Beruflich Dokumente
Kultur Dokumente
por
José Antonio Belinchón
ii
iii
Prólogo
1. Golovina, L.I. Álgebra lineal y algunas de sus aplicaciones Edt. MIR 1980
todo ello aderezado (como he indicado antes) con una serie de ejemplos de-
sarrollados (eso espero) al final de cada capitulillo.
1 Espacios Vectoriales. 1
1.1 Espacios Vectoriales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Bases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Composición de espacios. . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Aplicaciones Lineales 9
2.1 Aplicaciones Lineales. . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Espacio Dual. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Ecuaciones implı́citas de un subespacio. . . . . . . . . . . . . . 16
2.3 Homomorfismo transpuesto. . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Ejemplos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 Determinantes y Sistemas 19
3.1 Aplicaciones multilineales. . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.1 Tensores simétricos. . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.2 Tensores antisimétricos. . . . . . . . . . . . . . . . . . . . . . . 21
3.1.3 Álgebra exterior. . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Determinantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1 Permutaciones de orden n. . . . . . . . . . . . . . . . . . . . . 21
3.2.2 Determinantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.3 Formas n−lienales alternadas. . . . . . . . . . . . . . . . . . . . 22
3.2.4 Propiedades de las formas n-lineales alternadas. . . . . . . . . . 23
3.2.5 Expresión analítica de una forma n-lineal alternada. . . . . . . 23
3.2.6 Determinante de un sistema de vectores. . . . . . . . . . . . . . 23
3.2.7 Determinante de una matriz cuadrada. . . . . . . . . . . . . . . 24
3.2.8 Determinante de un endomorfismo. . . . . . . . . . . . . . . . . 24
3.2.9 Rango de una matriz. . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.10 Matriz inversa. . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Sistemas lineales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Ejemplos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.6 Ejemplos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
+ : V × V −→ V
(u, v) 7−→ u + v
• asociativa
• ∃ elemento neutro
• ∃ inverso
• conmutativa.
· : K × V −→ V
(λ, u) 7−→ λu
• λ(u + v) = λu + λv
• λ(µ + v) = λµ + λv
• λ(µv) = λµv
• 1µ = µ
• Sean u, v ∈ W =⇒ u + v ∈ W
• λ ∈ K, u ∈ W =⇒ λu ∈ W
2 Espacios Vectoriales.
Definición 1.1.4 Combinación lineal. Sea V un espacio vectorial. Sean {v1 , ...., vn }
vectores del espacio V . Decimos que un vector u es combinación lineal de {v1 , ...., vn }
si se puede expresar de la siguiente forma:
X
u= λi vi
i
Proposición 1.1.1 Sean {v1 , ...., vn } vectores de V entonces {v1 , ...., vn } son lineal-
mente independientes sii al menos uno de ellos se puede expresar como combinación
lineal de los demás.
Proposición 1.1.2 Supongamos que {v1 , ...., vn } son todos linealmente independi-
entes. Sea u ∈ V tal que u no es combinación lineal de {v1 , ...., vn } entonces
{v1 , ...., vn } son linealmente independientes (L.I.).
1.2 Bases.
Definición 1.2.1 Base. Decimos que S es base de un espacio V si cumple las sigu-
ientes condiciones:
1. S es sistema de generadores de V
2. S es L.I.
Definición 1.2.2 Sea V un espacio de tipo finito sobre K. Se llama dimensión del
espacio V al número de elementos que tiene una base cualquiera de V y se denota
por dim V.
Sea V un espacio vectorial de tipo finito sobre un cuerpo K, sea S = {v1 , ...., vn }
un sistema de generadores de V . Sean {v1 , ...., vp } L.I. entonces encontramos que
n ≥ p. De igual forma si S = {v1 , ...., vp } es un sistema de generadoresde V en-
tonces p ≥ dim V y si {v1 , ...., vp } son un conjunto L.I. de vectores de V resulta que
p ≤ dim V. Si S = {v1 , ...., vp } es un sistema de generadores de V y p = dim V en-
tonces S forma un conjunto L.I. y por lo tanto base. Y por último si S = {v1 , ...., vn }
son vectores L.I. tales que n = dim V entonces S es base de V .
Demostración. Sea (V, K) un e.v. tal que dim V = n. Sea {v1 , ...., vp }
vectores L.I. con p ≤ n. Si p = n entonces forman base. Si p < n como los {v1 , ...., vp }
son un sistema de generadores entonces existe un vector ui ∈ / L [v1 , ...., vp ] entonces
{ui , v1 , ...., vp } son LI. Si resulta que n = p + 1 entonces formarían base. Si p + 1 < n,
repitiendo el razonamiento, vemos que existe un vector uj ∈ / L [ui , v1 , ...., vp ] entonces
{uj , ui , v1 , ...., vp } son LI. Si resulta que n = p+2 entonces formarían base. Repitiendo
el argumento n − p veces llegamos a la conclusión de que existen {u1 , ...., un−p }
vectores de tal forma que {v1 , ...., vp , u1 , ...., un−p } que forman base de V.
1. W es de tipo finito
2. dim W ≤ dim V
entonces
δ 1 u1 + .... + δ k uk + µk+1 ω k+1 + ...... + µr ω r = 0
al formar base, resulta que el conjunto de {δ j } = 0. Por lo tanto
V =W ⊕U
V × W = {(v, w) / v ∈ V y w ∈ W }
(u, w) + (u0 + w0 ) = (u + u0 , w + w0 )
Proposición 1.3.1 Si {v1 , ...., vp } es una base de V y {w1 , ...., wn } es una base de
W se tiene que
{(v1 , 0), ...., (vp , 0), (0, w1 ), ......., (0, wn )}
es base de V × W
• ∅∈P
Definición 1.3.4 Realción de equivalencia. Se dice que una relación biunívoca sobre
un conjunto X es de equivalencia si cumple las siguientes propiedades
1. Reflexiva xRx
6 Espacios Vectoriales.
1. Suma. u + W , v + W ∈ V /W entonces (u + W ) + (v + W ) = (u + v) + W
λ(u + v) + L = λ (u + L) + λ (v + L)
(λµ) v + L = (λµv) + L
(λ + µ) (v + L) = λ (v + L) + µ (v + L)
1µ + L = v + L
Teorema 1.3.1 Sea V espacio vectorial de dimensión finita sobre un cuerpo K. Sea
W un subespacio de V entonces el espacio vectorial cociente es también de dimensión
finita y
dim (V /W ) = dim V − dim W
k
X n
X
x+L= ai (wi + L) + bj (wj + L) =
i=1 j=k+1
Xn
= bj (wj + L)
j=k+1
1.4 Ejemplos
8 Espacios Vectoriales.
Capı́tulo 2
APLICACIONES LINEALES
f : V −→ W
si verifica que:
2. ∀ v1 ∈ V, λ ∈ K f (λv1 ) = λf (v1 )
y la Im f como:
Im f = {w ∈ W / ∃v ∈ V / f (v) = w} ⊂ W
V / ker f ≈ Im f
es una aplicación biyectiva, veamos ahora que es lineal. Sean x, y ∈ ker f ∈ V / ker f,
∀α, β ∈ K
g(α(x + ker f ) + β(y + ker f ))
= αg(x + ker f ) + βg(y + ker f )
ya que g(α(x + ker f )) = g(αx + ker f ) = f (αx) = αf (x) i.e.
g(α(x + ker f ) + β(y + ker f )) = g((αx + βy) + ker f )
f (αx + βy) = f (αx) + f (βy) = αf (x) + βf (y)
αg(x + ker f ) + βg(y + ker f )
entonces g es biyectiva y lineal.
Observación 2.1.5
f
V - W
6
p i
?
V / ker f - Im f
f∗
i · f∗ · p = f
donde
p(x) = x + ker f
f∗ (x + ker f ) = f (x)
i(y) = y
Corolario 2.1.2
dim(V / ker f ) = dim(Im f )
dim (V ) − dim (ker f ) = dim(Im f ) =⇒
dim (V ) = dim (ker f ) + dim(Im f )
además
f (v1 ) = a11 w1 + ...... + a1r wr
..
. / f (x) = y
f (vn ) = an1 w1 + ...... + anr wr
entonces X
yi = aij xi
de tal forma que podemos escribir:
a11 · · · a1r
.. .. ..
M(f ) = . ∈ Mn×r
. .
an1 · · · anr
y1 a11 ··· a1r x1
.. .. .. .. ..
. = . . . .
yn an1 ··· anr xn
@
@
@ g
g•f @
@
R ?
U
la composición de aplicaciones lineales es lineal.
Definición 2.1.5 Matriz inversa. Sea f : V −→ W una aplicación lineal tal que
dim V = n y dim W = n y sean BV = {v1 , ......, vn } y BW = {w1 , ......, wn } tal que
M(f ) = A ∈ Mn×n (K). Entonces la matriz de la aplicación f −1 : W −→ V está
dada por M(f −1 ) = B de tal forma que si f · f −1 = I entonces A · B = In×n
1. Asociativa: f + (g + h) = (f + g) + h.
4. Conmutativa: f + g = g + f.
Definimos ohora una operación externa y comprobamos que está bien definida.
f ∈ Hom(V, W ), ∀α ∈ K. (αf ) (x) = α [f (x)] i.e. (αf ) ∈ Hom(V, W ). Vemos que
esta bien definida ya que
1. α(f + g) = αf + αg
2. (α + β) f = αf + βf
3. α (βf ) = αβf
4. 1 · f = f
Demostración. Tenemos que demostrar que entre dichos espacios existe una
aplicación lineal y biyectiva.
ϕ es lineal i.e. ϕ(αf + βg) = αϕ(f ) + βϕ(g) = M(αf ) + M(βg). Sea
a11 · · · a1p b11 · · · b1p
M(f ) = ... .
.. . .. .
. .. y M(g) = .. . ..
ani · · · anp bni · · · bnp
p
X p
X
f (v1 ) = a1j wj , ........., f (vn ) = anj wj
j=i j=i
Xp Xp
g(v1 ) = b1j wj , ........., g(vn ) = bnj wj
j=i j=i
Xp Xp
(αf + βg)(vi ) = αf (vj ) + βg(vi ) = α aij wj + β bij wj
j=i j=i
p
X
(αaij + βbij ) wj
j=i
entonces
αa11 + βb11 · · · αa1p + βb1p
M (αf + βg) = .. .. ..
=
. . .
αan1 + βbn1 · · · αanp + βbnp
= M(αf ) + M(βg)
luego ϕ(αf + βg) = αϕ(f ) + βϕ(g) = M(αf ) + M(βg) como queríamos demostrar.
Ahora tenemos que ver, que esta aplicación lineal es biyectiva i.e. inyectiva y
sobreyectiva.
Inyectiva: Sea f ∈ Hom(v, W ) y sea f 6= f0 : V −→ W tal que f0 (x) = 0
∀x ∈ V. La aplicación f : V −→ W =⇒ ∃x ∈ V / f (x) 6= ~0 i.e. ∃i ∈ {1, ...., n} /
f (vi ) 6= ~0 y
0. · · · 0.
.. ..
M(f ) = ai1 ain
. .
.. ..
0 ··· 0
con aij 6= 0 y f 6= f0 =⇒
0. · · · 0.
.. ..
M(f0 ) = ϕ(f0 ) =
0 ...
0
0 ··· 0
∗
Entendemos que se da por supuesto que el conjunto Mn×r (K) tiene estructura de espacio vec-
torial.
Espacio Dual. 15
Hom(V, K) = {f : V −→ K } := V ∗
dim V ∗ = dim V
a los elementos f ∈ V ∗ se les denomina formas lineales. Esta fórmula sólo es válida
si dim V < ∞.
Observación 2.2.1 Supongamos que BV = {v1 , ......, vn } es una base de V, que puede
escribirse de forma matricial como una matriz M ∈ Mn×1 . Sabemos que existe φ :
Hom(V, K) −→ Mn×1 que asigna a cada homomorfismo f una matriz de la forma
f (v1 )
f 7−→ ...
f (vn )
i.e.
1 0
f1 = φ−1 ... , ......, fn = φ−1 ..
.
0 1
de tal forma que podemos escribir
B ∗ = {f1 , ........., fn }
16 Aplicaciones Lineales
como la base del espacio dual. Las formas lineales de la base B ∗ quedan determinadas
como:
f1 (v1 ) = 1 .... .... f1 (vn ) = 0
f2 (v1 ) = 0 f2 (v2 ) = 1 ..... f2 (vn ) = 0
.. .. .. ..
. . . .
fn (v1 ) = 0 ...... .... fn (vn ) = 1
i.e.
fi (vj ) = δ ij
xi vi entonces
P
si por ejemplo x ∈ V, x =
f1 (x) = f1 (x1 v1 + .... + xn vn ) = x1 f1 (v1 ) = x1
f2 (x) = f2 (x1 v1 + .... + xn vn ) = x2 f2 (v2 ) = x2
..
.
fn (x) = fn (x1 v1 + .... + xn vn ) = xn fn (vn ) = xn
Así fi (x) es la coordenada i-ésima de x, xi por lo que podemos considerar las formas
lineales de la base dual B ∗ como las funciones coordenadas de los vectores x ∈ V
respecto de la base B.
Proposición 2.2.1 L◦ ⊂ V ∗
Observación 2.2.2 Sea BL = {v1 , ......, vr } y BV = {v1 , ...vr , vr+1 , ..., vn } hemos
visto que BV∗ ∗ = {f1 , ...fr , fr+1 , ..., fn } y que BL∗ ∗ = {f1 , ......, fr } de tal forma que
L∗ ⊂ V ∗ . Las formas {fr+1 , ..., fn } forman base de L◦ . Por lo tanto V ∗ = L∗ ⊕ L◦ y
se aplica la fórmula de las dimensiones dim V ∗ = dim L∗ + dim L◦ .
d
entonces
f1 (v1 ) = 0 = 3a + b + 2c + d = 0
f2 (v2 ) = 0 = 2a + b + 3c + d = 0
resolviendo el sistema obtenemos:
1 0
−5 −1
M(f1 ) =
1
M(f2 ) =
0
0 1
por lo tanto las ecuaciones implícitas de un subespacio vendrán dadas por:
x1 − 5x2 + x3 = 0
−x2 + x4 = 0
@
@
@ g
g•f @
@
R ?
K
donde g ∈ W ∗ , g · f ∈ V ∗ y
f t : W ∗ −→ V ∗
tal que
f t (g) = f · g
verificando las siguientes propiedades:
18 Aplicaciones Lineales
1. f, g : V −→ W, (f + g)t = f t + g t
2. (g · f )t = f t · g t
3. f : V −→ V, es un isomorfismo, entonces: f t también es isomorfismo.
sabemos que ht = h · u.
n
X
t
h (uj ) = bji fi = gj · h
i=1
Pn
Sea x ∈ V / x = i=1 xi vi entonces
n
X
h(x) = yi wi
i=1
Pn
tal que yi = i=1 aij xi . Por lo tanto:
n
X
t
h (uj ) (x) = uj [h(x)] = yi = aij xi
i=1
1. (A + B)t = At + B t
2. Si A es invertible entonces At también.
3. (At )t = A
2.4 Ejemplos.
Capı́tulo 3
DETERMINANTES Y SISTEMAS
pero podemos extender esta definición de tal forma que a tales aplicaciones las de-
nominamos multilineales.
Supongamos que w ∈ V ∗ y α ∈ W ∗ definimos la aplicación multilineal (bi-
linela)
w ⊗ α(u, v) = w(u)α(v)
denominado producto tensorial de w y α.
Las aplicaciones multilineales pueden ser multiplicadas por escalares y sumar
entre si. Lo mismo que en le caso lineal, el conjunto de funciones multilineales
L(V1 , ....., Vr ; W )
h·, ·i : V ∗ × V −→ K
(ω, v) 7−→ hω, vi = ω(v)
Si fijamos v ∈ V , entonces la aplicación
h·, vi : V ∗ −→ K
ω 7−→ hω, vi
que es lineal y por lo tanto un elemento de V ∗∗ .
La aplicación
ϕ : V −→ V ∗∗
u 7−→ h·, ui
es un isomorfismo.
20 Determinantes y Sistemas
r covariante y s contravariante.
Definimos el producto tensorial de dos tensores A ∈ Tsr y B ∈ Tnt como:
r+t
A ⊗ B ∈ Ts+n
A⊗B ω 1 , ..., ω r+t , v1 , .., vs+n = A(ω 1 , ..., ω r , v1 , .., vs )B(ω r+1 , ..., ω t+r , vs+1 , ...., vn+s )
Teorema 3.1.1 Un tensor estás determinado por su vlaor sobre una base y su dual
(i.e. es localizable). Estos vlaores son las componentes de un tensor con respecto al
productotensorial de los elementos de las bases y ssu duales las cuales formana base
del espacio vectorial.
entonces
A = Aij11,......,ir j1
,......,js ei1 ⊗ ...... ⊗ eir ⊗ ω ⊗ ...... ⊗ ω
js
Corolario 3.1.1
dim (Tsr ) = r + s
∀ ω i , α ∈ V ∗ y vi ∈ V.
Ts0 −→ Λs (V ∗ ) ∀s
A ∧ B = (A ⊗ B)a
3.2 Determinantes.
3.2.1 Permutaciones de orden n.
Definición 3.2.1 Llamamos permutación de orden n a toda aplicación biyectiva σ
de un conjunto de n elementos A = {a1 , ....., an } sobre si mismo, i.e. σ : A −→ A.
Al conjunto de todas las permutaciones lo denotamos por Sn .
es finita por serlo el comjunto A; por lo tanto ∃ un elemento de la misma, σ k (j) con
k ≥ 0 que coincide con alguno de los anteriores.
22 Determinantes y Sistemas
j.
Dados los elementos distintos de A = j, σ(j), σ 2 (j), ....., σ r (j) / σ r+1 (j) = j
decimos que σ es un ciclo de orden r si deja fijos los elementos de A que aparecen en
la sucesión anterior. Designamos tal permutación como:
• ε(σ) = +1 si σ es par,
• ε(σ) = −1 si σ es impar.
2. D (a1 , ..., ai + a0i ....., an ) = D (a1 , ...., ai , ...., an ) + D (a1 , ...., a0i , ...., an )
2. Si ai = 0
D (a1 , ...., ai , ...., an ) = 0
3. ∀ σ ∈ Sn
D aσ(1) , ........, aσ(n) = ε (σ) D (a1 , ......., an )
D (a1 , ......., an ) = 0
X
D (x1 , ......., xn ) = a1σ(1) ........anσ(n) · D eσ(1) , ........, eσ(n) =
σ∈Sn
X
D(e1 , ...., en ) ε (σ) a1σ(1) ........anσ(n)
σ∈Sn
Proposición 3.2.5 Sea BV = {e1 , ...., en } y sea BV0 = {u1 , ...., un } entonces para
todo conjunto de vectores {x1 , ...., xn } ∈ V se tiene:
det
0
(x1 , ......., xn ) = det (x1 , ......., xn ) det
0
(e1 , ...., en )
B B B
24 Determinantes y Sistemas
Df : V × ....... × V −→ K
(x1 , ......., xn ) 7−→ D(f (x1 ), ...., f (xn ))
Df = det f D
i.e.
D [f (x1 ), ...., f (xn )] = det f D (x1 , ......., xn )
∀ BV = {e1 , ...., en } se verifica:
det f = det A
2. det(I) = 1
rg (A) = dim(Im f )
αij = det(Cij )
ad(A) = (αij )
Ct
A−1 =
det A
donde C t es el menor de orden n − 1 × n − 1
y sea
a b c ie − f h −ib + ch bf − ce
1
B = d e f =⇒ B −1 = −id + f g ia − cg −af + cd
det B
g h i dh − eg −ah + bg ae − bd
Sistemas lineales. 27
P
la solución del sistema es un conjunto de escalares (α1 , ......, αn ) / aij αj = bj . Sea
ahora f : V −→ W tal que dim V = n y dim W = p tal que BV = {e1 , ......, en } y
BW = {u1 , ......, up } tal que
a11 · · · a1n
M(f, BV ) = ... .. .
. ..
an1 · · · ann
Observación 3.3.2 Teniendo en cuenta que los vectores {f (ei )}ni=1 constituyen un
sistema de generadores de Im f y puesto que dim [Im f ] = rangA si llamamos B a la
matriz ampliada, entonces el toerema de R-F dice:
Observación 3.3.3 Las ecuaciones del sistema homogéneo representan las ecua-
ciones del ker f . Si el sistema es compatible, el conjunto de sus soluciones es el
conjunto f −1 (b) i.e. las soluciones del sistema (3.1) constityen en virtud del teorema
de isomorfía una clase de equivalencia de V respecto del subespacio ker f de man-
era que si (α1 , ......, αn ) es una solución concreta de (3.1) el conjunto de todas las
soluciones del sistema es:
por lo tanto las soluciones del sistema (3.1) se obtiene sumando a una solución par-
ticualr del mismo el conjunto de todos los vectores de ker f , o lo que es lo mismo, el
conjunto de todas las soluciones del sistema homogéneo asociado a (3.1). Sabemos
que dim Im f = rangA entonces dim ker f = n − rangA.
rangA = n determinado
rangA < n indeterminado
xi = A−1 · bj
Ejemplos. 29
i.e.
x1 α11 ··· αn1 b1
.. 1 .. .. .. ..
. =
. . . .
det A
xn α1n ··· αnn bn
i.e.
b1 a12 · · · a1n
det ... ..
.
bn a2n · · · ann
x1 = ,
det A
..
.
a11 · · · a1n−1 b1
det ... ..
.
an1 · · · ann−1 bn
x1 =
det A
x+y+z =4
2x − y + z = 3
x − y − z = −2
Sea
1 1 1 1 1 1 4
c = 2 −1 1 y A = 2 −1 1 3
1 −1 −1 1 −1 −1 −2
3.4 Ejemplos.
Ejemplo 3.4.1 Sea V / dim V = 3 y sea f ∈ End(V ) de tal forma que
1 2 3
M (f, BV ) = −1 1 2
0 0 −1
Solución.
En primer lugar vamos a calcular las ecuaciones implícitas del subespacio L,
estas son:
x y z
L ≡ 1 2 1 = x − z = 0
1 −1 1
Observación 3.4.1 Podemos pensar de forma intuitiva en que estos dos vectores
generan un plano cuya ecuación es:
~n = (u ∧ v) = (1, 0, −1) =⇒ x − z = 0
f (L) estará generada por {f (u), f (v)} donde f (u) = (8, 3, 1) y f (v) = (2, 0, −1)
por lo tanto
x y z
f (L) = 8 3 −1 = 0 =⇒
2 0 −1
f (L) ≡ x − 2y + 2z = 0
Por último como f es biyectiva entonces es un isomorfismo (det M (f, BV ) 6= 0) en-
tonces f · f = f 2 es un isomorfismo
f 2 (f −1 (L)) = f (L)
es un isomorfismo.
Ejemplos. 31
−1 2
entonces
BL◦ = {(1, 1, 1, 0) , (1, 3, 0, 1)}
así
x+y+z =0
L≡
x + 3y + t = 0
entonces como en el caso (1) será:
1 2 5
x
1 1 1 0 −2 −1 −1 y = 0
1 3 0 1 1 −1 −4 0
z
5 1 −2
x
0 0 0 0
y =
0 0 0 0
z
obteniéndose que f −1 (L) ≡ R3 .
32 Determinantes y Sistemas
calcular:
2. Ec. implícitas de Im f
Solución.
Calculamos el rango de la matriz A siendo rangA = 2 por lo tanto dim Im f =
dim ker f = 2. Las ecuaciones del ker f son:
x + 3y + z − 2t = 0
2y + 2z + t = 0
ker f := =⇒ Bker f = {(2, −1, 1, 0) , (7, 1, 0, 2)}
2x + 4y − 5t = 0
−x − y + z + 3t = 0
p i
?
4
R / ker f - Im f
f∗
como BR4 / ker f = {(e1 + ker f ) , (e2 + ker f )} entonces calculamos
por lo tanto
1 0 α β
M (f∗ ) = =
0 1 α0 β 0
ya que
y1 = αy1 + βy2
y2 = α 0 y 1 + β 0 y 2
Solución.
Calculamos la matriz M (f, BV ) donde BV = {e1 , e2 , e3 }
f (1, 0, 0) = (1, 0, 2, 1)
f (0, 1, 0) = (0, 1, 1, 0)
f (0, 0, 1) = (1, −2, 0, 1)
entonces
1 0 2 1
M (f, BV ) = 0 1 1 0
1 −2 0 1
34 Determinantes y Sistemas
y dim ker f = 1 (recordamos que dim V = dim ker f + dim Im f ). Las ecuaciones del
ker f son:
x+z =0
y − 2z =0
ker f := =⇒ Bker f = {(−1, 2, 1)}
2x + y =0
x+z =0
y
BV / ker f = {(1, 0, 0) + ker f, (0, 1, 0) + ker f }
por lo tanto
1 0 α β
M (f∗ ) = =
0 1 α0 β 0
ya que
y1 = αy1 + βy2
y 2 = α 0 y 1 + β 0 y2
calcular:
2. Ec. implícitas de Im f
Solución.
Calculamos el rango de la matriz A siendo rangA = 3 por lo tanto dim ker f =
1. Las ecuaciones del ker f son:
x + 2y + 2z − 3t = 0
−2x + y − 4z + 6t = 0
=⇒ Bker f = {(3, 0, 0, 1)}
3x − y + 3z − 9t = 0
−x + 2y − z + 3t = 0
f - 4
R4 R
6
p i
?
R4 / ker f - Im f
f∗
como BR4 / ker f = {(e1 + ker f ) , (e2 + ker f ) , (e3 + ker f )} entonces calculamos
Solución.
De forma rápida vemos que:
así pues:
1 1 0
M (f, B) = 1 0 1
0 1 −1
cuyo rango es 2 como facilmete se puede comprobar. Las ecuaciones del ker f son:
x + y = 0,
x + z = 0,
y−z =0
Solución.
Sea B = {e1 , e2 , e3 } base de R3 y sea B ∗ = {e∗1 , e∗2 , e∗3 } su base dual puesto
que
fi = fi (e1 )e∗1 + fi (e2 )e∗2 + fi (e3 )e∗3 con i = 1, 2, 3
resulta que la matriz de coordenadas por columnas, de los fi respecto a B ∗ es
1 2 2
Q= 2 3 −1
−3 −4 1
como det Q 6= 0 entonces {f1 , f2 , f3 } son LI y por lo tanto forman base.
Respecto al segundo apartado vemos que la matriz de base de B ∗ a B 0 es Q
t 1 −1 1 1
Q−1 = −10 7 −2
3
−8 5 −1
si C = {u1 , u2 , u3 }
1 1 1
u1 = − e1 + e2 + e3
3 3 3
10 7 2
u2 = − e1 + e2 − e3
3 3 3
8 5 1
u3 = − e1 + e2 − e3
3 3 3
38 Determinantes y Sistemas
u1 = 2e1 + e3
u2 = 3e3
u3 = e2 − e3
demostrar que:
1. C es base de V.
Solución.
En primer lugar comprobamos que
2 0 0
det A = det 0 0 1 6= 0 =⇒ LI i.e. forman base.
1 3 −1
x0
1 1
2 −6 0 x
y0 = 0 1
1 y
3
z 0 0 1
0 z
3
entonces como
u1 = 2e1 + e3
u2 = 3e3
u3 = e2 − e3
Ejemplos. 39
vemos que
y teniendo en cuenta que e∗i (ej ) = δ ij = {1, 0} vemos por lo tanto que
f (x, y, z, t) = (x − y, 2y − z, 2z − t)
Calcular:
Solución.
Ya de forma rutinaria pasamos a calcular las bases.
1 −1 0 0
M (f, B) = 0 2 −1 0
0 0 2 −1
cuyo rango es 3.
BIm f = {(1, 0, 0) , (−1, 2, 0) , (0, −1, 2)}
mientras que ker f es:
x−y =0
2y − z = 0 =⇒ Bker f = {(1, 1, 2, 4)}
2z − t = 0
por lo tanto
u1 = x − y, u2 = y − z, u3 = z
como g = αu1 + βu2 + γu3 entonces
g = α x0 − y 0 + β y 0 − z 0 + γ z 0
y
(g · f ) (x, y, z, t) = g (f (x, y, z, t)) = g (x − y, 2y − z, 2z − t) = 2h1 + h3 − h4
eligiendo
x0 = x − y, y 0 = 2y − z, z 0 = 2z − t
entonces
α x0 − y 0 + β y 0 − z 0 + γ z 0 =
α (x − y − 2y + z) + β (2y − z − 2z + t) + γ (2z − t) =⇒
αx = 2
(−3α + 2β) y = 0
(α − 3β + 2γ) z = 1
(β − γ) t = −1
por lo tanto
α = 2, β=3 y γ=4
Ejemplos. 41
Ejemplo 3.4.10 Sea V etc.. tal que BV = {ei }3i=1 y sea B 0 = {(1, −3, 1) , (2, 0, 1) , (−1, 2, −2)}
i.e. B 0 = {vi }3i=1 queremos comprobar:
1. B 0 es base de V,
2. Determinar (B 0 )∗ , (referenciada a la base dual de B)
3. L = L(v1 , v2 ) entonces determinar L◦ y las ecuaciones implícitas de L.
Solución.
Comprobamos de forma trivial que B 0 es base de V si detB ({vi }3i=1 ) 6= 0 i.e.
1 −3 1 1 −3
1
A= 2 0 1 2
0 1 6= 0
−1 2 −2 −1 2 −2
donde A es la matriz de paso de B −→ B 0 .
(B 0 )∗ = {fi }3i=1 / fi (vj ) = δ ij entonces tenemos:
a
(1, −3, 1) b =1
c
a a − 3b + c = 1
f1 : (2, 0, 1) b
= 0 =⇒ 2a + c = 0
c −a + 2b − 2c = 0
a
(−1, 2, −2) b = 0
c
lo hacemos para f2 y f3 obteniendo:
a − 3b + c = 0 a − 3b + c = 0
f2 : 2a + c = 1 , f2 : 2a + c = 0
−a + 2b − 2c = 0 −a + 2b − 2c = 1
x − 3y + z = 0
2x + z = 0
resepcto de BV . Calcular:
1. Extraer de {wi }3i=1 una base de L y prolongarla a una base de V. Hallar su dual.
Solución.
Vemos de forma trivial que
1 1 3
det {wi }3i=1 = 0
i.e. −1 1 −1 = 0
B 2 3 7
1
w1∗ = [x + y]
2
1
w2∗ = [−x + y]
2
1
e∗3 = [−4x − y + z]
2
Las ecuaciones de L◦ son:
◦ x + y + 3z = 0
L =
−x + y − z = 0
1. Hallar f t ,
2. Determinar ker f t , Im f t ,
Solución.
Sean BR∗ 3 y BR∗ 4 duales de las bases canónicas respectivas y (x1 , x2 , x3 ),
(y1 , y2 , y3 , y4 ) coordenadas respecto de dichas bases entonces f t es:
y
3 −2 1
x1 −1 −2
y2
x2 = 2 1 −2 4 y3
x3 1 −4 5 2
y4
44 Determinantes y Sistemas
donde
Bker f t = {(λ − 2µ, 4λ, 3λ, µ) / λ, µ ∈ R} ,
observándose que
dim ker f t = dim Im f t
entonces una base de ker f t está formada por las formas lineales {u∗1 , u∗2 } las coor-
denadas respecto de BR∗ 4 son {(1, 4, 3, 0) , (−2, 0, 0, 1)} . Una base de Im f t está for-
mada por las formas {v1∗ , v2∗ } ∈ R3 cuyas coordenadas respecto de la base BR∗ 3 son
{(−1, 2, 1) , (−2, 1, −4)} .
Las ecuaciones implı́citas de Im f t resultan de:
x y z
−1 2 1 = −3x − 2y + z = 0
−2 1 −4
Por último las coordenadas de α respecto de BR∗ 4 = {e∗1 , .., e∗4 } son:
Definición 4.1.1 Valor propio y vector propio. Sea f ∈ End(V ) tal que f (v) = λv.
λ ∈ K es valor propio de f sii ker(f − λI) 6= ~0, λ ∈ σ(f ). Denotamos por n oVλi =
ker(f − λi I). Vλi ⊂ V y sean λ1 , λ2 ∈ σ(f )/ λ1 6= λ2 entonces Vλ1 ∩ Vλ2 = ~0 .
y por último. n o
Si λ1 , λ2 ∈ σ(f )/ λ1 6= λ2 entonces Vλ1 ∩ Vλ2 = ~0 ya que si tomo ∀x ∈
nλ1o∩ Vλ2 i.e. x ∈ Vλ1 y x ∈ Vλ2 entonces f (x) = λ1 x = λ2 x entonces (λ1 − λ2 ) x =
V
~0 ⇐⇒ λ1 = λ2 como queríamos hacer ver.
Proposición 4.1.3 Los vectores propios de valores propios diferentes son LI.
46 Clasificación de Endomorfismos. Matrices de Jordan
Corolario 4.1.1 El número de valores propios diferentes es menor igual que la di-
mensión del espacio V . Si hay exactamente n diferentes entonces f es diagonalizable.
el polinomio caracterı́sco es
λ2 − 1 = 0
y las soluciones por lo tanto (i.e. los autovalores) son:
ker(A − λI)
i.e.
1 3 4 1 0 v1
− λi =0
5 4 −3 0 1 v2
resultando que para λ = 1 su autovector es v = (2, 1) mientras que para λ = −1
w = (1, −2). De esta forma se observa que
A = B −1 DB
donde
2 1
B=
1 −2
3 4
−1
5 5 2 1 1 0 2 1
4 =
5 − 35 1 −2 0 −1 1 −2
Polinomio mı́nimo. 47
Demostración. σ(f ) = {λ1 , ......, λr }Pdonde p(λ) = (λ1 − λ)s1 (λ2 − λ)s2 ...... (λr − λ)sr
i.e. p(λ) = i=1 (λi − λ)si de tal forma que ri=1 si ≤ n = dim V
Qr
dim (V1 ) = s1 7→ {e11 , ......, ers1 }
··· ··· B = {e11 , ......, ers1 , ......, ersr }
V
dim (Vr ) = sr 7→ {er1 , ......, ersr }
comprobando que
(λ11 e11 + ...... + λ1s1 ers1 ) + ..... + (λr1 er1 + ...... + λrsr ersr ) = ~0
f 0 = I, f 1 = f, ....., f r = f · f r−1
a0 f 0 + a1 f 1 + ..... + ar f r = 0
las potencias de f r no pueden ser todas LI. Definimos,
φf : K [x] −→ End(V )
p(x) 7−→ p(f ) = a0 I + a1 f + ..... + ar f r
tal que
ker φf := {p(x) ∈ K [x] / p(f ) = 0} := mf (x)
48 Clasificación de Endomorfismos. Matrices de Jordan
Definición 4.2.1 El conjunto de polinomios p(x) ∈ ker φf se denominan anu-
ladores de f , N (f ), y a mf (x) polinomio mı́nimo de f. Verificándose mf (x) ∈ N (f ).
f 0 := f|F : F −→ F
v 7−→ f (v)
Proposición 4.3.2 Para todo p(x) ∈ K [x], ker p(f ), Im p(f ) son subespacios in-
variantes por f.
observándose que
ker p(f ) ⊃ Im q(f )
=⇒
ker q(f ) ⊃ Im p(f )
n = dim ker p(f ) + dim Im p(f ) ≤ dim ker p(f ) + dim ker q(f )
=⇒ dim (ker p(f ) ⊕ ker q(f )) ≤ n
de tal forma que (p(x), mr (x)nr ) = 1, entonces V = L ⊕ Vr tal que L = ker [p(f )]
y Vr = ker (mr (f )nr ) donde f 0 = f|L −→ mf 0 (x) = p(x), y fr = f|Vr −→ mfr (x) =
mr (x)nr . El subespacio L está formado por L n= oV1 ⊕ .... ⊕ Vr−1 ya que mL (x) =
m1 (x)n1 ......mr−1 (x)nr−1 donde ∀i, j Vi ∩ Vj = ~0 , con Vi = ker (mi (f )ni ) de esta
forma V = V1 ⊕ .... ⊕ Vr .
La descomposición de V en suma directa de subespacios invariantes, reduce
el estudio del comportamiento de f al estudio de sus restricciones a cada uno de estos
subespacios.
A0 = I, A1 = A, A2 = I
mf (x) = x − 1 mf (f ) = f − I = 0 =⇒ f = I
mf (x) = x + 1 mf (f ) = f + I = 0 =⇒ f = −I
ninguno de estos casos es el nuestro, entonces
mf (x) = (x − 1)(x + 1)
r
Y
mf (x) = (x − λi )
i=1
Observación 4.4.1 Los ceros del polinomio característico pf (x) son también ceros
del polinomio mf (x).
I AB0 = a0 I
A AB1 − B0 = a1 I
··· ···
An−1 ABn−1 − Bn−2 = an−1 I
An −Bn−1 = (−1)n I
Grado del polinomio mı́nimo. 51
AB0 = a0 I
A2 B1 − AB0 = a1 A
···
n
A Bn−1 − A n−1 Bn−2 = an−1 A n−1
sumamos entonces
0 = a0 I + .... + ((−1)n An )
de esta forma demostramos que M(pf (f ), BV ) = 0 ∈ Mn×n y A = M(f, BV ) de esta
forma pf (f ) = 0(x) ∈ [End(V )] =⇒ pf (x) ∈ N (f ) y además (mf (x)/pf (x)) como
queríamos hacer ver.
Sea mf (x) el polinomio mónico de grado más pequeño entre los del conjunto
ker(φ~u ). Se tiene que
q(x) ∈ ker(φ~u ) ⇐⇒ mf (x) | q(x)
f : R4 −→ R4
p(x) = (X − 1)2 X 2 − 2X + 2
m(x) = (X − 1) X 2 − 2X + 2
52 Clasificación de Endomorfismos. Matrices de Jordan
q1 (x) = (1 − x)3
q2 (x) = − (1 − x)2
q3 (x) = (1 − x)2
q4 (x) = (1 − x) 2 − 2x + x2
por lo tanto
q(x) = m.c.d (qi (x))4i=1 = (1 − x)
de tal forma que el polinomio mínimo es:
pf (x)
= (X − 1) X 2 − 2X + 2 ,
mf =
q(x)
entonces
u, f (u), ...., f s−1 (u)
tal que
ker (f − λi I)si = ker (f − λi I)t = Vi
X
V = ⊕Vi
54 Clasificación de Endomorfismos. Matrices de Jordan
4.6 Ejemplos.
Empezamos con un esquema.
det (A − λI) = 0
ker (A − λi I) = 0 S1 = I1
2
ker (A − λI) = 0 S2 = I2 − I1
.. ..
. .
ker (A − λI)pi = 0 Sp = Ip − Ip−1
donde Ii = dim V − rang (A − λI)i = dim ker (A − λI)i de tal forma que
q1 + q2 + ....... + qp = S1
q2 + ....... + qp = S2
..
.
q p = Sp
p(λ) = (λ − 1)4 (λ − 2)
P
y que por lo tanto σ(λ) = (1, 2) donde γ(1) = 4 y γ(2) = 1 (vemos que γ(λi ) =
a
4+1 = dim V = 5) también podemos comprobar (th Caley-Hamilton) que el polinmio
mínimo coincide con el característico i.e.
mf (X) = (X − 1)4 (X − 2)
Ejemplos. 55
q1 + q2 = 2 I1 = 2 = S1
q2 = 1 I2 = 3 =⇒ S2 = I2 − I1 = 1
por lo tanto habrá dos cajas, una de oreden 2 y la otra de orden 1 i.e.
1 1 0 0
0 1 0 0
JA =
0
0 1 0
0 0 0 2
u1 ∈ ker (A − I) = (1, 0, 0, 0)
u2 ∈ ker (A − I)2 = (0, 0, 1, 0)
u3 = (A − I) u2 = (2, −1, 0, 0)
u4 ∈ ker (A − 2I) = (0, 0, 3, 1)
Solución.
En primer lugar calculamos el polinomio caracterı́stico, siendo éste:
p (λ) = (λ − 2) (λ + 2)2
mf (X) = (X − 2) (X + 2)2
el conjunto de autovalores esta formado por: σ (λ) = (2, −2) con γ(−2) = 2 y
γ(2) = 1. Pasamos a calcular los subespacios invariantes.
58 Clasificación de Endomorfismos. Matrices de Jordan
1. rang (A − 2I) = 2 por lo tanto dim ker (A − 2I) = 1 = γ(2). Las ecuaciones del
ker (A − 2I) son
−2 3 1 x −2x + 3y + z = 0
2 −3 −1 y = 0 =⇒ 2x − 3y − z = 0
−2 −1 −3 z −2x − y − 3z = 0
2. rang (A + 2I) = 2, entonces dim ker (A + 2I) = 1 6= γ(−2) Las ecuaciones del
ker son:
2 3 1 x 2x + 3y + z = 0
2 1 −1 y = 0 =⇒ 2x + y − z = 0
−2 −1 1 z −2x − y + z = 0
q1 + q2 = 1
q2 = 1
Solución.
El polinomio caracterı́stico es:
por lo tanto
σ(λ) = {−2} / γ (λ) = 3
los subespacios invariantes de este autovalor son:
q1 + q2 + q3 = 1
q2 + q3 = 1
q3 = 1
i.e
−2 1 0
JA = 0 −2 1
0 0 −2
y que la matriz de paso esta formada por los siguientes vectores:
v3 ∈ E3 = (1, 0, 0)
v2 = (A + 2I)v3 = (0, −1, 0)
v1 = (A + 2I)v2 = (−1, −1, −1)
−2 1 −1 −1 0 1 −2 1 0 0 0 −1
−1 −1 0 = −1 −1 0 0 −2 1 0 −1 1
0 1 −3 −1 0 0 0 0 −2 1 0 −1
60 Clasificación de Endomorfismos. Matrices de Jordan
Solución.
El polinomio caracterı́stico coincide con el polinomio mı́nimo
(0, 0, 1, 0)
(i, 0, 1, 0) =⇒
(1, 0, 0, 0)
p (λ) = λ3 + 1 = mf (λ)
1 1 √ 1 1 √
σ (λ) = −1, − i 3, + i 3
2 2 2 2
1
√
2. rang A − 2 − 12 i 3 I = 2
3
√
+ 12 i 3
2 0 √ −3 x
3 1
0 −2 + 2i 3 0 √ y = 0 =⇒
3 1
1 0 −2 + 2i 3 z
3 1
√
2 x + 2 ix 3√− 3z = 0
1
2 −3 + i 3√y = 0 =⇒
x − 32 z + 12 iz 3 = 0
√
las ecuaciones del ker = z = z, y = 0, x = 32 z − 12 iz 3
3 1 √
Bker(A−( 1 − 1 i√3)I ) = − i 3, 0, 1
2 2 2 2
Ejemplos. 63
1
√
3. rang A − + 12 i 3 I = 2
2
3 1 √
2 − 2i 3 0 √ −3 x
0 − 32 − 12 i 3 0 √ y = 0 =⇒
1 0 − 23 − 12 i 3 z
3 1
√
2 x − 2 ix 3√− 3z = 0
1
2 −3 − i 3√y = 0 =⇒
x − 32 z − 12 iz 3 = 0
√
las ecuaciones del ker = z = z, y = 0, x = 32 z + 12 iz 3
3 1 √
Bker(A−( 1 + 1 i√3)I ) = + i 3, 0, 1
2 2 2 2
−3 4 −3 5
Solución.
El polinomio caracterı́stico es
p(X) = X 4 + 2X 3 + 2X 2 + 2X + 1 = mf (X)
así pues
σ(X) = {i, −i, −1, −1}
calculamos los subespacios correspondientes viendo que:
64 Clasificación de Endomorfismos. Matrices de Jordan
5 1
Bker(A−iI) = 2 − i, − i, 3, 1
2 2
5 1
Bker(A−iI) = 2 + i, + i, 3, 1
2 2
3. rang(A + I) = 3entonces
−6 10 −8 14 x −6x + 10y − 8z + 14t = 0
−7 10 −8 16
= 0 ⇒ −7x + 10y − 8z + 16t = 0
y
−8 10 −8 18 z −8x + 10y − 8z + 18t = 0
−3 4 −3 6 t −3x + 4y − 3z + 6t = 0
0 0 0 −1
Ejemplos. 65
alternativamente obtenemos:
1 − 32 − 12 i 1 + 12 i − 32 − 12 i
−1 + 3i −1 − 3i 2 3 i 0 0 0
−2 + 3i −2 − 3i 3 4 3 1 1 3 1
0 −i 0 0 1 −2 + 2i 1 − 2i −2 + 2i
−3 + 3i −3 − 3i 4 6 0 0 −1 1 0 0 1 −3
−1 + i −1 − i 1 2 0 0 0 −1 1 −2 1 0
Solución.
El polinomio caracterı́stico es:
P (X) = X 4 + 8X 2 + 16
así que los autovalores son σ(X) = {2i, −2i, 2i, −2i} , de esta forma los subespacios
son:
1. rang(A − 2iI) = 2
6 − 2i 6 4 4 x 6x − 2ix + 6y + 4z + 4t = 0
−4 −2 − 2i 0 −4 y −4x − 2y − 2iy − 4t = 0
= 0 =⇒
0 −2 −2 − 2i 2 z −2y − 2z − 2iz + 2t = 0
−4 −4 −4 −2 − 2i t −4x − 4y − 4z − 2t − 2it = 0
3 1
Bker(A−2iI) = − − i, 1, 0, 1 , (i, −1 − i, 1, 0)
2 2
66 Clasificación de Endomorfismos. Matrices de Jordan
2. rang(A + 2iI) = 2
6 + 2i 6 4 4 x 6x + 2ix + 6y + 4z + 4t = 0
−4 −2 + 2i 0 −4 y −4x − 2y + 2iy − 4t = 0
= 0 =⇒
0 −2 −2 + 2i 2 z −2y − 2z + 2iz + 2t = 0
−4 −4 −4 −2 + 2i t −4x − 4y − 4z − 2t + 2it = 0
3 1
Bker(A+2iI) = − + i, 1, 0, 1 , (−i, −1 + i, 1, 0)
2 2
b : V × V −→ K
u, v 7−→ b(u, v)
verificnado:
3. alternada si b(u, u) = 0
∀ f, g ∈ B (V ) y ∀ k ∈ K
b(x, y) = xAy t
donde x ∈ V e y ∈ W.
Cambio de base.
C D
Sean BV −→ BV0 bases de V tal que la matriz de paso es C y sean BW −→ BW
0
entonces
y10
y1
.. t ..
. =D .
yn yn0
como
y10
yn0
donde B = CADt .
Teorema 5.1.2 Dos matrices son congruentes sii ∃! b y dos bases de V, B y B 0 tal
que A = P t A0 P.
sean ahora las bases BV = {v1 , ..., vn } BW = {w1 , ...., wr } y BV∗ = {f1 , ..., fn } BW
∗ =
{g1 , ...., gr }. Sea A = (aij )n×r / aij = b(vi , wj ) entonces M(d) = A y M(s) = At .
Tenemos entonces las siguientes definiciones:
3. si V = W , b es ordianria ⇐⇒ det A 6= 0.
Definición 5.1.5 Sea (V, R) y b es simétrica si b(u, v) = b(v, u). Sea (V, C) y b
hermítica i.e. b(u, v) = b(v, u).
R C
bilineal sesquilineal
simétrica hermítica
Lema 5.1.1 b es simétrica sii existe una base tal que la matriz de b respecto de dicha
base es simétrica i.e. b es simétrica si ∃B / A = M(b, B) de tal forma que A = At .
Una forma sesquilineal es hermítica sii A = At .
70 Formas Bilineales y Cuadráticas.
b : V × V −→ K
u, v 7−→ b(u, v)
J ⊥ = {w ∈ V / ∀v ∈ J; b(w, v) = 0 }
Observación 5.1.6 Sea b forma bilineal simétrica definida y B = {v1 , ....., vn } una
base ortogonal respecto a b i.e. vi ⊥vj ⇐⇒ b(vi , vj ) = 0 ∀i 6= j. Entonces la expresión
matricial de la forma b respecto de dicha base es diagonal.
b(v1 , v1 ) 0 ··· 0
..
0 .
.
M(b, B) = ..
b(v ,
i iv )
0 0
0 ··· 0 b(vn , vn )
Proposición 5.1.3 Si b es una forma bilineal simétrica definida, entonces existe una
base ortogonal del espacio V.
Observación 5.1.7 Si b definida positiva entonces existe una baseB tal que M(b, B) =
I. Si b definida negativa entonces existe una base B tal que M(b, B) = −I
Formas bilineales. 71
i.e. es una matriz diagonal con todos los términos de la diagonal {±1} .
3. Existe la base BV⊥ . Por inducción sobre la dimensión del espacio. Si dim V = 1
es inmediato que existe BV = {x} , entonces supongamos que en todo espacio
vectorial de dim V = n − 1 y ∀ forma bilineal del mismo existe BV⊥ en las
condiciones dadas. Si dim V = n entonces ∃x ∈ V / b(x, x) 6= 0 y por lo
tanto puedo descomponer el espacio V en suma de subespacio no isótropos i.e.
V = L ⊕ L⊥ de tal forma que dim L = 1 y dim L⊥ = n − 1. Veamos que la
forma b restringida al subespacio L⊥ es bilineal simétrica y definida de L⊥ .
Sea BL⊥ = {v2 , ....., vn } base de L⊥ (base ortogonal respecto de bL⊥ ) entonces
también lo es respecto de b. Si llamo a v1 = x entonces BV = {v1 , v2 , ....., vn }
base de V ortogonal respecto de b i.e. b(vi , vj ) = 0, i 6= j de tal forma que
b(v1 , v1 ) 0 ···
M(b, B) =
.. ..
. b(vi , vi ) .
··· 0 b(vn , vn )
72 Formas Bilineales y Cuadráticas.
4. Es inmediato que ∃B 0 = {e1 , e2 , ....., en } tal que b(ei , ei ) = ±1, tal que
vi
ei = p
|b(vi , vi )|
∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗
de tal forma que una base de L⊥ estará formada por los vectores BL⊥ = {(−1, 1, 0) , (−2, 0, 1)}
comprobamos que b(vi , vi ) 6= 0 y que b(vi , vj ) = 0 viendo que los vectores v2 y v3 no
son ortogonales con respecto a b, luego tenemos que buscar un vector v3 = (x, y, z)
que sea ortogonal a v2 = (−1, 1, 0) y continue perteneciendo a L⊥ i.e debe verificar
x + y + 2z = 0
x−y =0
Al resolver las ecuaciones obtenemos que v3 = (1, 1, −1) comprobando que b(v3 , v3 ) 6=
0. Hemos obtenido una base B 0 = {(1, 1, 0), (−1, 1, 0) , (1, 1, −1)} de V respecto de la
cual b tiene una expresión diagonal
2 0 0
M(b, B 0 ) = 0 −2 0 Pt AP=D
0 0 −2
Formas bilineales. 73
1 1 0 0 1 1 1 −1 1 2 0 0
−1 1 0 1 0 1 1 1 1 = 0 −2 0
1 1 −1 1 1 0 0 0 −1 0 0 −2
vi
Si normalizamos i.e. si ei = √ obtenemos una nueva base B 00 tal que
|b(vi ,vi )|
1 0 0
M(b, B 00 ) = 0 −1 0
0 0 −1
comprobamos que:
00 1 1 1
B = √ (1, 1, 0), √ (−1, 1, 0) , √ (1, 1, −1)
2 2 2
ya que
b(v1 , v1 ) = 2, b(v2 , v2 ) = −2 = b(v3 , v3 )
como podemos comprobar facilmente:
1 1 0 0 1 1 1 −1 1 1 0 0
1 1
√ −1 1 0 1 0 1 √ 1 1 1 = 0 −1 0
2 1 1 −1 1 1 0 2 0 0 −1 0 0 −1
por último resaltamos que la matriz original A (de rango 3) es diagonlaizable y que
su matriz diagonal es:
1 1
0 1 1 − 3 3 −1 −1 0 0 1 −2 1
1 0 1 = −1 1 0 0 2 0 1 1 1
3 3
2 1
1 1 0 3 3 1 0 0 −1 −1 1 0
∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗
N = {v ∈ V / b(v, w) = 0, ∀w ∈ V }
Proposición 5.1.6 Sea B = {v1 , ....., vn } una base de V, entonces u ∈ rad(b) sii
b(u, vi ) = 0. Además:
1. rad(b) ⊂ V
b̄ : V /N × V /N −→ K
(x + N, y + N ) 7−→ b̄(x + N, y + N ) = b(x, y)
pero como b(vi +N, vi +N ) = b(vi , vi ) = ±1 ∀i = 1, ..., r. Sea BN = {vr+1 , ...., vn } una
base cualquiera del nucleo / b(vj , vk ) = 0. Tomo como base B = {v1 , ...., vr , vr+1 , ...., vn }
de tal forma que
b(vi , vi ) = ±1 ∀i = 1, ..., r
b(vj , vk ) = 0 ∀j, k = r + 1, ..., n
∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗
queremos ver la forma diagonal que tiene respecto de la base B que debemos encontrar.
En primer lugar debemos calcular el nucleo de b i.e.
1 1 2 x x + y + 2z = 0
1 2 3 y = 0 ⇐⇒ x + 2y + 3z = 0
2 3 5 z 2x + 3y + 5x = 0
d1
..
.
dp0
−dp0 +1
0
M(b, B ) =
..
.
−dr0
0
..
.
0
tal que
b(y, y) = y12 d1 + ... + yp20 dp0 ≥ 0
con y ∈
/ N si y 6= 0 entonces b(x, x) > 0. Atendiendo a ls fórmulas de Grassmann,
vemos que
= n + p0 − p − dim(L ∩ M ) ≤ n
1. Para que una forma cuadrática b(x, x) sea definida positiva es necesario y su-
ficiente que sean positivos todos los menores “angulares” de la matriz A =
M(b, B) i.e. los menores
a11 a12
∆1 = a11 > 0, ∆2 = > 0, ....., ∆n = |A| > 0
a21 a22
deben ser positivos.
2. Para que una forma sea definida negativa es necesario y suficiente que se veri-
fique
a11 a12
∆1 = a11 < 0, ∆2 = > 0....., ∆n = |A| ≶ 0
a21 a22
i.e. que se alternen los signos de los menores angulares de la matriz A siendo
de signo negativo el primero i.e. ∆1 = a11 .
5.3 Ejemplos.
Ejemplo 5.3.1 Diagonalizar la aplicación bilineal dada por
2 −5 0
A = −5 −1 3
0 3 −6
Solución.
En primer lugar calculaomos el polinomio caracteristico viendo que es igual a
p(X) = X 3 + 5X 2 − 42X − 144
y que por lo tanto los autovalores son:
σ(X) = {−8, 6, −3}
pasando a calcular cada uno de los subespacios:
78 Formas Bilineales y Cuadráticas.
2. rang(A − 6I) = 2
−4 −5 0 x −4x − 5y = 0
−5 −7 3 y = 0 =⇒ −5x − 7y + 3z = 0
0 3 −12 z 3y − 12z = 0
las ecuaciones del ker son: y = y, x = − 45 y, z = 14 y , mientras que una base es:
3. rang(A + 3I) = 2
5 −5 0 x 5x − 5y = 0
−5 2 3 y = 0 =⇒ −5x + 2y + 3z = 0
0 3 −3 z 3y − 3z = 0
las ecuaciones del ker son:{x = z, z = z, y = z} ,mientras que una base es:
mientras que P t AP = D
−5 4 1 2 −5 0 −5 1 1 252 0 0
1 1 1 −5 −1 3 4 1 2 = 0 −9 0
1 2 −3 0 3 −6 1 1 −3 0 0 −112
Ejemplos. 79
con
−1 5 2 1
−5 1 1 − 42 21 42
4 1 1 1 1
2 = 3 3 3
1 1 3
1 1 −3 14 7 − 14
observamos además cada autovector es ortogonal i.e.
2 −5 0 −5
1 1 1 −5 −1 3 4 = 0
0 3 −6 1
esta es la base buscada. Por lo tanto la matriz diagonal queda P t AP = D: (se han
simplificado las expresiones para que no aparezcan raices en el denominador)
5
√ 2
√ √ 1
5
√ 1
√
1
− 42 7 21 7 7 42 2 −5 0 − 42 √7 3 28 √7 1 0 0
1 1 1 2 1 1
√3 √3 √3 −5 −1 3
21 √7 3 14 √7
= 0 −1 0
1 1 3 3 −6 1 1 3 0 −1
14 7 − 28 7
28 7
0 42 7 3 − 28 7 0
los autovalores son σ(f ) = {6, −3, −8}, y sus correspondientes autovectores son:
Observación 5.3.1 En este caso coincide que la matriz es diagonlaizable, pero como
veremos exsiten casos de aplicaciones bilinelaes no diagonalizables y sin embargo
existir bases respecto de las cuales la forma es diagonal.
Ejemplo 5.3.2 Dada la forma bibilineal A, queremos encontrar una base respecto
de la cual la expresión del endomorfismo tenga una expresión diagonal ±1, 0.
3 6 4
A= 6 9 6
4 6 4
80 Formas Bilineales y Cuadráticas.
Solución.
el espacio hay que descomponerlo
V = L ⊕ L⊥ ⊕ ker f
L⊥ = {3x + 6y + 4z = 0}
las ecuaciones de L⊥ son
x = −2λ − 43 µ
⊥
L = y=λ
z=µ
comprobando que
3 6 4 2
2 −1 0 6 9 6 −1 = −3
4 6 4 0
tenemos que
3 0 0
M (f, B) = 0 −3 0
0 0 0
Ejemplos. 81
si normalizamos entonces
1 0 0
M (f, B 0 ) = 0 −1 0
0 0 0
siendo
0 1 2 −1
B = √ , 0, 0 , √ , √ , 0 , (0, −2, 3)
3 3 3
Solución.
V = L ⊕ L⊥ ⊕ ker f
Vemos que dim ker f = 1 ya que
1 2 3 0 x x + 2y + 3z = 0
2 3 6 0 y 2x + 3y + 6z = 0
= 0 =⇒
3 6 5 2
z 3x + 6y + 5z + 2t = 0
0 0 2 −1 t 2z − t = 0
las ecuaciones del ker : {z = z, y = 0, x = −3z, t = 2z}, una base esta formada por
L⊥ = {x + 2y + 3z = 0}
las ecuaciones parametricas de
x = −2λ − 3µ
y=λ
L⊥ =
z=µ
t=α
82 Formas Bilineales y Cuadráticas.
observando que
1 2 3 0 −2
2 3 6 0
1 = −1
−2 1 0 0
3 6 5 2 0
0 0 2 −1 0
1 2 3 0 −3
2 3 6 0 0
−3 0 1 0
3
= −4
6 5 2 1
0 0 2 −1 0
1 2 3 0 0
2 3 6 0 0
0 0 0 1 = −1
3 6 5 2
0
0 0 2 −1 1
Podemos tomar la base formaba por
B = (1, 0, 0, 0), (−2, 1, 0, 0) , (0, 0, 0, 1), (−3, 0, 1, 2)
| {z } |
{z } | {z }
L L⊥ ker f
V = L ⊕ L⊥ ⊕ ker f
de tal forma que
L ⊥ L⊥ ⊥ ker f
son ortogonales entre si y respecto de la forma A.
Solución.
vemos que la forma cuadrática asociada es:
b(e3 , e3 ) = 0
i.e
3 1 −2 0
0 0 1 1 2 1 0 = 0
−2 1 0 1
Ejemplos. 83
sin embargo rangB = 3. Nos piden calcular la ecuación del subespacio generado por
los vectores L = L {(1, 3, 0) , (−1, 1, 2)} . De forma trivial calculamos que
x y z
L = det 1 3 0 = 0 = 3x − y + 2z
−1 1 2
siendo BL = {(1, 3, 0) , (−1, 1, 2)} , las ecuaciones del subespacio ortogonal son por lo
tanto
3 1 −2 x
1 3 0 1 2 1 y = 6x + 7y + z
−2 1 0 z
3 1 −2 x
−1 1 2 1 2 1 y = −6x + 3y + 3z
−2 1 0 z
x = 3λ
⊥ 6x + 7y + z = 0
L := =⇒ y = −4λ
−6x + 3y + 3z = 0
z = 10λ
siendo BL = {(3, −4, 10)} . Comprobando trivialmente que ambos espacios son NO
isótropos i.e. L ∩ L⊥ = ~0, simplemente viendo que los vectores son LI i.e.
3 −4 10
det 1 3 0 = 66 6= 0
−1 1 2
Ejemplo 5.3.5 Probar que la matriz A no es diagonalizable pero sin embargo existe
una matriz P invertible / P t AP es diagonal.
La matriz A está dada por
√ √
√ 8 i 2 i 2
A= i√2 3 1
i 2 1 3
Solución.
Vemos que el polinomio caracterı́stico es:
y que por lo tanto σ(f ) = {2, 6, 6} , vemos ahora que la dimensión de cada uno de
los subespacios invariantes no coincide con la multiplicidad de su correspondiente
autovalor ya que dim(ker(f − 2I)) = 1 pero dim(ker(f − 6I)) = 1 y para que sea
diagonalizable debería ser 2. Sin embargo podemos comprobar que la forma de Jordan
es:
√ √ √ √
0 2i 2 12 i 2
√8 i 2 i 2 2 0 0 √ 0 −1 1
i 2
√ 3 1 = − 12 −2 1
2 0 6 1 − 18 i√2 − 18 − 18
1 1
i 2 1 3 2 −2 2 0 0 6 − 21 i 2 1
2
1
2
84 Formas Bilineales y Cuadráticas.
de rango √
3 entonces
√ la forma bilineal es ordinaria. Tomamos un vector cualquiera
v1 = 8, i 2, i 2 , siendo L = L(v1 ), de tal forma que b(v1 , v1 ) = 432
√ √
√ √ √8 i 2 i 2 √8
8 i 2 i 2 i√2 3 1 i√2 = 432
i 2 1 3 i 2
10 √
79
v3 = i 2, 1, −
29 29
432 0 0
79
= 0 25 0
17 064
0 0 841
por último resaltar que la matriz encontrada P es invertible como se puede comprobar:
√ √ −1 5 15
√ 145
√
√ 8 i 2 i 2 √36 − 79 i 2 2844 i 2
−1i 2 1 0 = 1 85 29
− 1422
5 √ 36 i√2 79
10 79 1 35 551
29 i 2 1 − 29 36 i 2 79 − 1422
Ejemplo 5.3.6 Sea la forma cuadrática definida sobre R respecto de la base canónica:
Solución.
Vemos que la forma forma pola de q es:
i.e.
h i
2f (x, y) = (x1 + y1 )2 − 3 (x2 + y2 )2 − 4 (x3 + y3 )2 + λ (x4 + y4 )2 + 2µ (x1 + y1 ) (x2 + y2 ) −
− x21 − 3x22 − 4x23 + λx24 + 2µx1 x2 − y12 − 3y22 − 4y32 + λy42 + 2µy1 y2
por lo tanto
y1 + µy2
µy1 − 3y2
(x1 , x2 , x3 , x4 ) por lo tanto
−4y3
λy4
1 µ 0 0 y1
µ −3 0 0 y2
(x1 , x2 , x3 , x4 )
0 0 −4 0 y3
0 0 0 λ y4
el determinante es det (A) = 12λ + 4µ2 λ = 4λ(3 + µ2 ) pudiendo distinguir los sigu-
ientes casos.
1. si λ 6= 0 entonces el rango de A es 4
2. si λ = 0 entonces el rango de A es 3
2. Ecuaciones y base de L⊥
Solución.
En primer lugar vemos que r(A) = 4. Una base del subespacio L está dada
por:
x=λ
x−y−z =0 y=µ
L= =⇒ L =
2x − y − t = 0
z =λ−µ
t = 2λ − µ
por último
23 −13 0 0
−10 8 0 0
M (f, B 0 ) =
6= 0 6= 0 81 66
6= 0 6= 0 47 42
vemos que hemos elegido los vectores de L⊥ por la izquierda y que como A no es
simétrica entonces vi Avjt 6= vj Avit .
88 Formas Bilineales y Cuadráticas.
Capı́tulo 6
ESPACIOS VECTORIALES EUCLı́DEOS.
Definición 6.1.2 Espacio euclideo (resp. unitario) (V, g) con g producto escalar.
k·k : V −→ R
v 7−→ kvk
verificando:
1. kvk = 0 ⇐⇒ v = 0
d : V × V −→ R
u, v −→ d(u, v)
se observa que
d(u, v) = kv − uk
verificando:
90 Espacios vectoriales euclı́deos.
1. d(u, v) = 0 ⇐⇒ u = v
2. d(u, v) = d(v, u)
g(u, v)
cos α =
kuk kvk
Definición 6.1.6 Vector unitario sii g(u, u) = 1 y decimos que u⊥v (vectores oro-
togonales) sii g(u, v) = 0
0 = g(u0r+1 , ui ) = g(er+1 , ui ) − k i
entonces
k i = g(er+1 , ui )
de esta forma los vectores u1 , ......, ur , u0r+1 son LI y por lo tanto forman base de
de esta forma la base {u1 , ......, ur , ur+1 } es ortonormal. Por inducción completamos
el razonamiento hasta obtener una base de V.
Espacios vectoriales euclı́deos. 91
∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗
Observación 6.1.1 Este toerema es fundamental para varias de las ramas de la
matemática como el análisis de Fourier etc... veamos un ejemplo.
Ejemplo 6.1.1 En el espacio C([a, b]) consideramos el producto interior definido por
Z b
hf, gi = f (x)g(x)dx
a
y comprobamos que en C([−π, π]) la base de funciones B = {1, cos t, sin t, cos 2t, sin 2t, ....}
son ortogonales dos a dos con respecto al producto interior anteriormente definido i.e.
Z π
hcos nt, sin mti = 0 = (cos nt · sin mt) dt =
Z π −π
1 π
Z
1
sin (m + n) tdt − sin (n − m) tdt
2 −π 2 −π
Pensemos ahora en el desarrollo de Fourier de la función f (x) = x2 en el intervalo
x ∈ (−π, π)
∞
a0 X
f (x) ≈ + (ak cos kx + bk sin kx)
2
k=1
considerando la base de funciones B = {1, cos x, sin x, cos 2x, sin 2x, ....}, como la
función la función es par entonces se observa que bk = 0. La idea es la de ir calculando
las respectivas proyecciones de la función f con respecto a cada uno de los elementos
de la base i.e. Rπ 2 2 3
hf, 1i x dx 3π π2
proy1 f = = R−ππ = =
h1, 1i −π 1dx
2π 3
en la teoría de series de Fourier se define
1 π 1 π 2 2π 2
Z Z
a0 = f (x)dx = x dx =
π −π π −π 3
vamos viendo la analgía, i.e. a20 = proy1 f, mientra que el término ak se define como:
1 π 1 π 2
Z Z
ak = f (x) cos kxdx = x cos kxdx
π −π π −π
mientras que la proyección de f con respecto a cos x se define como
Rπ 2 Rπ 2
hf, cos xi x cos xdx x cos xdx
proycos x f = = R−ππ 2
= −π
hcos x, cos xi −π cos xdx
π
ϕ∗ : V −→ V ∗
v 7−→ v ∗
Teorema 6.2.1 Isomorfía, espacio dual. Sea (V, g) espacio euclideo entonces se
establece el isomorfismo canonico entre el espacio V y su dual.
ϕ∗ : V −→ V ∗
v 7−→ v ∗
W ⊥ = {v ∈ V / g(u, v) = 0 ∀u ∈ W }
V = W ⊕ W⊥
verificándose:
dim W ⊥ = dim V − dim W
por las fórmulas de Grassmamm.
1. ω · (u ∧ v) = detB (u, v, ω) ,
2. u ∧ v = −v ∧ u,
3. (ku) ∧ v = k (u ∧ v) ,
4. (u + u0 ) ∧ v = u ∧ v + u0 ∧ v,
1. e1 ∧ e2 = e3 , e2 ∧ e3 = e1 , e3 ∧ e1 = e2 ,
2. Si u = ei uj y v = ei v j entonces
P P
e1 u1 v 1
u ∧ v = e2 u2 v 2
e3 u3 v 3
(u ∧ v) ∧ ω + (u ∧ ω) ∧ v + (ω ∧ u) ∧ v = ~0.
ker h = (Im f )⊥
Im g = (ker f )⊥
94 Espacios vectoriales euclı́deos.
Demostración.
1. Caso unitario:
si f (u) = λu / u 6= ~0 entonces
entonces λ = λ sii λ ∈ R.
2. Caso euclídeo:
Sea A la matriz de la aplición simétrica f y B una una base ortogonal. Si
considero A como matriz compleja entonces es hermítica entonces sería la matriz
de cierta aplicación f : V −→ V entre espacios unitarios. puesto que f y f
tiene la misma matriz, su polinomio característico se´ra el mismo y sabemos
que en el caso complejo λ ∈ R entonces sólo puede pasar que λ ∈ R.
Como vemos los autovalores de una matriz simétrica son siempre reales.
f (x) = xi A
f (y) = yj A
Aplicaciones entre espacios euclídeos. 95
si
xi yjt = yj xti
i.e
λ1 xi yjt = z = λ2 yj xti
reagrupando
(λ1 − λ2 ) xi yjt = 0
esto se cumple para cualesquiera valores propios de f dsitintos.
Si existe λ ∈ σ(f ) tal que λ ∈ C entonces su conjungado también es autovalor
de f i.e. λ ∈ σ(f ). Entonces eligiendo adecuadamente un x ∈ Vλ e y ∈ Vλ tal que
y = x i.e. f (y) = λx ⇐⇒ y ∈ Vλ aplicamos el resultado anterior i.e. (λ1 − λ2 ) xi yjt =
0 al caso λ, λ observando que
λ − λ xi xtj = 0
h i
λ − λ |xi |2 = 0
pero esto sólo puede pasar si λ = λ pero esto es imposible si estamos en C así que
λ ∈ R.
F = hvi⊥ = {u ∈ V / g(u, v) = 0}
de donde f (u) ∈ F. Por hipótesis de inducción, existe una base ortonormal de vectores
propios de F, {u2 , ......, un }. Entonces si tomamos u1 = v vemos que el conjunto de
vectores {u1 , u2 , ......, un } es base ortonormal de vectores propios de f tal y como
queríamos hacer ver.
96 Espacios vectoriales euclı́deos.
3. Ei Ej = 0 ∀i 6= j
D = M(f|W , BW )
luego
BV0 = {u1 , u2 , ....., un }
base ortonormal de vectores propios de V.
∗
At = A
Aplicaciones entre espacios euclídeos. 97
∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗
E1 + E2 + E3 = I
Ei Ej = 0
∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗
6.5.3 Aplicaciones ortogonales. Aplicaciones unitarias
Definición 6.5.3 (V, g) espacio vectorial euclideo (o unitario). Sea f ∈ End(V );
f : V −→ V una aplicación, decimos que es ortogonal en el caso real y unitaria en el
caso complejo si
g(f (u), f (v)) = g(u, v) ∀u, v ∈ V
1. kf (u)k = kuk ∀u ∈ V
3. f es biyectiva
f ortonormal ⇐⇒ At A = I
f unitaria ⇐⇒ At A = I
t
Definición 6.5.5 A es unitaria si At A = I i.e. A−1 = A =⇒ |det A| = 1
Sea {w1 , ...., wn } una base ortonormal obtenida a partir de la anterior por el método
de Gram-Schmidt. Como wi ∈ hv1 , ......, vi i resulta que
para i = 1, ...., k
pero bi = 1 entonces bi 6= 0 de donde ai = 0 ∀i = 1, ..., k entonces
6.6 Ejemplos.
Ejemplo 6.6.1 Se considera en R3 la forma bilineal simétrica definida por
para ver que se trata de un producto escalar tenemos que ver que se trata de una forma
bilineal simétrica y definida positiva, es obvio que es bilineal y simétrica sólo queda
ver que es definida positiva pero es sencillo si tenemos encuenta que el determinante
de todos los menores angulares es positivo e incluso el determinante de det A = 1.
De esta forma garantizamos que A es un producto escalar.
Para ortonormalizar la base procedemos mediante el método de Gramm-
Schmidt de la siguiente manera.
v1 = (1, 1, 1) = e1
e2 = v2 + λe1 / g(e2 , e1 ) = 0
100 Espacios vectoriales euclı́deos.
g(v2 , e1 )
i.e. g(e2 , e1 ) = 0 = g(e1 , v2 ) + λg(e1 , e1 ) ⇐⇒ λ=−
g(e1 , e1 )
de esta forma obtenemos que
g(v2 , e1 ) −2
λ=− =−
g(e1 , e1 ) 5
donde
2 0 1
1
g(v2 , e1 ) = 0 1 −1 0 1 −1 1 = −1
1 −1 2 1
2 0 1 1
g(e1 , e1 ) = 1 1 1 0 1 −1 1 =5
1 −1 2 1
por lo tanto
2 2 7 3
e2 = v2 + λe1 = (0, 1, −1) + (1, 1, 1) = , ,−
5 5 5 5
de igual forma calcularemos el vector e3
por lo tanto
g(v3 , e1 ) g(v3 , e2 )
λ=− y µ=−
g(e1 , e1 ) g(e2 , e2 )
en este caso
2 0 1 1
g(v3 , e1 ) = 0 2 0 0 1 −1 1 = 0 =⇒ λ = 0
1 −1 2 1
2
2 0 1 5
g(v3 , e2 ) = 0 2 0 0 1 −1 75 = 4
1 −1 2 − 35
2
2 0 1 5 21
g(e2 , e2 ) = 25 75 − 35 0 1 −1 75 =
5
1 −1 2 − 35
g(v3 , e2 ) 20
µ=− =−
g(e2 , e2 ) 21
20 2 7 3 8 2 4
e3 = v3 + λe1 + µe2 = (0, 2, 0) − , ,− = − , ,
21 5 5 5 21 3 7
por lo que la base ortogonal resulta ser:
0 2 7 3 8 2 4
B = (1, 1, 1) , , ,− , − , ,
5 5 5 21 3 7
ahora sólo queda normalizarla i.e.
( )
00 ei
B = p
g(ei , ei )
Ejemplos. 101
1
1 2 7 3 1 8 2 4
B 00 = √ (1, 1, 1) , q , ,− ,q − , ,
5 21 5 5 5 4 21 3 7
5 21
ya que
8
2 0 1 − 21
8 2 4
2 4
g(e3 , e3 ) = − 21 3 7
0 1 −1 3 =
4 21
1 −1 2 7
por lo tanto nuestra base ortonormal es:
1
1 2 7 3 1 8 2 4
B 00 = √ (1, 1, 1) , q , ,− ,q − , ,
5 21 5 5 5 4 21 3 7
5 21
F = x + iy − z = 0 ∀ (x, y, z, t) ∈ C4
Solución.
En primer lugar vamos a calcular las ecuaciones paramétricas del subespacio
F, siendo estas:
x=λ
y=µ
F = =⇒ BL = {(1, 0, 1, 0) , (0, 1, i, 0) , (0, 0, 0, 1)}
z = λ + iµ
z=δ
g(u2 , v1 ) i
λ=− = − =⇒ v2 = (−i, 2, i, 0)
g(v1 , v1 ) 2
Solución.
calcular F ◦ y F ◦◦ .
F ◦◦ = (x, y, z) ∈ R3
/ h(x, y, z) , (1, −1, −1)i = 0 = F
i.e. x=y+z
Solución. Tomando una base cualquiera de F i.e. F = {(1, −1, 0, 0) , (1, 0, −1, 1)}
y aplicando el método de G-M obtenemos
1 1
BF = √ (1, −1, 0, 0) , √ (1, 1, −2, 2)
2 10
p(x) = hx | b1 i b1 + hx | b2 i b2
1 1
hx | b2 i b2 = (x, y, z, t) √ (1, 1, −2, 2) √ (1, 1, −2, 2) =
10 10
1
= (x + y − 2z + 2t, x + y − 2z + 2t, −2x − 2y + 4z − 4t, 2x + 2y − 4z + 4t)
10
por lo tanto
hx | b1 i b1 + hx | b2 i b2 =
3 2 1 1
x−y x + y − 2z + 2t 5x − 5y − 5z + 5t
1 −x + y
1
x + y − 2z + 2t − 25 x +
3
5y − 1
5z + 1
5t
= + =
2 0 10 −2x − 2y + 4z − 4t − 15 x − 1
5y + 2
5z − 2
5t
1 1 2 2
0 2x + 2y − 4z + 4t 5x + 5y − 5z + 5t
de tal forma que la matriz de la proyección en la base cacónica toma la siguiente
expresión:
3 −2 −1 1
1 −2 3 1 1
M(p, B) =
5 −1 −1 2 −2
1 1 −2 2
Ejemplo 6.6.6 Encontrar una matriz P tal que P t AP sea diagonal siendo A
5 −2 2 5 −2i −4
A = −2 2 4 y A = 2i 8 2i
2 4 2 −4 −2i 5
p(X) = X 3 − 9X 2 + 108
y por lo tanto los autovalores son: σ(f ) = {−3, 6, 6} , el polonomio mínimo en este
caso es:
mf (X) = −18 − 3X + X 2
Los subespacios propios son:
104 Espacios vectoriales euclı́deos.
Comprobamos que
−1
5 −2 2 1 2 −2 −3 0 0 1 2 −2
−2 2 4 = 2 0 1 0 6 0 2 0 1
2 4 2 −2 1 0 0 0 6 −2 1 0
donde −1 1 2
− 29
1 2 −2 9 9
2 0 1 = 29 4
9
5
9
−2 1 0 − 92 5
9
4
9
si aplicamos el método de G-M obtendremos una base ortonormal, siendo ésta
1 1 1
B= (1, 2, −2) , √ (2, 0, 1) , √ (−2, 5, 4)
3 5 3 5
lo único que hay que ver es que v2 ∈ V6
hv1 , u2 i 4
v2 = λv1 + u2 / λ=− = =⇒ v2 = (−2, 5, 4)
hv1 , v1 i 5
de esta forma
1 2 1 √2 2
− 3√
−√23
√3 3 5 −2 2 3 5 5 −3 0 0
2 1 2 5
5 √ 5 0 5 −2 2 4 0 √ =
0 6 0
√ 5 √ 3
3 5
2
− 15 5 13 5 4
15 5
2 4 2 − 23 √1 4
√ 0 0 6
5 3 5
observándose que P t = P −1 .
Con respecto a la segunda matriz operamos de igual forma i.e.
5 −2i −4
A = 2i 8 2i
−4 −2i 5
σ(f ) = {0, 9, 9}
1. V0 = ker(A)
5 −2i −4 x 5x − 2iy − 4z = 0
2i 8 2i y = 0 =⇒= 2ix + 8y + 2iz = 0
−4 −2i 5 z −4x − 2iy + 5z = 0
2. V9 = ker(A − 9I)
−4 −2i −4 x −4x − 2iy − 4z = 0
2i −1 2i y = 0 =⇒= 2ix − y + 2iz = 0
−4 −2i −4 z −4x − 2iy − 4z = 0
−4x − 2iy − 4z = 0
2ix − y + 2iz = 0
−4x − 2iy − 4z = 0
cuya solución es: {y = 2ix + 2iz}, de esta forma una base es:
Al igual que antes aplicamos el método de G-M para obtener una base ortonor-
mal respecto de A. De esta forma
1 1 1
B= (2, −i, 2) , √ (1, 2i, 0) , √ (−4, 2i, 5)
3 5 3 5
hv1 , u2 i −4
v2 = λv1 + u2 / λ=− = =⇒ v2 = (−4, 2i, 5)
hv1 , v1 i 5
recordamos que:
Solución.
Vemos que el polinomio característico es:
p(X) = X 4 − 6X 3 + 32X
mf (X) = −8X − 2X 2 + X 3
1. V0 = ker(A)
2 0 0 −2 x 2x − 2t = 0
0 1 −3 0 y y − 3z = 0
= 0 =⇒
0 −3 1 0 z −3y +z =0
−2 0 0 2 t −2x + 2t = 0
2. V4 = ker(A − 4I)
−2 0 0 −2 x
−2x − 2t = 0
0 −3 −3 0 y
−3y − 3z = 0
= 0 =⇒
0 −3 −3 0 z −3y − 3z = 0
−2 0 0 −2 t −2x − 2t = 0
cuya solución es : {x = −t, y = −z} , así una base del subespacio es:
Si v es un vector y {pi }3i=1 son las proyecciones ortogonales sobre cada uno
de los subespacios (V0 , V4 , V−2 ):
p1 = hv | a1 i a1
p2 = hv | a2 i a2 + hv | a3 i a3
p3 = hv | a4 i a4
entonces
1 1
p1 = hv | a1 i a1 = h(x, y, z, t) | (1, 0, 0, 1)i (1, 0, 0, 1) = (x + t, 0, 0, x + t)
2 2
1
p2 = hv | a2 i a2 + hv | a3 i a3 = (x − t, y − z, z − y, t − x)
2
1
p3 = hv | a4 i a4 = (0, y + z, z + y, 0)
2
1. V2i = {ix − z = 0} , entonces una base de este espacio está formada por (ya
normalizada):
1
BV2i = √ (1, 0, i) , (0, 1, 0)
2
2. V2 = {ix + z = 0, y = 0} , entonces una base de este espacio está formada por:
1
BV2 = √ (1, 0, −i)
2
De esta forma:
p1 = hv | a1 i a1 + hv | a2 i a2
p3 = hv | a3 i a3
entonces
1
p1 = hv | a1 i a1 + hv | a2 i a2 = (x − iz, y, ix + z)
2
1
p3 = hv | a3 i a3 = (x + iz, 0, −ix + z)
2
Ejemplo 6.6.9 En R4 con el producto escalar ordinario calcular las coordenadas del
vector proyección ortogonal de u = (1, 3, −1, 0) sobre el subespacio L
x − 2y + t = 0
L= ∀ (x, y, z, t) ∈ R4
y + z − 2t = 0
Solución.
las ecuaciones de L son:
x = 2λ − µ
y=λ
L=
z = −λ + 2µ
t=µ
entonces:
6 3 21 6 3 3
proyL (u) = x = (2, 1, −1, 0) + (−1, 0, 2, 1) = , ,− ,
5 10 10 5 5 10
11 2 11 9 2 3
z = − (1, −2, 0, 1) − (0, 1, 1, −2) = − , , − , −
10 5 10 5 5 10
1√
d(u, L) = kzk = 470
10