Sie sind auf Seite 1von 147

ÁLGEBRA LINEAL

Ricardo Miguel Guzman Navarro

Universidad de Córdoba
Facultad de Ciencias Básicas e Ingenierías
Departamento de Matemáticas
Índice general

Prólogo 4

1. Sistemas de ecuaciones lineales 1


1.1. Ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . 5
1.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2. Matrices 21
2.1. Terminología básica . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2. Suma de matrices . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3. Producto por escalar . . . . . . . . . . . . . . . . . . . . . . . 23
2.4. Producto de matrices . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.1. Producto de matrices . . . . . . . . . . . . . . . . . . . 25
2.4.2. Operaciones elementales de …la y producto de matrices 30
2.5. Matrices triangulares y factorización LU . . . . . . . . . . . . 32
2.6. Traspuesta y traza de una matriz . . . . . . . . . . . . . . . . 35
2.6.1. Traspuesta de una matriz . . . . . . . . . . . . . . . . 35
2.6.2. Traza de una matriz . . . . . . . . . . . . . . . . . . . 36
2.7. Determinante de una matriz . . . . . . . . . . . . . . . . . . . 37
2.7.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . 37
2.7.2. Determinante de una matriz . . . . . . . . . . . . . . . 38
2.8. Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . 43
2.9. Sistemas de ecuaciones lineales y matrices . . . . . . . . . . . 47
2.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3. Espacios vectoriales 54
3.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

2
ÍNDICE GENERAL 3

3.3. Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . 70


3.4. Bases y dimensión . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.1. Bases y dimensión . . . . . . . . . . . . . . . . . . . . 71
3.4.2. Vectores de coordenadas . . . . . . . . . . . . . . . . . 73
3.5. Espacios vectoriales y matrices . . . . . . . . . . . . . . . . . . 74
3.5.1. Los cuatro subespacios fundamentales . . . . . . . . . . 75
3.5.2. Rango de una matriz . . . . . . . . . . . . . . . . . . . 76
3.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

4. Transformaciones lineales 81
4.1. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . 81
4.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

5. Ortogonalidad 108
5.1. Espacios con productos interiores . . . . . . . . . . . . . . . . 108
5.2. Espacios normados . . . . . . . . . . . . . . . . . . . . . . . . 109
5.3. Vectores ortogonales . . . . . . . . . . . . . . . . . . . . . . . 113
5.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

6. Valores y Vectores Propios 118


6.1. Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . 118
6.2. Subespacios Propios . . . . . . . . . . . . . . . . . . . . . . . 120
6.3. Matrices Invertibles y Valores Propios . . . . . . . . . . . . . . 121
6.4. Producto de matrices y Valores Propios . . . . . . . . . . . . . 122
6.5. Localización de Valores Propios . . . . . . . . . . . . . . . . . 122
6.6. Cálculo de Valores Propios . . . . . . . . . . . . . . . . . . . . 123
6.7. Cálculo de Vectores Propios . . . . . . . . . . . . . . . . . . . 126
6.8. Independencia lineal y vectores propios . . . . . . . . . . . . . 129
6.9. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
6.10. Valores propios de algunas matrices especiales . . . . . . . . . 136
6.11. Semejanza de Matrices . . . . . . . . . . . . . . . . . . . . . . 137
6.12. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

Bibliografía 142
Prólogo

El objetivo principal de este trabajo es el de proporcionar un módulo guia,


a partir del cual los estudiantes de Ingeniería de Sistemas de la Universidad
de Córdoba adquieran conocimientos básicos del Álgebra Lineal.

Lo especial de este módulo es que en él se realiza un estudio del Álgebra Lineal


con un énfasis en Teoría de Matrices. Esto se hace porque las Matrices son
los entes matemáticos más útiles para los que se dedican al estudio de las
Ciencias Computacionales.

En este trabajo se realiza un estudio de los más importantes temas que com-
ponen normalmente un primer curso de Álgebra Líneal. Estos temas son:
Sistemas de Ecuaciones Lineales, Matrices, Espacios Vectoriales, Transfor-
maciones Lineales, Ortogonalidad y Valores y vectores Propios.

Ricardo Miguel Guzman Navarro.

Mayo 22 de 2006.

4
Capítulo 1

Sistemas de ecuaciones lineales

El propósito de este capítulo es presentar información básica acerca de los


sistemas de ecuaciones lineales y enseñar el método usual para resolver estos.

1.1. Ecuaciones lineales


En esta sección presentaremos las ecuaciones lineales y mostraremos como
hallar sus soluciones.

El símbolo R denotará al conjunto de los números reales. Los elementos de


R son llamados algunas veces escalares. Rn representará al conjunto de las
n tuplas ordenadas de números reales
82 3 9
>
< 1 a >
=
6 .. 7
4.5 i j a 2 R para todo i = 1; :::; n .
>
: a >
;
n

La igualdad de dos elementos de Rn se de…ne mediante la siguiente regla:


2 3 2 3
a1 b1
6 .. 7 6 .. 7
4 . 5 = 4 . 5 si y sólo si ai = bi para i = 1; :::; n.
an bn
2 3
a1
6 .. 7
El producto de un elemento a 2 R por un elemento 4 . 5 de Rn se de…ne
an

1
2 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

como 2 3 2 3
a1 aa1
6 .. 7 6 .. 7
a 4 . 5 = 4 . 5 2 Rn ,
an aan
donde aai , para i = 1; :::; n, es el producto usual en R. La suma de dos
elementos 2 3 2 3
a1 b1
6 .. 7 6 .. 7
4.5 y 4.5
an bn
de Rn se de…ne como
2 3 2 3 2 3
a1 b1 a1 + b 1
6 .. 7 6 .. 7 6 .. 7 n
4 . 5+4 . 5=4 . 52R ,
an bn an + b n

donde la suma ai + bi es la suma usual en R.

De…nición 1.1. Una ecuación es una igualdad con una o más incógnitas.
Una ecuación lineal con n variables es una expresión de la forma

a1 x 1 + a2 x 2 + + an xn = b, (1.1)

donde a1 ; :::; an ; b están en R y x1 ; :::; xn son variables. Se considerará que


las variables sólo pueden tomar valores en R. Una solución de la ecuación
lineal (1.1) es una n tupla ordenada
2 3
c1
6 .. 7 n
4 . 52R
cn

tal que
a1 c1 + a2 c2 + + an cn = b.
1.1. ECUACIONES LINEALES 3

Ejemplo 1.1. La ecuación lineal


3x1 + 4x2 3x3 x4 = 1 (1.2)
2 3
2
617
tiene a 6 7
425 como una solución, ya que
5
3(2) + 4(1) 3(2) (5) = 6 + 4 6 5= 1.
Para hallar las soluciones de la ecuación lineal a1 x1 + + an xn = b en la
que ai 6= 0, se supone que las variables x1 ; :::; xi 1 ; xi+1 ; :::; xn son conocidas
(estas variables se denominan parámetros) y se despeja a xi de la ecuación
en cuestión. Luego, toda solución de la ecuación a1 x1 + + an xn = b tiene
la forma
2 3
x1
6 .. 7
6 . 7
6 7
6 xi 1 7
6 7
6(b a1 x1 ai 1 xi 1 ai+1 xi+1 an xn )=ai 7 (1.3)
6 7
6 xi+1 7
6 . 7
4 .. 5
xn
con x1 ; :::; xi 1 ; xi+1 ; :::; xn 2 R. La n tupla (1.3) es una expresión para la
solución general de la ecuación lineal a1 x1 + + an xn = b. Algunas veces
es conveniente expresar a (1.3) como
2 3 2 3 2 3 2 3
2 3 1 0 0 0
0
. 6 .. 7 6 .. 7 6 .. 7 6 .. 7
6.7 6 . 7 6 . 7 6 . 7 6 . 7
6.7 6 7 6 7 6 7 6 7
6 7 607 6 1 7 6 0 7 607
607 6a 7 6a 7 6a 7 6a 7
6 7 6 17 6 i 17 6 i+1 7 6 n7
6 b 7 x1 6 7 xi 1 6 7 xi+1 6 7 xn 6 7 .
6 7 a
6 i7 a
6 i 7 a
6 i 7 6 ai 7
607 607 6 0 7 6 1 7 607
6.7 6 7 6 7 6 7 6 7
4 .. 5 6 .. 7 6 .. 7 6 .. 7 6 .. 7
4 . 5 4 . 5 4 . 5 4 . 5
0 0 0 0 1
Para hallar una solución particular de a1 x1 + +an xn = b le damos valores
reales a los parámetros y reemplazamos dichos valores en la expresión (1.3).
4 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Ejemplo 1.2. Encuentre una expresión para la solución general y una solu-
ción particular de la ecuación lineal

2x1 + 3x2 + 5x3 + 7x4 = 1. (1.4)

Solución. Tomando como parámetros a x1 ; x2 y x3 , y despejemos a x4 de


(1.4) tenemos que la solución general de la ecuación 2x1 +3x2 +5x3 +7x4 = 1
es: 2 3
(1 3x2 5x3 5x4 )=2
6 x2 7
6 7 (1.5)
4 x3 5
x4
con x2 ; x3 ; x4 en R. Tomando x2 = 1, x3 = 2, x4 = 1 y reemplazando esos
valores en (1.5) tenemos que 2 7 3
2
6 1 7
6 7
4 2 5
1
es una solución particular de (1.4).

Ejemplo 1.3. Encuentre tres expresiones distintas para la solución general


de la ecuación lineal
4x1 x2 + 7x3 = 2. (1.6)
Solución.2 Si x1 y x2 son 3parámetros tenemos que x3 = 17 (2 4x1 + x2 ),
x1
de donde 4 x2 5 es una expresión para la solución general de la
1
7
(2 4x1 + x2 )
ecuación lineal 4x1 x2 + 7x3 = 2. Ahora, si x1 y x32son parámetros3tenemos
x1
que x2 = 4x1 + 7x3 2, de donde se tiene que 4x1 + 7x3 25 es otra
4
x3
expresión para la solución general de la ecuación lineal 4x1 x2 + 7x3 = 2.
Finalmente, si x2 y x32son parámetros 3 tenemos que x1 = 14 (2 + x2 7x3 ),
1
4
(2 + x2 7x3 )
de donde se tiene que 4 x2 5 es también otra expresión para la
x3
solución general de la ecuación lineal 4x1 x2 + 7x3 = 2.
1.2. SISTEMAS DE ECUACIONES LINEALES 5

Hacemos notar que distintas expresiones para la solución general de una


ecuación lineal determinan las mismas soluciones particulares. Por ejemplo,
si en el Ejemplo 1.3 tomamos x1 = 1 y x2 = 9, al reemplazar estos valores en
la primera expresión para la solución general obtenemos la solución particular
2 3
1
4 9 5.
1

Esta misma solución particular se obtiene al dar los valores x1 = 1 y x3 = 1


en la segunda solución general y también al dar los valores x2 = 9 y x3 = 1
en la tercera.

Ejemplo 1.4. Hallemos todas las soluciones de la ecuación lineal

3x1 2x2 + 4x3 x4 = 0

tales que x3 = 4.
Solución. 3x1 2x2 + 4x3 x4 = 0 y x3 = 4 implica 3x1 2x2 + 16 x4 = 0,
lo cual equivale a que 3x1 2x2 x4 = 16. Si suponemos que x1 y x2 son
conocidas, entonces x4 = 3x1 2x2 + 16. Luego la solución general de la
ecuación lineal 3x1 2x2 + 4x3 x4 = 0, sujeta a la condición x3 = 4 es:
2 3
x1
6 x2 7
6 7
4 4 5
3x1 2x2 + 16

con x1 ; x2 2 R.

1.2. Sistemas de ecuaciones lineales


De…nición 1.2. Un sistema de ecuaciones lineales con m ecuaciones y
n incógnitas, es una expresión de la forma
8
>
> a11 x1 + a12 x2 + + a1n xn = b1
>
< a21 x1 + a22 x2 + + a2n xn = b2
.. (1.7)
>
> .
>
: a x +a x +
m1 1 m2 2 + amn xn = bm ,
6 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

donde aij ; bi 2 R para i = 1; :::; m y j = 1; :::; n. Los aij se denominan


coe…cientes y los b2j términos
3 independientes. Una solución de (1.7)
c1
6 .. 7
es un elemento c = 4 . 5 2 Rn tal que
cn
8
>
> a11 c1 + a12 c2 + + a1n cn = b1
>
< a21 c1 + a22 c2 + + a2n cn = b2
..
>
> .
>
: a c +a c +
m1 1 m2 2 + amn cn = bm .

Es decir, c es solución de cada ecuación del sistema. El sistema (1.7) es


homogéneo si b1 = = bm = 0.

De…nición 1.3. Un sistema de ecuaciones lineales es consistente si tiene


al menos una solución.

Ejemplo 1.5. Una solución del sistema de ecuaciones lineales


8
< 2x1 + 3x2 2x3 = 1
3x1 + 2x2 + 2x3 = 9
:
4x1 + 4x2 3x3 = 2
2 3
1
4
es 15, ya que
2 8
< 2(1) + 3(1) 2(2) = 1
3(1) + 2(1) + 2(2) = 9 .
:
4(1) + 4(1) 3(2) = 2
De…nición 1.4. Un sistema de ecuaciones lineales es escalonado si las
ecuaciones con todos los coe…cientes iguales a cero estan debajo de las ecua-
ciones que tienen al menos un coe…ciente no nulo. Además, si las ecuaciones
1; :::; r son las ecuaciones no nulas del sistema y si el primer coe…ciente
no nulo de la ecuación i acompaña a la variable ki , i = 1; :::; r, entonces
k1 < k 2 < < kr .

Los sistemas escalonados son fáciles de resolver, y para resolverlos podemos


seguir los pasos descritos en el siguiente algoritmo.
1.2. SISTEMAS DE ECUACIONES LINEALES 7

Algoritmo para resolver un sistem de ecuaciones lineales reducido.

Si alguna ecuación del sistema es un absurdo, entonces el sistema no tiene


solución.
Si ninguna ecuación del sistema es un absurdo, hacemos lo siguiente: sean las
ecuaciones 1; :::; r las ecuaciones no nulas del sistema. Si r = 1 la solución del
sistema es igual a la solución de la ecuación 1: Si r > 1 resueva la ecuación
r, luego resuelva la ecuación r 1 sujeta a la solución de la ecuación r,
luego resuelva la ecuación r 2 sujeta a la solución de la ecuación r 1,
y así sucesivamente hasta hallar la solución de la ecuación 1 sujeta a la
solución de la ecuación 2. Si alguna variable del sistema tiene siempre a
0 como coe…ciente, entonces esa variable es un parámetro en la solución
de la ecuación 1. La solución del sistema será la solución de la ecuación 1
(obviamente sujeta a la solución de la ecuación 2 y por transitividad sujeta
a la solución de las otras ecuaciones del sistema).

El algoritmo descrito anteriormente se conoce como sustitución regresiva.


En esta sección daremos ideas su…cientes para resolver cualquier sistema de
ecuaciones lineales.

De…nición. Un sistema de ecuaciones lineales de la forma


8
>
> a11 x1 + a12 x2 + + a1n xn = b1
>
< a22 x2 + + a2n xn = b2
.. (1.8)
>
> .
>
: ann xn = bn ,

donde aii 6= 0 para toda i, es un sistema triangular superior.

El sistema (1.8) se resuelva mediante el siguiente algoritmo.

Algoritmo para resolver el sistema triangular superior (1.8)

Entrar n; a11 ; :::; a1n ; b1 ; a22 ; :::; a2n ; b2 ; :::; ann ; bn :


8 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Para i = n; n 1; :::; 1 hacer


!
X
n
xi = bi aij xj aii
j=i+1

Fin
Salida xn ; :::; x2 ; x1 .
Fin.

El algoritmo anterior nos enseña un método para resolver cualquier sistema


de ecuaciones lineales triangular superior (este tipo de sistemas tiene solución
única). Este método es conocido como sustitución regresiva.

Ejemplo. Resolver el siguiente sistema de ecuaciones lineales triangular su-


perior: 8
< 2x1 + 3x2 x3 = 4
4x2 + 5x3 = 2
:
2x3 = 4
Solución.
4
2x3 = 4 implica x3 = = 2.
2
2 5x3 2 5(2)
4x2 + 5x3 = 2 y x3 = 2 implica x2 = = = 2.
4 4
2x1 + 3x2 x3 = 4; x3 = 2 y x2 = 2 implican

4 3x2 + x3 4 3( 2) + (2)
x1 = = = 6.
2 2
Luego, la solución del sistema es
2 3
6
4 2 5.
2

De…nición 1.5. Dos sistemas de ecuaciones lineales que tienen el mismo


número de incógnitas son equivalentes, si tienen exactamente las mismas
soluciones.
1.2. SISTEMAS DE ECUACIONES LINEALES 9

Las propiedades de las igualdades permiten realizar algunas operaciones a


las ecuaciones de un sistema para obtener sistemas equivalentes.

De…nición. Las operaciones elementales sobre las ecuaciones de un sis-


tema de ecuaciones lineales son de los siguientes tres tipos: (Ei representa la
i ésima ecuación del sistema.)

Tipo 1. Intercambio de dos ecuaciones del sistema: Ei ! Ej .

Tipo 2. Multiplicar una ecuación por un escalar c no cero: Ei ! cEi .

Tipo 3. Adicionar a una ecuación un múltipliplo de otra: Ei ! cEj + Ei .

Ejemplos.
8 8
< 2x1 + 3x2 2x3 = 1 < 2x1 + 3x2 2x3 = 1
3x1 + 2x2 + 2x3 = 1 E2 ! E3 4x1 + 4x2 3x3 = 2 ,
: :
4x1 + 4x2 3x3 = 2 3x1 + 2x2 + 2x3 = 1
8 8
< 2x1 + 3x2 2x3 = 1 < 6x1 + 9x2 6x3 = 3
3x1 + 2x2 + 2x3 = 1 E1 ! 3E1 3x1 + 2x2 + 2x3 = 1 ,
: :
4x1 + 4x2 3x3 = 2 4x1 + 4x2 3x3 = 2
8 8
< 2x1 + 3x2 2x3 = 1 < 2x1 + 3x2 2x3 = 1
3x1 + 2x2 + 2x3 = 1 E3 ! 2E1 + E3 3x1 + 2x2 + 2x3 = 1 .
: :
4x1 + 4x2 3x3 = 2 2x2 + x3 = 0

Teorema 1.1. Si un sistema de ecuaciones lineales se obtiene a partir de


otro por medio de un número …nito de operaciones elementales, entonces los
dos sistemas son equivalentes.

Demostración. Ejercicio.

En lugar de resolver un sistema de ecuaciones lineales, podemos resolver


cualquier sistema equivalente; ninguna solución se pierde y ninguna solución
nueva aparece. Esta idea tan simple (dada por Gauss) es la que permite
resolver de manera sencilla sistemas de ecuaciones lineales. Dado un sistema
10 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

de ecuaciones lineales cuya solución se busca, lo transformamos realizando


operaciones elementales en un sistema equivalente que podamos resolver con
mayor facilidad.

Ejemplo. Resolvamos el sistema


8
< 2x1 + x2 + x3 = 1
x1 + 3x2 3x3 = 2 .
:
x1 + 2x2 + 4x3 = 3
En efecto,
8
< 2x1 + x2 + x3 = 1
x1 + 3x2 3x3 = 2
:
x1 + 2x2 + 4x3 = 3
8
< x1 + 3x2 3x3 = 2
E1 ! E2 2x1 + x2 + x3 = 1
:
x1 + 2x2 + 4x3 = 3
8
< x1 + 3x2 3x3 = 2
E2 ! 2E1 + E2
5x2 + 7x3 = 3
E3 ! E1 + E3 :
x2 + 7x3 = 1
8
< x1 + 3x2 3x3 = 2
E2 ! E3 x2 + 7x3 = 1
:
5x2 + 7x3 = 3
8
< x1 + 3x2 3x3 = 2
E3 ! 5E2 + E3 x2 + 7x3 = 1 .
:
28x3 = 8
2 2
Entonces x3 = , x2 = 7x3 1 = 7( ) 1=1 y
7 7
2 1
x1 = 3x2 + 3x3 + 2 = 3(1) + 3( ) + 2 = .
7 7
Así, la solución del sistema es
2 3
1=7
4 1 5.
2=7
1.2. SISTEMAS DE ECUACIONES LINEALES 11

Ejemplo. Resolvamos el sistema


8
>
> x1 + 2x2 + 0x3 = 0
>
>
< 2x 1 + 0x2 + 4x3 = 0
2x1 + 2x2 + 6x3 = 0 .
>
>
>
> 3x1 + x2 + 7x3 = 0
:
x1 x2 + x3 = 0
En efecto,
8
>
> x1 + 2x2 + 0x3 = 0
>
>
< 2x1 + 0x2 + 4x3 = 0
2x1 + 2x2 + 6x3 = 0
>
>
>
> 3x1 + x2 + 7x3 = 0
:
x1 x2 + x3 = 0
8
>
> x1 + 2x2 + 0x3 = 0
E2 ! 2E1 + E2 >
>
< 4x2 + 4x3 = 0
E3 ! 2E1 + E3
6x2 + 6x3 = 0
E4 ! 3E1 + E4 >
>
>
> 7x2 + 7x3 = 0
E5 ! E1 + E5 :
x2 + x3 = 0
8
>
> x1 + 2x2 + 0x3 = 0
>
>
< x2 + x3 = 0
E2 ! 41 E2 6x2 + 6x3 = 0
>
>
>
> 7x2 + 7x3 = 0
:
x2 + x3 = 0
8
>
> x1 + 2x2 + 0x3 = 0
>
>
E3 ! 6E2 + E3 < x2 + x3 = 0
E4 ! 7E2 + E4 0 = 0 .
>
>
E5 ! E2 + E5 >
> 0 = 0
:
0 = 0
Luego, x3 = x3 , x2 = x3 y x1 = 2x2 = 2x3 . Así, la solución del sistema es
82 3 9 8 2 3 9
< 2x3 = < 2 =
4 5
x3 : x3 2 R = x3 4 5
1 : x3 2 R .
: ; : ;
x3 1
12 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

Ejemplo. Resuelva el siguiente sistema y dé una solución particular.


8
< x1 + x2 + x3 + x4 + x5 + x6 = 1
x1 x2 + x3 3x4 + 0x5 4x6 = 1 :
:
x1 + x2 + 3x3 x4 + 3x5 3x6 = 5

Solución.
8
< x1 + x2 + x3 + x4 + x5 + x6 = 1
x1 x2 + x3 3x4 + 0x5 4x6 = 1
:
x1 + x2 + 3x3 x4 + 3x5 3x6 = 5

E2 ! E1 + E2
E3 ! E1 + E3
8
< x1 + x2 + x3 + x4 + x5 + x6 = 1
2x3 2x4 + x5 3x6 = 2
:
2x3 2x4 + 2x5 4x6 = 4

E3 ! E2 + E3
8
< x1 + x2 + x3 + x4 + x5 + x6 = 1
2x3 2x4 + x5 3x6 = 2 .
:
x5 x6 = 2

De donde, x6 = x6 , x5 = x6 + 2, x4 = x4 ,

2x4 x5 + 3x6 + 2 2x4 (x6 + 2) + 3x6 + 2


x3 = = = x4 + x6 ,
2 2
x2 = x2 y

x1 = x2 x3 x4 x5 x6 + 1
= x2 (x4 + x6 ) x4 (x6 + 2) x6 + 1
= x2 2x4 3x6 1.

Luego, la solución del sistema es


1.2. SISTEMAS DE ECUACIONES LINEALES 13

82 3 9
>
> x2 2x4 3x6 1 >
>
>
>6 7 >
>
>
> x2 >
<6
6
7
7
>
=
6 x4 + x6 7 : x 2 ; x4 ; x6 2 R
>6 x4 7 >
>
>6 7 >
>
>
>4 x6 + 2 5 >
>
>
: >
;
x6
8 2 3 2 3 2 3 2 3 9
>
> 1 2 3 1 >
>
>
> 6 7 6 7 6 7 6 7 >
>
>
> 1 0 0 0 >
< 6 6
7
7
6
6
7
7
6
6
7 6
7 6
7
7
>
=
0 1 1 0
= x2 6
6
7 + x4 6
7 6
7 + x6 6
7 6
7+6
7 6
7 : x 2 ; x 4 ; x6 2 R .
7
>
> 6 0 7 6 1 7 6 0 7 6 0 7 >
>
>
> 4 5 4 5 4 5 4 5 >
>
>
> 0 0 1 2 >
>
: ;
0 0 1 0

Para hallar una solución particular del sistema tenemos que dar valores es-
pecí…cos a x2 , x4 y x6 . Por ejemplo, si x2 = 1, x4 = 1 y x6 = 2, tenemos
entonces que

2 3 2 3 2 3 2 3 2 3
1 2 3 1 6
6 1 7 6 0 7 6 0 7 6 0 7 6 1 7
6 7 6 7 6 7 6 7 6 7
6 0 7 6 1 7 6 1 7 6 0 7 6 1 7
6 7 6 7 + 26 7+6 7=6 7
6 0 7 6 1 7 6 0 7 6 0 7 6 1 7
6 7 6 7 6 7 6 7 6 7
4 0 5 4 0 5 4 1 5 4 2 5 4 4 5
0 0 1 0 2

es una de las in…nitas soluciones del sistema.

Ejemplo. Resolvamos el sistema

8
< x1 x2 5x3 = 0
2x1 + 2x2 2x3 = 1 .
:
3x1 + 4x2 x3 = 1
14 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

En efecto,
8
< x1 x2 5x3 = 0
2x1 + 2x2 2x3 = 1
:
3x1 + 4x2 x3 = 1
8
< x1 x2 5x3 = 0
E2 ! 2E1 + E2
4x2 + 8x3 = 1
E3 ! 3E1 + E3 :
7x2 + 14x3 = 1
8
< x1 x2 5x3 = 0
E3 ! ( 7=4)E2 + E3 4x2 + 8x3 = 1 .
:
0 = 3=4

La tercera igualdad anterior es contradictoria, esto implica que el sistema


que deseamos resolver no tiene solución.

Ejemplo 1.6. Un inversionista le comunica a su corredor de bolsa que todas


sus acciones son de tres compañías, A, B y C, y que hace dos días su valor
bajó $350 pero que ayer aumentó $600. El corredor recuerda que hace dos
días el precio de las acciones de la compañia A bajo $1 por acción y el precio
por unidad de las acciones de la compañia B bajaron $0;5, pero que el precio
de las acciones de la compañia C subió $0;5 cada una. También recuerda que
ayer el precio de las acciones de A subió $1;5 por acción, el de las de B bajó
otros $0;5 por acción y las de C subieron $1. Si el inversionista posee 200
acciones de la compañía C, encuentre el número de acciones que posee en
las conpañías A y B.
Solución. Supongamos que hace tres días el inversionista tenía $Z in-
vertidos en las tres compañias, y que en ese momento cada acción de las
compañias A; B y C tenían respectivamente valores de $ , $ y $ . Supong-
amos además que x1 es el número de acciones de la compañía A que posee el
inversionista y que x2 es la cantidad de acciones que tiene en la compañía B.
Entonces la información suministrada nos conduce al sistema de ecuaciones
8
< x1 + x2 + 200 = Z
1 1
( 1)x1 + ( 2
)x2 + ( + 2 )200 = Z 350 ;
:
( 1 + 23 )x1 + ( 1
2
1
2
)x 2 + ( + 1
2
+ 1)200 = Z 350 + 600
1.3. EJERCICIOS 15

de donde, al sustituir Z por x1 + x2 + 200 en las dos últimas ecuaciones


y simpli…car, obtenemos
1
x1 x + 12 200
2 2
= 350
3 1 .
x
2 1
x + 200
2 2
= 600

Este sistema fácil de resolver tiene como solución x1 = 340 y x2 = 220.

1.3. Ejercicios
1. Demuestre que cualquier expresión de una solución general de la ecuación
lineal
a1 x1 + a2 x2 + + an x n = b
determina al conjunto de todas las soluciones de dicha ecuación.

2. Halle las tres expresiones distintas para solución general de la ecuación


lineal
x1 + 2x2 + 3x3 = 4. (1.9)
Además, de valores apropiados a los parámetros en cada una de esas expre-
siones para obtener la solución particular
2 3
3
4 2 5.
1

3. Resolver los siguientes sistemas de ecuaciones lineales:


8
>
> 3x1 + 2x2 2x3 + 5x4 = 1
<
2x1 4x2 3x3 = 0
.
>
> 2x1 + 6x2 = 3
:
4x1 = 8
8
>
> x1 4x2 + 5x3 7x4 = 7
<
x2 + 2x3 + 3x4 = 2
.
>
> 3x3 3x4 = 4
:
5x4 = 2
16 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES
8
>
> 2x3 x4 = 2
<
x1 x2 + 2x3 + 2x4 = 0
.
>
> 3x4 = 6
:
2x2 x3 + 5x4 = 2

4. Resolver los siguientes sistemas de ecuaciones lineales:


8
< 2x1 + x2 + x3 = 1
x1 + 3x2 + x3 = 1 ,
:
2x1 + x2 + 5x3 = 3
8
>
> 3x1 + 2x2 + x3 + 4x4 = 1
<
x1 + x2 + 3x3 2x4 = 1
.
>
> 2x1 + 3x2 + x3 + 0x4 = 2
:
0x1 + 3x2 + 0x3 + 2x4 = 2

5. Resolver los sistemas de ecuaciones lineales:


8
>
> x1 x2 = 1
>
>
< 2x1 + 2x2 = 6
3x1 3x2 = 6
>
>
>
> 4x 1 3x2 = 5
:
5x1 + 0x2 = 10
y

8
< 5x1 + 2x2 + 2x3 + x4 + 2x5 + 3x6 = 0
x1 + 3x2 + x3 + 0x4 + x5 + x6 = 0 .
:
x1 + 2x2 + 4x3 + x4 + x5 + 4x6 = 0

6. Resolver los siguientes sistemas de ecuaciones lineales:


8
>
> 2x1 + x2 + 0x3 = 2
<
x1 + 2x2 x3 = 0
,
>
> 2x1 + 0x2 + 2x3 = 3
:
3x1 + 2x2 + x3 = 4
1.3. EJERCICIOS 17

8
< 3x1 + x2 + 7x3 + 3x4 + 2x5 = 1
x1 + 4x2 5x3 10x4 3x5 = 2 .
:
2x1 + 2x2 + 2x3 2x4 + 0x5 = 5

7. Considere el sistema
8
< 2x1 x2 + 3x3 = a
3x1 + x2 5x3 = b :
:
5x1 5x2 + 21x3 = c

Encuentre condiciones sobre a; b y c para que el sistema sea consistente.

8. Considere el sistema
8
< 2x1 + 3x2 x3 = a
x1 x2 + 3x3 = b .
:
3x1 + 7x2 5x3 = c

Encuentre condiciones sobre a; b y c para que el sistema sea inconsistente.

9. Considere el sistema
8
< 2x1 3x2 + 5x3 = 0
x1 + 7x2 x3 = 0 .
:
4x1 11x2 + kx3 = 0

¿ para qué valor de k, el sistema tendrá soluciones no triviales ?

10. Considere el sistema


8
< x1 + 2x2 + x3 = 1
x1 + x2 = 1 :
:
2x1 + x2 + x3 = 2

Encuentre: a) los valores de y de tal manera que el sistema tenga in…nitas


soluciones. b) los valores de y de tal manera que el sistema tenga solución
única. c) los valores de y de tal manera que el sistema no tenga solución.
18 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

11. Para qué valores de k el sistema


8
< x + y + kz = 1
x + ky + z = 1
:
kx + y + z = 2

a) no tiene solución.
b) tiene solución única.
c) tiene in…nitas soluciones.

12. Buscar los coe…cientes a; b y c tales que el grá…co de f (x) = ax2 + bx + c


pase por los puntos (1; 2), ( 1; 6) y (2; 1).

13. Resuelva el sistema


8
>
> 2x1 + 2x2 x3 3x4 6x5 x6 = 3
<
3x2 + 2x3 + 4x4 + x5 + 3x6 = 1
:
>
> x4 + 2x5 + 6x6 = 1
:
2x5 3x6 = 2

14. Construya un sistema de ecuaciones lineales de cuatro ecuaciones con


cuatro incognitas, tal que ninguno de sus coe…cientes sea cero y que tenga
como una de sus soluciones o como única solución a
2 3
1
6 2 7
6 7
4 1 5.
3

15. Las edades de Carlos, Pedro y Juan suman el doble de la edad de Carlos,
la diferencia entre las edades de Juan y Pedro es cinco veces menor que la
edad de Carlos, y Pedro tiene seis años menos que Juan. Descubra las edades
de Carlos, Pedro y Juan.

16. Un padre desea distribuir sus bienes raíces cuyo valor es $234.000, entre
sus cuatro hijas de la manera siguiente: 2/3 de las propiedades deben dividirse
por igual entre las hijas. Para el resto, cada hija debe recibir $3.000 cada año
hasta si vigésimo primer cumpleaño. Como entre ellas se llevan tres años,
1.3. EJERCICIOS 19

¿cuánto recibiría cada una de los bienes de su padre? ¿Qué edad tienen ahora
esas hijas?

17. Un departamento de pesca y caza del estado proporciona tres tipos de


comida a un lago que alberga a tres especies de peces. Cada pez de la especie
1 consume cada semana un promedio 1 unidad del alimento 1, 1 unidad del
alimento 2 y 2 unidades del alimento 3. Cada pez de la especie 2 consume
cada semana un promedio de 3 unidades del alimento 1, 4 del 2 y 5 del 3. Para
un pez de la especie 3, el promedio semanal de consumo es de 2 unidades
del alimento 1, 1 unidad del alimento 2 y 5 unidades del 3. Cada semana
se proporcionan al lago 25.000 unidades del alimento1, 20.000 unidades del
alimento 2 y 55.000 del 3. Si suponemos que los peces se comen todo el
alimento ¿cuántos peces de cada especie pueden coexistir en el lago?

18. Un viajero que acaba de regresar de Europa gastó $30 diarios en Inglater-
ra, $20 diarios en Francia y $20 diarios en España por concepto de hospedaje.
En comida gastó $20 diarios en Inglaterra, $30 diarios en Francia y $20 di-
arios en España. Sus gastos adicionales fueron de $10 diarios en cada país.
Los registros del viajero indican que gastó un total de $340 en hospedaje,
$320 en comida y $140 en gastos adicionales durante su viaje por estos tres
países. calcule el número de días que pasó el viajero en cada país o muestre
que los registros son incorrectos debido a que las cantidades gastadas no son
compatibles una con la otra.

19. Una embotelladora de refrescos desea cotizar la publicidad de sus pro-


ductos en televisión, radio y revista, se tienen tres propuestas del plan de
medios de acuerdo al presupuesto asignado acerca de la cantidad de anun-
cios por medio en el transcurso de un mes. En el primer presupuesto cada
anuncio en televisión tiene un costo de $250.000, en radio $5.000 y en revista
$30.000. En el segundo presupuesto $310.000, $4.000 y $15.000 y en el último
presupuesto $560.000, $10.000 y $35.000. Los totales por presupuesto son los
siguientes: $210 795.000, $310 767.000 y $610 225.000. Determine la cantidad de
anuncios cotizados por cada medio.

20. Encuentre todas las combinaciones posibles de 20 monedas de 5, 10 y 25


20 CAPÍTULO 1. SISTEMAS DE ECUACIONES LINEALES

centavos que sumen exactamente 3 pesos.


2 3 2 3 2 3 2 3 2 3
# de monedas de 5 centavos 1 5 7 10
Respuesta : 4 # de monedas de 10 centavos 5 ; 4 12 5 ; 4 8 5 ; 4 4 5 ; 4 0 5 :
# de monedas de 25 centavos 7 8 9 10
Capítulo 2

Matrices

El objetivo de este capítulo es el de estudiar las propiedades básicas de las


principales operaciones algebraicas realizadas con matrices.

2.1. Terminología básica


Las matrices son una herramienta fundamental para la sistematización de
algunos cálculos laboriosos y almacenamiento de datos. Además, facilitan la
modelación de fenómenos complicados existentes en matemáticas y en otras
áreas del conocimiento.

De…nición. Una Matriz m n con componentes en R, es un arreglo rec-


tangular ordenado de la forma
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A = 6 .. .. .. 7 , (2.1)
4 . . . 5
am1 am2 amn
donde aij 2 R para i = 1; :::; m y j = 1; :::; n. La …la i de A es
Ai = [ai1 ain ]
y la columna j de A es 2 3
a1j
6 7
A j = 4 ... 5 .
amj

21
22 CAPÍTULO 2. MATRICES

La componente ij de A es el elemento que se encuentra en la intersección


de la …la i con la columna j de A. La componente ij de A se denotará por
aij o por Aij . El tamaño de A es m n y el conjunto de todas las matrices
m n con componentes en R se denotará por Rm n . La expresión (2.1) se
puede compactar como A = [aij ] 2 Rm n . Si A 2 Rn n , se dice que A es
una matriz cuadrada de orden n.

De…nición. Dos matrices m n A y B son iguales si Aij = Bij para todo


i = 1; :::; m y todo j = 1; :::; n.

Ejemplo. la forma general de una matriz A 2 4 es

a11 a12 a13 a14


.
a21 a22 a23 a24

Ejemplo. Si 2 3
1 1 2
6 0 5 6 7
A=6
4
7;
3 4 2 5
5 5 8
entonces el tamaño de A es 4 3, la componente 2 3 de A es A2 3 = 6, la
…la 3 de A es A3 = 3 4 2 y la columna 2 de A es
2 3
1
6 5 7
A =6
4
7.
2
4 5
5

De…nición. Dos matrices A; B 2 Rm n


son iguales si Aij = Bij para toda
i = 1; :::; m y j = 1; :::; n.

2.2. Suma de matrices


De…nición. Una matriz con todas sus componentes iguales a cero se conoce
como matriz nula y se representa por 0. Si A = [aij ] 2 Rm n , entonces la
matriz opuesta de A es A = [ aij ] 2 Rm n .
2.3. PRODUCTO POR ESCALAR 23

De…nición. Si A; B 2 Rm n
, de…nimos la suma de A y B como la matriz
A + B 2 Rm n tal que

(A + B)ij = Aij + Bij

para toda i = 1; :::; m y j = 1; :::; n.

Ejemplo. 2 3 2 3 2 3
1 4 1 3 2 1
4 0 4 5+4 5 4 5=4 5 8 5.
2 3 1 6 3 9

Teorema 2.1. Sean A; B; C 2 Rm n


. Entonces

1. (A + B) + C = A + (B + C).

2. A + B = B + A.

3. La matriz nula 0 2 Rm n
es la una única matriz tal que A + 0 = A para
toda A 2 Rm n .

4. Para cada matriz A 2 Rm n


, la matriz opuesta de A es la única matriz
tal que A + ( A) = 0.

Demostración. Ejercicio.

2.3. Producto por escalar


De…nición. Si A 2 Rm n y c 2 R, de…nimos el producto de c por A como
la matriz cA 2 Rm n tal que

(cA)ij = cAij

para toda i = 1; :::; m y j = 1; :::; n. Este producto se conoce como producto


por escalar.
24 CAPÍTULO 2. MATRICES

Ejemplo. 2 3 2 3
0 3 2 0 9 6
3 4 1=2 5 6 5 = 4 3=2 15 18 5 .
6 3 8 18 9 24

Teorema 2.2. Sean A; B 2 Rm n


y a; b 2 R. Entonces

1. (ab)A = a(bA).

2. a(A + B) = aA + aB.

3. (a + b)A = aA + bA.

4. 1A = A.

5. ( 1)A = A.

6. 0A = 0.

7. a0 = 0.

Demostración. Ejercicio.

Ejemplo. Si
2 3 2 3 2 3
1 2 0 0 1 1
A=4 1 0 5 , B = 4 1 1 5 , C = 4 1 1 5 2 R3 2 ,
3 1 2 2 1 1
entonces
2 3 2 3 2 3
3 6 0 0 1 1
3A + 2B C=4 3 0 5+4 2 2 5+4 1 1 5
9 3 4 4 1 1
2 3
2 5
=4 2 1 5.
6 6
2.4. PRODUCTO DE MATRICES 25

2.4. Producto de matrices


2.4.1. Producto de matrices
De…nición. Sean A = [aij ] 2 Rm n
y B = [bij ] 2 Rn p . Se de…ne el producto
de Ai y B j como
2 3
b1j
6 7
Ai B j = [ai1 ain ] 4 ... 5 = ai1 b1j + + ain bnj .
bnj

Ejemplo. Si
2 3
2 3 4 1
1 2 3
A= yB=4 5 1 0 3 5,
4 5 6
7 5 2 2
entonces
2 3
1
A2 B 4 = 4 5 6 4 3 5 = (4)(1) + (5)(3) + (6)( 2) = 7.
2

De…nición. Sean A 2 Rm n y B 2 Rn p . Se de…ne el producto de A y B


como la matriz AB 2 Rm p tal que

(AB)ij = Ai B j = Ai1 B1j + + Ain Bnj ,

para todo i = 1; :::; m y j = 1; :::; p.

Ejemplo.
2 3
2 3 1 2 2 3
4 2 0 1 6 4 11
3 0 7
4 2 3 1 1 56
4
7 = 4 10 0 5.
5 1 5
2 5 3 6 16 17
2 3

Nótese que para que el producto AB tenga sentido se requiere que el número
de columnas de A sea igual al número de …las de B. En el evento en que esta
condición no se de, el producto de A por B no se puede realizar.
26 CAPÍTULO 2. MATRICES

Respecto a la conmutatividad del producto de matrices podemos decir un


par de cosas: primero, si m 6= n, A 2 Rm n y B 2 Rn m , entonces AB y BA
están de…nidas pero tienen tamaños diferentes y por tanto nunca podrán ser
iguales. Segundo, si AB y BA están de…nidos y son del mismo tamaño, esto
no es su…ciente para concluir que AB = BA. Ejemplo,
2 32 3 2 3
1 2 1 2 3 1 7 4 8
4 1 1 3 54 2 0 3 5 = 4 3 0 5 5
2 0 1 1 1 1 5 7 3

y 2 32 3 2 3
2 3 1 1 2 1 1 7 12
4 2 0 3 54 1 1 3 5 = 4 8 4 5 5.
1 1 1 2 0 1 2 3 5

Si A 2 Rm n
y B 2 Rn p
tenemos:

Ai B = Ai1 B1 + + Ain Bn ,

AB j = B1j A 1 + + Bnj A n ,

AB = A [B B p ] = [AB 1
1 AB p ] ,
2 3 2 3
A1 A 1B
6 .. 7 6 .. 7
AB = 4 . 5 B = 4 . 5
Am A mB
y
AB = A 1 B1 + + A n Bn .
La demostración y ejempli…cación de estas propiedades se dejan como ejer-
cicio.

Teorema 2.3. Sean A 2 Rm n


y B, C 2 Rn p . Entonces

A(B + C) = AB + AC.
2.4. PRODUCTO DE MATRICES 27

Demostración. Para todo i = 1; :::; m y j = 1; :::; p tenemos:


P
n
(A(B + C))ij = Ai (B + C) j = Ai (B j + C j ) = Aik (Bkj + Ckj )
k=1

P
n P
n P
n
= (Aik Bkj + Aik Ckj ) = Aik Bkj + Aik Ckj
k=1 k=1 k=1

= Ai B j + Ai B j = (AB)ij + (AC)ij = (AB + AC)ij .

Teorema 2.4. Sean A, B 2 Rm n


y C 2 Rn p . Entonces

(A + B)C = AC + BC.

Demostración. Ejercicio.

Teorema 2.5. Sean A 2 Rm n


, B 2 Rn p
y C 2 Rp q . Entonces

A(BC) = (AB)C.

Demostración. Para todo i = 1; :::; m y j = 1; :::; q tenemos:

(A(BC))ij = Ai (BC) j = Ai (BC j ) = Ai (C1j B 1 + + Cpj B p )

= C1j Ai B 1 + + Cpj Ai B p = [Ai B 1 Ai B p ] C j

= (Ai [B 1 B p ])C j = (Ai B)C j

= (AB)i C j = ((AB)C)ij .

De…nición 2.1. Sea A 2 Rn n . La diagonal principal de A, es la diagonal


de A formada por los elementos A11 ; A22 ; :::; Ann .

De…nición 2.2. Sea A 2 Rn n . A es una matriz diagonal si Aij = 0


siempre que i 6= j. La matriz identidad de Rn n , denotada por In , es la
matriz diagonal n n cuya diagonal principal está formada por unos.
28 CAPÍTULO 2. MATRICES

Teorema 2.6. Sea A 2 Rm n


. Entonces

AIn = A y Im A = A.

Demostración. Para todo i = 1; :::; m y j = 1; :::; n tenemos:

(AIn )ij = Ai (In ) j = (A)ij ,

así AIn = A. Además,

(Im A)ij = (Im )i A j = (A)ij ,

en consecuencia Im A = A.

Teorema 2.7. Sea A 2 Rm n


. Entonces

A(In ) j = A j y (Im )i A = Ai .

Demostración. Para k = 1; :::; m

(A(In ) j )k = Ak (In ) j = Akj ,

por tanto A(In ) j = A j . De otro lado, para k = 1; :::; n

((Im )i A)k = (Im )i A k = Aik ,

de donde (Im )i A = Ai .

El símbolo Jmn se utilizará para representar la matriz m n cuyas compo-


nentes son todas iguales a 1. No fácil probar que

Jmn Jnp = nJmp .

De…nición. Una matriz P 2 Rn n es una matriz de permutación si un


reordenamiento de sus …las la convierte en In (Nótese que reordenar …las de
In equivale a reordenar sus columnas).
2.4. PRODUCTO DE MATRICES 29

Si i1 ; :::; in es un reordenamiento de los números 1; :::; n y P = [ei1 ein ]


n n
es una matriz de permutación, entonces para toda A 2 R se tiene que

AP = A [ei1 ein ] = [Aei1 Aein ] = [A i1 A in ] .

Es decir, el resultado de multiplicar a derecha A por P nos dá como resultado


una matriz con las mismas columnas que A, pero reordenadas correspondi-
entemente como las columnas de In se reordenaron para formar a P.

Ejemplo. Sean
2 3 2 3
1 4 7 0 0 1
A=4 2 5 8 5 y P = 4 1 0 0 5.
3 6 9 0 1 0

Entonces
2 32 3 2 3
1 4 7 0 0 1 4 7 1
AP = 4 2 5 8 5 4 1 0 0 5 = 4 5 8 2 5 .
3 6 9 0 1 0 6 9 3

Para una matriz A 2 Rn n


se de…nen las potencias enteras no negativas de
A como:
A0 = In
y para k entero positivo

Ak = AA
| {z A} :
k veces

La ley asociativa garantiza que no hay diferencia en el resultado cuando


agrupamos de diferentes maneras por potencias en un producto de la forma
AA A. Por ejemplo,

A5 = AAAAA = AA4 = A4 A = A2 A3 = A3 A2 .

Así, las leyes usuales de los exponentes son ciertas. Es decir, para enteros no
negativos r y s

Ar As = Ar+s y (Ar )s = Ars .


30 CAPÍTULO 2. MATRICES

Teorema 2.8. El producto realizable, en cualquier orden, de una matriz por


una matriz nula es una matriz nula.

Demostración. Ejercicio.

A diferencia de la multiplicación en R, donde la multiplicación de dos es-


calares no nulos da como resultado un escalar no nulo, en el contexto del
producto de matrices puede ocurrir que el producto de dos matrices no nulas
sea una matriz nula. Por ejemplo,
2 32 3 2 3
3 1 2 3 6 9 0 0 0
4 6 2 4 54 1 2 3 5 = 4 0 0 0 5.
3 1 2 4 8 12 0 0 0

2.4.2. Operaciones elementales de …la y producto de


matrices
De…nición. Sean A 2 Rm n
y c 2 R. Las operaciones elementales de
…las son:

Tipo 1. Intercambio de dos …las: Fi ! Fj (i 6= j).

Tipo 2. Multiplicar una …la por un número no cero: Fi ! cFi (c 6= 0).

Tipo 3. Sumar a una …la un multiplo de otra: Fi ! Fi + cFj (i 6= j y


c 6= 0).

Ejemplo. Sea 2 3
1 2 3 4
A=4 1 0 3 2 5 2 R3 4 .
2 2 0 3
Entonces
2 3 2 3
1 2 3 4 2 2 0 3
4 1 0 3 2 5 F1 ! F3 4 1 0 3 2 5,
2 2 0 3 1 2 3 4
2.4. PRODUCTO DE MATRICES 31

2 3 2 3
1 2 3 4 1 2 3 4
4 1 0 3 2 5 F2 ! 3F2 4 3 0 9 6 5,
2 2 0 3 2 2 0 3

2 3 2 3
1 2 3 4 1 2 3 4
4 1 0 3 2 5 F3 ! F3 + ( 2)F2 4 1 0 3 2 5.
2 2 0 3 4 2 6 7

De…nición. Una matriz elemental en Rn n es cualquier matriz que resulta


de realizar una sola operación elemental de …la a In .

Ejemplo. La matriz 2 3
1 0 0
E = 4 0 1 0 5 2 R3 3

0 3 1
es elemental, ya que
I3 F3 ! F3 + 3F2 E:

Teorema 2.9. Sean A 2 Rm n


,c2R f0g y E1 , E2 , E3 tales que

Im Fi ! Fj E1 ,

Im Fi ! cFi E2 ,
Im Fi ! Fi + cFj E3 .
Entonces

1. A Fi ! Fj E1 A.

2. A Fi ! cFi E2 A.

3. A Fi ! Fi + cFj E3 A.

Demostración. Ejercicio.
32 CAPÍTULO 2. MATRICES

Ejemplo. Si 2 3
1 2 2
A = 4 3 1 2 5 2 R3 3 ,
2 3 1
entonces
2 3 2 3
7 4 6 1 2 0
A F1 ! F1 + 2F2 4 3 1 2 5 = 4 0 1 0 5 A.
2 3 1 0 0 1

Donde 2 3
1 2 0
I3 F1 ! F1 + 2F2 4 0 1 0 5.
0 0 1

2.5. Matrices triangulares y factorización LU


De…nición. Una matriz T = [tij ] 2 Rm n es triangular superior si tij = 0
siempre que i > j y es triangular inferior si tij = 0 siempre que i < j. T
es triangular si es triangular superior o bien triangular inferior.

Teorema 2.1. Sean A; B matrices n n. Si A y B son triangulares superi-


ores, entonces AB es también triangular superior. Similarmente, si A y B
son triangulares inferiores, entonces AB es también triangular inferior.

Teorema 2.2 (Factorización LU). Sea A una matriz n n que A se puede


reducir mediante operaciones elementales de …la del tipo Fi ! cFj + Fi
(c 6= 0) a una matriz triangular superior U. Entonces existe una matriz
triangular inferior L invertible con unos en su diagonal principal tal que
A = LU. Si, además, U es invertible, entonces esta factorización es única.

Demostración. Supongamos que las operaciones elementales

Para j = 1; :::; n 1
Para i = j + 1; :::; n
Fi ! cij Fi 1 + Fi
Fin
Fin
2.5. MATRICES TRIANGULARES Y FACTORIZACIÓN LU 33

(aplicadas de manera ordenada) reducen A a una matriz triangular superior


U, entonces haciendo
2 3
1 0 0 0
6 c21 1 0 0 7
6 7
6 c31 c 1 0 7
L=6 32 7
6 .. .. .. . . .. 7
4 . . . . . 5
cn1 cn2 cn3 1

encontramos que A = LU. Para la unicidad, supongamos que A = LU =


L0 U0 Con L; L0 triangulares inferiores con unos en su diagonal principal (y por
tanto invertibles) y U; U0 triangulares superiores con U invertible, entonces
U0 U 1 = (L0 ) 1 L son al mismo tiempo triangulares superiores e inferiores
con unos en la diagonal principal, es decir iguales a In . Luego, U = U0 y
L = L0 .

Ejemplo 2.1. Halle, si es posible, una factorización LU de la matriz


2 3
2 2 1 1
6 2 5 4 4 7
A=6 4 8 14 8 8 5 .
7

12 27 15 14

Solución.
2 3 2 3
2 2 1 1 2 2 1 1
6 2 5 4 4 7 F2 ! F1 + F2 6 0 3 3 3 7
6 7 6 7
4 8 14 8 8 5 F3 ! 4F1 + F3 4 0 6 4 4 5
F4 ! 6F1 + F4
12 27 15 14 0 15 9 8
2 3
2 2 1 1
F3 ! 2F2 + F3 6
6 0 3 3 3 77
F4 ! 5F2 + F4 4 0 0 2 2 5
0 0 6 7
2 3
2 2 1 1
6 0 3 3 3 7
F4 ! 3F3 + F4 6
4 0
7 = U,
0 2 2 5
0 0 0 1
34 CAPÍTULO 2. MATRICES

entonces 2 3
1 0 0 0
6 1 1 0 0 7
L=6
4 4
7.
2 1 0 5
6 5 3 1
Así,
2 3 2 32 3
2 2 1 1 1 0 0 0 2 2 1 1
6 2 5 4 4 7 6 1 1 0 7 6
0 76 0 3 3 3 7
A=6 7 6
4 8 14 8 8 5 = 4 4
7 = LU.
2 1 0 54 0 0 2 2 5
12 27 15 14 6 5 3 1 0 0 0 1
La factorización A = LU es muy útil en la solución computacional de sis-
temas de ecuaciones lineales. Si deseamos resolver el sistema de ecuaciones
lineales Ax = b y contamos con una factorización A = LU, entonces ten-
emos la alternativa de resolver los sistemas triangulares (fáciles de resolver)
Ly = b y luego Ux = y para obtener la solución del sistema inicial.
Ejemplo 2.2. Resolver el sistema de ecuaciones lineales
2x1 + 2x2 + x3 + x4 = 1 = 1
2x1 + 5x2 + 4x3 + 4x4 = 2 = 2
:
8x1 + 14x2 + 8x3 + 8x4 = 1 = 1
12x1 + 27x2 + 15x3 + 14x4 = 0 = 0
Solución. La matriz del sistema es
2 3 2 32 3
2 2 1 1 1 0 0 0 2 2 1 1
6 2 5 4 4 7 6 1 1 0 0 7 6 0 3 3 3 7
A=6 4 8
7=6 76 7 = LU.
14 8 8 5 4 4 2 1 0 54 0 0 2 2 5
12 27 15 14 6 5 3 1 0 0 0 1
Resolvamos primero el sistema
2 32 3 2 3
1 0 0 0 y1 1
6 1 1 0 7 6
0 7 6 y2 7 6 2 7
Ly = 6
4 4 2 1
7=6 7 = b.
0 5 4 y3 5 4 1 5
6 5 3 1 y4 0
Es decir, el sistema
y1 = 1 = 1
y1 + y2 = 2 = 2
:
4y1 + 2y2 + y3 = 1 = 1
6y1 + 5y2 + 3y3 + y4 = 0 = 0
2.6. TRASPUESTA Y TRAZA DE UNA MATRIZ 35

La solución de este sistema (haciendo sustitución progresiva) es

y1 = 1; y2 = 1; y3 = 7; y4 = 10.

Seguidamente consideramos el sistema


2 32 3 2 3
2 2 1 1 x1 1
6 0 3 3 3 7 6 x2 7 6 1 7
Ux = 64 0 0
76 7=6 7 = y;
2 2 54 x3 5 4 7 5
0 0 0 1 x4 10

es decir
2x1 + 2x2 + x3 + x4 = 1
3x2 + 3x3 + 3x4 = 1
;
2x3 2x4 = 7
x4 = 10
el cual tiene como solución
23 19 27
x1 = ; x2 = ; x3 = ; x 4 = 10;
12 6 2
la cual es también la solución del sitema Ax = b.

2.6. Traspuesta y traza de una matriz


2.6.1. Traspuesta de una matriz
De…nición. Si A 2 Rm n
, se de…ne la traspuesta de A como la matriz
AT 2 Rn m , tal que
(AT )ij = Aji
para i = 1; :::; n y j = 1; :::; m.

Ejemplo. Si
2 3
1 2
1 3 7
A = 4 3 5 5 2 R3 2 , entonces AT = 2 R2 3 .
2 5 9
7 9

Teorema 2.10. Sean A; B 2 Rm n


y c 2 R. Entonces
36 CAPÍTULO 2. MATRICES

1. (AT )T = A.

2. (A + B)T = AT + BT .

3. (cA)T = cAT .

4. Si C 2 Rn p , entonces (AB)T = BT AT .

Demostración. Ejercicio.

De…niciones. Una matriz A 2 Rn n


es simétrica si AT = A y A es
antisimétrica si A = AT .

2.6.2. Traza de una matriz


De…nición. Sea A 2 Rm n . La diagonal principal de A es la diagonal de
A constituida por todos los elementos Aii .

De…nición. Sea A 2 Rn n
. La traza de A se de…ne como

tr(A) = A11 + + Ann .

Teorema 2.11. Sean A; B; P 2 Rn n


y c 2 R. Entonces

1. tr(A + B) = tr(A) + tr(B).

2. tr(cA) = c tr(A).

3. tr(AB) = tr(BA).

4. tr(A) = tr(AT ).

5. tr(AT A) = a211 + + a21n + + a2n1 + + a2nn :


2.7. DETERMINANTE DE UNA MATRIZ 37

Demostración. Ejercicio.

2.7. Determinante de una matriz


En esta sección presentaremos las principales propiedades del determinante
de una matriz y aplicaremos esas propiedades en su cálculo.

En esta sección el símbolo Jn representará siempre al conjunto f1, ..., ng.

2.7.1. Permutaciones

De…nición. Una permutación de Jn es una biyección de Jn en Jn .

Una permutación de Jn se acostumbra a representar por

1 2 n
=
(1) (2) (n)

o por la notación más compacta

= (1) (2) (n) .

El conjunto de todas las permutaciones de Jn se denotará por Sn . No es difícil


probar que Sn tiene exactamente n! elementos, donde n! = n(n 1) (2)(1).

De…nición. Sea = ( (1) (2) (n)) una permutación de Jn . Se de…ne


el signo de como + si el número mínimo de intercambios de elementos
consecutivos que se le pueden realizar a la lista

(1) (2) (n)

para convertirla en
12 n
es un número par. En caso distinto tiene signo . Denotaremos el signo
de por sgn( ).
38 CAPÍTULO 2. MATRICES

Ejemplo. Hallemos el signo de cada permutación en S3 .

Si 1 = (1 2 3), entonces sgn( 1 ) = +

Si 2 = (1 3 2), entonces sgn( 2 ) =

Si 3 = (2 1 3), entonces sgn( 2 ) =

Si 4 = (2 3 1), entonces sgn( 4 ) = +

Si 5 = (3 1 2), entonces sgn( 5 ) = +

Si 6 = (3 2 1), entonces sgn( 6 ) = .

2.7.2. Determinante de una matriz


De…nición. Sea A = [aij ] 2 Rn n
. Se de…ne el determinante de A como
X
det(A) = sgn( ) a1 (1) a2 (2) an (n) . (2.2)
2Sn

Ejemplo. Hallemos el determinante de A = [aij ] 2 R3 3 .

Como signo de (1 2 3), (2 3 1) y (3 1 2) es + y signo de (1 3 2), (2 1 3) y


(3 2 1) es . Entonces

det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32

a11 a23 a32 a12 a21 a33 a13 a22 a31 .

En particular, si
23
1 2 3
A=4 4 5 6 5
7 8 9
2.7. DETERMINANTE DE UNA MATRIZ 39

tenemos que

det(A) = (1)(5)(9) + (2)(6)(7) + (3)(4)(8) (1)(6)(8) (2)(4)(9)

(3)(5)(7) = 45 + 84 + 96 48 72 105 = 0.

Teorema 2.12. Sea A 2 Rn n


tal que A tiene una …la o una columna nula.
Entonces det(A) = 0.

Demostración. Ejercicio.

Nótese que si A = [aij ] 2 Rn n y 2 Sn , entonces en la lista a1 (1) , ...,


an (n) hay exactamente un elemento de cada …la y cada columna de A. Este
hecho implica que el determinante de una matriz triangular n n sea fácil
de calcular.

Teorema 2.13. Sea T 2 Rn n


triangular. Entonces
Y
n
det(T) = Tii .
i=1

Demostración. Ejercicio.

Como un caso especial tenemos, que por ser In una matriz triangular,

det(In ) = 1 1 = 1.

Ejemplo. Por ser triangular superior, el determinante de la matriz


2 3
1 2 0
T=4 0 2 1 5
0 0 4

es igual a
(T)11 (T)22 (T)33 = ( 1)(2)(4) = 8.

Teorema 2.14. Sea A 2 Rn n


. Entonces det(A) = det(AT ).
40 CAPÍTULO 2. MATRICES

Demostración. Ejercicio.

A continuación dedicaremos un espacio a estudiar la relación existente entre


el determinante de una matriz y las operaciones elementales de …la.

Teorema 2.15. Sean A; B 2 Rn n


tales que A Fi ! Fj B. Entonces

det(A) = det(B).

Demostración. Ejercicio.

Teorema 2.16. Sean A; B 2 Rn n tales que A Fi ! cFi B para cierto


c 2 R. Entonces
det(B) = c det(A).

Demostración. Ejercicio.

Teorema 2.17. Sean A 2 Rn n , i; j 2 f1; :::; ng con i 6= j, c 2 R y A


Fi ! Fi + cFj B. Entonces det(A) = det(B).

Demostración. Ejercicio.

Veamos otras propiedades importantes del determinante.

Teorema 2.18. Sea A 2 Rn n


tal que su …la i es igual a su …la j. Entonces
det(A) = 0.

Demostración. Ejercicio.

Teorema 2.19. Sean A; B 2 Rn n


. Entonces

det(AB) = det(A) det(B).

Demostración. Ejercicio.
2.7. DETERMINANTE DE UNA MATRIZ 41

Una combinación de los Teoremas 2.13, 2.15, 2.16 y 2.17, nos permitirá cal-
cular el determinante de cualquier matriz de una manera bastante sencilla.
En el siguiente ejemplo damos una pequeña muestra de este hecho.

Ejemplo. Calcule el determinante de la matriz


2 3
2 2 6
A= 24 2 4 5.
3 4 6

Por Teorema 2.16


02 31 02 31
2 2 6 1 1 3
det @4 2 2 4 5A = 2 det @4 2 2 4 5A ,
3 4 6 3 4 6

por aplicación reiterada del Teorema 2.17


02 31 02 31
1 1 3 1 1 3
det @4 2 2 4 5A = det @4 0 0 2 5A ,
3 4 6 0 1 3

por Teorema 2.15


02 31 02 31
1 1 3 1 1 3
det @4 0 0 2 5A = det @4 0 1 3 5A
0 1 3 0 0 2

y por Teorema 2.13


02 31
1 1 3
det @4 0 1 3 5A = (1)(1)(2).
0 0 2

Luego
det(A) = (2)( 1)(1)(1)(2) = 4.

El resultado que presentaremos a continuación nos muestra la linealidad del


determinante respecto a las …las de matrices.
42 CAPÍTULO 2. MATRICES

Teorema 2.19. Sean A 2 Rn n


y x1 ; x2 ; :::; xk 2 Rn tales que
Ai = xT1 + xT2 + + xTk .
Entonces
2 3 2 3 2 3
A1 A1 A1
.
6 . 7 6 .. 7 6 .. 7
6 . 7 6 . 7 6 . 7
6 T 7 6 7 6 7
det(A) = det(6 x1 7) + det(6 xT2 7) + + det(6 xTk 7).
6 . 7 6 . 7 6 . 7
4 .. 5 4 .. 5 4 .. 5
An An An

Demostración. Ejercicio.

Nótese que si A = [aij ] 2 Rn n


tenemos
Ai = ai1 eT1 + ai2 eT2 + + ain eTn .
Entonces, por Teorema 2.19,
2 3 2 3 2 3
A1 A1 A1
6 .. 7 6 .. 7 6 .. 7
6 . 7 6 . 7 6 . 7
6 7 6 7 6 7
det(A) = ai1 det(6 eT1 7) + ai1 det(6 eT2 7) + + ain det(6 eTn 7).
6 . 7 6 . 7 6 . 7
4 .. 5 4 .. 5 4 .. 5
An An An

Si A 2 Rn n , el símbolo A(i=j) representará la matriz n 1 n 1 que se


obtiene al eliminar de A la …la i y la columna j.

El teorema que presentamos a continuación nos proporciona 2n fórmulas para


calcular el determinante de una matriz n n.

Teorema 2.20. Sea A = [aij ] 2 Rn n


. Entonces para i = 1; :::; n y j =
1; :::; n
det(A) = ai1 ( 1)i+1 det(A(i=1)) + + ain ( 1)i+n det(A(i=n)).
y
det(A) = a1j ( 1)1+j det(A(1=j)) + + anj ( 1)n+j det(A(n=j)).

Demostración. Ejercicio.
2.8. INVERSA DE UNA MATRIZ 43

2.8. Inversa de una matriz


Esta sección está dedicada al estudio de las principales propiedades de las
matrices invertibles, a determinar cuando una matriz es invertible y al cálculo
de la inversa de una matriz invertible.

De…nición. Sea A n n una inversa a izquierda de A es una matriz


B n n tal que BA = In . una inversa a derecha de A es una matriz
C 2 Rn m tal que AC = Im .

Teorema 2.21. Sea A n n con inversa a izquierda B e inversa a derecha


C. Entonces B = C.

Demostración.

B = BIm = B(AC) = (BA)C = In C = C.

De…nición. Una matriz A n n es invertible si existe una matriz B n n


tal que AB = In = BA. En tal caso B es una inversa de A.

Teorema 2.22. Sea A n n invertible. Entonces A tiene a lo más una


inversa.

Demostración. Supongamos que B y C son inversas de A, entonces en


particular B es inversa a izquierda de A y C es inversa a derecha de A,
luego por Teorema 2.21 B = C.

Puesto que una matriz A n n puede tener a lo más una inversa, es con-
veniente tener un símbolo para representar la inversa de A cuando exista, el
símbolo que usaremos será A 1 .

Ejemplo. La matriz (invertible)


2 3 2 3
2 4 6 16 14 6
4 14
A= 4 5 6 5 tiene como inversa a A 1
= 26 22 12 5 .
6
3 1 2 11 10 6
44 CAPÍTULO 2. MATRICES

Teorema 2.23. Si A y B son matrices n n tales que AB = In . Entonces


B = A 1.

Demostración. Sea C = BA In + B. Entonces

AC = ABA AIn + AB = A A + In = In .

Luego, C es también una inversa a derecha de A. Por Teorema 2.21 B = C,


por tanto
BA = C + In B = B + In B = In
y así, B = A 1 .

Teorema 2.24. Si A y B son matrices invertibles n n, entonces AB es


también invertible.

Demostración.

AB(B 1 A 1 ) = A(BB 1 )A 1
= AIn A 1
= AA 1
= In .

Además,

(B 1 A 1 )AB = B 1 (A 1 A)B = B 1 In B = B 1 B = In .
1
Luego AB es invertible y (AB) = B 1A 1.

El teorema que sigue da una condición su…ciente y necesaria para que una
matriz sea invertible.

Teorema 2.25. Sea A n n. Entonces A es invertible si, y sólo si, det(A) 6=


0 (o equivalentemente, A es no invertible si, y sólo si, det(A) = 0).

Demostración. Ejercicio.

Teorema 2.26. Sea A n n invertible. Entonces

det(A 1 ) = (det(A)) 1 .

Demostración. Ejercicio.
2.8. INVERSA DE UNA MATRIZ 45

Teorema 2.27. Toda matriz elemental es invertible. Aún más, la inversa


de una matriz elemental es una matriz elemental del mismo tipo. Es decir,
si E es una matriz elemental de …la de tipo 1, entonces E 1 es una matriz
elemental de …la de tipo 1, etc.

Demostración. Ejercicio.

Teorema 2.28. Sea A n n tal que A tiene una columna nula. Entonces
A no es invertible.

Demostración. Ejercicio.

Teorema 2.29. Sea A n n una matriz invertible. Entonces A se puede


expresar como producto de matrices elementales …la.

Demostración. Ejercicio.

Teorema 2.30. Sea A n n una matriz no invertible. Entonces A se puede


expresar como producto de matrices elementales …la por una matriz triangu-
lar.

Demostración. Ejercicio.

Ejemplo. La matriz invertible


2 3
1 2 1
A=4 1 0 2 5
3 1 1
se deja expresar como el producto E1 E2 E7 E8 de matrices elementales,
donde
2 3 2 3 2 3
1 0 0 1 0 0 1 0 0
E1 = 4 1 1 5 4
0 , E2 = 0 5 4
1 0 , E3 = 0 2 0 5
0 0 1 3 0 1 0 0 1
2 3 2 3 2 3
1 0 0 1 2 0 1 0 0
4
E4 = 0 1 5 4
0 , E5 = 0 5 4
1 0 , E6 = 0 1 0 5
0 5 1 0 0 1 0 0 11
2
46 CAPÍTULO 2. MATRICES

2 3 2 3
1 0 2 1 0 0
4
E7 = 0 1 0 5 y E8 = 4 0 1 32 5 .
0 0 1 0 0 1

El Teorema 2.32 nos garantiza que si A n n es invertible, entonces existen


matrices elementales …la E1 , ..., Ep tales que

A = E1 Ep .

Pero
A = E1 Ep =) Ep 1 E1 1 A = In

=) A 1
= Ep 1 E1 1

=) A 1
= Ep 1 E1 1 In
Concluimos de lo anterior que A 1 se puede hallar realizando a In , de manera
ordenada, las mismas operaciones elementales de …la que se le realizan a A
para convertirla en In .

Ejemplo. Hallemos la inversa de la matriz invertible


2 3
1 0 0
A = 4 1 2 0 5.
3 0 1

En efecto,
2 3 2 3
1 0 0 1 0 0 1 0 0 1 0 0
4 1 2 0 0 1 0 5 F2 ! F2 + F1 4 0 2 0 1 1 0 5
3 0 1 0 0 1 3 0 1 0 0 1
2 3
1 0 0 1 0 0
F3 ! F3 3F1 4 0 2 0 1 1 0 5
0 0 1 3 0 1
2 3
1 0 0 1 0 0
F2 ! 21 F2 4 0 1 0 1 1
0 5.
2 2
0 0 1 3 0 1
2.9. SISTEMAS DE ECUACIONES LINEALES Y MATRICES 47

Así, 2 3
1 0 0
A 1
=4 1
2
1
2
0 5.
3 0 1

Teorema: Sea A n n invertible. Entonces AT es invertible y


(AT ) 1
= (A 1 )T .

Demostración. Ejercicio.

1
Teorema Sea A n n simétrica e invertible. Entonces A es simétrica.

Demostración. Ejercicio.

1
Teorema Sea A n n antisimétrica e invertible. Entonces A es anti-
simétrica.

Demostración. Ejercicio.

2.9. Sistemas de ecuaciones lineales y matri-


ces
Un sistema de ecuaciones lineales con coe…cientes en R
a11 x1 + a12 x2 + + a1n x1 = b1
a21 x1 + a22 x2 + + a2n x1 = b2
..
.
am1 x1 + am2 x2 + + amn x1 = bm ,
se puede expresar de forma matricial como
Ax = b,
donde
2 3 2 3 2 3
a11 a1n x1 b1
6 .. .. 7 2 Rm 6 7 6 .. 7 2 Rm .
A=4 . ...
. 5
n
, x = 4 ... 5 2 Rn y b = 4 . 5
am1 amn xn bm
48 CAPÍTULO 2. MATRICES

Teorema 2.31. Sea A 2 Rn n . Entonces A es invertible (resp. no invertible)


si, y sólo si, el sistema homogéneo de ecuaciones lineales Ax = 0 tiene sólo
la solución trivial (resp. soluciones no triviales).

Demostración. Ejercicio.

Teorema 2.32. Sea A 2 Rn n . Entonces A es invertible (resp. no invertible)


si, y sólo si, para todo b 2 Rn el sistema de ecuaciones lineales Ax = b tiene
única solución (resp. in…nitas soluciones o no tiene solución).

Demostración. Ejercicio.

2.10. Ejercicios
1. Calcule 2 3 2 3
1 2 3 2 3 1
4 4 5 6 5+4 0 3 2 5
7 8 9 5 2 6

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

3. Calcule
2 3 4
3 .
1 0 5

4. Construya un algoritmo para la multiplicación de un escalar por una matriz


m n.

5. Calcule 2 3
1 5 0 2
2 3 3 4 3 7 6 1 5.
8 1 5
6 0 2 4

6. Construya un algoritmo para la multiplicación de una matriz m n por


una matriz n p.
2.10. EJERCICIOS 49

7. Sean A y B matrices n n. Demuestre que


(A + B)(A B) = A2 B2
si y sólo si A y B conmutan.

7. Halle el signo de todas las permutaciones en S4 .

8. Construya un algoritmo para calcular el determinantes de una matriz n n.

9. Utilice la fórmula (2.2) para hallar el determinante de A = [aij ] 2 R4 4 .

10. Halle el determinante de la matriz


2 3
1 2 1 3
6 2 1 0 4 7
6 7
4 3 2 3 1 5
2 0 1 5
utilizando la fórmula obtenida en el Ejercicio 9 y después utilizando sólo los
Teoremas 2.13, 2.15, 2.16 y 2.17.

11. Calcule el determinante de las matrices


2 3 2 3 2 3
1 1 3 1 2 3 1 3 7
4 2 5 0 5, 4 4 5 6 5, 4 4 4 5 5
2 4 3 7 8 9 3 7 2
2 3
1 2 3 5
6 2 3 5 7 7
6 7.
4 2 4 2 0 5
3 4 1 0

12. Sean A 2 Rn n
y c 2 R. Demuestre que det(cA) = cn det(A).

13. Una matriz A 2 Rn n


es una matriz de bloques si tiene la forma
2 3
A1
6 .. 7
A=4 . 5
At
50 CAPÍTULO 2. MATRICES

con t > 1, Ai 2 Rni ni para i = 1, ..., n, n1 + n2 + + nt = n, las diagonales


principales de las Ai están sobre la diagonal principal de A y las componentes
de A que no están en ninguna Ai son cero. Cada Ai se dice un bloque de
A. Demuestre que
Yt
det(A) = det(Ai ).
i=1

14. Si 2 3
3 6 7
A = 4 0 2 0 5,
1 1 2
2 3
2 5=2 7
veri…que que A 1
=4 0 1=2 0 5.
1 3=2 3

15. Halle la inversa de las matrices


2 3 2 3
1 2 3 4 3 4 2 1
6 1 1 0 0 7 6 2 3 5 1 7
A=6 4 2 3
7 y B=6 7.
1 2 5 4 0 4 7 0 5
0 2 0 3 1 4 2 2

16. Demuestre que si A 2 Rn n


es tal que tiene una …la nula, entonces A es
no invertible.

17. Demuestre que si A 2 Rn n


es invertible, entonces A 1
es invertible y
que (A 1 ) 1 = A.

18. Sean c 2 R f0g y A 2 Rn n


invertible. Demuestre que cA es invertible
y que (cA) 1 = c 1 A 1 .

19. Halle A y B matrices invertibles en R3 3


tales que A+B no sea invertible.

20. Sean A 2 Rn n invertible y m un entero positivo. Demuestre que Am es


invertible y que (Am ) 1 = (A 1 )m .
2.10. EJERCICIOS 51

21. Demuestre que la inversa de una matriz triangular superior (respecti-


vamente, triangular inferior o diagonal) n n invertible, es una matriz del
mismo tipo.

22. Sean A; B 2 Rn n
matrices simétricas. Demuestre que A + B es también
simétrica.

23. Sean A; B 2 Rn n matrices simétricas. Demuestre que AB es simétrica


si, y sólo si AB = BA.

24. Sea A 2 Rn n
. Demuestre que si A es antisimétrica, entonces Aii = 0
para toda i.

25. Sea A 2 Rn n . Demuestre que A + AT es simétrica y que A AT es


antisimétrica. Demuestre además que A puede escribirse de manera única
como la suma de una matriz simétrica y una matriz antisimétrica.

26. Escriba la matriz 2 3


2 3 4
4 2 1 0 5
3 2 1
como la suma de una matriz simétrica y una matriz antisimétrica.

27. Sea A 2 Rn n . Demuestre que si A es antihermitiana, entonces Aii es


un número imaginario puro para toda i.

28. Demuestre que no existen matrices A; B 2 Rn n


tales que

AB BA = In .

Ayuda: piense en las trazas.

29. Halle la traza de la matriz


2 3
1 2 1
4
A= 2 3 2 5.
1 0 5
52 CAPÍTULO 2. MATRICES

30. Sean A 2 Rn n
y P 2 Rn n
invertible. Demuestre que

tr(P 1 AP) = tr(A).

31. Una matriz A 2 Rn n


es ortogonal si A es invertible y

AT = A 1 .

Demuestre que las matrices


2 3
3 4
2 3 6 0 0 7 2 3
1 2 2 6 5 5 7 0 0 1
14 6 4 3
2 2 5
2 , 6 0 0 7
7 y 4 0 1 0 5
3 6 5 5 7
2 1 2 4 0 0 1 0 5 1 0 0
0 0 0 1

son ortogonales.

32. Sea A 2 Rn n
. Demuestre que A es ortogonal si y sólo si AT es ortogonal.

33. Sea A 2 Rm n
. Demuestre que A = 0 si y sólo si tr(AT A) = 0:

34. Sea A 2 Rm n
. Demuestre que A = 0 si y sólo si AT A = 0:

35. Sean A 2 Rm n
y B,C 2 Rn p . Demuestre que AB = AC si y sólo si
AT AB = AT AC.

36. Sean A 2 Rm n y B,C 2 Rn p . Demuestre que BAT = CAT si y sólo si


BAT A = CAT A.

37. Sean A 2 Rm n
, B 2 Rn p
y C 2 Rp m
. Demuestre que

tr(ABC) = tr(CAB) = tr(BCA):


2.10. EJERCICIOS 53

38. Sean A 2 Rm n
, B 2 Rn p
y C 2 Rp m
. Demuestre que

tr(ABC) = tr(BT AT CT ) = tr(AT CT BT ):

39. Sean A,B,C 2 Rn n


matrices simétricas. Demuestre que

tr(ABC) = tr(BAC):

Demuestre además que si las matrices no son simétricas tr(ABC) no es


necesariamente igual a tr(BAC):

40. Sea A 2 Rn n
tal que AT A = A2 . Demuestre que

tr[(A AT )T (A AT )] = 0

y que A es simétrica.
Capítulo 3

Espacios vectoriales

En este capítulo se de…nirán y analizarán los espacios vectoriales y algunos


de los principales objetos matemáticos relacionados con estos.

3.1. Espacios vectoriales


De…nición. Un espacio vectorial sobre R consta de lo siguiente:

1. Un conjunto no vacío V de objetos llamados vectores.

2. Una operación llamada suma de vectores, que asigna a cada par de


vectores x; y de V un vector x + y de V , llamado la suma de x y y; tal que:
(a) x + y = y + x 8x; y 2 V .
(b) x + (y + z) = (x + y) + z 8x; y; z 2 V .
(c) Existe un vector 0 de V , tal que x + 0 = x para todo x 2 V .
(d) Para cada x 2 V , existe un único vector x 2 V , tal que x + ( x) = 0.

3. Una operación, llamada multiplicación por escalar, que asocia a cada


escalar c 2 R y cada vector x 2 V un vector cx 2 V , tal que:
(e) 1x = x para todo x 2 V .
(f ) (c1 c2 )x = c1 (c2 x) para todo c1 ; c2 2 R y todo x 2 V .
(g) c(x + y) = cx + cy para toda c 2 R y todas las x; y 2 V .
(h) (c1 + c2 )x = c1 x + c2 x para todas las c1 ; c2 2 R y toda x 2 V .

54
3.1. ESPACIOS VECTORIALES 55

Debió notar que un espacio vectorial costa de un conjunto no vacío V y de


dos operaciones algebraicas (suma de vectores y producto por escalar). Pero
cuando se habla en abstracto o se tiene claridad absoluta de cuales son las
operaciones de suma y producto por escalar que se están considerando, es
común referirse al conjunto V como espacio vectorial.

Ejemplo. Rn con las operaciones

n n
+ : 2 R 3 2R 3 ! 2 Rn 3
x1 y1 x1 + y1
6 .. 7 6 .. 7 6 .. 7
(4 . 5 ; 4 . 5) 7 ! 4 . 5
xn yn xn + yn

y
: R2 Rn3 ! 2 Rn 3
x1 cx1
6 .. 7 6 .. 7
(c; 4 . 5) 7 ! 4 . 5
xn cxn

es un espacio vectorial sobre R. Veamoslo: sean


2 3 2 3 2 3
x1 y1 z1
6 7 6 .. 7 , z = 6 .. 7 en Rn y c; c ; c 2 R, entonces
x = 4 ... 5 , y = 4 . 5 4 . 5 1 2
xn yn zn

(a)
2 3 2 3 2 3
x1 y1 x1 + y1
6 7 6 .. 7 = 6 7
x + y = 4 ... 5 + 4 . 5 4
..
. 5
xn yn xn + yn
2 3 2 3 2 3
y1 + x1 y1 x1
6 .. 7 6 .. 7 + 6 .. 7 = y + x.
= 4 . 5=4 . 5 4 . 5
yn + xn yn xn
56 CAPÍTULO 3. ESPACIOS VECTORIALES

(b)
2 3 02 3 2 31 2 3 2 3
x1 y1 z1 x1 y1 + z1
6 7 B6 .. 7 + 6 .. 7C = 6 .. 7 + 6 7
x + (y + z) = 4 ... 5 + @4 . 5 4 . 5A 4 . 5 4
..
. 5
xn yn zn xn yn + zn
2 3 2 3
x1 + (y1 + z1 ) (x1 + y1 ) + z1
6 .. 7 6 .. 7
= 4 . 5=4 . 5
xn + (yn + zn ) (xn + yn ) + zn
2 3 2 3 02 3 2 31 2 3
x1 + y1 z1 x1 y1 z1
6 .. 7 6 .. 7 = B6 .. 7 + 6 .. 7C + 6 .. 7
= 4 . 5+4 . 5 @4 . 5 4 . 5A 4 . 5
xn + yn zn xn yn zn

= (x + y) + z.
2 3
0
6 .. 7
(c) Sea 0 = 4 . 5, entonces
0
2 3 2 3 2 3 2 3
x1 0 x1 + 0 x1
6 7 6 7 6 7 6 .. 7
x + 0 = 4 ... 5 + 4 ... 5 = 4 ..
. 5 = 4 . 5 = x.
xn 0 xn + 0 xn
2 3
x1
6 7
(d) Sea x = 4 ... 5, entonces
xn
2 3 2 3 2 3 2 3
x1 x1 x1 + ( x1 ) 0
6 .. 7 6 .. 7 6 .
.. 7 6 . 7
x + ( x) = 4 . 5 + 4 . 5 = 4 5 = 4 .. 5 = 0.
xn xn xn + ( xn ) 0

(e) 2 3 2 3 2 3
x1 1x1 x1
6 7 6 7 6 .. 7 = x.
1x = 1 4 ... 5 = 4 ... 5 = 4 . 5
xn 1xn xn
3.1. ESPACIOS VECTORIALES 57

(f )

2 3 2 3 2 3
x1 (c1 c2 )x1 c1 (c2 x1 )
6 7 6 7 6 7
(c1 c2 )x = (c1 c2 ) 4 ... 5 = 4 ..
. 5=4
..
. 5
xn (c1 c2 )xn c1 (c2 xn )
2 3 0 2 31
c2 x1 x1
6 7 B 6 .. 7C = c (c x).
= c1 4 ... 5 = c1 @c2 4 . 5A 1 2
c2 xn xn

(g)
02 3 2 31 2 3 2 3
x1 y1 x1 + y1 c(x1 + y1 )
B6 7 6 .. 7C = c 6 7 6 7
c(x + y) = c @4 ... 5 + 4 . 5A 4
..
. 5=4
..
. 5
xn yn xn + yn c(xn + yn )
2 3 2 3 2 3 2 3 2 3
cx1 + cy1 cx1 cy1 x1 y1
6 .. 7 6 .. 7 6 .. 7 6 . 7 6 . 7
= 4 . 5 = 4 . 5 + 4 . 5 = c 4 .. 5 + c 4 .. 5
cxn + cyn cxn cyn xn yn

= cx + cy.

(h)
2 3 2 3 2 3
x1 (c1 + c2 )x1 c1 x1 + c2 x1
6 7 6 7 6 7
(c1 + c2 )x = (c1 + c2 ) 4 ... 5 = 4 ..
. 5=4
..
. 5
xn (c1 + c2 )xn c1 xn + c2 xn
2 3 2 3 2 3 2 3
c1 x1 c2 x1 x1 x1
6 7 6 7 6 .. 7 + c 6 .. 7 = c x + c x.
= 4 ... 5 + 4 ... 5 = c1 4 . 5 24 . 5 1 2
c1 xn c2 xn xn xn

Ejemplo. Rm n con las operaciones suma de matrices y producto por escalar


de…nidos en el Capítulo 2 es un espacio vectorial.
58 CAPÍTULO 3. ESPACIOS VECTORIALES

Ejemplo. El conjunto, Pn , de todos los polinomios en la variable x, con


coe…cientes en R y grado menor o igual a n, es un espacio vectorial sobre
R con las operaciones: suma ordinaria de polinomios y producto por escalar
de…nido como

c(a0 + a1 x + + an xn ) = ca0 + ca1 x + + can xn

para toda c 2 R y todo a0 + a1 x + + an x n 2 P n .

Ejemplo. Sea S un subconjuto no vacío de R. Si V es el conjunto formado


por todas las funciones de S en R, entonces:
Si f; g 2 V se de…ne f + g como

f +g : S ! R
:
s 7 ! f (s) + g(s)

Si f 2 V y c 2 R se de…ne cf como

cf : S ! R
.
s 7 ! cf (s)

Entonces V junto las operaciones

+ : V V ! V
(f; g) 7 ! f +g
y

: R V ! V
;
(c; f ) 7 ! cf
es un espacio vectorial.

Teorema 3.1. Los vectores 0 y x a los que se hace referencia en la de…ni-


ción de espacio vectorial son únicos.

Demostración. Ejercicio que debe parecer trivial a aquellos que ya realizan


pequeñas demostraciones.

El vector 0 es llamado el vector cero o vector nulo.


3.2. SUBESPACIOS 59

3.2. Subespacios
De…nición. Sea W un subconjunto no vacío de un espacio vectorial V sobre
R. Si W es también un espacio vectorial sobre R con la suma de vectores y
multiplicación por escalar de…nidas en V y restringidas a W , entonces W
es llamado un subespacio de V .

Teorema 3.2. Un subconjunto no vacío W de un espacio vectorial V es un


subespacio de V si y sólo si para todo x; y 2 W y todo c 2 R
cx + y 2 W .
Demostración. Ejercicio para los que gustan de las demostraciones matemáti-
cas sencillas.

V y f0g son subespacios de V . Estos subespacios son llamados los subespa-


cios triviales de V .

Ejemplo. A…rmamos que el conjunto


82 3 9
< x =
W = 4 y 5 : 2x + 3y 5z = 0
: ;
z
2 3
0
es un subespacio de R . En efecto, 0 5 2 W (lo que implica que W es no
3 4
2 3 2 3 0
x1 x2
vacío). Si y1 , y2 5 2 W y r 2 R, entonces
4 5 4
z1 z2
2x1 + 3y1 5z1 = 0, 2x1 + 3y1 5z1 = 0;
2 3 2 3 2 3
x1 x2 rx1 + x2
r 4 y1 5 + 4 y2 5 = 4 ry1 + y2 5
z1 z2 rz1 + z2
y
2(rx1 + x2 ) + 3(ry1 + y2 ) 5(rz1 + z2 ) = r(2x1 + 3y1 5z1 ) + (2x1 + 3y1 5z1 )

= r(0) + (0) = 0.
60 CAPÍTULO 3. ESPACIOS VECTORIALES
2 3 2 3
x1 x2
Luego, r 4 y1 5 + 4 y2 5 2 W . Por Teorema 3.2 W es subespacio de R3 .
z1 z2
El ejemplo anterior se puede generalizar. El lector no tendrá di…cultad en
veri…car, usando el Teorema 3.2, que dados a1 ; :::; an 2 R
82 3 9
>
< x1 >
=
6 .. 7
W = 4 . 5 : a1 x 1 + + an x n = 0
>
: x >
;
n

es un subespacio de Rn .

De…nición. Sean V un espacio vectorial y

S = fx1 ; :::; xr g

un subconjunto de V . Una combinación lineal de los vectores de S es


cualquier vector x 2 V que se deja expresar en la forma

x = c1 x1 + + cr xr ;

donde los ci 2 R. El conjunto de todas las combinaciones lineales de elemen-


tos de S se conoce como el generado de S y se denotará por el símbolo
gen(S).
2 3
3
Ejemplo. El vector 4 12 5 es combinación lineal del conjunto de vectores
3
(o simplemente, es combinación lineal de los vectores)
82 3 2 3 2 39
< 1 3 2 =
4 1 5;4 0 5;4 2 5 ,
: ;
2 2 1
ya que 2 3 2 3 2 3 2 3
3 1 3 2
4 12 5 = 2 4 1 5 34 0 5 + 54 2 5.
3 2 2 1
3.2. SUBESPACIOS 61

Observación importante. Muchas veces deseamos saber si un determinado


vector está o no está en el generado de cierto conjunto de vectores. Si esa
es nuestra necesidad, lo acostumbrado es realizar un proceso análogo al que
presentamos en los siguientes ejemplos.

Ejemplo. Determinemos si los vectores


2 3 2 3
13 1
x=4 5 5 yy=4 2 5
4 3

están o no están en el generado del conjunto de vectores


82 3 2 3 2 39
< 1 1 2 =
S = 4 2 5;4 1 5;4 1 5 .
: ;
3 2 1

Solución. Para saber si x está o no está en gen(S) suponemos que existen


números reales c1 ; c2 ; c3 tales que
2 3 2 3 2 3 2 3
1 1 2 13
c1 4 2 5 + c2 4 1 5 + c3 4 1 5 = 4 5 5 .
3 2 1 4

De aquí se obtiene el sistema de ecuaciones lineales

c1 c2 + 2c3 = 13
2c1 + c2 + c3 = 5 ,
3c1 + 2c2 + c3 = 4

el cual tiene como solución general a


2 3
6 c3
4c3 75 .
c3

Obtenemos una solución particular del sistema tomando c3 = 1, en este caso,


dicha solución particular es 2 3
5
4 65 .
1
62 CAPÍTULO 3. ESPACIOS VECTORIALES

Así, 2 3 2 3 2 3 2 3
1 1 2 13
54 2 5 64 1 5 + 14 1 5 = 4 5 5;
3 2 1 4
2 3
13
por tanto 4 5 5 si está en el generado de S. Nótese que al dar cualquier
4 2 3
13
otro valor a c3 obtenemos otra forma de escribir a 4 5 5 como combinación
4
lineal de los vectores de S. Es decir, que como consecuencia de que el sistema
de ecuaciones lineales asociado a esta primera parte del ejemplo tiene in…nitas
soluciones, no solo hemos encontrado que el vector x está en el generado de
S, sino que se puede expresar de in…nitas maneras como combinación lineal
de los vectores de S.
De otro lado, si suponemos ahora que existen números reales a1 ; a2 ; a3 tales
que 2 3 2 3 2 3 2 3
1 1 2 1
a1 4 2 5 + a2 4 1 5 + a3 4 1 5 = 4 2 5 , (3.1)
3 2 1 3
encontramos que esta igualdad es equivalente a tener el sistema de ecuaciones
lineales
a1 a2 + 2a3 = 1
2a1 + a2 + a3 = 2 .
3a1 + 2a2 + a3 = 3
Al reducir este sistema utilizando operaciones elementales, encontramos el
sistema de ecuaciones lineales
a1 a2 + 2a3 = 1
4
a2 a3 = ,
3
a2 a3 = 0

4
de donde se llega a que = 0, lo cual es absurdo. Esta contradicción
3
proviene de haber supuesto la existencia de números reales a1 ; a2 ; a3 tales
que (3.1) es posible. Concluimos entonces que y no es combinación lineal de
los vectores de S, o que y 2gen(S).
=
3.2. SUBESPACIOS 63

El siguiente ejemplo muestra que es posible que un vector se deje escribir


(salvo orden) de manera única como combinación lineal de un cierto conjunto
de vectores.

23
1
Ejemplo. Consideremos al vector 4 2 5 y al conjunto de vectores
19
82 3 2 3 2 39
< 3 2 1 =
S= 4 1 ; 2 ; 0 5 .
5 4 5 4
: ;
1 1 4
Si suponemos que existen números reales c1 ; c2 ; c3 tales que
2 3 2 3 2 3 2 3
3 2 1 1
c1 4 1 5 + c2 4 2 5 + c3 4 0 5 = 4 2 5 ,
1 1 4 19
entonces
3c1 + 2c2 + c3 = 1
c1 + 2c2 = 2 ,
c1 + c2 + 4c3 = 19
2 3
4
y este sistema tiene como única solución a 4 3 5. Dado que el sistema
5
tiene única solución, tenemos entonces que el vector en cuestión está en el
generado del conjunto de vectores dado y que además la única forma (salvo
orden) de escribir a dicho vector como combinación lineal de los del conjunto
es
2 3 2 3 2 3 2 3
3 2 1 1
44 1 5 + 34 2 5 + 54 0 5 = 4 2 5.
1 1 4 19

Un problema común en álgebra lineal es el de analizar si un conjunto de


vectores genera a todo el espacio en el que se encuentra. En el siguiente
ejemplo mostramos un caso en el que un conjunto de vectores genera a todo
el espacio.
64 CAPÍTULO 3. ESPACIOS VECTORIALES

Ejemplo. Consideremos al conjunto de vectores


82 3 2 3 2 39
< 3 1 1 =
S = 4 1 5;4 3 5;4 2 5 .
: ;
1 1 4
Para probar que S genera a todo R3 , debemos mostrar que cualquier vector
de R3 se deja escribir como combinación lineal de los vectores de S. 2Para3tal
x
3
hecho, consideremos un vector modelo de R como por ejemplo a 4 y 5y
z
veamos que este se deja expresar como combinación lineal de los vectores de
S. En efecto, sean c1 ; c2 ; c3 números reales tales que
2 3 2 3 2 3 2 3
3 1 1 x
c1 1 + c2 3 + c3 2 = y 5 ,
4 5 4 5 4 5 4
1 1 4 z
entonces
3c1 + c2 + c3 = x
c1 + 3c2 + 2c3 = y .
c1 + c2 + 4c3 = z
Este sistema tiene como única solución a
2 5 3 1
3
13
x 26 y 26 z
4 1 x + 11 y 5
z 5. (3.2)
13 26 26
1 1 4
13
x 13 y + 13 z
Luego, gen(S) = R3 . Para que el lector tenga un poco más de claridad
respecto a este ejemplo, mostraremos como el conjunto de vectores dado
genere a un vector que escojamos al azar. Supongamos que queremos ver
como el conjunto genera al vector
2 3 2 3
x 5
4 y 5=4 2 5
z 3
(el cual hemos escogido al azar), x = 5, y = 2 y z = 3, entonces reem-
plazando estos valores en (3.2) encontramos que
2 5 3 1
3 2 53 3
13
(5) 26 ( 2) 26 (3) 26
4 1 (5) + 11 ( 2) 5 (3) 5 = 4 47 5 ,
13 26 26 26
1 1 4 9
13
(5) 13 ( 2) + 13 (3) 13
3.2. SUBESPACIOS 65

de donde se concluye que


2 3 2 3 2 3 2 3
5 3 1 1
4 2 5 = 53 4 1 5 47 4 5
3 +
9 4 5
2 .
26 26 13
3 1 1 4

El siguiente es un ejemplo de un conjunto que no genera al espacio en el que


se encuentra.

Ejemplo. Consideremos al subconjunto de R3


82 3 2 3 2 39
< 1 2 1 =
4 2 5;4 1 5;4 5 5
: ;
1 2 1
2 3
x
y mostraremos que no genera a R3 . En efecto, si 4 y 5 es un vector cualquiera
z
3
de R y suponemos que existen números reales c1 ; c2 ; c3 tales que
2 3 2 3 2 3 2 3
1 2 1 x
c1 2 + c2 1 + c3 5 = y 5 ,
4 5 4 5 4 5 4
1 2 1 z

entonces
c1 + 2c2 + c3 = x
2c1 + c2 + 5c3 = y .
c1 + 2c2 + c3 = z
Al realizar operaciones elementales a este sistema encontramos el sistema
equivalente
c1 + 2c2 + c3 = x
3c2 3c3 = 2x + y .
0 = x+z
De este último sistema se deduce que para que tenga solución se requiere, en-
tre otras cosas, que x = z, lo que implica que el conjunto genera solo vectores
con primera y terceras conponentes iguales. Pero, no todos los vectores de R3
tienen esa propiedad, y por tanto el conjunto no puede generar a R3 . Para un
poco más de información, si tomas un vector de R3 cuyas primera y tercera
66 CAPÍTULO 3. ESPACIOS VECTORIALES
2 3
1
componenetes no son iguales, como el vector 4 2 5 y suponemos que se deja
0
escribir como conbinación lineal del conjunto en cuestión, encontraremos que
esa suposición nos conducirá a un absurdo, lo cual dirá que este vector no
está en el generado del conjunto.

A continuación presentamos un ejemplo de un conjunto de vectores que gen-


era al espacio en que se encuentra, y tal que todo vector del espacio se deja
expresar de in…nitas maneras como combinación lineal de ese conjunto.

Ejemplo. Consideremos el conjunto


82 3 2 3 2 3 2 39
< 1 1 0 1 =
S = 4 1 5;4 1 5;4 1 5;4 0 5 R3 .
: ;
1 0 1 1
2 3
x
Si 4 y 5 es un vector cualquiera de R3 y suponemos que c1 ; c2 ; c3 ; c4 son
z
números reales tales que
2 3 2 3 2 3 2 3 2 3
1 1 0 1 x
c1 1 + c2 1 + c3 1 + c4 0 = y 5 ,
4 5 4 5 4 5 4 5 4
1 0 1 1 z
entonces
c1 + c2 + c4 = x
c1 + c2 + c3 = y ,
c1 + c3 + c4 = z
de donde
c1 + c2 + c4 = x
c2 c3 + c4 = x z ,
c3 c4 = x+y
el cual tiene como solución general
2 3
x y + z 2c4
6 y z + c4 7
6 7.
4 y x + c4 5
c4
3.2. SUBESPACIOS 67

Luego,
2 3 2 3 2 3 2 3 2 3
x 1 1 0 1
4 y 5 = (x y+z 2c4 ) 4 1 5+(y z+c4 ) 4 1 5+( x+y+c4 ) 4 1 5+c4 4 0 5 :
z 1 0 1 1
2 3
x
Esto muestra que 4 y 5 se puede expresar de in…nitas maneras como com-
z
binación
2 3 lineal de los vectores de S. A manera de ejemplo, tomando el vector
5
4 4 5de R3 ; elegido arbitrariamente, encontramos que
8
2 3 2 3 2 3 2 3 2 3
5 1 1 0 1
4 4 5 = (9 2c4 ) 4 1 5 + ( 4 + c4 ) 4 1 5 + ( 1 + c4 ) 4 1 5 + c4 4 0 5 ;
8 1 0 1 1
2 3
5
esto implica que 4 5 se deja expresar de in…nitas maneras como combi-
4
8
nación lineal de los vectores de S (por cada valor de c4 encontramos una
combinación lineal).

Teorema 3.3. Sean V un espacio vectorial y S un subconjunto no vacío de


V . Entonces gen(S) es un subespacio de V .

Demostración. Ejercicio.

gen(S) es llamado el subespacio generado por S.

Ejemplo. Hallemos el subespacio de R3 generado por los vectores


2 3 2 3
1 1
4 2 5 y 4 4 5.
3 2
2 3
x
En efecto, 4 y 5 está en el generado de esos vectores si y sólo si existen
z
68 CAPÍTULO 3. ESPACIOS VECTORIALES

a; b 2 R tales que
2 3 2 3 2 3
1 1 x
c1 4 2 5 + c2 4 4 5 = 4 y 5,
3 2 z

si y sólo si
c1 c2 = x
2c1 + 4c2 = y ;
3c1 + 2c2 = z
si y sólo si
c1 c2 = x
6c2 = 2x + y .
5c2 = 3x + z
Para encontrar una relación entre x; y y z despejamos de las ecuaciones dos
y tres a c2 e igualamos. Así,
2x + y 3x + z
= ,
6 5
de donde 8x + 5y 6z = 0 (Esta ecuación corresponde en R3 al plano que
pasa por los puntos (0; 0; 0), (1; 2; 3) y ( 1; 4; 2)). Luego,
82 3 2 39 82 3 9
< 1 1 = < x =
gen 4 5
2 ; 4 4 5 = 4 5 3
y 2 R : 8x + 5y 6z = 0 .
: ; : ;
3 2 z

De…nición. Sean U; W subespacios de un espacio vectorial V . La suma de


los subespacios U y W es el conjunto

U + W = fx + y : x 2 U y y 2 W g .

Teorema 3.4. Sean U; W subespacios de un espacio vectorial V . Entonces

U +W

es un subespacio de V .
3.2. SUBESPACIOS 69

Demostración. Ejercicio.

La unión de subespacios no es siempre un subespacio. Por ejemplo, consid-


eremos los subespacios de R2

x
W = :x2R
x
y
x
U= :x2R .
2x
1 1
Entonces y están en W [ U , pero
1 2

1 1 2
+ = 2
= W [ U,
1 2 3

por tanto W [ U no es subespacio de R2 .

Teorema 3.5. Sean X = fx1 ; :::; xr g y Y = fy1 ; :::; yt g subconjuntos de un


espacio vectorial V . Entonces

gen(X [ Y ) = gen(X) + gen(Y ).

Demostración. Ejercicio.

Teorema 3.6. Las soluciones del sistema homogéneo de ecuaciones lineales

a11 x1 + a12 x2 + + a1n xn = 0


a21 x1 + a22 x2 + + a2n xn = 0
..
.
am1 x1 + am2 x2 + + amn xn = 0

es un subespacio de Rn .

Demostración. Ejercicio.
70 CAPÍTULO 3. ESPACIOS VECTORIALES

Nota importante. El Teorema 3.6 equivale al siguiente resultado: si A 2


Rm n , entonces
W = fx 2 Rn : Ax = 0g
es un subespacio de Rn . Este subespacio se conoce como espacio nulo de
A.

3.3. Independencia lineal


De…nición. Un conjunto de vectores S = fx1 ; :::; xr g de un espacio vecto-
rial V es linealmente independiente cuando la única solución para los
escalares ai en la ecuación homogénea

a1 x1 + + ar xr = 0

es la solución trivial a1 = = ar = 0. Si S no es linealmente independiente


se dirá linealmente dependiente.

Ejemplo. El conjunto
82 3 2 3 2 39
< 1 1 0 =
4 1 5;4 0 5;4 0 5 R3
: ;
1 0 1

es linealmente independiente.

Ejemplo. El conjunto
82 3 2 3 2 39
< 1 1 5 =
4 2 5;4 0 5;4 6 5 R3
: ;
1 2 7

es linealmente dependiente.

Teorema 3.6. Sea S = fx1 ; :::; xr g un conjunto linealmente independiente en


un espacio vectorial V . Entonces todo subconjunto no vacío de S es también
linealmente independiente.
3.4. BASES Y DIMENSIÓN 71

Demostración. Ejercicio.

Teorema 3.6. Sea S = fx1 ; :::; xr g un conjunto de un espacio vectorial V . Si


S contiene un subconjunto linealmente dependiente, entonces S es también
linealmente dependiente.

Demostración. Ejercicio.

Teorema 3.7. Sean S = fx1 ; :::; xr g un conjunto linealmente independiente


en un espacio vectorial V y x 2 V gen(S). Entonces S [fxg es un conjunto
linealmente independiente de V .

Demostración. Ejercicio.

Teorema 3.8. Sean S = fx1 ; :::; xr g un subconjunto de un espacio vectorial


V . S es linealmente independiente si, y sólo si, cada vector de gen(S) se
deja escribir de manera única, salvo orden, como una conbinación lineal de
vactores de S.

Demostración. Ejercicio.

Teorema 3.9. Sea S = fx1 ; :::; xr g un subconjunto de un espacio vectorial


V . Entonces S es linealmente dependiente si y sólo si algún vector de S es
combinación lineal del resto de vectores de S.

Demostración. Ejercicio.

3.4. Bases y dimensión


3.4.1. Bases y dimensión
De…nición. Un subconjunto de un espacio vectorial V es una base para
V si gen( ) = V y es linealmente independiente.
72 CAPÍTULO 3. ESPACIOS VECTORIALES

Teorema 3.10. Sea = fx1 ; :::; xn g una base de un espacio vectorial V .


Entonces cualquier conjunto con más de n vectores es linealmente dependi-
ente.

Demostración. Ejercicio.

Teorema 3.11. Sea = fx1 ; :::; xn g una base de un espacio vectorial V:


Entonces cualquier conjunto con menos de n vectores no genera a V .

Demostración. Ejercicio.

Teorema 3.12. Si un espacio vectorial V tiene una base con n vectores,


entonces toda base de V tiene esa misma cantidad de vectores.

Demostración. Ejercicio.

De…niciones. Un espacio vectorial V se dice de dimensión …nita si tiene


una base constituida por un número …nito de vectores. La dimensión de
V , denotada por dim(V ), es el número de vectores de una base de V . La
dimensión del espacio vectorial f0g, se de…ne como cero. Un espacio vectorial
que no tiene una base …nita se dice que es de dimensión in…nita.

Teorema 3.13. Sea V un espacio vectorial con dim(V ) = n. Entonces:

1. Cualquier conjunto linealmente independiente en V tiene a lo más n vec-


tores.

2. Cual quier subconjunto de V que genere a V tiene al menos n elementos.

3. Cualquier subconjunto linealmente independiente de V con n elementos es


una base de V .

4. Cualquier subconjunto de V que tenga n elementos y genere a V es una


base de V .
3.4. BASES Y DIMENSIÓN 73

5. Cualquier subconjunto linealmente independiente de V puede ser extendido


a una base de V .

6. Cualquier subconjunto de V que genere a V puede ser reducido a una base


de V .

Demostración. Ejercicio.

Teorema 3.14. Sean V un espacio vectorian de dimensión n y W un sube-


spacio de V . Entonces dim(W ) dim(V ) y dim(W ) = dim(V ) si, y sólo
si, W = V .

Demostración. Ejercicio.

3.4.2. Vectores de coordenadas


De…nición. Sean = fx1 ; :::; xn g una base ordenada de un espacio vectorial
V y x 2 V . Los coe…cientes ai en la expresión

x = a1 x1 + + an xn

son llamados coordenadas de x respecto a . Además, el vector


2 3
a1
6 7
[x] = 4 ... 5 2 Rn
an

es llamado el vector de coordenadas de x respecto a .

Teorema 3.15. Sean = fx1 ; :::; xn g una base ordenada de un espacio


vectorial V , x; y 2 V y c 2 R. Entonces

[cx + y] = c [x] + [y] .

Demostración Ejercicio.
74 CAPÍTULO 3. ESPACIOS VECTORIALES

Teorema 3.16. Sean = fx1 ; :::; xn g una base ordenada de un espacio vec-
torial V y y1 , ..., yt vectores de
n V . Entonces o
fy1 ; :::; yt g es linealmente inde-
pendiente en V si, y sólo si, [y1 ] ; :::; [yt ] es linealmente independiente
en Rn .

Demostración. Ejercicio.

Teorema 3.17. Sean 1 = fx1 ; :::; xn g y 2 = fy1 ; :::; yn g bases de un


espacio vectorial V . Entonces la matriz invertible
h i
P = [x1 ] 2 [xn ] 2 2 Rn n

es la única matriz que tiene la propiedad

P [x] 1
= [x] 2
8x 2 V .

1
Además, P es la única matriz con la propiedad
1
P [x] 2
= [x] 1
8x 2 V .

Demostración. Ejercicio.

De…nición. La matriz P en el Teorema 3.17 se conoce como la matriz de


cambio de la base 1 a la base 2 .

Teorema 3.18. Sean 1 = fx1 ; :::; xn g, 2 = fy1 ; :::; yn g y 3 = fz1 ; :::; zn g


bases para un espacio vectorial V . Si P es la matriz de cambio de base de
1 a 2 y Q es la matriz de cambio de base de 2 a 3 , entonces QP es la
matriz de cambio de base de 1 a 3 .

Demostración. Ejercicio.

3.5. Espacios vectoriales y matrices


En esta sección presentaremos algunos resultados fundamentales que relacio-
nan las matrices con los espacios vectoriales.
3.5. ESPACIOS VECTORIALES Y MATRICES 75

3.5.1. Los cuatro subespacios fundamentales


Teorema - de…nición 3.19. Sea A 2 Rm n
. Entonces

R(A) = fAx : x 2 Rn g

es un subespacio de Rm . Este subespacio se denomina el espacio columna


de A. El espacio …la de A es el espacio columna de AT . Naturalmente, el
espacio …la de A se denotará por R(AT ).

Demostración Ejercicio.

Teorema 3.20. Sean A; B 2 Rm n


. Entonces:

1. R(A) = R(B) si, y sólo si, B se puede obtener al realizar un número


…nito de operaciones elementales de columna a A.

2. R(AT ) = R(BT ) si, y sólo si, B se puede obtener al realizar un número


…nito de operaciones elementales de …la a A.

Demostración Ejercicio.

Teorema - De…nición 3.21. Sea A 2 Rm n


. Entonces

N (A) = fx 2 Rn : Ax = 0g

es un subespacio de Rn . Este subespacio se conoce como el espacio nulo de


A y N (AT ) es llamado el espacio nulo izquierdo de A. La nulidad de
A es la dimensión del espacio nulo de A.

Demostración. Ejercicio.

Teorema 3.22. Sean A; B 2 Rm n


. Entonces:

1. N (A) = N (B) si y sólo si B se puede obtener al realizar un número …nito


de operaciones elementales de …la a A.
76 CAPÍTULO 3. ESPACIOS VECTORIALES

2. N (AT ) = N (BT ) si, y sólo si, B se puede obtener al realizar un número


…nito de operaciones elementales de columna a A.

Demostración Ejercicio.

3.5.2. Rango de una matriz


De…nición. Sea A 2 Rm n
. El rango de A se de…ne como

rk(A) = dim(gen fA 1 , ..., A n g) = dim(R(A)).

Ejemplo. 2 3
1 3 2 1
rk(4 2 0 1 5 5) = 2.
1 1 1 2

Teorema 3.23. Sea A 2 Rn n


. Entonces A es invertible si, y sólo si,
rk(A) = n.

Demostración. Ejercicio.

Teorema 3.24. Sea A 2 Rm n


. Entonces rk(A) = rk(AT )

Demostración. Ejercicio.

Del Teorema anterior y de la de…nición de rango de una matriz podemos


concluir que: si A 2 Rm n , entonces

rk(A) = dim(gen fA 1 , ..., A n g) = dim(gen AT1 , ..., ATm ):

Nótese que los subespacios en cuestión tienen la misma dimensión, pero el


primero es subespacio de Rm y el segundo de Rn .

Teorema 3.25. Sea A 2 Rm n


. Entonces rk(A) minfm; ng.

Demostración. Ejercicio.
3.5. ESPACIOS VECTORIALES Y MATRICES 77

Teorema 3.26. Sean A 2 Rm n


, B 2 Rn p . Entonces

rk(AB) rk(A).

Demostración. Ejercicio.

Teorema 3.27. Sean A 2 Rm n


y P 2 Rn n
invertible. Entonces

rk(A) = rk(PA).

Demostración. Ejercicio.

Teorema 3.28. Sean A 2 Rm n


y P 2 Rm m
invertible. Entonces

rk(A) = rk(AP).

Demostración. Ejercicio.

Teorema 3.29. Sean A 2 Rm n , P 2 Rm m invertible y Q 2 Rn n


inver-
tible. Entonces
rk(A) = rk(PAQ).

Demostración. Ejercicio.

Teorema 3.30. Sean A 2 Rm n con rk(A) = r > 0. Entonces existen


matrices B 2 Rm r y L 2 Rr n ambas de rango r tales que

A = BL

Demostración. Supongamos que las columnas i1 , ..., ir de A forman un


conjunto linealmente independiente, entonces una matriz E 2 Rn n que se
obtiene al reordenar las …las de In de tal manera que tenga como primeras
…las a (In )i1 , ..., (In )ir es tal que AE tiene las mismas columnas de A, con
78 CAPÍTULO 3. ESPACIOS VECTORIALES

la seguridad de que las primeras r columnas de AE forman un conjunto


linealmente independiente. Sea

B = [A i1 A ir ] 2 Rm r ,

entonces las columnas r + 1, ..., n de AE son combinaciones lineales de las


columnas de B, por esto existen ar+1 , ..., an en Rr tales que

(AE) r+1 = Bar+1 , ..., (AE) n = Ban .

Luego

AE = [Be1 Ber Bar+1 Ban ] = B [e1 er ar+1 an ]


1
y por tanto A = BL, donde L = [e1 er ar+1 an ] E 2 Rr n
. Nótese
que rk(B) = rk(L) = r.

3.6. Ejercicios
1. Demuestre que
82 3 2 3 2 3 2 39
< 1 1 1 1 =
gen 4 2 5 ; 4 0 5;4 2 ; 4 5 = R3 .
5 4
: ;
1 1 1 3

2. Determine si R3 está generado por los vectores


2 3 2 3 2 3 2 3
1 1 0 3
4 1 5;4 0 5;4 1 5;4 2 5.
2 3 5 2

3. Determine cuáles de los vectores


2 3 2 3 2 3
3 1 1
6 1 7 6 0 7 6 1 7
6 7 6 7; 6 7
4 15 5 ; 4 1 5 4 1 5
6 0 0
3.6. EJERCICIOS 79

están en 82 3 2 3 2 39
>
> 1 2 1 >>
<6 =
3 7 6 1 7 6 8 7
gen 6
4
7; 6 7; 6 7 .
>
> 5 5 4 0 5 4 5 5>
>
: ;
2 1 3

4. Exprese el vector general 2 3


x
4 y 5
z
como combinación lineal de los vectores
2 3 2 3 2 3
1 1 1
4 2 5;4 0 5;4 2 5:
1 1 1

5. Demuestre que el espacio de los polinomios de grado menor que 3 en la


variable x y coe…cientes en R está generado por

2; 3 + x; 2 x2

y también por
1; 2 + 2x; 1 x + x2 ; 2 x2 ;
pero no por
1 + x; x + x2 :

6. Demuestre que si el conjunto fx1 ; x2 ; x3 g es linealmente independiente en


un espacio vectorial R V . Entonces fx1 + x2 ; x2 + x3 ; x1 + x3 g es también un
conjunto linealmente independiente.

7. Demuestre que el conjunto


82 3 2 3 2 3 2 39
< 1 1 1 1 =
4 2 5;4 0 5;4 2 5;4 4 5
: ;
1 1 1 3

es linealmente dependiente en R3 .
80 CAPÍTULO 3. ESPACIOS VECTORIALES

8. Demuestre que el conjuto

S = 1; 2 + 2x; 1 x + x2 ; 2 x2

es linealmente dependiente y determine los subconjuntos de S con 3 elementos


que sean linealmente independientes.

9. Determine cuáles de las siguientes matrices no pueden escribirse como


combinación lineal de las demás.
1 1 1 2 2 3 1 1
, , , .
1 2 3 1 3 2 1 6

10. Sea A 2 Rn n . Demuestre que A es invertible si, y sólo si, las columnas
de A forman un conjunto linealmente independiente.

11. Sean P 2 Rn n invertible y fx1 , ..., xt g un conjunto linealmente inde-


pendiente en Rn . Demuestre que fPx1 ; :::; Pxt g es linealmente independiente
en Rn .
Capítulo 4

Transformaciones lineales

En este capítulo introduciremos las transformaciones lineales, que es un tipo


especial de funciones entre espacios vectoriales. Mediante estas funciones
podemos decidir si dos espacios vectoriales comparten ciertas propiedades
algebraicas.

4.1. Transformaciones lineales


De…nición. Sean V y W espacios vectoriales sobre R. Una transformación
lineal de V en W es una función de V en W tal que

T (cx + y) = cT (x) + T (y)

para todos los vectores de V y todo escalar de R.

Ejemplos. Sean V y W espacios vectoriales sobre R. Entonces las siguientes


son transformaciones lineales
T1 : V ! V
,
x 7 ! x

T2 : V ! W
.
x 7 ! 0
Estas transformaciones son llamadas transformación identidad y trans-
formación cero, respectivamente.

81
82 CAPÍTULO 4. TRANSFORMACIONES LINEALES

Ejemplos. Sea A 2 Rm n
. Entonces
T : Rn ! Rm
x 7 ! Ax
es una transformación lineal.

Teorema 4.1. Sean V; W espacios vectoriales sobre R y T de V en W una


transformación lineal. Entonces:

1. T (0) = 0.

2. T ( x) = T (x).

Demostración. Ejercicio.

De…nición. Si T : U ! V y S : V ! W son transformaciones lineales,


entonces la composición de S con T es la función S T : U ! W de…nida
por
(S T )(x) = S(T (x)) 8x 2 U .

Teorema 4.2. Sean U; V; W espacios vectoriales sobre R y T : U ! V y


S : V ! W transformaciones lineales. Entonces S T : U ! W es una
transformación lineal.

Demostración. Ejercicio.

Teorema 4.3. Sean V; W espacios vectoriales sobre R y T de V en W una


transformación lineal. Entonces:

1. Im(T ) es un subespacio de W . La dimensión de Im(T ) se acostumbra a


llamar rango de T (rk(T )).

2. fx 2 V : T (x) = 0g es un subespacio de V . Este subespacio es llamado el


espacio nulo de T y su dimensión se conoce como la nulidad de T (N(T )).

Demostración. Ejercicio.
4.1. TRANSFORMACIONES LINEALES 83

Teorema 4.4. Sean fx1 ; :::; xn g una base de Rn y y1 ; :::; yn vectores de Rm .


Entonces existe una única transformación lineal T de Rn en Rm tal que

T (x1 ) = y1 , T (x2 ) = y2 ; ..., T (xn ) = yn:

Demostración. Ejercicio.

Observación. Los vectores y1 ; :::; yn en el teorema anterior no son necesari-


amente distintos, puede darse hasta la posibilidad extrema de que todos sean
iguales.

Ejemplo. Halle la transformación lineal T : R3 ! R3 tal que


02 31 2 3 02 31 2 3 02 31 2 3
1 1 1 2 2 2
T @4 1 5A = 4 2 5 ; T @4 1 5A = 4 1 5 ; T @4 1 5A = 4 1 5:
2 1 1 1 1 1

Solución. 2 3 2 3 2 3 2 3
1 1 2 x
a4 1 5 + b4 1 5 + c4 1 5=4 y 5
2 1 1 z
implica
a + b 2c = x
a b + c = y :
2a + b c = z
Este sistema tiene como solución a (no seas ‡ojo resuelvelo en casa)

a = y z
b = x 5y 3z
c = x 3y 2z:

Luego,
2 3 2 3 2 3 2 3
1 1 2 x
( y z) 4 1 5 +( x 5y 3z) 4 1 5 +( x 3y 2z) 4 5 4
1 = y 5,
2 1 1 z
84 CAPÍTULO 4. TRANSFORMACIONES LINEALES

por tanto
02 31 02 31 02 31
x 1 1
T @ 4 y 5A = ( y z)T @4 1 5A + ( x 5y 3z)T @4 1 5A
z 2 1
02 31
2
+( x 3y 2z)T @4 1 5A
1
2 3 2 3
1 2
= ( y z) 4 2 5 + ( x 5y 3z) 4 1 5
1 1
2 3
2
+( x 3y 2z) 4 1 5
1
2 3
4x 17y 11z
= 4 2x 10y 7z 5 .
2x + 9y + 6z

Ejemplo. Halle la transformación lineal T : R3 ! R3 tal que


02 31 2 3 02 31 2 3 02 31 2 3
2 1 1 3 1 4
T @ 4 1 5A = 4 5
1 ; T @ 4 2 5A 4
= 2 ; T5 @ 4 0 5A = 1 5:
4
0 2 1 0 3 2
Solución. 2 3 2 3 2 3 2 3
2 1 1 x
4 5 4 5 4 5
a 1 +b 2 +c 0 = y 54
0 1 3 z
implica
2a + b + c = x
a + 2b = y :
b + 3c = z
Este sistema tiene como solución a
3 1 1
a = x y z
5 5 5
3 3 1
b = y x+ z
5 10 10
1 1 3
c = x y + z:
10 5 10
4.1. TRANSFORMACIONES LINEALES 85

Luego,
3 2 2 3 2 3 2 3
2 1 1 x
3 1 1 4 5 3 3 1 1 1 3
( x y z) 1 +( y x+ z) 4 2 5+( x y+ z) 4 0 5 = 4 y 5 ,
5 5 5 5 10 10 10 5 10
0 1 3 z
por tanto
02 31 02 31 02 31
x 2 1
3 1 1 3 3 1
T @4 y 5A = ( x y z)T @4 1 5A + ( y x + z)T @4 2 5A
5 5 5 5 10 10
z 0 1
02 31
1
1 1 3
+( x y + z)T @4 0 5A
10 5 10
3
2 3 2 3
1 3
3 1 1 4 3 3 1
= ( x y z) 1 5+( y x + z) 4 2 5
5 5 5 5 10 10
2 0
2 3
4
1 1 3 4 5
+( x y + z) 1
10 5 10
2
2 1 4 13
3
10
x + 5 y + 10 z
= 4 11
x + 65 y + 107
z 5.
10
7 4 1
5
x 5y + 5z

Ejemplo. Halle la transformación lineal T : R3 ! R4 tal que


3 2 2 3 2 3
02 31 1 02 31 2 02 31 2
1 6 2 7 2 6 7 1 6 1 7
6 7 2 7
T @4 1 5A = 4 5; T @ 4 2 5A = 6
4 ; T @4 1 5A = 6 7
4 0 5:
0 1 5
1 1 3
1 1 1
Solución. 23 2 3 2 3 2 3
1 2 1 x
a4 1 5 + b4 2 5 + c4 1 = y 5
5 4
1 1 3 z
implica
a + 2b c = x
a + 2b + c = y :
a + b + 3c = z
86 CAPÍTULO 4. TRANSFORMACIONES LINEALES

Este sistema tiene como solución a


5 7
a = x y + 2z
2 2
b = 2y x z
1 1
c = y x:
2 2
Luego,
2 3 2 3 2 3 2 3
1 2 1 x
5 7 1 1 4
( x y + 2z) 1 + (2y x z) 2 5 + ( y
4 5 4 x) 1 = y 5,
5 4
2 2 2 2
1 1 3 z
por tanto
02 31 02 31 02 31
x 1 2
@ 4 5 7
T y 5A = ( x y + 2z)T @ 4 1 5A + (2y x z)T @4 2 5A
2 2
z 1 1
02 31
1
1 1 @ 4
+( y x)T 1 5A
2 2
3
2 3 2 3
1 2
5 7 6 2 7 6 2 7
= ( x y + 2z) 6 7 6 7
4 0 5 + (2y x z) 4 1 5
2 2
1 1
2 3
2
1 1 6 1 7
6
7
+( y x)
2 2 4 0 5
1
2 1
3
2
x + 32 y
6 5 x 5 y + 2z 7
= 6 2 2
4 x + 2y z 5 .
7

x y+z

Ejemplo. Halle la transformación lineal T : R4 ! R4 tal que


02 31 2 3 02 31 2 3
1 1 1 0
B6 1 7C 6 0 7 B6 2 7C 6 1 7
TB 6 7C 6
@4 1 5A = 4 0
7 ; T B6 7C = 6 7
5 @4 3 5A 4 1 5
1 1 2 0
4.1. TRANSFORMACIONES LINEALES 87
31 2
02 3 02 31 2 3
2 1 3 0
B6 1 7C 6 0 7 B6 2 7C 6 1 7
TB 6 7C 6
@4 2 5A = 4
7, TB 6 7C 6
@4 3 5A = 4
7
1 5 0 5
1 0 3 1

Solución.
2 3 2 3 2 3 2 3 2 3
1 1 2 3 x
6 1 7 6 2 7 6 1 7 6 2 7 6 y 7
a6
4
7 + b6 7 + c6 7 + d6 7=6 7
1 5 4 3 5 4 2 5 4 3 5 4 z 5
1 2 1 3 w

implica
a + b + 2c + 3d = x
a + 2b + c + 2d = y
:
a + 3b + 2c + 3d = z
a + 2b + c + 3d = w

Este sistema tiene como solución a

1 1 1 1
a = x w+ y z
12 6 2 4
1 5 1 1
b = y x w+ z
2 12 6 4
5 5 1 3
c = x w y+ z
12 6 2 4
2 1 1
d = w+ x z:
3 6 2

Luego,
2 3 2 3 2 3
x 1 1
6 y 7 1 1 1 1 6 1 7 1 6 2 7
6 7 z) 6 7 + (1y 5 1
w + z) 6 7
4 z 5 = ( 12 x 6
w+ y
2 4 4 1 5 2 12
x
6 4 4 3 5
w 1 2
2 3 2 3
2 3
5 5 1 3 6 1 7
7 + (2w + 1x 1 6 2 7
+( x w y + z) 6 z) 6 7,
12 6 2 4 4 2 5 3 6 2 4 3 5
1 3
88 CAPÍTULO 4. TRANSFORMACIONES LINEALES

por tanto
02 31 02 31
x 1
B6 y 7C B6 1 7 C
TB6 7C = ( 1 x 1 1
w+ y
1
z)T B 6 7C
@4 z 5A 12 6 2 4 @4 1 5A
w 1
02 31
1
1 5 1 1 B6 2 7C
+( y x w + z)T B6
@4
7C
2 12 6 4 3 5A
2
02 31
2
5 5 1 3 B6 1 7C
+( x w y + z)T B
@4
6 7C
12 6 2 4 2 5A
1
02 31
3
2 1 1 B 6 7C
+( w + x z)T B 6 2 7C
3 6 2 @ 4 3 5A
3
2 3
1
1 1 1 1 6 0 7
= ( x w+ y z) 6
4
7
12 6 2 4 0 5
1
2 3
0
1 5 1 1 6 1 7
+( y x w + z) 6 7
2 12 6 4 4 1 5
0
2 3
1
5 5 1 3 6 0 7
+( x w y + z) 6 4
7
12 6 2 4 1 5
0
2 3
0
2 1 1 6 1 7
6
7
+( w + x z)
3 6 2 4 0 5
1
2 1 1
3
w + 2x + 2z
6 1w 1x + 1y 1z 7
= 6
4
2 4 2 4 7.
5
w+z
1 1 1 3
2
w + 4x + 2y 4z
4.1. TRANSFORMACIONES LINEALES 89

Teorema 4.5. Sea T : Rn ! Rm una transformación. Entonces


dim(Im(T )) + dim(N(T )) = dim(dominio de T ) = dim(Rn ) = n.

Demostración. Ejercicio.

Ejemplo. Halle bases para Im(T ) y N(T ) si T : R3 ! R3 es tal que


02 31 2 3
x x + 2y + 4z
T @4 y 5A = 4 2x y + 3z 5 :
z x + 3y + z
02 31 2 3
x 0
Solución. (Para N(T )) T @ 4 y 5A = 0 5 si y sólo si
4
z 0

x + 2y + 4z = 0
2x y + 3z = 0 :
x + 3y + z = 0
Este sistema tiene como solución a
x = 2z
y = z
z = z:
Entonces 2 3
x
4 y 5 2 N(T )
z
si y sólo si 2 3 2 3 2 3
x 2z 2
4 y 5=4 z 5 = z4 1 5
z z 1
si y sólo si 2 3 82 39
x < 2 =
4 y 5 2 gen 4 1 5 .
: ;
z 1
90 CAPÍTULO 4. TRANSFORMACIONES LINEALES
82 39
< 2 =
Así, una base para N(T ) es 4 1 5 .
: ;
1
(Para Im(T ))
2 3 2 3 2 3 2 3
x + 2y + 4z 1 2 4
4 2x y + 3z 5 = x 4 2 5+y4 1 + z 3 5:
5 4
x + 3y + z 1 3 1

Entonces 82 3 2 3 2 39
< 1 2 4 =
Im(T ) = gen 4 2 5;4 1 ; 3 5 :
5 4
: ;
1 3 1
Veamos la independencia o dependencia lineal de los vectores en cuestión:
2 3 2 3 2 3 2 3
1 2 4 0
a 4 5
2 +b 4 5 4
1 +c 3 = 0 5 5 4
1 3 1 0

implica
a + 2b + 4c = 0
2a b + 3c = 0 ;
a + 3b + c = 0
el cual tiene como solución a

a = 2c
b = c
c = c:

Luego, 2 3 2 3 2 3 2 3
1 2 4 0
( 2c) 4 2 5 + ( c) 4 1 + c 3 = 0 5,
5 4 5 4
1 3 1 0
en particular, si c = 1
2 3 2 3 2 3 2 3
1 2 4 0
( 2) 4 2 5 + ( 1) 4 5 4 5 4
1 + (1) 3 = 0 5 ,
1 3 1 0
4.1. TRANSFORMACIONES LINEALES 91

entonces el conjunto es linealmente dependiente. Entonces podemos eliminar


uno de los vectores que en la combinación lineal anterior esté acompañado
2 3 por
4
un escalar no cero. Decidimos eliminar en este caso al vector 4 3 5 (porque
1
nosdió la gana, pudo bién haber sido cualesquiera de los otros dos). Luego,
82 3 2 39
< 1 2 =
Im(T ) = gen 4 2 5;4 1 5 ;
: ;
1 3

pero esos dos vectores forman un conjunto linealmente independiente porque


no son multiplos. Conclusión
82 3 2 39
< 1 2 =
4 2 5;4 1 5
: ;
1 3

es base de Im(T ).

Ejemplo. Halle bases para Im(T ) y N(T ) si T : R4 ! R3 es tal que

02 31
x 2 3
B6 y 7C x + 3y + 2z w
TB 6 7C 4
@4 z 5A = x 2y + z 2w 5 :
2x + 2y + 3z w
w

02 31
x 2 3
B6 y 7C 0
B
Solución. (Para N(T )) T @46 7C 4
= 0 5 si y sólo si
z 5A
0
w

x + 3y + 2z w = 0
x 2y + z 2w = 0 :
2x + 2y + 3z w = 0
92 CAPÍTULO 4. TRANSFORMACIONES LINEALES

Este sistema tiene como solución a


61
x = w
17
12
y = w
17
21
z = w
17
w = w

Entonces 2 3
x
4 y 5 2 N(T )
z
si y sólo si 2 3 2 3 2 3
61 61
x 17
w 17
6 y 7 6 12
w 7 6 12 7
6 7 6 17 7 = w6 17 7
4 z 5=4 21
w 5 4 21 5
17 17
w w 1
si y sólo si 2 3 82 61 39
x >
> >
>
6 y 7 <6 1712 7=
6 7 2 gen 6 17 7
4 z 5 > 4 21 5> .
>
: 17 >
;
w 1
82 61 39
>
> >
>
<6 17 12 7=
6 17
Así, una base para N(T ) es 4 21 5 . 7
>
> 17 >
>
: ;
1
(Para Im(T ))
2 3 2 3 2 3 2 3 2 3
x + 3y + 2z w 1 3 2 1
4 x 2y + z 2w 5 = x 4 1 5 + y 4 2 5 + z 4 1 5 + w 4 2 5:
2x + 2y + 3z w 2 2 3 1

Entonces
82 3 2 3 2 3 2 39
< 1 3 2 1 =
Im(T ) = gen 4 1 5;4 2 ; 1 5;4
5 4 2 5 :
: ;
2 2 3 1
4.1. TRANSFORMACIONES LINEALES 93

Veamos la independencia o dependencia lineal de los vectores en cuestión:


2 3 2 3 2 3 2 3 2 3
1 3 2 1 0
a4 1 5 + b4 5 4
2 +c 1 +d 5 4 2 = 0 5
5 4
2 2 3 1 0

implica
a + 3b + 2c d = 0
a 2b + c 2d = 0 ;
2a + 2b + 3c d = 0
el cual tiene como solución a
11
a = d
17
12
b = d
17
21
c = d
17
d = d

Luego,
2 3 2 3 2 3 2 3 2 3
1 3 2 1 0
11 4 12 4 21
( d) 1 5+( d) 2 5 + ( d) 4 1 5 + (d) 4 2 5 = 4 0 5,
17 17 17
2 2 3 1 0

en particular, si d = 1
2 3 2 3 2 3 2 3 2 3
1 3 2 1 0
11 12 4 21
( )4 1 5 + ( ) 2 5 + ( ) 4 1 5 + (1) 4 2 = 0 5,
5 4
17 17 17
2 2 3 1 0

entonces el conjunto es linealmente dependiente. Entonces podemos eliminar


uno de los vectores que en la combinación lineal anterior
2 esté
3 acompañado
1
por un escalar no cero. Decidimos eliminar al vector 4 2 5. Luego,
1
82 3 2 3 2 39
< 1 3 2 =
Im(T ) = gen 4 5
1 ; 4 2 ; 1 5 ;
5 4
: ;
2 2 3
94 CAPÍTULO 4. TRANSFORMACIONES LINEALES

Analicemos la independencia o dependencia lineal de estos vectores:


2 3 2 3 2 3 2 3
1 3 2 0
a4 1 5 + b4 2 5 + c4 1 5 = 4 0 5
2 2 3 0

implica
a + 3b + 2c = 0
a 2b + c = 0 ;
2a + 2b + 3c = 0
el cual tiene como solución a

a = 0
b = 0
c = 0

Luego, el conjunto 82 3 2 3 2 39
< 1 3 2 =
4 1 5;4 5 4
2 ; 1 5
: ;
2 2 3
es linealmente independiente y genera a Im(T ), por tanto es base de Im(T ).

Ejemplo. Halle bases para N(T ) e Im(T ) si T : R3 ! R3 está dada por la


fórmula 02 31 2 3
x1 x1 2x2 3x3
T @4 x2 5A = 4 2x1 + x2 + 4x3 5 :
x3 3x1 x2 + 2x3
Solución. Primero hallemos una base para Im(T ):
2 3 2 3 2 3 2 3
x1 2x2 3x3 1 2 3
4 2x1 + x2 + 4x3 5 = x1 4 2 5 + x2 4 1 5 + x3 4 4 5,
3x1 x2 + 2x3 3 1 2

entonces 82 3 2 3 2 39
< 1 2 3 =
Im(T ) = gen 4 2 5 ; 4 1 5;4 4 5 :
: ;
3 1 2
4.1. TRANSFORMACIONES LINEALES 95

Nos preguntamos si el conjunto anterior es linealmente independiente ó lineal-


mente dependiente. Para responder esa pregunta procedemos de la siguiente
manera: hacemos
2 3 2 3 2 3 2 3
1 2 3 0
4
a 2 +b 5 4 5
1 +c 4 4 = 0 5,
5 4
3 1 2 0
lo cual implica
a 2b 3c = 0
2a + b + 4c = 0 ,
3a b + 2c = 0
la solución de este sistema es a = 0; b = 0; c = 0, por tanto el conjunto es
linealmente independiente y así
82 3 2 3 2 39
< 1 2 3 =
4 2 5;4 1 5;4 4 5
: ;
3 1 2
es base de Im(T ).
Analicemos ahora la situación para N(T ): como
dim(N(T ))+ dim(Im(T )) = dim(dominio de T ) = dim(R3 ) = 3,
pero dim(Im(T )) = 3, entonces dim(Im(T )) = 0, en consecuencia
82 39
< 0 =
N(T ) = 4 0 5
: ;
0
y por tanto ne existe base para N(T ).

Ejemplo. Halle bases para N(T ) e Im(T ) si T : R3 ! R3 está dada por la


fórmula 02 31 2 3
x1 x1 2x2 + 5x3
T @4 x2 5A = 4 x1 + 3x2 5:
x3 x1 + 2x2 + x3
Solución. Primero hallemos una base para Im(T ):
2 3 2 3 2 3 2 3
x1 2x2 + 5x3 1 2 5
4 x1 + 3x2 5 4 5
= x1 1 + x2 4 5 4
3 + x3 0 5 ,
x1 + 2x2 + x3 1 2 1
96 CAPÍTULO 4. TRANSFORMACIONES LINEALES

entonces 82 3 2 3 2 39
< 1 2 5 =
Im(T ) = gen 4 1 5 ; 4 3 ; 0 5 :
5 4
: ;
1 2 1
Nos preguntamos si el conjunto anterior es linealmente independiente ó lineal-
mente dependiente. Para responder esa pregunta procedemos de la siguiente
manera: hacemos
2 3 2 3 2 3 2 3
1 2 5 0
4
a 1 +b 5 4 3 + c 0 = 0 5,
5 4 5 4
1 2 1 0

lo cual implica
a 2b + 5c = 0
a + 3b = 0 ,
a + 2b + c = 0
la solución de este sistema es a = 3c; b = c; c = c, por tanto el conjunto es
linealmente dependiente y por tanto debemos eliminar uno a más vectores
del conjunto, de tal manera que los restantes formen un conjunto lineal-
mente independiente que siga generando a Im(T ). Para tal hecho notamos
que tomando c = 1 obtenemos
2 3 2 3 2 3 2 3
1 2 5 0
( 3) 4 1 5 + (1) 4 3 5 + (1) 4 0 5 = 4 0 5 ,
1 2 1 0

tenemos entonces una combinación lineal de los vectores


82 3 2 3 2 39
< 1 2 5 =
4 1 5;4 3 5;4 0 5
: ;
1 2 1

igual a cero, en la cual ninguno de los escalares es cero, por tanto podemos
eliminar a cualquiera de los vectores que en esa combinación lineal esté acom-
pañedo de un escalar no nulo y los vectores restantes generarán lo mismo que
el conjunto inicial. El vector que hemos decidido eliminar es
2 3
5
4 0 5
1
4.1. TRANSFORMACIONES LINEALES 97

y como los dos restantes no son múltiplos, tenemos que


82 3 2 39
< 1 2 =
4 1 5;4 3 5
: ;
1 2

es un conjunto linealmente independiente que genera a Im(T ), por lo que este


par de vectores conforma una base para Im(T ). 2 3
x1
Analicemos ahora la situación para N(T ): un vector 4 x2 5 de R3 está en
x3
N(T ) si y sólo si 02 31 2 3
x1 0
T @ 4 x2 5 A = 0 5;
4
x3 0
si y sólo si
x1 2x2 + 5x3 = 0
x1 + 3x2 = 0 .
x1 + 2x2 + x3 = 0
Pero
2 este
3 sistema tiene como solución a x1 = 3x3 ; x2 = x3 , x3 = x3 . Luego,
x1
4 x2 5 está en N(T ) si y sólo si
x3
2 3 2 3 2 3
x1 3x3 3
4 x2 5 = 4 x3 5 = x3 4 1 5 .
x3 x3 1
2 3
3
Así, N(T ) está generado por el vector 4 1 5, el cual por ser distinto del
1
vector cero forma un conjunto linealmente independiente. Concluimos que
82 39
< 3 =
4 1 5
: ;
1

es una base para N(T ).


98 CAPÍTULO 4. TRANSFORMACIONES LINEALES

Ejemplo. Halle bases para N(T ) e Im(T ) si T : R4 ! R4 está dada por la


fórmula 02 31 2 3
x1 x1 + 3x2 + 2x3 + 6x4
B6 x2 7C 6 x1 + 3x2 + x3 + 3x4 7
TB 6 7C 6
@4 x3 5A = 4 x1 + x2 + x3 + 3x4 5 :
7

x4 2x1 + 4x2 + x3 + 3x4


Solución. Primero hallemos una base para Im(T ):
2 3 2 3 2 3 2 3 2 3
x1 + 3x2 + 2x3 + 6x4 1 3 2 6
6 x1 + 3x2 + x3 + 3x4 7 6 7
1 7 6 3 7 6 7 6 3 7
6 7 = x1 6 + x2 6 7 + x3 6 1 7 + x4 6 7,
4 x1 + x2 + x3 + 3x4 5 4 1 5 4 1 5 4 1 5 4 3 5
2x1 + 4x2 + x3 + 3x4 2 4 1 3

entonces 82 3 2 3 2 3 2 39
>
> 1 3 2 6 >
>
<6 7=
1 7 6 3 7 6 1 7 6 3
Im(T ) = gen 6
4
7;6 7;6 7;6 7 :
>
> 1 5 4 1 5 4 1 5 4 3 5>
>
: ;
2 4 1 3
Nos preguntamos si el conjunto anterior es linealmente independiente ó lineal-
mente dependiente. Para responder esa pregunta procedemos de la siguiente
manera: hacemos
2 3 2 3 2 3 2 3 2 3
1 3 2 6 0
6 1 7 6 3 7 6 1 7 6 3 7 6 0 7
a6 7 6 7 6 7 6 7 6 7
4 1 5 + b4 1 5 + c4 1 5 + d4 3 5 = 4 0 5,
2 4 1 3 0

lo cual implica
a + 3b + 2c + 6d = 0
a + 3b + c + 3d = 0
a + b + c + 3d = 0
2a + 4b + c + 3d = 0
la solución de este sistema es

a = 21 c 3
2
d
b = 12 c 3
2
d
c=c
d=d
4.1. TRANSFORMACIONES LINEALES 99

por tanto el conjunto es linealmente dependiente y por tanto debemos elimi-


nar uno a más vectores del conjunto, de tal manera que los restantes formen
un conjunto linealmente independiente que siga generando a Im(T ). Para tal
hecho notamos que tomando d = 1 y c = 1 obtenemos
2 3 2 3 2 3 2 3 2 3
1 3 2 6 0
6 1 7 6 3 7 6 1 7 6 3 7 6 0 7
( 2) 6 7 6 7 6 7 6 7 6 7
4 1 5 + ( 2) 4 1 5 + (1) 4 1 5 + (1) 4 3 5 = 4 0 5 ,
2 4 1 3 0

tenemos entonces una combinación lineal de los vectores


82 3 2 3 2 3 2 39
>
> 1 3 2 6 > >
<6 7 6 7 6 7 6 7=
6 1 3
7 6 7 6 7 6 7 1 3
> 4 1 5 ; 4 1 5 ; 4 1 5 ; 4 3 5>
>
: >
;
2 4 1 3

igual a cero, en la cual ninguno de los escalares es cero, por tanto podemos
eliminar a cualquiera de los vectores que en esa combinación lineal esté acom-
pañedo de un escalar no nulo y los vectores restantes generarán lo mismo que
el conjunto inicial. El vector que hemos decidido eliminar es
2 3
6
6 3 7
6 7:
4 3 5
3

Luego, el conjunto 82 3 2 3 2 39
>
> 1 3 2 >>
<6 7 6 7 6 1 7=
6 1 7 6 3 7;6 7
4 ;
>
> 1 5 4 1 5 4 1 5>
>
: ;
2 4 1
genera a Im(T ) y nos preguntamos si este nuevo conjunto es linealmente
independiente. Para resolver esta pregunta hacemos lo siguiente:
2 3 2 3 2 3 2 3
1 3 2 0
6 1 7 6 3 7 6 1 7 6 0 7
a6 7 6 7 6 7 6 7
4 1 5 + b4 1 5 + c4 1 5 = 4 0 5
2 4 1 0
100 CAPÍTULO 4. TRANSFORMACIONES LINEALES

implica
a + 3b + 2c = 0
a + 3b + c = 0
:
a+b+c=0
2a + 4b + c = 0
Este sistema tiene como solución
a = 12 c
b = 12 c
c=c
por tanto el conjunto es linealmente dependiente y por tanto debemos elimi-
nar uno a más vectores del conjunto, de tal manera que los restantes formen
un conjunto linealmente independiente que siga generando a Im(T ). Para tal
hecho notamos que tomando c = 2 obtenemos
2 3 2 3 2 3
1 3 0
6 1 7 6 3 7 6 0 7
( 1) 6 7 6 7 6 7
4 1 5 + ( 1) 4 1 5 + (2) = 4 0 5 ,
2 4 0
tenemos entonces una combinación lineal de los vectores
82 3 2 3 2 39
>
> 1 3 2 > >
<6 7 6 7 6 7=
6 1 3
7 6 7 6 7 1
>4 1 5 ; 4 1 5 ; 4 1 5>
>
: >
;
2 4 1
igual a cero, en la cual ninguno de los escalares es cero, por tanto podemos
eliminar a cualquiera de los vectores que en esa combinación lineal esté acom-
pañedo de un escalar no nulo y los vectores restantes generarán lo mismo que
el conjunto inicial. El vector que hemos decidido eliminar es
2 3
2
6 1 7
6 7:
4 1 5
1
En consecuencia el conjunto
82 3 2 39
>
> 1 3 >
>
<6 7=
6 1 7 6 3
7;6 7
>4 1 5 4 1 5>
>
: >
;
2 4
4.1. TRANSFORMACIONES LINEALES 101

sigue generando a Im(T ) y como estos dos vectores no son múltiplos forman
un conjunto linealmente independiente, por tanto son 2una base
3 para Im(T ).
x1
6 x2 7
Analicemos ahora la situación para N(T ): un vector 6 7 4
4 x3 5 de R está en
x4
N (T ) si y sólo si
02 31 2 3
x1 0
B6 x2 7C 6 0 7
TB 6 7C 6 7
@4 x3 5A = 4 0 5 ;
x4 0
si y sólo si
x1 + 3x2 + 2x3 + 6x4 = 0
x1 + 3x2 + x3 + 3x4 = 0
.
x1 + x2 + x3 + 3x4 = 0
2x1 + 4x2 + x3 + 3x4 = 0

, Solution is: x1 = 21 x3 32 x4 ; x2 = 1
x
2 3
3
x Pero este sistema tiene co-
2 4
mo
2 solución
3 a x1 = 12 x3 32 x4 ; x2 = 1
x
2 3
3
x , x3 = x3 , x4 = x4 . Luego,
2 4
x1
6 x2 7
6 7
4 x3 5 está en N(T ) si y sólo si
x4
2 3 2 1 3
3 2 1
3 2 3
3
x1 x
2 3
x
2 4 2 2
6 x2 7 6 1
x 3
x 7 6 1 7 6 3 7
6 7 6 2 3 2 4 7 = x3 6 2 7 + x4 6 2 7.
4 x3 5 = 4 x3 5 4 1 5 4 0 5
x4 x4 0 1

Así, N(T ) está generado por el conjunto


82 1
3 2 3
39
>
> 2 2 >
>
<6 17 6 3 7=
6 27;6 2 7
>4 1 5 4 0 5>
>
: >
;
0 1

el cual es linealmente independiente porque esos dos vectores no son múltip-


102 CAPÍTULO 4. TRANSFORMACIONES LINEALES

los. Concluimos que 82 3 2 39


1 3
>
> 2 2 >
>
<6 1 7 6 3 7=
6 2 7;6 2 7
>4 1 5 4 0 5>
>
: >
;
0 1
es una base para N(T ).
4.1. TRANSFORMACIONES LINEALES 103

Teorema 4.6. Sean V; W un espacios vectoriales sobre R y T una transfor-


mación lineal de V en W . Entonces T es sobreyectiva si y sólo si existe una
base de W contenida en Im(T ).

Demostración. Ejercicio.

Teorema 4.7. Sean V; W espacios vectoriales sobre R y T una transforma-


ción lineal de V en W . Entonces T es inyectiva si y sólo si el espacio nulo
de T es f0g.

Demostración. Ejercicio.

De…nición. Sean V; W espacios vectoriales sobre R y T de V en W una


transformación lineal. Entonces T es un isomor…smo si T es biyectiva. En
tal caso se dice que V es isomorfo a W o que V y W son isomorfos.

Teorema 4.8. Sean V; W espacios vectoriales de dimensión …nita sobre R y


T un isomor…smo de V en W . Entomces:

1. Si fx1 ; :::; xn g es un conjunto linealmente independiente de V , entonces


fT (x1 ); :::; T (xn )g es un conjunto linealmente independiente de W .

2. Si fx1 ; :::; xn g genera a V , entonces fT (x1 ); :::; T (xn )g genera a W .

3. Si fx1 ; :::; xn g es una base de V , entonces fT (x1 ); :::; T (xn )g es una base
de W .

Demostración. Ejercicio.

Teorema 4.9. Todo espacio vectorial V sobre R de dimensión n es isomorfo


a Rn .

Demostración. Ejercicio.
104 CAPÍTULO 4. TRANSFORMACIONES LINEALES

Teorema 4.10. Sean V un espacio vectorial de dimensión n sobre R, W un


espacio vectorial de dimensión m sobre R, = fx1 ; :::; xn g una base ordenada
de V , 0 una base ordenada de W y T una transformación lineal de V en
W . Entonces h i
A = [T (x1 )] 0 [T (xn )] 0

es la única matriz de Rm n
tal que

A [x] = [T (x)] 0 para todo x 2 V .

Esta matriz se llama la matriz que representa a T respecto a las bases


ordendas y 0 .

Demostración. Ejercicio.

Algunas veces, la matriz que representa a una trasformación lineal T respecto


a las base y 0 se denota por [T ] 0 . Con esta notación, la expresión
A [x] = [T (x)] 0 se convierte en

[T ] 0 [x] = [T (x)] 0 .

Ejemplo. Consideremos las bases

1 = 1, 1 x, 1 x2 , 1 x3

de P3 ,

1 1 1 1 1 1 1 1 1
2 = ; ; ;
1 1 1 1 1 0 1 0 0

1 1 1 1 1 0 1 0 0
; ;
0 0 0 0 0 0 0 0 0

de R2 3
y hallemos la matriz que representa a la transformación lineal

T : P3 ! R2 3
a0 0 a1
a0 + a1 x + a2 x 2 + a3 x 3 7 !
a2 0 a3
4.1. TRANSFORMACIONES LINEALES 105

respecto de las bases 1 y 2. En efecto,

1 0 0 T
T (1) = =) [T (1)] = 0 0 0 0 0 1
0 0 0 2

1 0 1 T
T (1 x) = =) [T (1 x)] = 0 0 0 1 1 1
0 0 0 2

1 0 0 T
T (1 x2 ) = =) T (1 x2 ) = 0 0 1 1 0 1
1 0 0 2

1 0 0 T
T (1 x3 ) = =) T (1 x3 ) = 1 1 0 0 0 1 :
0 0 1 2

Luego, la matriz que representa a T respecto de las bases 1 y 2 es


2 3
0 0 0 1
6 0 0 0 1 7
6 7
6 0 0 1 0 7
A=6 6 0
7.
6 1 1 0 7
7
4 0 1 0 0 5
1 1 1 1

Nótese que si p(x) = a0 + a1 x + a2 x2 + a3 x3 , entonces


2 3 2 3
0 0 0 1 2 3 a3
6 0 0 0 7
1 7 a0 + + a3 6 a3 7
6 6 7
6 0 0 1 0 76 a 7 6 a 7
A [p(x)] 1 = 6
6 0
76
74
1 7=6
5 6
2 7 = [T (P (x))] .
7
6 1 1 0 7 a 2 6 1 a2
a 7 2

4 0 1 0 0 5 a3 4 a1 5
1 1 1 1 a0

Teorema 4.11. Sean U; V y W espacios vectoriales de dimensión …nita sobre


R con base ; 0 y 00 , respectivamente. Sean T : U ! V y S : V ! W
transformaciones lineales. Entonces

[S T] 00 = [S] 00 0 [T ] 0 .

Demostración. Ejercicio.
106 CAPÍTULO 4. TRANSFORMACIONES LINEALES

Teorema 4.12. Sea V un espacio vectorial de dimensión …nita sobre R con


bases y 0 y sea T : V ! V una transformación lineal. Entonces
1
[T ] 0 0 =P [T ] P,
0
donde P es la matriz de cambio de la base a la base .

Demostración. Ejercicio.

4.2. Ejercicios
1. Determine si
T : 2 R3 3 ! 2 R3 3
x 1+x+y
4 y 5 7 ! 4 3x + 2z 5
z 5 2y z

es una transformación lineal.

2. Halle una transformación lineal de R4 a R3 que tenga como espacio nulo a


82 3 2 39
>
> 1 1 >
>
<6 7 6 7=
6 2 7 6 3 7
gen 4 5 ; 4 .
>
> 1 0 5>>
: ;
2 4

3. Encuentre una transformación lineal de R3 en R3 que tenga como imagen


a 82 3 2 39
< 2 1 =
gen 4 5
1 ; 4 1 5 .
: ;
0 1

4. Sean
1 3 2
A=
0 2 1
y
T : R3 ! R2
.
x 7 ! Ax
4.2. EJERCICIOS 107

Halle el espacio nulo, nulidad, imagen y rango de T .

5. Halle un isomor…smo de R2 2
en R4 y otro de R4 en R2 2 .

6. Sean R V un espacio vectorial de dimensión n y una base de R V . De-


muestre que
T : V ! Rn
x 7 ! [x]
es un isomor…smo. Esto demuestra el Teorema 4.9.

7. Sea A 2 Rn n
. Demuestre que A es invertible si y sólo si la transformación
lineal
T : Rn ! Rn
x 7 ! Ax
es biyectiva.

8. Sean V un espacio vectorial sobre R de dimensión …nita, una base de


V , W un espacio vectorial sobre R y T una transformación lineal de V en
W . Demuestre que T es la transformación cero si, y sólo si, T (x) = 0 para
todo x de .
Capítulo 5

Ortogonalidad

El principal objetivo de este capítulo es el estudio de los espacios vectoriales


reales en los que tiene sentido hablar de longitud de un vector y ángulo entre
vectores. Se hará esto mediante el estudio de ciertas funciones conocidas como
productos interiores.

5.1. Espacios con productos interiores


De…nición. Un producto interior en un espacio vectorial V sobre R es
una función que asigna a cada par de vectores x; y de V un escalar hx; yi 2 R
de tal modo que para cualesquier x; y; z de V y todos los escalares c 2 R se
tiene que:

1. hx; xi 0 y hx; xi = 0 si, y sólo si, x = 0.

2. hx; cyi = c hx; yi.

3. hx; y + zi = hx; yi + hx; zi.

4. hx; yi = hy; xi.

Debe observarse que las condiciones 2, 3 y 4 implican que

hcx + y; zi = c hx; zi + hy; zi .

108
5.2. ESPACIOS NORMADOS 109

De…nición. Un espacio con producto interior es un espacio vectorial


sobre R junto con un producto interior de…nido en ese espacio.

Un espacio vectorial real con producto interior y dimensión …nita es un es-


pacio euclidiano.

Ejemplo. En Rn existe un producto interior llamado producto interior


canónico o producto punto. Está de…nido para
2 3 2 3
x1 y1
6 7 6 7
x = 4 ... 5 , y = 4 ... 5 en Rn
xn yn
como
hx; yi2 = x1 y1 + + xn yn .

Ejemplo. Si A 2 Rn n
es invertible, entonces

hx; yi = xT AT Ay

es un producto interior en Rn . Este es llamado el A producto interior.

Ejemplo.
hA; Bi = tr(AT B)
es un producto interior en Rm n y Rm n . Este es el producto interior
canónico de matrices. Nótese que se reducen al productor interior canónico
en Rm cuando n = 1.

5.2. Espacios normados


De…nición. Una norma en un espacio vectorial V sobre R es una función
k k de V en R que satisface las siguientes condiciones para todo x; y 2 V y
todo c 2 R :

1. kxk 0 y kxk = 0 si, y sólo si, x = 0.

2. kcxk = jcj kxk.


110 CAPÍTULO 5. ORTOGONALIDAD

3. kx + yk kxk + kyk.

De…nición. Un espacio normado es un espacio vectorial sobre R junto


con una norma de…nida en ese espacio.

Ejemplo. Si para cada x = [xi ] 2 Rn de…nimos


1 p
kxk2 = x21 + + x2n 2
= xT x.
Entonces k k2 es una norma en Rn .

Más aún, tenemos el siguiente resultado, en forma de ejemplo, que es una


fuente rica que nos ilustra acerca de la gran variedad de normas que se pueden
de…nir en Rn

Ejemplo. Sea p 1. Si para cada x = [xi ] 2 Rn de…nimos


1
kxkp = (jx1 jp + + jxn jp ) p .
Entonces k kp es una norma en Rn . Esta norma es llamada la p-norma de
Rn .

Ejemplo. Si para cada x = [xi ] 2 Rn de…nimos


kxk1 = max jxi j .
i

Entonces k k1 es una norma en Rn .

De…niciones. Sean V un espacio vectorial normado y x; y 2 V . La longi-


tud de x es kxk2 y la distancia entre x e y es
d(x; y) = kx yk2 .

Ejemplo. Hallemos la longitud de x y la distancia entre x y y, donde


2 3 2 3
1 3
x = 4 2 5 y y = 4 1 5.
4 5
5.2. ESPACIOS NORMADOS 111

Por de…nición de longitud y distancia tenemos:


2 3
1 p p
kxk2 = 4 2 5 = ( 1)2 + (2)2 + (4)2 = 21,
4 2

y 2 3 2 3 2 3
1 3 4
d(x; y) = 4 2 5 4 1 5 = 4 1 5
4 5 2
9 2
p p
= ( 4)2 + (1)2 + (9)2 = 7 2.

Teorema 5.1. (Desigualdad de Cauchy-Bunyakovskii-Schwarz). Sea


V un espacio vectorial sobre R con producto interior h ; i. Entonces
p p
jhx; yij hx; xi hy; yi para todo x; y 2 V .

Demostración. Ejercicio.

Teorema 5.2. (Desigualdad triangular). Sea V un espacio vectorial sobre


R con producto interior h ; i. Entonces
p p p
hx + y ; x + yi hx; xi + hx; xi para todo x; y 2 V .

Demostración. Ejercicio.

Teorema 5.3. Sean V sobre R un espacio con producto interior h ; i. En-


tonces
k k : V ! pR
x 7 ! hx; xi
es una norma en V . Esta norma es la norma en V inducida por el
producto interior h ; i.

Demostración. Ejercicio.
112 CAPÍTULO 5. ORTOGONALIDAD

De…nición. Sean x; y vectores no nulos de un espacio vectorial V sobre R


con producto interior h ; i. El ángulo entre los vectores x e y se de…nde
como
hx; yi
= cos 1 ,
kxk kyk
donde k k es la norma en inducida por h ; i.

Cuando hablemos de ángulo entre vectores de Rn sólo consideraremos el


producto interior h ; i2 y la norma k k2 .

Al realizar los cálculos para hallar el ángulo entre dos vectores, asegúrese de
que su calculadora esté en modo radianes.

Ejemplo. Hallemos el ángulo entre los vectores

2 7
y .
3 1

En efecto,
0 2 32 3 1
4
2 54 7 5
;
hx; yi2 B 3 1 C
= cos 1
= cos 1 B 2 3 2 3 2C
kxk2 kyk2 @ 2 5 4 7 5 A
4
3 2 1 2

1 11
= cos p p cos 1 ( 0;431455497)
13 52

2;0169 radianes 115;6 grados:

Teorema 5.4. (Identidad del paralelogramo). Para una norma k k en


un espacio vectorial V sobre R, existe un pruducto interior h ; i en V tal
que kxk2 = hx; xi para todo x 2 V si, y sólo si, la identidad del paralel-
ogramo
kx + yk2 + kx yk2 = 2 kxk2 + kyk2
se cumple para todo x; y 2 V .
5.3. VECTORES ORTOGONALES 113

Demostración. Ejercicio.

Teorema 5.5. Sean U 2 Rn n


ortogonal y u una columna de U. Entonces

kuk2 = 1:

Demostración.

UT U = In =) uT u = 1 =) hu ; ui2 = 1

=) kuk22 = 1 =) kuk2 = 1.

Teorema 5.6. Sean U 2 Rn n


ortogonal y x 2 Rn . Entonces kUxk2 = kxk2 .

Demostración.

kUxk22 = hUx ; Uxi2 = (Ux)T Ux = xT UT Ux = xT x = kxk22 .

Luego kUxk2 = kxk2 .

5.3. Vectores ortogonales


De…niciones. Sean x y y vectores de un espacio vectorial V con producto
interior h ; i. Entonces x es ortogonal a y si hx; yi = 0; como esto implica
que y es ortogonal a x, a menudo sólo diremos que x y y son ortogonales.
Si S es un conjunto de vectores de V , se dice que S es un conjunto orto-
gonal siempre que todos los pares de vectores distintos de S sean ortogonales.
Un conjunto ortonormal es un conjunto ortogonal S con la propiedad
adicional de que kxk = 1 para todo x 2 S.

Teorema 5.7. Todo conjunto ortogonal de vectores no nulos es linealmente


independiente.

Demostración. Ejercicio.
114 CAPÍTULO 5. ORTOGONALIDAD

Teorema 5.8. Si un vector x es combinación lineal de un conjuto ortogonal


de vectores no nulos fx1 ; :::; xn g, entonces x es igual a la combinación lineal
particular
hx; x1 i hx; xn i
x= 2 x1 + + xn .
kx1 k kxn k2

Demostración. Ejercicio.

Teorema 5.9. (Proceso de ortogonalización Gram-Schmidt) Sean V


un espacio con producto interior h ; i y = fx1 ; :::; xn g una base de V . Si
k k es la norma en V inducida por h ; i. Entonces 0 = fy1 ; :::; yn g es una
base de ortogonal de V , donde

hxj ; y1 i hxj ; yj 1 i
y1 = x1 y yj = xj ( y1 + + yj 1 ) para j = 2; :::; n.
hy1 ; y1 i hyj 1 ; yj 1 i

Demostración. Ejercicio.

Teorema 5.10. Todo espacio con producto interior de dimensión …nita tiene
una base ortonormal.

Demostración. Ejercicio.

De…nición. Sean W un subespacio de un espacio vectorial con producto


interior V y x 2 V . Una mejor aproximación a x por vectores de W es
un vector y 2 W tal que

kx yk kx wk

para todo w 2 W .

Teorema 5.11. Sean W un subespacio de un espacio con producto interior


V y x 2 V . Entonces:

1. Un vector y 2 W es una mejor aproximación a x, por vectores de W si,


y sólo si, x y es ortogonal a todo vector de W .
5.4. EJERCICIOS 115

2. Si existe una mejor aproximación a x por vectores de W es única.

3. Si W es de dimensión …nita y fx1 ; :::; xn g es cualquier base ortogonal de


W , entonces el vector
hx; x1 i hx; xn i
y= x1 + + xn .
kx1 k2 kxn k2
es la única mejor aproximación a x por vectores de W .

Demostración. Ejercicio.

De…nición. Siempre que exista el vector y del que se habla en el Teorema


5.11 se le llamará la proyección ortogonal de x sobre W .

De…nición. Sean V un espacio con producto interior y S un subconjunto no


vacío de V . El complemento ortogonal de S es el conjunto S ? de todos
los vectores de V ortogonales a todo vector de S. Si W y U son subespacios
de V , y cada vector de W es ortogonal a cada vector de U , entonces W y
U son subespacios ortogonales. Si W y U son subespacios ortogonales,
denotaremos tal hecho por W ?U .

Teorema 5.12. Sea W un subespacio de un espacio vectorial dimensión


…nita con producto interior V . Entonces
V =W W ?.
La expresión W W ? signi…ca que cada vector de V se deja escribir de
manera única, salvo conmutatividad, como la suma de un vector en W con
otro de W ? y que W \ W ? es igual a vacío.

Demostración. Ejercicio.

5.4. Ejercicios
1. Calcule hx; yi2 si 2 3 2 3
1 3
x=4 2 , y = 2 5.
5 4
1 2
116 CAPÍTULO 5. ORTOGONALIDAD

2.Calcule hx; yi2 si 2 3 2 3


1 1
x = 4 2 5, y = 4 1 5.
2 2

3.Calcule kxk2 ; kxk1 y kxk1 , para


2 3
1
x=4 2 5.
3

4.Calcule kxk2 para 2 3


2
x = 4 2 5.
3

5. Sean x; y 2 Rn . Demuestre que

kx + yk22 + kx yk22 = 2(kxk22 + kyk22 ).

6. Halle una base ortonormal para R4 a partir de la base


82 3 2 3 2 3 2 39
>
> 3 1 1 0 > >
<6 7 6 3 7 6 0 7 6 1 7=
6 0 7, 6 7, 6 7, 6 7 .
> 4 1 5 4 0 5 4 2 5 4 0 5>
>
: >
;
0 1 1 2

7. Halle la proyección ortogonal de


2 3
1
x=4 1 5
2
sobre 82 3 2 39
< 1 0 =
W = gen 4 5
1 , 4 1 5 .
: ;
2 3
5.4. EJERCICIOS 117

8. Halle W ? si 82 3 2 39
>
> 1 0 >>
<6 7 6 =
1 7 6 0 7
W = gen 6
4 3 5, 4
7 .
>
> 1 5>
>
: ;
1 1

9. Sean U 2 Rn n
ortogonal y x, y 2 Rn . Demuestre que

hx , yi2 = 0 () hUx , Uyi2 = 0.

10. Demuestre que A 2 Rn n


satisface AT A = AAT si, y sólo si,

kAxk2 = AT x 2

para todo x 2 Rn .

11. Sea U 2 Rn n
tal que para todo x 2 Rn

kUxk2 = kxk2 .

Demuestre que U es ortogonal.


Capítulo 6

Valores y Vectores Propios

En este capítulo presentaremos los conceptos básicos de valor propio, vec-


tor propio, espacio propio y espectro de una matriz. Además, presentaremos
algunos de los resultados más relevantes relacionados con tales conceptos.

Debido a que en un estudio de los valores y vectores propios es imposible no


hablar de números complejos, debemos hacer algunas observaciones respecto
a la terminología que utilizaremos en este capítulo. La palabra escalar se
utilizará para referirnos a un número que puede ser real o complejo. Un
vector n 1 será una matriz n 1 cuyas componentes pueden ser números
reales o complejos.

6.1. Valores y Vectores Propios


De…nición. Sea A 2 Rn n . Un escalar es un valor propio de A si existe
un vector n 1 x 6= 0 tal que Ax = x. Ahora, si Ax = x con x 6= 0,
entonces x es un vector propio de A asociado al valor propio .

Ejemplo. 2 es un valor propio de la matriz


2 3
2 0 1
A= 4 5 1 2 5,
3 2 5=4

118
6.1. VALORES Y VECTORES PROPIOS 119

ya que
2 32 3 2 3 2 3
2 0 1 1 2 1
4 5 1 2 54 3 5=4 6 5= 24 3 5.
3 2 5=4 4 8 4
2 3
1
Además, 4 3 5 es un vector propio de A asociado al valor propio 2.
4
Teorema 6.1. Sea A 2 Rn n : Entonces ningún vector propio de A puede
estar asociado a valores propios distintos de A.

Demostración. Si suponemos que x es un vector propio de A asociado a


valores propios distintos i , j de A, entonces ( i j ) 6= 0 y

( i j )x = ix jx = Ax Ax = 0.

Luego
1 1
( i j) ( i j )x =( i j) 0 =) x = 0,
lo cual es absurdo. Por tanto, ningún vector propio de A puede estar asociado
a valores propios distintos de A.

De…nición. Sea A 2 Rn n
, el espectro de A es

(A) = f escalar : es un valor propio de Ag .

El símbolo R [x] denotará al conjunto de los polinomios en la variable x y


coe…cientes en R. La evaluación de un polinomio p(x) = a0 + a1 x + + at xt
de R [x] en una matriz A 2 Rn n es la matriz

p(A) = a0 In + a1 A + + at At ,

donde Ai para todo i = 2, ..., t es el producto usual de matrices de A con


sigo misma i veces.

Ejemplo. Sean
1 1
A=
1 2
120 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

y p(x) = 1 3x + 2x2 . Entonces

1 0 1 1 1 1 1 1
p(A) = 1 3 +2
0 1 1 2 1 2 1 2

1 0 3 3 0 6 2 3
= + + = :
0 1 3 6 6 6 3 1

Teorema 6.2. Sean A 2 Rn n , p(x) 2 R [x], 2 (A) y x un vector propio


de A asociado a . Entonces p( ) 2 (p(A)) y x es un vector propio de p(A)
asociado a p( ).

Demostración. Supongamos que p(x) = a0 + a1 x + + at xt , entonces

p(A)x = a0 x + a1 Ax + + at At x,

pero
j
Aj x = Aj 1 Ax = Aj 1
x = Aj 1 x = = x
para todo j = 1,...,t. Luego

p(A)x = a0 x + a1 x + + at t x

= (a0 + a1 + + at t )x = p( )x.

6.2. Subespacios Propios


Teorema 6.3. Sean A 2 Rn n
y un valor propio de A. Entonces

EA ( ) = fx vectores n 1 : Ax = xg

es un subespacio del espacio de los vectores n 1 sobre los números complejos.

Demostración. Claramente A0 = 0, por tanto 0 2 EA ( ). Ahora, si x,


y 2 EA ( ) y c escalar, entonces

A(c x + y) = c Ax + Ay = c x + y = (c x + y),

por tanto (c x + y) 2 EA ( ). Luego EA ( ) es un subespacio de los vectores


n 1 sobre los números complejos.
6.3. MATRICES INVERTIBLES Y VALORES PROPIOS 121

Nótese que EA ( ) es igual a f0g unido con el conjunto formado por todos
los vectores propios de A asociados al valor propio . Además, por Teorema
6.1 se tiene que si i , j son valores propios distintos de A, entonces

EA ( i ) \ EA ( j ) = f0g .

De…nición. El subespacio EA ( ) se denomina subespacio propio de A


asociado al valor propio . Además, la dimensión de EA ( ), dim(EA ( )), se
llama la multiplicidad geométrica del valor propio de A.

De la de…nición de vector propio, es claro que EA ( ) tiene al menos un vector


no nulo, por tanto

dim(Rn ) = n dim(EA ( )) 1.

6.3. Matrices Invertibles y Valores Propios


Teorema 6.4. Sea A 2 Rn n
. Entonces = 0 es un valor propio de A si, y
sólo si, A es no invertible.

Demostración. Ejercicio.

Teorema 6.5. Sea A 2 Rn n


. Entonces A es invertible si, y sólo si, ningún
valor propio de A es cero.

Demostración. Este resultado es equivalente al Teorema 6.4.

Teorema 6.6. Sea A 2 Rn n una matriz invertible. Entonces es un valor


propio de A si, y sólo si, 1 es un valor propio de A 1 . Aún más, x es un
vector propio de A asociado a si, y sólo si, x es un vector propio de A 1
1
asociado a .

Demostración. Puesto que A es invertible, ninguno de sus valores propios


es cero. Luego, un escalar es un valor propio de A y x es un vector propio
122 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

de A asociado a
() Ax = x

() A 1 Ax = A 1
x

1
() A 1x = x
1 1 1
si, y sólo si, es un valor propio de A y x es un vector propio de A
1
asociado a .

6.4. Producto de matrices y Valores Propios


Teorema 6.7. Sean A, B 2 Rn n
. Entonces

(AB) = (BA).

Demostración. Ejercicio.

6.5. Localización de Valores Propios


Existen muchos teoremas que dan información acerca de la localización en el
plano complejo de los valores propios de una matriz. El más famoso de ellos
es el Teorema de Gershgorin, el cual constituye el centro de esta pequeña
sección.

De…nición. Sea A 2 Rn n . El radio espectral de A es el número real no


negativo
rad(A) = max fj j : 2 (A)g .
j j signi…ca módulo de si es complejo o valor absoluto de si es real.

El radio espectral de una matriz A 2 Rn n es justamente el radio del disco


cerrado más pequeño centrado en el origen del plano complejo que contiene
a todos los valores propios de A.

De…nición. Sea A 2 Rn n
. Los n discos de Gershgorin de A son:

Dp = fz escalar : jz app j Rp (A)g p = 1; :::; n.


6.6. CÁLCULO DE VALORES PROPIOS 123

Donde

Rp (A) = jap1 j + + ap(p 1) + ap(p+1) + + japn j :

La región del plano complejo formada por la unión de esos n discos será
llamada región de Gershgorin y denotada por G(A).

Teorema 6.8. (De Gershgorin). Sea A 2 Rn n


. Entonces (A) está con-
tenido en G(A).

Demostración. Ejercicio.

6.6. Cálculo de Valores Propios


Teorema 6.9. Sea A 2 Rn n
. Entonces es un valor propio de A si, y sólo
si, det( In A) = 0.

Demostración.
valor propio de A () 9 x 6= 0 : A x = x

() 9 x 6= 0 : ( In A)x = 0

() ( In A) es no invertible

() det( In A) = 0.

De…nición. Sea A 2 Rn n
. El polinomio característico de A es el poli-
nomio de R [x] dado por

PA (x) = det(xIn A).

La expresión PA (x) = 0 se llama ecuación característica de A.

Según Teorema 6.9, es un valor propio de A 2 Rn n si, y sólo si, es


solución de la ecuación característica de A. Esto último equivale a que es
una raíz de PA (x).
124 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

Ejemplo. Hallemos el polinomio característico y los valores propios de


2 3
1 2 3
A = 4 4 5 6 5.
7 8 9

En efecto,
02 31
x 1 2 3
PA (x) = det(xI3 A) = det @4 4 x 5 6 5A
7 7 x 9

= x3 15x2 18x.

Una simple inspección visual muestra que 1 = 0 es una raíz de PA (x). Con
esa información es fácil probar (con ayuda de la Fórmula
p General
p Cuadrática)
15 3
que las otras raíces de PA (x) son 2 = 2 33 y 3 = 2 33 + 15
3
. Así,
15 3
p 3
p 15
2 2
(A) = 0, 2 2
33, 2 33 + 2 .

Por lo general, es difícil o imposible hallar las raíces de PA (x). Sin embargo, si
PA (x) tiene coe…cientes enteros, algunas veces es útil un resultado de Álgebra
elemental que dice: si p(x) es un polinomio con coe…cientes enteros, entonces
toda raíz entera de p(x) divide al término independiente de este.

Ejemplo. Hallemos los valores propios de una matriz A que tiene como
polinomio característico a

PA (x) = x3 + 2x2 3x 6.

Si PA (x) tiene una raíz entera, esa raíz debe ser un divisor del término
constante. Los divisores de 6 son: 1, 2, 3, 6. Si sustituimos x = 2 en
PA (x) se obtiene cero. De tal hecho podemos deducir que 2 es una raíz de
PA (x) y que x + 2 divide exactamente a PA (x). Con ayuda de la Fórmula
General Cuadrática encontramos que
p p
PA (x) = (x + 2)(x 3)(x + 3).
p p
Luego los valores propios de A son 2, 3 y 3.
6.6. CÁLCULO DE VALORES PROPIOS 125

De…nición. Sea es un valor propio de A 2 Rn n . El número de veces que


se repita como raíz de PA (x) es la multiplicidad algebraica del valor
propio de A.

Ejemplo. La matriz
2 3
1 0 0 0 0
6 0 2 0 0 0 7
6 7
A=6
6 1 0 5 6 0 7
7
4 1 0 3 4 0 5
0 0 0 0 2

cuyo polinomio característico es

PA (x) = x5 7x3 + 2x2 + 12x 8

= (x + 2)2 (x 1)2 (x 2),

tiene como valores propios 1 = 2 con multiplicidad algebraica 2, 2 = 1


con multiplicidad algebraica 2 y 3 = 2 con multiplicidad algebraica 1.

Teorema 6.10. Sea A 2 Rn n


. Entonces PA (x) es un polinomio de grado
n. Además, si

PA (x) = an xn + an 1 xn 1
+ an 2 x n 2
+ + a1 x + a0 ,

entonces an = 1, an 1 = tr(A) y a0 = ( 1)n det(A).

Demostración. Ejercicio.

Teorema 6.11. Sean A 2 Rn n


y 1 ; :::; n los valores propios de A. En-
tonces
det(A) = 1 n y tr(A) = 1 + + n.

Demostración. Ejercicio.

Teorema 6.12. Sea A 2 Rn n . Entonces A y AT tienen los mismos valores


propios con las mismas multiplicidades algebraicas correspondientes.
126 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

Demostración. Bastará probar que PA (x) = PAT (x). En efecto,

PA (x) = det(xIn A) = det((xIn A)T )

= det(xIn AT ) = PAT (x).

6.7. Cálculo de Vectores Propios


Teorema 6.13. Sean A 2 Rn n y un valor propio de A. Entonces x es
un vector propio de A asociado a si, y sólo si, x es una solución no trivial
del sistema homogéneo de ecuaciones lineales ( In A)y = 0.

Demostración. x es solución no trivial del sistema ( In A)y = 0, si, y


sólo si, x 6= 0 y ( In A)x = 0 si, y sólo si, x 6= 0 y Ax = x.

Presentamos a continuación algunos ejemplos que ilustran la forma como se


pueden hallar valores propios y vectores propios.

Ejemplo. Hallemos los valores propios y los espacios propios de la matriz

2 12
A= .
1 5

Solución. La ecuación característica de A es


x 2 12
det(xIn A) = det = x2 + 3x + 2 = (x + 1)(x + 2) = 0;
1 x+5

de donde se obtiene que 1 = 1 y 2 = 2 son los valores propios de


A. Para determinar los vectores propios correspondientes se resuelven los
sistemas homogéneos ( 1 I2 A)x = 0 y ( 2 I2 A)x = 0: para 1 = 1, la
matriz de coe…cientes es
1 2 12 3 12
( 1)I2 A= = ,
1 1+5 1 4

que se reduce por …las a


1 4
.
0 0
6.7. CÁLCULO DE VECTORES PROPIOS 127

Por consiguiente, x1 4x2 = 0. Se concluye que todo vector propio de A


asociado a 1 = 1 es de la forma

x1 4x2 4
x= = = x2 , x2 6= 0.
x2 x2 1

4
Luego EA ( 1 ) = gen . Para 2 = 2, la matriz de coe…cientes es
1

2 2 12 4 12
( 2)I2 A= = ,
1 2+5 1 3

que se reduce por …las a


1 3
.
0 0
Por consiguiente, x1 3x2 = 0. Luego todo vector propio de A asociado a
1 = 2 es de la forma

x1 3x2 3
x= = = x2 , x2 6= 0.
x2 x2 1

3
Luego EA ( 2 ) = gen .
1
Ejemplo. Hallemos los valores propios y los espacios propios de la matriz
2 3
2 1 0
4
A= 0 2 0 5:
0 0 2

Solución. La ecuación característica de A es


02 31
x 2 1 0
det(xIn A) = det @4 0 x 2 0 5A = (x 2)3 = 0:
0 0 x 2

Por tanto, 1 = 2 es el único valor propio de A. Ahora,


2 3
0 1 0
2I3 A = 4 0 0 0 5
0 0 0
128 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

ímplica que en la solución del sistema homogéneo (2I3 A)x = 0 tiene que
x2 = 0 y las variables x1 , x3 están libres. Luego todo vector propio de A
asociado a 1 = 2 es de la forma
2 3 2 3 2 3 2 3
x1 x1 1 0
x = 4 x2 5 = 4 0 5 = x1 4 0 5 + x3 4 0 5 .
x3 x3 0 1
82 3 2 39
< 1 0 =
Luego EA ( 1 ) = gen 4 0 5 , 4 0 5 .
: ;
0 1
Ejemplo. Hallemos los valores propios y los espacios propios de la matriz
2 3
1 0 0 0
6 0 1 5 10 7
A=6 4 1 0 2
7.
0 5
1 0 0 3

Solución. La ecuación característica de A es


02 31
x 1 0 0 0
B6 0 x 1 5 10 7C
det(xIn A) = det B @4
6 7C
5A
1 0 x 2 0
1 0 0 x 3

= (x 1)2 (x 2)(x 3) = 0:

Así los valores propios de A son 1 = 1, 2 = 2 y 3 = 3. Una base para el


espacio propio de 1 = 1 se encuentra como sigue:
2 3
0 0 0 0
6 0 0 5 10 7
(1)I3 A = 64 1 0
7
1 0 5
1 0 0 2

y se reduce a la matriz 2 3
1 0 0 2
6 0 0 1 2 7
6 7.
4 0 0 0 0 5
0 0 0 0
6.8. INDEPENDENCIA LINEAL Y VECTORES PROPIOS 129

Lo cual implica que x1 + 2x4 = 0, x3 2x4 = 0 y x2 está libre. Así, todo


vector propio de A asociado a 1 = 1 es de la forma
2 3 2 3 2 3 2 3
x1 2x4 0 2
6 x2 7 6 x2 7 6 7 6 7
x=6 7=6 7 = x2 6 1 7 + x4 6 0 7 .
4 x3 5 4 2x4 5 4 0 5 4 2 5
x4 x4 0 1
82 3 2 39
>
> 0 2 >>
<6 7 6 7=
1 0
Luego EA ( 1 ) = gen 6 7 6 7
4 0 5 , 4 2 5>.
>
> >
: ;
0 1
Para 2 = 2 y 3 = 3, se sigue el mismo patrón para obtener
82 39 82 39
>
> 0 > > 0 >
<6 7> = >
<6 7=
>
6 5 7 6 5 7
EA ( 2 ) = gen 4 5 y que EA ( 3 ) = gen 4 .
>
> 1 >> >
> 0 5> >
: ; : ;
0 1

6.8. Independencia lineal y vectores propios


Teorema 6.14. Sean 1 , ..., r valores propios distintos de A 2 Rn n . Si para
cada i 2 f1, ..., rg Si es un conjunto linealmente independiente de vectores
propios de A asociados a i , entonces S = S1 [ [Sr es todavía un conjunto
linealmente independiente.

Demostración. Ejercicio.

Teorema 6.15. Sea A 2 Rn n


y i un valor propio de A. Entonces

multiplicidad geométrica de i multiplicidad algebraica de i.

Demostración. Ejercicio.

6.9. Ejemplos
Ejemplos de valores y vectores propios de matrices 3 3:
130 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

Caso 1. matriz 3 3 con tres valores propios distintos 1; 2; 3 y

dim(EA ( 1 ) = dim(EA ( 2 ) = dim(EA ( 3 ) = 1:

Ejemplo. Halle los valores y espacios propios de la matriz


2 3
1 1 1
A= 3 4 2 1 5.
1 2 3
Solución.
2 3 2 3
x 0 0 1 1 1
PA (x) = det (xI3 A) = det (4 0 x 0 5 4 3 2 1 5)
0 0 x 1 2 3
2 3
x 1 1 1
= det (4 3 x 2 1 5) = x3 6x2 + 5x
1 2 x 3
= x(x2 6x + 5) = (x 0) (x 1) (x 5) .

Luego los valores propios de A son 1 = 0, 2 = 1 y 3 = 5.


Para hallar el espacio propio de A asociado al valor propio 1 = 0 debemos
resolver el sistema homogéneo

(A 1 I3 )x = 0.

En efecto,
02 3 2 31 2 3 2 3
1 1 1 1 0 0 x1 0
@4 3 2 1 5 0 4 0 1 0 5A 4 x2 5 = 4 0 5
1 2 3 0 0 1 x3 0

equivale a
2 32 3 2 3
1 1 1 x1 0 x1 + x2 + x3 = 0
4 3 2 1 5 4 x2 5 = 4 0 5 () 3x1 + 2x2 + x3 = 0 :
1 2 3 x3 0 x1 + 2x2 + 3x3 = 0
6.9. EJEMPLOS 131

x1 + x2 + x3 = 0
Pero la solución de 3x1 + 2x2 + x3 = 0 es
x1 + 2x2 + 3x3 = 0
2 3 2 3 2 3
x1 x3 1
4 x2 5 = 4 2x3 5 = x3 4 2 5 :
x3 x3 1
82 39
< 1 =
Así, EA (0) = gen 4 2 5 .
: ;
1
Veri…que que 82 39
< 0 =
EA (1) = gen 4 1 5
: ;
1
y que 82 4 39
< 9 =
EA (5) = gen 4 79 5 .
: ;
1

Caso 2. matriz 3 3 con solo dos valores propios distintos 1; 2 y

dim(EA ( 1 ) = dim(EA ( 2 ) = 1:

Ejemplo. Halle los valores y espacios propios de la matriz


2 3
4 4 3
A= 6 4 7 6 5.
7 11 10
Ayuda: 5 es un valor propio de A.
Respuesta. El polinomio característico de A es

PA (x) = x3 7x2 + 11x 5:

Los valores propios de A son 1 y 5.


82 3
39
< 5 =
EA (1) = gen 4 6
5
5 .
: ;
1
132 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

82 1
39
< 3 =
EA (5) = gen 4 2
3
5 .
: ;
1

Caso 3. matriz 3 3 con solo dos valores propios distintos 1; 2 y

dim(EA ( 1 ) = 1 y dim(EA ( 2 ) = 2:

Ejemplo. Halle los valores y espacios propios de la matriz


2 3
2 2 2
A=4 0 2 4 5.
0 6 8
Ayuda: 2 es un valor propio de A.
Solución a medias.

2 3 2 3
x 0 0 2 2 2
PA (x) = det (xI3 A) = det (4 0 x 0 5 4 0 2 4 5)
0 0 x 0 6 8
2 3
x 2 2 2
= det (4 0 x+2 4 5) = x3 8x2 + 20x 16
0 6 x 8
= (x 4) (x 2)2 .

Verifíquese que 82 3 2 39
< 1 0 =
EA (2) = gen 4 0 ; 1 5
5 4
: ;
0 1
y que 82 39
1
< 3 =
EA (4) = gen 4 2
3
5 .
: ;
1
Caso 4. matriz 3 3 con un solo valor propio 1y

dim(EA ( 1 ) = 1:
6.9. EJEMPLOS 133

Ejemplo. Halle los valores y espacios propios de la matriz


2 3
4 0 1
A= 6 4 1 2 5.
7 1 2
Respuesta. El polinomio característico de A es

PA (x) = x3 3x2 + 3x 1:

El único valor propio de A es 1.


82 1
39
< 3 =
EA (1) = gen 4 2
3
5 .
: ;
1
Caso 5. matriz 3 3 con un solo valor propio 1y

dim(EA ( 1 ) = 2:

Ejemplo. Halle los valores y espacios propios de la matriz


2 3
3 1 0
A=4 4 1 0 5.
4 2 1
Solución. El polinomio característico de A

PA (x) = x3 3x2 + 3x 1:
82 3 2 1 39
< 0 2 =
EA (1) = gen 4 5 4
0 ; 1 5 .
: ;
1 0
Caso 6. matriz 3 3 con un solo valor propio 1y

dim(EA ( 1 ) = 3:

Ejemplo. Halle los valores y espacios propios de la matriz


134 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

2 3
3 0 0
A = 4 0 3 0 5.
0 0 3
Respuesta. El polinomio característico de A es

PA (x) = x3 9x2 + 27x 27.

El único valor propio de A es 3.


82 3 2 3 2 39
< 1 0 0 =
EA (3) = gen 4 0 ; 1 ; 0 5 .
5 4 5 4
: ;
0 0 1

PROBLEMAS CON RESPUESTA

2 3
3 2 1
1) 4 4 3 2 5, characteristic polynomial: X 3 4X 2 + 5X 2,
4 5 482 39 82 1 39
< 21 = < 3 =
eigenvectors: 4 1 5 $ 1; 4 23 5 $ 2:
: ; : ;
1 1
2 3
1 32 1
2
2) 4 4 4 1 5, characteristic polynomial: X 3 52 X 2 + 2X 12 , eigen-
7 1
842 12 392 82 1 39
< 2 = < 3 =
vectors: 4 1 5 $ 1; 4 23 5 $ 12 .
: ; : ;
1 1
2 3
4 1 1
3) 4 2 5 2 5, characteristic polynomial: X 3 9X 2 + 27X 27
1 4 082 39
< 13 =
eigenvectors: 4 23 5 $ 3.
: ;
1
6.9. EJEMPLOS 135
2 3
7 9 4
4) 4 10 16 8 5, characteristic polynomial: X 3 7X + 6, eigenvectors:
82 1 3910 17829 39 82 1 39
< 3 = < 1 = < 2 =
4 2 5 $ 1; 4 1 5 $ 2; 4 1 5 $ 3.
: 3 ; : ; : ;
1 1 1
2 3
3 2 2
5) 4 0 7 4 5, , characteristic polynomial: X 3 + 7X 2 + 15X + 9
0 6 832 39 82 3 2 39
< 13 = < 1 0 =
eigenvectors: 4 23 5 $ 1; 4 0 5 ; 4 1 5 $ 3.
: ; : ;
1 0 1
136 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

6.10. Valores propios de algunas matrices es-


peciales

Teorema 6.16. Los valores propios de una matriz simétrica son reales.

Demostración. Ejercicio.

Teorema 6.17. Sean U 2 Rn n


ortogonal y es un valor propio de U.
Entonces j j = 1.

Demostración. Sea x un vector propio de U asociado al valor propio ,


entonces
kxk2 = kUxk2 = k xk2 = j j kxk2 .
Luego j j = 1.

Teorema 6.18. Sea U 2 Rn n


ortogonal. Entonces
jdet(U)j = 1.

Demostración. Si 1 , ..., n son los valores propios de U (algunos i pueden


ser iguales), entonces por Teorema 6.11, det(U) = 1 n y como j i j = 1
para i = 1, ..., n, entonces
jdet(U)j = j 1 nj =j 1 j j nj =1 1 = 1.

Teorema 6.19. Sea A 2 Rn n es tal que AAT = AT A, entonces para todo


valor propio de A, se tiene que
EA ( ) = EAT ( ).

Demostración. Ejercicio.

Teorema 6.20. Sean A 2 Rn n es tal que AAT = AT A y i, j valores


propios distintos de A. Entonces EA ( i ) ? EA ( j ).

Demostración. Ejercicio.
6.11. SEMEJANZA DE MATRICES 137

6.11. Semejanza de Matrices


De…nición. Sean A, B 2 Rn n
. Decimos que A es semejante a B, si existe
P 2 Rn n invertible tal que

A = P 1 BP.

Demostración. Ejercicio.

Teorema 6.21. (Lema de Schur). Toda matriz A 2 Rn n


es semejante a
una matriz triangular superior.

Demostración. Ejercicio.

Teorema 6.22. Sean A, B 2 Rn n . Si A y B son semejantes, entonces


A y B tienen el mismo polinomio característico, y por consiguiente los mis-
mos valores propios con las mismas multiplicicades algebraicas respectivas, el
mismo determinante y la misma traza.

Demostración. Como A y B son semejantes, existe P 2 Rn n


invertible
tal que A = P 1 BP, luego

PA (x) = det(xIn A) = det(xIn P 1 BP)

= det(P 1 xIn P P 1 BP) = det(P 1 (xIn B)P)

= det(P 1 ) det(xIn B) det(P) = det(xIn B) = PB (x).

Teorema 6.23. Sean A, B 2 Rn n


semejantes con A = P 1 BP. Entonces
para todo 2 (A) se tiene que

EB ( ) = fPx : x 2 EA ( )g .

Demostración. Ejercicio.
138 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

Teorema 6.24. Sean A, B 2 Rn n semejantes, entonces para todo 2 (A)


se tiene que dim(EA ( )) = dim(EB ( )).

Demostración. Ejercicio.

De…nición. Una matriz A 2 Rn n


es diagonalizable si es semejante a
una matriz diagonal.

Ejemplo. La matriz 2 3
3 1 0
A=4 1 2 1 5
0 1 3
es diagonalizable, ya que la matriz
2 3
1 1 1
P=4 2 0 1 5
1 1 1

es invertible y
2 32 32 3
1=6 2=6 1=6 3 1 0 1 1 1
1
P AP = 4 3=6 0=6 3=6 5 4 1 2 1 5 4 2 0 1 5
2=6 2=6 2=6 0 1 3 1 1 1

= diag(1, 3, 4).

Teorema 6.25. Sea A 2 Rn n


tal que A tiene n valores propios distintos,
entonces A es diagonalizable.

Demostración. Ejercicio.

Teorema 6.26. Sean A 2 Rn n y 1 , ..., k los valores propios distintos de


A, entonces las siguientes a…rmaciones son equivalentes:

1. A es diagonalizable.
6.12. EJERCICIOS 139

2. Existe una base para los vectores n 1 formada por vectores propios de
A.

3. para i = 1, ..., k dim(EA ( i )) es igual a la multiplicidad algebraica, mi , de


i como valor propio de A.

Demostración. Ejercicio.

6.12. Ejercicios
1. Halle el espectro de una matriz diagonal de Rn n
.

2. Sean A,B 2 Rn n (n 2). Demuestre que:


(a) 2 (A) y 2 (B) no implica + 2 (A + B).
(b) 2 (A) y 2 (B) no implica 2 (AB).

3. Sean A 2 Rn n
y s 2 f1, ..., ng un número …jo. Demuestre que si ais = 0
para i = 1, ..., s 1, s + 1, ..., n, entonces ass es valor propio de A.

k
4. Sea A 2 Rn n . Demuestre que si 2 (A), entonces 2 (Ak ) para
todo k entero positivo.

5. Sea A 2 Rn n tal que la suma de los elementos de cada …la de A es c.


Pruebe que c 2 (A).

6. Una matriz A 2 Rn n
es idempotente si A2 = A. Demuestre que

(A) f0; 1g .

7. Una matriz A 2 Rn n
es unipotente si A2 = In . Demuestre que

(A) f1; 1g .

8. Una matriz A 2 Rn n es nilpotente si Ak = 0 para algún entero positivo


k. Demuestre que (A) = f0g.
140 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

9. Halle los discos de Gershgorin para la matriz


2 3
1 0 1=4
A = 4 1=4 1 1=4 5 :
1 1 3

10. Demuestre, sin calcularlos, que los valores propios de la matriz


2 3
6 2 1
4 1 5 0 5
2 1 4

satisfacen la desigualdad 1 j j 9.

11. Demuestre que las partes imaginarias de los valores propios de la matriz
2 3
3 1=3 2=3
4 1 4 0 5
1=2 1=2 1

están situadas en el intervalo [ 1 ; 1].

12. Veri…que que p(x) = x4 2x3 11x2 + 24 es el polinomio característico


de la matriz 2 3
1 1 3 2
6 0 1 4 0 7
6 7
4 0 1 1 1 5
2 1 3 1

13. Halle todos los valores propios y bases para los espacios propios de la
matriz 2 3
3 2 2
A=4 1 1 1 5.
0 2 3
T
Ayuda: x = 1 1 1 es un vector propio de A.
6.12. EJERCICIOS 141

14. Halle todos los valores propios y bases para los espacios propios de la
matriz 2 3
1 2 0
A=4 4 0 2 5.
0 2 1
Ayuda: 3 es un valor propio de A.

15. Demuestre que el polinomio característico de la matriz nula [resp. iden-


tidad] de Rn n es xn [resp. (x 1)n ], y por tanto su único valor propio es
= 0 [resp. = 1] con multiplicidad algebraica n.

16. Demuestre que los valores propios de una matriz triangular son los ele-
mentos de su diagonal principal.

17. Si 2 3
18 2 12
A= 4 4 9 6 5,
3 2 3
compruebe que PA (x) = x3 30x2 + 275x 750 y (A) = f5, 10, 15g.

18.Demuestre que si A 2 Rn n
y (A) = f 1 , ..., n g, entonces para todo
c 2 R (cA) = fc 1 , ..., c n g.

19. Sean A 2 Rn n
y c 2 R. Demuestre que

EA ( ) = EcA (c ) 8 2 (A).

20. Demuestre que existen matrices no nulas en Rn n


cuyo polinomio carac-
terístico es xn .

21. Sean A 2 Rn n
, 2 (A) y r 2 R+ . Demuestre que existe x 2 EA ( )
tal que kxk2 = r.

22. Si A, B 2 Rn n , n > 1 y PA (x) = PB (x). Demuestre que A y B no son


necesariamente semejantes.
142 CAPÍTULO 6. VALORES Y VECTORES PROPIOS

23. Sean D1 , D2 2 Rn n matrices diagonales. Demuestre que son semejantes


si, y sólo si, tienen los mismos polinomios característicos.

24. Demuestre que matrices semejantes tienen igual rango.


Bibliografía

[1] Anton, H. (1996), Introducción al Álgebra Lineal, Editorial Limusa S.A.


Grupo Noriega Editores, México.

[2] Asmar, A. J. (1995), Tópicos en Teoría de Matrices, Universidad Nacional


de Colombia, Sede Medellín.

[3] Harville, D. (1997), Matrix Algebra From a Statistician’s Perspective,


Springer - verlag, New York.

[4] Ho¤man, K. y Kunze, R. (1983), Álgebra Lineal, Prentice - Hall His-


panoamericana, S.A., México.

[5] Horn, R. y. J. C. (1985), Matrix Analisys, Cambridge University Press,


U.S.A.

[6] Kincaid, D. y Cheney, W. (1991), Numerical Analysis, Brooks Cole Pub-


lishing company. Paci…c Grove, California.

[7] Meyer, C. (2000), Analysis and Applied Linear Algebra, Siam, Philadel-
phia.

[8] Noble, B. y Daniel, J. W. (1989), Álgebra Lineal Aplicada, Prentice - Hall


Hispanoamericana, S.A., México.

[9] Searle, S. (1986), Matrix Algebra Useful for Statistics, John Wiley and
Sons, U.S.A.

143