2 0 1 x3 0
r
1
La solucin es un vector de la forma 0 r 0 para cualquier nmero r.
2r
2
1
Un vector propio es v2 0
2
0 0 2 1 0
( A 1I 3 )v 0 2 0 0 1
2 0 3 0 0
0 x1 0 1 0 2 x1 0
0 x2 0 0 1 0 x2 0
1 x3 0 2 0 4 x3 0
2r
2
La solucin es un vector de la forma 0 r 0 para cualquier nmero r.
r
1
Pgina 138
2
Un vector propio es v3 0
1
Ahora comprobamos que los vectores propios obtenidos son ortogonales.
Esto es v1. v2 0, v1. v3 0 y v2 .v3 0 .
0 2 1
Luego calculamos C 1 15
2
5
0
D C 1 AC 15
2
5
0 52 , y hacemos D C 1 AC .
0 15
1
0 0 0 2 0 1 2 0 2 0 0 1 2 2 0 0
0 52 0 2 0 1 0 0 54 0 85 1 0 0 0 4 0
2
1 2
1 0 2
0
3
0
2
1
1
0
0
1
0 5
5 0 5
2 0 0
Entonces la matriz diagonal D semejante a A es D 0 4 0
0 0 1
1
Pgina 139
2
0
1
Ejemplo 8.2: En el ejemplo 8.1 vimos que v1 1 , v2 0 y v3 0 son vectores
1
0
2
propios ortogonales basta con normalizarlos; es decir, hacer u1
u3
1
1
v1 , u2
v2 ,
v1
v2
1
v3 para obtener un conjunto ortonormal de vectores.
v3
1
1
v2
Esto es: u1 v1 1 , u2
v1
v2
1
5
0 ,
2
1
u3
v3
v3
2
5
0 .
1
, n ) y 1, 2 , 3 ,
, n
Paso 3: Para cada valor propio j de A, de multiplicidad k j , determinamos una base para
el espacio propio espacio solucin de ( A j I n )v 0 (el espacio asociado con j ).
Paso 4: Para cada espacio propio, transformamos la base obtenida en el paso 3 en una base
ortonormal mediante el proceso de Gram-Smidt. La totalidad de estas bases ortonormales
determina un conjunto ortonormal de n vectores propios de A, que son linealmente
independientes.
Paso 5: Sea Q la matriz cuyas columnas son los n vectores linealmente independientes
determinados en el paso 4. Entonces Q es una matriz ortogonal y D = Q-1AQ = QTAQ es
una matriz diagonal cuyos elementos de la diagonal son los valores propios de A
correspondientes a las columnas de Q.
1
Ejemplo 8.3: Sea A
2
2
, encontrar una matriz ortogonal Q que diagonalice a A.
4
Solucin:
1 2
Paso 1: Formamos el polinomio caracterstico f ( ) det( A I ) det
,
2
4
2
f ( ) (1 )(4 ) 4 0 , entonces f ( ) 5 0 .
Paso 2: Determinamos las races del polinomio caracterstico f ( ) 2 5 0 .
Las races de este polinomio son 1 0, y 2 5 .
Paso 3: Determinamos una base para E0 , el espacio propio de ( A 0I )v 0 (el espacio
1 2 x1
asociado con 1 0 ). Para ello resolvemos ( A 0 I )v
0.
2 4 x2
2r
2
r
La solucin es un vector de la forma
2
2
2
Un vector propio es v1 . Entonces E0 gen y es una base para E0 .
1
1
1
Ahora determinamos una base para E5 , el espacio propio de ( A 5I )v 0 (el espacio
asociado con 2 5 ). Para ello resolvemos
1 2 5 0 x1 4 2 x1
( A 5 I )v
0 5 x 2 1 x 0 .
2
4
2
2
r
1
La solucin es un vector de la forma r para cualquier nmero r.
2r
2
1 1
1
Un vector propio es v2 . Entonces E5 gen y es una base para E5 .
2
2 2
Paso 4: Transformamos la base obtenida en el paso 3 en una base ortonormal. Para esto
calculamos u1
u2
1
1
1
2 1
v1
(2, 1)
(2, 1)
,
.
v1
5
5 5
(2)2 12
1
1
1
1 2
v2
(1, 2)
(1, 2)
,
.
2
2
v2
5
5
5
1 2
1
2
5
5
1
T
y Q Q
2
1
5
5
Pgina 142
1
5
.
2
2
5
T
Q AQ
1
5
0
T
D Q AQ 5
1
5 1
2 2
2
5
4 1
2
0
5
10
1
5
5
1 2
2
5
5
5
2 1
4
5 5
5
4
4
5
5
2
8
5
5
2
5
2
5
1
5 0 0 0 0 0 0
2 2 2 1 4 0 5
Resultando la matriz diagonal cuyos elementos diagonales son los valores propios de A.
EJERCICIOS PROPUESTOS
Encuentre una matriz ortogonal Q que diagonalice la matriz simtrica dada. Luego
verifique que D = Q-1AQ = QTAQ es una matriz diagonal cuyas componentes diagonales
son los valores propios de la matriz dada.
3 4
1)
4 3
1
4) 1
1
1 1
1 1
1 1
3 1
2)
1 3
1 2
5) 2 1
2 2
1 1
3)
1 1
2
2
Pgina 143
3 2 2
6) 2 2 0
2 0 4
PROGRAMA DE LA ASIGNATURA
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO
FACULTAD DE CUIENCIAS
Oficina de Planificacin Universitaria (OPLAU)
Oficina de Planificacin Sectorial (OPLASE)
Escuela:
Ctedra:
Matemtica
lgebra Superior
Mat- 239
Poblacin Destinataria:
Estudiantes de matemtica, ingeniera, fsica, qumica, biologa, economa, estadstica y
educacin.
Criterio de Evaluacin:
Talleres para trabajar en el aula, prcticas para hacerlas en sus casas, pruebas escritas
(parciales, pruebines y examen general) y algunos trabajos de investigacin.
Pgina 144
Unidad: 1
Nombre de la Unidad: Espacios Vectoriales
Objetivo General:
aplicaciones.
HT: 12
Objetivos
Especficos
(terminales)
Establecer y
generar los
espacios
vectoriales y
las
operaciones
en ellos.
Conocer
combinacin
lineal y
diferenciar
independencia
lineal, as
como
dependencia
lineal.
Verificar
cuando un
conjunto de
vectores
forman una
base y
cuando
generan un
espacio
vectorial.
HP: 04
Contenidos
Concepto de
espacio vectorial.
Sub-espacio
vectorial.
Producto escalar
y producto
vectorial.
Combinacin
lineal.
Vectores
linealmente
dependientes y
linealmente
independientes.
Concepto de
base. Bases
ortogonales y
ortonormales.
Generadores de
un espacio
vectorial.
Estrategias de
Aprendizaje
Preparar guas
de estudios de
los conceptos
nuevos.
Aclaraciones y
profundizacin
por el/la
profesor/a.
Hacer las
demostraciones
que sean
necesarias.
Uso de la
calculadora para
comprobar y/o
conseguir
algunas
soluciones .
Realizar talleres
en el aula,
trabajando en
pequeos
grupos.
Asignar
prcticas para
hacerlas en la
casa.
Revisar dudas
de la prctica
con su
monitor/a y/o
profesor/a.
Pgina 145
Forma de
Evaluacin
Talleres en el
aula
Pruebines
Prctica.
Unidad: 2
Nombre de la Unidad: Aplicaciones Lineales
Objetivo General:
HT:
12
Objetivos
Especficos
(terminales)
Conocer que
es una
aplicacin
lineal, el
ncleo, la
imagen y la
composicin de
aplicaciones.
Verificar
cuando una
aplicacin es
lineal.
Determinar
ncleo e
imagen de una
aplicacin
lineal.
Establecer la
relacin entre
aplicacin lineal
y una matriz;
as como la
relacin entre
una matriz y
una aplicacin
lineal.
04
Contenidos
Conceptos de
funcin y de
aplicacin.
Aplicacin lineal.
Ncleo, imagen
y bases de una
aplicacin lineal.
Aplicacin
inversa.
Aplicacin lineal
asociada a una
matriz. Una
matriz asociada
a una aplicacin
lineal.
Composicin de
aplicaciones
lineales.
Estrategias de
Aprendizaje
Preparar guas de
estudios de los
conceptos nuevos.
Demostraciones
modelos hecha por
el/la profesor/a.
Taller (individual)
para verificar si es
una aplicacin
lineal.
Trabajo en grupo
para encontrar
ncleo, imagen y
base de una
aplicacin lineal.
Comparar sus
demostraciones
con las realizados
en diferentes
textos.
Asignar prcticas
para hacerlas en la
casa.
Revisar dudas de
la prctica con su
monitor/a y/o
profesor/a.
Pgina 146
Forma de
Evaluacin
Talleres en el
aula
Pruebines
Prctica.
Unidad: 3
Nombre de la Unidad: Formas bilineales y cuadrticas.
Objetivo General:
HT:
09
Objetivos Especficos
(terminales)
Definir formas
bilineales ,
cuadrticas,
simtricas y
hermticas.
Analizar y conocer el
Teorema de Silvestre
y sus consecuencias.
HP: 03
Contenidos
Formas
bilineales .
Formas
cuadrticas.
Formas
simtricas.
Formas
hermticas.
Operadores
unitarios.
Teorema de
Silvestre.
Estrategias de
Aprendizaje
Preparar guas
de estudios de
los conceptos
nuevos.
Aclaraciones y
profundizacin
por el/la
profesor/a.
Hacer las
demostraciones
que sean
necesarias.
Realizar
talleres en el
aula,
trabajando en
pequeos
grupos.
Resolver
problemas
donde apliquen
los diversos
operadores.
Asignar
prcticas para
hacerlas en la
casa.
Revisar dudas
de la prctica
con su
monitor/a y/o
profesor/a.
Pgina 147
Forma de
Evaluacin
Talleres en el
aula
Pruebines
Prctica.
Unidad: 4
Nombre de la Unidad: Polinomios Caractersticos, vectores propios y valores propios.
Objetivo General:
HT:
15
Objetivos Especficos
(terminales)
Establecer el
polinomio
caracterstico.
Analizar las
propiedades de los
valores y vectores
propios o
caractersticos.
Diagonalizar
matrices usando
los vectores
propios.
05
Contenidos
Estrategias de
Aprendizaje
Polinomios de
matrices y de
aplicaciones
lineales.
Polinomios
caractersticos.
Valores propios
y vectores
propios.
Diagonalizacin
de matrices
simtricas.
Diagonalizacin
de matrices
usando los
vectores
propios.
Preparar guas de
estudios de los
conceptos nuevos.
Demostraciones
modelos hecha por
el/la profesor/a.
Taller (individual)
para verificar si es
una aplicacin
lineal.
Uso de la
calculadora.
Trabajo en grupo
para encontrar
ncleo, imagen y
base de una
aplicacin lineal.
Comparar sus
demostraciones
con las realizados
en diferentes
textos.
Asignar prcticas
para hacerlas en la
casa.
Revisar dudas de
la prctica con su
monitor/a y/o
profesor/a.
Pgina 148
Forma de
Evaluacin
Talleres en
el aula
Pruebines
Prctica.
Referencias Bibliogrficas
Pgina 149