Main
Main
Main
1. Afinando temas 5
1.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1. Producto de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2. Binomio de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3. Producto de matrices por bloques . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.4. Potencia de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.1. Una operación por filas que no es elemental . . . . . . . . . . . . . . . . . . . . 11
1.2.2. Método de reducción de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3. Unicidad de la forma equivalente reducida . . . . . . . . . . . . . . . . . . . . . 13
1.2.4. Tipos de sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . 14
1.2.5. Algunas variantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.6. Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3. Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4. Operando con wxMaxima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5. Cuestionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1. Búsqueda bibliográfica [Poo04] . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.7. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.8. Respuestas a los ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.9. Respuestas a los problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2. Espacios vectoriales 29
2.1. Grupos, anillos y cuerpos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.1. Grupo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.2. Anillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.3. Cuerpo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3. Espacios vectoriales (ev) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5. Dependencia lineal y dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.6. Reflexionando sobre lo visto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.6.1. Tipos de subespacios en R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.6.2. Determinación de la dependencia lineal . . . . . . . . . . . . . . . . . . . . . . 44
2.6.3. Obtención de bases de un subespacio definido por ecuaciones y viceversa . . . . 47
2.7. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.7.1. Consecuencias del teorema del rango . . . . . . . . . . . . . . . . . . . . . . . . 49
1
2 ÍNDICE GENERAL
4. Transformaciones Lineales 83
4.1. Algunas definiciones, proposiciones y propiedades . . . . . . . . . . . . . . . . . . . . . 85
4.2. Composición e inversa de una t.l. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.3. Teorema de la dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.4. Matriz de una t.l. en las bases B y B’ . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.5. Cuestionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.5.1. Búsqueda bibliográfica [AL82] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.6. Teóricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.8. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.9. Respuestas a los ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Afinando temas
Si bien suponemos que ustedes están familiarizados con los conocimientos básicos sobre números
complejos, polinomios, matrices, sistemas de ecuaciones lineales y determinantes, necesitamos pro-
fundizar algunos conceptos e interpretaciones que utilizaremos en este curso. Presentaremos también
algunas demostraciones que no suelen darse en cursos básicos de álgebra y que tampoco suelen estar
en la bibliografı́a.
1.1. Matrices
Supondremos que están familiarizados con las operaciones básicas sobre matrices y sus propiedades.
En particular las operaciones de suma, producto, producto por un escalar, trasposición, conjugación
e inversión. Llamaremos adjunta de una matriz a su conjugada traspuesta:
t
A∗ = A (adjunta de A)
Observen que esta definición de matriz adjunta no tiene relación con la matriz de cofactores.
El hecho que en general el producto de matrices no sea conmutativo, hace que ciertas propiedades que
habitualmente se utilizan con números, no puedan utilizarse con matrices, por ejemplo 3 · 5 · 3−1 = 5,
pero en general A · B · A−1 6= B como muestra el siguiente ejemplo:
3 7 2 4 5 −7 −1 8
· · =
2 5 1 3 −2 3 −1 6
| {z } | {z } | {z } | {z }
A B A−1 6=B
5
6 CAPÍTULO 1. AFINANDO TEMAS
Tampoco pueden utilizarse las conocidas fórmulas del cuadrado del binomio o la diferencia de cuadra-
dos ya que como en general A · B 6= B · A:
(A + B) · (A + B) = A2 + A · B + B · A +B 2
| {z }
6=2·A·B
(A + B) · (A − B) = A −A · B + B · A −B 2
2
| {z }
6=O
2
(A − B) · (A + B) = A + A · B − B · A −B 2
| {z }
6=O
Observamos también que al no existir el cociente entre matrices, los despejes de ciertas ecuaciones
matriciales deben hacerse de manera adecuada. En el siguiente ejemplo, A, B y X son matrices cuadra-
das e inversibles, el objetivo es despejar X y para eso debemos hacer exactamente lo mismo a ambos
miembros de la igualdad. Si multiplico ambos miembros por una matriz, debo hacerlo del mismo lado
en ambos miembros, o para eliminar operaciones como la conjugación, trasposición o inversión debo
aplicar esa operación a ambos miembros.
t
At · B · (X t )−1 · B −1 = A
h t i t
At · B · (X t )−1 · B −1 = At
At · B · (X t )−1 · B −1 = At
(At )−1 · At ·B · (X t )−1 · B −1 t −1 t
| {z· B} = (A ) · A · B
| {z }
I I
Demostración
Ar+1
+ B(A + B)r − B r+1 Ar+1
XX + A(A + B)r − + B r+1
=
X XX X
donde la cantidad de filas y columnas de cada submatriz o bloque se eligen de forma que pueda
realizarse el producto A11 · B11 . Observamos que necesariamente podrán realizarse los productos A11 ·
B12 , A21 · B11 , A21 · B12 , A12 · B21 , A12 · B22 , A22 · B21 y A22 · B22 .
Además observamos que el producto A · B puede obtenerse según el siguiente esquema de bloques:
A11 · B11 + A12 · B21 A11 · B12 + A12 · B22
A·B =
A21 · B11 + A22 · B21 A21 · B12 + A22 · B22
8 CAPÍTULO 1. AFINANDO TEMAS
Veamos un ejemplo:
2 1 1 0
2 1 −3 1 1
0 −1 2 2
A = −2 1 4 0 2 B=
0 1 −1 0
0 2 3 4 1 1 2 3 2
3 −1 1 −1
4 1 4 4 −2 7 8 −1 11
A11 · B11 + A12 · B21 = + =
−4 −3 0 6 2 −2 2 −1 −2
2 1 3
A11 · B12 + A12 · B22 = + =
2 −2 0
A21 · B11 + A22 · B21 = 0 −2 4 + 7 10 10 = 7 8 14
A21 · B12 + A22 · B22 =(4) + (7) = (11)
8 −1 11 3
A · B = 2 −1 −2 0
7 8 14 11
Ejercicio. Calcular el producto de A y B utilizando los siguientes bloques:
2 1 1 0
2 1 −3 1 1
0 −1 2 2
A= −2 1 4 0 2 B=
0 1 −1 0
0 2 3 4 1 1 2 3 2
3 −1 1 −1
Con la misma idea, también es posible dividir las matrices en más bloques y realizar el producto
adecuadamente. En el caso que los bloques de A sean sus filas y los de B sus columnas, se obtiene la
forma estandar del producto.
Observemos que si A y B tienen bloques nulos en posiciones estratégicas, C = A · B también lo tendrá:
A11 A12 B11 B12 C11 C12
· =
O A22 O B22 O C22
A11 O B11 O C11 O
· =
A21 A22 B21 B22 C21 C22
A11 O B11 O C11 O
· =
O A22 O B22 O C22
El último es un caso particular de lo que llamaremos matrices diagonales por bloques. Llamaremos
matriz diagonal por bloques a una matriz de ceros salvo en los bloques diagonales:
A11 O
A22
..
.
O Akk
1.1. MATRICES 9
En particular, nos interesan las matrices cuadradas y diagonales por bloques donde a su vez los bloques
son cuadrados. Si A es una matriz de este tipo, entonces puede obtenerse una potencia de la misma
de la siguiente forma:
r
Ar11
A11 O O
r
A22 A
22
=
..
.
. .
.
O Akk O Arkk
En la siguiente sección, veremos como obtener potencias de distintos tipos de bloques.
0 0 0 1 ··· 0
0
0 0 0 1 ···
..
.
N3 = 0
··· 0 0 0 1
0
··· 0 0 0 0
0 ··· 0 0 0 0
0 ··· 0 0 0 0
..
.
0 0 0 0 ··· 1
0
0 0 0 0 ···
..
.
N n−1 = 0
··· 0 0 0 0
0
··· 0 0 0 0
0 ··· 0 0 0 0
0 ··· 0 0 0 0
Nn = O
Tenemos entonces caracterizadas todas las potencias de matrices con la forma (1.1).
También podemos obtener con un poco de trabajo, potencias de matrices con la forma:
λ 1 0 ··· 0
0 λ
1 ···
J =
.. =λI+N
(Bloque de Jordan) (1.2)
.
0 ··· 0 λ 1
0 ··· ··· 0 λ
A este tipo de matrices lo llamaremos bloque de Jordan y será muy importante más adelante. En
este momento nos interesa obtener potencias de estos bloques. Como las matrices N y λ I conmutan
en el producto, podemos aplicar la fórmula del binomio de Newton de manera que:
p p
p p
X p k p−k p−k
X p
J = (λ I + N ) = N I λ = N k λp−k
k k
k=0 k=0
n−1
X
p p
J = N k λp−k (p ≥ n − 1)
k
k=0
Observamos que obtener una potencia cualquiera de un bloque de Jordan, es razonablemente sencillo
ya que tenemos caracterizadas las potencias de N y podremos utilizar este resultado en cualquier
matriz diagonal por bloques de Jordan. Veamos un ejemplo:
1.2. SISTEMAS DE ECUACIONES LINEALES 11
2 1 0
Si J = 0 2 1 , entonces
0 0 2
2
50
X 50
J = N k λ50−k
k
k=0
50 50 50
= N 0 250 + N 1 249 + N 2 248
0 1 2
| {z } | {z } | {z }
1 50 1225
1 0 0 0 1 0 0 0 1
=248 4 0 1 0 + 100 0 0 1 + 1225 0 0 0
0 0 1 0 0 0 0 0 0
4 100 1225
48
=2 0 4 100
0 0 4
Demostraremos a su debido tiempo que si A ∈ Cn×n , entonces existe P ∈ Cn×n inversible tal que
J = P · A · P −1 es diagonal por bloques de Jordan. Observemos que:
A = P −1 · J · P ⇒ Ar = (P −1 · J · P ) · (P −1 · J · P ) · · · (P −1 · J · P ) = P −1 · J r · P
| {z }
r veces
Dado que sabemos como obtener potencias altas de bloques de Jordan, cuando seamos capaces de
obtener la matriz P , podremos obtener potencias altas de cualquier matriz cuadrada.
Por combinación de dos operaciones elementales podemos definir una cuarta operación que si bién no
es elemental, operativamente es muy útil. En esta operación,
3. Donde hay unos principales, los demás elementos de la columna son cero.
Es sencillo ver que cualquier matriz es equivalente por filas a una matriz reducida.
Sea A = (aij ) ∈ Cn×m , y aαβ el primer elemento no nulo de la primer fila no nula de A. Por ser
aαβ 6= 0, si divido la fila α por aαβ , el primer elemento no nulo de la fila α será un uno (principal).
Si luego tomamos todas las filas i 6= α y les sumamos −aiβ por la fila α, los elementos de la columna
β serán nulos salvo el de la fila α que será un uno. Entonces, esta última matriz que llamaremos A1 ,
tiene a la fila α como primer fila no nula y su primer elemento no nulo será un uno en la columna β.
Además, los otros elementos de la columna β son cero.
Si pasamos a la próxima fila no nula de A1 , digamos la γ, la primera observación es que el primer
elemento no nulo no puede estar en la columna β ya que esa posición tiene un cero obtenido en el paso
anterior. Si repetimos para la fila γ el procedimiento utilizado antes para la fila α, se observa que no
se modifica la columna β y que el primer elemento no nulo de la fila γ es un uno (principal). Además,
los otros elementos de la columna de ese uno son cero.
Repitiendo este procedimiento hasta la última fila no nula de la matriz se logra otra matriz Ak ,
en el cual el primer elemento no nulo de cada fila es un uno (principal) y los demas elementos de las
columnas de esos unos son cero.
2
El nombre completo es matriz escalonada en las filas reducida, pero por comodidad solo la llamaremos matriz
reducida.
1.2. SISTEMAS DE ECUACIONES LINEALES 13
Estos tres sistemas de 8 incógnitas ya están reducidos. Observemos que Sa tiene un uno principal en
la 5o columna, cosa que no tiene Sb . En tal situación, es fácil construir una solución de Sb que no es
solución de Sa de la siguiente forma:
(−b15 ; 0; −b25 ; 0; 1; 0; 0; 0)
Basta reflexionar unos minutos acerca de como se construyó esta solución para convencerse de que si dos
sistemas reducidos no tienen los unos principales en las mismas posiciones no pueden ser equivalentes.
Observación 1. Si AR y A0R son dos matrices reducidas equivalentes por filas a A, entonces AR y
A0R tienen los unos principales en las mismas posiciones.
Sa y Sc tienen los unos principales en las mismas posiciones como indica la observación anterior.
Tomemoslos como equivalentes. Centremos nuestra atención en alguna columna que no corresponda a
un uno principal, por ejemplo la 6o . Puedo construirme la siguiente solución de Sa :
Por ser Sa y Sc sistemas equivalentes, también tiene que ser solución de Sc y al reemplazar obtenemos:
De forma que tienen la 6o columna idéntica. Por supuesto que podriamos proceder de manera similar
con cualquier otra columna que no contenga un uno principal.
Se puede razonar de la misma forma que lo hemos hecho con cualquier par de sistemas reducidos
equivalentes, concluimos que:
Observación 4. Si dos sistemas lineales equivalentes tienen la misma cantidad de ecuaciones, enton-
ces tienen la misma matriz reducida.
Sabemos que para resolver sistemas de ecuaciones lineales del tipo A · X = b, debemos llevar mediante
operaciones elementales por filas la matriz ampliada (A|b) a la forma reducida, la cual es única. Se
dan solo las tres situaciones descriptas:
I b0
o I b0
1. La matriz reducida equivalente toma la forma
O 0
en este caso, el sistema tiene una única solución y el sistema es del tipo compatible determi-
nado.
AR b0
o AR b0
2. La matriz reducida equivalente toma la forma
O 0
donde AR es una matriz reducida distinta de I y sin filas de ceros, en este caso, el sistema tiene
infinitas soluciones y el sistema es del tipo compatible indeterminado.
3. La matriz reducida equivalente tiene un uno principal en la última columna y en este caso el
sistema es incompatible.
Observación 5.
2. Un sistema de ecuaciones lineales con menos ecuaciones que incógnitas no puede ser compatible
determinado.
3. Un sistema de ecuaciones lineales homogéneo con menos ecuaciones que incógnitas siempre es
compatible indeterminado.
a11 ··· a1m x1 b1
a21 ··· a2m x2 b2
· =
.. .. ..
. . .
an1 + · · · anm xm bn
16 CAPÍTULO 1. AFINANDO TEMAS
a11 a12 a1m b1
a21 a22 a2m b2
x1 · + x2 · + · · · + xm · =
.. .. .. ..
. . . .
an1 an2 anm bn
| {z }
Combinación lineal de las columnas de A
Esta última interpretación será crucial en este curso, de hecho llamaremos combinación lineal en este
caso de las columnas de A a una cuenta como la indicada. Podemos decir que el sistema de ecuaciones
lineales A · X = b es compatible sii b es una combinación lineal de las columnas de A. Más adelante
formalizaremos el tema.
Consideremos ahora el sistema de ecuaciones lineales
A·X =B
Este es un caso particular de sistemas de ecuaciones desacoplables, en los que pueden desacoplarse
las ecuaciones de manera que las incógnitas de un grupo de ecuaciones no se mezclan con las de otro
grupo. Consideremos la situación en que A es cuadrada y equivalente por filas a I, en ese caso, al
reducir la matriz ampliada de cada subsistema por separado se obtiene:
(A|b1 ) → (I|b01 )
..
.
(A|br ) → (I|b0r )
donde b01 ; · · · ; b0r son las soluciones de cada sistema. Al ensamblar la matriz solución X, nos encontra-
mos con que es:
X = (b01 · · · b0r )
(A|B) → (I|X)
El sistema
1 2 1 a d g j 5 1 2 0
3 1 −2 · b e h k = 5 −7 1 −5
1 1 −3 c f i l 0 −7 −2 −4
| {z } | {z } | {z }
A X B
1 2 1 a 5 1 2 1 d 1
3 1 −2 · b = 5 3 1 −2 · e = −7
1 1 −3 c 0 1 1 −3 f −7
| {z } | {z } | {z } | {z } | {z } | {z }
A X1 b1 A X2 b2
1 2 1 g 2 1 2 1 j 0
3 1 −2 · h = 1 3 1 −2 · k = −5
1 1 −3 i −2 1 1 −3 l −4
| {z } | {z } | {z } | {z } | {z } | {z }
A X3 b3 A X4 b4
1 2 1 2 1 0 0 1 1 2 1 0 1 0 0 −1
3 1 −2 1 → 0 1 0 0 3 1 −2 −5 → 0 1 0 0
1 1 −3 −2 0 0 1 1 1 1 −3 −4 0 0 1 1
| {z } | {z } | {z } | {z }
(A|b3 ) (I|b03 ) (A|b4 ) (I|b4 )
B·X =I ⇒ A · B} ·X = A · I
| {z ⇒ X=A
I
18 CAPÍTULO 1. AFINANDO TEMAS
Esto demuestra que si A y B son matrices cuadradas del mismo tamaño, entonces:
A·B =I ⇔ B·A=I
1. A es equivalente por filas a I, con lo cual hay una única solución que se obtiene con el siguiente
esquema de reducción:
(A|I) → (I|X)
2. A no es equivalente por filas a I. En este caso, A sera equivalente a una matriz reducida con al
menos una fila de ceros, pero como no es posible obtener una fila de ceros en I por operaciones
elementales en las filas, el sistema será necesariamente incompatible ya que se dará una situación
como en (1.3).
Definición 1. Decimos que A ∈ Cn×n es inversible si ∃A−1 ∈ Cn×n tal que A · A−1 = I. A la
matriz A−1 la llamamos la inversa de A.
Observación 6.
1. A · A−1 = I ⇔ A−1 · A = I
5. (A−1 )−1 = A
1.3. Determinantes
Asumimos que están familiarizados con el cálculo de determinantes por cofactores y las propiedades
básicas.
B C
Proposición 1. Si A = ∈ Cn×n es una matriz dada por bloques con B y D
O D
cuadrados, entonces
det(A) = det(B) · det(D)
Demostración
Llamaremos Bij a la matriz que resulta de eliminar la fila i y la columna j de B y Ci a la matriz que
resulta de eliminar la fila i de C.
Si B ∈ Ck×k , hagamos inducción en k.
1.3. DETERMINANTES 19
Es cierto para k = 1, basta ver el desarrollo del determinante de A por la primer columna.
Supongamos que es cierto para k − 1 y veamos que pasa en k. Desarrollemos por la primer columna:
B11 C1 B21 C2 k+1
Bk1 Ck
det(A) =b11
− b21
+ · · · + (−1) bk1
O D O D O D
Como Bij es de (k − 1) × (k − 1), puedo utilizar la hipótesis inductiva
=b11 |B11 | · |D| − b21 |B21 | · |D| + · · · + (−1)k+1 bk1 |Bk1 | · |D|
= b11 |B11 | − b21 |B21 | + · · · + (−1)k+1 bk1 |Bk1 | |D|
=|B| · |D|
|A · B| = |A| · |B|
|At | = |A|
|A| = |A|
|A∗ | = |A|
A es inversible ⇐⇒ |A| =
6 0
···
1 1 1 1
λ1
2 λ2 ··· λn−1 λn
λ1 λ 2 ··· λ2n−1 λ2n
2 Y
··· ··· · · · = (λj − λi )
··· ··· · · · 1≤i<j≤n
λn−2 λn−2 ··· n−2
λn−1 λn−2
1 2 n
λn−1 λn−1 ··· n−1
λn−1 λn−1
1 2 n
Demostración
Ver apéndice A.
Los finales de linea deben tener un “;” si queremos ver el resultado o un “$” si no queremos
verlo.
Los comandos se ejecutan con ctrl+enter o con el enter del teclado numérico.
Algunas cosas las veremos sobre la marcha. Para introducir una matriz hay dos formas, por comandos o
por cuadro de diálogo. Utilizaremos el cuadro de diálogo y los comandos se escribirán automaticamente.
Al ir al menú Algebra− > Introducir matriz, se abre un cuadro de diálogo en el cual la introducción de
una matriz puede hacerse de forma intuitiva, ustedes harian bien en explorar las distintas posibilidades
que ofrece. Por nuestro lado, mostramos la introducción de una matriz de C3×3 que hemos llamado A
y algunas operaciones:
%i1: A:matrix(
[5+3* %i,2,1],
[4,6+4* %i,3],
[1,4,4* %i]
);
3 %i + 5 2 1
%o1 4 4 %i + 6 3
1 4 4 %i
1.4. OPERANDO CON WXMAXIMA 21
5 · B + B3 − A · B
%i9 B:matrix(
[2, 1, −3],
[0, 5, 7],
[1, 2, −3]
)$
%i10 ratsimp(5*B+B
∧ ∧ 3-A.B);
11 − 6 %i 14 − 3 %i 9 %i − 37
%o10 17 215 − 20 %i 224 − 28 %i
21 − 4 %i 53 − 8 %i 12 %i − 62
Observación: Para la potencia de una matriz, hay que utilizar un doble ∧, con uno solo calcula las
potencias posición a posición. El producto de matrices se representa con un punto y el producto por
un escalar con un asterı́sco.
Podemos crear una matriz C = (A|B), y luego eliminarle la 2o fila y la 1o y 4o columna:
%i11 C:addcol(A,B);
22 CAPÍTULO 1. AFINANDO TEMAS
3 %i + 5 2 1 2 1 −3
%o11 4 4 %i + 6 3 0 5 7
1 4 4 %i 1 2 −3
%i12 submatrix(2,C,1,4);
2 1 1 −3
%o12
4 4 %i 2 −3
%i13 echelon(C);
1 2 %i+3 3 5 7
2 4 0 4 4
74 %i−47 4 %i+10 6 %i+15
%o13 0 1 58 29 58 − 38 %i+95
58
0 0 1 − 15 %i+15
98 − 3 %i−15
49
93 %i+93
98
No existe que yo sepa una función que devuelva la forma reducida equivalente (con ceros arriba de
los unos), pero podemos definir una función que lo haga, en este caso la función GJ():
Les queda como tarea averiguar que hacen las funciones rowop, block y las distintas formas de
utilizar el bucle for. También es posible resolver sistemas de ecuaciones lineales de la siguiente manera:
%i16 E1 : 2 ∗ x1 − 3 ∗ x2 + x3 = 3$
E2 : −3 ∗ x1 + 5 ∗ x2 + x3 = 4$
E3 : −x1 + 2 ∗ x2 + 2 ∗ x3 = 7$
solve([E1, E2, E3], [x1, x2, x3]);
En este caso, el sistema resulto compatible indeterminado y las soluciones se expresan en función
del parámetro %r1.
1.5. Cuestionario
1. ¿Es cierto que si A, B ∈ Cn×n , entonces A · B = B · A?
1.5. CUESTIONARIO 23
(A · B)∗ = A∗ · B ∗ (A · B)∗ = B ∗ · A∗
∗
(A∗ )t = (At )∗ = A A∗ = A = At
(A−1 )∗ = (A∗ )−1 (A + B)∗ = A∗ + B ∗
11. Las operaciones elementales de Gauss ¿Solo sirven para sistemas de ecuaciones lineales?
Un sistema de ecuaciones lineales con menos ecuaciones que incógnitas puede ser:
a) Compatible determinado. b) Compatible indeterminado.
c) Incompatible.
Un sistema de ecuaciones lineales homogeneo con menos ecuaciones que incógnitas puede
ser:
a) Compatible determinado. b) Compatible indeterminado.
c) Incompatible.
Un sistema de ecuaciones lineales con más ecuaciones que incógnitas puede ser:
a) Compatible determinado. b) Compatible indeterminado.
c) Incompatible.
Un sistema de ecuaciones lineales cuadrado puede ser:
a) Compatible determinado. b) Compatible indeterminado.
c) Incompatible.
17. ¿Es cierto que una matriz cuadrada es inversible si y solo si es equivalente por filas a la identidad?
24 CAPÍTULO 1. AFINANDO TEMAS
18. ¿Es cierto que una matriz cuadrada es inversible si y solo si su determinante es distinto de cero?
20. ¿Es cierto que el producto de una matriz inversible y una que no lo es es inversible? ¿y la suma?
1.6. Ejercicios
Ejercicio 1 Si A, B, X ∈ Cn×n son inversibles, despejar X.
t −1 t
a) B ∗ · B −1 · X · A · A∗ = A
b) A−1 · A · (X −1 )∗ · A · B ∗ = I
∗ −1
c) B t · A−1 · X t · At · B = B −1 · A
0 0 3 4
Ejercicio 4 Sea N la matriz definida en (1.1) y A ∈ Cn×n . Explique como se relacionan las siguientes
operaciones con la matriz A:
a) A · N b) N t · A c) A · N t
3 7 3 1
Ejercicio 5 Si P = ,J= y A = P −1 · J · P , hallar A30 .
2 5 0 3
Puede utilizar el resultado obtenido en el ejercicio 3b.
1.7. PROBLEMAS 25
Ejercicio 6 Resuelva los siguientes sistemas de ecuaciones lineales llevando sus matrices ampliadas a la forma
reducida equivalente.
1 1 0 −3 −1
1 1 1 3 6
5 + x2 · 4 + x3 · 2 + x4 · 0 = 11
a) x1 ·
0 1 0 −3 −2
2 1 1 3 7
b) x1 · 3 + x2 · 2 + x3 · 1 + x4 · 0 = 6
2 2 1 0 5
1.7. Problemas
Problema 1 Hallar las corrientes del siguiente circuito.
26 CAPÍTULO 1. AFINANDO TEMAS
Problema 2 Hallar los coeficientes estequiométricos enteros mı́nimos de la siguiente reacción quı́mica:
Problema 3 Se disponen de las aleaciones 1 y 2 de los metales A, B y C. Se quiere fundir una mezcla de
ambos para producir la aleación 3. Las composición de las tres aleaciones se muestran en la
tabla:
A B C
Aleación 1 10 % 30 % 60 %
Aleación 2 20 % 50 % 30 %
Aleación 3 12 % 40 % 48 %
Ejercicio 4 a) Se corren las columnas hacia la derecha. b) Se corren las filas hacia abajo.
c) Se corren las columnas hacia la izquierda.
1.9. RESPUESTAS A LOS PROBLEMAS 27
101 250
Ejercicio 5 A30 = 330 ·
−40 −99
Ejercicio 6 Los dos sistemas son equivalentes con la siguiente solución:
x1 1 0
x2 −2
+t· 3
=
x3 7 −6 t∈R
x4 0 1
4 −4 −1 −1 3 −2 0 0 −2
Ejercicio 7 a) 7 −5 −2 b) 2 0 + t1 · 1 0 + t2 · 0 1
−14 15 7 0 0 1 0 0 1
−4 12 2
−5 28 −17 −7 −9 23 2
Ejercicio 8 a) −4 22 −13 −6 b)
−14 39
4
−3 19 −10 −5
9 −24 −2
Ejercicio 9 8640
a = 1; b = 6; c = 8; d = 2; e = 3; f = 7; g = 2
Espacios vectoriales
Una técnica habitual en matemática es definir una especie de “moldes” genéricos que cumplen
ciertas propiedades. De la misma forma que un molde puede rellenarse con bronce, plomo o aluminio
fundido, en estos moldes matemáticos pueden encajar objetos matemáticos de distinta naturaleza,
pero eso no importa, si encajan tendrán que cumplir las propiedades antes mencionadas de la misma
manera que en un molde artı́stico la forma del objeto no dependera del material de relleno. De esta
manera, la matemática logra abstraer y generalizar ideas independientemente del tipo de objeto que se
trate. Es habitual escuchar que la matemática es difı́cil porque es abstracta, pero esa es en realidad su
mayor virtud y uno utiliza esa abstracción de forma cotidiana sin darse cuenta como en este ejemplo
que alguna vez leı́. ¿Quien tiene un número 3 en el bolsillo? Seguro que nadie, a lo sumo tendrán un
papel con el sı́mbolo que representa al 3, el número 3 no tiene una existencia real, es una abstracción.
Uno puede tener 3 manzanas, 3 cuadernos o 3 monedas pero no un 3, el 3 es un “molde” abstracto
aplicable a distintos tipos de objetos.
“Si uno dijera que en un planeta lejano hay caballos azules podrı́amos
creerlo. Pero si nos dicen que tres y cuatro caballos forman noventa y siete
caballos, sabrı́amos que es imposible.”
Jorge Luis Borges
29
30 CAPÍTULO 2. ESPACIOS VECTORIALES
Las estructuras algebráicas son algunos de esos moldes a los que me refiero, en particular los espacios
vectoriales. Comenzaremos esta unidad con las estructuras algebráicas más básicas.
Definición 2. Sea A un conjunto no vacı́o y sobre el cual hay definida una operación binaria
que simbolizaremos con # : A × A → A. Decimos que (A, #) es un grupo o que # define sobre
A una estructura de grupo si :
El ejemplo más sencillo de grupo abeliano es el de los números enteros con la suma habitual (Z, +)
ya que la suma de enteros es asociativa, conmutativa, el 0 cumple el papel de neutro y si z ∈ Z,
z + (−z) = (−z) + z = 0, con lo cual −z cumple el papel de opuesto.
También (Q, +), (R, +) y (C, +) son grupos abelianos, basta un minuto de reflexion para darse cuenta,
y también (Q > 0, ·) y (R > 0, ·), pero no lo son (Q, ·) ni (R, ·). Hay muchos más grupos como por
ejemplo el conjunto de matrices inversibles de C2×2 con la operación de producto (no abeliano), el
conjunto de las raices n-simas de 1 con la operación de producto o el de las rotaciones con la operación
de composición. Como verán, en el “molde” de grupo caen situaciones de lo más diversas. Como este no
es un tema central de la materia, no profundizaremos demasiado, pero hay una propiedad de cualquier
grupo que es muy fácil de demostrar:
Demostración
Lo interesante de esto, es que no importa el tipo de elementos ni la operación, mientras sea un grupo
todos tienen un único elemento neutro. De esto se trata la abstracción matemática, con la menor
cantidad de esfuerzo, sacar las conclusiones más generales posibles. Otras propiedades de los grupos
son:
2.1. GRUPOS, ANILLOS Y CUERPOS 31
Propiedades 1.
1 El opuesto es único.
2 (a#b)0 = b0 #a0
3 (a0 )0 = a
5 a#b = a =⇒ b = e
2.1.2. Anillo
Definición 3. Sea A un conjunto sobre el cual hay definidas dos operaciones binarias A×A → A
llamadas suma + y producto ·. Decimos que (A, +, ·) es un anillo o que + y · define sobre A
una estructura de anillo si :
2 El producto es asociativo.
3 a, b, c ∈ A ⇒ a · (b + c) = a · b + a · c (distributiva a izquierda)
4 a, b, c ∈ A ⇒ (b + c) · a = b · a + c · a (distributiva a derecha)
1 · a = a · 1 = a ∀a ∈ A
Algunos ejemplos de anillos conmutativos con identidad son (Z, +, ·), (Q, +, ·), (R, +, ·), (C, +, ·),
(Z[X], +, ·), (Q[X], +, ·), (R[X], +, ·) y (C[X], +, ·).
Un ejemplo de anillo no conmutativo con identidad lo forman (C2×2 , +, ·), (C3×3 , +, ·) y en general
(Cn×n , +, ·).
Demostremos una de las propiedades de los anillos:
Demostración
Como puede verse, la suma y el producto son otros moldes. Sea lo que sea el neutro de la suma que
representamos por 0, al multiplicarlo por un elemento del anillo da 0. Otras propiedades de los anillos
son:
Propiedades 2.
2 (−a) · (−b) = a · b
2.1.3. Cuerpo
Definición 4. Sea (A, +, ·) un anillo conmutativo con identidad. Decimos que (A, +, ·) es un
cuerpo si:
∃a−1 ∈ A tal que a−1 · a = a · a−1 = 1 (∀a 6= 0 ∈ A)
Los conjuntos (Q, +, ·), (R, +, ·) y (C, +, ·) son los cuerpos más habituales. Ninguno de los otros anillos
mencionados antes son cuerpos. Veamos un ejemplo más extraño:
Ejemplo 1. Todos estamos familiarizados con las siguientes tablas de la lógica proposicional:
p q ∧ ∨
V V V V
V F F V
F V F V
F F F F
+ V F · V F
V V V V V F
F V F F F F
2.2. Vectores
¿Como es que a un matemático se le ocurren estos moldes? Generalmente se inspiran en cosas
conocidas, por ejemplo, ¿Que caracterı́sticas tiene Z que no tiene N? ¿que caracterı́sticas tienen Q, R
y C que no tiene Z? ¿que propiedades tienen las operaciones de esos conjuntos?
En particular nos interesa la estructura de espacio vectorial y utilizaremos como base de lo que
estamos definiendo, el concepto geométrico de vector. Recordemos que un vector es un segmento
orientado que representamos por una flecha cuyas caracterı́sticas son:
2.2. VECTORES 33
dirección
Sentido
Norma o módulo
Los vectores se suman con la conocida regla del paralelogramo, que puede extenderse a la regla de la
poligonal.
Cuando se suman dos vectores de igual módulo y dirección, pero sentido opuesto, obtenemos una
“flecha” con longitud nula y sin dirección. A ese resultado lo llamamos el vector nulo, de esta forma
tenemos que en la suma de vectores existe un neutro de la suma y opuesto aditivo para cada vector.
Además es fácil ver que la suma es conmutativa y asociativa. O sea que los vectores geométricos con
la operación de suma descripta forman un grupo abeliano.
El producto de un vector por un escalar (número real), produce el cambio en la longitud del mismo sin
cambiar la dirección pero cambiando el sentido en caso que el escalar sea negativo. Lo ejemplificamos
en la siguiente figura:
34 CAPÍTULO 2. ESPACIOS VECTORIALES
A=1·A
2·A
3·A
-1.A=-A
-2·A
-3·A
Asumiendo que las letras minúsculas representan escalares y las mayúsculas vectores, este producto
por un escalar cumple las siguientes propiedades:
k · (A + B) = k · A + k · B
(k1 + k2 ) · A = k1 · A + k2 · A
(k1 · k2 ) · A = k1 · (k2 · A)
1·A=A
Al llevar estos conceptos al campo de la geometrı́a analı́tica, utilizamos pares o ternas ordenadas para
representar los vectores fijos al origen.
De esta manera, abstraemos la idea de vector geométrico y lo representamos por pares o ternas
ordenadas. Desde este punto de vista, las operaciones de suma de vectores y producto por un escalar
se definen como:
Pares ordenados
Suma de vectores (x1 ; y1 ) + (x2 ; y2 ) = (x1 + x2 ; y1 + y2 )
Producto por un escalar k · (x; y) = (k · x; k · y)
Ternas ordenadas
2.2. VECTORES 35
Estas descripciones analı́ticas de los vectores en el plano (R2 ) y en el espacio (R3 ), respetan todas las
propiedades e interpretaciones geométricas vistas anteriormente.
La primer pregunta que surge es: ¿Los pares ordenados son puntos o vectores? La verdad es que
son pares ordenados y responden a las operaciones antes definidas. Si nos conviene que sean puntos,
serán puntos, y si nos conviene pensarlos como vectores, los pensaremos como vectores. Incluso en una
misma situación podremos pensarlos como puntos y vectores simultaneamente. Los pares ordenados
(y las ternas) son moldes donde cuadran tanto los puntos como los vectores.Veamos un ejemplo:
En principio nuestro problema trata sobre puntos, pero interpretamos los pares ordenados A y B
1
como vectores y observamos que (A + B) coincide con el punto medio M , esto es:
2
1 1 1
M = (A + B) = (a1 + b1 ); (a2 + b2 )
2 2 2
Hemos utilizado a los pares ordenados como puntos y vectores en el mismo problema.
La segunda pregunta es: ¿Porque no en R4 ? Si la geometrı́a analı́tica permite prescindir del dibujo,
trabajando solo con pares o ternas ordenadas y las operaciones definidas ¿No es cierto que si definimos
operaciones análogas en R4 estarı́amos haciendo practicamente lo mismo? Alguien podrı́a decir que en
realidad no existe un espacio fı́sico de cuatro dimensiones espaciales y es cierto, pero matematicamente
la pregunta es válida ya que en matemática no hace falta que algo exista en la realidad para que tenga
sentido. Y si tiene sentido en R4 , ¿porque no en R5 , R6 y en general en Rn ? ¿y en Rr×m ? Si solo
son n−uplas dispuestas en forma rectangular. De la misma manera podrı́amos considerar Cn y Cn×n
¿Hasta donde podemos llevar esta idea?
36 CAPÍTULO 2. ESPACIOS VECTORIALES
Justamente lo que queremos, es definir el molde de vector, donde por supuesto tienen que encajar
todas las situaciones anteriores. Para eso, hace falta abstraer lo mı́nimo que deben cumplir esos objetos
con sus operaciones y es lo que veremos a continuación.
Definición 5. Sea K un cuerpo y sea (V; +) un grupo abeliano donde existe una operación
· : K × V −→ V para todo elemento de K y V. Decimos que V es un K espacio vectorial (K-ev) o
que V tiene estructura de K-ev si ∀k1 ; k2 ∈ K y ∀v1 ; v2 ∈ V se cumplen las siguientes propiedades:
1 k1 · (v1 + v2 ) = k1 · v1 + k1 · v2
2 (k1 + k2 ) · v1 = k1 · v1 + k2 · v1
3 (k1 · k2 ) · v1 = k1 · (k2 · v1 )
4 1 · v 1 = v1
Noten que en ningún momento de la definición se hace referencia al tipo de objetos que componen
a V ni a K, ni el significado que tienen las dos operaciones, es una definición que deja mucha libertad.
Queda a cargo de ustedes, revisar que los vectores geométricos, Rn , Rn×m , Cn y Cn×m cumplen todo
lo que se necesita para ser un R-ev o un C-ev según corresponda. Ustedes podrán revisar que los
siguientes conjuntos también son ev:
1 Q[x], R[x] y C[x] con la suma y producto por un número habitual son Q-ev, R-ev y C-ev
respectivamente.
2 Rk [x]=Conjunto de todos los polinomios con coeficientes reales de grado k o menor junto con el
polinomio nulo.
Es un R-ev con la suma y producto por un número habitual.
3 Ck [x]=Conjunto de todos los polinomios con coeficientes complejos de grado k o menor junto
con el polinomio nulo.
Es un C-ev con la suma y producto por un número habitual.
5 C k [a; b] = Conjunto de todas las funciones con derivada k-sima continua en el intervalo [a; b]
Es un R-ev con la suma y producto por un número habitual.
Z b
2
6 L [a; b] = Conjunto de todas las funciones f (x) tales que |f (x)|2 dx < ∞
a
Es un R-ev con la suma y producto por un número habitual.
Un mismo conjunto puede tener mas de una estructura de ev modificando las operaciones, por ejemplo:
7 Si A = (3; 5), entonces R2 con las operaciones v1 +A v2 = v1 + v2 − A y k ·A v = k · (v − A) + A
tiene estructura de R-ev donde A es el elemento neutro de la suma. Lo mismo sucede si A es
cualquier otro elemento fijo de R2 .
2.3. ESPACIOS VECTORIALES (EV) 37
∀v, w ∈ V, v − w := v + (−w)
2 0·v =0
3 k·0=0
4 (−1) · v = −v
5 Si k · v = 0, entonces k = 0 o v = 0.
6 k · (v − w) = k · v − k · w
Demostración
2 Demostraremos que 0 · v es el neutro aditivo de V y dado que ese neutro es único, deberá ser 0.
v+0·v = 1 · v + 0 · v (Por 4 de ev)
= (1 + 0) · v (Por 2 de ev)
= 1·v (Por ser 0 el neutro aditivo de K)
= v (Por 4 de ev)
3 Utilizaremos una estrategia similar al anterior:
k · v + k · 0 = k · (v + 0)
= k·v
4 Probaremos que (−1) · v actúa de opuesto y la unicidad del mismo completa la demostración:
v + (−1) · v = 1 · v + (−1) · v
= [1 + (−1)] ·v
| {z }
0
= 0
38 CAPÍTULO 2. ESPACIOS VECTORIALES
5 Si k = 0, no hay nada que demostrar, supongamos pues que k 6= 0. Por ser k 6= 0 un elemento
de un cuerpo, tiene inverso multiplicativo k −1 , con lo cual:
k · v = 0 ⇒ k −1 · (k · v) = k −1 · 0 ⇒ (k −1 · k) ·v = 0 ⇒ v = 0
| {z }
1
6 A cargo de ustedes.
gen{v1 , v2 , · · · vr }
De ahora en más, consideraremos los ev con sus operaciones habituales salvo que indiquemos lo con-
trario.
2.4. Subespacios
Esto significa que un subespacio es un ev metido dentro de otro. Para demostrar que un subconjunto
S de V es un subespacio, solo hace falta demostrar que sus elementos cumplen dos propiedades como
lo demuestra la siguiente proposición:
1 v∈S ⇒ k·v ∈S
2 v1 , v 2 ∈ S ⇒ v1 + v2 ∈ S
Demostración
Si S es un subespacio de V, en particular tiene estructura de K-ev y tendrá que cumplir las dos
propiedades. Ahora tenemos que demostrar que si cumple las dos propiedades, es un subespacio.
Si v ∈ S, entonces 0 · v = 0 ∈ S. De esta forma, el vector nulo está necesariamente en S.
2.4. SUBESPACIOS 39
Ejemplo 3.
A·X =O =⇒ k · (A · X) = k · O
=⇒ A · (k · X) = O
=⇒ k · X son las componentes de un elemento de S.
A · X1 = O y A · X2 = O =⇒ A · X1 + A · X2 = O
=⇒ A · (X1 + X2 ) = O
=⇒ (X1 + X2 ) son las componentes de un elemento de S.
v ∈ S =⇒ v = k1 · v1 + k2 · v2 + · · · + kr · vr
Multiplicando miembro a miembro por k obtenemos:
k · v = (k · k1 ) · v1 + (k · k2 ) · v2 + · · · + (k · kr ) · vr , y al ser este último una c.l. de
v1 , v2 , · · · vr , estará en S.
v1 = k1 · v1 + k2 · v2 + · · · + kr · vr
v1 , v2 ∈ S =⇒
v2 = h1 · v1 + h2 · v2 + · · · + hr · vr
Sumando miembro a miembro obtenemos:
v1 + v2 = (k1 + h1 ) · v1 + (k2 + h2 ) · v2 + · · · + (kr + hr ) · vr y al ser este último una
c.l. de v1 , v2 , · · · vr , estará en S.
40 CAPÍTULO 2. ESPACIOS VECTORIALES
α1 · v1 + α2 · v2 + · · · + αr · vr = 0
α1 = 0; α2 = 0; · · · ; αr = 0
Demostración
=⇒
Sea el conjunto l.i. y la solución al sistema distinta a la trivial, y supongamos sin pérdida de generalidad
que α1 6= 0. En ese caso, podrı́amos despejar v1 de la siguiente forma:
α2 α3 αr
v1 = − · v1 − · v2 − · · · − · vr
α1 α1 α1
con lo cual el sistema serı́a l.d. lo cual es absurdo.
⇐=
Por el contrarecı́proco, sea el conjunto l.d. y sin pérdida de generalidad supongamos que
v1 = k2 · v2 + k3 · v3 + · · · + kr · vr =⇒ (−1) · v1 + k2 · v2 + k3 · v3 + · · · + kr · vr = 0
Proposición 6.
Si {v1 , v2 , · · · vr } son l.i. y w ∈
/ gen = {v1 , v2 , · · · vr }, entonces {v1 , v2 , · · · vr , w} son l.i.
Demostración Se propone como ejercicio.
2.5. DEPENDENCIA LINEAL Y DIMENSIÓN 41
Tambien vemos que el conjunto es l.d. ya que (1; 2; 3) = 1 (1; 0; 0) + 2 (0; 1; 0) + 3 (0; 0; 1), con lo cual:
O sea que gen{(1; 0; 0); (0; 1; 0); (0; 0; 1); (1; 2; 3)} = gen{(1; 0; 0); (0; 1; 0); (0; 0; 1)}
Esto fue posible porque el conjunto era l.d., en general sucede lo siguiente:
gen{v1 , v2 , · · · vr , w} = gen{v1 , v2 , · · · vr }
| {z } | {z }
G1 G2
Demostración
G1 ⊃ G2
Si v ∈ G2 , entonces
v =β1 v1 + · · · + βr vr
=β1 v1 + · · · + βr vr + 0 w
con lo cual v ∈ G1
G1 ⊂ G2
Si v ∈ G1 , entonces
v =γ1 v1 + · · · + γr vr + δ w
=γ1 v1 + · · · + γr vr + δ α1 v1 + · · · + αr vr
=(γ1 + δ α1 ) v1 + · · · + (γr + δ αr ) vr
con lo cual v ∈ G2
42 CAPÍTULO 2. ESPACIOS VECTORIALES
Observación 10. Vemos en la demostración de G1 ⊃ G2 , que no es necesario que w sea una c.l.
de los vectores de G2 para que se cumpla:
gen{v1 , v2 , · · · vr } ⊂ gen{v1 , v2 , · · · vr , w}
gen{v1 ; · · · ; vi ; · · · ; vj ; · · · ; vr } = gen{v1 ; · · · ; vj ; · · · ; vi ; · · · ; vr }
gen{v1 ; · · · ; vi ; · · · ; vj ; · · · ; vr } = gen{v1 ; · · · ; vi + k vj ; · · · ; vj ; · · · ; vr }
gen{v1 ; · · · ; vi ; · · · ; vr } = gen{v1 ; · · · ; k vi ; · · · ; vr } con k 6= 0
O sea que los conjuntos de generadores con menos vectores deben ser l.i., lo cual motiva la siguiente
definición:
Demostración
v = α1 v1 + · · · + αr vr
v = β1 v1 + · · · + βr vr
Entonces, restando miembro a miembro obtenemos:
0 = (α1 − β1 ) v1 + · · · + (αr − βr ) vr
2.6. REFLEXIONANDO SOBRE LO VISTO 43
(α1 − β1 ) = 0; · · · ; (αr − βr ) = 0
Este último es un resultado central del álgebra lineal. Hasta ahora hemos definido una serie de
conceptos necesarios como
Espacio vectorial Subespacio
Combinación lineal Dependencia lineal
Conjunto de generadores Base
Dimensión
y hemos analizado sus propiedades. Ha llegado el momento de comenzar a interpretarlos y utilizarlos
en situaciones concretas.
Subespacios de dimensión 1 con una base del tipo B = {v}, con v 6= 0. Los elementos del
subespacio tendrán la forma t · v y formarán una recta que pasa por el origen.
Subespacios de dimensión 2 con una base del tipo B = {v1 ; v2 }, donde ninguno de esos vectores
puede ser obtenido multiplicando al otro por un escalar pues en ese caso serı́an l.d. Los elementos
del subespacio tendrán la forma t1 · v1 + t2 · v2 y formarán un plano que pasa por el origen.
44 CAPÍTULO 2. ESPACIOS VECTORIALES
z z
Un subespacio de
Dimensión 1 en R3
Es una recta que v1 Un subespacio de
v pasa por el origen. Dimensión 2 en R3
v2 Es un plano que
pasa por el origen.
y x y
x
Hemos mencionado más de una vez que E = {e1 ; e2 ; e3 } es una base de R3 . Esto es fácil de ver porque
generan el espacio y son l.i. ya que
α1 e1 + α2 e2 + α3 e3 = (0; 0; 0) =⇒ α1 = α2 = α3 = 0
¿Pero como determinamos si {(2; 1; 3); (3; 1; 2); (1; 1; 4)} o {(3; 2; 0); (4; 0; 1); (−1; 2; 3)} son l.i.?
Hay dos maneras habituales:
1 23 12
0 1 −1
0 0 0
que corresponde a un sistema con infinitas soluciones, o sea que el primer conjunto es l.d.
En definitiva, se trata de analizar el sistema homogeneo asociado con la matriz cuyas columnas
son los vectores del conjunto.
Esta técnica permite además decidir cual de los tres vectores puede descartarse del conjunto.
Efectivamente, en el último sistema:
3 1
α1 + α2 + α3 = 0
2 2
α2 − α3 = 0
Cualquiera de los 3 vectores puede ser despejado de la ecuación 2.1 como c.l. de los demás ya
que todos los αi pueden ser 6= 0 en alguna solución particular. Si desechamos por ejemplo el
tercer vector, tenemos gracias a la proposición 7 que:
gen{(2; 1; 3); (3; 1; 2); (1; 1; 4)} = gen{(2; 1; 3); (3; 1; 2)}
2.6. REFLEXIONANDO SOBRE LO VISTO 45
Para el segundo ejemplo, la cosa es más sencilla de interpretar, ya que por operaciones por filas
obtenemos:
3 2 0 3 2 0 1 0 0
4 0 1 −→ 0 −8 3 −→ 0 1 0
−1 2 3 0 0 −32 0 0 1
46 CAPÍTULO 2. ESPACIOS VECTORIALES
En el primer paso ya podemos determinar que el conjunto es l.i., ya que las filas de esa matriz son
l.i., además forman una base de R3 . Pero llevandola a la forma reducida, nos queda la identidad
y obtenemos la base canónica:
E = {e1 ; e2 ; e3 }
Estas técnicas pueden ser utilizadas en Rn o Cn , donde los elementos de la base canónica serán:
ej = (0; · · · ; 0; 1; 0; · · · ; 0)
j
Observación 12.
n
(a11 ; a12 ; a13 ; a21 ; a22 ; a23 );
a11 a12 a13 b11 b12 b13
; son l.i. ⇐⇒ o son l.i.
a21 a22 a23 b21 b22 b23 (b11 ; b12 ; b13 ; b21 ; b22 ; b23 )
Que puede ser extendida a cualquier tamaño de matriz o cualquier cantidad de vectores, como en el
siguiente:
2 1 −2 1 2 3 2 5
Ejemplo 4. Sea S = gen ; ; ; . Hallar una base de S.
1 −3 0 3 2 −3 3 −3
Resolución. Construimos vectores con las filas de las matrices, los ponemos como filas de otra matriz
y la reducimos:
1 0 14 − 23
2 1 1 −3
−2 1 0 3 0 1 1 0
2
2 3 2 −3 −→ 0 0 0 0
2 5 3 −3 0 0 0 0
Con las dos filas no nulas construimos la base de S:
1 0 0 1
B= 1 3 ; 1
4 −2 2 0
Incluso por la proposición 8 podemos multiplicar la primer matriz por 4 y la segunda por 2 para obtener
una base más cómoda:
0 4 0 0 2
B = ;
1 −6 1 0
Claramente dim(S)=2.
La base canónica de Rn×m o Cn×m estará formada por las matrices eij que son matrices de ceros salvo
en la posición ij donde tiene un uno, por ejemplo:
0 0 0
e23 = 0 0 1
0 0 0
En general, si pensamos en las bases canónicas es fácil deducir que :
dim(Rn ) = n dim(Cn ) = n
dim(Rn×m ) = n · m dim(Cn×m ) = n · m
2.6. REFLEXIONANDO SOBRE LO VISTO 47
Ejemplo
5. Si S es el subespacio de R5 definido como los vectores cuyas componentes cumplen:
3 x1 − x2 + x3 − x5 =0
2 x1 − x2 − 2 x3 + x4 + 2 x5 =0 , hallar una base de S.
−x1 + x2 + 5 x3 − 2 x4 − 5 x5 = 0
(x1 ; x2 ; x3 ; x4 ; x5 ) = (−3 x3 + x4 + 3 x5 ; −8 x3 + 3 x4 + 8 x5 ; x3 ; x4 ; x5 )
| {z } | {z }
x1 x2
= (−3 x3 ; −8 x3 ; x3 ; 0; 0) + (x4 ; 3 x4 ; 0; x4 ; 0) + (3 x5 ; 8 x5 ; 0; 0; x5 )
= x3 (−3; −8; 1; 0; 0) + x4 (1; 3; 0; 1; 0) + x5 (3; 8; 0; 0; 1)
Resulta que los elementos de S, son todas las combinaciones lineales de estos últimos 3 vectores, con
lo cual:
S = gen{(−3; −8; 1; 0; 0); (1; 3; 0; 1; 0); (3; 8; 0; 0; 1)}
Como esos vectores son l.i. (pruebenlo), además son una base de S.
Ejemplo 6. Si S = gen{(−2; −5; 1; 1; 0); (2; 5; 0; −1; 1); (1; 3; 1; 1; 1)}, hallar un sistema de ecuaciones
para las componentes de una 5-upla tal que S sea el conjunto de soluciones.
Resolución. Las componentes de un vector de S deben ser una c.l. de los generadores, o sea que si
(x1 ; x2 ; x3 ; x4 ; x5 ) ∈ S,
x1 −2 2 1
x2 −5 5 3
x3 = α1 1 + α2 0 + α3 1 para algún α1 ; α2 ; α3
x4 1 −1 1
x5 0 1 1
48 CAPÍTULO 2. ESPACIOS VECTORIALES
En este sistema, que debe ser compatible, las incógnitas son α1 ; α2 y α3 . Al ensamblar la matriz
ampliada y escalonarla obtenemos:
−2 2 1 x1 1 0 1 x3
−5 5 3 x2 0 1 0 x3 − x4
1
0 1 x3 −→ 0 0 1
−x3 + x4 + x5
(2.2)
1 −1 1 x4 0 0 0 x1 + 3 x3 − x4 − 3 x5
0 1 1 x5 0 0 0 x2 + 8 x3 − 3 x4 − 8 x5
Para que el sistema sea compatible las componentes deben cumplir:
x1 + 3 x3 − x4 − 3 x5 =0
y justamente este sistema es el pedido.
x2 + 8 x3 − 3 x4 − 8 x5 = 0
Pueden verificar que los 3 generadores cumplen las ecuaciones del sistema.
Observación al problema
En vez de hacer la reducción como se muestra en 2.2, podemos utilizar las mismas operaciones por
filas pero de la siguiente manera:
−2 2 1 1 0 0 0 0 1 0 1 0 0 1 0 0
−5 5 3 0 1 0 0 0 0 1 0 0 0 1 −1 0
1
0 1 0 0 1 0 0 −→ 0 0 1
0 0 −1 1 1
1 −1 1 0 0 0 1 0 0 0 0 1 0 3 −1 −3
0 1 1 0 0 0 0 1 0 0 0 0 1 8 −3 −8
Recuperamos la última columna de 2.2 de la siguiente forma:
0 0 1 0 0 x1 x3
0
0 1 −1 0 x2 x3 − x4
0
0 −1 1 1 · x3 = −x3 + x4 + x5
1 0 3 −1 −3 x4 x1 + 3 x3 − x4 − 3 x5
0 1 8 −3 −8 x5 x2 + 8 x3 − 3 x4 − 8 x5
Solo nos interesan las últimas 2 filas. Además, por ser obtenidas con operaciones elementales por filas
sobre la identidad, cuyas filas son la base canónica de R5 , estas ecuaciones serán l.i., en el sentido que
no podrá eliminarse ninguna por operaciones elementales.
Si bien lo hemos explicado para este ejemplo en particular, la observación vale en general.
Teorema 4 (Teorema del rango). El rango por filas de A es igual a su rango por columnas.
De ahora en más a cualquiera de los dos lo llamaremos rango de A y lo escribiremos rg(A).
S ∩ T = {v ∈ V/v ∈ S y v ∈ T} (intersección)
Observación 13.
1 S ∩ T y S + T son subespacios de V.
2 S + T 6= S ∪ T
S = gen{s1 ; · · · ; sj }
3 =⇒ S + T = gen{s1 ; · · · ; sj ; t1 ; · · · ; tk }
T = gen{t1 ; · · · ; tk }
B = base de S
4 Si , no necesariamente B ∪ B 0 es una base de(S + T)
B 0 = base de T
50 CAPÍTULO 2. ESPACIOS VECTORIALES
Demostración
Sea B1 = {v1 ; · · · ; vr } una base de S ∩ T. Por la proposición 6 y el corolario del teorema fundamental
de la dimensión, B1 puede extenderse a una base de S y a una de T:
BS = {v1 ; · · · ; vr ; s1 ; · · · ; sj }
BT = {v1 ; · · · ; vr ; t1 ; · · · ; tk }
De donde obtenemos que:
nz base de S o
}| {
S + T = gen s1 ; · · · ; sj ; v1 ; · · · ; vr ; t1 ; · · · ; tk
| {z }
base de T
α1 s1 + · · · + αj sj + β1 v1 + · · · + βr vr + γ1 t1 +; · · · + γk tk = 0
| {z } | {z }
w1 w2 ∈T
w1 debe pertenecer a T ya que w1 = −w2 , pero por ser c.l. de los si , también debe estar en S, o sea
que w1 ∈ S ∩ T. Si w1 6= 0, deberı́a ser una c.l. de los vi lo cual es absurdo pues los si y los vi son
l.i., con lo cual necesariamente w1 = 0. Tenemos lo siguiente:
α1 s1 + · · · + αj sj = 0 =⇒ αi = 0 por ser los si l.i.
β1 v1 + · · · + βr vr + γ1 t1 +; · · · + γk tk = 0 =⇒ βi = γi = 0 por ser los vi y los ti l.i.
O sea que tenemos la siguiente base de S + T
nz base de S o
}| {
base de (S + T) = gen s1 ; · · · ; sj ; v1 ; · · · ; vr ; t1 ; · · · ; tk (2.4)
| {z }
base de T
B = base de S
=⇒ B ∪ B 0 = base de S ⊕ T
B 0 = base de T
dim(S ⊕ T)=dim(S)+dim(T)
2.8. INTERSECCIÓN Y SUMA DE SUBESPACIOS 51
Las bases con caracterı́sticas como la 2.4, tendrán un interés particular cuando veamos transforma-
ciones lineales. Necesitaremos saber como construir este tipo de bases. En los espacios más comunes
se dan tres posibilidades:
Los dos subespacios se dan por sistemas de ecuaciones lineales homogéneos.
Los dos subespacios se dan por conjuntos de generadores.
Se da un subespacio por ecuaciones lineales homogéneos y el otro por conjuntos de generadores.
Hagamos un par de ejemplos:
Ejemplo 7. hallar una base de S + T que contenga una base de S y una base de T siendo:
S = (x1 ; x2 ; x3 ; x4 ) ∈ R4 / x1 + x2 − x3 + x4 = 0
. x −x +x +x =0
4 1 2 3 4
T = (x1 ; x2 ; x3 ; x4 ) ∈ R
3 x1 − x3 + 2 x4 =0
Resolución. La intersección queda determinada por las 4-uplas que cumplen tanto las ecuaciones de
S como las de T:
, x +x −x +x =0
1 2 3 4
4
S ∩ T = (x1 ; x2 ; x3 ; x4 ) ∈ R x1 − x2 + x3 + x4 = 0
3 x1 − x3 + 2 x4 =0
Al resolver los tres sistemas obtenemos bases de cada subespacio como se vió en la sección 2.6.3:
Ejemplo 8. hallar una base de S + T que contenga una base de S y una base de T siendo:
2 1 −1 1 1 0 0 2 1
S =gen ; ;
0 0 0 0 0 −1 −1 0 0
1 2 0 0 4 2 −1 2 2 1 1 0
T =gen ; ; ;
−1 0 1 −2 0 1 −1 0 −1 1 1 0
Resolución. Revisen ustedes que estos conjuntos de generadores son además bases. Para obtener la
intersección, es conveniente obtener ecuaciones para uno de los subespacios. Para elegir cual, tenemos
la siguiente regla: “cuanto más matrices, menos ecuaciones”. Elegimos T para facilitar los cálculos
posteriores y si utilizamos el procedimiento aprendido en el ejemplo 6 considerando la observación 12
obtenemos:
0 −1 0 −1 1 x11
1 1 x11 1
2 4 2 1 x12
0 1 0 −1 −x11 + x23
0 2 2 0 x13 0 0 2 2 2 x11 + x13 − 2 x23
−→
−1 −2 −1 1 x21
0 0 0 −1 −2 x11 + x12 − 2 x13
0 0 0 1 x22 0 0 0 0 −3 x11 + 2 x12 − 3 x13 + x21
1 1 −1 0 x23 0 0 0 0 −2 x11 + x12 − 2 x13 + x22
a11 a12 a13 −3 x11 + 2 x12 − 3 x13 + x21 = 0
con lo cual T = ∈ R2×3
a21 a22 a23 −2 x11 + x12 − 2 x13 + x22 =0
Para hallar la intersección, necesitamos ver cuales de los vectores de S cumplen las ecuaciones de T,
para eso sustituimos 2.5 en las ecuaciones:
−3(2α + β) + 2(α + β + 2γ) − 3(−α + γ) + (−γ) = 0 −α − β = 0
−→ −→ α = −β
−2(2α + β) + (α + β + 2γ) − 2(−α + γ) + 0 =0 −α − β = 0
base de S
z }| {
base de S∩T
( z }|
{ )
2 1 −1 −1 0 1 0 2 1 0 4 2 1 1 0
BS+T = ; ; ; ;
0 0 0 0 0 −1 −1 0 0 −2 0 1 1 1 0
| {z }
base de T
Demostración
α1 − β1 = 0 ⇒ α1 = β1
···
···
αn − βn = 0 ⇒ αn = βn
Q.e.d.
Ejemplo 9. Sea B = {(2; 1; 3; 2); (2; 1; 0; 2); (2; 3; 3; 1); (−3; 1; −1; 0)} una base de R4 . Encontrar las
coordenadas de v = (3; 12; 17; 2) en la base B.
Notación: Escribiremos el resultado anterior como (3; 12; 17; 2)B = (2; −3; 4; 1)
Observación 14. La matriz ampliada se construye con los vectores de la base B como columnas,
ampliada con el vector v.
2 1 2 1 2 3 −3 1
Ejemplo 10. Sea B = ; ; ; una base de R4 . Encontrar las coor-
3 2 0 2 3 1 −1 0
3 12
denadas de v = en la base B.
17 2
Ejemplo 11. Sea B 0 = {(2; 1; 0; 2); (2; 3; 3; 1); (2; 1; 3; 2); (−3; 1; −1; 0)} una base de R4 . Encontrar las
coordenadas de v = (3; 12; 17; 2) en la base B 0 .
Resolución. Comparando con el ejemplo 9, la única diferencia entre las bases B y B 0 es como están
ordenados los vectores, con lo cual podemos reescribir la c.l. de la siguiente manera:
que es el mismo sistema que antes, con lo cual: (3; 12; 17; 2)B 0 = (−3; 4; 2; 1)
2.10. CUESTIONARIO 55
Observación 16. Al tratar con coordenadas en una base, el orden en que están los vectores de la base
es importante.
Demostración
A cargo de ustedes.
2.10. Cuestionario
1 ¿Que son grupos, anillos y cuerpos?
4 ¿Es posible definir una estructura de R-e.v. para el conjunto de las funciones pares f : R −→ R?
¿Y para las impares?
5 ¿Es posible definir una estructura de R-e.v. para el conjunto de las funciones f : R −→ R tales
que f (0) = 3? ¿Y para las que f (3) = 0?
6 ¿Que significa en términos geométricos que el conjunto {v1 ; v2 } sea l.d.? ¿que significarı́a que
sean l.i.?
7 ¿Que significa en términos geométricos que el conjunto {v1 ; v2 ; v3 } sea l.d.? ¿que significarı́a
que sean l.i.?
9 ¿Que es un subespacio?
13 ¿Que es una base? ¿Es cierto que toda base de un subespacio tiene la misma cantidad de vectores?
Es cierto que todo subespacio tiene una base?
20 ¿Es cierto que las coordenadas en una base B de los vectores v1 ; · · · ; vk son l.i. si y solo si los
vectores son l.i.?
21 ¿Es posible tener coordenadas de un vector en una base que pertenezcan a Rn×m ?
2.11. Teóricos
teórico 1 Demuestre que el ejemplo 1 corresponde a un cuerpo.
teórico 3 Demuestre que el conjunto de polinomios de grado 3 con el producto por un escalar y suma
habituales no es un R-e.v.
teórico 4 Demuestre que el conjunto de pares ordenados (x; y) ∈ R2 tales que x ≥ 0 e y ≥ 0 con el producto
por un escalar y suma habituales no es un R-e.v.
2.12. Ejercicios
Ejercicio 1 Escriba, en caso que sea posible, al vector v como c.l. de los elementos de U y diga si esa c.l. es
única o no para las siguientes situaciones:
1 −1
b) v =
3 2
2 −1 1 4 0 1
U= ; ;
2 3 −1 1 0 1
c) v = (1; 2; 1; 1)
U = {(1; −2; −2; 1); (2; 0; −1; 2); (1; 6; 4; 1)}
2 0
d) v =
4 −1
1 −2 2 −1 1 4
U= ; ;
−2 1 0 2 6 1
3 2
3− 7x 2− 5x − 6 2
e) v = 4x
U = (x + 2x + 1); (3x + x + 2)
3 2
3− 5x 2− 3x + 7 2
f ) v = 2x
U = (x + 2x + 1); (3x + x + 2)
Ejercicio 3 Hallar un sistema de ecuaciones lineales homogeneo para los siguientes subespacios:
a) S = gen{(3; 2; 1; 4)}
b) S = gen{(1; 3; 2; 2); (2; 1; 3; 0)}
c) S = gen{(1; 3; 2; 1); (5; 3; 1; 2); (1; 1; 0; −1)}
d ) S = gen{(1; 1; 1; 1); (1; 5; 3; 4); (−1; 7; 3; 5)}
1 1 1 5 −1 7
e) S = gen ; ; (Compare con el anterior)
1 1 3 4 3 5
f ) S = gen{(1; −1; 8; −2); (0; 1; 2; 5); (0; 0; 5; 2); (0; 0; 0; 4)}
g) S = gen{0}
Ejercicio 5 Extraer una base de S a partir de su conjunto de generadores para los subespacios del problema
anterior.
Ejercicio 6 Si {v1 ; v2 ; v3 ; v4 } es un conjunto l.i. de vectores, determinar si los siguientes conjuntos son l.i.
Ejercicio 7 Obtener una base del e.v. V que contenga una base del subespacio S.
Ejercicio 8 Indicar si S + T están en suma directa o no. Obtener una base de S + T que contenga una base
de S y una base de T. Verifique el teorema de la dimensión de subespacios.
a) S = (x1 ; x2 ; x3 ; x4 ) ∈ R4 2x1 − x2 + x3 =0
2.13. Problemas
Problema 1 Seanlos siguientes subespacios de R4 :
S = (x1 ; x2 ; x3 ; x4 ) ∈ R4 x1 − 5x2 − x3 + 2x4 =0
T = gen{(3; 1; 0; 1)}
U = (x1 ; x2 ; x3 ; x4 ) ∈ R4 2x1 − x2 − 3x3 + 2x4 =0
Hallar ,en caso que sea posible, un subespacio H tal que dim(H) = 2, T ⊂ H ⊂ S y que
H ∩ U = {0}.
(S ∩ U) ⊕ T = W y (T ∩ U) ⊕ U = W
W ⊕ (S ∩ T) = S + T y W∩S⊂U
1 2 2 1 1 1 −1 2
Problema 4 Sean S = gen y T = gen ; ; dos subespacios de R4 y
1 4 2 1 2 0 0 1
9 −1
v=
4 8
a) Demuestre que R4 = S + T.
60 CAPÍTULO 2. ESPACIOS VECTORIALES
a) Demuestre que R4 = S + T.
b) Escriba al vector v como suma de un elemento de S más uno de T.
c) ¿Es única la solución?
Problema 8 Sean B = {(2; 3; 1); (1; 2; 1); (1; 1; 1)} y B 0 = {1; −1; 0); (3; −2; 1); (−1; 1; 1)}
Problema 9 Sean B = {(1; −1; 1); (−1; 0; 3); v} y B 0 = {w; (−2; 1; 1); (1; 0; 3)} dos bases de un R-e.v.
Hallar v y w tales que vB 0 = (2; 3; 2) y wB = (1; −3; 2).
donde m es la masa del cuerpo, k es una constante elástica, c es una constante de amortiguación,
s es la posición de la masa respecto a la posición de equilibrio y t es el tiempo.
Si C 2 es el espacio vectorial den las funciones
. f : R −→ R con derivadao segunda continua
2 00 0
(operaciones habituales) y S = s(t) ∈ C m s(t) = −c s(t) − k s(t) , demuestre que S es un
subespacio de C 2 .
2.14. RESPUESTAS A LOS EJERCICIOS 61
k
s
c
Posición de
equilibrio
Problema 12 (optativo) Una situación tridimensional de transferencia de calor puede modelarse por medio de
la ley de Fourier: 2
∂2T ∂2T
∂ T ∂T
α2 + + =
∂x2 ∂y 2 ∂z 2 ∂t
donde T (x; y; z; t) es la temperatura en el punto P = (x; y; z) al instante t y α2 es una constante
llamada difusividad térmica.
Sea V el conjunto de funciones f (x; y; z; t) : R4 −→ R con derivadas parciales segundas continuas
(operaciones habituales) y
2
∂2f ∂2f
2 ∂ f ∂f
S= f ∈V α + 2 + 2 =
∂x2 ∂y ∂z ∂t
Ejercicio 1 a) (4; −7; 8; 11) = 3(2; −1; 2; 3) − 2(1; 4; −1; 1) + 4(0; 1; 0; 1) (única)
b) No es posible.
c) (1; 2; 1; 1) = (−1 + 3α3 ) (1; −2; −2; 1) + (1 − 2α3 ) (2; 0; −1; 2) + α3 (1; 6; 4; 1)
d ) No es posible.
e) 4x3 − 7x2 − 5x − 6 = 4 (x3 + 2x2 + 1) − 5 (3x2 + x + 2)
f ) No es posible.
e) {(0; 0; 0; 0)}
−1 1 0 0 0 −1 −3 0 0 1 0 −2
f) ; ; ;
0 0 0 1 0 0 0 1 0 0 0 1
x1 − 43 x4 = 0
Ejercicio 3 a) x2 − 21 x4 = 0
x3 − 41 x4 = 0
x1 − 23 x3 + 16 x4
=0
b)
x2 − 31 x3 − 76 x4 =0
c) x1 − 2x2 + 3x3 − x4 = 0
x1 − 3x3 + 2x4 = 0
d)
x2 + x3 − 2x4 = 0
a11 − 3a21 + 2a22 = 0
e)
a12 + a21 − 2a22 = 0
f ) No hay condiciones sobre las componentes ya que los vectores son l.i. y generan todo R4 .
g) x1 = x2 = x3 = x4 = 0
3 4 2 1
c) B = { ; ; e21 ; e22 }
2 1 0 1
| {z }
base(S)
base de S
z }| {
base de S∩T
n z }| { o
Ejercicio 8 a) BS+T = (1; 2; 0); (3; 4; −2);(1; 7; 2)
| {z }
base de T
b) Suma directa.
base de T
nz }| {
c) BS+T = (0; 1; 10); (−3; −5; 1) (S ⊂ T)
| {z }
base de S
d ) Suma directa.
base de S
z }| {
base de S∩T
n z }| { o
e) BS+T = (2; 1; 0; 1; 1); (1; 0; 1; 1; 0); (1; 1; −1; −2; 2);(1; 2; −1; −1; 1)
| {z }
base de T
base de S
nz }| {o
f ) BS+T = (3; 1; 2; −1); (3; 1; 1; 3); (0; 7; 2; −4) (S + T = S)
| {z }
base de T
base de S
z }| {
base de S∩T
z }| {
n 3 −1 −2 1 0 1 0 0 o
g) BS+T = ; ; ;
1 0 1 1 0 0 1 0
| {z }
base de T
65
66 CAPÍTULO 3. ESPACIOS VECTORIALES CON PRODUCTO INTERNO
Definición 13. Si V es un K-e.v. donde hay definido un producto interno y x ∈ V, llamamos norma
o módulo de x a:
√
kxk = < x, x >
Demostración
0 ≤ kx − λyk2 =< (x − λy); (x − λy) >= kxk2 − < x; y > λ− < y; x > λ + kyk2 |λ|2 ∀λ ∈ C
< x; y >
Si tomamos λ = , obtenemos:
kyk2
2
< x; y > < x; y > 2 | < x; y > |
0 ≤kxk2 − < x; y > − < y; x > + kyk
kyk2 kyk2 kyk4
| < x; y > |2 | < x; |2 | < x; |2
2 y> y>
= kxk − − +
kyk2
kyk2
kyk2
< x; y >
Observación 17. Observamos que si el producto interno es real,−1 ≤ ≤ 1, con lo cual
kxk kyk
< x; y >
tiene sentido definir el ángulo α entre x e y como el ángulo tal que cos(α) = . En el caso
kxk kyk
de R2 y R3 , recuperamos la definición de producto interno. En los demás espacios vectoriales con
producto interno, ese ángulo α, no tiene el sentido de un ángulo medible con un transportador, será
simplemente un ángulo analı́tico. La propiedad x ⊥ y ⇔< x; y >= 0, solo debe ser entendida en ese
contexto analı́tico.
Otra propiedad del producto interno cuya demostración queda a cargo de ustedes es:
Propiedades 5.
1 kxk ≥ 0
3.1. PRODUCTO INTERNO (O ESCALAR) 67
2 kxk = 0 ⇔ x = 0
3 kk xk = |k| kxk
5 kx − yk = ky − xk
De hecho, las cuatro primeras corresponden a la definición de norma, “pero esa, esa es otra historia”
(Conan, el bárbaro). Demostremos la 4.
kx + yk2 =< x + y; x + y >=< x; x > + < x; y > + < y; x > + < y; y >≤
Demostración
A cargo de ustedes.
< x; y >= x · y∗
68 CAPÍTULO 3. ESPACIOS VECTORIALES CON PRODUCTO INTERNO
2 En Cn (o Rn ), si A = (aij ) ∈ Rn×n es una matriz diagonal con aii > 0, la siguiente operación es
un producto interno:
< x; y >= x · A · y∗
Observación 18. Si {v1 · · · vk } es un conjunto ortogonal, entonces {v̂1 · · · v̂k } es un conjunto orto-
normal.
Demostración
Hay que probar que el sistema t1 v1 +t2 v2 +· · ·+tk vk = 0 tiene solo la solución trivial. Multipliquemos
escalarmente por v1 a ambos miembros:
t1 = 0
Multiplicando sucesivamente por v2 ; v3 ; · · · ; vk , se obtiene que t2 = 0; t3 = 0; · · · ; tk = 0, que es lo
que querı́amos probar.
3.2. CONJUNTOS ORTOGONALES Y ORTONORMALES 69
Observación 19. Veamos algunas ventajas de tener una base ortogonal. Si B = {v1 · · · vn } una base
ortogonal del e.v. V, y v ∈ V, entonces podemos escribir a v como c.l. de los elementos de B:
v = t1 v1 + t2 v2 + · · · + tn vn
Multipliquemos escalarmente por v1 a ambos miembros, distribuyamos y saquemos los escalares fuera
del producto interno:
< v; v1 >
t1 =
kv1 k2
Procediendo de manera similar obtenemos los otros coeficientes con lo cual:
Ejemplo 12. Sea B = {(1; 1; 1; 1); (1; −1; 1; −1); (1; 0; −1; 0); (0; 1; 0; −1)}. Probar que B es una base
ortogonal de R4 y hallar las coordenadas de (3; 2; 1; 4) en la base B.
Resolución.
< (1; 1; 1; 1); (1; −1; 1; −1) > = 0 < (1; 1; 1; 1); (1; 0; −1; 0) >= 0
< (1; 1; 1; 1); (0; 1; 0; −1) > = 0 < (1; −1; 1; −1); (1; 0; −1; 0) >= 0
< (1; −1; 1; −1); (0; 1; 0; −1) > = 0 < (1; 0; −1; 0); (0; 1; 0; −1) >= 0
Esto prueba que el conjunto es ortogonal, por lo tanto l.i. y al ser 4 vectores necesariamente son una
base de R4 .
Utilizando la observación 19, obtenemos que:
< (3; 2; 1; 4); (1; 1; 1; 1) > 5 < (3; 2; 1; 4); (1; −1; 1; −1) > 1
= =−
k(1; 1; 1; 1)k2 2 k(1; −1; 1; −1)k2 2
< (3; 2; 1; 4); (1; 0; −1; 0) > < (3; 2; 1; 4); (0; 1; 0; −1) >
=1 = −1
k(1; 0; −1; 0)k2 k(0; 1; 0; −1)k2
Con lo cual:
5 1
(3; 2; 1; 4)B = ; − ; 1; −1
2 2
y verificamos que:
5 1
(3; 2; 1; 4) = (1; 1; 1; 1) − (1; −1; 1; −1) + (1; 0; −1; 0) − (0; 1; 0; −1)
2 2
70 CAPÍTULO 3. ESPACIOS VECTORIALES CON PRODUCTO INTERNO
Teorema 7. Si S es un subespacio de dimensión finita del K-e.v. V, entonces existe una base orto-
normal de S.
Demostración
w1 =v1
< v2 ; w1 >
w2 =v2 − w1
kw1 k2
< v3 ; w1 > < v3 ; w2 >
w3 =v3 − w1 − w2
kw1 k2 kw2 k2
..
.
< vk ; w1 > < vk ; wk−1 >
wk =vk − w1 · · · − wk−1
kw1 k2 kwk−1 k2
3.3. PROCESO DE ORTONORMALIZACIÓN DE GRAM-SCHMIDT 71
gen{w1 } = gen{v1 }
gen{w1 ; w2 } = gen{v1 ; v2 }
gen{w1 ; w2 ; w3 } = gen{v1 ; v2 ; v3 }
..
.
gen{w1 ; · · · ; wk } = gen{v1 ; · · · ; vk }
Observación 20.
1 El resultado depende de la base en si y del orden de los vectores en dicha base como ya habiamos
mencionado.
S = gen{(1; 3; 1; 3; 1); (2; 5; 2; 7; 2); (2; 7; 5; 11; 2); (0; −3; 3; −5; 0)}
| {z } | {z } | {z } | {z }
v1 v2 v3 v4
Resolución. Prueben ustedes que el conjunto de generadores de S es una base. Utilizando el proceso
de ortonormalización de Gram-Schmidt obtenemos:
72 CAPÍTULO 3. ESPACIOS VECTORIALES CON PRODUCTO INTERNO
w1 =v1
=(1; 3; 1; 3; 1)
< v2 ; w1 >
w2 =v2 − w1
kw1 k
42
=(2; 5; 2; 7; 2) − (1; 3; 1; 3; 1)
21
=(0; −1; 0; 1; 0)
< v3 ; w1 > < v3 ; w2 >
w3 =v3 − w1 − w2
kw1 k kw2 k
63 4
=(2; 7; 5; 11; 2) − (1; 3; 1; 3; 1) − (0; −1; 0; 1; 0)
21 2
=(−1; 0; 2; 0; −1)
< v4 ; w1 > < v4 ; w2 > < v4 ; w3 >
w4 =v4 − w1 − w2 − w3
kw1 k kw2 k kw3 k
−21 −2 6
=(0; −3; 3; −5; 0) − (1; 3; 1; 3; 1) − (0; −1; 0; 1; 0) − (−1; 0; 2; 0; −1)
21 2 6
=(2; −1; 2; −1; 2)
B 0 = {(1; 3; 1; 3; 1); (0; −1; 0; 1; 0); (−1; 0; 2; 0; −1); (2; −1; 2; −1; 2)}
Wxmaxima También es posible obtener los wj usando una función especı́fica de Wxmaxima, pero
habrá que cargar el paquete eigen previamente:
%i1: load(eigen)$
%i2: A:matrix(
[1,3,1,3,1],
[2,5,2,7,2],
[2,7,5,11,2],
[0,-3,3,-5,0]
)$
%i3 gramschmidt(A);
%o3 [[1, 3, 1, 3, 1], [0, −1, 0, 1, 0], [−1, 0, 2, 0, −1], [2, −1, 2, −1, 2]]
3.4. COMPLEMENTO ORTOGONAL DE UN SUBESPACIO 73
O sea, S⊥ está formado por todos los vectores que son perpendiculares a todos los vectores de S.
3 Si = {v1 ; · · · ; vk } ⊂ S⊥ , entonces α1 v1 + · · · + αk vk ∈ S⊥ .
4 V⊥ = {0}
5 (S⊥ )⊥ = S
6 Si dim(V) = n, entonces V = S ⊕ S⊥
Demostración
B = {w1 ; · · · ; wk ; vk+1 ; · · · ; vn }
B 0 = {w1 ; · · · ; wk ; wk+1 ; · · · ; wn }
Resolución.
74 CAPÍTULO 3. ESPACIOS VECTORIALES CON PRODUCTO INTERNO
< (1; −1; 1; 5); (x1 ; x2 ; x3 ; x4 ) >= 0 < (3; 2; −1; 4); (x1 ; x2 ; x3 ; x4 ) >= 0
o sea que todos los vectores de S son ortogonales a los vectores (1; −1; 1; 5) y (3; 2; −1; 4) y por
lo tanto a todas sus c.l., de esta manera, si
Una consecuencia de la propiedad 6-6, es que cualquier vector v ∈ V puede escribirse de manera
única como suma de un elemento v1 ∈ S y otro v2 ∈ S⊥ como se ejemplifica en la siguiente figura.
PS (v) = v1
3.4. COMPLEMENTO ORTOGONAL DE UN SUBESPACIO 75
Observación 21.
1 PS ⊥ (v) = v2
2 < PS ; PS ⊥ >= 0
Demostración
Dado que ku1 − u2 k mide la distancia entre los puntos u1 y u2 , estamos afirmando que el punto de
S más cercano a v es PS (v). Claro que la distancia es dependiente del producto interno utilizado, o
sea que es el más cercano solo en ese sentido. Además, se aprecia en la demostración que ese punto es
único.
Sigamos con otra observación. Si consideramos x = (x1 ; · · · ; xn ) ∈ Rn y la base canónica
E = {eˆ1 ; · · · ; eˆn }, entonces
n
X
2
x = x1 eˆ1 + · · · + xn eˆn < x; êi >= xi kxk = x2i
i=1
Como la base canónica es ortonormal, ademas xi = Peˆi (x). Si ahora tomamos otra base ortonormal
B = {v1 ; · · · ; vk ; vk+1 ; · · · ; vn }, resultará:
Demostración
B = {v1 ; · · · ; vk ; vk+1 ; · · · ; vn }
3.5. Cuestionario
1 ¿Es cierto que el producto interno es conmutativo? En caso que sea falso, dar un ejemplo.
2 ¿Es cierto que dado un e.v., hay un único producto interno? En caso que sea falso, dar un
ejemplo.
4 ¿Es cierto que si el producto interno entre dos vectores es cero estos forman 90o ? En caso que
sea falso, dar un ejemplo.
5 ¿Es cierto que todo conjunto ortogonal de vectores es l.i.? ¿y si fuera ortonormal?
6 ¿Es cierto que para todo subespacio no nulo de dimensión finita se puede encontrar una base
ortogonal? ¿y ortonormal? ¿y para el subespacio nulo?
8 ¿Depende del orden de los vectores de una base el resultado del proceso de ortogonalización de
Gram-Schmidt?
10 ¿Que ventaja tiene una base ortonormal de un e.v. frente a otras bases?
3.6. Teóricos
teórico 1 Sea V un R-e.v. con producto interno y B = {v1 ; · · · ; vn } una base ortonormal de V. Demuestre
que si w1 ; w2 ∈ V, entonces < w1 ; w2 >=< w1B ; w2B >, donde este último producto interno
es el habitual para Rn .
teórico 2 Sea V un C-e.v. con producto interno y B = {v1 ; · · · ; vn } una base ortonormal de V. Demuestre
que si w1 ; w2 ∈ V, entonces < w1 ; w2 >=< w1B ; w2B >, donde este último producto interno
es el habitual para Cn .
teórico 3 Definición: Dado un conjunto A, decimos que d : A×A −→ R ≥ 0 es una métrica si ∀x, y, z ∈ A:
a) d(x; y) = 0 ⇐⇒ x = y
b) d(x; y) = d(y; x)
c) d(x; y) ≤ d(x; z) + d(z; y) (desigualdad triangular)
Demuestre que si V es un e.v. con producto interno, entonces d(x; y) = kx − yk es una métrica.
3.7. Ejercicios
Nota: A menos que se indique, los productos escalares de los ejercicios son los habituales.
< f, g >
a) Si f (x) = 3x2 y g(x) = 2x3 , calcular kf k, kgk, < f, g > y cos(α) =
kf kkgk
b) ¿Es posible medir el ángulo entre f y g con un transportador?
a) Encontrar en caso que sea posible valores de a y b para que (2; 3 + i) sea ortogonal a
(−3; 1 − i).
b) Encontrar en caso que sea posible valores de a y b para que (2 − 3i; 3) sea ortogonal a
(−2; 2 + 3i).
Ejercicio 4 a) Demuestre que B = {(1; 2; 1; −1), (3; 1; −5; 0), (2; −1; 1; 1), (−1; 3; 0; 5)} es una base ortogo-
nal de R4 y obtenga (0; 15; −18; −2)B
b) A partir de B, obtenga una base ortonormal B 0 de R4 y obtenga (0; 15; −18; −2)B 0
Ejercicio 5 Utilizar el proceso de ortogonalización de Gram-Schmidt para hallar una base ortogonal de:
Ejercicio 8 Comprobar que los siguientes conjuntos de vectores son ortonormales y verificar la desigualdad
de Bessel para el vector (−2; 5; −6; 14):
2 1 2 2 1 2
a) ; 0; ; ; ; ; 0; −
3 3 3 3 3 3
2 1 2 2 1 2 1 2 2
b) ; 0; ; ; ; ; 0; − ; − ; ; ;0
3 3 3 3 3 3 3 3 3
2 1 2 2 1 2 1 2 2 2 2 1
c) ; 0; ; ; ; ; 0; − ; − ; ; ; 0 ; 0; ; − ;
3 3 3 3 3 3 3 3 3 3 3 3
3.8. Problemas
Problema 1 Sean en R3 las bases B = {(2; 3; 2); (2; −5; 3); (−19; 6; 96)}, B 0 = {(1; 1; 0); (1; 2; 0); (0; 0; 1)} y el
producto interno
a) Obtener en caso que sea posible, valores para a, b y c de forma que B resulte una base
ortogonal.
b) Obtener en caso que sea posible, valores para a, b y c de forma que B 0 resulte una base
ortogonal.
c) Utilizando el producto interno definido en 1a, normalice los vectores de B para obtener una
base ortonormal de R3 .
Problema 2 Sean S = gen{(1; 2; 1; −2; 3); (0; 2; 0; −2; −1)} y T = gen{(−2; 1; 2; 1; 0)} dos subespacios de R5 .
a) Hallar en caso que sea posible, una base ortogonal B de R5 que contenga una base de S y
una base de T.
b) Dar una base ortogonal de S⊥ ,una de T⊥ y otra de S⊥ ∩ T⊥ .
Problema 3 Sean S = gen{(4; −2; 0; 1); (−2; 2; −2; 1)} y T = {(x1 ; x2 ; x3 ; x4 ) ∈ R4 /x1 − x2 + 2x3 − x4 = 0}
dos subespacios de R4 .
Hallar, en caso que sea posible, un subespacio W ⊂ R4 que cumpla simultaneamente:
0 si i 6= j
a) Explique gráficamente porque ϕi (x) · ϕj (x) =
ϕi (x) si i = j
b) Demostrar que ϕ1 (x), ϕ2 (x), ϕ3 (x), · · · es un conjunto ortogonal con cualquier función de
peso Q(x) > 0 en el intervalo [0; ∞).
c) Demostrar que si Q(x) = 1 el conjunto es ortonormal.
Z β
Problema 5 Sea el producto interno < f, g >= f (x)Q(x)g(x)dx
α
W ⊕ S = T1 W⊥ ⊕ S = T2
256 10 222 87 348 116 29
b) PS (v) = − ;− ;− PS ⊥ (v) = ; ;− d=
169 169 169 169 169 169 13
√
c) PS (v) = (−1; −2; 1; 5) PS ⊥ (v) = (6; −1; −1; 1) d = 39
√
d ) PS (v) = (5; −2; −2; −3) PS ⊥ (v) = (5; 22; 1; −7) d = 559
82 CAPÍTULO 3. ESPACIOS VECTORIALES CON PRODUCTO INTERNO
Capı́tulo 4
Transformaciones Lineales
Consideremos un punto P = (x; y) en el plano coordenado a distancia ρ del origen y supongamos que
nos interesa conocer las coordenadas de P = (x0 ; y 0 ) en un sistema que se encuentra rotado un ángulo
α respecto al original. Observando la figura, por un lado resulta que:
x = ρ cos(β)
y = ρ sen(β)
y 0 = ρ sen(β − α)
Utilizando identidades trigonométricas obtenemos:
x 0 = ρ cos(β − α) = ρ cos(α) cos(β) + sen(α) sen(β) = cos(α) ρ cos(β) +sen(α) ρ sen(β)
| {z } | {z }
x y
0
y = ρ sen(β − α) = ρ cos(α) sen(β) − sen(α) cos(β) = cos(α) ρ sen(β) −sen(α) ρ cos(β)
| {z } | {z }
y x
83
84 CAPÍTULO 4. TRANSFORMACIONES LINEALES
Con lo cual:
x0 = x cos(α) + y sen(α)
0
x cos(α) sen(α) x
=⇒ = ·
y 0 = −x sen(α) + y cos(α) y0 −sen(α) cos(α) y
x
Podemos interpretar este último resultado como una función que a las componentes de un punto
y
0
x
en un sistema de coordenadas le asigna las componentes del mismo punto en un sistema de
y0
coordenadas que está rotado
un ángulo
α respecto
del anterior. Analicemos
la estructura de esta
x x cos(α) sen(α)
función. Si llamamos X = , X0 = yA= , nos queda:
y y −sen(α) cos(α)
X0 = A · X}
| {z
T (X)
donde estamos llamando T (X) a la función mencionada anteriormente, de esta manera, T (X) = A · X.
Esta función, tiene caracterı́sticas peculiares:
Su dominio y codominio son espacios vectoriales (en este caso R2 o si prefiere R2×1 ).
Si λ ∈ R, entonces T (λ X) = λ T (X)
Definición 17. Sea T : V −→ W una función, donde V y W son K-e.v. Decimos que T es una
transformación lineal(t.l.) o un homomorfismo (o simplemente morfismo) de V en W si:
1 T (X1 + X2 ) = T (X1 ) + T (X2 )
2 Si λ ∈ K, entonces T (λ X) = λ T (X)
Observemos que la definición no limita el tipo de función a la forma T (X) = A · X ni los tipos de
espacios vectoriales a Rn , logrando una definición muy amplia como se acostumbra en matemática. Este
será el objeto de estudio de este capitulo. También es fácil demostrar que si T (X) es una t.l.,entonces
T (0) = 0.
Veamos algunos ejemplos:
Demostración
T (λ v) = A · (λ v) = λ (A · v) = λ T (v)
Ejemplo 16.
x
2 6 9
1 T x y z = · y es una t.l.
4 7 1
z
a11 a12 a11 a12
a21 a22 2 3 0 2 a21 a22
a31 a32 = 1 4 7 1 · a31
2 T es una t.l.
a32
8 3 4 8
a41 a42 a41 a42
86 CAPÍTULO 4. TRANSFORMACIONES LINEALES
Observación 23. Si T : Rn −→ Rm es una t.l.,, entonces existe una matriz A ∈ Rm×n tal que
T (v) = A · v como en el siguiente ejemplo:
x1 x1
x2 1 0 −3 1 x2
T1 (x1 ; x2 ; x3 ; x4 ) = (x1 −3 x3 +x4 ; 2x2 −x4 ; x1 +x3 ) −→ T1 = 0
x3 2 0 −1 ·
x3
1 0 1 0
x4 | {z } x4
A
Demostración
A cargo de ustedes.
2 T (−v) = −T (v)
Demostración
A cargo de ustedes.
Proposición 17. Sea B = {v1 ; · · · ; vn } una base el K-e.v. V y v ∈ V y sea T : V −→ W una t.l.
Alcanza con conocer T (vi ), (i = 1; · · · ; n) para conocer a T en todo su dominio.
4.1. ALGUNAS DEFINICIONES, PROPOSICIONES Y PROPIEDADES 87
Demostración
Ejemplo 17. Sea T : R3 −→ R2 la t.l. tal que T (1; 1; 1) = (2; 1), T (1; 1; 0) = (3; 2) y T (1; 0; 0) = (1; 1).
Encontrar la forma explı́cita de T .
Resolución. Escribimos un vector genérico (x; y; z) como c.l. de los elementos de la base B =
{(1; 1; 1); (1; 1; 0); (1; 0; 0)}:
Resolvemos el sistema:
1 1 1 x 1 0 0 z
1 1 0 y −→ 0 1 0 y − z
1 0 0 z 0 0 1 x−y
De esta manera queda:
Con lo cual:
T (x; y; z) =T z (1; 1; 1) + (y − z) (1; 1; 0) + (x − y) (1; 0; 0)
=z T (1; 1; 1) + (y − z) T (1; 1; 0) + (x − y) T (1; 0; 0)
=z (2; 1) + (y − z) (3; 2) + (x − y) (1; 1)
=(x + 2 y − z ; x + y − z)
Demostración
88 CAPÍTULO 4. TRANSFORMACIONES LINEALES
A cargo de ustedes.
x1
x2
x1 − 2 x4 + x5
x1 − 2 x2
x3 =
Ejemplo 18. Hallar N u(T ) e Im(T ) para T
x4 x2 + x3 − 2 x5
x5
x1 − 2 x4 + x5 = 0
Resolución. Para el núcleo hay que resolver el sistema: x1 − 2 x2 = 0
x2 + x3 − 2 x5 = 0
Reduciendo la matriz de coeficientes obtenemos:
1 0 0 −2 1 1 0 0 −2 1
1 −2 0 0 0 −→ 0 1 0 −1 21
0 1 1 0 −2 0 0 1 1 − 52
Luego resulta:
x1 − 2 x4 + x5 = 0 x1 = 2 x4 − x5
1
x2 − x4 + 2 x5 = 0 −→ x2 = x4 − 21 x5
5
x3 + x4 − 2 x5 = 0 x3 = −x4 + 25 x5
x1 2 x4 − x5 2 −1
x2 x4 − 1 x5 1 − 1
2 2
x3 = −x4 + 5 x5 = x4 −1 + x5 5
2 2
x4 x4 1 0
x5 x5 0 1
2 −1 2 −2
1
1 − 2 1 −1
5
N u(T ) = gen −1 ; = gen −1 ; 5
2
1 0
1 0
0 1 0 2
Para la imagen, basta con transformar los elementos de una base cualquiera, por ejemplo la canónica
y esos transformados serán un conjunto de generadores de Im(T ) (piense porqué).
T (1; 0; 0; 0; 0) = (1; 1; 0)
T (0; 1; 0; 0; 0) = (0; −2; 1)
T (0; 0; 1; 0; 0) = (0; 0; 1) −→ Im(T ) = gen{(1; 1; 0); (0; −2; 1); (0; 0; 1); (−2; 0; 0); (1; 0; −2)} = R3
T (0; 0; 0; 1; 0) = (−2; 0; 0)
T (0; 0; 0; 0; 1) = (1; 0; −2)
4.1. ALGUNAS DEFINICIONES, PROPOSICIONES Y PROPIEDADES 89
Ejemplo 19. Sea T :: V −→ W la t.l. tal que T (v1 ) = w1 − 2w3 , T (v2 ) = 2 w1 − 4w2 , T (v3 ) =
2 w1 − 3 w2 − w3 , siendo B = {v1 ; v2 ; v3 } una base de V y B 0 = {w1 ; w2 ; w3 } una base de W. Hallar
una base de N u(T ) y otra de Im(T ).
Hay que extraer una base de allı́. Trabajemos con las coordenadas poniendolas como filas de una matriz
y reduciendo:
1 0 −2 1 0 −2
2 −4 0 −→ 0 1 −1
2 −3 −1 0 0 0
y la base queda:
base de Im(T ) = {w1 − 2 w3 ; w2 − w3 }
Para el núcleo hay que buscar los v = λ1 v1 + λ2 v2 + λ3 w3 tales que:
0 =T (v)
=λ1 T (v1 ) + λ2 T (v2 ) + λ3 T (v3 )
=λ1 (w1 − 2w3 ) + λ2 (2 w1 − 4w2 ) + λ3 (2 w1 − 3 w2 − w3 )
= (λ1 + 2 λ2 + 2 λ3 ) w1 + (−4λ2 − 3λ3 ) w2 + (−2λ1 − λ3 ) w3
| {z } | {z } | {z }
0 0 0
Como B 0 = {w1 ; w2 ; w3 } es una base de W y la única c.l. entre ellos que da 0 es la trivial, resulta
un sistema de ecuaciones para los λi que si lo reducimos:
1 0 21
1 2 2 1
0 −4 −3 −→ 0 1 3 −→ λ1 = − 23 λ3
4 λ2 = − 4 λ3
−2 0 −1 0 0 0
O sea que:
v =λ1 v1 + λ2 v2 + λ3 w3
1 3
= − λ3 v1 − λ3 v2 + λ3 w3
2
4
1 3
=λ3 − v1 − v2 + w3
2 4
1 3
con lo cual v son todas las c.l. del vector − v1 − v2 + w3 y entonces:
2 4
1 3
base de N u(T ) = − v1 − v2 + w3
2 4
Propiedades 8.
1 Un monomorfismo es inyectivo.
2 Un epimorfismo es sobreyectivo.
Demostración
A cargo de ustedes.
Definición 20. Sean U, V, W tres K-e.v. y T1 : U −→ V,T2 : V −→ W dos t.l.. Llamamos composi-
ción de T1 y T2 a:
(T2 ◦ T1 )(v) = T2 [T1 (v)]
3 N u(T1 ) ⊂ N u(T2 ◦ T1 )
4 Im(T2 ◦ T1 ) ⊂ Im(T2 )
10 Si T1 , T2 y T3 son t.l. que pueden componerse en ese orden, entonces T1 ◦(T2 ◦T3 ) = (T1 ◦T2 )◦T3 .
Demostración
T −1 (w1 ) + λ T −1 (w2 ) = v1 + λ v2
con lo cual:
T −1 (w1 + λ w2 ) = v1 + λv2 = T −1 (w1 ) + λ T −1 (w2 ) Q.e.d.
Resolución. Dado que Im(T2 ) ⊂ dom(T1 ), la composición es posible. Aunque no es necesario, para
facilitar la comprensión del proceso consideraremos
T1 (u1 ; u2 ; u3 ) = (2u1 − u2 + 3u3 ; 2u1 + 3u2 + u3 ; u1 + 2u2 − u3 ). De esta forma:
(T1 ◦ T2 )(x1 ; x2 ) = T1 [T2 (x1 ; x2 )]
= T1 (x1 + x2 ; 3x1 + 4x2 ; x1 − x2 )
| {z } | {z } | {z }
u1 u2 u3
= 2 (x1 + x2 ) − (3x1 + 4x2 ) +3 (x1 − x2 );
| {z } | {z } | {z }
u1 u2 u3
2 (x1 + x2 ) +3 (3x1 + 4x2 ) + (x1 − x2 );
| {z } | {z } | {z }
u1 u2 u3
(x1 + x2 ) +2 (3x1 + 4x2 ) − (x1 − x2 )
| {z } | {z } | {z }
u1 u2 u3
= (2x1 − 5x2 ; 12x1 + 13x2 ; 6x1 + 10x2 )
,para obtener T1−1 se trata de obtener los xi en función de los yi . Si armamos la matriz ampliada del
sistema y reducimos se obtiene:
1 0 0 12 y1 − 12 y2 + y3
2 −1 3 y1
2 3 1 y2 −→ 0 1 0 − 3 y1 + 1 y2 − 2 y3
10 2 5
1
1 2 −1 y3 0 0 1 − 10 y1 + 12 y2 − 54 y3
Con lo cual
1 1 3 1 2 1 1 4
T1−1 (y1 ; y2 ; y3 ) = y1 − y2 + y3 ; − y1 + y2 − y3 ; − y1 + y2 − y3
2 2 10 2 5 10 2 5
o lo que es lo mismo:
1 1 3 1 2 1 1 4
T1−1 (x1 ; x2 ; x3 ) = x1 − x2 + x3 ; − x1 + x2 − x3 ; − x1 + x2 − x3
2 2 10 2 5 10 2 5
Además, al tener solución única para todo (y1 ; y2 ; y3 ), garantizamos que es un isomorfismo(piensen
porque).
No estarı́a de más que reprodujeran estos resultados utilizando las proposiciones 19-8 y 19-9.
4.3. TEOREMA DE LA DIMENSIÓN 93
Demostración
B = { v1 ; · · · ; vk ; vk+1 ; · · · ; vn }
| {z } | {z }
base de N u(T ) B 00
Claramente estamos asumiendo que dim(N u(T )) = k, deberiamos probar que dim(Im(T )) = n − k.
Transformando la base B, obtenemos un conjunto de generadores de Im(T ), pero los primeros k dan el
vector nulo ya que son transformados de elementos del núcleo, esto es, quedan solo n − k generadores.
T (vk+1 ) = w1
T (vk+2 ) = w2
.. −→ Im(T ) = gen{w1 ; w2 ; · · · ; wn−k }
.
T (vn ) = wn−k
Para demostrar lo buscado, falta probar que estos generadores son l.i.
Esto significa que λ1 vk+1 + · · · + λn−k vn−k está en N u(T ), pero como los vectores de B 00 son una
extensión de la base de N u(T ), esto solo es posible si
λ1 = · · · = λn−k = 0 Q.e.d.
Una consecuencia muy importante de este teorema es que permite decidir si ciertas t.l. so posibles,
por ejemplo:
Resolución. Si fuera posible, entonces se debe cumplir que dim(R4 ) = dim[N u(T )] + dim[Im(T )],
pero como dim[N u(T )] = 2 y dim[Im(T )] = 3, la t.l. no es posible.
94 CAPÍTULO 4. TRANSFORMACIONES LINEALES
Proposición 20. Si T1 y T2 son dos isomorfismos que pueden componerse en ese orden, entonces
T1 ◦ T2 es un isomorfismo y se cumple:
Demostración
Dado que T1 y T2 son isomorfismos, dominios y codominios de ambas tienen la misma dimension,
además como se pueden componer, resulta que Cod(T2 ) = Dom(T1 ). Gracias al teorema de la dimen-
sión, nos alcanza con probar que que N u(T1 ◦ T2 ) = {0} para garantizar que la composición es un
isomorfismo. Lo hacemos de la siguiente manera:
⇒ T2 (v) = 0
⇒ v ∈ N u(T2 ) = {0}
| {z }
por ser iso
⇒ v=0
(T2−1 ◦ T1−1 )(w) = T2−1 [T1−1 (w)] = T2−1 (v) = u = (T1 ◦ T2 )−1 (w)
Supongamos que T (vi ) = t1i w1 + · · · + tmi wm , esto es [T (vi )]B 0 = (t1i ; · · · ; tmi )
Si utilizamos la propiedad 4-1 y lo observado en la sección 1.2.5, obtenemos:
T (v)B 0 = T (α1 v1 + · · · + αn vn )B 0
= α1 T (v1 )B 0 + · · · + αn T (vn )B 0
t11 t1n
t21 t2n
.. ..
. + · · · + αn .
= α1
.. ..
. .
tm1 tmn
t11 · · · · · · t1n
t21 · · · · · · t2n α1
· · · · · · · · · · · · ..
= · .
.. ..
. . αn
tm1 · · · · · · tmn | {z
vB
}
| {z }
kT kBB 0
Observación 24.
1 Las columnas de kT kBB 0 se forman con T (vi )B 0 .
2 rg(kT kBB 0 ) = dim[Im(T )]
3 Si T : Rn −→ Rm , E y E 0 son las bases canónicas de Rn y Rm respectivamente, entonces
kT kEE 0 = kT k
4 Si N : V −→ W es la t.l. nula y; B y B 0 son bases cualquiera de V y W respectivamente, entonces
kN kBB 0 = O.
5 Dados T , B y B 0 , resulta que kT kBB 0 es única.
Ejemplo 22. Sean la t.l. T (x1 ; x2 ; x3 ) = (2x1 − x2 + x3 ; x1 + 3x2 − 4x3 ) y las bases
B = {(2; 1; 1); (−1; 2; 4); (1; 3; 0)} y B 0 = {(1; 2); (1; −1)}. Hallar kT kBB 0 .
Resolución. Las columnas de kT kBB 0 estarán formadas por [T (2; 1; 1)]B , [T (−1; 2; 4)]B y
[T (1; 3; 0)]B .
5 7 5 7
T (2; 1; 1) = (4; 1) = (1; 2) + (1; −1) =⇒ [T (2; 1; 1)]B = ;
3 3 3 3
11 11 11 11
T (−1; 2; 4) = (0; −11) = − (1; 2) + (1; −1) =⇒ [T (−1; 2; 4)]B = − ;
3 3 3 3
T (1; 3; 0) = (−1; 10) = 3(1; 2) − 4(1; −1) =⇒ [T (1; 3; 0)]B = (3; −4)
96 CAPÍTULO 4. TRANSFORMACIONES LINEALES
Con lo cual: 5
− 11
3 3 3
kT kBB 0 = 7 11
3 3 −4
2 1 1
Ejemplo 23. Sea T : R3 −→R2 la t.l. tal que kT kBB 0 = , siendo
3 2 1
B = {(1; 1; 1); (0; 1; 1); (0; 0; 1)} y B 0 = {(2; 3); (4; 6)}. Hallar T (2; 3; 5) y bases de Im(T ) y N u(T ).
Resolución. Sabemos que [T (2; 3; 5)]B 0 = kT kBB 0 · (2; 3; 5)B , lo primero que debemos hacer es obtener
(2; 3; 5)B .
(2; 3; 5) = 2(1; 1; 1) + (0; 1; 1) + 2(0; 0; 1) =⇒ (2; 3; 5)B = (2; 1; 2)
Ahora obtenemos [T (2; 3; 5)]B 0 como sigue:
2
2 1 1 7
[T (2; 3; 5)]B 0 = kT kBB 0 · (2; 3; 5)B = · 1 =
3 2 1 10
2
Por último, utilizamos las coordenadas obtenidas para recuperar el vector:
Para obtener la imagen, consideremos que las columnas de kT kBB 0 , son coordenadas de generadores
de Im(T ) ya que corresponden a los transformados de los elementos de la base B. Luego:
2(2; 3) + 3(4; 6) = (16; 24) (2; 3) + 2(4; 6) = (10; 15) (2; 3) + (4; 6) = (6; 9)
son generadores de Im(T ) con lo cual:
Para el núcleo, hay que considerar que (0; 0)B 0 = (0; 0) para cualquier base B 0 , con lo cual para
obtener coordenadas de los generadores del núcleo hay que resolver kT kBB 0 ·vB = 0. Para eso reducimos
kT kBB 0 y armamos el sistema equivalente:
2 1 1 1 0 1
−→
3 2 1 0 1 −1
α1 + α3 = 0
−→
α2 − α3 = 0
α1 = −α3
−→
α2 = α3
−→ (α1 ; α2 ; α3 ) = (−α3 ; α3 ; α3 ) = α3 (−1; 1; 1)
Demostración
El siguiente esquema, la unicidad de kT2 ◦ T1 kBB 00 y la propiedad asociativa del producto de matrices
es autoexplicativa:
kT2 ◦T1 k 00
z }| BB {
kT2 kB 0 B 00 · kT1 kBB 0 · vB
| {z }
[T1 (v)]B 0
| {z }
[T2 [T1 (v)]]B 00
Demostración
Por ser T un isomorfismo, rg(kT kBB 0 ) = dim[Im(T )] con lo cual kT kBB 0 es inversible. Si consideramos
un v ∈ V y T (v) = w, entonces:
wB 0 = kT kBB 0 · vB =⇒ kT k−1 0
−1
BB 0 · wB = kT kBB 0 · kT kBB ·vB
0 =⇒ vB = kT k−1 0 ·wB 0
| {z } | {zBB}
I kT −1 kB 0 B
Resolución.
Con lo cual:
0 −1 1
kT1 kBB 0 = −1 2 −1
2 −1 1
T2 (0; 1) = (1; −1; 0) = (1; 1; 1) − 2(0; 1; 1) + (0; 0; 1) =⇒ [T2 (0; 1)]B 0 = (1; −2; 1)
T2 (1; 1) = (2; 0; 2) = 2(1; 1; 1) − 2(0; 1; 1) + 2(0; 0; 1) =⇒ [T2 (1; 1)]B 0 = (2; −2; 2)
Con lo cual:
1 2
kT2 kB 00 B 0 = −2 −2
1 2
98 CAPÍTULO 4. TRANSFORMACIONES LINEALES
Por último
Observación 25.
4 kT1 kB 00 B 0 = CBB 0 · kT kB 00 B
−3 −2 1 1 −2 0
4.4. MATRIZ DE UNA T.L. EN LAS BASES B Y B’ 99
con lo cual
3 −8 −1 −18 46 2 2 2 3 2 0 0
CBB 0 · kT kB · CB 0 B = −4 11 1 · −8 21 1 · 1 1 1 = 0 3 0
1 −2 0 4 −14 0 −3 −2 1 0 0 −2
2 0 0
kT kB 0 = 0 3 0
0 0 −2
100 CAPÍTULO 4. TRANSFORMACIONES LINEALES
4.5. Cuestionario
1 ¿Es cierto que toda transformación lineal transforma subespacios en subespacios? Justificar.
2 ¿Es cierto que toda transformación lineal transforma rectas en rectas? Justificar.
3 Sea T : R2 −→ W una t.l. ¿Es cierto que si T (2; 1) = T (3; 2), entonces T no es un monomorfismo?
Justificar.
9 Sea T : V −→ W una t.l. y {v1 ; · · · ; vk } vectores l.i. de V. ¿Es cierto que el conjunto
{T (v1 ); · · · ; T (vk )} es l.i.? Justificar.
11 Sea T : V −→ W una t.l. y {T (v1 ); · · · ; T (vk )} vectores l.i. de W. ¿Es cierto que el conjunto
{v1 ; · · · ; vk } es l.i.? Justificar
12 Sea T : Rn −→ Rm una t.l. ¿Es cierto que las columnas de kT k forman un conjunto de generadores
de Im(T )? Justificar.
14 Sea T : V −→ W una t.l. y S un subespacio de V. ¿Es cierto que dim[T (S)] = dim(S)? Justificar.
15 ¿Que debe suceder con la dimensión de los espacios para que pueda existir una t.l. T : V −→ W
tal que dim[N u(T )] =dim[Im(T )]? ¿y para que N u(T ) = Im(T )?
18 Si T1 y T2 son t.l. ¿Que debe pasar para que Im(T1 ◦ T2 ) = Im(T1 ) y N u(T1 ◦ T2 ) = N u(T2 )?
22 ¿Es cierto que rg(kT kBB 0 ) = dim[Im(T )] sean quien sean B y B 0 ? Justificar.
sawdfhshhh
4.6. Teóricos
teórico 1 Demuestre la proposición 16.
teórico 5 [optativo] Sea L(V, W) el conjunto de todas las transformaciones lineales de V en W. Demostrar
que L(V, W) con las operaciones definidas en los dos items anteriores es un K-e.v.
teórico 8 Demuestre que un monomorfismo transforma rectas en rectas y planos en planos. ¿Que puede
pasar si no es monomorfismo?
teórico 12 Sea el R-e.v. C[a, b] de las fuciones derivables en el intervalo [a; b].
a) Demostrar que si f (x) ∈ C[a; b], entonces D[f (x)] = f 0 (x) es una t.l.
b) Hallar N u(D)
c) Justificar porqué D no es un epimorfismo.
teórico 13 Sea el R-e.v. R4 [x] de los polinomios de grado 4 o menos más el polinomio nulo.
a) Demostrar que si P (x) ∈ R4 [x], entonces D[P (x)] = P 0 (x) es una t.l.
b) Hallar Im(D) y N u(D).
c) Justificar porqué D no es un epimorfismo.
d ) Hallar kDkE , siendo E = {1; x; x2 ; x3 }
teórico 15 Sea el R-e.v. V de Rlas fuciones integrables en el intervalo [a; b]. explique porqué si f (x) ∈ V,
entonces T [f (x)] = f (x)dx no es una t.l.
4.7. Ejercicios
Ejercicio 1 Para las funciones del ejemplo 15, demuestre que las 3 primeras son t.l. y termine de verificar
que las demás no lo son.
Ejercicio 3 Hallar la fórmula de la t.l. T y luego bases para Im(T ) y N u(T ). Verificar el teorema de la
dimensión.
a) T : R3 → R4 tal que T (1; 0; 0) = (2; 1; 3; 1), T (0; 1; 0) = (4; 3; 5; 1), T (0; 0; 1) = (2; 1; 1; 2)
b) T : R3 → R3 tal que T (1; 1; 2) = (2; 1; 1), T (2; 1; 0) = (1; 2; 3), T (−1; 0; 1) = (3; 0; −1)
2 2×2 6 −10 2 3
c) T : R → R tal que T (1; 1) = , T (2; 1) =
3 −5 3 1
4.7. EJERCICIOS 103
1 1 1 1 1 1
d) T : R2×2→ R2
tal que T = (2; 1), T = (1; 0), T = (2; 1),
1 1 1 0 0 0
1 0
T = (1; 1)
0 0
e) T : C2 → C2 tal que T (1 + i; i) = (2 + i; 1 + 3i), T (0; 2) = (−2; 4)
Ejercicio 4 Decidir si existen t.l. que cumplan las condiciones siguentes y en caso que existan diga si es única
o no:
Ejercicio 6 De las t.l. de los ejercicios anteriores, indicar cuales son monomorfismos, cuales epimorfis-
mos,cuales isomorfismos, cuales endomorfismos y cuales automorfismos.
Ejercicio 7 Para las siguientes t.l., hallar T1 ◦ T2 , una base del N u(T1 ◦ T2 ) que contenga una base de N u(T2 )
y una base de Im(T2 ) que contenga una base de Im(T1 ◦ T2 ).
Ejercicio 9 Hallar kT1 k, kT2 k y kT1 ◦ T2 k para los items del ejecicio 7.
Ejercicio 13 Hallar una base de Im(T ) y una de N u(T ) para la t.l. tal que:
−1 3 −2
a) T : R3 −→ R3 tal que kT kB = 1 −2 2 con B = {(1; 1; 1); (1; 0; 1); (0; 1; 0)}
1 1 3
−1 3 −2
b) T : V −→ V tal que kT kB = 1 −2 2 con B = {v1 +v2 +v3 ; v1 +v3 ; v2 }, sabiendo
1 1 3
que {v1 ; v2 ; v3 } es un conjunto l.i. y que dim(V) = 3.
4.8. PROBLEMAS 105
−1 3 −2
c) T : R2 [x] −→ R2 [x] tal que kT kB = 1 −2 2 con B = {1 + x + x2 ; 1 + x2 ; x}
1 1 3
−1 3 −2
d) 3 3
T : R −→ R tal que kT kB = 1 −2 2 con B = {(1; 1; 1); (1; 0; 1); (0; 1; 0)}
0 1 0
−1 3 −2
e) T : V −→ V tal que kT kB = 1 −2 2 con B = {v1 +v2 +v3 ; v1 +v3 ; v2 }, sabiendo
0 1 0
que {v1 ; v2 ; v3 } es un conjunto l.i. y que dim(V) = 3.
−1 3 −2
f) T : R2 [x] −→ R2 [x] tal que kT kB = 1 −2 2 con B = {1 + x + x2 ; 1 + x2 ; x}
0 1 0
2 1 1 0
g) 4 3
T : R −→ R tal que kT kBB 0 = 3 4 0 1 con
3 1 1 1
B = {(1; 1; 1; 1); (0; 1; 1; 1); (0; 0; 1; 1); (0; 0; 0; 1)} y B 0 = {(1; 1; 1); (1; 0; 1); (0; 1; 0)}
2 1 1 0
h) T : V −→ W tal que kT kBB 0 = 3 4 0 1 con
3 1 1 1
B = {v1 + v2 + v3 + v4 ; v2 + v3 + v4 ; v3 + v4 ; v4 } y
B 0 = {w1 + w2 + w3 ; w1 + w3 ; w2 } sabiendo que {v1 ; v2 ; v3 ; v4 } es una base de V y que
{w1 ; w2 ; w3 } es una base de W.
2 1 1 0
i) T : R3 [x] −→ R2 [x] tal que kT kBB 0 = 3 4 0 1 con
3 1 1 1
B = {1 + x + x2 + x3 ; x + x2 + x3 ; x2 + x3 ; x3 } y B 0 = {1 + x + x2 ; 1 + x2 ; x}
4.8. Problemas
Problema 1 Definir una t.l. T que cumpla las siguientes condiciones y decidir si la t.l. es única o no.
Problema 2 Sea S = gen{(1; 2; 1; 2)}. Definir una t.l. T : R4 −→ R4 tal que S ⊂ N u(T ) ∩ Im(T ) y
T (2; 1; 0; 0) = (2; 1; 0; 0). Decidir si dicha t.l. es única o no.
106 CAPÍTULO 4. TRANSFORMACIONES LINEALES
Problema 3 Hallar una t.l. T : R3 −→ R3 tal que N u(T ) = gen{(1; 2; 1)} y N u(T ◦ T ) = gen{(1; 2; 1);
(1; 0; 1)}. Decidir si dicha t.l. es única o no.
Problema 4 Hallar una t.l. T : R3 −→ R3 tal que T (1; −1; 3) = (3; 3; 1) y que T ◦ T = 0. Decidir si dicha t.l.
es única o no.
Problema 5 Sean S1 = {X ∈ R4 |4x1 − 3x2 + x3 − 3x4 = 0} y S2 = gen{(1; 1; 2; 1); (0; 1; 0; 1)}. Hallar una t.l.
T : R3 −→ R3 tal que T (S1 ) = S1 y que T (S2 ) = S2 . Decidir si dicha t.l. es única o no.
Problema 6 Hallar una t.l. T : R3 −→ R3 tal que N u(T ) = gen{(1; 2; 1)}, Im(T ) = gen{(1; 0; 2); (1; 2; −1)}
y que T ◦ T = T .
Problema 7 Hallar una t.l. T : R3 −→ R3 , T 6= I tal que T −1 = T . Decidir si dicha t.l. es única o no.
Problema 9 Sea T1 : R4 −→ R3 la t.l. T1 (X) = (2x1 + x2 + 2x3 − x4 ; x1 + 2x2 + x3 + 3x4 ; x1 − 4x2 + x3 − 11x4 ).
Hallar, en caso que sea posible, una t.l. T2 6= 0 tal que T1 ◦ T2 = 0 y que T2 ◦ T1 = 0. Decidir si
dicha t.l. es única o no.
Problema 12 Para el siguiente circuito y asumiendo que R1, R2 y R3 son datos, encuentre una t.l.
T : R3 −→ R3 que de los valores de I1, I2 e I3 en función de E1, E2 y E3. Explicar en términos fı́si-
cos porque esta t.l. no puede ser un epimorfismo. Hallar una ecuación que describa los elementos
de Im(T ) e interpretar fisicamente. Hallar N u(T ) e interpretar el resultado fisicamente.
R1 R2 R3
I1 I2 I3
E1 E2 E3
4.9. RESPUESTAS A LOS EJERCICIOS 107
5.1. Homotecia
La homotecia es una transformación lineal que cambia el tamaño de un objeto sin variar su forma,
formalmente:
Sea V un R-ev y ρ ∈ R. Una t.l. T : V −→ V con T (v) = ρ · v se llama homotecia.
Si ρ > 1 es una dilatación y amplifica las figuras.
Si 0 < ρ < 1 es una contracción y reduce las figuras,
Si ρ = −1 es una simetrı́a respecto al origen.
109
110 CAPÍTULO 5. TRANSFORMACIONES LINEALES ESPECIALES
Ejemplo 26. La t.l. T : R3 −→ R3 , T (x; y; z; ) = (3x; 3y; 3z) = 3(x; y; z) es una homotecia, en
particular, una dilatación.
En caso de existir una base B = {v1 ; · · · ; v2 } de V tal que T (vi ) = λi vi , λi ∈ R, decimos que T
es una homotecia heterogenea. En una homotecia heterogenea, hay direcciones especı́ficas dadas
por los vectores de la base B, donde la t.l. puede interpretarse como una contracción, una dilatación
o una simetrı́a respecto al origen. Si T es una homotecia heterogenea, entonces kT kB es diagonal.
5.2. Trasquilado
La idea del trasquilado, es que sea una t.l. que represente la deformación que sufre un cuerpo
flexible frente a un esfuerzo cortante. La figura siguiente muestra dos ejemplos.
En el caso del trasquilado en R2 de la figura, los puntos sobre el eje x no se mueven, mientras que los
otros sufren un desplazamiento horizontal proporcional a la distancia al eje x. Matematicamente serı́a
una t.l. con la siguiente forma:
x x + y 1 x
T = = ·
y y 0 1 y
Para el caso del trasquilado en R3 de la figura, los puntos sobre el plano xy permanecen fijos y
los otros puntos sufren un desplazamiento en la dirección del eje y proporcional a la altura, lo que
matematicamente puede representarse por:
x x 1 0 0 x
T y = y + z = 0 1 · y
z z 0 0 1 z
5.2. TRASQUILADO 111
Para el caso general, consideremos un hiperplano H ⊂ V (un R-ev) y el subespacio ortogonal con la
siguiente base:
Base de H⊥ = {v}
La idea es considerar el hiperplano H como la zona donde los puntos no se desplazan y H⊥ como la
dirección donde se mide la altura. La dirección del esfuerzo de corte podrı́a venir dado por un vector
w ∈ H. La siguiente figura describe como podemos medir la distancia de X al hiperplano H.
Ejemplo 28. Para definir un trasquilado T : R3 −→ R3 que desplace 2 unidades en la dirección del
vector w = (1 : 2; 1) por unidad de altura en la dirección v = (1; −1; 1), tenemos que:
H⊥ = gen{(1 : −1; 1)} H = {(1; 2; 1); (1; 0; −1)} (fácil de ver)
Necesitamos que kvk · kwk = 2, pero tenemos:
√ √ √
kvk = 3 kwk = 6 kvk · kwk = 3 2
2
Utilizamos entonces un w = √ (1 : 2; 1) alternativo y ahora kvk · kwk = 2, quedando el trasquilado
3 2
de la siguiente manera:
√ √ √
2+3 2 2
3 − 3 3 x
2 2√ √ √
T (x; y; z) = (x; y; z) + (x − y + z) √ (1; 2; 1) = 3 2 3−23 2 2 3 2 · y
3 2 √ √ √
2
− 2 2+3 z
3 3 3
112 CAPÍTULO 5. TRANSFORMACIONES LINEALES ESPECIALES
5.3. Proyectores
La idea de una proyección, es la que muestra la siguiente figura:
Observemos que si el punto O es el origen, tanto la pantalla sobre la que se proyecta como la dirección
de la proyección son subespacios y su suma directa da R3 . Veremos que este tipo de operación es una
t.l., en la cual la dirección de la proyección es el núcleo y la pantalla donde se proyecta es la imagen.
Una observación importante es que la proyección del punto P (v) da P (v), pues ya esta proyectado.
Matematicamente esto significa que P [P (v)] = P (v), lo cual justifica la siguiente:
2 V = N u(P ) ⊕ Im(P )
3 Si S1 y S2 son subespacios tales que V = S1 ⊕ S2 , entonces existe un único proyector P tal que
Im(P ) = S1 y que N u(P ) = S2 .
5 Todo vector v ∈ V puede descomponerse de manera única como suma de un elemento de Im(P )
y otro de N u(P ) de la siguiente forma:
v = v − P (v) + P (v)
| {z } | {z }
∈N u(P ) ∈Im(P )
8 P cc = P
5.3. PROYECTORES 113
Demostración
A cargo de ustedes.
Definición 24. Sea S un subespacio del K-e.v. con producto escalar V. Al proyector P tal que Im(P ) =
S y N u(P ) = S⊥ lo llamamos la proyección ortogonal sobre S. Lo notaremos como PS .
Observación 27.
1 Demostrar que R4 = S1 ⊕ S2 .
3 Hallar kP c k.
Resolución. Para ver que S1 y S2 están en suma directa y dán R4 , basta con ver que el conjunto de
generadores de S1 junto con el de S2 forman un conjunto l.i., ya que:
↓
114 CAPÍTULO 5. TRANSFORMACIONES LINEALES ESPECIALES
x1 1 1 1
x2 3 2 3
x3 =(x4 − x3 − x2 + 3 x1) · P
P + (3 x1 − x2) · P + (−x3 + x2 − x1) · P +
2 1 1
x4 3 0 1
1
3
+ (−x4 + 2 x3 + x2 − 4 x1) · P
2
2
0 0 1
0 0 3
=(x4 − x3 − x2 + 3 x1) ·
0 + (3 x1 − x2) · 0 + (−x3 + x2 − x1) · 1 +
0 0 1
1
3
+ (−x4 + 2 x3 + x2 − 4 x1) ·
2
2
−x4 + x3 + 2 x2 − 5 x1
−3 x4 + 3 x3 + 6 x2 − 15 x1
=
−2 x4 + 3 x3 + 3 x2 − 9 x1 (forma explı́cita de P)
−2 x4 + 3 x3 + 3 x2 − 9 x1
Resulta:
−5 2 1 −1
−15 6 3 −3
kP k =
−9
3 3 −2
−9 3 3 −2
Es fácil verificar que kP k2 = kP k
El proyector complementario P c se obtiene a partir de la matriz recién obtenida:
6 −2 −1 1
15 −5 −3 3
kP c k = I − kP k =
9 −3 −2 2
9 −3 −3 3
Proposición 24. Sea S un subespacio del K-e.v. con producto escalar V. Si w ∈ S y w 6= PS (v),
entonces:
kv − PS (v)k < kv − wk ∀v ∈ V
5.4. TRANSFORMACIONES ORTOGONALES 115
Demostración
Con lo cual:
kv − wk2 = kv − PS (v)k2 + kPS (v) − wk2 > kv − PS (v)k2 −→ kv − wk2 > kv − PS (v)k2
Observación 28.
1 El punto de S más cercano a v es PS (v).
2 Los puntos v, PS (v) y w son los vértices de un triángulo rectángulo como se muestra en la
figura.
Definición 25.
Observación 29.
9 Si las filas de kT k forman una base ortonormal, entonces kT k es una matriz ortogonal.
10 Si las columnas de kT k forman una base ortonormal, entonces kT k es una matriz ortogonal.
11 Las filas de kT k forman una base ortonormal sii las columnas de kT k forman una base ortonor-
mal.
Ustedes pueden verificar que la definición y estas observaciones se cumplen en el ejemplo introduc-
torio del capı́tulo 4. Dada la importancia de este tipo de t.l., ampliaremos el tema con la finalidad de
generalizar las transformaciones ortogonales en cualquier R-e.v.
Demostración
Por ser B una base ortonormal, se cumple que < vi ; vj >= δij . Dado que B 0 también es una base
ortonormal y debido al teórico 2 del capı́tulo 3, concluimos que < viB 0 ; vj B 0 >= δij . Pero por como se
construye, viB 0 y vj B 0 son las columnas i y j de CBB 0 con lo cual las columnas de CBB 0 son una base
ortonormal. Por la observación 29-10, CBB 0 resulta una matriz ortogonal.
5.4. TRANSFORMACIONES ORTOGONALES 117
n √ √ √ √ o n √ √ o
Ejemplo 30. Es fácil verificar que B = ( 22 ; 22 ); ( 22 ; − 22 ) y B 0 = ( 23 ; 12 ); (− 21 ; 23 ) son bases
√
√ √
2 √ 3+1 √ 3−1 t
ortonormales. Ustedes pueden verificar que CBB 0 = 4 y que CBB 0 · CBB 0 = I.
3−1 − 3−1
Demostración
kT kB = CEB · kT k · CBE
con lo cual
Definición 26. Sea T un endomorfismo en V, un R-e.v. con producto interno y B una base ortonormal
de V. Decimos que T es una transformación ortogonal si kT kB es una matriz ortogonal.
Demostración
kT kB 0 = CBB 0 · kT kB · CB 0 B −→ kT ktB 0 = CB
t t t
0 B · kT kB · CBB 0
kT kB 0 · kT ktB 0 = CBB 0 · kT kB · CB 0 B · CB
t t t
0 B · kT kB · CBB 0
y por lo tanto:
Demostración
Proposición 29. Sea V un R-ev de dimensión finita con producto interno. Si T es un endomorfismo
en V, entonces existe una única t.l. T2 tal que
< T (v); w >=< v; T2 (w) > ∀v; w ∈ V
Demostración
Veamos la unicidad
Sea T3 otra t.l. tal que < T (v); w >=< v; T3 (w) > ∀v; w ∈ V
Sigue entonces lo siguiente:
0 =< v; T2 (w) > − < v; T3 (w) >=< v; T2 (w) − T3 (w) >=< v; (T2 − T3 )(w) >
Esto se cumple ∀v; w ∈ V, en particular si v = (T2 − T3 )(w) tenemos:
0 =< (T2 − T3 )(w); (T2 − T3 )(w) >= k(T2 − T3 )(w)k2 −→ (T2 − T3 )(w) = 0 ∀w
y necesariamente T2 = T3 .
Definición 27. Sea T un endomorfismo en V, un R-ev con producto interno. Llamamos transfor-
mación traspuesta T t a la única t.l. tal que < T (v); w >=< v; T t (w) >
Observación 31. Si B es una base ortonormal de V, entonces kT t kB = kT ktB
Demostración
A cargo de ustedes.
5.4. TRANSFORMACIONES ORTOGONALES 119
Definición 28. Sea V un espacio prehilbertiano con dim(V) = n. Si S es un subespacio con dim(S) =
n − 1 lo llamamos hiperplano.
En la siguiente figura se muestra la idea de una t.l. que represente una simetrı́a respecto de un
hiperplano.
Desarrollo de la formalización
Todo vector v ∈ V puede descomponerse de manera única como suma de un elemento de S más
uno de S⊥ :
v = v1 + v2 v1 ∈ S, v2 ∈ S⊥
S(v) = v1 −v2 = 2v1 −(v1 + v2 ) = 2PS (v)−v (Definición de simetrı́a respecto a un subespacio S)
| {z }
v
Donde PS (v) es la proyección ortogonal sobre S. Es trivialmente una t.l. Demostremos que es una t.l.
ortogonal:
Veamos ahora que si S es una simetrı́a, entonces detkSkB = −1 para cualquier base B. Conside-
remos una base ortonormal B 0 que contenga una base de S y una de S⊥ :
B 0 = {v1 ; · · · ; vn−1 ; vn }
| {z } |{z}
base de S ∈S⊥
Proposición 31. Si T es una t.l. ortogonal en V y detkT kB = −1, entonces existen (no únicas) una
simetrı́a S y una t.l. ortogonal R con detkRkB = 1 tales que T = S ◦ R.
Demostración
Consideremos una base ortonormal B = {v1 ; · · · ; vn }. Si Fi son las filas de kT kB , entonces:
0 1 0 0 0 0
F1 1 0 0 0 0 F2
F2 0
F1
0 0 1 0 0 0
kT kB = F3 =
F3
· = kS ◦ RkB
.. 0 0 0 . . . 0
...
0
.
0 0 0 0 1 0
Fn F
0 0 0 0 0 1 | {zn }
| {z } kRkB
kSkB
Si R es una t.l. ortogonal y detkRkB = 1, diremos que R es una rotación propia (Rotación pura)
Si T es una t.l. ortogonal y detkRkB = −1, diremos que R es una rotación impropia (Rotación pura
compuesta con una simetrı́a)
122 CAPÍTULO 5. TRANSFORMACIONES LINEALES ESPECIALES
5.5. Cuestionario
1 Las homotecias, ¿son isomorfismos? Si su respuesta es afirmativa, ¿que tipo de t.l. es su inversa?
2 Los trasquilados, ¿son isomorfismos? Si su respuesta es afirmativa, ¿que tipo de t.l. es su inversa?
3 La transformación identidad, ¿es un proyector? En caso que lo sea, ¿quien es el proyector com-
plementario?
0 0 0 0
7 ¿Será posible obtener un proyector T : R3 −→ R3 con Im(T ) = gen{(1; 2; 3); (4; 1; 8)} y N u(T ) =
{(4; 1; 7); (3; 2; 0)}? Justificar adecuadamente.
8 ¿Es cierto que si T : V −→ V es una t.l. ortogonal, entonces las filas de kT kB forman una base
ortonormal de V? Explique.
9 ¿Es cierto que si T : V −→ V es ortogonal, entonces las columnas de kT kB forman una base
ortonormal de V? Explique.
10 ¿Es cierto que si T : V −→ V es una t.l. ortogonal, transforma bases ortogonales en bases
ortogonales?
11 ¿Es cierto que si T : V −→ V es una t.l. ortogonal, transforma bases ortonormales en bases
ortonormales?
12 ¿Es cierto que si las filas de A ∈ Rn×n forman una base ortonormal de Rn , entonces A es una
matriz ortogonal? Explique.
13 ¿Es cierto que si las columnas de A ∈ Rn×n forman una base ortonormal de Rn , entonces A es
una matriz ortogonal? Explique.
14 ¿Es cierto que las filas de A ∈ Rn×n forman una base ortonormal sii las columnas de A forman
una base ortonormal? Explique.
15 ¿Es cierto que toda t.l. ortogonal representa una rotación? Explique.
16 ¿Es cierto que si T es una t.l. ortogonal y det(kT kB ) = −1, entonces T representa una simetrı́a?
5.6. Teóricos
teórico 1 Demuestre que la composición de homotecias es una homotecia.
teórico 2 Sea T una homotecia. Demuestre que T −1 es una homotecia. Demuestre que si T es una dilata-
ción, entonces T −1 es una contracción.
teórico 3 Sea < v; w >= 0. Demostrar que la inversa del trasquilado T (X) = X+hv, Xi·w es el trasquilado
T −1 (X) = X − hv, Xi · w.
teórico 4 Sea V, un espacio prehilbertiano y H un hiperplano del mismo, y sean w1 , w2 ∈ H, v ∈ H⊥ .
Demuestre que la composición de los trasquilados T1 (X) = X + hv, Xi · w1 y
T2 (X) = X + hv, Xi · w2 es un nuevo trasquilado. ¿Que tienen en común T1 y T2 ?
teórico 5 Sea H un subespacio tal que H⊥ = gen{v} y el trasquilado T (X) = X + hv, Xi · w. Sea también
X1 tal que kPH ⊥ (X1 )k = 1. Demuestre que T (X1 ) − X1 es paralelo a w. Demuestre que
kT (X1 ) − X1 k = kvk · kwk. Interprete geometricamente.
teórico 6 Demostrar la proposición 23.
teórico 7 De un contraejemplo en R2 que muestre que la composición de proyectores no es un proyector.
teórico 8 Demostrar que si T1 y T2 son t.l. tales que T1 ◦ T2 ◦ T1 = T1 , entonces T1 ◦ T2 y T2 ◦ T1 son
proyectores.
teórico 9 Demostrar que si P 6= I es un proyector del K-e.v. V y B es una base de V, entonces
det(kP kB ) = 0.
teórico 10 Sea S un subespacio del K-e.v. V con producto escalar y PS la proyección ortogonal sobre S.
Demostrar que si v, w ∈ V, entonces hPS (v); wi = hv; PS (w)i
teórico 11 Demostrar que si P es un proyector del K-e.v. V y B es una base de V, entonces kP k2B = kP kB
teórico 12 Demostrar la proposición 30
teórico 13 Demuestre que si A ∈ Rn×n y A2 = A, entonces (I − A)2 = (I − A)
teórico 14 Sea P : V −→ V un proyector, dim[Im(P )] = k. Demuestre que existe una base B de V tal que
I O
kP kB = con I ∈ Rk×k
O O
teórico 15 Demuestre que si B = {v1 ; · · · ; vn } es una base ortonormal de V y S es una t.l. tal que
0 1 0 0 0 0
1 0 0 0 0 0
0 0 1 0 0 0
kSkB =
..
0 0
0 . 0 0
0 0 0 0 1 0
0 0 0 0 0 1
entonces S es la simetrı́a respecto al hiperplano S = gen{v1 + v2 ; v3 ; · · · ; vn } y
S⊥ = gen{v1 − v2 }.
teórico 16 Demuestre que la composición de dos simetrı́as, una respecto al hiperplano H1 y otra respecto
al hiperplano H2 , es una rotación propia.
124 CAPÍTULO 5. TRANSFORMACIONES LINEALES ESPECIALES
5.7. Ejercicios
Ejercicio 1 Defina una t.l. T : R3 −→ R3 tal que transforme el cubo de vértices
A = (0; 0; 0), B = (1; 0; 0), C = (0; 1; 0), D = (0; 0; 1)
E = (1; 1; 0), F = (1; 0; 1), G = (0; 1; 1), H = (1; 1; 1)
en el paralelepı́pedo de vértices
A0 = (0; 0; 0), B 0 = (2; 0; 0), C 0 = (0; 3; 0), D0 = (0; 0; 4)
E 0 = (2; 3; 0), F 0 = (2; 0; 4), G0 = (0; 3; 4), H 0 = (2; 3; 4)
Encuentre kT k. Grafique el cubo y el paralelepı́pedo.
Nota: Una t.l. como la definida, se llama homotecia heterogénea.
3 0
Ejercicio 2 Sea B = {(2; 3); (4; −2)} una base de R2 y la t.l. T tal que kT kB = . Interpretar
0 2
geometricamente que hace T . Hallar la fórmula de T (X).
Nota: Este es otro tipo de homotecia heterogénea.
Ejercicio 3 Hallar la fórmula de un trasquilado T : R3 −→ R3 que deje los puntos del plano XZ fijos y que
por cada unidad que se incremente la coordenada Y desplace 3 unidades en la dirección de Z.
Ejercicio 5 Sean los subespacios de R5 S1 = {(1; 2; 1; 0; −1); (2; 1; 1; −2; 1); (0; 2; 1; 3; −2)} y
S2 = {(1; 3; 2; 4; 0); (2; 2; 1; 1; 1)}
a) Compruebe que R5 = S1 ⊕ S2 .
b) Hallar un proyector P1 tal que Im(P1 ) = S1 y N u(P1 ) = S2 .
c) Hallar un proyector P2 tal que Im(P2 ) = S2 y N u(P2 ) = S1 .
d ) Comprobar que kP1 k2 = kP1 k, que kP2 k2 = kP2 k y que kP1 k + kP2 k = I
e) Hallar las proyecciones ortogonales PS1 y PS ⊥
1
x1 + x2 x1 + x2
Ejercicio 6 Demostrar que P (x1 ; x2 ) = ; es un proyector e interpretar geometricamente.
2 2
¿Es una proyección ortogonal?
Ejercicio 7 a) Definir dos proyectores distintos P : R3 −→ R3 tales que N u(P ) = gen{3; 3; −2)} y verificar
que kP k2 = kP k.
b) Definir dos proyectores distintos P : R3 −→ R3 tales que Im(P ) = gen{3; 3; −2)} y verificar
que kP k2 = kP k.
Ejercicio 8 Hallar la fórmula de una t.l. S : R2 −→ R2 que represente una simetrı́a respecto a la recta y = 3x
y verificar que detkSk = −1.
Ejercicio 9 a) Hallar la fórmula de una t.l. S1 : R3 −→ R3 que represente una simetrı́a respecto al plano
π : x − 2y + z = 0 y verificar que detkS1 k = −1.
b) Hallar la fórmula de una t.l. S2 : R3 −→ R3 que represente una simetrı́a respecto a la recta
L : (x; y; z) = t(1; −2; 1) y verificar que detkS2 k = −1.
5.8. PROBLEMAS 125
Ejercicio 10 Hallar, en caso que sea posible una rotación R : R2 −→ R2 tal que:
a) R(1; 3) = (2; 1)
b) R(2; 1) = (1; 2)
c) ¿Cuantas hay en cada caso?
5.8. Problemas
Problema 1 Sea P : R2 −→ R2 el proyector tal que Im(P ) = gen{(−1; 2)} y N u(P ) = gen{(1; 1)} y sea
T (X) = 2 · P (X) − X. Interpretar geometricamente el significado de T .
Problema 2 a) Sea P1 : R3 −→ R3 el proyector tal que Im(P1 ) = gen{(−1; 2; 1); (0; 1; 1)} y
N u(P1 ) = gen{(1; 1; 1)} y sea T1 (X) = 2 · P1 (X) − X. Interpretar geometricamente el
significado de T1 .
b) Sea P2 : R3 −→ R3 el proyector tal que Im(P2 ) = gen{(1; 1; 1)} y
N u(P2 ) = gen{(−1; 2; 1); (0; 1; 1)} y sea T2 (X) = 2·P2 (X)−X. Interpretar geometricamente
el significado de T2 .
c) Relacionar los resultados obtenidos para T1 y T2 .
Problema 4 Definir, en caso que sea posible, una rotación pura R : R3 −→ R3 tal que el eje de rotación sea
la recta L : (x; y; z) = t · (1; 1; 1) y que R(1; 0; −1) = (−1; 1; 0).
126 CAPÍTULO 5. TRANSFORMACIONES LINEALES ESPECIALES
Capı́tulo 6
El subespacio nulo.
Todo el e.v.
Si dim(V) = n, nos interesan los subespacios invariantes S tales que 0 < dim(S) < n. En particular,
son fáciles de caracterizar los subespacios invariantes S de dimensión 1, ya que si T (S) ⊂ S, entonces
para cada v ∈ S resulta T (v) = λ v. A λ lo llamamos un autovalor, a cada v 6= 0 un autovector y
a S = Sλ el autoespacio asociado a λ. Formalmente:
Es fácil demostrar que si a los autoespacios asociados les agregamos el 0 son subespacios, pero
¿como hacemos para obtenerlos? Hay varias aproximaciones al tema. Partamos del hecho que un
autovalor λ y un autovector v deben cumplir:
T (v) = λ v con v 6= 0
Si somos capaces de resolver esta ecuación se acabó el problema. Considerando que buscamos soluciones
no triviales, deberemos determinar primero aquellos valores de λ (autovalores) para los cuales el sistema
tenga ∞ soluciones y luego pasar a buscar los autovectores correspondientes. Esta es la situación más
general, veamos algunos ejemplos:
127
128 CAPÍTULO 6. FORMAS CANÓNICAS DE LAS TRANSFORMACIONES LINEALES
Resolución.
p(x) = a x2 + b x + c
2 a x + b = λ a x2 + λ b x + λ c y de esta forma λa = 0 λb = 2a λc = b
2 Es el mismo problema que antes pero ahora el e.v. contiene todas las funciones con derivada
continua. La ecuación a resolver es f 0 (x) = λ f (x) la cual es una ecuación diferencial que puede
resolverse por el método de separación de variables.
Z Z
0 df df
f (x) = λ f (x) −→ = λ f (x) −→ df = λ f (x) dx −→ = λ dx
dx f
−→ ln(f ) = x + k −→ f (x) = C eλ x
Cualquier valor real de λ sirve de autovalor, con lo cual hay infinitos autoespacios, uno por cada
λ.
n o
λ∈R S λ = eλ x
O sea que los únicos autovalores posibles son 1 y -1. Si λ = 1, la ecuación queda como f (x) =
f (−x) con lo cual el autoespacio es el de las funciones pares. Si λ = −1, la ecuación queda como
f (x) = −f (−x) con lo cual el autoespacio es el de las funciones impares.
Si queremos soluciones, esta última condición, obliga a que el sistema sea compatible indeterminado,
por lo tanto:
det(kT k − λ I) = 0
| {z }
P (λ)
y por lo tanto:
det(kT kB − λI) = 0
| {z }
P (λ)
También lo llamaremos polinomio caracterı́stico y sus raices son los autovalores de T . Luego, solo
hay que resolver un sistema de ecuaciones lineales y homogeneo con ∞ soluciones que nos darán las
coordenadas de los autovectores correspondientes. Veamos un ejemplo:
130 CAPÍTULO 6. FORMAS CANÓNICAS DE LAS TRANSFORMACIONES LINEALES
Ejemplo 33. Hallar los autovalores y autovectores de la t.l. T : R2×2 −→ R2×2 tal que
2 1 18 3 2 0 5 5
T = T =
1 2 8 10 1 0 7 −2
0 1 −10 −3 1 1 −5 −9
T = T =
1 0 −6 −4 1 0 −11 4
2 1 2 0 0 1 1 1
Resolución. Si consideramos la base B = ; ; ; , la matriz de T en
1 2 1 0 1 0 1 0
la base B queda:
5 −1 −2 2
5 2 −3 −2
kT kB =
0 3 −1 −6
−2 3 0 −5
con lo cual el polinomio caracterı́stico será:
5 − λ −1 −2 2
5 2−λ −3 −2
P (λ) = det(kT kB − λI) = = λ4 − λ3 − 3 λ2 + λ + 2
0 3 −1 − λ −6
−2 3 0 −5 − λ
7 5
con lo cual el autoespacio correspondiente es: S−1 =
7 2
λ = 1 El sistema a resolver es:
4 −1 −2 2 a 0
0
5 1 −3 −2 · = , cuya solución es gen 2
b 0
0 3 −2 −6 c 0
0
−2 3 0 −6 d 0 1
5 1
con lo cual el autoespacio correspondiente es: S1 =
3 0
λ = 2 El sistema a resolver es:
3 −1 −2 2 a 0
1
5 0 −3 −2 · = , cuya solución es gen 3
b 0
0 3 −3 −6 c 0
1
−2 3 0 −7 d 0 1
9 3
con lo cual el autoespacio correspondiente es: S2 =
6 2
6.1. AUTOVALORES Y AUTOVECTORES 131
Observación 32.
1 No siempre es posible encontrar una base del e.v. V formada exclusivamente por autovectores.
2 La multiplicidad del autovalor como raiz del polinomio caracterı́stico no tiene porque coincidir
con la dimensión del autoespacio correspondiente.
3 En caso que sea posible encontrar una base B del e.v. V formada exclusivamente por autovectores,
entonces kT kB es una matriz diagonal, y dicha diagonal estará formada por los autovalores. En
este caso, diremos que se logró una diagonalización de T .
Definición 30. Sea A ∈ Cn×n y sea T (v) = A · v la t.l. tal que kT k = A. Llamamos autovalores y
autovectores de A a los autovalores y autovectores de T . Decimos que la matriz A es diagonalizable
si T es diagonalizable. Una diagonalización de A consta en escribir A = CBE · kT kB · CEB , donde B
es una base de autovectores de A. Necesariamente, kT kB será una matriz diagonal con los autovalores
en la diagonal.
Observación 33.
1 En caso que A sea diagonalizable, la diagonalización no es única ya que bastarı́a con reordenar
los vectores de B para obtener otra.
−1
2 CBE se construye con la base de autovectores como columnas y CEB = CBE
3 Una forma equivalente de definir diagonalización de una matriz, consta en decir que una matriz
A ∈ Cn×n es diagonalizable si existen matrices D diagonal y C inversible tales que A = C·D·C −1 .
−69 19 129
Ejemplo 34. Diagonalizar, en caso que sea posible la matriz A = 54 −10 −93
−46 12 85
Como hay una base de R3 formada por autovectores, la matriz es diagonalizable. La base B resulta:
3 1 2
B = −3 ; −3 ; 1
2 1 1
3 1 2 4 −1 −7
−1
de esta forma CBE = −3 −3 1 y CEB = CBE = −5 1 9
2 1 1 −3 1 6
La diagonalización queda:
−69 19 129 3 1 2 −2 0 0 4 −1 −7
54 −10 −93 = −3 −3 1 · 0 3 0 · −5 1 9
−46 12 85 2 1 1 0 0 5 −3 1 6
| {z } | {z } | {z } | {z }
A C=CBE D=kT kB C −1 =CEB
6.1.1. wxmaxima
wxmaxima dispone de herramientas especı́ficas para el cálculo de autovalores y autovectores. En
el menú Álgebra se encuentran las siguientes:
Polinomio caracterı́stico charpoly(A, t), expand , que devuelve el polinomio caracterı́stico de A
con la variable t. Para el último ejemplo, habrı́a devuelto:
−t3 + 6 t2 + t − 30
Valores propios eigenvalues(A) , que devuelve las raices del polinomio caracterı́stico (autova-
lores) y sus multiplicidades. Para el último ejemplo, habrı́a devuelto:
[ [−2, 5, 3] , [1, 1, 1] ]
| {z } | {z }
autovalores multiplicidades
6.1. AUTOVALORES Y AUTOVECTORES 133
Vectores propios eigenvectors(A) , que devuelve dos listas:
• La primer lista contiene dos listas, una con los autovalores y otra con sus multiplicidades
en el polinomio caracterı́stico. Como si fuera la función “Valores propios”.
• La segunda lista, contiene listas de los generadores de los autoespacios correspondientes.
Hay que estar atento con los niveles de corchetes. Para el último ejemplo, habrı́a devuelto:
2o lista
1o lista z }| {
z }| { 2 1 1
[[ [−2, 5, 3] , [1, 1, 1] ], [[[1, −1, ]], [[1, , ]], [[1, −3, 1]]]]
| {z }
autovalores
| {z }
multiplicidades
| {z 3} | {z 2 2} | {z }
S 5
S−2 S3
| {z }
Generadores de los autoespacios
Demostración
= det(kT kB 0 − λI)
134 CAPÍTULO 6. FORMAS CANÓNICAS DE LAS TRANSFORMACIONES LINEALES
Proposición 33. Si A ∈ Cn×n , el producto de todos los autovalores, ya sean reales o complejos da
det(A).
Demostración
n
Y
P (λ) = |A − λI| = (−1)n (λ − λi ) −→ P (0) = |A|
i=1
por otro lado:
n
Y n
Y n
Y
n n n
P (0) = (−1) (−λi ) = (−1) (−1) λi = λi
i=1 i=1 i=1
n
Y
con lo cual |A| = λi
i=1
Demostración
v1 + · · · + vk = 0
λ1 v1 + · · · + λk vk = 0
λ21 v1 + · · · + λ2k vk = 0
······
λ1k−1 v1 + · · · + λkk−1 vk = 0
La matriz asociada a ese sistema de ecuaciones lineal es:
···
1 1 1
λ1
2 λ2 · · · λk
2 2
λ1
λ2 · · · λ k
··· ···
··· ···
k−1 k−1 k−1
λ1 λ2 · · · λk
6.1. AUTOVALORES Y AUTOVECTORES 135
Como es una matriz de Vandermonde (ver apéndice A) y por ser los autovalores distintos entre sı́, su
determinante es distinto de cero, con lo cual el sistema tiene solución única y necesariamente deberá
ser v1 = · · · = vk = 0
Corolario (1). Si v1 ; · · · ; vk son autovectores no nulos de T con autovalores distintos, entonces
{v1 ; · · · ; vk } es un conjunto l.i.
Demostración
λ1 v1 + · · · + λk vk = 0 −→ λ i vi = 0 −→ λi = 0
Corolario (2). Si λ1 ; · · · λk son autovalores distintos de T y B1 ; · · · ; Bk son bases de los autoespacios
Si correspondientes, entonces B1 ∪ · · · ∪ Bk es una base de S1 ⊕ · · · ⊕ Sk .
Corolario (3). Si V = S1 ⊕ · · · ⊕ Sk , entonces T es diagonalizable.
dim(Si ) ≤ mi
Demostración
Sean v1 ; · · · ; vk una base de Si y vk+1 ; · · · ; vn una extensión a una base B de V. En esas condiciones,
la matriz de T en la base B toma la siguiente forma:
λi I B
kT kB = , con Ai cuadrada.
0 Ai
Por otro lado, P (λ) = (λ − λi )mi u(λ), con u(λi ) 6= 0, por ser mi la multiplicidad. Si k > mi , entonces
la primer expresión de P (λ) nos dirı́a que la multiplicidad de λi serı́a mayor a mi lo cual es un absurdo,
con lo cual:
dim(Si ) ≤ mi
| {z }
k
Demostración
⇐ Trivial
⇒
Tenemos que dim(Aλi ) ≤ mi , pero como m1 + · · · + mk = n
y dim(Aλ1 )) + · · · + dim(Aλk ) = n, necesariamente se cumple lo propuesto.
136 CAPÍTULO 6. FORMAS CANÓNICAS DE LAS TRANSFORMACIONES LINEALES
Demostración
v1
..
.
1 ← i normalizado
Si λ es un autovalor, entonces existe v 6= 0 tal que (A − λI) · v = 0. Sea v =
..
.
vn
de manera que su componente de módulo máximo sea 1 (máx{|vk |} = 1) y asumamos que es en la
componente vi .
Xn
Necesitamos demostrar que |λ − aii | ≤ |aij |
j=1; j6=i
La componente i de (A − λI) · v = 0 queda:
↓
n
X
λ − aii = ai1 v1 + · · · + ain vn = aij vj
j=1; j6=i
↓
n n n n
X X X X
|λ − aii | =
aij vj ≤
|aij vj | = |aij | |vj | ≤ |aij | Q.e.d.
j=1; j6=i j=1; j6=i j=1; j6=i j=1; j6=i
Observación 34. Dado que |λ I − A| = |λ I − At |, resulta que los autovalores también tienen que estar
en algun disco de At .
1 0 −2
Ejemplo 35. Graficar los autovalores y los discos de Gershgarin de A = −1 2 −2
1 0 −1
Resolución. Utilizando el comando eigenvalues(A) de Wxmaxima obtenemos que los autovalores de
A son i; −i y 2. Por otro lado tenemos:
cuyo gráfico se ve en la siguiente figura y donde se observa que cada autovalor está incluido en al
menos un disco.
6.1. AUTOVALORES Y AUTOVECTORES 137
Demostración
A · v = λv −→ v∗ · A · v = λ v∗ · v −→ v∗ · A · v = λ kvk2
| {z }
(1)
v∗ · A · v = λ kvk2
| {z }
(2)
0 = (λ − λ) kvk2
Corolario. Si A ∈ Rn×n es simétrica, todos sus autovalores son reales y para cada autovalor es posible
obtener una base del autoespacio correspondiente con vectores en Rn .
Demostración
138 CAPÍTULO 6. FORMAS CANÓNICAS DE LAS TRANSFORMACIONES LINEALES
Demostración
Ver apéndice D
Corolario (1). Si A ∈ Rn×n es simétrica, entonces es diagonalizable.
Corolario (2). Si A ∈ Cn×n es hermı́tica o si A ∈ Rn×n es simétrica y Aλi es el autoespacio asociado
a λi , entonces dim(Aλi ) es la multiplicidad algebráica de λi .
Observación 35. Si A ∈ Cn×n es hermı́tica o si A ∈ Rn×n es simétrica, entonces existe una base B
ortonormal de autovectores de A. Basta con tomar bases ortonormal de cada autoespacio.
Definición 31. Decimos que A ∈ Cn×n es ortogonalmente diagonalizable si existe una matriz unitaria
C y una matriz diagonal D tales que A = C · D · C −1 . En el caso A ∈ Cn×n , C debe ser ortogonal.
Demostración
⇐
Si B es la base ortonormal descripta en la última observación, basta con tomar C = CBE ya que
transforma una base ortonormal en otra ortonormal.
⇒
Si tenemos en cuenta que C −1 = C t por ser ortogonal,
A = C · D · C −1 −→ At = C −1 t · Dt · C t = C · D · C −1 = A −→ A es simétrica
Observación 36. Si A ∈ Cn×n es hermı́tica, entonces es ortogonalmente diagonalizable.
6.1. AUTOVALORES Y AUTOVECTORES 139
Trasquilados
Sea T : Rn −→ Rn , dim(V) = n un trasquilado. Sabemos que existe un hiperplano H donde los
vectores se transforman en si mismo, esto es T (v) = v, lo cual nos dice que H es un autoespacio con
autovalor 1. En este momento podemos afirmar que el polinomio caracterı́stico de T tiene la forma
P (λ) = (λ − 1)n−1 (λ − α), y necesariamente α ∈ R. También sabemos que la dirección del esfuerzo de
corte viene dado por un vector no nulo w ∈ H. Si hubiera algún autovector con autovalor α 6= 1 fuera
de H, serı́a v = v1 + v2 con v1 ∈ H y v2 ∈ H⊥ , este último no nulo. Analicemos esa posibilidad. Por
un lado:
T (v1 + v2 ) = α(v1 + v2 )
Por otro lado:
de donde
α(v1 + v2 ) = v1 + v2 + w −→ (α − 1) v1 − w = (1 − α) v2
| {z } | {z }
∈H ∈H⊥
lo cual es un absurdo. No puede haber un autovalor distinto de 1 y necesariamente el polinomio
caracterı́stico de T es P (λ) = (λ − 1)n . Pero al ser T distinto de la transformación identidad por ser
un trasquilado, resulta no diagonalizable.
Por otro lado, si v ∈ H⊥ , entonces
T (v) = v + w −→ T (v) − v = w ∈ H
Concluimos que:
T es un trasquilado en Rn si y solo si el polinomio caracterı́stico es P (λ) = (λ − 1)n ,
dim(A1 ) = n − 1 (por lo tanto no es diagonalizable) y T (v) − v ∈ H.
Proyectores
Sea P : V −→ V, dim(V) = n un proyector. Sabemos que V = N u(P )⊕Im(P ). Si v ∈ N u(P ), entonces
P (v) = 0 −→ A0 = N u(P ), y si v ∈ Im(P ), entonces P (v) = v −→ A1 = Im(P ). Concluimos que:
P es un proyector ⇔ P es diagonalizable y los únicos autovalores son 0 y 1.
Transformaciones ortogonales
Sea T : V −→ V una t.l. ortogonal. Queremos averiguar que tipo de autovalores son posibles. Para esto,
recordemos que una transformación ortogonal preserva las longitudes, o sea que kT (v)k = kvk, y si v es
un autovector, entonces T (v) = λ v ⇒ kT (v)k = |λ| kvk. Llegamos a que kvk = |λ| kvk ⇒ |λ| = 1.
Concluimos que:
Si T : V −→ V es una t.l. ortogonal, todos los autovalores de T , sean reales o complejos
tienen módulo 1.
140 CAPÍTULO 6. FORMAS CANÓNICAS DE LAS TRANSFORMACIONES LINEALES
Rotaciones propias
Sea T : Rn −→ Rn , dim(V) = n una rotación propia distinta de la identidad. Por ser una transforma-
ción ortogonal, los únicos autovalores reales posibles son 1 y -1. Si tiene a 1 por autovalor, entonces hay
un subespacio A1 donde la transformación no produce ningún efecto sobre los vectores. Al subespacio
A1 lo llamamos eje de la rotación.
En R2
Está claro que las rotaciones propias de R2 , no contienen el eje de rotación en R2 , veamos esto anali-
ticamente. Una rotación propia T de R2 , tiene una matriz con la forma:
cos(α) sen(α)
kT k =
−sen(α) cos(α)
α = 0, con λ = 1(doble) y en ese caso se trata de la rotación identidad, por lo cual no hay eje.
α = π, con λ = −1(doble) y tampoco hay eje. En este caso se trata de una rotación de 180o .
En todos los demás casos, debe haber un par de raices complejas conjugadas (no reales) de módulo 1
con la forma λ = cos(α) ± i sen(α).
En R3
Recordemos que el producto de las raices del polinomio caracterı́stico tiene que dar el determinante de
la matriz de la transformación, que al tratarse de una rotación propia es 1. El polinomio caracterı́stico
de la transformación es de tercer grado y en R[x], con lo cual se dan dos posibilidades:
1 Tiene una raiz real y las otras dos son complejas conjugadas.
λλ = |λ|2 = 1
y necesariamente tenemos que la raiz real es 1 con lo cual hay un eje de dimensión 1.
En el segundo caso, las posibilidades son λ1 = λ2 = λ3 = 1 que nos conduce a la transformación
identidad y λ1 = 1; λ2 = λ3 = −1 y en este caso también hay un eje de dimensión 1. Se tratarı́a de
una rotación de 180o alrededor del eje.
En general, una rotación propia en R3 distinta de la identidad, siempre tiene un eje de dimensión 1.
Podemos componer varias rotaciones propias que dará otra rotación propia y siempre tenemos un eje
de dimensión 1 donde los vectores permanecen fijos.
En Rn ; n > 3
En esta situación, hay que replantear el sentido común de las rotaciones, el esfuerzo de imaginación
es complicado. No detallaremos estos casos, solo diremos que si n es impar, al menos un autovalor
deberá dar 1 y tenemos un eje. Si n es par, no hay garantı́a acerca de la existencia de un autovalor
igual a 1 por lo cual podrı́a no haber eje.
6.2. FORMA NORMAL O CANÓNICA DE JORDAN 141
6.2.2. Desarrollo
El desarrollo teórico requiere de un esfuerzo importante ya que hay que definir algunas cosas y
demostrar varias proposiciones, algunas no triviales. De ahora en más salvo que se indique lo contrario,
nuestros endomorfismos serán sobre V, un C-e.v. de dimensión finita. Comenzaremos con lo siguiente:
Observación 37. Aλ ⊂ Gλ
2 T − λI es nilpotente en Gλ .
3 Gλ es invariante por T .
Demostración
Demostración
con lo cual αr−1 = 0. Repitiendo este proceso se logra demostrar que α1 = · · · = αr−2 = 0.
Q.e.d.
La segunda parte queda a cargo de ustedes.
2 (T − µ I)k v = 0 ⇒ v = 0
Demostración
···
0 = (T − µI)v −→ v=0
6.2. FORMA NORMAL O CANÓNICA DE JORDAN 143
Demostración
Por 4 de la proposición 35, sabemos que (T − λk I)r vi ∈ Gλi , y por hipótesis inductiva resulta (T −
λk I)r vi = 0. Utilizando la proposición 37-2 tenemos que vi = 0 ∀i = 1; · · · ; k − 1 y necesariamente
vk = 0.
Esta última proposición es clave para comprender a que apuntamos. La idea es demostrar que los Gλi
no solo están en suma directa, sino que si λ1 ; λ2 ; · · · ; λk son todos los autovalores de T , entonces:
V = G λ1 ⊕ G λ2 ⊕ · · · ⊕ G λk
con lo cual habremos logrado una descomposición de V en k subespacios invariantes por T , y eligiendo
convenientemente las bases de los Gλi , lograremos nuestro objetivo que es expresar a T de manera
sencilla. En ese camino va la siguiente:
Demostración
Ver apéndice E
Corolario. (Trivial) Si Gλ es un autoespacio generalizado del endomorfismo T , entonces existe una
base Bλ = {v1 ; · · · ; vj } de Gλ tal que:
Proposición 40. Sea P (t) el polinomio caracterı́stico del endomorfismo T . Si λ es una raiz de P (t)
y j es su multiplicidad, entonces:
Dim(Gλ ) = j
144 CAPÍTULO 6. FORMAS CANÓNICAS DE LAS TRANSFORMACIONES LINEALES
Demostración
Ver apéndice E
V = G λ1 ⊕ G λ2 ⊕ · · · ⊕ G λk
Demostración
Demostración
Ver apéndice E
Corolario. 1.(Trivial) Si todas las raices del polinomio caracterı́stico de T son reales, el mismo
teorema puede afirmarse para un R e.v.
Demostración
Como el único autovalor posible de un endomorfismo nilpotente es 0, los bloques de Jordan toman esa
forma.
Corolario. 3. Todo endomorfismo para el cual exista una base de Jordan puede descomponerse en la
suma de un endomorfismo nilpotente más otro diagonal.
Demostración
λ1 = 2
( %i6) v3:matrix([0],[0],[0],[1],[0],[1]);
( %i7) v2:(a-2*ident(6)).v3;
( %i8) v1:((a-2*ident(6))∧ ∧ 2).v3;
con lo que obtenemos v2 = (0; 0; −1; 0; 1; 1) y v1 = (−1; 0; 0; 0; −1; −1)
{v1 ; v2 ; v3 } forman la base de Jordan del primer bloque.
Como ya utilizamos todos los vectores de T3 , debemos pasar a T2 . Para eso extendemos v2 a una base
de algún T2 tal que S2 = S1 ⊕ T2 , por ejemplo:
λ2 = 1
Como la multiplicidad de esta raiz es 1, sabemos que buscamos una base del autoespacio Aλ2 . Para
ello precisamos una base del nucleo de (A − 1 I):
( %i11) nullspace(a-ident(6));
De esta manera obtenemos v6 = (−1; 0; 0; 0; 0; 0), y la base de Jordan buscada es:
v v v
z }|1 {z }|2 {z }|3 {
B = (−1; 0; 0; 0; −1; −1) (0; 0; −1; 0; 1; 1) (0, 0, 0, 1, 0, 1)
(−1; −1; −1; 0; −2; −1) (0; 0; 0; 0; 1; 0) (−1; 0; 0; 0; 0; 0)
| {z }| {z }| {z }
v4 v5 v6
La matriz de Jordan puede obtenerse a mano o mediante wxmaxima con J = CEB · A · CBE , donde
CBE = (v1 v2 v3 v4 v5 v6 ):
( %i12) v6:matrix([-1],[0],[0],[0],[0],[0])$
( %i13) C:v1$
( %i14) Cbe:addcol(C,v2,v3,v4,v5,v6);
( %i15) J:(Cbe∧∧-1).a.Cbe;
y obtenemos:
−1 0 0 −1 0 −1
2 1 0 0 0 0
0
2 1 0 0 0
0
0 0 −1 0 0
0 0 2 0 0 0 0 −1 0 −1 0 0
J =
0
CBE =
0 0 2 1 0 0 0 1 0 0 0
0 0 0 0 2 0 −1 1 0 −2 1 0
0 0 0 0 0 1 −1 1 1 −1 0 0
6.2. FORMA NORMAL O CANÓNICA DE JORDAN 147
que corresponde a una matriz con un primer autovalor λ1 que tiene p bloques de tamaños n1 , · · · , np ,
hasta el último autovalor λk con q bloques de tamaños m1 , · · · , mq , la matriz de Jordan del ejemplo
anterior quedarı́a codificada como:
[2, 3, 2], [1, 1]
Veamos las funciones especı́ficas:
Observemos que no obtuvimos la misma base de Jordan que en la resolución anterior, lo cual muestra
que esta base no es única.
P (A) = an An + · · · + a1 A + a0 I
Teorema 17 (Cayley-Hamilton).
Si A ∈ Cn×n y P (λ) es su polinomio caracterı́stico, entonces P (A) = 0
Demostración
k
Y
El polinomio caracterı́stico de la matriz A ∈ Cn×n es (a) P (λ) = (λ − λi )mi , donde mi es la
i=1
multiplicidad del autovalor λi , y necesariamente m1 + · · · + mk = n. Como las matrices A − λi I y
Yk
A − λj I conmutan, resulta que (b) P (A) = (A − λi I)mi , ya que el producto (b) sigue las mismas
i=1
reglas que el de (a). Consideremos un vector vj de una base de Jordan de A asociado a al autovalor
λj . Sabemos que existe un r ≤ mj tal que (A − λj I)r · vj = 0 por ser un autovector generalizado, y
como los factores de (b) conmutan, poniendo el factor (A − λj I)mj al final resulta que
Yk
P (A) · vj = (A − λi I)mi · (A − λj I)mj · vj = 0
i=1, i6=j
| {z }
0
Quiere decir que P (A) · v = 0 para cualquier v de la base de Jordan, esto solo es posible si la matriz
P (A) = 0, lo cual demuestra el teorema.
Demostración
6.3. TEOREMA DE CAYLEY-HAMILTON 149
Por el teorema de Cayley-Hamilton, el polinomio caracterı́stico cumple que P (A) = 0 y tiene grado
n, con lo cual garantizamos que 1 ≤ k ≤ n. Consideremos otro polinomio Q(t) tal que Q(A) = 0.
Dividiendolo por mA (t), obtenemos:
Claramente R(A) = 0 y si no fuera R = 0 tendrı́a grado menor que el minimal con lo cual necesaria-
mente R = 0 y mA divide a Q.
150 CAPÍTULO 6. FORMAS CANÓNICAS DE LAS TRANSFORMACIONES LINEALES
6.4. Cuestionario
1 Los autovalores de la matriz A ∈ Cn×n son los mismos que los de At
4 ¿En que cambia el polinomio caracterı́stico de una matriz A ∈ Cn×n con las definiciones
P1 (λ) = |A − λI| y P2 (λ) = |λI − A|?
5 ¿Puede una matriz A ∈ Cn×n tener n autovalores distintos y no ser diagonalizable? Explicar.
6 ¿Puede una matriz A ∈ Cn×n tener k autovalores con k < n y ser diagonalizable?
8 Sea A ∈ Cn×n . ¿Que da el producto de todas las raices del polinomio caracterı́stico de A?
9 ¿De que tipo de matrices tenemos la garantı́a de que todos sus autovalores sean reales?
14 ¿Que debe pasar con una t.l. para tener una homotecia? ¿Como sabe si es homogenea o hetero-
genea?
15 ¿Que autovalores puede tener un proyector? ¿Existen proyectores que no sean diagonalizables?
16 ¿Que autovalores puede tener un trasquilado y que dimensión geométrica y algebráica tiene?
18 Si R : R2 −→ R2 es una rotación propia. ¿Que puede decir acerca del eje de rotación?
19 Si R : R3 −→ R3 es una rotación propia. ¿Que puede decir acerca del eje de rotación? ¿Como
harı́a para obtenerlo?
20 Si R : R4 −→ R4 es una rotación propia. ¿Que puede decir acerca del eje de rotación?
22 Los proyectores ¿son homotecias? ¿y los trasquilados? ¿y las simetrı́as respecto a un hiperplano?
6.5. Teóricos
teórico 1 Demuestre que si λi es un autovalor de A ∈ Cn×n , entonces λi es una raiz de P (λ) = |A − λ I|.
teórico 2 Demuestre que si T : V −→ V es una t.l. y B es una base de V, entonces los autovalores de T
son los autovalores de kT kB y que los autovectores de kT kB , son coordenadas en la base B de
los autovectores de T .
teórico 3 Demuestre que si T : V −→ V es una t.l. y B y B 0 son bases de V, entonces el polinomio
caracterı́stico de kT kB es el mismo que el de kT kB 0
teórico 4 Sea A ∈ Cn×n . Demuestre que el producto de todas las raices del polinomio caracterı́stico de A
da det(A).
teórico 5 Demuestre que para matrices A ∈ R2×2 , el polinomio caracterı́stico es
teórico 8 Sea λ un autovalor de la t.l. T : V −→ V con autovector asociado v. Probar que la t.l. α T tiene
autovalor α λ con autovector asociado v.
teórico 9 Sea λ un autovalor de la t.l. T : V −→ V con autovector asociado v. Probar que la t.l. T 2 tiene
autovalor λ2 con autovector asociado v.
teórico 10 Sean las t.l. T1 : V −→ V y T2 : V −→ V tales que ambas tienen a λ por autovalor con autovector
asociado v. Probar que T1 ◦ T2 tiene a λ2 por autovalor con autovector asociado v.
teórico 11 Demuestre que si A ∈ Cn×n es una matriz hermı́tica, entonces todos sus autovalores son reales.
¿A que se reduce esta propiedad si A ∈ Rn×n ?
teórico 12 La forma canónica de Jordan puede desarrollarse de dos maneras distintas, con unos en la
diagonal inmediatamente por encima de la diagonal principal o con los unos debajo. El soft
wxmaxima, devuelve la forma canónica con los unos por encima de la diagonal principal. Explique
una estrategia para aprovechar wxmaxima y obtener la forma canónica con los unos por debajo.
En particular, se pide como obtener C tal que A = C · J 0 · C −1 con J 0 una forma canónica con
los unos por debajo de la diagonal principal.
teórico 13 Sabiendo que un bloque de Jordan es fácil de elevar a una potencia, explique como utilizarla la
para obtener A50 con A ∈ Cn×n .
teórico 15 Sea T : V −→ V una t.l. y v4 tal que (T − 4 · I)4 (v4 ) = 0 y (T − 4 · I)3 (v4 ) 6= 0. Hallar otros
tres vectores generalizados v1 ; v2 ; v3 de modo que v1 ; v2 ; v3 ; v4 sean l.i. Indicar si hay algún
autovector y con que autovalor.
teórico 16 Sabiendo que 3 es el único autovalor de A ∈ R2×2 , dar todas las posibilidades de la forma de
Jordan de A indicando dim(A3 ).
teórico 17 Sabiendo que 5 es el único autovalor de A ∈ R3×3 , dar todas las posibilidades de la forma de
Jordan de A independientemente del orden de los bloques, indicando dim(A5 ).
teórico 18 Sabiendo que 2 es el único autovalor de A ∈ R4×4 , dar todas las posibilidades de la forma de
Jordan de A independientemente del orden de los bloques, indicando dim(A4 ).
6.6. Ejercicios
Ejercicio 1 Para las siguientes matrices de R3×3 , hallar calculando el determinante correspondiente el poli-
nomio caracterı́stico, los autovalores (reales y complejos), plantee los sistemas correspondientes
a la búsqueda de autovectores y encuentre los autoespacios de:
6.6. EJERCICIOS 153
5 2 2 2 8 4
a) A = −7 1 3 b) A = 0 6 2
7 2 0 0 −12 −4
−9 7 −7 −1 9 −8
c) A = −7 5 −7 d ) A = −1 −18 15
7 −7 5 −1 −23 20
0 2 −1 1 3 4
e) A = −1 −3 1 f ) A = 1 0 −3
−1 −2 0 −1 2 5
8 −25 −5
g) A= 3 −6 −1
−6 18 5
Ejercicio 2 Para las matrices del ejercicio 1, decida cuales son diagonalizables y en caso que lo sea encuentre
las matrices C inversible y D diagonal tales que A = C · D · C −1 .
Ejercicio 3 Comprobar que las siguientes son t.l. Hallar el polinomio caracterı́stico, los autovalores y los
autoespacios correspondientes de las t.l. Decidir si la t.l. es diagonalizable.
x1 −3 x3 + x2 + 2 x1
x2 −4 x4 − 6 x3 + 5 x2 + 8 x1
a) T x3 = −x4 − 3 x3 + 2 x2 + 3 x1
T : R4 −→ R4
x4 −2 x4 − 7 x3 + 4 x2 + 6 x1
0 1
b) T (X) = X · T : R2×2 −→ R2×2
1 0
0 1
c) T (X) = X − · Xt T : R2×2 −→ R2×2
1 0
0 1 0 1
d ) T (X) = X · + ·X T : R2×2 −→ R2×2
1 0 1 0
1 1
e) T (X) = tr(M · X) M + X con T : R2×2 −→ R2×2
−1 1
f ) T (a x2 + b x + c) = b x2 + c x + a T : R2 [x] −→ R2 [x]
g) T [P (x)] = x2 P (−1) + x P 0 (x) + P (x) T : R2 [x] −→ R2 [x]
h) T [P (x)] = −2 P (x − 1) + P 0 (x) T : R2 [x] −→ R2 [x]
i ) T [P (x)] = −P (2x + 1) + 3 P (x) T : R2 [x] −→ R2 [x]
j ) T [P (x)] = −x P 0 (x) + P 0 (x) − 2 P (x) T : R2 [x] −→ R2 [x]
Ejercicio 4 Hallar los autovalores y los autoespacios correspondientes de las siguientes t.l.
Ejercicio 5 Sean las bases de R3 B = {(−2; 3; −1); (−5; 6; −3); (2; −2; 1)} y
B 0 = {(−2; −5; 2); (3; 6; −2); (−1; −3; 1)}
a) Hallar los
autovaloresy autoespacios correspondientes de la t.l. T tal que
0 5 −4
kT kEB = 2 0 4
6 5 6
b) Hallar los
autovaloresy autoespacios correspondientes de la t.l. T tal que
0 2 4
kT kBE = 4 1 −5
3 1 −3
c) Hallar los autovalores
y autoespacios
correspondientes de la t.l. T tal que
−1 −3 1
kT kBB 0 = −4 −10 4
−6 −14 6
d ) Sea B = {v1 ; v2 ; v3 } una base del e.v. V y sea T la t.l. tal que:
√ √
−6 3 √2 −3 √2
0
0
√ −6√ −3 2 −3 2
5) A =
3 2 −3 2
√ √ −6 0
−3 2 −3 2 0 −6
b) Hallar, en caso que sea posible una matriz C unitaria y una matriz D diagonal tal que
A = C · D · C −1
9 −11 i 10 i − 10 1 0 −i
1) A = 11 i 9 −10 i − 10 2) A = 0 0 0
−10 i − 10 10 i − 10 50 i 0 1
Ejercicio 8 Hallar de forma aproximada los autovalores y autoespacios correspondientes de:
√ √
−6 −8√2 −2√ 2
2 1 4 6 22
3 8 7 4 −6 2√ −2 2 8 2
a) A = b) A= √
0 2 1 −1 −8 2 −2 2 18 10
√ √
3 6 1 2 −2 2 8 2 10 6
0,49 −5,359999 4,0 −14,72
3,4 12,76 −4,789999 27,97
c) A = −0,68
−0,68 0,49 −0,68
−1,36 −4,87 2,15 −10,72
Ejercicio 9 Decidir si las siguientes t.l. T : Rn −→ Rn son homotecias, proyectores, trasquilados, rotaciones
propias, rotaciones impropias, simetrı́as respecto a un hiperplano o ninguna de las anteriores.
Tenga en cuenta que puede caer en más de una categorı́a.
√
1 3
5 0 −4 −8 − 0 0
−4 √23 1
2
1 4 8
i ) kT k = j ) kT k =
2 2 0 0
2 0 −1 −4
0 0 0 1
2 0 −2 −3 0 0 1 0
Ejercicio 10 Para las siguientes matrices A, utilizar Wxmaxima para hallar C inversible y J diagonal por
bloques de Jordan tales que A = C · J · C −1 , e indicar los autovalores y la dimensión del
autoespacio correspondiente. Indicar los subespacios invariantes que encuentre de la t.l.
T : Rn −→ Rn definida por T (X) = A · X
8 8 12 −1 −3 −3
a) A = 18 27 36 b) A = −3 −1 −3
−16 −22 −30 3 3 5
2 1 1 7 8 0
c) A = 1 2 0 d ) A = −2 −1 0
−1 −1 1 1 2 3
−1 −13 −10 −10
17 8 0 −5 −15 −11 −15
e) A = −23 −11 −1 f) A =
3
9 10 7
21 12 3
5 19 11 19
6 14 29 −4 0 0 0 0
1 1 4 0 −3 0 0 13
g) A = −3 −6 −13 1
h) A = 2 0 0 −9
−1 −3 −4 −2 0 0 0 0
2 2 −4 0 −7 0 9 −9
−11 −7 18 −9 −6 −2 8 −4
i) A = −8 −6 14 −7
j) A =
−3 −2 6 −2
−5 −6 12 −3 9 0 −9 11
Ejercicio 11 Para las matrices del ejercicio anterior, hallar C inversible y J 0 diagonal por bloques de Jordan
con los unos por debajo de la diagonal principal tales que A = C · J 0 · C −1
Ejercicio 12 Utilizar Wxmaxima para hallar C inversible y J diagonal
por bloques de Jordantales que
i+2 0 0 2i + 1
0 2 − i 2 i + 3 4 − 7 i
A = C · J · C −1 e indicar la base de Jordan para A =
0 0 2i 1
0 0 0 2i
4k − 3 2 − 2k 4 − 3k
Ejercicio 13 Hallar todos los valores de k ∈ R tales que 5 0 −4 no es diagonalizable.
4k − 6 2 − 2k 7 − 3k
Ejercicio 14 Para las matrices del ejercicio 1 verificar el teorema de Cayley-Hamilton y hallar el polinomio
minimal.
6.7. Problemas
Problema 1 Averiguar si existe un polinomio no nulo P (x) ∈ R[x] tal que P (x − 2) + P 0 (x) + x P (1) = P (x).
Si existe, ¿cual es uno de estos polinomios?
Ayuda: Ver si λ = 1 es autovalor de la t.l. T [P (x)] = P (x − 2) + P 0 (x) + x P (1)
6.7. PROBLEMAS 157
Problema 3 Hallar los autovalores de una matriz A ∈ R3×3 tal que rg(A) = 1 y tr(A) = 7.
Problema 5 Los autovalores de una matriz simétrica A ∈ R3×3 son 2, 3 y 4 con A2 = gen{(1; 1; 2)} y
A3 = {(1 − 1; 0)}. Hallar una A posible. ¿Cuantas puede encontrar?
3k 1 1 (−1)k 1 −1
1 2
Problema 6 Sea A = . Probar que Ak = +
2 1 2 1 1 2 −1 1
Problema 7 Los autovectores de una matriz A ∈ R3×3 son (1; 3; −2), (−1; 1; 1) y (5; 1; 4) con autovalores
respectivos 2, 3 y -5. Expicar justificando adecuadamente porque A es simétrica. Hallar det(A).
5 9 3k + 2 9k
Problema 8 Sea A = . Probar que Ak = 2k−1 ·
−1 −1 −k 2 − 3k
158 CAPÍTULO 6. FORMAS CANÓNICAS DE LAS TRANSFORMACIONES LINEALES
Apéndice A
Determinante de Vandermonde
Demostraremos que Vn = Vn−1 (λn − λ1 )(λn − λ2 ) · · · (λn − λn−1 ). Para eso, calcularemos el siguiente
determinante por la última columna:
· · ·
1 1 1 1
λ1
2 λ2 · · · λn−1 x
λ1
λ22 · · · λ2n−1 x2
P (x) = · · · ··· · · ·
··· ··· · · ·
λn−2 λn−2 · · · λn−2 xn−2
1 2 n−1
λn−1 λn−1 · · · λn−1 xn−1
1 2 n−1
λ1
2 λ 2 · · · λ n−1 1 1 ··· 1
2 2
2
λ22 λ2n−1
λ1
λ2 · · · λn−1 λ1
···
n+1 · · · ··· n+2 · · · ···
=(−1) + (−1) · x + ···
··· ··· ··· ···
n−2 n−2 n−2
n−2
λ
1 λ 2 · · · λ n−1
λ
1 λn−2
2 ··· n−2
λn−1
λn−1 λn−1 · · · λn−1 λn−1 λn−1 ··· λn−1
1 2 n−1 1 2 n−1
1
1 ··· 1
λ1
2 λ2 ··· λn−1
n+n λ1
λ22 ··· λ2n−1 n−1
· · · + (−1) ·x
| {z } · · · ···
=1 ··· ···
λn−2 λn−2 ··· λn−2
1 2 n−1
| {z }
Vn−1
159
160 APÉNDICE A. DETERMINANTE DE VANDERMONDE
w1 =k11 v1 + · · · + kr1 vr
············
············
ws =k1s v1 + · · · + krs vr
α1 w1 + · · · + αs ws = 0
Reordenando queda:
Por ser B una base, sus vectores son l.i., con lo cual:
α1 k11 + · · · + αs k1s = 0
············
············
α1 kr1 + · · · + αs krs = 0
que es un sistema de r ecuaciones con s incógnitas. Teniendo en cuenta que r < s y la observación 5-2,
el sistema tendrı́a infinitas soluciones, lo cual es absurdo pues B 0 es una base y sus vectores son l.i.
Corolario. Sea V un K-ev y S un subespacio. Si dim(S) = r y B 0 = {w1 , · · · , wr } ⊂ S son l.i.,
entonces B 0 es una base de S.
Demostración
161
162 APÉNDICE B. TEOREMA FUNDAMENTAL DE LA DIMENSIÓN
Sea B = {v1 , v2 , · · · vr } una base de S. Está claro que gen(B 0 ) ⊂ gen(B). Falta demostrar que
gen(B) ⊂ gen(B 0 ). Las mismas cuentas que antes pero con s = r, nos llevan al sistema:
α1 k11 + · · · + αr k1r = 0
············
············
α1 kr1 + · · · + αr krr = 0
La diferencia es que ahora, los wi son l.i., con lo cual el sistema debe tener solución única y al ser
cuadrado, la matriz de coeficientes debe ser inversible. Si H = (hij ) es dicha inversa, tendremos que:
v1 =h11 w1 + · · · + hr1 wr
············
············
vs =h1r w1 + · · · + hrr wr
De esta manera, toda c.l. de los vi será también una c.l. de los wi con lo cual gen(B) ⊂ gen(B 0 ).
Apéndice C
Conocimientos previos
Método de reducción de Gauss-Jordan.
Al utilizar operaciones elementales de Gauss sobre las filas de una matriz, no se modifica el
subespacio generado por las filas.
El rango por filas de A (rgf (A)) es igual a su rango por columnas (rgc (A)). De ahora en
más a cualquiera de los dos lo llamaremos rango de A y lo escribiremos rg(A).
163
164 APÉNDICE C. TEOREMA DEL RANGO
Si A ∈ Cn×m es una matriz cualquiera, sus filas generan un subespacio S ⊂ Rm que es el mismo que
el generado por las filas de su matriz reducida equivalente, por ejemplo:
1 2 1 −1 1 0 1 −11
1 3 1 4 0 1 0 5
A= 2
=⇒ AR =
5 2 3 0 0 0 0
−1 −1 −1 6 0 0 0 0
con lo cual
S = gen{(1; 2; 1; −1); (1; 3; 1; 4); (2; 5; 2; 3); (−1; −1; −1; 6)} = gen{(1; 0; 1; −11); (0; 1; 0; 5)}
Llamaremos B a la matriz que tiene por filas las filas no nulas de AR . Obtengamos ahora un sistema de
ecuaciones lineal y homogeneo para los elementos de S. Para eso, podemos usar cualquiera de los dos
conjuntos de generadores, poniendo estos como columnas y ampliando las matrices con la identidad.
En nuestro ejemplo quedarı́an:
1 1 2 −1 | 1 0 0 0 1 0 1 −2 | −1 9 −18 −2
2 3 5 −1 | 0 1 0 0 0 1 1 1 | −6 −4 15 1
(At |I) =
=⇒
1 1 2 −1 | 0 0 1 0 0 0 0 0 | 1 0 −1 0
−1 4 3 6 | 0 0 0 1 0 0 0 0 | 0 1 − 11 5 − 15
1 0 | 1 0 0 0 1 0 | 0 0 1 0
0 1 | 0 1 0 0 0 1 | 0 0 11 1
(B t |I) =
=⇒ 5 5
1 0 | 0 0 1 0 0 0 | 1 0 −1 0
−11 5 | 0 0 0 1 0 0 | 0 1 − 11
5 − 15
Si observamos nuestro ejemplo, en ambos casos los sistemas resultaron ser exactamente el mismo:
x1 − x3 = 0
x2 − 11 1
5 3 − 5 x4 = 0
x
Demostraremos que esto no es casual. Hagamos las siguientes observaciones para el caso general:
Los sistemas obtenidos por los dos caminos deben ser equivalentes ya que sus soluciones son los
elementos de S.
En ambos casos, los sistemas estan “reducidos” debido al procedimiento empleado.
En ambos casos no hay ecuaciones redundantes ya que sus coeficientes son obtenidos con opera-
ciones elementales por filas sobre la identidad, con lo cual tienen la misma cantidad de ecuaciones.
Por lo observado anteriormente y por la unicidad de la forma reducida, ambos sistemas deben
ser exactamente iguales.
Debido a lo anterior, la cantidad cantidad de filas que se anulan al reducir At tiene que ser la misma
que al reducir B t , con lo cual
rgc (A) = rgf (At ) = rgf (B t )
Pero B es una matriz reducida, con lo cual
rgf (B t ) = rgf (B) =⇒ rgc (A) = rgf (B) = rgf (AR ) = rgf (A)
Apéndice D
Demostración
v1 ∈ M ⊥ ; v2 ∈ M ⇒ < A · v1 ; v2 >=v1 ∗ · A∗ · v2
= < v 1 ; A∗ · v 2 >
= < v1 ; A · v2 >
| {z }
∈M
=0
Como por hipótesis M ⊥ 6= {0}, resulta que gr(PH ) ≥ 1 y debe tener raices que también lo sean de
PA (λ), por lo tanto reales. Si esto fuera ası́, deberı́a existir en M ⊥ un autovector w 6= 0 asociado a ese
autovalor, pero entonces w ∈ M , ya que M contiene todos autovectores de A y resulta M ∩ M ⊥ 6= {0}
lo cual es un absurdo y necesariamente M = Cn y A es diagonalizable.
165
166 APÉNDICE D. DIAGONALIZACIÓN DE UNA MATRIZ HERMÍTICA
Apéndice E
Demostración
Este conjunto V , extiende cada cadena en un vector, ¿pero cuantas hay? Si dim[N u(T0 )∩Im(T0 )] = p,
entonces existen en Im(T0 ), p cadenas de estos vectores, uno por cada autovector de T0 que se encuentre
en U , o sea que V contiene r + p vectores.
Por el teorema de la dimensión de t.l., dim[N u(T0 )] = k − r, esto quiere decir que es posible extender
al conjunto a1 ; · · · ; z1 a una base del núcleo con k − r − p vectores wi que necesariamente están fuera
de la imagen. Por supuesto que estos vectores son autovectores de T0 . Armamos el conjunto con k
vectores de la siguiente manera:
167
168 APÉNDICE E. FORMA CANÓNICA DE JORDAN
Este conjunto de vectores y en ese orden, cumple lo buscado. Solo resta probar que es un conjunto l.i.
Veamos:
Xr Xp k−r−p
X
αh uh + βh sh + γh wh = 0 (1)
h=1 h=1 h=1
En la primer suma, los vectores que aparecen son los de U sacando los últimos de cada cadena.
Los T0 (sh ), son precisamente esos últimos vectores de cada cadena, concluimos que las dos sumas
involucradas en (2) son 0. Como los T0 (sh ) son l.i. por ser parte de una base, concluimos que βh = 0.
Volviendo a (1), tenemos que:
r
X k−r−p
X
α h uh + γh wh = 0 (3)
h=1 h=1
La primer suma está en la imagen, pero la segunda suma está formada por vectores l.i. del núcleo que
extendı́an los a1 ; · · · ; z1 y que estaban fuera de la imagen. Concluimos que cada suma de (3) es nula
y necesariamente αh = γh = 0, lo cual prueba la independencia lineal de la ahora base B. Esta base
cumple que:
T0 (vi ) = 0 −→ (T − λI)vi = 0
ó
T0 (vi ) = vi−1 −→ (T − λI)vi = vi−1
Q.e.d.
Proposición 42. Sea P (t) el polinomio caracterı́stico del endomorfismo T . Si λ es una raiz de P (t)
y j es su multiplicidad, entonces:
Dim(Gλ ) = j
Demostración
donde J es una matriz diagonal por bloques como se indico en la observación de la proposición 39 y
O es la matriz nula. Observen que B es cuadrada y J ∈ Cq×q . Obtengamos el polinomio caracterı́stico
de kT kB :
J A J − tI A
P (t) = Det − tI = Det = Det (J − tI) · Det (B − tI)
O B O B − tI
donde se ha utilizado el sı́mbolo I para matrices identidad de distintos tamaños.
Como J es diagonal por bloques de Jordan, todos con el mismo λ y como estos bloques son triangulares
superiores con λ en la diagonal, resulta que
Det (J − tI) = (λ − t)q
con q = Dim(Gλ ), de donde
P (t) = (λ − t)q · Q(t)
con Q(t) = Det (B − tI)
Para ver que q = j solo nos falta demostrar
Q(λ) 6= 0, lo haremos por el absurdo.
que
wq+1
Si Q(λ) = 0, existirı́a un vector w = ... 6= 0 que serı́a autovector de B, esto es (B−λI)·w = O.
wn
0
..
.
0
0
Está claro que el vector (w )B = ∈
/ Gλ
w q+1
..
.
wn
Hagamos la siguiente cuenta:
J − λI A 0 A·w A·w
· (w )B = = ∈ Gλ
O B − λI (B − λI) · w B O B
Demostración
Demostración
[AL82] Friedberg S.and Insel A. and Spence L. Algebra Lineal. Publicaciones Cultural S.A., Mexico,
primera edition, 1982.
[Lar77] Ángel Rafael Larotonda. Álgebra Lineal y Geometrı́a Analı́tica. EUDEBA, segunda edition,
1977.
[Poo04] David Poole. Álgebra Lineal (Una introducción moderna). THOMSON, 2004.
171