Álgebra Lineal - Álgebra Lineal (DIM-UCh)

Ingenier a Matematica
FACULTAD DE CIENCIAS F ISICAS Y MATEMATICAS UNIVERSIDAD DE CHILE Algebra Lineal 08-2
Importante: Visita regularmente http://www.dim.uchile.cl/docencia/algebra lineal. Ah encontrar as las gu as de ejercicios y problemas, adem as de informaci on acerca de cu al ser a la din amica del curso.
Departamento de Ingenier a Matematica - Universidad de Chile
SEMANA 1: MATRICES
1.
1.1.
Matrices
Deniciones basicas
Usa estas notas al margen para consultar de manera m as r apida el material. Haz tambi en tus propias anotaciones.
Denici on 1.1 (Matriz). Una matriz A, de m las y n columnas con (en este apunte ser a o ) es una tabla de coecientes en el cuerpo doble entrada:
matriz
Notamos tambi en la matriz como A = (aij ) y denominamos Mmn ( ) al conjunto de todas las matrices de m las y n columnas con coecientes en el cuerpo .
a11 . A= . .
am1
... amn
a1n . . . ,
aij
i = 1, . . . , m, j = 1, . . . , n.
Mmn ( )
Denici on 1.2 (Igualdad de matrices). Dadas dos matrices A Mmn ( ), B Mm n ( ), diremos que son iguales si y s olo si:
A=B
(m = m ) (n = n ) (i {1, ..., m}, j {1, ..., n}, aij = bij ) Un caso especial de matrices son aquellas de n 1. Estas matrices se lla nuestros vectores ser an matrimar an posteriormente vectores de n . As ces de una sola columna.
vector de
Construimos una estructura algebraica sobre Mmn ( ) a partir de las operaciones denidas en el cuerpo . Se dene la suma de dos matrices como sigue: A, B Mmn ( ), A + B = (aij + bij ) Por ejemplo, en ( , +, ):
A+B
Es f acil vericar que
1 2 3 0 1 2
0 1 3 1
2 2
1 1 3 0
5 . 0
Proposici on 1.1. (Mmn ( ), +) tiene estructura de grupo Abeliano. n. La suma es asociativa y conmutativa, como herencia de Demostracio las mismas propiedades en el cuerpo . El neutro aditivo es 0 ... 0 . .. . M ( ). 0 = . mn . . . .
0 Mmn ( )
...
i 0 0 i 0 0 + 1 i 0 1 i 0 = Luego ii 11 0+0 i + i i 0 0 1 i 0 0+0 0+0 = = 0 0
= 0 0 0 0 . = 0.
i 0 0 1 i 0
Denici on 1.3 (Producto de matrices). Dadas A = (aij ) Mmr ( ), B = (bij ) Mrn ( ) se dene el producto C = AB como aquella matriz C Mmn ( ) tal que
El inverso aditivo de A = (aij ) es A = (aij ). Por ejemplo, en M23 ( ):
AB
cij =
k=1
aik bkj ,
i = 1, . . . , m, j = 1, . . . , n.
Claramente C Mmn ( ). Ejemplos: 1. En ( , +, ), A= 1 1 1 1 1 0 2 1
C = AB = 2. En ( , +, ),
1 2 M23 ( ), B = 0 2 1 0 1 2 1 0 1 0 1 0 0 2 1 0 = 2 1 2 6 1 0 1 1
1 0 1 0 M34 ( ) 1 0
0 0 4 1
M24 ( ).
A = (i, i, 0) M13 ( ) i B = 1 M31 ( ) 0
C = AB = i i + i 1 + 0 0 = 1 + i M11 ( ).
Observaci on: La multiplicaci on de matrices no es conmutativa. Por ejemplo en M22 ( ) :
1 0
0 0
0 0 2 0
0 0 , 0 0
0 0 2 0
1 0
0 0
0 0 . 2 0
Dos propiedades importantes de la multiplicaci on son las siguientes: Proposici on 1.2. 1. Asociatividad: Si A Mmn ( ), B Mnq ( ), C Mqs ( ), entonces: A(BC ) = (AB )C Mms ( ).
2. Distributividad con respecto a la suma: Dadas A Mmn ( ), B, C Mns ( ), entonces
A(B + C ) = AB + AC Mms ( ). De igual manera se tiene la distributividad por el otro lado. n. Demostremos la distributibidad, quedando la asociativiDemostracio dad de ejercicio. Denominando E = A(B + C ), se tiene:
n
Ejercicio
eij =
k=1
aik (bkj + ckj )
i {1, ..., m}, j {1, ..., s}.
Como la multiplicaci on distribuye con respecto a la suma en

n
eij =
k=1 n
(aik bkj + aik ckj )

n
=
k=1
aik bkj +
k=1
aik ckj .
De la denici on de multiplicaci on matricial, se obtiene E = AB + AC .
Un caso particular muy importante es el de las matrices cuadradas, es decir con igual n umero de las y columnas. (Mnn ( ), ) admite un neutro multiplicativo, denominado matriz identidad: 1 0 0 0 1 0 = (ij ), con ij = 0 si i = j I = .. 1 si i = j . . 0 0 1
matriz cuadrada I
En efecto, dada A Mnn ( ) : a11 . . AI = . an1

n
1 a1n 0 . . . ... ann 0 ...
0 1 .. . 0
0 0
=(
k=1
aik kj ) = (aij jj ) = (aij ) = A.
Conclu mos entonces que 3
(Mnn ( ), +, ) es anillo con unidad
Dado que (Mnn ( , ) tiene un elemento neutro I , Tienen sus elementos inverso? Denici on 1.4 (Matriz invertible). A Mnn ( ) es invertible si y s olo si existe B Mnn ( ) tal que:
AB = BA = I.
(1.1)
Proposici on 1.3. De existir una matriz B que satisfaga (1.1), esta es u nica. Por ende la notaremos B = A1 . n. Sean B1 , B2 Mnn ( ) que satisfacen (1.1). Luego Demostracio B1 = B1 I = B1 (AB2 ). Usando la asociatividad de tenemos, B1 = (B1 A)B2 , pero como B1 A = I , se concluye que B1 = B2 .
Corolario 1.1. (Mnn ( ), +, ) es un anillo con unidad (existe neutro para ).
invertible
A 1
Cabe se nalar que para que A sea invertible se requiere que exista una matriz B que sea a la vez inversa por izquierda y por derecha. Probaremos m as adelante que es suciente que A tenga inversa por un solo lado. Ejemplos: No todas las matrices cuadradas tienen inverso multiplicativo. En 1 2 no tiene inverso. En efecto, si existiese M22 ( ), la matriz 2 4 el inverso, x1 x2 , deber a vericarse: digamos x3 x4
1 2 2 4
x1 x3
x2 x4
1 0 =
0 1 1 0 0 1
x1 + 2x3 2x1 + 4x3
x2 + 2x4 2x2 + 4x4
x2 + 2x4 = 0 2x1 + 4x3 = 0 2x2 + 4x4 = 1
De la primera ecuaci on multiplicada por 2, obtenemos: 2(x1 + 2x3 ) = 2. Pero de la tercera ecuaci on, 2x1 + 4x3 = 0. De esta contradicci on conclu mos que el sistema no tiene soluci on. En otros casos s existe inverso, por ejemplo, en M22 ( ), 0 1 En efecto: 0 1 1 0 1 0
1
0 1 1 0 1 0 0 1
0 1 1 0
O bien, en M22 ( ), i 0 0 i lo que se verica r apidamente.

1
i 0
0 i
1.2.
Matrices Particulares
Denici on 1.5. Diremos que A Mnn ( ) es: 1. Diagonal si y s olo si aij = 0 A= a11 a22 0 .. . ann i = j : 0
En este caso la matriz es notada A = diag(a11 , a22 , . . . , ann ). 2. Triangular superior si y s olo si aij = 0 si i > j : a11 0 A= . . . 0 a12 a22 .. . 0 a1n a2n . . . .
diag(a11 , a22 , . . . , ann ) triangular superior
ann
3. Triangular inferior si y s olo si aij = 0 si i < j : 5
triangular inferior
x1 + 2x3 = 1
diagonal
an1
an2
ann
Ejemplos: 0 A = 0 0 1 2 A = 0 0 0 0
0 0 1 0 0 2 0 , I = 0 1 0 son matrices diagonales 0 3 0 0 1 3 0 0 0 son matrices triangulares, superior e inferior 1, B = 1 2 0 respectivamente. 2 2 1 3
Ejercicio
Ejercicio 1.1: Una propiedad que queda propuesta es que si A es diagonal con aii = 0, para i = 1, . . . , n entonces es invertible, y su . inversa tambi en es diagonal con (A1 )ii = a1 ii
Notaci on: Dada una matriz A Mmn ( ) notaremos su i- esima la como:
a11 a21 A=
0 a22 . . .
.. .
0 0 . 0
Ai
Ai = (ai1 ai2 . . . ain ) y su j - esima columna: Aj a 1j a2j = . . .
Aj
amj
Podemos escribir entonces la matriz: A = (A1 , A2 , ..., An ), denominada notaci on por columnas. O bien: A1 A2 , A= . . . Am
correspondiente a la notaci on por las.
Ejercicio
Ejercicio 1.2: Con respecto a esta notaci on, es un buen ejercicio estudiar c omo el producto de matrices afecta las columnas y las de las matrices a multiplicar. M as precisamente: Sean A Mmn ( ), B Mnp ( ) y describamos B por sus columnas B = (B1 , B2 , ..., Bp ), demostrar que entonces
AB = (A(B1 ), ..., A(Bp )) , es decir la primera columna de AB es la matriz A por la primera columna de B , etc.
Qu e hay de las las de AB ? Denici on 1.6 (Matriz ponderada). Dada una constante nimos la matriz A ponderada por : A = (aij ). Ejemplo:
, de-
En M23 ( ): 3
1 2
1 0 2 1
3 6
3 0 6 3
Veamos ahora que sucede al multiplicar por la derecha o izquierda una matriz por otra diagonal: DA = 2 0 0 3 1 2 1 2 0 1 = 2 6 2 4 0 3
Aqu , la primera columna de A aparece multiplicada por 2, la segunda por 1, la tercera por 3. En general: 1 0 a 11 . . . n an1 0 1 a11 a1p 2 a21 . . . = . . . anp n an1 1 a1p 2 a2p . . . n anp
constatamos que la primera la aparece multiplicada por d11 = 2 y la segunda por d22 = 3. 2 0 0 1 1 2 = 0 1 0 = 2 1 6 AD 2 0 1 4 0 3 0 0 3
..
. n
bp1
bpn
1 bp1
2 bp2
n bpn
De forma m as compacta, Proposici on 1.4. Si D = diag(1 , . . . , n ) Mnn ( ), A Mnp ( ), B Mmn ( ), se tiene que 1 A1 . DA = . (1.2) . ,
n An
BD = (1 B1 , ..., n Bn ).
(1.3)
n. Probaremos (1.2), mientras que (1.3) queda propuesta Demostracio como ejercicio. D= 1 0 0 .. . n
n
Ejercicio
Sea
= (dij );
con dij =
i 0
si i = j si i = j
luego, (DA)ij =
dik akj = dii aij = i aij ,

k=1
y por lo tanto
AD =
1 a11 n an1
... . . .
1 a1p n anp
Otra propiedad, que utilizaremos m as adelante, es la siguiente: Proposici on 1.5. El producto de matrices triangulares inferiores (superiores) es triangular inferior (superior). n. Veriquemos el caso triangular superior. Sean Demostracio a11 0 T1 = . . . 0 a22 .. . 0 b11 a1n a2n 0 , T2 = . . . . . . 0 ann 8 b22 .. . 0 b1n b2n . . . .
bnn
b11 . . .
b1n 1 . . .
0 ..
1 b11 = . . .
2 b12 . . .
n b1n . . .
j =1
triangulares superiores: (ai = 0) (bi = 0) < i. Supongamos j < i, luego cij =

i1 k=1 n
aik bkj +
k =i
aik bkj .
En el primer t ermino k < i aik = 0. En el segundo t ermino j < i k bkj = 0, luego j < i cij = 0. Es decir, la matriz C es tambi en triangular superior. Notemos adem as que (T1 T2 )ii = aii bii es decir los elementos diagonales del producto de dos triangulares superiores es el producto de los elementos diagonales correspondientes.
1.3.
Potencias, traspuestas e inversas
Denimos por recurrencia las potencias de una matriz cuadrada, como sigue: Denici on 1.7 (Potencias de una matriz). Dada A Mnn ( ) A0 = I, An = AAn1 , Ejemplo: Por ejemplo; dada A M33 ( ): se tendr a n 1.
Luego C = T1 T2 = (cij ), donde: cij =
aik bkj . Como T1 y T2 son
An
0 1 A = 2 0 1 1
2 0, 2 2 4 0 = 0 2 4 2 4 2 4 3 6
0 1 A2 = AA = 2 0 1 1 0 A3 = AA2 = 2 1 1 0 1
2 4 2 00 2 2 4 3
2 0 1 02 0 2 1 1
4 8 8 16 4 = 8 4 8 . 6 12 10 20
Denici on 1.8 (Traspuesta). Dada una matriz A = (aij ) Mmn ( ), se dene la traspuesta de A como aquella matriz de nm que denotaremos por At tal que (At )ij = aji . Esto corresponde a intercambiar el rol de las las y columnas. M as claramente, la primera la de At es la primera columna de A y as sucesivamente.
At , traspuesta
Ejemplo: 1 2 A = 0 1 1 1 A = (1, 0 0 0 1, 0 1 1 2 t A = 0 0 0 1 0 1 1 1 . 0 1
1 A = 2 1
1 1 1, 0, 0, 1), At = 0 . 0 1 2 1 1 2 1 0 1 , At = 2 0 1 . 1 4 1 1 4
En el u ltimo caso vemos que A = At . Denici on 1.9 (Matriz sim etrica). Diremos que una matriz A Mnn ( ) es sim etrica si y s olo si A = At Es f acil vericar que A es sim etrica si y s olo si: aij = aji i, j = 1, .., n
Algunas propiedades de la trasposici on de matrices son las siguientes: Proposici on 1.6. 1. (At )t = A, A Mmn ( ).
2. (AB )t = B t At . 3. Si D Mnn ( ) es diagonal, entonces Dt = D. n. Probaremos 2: Sea C = AB, C t = (AB )t . En la posici Demostracio on (i, j ) de la matriz C t aparece el t ermino cji de la matriz C : cji =
t t n
(AB )t = B t At
ajk bki
k=1
Consideremos Z = B A . El t ermino (i, j ) de la matriz Z esta dado por:

n n n
zij =
k=1
(B )ik (A )kj =
k=1 t
bki ajk =
k=1 t t
ajk bki = (AB )ji = (C t )ij ,
luego Z = C , y por lo tanto (AB ) = B At . Algunas propiedades elementales de matrices invertibles son las siguientes Proposici on 1.7. Sean A, B Mnn ( ) invertibles entonces:
1. La inversa de A es invertible y (A1 )1 = A. 10
(A1 )1 = A
sim etrica
3. n 0, (An )1 = (A1 )n . 4. At es invertible y (At )1 = (A1 )t . n. Veamos: Demostracio La propiedad 1 se prueba directamente de la denici on y de la unicidad de la inversa (Proposici on 1.3). Para 2 se tiene que, AB (B 1 A1 ) = A(BB 1 )A1 = AIA1 = AA1 = I. De manera an aloga se prueba (B 1 A1 )AB = I Como la inversa es u nica 1 1 1 (AB ) = B A . Para 3, procederemos por inducci on. Se verica para n {0, 1}. Supongamos cierto el resultado para n 1 y veamos: (An+1 )1 = (An A)1 = A1 (An )1 , por hip otesis de inducci on (An+1 )1 = A1 (A1 )n = (A1 )n+1 . Para probar 4, notemos que AA1 = I , as trasponiendo nos d a (AA1 )t = I t , lo que implica a su vez (A1 )t At = I . Igualmente se obtiene que At (A1 )t = I . Finalmente, por unicidad de la inversa: (At )1 = (A1 )t .
(An )1 = (A1 )n (At )1 = (A1 )t
Ejercicio
Ejercicio 1.3: En general el problema de saber si una matriz es invertible o no es un problema dif cil. Tendremos que esperar a saber resolver ecuaciones lineales para obtener un algoritmo eciente que nos permitir a decidir si una matriz en particular es invertible y obtener su inversa. Por el momento nos contentaremos con el siguiente resultado, propuesto como ejercicio. Sea A = (aij ) una matriz de permutaci on, es decir una matriz de n n con solo 0 y 1 tal que tiene un y s olo un 1, por cada la y columna. Se tiene que A es invertible y su inversa es A1 = At .
permutaci on
11
2. El producto AB es invertible y (AB )1 = B 1 A1 .
(AB )1 = B 1 A1
Semana 1
1. Demuestre la asociatividad de la multiplicaci on de matrices. Es decir, si A Mmn ( ), B Mnq ( ), C Mqs ( ), entonces:
Proposici on 1.2
A(BC ) = (AB )C Mms ( ).
2. Pruebe que si A es diagonal (A = diag(a11 , . . . , ann ) Mnn ( )), entonces A es invertible aii = 0, para i {1, . . . , n}.
Ejercicio 1.1
Demuestre adem as que, en caso de ser invertible, su inversa es diagonal con (A1 )ii = a1 . ii
3. Sean A Mmn ( ), B Mnp ( ) y describamos B por sus columnas B = (B1 , B2 , ..., Bn ), demuestre que entonces AB = (A(B1 ), ..., A(Bn )) . 4. Sea A = (aij ) una matriz de permutaci on, es decir una matriz de olo 0s y 1s tal que tiene un y s olo un 1, por cada la y Mnn ( ) con s columna. Pruebe que A es invertible y su inversa es A1 = At .
Ejercicio 1.2
Ejercicio 1.3
5. Se dice que P Mnn ( ) es una matriz de proyecci on si P = P 2 . (a) Pruebe que si P es matriz de proyecci on, entonces In P es matriz de proyecci on, donde In es la matriz identidad en Mnn ( ).
(b) Pruebe que P es matriz de proyecci on si y s olo si P 2 (In P ) = 0 2 y P (In P ) = 0. (c) Encuentre P M22 ( ) tal que P = P 2 y P 2 (I2 P ) = 0. Indicaci on: Considere matrices con coecientes en {0, 1}.
Problemas
d1 P1. Sea D = .. . Mnn ( ) diagonal, con d1 , . . . , dn distintos
dn y A, B, M, S Mnn ( ).
(a) Pruebe que si M D = DM , entonces M es diagonal. (b) Sea S invertible, tal que S 1 AS y S 1 BS son diagonales. Pruebe que AB = BA. Indicaci on: Recuerde que el producto de matrices diagonales conmuta. (c) Sea S invertible tal que S 1 AS = D. Suponiendo que AB = BA, verique que S 1 AS y S 1 BS conmutan y concluya que S 1 BS es diagonal. P2. (a) Demuestre que si A, B y (A + B 1 ) son matrices invertibles, entonces (A1 + B ) tambi en es invertible y su inversa es A(A + B 1 )1 B 1 . 12
Ejercicios
Sea N = C I , donde I es la matriz identidad de n n. Demuestre que N n = 0. (c) Demuestre que para las matrices C y N denidas en (b), se tiene que C es invertible y su inversa es: C 1 = I N + N 2 N 3 + + (1)n1 N n1 .
P3. (a) Sea A = (aij ) Mnn ( ) una matriz cualquiera. Se dene la traza de A, denotada por tr(A), como la suma de los elementos de la diagonal principal, es decir,
n
tr(A) =
i=1
aii .
Por otra parte, se dene la funci on f : Mnn ( ) f (A) = tr(AA ). Pruebe que: (1) Dadas A, B Mnn ( ),
t
, donde
tr(AB ) = tr(BA). (2) f (A) 0, A Mnn ( ), adem as muestre que f (A) = 0 A = 0, donde 0 es la matriz nula de Mnn ( ). (3) f (A) = tr(At A). (b) Sea M Mmn ( ) una matriz tal que la matriz (M t M ) Mnn ( ) es invertible. Denamos la matriz P Mmm ( ) como
P = Im M (M t M )1 M t ,
donde IM es la matriz identidad de orden m. Pruebe que: (1) P 2 = P . Muestre adem as que P M = 0, donde 0 Mmn ( ) es la matriz nula. (2) La matriz (M t M ) es sim etrica y muestre que la matriz P es tambi en sim etrica.
13
(b) Sea la matriz de n y n columnas triangular superior a coecientes reales siguiente: 1 1 0 0 ... ... 0 0 1 1 0 . . . . . . 0 . . . . . .. .. .. ... . . . . . . . . . . . . . . . . . . . . . C = . . . .. . . 1 1 0 . . . 0 1 1 . . . . . . . . . . . . . ... ... ... 0 0 1
1.4.
Matrices elementales
Como veremos la resoluci on de sistemas de ecuaciones via eliminaci on de variables corresponde a premultiplicar (multiplicar por la izquierda) una cierta matriz por matrices elementales que estudiaremos a continuaci on. Hay dos tipos de matrices elementales: elemental de permutaci on y de suma. Denici on 1.10 (Matriz elemental de permutaci on). Una matriz elemental de permutaci on tiene la siguiente estructura: 1 0 .. . 0 1 la p 0 1 . . . . . 1 . Ipq = 1 . . . . . 1 . la q 1 0 1 .. . 0 0 1 La matriz Ipq se construye a partir de la identidad, permutando el orden de las las p y q . Ejemplo: En M44 ( ): 1 0 = 0 0 0 0 0 1 0 0 1 0 0 1 , 0 0 0 0 = 1 0 0 1 0 0 1 0 0 0 0 0 . 0 1
matrices elementales
SEMANA 2: MATRICES
Ipq
I24
I13
Notemos que toda matriz elemental de permutaci on es una matriz de permutaci on, pero no al rev es. Puedes dar un ejemplo?. Veamos ahora lo que sucede al multiplicar una matriz A, por la derecha o izquierda, por una matriz elemental de permutaci on Ipq : En el ejemplo anterior, sea A = (aij ) M43 ( ) a11 a21 I24 a31 a41 a12 a22 a32 a42 a13 1 a23 0 = a33 0 a43 0 0 0 0 1 0 0 1 0
Ejercicio
0 a11 1 a21 a31 0 0 a41 14
a12 a22 a32 a42
a13 a11 a23 a41 = a33 a31 a43 a21
a12 a42 a32 a22
a13 a43 . a33 a23
B M34 ( ): b11 b21 b31 b12 b22 b32 b13 b23 b33
1 b14 0 b24 0 b34 0
0 0 0 1
0 0 1 0
0 b 1 11 = b21 0 b31 0
b14 b24 b34
b13 b23 b33
b12 b22 . b32
la matriz resultante es B con las columnas 2 y 4 permutadas. En general, Propiedad 1.1. Dadas Ipq Mnn ( ), A Mns ( ) y B Mqn ( ):
1. Ipq A corresponde a la matriz A con las las p y q permutadas. 2. BIpq corresponde a las matriz B con las columnas p y q permutadas. n. Recordemos que, por ser una matriz de permutaci Demostracio on (Ejer1 cicio 1.3), Ipq es invertible y adem as Ipq = Ipq . En efecto, el multiplicar por la izquierda Ipq por si misma, corresponde a intercambiar sus las p y q , con lo cual se obtiene la identidad. Tomemos ahora la matriz A M44 ( ) y sea: 1 0 0 1 E2,4 () = 0 0 0 0 0 1 0
El resultado consiste en permutar las las 2 y 4 de A. An alogamente, sea
Ipq A BIpq
0 0 0 1
Esta matriz se construye a partir de la identidad colocando el valor en la posici on (4,2) (notar que s olo la la 4 es diferente de la identidad). Al multiplicar por la izquierda A por E2,4 (): a11 a21 E2,4 () a31 a41 a12 a22 a32 a42 a13 1 0 a23 0 1 = a33 0 0 a43 0 0 0 1 0 0 a11 0 a21 0 a31 1 a41 a12 a22 a32 a42 a13 a23 = a33 a43
La matriz, E2,4 ()A es exactamente la matriz A, excepto por la la 4, la cual se obtiene de sumar la la 4 de A m as la la 2 de A ponderada por . En general,
a11 a21 = a31 a21 + a41
a12 a22 a32 a22 + a42
a13 a23 a33 a23 + a43
15
1 Ep,q () = 0 . . . . . . 0
col. p .. . 1 . . . . . . . . . 0 .. . 1
col. q 0
. p<q
1 1 .. 0 . 1
Propiedad 1.2. Dada una 1 .. . C = Ep,q ()A = 0
matriz A Mns ( ); se tiene: 0 a11 0 . . . 1 a p1 . . . . . 1 . 1 a q 1 . 1 . . .. . an1 1 a11 a1s . . . . . . ap11 ap1s . . . . = . . . ap1 + aq1 aps + aqs q . . . . . . an1 ans o, en notaci on por las: Ci = Ai i = q Cq = Ap + Aq
Ep,q () A
a1s . . . aps . . . aqs . . . ans
Se tiene entonces que el efecto, sobre A, de la premultiplicaci on por Ep,q () es una matriz que s olo diere de A en la la q : Esta es la suma de la la p ponderada por y la la q . Es importante observar que la matriz Ep,q () es triangular inferior, que tiene unos en la diagonal y adem as:
16
Denici on 1.11 (Matriz elemental). Denimos la matriz elemental Ep,q () Mnn ( ) como:
Ep,q ()
n. En efecto, sea C = Ep,q ()Ep,q (). Se tendr Demostracio a que C es la matriz cuya la q es la suma de la la p de Ep,q (), ponderada por y la la q de Ep,q (). Es decir: Cq = (0 . . . 0 1 0 . . . 0) + (0 . . . 0 . . . 0 0 . . . 0)
p p q
= (0 . . . 0 0 . . . 0) + (0 . . . 0 . . . 0 1 0 . . . 0).
p p q
Luego: Cq = (0..,0..,1..,0..,0) adem as i = q Ci es la i- esima la de la identidad. Es decir C = I , la matriz identidad
1.5.
Sistemas lineales y escalonamiento de matrices
Las matrices elementales son de gran utilidad en la resoluci on de sistemas de ecuaciones lineales. Ejemplo: Consideremos, a modo de ejemplo, el sistema de ecuaciones x1 + 2x2 + x3 + x4 = 2 2x1 + 3x2 x3 = 1 x1 + x3 + x4 = 1 (1) (2) (3)
Para resolverlo, utilizamos la eliminaci on de variables, pero en forma ordenada, desde la primera variable de la izquierda y desde arriba hacia abajo: 17
Proposici on 1.8. Ep,q () es invertible. Su inversa es la siguiente: 1 .. . 0 1 .. . . 1 . (Ep,q ()) = . 1 0 1 . . . . . 1 . . . .. . . . . . 0 0 0 1
(Ep,q ())1 = Ep,q ()
x1 + 2x2 + x3 + x4 = 2 7x2 + x3 + 2x4 = 3 x1 + x3 + x4 = 1
Luego, multiplicamos la primera por 1 y la sumamos a la tercera: x1 + 2x2 + x3 + x4 = 2 7x2 + x3 + 2x4 = 3 2x2 = 1
2. Continuamos ahora con x2 , pero a partir de la segunda ecuaci on. 2 y sum andola a la tercera se obtiene: Multiplicando la segunda por 7 x1 + 2x2 + x3 + x4 = 2 7x2 + x3 + 2x4 = 3 2 4 1 x3 + x4 = 7 7 7 Ya no es posible eliminar m as variables. Ahora, desde la u ltima hasta la primera ecuaci on despejamos en funci on de x4 : 1 1 4 x3 = x4 = 2x4 2 2 2 1 1 1 1 x2 = (x3 2x4 + 3) = (2x4 + 2x4 + 3) = 7 7 2 2 1 3 1 x1 = 2x2 x3 x4 + 2 = 2 + 2x4 + x4 + 2 = x4 + 2 2 2 Obteni endose la soluci on: x1 = 3 + x4 2 1 x2 = 2 1 x3 = 2x4 2 x4 = x4
As , para cualquier valor real de x4 , obtenemos una soluci on del sistema. Existen entonces, innitas soluciones, dependiendo de la variable x4 . La variable x4 se denomina independiente o libres. Veamos ahora, en general, qu e es un sistema de ecuaciones,
18
1. Eliminamos la variable x1 en las ecuaciones (2) y (3): para ello multiplicamos la primera por dos y la sumamos a la segunda obteniendo:
sistema de ecuaciones
a11 x1 + + a1n xn = b1 . . . . . . . . . am1 x1 + + amn xn = bm
en donde los coecientes, aij , y el lado derecho, bj , son elementos del cuerpo
Deniendo la matriz: a11 . . A= . am1 a1n . . . Mmn ( ) amn
la m-tupla (lado derecho) y la n tupla de inc ognitas x1 b1 . . m . . , x= b= . . xn bm
Podemos escribir el sistema matricialmente: Ax = b,
Eliminar x2 en la tercera ecuaci on a partir de la segunda es equivalente a multiplicar la segunda la por 2 7 y sumarla a la tercera: 1 2 1 1 2 | 0 7 1 2 3 = (A b) 2 1 4 0 0 7 7 7 19
Eliminar x1 de la segunda ecuaci on es equivalente a producir un cero en la posici on (2,1) de (A|b). Para ello se multiplica la primera la por 2 y se suma a la segunda la. Para eliminar x1 de la tercera ecuaci on se multiplica la primera la por 1 y se suma a la tercera 1 2 1 1 2 1 2 1 1 2 (A|b) 0 7 1 2 3 0 7 1 2 3 1 0 1 1 1 0 2 0 0 1
Realizar el procedimiento de eliminaci on de variables descrito en el ejemplo precedente, con el n de resolver el sistema, es equivalente a producir ceros en la matriz aumentada con la columna lado derecho, (A|b) Mm(n+1) ( ). En el ejemplo anterior: 1 2 1 1 2 2 3 1 0 1 (A|b) = 1 0 1 1 1
matriz aumentada, (A|b)
Denici on 1.12 (Sistema de ecuaciones). Un sistema de m ecuacionesy n inc ognitas consiste en el siguiente conjunto de ecuaciones en las variables x1 , ..., xn :
Ax = b
Sumar a una la q , la la p ponderada por un n umero
De la denici on de matrices elementales sabemos que esto es equivalente a premultiplicar por la izquierda por la matriz Ep,q (). Veamos esto en el mismo ejemplo. Ejemplo: 1. Producir un cero en la posici on 1 0 E1,2 (2)(A|b) = 2 1 0 0 1 2 = 0 7 1 0 (2,1) de (A|b): 0 1 2 1 1 2 0 2 3 1 0 1 1 1 0 1 1 1 1 1 1 2 1 1 2 3 1
2. Producir un cero en la posici on (3,1): 1 0 0 1 2 E1,3 (1)E1,2 (2)(A|b) = 0 1 0 0 7 1 0 1 1 0 1 2 1 = 0 7 1 0 2 0 1 1 2 3 0 1
1 1 1 2 1 1
2 3 1
3. Producir un cero en la posici on (3,2) desde la posici on (2,2): 1 2 1 1 2 1 0 0 2 )E1,3 (1)E1,2 (2)(A|b) = 0 1 0 0 7 1 2 3 E2,3 ( 7 1 0 2 0 0 1 0 2 7 1 = 0 0 2 7 0 1 1
2 7
1 2
4 7
1 7
2 3
Se concluye entonces que la operaci on de eliminaci on de variable puede realizarse mediante la pre-multiplicaci on de (A|b) por matrices elementales. 20
= As , el sistema inicial es equivalente al sistema Ax b. Conviene se nalar que en el procedimiento anterior la operaci on de base ha sido:
lo cual nos permite seguir produciendo ceros. Consideremos ahora A Mmn ( ), denimos la matriz escalonada asociada Mmn ( ), tal que: A a 11 a 12 a 1i2 a 2i2 .. . A= a sis 0
Vemos que, como a22 = 0, no es posible producir ceros en la segunda columna, a partir de a22 . Luego intercambiamos el orden de las las (claramente esto no cambia el sistema de ecuaciones asociado). Por ejemplo, colocamos la cuarta la en la segunda posici on y la segunda en la cuarta. Esto es equivalente a premultiplicar por I24 : 1 0 0 0 1 1 1 1 1 1 1 1 0 0 0 10 0 1 1 0 2 0 1 I24 (A|b) = = , 0 0 1 0 0 1 0 1 0 1 0 1 0 1 0 0 0 2 0 1 0 0 1 1
a la matriz A, como a 1n a 2n . . . a sn . 0
matriz escalonada, A
asis = 0, se denominan pivotes. donde los elementos a 11 = 0, a 2i2 = 0, ..., Notar que hemos supuesto que la primera columna no tiene ceros. De no ser as , quiere decir que la primera variable no juega ningun rol, y por lo tanto si el sistema tiene soluci on esta variable queda de inmediato libre. Supondremos en lo que sigue que la primera columna no es cero. Observaci on: No hay una u nica manera de escalonar una matriz. En efecto en el u ltimo ejemplo podr amos haber permutado las las 2 y 3 en vez de las 2 y 4. Hay dos cosas que son importantes de resaltar a este respecto: 1. Desde el punto de vista de sistemas de ecuaciones no hay diferencia entre un escalonamiento u otro: todos dan el mismo conjunto soluci on (probablemente descrito de distinta manera). 2. Es preferible por otras razones (te oricas, como son el c alculo del determinante y la determinaci on de matrices denidas positivas) tratar de no utilizar permutaciones .
21
Hay casos en que tambi en es necesario utilizar matrices de permutaci on de las. Por ejemplo, si se tiene: 1 1 1 1 0 0 1 1 (A|b) = 0 1 0 1 0 2 0 1
pivotes
donde Ej es una matriz elemental de suma o de permutaci on de las. Adem as, recordemos que las matrices elementales son invertibles. Esta propiedad es crucial para probar que el sistema original, Ax = b, y el obtenido = despu es del escalonamiento, Ax b, son equivalentes (tienen id entico conjunto de soluciones). En efecto: Proposici on 1.9. Dada una matriz C , invertible entonces: a K n es soluci on de Ax = b a es soluci on de (CA)x = Cb. n. La demostraci Demostracio on es simple: ) Si Aa = b, entonces C (Aa) = Cb y por ende (CA)a = Cb. ) Supongamos (CA)a = Cb. Como C es invertible se tiene C 1 (CA)a = C 1 (Cb), lo cual implica que Aa = b. Como las matrices elementales son invertibles y el producto de matrices invertibles tambi en lo es, y por lo tanto podemos usar la Proposici on 1.9 = b son con C = j Ej , para concluir que los sistemas Ax = b y Ax equivalentes.
22
se obtiene mediante la premultiplicaci La matriz A on de A por matrices elementales: = ( Ej )A, A
Gu a Semana 2
1. Encuentre un ejemplo de una matriz que sea de permutaci on, pero no sea matriz elemental de permutaci on. 2. Dadas Ipq Mnn ( ) y B Mqn ( ), pruebe que BIpq corresponde a las matriz B con las columnas p y q permutadas. Indicaci on: Puede usar la parte 1 de la Proposici on 1.1. 3. Escriba los siguientes sistemas de ecuaciones en las variables xi , de forma matricial Ax = b, especicando claramente A, b y x con sus dimensiones: 2x1 + 4x2 x3 + x5 = 0 x1 16x2 + x3 + 3x4 + 6x5 = 2 (a) 1 3 x2 10x3 + x4 6x5 = 2x3 3 x5 = 1 x1 x3 x4 + 4 x4 + x1 = 3 4x1 7x2 + x3 12x4 = 1 (b) 11 = x3 1 ( x x ) + x x5 = 20 1 3 4 3 x1 ( 1)x2 + x3 x4 = 2 7x2 + x3 = + , con , . (c) = 3 x1 x2 + x4 3 2x1 = 1 4x2 = 2 (d) 9x3 = 0 3 2 x4 = 1
Propiedad 1.1
4. Escriba expl citamente las siguientes multiplicaciones de matrices:
(a) I12 E13 (1, 1), en M44 ( ). (d) E23 (0, 3i)1 E12 (1, i)E34 ( 1 2 , 3), en M ( ). 44 (b) I34 E23 (i, 2)I34 , en M44 ( ). (c) E12 (2, 1)E13 (1, 1), en M33 ( ).
Problemas
1 . P1. Sea J Mnn ( ) tal que J = . .
.. .
(a) Pruebe que Je = ne y J 2 = nJ . (c) Sea =

1 n. 1 n,
1 1 . . . . . y e = . . 1 1
(b) Sea =
Calcule tal que (I J )1 = I + J . verique que (I J )e = 0.
P2. (a) (1) Sean A, B matrices de n m con coecientes reales. Pruebe que A = B x Mm1 ( ), y Mn1 ( ) xt Ay = xt By. 23
Ejercicios
Pag. 12
A = B x Mn1 ( ) xt Ax = xt Bx. (b) Demuestre que si una matriz cuadrada A verica Ak = I , para alg un natural k 1, entonces A es invertible y determine su inversa. x y (c) Encuentre todas las matrices de la forma A = que cum0 y plen A2 = I (x, y, z ).
+ + + +
P3. Considere el siguiente sistema lineal: x1 x1 x1 x1 x2 2x2 4x2 x3 x3 x3 2x3 + + + 2x4 2x4 3x4 4x4 = 1, = 1 , = 2, = 5.
(a) Escriba el sistema de forma matricial Ax = b. Especique claramente A, b y x, junto con sus dimensiones. (b) Resuelva es sistema lineal escalonando la matriz aumentada (A|b). P4. Considere el siguiente sistema lineal: x1 x1 2x1 + + + 2x2 x2 3x2 x2 + + + 3x3 3x3 3x3 + x4 x4 = 1, = 1, = 0, = 2 .
2x4
(a) Escriba el sistema de forma matricial Ax = b. Especique claramente A, b y x, junto con sus dimensiones. (b) Resuelva es sistema lineal escalonando la matriz aumentada (A|b).
24
Indicaci on: Calcule et j Aei donde ej = (Im )j y ei = (In )i . Im y In son las identidades de tama nos m y n respectivamente. (2) Sean A, B matrices de n n sim etricas con coecientes reales. Pruebe que
1.6.
general de sistemas lineales Solucion
Dado el sistema Ax = b, A Mmn ( ), b (escalonando (A|b)) obtenemos: a 11 a 1i2 0 0 a 2i2 . . . .. . . . . . . . | (A b) = 0 0 0 a sis 0 0 0 0 . . . . . . 0 0 0
m, x n, al escalonarlo
a 1n . . . . . . a sn 0 . . . 0 b1 . . . . . . . bs bs+1 . . . bm
sis son no nulos. Claramente, si existe donde los elementos a 11 , a 2i2 , . . . , a un ndice j s + 1 tal que bj = 0, el sistema no tiene soluci on, ya que se tendr a una ecuaci on incompatible: 0 = bj = 0. Luego, el sistema tiene soluci on si y solo si bk = 0 k s + 1. En efecto, si bk = 0, k s + 1, se obtiene la(s) soluci on(es) despejando desde la s- esima ecuaci on hasta la primera en funci on de las variables independientes. En este caso diremos que el sistema es compatible. Cada una de las diferencias en el n umero de columnas que son cero bajo las las sucesivas, las llamaremos pelda nos o escalones . As el pelda no que se produce entre la la k y k +1 es ik+1 ik . Notar que el u ltimo pelda no es: n + 1 is , es decir los pelda nos se miden en la matriz aumentada. La importancia de estos pelda nos es la siguiente: Proposici on 1.10. Si existe soluci on para el sistema Ax = b y en la ma hay alg triz A un pelda no de largo mayor o igual a dos, entonces existe m as de una soluci on.
sistema compatible pelda nos
n. En efecto. Como por cada la no nula de la matriz esDemostracio calonada podemos despejar a lo m as una variable, tendremos entonces que dejar libres tantas variables como n umero de pelda nos, menos uno. Un corolario directo del resultado anterior es Corolario 1.2. Si el sistema Ax = b es tal que n > m (n umero de inc ognitas mayor que el n umero de ecuaciones), entonces tiene innitas soluciones, si es compatible. n. En efecto, como n > m siempre existe en la matriz esDemostracio calonada, A, un pelda no de largo superior o igual a dos. De no ser as se
25
SEMANA 3: MATRICES
escalones
de donde m = n.
a 11 0 . = A . . . . . 0
a 12 a 22 0 . . . 0
. . . 0
Un caso particular importante es cuando el lado derecho del sistema es nulo, b = 0. Hablamos entonces de un sistema homog eneo , Ax = 0. Vemos que, en este caso, siempre existe al menos una soluci on, la trivial x = 0 n . En otras palabras sabemos de antemano que todo sistema homog eneo es compatible. Podemos resumir nuestro estudio de sistemas en el cuadro siguiente:
sistema homog eneo
Dimensiones N umero Soluciones Ejemplo:
Sistema Homog eneo (b = 0) nm n>m 1,
Sistema no-Homog eneo (b = 0) nm n>m 0, 1, 0,
Resolvamos el sistema 1 1 1 2 0 1 1 1 Escalonando: 1 1 0 3 (A|b) 0 1 0 2 1 1 1 0
1 1 0 1 1 0 1 1
x1 1 1 x2 0 0 x = 1 3 0 x4 0 1 x5
1 1 1 1 1 1 1 1 1 0 1 1 0 3 1 0 1 1 2 1 0 3 3 0 1 0 0 0 2 3 2 0 1 0 0 2 0 1 0 3 3 3 1 1 1 1 1 1 0 3 1 0 1 1 2 1 0 0 3 0 2 3 3 0 0 0 0 1 1 Obtenemos que los pelda nos medidos desda la la 1 son sucesivamente: 1,1,2,1. De la u ltima ecuaci on despejamos x5 = 1. Con esta informaci on en la tercera ecuaci on dejamos libre x4 y despejamos x3 . En la segunda ecuaci on despejamos x2 y nalmente de la primera despejamos x1 , para obtener. x5 = 1 x4 : libre 3 1 2 1 1 1 x3 = ( x5 ) = x5 = + 1 = 2 3 3 2 2 2 1 1 1 1 x2 = (1 x3 x5 ) = (1 + 1) = 3 3 2 2 1 1 x1 = 1 x2 x3 x4 x5 = 1 x4 + 1 = 1 x4 2 2 26
tendr a
a 1n a 2n . . . . . . a mn
1.7.
Sistemas cuadrados y Algoritmo de Gauss
Supongamos que el n umero de ecuaciones es igual al n umero de inc ognitas (n = m), en este caso el sistema se escribe: Ax = b, A Mnn ( ), x, b
donde entre los elementos de la diagonal, a ii , podr a haber algunos nulos. Se nalemos que en el caso de matrices cuadradas el proceso de escalonamiento se denomina Algoritmo de Gauss. Un resultado importante, que relaciona matrices invertibles, soluci on de sistemas y el algoritmo de Gauss, es el siguiente:
la matriz escalonada, sin considerar el nuevo Escalonemos el sistema y sea A lado derecho b: a 11 a 1n . .. = . A . . 0 a nn
Algoritmo de Gauss
Teorema 1.1. Sea A Mnn ( ), entonces las proposiciones siguientes son equivalentes: 1. A es invertible. 2. b
n
n, Ax = b tiene soluci on u nica.
3.
i=1
a ii = 0.
n. Utilizamos un argumento de transitividad para probar Demostracio solamente que: (1 2). Si A es invertible consideremos entonces A1 . As (A1 A)x = 1 1 A b y luego x = A b, por ende el sistema tiene soluci on y claramente esta es la u nica. En efecto si x1 , x2 n son soluciones, entonces Ax1 = Ax2 = b y se tendr a multiplicando por A1 que (A1 A)x1 = (A1 A)x2 , pero entonces 1 x = x2 .
la matriz escalonada asociada a A y supongamos que para (2 3). Sea A alg un i: a ii = 0. Esto quiere decir que alguno de los escalones tiene largo mayor o igual que 2 y por lo tanto el sistema homog eneo Ax = 0 tiene innitas soluciones (por Proposici on 1.10) lo que es una contradicci on. Por n lo tanto para todo i = 1, . . . , n a ii = 0 o equivalentemente i=1 a ii = 0.
27
1 La soluci on general es: x1 = 1 x4 , x2 = 1 2 , x3 = 2 , x4 = x4 , x5 = 1 Existen entonces innitas soluciones, una por cada valor de la variable independiente x4 .
donde las matrices Fk son del mismo estilo que las matrices elementales que hemos usado. Sabemos entonces que las matrices D, E = j Ej y F = 1 DF 1 concluimos que A tambi en es k Fk son invertibles y como A = E invertible. Como corolario importante de lo demostrado en esta parte es que:
son todos no nulos. gonales de A =( Notemos que A j Ej )A, donde las matrices Ej son elementales y por lo tanto invertibles. Podr amos ahora escalonar hacia arriba la matriz A para obtener de manera similar una matriz diagonal D. Esto lo podemos . Es decir hacer de manera que D tenga por diagonal la misma que A a 11 0 . . .. . D= . Fk , . . . = Ej A j k 0 a nn
i=1
Corolario 1.3. Una matriz triangular superior es invertible si y s olo si todos sus elementos diagonales son distintos de cero. Observaci on: Notemos que pasando por la traspuesta se deduce que si A es triangular inferior entonces es invertible si y solo si todos sus elementos diagonales son distintos de cero. M as a un la inversa de una triangular inferior es triangular inferior. En efecto, si aplicamos el algoritmo de escalonamiento sin permutar obtendremos: a11 0 r . . .. = . . Ej )A, A . . =( . j =1 0 ann donde r es el n umero de pasos tomados por el algoritmo y las matrices elementales Ej son del tipo Epq (, 1). Notar que los pivotes son los elementos de la diagonal de A. Como la inversa de cada Ej es del mismo tipo se deduce que
1
A=(
j =r
(Ej )1 )A.
r
)1 ( A1 = (A
Ej ),
j =1
y por lo tanto la inversa de A es triangular inferior y adem as sus elementos diagonales son 1/aii i = 1, .., n. Notar que el producto de las inversas en la expresi on anterior est a tomado en sentido opuesto:
r 1
(
j =1
Ej )1 =
j =r
(Ej )1 .
28
(3 1). Supongamos
a ii = 0, esto quiere decir que los elementos dia-
Pasando por la traspuesta podemos deducir que la inversa de una triangular superior tambi en es triangular superior.
1.8.
Calculo de la inversa
Supongamos que dada una matriz cuadrada A de tama no n, buscamos una matriz Z de n n tal que AZ = I . Si describimos Z por sus columnas, esto es Z = (Z1 Zn ) entonces la ecuaci on AZ = I es equivalente a los n sistemas AZi = ei , con i {1, . . . , n}, y ei la i- esima columna de I.
Probemos ahora que, Proposici on 1.11. Si los n sistemas anteriores tienen soluci on, entonces A es invertible y adem as A1 = Z . n. Para ello probemos primero que b Demostracio b tiene soluci on.
n el sistema Ax =
En efecto sea b = (b1 bn )t un elemento de n , y consideremos a = b1 Z1 + bn Zn n . Utilizando las propiedades de la suma, multiplicaci on y ponderaci on de matrices se obtiene que
Aa = A(b1 Z1 + b2 AZ2 + bn Zn ) = b1 AZ1 + b2 AZ2 + bn AZn b1 0 0 1 0 b2 1 0 . . . . . . . = b1 . . + b2 . + bn . = . 0 b 0 0 0 0 1
n1
bn
y por lo tanto a es una soluci on del sistema Ax = b.
= b,
Si A no fuese invertible esto quiere decir que al escalonar A, se tendr a que : alg un a ii = 0. Consideremos las las i e i + 1 de A . . . A = A i = Ai+1 . . . . . . a ii = 0 a ii+1 0 a i+1i+1 . . . .
0 0
0 0
a in a i+1n
Si a ii+1 = 0, a i+1i+1 = 0 habr amos permutados las las y por lo tanto la matriz escalonada tendr a un 0 en la posici on (i + 1, i + 1), lo que es una contradicci on. Si a ii+1 = 0 entonces podemos utilizar este elemento para escalonar hacia abajo y por lo tanto a i+1i+1 = 0. En cualquier caso se deduce que a i+1i+1 = 0, y por un argumento de inducci on que a nn = 0, 29
. Denamos de A a A
1 Si consideramos el sistema Ax = b tendremos que al escalonar la matriz aumentada (A|b) se obtendr a una matriz escalonada (usando las mismas operciones elemementales) | (A b) = C (A|b) = . . . 0 . . . 1 ,
0 0 . . b = C 1 . . 0
lo que representa un sistema incompatible y por lo tanto Ax = b no puede tener soluci on. Hemos obtenido una contradicci on y por lo tanto la u nica posibilidad es que i = 1, .., n a ii = 0, y por lo tanto A es invertible. Ahora de AZ = I se obtiene premultiplicando por A1 que Z = A1 . Notemos que de paso se ha probado el siguiente resultado interesante olo si todo Corolario 1.4. Una matriz A Mnn ( ) es invertible si y s sistema Ax = b tiene soluci on. Lo que a su vez es equivalente a todo sistema Ax = b tiene soluci on u nica, por lo probado anteriormente.
Ejercicio
Ejercicio 1.4: Qu e puede decir de una matriz cuadrada A para la cual todo sistema Ax = b tiene a lo m as una soluci on?. Debe ser A invertible?. Pru ebelo.
Para saber si una matriz es invertible hemos entonces probado que basta estudiar n sistemas lineales. Para el c alculo de la inversa podemos ir un poco m as lejos. Consideremos el siguiente ejemplo: Ejemplo: 0 1 1 A = 1 1 2 1 1 0 0 1 1 (A|I ) = 1 1 2 1 1 0 30 1 0 0 1 0 0
luego:
0 0 1
debe ser 0. Consideremos ahora la matriz esto es toda la u ltima la de A = CA, es decir la matriz que permite pasar invertible C = Ej , donde A
En este paso ya estamos en condiciones de resolver los tres sistemas. Pero podemos a un pivotear, ahora sobre la diagonal; sin alterar la soluci on (ya que multiplicamos por matrices invertibles): 1 1 1 1 0 0 0 1 1 0 1 0 2 2 0 2 2 0 1 1 0 2 2 0 1 1 1 1 0 0 2 1 1 1 0 0 2 1 2 2 2 2 1 1 1 3 1 0 0 2 1 0 1 0 1 2 2 4 4 1 1 1 0 2 0 1 2 0 2 0 1 2 2 1 2 1 1 1 0 0 2 1 2 2 0 0 2 1 2 1 2 Finalmente, premultiplicando por la matriz invertible: 1 0 0 1 0 D = 0 2 0 0 1 2 1 0 ) = 0 1 (I |I 0 0 1 3 0 1 2 4 4 1 1 0 1 2 4 4 1 1 1 1 2 4 4
1 1 0 0 0 1 1 1 0 0 (A|I ) 1 1 2 0 1 0 0 2 2 0 0 1 1 1 0 0 0 1 1 1 1 1 0 0 0 1 0 2 2 0 1 1 1 1 0 0 2 1 2 2
0 1 1 1 0 0
Se tiene:
de donde:
Obteniendo los sistemas de soluci on trivial: 1 1 3 x11 2 x12 x13 4 4 , I x22 = , I x23 = 1 , I x21 = 1 1 2 4 4 1 1 x31 1 x32 x33 2 4 4 X = A1 En efecto: AA1 1 1 2 4 1 =1 2 4
1 2 3 4 1 4 1 1 4 4
0 0 1 0 0 1
1 1 3 0 1 1 2 4 4 1 1 1 0 = 1 1 2 1 = 2 4 4 1 1 1 1 1 0 0 2 4 4
Luego para calcular la inversa de A Mnn ( ) basta aplicar el Algoritmo de Gauss sobre la matriz (A|I ). Una vez que se ha obtenido la matriz 31
Escalonando:
Qu e sucede si una matriz A no es invertible? Sabemos que necesariamente aparecer a, al escalonar, un pivote nulo irreparable. Ejemplo: 0 2 1 0 0 1 1 2 0 1 0 y 0 0 2 0 0 1 0 1 0 = 1 , Ax = 0 son y los sistemas Ax 1 1 1 (A|I ) = 1 1 0 2 1 0 1 0 1 1 0 0 1 0 0 0 1
incompatibles.
Pero, en ocasiones, hay pivotes nulos reparables. Ejemplo: 1 1 1 1 1 0 1 1 0 0 0 0 0 1 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 1 1 1 0 0 0 1
Ac a el elemento a 22 = 0, pero podemos, premultiplicando por la matriz de permutaci on I23 , intercambiar las las 2 y 3 obteniendo: 1 1 1 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 1 1 1 0 1 0 1 1 1 0 1 0 1 0 0 1 1 0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 1 0 0 0 0 1 0 0 1 0 1 0 0 1 1 A1 = 0 1 1 . 0 0 1 1 1 0 1 1 0 Ejemplo y ejercicio importante: Descomposici on LDU . Supongamos que al escalonar A Mnn ( ) no encontramos pivotes nulos (no permutamos las!). Se obtiene entonces a 11 a 1p .. = ( Ej )A .
Ejercicio LU , LDU
a nn
donde cada una de las matrices Ej es de la forma: 1 .. . 0 1 , .. . 0 1 32
, realizar el mismo procedimiento para los elementos triangular superior A sobre la diagonal. Finalmente, se premultiplica por una matriz diagonal . para obtener la identidad en el lugar de A
1. Pruebe que la matriz

j
Ej es invertible y su inversa es triangular
inferior con 1s en la diagonal. Digamos: 1 .. . 21 1 ( Ej ) = L = . .. . . . j n1 nn1 Despejamos entonces A: Ej )1 a n 0 . . . a 1n a nn
0 . . . . . . 1
A=(
j
1. Concluya que si al escalonar A no se realizan permutaciones, A puede factorizarse como el producto de una matriz L, triangular inferior con unos en la diagonal, y una matriz U , triangular superior, donde los pivotes guran en la diagonal. Esta factorizaci on se llama descomposici on LU . 2. Recordando que 21 A= . . . n1 1 ..
n i=1
a ii = 0, demuestre que: 1 11 a 0 1 0 . . .
a 12 a 11
0 .. . nn1
..
..
a 1n a 11 a n1n a n1n
. . .
(1.4) Es decir, A admite una factorizaci on A = LDU , en donde L es triangular inferior con unos en la diagonal, D es diagonal (formada por los pivotes del escalonamiento) y U es triangular superior con diagonal de unos. Esta factorizaci on se llama descomposici on LDU . 3. Demuestre que si A admite la descomposici on LDU de (1.5), entonces la descomposici on es u nica. 4. Demuestre adem as que si A es sim etrica, entonces L = U t . 5. Encuentre la descomposici on LDU de 1 1 1 A = 0 1 1 . 1 2 0
a nn
33
Gu a Semana 3
Ejercicio 1.4
1. Qu e puede decir de una matriz cuadrada A para la cual todo sistema Ax = b tiene a lo m as una soluci on?. Debe ser A invertible?. Pru ebelo. 2. Supongamos que al escalonar A Mnn ( ) no encontramos pivotes nulos (no permutamos las!). Se obtiene entonces a 11 a 1p .. = ( Ej )A . 0 a nn
j
donde cada una de las matrices Ej es de la forma Epq (, 1), con a ) Pruebe que la matriz
j
Ej es invertible y su inversa es triangular
inferior con 1s en la diagonal. Digamos: 1 .. . 21 ( Ej )1 = L = . .. . . . j n1 nn1 Despejamos entonces A: Ej )1 a n 0 . . . a 1n a nn
0 . . . . . . 1
A=(
j
a ) Concluya que si al escalonar A no se realizan permutaciones, A puede factorizarse como el producto de una matriz L, triangular inferior con unos en la diagonal, y una matriz U , triangular superior, donde los pivotes guran en la diagonal. Esta factorizaci on se llama descomposici on LU . b ) Recordando que 21 A= . . . 1 ..
n i=1
a ii = 0, demuestre que: 1 a 11 0 0 .. . a nn 1 . . .
a 12 a 11
0 .. . nn1
..
a 1n a 11 a n1n a n1n
. . .
n1
(1.5) Es decir, A admite una factorizaci on A = LDU , en donde L es triangular inferior con unos en la diagonal, D es diagonal (formada por los pivotes del escalonamiento) y U es triangular superior con diagonal de unos. Esta factorizaci on se llama descomposici on LDU .
34
Ejercicios
LU, LDU
e ) Encuentre la descomposici on LDU de 1 1 1 A = 0 1 1 . 1 2 0
Problemas
1 1 1 P1. (a) Sea la matriz de coecientes reales A = a b c . Demueste a 2 b 2 c2 que si la ecuaci on Ax = 0 tiene una u nica soluci on entonces (a = b) (a = c) (b = c). (b) Considere el sistema lineal a coecientes reales siguiente x1 x1 x1 + + x2 x2 x2 + + + x3 x3 x3 + x4 + x4 = = = = 0, 0, 0, 0.
Determine las condiciones sobre los par ametros reales y que garanticen que el sistema tenga una u nica soluci on. P2. (a) Considere las matrices cuadradas A, B Mnn ( ). Demuestre que 1) A es invertible si y s olo si AAt es invertible. 2) Si A2 = A y B = I A entonces B 3 = B .
Si A es invertible, utilice las condiciones dadas para calcular las matrices A y B .
(b) Considere los vectores u, v Mn1 ( ) \ {0}. Se dene la matriz A Mnn ( ) por A = uv t .
1) Pruebe que x Mn1 ( ), Ax = 0 v t x = 0. Indicaci on: Observe que v t x . 2) Encuentre el n umero de variables libres en la resoluci on del sistema Ax = 0. Es A invertible?
P3. Considere
Estudiaremos las soluciones del sistema Ax = b, con x M41 ( ). Encuentre los valores de y de manera que: 35
1 1 A= 0 2
2 1 3 1
3 1 0 1 3 3 2
2 b= 0 . 2
c ) Demuestre que si A admite la descomposici on LDU de (1.5), entonces la descomposici on es u nica. d ) Demuestre adem as que si A es sim etrica, entonces L = U t .
El sistema tenga una u nica soluci on. Encuentre la matriz inversa de A y calcule la u nica soluci on del sistema. El sistema tenga innitas soluciones y encuentre sus soluciones. Determine adem as el n umero de variables independientes.
36
El sistema no tenga soluci on.
2.
2.1.
Sea
Geometr a lineal en
Deniciones basicas
x1 . n 1 = Mn,1 ( ) = { . . | xi , i = 1, . . . , n } . xn Recordar que en n = Mn,1 ( ) tenemos una suma (de matrices columna) denida por: y1 x1 x1 + y1 . . . . si x = . , entonces x + y = ,y . . ,y= . .
n un cuerpo. Anotaremos los vectores de como columnas, es decir,
n = Mn,1 ()
xn
yn
con ella resulta que (
n , +) es un
x1 . y opuestos x = . . = xn xn Agregamos ahora la operaci on Multiplicaci on por Escalar denida como sigue: x1 . on Denici on 2.1. Si x = . . y , entonces se dene una funci
0 . grupo Abeliano, con neutro 0 = . . 0 x1 . . . .
xn + yn
Ponderaci on
x1 . , en donde x = . on . . Se le llama ponderaci (, x) x xn o multiplicaci on por escalar.
xn
Observaci on: Llamaremos vectores columna, o simplemente vectores, el a los elementos de n , y escalares a los elementos de . De aqu nombre de esta operaci on.
1 Para jar ideas puede pensar en lo que sigue en = y n = 2 o 3, que con seguridad le ser an familiares de sus cursos de C alculo. Sin embargo, salvo cuando se diga puede ser cualquier cuerpo, y n un natural mayor o igual expl citamente lo contrario, a 1.
37
SEMANA 4: GEOMETR IA
1. (x 2. 3. 4. 5.
n ) 1 x = x (1 , 2 ) (x n ) 1 (2 x) = (1 2 )x (1 , 2 ) (x n ) (1 + 2 )x = 1 x + 2 x ( ) (x, y n ) (x + y) = x + y. ( ) (x n ) x = 0 = 0 x = 0.
n. Las demostraciones de estos hechos son c Demostracio alculos elementales y quedan como un ejercicio muy simple para el alumnos. Queda adem as el lector encargado de vericar que esta u ltima propiedad se puede tambi en obtener como consecuencia de las propiedades 1. a 4. , m as un cuerpo. los hechos de que ( n , +) es un grupo Abeliano y
Ejercicio
Ejemplos: Caso
= .
n = 1: El conjunto de vectores es 1 = , la recta real, el + es la suma usual en y la multiplicaci on por escalar es el producto en .
n = 2: El conjunto de vectores es
2 = 2, el plano x1 x2.
x= x x
1 2
Un vector x representar a ambos, un punto del plano y una echa partiendo del origen que termina en dicho punto. La suma de elementos de 2 corresponde entonces a la suma usual de echas en el plano:
y x
x+y
y del mismo modo se representa la ponderaci on: 38
Proposici on 2.1. Se tienen las siguientes propiedades:
2x x 1/2 x x
x 0 x=0 (-1) x
n = 3: La representaci on de vectores en 3-dimensional:
3 se hace en el espacio
x x= x x
1 2 3
La ponderaci on se representa de modo similar al caso plano, y la suma de vectores tambi en corresponde a la diagonal del paralel ogramo denido por los sumandos:
x+y
39
y v y-x 0 x
2.2.
Rectas en
A partir de nuestra intuici on geom etrica rescatamos del concepto de recta (en el plano o en el espacio ) dos elementos importantes: que una recta dene una direcci on de movimiento y que pasa por alg un lugar.
p
Pasa por p Direccion
L2
La misma direcccion No pasa por p
L1 q
Las rectas L1 y L2 del dibujo llevan la misma direcci on, y lo que las diferencia es que pasan por distintos puntos. De hecho L2 es L1 desplazada. Intentamos entonces denir una recta en n como sigue: Denici on 2.2 (Recta). Sean d n \ {0} un vector y p n un punto dado. La recta L que pasa por p y va en la direcci on de d es el siguiente subconjunto de n :
Observaci on: A veces conviene (por ejemplo, para mayor claridad de una gura) dibujar un vector como una echa que parte de alg un otro punto distinto del origen. A modo de ejemplo consideremos x, y 2 y sea v = y x. Se ve f acilmente que v ser a una echa partiendo en el origen que tiene el mismo tama no y apunta hacia el mismo lado que una echa que parta en x y termine en y. Dado esto, muchas veces no nos molestamos en dibujar v partiendo del origen, sino que s olo dibujamos la echa de x a y.
Recta
L = L p,d = { v
n | v = p + td, t }.
40
p +t d
L
d
td
Se dice que p es una posici on de L y que d es un vector director de L.
posici on de L vector director de L Ejercicio
Ejercicio 2.1: Un par de observaciones importantes: 1. Muchas posiciones denen la misma recta. Probar que, dado d n \ {0} jo, se tendr a q Lp,d Lq,d = Lp,d . (Las posiciones de una recta L son sus puntos.)
2. Muchos vectores directores denen una misma recta. Probar que, dado p n jo, se tendr a Lp,d = Lp,d ( \ {0}) d = d. (Los vectores directores de una misma recta son los m ultiplos no nulos de un vector director dado.)
El Ejercicio 2.1.2 motiva la siguiente denici on: Denici on 2.3 (Vectores paralelos). Sean v, w n . El vector v se dice paralelo a w (lo que se anota v w) ssi ( \ {0}) w = v.
Usando esta denici on, el Ejercicio 2.1.2 puede ser replanteado como d es un vector director de Lp,d d d.
Ejercicio
Ejercicio 2.2: 1. Si A n y p n , denimos la traslaci on de A en el vector p por p + A = {p + x | x A}. Mostrar que las rectas que pasan por p n son exactamente las traslaciones en p de las rectas que pasan por el origen 0.
41
paralelo
2. Sean p, q n , con p = q. Mostrar que la recta de posici on p y vector director d = q p es la u nica recta que pasa por ambos puntos, p y q.
q p
q-p
Observaci on: La ecuaci on v = p + d,
ecuaci on vectorial de la recta
que describe los puntos (vectores) de la recta Lp,d a medida que se var a se llama ecuaci on vectorial de la recta Lp,d.
2.3.
Planos en
Sean p n y d1 , d2 n \ {0} vectores no paralelos. Apelando a nuestra intuici on en el espacio tridimensional, vemos que por p pasan las dos rectas an contenidas en un mismo distintas L1 = Lp,d1 y L2 = Lp,d2 , y ambas est plano .
42
L p+sd + td
1 1
p sd d
2 1
Observando la forma como los puntos de este plano se obtienen a partir de p, d1 y d2 podemos dar la siguiente denici on en n :
Denici on 2.4 (Plano). El plano que pasa por p y tiene vectores directores d1 y d2 es el subconjunto de n : p,d1 ,d2 = {v Observaci on: 1. v = p + sd1 + td2 , s, t p,d1 ,d2 .
n | v = p + sd1 + td2 , s, t }
Plano
ecuaci on vectorial del plano
se llama ecuaci on vectorial del plano
2. Sea E = d1 | d2 la matriz que tiene por columnas a los vectores directores d1 y d2 . Entonces juntando los par ametros s s 2 y t en el vector r = , la ecuaci on vectorial queda t v = p + Er = p+ d1 | d2 s t ,r
2 , s, t
3. Notar la similitud con la ecuaci on de una recta v = p + td , t . En la recta hay un par ametro libre: t (dimensi on 1, esto se on formalizar a mas adelante) y en el plano dos: s, t (dimensi 2 ).
Ejercicio
Ejercicio 2.3: Se deja como ejercicio para el lector probar las siguientes propiedades: 1. q p,d1 ,d2 q,d1 ,d2 = p,d1 ,d2 . (Cualquier punto de un plano sirve como su posici on.)
43
2. Si p n , y d1 , d2 , d1 , d2 d1 no paralelo a d2 , entonces
p,d1 ,d2 = p,d1 ,d2 (A M2,2 ( ) invertible)
d1
| d2
d1
| d2
3. Dado p n , todo plano que pasa por p es la traslaci on en p de un plano que pasa por el origen, y si trasladamos en p un plano cualquiera que pasa por el origen, obtenemos un plano que pasa por p. 4. Sean p, q, r tres puntos no colineales en n . Probar que si d1 = nico plano que pasa q p y d2 = r p, entonces p,d1 ,d2 es el u por p, q y r.
2.4.
2.4.1.
Ecuaciones parametricas y cartesianas de rectas y planos
Rectas p1 d1 . . n n Sean p = . y d = . \ {0}. Sea L = Lp,d . . . pn dn Recordemos que la ecuaci o n vectorial de L es v = p + td , t . Si x1 . anotamos v = . . el punto que recorre L cuando t recorre , resulta:
xn x1 x2
= = . . .
p1 + td1 p2 + td2
xn
pn + tdn
Estas son las llamadas ecuaciones param etricas de la recta L. (Notar que on y p1 , . . . , pn , d1 , . . . , dn son constantes en , las coordenadas de la posici de la direcci on de L.) Supongamos, para simplicar la notaci on, que las primeras k componentes d1 , . . . , dk de d son no nulas, y el resto todas nulas: dk+1 = dk+2 = . . . = d1 . . d.k etricas de la dn = 0, es decir d = 0 . Entonces las ecuaciones param . . . 0 recta L son
ecuaciones param etricas
44

A
n \ {0}, con d1no paralelo a d2 y
x1
= . . .
p1 + td1
xn de L. Las ecuaciones se llaman ecuaciones Cartesianas de la recta L. C omo quedan las ecuaciones cuando k = 1? Ejemplos: n = 2: La ecuaci on Cartesiana (notar que en este caso queda una sola) de L = L p1 , d1 queda: ( p2 ) d2 x2 p2 x1 p1 = , si d1 , d2 = 0, d1 d2 x2 = p2 , si d2 = 0, y x1 = p1 , si d1 = 0.
Este es un sistema de n 1 ecuaciones lineales para las n inc ognitas x1 . x1 , . . . , xn , que son las componentes de un punto cualquiera v = . .
Despejando t en cada una de las primeras k ecuaciones, e igualando: x1 p1 p2 pk = x2d = = xkd (= t) d1 2 k xk+1 = pk+1 . . . xn = pn
xk = pk + tdk xk+1 = pk+1 . . . xn = pn
Constantes.
ecuaciones Cartesianas de L
d,d =0
1 2
d =0
2
d =0
1
n = 3: Una recta queda descrita por dos ecuaciones Cartesianas: x2 p2 x3 p3 x1 p1 = = d1 d2 d3 (en caso que d1 , d2 , d3 = 0. Escribir las otras posibilidades.)
45
Para simplicar el an alisis veremos s olo el caso n = 3 para las ecuaciones Cartesianas de planos. Sea = p,d1 ,d2 un plano en 3 , donde p1 p = p2 3 es una posici on de , y los vectores directores son los p3 d11 d12 vectores no paralelos en 3 \ {0}, d1 = d21 y d2 = d22 . La d31 d32 ecuaci on vectorial de est a dada por v = p + sd1 + td2 , s, t , y descomponi endola en sus 3 componentes resultan las ecuaciones param etricas de : x1 = p1 + sd11 + td12 x2 = p2 + sd21 + td22 , s, t . x3 = p3 + sd31 + td32
Pivoteando, es posible eliminar el par ametro s de dos de estas ecuaciones, y luego tambi en t de una de ellas, de modo que nos quedamos con una ecuaci on nal con s olo x1 , x2 , x3 (sin s y t) de la forma Ax1 +Bx2 +Cx3 = D, on donde A, B, C, D , con A, B o C = 0. Esta es la llamada ecuaci Cartesiana del plano .
Observaci on: Si el plano hubiese estado en n , con n 3, habr amos obtenido un sistema de n 2 ecuaciones cartesianas para el plano. Qu e pasa en el caso n = 2? Y qu e puede decir de n = 1? Sabemos del cap tulo de Sistemas Lineales que, rec procamente, un sistema de una ecuaci on y tres inc ognitas, como la ecuaci on Cartesiana de , tiene dos variables libres (digamos x2 y x3 ) y sus soluciones son de la forma: 1 1 x1 1 x2 = 0 + x2 1 + x3 0 , x2 , x3 , 1 0 0 x3 1 1 con 1 y 0 claramente no paralelos (por qu e?), as el 0 1 conjunto de soluciones representa un plano en 3 . Tenemos entonces que on de ecuaciones los planos en 3 son exactamente los conjuntos soluci cartesianas como la que escribimos arriba para .
1 El plano 3 que pasa por el punto p = 0 y con vectores direc0 1 1 tores d1 = 1 y d2 = 0 tiene por ecuaciones param etri0 1
Ejemplo:
46
2.4.2.
Planos (caso n = 3)
-1 0 1
x+x+x=1 1 2 3
1 0 0
1 -1 0
2.5.
2.5.1.
Geometr a metrica en
Deniciones y propiedades basicas
Incorporaremos ahora a nuestro estudio conceptos como distancia entre puntos, angulos, perpendicularidad, etc. Para ello debemos perder un poco de generalidad y restringirnos al cuerpo = de los n umeros reales. = , los n umeros complejos, (Tambi en se puede hacer todo esto con pero esto lo postergaremos para mas adelante.)
Denici on 2.5 (Producto punto en

x1 y1 xn
). Sean x, y
n ,
con x =
. . .
, y=
yn n
. . .
. Se dene el producto punto x, y (tambi en se anota
producto punto x, y , x y
x y) como el real x, y =
i=1
xi yi = xt y = yt x 47
x1 = 1 + s t x2 = s cas , s, t de las que se puede f acilmente x3 = t eliminar s y t para obtener la ecuaci on Cartesiana x1 + x2 + x3 = 1. Por otra parte, si partimos de esta ecuaci on, despejando x1 en t erminos de x2 y x3 resulta x1 = 1 x2 x3 , por lo que un punto cual x1 quiera v = x2 3 que satisfaga esta ecuaci on tendr a la forma x 3 1 1 1 1 x2 x3 x1 = 0 + x2 1 + x3 0 , x2 = x2 0 0 1 x3 x3 tomando valores arbitrarios. El lector reconocer a esto con x2 , x3 como una ecuaci on vectorial del mismo plano .
Tenemos as una funci on <, > : llamada producto punto. (x, y) x, y
Proposici on 2.2. Se tienen las siguientes propiedades: 1. (x, y
n )
x, y = y, x (Simetr a).
2. (x, y, x, y n ) x + x, y = x, y + x, y x, y + y = x, y + x, y (Biaditividad). 3. ( R) (x, y 4. (x
n )
n )
x, y = x, y = x, y (Bihomogeneidad). x, x = 0 x = 0 (Positividad).
x, x 0
n. La demostraci Demostracio on de estas propiedades quedan como ejercicio. El n u mero x1 . x = . . x, x que aparece en la propiedad 4. es x, x =
n i=1
Ejercicio
x2 i , si
xn f acilmente que si n = 2 o n = 3, x, x corresponde a la longitud de la echa representada por el vector x.

2
agoras se puede vericar . Jugando con el Teorema de Pit
x1 + x2
+ x3
x1
+x2
x2 x1 x1 + x2
2 2
x3 x2
x1 n=2
n=3
Aprovechando estos hechos, y con la esperanza de reobtener el Teorema de Pit agoras en n , para todo n, denimos
Denici on 2.6 (Norma Euclidiana). La norma Euclidiana (o, simplex1
mente, norma) de un vector x =
xn
. . .
n como
x =
n i=1
x2 i =
48
n n
norma
n
x
x =
x, x
Proposici on 2.3. Se tienen las siguientes propiedades: 1. (x 2. 3.
n ) x 0 x = 0 x = 0 ( ) (x n ) x = || x (x, y n ) x + y x + y (Desigualdad Triangular.)
Desigualdad Triangular
n. Las demostraciones de 1 y 2 son elementales y se dejan Demostracio como un ejercicio f acil para el lector. La prueba de la Desigualdad Triangular depender a del siguiente importante Lema: Lema 1 (Desigualdad de CauchySchwartz). (x, y
n) | x, y |
Desigualdad de CauchySchwartz
y .
n. (Desigualdad de CS) Notar que si x = 0 y = 0, Demostracio la desigualdad se verica trivialmente (0 0). Supondremos entonces que ambos vectores x e y son no nulos. Para x, y n \ {0} jos, consideremos 2 ahora la funci on : denida por (t) = tx y . Claramente as, si y no es un m ultiplo de x, (t) > 0 (t) 0 para todo t (y adem 2 para todo t ). Por otra parte, (t) = tx y, tx y = x t2 2 2 x, y t + y . As , es una funci on polinomial de segundo grado en t, 2 2 con coecientes a = x , b = 2 x, y , c = y (notar que como x = 0, la funci on es efectivamente de segundo grado, y no de un grado menor). Como (t) 0 para todo t , sabemos que el discriminante b2 4ac ser a menor o igual a 0 (a lo m as una ra z real de multiplicidad 2), es decir 2 2 2 4 x, y 4 x y 0, de donde x, y 2 x 2 y 2 , lo que implica la desigualdad deseada.
Observaci on: Notar que si y no es m ultiplo de x, (t) > 0 para todo t , luego b2 4ac < 0, de donde se desprende que | x, y | < x y . De aqu que (a un en el caso x = 0 y = 0) se verica la igualdad en CauchySchwartz ssi alguno de los dos vectores es m ultiplo del otro. De modo similar se tiene que x, y = x y ssi alguno de los dos vectores es un m ultiplo no negativo del otro.
49
x, x (ra z cuadrada 0). Tenemos as la funci on norma
x+y
= C.Sch. =
x + y, x + y = x + 2 x, y + y 2 2 x + 2 | x, y | + y x 2+2 x y + y ( x + y )2
2
Observaci on: De la observaci on bajo la demostraci on de la desigualdad de CauchySchwartz podemos concluir que en la desigualdad triangular vale la igualdad ssi alguno de los dos vectores es m ultiplo no negativo del otro. Usaremos ahora la norma de puntos de este conjunto.
n para denir la noci on de distancia entre
Denici on 2.7. Sean p, q dos puntos en n . La distancia entre p y q es el n umero real no negativo d(p, q) = q p . Observaci on: 1. Recordando que q p se puede visualizar como el vector (echa) que va de p hasta q, resulta que d(p, q) es la longitud de esta echa, es decir, como esperar amos, la longitud del trazo recto entre p y q. 2. Podemos usar la distancia entre puntos para interpretar la desigualdad triangular. Sean p, q, r n tres puntos que forman un tri angulo en n . Entonces: q p = (q r) + (r p) q r + r p , es decir d(p, q) d(r, q) + d(p, r). En el tri angulo pqr esto signica que la longitud del lado pq es inferior o igual a la suma de los otros dos lados ( rq + pr), lo que es un viejo teorema de geometr a plana.
q p r-p q-p p
r q-r q q-p
50
Podemos ahora probar la desigualdad triangular. Sean x, y
n. Tenemos:
distancia d(p, q)
1: Situacion Consideremos el siguiente diagrama:
x-y y
x+y 0 -y
Los vectores x e y son no nulos en n , y los hemos dibujado en el plano que pasa por el origen y que los contiene. Supongamos que x es perpendicular a y (vamos a suponer que esto tiene sentido en n , y que en el plano de x, y y 0 se cumplen las propiedades usuales que conocemos de la geometr a plana del colegio). Esperamos entonces que el tri angulo que tiene por v ertices x, y y y sea is osceles en x (la altura es la echa x), y as
xy = x+y
x y, x y = x + y, x + y x 2 2 x, y + y 2 = x 2 + 2 x, y + y 4 x, y = 0 x, y = 0.
Aprovechemos esto para denir perpendicularidad en
n :
Denici on 2.8 (Perpendicularidad). Dos vectores x, y n se dicen perpendiculares u ortogonales ssi x, y = 0. Lo anotaremos como x y.
perpendicularidad xy
Ejercicio
Ejercicio 2.4: Probar el Teorema de Pit agoras en : Sean A, B, C n , con (B C) (C A). Si a = d(C, B) = B C , b = d(A, C) = C A y c = d(B, A) = A B son los tres lados del tri angulo ABC (tri angulo rect angulo en C, con a, b los catetos y c la hipotenusa), entonces a2 + b2 = c2 .
c A b C a
51
El producto punto est a ntimamente ligado a la noci on de a ngulo entre vectores. Recurramos nuevamente a nuestra intuici on geom etrica para ver algunos hechos que indican que esta armaci on no es gratuita.
Queremos usar nuestra intuici on geom etrica para descubrir una relaci on que nos permita denir el angulo entre dos vectores de n . Consideremos el diagrama siguiente:
y 0
Todo transcurre en el plano que pasa por 0 y tiene a x e y como vectores directores. El punto y es la proyecci on ortogonal del punto x sobre la recta que pasa por 0 y tiene a y como vector director, ser a el angulo de la echa y a la x (si todo esto tiene sentido en n ). La cantidad y x es la distancia de x a su proyecci on. Las relaciones trigonom etricas que y || y esperar amos que se cumplan dicen: cos = = . x x Nos gustar a eliminar de esta f ormula. Para ello notemos que como 2 (y x) y, entonces y x, y = 0, de donde y x, y = 0, x,y y as || = = y 2 . (El dibujo sugiere que y apunta hacia el mismo lado que y. Analizar lo que pasa si no. Notar que > 2 en dicho caso.) Luego x,y angulo entre vectores de n : cos = x y . Usamos esto para denir el
Denici on 2.9 (Angulo entre vectores). Sean x, y n \ {0}. Denimos el a ngulo entre x e y como aquel n umero [0, ] tal que cos = x, y . x y
Observaci on: 1. Notar que la desigualdad de CauchySchwartz asegura que 1 x,y la denici on anterior tiene sentido. x y 1, as 2. Esta denici on entrega de manera trivial la famosa f ormula x, y = x y cos .
52
2: Situacion
a ngulo
2.6.1.
Rectas en
x2 x1 2. x1 x2 Es un ejercicio f acil vericar que las siguientes propiedades se satisfacen: Sea d = 1. d = d .
2 . 2 . Denamos el nuevo vector d =
2.6.
a Rectas en Aplicacion
y Planos en
.
3
2. d es ortogonal a d. 3. d
= d.
4. Si d = 0, entonces 5. Si d = 0, entonces
(v
2) [v d ( ) v = d ]. (v 2 ) [v d (t ) v = td].
Sea ahora p que
2 y L = L p , d =
vL
| v = p + td, t
. Tenemos
v = p + td, t (t ) v p = td v p d v p, d = 0.
Si llamamos n = d (o cualquier otro vector paralelo a este), hemos concluido que v L v p, n = 0, es decir, L = v 2 | v p, n = 0 . La ecuaci on v p, n = 0
se llama ecuaci on normal de L. El vector n (es decir, d o cualquier otro paralelo a el) se dice vector normal a L.
ecuaci on normal de L vector normal a L
53
v-p L n d p
De la ecuaci on normal de L sale f acilmente una ecuaci on Cartesiana. Sean x1 p1 n1 . Desarrollando: yv= ,p= n= x2 p2 n2 v p, n = 0 v, n p, n = 0 n1 x1 + n2 x2 + (n1 p1 n2 p2 ) = 0, es decir ax1 + bx2 + c = 0, con a = n1 , b = n2 y c = p, n . (2.1)
Ejercicio
Ejercicio 2.5: Concluya que si (2.1) es una ecuaci on Cartesiana de b . una recta de 2 , entonces un vector director de esta recta es d = a
2.6.2.
Planos en
3 .
as adelante se prueba Sean d1 , d2 vectores no nulos y no paralelos en 3 . M que existe un vector n = d1 d2 3 con las propiedades: 1. n = d1 d2 |sen | = 0, con el angulo entre d1 y d2 . 2. n d1 n d2 . 3. (v
3) [v d1 v d2 ( ) v = n]. 4. (v 3 ) [v n (s, t ) v = sd1 + td2 ]. Con estas propiedades, sea = p,d ,d el plano en 3 que pasa por un punto p 3 y de vectores directores d1 y d2 . Entonces el lector puede demostrar f acilmente que para cualquier v 3 , v v p, n = 0.
1 2
p,d1 ,d2
Nuevamente, n (o cualquier vector paralelo a n) se dir a vector normal a , 54
vector normal a
v p, n = 0 se llamar a ecuaci on normal de . on normal conduce diDe modo similar al caso de rectas en 2 , la ecuaci rectamente a la ecuaci on Cartesiana Ax1 + Bx2 + Cx3 + D = 0 para . A (Donde n = B y D = p, n .)
ecuaci on normal de
d2 d1 v v-p
55
y la ecuaci on
Gu a Semana 4
Proposici on 2.1
1. Pruebe las siguientes propiedades de la ponderaci on por escalar: (a) (1 , 2 (c)
(b)
) (x n) 1 (2 x) = (1 2 )x. ( ) (x, y n ) (x + y) = x + y. ( ) (x n ) x = 0 = 0 x = 0.
2. Pruebe que: (a) Dado d n \ {0} jo, se tendr a q Lp,d Lq,d = Lp,d . (Las posiciones de una recta L son sus puntos.) a Lp,d = Lp,d ( \ {0}) d = d. (b) Dado p n jo, se tendr (Los vectores directores de una misma recta son los m ultiplos no nulos de un vector director dado.) (c) Si A n y p n , denimos la traslaci on de A en el vector p por p + A = {p + x | x A}. Las rectas que pasan por p n son exactamente las traslaciones en p de las rectas que pasan por el origen 0.
Ejercicio 2.1, Ejercicio 2.2
nica recta que (d) Sean p, q n , con p = q. La recta Lp,qp es la u pasa por ambos puntos, p y q. 3. Pruebe que: (a) q p,d1 ,d2 q,d1 ,d2 = p,d1 ,d2 . (Cualquier punto de un plano sirve como su posici on.) (b) Dado p n , todo plano que pasa por p es la traslaci on en p de un plano que pasa por el origen, y si trasladamos en p un plano cualquiera que pasa por el origen, obtenemos un plano que pasa por p. (c) Sean p, q, r tres puntos no colineales en n . Probar que si d1 = nico plano que pasa q p y d2 = r p, entonces p,d1 ,d2 es el u por p, q y r. 4. Pruebe las siguientes propiedades del producto punto: (a) (x, y, x, y n ) x + x, y = x, y + x, y x, y + x, y (Biaditividad). (b) ( R) (x, y (c) (x
Ejercicio 2.3
Proposici on 2.2
x, y + y =
n )
x, y = x, y = x, y (Bihomogeneidad). x, x = 0 x = 0 (Positividad). = 0 x = 0.
) x, x 0
5. Pruebe las siguientes propiedades de la norma Euclidiana: (a) (x
Proposici on 2.3
(b)
n ) x 0 x ( ) (x n ) x
= || x .
56
Ejercicios
traslaci on
P1. (a) Considere los puntos P =
2 1 2
,Q =
0 1 1
yR=
1 1 5
Verique que son puntos no colineales y encuentre la ecuaci on vectorial (o param etrica) y Cartesiana del plano 1 que los contiene. (b) Dadas las rectas L1 y L2 denidas por 1 1 3x + y + 4 = 0 y L2 : . L1 : 1 + t 3 , t z+5=0 1 0
Verique que L1 y L2 son paralelas y distintas y ecuentre la ecuaci on vectorial (o param etrica) y Cartesiana del plano 2 que las contiene. (c) Encuentre la ecuaci on vectorial de la recta L que se obtiene como la intersecci on de los plano 1 y 2 (L = 1 2 ). (d) Encuentre el punto S de intersecci on de las rectas L1 y L, y verique que S satisface la ecuaci on Cartesiana del plano 1 . 2 2 L2 : 4 + s 1 , s 6 5
1 2 3
P2. (a) Verique que las rectas 3 1 L1 : 4 + t 2 , t 5 5
4 0 4
se intersectan en un u nico punto. Encu entrelo.

0 2 1
(b) Sea el plano con vectores directores d1 = que pasa por el punto P =
1 b 0 a
y d2 =
, y sea L la recta con vector
director d = que pasa por el punto Q = 0 , donde a, b 0 Encuentre los valores de los par ametros a, b tales que L est e contenida en (L ), L y no tengan puntos en com un (L = ). y L contenga exactamente un solo punto.
1
P3. Sean 1 el plano de ecuaci on x + y + 2z = 1, 2 el plano de ecuaci on 0 x + y = 2 y L1 la recta que pasa por el punto P1 = 1 y cuya direcci on es D1 =
1 0 0
(a) Encuentre la ecuaci on de la recta L2 , que se obtiene como la intersecci on de los planos 1 y 2 . Entregue un vector director de dicha recta. (b) Encuentre el punto P2 de intersecci on de la recta L1 y 1 . (c) Calcular el punto P3 de intersecci on de L2 con el plano perpendicular a L2 que pasa por el punto P2 . (d) Encuentre la ecuaci on param etrica o vectorial de la recta contenida en 2 que pasa por el punto P3 y es perpendicular a L2 .
57
Problemas
SEMANA 5: GEOMETR IA
2.7.
Producto cruz (o producto vectorial) en
Utilizaremos la siguiente notaci on, ya tradicional en las aplicaciones de la geometr a vectorial. Sean i, j, k 3 los siguientes vectores: 1 0 0 i = 0 , j = 1 , k = 0 . 0 0 1
Las siguientes armaciones son evidentes: 1. i = j = k =1 (Estos vectores se dicen unitarios.) (Son ortogonales entre s .)
2. i j j k k i 3. x =
x1 x2 x3
nica, es x = x1 i + x2 j + x3 k, y esta escritura es u
decir, si x1 i + x2 j + x3 k = y1 i + y2 j + y3 k, entonces x1 = y1 x2 = y2 x3 = y3 . Observaci on: Las propiedades 1. y 2. se abrevian diciendo que i, j, k es un conjunto ortonormal en 3 .
xk
3
k i xi
1
x x= x x j xj
2
1 2 3
Mas adelante en el curso deniremos la noci on de determinante, pero ahora consideraremos la siguiente a b Notaci on: Si a, b, c, d , anotamos = ad bc . c d Con esto podemos dar la denici on:

a c
b b i, b j, k
b d
58
xy =
i x1 y1
j x2 y2
k x3 y3
x2 y2
x3 y3
x1 y1
x3 y3
j+
x1 y1
x2 y2
k.
Es decir, resulta el vector de
(Obviamente, esta u ltima f ormula no es muy f acil de recordar, y es preferible usar la notaci on de la denici on dada primero, cuya operatoria est a ah mismo denida, para memorizar y calcular x y.) Hemos as denido una ley de composici on interna en 3 : :
x2 y3 x3 y2 x y = x3 y1 x1 y3 x1 y2 x2 y1
3 :
2 2 Denici on 2.10 (Producto cruz). Si x = x , y = y 3, y3 x3 denimos el producto cruz o producto vectorial de x e y como el siguiente vector de 3 :
x1
y1
Producto cruz
xy
3.
3 3
(x, y)
3 . x y
Proposici on 2.4. Se tienen las siguientes propiedades 1. x, y 2. 3.
( distribuye sobre +). 4. x, y 5. x
3 x y x x y y . x, y 3 x y = y x ( es anticonmutativo). x, y, z 3 x (y + z) = x y + x z (x + y) z = x z + y z 3 3
(
) (x) y = x (y) = (x y).
x x = 0.
n. La demostraci Demostracio on de estas propiedades b asicas quedan propuestas como ejercicio. Notemos que con 2, 3, 4 y 5, m as el simple c alculo de i j = k, j k = i, k i = j, se puede recuperar la f ormula con que denimos originalmente el producto cruz: xy = = = = (x1 i + x2 j + x3 k) (y1 i + y2 i + y3 k) x1 y1 i i + x1 y2 i j + x1 y3 i k + x2 y1 j i + x2 y2 j j + x2 y3 j k +x3 y1 k i + x3 y2 k j + x3 y3 k k 0 + x1 y2 k + x1 y3 (j) + x2 y1 (k) + 0 + x2 y3 i + x3 y1 j + x3 y2 (i) + 0 (x2 y3 x3 y2 )i + (x3 y1 x1 y3 )j + (x1 y2 x2 y1 )k. 59
Ejercicio
(x y) z = x, z y y, z x
(2.2)
Notar que el producto cruz no es conmutativo (pero tiene la propiedad parecida 2) y que desgraciadamente tampoco es asociativo. Para ilustrar cu an lejos est a de serlo, est a la llamada Identidad de Jacobi , que se puede probar f acilmente a partir de la propiedad anterior: x, y, z
Identidad de Jacobi
x (y z) + y (z x) + z (x y) = 0
(2.3)
Notemos que usando 2.3 y las propiedades anteriores resulta: x (y z) (x y) z = y (x z), lo que indica que x (y z) no tiene por qu e ser igual a (x y) z. Veamos mas propiedades de : Proposici on 2.5. x, y
3 \ { 0 }
xy = x
y |sen | ,
donde es el a ngulo entre x e y. n. Esto saldr Demostracio a de la siguiente identidad, la que pedimos al lector que tenga la paciencia de vericar (es un c alculo simple pero tedioso): x, y
x, y
+ xy
= x
. y cos(),
Una vez establecida esta identidad, y recordando que x, y = x resulta: 2 2 2 2 xy = x y x, y 2 2 = x y ( x y cos())2 = x 2 y 2 (1 cos2 ()) = x 2 y 2 sen2 ().
La siguiente propiedad muestra que el producto cruz representa a la direcci on ortogonal a los vectores participantes. Proposici on 2.6. Sean x, y Entonces
3 \{0} vectores no paralelos, y sea z 3. ) z = x y.
1. z x z y = ( 2. z x y = (s, t
) z = sx + ty.
60
La siguiente es una f ormula para el producto cruz de 3 vectores. Su demostraci on es un simple c alculo que omitimos.
Ejercicio
Ejercicio 2.6: El objetivo de este ejercicio es probar la Proposici on 2. 1. Sean x, y, z 3 tres vectores no coplanares con el origen, es decir, que no existe un plano que pasa por el origen y que contiene a los tres vectores x, y y z. Pruebe que esto equivale a: (s, t
x y z
= 0 + s y + tz = 0 + s x + tz = 0 + s x + ty
2. Pruebe que la condici on anterior es equivalente a (, ,
) x + y + z = 0 = = = = 0.
(2.4)
3. Sea A M33 ( ) la matriz descrita por columnas como A = x | y | z . Pruebe que la propiedad 2.9 equivale a que el sistema homog eneo A = 0 tiene como soluci on u nica 0, es decir, A es invertible.

4. Concluya que tres vectores x, y, z 3 no son coplanares con el origen ssi la matriz A = x | y | z es invertible. 5. Considere ahora x e y no nulos y no paralelos. Pruebe que los vectores x, y y x y = 0 son no coplanares con el origen. Indicaci on: Verique la condici on 2.9. 6. Use la conclusi on de la parte 2c para probar que z
(s, t,
) z = sx + ty + x y.
(2.5)
7. Pruebe, usando la propiedad 2.10, la Proposici on 2.
Observaci on: La interpretaci on geom etrica del resultado anterior es: Si x, y son vectores no nulos y no paralelos en 3 , x y dene la l nea recta (que pasa por 0) de vectores perpendiculares a x y a y. Por otra parte los vectores perpendiculares a x y son exactamente aquellos del plano que pasa por el origen y tiene a x e y como vectores directores.
61
n. La demostraci Demostracio on es un ejercicio, explicado en m as detalle a continuaci on.
x y y
0,x,y
L 0,x
Un par de propiedades geom etricas m as de : Proposici on 2.7. 1. Sean x, y 3 \ {0} vectores no paralelos. Entonces el a rea del paralel ogramo que denen es x y . 2. Sean x, y, z 3 \ {0} vectores no coplanares con 0. Entonces el volumen del paralelep pedo que denen es | x y, z |. n. (Deberemos conar en los conceptos intuitivos de a Demostracio rea y volumen que traemos de la geometr a escolar).
y h 0 x
x y
z H y
1. El area del paralel ogramo es dos veces el area del tri angulo cuyos 1 1 base altura = 2 2 v ertices son x, y y 0. As , Area = 2 2 1 x h, con h = y sen . De aqu que Area = 2 2 x y sen = x y sen = x y . 2. De la geometr a de colegio, el volumen del paralelep pedo se calcula como el producto del area de su base y su altura. De la parte (a), el area de la base es x y . Por otra parte la altura H es la proyecci on de z sobre la direcci on perpendicular al plano de x e y, con lo que H = z cos(), donde es el angulo entre x y y z. Se obtiene nalmente entonces que Vol = x y z cos() = | x y, z |. 62
Una u ltima propiedad del producto cruz que es necesario indicar es la llamada regla de la mano derecha. De x y conocemos que apunta en la l nea perpendicular al plano de x e y, y que tiene por norma x y sen , con el angulo entre x e y. Estos datos nos dejan a un dos opciones posibles para x y: hacia un lado del plano de x e y o hacia el otro. La verdad es que hacia cu al de estos dos lados se dibuja depende de c omo dibujamos los vectores ortonormales i, j, k (es decir, de c omo dibujamos los tres ejes de coordenadas de 3 ). Generalmente se conviene en dibujarlos de modo que si en el plano de i, j (el plano x1 x2 ) hacemos los dedos de la mano derecha girar rotando de i hacia j, k apunta en la misma direcci on del pulgar.
regla de la mano derecha
Con esta convenci on resulta tambi en que, si x, y 3 \{0} son no paralelos y hacemos girar los dedos de la mano derecha en el plano denido por x e y, desde x hacia y, el pulgar apunta en la direcci on de x y.
x x y y y
x y
Hay que indicar, sin embargo, que si alguien preriese dibujar los ejes como:
x1 x2
i k
x3
entonces los productos cruz cumplir an una regla de la mano izquierda. Nosotros seguiremos la convenci on universalmente aceptada, dibujando los ejes del primer modo que mencionamos, y nuestros productos cruz se dibujar an siempre seg un la regla de la mano derecha.
63
Denici on 2.11 (Distancia puntoconjunto). Sea A n un subconjunto no vac o de n , y sea q n un punto. Denimos la distancia de q al conjunto A como:
d(q, A) = nf {d(q, x) | x A} .
x y
d(q,x) d(q,y)
A
z
d(q,A)
d(q,z)
Ejercicio
Ejercicio 2.7: Verique que d(q, A) queda bien denida.
Cabe notar que no tiene por qu e existir un punto r A tal que d(q, A) = d(q, r), y si tal r llega a existir, no tiene por qu e ser u nico (Construir ejemplos de estas armaciones!).
n (recta que pasa por p y tiene vector director x).
Estudiemos a modo de ejemplo el caso en que A = L es una recta Lp,x en
Supongamos que existe un punto r L tal que q r es perpendicular a L. Armamos (como nuestra intuici on geom etrica lo indica) que d(q, L) = d(q, r). Probemos algo mejor: (z L) z = r q z > q r ,
de donde la distancia de q a L se alcanza en un u nico punto r. En efecto, si z L, como q r es normal a L, el tri angulo cuyos v ertices son z, r y q es rect angulo en r, y por Pit agoras (recuerde que usted demostr o en 2 2 2 el Ejercicio 2.4 que es v alido en n ) q z = q r + r z . Como 2 z = r, entonces r z > 0, y eso prueba la desigualdad.
r z q
64
2.8.
Distancia entre un punto y un conjunto. Proyecciones.
d(q, A)
w = | y, x | x = y
|cos()| = y cos(),
donde es el angulo entre x e y (que lo supondremos en 0, 2 para no preocuparnos del signo de cos(). Si este no es el caso, podemos usar x en lugar de x como vector director de L.) Este vector w es lo que llamaremos proyecci on del vector y sobre la direcci on denida por el vector x. Notar que si en vez de x usamos otro vector director x de L, resulta exactamente el mismo vector w. x r w u p q y = q-p Sea u = y w = y y, x x. Nuestra intuici on nos har a esperar que u x. Veriquemos que eso es correcto: u, x = y y, x x, x = y, x y, x x, x = y, x y, de donde u x. Basta tomar ahora r = p + w =p + y, x x, es decir r = p + q p, x x, que tiene la propiedad deseada pues q r = q p w = y w = u x, luego q r L. Denici on 2.12 (Proyecci on ortogonal sobre una recta). Llamamos proyecci on ortogonal del punto q n sobre la recta L n , al punto r L tal que q r L. 1 x x x = 0,
Proyecci on ortogonal sobre una recta
Acabamos de probar que dicha proyecci on r existe y es el u nico punto de L que minimiza la distancia a q, y dimos adem as una f ormula para calcular esta proyecci on en t erminos de q, la posici on p de L y su vector director x. Como segundo ejemplo, vamos a estudiar ahora en detalle el caso en que n = 3 y A es un plano 3 .
Ejercicio
Ejercicio 2.8: Desarrollar de manera similar, en paralelo, el caso en que n = 2 y A es una recta en 2 . Notar que ese problema es un caso particular del que se resolvi o antes, pero la soluci on va por otro camino, usando ecuaciones normales en vez de vectores directores.
65
Veremos ahora que tal r L efectivamente existe. 1 x (vector unitario en la direcci on de x: claramente x = 1). Sea x = x Sea y = q p el vector que conecta p con q, y sea w = y, x x. Notar que w apunta en la misma l nea que x, y que
Denici on 2.13 (Proyecci on ortogonal sobre un plano). Llamamos proyecci on ortogonal del punto q 3 sobre el plano 3 , al punto r tal que q r .
Proyecci on ortogonal sobre un plano
Sabemos que dicho r es el u nico punto de que minimiza la distancia a q. Lo que no hemos probado a un es que tal punto r realmente existe, y a eso nos dedicaremos ahora. Sea n un vector normal a (por ejemplo, si = p,d1 ,d2 , n se puede tomar como d1 d2 , o si tenemos una ecuaci on Cartesiana Ax1 +Bx2 +Cx3 +D = 0 A para , n se puede tomar como B ). La recta L que pasa por q y es C perpendicular a tiene entonces por ecuaci on vectorial: v = q + tn, t
(2.6)
Buscamos L , es decir, los v 3 que satisfacen simultaneamente (2.6) y (2.7). Pero esto es f acil de resolver. En efecto, (2.7) equivale a v, n = p, n , y usando (2.6), obtenemos q + tn, n = p, n q, n + t n
2
Sea p un punto (jo) cualquiera de . Podemos entonces escribir la ecuaci on normal de : v p, n = 0. (2.7)
= p, n t =
p q, n n
2
Una vez que tenemos la inc ognita real t despejada, en (2.6) resulta r=v=q+ p q, n n
2
(2.8)
66
Sea L la recta que pasa por q y que es perpendicular a (es decir, que tiene por vector director un vector normal a ). Veremos en un momento que la intersecci on entre y L consiste en un solo punto r. Nuestra intuici on geom etrica indica que d(q, ) = d(q, r), y la demostraci on de este hecho sigue exactamente las mismas lineas de lo que hicimos al estudiar la proyecci on de un punto sobre una recta en n . (Se prueba la desigualdad (z ) z = r q z > q r , etc.)
f ormula para d(q, )
d(q, ) = En efecto, podemos usar n =
|Aq1 + Bq2 + Cq3 + D| . A2 + B 2 + C 2

A B C
como vector normal para . Con ello la

x1 x2 x3
recorre . Manipulando esta ecuaci on normal se obtiene v, n p, n = 0, o Ax1 + Bx2 + Cx3 p, n = 0, y por comparaci on con la ecuaci on cartesiana de , deber a tenerse que p, n = D. Como q, n = Aq1 + Bq2 + Cq3 , entonces | p q, n | = | q, n p, n | = |Aq1 + Bq2 + Cq3 + D| . El resultado se sigue del c alculo de n . Cabe notar que hay otra manera, tal vez un poco menos eciente, de calcular la proyecci on de q sobre , usando una ecuaci on vectorial para en vez de la normal: v = p + d1 + d2 , , . Esto, junto a v = p + td1 d2 que es la ecuaci on vectorial de L, entrega el sistema lineal p + d1 + d2 = = q p. Como d1 y q + td1 d2 , o mejor d1 | d2 | d1 d2 t d2 son no nulos y no paralelos, d1 , d2 y d1 d2 no son coplanares con el origen, y entonces esta ecuaci on tiene una soluci on u nica para , y t, lo que entrega la proyecci on r = v.
ecuaci on normal de ser a v p, n = 0, donde v =
es un punto que
Una tercera manera de proceder, tambi en algo mas larga que la primera, es utilizar la f ormula r = p + d1 + d2 (que no dice m as que el hecho de que la proyecci on r satisface la ecuaci on vectorial de pues es un elemento de este plano) y recordar que r q , es decir, r q d1 r q d2 . d1 , p q + d1 + d2 = 0 , o, Se obtiene el sistema de ecuaciones d2 , p q + d1 + d2 = 0 en su forma matricial: d1 , d1 d2 , d1 d1 , d2 d2 , d2 = d1 , q p d2 , q p .
d1 , d1 d1 , d2 d2 , d1 d2 , d2 es invertible, luego el sistema anterior tiene una soluci on u nica para y , lo que entrega la proyecci on r. Se puede probar que d1 no es paralelo a d2 ssi la matriz
67
como u nica soluci on de (2.6) y (2.7). Hemos de paso encontrado una f ormula (2.8) para la calcular la proyecci on de q sobre en t erminos de un punto p de y un vector normal n a . Podemos tambi en calcular la distancia de q a : d(q, ) = d(q, r) = | p q , n | . De aqu sale una famosa f ormula para la distancia de rq = n a descrito por la ecuaci on un punto a un plano en 3 . Supongamos que est q1 q Cartesiana Ax1 + Bx2 + Cx3 + D = 0, y q = q2 . Entonces
Observaci on: 1. Notemos que la f ormula (2.8) era f acil de adivinar, pues si n = 1 n es el vector unitario en la direcci on de n, (2.8) se puede n escribir como r = q + p q, n n
q p-q n r p <p-q,n>n
y recordando que p q, n n es la proyecci on (como vector) de p q en la direcci on de n, el punto q + p q, n n deber a ser el lugar donde la recta que parte de q y va en la direcci on de n encuentra al plano . 2. En muchos problemas se puede argumentar de manera similar a la observaci on 1) (es decir, proyectando sobre una recta vectores que conectan un par de puntos dados, etc.) para llegar r apidamente a una respuesta.
68
Gu a Semana 5
1. Demuestre las siguientes propiedades relacionadas con el produto cruz: (a) x =

x1 x2 x3
nica, x = x1 i + x2 j + x3 k, y esta escritura es u
(b) x, y (c)
es decir, si x1 i + x2 j + x3 k = y1 i + y2 j + y3 k, entonces x1 = y1 x2 = y2 x3 = y3 .
(d) x
( distribuye sobre +).
3 x y x x y y . x, y, z 3 x (y + z) = x y + x z (x + y) z = x z + y z 3
x x = 0.
(e) x, y, z
(x y) z = x, z y y, z x.
2. El objetivo de este ejercicio es probar: Sean x, y a) b)
Ejercicio 2.6
3 \ {0} vectores no paralelos, y sea z 3. Entonces z x z y = ( ) z = x y. z x y = (s, t ) z = sx + ty.
Para ello: (a) Sean x, y, z 3 tres vectores no coplanares con el origen, es decir, que no existe un plano que pasa por el origen y que contiene a los tres vectores x, y y z. Pruebe que esto equivale a: (s, t
x y z
= 0 + s y + tz = 0 + s x + tz = 0 + s x + ty
(b) Pruebe que la condici on anterior es equivalente a (, ,
(c) Sea A M33 ( ) la matriz descrita por columnas como A = x | y Pruebe que la propiedad 2.9 equivale a que el sistema homog eneo = 0, es decir, A es inverA = 0 tiene como soluci o n u nica tible. (d) Concluya que tres vectores x, y, z origen ssi la matriz A = x | y |
) x + y + z = 0 = = = = 0.
(2.9) | z .
3 no son coplanares con el

z es invertible.
(e) Considere ahora x e y no nulos y no paralelos. Pruebe que los vectores x, y y x y = 0 son no coplanares con el origen. Indicaci on: Verique la condici on 2.9.
69
Ejercicios
(s, t,
) z = sx + ty + x y.
(2.10)
(g) Pruebe, usando la propiedad 2.10, la proposici on original. 3. Estudiar la proyecci on ortogonal de un punto q L 2 , usando ecuaciones normales.
2 sobre una recta
Ejercicio 2.8
Problemas
P1. Se denen las rectas 1 1 L1 : 2 + t 2 , t 1 2
(a) Verique que L1 y L2 no se intersectan.
3 0 L2 : 1 + s 1 , s 1 2
(b) Encuentre laecuaci on normal del plano que contiene a la recta L1 y es paralelo a L2 . 3 (c) El punto P = 1 pertenece a L2 . Encuentre la proyecci on 1 ortogonal de P sobre el plano de la parte (b). (d) D e la ecuaci on del plano paralelo a que est a a la misma distancia de L1 y L2 ( es el plano de la parte (b)). P2. (a) Sean P y Q puntos distintos en 3 . Demuestre que el conjunto A = {x 3 : ||x P || = ||x Q||} es un plano. Encuentre un punto que pertenezca a A y encuentre un vector normal al plano A.
(b) En
3 considere las rectas
(1) Demuestre que L1 y L2 se intersectan y encuentre la intersecci on. (2) Encuentre el sistema de ecuaciones cartesianas que represen 1 tan a la recta L que pasa por P = 1 y que es perpendi1 cular al plano que contiene a L1 y L2 . (3) Determine las ecuaciones de los planos que son paralelos al plano que contiene a L1 y L2 , y que se encuentra a distancia 1 del punto en que L1 y L2 se intersectan.
0 1 L1 : 5 + t 3 , t 1 2
1 2 L2 : 2 + s 4 , s 3 1
70
(f ) Use la conclusi on de la parte 2c para probar que
on cartesiana x + z + y = 1 y sea P (b) Sea el plano de 3 de ecuaci etrico de P , con el origen en 3 . Calcular el punto Q 3 sim respecto a .
71
P3. (a) Sean L1 3 el de las x y L2 3 larecta que pasa por los eje 1 1 puntos 2 y 3 . Encuentre una tercera recta L3 3 que 0 1 sea perpendicular a L1 y a L2 , y que adem as intersecte estas dos rectas.
3.
3.1.
Espacios vectoriales
Denicion
Las estructuras que hasta ahora se han estudiado est an dotadas de operaciones que actuan internamente sobre el conjunto donde est an denidas. Es decir, a un par de elementos del conjunto, se le asocia otro elemento del mismo conjunto. Veremos ahora un tipo diferente de estructura algebraica, donde la multiplicaci on actua sobre un par de elementos de conjuntos distintos. Esta estructura que estudiaremos est a inspirada en la estructura lineal de n . Para ello consideremos (V, +) un grupo Abeliano, es decir
+ es ley de composici on interna + es asociativa y conmutativa. Existe un neutro, 0 V , tal que: x V, x + 0 = 0 + x = x. x V , existe un inverso aditivo, x V , tal que x + (x) = (x) + x = 0.
Sea
un cuerpo y denamos una ley de composici on denominada externa:V V

(, v ) v V.
ley de composici on externa
Denici on 3.1 (Espacio vectorial). Dado un grupo abeliano (V, +) y un cuerpo ( , +, ), con una ley de composici on externa. Diremos que V es un espacio vectorial sobre si y s olo si la ley de composici on externa satisface , K, x, y V :
Espacio vectorial
(EV1) ( + )x = x + x. (EV2) (x + y ) = x + y . (EV3) (x) = ( )x.
. En tal caso, los elementos de V se denominan vectores y los de , escalares.(EV4) 1 x = x, donde 1 es el neutro multiplicativo del cuerpo Observaci on: Se nalemos que en la denici on anterior participan dos estructuras algebraicas diferentes; un grupo Abeliano, (V, +), y un cuerolo si po, . En tal sentido, dos espacios vectoriales son iguales si y s ambos est an denidos sobre los mismos grupos y cuerpos y, adem as con una ley de composici on externa id entica.
72
SEMANA 6: ESPACIOS VECTORIALES
vectores
escalares
1. Es directo de la denici on anterior que sobre .
n es un espacio vectorial
2. Sea (Mmn ( ), +) el grupo Abeliano de las matrices de m las y n columnas con elementos en . Denamos la ley de composici on externa: Mmn ( ) Mmn ( )
(, A) A = (aij )
Es f acil vericar que se cumplen las propiedades (EV1) a (EV4). Por ejemplo: b11 . . . b1n a11 . . . a1n . + . . . (A + B ) = . . am1 . . . amn bm1 . . . bmn
(a + b ) . . . (a + b ) a11 + b11 . . . a1n + b1n 11 11 1n 1n . . . . . . . . = = . . . . am1 + bm1 . . . amn + bmn (am1 + bm1 ) . . . (amn + bmn )
a11 . . . a1n b11 . . . b1n . . . + = A + B. . . . = . . . am1 . . . amn bm1 . . . bmn
Conclu mos entonces que Mmn ( ) es un espacio vectorial sobre
3. Sea Pn ( ) el conjunto de los polinomios de grado menor o igual a n, con la suma de funciones reales y la multiplicaci on por escalar denida por: p, q Pn ( ), (p + q )(x) = p(x) + q (x)
o bien, si p(x) =
(p)(x) = p(x)
n i=0
n i=0
ai xi , q (x) =
n
bi xi
n
(p + q )(x) =
i=0
(ai + bi )xi ,
(p)(x) =
i=0
(ai )xi .
Es directo vericar que Pn ( ) es espacio vectorial sobre . Adem as, a m as adelante, a denir la Pn ( ) F ( , ), lo cual, nos llevar noci on de subespacio vectorial.
73
Ejemplos:
(, v ) v
donde es la multiplicaci on en el cuerpo . Como es cuerpo, se verican las propiedades . Conclu mos entonces que todo cuerpo, , es espacio vectorial sobre si mismo. Dos ejemplos importantes son y .
5. Sea el grupo Abeliano ( , +) con la ley de composici on externa: (, a + bi) (a + bi) = a + bi Es claro que es un espacio vectorial sobre pero no es el mismo espacio vectorial denido sobre . Es decir, el espacio vectorial sobre es distinto al espacio vectorial sobre , pues los cuerpos sobre los cuales est an denidos son diferentes.
Ejercicio
Ejercicio 3.1: Sea V un e.v. sobre 1. 0v = v 0 = 0, v V, 0 2. 0 = 0 = 0, 3.
, 0 V , elemento neutro aditivo de V . v = 0 = 0 v = 0, , v V .
, elemento neutro aditivo de .
. Probar que:
3.2.
Subespacios vectoriales
Denici on 3.2 (Subespacio vectorial). Sea un espacio vectorial V sobre un cuerpo . Diremos que U = , es un subespacio vectorial (s.e.v) de V si y s olo si:
subespacio vectorial (s.e.v.)
1. u, v U, u + v U Es decir, ambas operaciones, la interna y la externa, son cerradas en U . La siguiente proposici on nos entrega una forma m as compacta de caracterizar a un s.e.v. Proposici on 3.1. Sea un espacio vectorial V sobre un cuerpo es subespacio vectorial (s.e.v) de V si y s olo si: 1 , 2 2.
, u U,
u U.
. U = ,
, u1, u2 U,
74
1 u1 + 2 u2 U.
4. Tomemos ahora un cuerpo ( , +, ) arbitrario. Claramente ( , +) es un grupo Abeliano. Adem as, denamos la ley de composici on:
Observaci on: Si U es un s.e.v. de V entonces 0 U (basta tomar = 0). Luego el subespacio vectorial m as peque no de V es {0}. El m as grande es, obviamente, V . Ejemplos: 1. El conjunto de los polinomios de grado menor o igual a n, Pn ( ), es subespacio de F ( , ).
2. U = {(x, y )/ax + by = 0} es un subespacio vectorial de efecto, sean (x1 , y1 ), (x2 , y2 ) U, 1 , 2 :
2. En
1 (x1 , y1 ) + 2 (x2 , y2 ) = (1 x1 + 2 x2 , 1 y1 + 2 y2 ) Adem as, a(1 x1 + 2 x2 )+ b(1 y1 + 2 y2 ) = 1 (ax1 + by1 )+ 2 (ax2 + by2 ) = 1 0 + 2 0 = 0. Es decir, 1 (x1 , y1 ) + 2 (x2 , y2 ) U . El subespacio vectorial U est a compuesto de todos los vectores de 2 contenidos en la recta ax + by = 0. Es claro que, dado un vector (x, y ) de dicha recta, (x, y ), est a en la misma recta as como la suma de dos vectores sobre ella. De esto conclu mos que cualquiera recta que pasa por el origen es un s.e.v. de 2 .
3. Sea la matriz M Mmn ( ), el conjunto U = {x n /M x = 0} es un s.e.v. de n . En efecto: Dados 1 , 2 , x, y n . M (1 x + 2 y ) = 1 M x + 2 M y = 1 0 + 2 0 = 0, luego, 1 x + 2 y U.
Supongamos ahora que, dado un espacio vectorial V sobre un cuerpo tienen U, W s.e.v. de V . Es directo que U W es tambi en s.e.v de V.
, se
En efecto, si x, y U W, 1 , 2 K , entonces como U, W son s.e.v. de V , 1 x + 2 y U y 1 x + 2 y W . Sin embargo, la uni on no es necesariamente un s.e.v de V . Ejemplo: Tomemos U = {(x, y ) 2 /x y = 0}, W = {(x, y ) 2 /y 2x = 0}. Es claro que ambos son s.e.v de 2 . Sin embargo, (1, 1) U, (1, 2) W pero (1, 1) + (1, 2) = (2, 3) / U W , luego no es s.e.v. (graque para cerciorarse).
U W es s.e.v.
75
n. En efecto, si se verica la primera denici Demostracio on entonces, de la propiedad 2, 1 u1 U y 2 u2 U . De la propiedad 1 se concluye 1 u1 + 2 u2 U . En el otro sentido, basta tomar 1 = 2 = 1 para vericar la primera propiedad y 2 = 0 para vericar la segunda.
3.3.
Combinaciones lineales
Sea V un espacio vectorial sobre un cuerpo , y una colecci on de vectores v1 , v2 , ..., vn V , y de escalares 1 , ..., n K . Denominamos combinaci on lineal a la suma ponderada de estos vectores:
n
combinaci on lineal
i vi = 1 v1 + ... + n vn
i=1 n
Claramente, por inducci on sobre n, se prueba que

i=1
i vi V .
Dado un conjunto jo, v1 , ..., vn V de vectores, denimos el conjunto de todas sus combinaciones lineales como sigue:
n
{v1 , ..., vn }
{v1 , ..., vn } = {v V /v =
i=1
i vi , i
}.
Proposici on 3.2. Sean V e.v. y v1 , ..., vn V . Entonces {v1 , . . . , vn } es un subespacio vectorial de V . Adem as es el s.e.v. m as peque no que contiene los vectores v1 , . . . , vn . Es decir, si otro s.e.v U los contiene, entonces {v1 , . . . , vn } U . Por ende, {v1 , . . . , vn } es llamado subespacio vectorial generado por {vi }n i=1 . n. Para probar que es un subespacio vectorial de V , sean Demostracio
n n
u, v {v1 , . . . , vn } , , K . Tenemos que u = luego u + v =

i=1 n
i vi , v =
i=1 i=1
i vi ,
(i + i )vi {v1 , ..., vn } .
Para probar que es el m as peque no, basta notar que como U es s.e.v. de V y contiene el conjunto {vi }n , entonces contiene todas sus combinaciones i=1 lineales. Ejemplo:
Tomemos v = (1, 1) 2 , el subespacio {v } = {(1, 1)/ } corresponde a la recta que pasa por el or gen con direcci on dada por el vector (1,1). Sean v1 = (1, 0), v2 = (0, 1), {v1 , v2 } = {(0, 1) + (1, 0) | , En efecto, dado un vector arbitrario (a, b) como (a, b) = a(1, 0) + b(0, 1). 76
2, este puede escribirse
} = 2.
Esta constataci on nos llevar a, m as adelante, a denir una operaci on entre espacios vectoriales (la suma) tal que podamos hablar de uniones compatibles con la estructura de espacio vectorial.
Denici on 3.3. Sea {vi }n i=1 V , diremos que estos vectores son linealmente dependientes (.d.) si y solo si: existen escalares {1 , ..., n }, no
n n
todos nulos, tales que
i vi = 0. En caso contrario, es decir
i vi =
linealmente dependientes (.d.)
0 i = 0 i = 1, ..., n, diremos que el conjunto de vectores {vi }n i=1 es linealmente independiente (.i.). Ejemplos: {(1, 1), (2, 2)} es un conjunto linealmente dependiente: 2(1, 1) + (2, 2) = (0, 0). Dado un espacio vectorial arbitrario V sobre dependiente pues: 0 = 0.
i=1
i=1
linealmente independiente (.i.)
, {0} es linealmente
En general, cualquier conjunto de vectores, {vi }n i=1 que contenga 0 V es linealmente dependiente. Basta tomar la combinaci on 0v1 + 0v2 + . + 0vn + 1 0 = 0, con escalares no todos nulos. De manera similar a lo anterior es f acil vericar que un conjunto dependiente sigue manteniendo esta propiedad al agregarle vectores. Adem as, un conjunto independiente, mantiene la independencia al extraerle vectores. En efecto, sea {vi }p i=1 V un conjunto de vectores .d, entonces existe una combinaci on lineal nula con escalares no todos nulos:
p
i vi = 0.
i=1
on Luego v V, {v } {vi }p i=1 es .d., ya que basta tomar la combinaci lineal:

n
0v +
i=1
i vi = 0.
Supongamos, ahora que el conjunto {vi }p i=1 es .i., es directo de la de la denici on que al sacar un vector, vk , el conjunto {vi }p i=1 \ {vk } es .i. Ejemplos: 1. El conjunto {(1, 1, 1), (0, 1, 1), (1, 0, 0)} 3 es .d. En efecto, (1, 1, 1) = (0, 1, 1) + (1, 0, 0), es decir (1, 1, 1) (0, 1, 1) (1, 0, 0) = (0, 0, 0) donde 1 = 1, 2 = 1, 3 = 1. 2. En el espacio vectorial 4 ( ), los polinomios 1, x son .i En efecto, tomemos una combinaci on lineal nula 1+ x = 0, pero si = 0 se tendr a que + x es un polinomio de grado 1, luego tiene a lo m as una ra z y el polinomio 0 tiene innitas ra ces, luego = = 0. 77
3.4.
Dependencia e independencia lineal
1 (1, 1, 0, 1)+ 2 (1, 0, 1, 0)+ 3 (0, 0, 1, 1)+ 4 (0, 1, 1, 0) = (0, 0, 0, 0) es equivalente al sistema de 4 4: 1 + 2 = 0 1 + 4 = 0 2 + 3 + 4 = 0 1 + 3 = 0 en t erminos matriciales 1 1 1 0 0 1 1 0 1 1 0 1 1 0 1 0 0 0 1 1 0 1 1 0 0 1 0 1 2 0 = 1 3 0 0 4 0 0 0 1 1 0 1 1 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 1 1 2 1 1 0 0 0 0
0 0 1 1
Aplicando Gauss a la matriz aumentada: 0 1 1 0 0 1 0 0 1 0 0 1 0 0 0 1 1 2 0 3
1 1 0 1 0 0 0 0
0 0 1 = 2 = 3 = 4 = 0. 0 0
En general en n , dado un conjunto de m vectores {v1 , ..., vm }, donde vi = (v1i , ..., vni ), i = 1, ..., m, podemos estudiar su dependencia o independencia lineal a trav es de un sistema de n ecuaciones y m inc ognitas. En efecto: 1 v1 + ... + m vm = 0 0 v11 v12 v1m . v21 v22 v2m . . 1 . + 2 . + ... + m . =. . . . . . . . . vn1 vn2 vnm 0 v11 v21 . . . v12 v22 . . . vn2 v1m v2m . . . 78 0 1 . . 2 . = . . . . . . m 0
m.
vn1
vnm
3. Los vectores en son .i. En efecto:
4, {(1, 1, 0, 1), (1, 0, 1, 0), (0, 0, 1, 1), (0, 1, 1, 0)},
Deniendo M = (vij ) Mnm ( ) (es decir poniendo los vectores originales m como el vector de inc ognitas, se tiene que para como columnas) y analizar la dependencia o independencia lineal basta estudiar las soluciones = 0. del sistema M = 0 que satisface el sistema, entonces el conjunto de vectores Si existe {vi }m as a un, sabemos que si m > n el i=1 es .d., en caso contrario es .i.. M sistema tiene m as de una soluci on, en particular una no nula luego {vi }m i=1 es .d.. As se ha probado:
Teorema 3.1. En tes.
n, m > n vectores son siempre linealmente dependien
Observaci on: Conviene se nalar que en n siempre es posible determinar n vectores independientes. Basta tomar el conjunto {ei }n i=1 , ei = (0, ..., 1, ..., 0), donde la componente no nula es la i- esima.
79
Gu a Semana 6
Ejercicio 3.1
1. Sea V un e.v. sobre (a) (b) (c)
. Probar que: 0v = v 0 = 0, v V, 0 , elemento neutro aditivo de . 0 = 0 = 0, , 0 V , elemento neutro aditivo de V . v = 0 = 0 v = 0, , v V .

(a, b) = (a, b). 2 con la suma usual y la siguiente ponderaci on: , (a, b) = (a, 0). + con la suma: x y = x y y la ponderaci on: x = x . El conjunto de las funciones de [a, b] en acotadas, con la suma y poderaci on (por escalares en ) usuales. El conjunto de las funciones f : tales que f (1) = f (1), con la suma y ponderaci on usuales.
2. Determinar cu ales de las siguientes estructuras son espacios vectoriales: (a) (b) (c) (d) (e)
2 con la suma usual y la siguiente ponderaci on: ,
3. Sea Pn ( ) el conjunto de los polinomios de grado menor o igual a n, con la suma de funciones reales y la multiplicaci on por escalar denida por: p, q Pn ( ), (p + q )(x) = p(x) + q (x) , (p)(x) = p(x). Pruebe que Pn ( ) es espacio vectorial sobre
4. Indique cu ales de los siguientes conjuntos son s.e.v. de P2 ( ) (considerado como en la parte anterior) y cu ales no lo son. Pruebe su respuesta. (a) (b) (c) (d) (e) U U U U U = {p(x) = a(x2 + x + 1) | a }. = {p(x) = ax2 + bx + b) | a, b }. = {p(x) = x2 + ax + b | a, b }. = {p(x) = ax2 + b | a, b }. = {p(x) = ax2 + b2 x + x + c | a, b, c
\ {0}}.
5. Determine la dependencia o independencia lineal de cada uno de los siguientes conjuntos de vectores: (a)
3 1 0 2
(b) x + 1, x 1, x + x + 1 P2 ( ). 0 11 1 1 11 (c) {( 1 0 0 ) , ( 0 0 ) , ( 1 0 ) , ( 1 1 )} M22 ( ) 6. (a) Sean a, b, c tres vectores de un espacio vectorial V . Determine si el conjunto {a + b, b + c, c + a} es un conjunto l.i. (b) Sea {u1 , u2 , . . . , uk } un subconjunto l.i. de un espacio vectorial V . Pruebe que escalar, el conjunto: {u1 + u2 , u3 , . . . , uk } es l.i. 80
4 6 5 2
7 5 5 2
3.
Ejercicios
P1. Sea P3 ( ) el conjunto de polinomios de grado menor o igual a 3 con coecientes reales. Sean p1 , p2 , p3 P3 ( ) tales que
p1 (x) = 1 + 6x2 ,
p2 (x) = 4x,
p3 (x) = 1 + 3 + 5x2 .
Demuestre que P2 ( ) = {p1 , p2 , p3 } . P2. Sean E, F e.v. sobre un cuerpo satisface:
. Sea T una funci on T : E F , que
(1) T (0E ) = 0F . En donde 0E y 0F son los neutros aditivos en cada e.v. (2) x E, Considere T (E ) = {y F | y = T (x), x E }. (a) Muestre que T (E ) es un s.e.v. de F . (b) Suponga adem as que T satisface que: x E, T (x) = 0 x = 0. Muestre que si {u1 , . . . , un } E es l.i., entonces {T (u1), . . . , T (un )} F es l.i. P3. Sean E y F espacios vectoriales sobre el mismo cuerpo
: T (x) = T (x).
(3) x, y E , T (x + y ) = T (x) + T (y ).
(a) Pruebe que dotando al conjunto E F de las leyes
, (x, y) E F, este resulta ser un e.v. sobre .

(x, y ), (u, v ) E F,
(x, y ) + (u, v ) = (x + u, y + v ) (x, y ) = (x, y ),
(b) Pruebe que E {0F } y {0E } F son subespacios vectoriales de E F . Determine 0E F y pruebe que (E {0F }) ({0E } F ) = { 0 E F } .
(c) Sea {e1 , e2 , . . . , en } E un conjunto l.i. en E y {f1 , f2 , . . . , fm } F un conjunto l.i. en F . Determine un conjunto l.i. en E F , de tama no n + m.
P4. Sea E el espacio vectorial sobre a valores reales: E = {f | f :
de las funciones denidas sobre
es funci on}.
81
Problemas
n , f (n) + a1 f (n 1) + a2 f (n 2) = 0. (b) Sea ahora F1 el conjunto de las funciones f E que verican la condici on: n , f (n) + a1 f (n 1) + a2 f (n 2) = 1. Pruebe que F1 no es un s.e.v. de E . Pruebe que F0 es un s.e.v. de E .
82
(a) Sean a1 , a2 con a2 = 0 y F0 el conjunto de las funciones f E que verican la condici on:
3.5.
Generadores de un espacio vectorial
Sea V un espacio vectorial sobre un cuerpo {v1 , ..., vn } V , generan V si y s olo s : {v1 , ..., vn } = V o de manera equivalente: v V, {i }n i=1 Ejemplo:
. Diremos que los vectores
{v1 , ..., vn } V generan V
tal que
v=
i=1
i vi .
Tomemos el conjunto {(1, 0), (0, 1), (1, 1)}. Este genera 2 . En efecto, (x, y ) = x(1, 0) + y (0, 1) + 0(1, 1). Es decir {(1, 0), (0, 1), (1, 1)} = 2 . Pero, en este caso, la forma de escribir (x, y ) no es u nica:
(x, y ) = (x y )(1, 0) + y (1, 1) + 0(0, 1). En ambas combinaciones lineales sobra un vector. M as a un, constatamos que los tres vectores son l.d.: (1, 1) (1, 0) (0, 1) = (0, 0)
umeEsto nos lleva a la noci on de conjunto generador de 2 con un n ro m nimo de vectores linealmente independientes. En nuestro ejemplo anterior {(1, 0), (0, 1)} o {(1, 1), (1, 0)}. Hay alguno m as?. Denici on 3.4 (Base). Dado un espacio vectorial V sobre , diremos que el conjunto de vectores {vi }n olo s : i=1 es una base de V si y s (1) {vi }n i=1 es un conjunto l.i. (2) V = {v1 , ..., vn } . Ejemplos: 1. En n , el conjunto {ei }n i=1 , donde ei = (0, ..., 1, 0..,0) es base. En efecto, ya probamos que son l.i., adem as, dado x = (x1 , ..., xn )
SEMANA 7: ESPACIOS VECTORIALES
base
n , x =
xi ei . Esta base de
i=1
n se denomina base can onica.
83
Para resolverlo tomemos la 1 1 0 b1 1 1 1 0 1 b2 0 1 0 1 1 b3 0 1
3 b2 2 b1 , 2 = b1 +b2 , 1 = de donde: 3 = b3 +b2 3 dado b , b es combinaci on lineal de B :
matriz aumentada y escalaremos: 0 b1 1 1 0 b1 1 b2 b1 0 1 1 b2 b1 , 1 b3 0 0 2 b3 + b2 b1

b1 +b2 b3 . 2
Es decir,
(b1 , b2 , b3 ) = Luego
b1 + b3 b2 b2 + b3 b1 b1 + b2 b3 (1, 1, 0)+ (1, 0, 1)+ (0, 1, 1). 2 2 2 B . Para determinar que el conjunto B es l.i. (y por
3 =
lo tanto base) basta resolver el sistema anterior para b = (0, 0, 0). En este caso se concluye 1 = 3 = 3 = 0, y por lo tanto son l.i. 3. En el espacio vectorial Pn ( ), el conjunto B = {1, x, x2 , ..., xn } es base. En efecto. Es claro que cualquier polinomio, q de grado n se escribe como combinaci on lineal de los vectores en B :
n
q (x) =
i=0
ai xi .
para vericar que estos son .i tomemos la combinaci on lineal

n
i xi = 0.
i=0
Se tiene que, si el polinomio de la izquierda tiene alg un coeciente no nulo, entonces es un polinomio de grado entre 0 y n luego posee, a lo m as, n ra ces. Pero el polinomio de la derecha (polinomio nulo) tiene innitas ra ces. De esto se desprende que i = 0, i = 0, ..., n. Otra manera de vericar la independencia lineal es mediante derivaci on: d i xi ) = 1 + 22 x + ... + nn xn1 = 0 ( dx i=0 84
n
3 2. Estudiemos, en , si el conjunto de vectores, B = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}, es base. Veamos primero si B es generador. Sea b = (b1 , b2 , b3 ) 3 y determinemos si existen escalares, {1 , 2 , 3 }, tales que: (b1 , b2 , b3 ) = 1 (1, 1, 0) + 2 (1, 0, 1) + 3 (0, 1, 1). Esto es equivalente a estudiar el sistema de 3 3: 1 1 0 1 b1 1 0 1 2 = b2 . 0 1 1 3 b3
. . . dn i xi ) = n!n = 0 ( dxn i=0 n = 0 n1 ... 1 = 0 0 = 0

n
4. Existen espacios vectoriales en los cuales ning un conjunto nito de vectores es base, por ejemplo, sea S el conjunto de las sucesiones, es decir: S = {(un )/un , n }.
Claramente, con la suma (un )+(vn ) = (un + vn ) y la multiplicaci on (un ) = (un ), , S es un espacio vectorial sobre .
Vemos que el conjunto nito de sucesiones Bn = {x , . . . , x(n) }, (i) olo si i = j (0 en otro caso), es linealmente donde xj = 1 si y s independiente. En efecto:
n i=0
(1)
i x(i) = (1 , 2 , ..., n , 0, 0...) = (0, ..., 0, ...) i = 0 i = 1, ..., n.
Pero, siempre es posible agrandar este conjunto. Basta tomar Bn+1 = Bn {x(n+1) }. Adem as n , Bn no es generador pues dado n jo, el vector x(n+1) es linealmente independiente de los vectores de Bn . Es decir, extendiendo adecuadamente las deniciones de l.i. y generador a conjuntos innitos (lo cual se puede hacer, pero no lo haremos aqu ), la base ser a B = n1 Bn , que es un conjunto innito. Sin embargo, es posible probar que B tampoco puede generar a todas las sucesiones de S , es s olo un conjunto l.i.
5. Observemos que el conjunto de las progresiones aritm eticas, P A es un s.e.v. de S , y este tiene una base nita. En efecto 1 = (1, . . . , 1, . . . ), e = (1, 2, 3, . . . , n, . . . ) P A y adem as son l.i.: 1 + e = ( + , + 2, + 3, ..., + u, ...) = (0, ..., 0, ...) ( + = 0) ( + 2 = 0) = = 0. Adem as son generadores: Sea (xn )n una progresi on de diferencia d entonces se tiene xn = x0 + nd y por lo tanto: 1 + de. (xn ) = x0
85
d2 i xi ) = 22 + ... + n(n 1)n xn2 = 0 ( dx2 i=0
Proposici on 3.3. Dado un espacio vectorial V , B = {vi }n i=1 V es una base si y s olo s v V, v se escribe de manera u nica como combinaci on lineal de los vectores del conjunto B .
n. Demostremos esta propiedad: Demostracio ) Como B es base, B = V , luego v se escribe como combinaci on lineal de los vectores en B . Supongamos que esto puede hacerse de dos maneras:
n n
v=
i=1 n
i vi , v =
i=1
i vi .
Se tiene entonces
i=1
(i i )vi = 0. Como B es un conjunto l.i., conclu mos

n
que i = i para todo i. ) Por hip otesis, cualquier vector v V es combinaci on lineal del conjunto B , luego B es generador. Supongamos que B es l.d., entonces i vi = 0 con escalares no todos nulos. Adem as 0v1 + 0v + ... + 0vn = 0 luego el vector 0 se escribe de dos maneras distintas, lo cual es una contradicci on. Conclu mos entonces que B es base.
i=1
Observaci on: Por convenci on el conjunto vac o es la base del espacio vectorial {0}. Esto pues por denici on diremos que es l.i. y adem as el subespacio m as peque no que lo contiene es {0}. Otra propiedad importante es la siguiente:
Teorema 3.2. Si X = {v1 , . . . , vn } V es un conjunto generador, entonces es posible extraer un subconjunto B = {vi1 , . . . , vis } que es base de V.
n. Procederemos de manera recursiva Demostracio e pa1. Elijamos vi1 B , el primer vector no nulo que encontremos ( Qu sa si todos son cero?). Hagamos B1 = {vi1 }. Claramente B1 es linealmente independiente. 2. Preguntamos X \ B1 B1 ?
j = i1 , vj = j vi1 . Como V = X v V, v =
Si es cierto: Entonces B1 es base. En efecto, X \ B1 B1

n k=1
k vk =
86
Una caracterizaci on de base, que nos ser au til m as adelante, es la siguiente:
k=i1
En el k - esimo paso se habr a generado, a partir de Bk1 = {vi1 , ..., vik1 }, (que es linealmente independiente), el nuevo conjunto: Bk = Bk1 {vik }, vik / Bk1 .
/ B1 . Hacemos B2 = Si no es cierto: Entonces vi2 X \ B1 , vi2 B1 {vi2 } y repetimos el procedimiento anterior.
V B1 . Es decir V = B1 , luego B1 es l.i. y generador.
Bk es linealmente independiente: En efecto, sea:

k
j vij = 0.
j =1 k 1 j =1
1 Si k = 0 entonces vik = k
j vij Bk1 que es una contra-
dicci on. Luego k = 0 y, como Bk1 es linealmente independiente, j = 0 j = 1...k 1. Finalmente, como el conjunto de vectores X es nito, en un n umero nito de pasos determinamos un conjunto linealmente independiente Bs = aloga a lo ya hecho se {vi1 , ..., vis }, tal que X \ Bs Bs y de manera an prueba que es generador y por lo tanto base de V . En la demostraci on anterior, elegimos el pr oximo vector, vik , para entrar al conjunto Bk1 , exigiendo solamente: vik / Bk1 . Obviamente pueden existir varios vectores con tal propiedad. Esto permite armar que, en general, a partir de B podemos determinar varias bases (a menos claro que B mismo sea una base). Ejemplo: Si B = {(1, 0), (0, 1), (1, 1)}, los subconjuntos {(1, 0), (0, 1)}, {(1, 0), (1, 1)} y {(0, 1), (1, 1)} son todos bases de 2 .
Daremos ahora una generalizaci on del Teorema 3.1. Teorema 3.3. Supongamos que tenemos B = {vi }n i=1 , base de V y un conjunto arbitrario X = {wi }m V . Si m > n , entonces el conjunto X i=1 es l.d.
n. En efecto, como B es base: wi = 1i v1 + ... + ni vn Demostracio i m. Tomemos una combinaci on lineal de los vectores de X : 1 1 + ... + m m = 0, 87
1 (3.1)
k k vi1 + i1 vi1 = vi1 B1 , con
lo que implica que
i [1i v1 + ... + ni vn ] = 0
i=1 m n
i
i=1 n j =1 j =1 m
ji vj = 0 i ji ) = 0
i=1
vj (
y como B = {vj }n j =1 es l.i., lo anterior es equivalente a

m
ji i = 0
i=1
1jn
= 0, donde o, de manera matricial A 1 11 12 1m 21 22 2m = .2 . , A= . . . . . . . . . . . n1 n2 nm m
Del cap tulo anterior sabemos que para m > n el sistema anterior tiene m as de una soluci on (innitas), luego al menos una no nula. Es decir existen escalares 1 , ..., m , no todos nulos, soluci on de la ecuaci on 3.1. De donde conclu mos que X es l.d. De este resultado se desprende directamente el corolario siguiente que es suma importancia:
m Corolario 3.1. Si {vi }n i=1 , y {ui }i=1 son bases de V , entonces n = m.
n. En efecto, si n > m, de la propiedad anterior conclu Demostracio mos es l.d., lo cual es una contradicci o n. {vi }n i=1 As , si existe una base nita, de cardinal n, entonces cualquier otra base contiene exactamente n vectores. Esto nos lleva a denir la dimensi on de un espacio vectorial.
es de dimensi on n (nita) si admite una base de cardinalidad n. En caso
Denici on 3.5 (Dimensi on). Diremos que un espacio vectorial V sobre
que no exista una base nita, hablaremos de espacio vectorial de dimensi on innita. Notaremos dim V al cardinal de una base (dim V = , si V no posee una base nita). En particular dim{0}=0. Ejemplos: 1. dim
dimensi on innita
n = n .
88
reemplazando cada wi como combinaci on lineal de B , 3.1 equivale a:
dimensi on
3. dim P A = 2. 4. dim Mmn = m n. Veriquemos esta u ltima. Tomemos el conjunto de matrices de 0 y 1: [, ] = (e ), e = 1 (, ) = (i, j ) {1, ..., m}, {1, ..., n}}. B = {E ij ij Este conjunto corresponde a la base can onica del espacio de las matrices. Por ejemplo, para m = 2 y n = 3, el conjunto B est a formado por las matrices: 1 0 0 0 0 0 , 0 0 1 0 0 0 , 0 0 0 1 0 0 , 0 0 1 0 0 0 , 0 0 1 0 0 0 , 0 0 0 0 0 1 .
Volvamos al caso general, claramente B es l.i. 11 ...1n 0 . . = E [, ] = . =1 =1 0 m1 ...mn

m n
... 0
... 0 . . .
= 0
, .
Adem as, dada A = (aij ) Mmn (K):

m n
A=
=1 =1
a E [, ].
Luego, el conjunto {E [, ]}, es base. Es decir dim Mmn (K) = mn. Algunas propiedades de los espacios de dimensi on nita son las siguientes:
Teorema 3.4.
n 1. Sea dim V = n. Si {vi }n i=1 es l.i. entonces {vi }i=1 es base.
2. Sea U un s.e.v de V , luego dim U dim V m as a un se tiene que dim U = dim V U = V . n. Demostracio 1. Basta probar que V = {v1 , ..., vn } . Supongamos u / {v1 , .., vn } , luego B = {u, v1 , ..., vn } es l.i. y |B | = n + 1 > n. Lo que es una contradicci on, pues todo conjunto de cardinal mayor que la dimensi on debe ser l.d.
89
2. dim S = .
Para probar la u ltima parte supongamos U = V . Sea {ui }n i=1 una base de U . Como U = V y {u1 , ..., un } = U, v V \ U B = {v } {ui }n i=1 es l.i. en V y |B | > dim V , que al igual que antes da una contradicci on. Un resultado importante es la posibilidad de que, en un espacio vectorial V, dim V = n, un conjunto de vectores linealmente independiente, pueda completarse hasta formar una base de V .
Teorema 3.5 (Completaci on de base). Dado V espacio vectorial sobre con dim V = n, y un conjunto de vectores l.i.; X = {v1 , . . . , vr }, r < n, entonces existen vectores vr+1 , . . . , vn , tales que el conjunto {v1 , . . . , vn } es base de V .
Completaci on de base
n. Sea U = {v1 , . . . , vr } , claramente U = V (justique). Demostracio Luego v V \ U . Deniendo vr+1 = v , el conjunto {v1 , ..., vr , vr+1 } es l.i. En efecto
r +1
i vi = 0
i=1
Si r+1 = 0 entonces, se concluye que vr+1 = r1 +1
r i=1
i vi {v1 , ..., vr }
lo cu al es una contradicci on ya que vr+1 / U . Si r+1 = 0 i = 0 i = 1, ..., r pues los vectores de X son l.i. Si {v1 , ..., vr+1 } = V hemos terminado, sino repetimos el procedimiento. Ejemplo: Consideremos, en
4 el conjunto
X = {(1, 1, 0, 0), (0, 1, 0, 0)}.
Claramente este conjunto es l.i. y adem as (0, 0, 1, 0) / {(1, 1, 0, 0), (0, 1, 0, 0)} . Luego {(1, 1, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0)} es l.i. An alogamente, el vector (0, 0, 0, 1) / {(1, 1, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0)} luego el conjunto B = {(1, 1, 0, 0)(0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)} es l.i. y como contiene tantos vectores como dim 4 = 4, es base.
90
2. Supongamos m = dim U > n = dim V , entonces existe {ui }m i=1 base de U , pero {ui }m V es l.i., de cardinal mayor que la dimensi on, i=1 lo cual contradice el hecho que el m aximo conjunto de vectores l.i. es de cardinalidad n.
3.6.
Suma de espacios vectoriales
Recordemos que la uni on de subespacios de un espacio vectorial V , no es necesariamente un espacio vectorial. Denamos una operaci on entre subespacios que nos permita determinar uno nuevo, que contenga a ambos. Sean U, W subespacios de V , denimos la suma de subespacios vectoriales como sigue: U + W = {v V /v = u + w, u U, w W }. Es directo que U + W es un s.e.v de V . En efecto, sean x, y U + W, , K , luego x = u1 + w1 , y = u2 + w2 . Adem as, x + y = (u1 + u2 ) + (w1 + w2 ) U + W ya que U y W son s.e.v. Ejemplo: Tomemos en
suma de subespacios vectoriales
2, los subespacios U =
{(1, 1)} , W = {(1, 0)}
U + W = {v = (1, 1) + (1, 0)/,
} = 2
En efecto, (x, y ) = y (1, 1) + (x y )(1, 0) Sean, en 3 , los subespacios U = {(1, 0, 0)} , W = {(0, 1, 0)}
U + W = {(x, y, 0) | x, y
} = 3.
En general, es directo que U U + W y W U + W . Basta tomar los elementos de la forma u + 0 y 0 + w, respectivamente. Dado V = U + W , un vector no necesariamente admite una escritura u nica en t erminos de U y W . Ejemplo: Si luego U =< {(1, 0), (0, 1)} >, W =< {(1, 1)} > (1, 1) = (1, 1) + 0 donde (1, 1) U y 0 W , pero adem as (1, 1) = 0 + (1, 1) donde esta vez 0 U y (1, 1) W . En el caso particular, en que la descomposici on de un vector de V sea u nica en t erminos de los subespacios, diremos que V es suma directa de U y W, Denici on 3.6 (Suma directa). Sea un espacio vectorial V y dos subespacios vectoriales U, W de V . Diremos que el subespacio Z = U + W es suma directa de U y W , notado U W = Z , si v Z , v se escribe de 91
2 = U + W . Pero el vector (1, 1) se escribe de dos maneras:
suma directa U W = Z
U +W
v = u + w,
u U, w W.
En el caso en que V sea suma directa de U y W , diremos que estos u ltimos son suplementarios. Ejemplo:
Sean, por ejemplo, los subespacios de 2 , V =< {(1, 0)} >, W =< {(0, 1)} > 2 = U W, pues (x, y ) = x(1, 0) + y (0, 1) es u nica.
Una caracterizaci on u til de la suma directa es la siguiente: Proposici on 3.4. Dado V e.v. y U, W, Z s.e.v. de V , entonces Z = U W (Z = U + W ) (U W = {0}) n. En efecto: Demostracio ) Como Z es suma directa de U y W , v Z , ! u U, w W tal que v = u + w v U + W , luego Z = U + W .
Supongamos ahora v U W , entonces v = v + 0 = 0 + v . Es decir, v admite dos escrituras en U + W , luego necesariamente v = 0.
) Como Z = U + W, v Z, v = u + w, u U, w W . Veamos que esta descomposici on es u nica. Supongamos v = u + w y v = u + w , entonces u u = w w, donde u u U y w w W , luego u u U W u u = 0 u = u w = w . Una propiedad interesante de la suma directa es:
Teorema 3.6. Si V = U W y V es de dimensi on nita, entonces dim V = dim U + dim W .
dim U W
n. En efecto, si U o W corresponde al subespacio nulo, {0}, Demostracio el resultado es directo. m Supongamos entonces U = {0} = W . Sea {ui }k i=1 base de U, {wi }i=1 base de W . Armamos que el conjunto B = {u1 , ..., uk , w1 , ..., wm } es base de V: 1. B es linealmente independiente:
k m
i ui +
i=1 i=1
i wi = 0
92
manera u nica como
m i=1
u nica en U + W como 0 = 0 + 0, obtenemos:

k m
i=1
i ui =
i=1 i=1
i wi = 0
m y por independencia lineal de {ui }k mos 1 = ... = i=1 , {wi }i=1 conclu k = 1 = ... = k = 0.
2. B es generador del e.v. V : Como V = U W, v V, v = u + w, u U, w W . Pero u U, w

k
W se escriben como combinaci on lineal de sus bases: u =

m i=1
i ui ,
w=
i=1 k
i wi , de donde,
m
v=
i=1
i wi +
i=1
i wi , luego B = V .
De (1) y (2) es directo que dim V = k + m = dim U + dim W . Una pregunta importante es la siguiente: dado un s.e.v U de V , existe un suplementario de U ?, es decir un s.e.v W tal que V = U W ? La respuesta es armativa, si U = V , basta tomar como suplementario W = {0}. Si dim U < dim V , tomemos una base de U : X = {ui }k i=1 . Por el teorema de completaci on de base, existen vectores {uk+1 , ..., un } tales que B = X {uk+1 , ..., un } es base de V . Sea ahora W = {uk+1 , ..., un } . Armamos que V = U W . En efecto, como {u1 , ..., un } es base de V , todo v V puede escribirse, de manera u nica, como combinaci on lineal de esta base:
k n
v=
i=1 k n
i ui +
i=k+1
i ui
Como u =
i=1
i ui U, w =
i=k+1
i ui W , tenemos que un vector v V
se escribe de manera u nica como v = u + w. Ejemplos: Tomemos V =
3 y los subespacios
U = {(1, 0, 0), (0, 1, 0)} , W = {(0, 1, 0), (0, 0, 1)} U W = {(0, 1, 0)} . En efecto, si v U W, v = (1, 0, 0)+ (0, 1, 0) = (0, 1, 0) + (0, 0, 1). De donde, = = 0, = . Luego v = (0, 1, 0). Es decir U W = {(0, 1, 0)} , De esto conclu mos que U + W no es suma directa, 93
Como
i ui U,
i wi W y el vector 0 se escribe de manera
En 2 , cualquier par de rectas no colineales, que pasen por el origen, est an asociados a subespacios suplementarios. Luego el suplementario de un s.e.v. U no es u nico. El siguiente resultado, propuesto como ejercicio, extiende el Teorema 3.6 al caso en que la suma no es necesariamente directa.
Teorema 3.7. Supongamos que V = U + W , entonces dim V = dim U + dim W dim U W . n. Propuesta como ejercicio. Ver la gu Demostracio a para indicaciones.
dim U + W
Ejercicio
94
sin embargo 3 = U + W = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} .
Gu a Semana 7
1. Averigue si el conjunto de polinomios {1 + x3 , 1 x3 , x x3 , x + x3 } constituye una base de F = {p P ( ) | gr(p) < 4}. Donde P ( ) el es espacio de los polinomios a coecientes reales.
2. Sea W es subespacio vectorial de 4 generado por el conjunto 2 1 1 1 1 , , 3 . 1 1 2 3 1 1 (a) Determine una base de W y su dimensi on. (b) Extienda la base encontrada antes a una base de 3. Se desea probar el siguiente resultado: Supongamos que V = U + W , entonces dim V = dim U + dim W dim U W . Para ello: Considere U W como subespacio de U y W . Si se toma {z1 , ..., zk } base de U W , se puede extender a BW = {z1 , ..., zk , w1 , ..., wp } base de W. Se probar a que B = {z1 , ..., zk , u1 , ..., ul , w1 , ..., wp } es base de V . (a) Pruebe que B genera a V . Es decir, tome v V y pruebe que es combinaci on lineal de los vectores de B . Use que V = U + W . (b) Para probar que B es l.i., tome una combinaci on lineal de B igual a cero: 0 = 1 z1 + ... + k zk + 1 u1 + ... + l ul + 1 w1 + ... + p wp de donde (1 w1 + ... + p wp ) = 1 z1 + ... + k zk + 1 u1 + ... + l ul . (3.2) Pruebe que existen 1 , . . . , k BU = {z1 , ..., zk , u1 , ..., ul } base de U y
4 .
Teorema 3.7
tales que
(1 w1 + ... + p wp ) = 1 z1 + ... + k zk . (d) Reemplace lo anterior en 3.2 y use que BU es base para probar que 1 = = k = 1 = = l = 0. (e) Concluya que B es l.i. y por ende base de V . (f ) Concluya el resultado buscado. 95 (c) Demuestre que 1 = = p = 1 = = k = 0.
Ejercicios
P1. Considere los conjuntos W y U a W = {M M33 ( ) | M = b 0
(a) Demuestre que W y U son subespacios vectoriales de M33 ( ). (b) Encuentre bases y dimensiones para los subespacios U, W, U W y U + W , y decida (justicando) si la suma U + W es directa. Cu antos vectores es preciso agregar a una base de U + W para obtener una base de S = {M M33 (R) | M sim etrica}? Justique encontrando una base de S . P2. Sea m = 2n con n > 0 y considere el conjunto Pm ( ) de los polinomios reales de grado menor o igual a m. Si cada p Pm ( ) se escribe p(x) = a0 + a1 x + + am xm , se dene el conjunto
denidos por: b 0 e c a+e+i = 0, a, b, c, e, i c i 0 r s U = {M M33 ( ) | M = r 0 0 , r, s }. s 0 0
}.
(a) (b) (c) (d)
Probar que V es subespacio vectorial de Pm ( ) sobre los reales. Encontrar una base de V y deducir que su dimensi on es n + 1. Probar que Pm ( ) = V Pn1 ( ). Se dene
V = {p Pm ( ) | i {0, . . . , m}, ai = ami .}
V = {p(x) =
i=0
ai xi Pm ( ) | i {0, . . . , m}, ai = ami }.
Probar que Pm ( ) = V V (asuma que V es un subespacio vectorial de Pm ( )). P3. Si A Mnn ( ) y V es un subespacio vectorial de A(V ) = {Ax | x V }.
n, se dene:
(a) (1) Pruebe que si A Mnn ( ) y V es s.e.v. de n entonces A(V ) tambi en es s.e.v. de n . (2) Sean V, W s.e.v. de n tales que V W = n . Pruebe que si A Mnn ( ) es invertible entonces A(V ) A(W ) = n . (3) Sean V, W s.e.v. de n tales que V W = n . Pruebe que si A(V ) A(W ) = n , entonces A es invertible. Indicaci on: Pruebe que para todo z n el sistema Ax = z tiene soluci on. (b) (1) Sea W un s.e.v. de n y denamos E = {A Mnn ( ) | A( n ) W }. Muestre que E es un s.e.v. de Mnn ( ). on de E = {A (2) Sea W = {(t, t) | t }. Calcule la dimensi M22 ( ) | A( 2 ) W }.
96
Problemas
4.
4.1.
Transformaciones lineales
Introduccion
2 1 por esta Sea la matriz A = ( 0 1 0 ) y multipliquemos los vectores de x2 x1 matriz. Sea v = ( x2 ), se tiene entonces Av = ( x1 ), es decir el vector que se obtiene de intercambiar las coordenadas de v . 1 0 Si tomamos A = 0 1 , al multiplicar por el vector v obtenemos Av = x1 etrico con respecto al or gen. ( x2 ) , que es el vector sim Estos dos ejemplos nos dan funciones completamente distintas pero ellas comparten propiedades que son fundamentales: la imagen de la suma de dos vectores es la suma de las imagenes y la imagen de un vector ponderado por un real es la imagen del vector ponderada por el mismo escalar. Funciones que verican estas propiedades son llamadas lineales y son el objeto de este cap tulo. Veamos un caso m as general. En n consideremos T como la funci on:
T :
n m
v Av
donde A Mmn ( ) Este tipo de transformaciones tiene dos propiedades fundamentales: 1. T (u + v ) = T (u) + T (v ) 2. T (v ) = T (v )
, v n
u, v
En efecto, T (u + v ) = A(u + v ). Como la multiplicaci on matricial distribuye con respecto a la suma: T (u + v ) = Au + Av = T (u) + T (v ) Por otra parte, T (v ) = A(v ) = Av = T (v )
4.2.
Tranformaciones lineales
Denici on 4.1 (Tansformaci on lineal). Sean U, V dos espacios vectoriales sobre el mismo cuerpo . Diremos que una funci on T : U V es una transformaci on (o funci on) lineal si y s olo si satisface:
Transformaci on lineal
2. u U, K, T (u) = T (u)
1. u1 , u2 U, T (u1 + u2 ) = T (u1 ) + T (u2 )
(4.1)
Se nalemos que la propiedad 4.1 establece un homomorsmo entre los grupos (U, +) y (V, +).
97
SEMANA 8: TRANSFORMACIONES LINEALES
Ejemplos: 1. Cualquier funci on T : 2.
f (x + y ) = a(x + y ) = ax + ay = f (x) + f (y ). Adem as, f (x) = a(x) = ax = f (x). Esta transformaci on corresponde a una recta (l nea) que pasa por el or gen con pendiente a.
n m, X AX , es lineal. El caso particular, f : , x ax, a es lineal. En efecto,
3. f : , x x2 , no es lineal. En efecto: f (x + y ) = (x + y )2 = x2 + 2xy + y 2 = f (x) + f (y ) + 2xy , luego no es lineal. En general cualquier funci on real de grado superior a uno , trigonom etrica, etc etera, no es lineal. 4. f : P3 ( ) 4 , p(x) = a0 + a1 x + a2 x2 + a3 x3 f (p) = (a0 , a1 , a2 , a3 ), es lineal. En efecto; si q (x) = b0 + b1 x + b2 x2 + b3 x3 , obtenemos f (p + q ) = f ((a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + (a3 + b3 )x3 ) = = (a0 + b0 , a1 + b1 , a2 + b2 , a3 + b3 ) = (a0 , a1 , a2 , a3 ) + (b0 , b1 , b2 , b3 ) = f (p) + f (q ) f (p) = f (a0 + a1 x + a2 x2 + a3 x3 ) = (a0 , a1 , a2 , a3 ) = (a0 , a1 , a2 , a3 ) = f (p). 5. Sea Fd ( , ) el conjunto de las funciones reales derivables. Es directo vericar que este conjunto es un s.e.v. de F ( , ). Consideremos la transformaci on:
T : Fd ( ,
) F (, )
f T (f )
df (x) es la funci on derivada. Es directo, de las donde T (f )(x) = dx propiedades de derivaci on que T es lineal.
S ea V e.v sobre
, V
= V1 V2 y sean: P2 : V V2 v = v1 + v2 P2 (v ) = v2
P1 : V V1 , v = v1 + v2 P1 (v ) = v1
Ambas funciones (porqu e son funciones?) son lineales. Veriquemos para P1 : sean , v = v1 + v2 , u = u1 + u2 , vi , ui Vi , i = 1, 2. P1 (v + u) = P1 (v1 + u1 ) + (v2 + u2 )) = = v1 + u1 = P1 (v ) + P1 (u)
La funci on, Pi , se denomina la proyecci on de V sobre Vi .
98
Proposici on 4.1. Sea T : U V una transformaci on lineal. Se tiene entonces: 1. T (0) = 0 V . 2. T (u) = T (u). 3. T es lineal si y s olo si 1 , 2 K, u1 , u2 U T (1 u1 + 2 u2 ) = 1 T (u1 ) + 2 T (u2 ). n. Demostremos estas propiedades: Demostracio 1. T (u) = T (u + 0) = T (u) + T (0) como V es espacio vectorial (V, +) es un grupo Abeliano, luego podemos cancelar T (u); de donde 0 = T (0). 2. T (u) = T (1u) = 1T (u) = T (u). 3. ) T (1 u1 + 2 u2 ) = T (1 u1 ) + T (2 u2 ) = 1 T (u1 ) + 2 T (u2 ). ) Tomando 1 = 2 = 1 se verica la propiedad (1) de linealidad. Considerando 2 = 0, se obtiene la propiedad (2).
Observaci on: Note que las demostraciones de las propiedades 1 y 2 podr an haber sido omitidas, ya que dichas propiedades son consecuencias de que T sea morsmo entre los grupos (U, +) y (V, +).
n
Dada una combinaci on lineal de vectores lineal, T : U V . Se tiene, por inducci on, que:
n i=1
i xi U y la transformaci on
T(
i=1
i xi ) =
i=1 n
i T (xi )
Si dim U = n y = {ui }n i=1 es una base de U , sabemos que u U se escribe, de manera u nica, como u =
i=1
i ui , donde los escalares = (1 , ..., n )
corresponden a las coordenadas de u con respecto a la base . Aplicando a este vector u la transformaci on lineal T :
n n
T (u) = T (
i=1
i ui ) =
i=1
i T (ui )
(4.2)
De este c alculo se desprende que: basta denir la transformaci on T sobre una base de U , es decir calcular s olo {T (vi )}n i=1 . Para determinar el efecto de T sobre un vector u V arbitrario, basta aplicar la ecuaci on 4.2. 99
Ejercicio
4.3.
Propiedades de transformaciones lineales
Ejercicio 4.1: Pruebe que entonces dada una base = {ui }n i=1 de U y n vectores X = {vi }n no necesariamente .i. de V existe una u nica i=1 transformaci on lineal T T :U V u T (u) tal que T (ui ) = vi i = 1, ..., n.
Consideremos ahora la transformaci on: f :U n u f (u) = = (1 , ..., n ) que a cada vector u le asocia las coordenadas con respecto a una base ja = {ui }n i=1 . Es claro que f es funci on (representaci on u nica de un vector con respecto a una base). Adem as, es lineal. M as a un f es biyectiva (verif quelo). Esto nos lleva a la siguiente denici on. Denici on 4.2 (Isomorsmo). Sea T : U V una transformaci on lineal, diremos que es un isomorf smo si T es biyectiva. Adem as diremos que U y V son isomorfos si existe un isomorf smo entre U y V , en cuyo caso lo denotaremos como U = V. En nuestro ejemplo anterior f es un isomorf smo y U = n . Esto quiere decir que si U tiene dimensi on nita n se comporta como si fuera n . Esta isomorf a no es u nica, depende de la base elegida. Por el momento esto no debe preocuparnos. Calculemos adem as la imagen, a trav es del isomorsmo
Ejercicio
Isomorsmo
f , de la base {ui }n i=1 del espacio vectorial U .
Luego, la base asociada a
0 . . . 1 = ei f (ui ) = f (0u1 + + 1ui + + 0un ) = . . .

0
{ui }n i=1
es la base can onica de
n .
4.4.
de funciones lineales Composicion
Consideremos U, V, W espacios vectoriales sobre el mismo cuerpo. Sean T : U V y L : V W dos transformaciones lineales, la composici on L T : U W es f acil ver que es una funci on lineal. Si adem as L y T son biyectivas (isomorf smos) entonces tambi en lo es L T . Otra propiedad importante es que si T : U V es un isomorf smo tendremos que la funci on inversa, que existe pues T es biyectiva, tambi en 100
T (u1 + u2 )) = T (u1 ) + T (u2 ) = v1 + v2 , esto quiere decir que T 1 (v1 + v2 ) = u1 + u2 = T 1 (v1 ) + T 1 (v2 ), entonces T 1 es lineal. Una transformaci on lineal importante es idU : U U que es la transformaci on identidad. Como sabemos que es biyectiva se tiene que idU es un isomorf smo. Con todos estos ingredientes se puede concluir que la relaci on entre espacios vectoriales de ser isomorfos es una relaci on de equivalencia.
4.5.
lineal Subespacios Asociados a una transformacion
Denici on 4.3 (N ucleo). Sea una transformaci on lineal T : U V . Denimos el n ucleo de T como el conjunto: KerT = {x U/T (x) = 0}. Claramente, KerT = ya que como T (0) = 0 tenemos que siempre 0 KerT . M as a un, KerT es un s.e.v. de U . En efecto, sean x, y KerT, , ; T (x + y ) = T (x) + T (y ) = 0 + 0 = 0
luego, x + y KerT . Otro conjunto importante en el estudio de transformaciones lineales es la imagen: Denici on 4.4 (Imagen). Sea una transformaci on lineal T : U V . Denimos la imagen de T como el conjunto: ImT = T (U ) = {v V /u U : v = f (u)} ImT es un s.e.v de V . En efecto, sean v1 , v2 ImT , existen entonces u1 , u2 U tales que vi = T (ui ), i = 1, 2. Dados , se tiene:
v1 + v2 = T (u1 ) + T (u2 ) = T (u1 + u2 ) de donde conclu mos v1 + v2 ImT . Denici on 4.5 (Rango y nulidad). La dimensi on de ImT se denomina el rango de la transformaci on T y se nota r. La dimensi on del KerT se llama nulidad y se suele denotar por la letra griega .
Rango y nulidad
101
es un isomorf smo. En efecto s olo resta probar que T 1 es lineal, pues es claro que es biyectiva (por qu e?). Tomemos v1 , v2 V, , . Sean T 1 (v1 ) = u1 , T 1 (v2 ) = u2 por lo tanto
N ucleo
Imagen
Desarrollemos un ejemplo. Sea la transformaci on lineal: T :
x1 x2 x3 x4
4 3
x 1 +x 2 x 2 x 3 x 1 +x 3
o en t erminos matriciales: 1 1 T (x) = 0 1 1 0 x1 0 0 x 1 0 2 x3 1 0 x4
Determinemos los subespacios KerT y ImT . Tenemos que x KerT T (x) = 0, lo que es equivalente a determinar la soluci on general del sistema homog eneo: 1 1 0 1 1 0 x1 0 0 0 x 1 0 2 = 0 x3 1 0 0 x4 0 0 1 0 (4.3) 0 0
De donde:
Escalonando: 1 1 0 0 1 1 0 0 1 1 0 1 1 0 0 1 1 0 0 1 1 0 1 0 0 1 1 0 0 0 x1 + x2 = 0 x2 x3 = 0 x1 = x2 x2 = x3 x3 = x3
x4 = x4 1 0 x1 1 0 x2 = x3 + x4 1 x3 0 0 1 x4
Lo cual permite escribir la soluci on general en funci on de dos par ametros: x1 = x3 x2 = x3 x3 = x3 x4 = x4
102
Ejemplo:
Luego, KerT =
es un s.e.v de
y1 y2 y3
Determinemos ahora ImT . Sea
ImT , es decir:
y1 1 y2 = 0 y3 1
1 1
x1 1 0 0 x 1 1 0 2 x3 0 1 0 x4 1 1 0 = x1 0 + x2 1 + x3 1 1 0 1
0
0 , 1 , 1 . Luego ImT = 1 0 1 Pero del resultado de escalonar la matriz que tiene como columnas a 0 0 1 1 los vectores 0 , 1 , 1 y 0 , en 4.3 podemos extraer una ba0 , 1 , 1 0 , 1 , 1 , 0 , tomando = se de 0 1 0 1 0 1 1 aquellos vectores asociados a columnas con pivotes de la matriz escalonada (Importante: ver gu a de ejercicios y problemas). Es decir, 1 0 1 1 1 1 0 0 1 0 0 1 1 0
1 1 0
.
1 0 1
Ejercicio
Conclu mos entonces que ImT = dimensi on dos.
1 1 0
es un s.e.v. de
3 de
Observemos en este ejemplo que 4 = dim 4 = dim KerT + dim ImT . Adem as T no es inyectiva ya que KerT contiene m as de un vector, es 0 decir el vector 0 tiene m as de una pre-imagen. Tampoco es epiyectiva
0
ya que dim ImT < 3 = dim
3 .
103
1 1 1 0
0 0 0 1
4 de dimensi on dos.
Teorema 4.1. Sea T : U V una transformaci on lineal entonces T es inyectiva KerT = {0} n. ) Dado u KerT, T (u) = 0 = T (0). Como T es Demostracio inyectiva, se tiene u = 0. ) Sea T (u1 ) = T (u2 ) T (u1 u2 ) = 0 luego u1 u2 KerT = {0}, de donde u1 = u2 . De este resultado obtenemos el siguiente Corolario Corolario 4.1. Una transformaci on lineal T : U V , es un isomorsmo si y s olo si KerT = {0} ImT = V , o equivalentemente dim ImT = dim V y dim KerT = 0. n. Para probar la biyectividad de T , basta notar que KerT = Demostracio {0} (inyectividad) y ImT = V (epiyectividad). La otra equivalencia sale de que ImT = V dim ImT = dim V y KerT = {0} dim KerT = 0. La inyectividad de aplicaciones lineales (KerT = {0}) tiene una consecuencia muy importante sobre los conjuntos linealmente independientes. Teorema 4.2. Si T : U V es inyectiva, entonces {ui }k i=1 es .i. en U {T (ui )}k es l.i. en V . i=1 n. Sea la combinaci Demostracio on lineal nula:
n i=1 n n
i T (ui ) = 0 T (
i ui ) = 0
i=1 n
i=1
i ui KerT = {0}
i ui = 0
i=1
Como {ui }n i=1 es .i., i = 0, i = 1, ..., n. Se puede probar que en efcto esta propiedad caracteriza las aplicaciones lineales inyectivas (hacerlo!). Finalizamos est a secci on mencionando un ejemplo interesante: Pn ( ). En efecto, sea T : n+1 Pn ( ) tal que: a0 n a1 ai xi Pn ( ) . . .
n+1
i=0
an
Es f acil vericar que T es lineal.
104
Gu a Semana 8
1. El objetivo de este ejercicio es formalizar la t ecnica mencionada en la tutor a para extraer, de un conjunto generador de un cierto subespacio vectorial, una base. Esto en el contexto de n . y U = {v1 , . . . , vm } . Sea adem as la matriz Considere v1 , . . . , vm A, escrita por columnas como A = (v1 , . . . , vm ) Mnm ( ). Denotamos por vij a la coordenada i del vector j y, por ende, a la componente (i, j ) de A.
Escalonando la matriz A, se obtiene: v 11 v 12 0 2j2 0 0 v .. . 0 0 0 = 0 A
Ejercicios
v kjk 0
v k(jk +1)
0 0
v (k+1)jk+1 0 .. . 0 0 . . .
v ljl 0
v lm 0 . . .
Los coecientes encerrados en un rect angulo
v kjk
son los pivotes de
. la matriz escalonada. Notamos por v j a la columna j de la matriz A (a) Demuestre que el conjunto de vectores {v1 , vj2 , . . . , vjl }, es decir las columnas correspondientes a los pivotes, es un conjunto l.i. Indicaci on: Estudie qu e sucede si en la matriz original A s olo hubiese puesto los vectores v1 , vj2 , . . . , vjl . que no contienen pivotes, que est (b) Pruebe que las columnas de A an entre la del pivote k y la del k + 1 (es decir v jk +1 , . . . , v jk+1 1 ), son jk . combinaci on lineal de los vectores v 1 , v j2 , . . . , v Indicaci on: Use inducci on en k . (c) Dado un conjunto de vectores {u1 , . . . , um } invertible E Mnn ( ), demuestre que:
y una matriz
n es combinaci on lineal de u1 , . . . , um
Eu
n es combinaci on lineal de Eu1 , . . . , Eum .
(d) Use el resultado anterior para probar que, las columnas de A que no est an asociadas a pivotes, entre la columna del pivote k y la del k + 1 (es decir vjk +1 , . . . , vjk+1 1 ), son combinaci on lineal de los vectores v1 , vj2 , . . . , vjk . (e) Concluya que {v1 , vj2 , . . . , vjl } es base de U . 105
Extraer una base de U , desde {v1 , . . . , vm }. Extender dicha base a una base de 3. Sea U el subespacio vetorial de
3 generado por el conjunto Extraiga una base de U y exti endala a una base de 3 .
n .
1 0 1
1 1 2
1 1 0
Problemas
P1. Sea P3 ( ) el conjunto de los polinomios de grado menor o igual a 3 con coecientes reales. Se dene la transformaci o n T : P3 ( ) P3 ( ) por:
T (a0 + a1 x + a2 x2 a3 x3 ) = a0 + (2a1 + a2 )x + (2a2 + a3 )x2 + 2a3 x3 . (a) Probar que T es una transformaci on lineal. (b) Probar que T es una transformaci on biyectiva. (c) Si id es la transformaci on identidad del espacio vectorial P3 ( ) pruebe que T 2 id, (T 2 id)2 , (T 2 id)3 y T id son transformaciones lineales. Indicaci on: Recuerde que dada una funci on f , f k = f f f .
k veces
(d) Encontrar bases y dimensi on de Ker(T 2 id), Ker(T 2 id)2 y 3 Ker(T 2 id) . (e) Probar que P3 ( ) = Ker(T 2 id)2 Ker(T id).
x y z w
P2. (a) Considere la funci on T : T =
4 M22() denida por

y+w . x+y+z
x 2x + 2y + z + w
(1) Demuestre que T es funci on lineal. (2) Determine bases y dimensiones para Ker(T ) e Im(T ). (b) Dada la transformaci on lineal L : 1 1 0 , 1 Ker(L) = 0 0
3
3 2 se sabe que:
y 1 L 1 = 1
1 . 1
Encuentre en t erminos de x1 , x2 y x3 , los valores de y1 y y2 que x1 1 x satisfacen L x2 = ( y y2 ).
106
2. Sea un conjunto de vectores v1 , . . . , vm n , con U = {v1 , . . . , vm } y dim(U ) < n. Muestre que, construyendo la matriz A del Ejercicio 1, aument andola con la identidad en Mnn ( ) (es decir (A|I )) y aplicando el mismo procedimiento, se consigue:
(v, w) + (v , w ) = (v, w) =
(v + v , w + w ) , (v, w) ,
Con estas operaciones V W pruebe).
. es un espacio vectorial sobre (no lo

(v, w) V W ,
(v, w), (v , w ) V W ,
Dada una funci on f : V W se dene su gr aco por Gf = {(v, w) V W : w = f (v )} .
(b) Pruebe que {0V } W es subespacio vectorial de V W . Nota: 0V denota el neutro aditivo de V .
(a) Pruebe que f es lineal s y s olo si Gf es subespacio vectorial de V W.
(c) Sea f : V W lineal. Pruebe que Gf ({0V } W ) = V W .
107
P3. Sean V , W e. v.s sobre por escalar as :
. En V W se denen la suma y ponderaci on
SEMANA 9: TRANSFORMACIONES LINEALES
4.6.
Teorema del Nucleo-Imagen (TNI)
El prop osito de est a secci on es probar el siguiente teorema.
Teorema 4.3 (N ucleo-Imagen). Sean U, V espacios vectoriales sobre on lineal, dim U < . Entonces: un cuerpo , T : U V una transformaci
Teorema N ucleo-Imagen (TNI)
dim U = dim KerT + dim ImT. n. Daremos una demostraci Demostracio on constructiva de este teorema. Sea {u1 , ..., u } una base de KerT . Completemos esta base a una base de U U = {u1 , ..., u , u +1 , ..., un }.
Probaremos que = {T (u +1 ), ..., T (un )} es base de ImT . Sea v ImT es decir v V y existe u U T (u) = v . Como U es base de U se tendr a que u = 1 u1 + .... + u + +1 u +1 + .... + n un , de donde v = T (u) = +1 T (u +1 ) + .... + n T (un ),
pues T (u1 ) = ... = T (u ) = 0. Es decir v es combinaci on de los elementos de . Probemos ahora que son l.i., para ello consideremos +1 T (u +1 ) + .... + n T (un ) = 0. Como T ( +1 u +1 + .... + n un ) = +1 T (u +1 ) + .... + n un T (un ) = 0 se deduce que el vector +1 u +1 + .... + n KerT pero entonces existen escalares 1 , ..., tal que +1 u +1 + .... + n un = 1 u1 + .... + u , o equivalentemente 1 u1 + .... + u +1 u +1 ... n un = 0 Como los vectores u1 , ..., un son .i. se deduce en particular que +1 = ... = n = 0, y por lo tanto = {T (u +1), ..., T (un )} es base de ImT . Pero entonces tenemos dim U = n = + (n ) = dim KerT + dim ImT.
108
Teorema 4.4. Sea T : U V aplicaci on lineal. 1. Si dim U = dim V entonces T inyectiva T epiyectiva T biyectiva. 2. Si dim U > dim V T no puede ser inyectiva. 3. Si dim U < dim V T no puede ser epiyectiva. 4. Como conclusi on de (2) y (3) U isomorfo a V dim U = dim V.
n. Probemos s Demostracio olo (2), el resto queda de ejercicio. Del TNI se tiene que dim U = dim KerT + dim ImT < dim V, como dim KerT 0 se concluye que dim ImT < dim V, y por lo tanto ImT es un s.e.v. estrictamente m as peque no que V , es decir T no puede ser epiyectiva. Es importante se nalar que en (1c), la implicancia es consecuencia de (2) y (3), mientras que se obtiene del hecho de que todo espacio de dimensi on on 4.2). nita n es isomorfo a n (ver ejemplo anterior a la Denici
Ejercicio
Ejercicio 4.2: Probar que si T : U V es lineal y W es un subespacio de U entonces 1. T (W ) es subespacio de V. 2. dim T (W ) dim U . 3. Si T es inyectiva dim T (W ) = dim W .
109
Es directo del TNI que: si dim U = n, y el rango de T es n se tiene dim KerT = 0, es decir T es inyectiva. Otra aplicaci on directa es
a Vimos anteriormente que, dado un e.v V sobre , dimV = n, se ten V = n . Esto nos permite llevar el trabajo de cualquier espacio de dimensi on nita a un espacio de n-tuplas. Trataremos de extender esto para transformaciones lineales, reemplazando estas (en un sentido que precisaremos) por matrices.
Sean U, V espacios vectoriales sobre un cuerpo , dim U = p, dim V = q . Sean U = {u1 , ..., up }, V = {v1 , ..., vq } bases de U y V respectivamente. Consideremos nalmente una transformaci on lineal T : U V . Sabemos que T queda completamente determinada por su acci on sobre la base U
q
T (uj ) =
i=1
aij vi
1jp
o bien, T (u1 ) = a11 v1 + a21 v2 + ... + aq1 vq T (u2 ) = a12 v1 + a22 v2 + ... + aq2 vq . . . T (up ) = a1p v1 + a2p v2 + ... + aqp vq Es claro que la informaci on importante que dene T est a contenida en las coordenadas, (a1j , a2j , ..., aqj ) de cada vector T (uj ), con respecto a la base V , en el espacio de llegada. Esta informaci on la guardamos en una matriz de q las y p columnas, denominada matriz representante de T , con respecto a las bases U y V : a12 ... a 21 a22 ... MU V (T ) = . . . . . . aq1 aq2 ...
11
a1p a2p Mqp ( ) . . . aqp
Matriz representante de T MU V (T )
donde, q = dim U, p = dim V . En la columna j - esima de esta matriz, aparecen las coordenadas del vector T (uj ) con respecto a la base V : a2j T (uj ) = = . . . aqj a
1j q
Aj
aij vi
i=1
110
4.7.
Lineal Matriz Representante de una Transformacion
Observaci on: Una pregunta interesante es: Qu e sucede con esta matriz si cambiamos las bases?. Esto lo responderemos en breve. Ejemplo: Sea T :
4 3, denida por
1 1 T (x) = 0 1 0 0
Consideremos = U = {e1 , e2 , e3 , e4 }, base can onica de = V =

1 1 0
x1 0 0 x 1 0 2 . x3 1 1 x4
1 0 1
0 1 1
base de = 1 2
3. Se tiene entonces:
1 1 0 1 1 0
4 ,
0 1 1
T (e1 ) = T T (e2 ) = T T (e3 ) = T T (e4 ) = T de donde:
1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1
= = = =
1 0 0 1 1 0 0 1 1 0 0 1 1 2 1 2 1 2
1 2
1 0 1 1 0 1
1 0 1
+0 +1
1 2
0 1 1 0 1 1
=1 =0 = 1 2
+0 +0
1 1 0 1 2 1 2 1 2
1 1 0
1 2
1 0 1
1 2
0 1 1
1 0 0 0 0 1
Tomemos ahora, en
M (T ) =
3, la base can onica, =

1 0 0 1 1 0 0 1 1 0 0 1
M34 ( )
1 0 0
0 1 0
0 0 1
T (e1 ) = T (e2 ) = T (e3 ) = T (e4 ) = Luego,
= 1 e 1 + 0 e2 + 0 e3 = 1 e 1 + 1 e2 + 0 e3 = 0 e 1 + 1 e2 + 1 e3 = 0 e 1 + 0 e2 + 1 e3
Sorpresa!, esta matriz representante no s olo es distinta de la anterior, sino que corresponde a la matriz que dene T en forma natural. Conclu mos entonces que: la matriz representante depende de las bases elegidas y que la matriz representante con respecto a las bases can onicas 111
1 M (T ) = 0 0
1 0 1 1 0 1
0 0 1
Consideremos
TA :
p q
x Ax, A Mqp ( )
Sea = {e1 , ..., ep } la base can onica de can onica de q .
p y = {e1, ..., eq } la base
Se tiene entonces: a11 ... . . . aq1 ... a1j ... . . . aqj ... 0 a 1j . . a1p . a2j . . 1 = . . . . . aqp . . aqj 0
q TA (ej ) = a1j e 1 + ... + aqj em = i=1
TA (ej ) = Aej = o bien:
aij e i
de donde conclu mos M (TA ) = A. Veamos ahora como interactuan T y M = M (T ). Sea u U , entonces u = 1 u1 + ... + p up , y por lo tanto T (u) = tanto T (u) =
j =1 p j =1 p q i=1
j T (uj ) pero T (uj ) =

q q p
mij vi y por lo
j
i=1
mij vi =
(
i=1 j =1
j mij )vi .
As las coordenadas de T (u) con respecto a son

p p
j m1j , . . . ,
j =1 j =1
j mqj ,
y por lo tanto si = (1 , ..., p ) son las coordenadas de u entonces M son las de T (u). Esto permite trabajar con M en vez de T . Ya tenemos una matriz que representa T , ahora deseamos olvidarnos de T y trabajar s olo con un representante matricial. Para hacer esto, en algebra acostumbramos establecer una isomorf a, en este caso, entre el espacio vectorial de todas estas matrices, Mqp ( ), y aqu el de todas las transformaciones lineales. Para ello denamos primero este u ltimo espacio.
Denici on 4.6. Sea U, V espacios vectoriales sobre dim U = p y dim V = q respectivamente. Denimos
de dimensiones
L (U, V ) = {T : U V /T es transformaci on lineal } 112
es la matriz asociada a T . Esto u ltimo lo podemos vericar en el caso general:
(T )(x) = T (x), , T L (U, V ) (T + T )(x) = T (x) + T (x), T, T L (U, V ) es un espacio vectorial sobre el cuerpo
Tenemos entonces la propiedad buscada: L (U, V ) = Mqp ( ) En efecto, sean U , V bases de U y V respectivamente y denamos la funci on. : L (U, V ) Mqp ( )
T (T ) = MU V (T )
Es decir, a una transformaci on lineal arbitraria le asociamos su matriz representante con respecto a las bases U y V . 1. es una transformaci on lineal. Sean U = {u1 , ..., up }, V = {v1 , ..., vq }, T, L LK (U, V ), A = MU V (T ), B = MU V (L). Calculemos (T + L) = MU V (T + L). (T + L)(uj ) = T (uj ) + L(uj ) =
q q q
=
i=1
aij vi +
i=1
bij vi =
i=1
(aij + bij )vi
Luego, la j - esima columna de MU V es el vector: Se concluye entonces: a1j + b1j . . = Aj + Bj . aqj + bqj
a11 + b11 ...a1j + b1j ...a1p + b1p . . . . . (T + L) = MU V (T + L) = . . . . aq1 + bq1 ...aqj + bqj ...aqp + bqp = A + B = MU V (T ) + MU V (L) = (T ) + (L) De manera an aloga se prueba que (T ) = MU V (T ).
113
Es directo que L (U, V ), dotado de las operaciones:
L (U, V )
Por otra parte, u U, u =

p p
j =1
j uj , de donde u U, T (u) =
j T (uj ) =
j =1 j =1
j 0 = 0, concluyendo T 0, la transformaci on
nula. Luego, es inyectiva. Veamos la epiyectividad. Dada una matriz on lineal T , que A = (aij ) Mqp ( ), le asociamos la transformaci
q
a la base de U asocia: T (uj ) =

i=1
aij vi . Es directo que (T ) =
Mqp (T ) = A, luego es epiyectiva. De (1) y (2) conclu mos que es un isomorsmo. Directamente, de este resultado se tiene: dim L (U, V ) = dim Mqp ( ) = pq = dim U dim V . Es decir, la dimensi on del espacio de transformaciones lineales es nita y corresponde al producto de las dimensiones de U y V . En el contexto del resultado anterior que relaci on existe entre la multiplicaci on de matrices y la composici on de funciones lineales?. Veamos que sucede al componer dos transformaciones lineales. Sean T : U V, L : V W transformaciones lineales, luego L T : U W es tambi en lineal. Ahora bien, sean dimU = p, dimV = q, dimW = r con
q r bases U = {ui }p i=1 , V = {vi }i=1 , W = {wi }i=1 , respectivamente. Supongamos adem as que MU V (T ) = B Mqp ( ), al es la expresi on de MU W (L MU V (L) = A Mpr ( ). La pregunta es cu T )? Los datos del problema son:
T (uk ) =
j =1 r
bjk vj aij wi
i=1
1kp 1jq
q
L(vj ) = Calculemos ahora:
(L T )(uk ) = L(T (uk )) = L(

q
bjk vj ) =
j =1 q r
=
j =1 r
bjk L(vj ) =
j =1 q
bjk (
i=1
aij wi )
(
i=1 j =1
aij bjk )wi
1kp
114
2. es biyecci on. Sean T Ker() (T ) = MU V (T ) = 0 Mqp ( ) T (uj ) = 0v1 + ... + 0vq = 0.
a b 1j jp j =1 j =1 . MU W (L T ) = . . q q arj bj 1 ... arj bjp

q q
a1j bj 1 ...
j =1
j =1
= A B = MV W (L) MU V (T ) Hemos probado que la matriz representante de la composici on de dos funciones lineales L T , es el producto de las matrices representantes.
115
obteniendo
Ejercicio
Ejercicio 4.3: T : U V es una transformaci on lineal y , son bases de U y V respectivamente entonces 1. T es invertible ssi M (T ) es una matriz invertible. 2. Si T es invertible, (M (T ))1 = M (T 1 ).
Esto nos permite, cuando se estudian transformaciones lineales sobre espacios vectoriales de dimensi on nita, trabajar directamente en la estructura matricial correspondiente, sumando o multiplicando matrices. En base a lo anterior se tiene el resultado siguiente: Teorema 4.5. Para toda matriz A Mnn ( ), las propiedades siguientes son equivalentes 1. A es invertible. 2. TA : 3.
n n, v TA(v) = Av es un isomorsmo. n El conjunto {Aj }n j =1 es base de .
n. Demostremos primero (2)(3). Para ello recordemos que Demostracio A es la matriz representante de TA con respecto a las bases can onicas: TA (ej ) = Aej = Aj .
2 3) Como TA es isomorsmo, es en particular inyectiva, luego {TA (ej )}n j =1 n es .i {Aj }n . Como dim n = n, este conjunto es base. j =1 es .i en
3 2) Sabemos Aj = TA (ej ) para 1 j n, luego {Aj }n j =1 base, es n decir {TA (ej )}n , luego ImTA =< {TA (ej )} >= n . Del j =1 es base de TNI se tiene:
dim
n = n = dim ImTA + dimKerTA,
luego n = n + dim KerTA ,
entonces dim KerTA = 0 y por lo tanto KerTA = {0}. Adem as las dimensiones de los espacios de partida y llegada son iguales, luego TA es isomorrmo. (1)(2) es consecuencia del Ejercicio 4.3, usando el hecho de que TA tiene a A como matriz representante con respecto a las bases can onicas.
116
Una aplicaci on inmediata de este resultado es
Cuando denimos la matriz representante vimos que esta depend a de las bases elegidas. De esto surge el problema de la no unicidad de la representaci on: una misma transformaci on lineal tiene asociada m as de una matriz, dependiendo de las bases escogidas. Sea entonces V un espacio vectorial sobre K, dimV = n, sean = {vi }i=1 n y = {vi }i=1 dos bases de V . Claramente, los vectores de tienen una representaci on u nica en la base :
v1 = p11 v1 + p21 v2 + ... + pn1 vn . . . . . . . . . vj = p1j v1 + p2j v2 + ... + pnj vn . . . . . . . . . vn = p1n v1 + p2n v2 + ... + pnn vn
Denominamos matriz de pasaje o de cambio de base de a a la matriz: p11 ... p1j ... p1n . . . . . P = P = (pij ) = . . . . pn1 ... pnj ... pnn
Matriz de pasaje o de cambio de base
cuya columna j - esima corresponde a las coordenadas del vector vj , de la nueva base , con respecto a la antigua base . Es f acil ver que est a matriz es exactamente
M (idV ), es decir la matriz representante de la identidad de V, colocando como base de partida y de llegada . Por otra parte, sabemos que a un vector x V podemos asociarle de manera biunivoca un vector = (1 , ..., n ) n , correspondiente a sus coordenadas con respecto a la base . De manera an aloga le podemos asociar n = ( , ..., ) , sus coordenadas con respecto a la base . 1 n Se tiene entonces:
n j vj =
v=
j =1
j(
j =1 i=1
pij vi ) =
(
i=1 j =1
pij j )vi
Pero, adem as, v =

i=1
i vi .
Como la representaci on es u nica, conclu mos:

n
i =
j =1
pij j
1in
matricialmente: = P . 117
4.8.
Matriz de Pasaje o de Cambio de Base
Es posible despejar ?. S lo es, y esto es equivalente a probar que P es invertible. Pero por ser la matriz representante de un isomorf smo es entonces invertible. Adem as P 1 es la matriz de cambio de base de a : M (idV ). Observaci on: Cabe hacer notar que la notaci on no es muy afortunada, pues la matriz de cambio de base de a es M (idV ) es decir hay que expresar los vectores de en funci on de los de .
Estudiaremos ahora la relaci on que existe entre las distintas matrices representantes de una misma transformaci on lineal. Esto lo deduciremos de la regla que tenemos para la matriz representante de una composici on de aplicaciones lineales. Sea T : U V lineal y consideremos cuatro bases: bases de U , , bases de V. La pregunta es c omo se relacionan M (T ) y M (T )?. Todo sale de la observaci on idV T idU = T, y por lo tanto M (idU ). (idV T idU ) = M (T ) = M (idV )M (T )M (4.4)
Es decir la nueva matriz representante de T es la antigua multiplicada por matrices de cambio de base. La mejor forma de recordar esto es con un diagrama T V, U, T idV idU U, V, Recorremos este diagrama de dos maneras distintas. para obtener la f ormula 4.4. Notemos que cuando hacemos el recorrido por abajo el orden que aparecen las matrices es reverso: la matriz m as a la derecha en 4.4 es la que actua primero y as sucesivamente. an relacionadas por un par Las matrices A = M (T ) y B = M (T ) est de matrices invertibles que denotaremos por P, Q: C = P AQ. Diremos que entonces A y C son semejantes. Como ejercicio, probar que esta es una relaci on de equivalencia. Un caso importante es cuando Q = P 1 , es decir C = P AP 1 . 118
matrices semejantes Ejercicio
Esta ecuaci on establece la relaci on entre las coordenadas de un mismo vector v V con respecto a ambas bases.
119
En este caso especial diremos que A y C son similares. Esta tambi en es una relaci on de equivalencia. Se tiene que a diferencia de la semejanza no es f acil saber cu ando dos matrices son similares. Parte de este problema la estudiaremos en el pr oxima secci on.
matrices similares
Gu a Semana 9
Teorema 4.4
1. Sea T : U V una transformaci on lineal. Pruebe que (a) Si dim U = dim V entonces T inyectiva T epiyectiva T biyectiva. (b) Si dim U < dim V T no puede ser epiyectiva. (c) U isomorfo a V dim U = dim V. 2. Probar que si T : U V es lineal y W es un subespacio de U entonces (a) T (W ) es subespacio de V. (b) dim T (W ) dim U . (c) Si T es inyectiva dim T (W ) = dim W .
Ejercicio 4.2
3. T : U V es una transformaci on lineal y , son bases de U y V respectivamente entonces (a) T es invertible ssi M (T ) es una matriz invertible. (b) Si T es invertible, (M (T ))1 = M (T 1 ).
Ejercicio 4.3
Problemas
P1. Sean M22 ( ) el espacio vectorial de las matrices de 2 2 a coecientes reales sobre el cuerpo . Sea P2 ( ) el espacio vectorial de los polinomios de grado menor o igual a 2 a coecientes reales sobre el cuerpo . Sea
T:
M22 ( ) P2 ( ) 2 b a b T ( a c d ) = (a + d) + (b + c)x + (a + b + 2c + d)x . c d
(a) Demuestre que T es una transformaci on lineal. (b) Sean la bases de M22 ( ) y P2 ( ) siguientes:
0 01 00 00 M = { ( 1 0 0 ) , ( 0 0 ) , ( 1 0 ) , ( 0 1 )} ,
P = {1, x, x2 }.
Encuentre la matriz representante de T con respecto a las bases M y P . (c) Sean la bases de M22 ( ) y P2 ( ) siguientes:
0 M = (1 0 1), 1 0 0 1 1 ,(0 1 0), 0 1 1 0
P = {1 + x, x + x2 , 1 + x2 }.
Encuentre la matriz representante de T con respecto a las bases M y P . (d) Calule la dimensi on del N ucleo y la dimensi on de la Imagen de T . 120
Ejercicios
f : M22 ( ) y las bases B1 = y 1 3
g:
2 x g (x) =
x 1 +x 2 x 3 2x1 +x3
2 1 0 0 3 2 5 , , , 4 1 2 0 1 2 4 0 1 2 B2 = 1 , 1 , 2 de 1 3 1
de M22 ( )
Sea A =
respecto a las bases B1 en M22 ( ) y B2 en
1 11 1 2 0 0 1 2 1 1 1
la matriz representante de la funci on f con
3.
(a) Encuentre la matriz representante de B de la funci on g con respecto a las bases can onicas de 3 y 2 respectivamente.
(b) Obtenga la matriz representante de g f con respecto a la base onica de 2 . B1 en M22 ( ) y a la base can
P3. Sea T : V V una aplicaci on lineal con V espacio vectorial de dimensi on nita. Demuestre que V = Ker(T ) Im(T ) Ker(T 2 ) = Ker(T ). P4. Sea = {1, x, x2 } la base can onica 0 Q = 1 1 del espacio P2 ( ). Considere 1 3 0 0 . 0 1
(a) Encuentre la base de P2 ( ) tal que Q sea representante de la identidad de P2 ( ) con en P2 ( )con . Si le sirve, si denotamos por [p] el vector de coordenadas de p con respecto a la base ,
[p] = Q[p]
(b) Sea T : P2 ( ) 3 la transformaci on lineal cuya matriz repreonica en 3 es sentante con respecto a las bases en P2 ( ) y can la matriz 0 1 0 A = 0 0 2 . 0 0 0
p P2 ( ).
Calcule la matriz representante de T con respecto a las bases onica en 3 , donde es la base encontrada en en P2 ( ) y can (a).
121
P2. Considere las funciones lineales f y g tales que
4.9.
Rango de una matriz y forma de Hermitte
Dada una matriz A Mqp ( ) denimos el rango de A, como el rango de la transformaci on lineal T (x) = Ax. Denotaremos por r(A) el rango de A. As r(A) es la dimensi on de la imagen de A. Como Ax = x1 A1 + ... + xp Ap si x = (x1 , ..., xp ), entonces la imagen de A es generada por las columnas de A esto es: ImA = {A1 , ..., Ap } , por lo tanto el rango de una matriz es el n umero m aximo de columnas l.i.
Rango de A
Ejercicio
Ejercicio 4.4: Supongamos que A, B son semejantes es decir existen matrices invertibles P, Q tal que A = P BQ. Probar que entonces que A y B tienen el mismo rango: r(A) = r(B ).
Nuestro prop osito es probar la rec proca de lo anterior, esto es si dos matrices de igual dimensi on tienen el mismo rango entonces son semejantes. Para ello necesitaremos lo que se llama la forma normal de Hermitte. Consideremos A Mqp ( ), ella induce de forma natural una aplicaci on lineal T mediante: T (x) = Ax. Es claro que A = M (T ) donde , son las bases can onicas de p y q respectivamente. Construiremos ahora dos nuevas bases. Comencemos por una base de KerA: {u1 , ..., u }, y extend amosla a una base de p
= {w1 , ..., wr u1 , ..., u }. Notemos dos cosas: primero que hemos dado un orden especial a esta base donde los vectores que agregamos van al principio; y segundo que del teorema del n ucleo imagen p = dim p = dim ImA + dim KerA y por lo tanto necesitamos agregar tanto vectores como rango de A es decir r = r(A). Tomemos ahora X = {v1 , ..., vr } donde vi = Awi , i = 1, ...r. Probaremos que X es un conjunto l.i.. En efecto si
1 v1 + ... + r vr = 0, se tendr a que 0 = 1 Aw1 + ... + r Awr = A(1 w1 + ... + r wr ),
122
SEMANA 10: TRANSFORMACIONES LINEALES - VALORES Y VECTORES PROPIOS
1 w1 + ... + r wr = 1 u1 + ... + u , lo que implica que 1 w1 + ... + r wr 1 u1 ... u = 0, y como los vectores son l.i. se tiene que 1 = ... = r = 0. Extendamos ahora X a una base de q
= {v1 , ..., vr , vr+1 , ..., vq }, y calculemos la matriz representante de T con respecto a estas nuevas bases: Aw1 = v1 = 1v1 + 0v2 + ... + 0vr + 0vr+1 + ... + 0vq Aw2 = v2 = 0v1 + 1v2 + ... + 0vr + 0vr+1 + ... + 0vq . . . Awr = vr = 0v1 + 0v2 + ... + 1vr + 0vr+1 + ... + 0vq , Au1 = 0 = 0v1 + 0v2 + ... + 0vr + 0vr+1 + ... + 0vq . . . Au = 0 = 0v1 + 0v2 + ... + 0vr + 0vr+1 + ... + 0vq por lo tanto la matriz representante es: M (T ) = Ir 0 0 0 ,
donde Ir es una identidad de tama no r y el resto son matrices de ceros de las dimensiones apropiadas. Usualmente esta matriz se denota por H y se le conoce como la forma normal de Hermitte. Usando el teorema de cambio de base se encuentra que existen matrices invertibles P, Q tal que A = P HQ. Por otro lado si A, B Mqp ( ) tienen el mismo rango entonces se demuestra que existen matrices invertibles P, Q, R, S tal que A = P HQ, B = RHS, y por lo tanto A = P R1 BS 1 Q, como P R1 , S 1 Q son invertibles se deduce que A, B son semejantes. El rango de una matriz es el n umero m aximo de columnas l.i., pero que hay del n umero m aximo de las l.i., o lo que es lo mismo, el rango de At . Veremos acontinuaci on que r(A) = r(At ). 123
Forma normal de Hermitte
es decir el vector 1 w1 + ... + r wr est a en el KerA. Como lo hemos hecho ya varias veces de aqu se deduce que los coecientes deben ser cero. En efecto, por estar en el KerA se debe tener que
que es la forma normal de Hermite para At . Adem as es claro que r(H ) = r(H t ), pero entonces r(A) = r(H ) = r(H t ) = r(At ). En particular se concluye que r(A) m nimo (p, q ). Un problema que se nos presenta es saber si hay una forma f acilde calcular el rango de una matriz. La respuesta es si, y se obtiene mediante escalonamiento. Notemos que la matriz escalonada de A que usualmente se denota , tiene el mismo rango que A pues estas dos matrices son semejantes. En A se obtiene por premultiplicaci efecto A on de A por matrices elementales que es f son invertibles. Pero el rango de A acil de calcular, pues tiene tantas las l.i. como las no nulas tenga, y esto debido a la forma triangular de . Por lo tanto el rango de A es el n . A umero de las no nulas en A Tomemos, por ejemplo, el escalonamiento siguiente: 1 1 1 1 1 0 0 1 1 1 1 1 0 0 1 1 1 1 1 0 1 0 2 0 2 2 0 1 = A = 0 1 1 1 1 0 1 A , 0 0 1 0 2 0 1 2 0 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1 0 0 0 0 0 0 0
Ejercicio
Ejercicio 4.5: Probar que r(AB ) r(A) y por lo tanto r(AB ) m nimo (r(A), r(B )).
5.
Valores y vectores propios
En esta secci on abordaremos el problema de saber cu ando para una aplicaci on lineal L : n n , es posible encontrar una base B con respecto a la cual la matriz representante de L sea diagonal. En forma equivalente, cu ando una matriz A de n n puede descomponerse de la forma
A = P DP 1 con D diagonal ?
(5.1)
Este problema de naturaleza puramente algebraica, tiene muchas aplicaciones en otras ramas de la Matem atica, por ejemplo en Ecuaciones Diferenciales, Estad stica, etc. Tal vez el teorema m as importante de este cap tulo es el que dice que toda matriz sim etrica puede representarse en la forma (5.1). Comenzamos con las nociones de valores y vectores propios de una aplicaci on lineal L : V V donde V es un espacio vectorial sobre ( = o ).
124
Usando la forma normal de Hermite, se deduce que existen matrices invertibles P, Q tal que A = P HQ. At = Qt H t P t ,
(i) x = 0
tal que L(x) = x. En este caso el valor que satisface (ii) se denomina valor propio
(ii) asociado a x. Diremos que x V \ {0} es un vector propio de A Mnn si es vector propio de la aplicaci on lineal L dada por L(x) = Ax. Es decir
Ax = x.
De la misma manera decimos que es valor propio de A. Para la transformaci on lineal asociada a una matriz A mencionada anteriormente, se tiene: Proposici on 5.1. Dada A Mnn ( ), son equivalentes: (i) x = 0 Ax = x. (ii) x soluci on no trivial del sistema (A I )x = 0. (iii) Ker(A I ) = {0} (iv) A I no es invertible. Necesitamos una forma f acil de determinar qu e valores de son valores propios. Para ello ser a u til que la condici on (iv) pudiera expresarse como una ecuaci on en . Veremos que el c alculo de los valores propios se reduce a estudiar un polinomio de grado n cuyos coecientes dependen de la matriz A. Con este objetivo introduciremos una aplicaci on llamada determinante, le asigna un elemento que a cada matriz cuadrada A con coecientes en de . Para ello primero deniremos Aij la submatriz de A que se obtiene a partir de A eliminado la la i y la columna j .
Ejemplo:
Con esto podemos denir el determinante de una matriz por un procedimiento inductivo de la siguiente forma. Denici on 5.2 (Determinante). Denimos el determinante de A como (i) Si A es de 1 1 |A| = a donde A = a. 125
1 A = 4 7
2 5 8
3 6 9
A11 =
5 6 . 8 9
Determinante
Denici on 5.1 (Vector y valor propio). vector propio de L si:
Diremos que x V es un
Vector y valor propio
i=1
As , si A =
a c
b d
|A| = a11 |A11 | a21 |A21 | = ad cb.
Ejercicio
Ejercicio 5.1: Obtener la f ormula para una matriz de 3 3. A continuaci on daremos las propiedades m as importantes de la funci on determinante, sin dar demostraciones, las cuales se presentan (por completitud) en el Ap endice.
126
(ii) Si A es de n n |A| =
(1)i+1 ai1 |Ai1 |.
Proposici on 5.2. Se tienen las siguiente propiedades: 1. El determinante es una funci on lineal de las las de A es decir A1 . . . : tx + y = t . . . An A1 A1 . . . . . . x + y . . . . . . An An
t K, x, y
2. Si B se obtiene de A permutando dos las entonces |A| = |B |. 3. Si A tiene dos las iguales |A| = 0. 4. |I | = 1 donde I es la identidad.Si A es triangular superior entonces
n
|A| =
aii .
i=1
5. Si a la la i de la matriz A le sumamos la la j ponderada por t entonces el determinante no cambia. Es decir A1 A1 . . . . . . A A i1 Si B = donde i = j y A = i1 entonces Ai + tAj Ai . . . . . . An An |B | = |A|. = ( 6. Si A aij ) es una versi on escalonada de A y N , el n umero de permutaciones de las realizadas para escalonar A. Entonces:
n
| = (1)N |A| = (1)N |A 7. A es invertible si y s olo si |A| = 0.
a ii .
i=1
8. Una permutaci on del conjunto {1, 2, ..., n} es una funci on : {1, 2, ..., n} 1 2 ... n {1, 2, ..., n}, biyectiva. Se suele usar la notaci on = (1) (2) ... (n) . Dada una permutaci on del conjunto {1, 2, ..., n}, se dene signo( ) = e(1) . donde e1 , ..., en son las las de la matriz identidad. De (2) . .
e(n) e(2)
permutaci on
y (4) se obtiene que signo( ) {1, 1}. Se tiene adem as |A| =
signo( ) a1(1) a2(2) ...an(n) donde la suma se extiende sobre todas las n! permutaciones de {1, ..., n}. 9. |AB | = |A||B |. 127
11. |A| = |At |. Adem as de (4) si A es triangular inferior entonces |A| =

n
aii .
i=1
12. Para cualquiera i0 , j0 {1, . . . , n} jos, se tiene:

n
|A| =
i=1
(1)i+j0 aij0 |Aij0 |

n
(C alculo de |A|, usando la columna j0 ) (C alculo de |A|, usando la la i0 )
|A| =
j =1
(1)i0 +j ai0 j |Ai0 j |
La propiedad (7) nos dice que es valor propio de A si y s olo si |A I | = 0. Esta ecuaci on es un polinomio de grado n en . En efecto, usando la formula (8) se tiene
n
|A I | =
signo ( )
i=1
(A I )i(i)
si es la permutaci on identidad tendremos

n n
signo ( )
i=1
(A I )i(i) =
i=1
(aii ) = (1)n n + q ()
donde q () es un polinomio de grado n 1. Si es distinta de la permutaci on identidad se tendr a que existe un ndice
n
i {1, ..., n} tal que i = (i). De donde () = signo( ) signo ( )

i:(i)=i
i=1
(A I )i(i) =
(aii )
i:(i)=i
ai(i) es un polinomio de grado n 2
(este u ltimo producto debe contener por lo menos dos t erminos por qu e?) y por lo tanto |A I | = (1)n n + n1 n1 + ... + 1 + 0 , donde n1 , . . . , 0 dependen de A. Por ejemplo evaluando en = 0 se tiene |A| = 0 . Cu anto vale el coeciente de n1 ?. Denici on 5.3 (Polinomio caracter stico). P () = |A I | es llamado el polinomio caracter stico de A. Ejemplo: A= 4 2 5 3
Polinomio caracter stico
128
10. Si A es invertible entonces |A1 | = 1/|A|.
A I =
4 2
5 3
4 5 2 3
pero entonces 0 = |A I | = (4 )(3+ )+10 = (12+ 2 )+10 = 2 2. Los valores propios son 1 = 2, 2 = 1. Ejemplo: A= 0 1 1 0 |A I | = 1 1 = 2 + 1 = 0
no tiene soluci on en , y por tanto A no tiene valores propios reales. Sin embargo si el cuerpo donde estamos trabajando es entonces A tiene dos valores propios. Ejemplo: Sea D( ) = { espacio de funciones innitamente diferenciables de } se prueba f acilmente que D( ) es un espacio vectorial sobre . Consideremos L : D( ) D( ) df , f Lf = dt es decir Lf es la funci on derivada de f .
As por ejemplo si f (t) = tn , g (t) = cos(t) se tendr a Lf = ntn1 ; Lg = sen(t). Estudiemos si L tiene vectores propios: Lf = f es decir df on diferencial y una dt = f . Esta es una ecuaci soluci on es: f (t) = cet . Luego todo es valor propio y un vector propio es cet , c = 0.
, De la denici on v es vector propio si v = 0 y tal que Av = v . As es valor propio si y s olo si existe una soluci on no nula de la ecuaci on (A I )v = 0 Cualquier soluci on no nula de esta ecuaci on es entonces un vector propio de A con valor propio . Notemos que si v es vector propio tambi en lo es 10v y en general v para cualquier , = 0. Adem as, si v es vector propio, el valor propio asociado es u nico. Supongamos que L(v ) = 1 v = 2 v entonces (1 2 )v = 0 . Como v = 0 se tendr a 1 2 = 0 y por lo tanto 1 = 2 .
Para cada valor propio de A, introduciremos el subespacio propio W que corresponde a W = Ker(A I ). Notar que este subespacio debe contener vectores no nulos, pues es valor propio.
Subespacio propio
129
Cu ales son los valores propios de A?. Para ello estudiemos A I .
A I = P BP 1 P P 1 = P (B I )P 1 |(A I )| = |(P (B I )P 1 )|
= |P ||(B I )||P 1 | pero |P 1 | = 1/|P | = |B I |
luego A y B tienen el mismo polinomio caracter stico, por lo tanto tienen los mismos valores propios. Ejemplo: Sea A = 4 5 Sabemos que los valores propios son 1 = 2, 2 = 2 3 1. Calculemos los vectores propios asociados. 1 = 2 La ecuaci on de vectores propios es (A 2I ) x1 x2 = 2 5 2 5 x1 x2 = 0 0
5 x2 y su espacio propio es: La soluci on general es x1 = 2
W2 = Ker(A 2I ) = {
x1 x2
/x1 =
5 x2 } = 2
1 1
5 2
5 2
As v es vector propio asociado a 1 = 2 si y solo si v = Para 2 = 1 A (1)I = A + I =
= 0.
5 5 5 5 , luego la soluci on general 2 2 0 0 de la ecuaci on (A + I )x = 0 es: x1 = x2 , y su espacio propio es W1 = Ker(A (1)I ) = Ker(A + I ) = 1 1 .
130
Si A y B son similares es decir si existe P invertible tal que A = P BP 1 , entonces los valores propios de A y B son los mismos y m as a un, el polinomio caracter stico es el mismo. En efecto:
Apendice
Hemos denido el determinante de una matriz A de n n en forma recursiva de la siguiente manera | A |= (1)j +1 aj 1 | Aj 1 |, donde Ak es la matriz
j
de n 1 n 1, que se obtiene de A elimin andole la la k y la columna . Probaremos ahora las propiedades fundamentales de esta funci on. Varias de las propiedades pueden probarse por inducci on, dejaremos al lector la tarea de completar estas demostraciones. 1. Si a11 . . . a1n
entonces a11 . . . |A| = an1 . . . an1
= A ak 1 + b k 1 . . . an1 a1n
akn + bkn , ann a1n bkn ann
a11 . . . akn + bk1 . . . ann an1
= |A| + |B |.
Por hip otesis de inducci on (sobre el tama no de la matriz) se tiene j 1 |=| Aj 1 | + | B j 1 | . |A k1 |=| Ak1 |, luego Adem as, | A
n n
|= |A
j =1
j 1 | = (1)j +1 a j 1 |A
j =1 j =k
(1)j +1 aj 1 {| Aj 1 | + | B j 1 |}+
(1)k+1 (ak+1 + bk+1 ) | Ak1 |=| A | + | B | An alogamente se prueba que si a11 . . . = A tak1 . . . an1 a1n . . . takn , ann
131
SEMANA 10: VALORES Y VECTORES PROPIOS
a11 . . . | A |= t ak1 . . . an1
a1n
ann
akn .
As visto como funci on de las las de A el determinante tiene la propiedad lineal siguiente A1 A2 . . . A1 A1 A2 A2 . . . . . . =t . + y x . . . . . . An An
x, y
n ,t K : tx + y . . . An
Es decir el determinante es lineal en cada una de las las de la matriz. Si estamos considerando matrices de dimensi on n entonces diremos que el determinante es n-lineal. Probaremos simult aneamente por inducci on las propiedades (2) y (3): 2. Si B se obtiene de A permutando dos las entonces |B | = |A|. Se dice que el determinante es una funci on alternada. 3. Si A tiene dos las iguales entonces |A| = 0. Supongamos que A tiene las las i y j iguales, es decir: A1 . . . X i . A= . . . j X . . . An
Cada matriz Ak1 tiene dos las iguales a menos que k = i o k = j de donde | Ak1 |= 0 si k = i k = j . Por lo tanto | A |= (1)i+1 ai1 | Ai1 | +(1)j +1 aj 1 | Aj 1 |. Las matrices Ai1 y Aj 1 de dimensi on n 1 n 1 son iguales excepto que la la X esta en distinta posici on. En Ai1 esta en la la j 1. En Aj 1 esta en la la i. As podemos llegar de la matriz Ai1 a la matriz Aj 1 mediante 132
entonces
| A | = ai1 {(1)i+1 (1)j 1i | Aj 1 | +(1)j +1 | Aj 1 |} se obtiene de A permutando las las i y j : Supongamos que A A1 . . . Aj i . = . A . . j Ai . . . An Ai + Aj i . . B= , . Ai + Aj j . . . An A1 A1 . . . . . . Ai Ai . . . + . . . + A Ai j . . . . . . An An A1 . . . = {(1)j (1)j }ai1 | Aj 1 |= 0
Tomemos
como B tiene dos las iguales se deduce que A1 . . . A1 . . .
Aj Ai . . . . + 0 =| B |= = . . A +A i j Ai + Aj . . . . . . An An A A1 1 . . . . . . Aj Aj . . | + 0, . = 0 + |A| + |A + . . + . Aj Ai . . . . . . An An 133
j 1 i permutaciones. Por cada permutaci on hay un cambio de signo en el determinante (de dimensi on n 1). Luego | Ai1 |= (1)j 1i | Aj 1 |. Adem as ai1 = aj 1
|= | A | |A 4. Sea In la identidad de n n entonces |In | = 1. En efecto |In | = 1|In1 | = 1. De manera m as general se prueba que si A es triangular superior entonn
ces |A| =
aii , esto tambi en es cierto para una triangular inferior pero

i=1
lo probaremos m as tarde. 5. Si a la la i le sumamos la la j (i = j ) amplicada por alg un factor, entonces el determinante no cambia. Sea Aj j . = . A , . Ai + tAj i . . . An A1 . . .
entonces
A1 . . . Aj j . |=| A | +t |A =| A | . . Aj i . . . An
6. Las las de A son l.d. | A |= 0. Supongamos que las las de A son l.d. es decir 1 , ..., n no todos nulos tal que 1 A1 + 2 A2 + ... + n An = 0 podemos suponer sin p erdida de generalidad que 1 = 0 1 A1 + 2 A2 + ... + n An A2 = = A . . . An
n j =2
0 A2 11 | + = (1)1+1 0 | A = . . . An 134
j 1 |, (1)j +1 a j 1 |A
y por lo tanto
A2 A2 +....+k 0 = 1 |A|+2 . . . An
Ak A2 . +...+n . . An
An A2 . = 1 |A|, . . An
pero 1 = 0 y por lo tanto | A |= 0. Si las las son l.i. probaremos que |A| = 0. En efecto, mediante operaciones elementales sobre las las de A (suma de las y permutaci on de las) se llega a a 11 0 . = A . . . . . 0 a 12 a 22 0 . . . 0 .. 0 . 0 a 1n a 2n
n
a nn
|= | A |. Dado que | A |= pero entonces | A concluye que | A |= 0.
a ii = 0 (ver (4)), se
i=1
Falta probar que |A| = |At |. Esta proposici on no es f acil, para ello necesitamos la siguiente f ormula: 7. |A| =
(signo ) a1(1) a2(2) ...an(n) donde la suma se extiende sobre
todas las permutaciones de {1, ..., n} y signo( ) se dene como e(1) . signo ( ) = . . , e(n)
donde {e1 , ...en } es la base can onica de Ejemplo: 1 2 2 1 3 3
n n
e(1) = e2 e(2) = e1 e(i) = ei i2
135
j 1 es cero luego las las de A j 1 son pero para j 2 la primera la de A j 1 |= 0. As |= 0. Adem l.d., por tanto | A |A as
( ) = 1
El t ermino asociado a esta permutaci on en la f ormula (7) es: 1 a12 a21 a33 a44 ...ann Notemos que cada t ermino de la f ormula (7) es el producto de una elemento por la y columna. Demostremos la f ormula. Dado que A1 = a11 e1 + a12 e2 + ... + a1n en se tendr a ek n A2 . | A |= a1k . . .
k=1
An
An alogamente A2 =
a2 e , luego
=1
ek A2 . = . . An Por lo tanto
a2
=1
ek e A3 = . . . An
a2
=k
ek e A3 . . . . An e
|A| =
a1k a2
k =
ek e Aj . . . a1k1 a2k2 ...ankn
k1
todos distintos
k1 ,...,kn
ek2 a1k1 a2k2 ...ankn . . . ekn
Esta suma es la suma sobre todas las permutaciones ek1 1 2 n . y . = . = signo ( ), k1 k2 kn ekn
lo que prueba la f ormula deseada. Notemos que lo que se uso en probar esta f ormula es que el determinante es n-lineal y alternada. Por esto estudiaremos un poco como son este tipo de funciones.
136
0 1 1 0 0 0 signo( ) = . . .
0 0 1 .. .
0 0 0 = (1)3 | In1 |= 1, luego signo 0
no n. Este donde F (I ) es el valor que toma para la identidad de tama resultado dice que toda funci on n-lineal alternada debe ser un m ultiplo del determinante. De igual forma como lo hicimos para el determinante se prueba que e(1) . F (A) = a1(1) ...an(n) F . . . e(n) Pero por ser F alternada se tendr a e(1) . F . . = F (I ) e(n)
F (A) = |A| F (I )
es exactamente 1 dependiendo de la paridad del n umero de intercambios necesarios para llegar a la identidad. Luego, F (A) = F (I ) signo ( )a1(1) ...an(n) =
j
el signo depende de si se necesitan un n umero par o impar de permutaciones para llegar a la identidad pero e(1) . . . e(n)
F (I )|A|. 8. |AB | = |A||B | Sea F : Mnn ( )
probemos que F es n-lineal. En efecto
A |AB |
A1 A1 . . . . . . C1 = X C2 = Y . . . . . . An An A1 B A1 . . . . . . AB = XB + Y B , A = X +Y . . . . . . An B An 137
Supongamos que tenemos una funci on F que asigna a cada matriz cuadrada de n n un n umero de , de manera que es n-lineal y alternada en las las de la matriz, entonces necesariamente:
Si intercambiamos las las i y j de A y denimos A1 . . . Aj i . = . A . Ai j . . . An A1 B . . . Aj B . = . , AB . Ai B . . . An B
De igual forma se prueba que A1 . . . F tAi = tF . . . An
A1 B A1 B . . . . . . ) = |AB | = XB F (A + Y B = |C1 B |+|C2 B | = F (C1 )+F (C2 ). . . . . . . An B An B A1 . . . Ai . . . . An
| = |AB | por lo tanto F (A ) = F (A). Del resultado se tendr a |AB anterior concluimos que F (A) = |A|F (I ) pero F (I ) = |IB | = |B | por lo tanto |AB | = |A||B | 9. Si A es invertible entonces |A1 | = 1 |A|
1 | A| .
en efecto, |A1 A| = |I | = 1 = |A1 | |A| luego |A1 | =
Proposici on 5.3. Sean y dos permutaciones entonces signo( ) = signo( ) signo( ). n. Sean Demostracio e(1) . A= . . e(n) 138 e (1) . B= . . e (n)
y por lo tanto
Si escribimos A en t erminos de sus columnas, tendremos que el 1 de la primera columna se ubica en la posici on k (la k ) que hace que (k ) = 1, pero entonces k = 1 (1), por lo tanto A descrita por sus columnas es: A = (e1 (1) e1 (2) ...e1 (n) ). Como 0 j=k et , se tiene que la primera la de BA tendr a la forma: j ek = 1 j=k (BA)1j = et (1) e1 (j ) = 1 0 (1) = 1 (j ) , sino
es decir (BA)1 es un vector de la base can onica, lo que debemos averiguar es en que posici on tiene el 1, pero esto se deduce de la ecuaci on (1) = 1 (j ) pues entonces j = ( (1)) = (1), luego (B A)1 = eo (1) . As se obtiene: e (1) e (2) BA = . . . e (n) signo( )= signo( ) signo( ). En particular signo( 1 )= signo( ) pues signo( 1 ) = signo(id) = 1 = signo( ) signo( 1 ), donde id es la permutaci on identidad. 10. Probemos ahora que |A| = |At |. En efecto: |At | = =
n n
Por lo tanto C = B A, de donde |C | = |B ||A| y entonces
signo ( ) (At )1(1) (At )2(2) ...(At )n(n)
( signo( ))a(1)1 , a(2) ...a(n)n
pero
i=1
a(i)i =
de acuerdo a la primera coordenada. Luego |At | = ( signo( ))a11 (1) a21 (2) ...an1 (n) .
i=1
ai1 (i) lo que se obtiene reordenando el producto
Como signo( ) = signo( 1 ) y la aplicaci on 1 es una biyecci on se tiene: |At | = ( signo( ))a1 (1) ...a2 (2) = |A|
139
e( (1)) e (1) . . . . C= . = . . e( (n)) e (n)
Sea F : Mnn ( )
F (A) =
n i=1
(1)i+j aij |Aij | que corresponde a
desarrollar el determinante de A por la columna j . Se puede probar al igual que hicimos para el determinante que F es n-lineal y alternada luego F (A) = |A| F (I ) pero F (I ) = 1, por tanto F (A) = |A|. Adem as si se usa |A| = |At | se prueba que se puede calcular
n
|A| utilizando las las de A esto es: |A| =
j =1
(1)i+j aij |Aij |
Si |A| = 0 denamos B mediante: bij = Calculemos AB :

n
1 (1)i+j |Aji |. |A|

n
(AB )ij =
k=1
aik bkj =
k=1
(1)k+j aik |Ajk |. |A|
Analicemos ahora dos casos: 1. j = i (AB )ii =

1 | A| n n k=1
(1)k+i aik |Aik | = 1
2. j = i (AB )ij =
k=1
jk ik (1)k+j a |A| |A |, que corresponde al determinante
de la siguiente matriz, calculado usando la la j a11 . . . ai1 . . . ai1 | A| . . . an1 . . . . . . . . . a1n . . . ain i . . . ain j | A| . . . ann
Como las las de esta matriz son l.d. se tiene y por tanto AB = I lo que implica que B = A1 . Ejemplo: Sea A= a c b d
k=1
jk jk (1)k+j |A | |A | = 0,
140
Formula para A1
|A11 | = d |A12 | = c A1 = 1 d c |A| b a
|A| = ad bc
|A21 | = b |A22 | = a = 1 d b |A| c a .
141
Se tendr a que
Gu a Semana 10
1. Suponga que A, B son semejantes, es decir, existen matrices invertibles P, Q tal que A = P BQ. Pruebe que A y B tienen el mismo rango: r(A) = r(B ). 2. Probar que r(AB ) r(A) y por lo tanto r(AB ) m nimo (r(A), r(B )). 3. Obtener la f ormula del determinante de una matriz de 33. 4. Demuestre que si A, B Mnxn ( ), entonces P (A B ) = P (B A) si A es invertible, y donde P (A) denota el polinomio caracter stico de A 5. Determinar los valores y los vectores propios correspondientes a las matrices siguientes: 2 0 0 3 1 0 0 2 0 0 0 3 0 0 3 2 2 3 2 1 0 2 1 6 2 1 1 0 1 1 4 2 6 4 3
0 3 1 0
1 0 3 0
Problemas
P1. (a) Pruebe que una matriz A Mmn ( ) tiene rango 1 si y s olo si existen u m , v n , ambos no nulos tales que A = uv t .
(b) Si 0 , 1 , ..., n1 polinomio caracter stico de 0 1 A = 0 . . . es igual a: (1)n (

n1 k=0
y n
0 0
2, probar por inducci on que el la matriz 0 ... 0 0 0 ... 0 1 1 ... 0 2 . . . . . . . . . . . . ... 1 n1
k k + n ).
P2. Sean A, B Mn,n ( ) invertibles y
, 0 < < 1.
1 .
a) Sea PA1 B () el polinomio caracter stico de A1 B . Pruebe que |(A + (1 )B )| = (1 )n |A|PA1 B
b) Demueste que existe 0 < < 1 tal que (A+(1)B ) es invertible. 142
Ejercicios
a) Pruebe que si Bv = 0 y v es vector propio de A asociado a entonces Bv tambi en lo es. b) Muestre que si v es vector propio de A perteneciente a un espacio propio de dimensi on 1, entonces v es vector propio de B .
143
P3. Sean A, B matrices de n n con coecientes reales tales que AB = BA
Sea L : n n lineal y sea A la matriz representante de L con respecto a la base can onica B . Supongamos que existe B = {v1 , . . . , vn } base de vectores propios, es decir B es una base de n y
i i
Avi = i vi .
Cu al es la matriz representante de L con respecto a B ? Av1 = 1 v1 = 1 v1 + 0v2 + + 0vn
Av2 = 1 v2 = 0v1 + 2 v2 + + 0vn . . . Avn = n vn = 0v1 + 0v2 + + n vn 1 0 . . . 0 0 2 0 0 .. . 0 . . . = D que es diagonal. 0 n A
MB B (L) =
Adem as se tiene el diagrama B B Por lo tanto A = P DP 1 Algunas ventajas de conocer D: (1) r(A) = r(D) = n umero de valores propios no nulos. (2) |A| = |P DP 1 | = |P ||D||P 1 | = |D| =
n
P 1
D B
P.
i .
i=1
(3) |A| = 0 entonces ii = 0 y A1 = P D1 P 1 donde D 1 =

1 1
0 .. .
1 n
En efecto,
A1 = (P DP 1 )1 = (P 1 )1 D1 P 1 = P D1 P 1 ,
144
SEMANA 11: VALORES Y VECTORES PROPIOS
pero D1 = (4)
.. 0
.
1 n
Como hemos visto A = P DP 1 donde P = MB B (idn ) es decir tenemos que expresar los vectores propios en t erminos de la base can onica, y por lo tanto P = (v1 , v2 , . . . , vn ), donde los vectores vi son las columnas de P . Denici on 5.4 (Matriz diagonalizable). Diremos que A Mnn ( ) es diagonalizable si n admite una base de vectores propios de A.
Am = (P DP 1 )m = (P DP 1 )(P DP 1 ) (P DP 1 ) m 1 0 1 .. = P D m P 1 = P P . 0 m n
Matriz diagonalizable
Teorema 5.1. A es diagonalizable si y s olo si A es similar a una matriz diagonal. n. Demostracio () Hemos visto que si A es diagonalizable entonces 1 0 .. A = P DP 1 donde D = .
0 n y P = (v1 , . . . , vn ). Luego A es similar a una diagonal.
() Supongamos que A es similar a una diagonal, es decir existe P invertible tal que A = P DP 1 . De manera equivalente: AP = P D.
d1 0
Si suponemos que P = (v1 , . . . , vn ) (notaci on por columnas) y D = entoces la igualdad anterior se escribe:
d1 0 0
..
,
dn
A(v1 , . . . , vn ) = (v1 , . . . , vn )
0
..
.
dn
Y por propiedades de la multiplcaci on de matrices esto equivale a: (Av1 , . . . , Avn ) = (d1 v1 , . . . , dn vn ). Finalmente, la igualdad vista por columnas nos dice que i {1, . . . , n} Avi = di vi . Es decir, los vectores v1 , . . . , vn son vectores propios de A (son no nulos pues P es invertibles), con valores propios respectivos d1 . . . , dn . Adem as, son claramente una base de n , pues son las columnas de P que es invertible.
145
1 1
Teorema 5.2. Sea A Mnn ( ) si {i }i=1,...,k son valores propios de A distintos y {vi }i=1...,k son vectores propios de A tal que Avi = i vi , entonces {vi }i=1,...,k es un conjunto l.i. n. Por inducci Demostracio on sobre k . Para k = 1, la propiedad es obviamente cierta. Supongamos 1 v1 + + k vk = 0, donde Avi = i vi y i i = 1, . . . , k son todos distintos. Entonces 1 1 v1 + + k k vk = A(1 v1 + + k vk ) = A0 = 0. Multiplicado (5.2) por k se tiene 1 k v1 + + k k vk = 0. Luego 1 (1 k )v1 + + k1 (k1 k )vk1 = 0 como {v1 . . . , vk1 } son l.i. se tiene i (i k ) = 0 i = 1, . . . ., k 1. Como i = k se debe tener que i = 0 i = 1, . . . , k 1 y de (5.2) se concluye que k = 0. Antes de seguir, veremos la extensi on natural del concepto de suma directa de m as de dos subespacios vectoriales. Denamos primero, dados U1 , U2 , . . . , Uk s.e.v. de un espacio vectorial V , la suma de ellos como:
k i=1 k
(5.2)
+ Ui i=1
+ Ui = U1 + U2 + + Uk
v=
i=1
ui | i {1, . . . , k }, ui Ui
Esto es claramente un s.e.v. de V . Denici on 5.5 (Suma directa m ultiple). Sea V espacio vectorial y U1 , . . . , Uk k subespacios vectoriales de V . Decimos que el subespacio Z = +i=1 Ui es suma directa de U1 , . . . , Uk , notado Z = k i=1 Ui = U1 U2 Uk , si para todo v Z , v se escribe de manera u nica como
k
k L
Ui
i=1
v=
i=1
ui ,
con ui Ui , i {1, . . . , k }.
Las siguientes propiedades se tienen de manera an aloga al caso de dos subespacios: Proposici on 5.4. Sea V espacio vectorial y Z, U1 , . . . , Uk subespacios vectoriales de V , entonces:
k
1. Z =
i=1
Ui Z =
i=1
+ Ui
j {1, . . . , k }, Uj 146
i=1 i=j
+ Ui = {0}.
k i=1
(a) Z =
i=1
Ui .
(b) (i {1, . . . , k })(ui Ui \ {0}) {u1 , . . . , uk } es l.i.
(c) La yuxtaposici on de bases de los subespacios Ui es una base (y no s olo un generador) de Z .

k
(d) dim(Z ) =
i=1
dim(Ui ).
n. Probaremos (a) (b) en la parte 2. El resto de las deDemostracio mostraciones, quedan propuestas como ejercicio. (b) (a) Sea v Z y dos formas distintas de escribirlo:
k k
Ejercicio
v=
i=1
wi =
i=1
, wi
Ui . con wi , wi
De aqu , suponiendo sin p erdida de generalidad que i {1, . . . , k }, wi wi = 0, sale que:

k i=1 (wi wi ) = 0,
lo cual es una combinaci on lineal nula, con escalares no nulos (todos 1), de los vectores ui = wi wi Ui \ {0}. Pero esto es una contradicci on con el hecho de que dichos vectores son l.i, por hip otesis. As se tiene que la escritura es u nica y por ende la suma es directa (a) (b) Supongamos ahora que Z = ui Ui , i {1, . . . , k }. Estudiemos
k k i=1
Ui . Sea {u1 , . . . , uk }, con
i ui = 0.
i=1
Como para cada i {1, . . . , k }, Ui es un s.e.v., luego i ui Ui . As , hemos encontrado una forma de escribir al vector nulo como suma de elementos de los subespacios Ui . Por unicidad de dicha escritura, i {1, . . . , k }, i ui = 0. Y esto implica, ya que ui = 0, que i = 0, i {1, . . . , k }. Es decir, {u1 , . . . , uk } es l.i.
147
2. Si Z =
+ Ui y Z es de dimensi on nita, entonces son equivalentes:
Teorema 5.3. Sea A Mnn ( ), 1 , . . . , k los valores propios (distintos) de A y Wi = Ker(A i I ), i {1, . . . , k }. Si W = W1 + W2 + + Wk , se tiene que W = W1 W2 Wk . En particular, A es diagonalizable si y s olo si
n = W
W2 Wk .
n. Directa de la Proposici Demostracio on 5.4. Corolario 5.1. Supongamos que A Mnn ( ) y que p() = |A I |, el polinomio caracter stico de A, tiene n ra ces distintas en : 1 , . . . , n , entonces
on 1. 1. Wi = Ker(A i I ) es de dimensi 2. Sea vi Wi con vi = 0 entonces {v1 , . . . , vn } es una base de vectores propios. Este teorema da un criterio simple para que A Mnn ( ) sea diagonizable, este es que A tenga n valores propios distintos. Ejemplo: Sea 1 1 1 A= 1 1 1 1 1 1 1 1 1 p() = |A I | = 1 1 1 1 1 1
= (1 )3 (1 ) (1 ) 1 1 (1 ) = 32 3 4 = (1 3 + 32 3 ) 3 + 3 2
= (1 ){(1 )2 1} 1{(1 ) + 1} {1 + (1 )}
Ahora = 2 es una ra z de p(). Por otro lado p() 2 = 2 + +2 As las otras ra ces de p son = 1 y = 2. Por lo tanto p() = ( 2)( + 1)( 2) Se puede probar que A tiene una base de vectores propios por lo que no es necesario que todos los valores propios sean distintos para que A sea diagonalizable.
148
1 0 0 Consideremos A = 2 2 0 los valores propios son 1 = 1, 2 = 0 0 2 1 0 0 2 1,0 2, 3 = 2 y W1 = W2 = . 0 0 1 1 0 0 As 3 = W1 W2 , y A es diagonalizable similar a D = 0 2 0 0 0 2
Denici on 5.6 (Multiplicidad geom etrica). Sean A Mnn ( ) y un valor propio de A. Denimos la multiplicidad geom etrica de , A (), como la dimensi on del espacio propio W = Ker(A I ).
Multiplicidad geom etrica, A ()
Teorema 5.4. Una matriz A Mnn ( ) es diagonalizable ssi la suma de las multiplicidades geom etricas de sus valores propios es n.
n. Basta usar el Teorema 5.3 y el hecho de que si 1 , . . . , k Demostracio son los v.p.s de A,
k
dim(W1 Wk ) =
A (i ).
k=1
Denici on 5.7 (Multiplicidad algebraica). Sean A Mnn ( ) y un valor propio de A. Denimos la multiplicidad algebraica de , A (), como la m axima potencia de (x ) que divide al polinomio caracter stico de A, pA (x) = |A xI |. Proposici on 5.5. Sean A Mnn ( ) y 0 un valor propio de A, entonces: 1 A (0 ) A (0 ) n.
Multiplicidad algebraica, A ()
Ejercicio
Ejercicio 5.2: Demuestre la Proposici on 5.5. Para ello proceda de la siguiente manera: 1. Pruebe las desigualdades 1 A (0 ) y A (0 ) n.
149
Ejemplo:
2. Sea = A (0 ). Considere una base 0 = {v1 , . . . , v } de W0 = Ker(A 0 I ). 3. Extienda dicha base a una base = {v1 , . . . , v , v +1 , . . . , vn } de n .
4. Calcule la matriz representante de T (x) = Ax, con respecto a la base . Es decir, M (T ). 5. Pruebe que pA () = |A I | = ( 0 ) q (). En donde q () es un polinomio de grado n . Indicaci on: Pruebe y use que A y M (T ) son similares. 6. Concluya el resultado.
Corolario 5.2. Sea A Mnn ( ) y pA () su polinomio caracter stico. Se tiene entonces que A es diagonalizable si y s olo si pA () se factoriza comen factores lineales. Es decir: pletamente en
pA () = cA ( 1 )A (1 ) ( 2 )A (2 ) . . . ( k )A (k ) , y adem as, para todo valor propio de A, se tiene que A () = A (). n. Supongamos que A es diagonalizable y sean 1 , . . . , k Demostracio sus valores propios. Entonces, gracias al Teorema 5.3 tenemos que n = k i=1 Wi . del polinomio caracter stico de A: Sea entonces la fatorizaci on en
pA () = cA ( 1 )A (1 ) ( 2 )A (2 ) . . . ( k )A (k ) q (), con q () un polinomio. Pero, gracias a la Proposici on 5.5, n = dim( De donde Ahora n = gr(pA ()) = gr(cA ( 1 )A (1 ) ( 2 )A (2 ) . . . ( k )A (k ) ) + gr(q ())
k k i=1
n) = dim(
Wi ) =
i=1 i=1
A (i )
A (i ).
i=1
A (i ) = n.
=
i=1
A (i ) + gr(q ()).
n
150
Ahora, supongamos que pA () se factoriza completamente en guiente manera:
de la si-
pA () = cA ( 1 )A (1 ) ( 2 )A (2 ) . . . ( k )A (k ) . De donde implica que

k i
A (i ) = n. Y, supongamos que A no es diagonalizable. Esto

k k k
dim(
i=1
Wi ) =
i=1
A (i ) < n =
i=1
A (i ).
Lo cual contradice la hip otesis de igualdad de las multiplicidades. Corolario 5.3. A Mnn ( ) es diagonalizable si y s olo si para todo valor propio de A, se tiene que A () = A ().
151
As , gr(q ()) = 0. Es decir, es una constante y se tiene la fatorizaci on buscada.
Gu a Semana 11
Proposici on 5.4
1. Demostrar que dados V espacio vectorial y Z, U1 , . . . , Uk subespacios vectoriales de V , entonces:

k
(a) Z =
i=1
Ui Z =
k
i=1
+ Ui
j {1, . . . , k }, Uj
i=1 i=j
+ Ui = {0}.
(b) Si Z =
i=1
+ Ui y Z es de dimensi on nita, entonces son equivalentes:

Ui .
i=1
(1) Z =
(2) (i {1, . . . , k })(ui Ui \ {0}) {u1 , . . . , uk } es l.i. (3) La yuxtaposici on de bases de los subespacios Ui es una base (y no s olo un generador) de Z .
k
(4) dim(Z ) =
i=1
dim(Ui ).
2. Pruebe que, dados A Mnn ( ) y 0 un valor propio de A, entonces: 1 A (0 ) A (0 ) n. Para ello (a) Pruebe las desigualdades 1 A (0 ) y A (0 ) n.
Proposici on 5.5
(b) Sea = A (0 ). Considere una base 0 = {v1 , . . . , v } de W0 = Ker(A 0 I ).
(c) Extienda dicha base a una base = {v1 , . . . , v , v +1 , . . . , vn } de n .
(d) Calcule la matriz representante de T (x) = Ax, con respecto a la base . Es decir, M (T ). (e) Pruebe que pA () = |A I | = ( 0 ) q (). En donde q () es un polinomio de grado n . Indicaci on: Pruebe y use que A y M (T ) son similares. (f ) Concluya el resultado.
Problemas
P1. (a) Sea P2 ( ) el espacio vectorial de los polinomios a coecientes reales de grado menor o igual a 2, y sea T : P2 ( ) P2 ( ) la transformaci on lineal denida por
T (a0 + a1 x + a2 x2 ) = (a0 + 2a2 ) + a1 x + (2a0 + a2 )x2 .
152
Ejercicios
(2) Calcule A2n para cada n 1 natural, diagonalizando A. (3) Calcule T 2n (1 + x + x2 ), donde T 2n = T T T .
2n
Indicaci on: Recuerde que la matriz representante de T 2n es A2n . (b) Encuentre los valores reales de 2 0 2 0 0 0 0 0 0 sea diagonalizable. y de modo que la matriz 0 0 0 0 0 2 0 0 0 1 0 0 1
P2. Sea a . Se dene una sucesi on de n umeros reales (un )n de la siguiente manera: u0 = 1, u1 = a, (n 2) un = aun1 un2 .
un Sean x0 = ( 1 0 ), (n 1) xn = ( un1 ).
(a) Demuestre que para todo n 0 se tiene que xn = An x0 con 1 A= a 1 0 . (b) Demuestre que si |a| = 2 entonces A no es diagonalizable. (d) Asuma que |a| > 2 y denote 1 , 2 los valores propios de A. Demuestre que (1)
2 y ( 1 ) son vectores propios asociados a 1 y 2 , respectivamente. +1 n+1 n 2 . (2) Para todo n se tiene que un = 1 1 2 1 1
(c) Demuestre que si |a| > 2 entonces A es diagonalizable.
P3. Sean R, S Mnn ( ), con S invertible. Considere A = RS y B = SR. (a) Pruebe que v n es vector propio de A asociado al valor propio R ssi Sv es vector propio de B asociado al mismo valor propio . Concluya que A y B tienen los mismos valores propios. (b) Sean W (A) = Ker(A I ) el subespacio propio de A asociado al valor propio y W (B ) el subespacio propio de B asociado a . Pruebe que dim(W (A)) = dim(W (B )).
(c) Pruebe que A es diagonalizable ssi B es diagonalizable.
153
(1) Verique que la matriz representante de T con respecto a la base can onica {1, x, x2 } de P2 ( ) (en dominio y recorrido) es 1 0 2 A = 0 1 0 . 2 0 1
SEMANA 12: ORTOGONALIDAD
6.
6.1.
Ortogonalidad
Conjuntos ortogonales y ortonormales
Recordemos que la proyecci on de u sobre v = 0 est a denida por w = u,v v,v v . Este vector w es el que est a m as cerca de u en el espacio {v } . Es decir m n u v = u w .
Notaremos por uv si u, v = 0, es decir si u y v son ortogonales.
uv
Denici on 6.1 (Conjunto ortogonal/ortonormal). Un conjunto {v1 , . . . , vk } Conjunto 1 ortogonal/ortonormal n 2 se dice ortogonal si vi , vj = 0 i = j . Si adem as vi = vi , vi = de 1, diremos que el conjunto es ortonormal. En el caso en que {v1 , . . . , vk } es adem as base de un subespacio vectorial W , diremos que se trata de una base ortonormal de W . Base
ortogonal/ortonormal
Ejemplo: La base can onica de
n es una base ortonormal. n\{0} ortogonal, entonces {v1, . . . , vk }
Veamos una propiedad u til de los conjuntos ortogonales: Proposici on 6.1. Sea {v1 , . . . , vk } es l.i.
k
n. Sea i=1 i vi una combinaci on lineal nula de los elemenDemostracio tos de {v1 , . . . , vk }. Sea j {1, . . . , k }, luego por propiedades del producto interno:
k k
i vi , vj
i=1
=0
i vi , vj = 0.
i=1
Pero dado que el conjunto es ortogonal, luego vi , vj = 0 para i = j , de manera que 2 j vj , vj = j vj = 0. Y como vj = 0, se deduce que j = 0. Como este procedimiento es v alido para todo j {1, . . . , k }, se concluye que {v1 , . . . , vk } es l.i. Ahora, en el caso de conjuntos ortonormales, hay propiedades importantes que motivan su b usqueda. Proposici on 6.2. Sea W un subespacio vectorial de base ortonormal de W , entonces:
n y {u1, . . . , uk } una
154
x= 2. Si x
x, ui ui .
i=1
n y denimos
k
z=
i=1
x, ui ui W,
entonces (xz )w, w W . Y en particular d(x, z ) = m nwW d(x, w), de hecho w W \ {z }, d(x, z ) < d(x, w). n. Demostracio 1. Como {u1 , . . . , uk } es una base de W y x W , luego
k
x=
i=0
i ui .
Tomemos j {1, . . . , k } y calculemos el producto interno entre x y uj :

k
x, uj =
i=0 k
i ui , uj i ui , uj .
i=0
Como el conjunto {u1 , . . . , uk } es ortogonal, se tiene que ui , uj = 0, i = j , de donde x, uj = j uj , uj = i 1. Repitiendo este procedimiento para todo j {1, . . . , k }, se concluye que j = x, uj
k
x=
i=1
x, ui ui .
2. Sea x
n , z =
k i=1
x, ui ui y w W , veamos:
k k
x z, w = x, w z, w = x, w
x, ui ui ,
i=1 j =1
w, uj uj
la u ltima igualdad gracias a que w W . As , usando las propiedades del producto interno:
k k
x z, w = x, w
x, ui w, uj
i=1 j =1
ui , uj
155
1. Si x W ,
x z, w = x, w = x, w = x, w
x, ui w, ui ui , ui
i=1 k
x, ui w, ui
i=1 k
x,
i=1
w, ui ui
w
= 0.
Para probar que d(x, z ) = m nwW d(x, w), sea w W distinto de z , luego por el Teorema de Pit agoras en n , probado en el Ejercicio 2.4:
xz Pero como w z
2
+ wz
= xw
> 0, luego xz
2
< xw
De esta manera w W, d(x, z ) = x z < x w = d(x, w), de donde se concluye.
6.2.
Proyecciones Ortogonales
La Proposici on 6.2 motiva la denici on proyecci on ortogonal sobre un subespacio vectorial de n . Asumiremos por ahora el siguiente resultado, el cual demostraremos en la Secci on 6.4, que asegura la existencia de una base ortonormal de cualquier subespacio vectorial de n .
Proposici on 6.3. Todo subespacio vectorial de normal. Denimos entonces:
n posee una base orto-
Denici on 6.2 (Proyecci on ortogonal sobre un s.e.v.). Sea W un subespacio vectorial n y {u1 , . . . , uk } una base ortonormal de W . Denimos la proyecci on ortogonal sobre W como la funci on
Proyecci on ortogonal
P:
k i=1
x P (x) =
x, ui ui W.
156
y como {u1 , . . . , uk } es ortonormal, ui , uj = 0, i = j y
Observaci on: Notemos que esta denici on es correcta, es decir que P no depende de la base ortonormal considerada y que es funci on. Gracias a la Proposici on 6.2.2, sabemos que independiente de la base ortonormal considerada para denirla, la proyecci on es aquella que minimiza la distancia de x a W . As , si hubiese dos proyecciones z1 , z2 , asociadas a bases distintas y fuesen distintas, luego: d(x, z1 ) < d(x, z2 ), lo cual contradice la propiedad que satisface z2 . De la misma manera se prueba que P es funci on. Veamos ahora las propiedades de la proyecci on ortogonal: Proposici on 6.4. Sea W un subespacio vectorial de ortogonal asociada, entonces: 1. P es una transformaci on lineal. 2. x
n y P su proyecci on
n, w W,
(x P (x))w.
3. d(x, P (x)) = m nwW d(x, w). n. 2 y 3 se deducen de la Proposici Demostracio on 6.2. La demostraci on de 1 queda de ejercicio.
Ejercicio
6.3.
Subespacio Ortogonal
Denici on 6.3 (Subespacio ortogonal). Sea W un subespacio de denamos el ortogonal de W como: W = {u Proposici on 6.5. (i) W es un subespacio de (ii)
Subespacio ortogonal W
n | w W n .
w, u = 0}.
n = W W .
n = W W
(iii) dim(W ) = n dim(W ). n. Demostracio (i) Sea u, v W y , debemos probar que u + v W . Sea w W: w, u + v = w, u + w, v = 0 lo que es v alido para todo w W . Luego u + v W por lo tanto W es un subespacio vectorial de n .
157
Nos basta entonces probar que W W = {0}. En efecto si x W W , en particular es ortogonal a s mismo, es decir x, x = 0, de donde x = 0. Se concluye entonces que
En donde P es la proyecci on ortogonal sobre W . As , P (x) W y x P (x) W (gracias a la Proposici on 6.4), de donde x W + W .
n = W W .
(iii) Se deduce directamente de (ii).
6.4.
Metodo de Gram-Schmidt
El objetivo de esta parte es asociar de forma can onica a un conjunto dado de n , una base ortonormal del subespacio generado por el. Este m etodo es conocido con el nombre de M etodo de Gram-Schmidt. Probaremos el siguiente teorema:
Teorema 6.1 (Gram-Schmidt). Dado un conjunto {v0 , . . . , vm } existe un conjunto ortonormal {u0 , . . . , uk } tal que {v0 , . . . , vm } = {u0 , . . . , uk } .
n ,
n. La demostraci Demostracio on de este teorema es precisamente el m etodo Gram-Schmidt, que entrega un procedimiento algor tmico para construir el conjunto buscado. Sea entonces {v0 , . . . , vm } un conjunto de vectores y denimos el conjunto {u0 , . . . , uk } mediante el Algoritmo 1. Probemos que esta denici on del {u0 , . . . , uk } cumple lo pedido. Lo haremos por inducci on en m. Caso base. Para m = 0, si v0 = 0 luego w0 = 0 y el algoritmo termina sin generar vectores uj . Esto es consistente con que la u nica base de {0} es el conjunto vac o. Si v0 = 0, por ende w0 = 0, se tiene el resultado ya que u0 = v0 , v0
M etodo Gram-Schimdt
que es claramente de norma 1 y adem as, como es ponderaci on de v0 , se tiene que {u0 } = {v0 } . Paso inductivo. Supongamos que dado el conjunto {v0 , . . . , vm1 }, el conjunto {u0 , . . . , uk1 } es ortonormal y tal que {v0 , . . . , vm1 } = {u0 , . . . , uk1 } . 158
(ii) Es claro que W + W n . Para la otra inclusi on, dado x basta notar que x = P (x) + (x P (x)).
n ,
Algoritmo 1 M etodo Gram-Schmidt v 1: Partamos con w1 = v1 . 1 2: Luego, proyectamos v2 sobre el subespacio generado por u1 : z2 = v2 , v1 u1 y restamos esta proyecci on a v2 : w2 = v2 z2
3:
perpendicular a {u1 } y normalizamos, u2 = Luego podemos pasar a trabajar con v2
w2 w2
z3 = v3 , u1 u1 + v3 , u1 u2 w3 = v3 z3 ,
4:
w3 perpendicular a {u1 , u2 } y normalizamos, u3 = w . 3 se sigue del mismo modo: una vez obtenidos {u1 , . . . , uk }, proyectamos vk+1 sobre {u1 , . . . , uk } y denimos k
zk+1 =
i=0
vk+1 , ui ui
wk+1 = vk+1 zk+1 ,

5:
wk+1 perpendicular a {u1 , . . . , uk } y normalizamos, uk+1 = w . k+1 El proceso termina cuando hemos procesado todos los vi .
159
Veamos los dos casos posibles: Si wk = 0, se tiene que vm = y por ende

k 1 l=0
vm , ul ul , de donde vk {u0 , . . . , uk1 }
Y la base ortonormal generada es {u0 , . . . , uk1 }. wk 1 uk = = wk wk

k 1 l=0
{v0 , . . . , vm } = {u0 , . . . , uk1 } .
Ahora si wk = 0, seg un el algoritmo, uk estar a denido por: vm vm , ul ul .
Veamos entonces, para cualquier i {0, . . . , k 1} uk , ui = = 1 wk 1 wk vm

k 1 l=0 k 1 l=0
vm , ul ul
, ui
vk , ui
vm , ul ul , ui
y por hip otesis de inducci on, l = i, ul , ui = 0 y ui , ui = 1, luego uk , ui = 1 ( vm , ui vm , ui 1) wk = 0.
Es decir, el conjunto {u0 , . . . , uk } es ortogonal, y como es claro que i {0, . . . , k } ui = 1, es adem as ortonormal. Ahora, por construcci on de uk se tiene vm = wk uk +
k 1 l=0
vm , ul ul
es decir, vm es combinaci on lineal de {u0 , . . . , uk }, lo que equivale a vm {u0 , . . . , uk } . As , gracias a la hip otesis inductiva, se tiene que Por otra parte, uk es combinaci on lineal de vm y u0 , . . . , uk1 , ya que 1 vm uk = wk
k 1 l=0
{v0 , . . . , vm } {u0 , . . . , uk } . vm , ul ul . wk
(6.1)
Pero gracias a (6.1), existen 0 , . . . , m

m l=0
tales que
k 1 l=0
vm ,ul wk
ul =
l ul . As uk {v0 , . . . , vm } y luego {u0 , . . . , uk } {v0 , . . . , vm } . 160
Con k = dim( {v0 , . . . , vm1 } ).
Luego, por Principio de Inducci on, se tiene el teorema. Observaci on: Notemos que como corolario del Teorema 6.1, se obtiene la Proposici on 6.3. Adem as, el Teorema 6.1 puede ser aplicado en particular a una base {v0 , . . . , vn1 } de n .
Observaci on: Observar que si alguno de los vectores a normalizar, v1 o los wi , vale 0, signica que el vi correspondiente no aportar a un nuevo vector a la base, y simplemente se descarta, pas andose a trabajar con vi+1 . Esto trae como consecuencia que el n umero de vectores ui sea menor que el de los vj si estos u ltimos son l.d. En general, esto har a que al procesar el k - esimo vk , estemos produciendo un ui , con i < k , pero no hemos introducido esto en la descripci on del algoritmo para no confundir la notaci on. Ejemplo: 1 1 1 0 0 , 1 , 1 , 0 en 1 0 1 1
1 2
3 .
0 u0 = v0 / v0 , v0 , como v0 , v0 = 1 se tiene u0 = 0 1 1 1 0 0 1 w1 = 1 1 , 0 0 = 1 . 0 0 1 1 0 1 1 1 w1 , w1 = 2 u1 = w1 = 1 2 2 0
1 1 1 0 0 1 1 w2 = 1 1 , 0 0 1 , 1 2 0 1 1 1 1 1 1 0 1 0 1 1 = 1 0 21 = 0 2 2 0 0 1 1 161
1 1 1 2 0
Obteniendo lo buscado.
1 1 1 0 0 1 1 1 1 w2 = 0 0 , 0 0 0 , 1 1 2 0 2 0 1 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 . = 0 0 1 = 0 0 1 = 2 2 2 2 0 0 0 1 1 1 1 Como w2 , w2 =
1 4
1 4
1 =2 , luego
1 1 u2 = 1 . 2 0
6.5.
Producto Herm tico
Ahora, extendemos el producto interno de , : n , de la siguiente forma.
n n a
u1 un
:
v1
Denici on 6.4 (Producto Herm tico). Dados u =

n
. . .
,v =
vn
. . .
,
n
Producto Herm tico, u, v H
u, v
=
j =1
uj vj .
Ejercicio
Ejercicio 6.1: Probar que el producto herm tico satisface: , u, v, w n 1. u, v

H
= v, u
H
H. H
2. u + v, w 3. u, u
H
= u, w
+ v, w
H
, m as a un
u, v + w
H. H
u, u
0 y u, u
= 0 u = 0. .
De 2a y 2b, se deduce que

H
u, v =
+ u, w
Observaci on: Los conceptos de ortogonalidad, proyecci on ortogonal, subespacio ortogonal y el m etodo de Gram-Schmidt, pueden desarrollarse tambi en en n , como espacio vectorial sobre .
162
w2 = 0, por ende ignoramos
1 1 1
y redenimos w2 .
Gu a Semana 12
Proposici on 6.4
1. Dado W un s.e.v. de n y P : da. Probar que P es lineal.
n W su proyecci on ortogonal asocia-
2. Demuestre las siguientes propiedades del producto herm tico: (a) u, v (c) u, u
H
Ejercicio 6.1
= v, u
H
H. H
(b) u + v, w
H
, m as a un
= u, w
+ v, w
H
H. H
u, u
0 y u, u
= 0 u = 0.
Problemas
P1. Sea W el subespacio vectorial de 4 generado por: 2 1 1 1 1 1 3 , , 3 . 1 1 1 2 3 1 1 3 (b) Encuentre la descomposici on de v =
1 2 3 4
(a) Encuentre una base ortonormal de W y de W . en W + W .
P2. Sea A Mnn ( ) una matriz invertible y U un s.e.v. de si on 0 < k < n. Se dene W = {y
n de simen-
(a) (b)
n | u U, Ax, Ay = 0}. Probar que W es s.e.v. de n y probar que W U = {0}. Sea V = {v n | u U, v = Au}. Pruebe que V es s.e.v. de n.
(c) Sea {v1 , . . . , vk } una base ortonormal de V . Probar que {u1 , . . . , uk } donde ui = A1 vi , i {1, . . . , k }, es una base de U que verica la propiedad: Aui , Auj = 0 si i = j y Aui , Auj = 1 si i = j . (d) Probar que w W i {1, . . . , k }, Aw, Aui = 0. Donde {u1 . . . . , uk } es la base del punto anterior. (e) Probar que si v v z W.
n entonces z =
i=1
Av, Aui ui U y que
(f ) Deducir que n = U W y calcular la dimensi on de W . 2 1 1 , 1 P3. (a) Sea W = 1 1 . 0 1 163
Ejercicios
los valores y1 , y2 , y3 , y4 que satisfacen T
(b) Sean U, V subespacios vectoriales de (b.1) (b.2) (b.3) (b.4) (U + V ) = U V . (U ) = U . (U V ) = U + V . U V = n U V =
on lineal para la donde T : 4 4 es una transformaci cual Ker(T ) = W y, para todo x W , T (x) = x.
x1 x2 x3 x4
y1 y2 y3 y4
n. Demuestre que
n.
164
(a.1) Encuentre una base ortonormal de W . erminos de x1 , x2 , x3 , x4 ) (a.2) Sean x1 , x2 , x3 , x4 . Encuentre (en t
6.6.
Espectro de una matriz simetrica
etrica entonces Sea A Mnn ( ) una matriz sim En efecto, Au, v = (Au) v = u A v = u Av = u, Av Probemos ahora que si A Mnn ( ) satisface 6.2 entonces A es sim etrica. Esto se deduce del siguiente hecho f acil de probar: si {e1 , . . . , en } la base can onica de n y A es una matriz de n n entonces u, v
t
n
t
Au, v = u, Av .
(6.2)
Aei , ej = aji . Utlizando esta propiedad y 6.2 se obtiene que aij = Aej , ei = ej , Aei = Aei , ej = aji , donde adem as se usa el hecho que el producto interno en
(6.3)
n es sim etrico.
Dada A Mnn ( ), denimos la matriz adjunta de A, A , de la siguiente forma: k, (A )k = ak . Ejemplo: A= 1 i 2+i 3 A = 1 2i i 3
Adjunta, A
Decimos que A es herm tica si A = A , notar que si A Mnn ( ) entonces t A=A A=A. De forma an aloga al caso sim etrico se prueba que u, v
n
Au, v
= u, Av
H n
si y s olo si A es herm tica. As , en particular, u, v u, Av H si A Mnn ( ) y A es sim etrica.
Au, v
stico p() = |A I | es Sea A Mnn ( ) entonces el polinomio caracter un polinomio de grado n con coecientes complejos y por lo tanto tiene n ra ces en (con posibles repeticiones). Denotaremos por (A) = { /|A I | = 0}
al conjunto de las raices del polinomio caracter stico. Este conjunto lo llamaremos el espectro de A. Como Mnn ( ) Mnn ( ) podemos denir de igual manera el espectro de A, para A Mnn ( ). En general el espectro de A es un subconjunto de , a un cuando A oximo ejemplo. Mnn ( ), como lo muestra el pr
espectro, (A)
165
SEMANA 13: ORTOGONALIDAD
Herm tica
Ejemplo: 0 1 0 B= 1 0 0 0 0 1 1 0 B I = 1 0 |B I | = (1 ){2 + 1} 0 0 1
Las ra ces son = 1 = i. Si B es considerada como matriz de olo coecientes reales (es decir estamos trabajando en n ) B tiene un s entonces B tiene valor propio que es 1. Si el cuerpo considerado es 3 valores propios 1, i, i. En cualquier caso el espectro de B es (B ) = {1, i, i}.
Teorema 6.2. Sea A Mnn ( ) herm tica entonces el espectro de A es subconjunto de .
n. Sea (A) (en general ser Demostracio a complejo) entonces, |A I | = 0, es decir A I no es invertible, luego debe existir v n , v = 0 tal que (A I )v = 0. Por lo tanto Av, v pero Av, v
H H
= v, v
= v, v
= v, Av
= v, v
v, v =
es decir . Se tiene que para A como v = 0 v, v H = 0 entonces = herm tica el polinomio caracter stico p() = |A I | tiene todas sus ra ces reales. Corolario 6.1. Si A Mnn ( ) es sim etrica entonces (A)
Teorema 6.3. Si A Mnn ( ) es herm tica y 1 = 2 son valores propios y v1 , v2 son vectores propios asociados a 1 y 2 respectivamente entonces v1 , v2 H = 0.
n. Consideremos Av1 , v2 H = 1 v1 , v2 H = 1 v1 , v2 Demostracio pero Av1 , v2 H 2 v1 , v2 y por tanto = v1 , Av2 H = v1 , 2 v2 H = H pero 2 (1 2 ) v1 , v2 H = 0, como 1 = 2 , v1 , v2 H = 0.
H,
166
Corolario 6.2. Vectores propios de A Mnn ( ), sim etrica, asociados a valores propios distintos son ortogonales.
n y L : W
Denici on 6.5 (Transformaci on sim etrica). Sea W un subespacio de W una aplicaci on lineal, diremos que L es sim etrica (en W ) si u, v W L(u), v = u, L(v )
Transformaci on sim etrica
Lema 2. L : n n es sim etrica si y s olo si la matriz representante con respecto a la base can onica de n es sim etrica.
n. Si A es la matriz representante de L con respecto a la Demostracio base can onica entonces L(u) = Au de donde L(u), v = Au, v u, L(v ) = u, Av ,
luego L es sim etrica si y s olo si A es sim etrica.
Ejercicio
Ejercicio 6.2: Sea W subespacio vectorial de probar que:
n y L : W W lineal,
1. Si B = {u1 , . . . , un } es una base ortonormal de W , entonces L sim etrica MBB (L) sim etrica. 2. Si B = {u1 , . . . , un } es una base de W y : W x=
k i=0
1 k
i ui
(x) =
. . .
Entonces x es vector propio de L asociado al v.p. si y s olo si (x) es vector propio de MBB (L) asociado al v.p. .
Ahora estamos en posici on de probar uno de los teoremas m as importantes de la secci on. Teorema 6.4. Sea W subespacio de n , dim W 1 y L : W W lineal, sim etrica, entonces existe una base ortonormal de W de vectores propios de L.
167
Notemos que si u, v n n , entonces u, v obtiene el siguiente corolario importante.
= u, v , por lo tanto se
n. Por inducci Demostracio on sobre la dimensi on de W . Si dim W = 1. Entonces W = {v } , con v = 0. Notemos que luego existe tal que L(v ) = v . Es decir, es un valor propio de L y v vector propio de L. Deniendo 1 v, v = v se tendr a Lv = v y adem as {v } es una base ortonormal de W . Esto prueba el caso en que la dimensi on sea 1. Supongamos que la propiedad es cierta para espacios de dimensi on k 1, por demostrar que es cierta para espacios de dimensi on k . Sea W subespacio de dimensi on k y L : W W lineal sim etrica. Sea B = {w1 , . . . , wk } base ortonormal de W , gracias al Ejercicio 6.2 la matriz MBB (L) k es sim etrica, por lo que tiene todos sus valores propios reales. Sea 0 un valor propio cualquiera, por lo tanto existe un vector z = (z1 , . . . , zk )t = 0, tal que MBB (L)z = 0 z .
L(v ) W = {v } ,
Sea v = z1 w1 + z2 w2 + + zk wk W . Como v = 0 (pues z = 0 y {w1 , . . . , wk } es l.i.), luego gracias a la parte 2 del Ejercicio 6.2, es vector propio de L (ya que (v ) = z ). = {u W | u, v = 0} el ortogonal de {v } con respecto a W . Se Sea W lo que implica que dim W =k1 tiene que k = dim W = 1 + dim W Sea u W L(u), v = u, L(v ) = u, 0 v = 0 u, v = 0, luego )W . Tomemos L(W :W W L ), (la restricci on de L a W u = Lu uL es lineal y sim es sim entonces L etrica. Veriquemos que L etrica. Consi deremos u, w W (u), w = L(u), w = u, L(w) = u, L (w) , L es sim . Como dim W = k 1 se tiene por hip es decir L etrica en W otesis de vectores propios de de inducci on que existe una base ortonormal de W : {w (w L 1 , . . . , w k1 }, es decir L(wi ) = L i ) = i w i luego w 1 , . . . , w k1 son vectores propios de L. Finalmente, consideremos B = v ,w 1 , . . . ., w k 1 v
es una base ortonormal de W , de vectores propios de L, y por lo tanto el resultado queda demostrado.
168
A = P DP t
n. Sea L(x) = Ax, entonces L es sim Demostracio etrica. Por el teorema anterior existe una base ortonormal B = {v1 , . . . , vn } de vectores propios. Luego A as a un A = P DP 1 donde P = (v1 , v2 , . . . , vn ) y m es diagonizable 1 0 . Resta por demostrar que P 1 = P t . Calculemos y D= 0 n
t (P t P )ij = vi vj = vi , vj =
1 0
i=j , i=j
por lo tanto P t P = I . Una matriz que satisface P 1 = P t se denomina ortogonal o unitaria.
Matriz ortogonal o unitaria Ejercicio
Ejercicio 6.3: Vericar que P es ortogonal si y s olo si u, v
P u, P v = u, v .
Entonces si P es ortogonal P u 2 = P u, P u = u, u = u 2, es decir, P preserva la norma. Notemos que no hay unicidad en la base de vectores propios y por lo tanto una matriz diagonalizable A puede descomponerse de la forma P DP 1 de muchas maneras. Lo que probamos para una matriz sim etrica es que se puede tomar una base ortonormal de vectores propios y que para esta base se tiene la descomposici on P DP t .
Ejercicio
Ejercicio 6.4: Probar que P =
cos sen
sen cos
es unitaria en
2 .
Ejemplo: 2 A = 0 0 0 0 2 0 0 1
los valores propios son = 2 y = 1 en efecto:
169
Corolario 6.3. Sea A Mnn ( ), sim etrica, entonces A es diagonalizable y m as a un, A = P DP t donde P = (v1 , . . . , vn ) y B = {v1 , . . . , vn } es una base ortonormal de vectores propios de A. D es la matriz diagonal de los valores propios correspondientes.
Observaci on: Cabe se nalar que en el caso de que si no hubiese sido sencillo obtener a simple vista una base ortonormal del subespacio propio asociado a = 2, podemos utilizar el m etodo de Gram-Schmidt en dicho subespacio. En general, la base ortonormal de vectores propios de n (que sabemos existe en el caso de A sim etrica) puede obtenerse utilizando Gram-Schmidt en cada subespacio propio.
Pero A tambi en posee una base ortonormal de vectores propios: 0 0 1 0,1, 0 0 0 1 1 0 0 2 0 0 1 0 0 A = 0 1 00 2 00 1 0. 0 0 1 0 0 1 0 0 1
Calculemos el espacio propio de = 2. 0 0 0 x 0 = (A 2I )u = 0 0 0 y , 0 0 1 z x luego W2 = y | z = 0 . Determinemos W1 : z 1 0 0 x 0 = (A I )u = 0 1 0 y , 0 0 0 z x es decir W1 = y | x = y = 0 . Por lo tanto una base de vectores z propios es: 1 0 1 B = 0 , 1 , 0 0 0 1 1 1 0 1 1 0 P = 0 1 0 P 1 = 0 1 0 0 0 1 0 0 1 1 1 0 2 0 0 1 1 0 A = 0 1 00 2 00 1 0 0 0 1 0 0 1 0 0 1
170
2 |A I | = 0 0
0 0 2 0 = (2 )2 (1 ). 0 1
Ejemplo: Veamos el caso de las proyecciones ortogonales. Dado W subespacio de n consideremos W el ortogonal de W . Entonas P : n n , la proyecci on ortogonal ces n = W W . Sea adem sobre W . Esta funcion P verica
1. P 2 = P . En efecto: P (u) = w W luego w = w + 0 es la u nica descomposici on, de donde P P (u) = P (w) = w. Se tiene adem as P (I P ) = 0. 2. Im(P ) = W y Ker(P ) = W . En efecto, es claro que Im(P ) W . Por otro lado, si w W P (w) = w, luego Im(P ) = W . Ahora si v W v = 0 + v es la descomposici on u nica y por tanto P (v ) = 0, as W Ker(P ). Sea v Ker(P ), luego P (v ) = 0 y por tanto v = 0 + v es decir v W . 3. P es sim etrica. En efecto sean u1 = w1 + v1 , u2 = w2 + v2 , luego P (u1 ), u2 = w1 , w2 + v2 = w1 , w2 + w1 , v2 = w1 , w2 = w1 + v1 , w2 = u1 , P (u2 ) 4. Los valores propios de P son 0 o 1. Sea P (u) = u, u = 0, entonces como P 2 = P se tiene P (u) = P 2 (u) = P (P (u)) = P (u) = P (u) = 2 u. De donde (2 )u = 0. Como u = 0 2 = 0 entonces = es 0 o 1. Identicaremos P con su matriz representante respecto a la base can onica. Dado que P es sim etrica P = Dt con ortogonal y D satisface: 1 .. . Ir 0 1 D= = 0 0 0 .. . 0 Como P y D son similares tienen el mismo rango, as r = r(P ) = dim(Im(P )) = dim(W ). puede construirse de la siguiente forma: = 171
El Teorema 6.4 tambi en es cierto para L(x) = Ax, con A herm tica, y la demostraci on es an aloga.
Puede comprobarse directamente que I P es la proyecci on ortogonal sobre W .
172
(1 , . . . , n ). Escogemos {1 , . . . , r } una base ortonormal de W , la cual completamos a una base ortonormal de n {1 , . . . , n }.
Gu a Semana 13
Ejercicio 6.2
1. Sea W subespacio vectorial de
n y L : W W lineal, probar que:
(a) Si B = {u1 , . . . , un } es una base ortonormal de W , entonces L sim etrica MBB (L) sim etrica. (b) Si B = {u1 , . . . , un } es una base de W y : W x=
k i=0
1 k
i ui
(x) =
. . .
Entonces x es vector propio de L asociado al v.p. si y s olo si (x) es vector propio de MBB (L) asociado al v.p. . 2. Vericar que P es ortogonal si y s olo si u, v 3. Probar que P =
Ejercicio 6.3
n
sen cos
P u, P v = u, v . es ortogonal en
cos sen
2 .
Ejercicio 6.4
Problemas
P1. Considere la matriz A M33 ( ) 2 A = 1 1
(a) Calcular los valores propios de A.
siguiente, 1 1 2 1 . 1 2
(b) Calcular una base de vectores propios de A.
(c) Encontrar una matriz P M33 ( ) y D M33 ( ), D diagonal, tal que A = P DP t . (d) Es A una matriz invertible?, justique su respuesta. P2. (a) Sea A M33 ( ). Se sabe que A es sim etrica y que 0 es vector 1 propio de A asociado al valor propio 2, y adem as la dimensi on del Ker(T ) es igual a 2. Calcular A. (b) Sea A = 0 1 a , donde a es un par ametro real. Calcule los valores 0 0 3 de a para los cuales la matriz A es diagonalizable.
1a 0
P3. Sean v1 , . . . , vk \ {0}, y
ortogonales y de norma 1, sean 1 , . . . , k
t t A = 1 v1 v1 + + k vk vk Mnn ( ).
173
Ejercicios
(b) Sea {w1 , . . . wnk } base ortonormal del Ker(A). Demuestre que {v1 , . . . , vk , w1 , . . . wnk } es una base de n de vectores propios de A. Especique cu al es el valor propio correspondiente a cada uno de estos vectores propios.
(c) Sea A = 3/4 5/4 . Determine {v1 , v2 } base ortonormal de y 1 , 2 tales que
5/4 3/4
t t A = 1 v1 v1 + 2 v2 v2 .
174
(a) Pruebe que Im(A) = {v1 , . . . , vk } , que Ker(A) = {v1 , . . . , vk } y determine r(A), es decir el rango de A.
7.
7.1.
Formas cuadraticas
Formas cuadraticas y matrices denidas positivas
En esta secci on estudiaremos las formas cuadr aticas inducidas por una matriz sim etrica. Las formas cuadr aticas aparecen en varias aplicaciones en matem aticas. Una de ellas es la caracterizaci on de m nimos o m aximos para funciones de varias variables. Nosotros nos interesaremos en la caracterizaci on de matrices denidas positivas. Al nal del cap tulo estudiaremos las c onicas en 2 .
Denici on 7.1 (Forma cuadr atica). denimos: q: n
Dada A Mnn ( ) sim etrica,
Forma cuadr atica, xt Ax
x q (x) = xt Ax.
q es llamada una forma cuadr atica en
n .
enea de grado 2, Notemos que una forma cuadr atica en n es homog n es decir, x q (x) = 2 q (x). En efecto, q (x) = (x)t A(x) = xt Ax = 2 xt Ax = 2 q (x).
Ejemplo: q:
2 ,
2 q (x1 , x2 ) = x2 1 + 2x1 x2 + x2 = (x1 , x2 )
1 1 1 1
x1 . x2
Se tiene q (1, 1) = 0, en realidad q (x1 , x1 ) = 0.
Denici on 7.2 ((Semi)Denida positiva/negativa). Sea A Mnn ( ), sim etrica diremos que A es denida positiva si x = 0 xt Ax > 0.
(Semi)Denida positiva, (Semi)Denida negativa
A es semidenida positiva si x xt Ax 0. A es denida negativa x = 0 xt Ax < 0. A es semidenida negativa x xt Ax 0. Notar que A es denida (semidenida) positiva ssi A es denida (semidenida) negativa.
175
SEMANA 14: FORMAS CUADRATICAS
2 2 2 2 q (x) = 2x2 1 + 2x1 x2 + 2x2 = (x1 + x2 ) + x1 + x2
= (x1 x2 ) A =
2 1
1 2
x1 x2 x2 1 =
2 1 es denida positiva, en efecto, si q (x) = 0 1 2 2 0, x2 = 0, luego x1 = x2 = 0.
Teorema 7.1. Supongamos que A Mnn ( ) es sim etrica. Entonces las siguientes proposiciones son equivalentes. 1. x = 0 x t Ax > 0 (A es denida positiva)
2. Los valores propios de A son positivos. 3. Sea a11 a21 A= . . . A(2) = a11 a21 a12 a22 an2 a1n a2n a12 a22 a32 a13 a23 . . . A33
an1
ann
A(1) = [a11 ]
a12 a22
A(3)
a11 = a21 a31
. . . A(n) = A entonces |A(1) | = a11 > 0 |A| > 0 , |A(2) | > 0, |A(i) | > 0 |A(n) | =
4. El m etodo de Gauss utilizando s olo operaciones elementales del tipo Epq (, 1); p < q permite escalonar A y adem as los pivotes son siempre positivos.
n. (1) (2). Demostracio Sea un valor propio de A y v = 0 un vector propio correspondiente al valor propio . 0 < v t Av = v t (v ) = v t v = v
2
>0
176
Ejemplo:
xt Ax = xt P DP t x = (P t x)t DP t x, entonces si denimos z = P t x se tendr a que en t erminos de estas nuevas variables la forma cuadr atica queda
2 2 xt Ax = z t Dz = 1 z1 + + n zn 0,
pues los valores propios son positivos. M as a un la u nica forma en que esta suma de cuadrados sea cero es que z1 = = zn = 0 es decir z = 0, pero entonces P t x = 0 x = P 0 = 0 (recordemos que P 1 = P t ). (1) (3). Sea a = 0 y denamos x =
n a 0 0 n n
. . .
, entonces
0 < xt Ax =
i=1 2
xi (Ax)i =
i=1
xi
j =1
aij xj
= a a11 , luego a11 > 0 Sea v = (v1 , . . . , vk )t xt Ax =

i,j =1
k , tomemos x = (v1, . . . , vk , 0, . . . , 0)t n

n k
xi xj aij =
i,j =1
vi vj aij = v t A(k) v
si v = 0 se tiene x = 0, luego v t A(k) v = xt Ax > 0 es decir A(k) es denida positiva. De donde A(1) , A(2) , . . . , A(n) = A son todas denidas positivas. Pero una matriz denida positiva tiene todos sus valores propios positivos (por lo ya demostrado). Como el determinante es el producto de los valores propios entonces el determinante es positivo. Luego |A(1) | > 0, . . . , |A(n) | > 0. (3) (4). Por inducci on sobre i a11 a 12 22 0 a . . . Ai = 0 0 . . . 0 a11 > 0 es el primer pivote. En la etapa i tendremos a 1i a 1n . . . . . . . .. . . a i1i1 . B1 B2 . . . 0 a ii . = B3 B4 . . . 0 a ii+1 . . . .. . . . . . . . 0 a in a nn 177
(2) (1). Sabemos que por ser A sim etrica tiene la descomposici on A = P DP t , donde las columnas de P son una base ortonormal de vectores propios y D es la diagonal de los valores propios respectivos. As
i son invertibles y triangulares inferiores con diagonal 1. Por tanto A = C A donde C = ( Ek )1 es tambi en triangular inferior con unos en la diagonal.
1 C2 As si C = C C3 C4 donde C1 : i i, C2 : i n i, C3 : n i i, C4 : n i n i, se tendr a C2 = 0 y adem as C1 es triangular inferior con diagonal 1, y por lo tanto |C1 | = 1. Luego:
Por lo tanto A(i) = C1 B1 , de donde 0 < |A(i) | = |C1 B1 | = |C1 ||B1 | =

i
A=
C1 C2
0 C3
B1 B3
B2 B4
C1 B1 C2 B1 + C3 B3
C1 B2 C2 B2 + C3 B4
|B1 |. Por otro lado B1 es triangular superior, luego |B1 | =
a jj , pero
j =1
a 11 , a 22 , . . . , a i1i1 > 0 se concluye, a ii > 0. As el m etodo de Gauss no necesita intercambiar las y adem as todos los pivotes son > 0. (4) (1). Como todos los pivotes son positivos y no hay que hacer intercambios de las se tendra que A = LDU , con L triangular inferior D diagonal y U triangular superior. U y L tienen 1 en la diagonal y dii = a ii . Como A es sim etrica U = Lt entonces A = LDLt = (L D) ( DLt ) = RRt , con R = L D y a 11 D= 0 0 a 22 .. . a nn
| = a Dado que |A| = |A 11 a 22 , . . . , a nn > 0 entonces 0 < |A| = |RRt | = |R|2 luego |R| = 0, y por lo tanto R es invertible y as su traspuesta. xt Ax = xt (RRt )x = (Rt x)t Rt x = Rt x 2 . Si x = 0 Rt x = 0 pues Rt es invertible luego Rt x xt Ax > 0 si x = 0 es decir A es denida positiva.
2
> 0 de donde
Hemos probado de paso la que toda matriz denida positiva tiene la siguiente descomposici on.
Denici on 7.3 (Descomposici on de Cholesky). Decimos que A Mnn ( ) Descomposici on de Cholesky admite una descomposici on de Cholesky si existe R matriz triangular inferior, con diagonal estrictamente positiva tal que A = RRt . 178
Donde B1 : i i, B2 : i n i, B3 : n i i, B4 : n i n i. Por hip otesis i mediante el algoritmo de Gauss, sin utilizar de inducci on, se obtuvo A permutaciones de las pues todos los pivotes a 11 , . . . , a i1i1 son positivos. i = ( Ek )A donde Ek son matrices simples del tipo Ep,q (, 1) que As , A
Observaci on: Hay que hacer una precisi on sobre la propiedad 4 del teorema anterior. Es f acil ver que la matriz A= 2 1 1 2 ,
es denida positiva, pero si al escalonar utilizamos E12 ( 1 2 , 1) obtenemos la matriz escalonada 2 1 0 3 2 ,
y los pivotes no son todos positivos!. Sin embargo si utilizamos 1 , 1) obtenemos E12 ( 2 = 2 1 A . 3 0 2 Por lo tanto es importante recordar que para estudiar si una matriz es denida positiva las operaciones elementales permitidas son Epq (, 1).
7.2.
Formas canonicas
Sea q (x) = xt Ax una forma cuadr atica. Como A es sim etrica, entonces A = P DP t donde P = (v1 , , vn ) con {v1 , , vn } una base ortonormal de vectores propios de A y 1 0 2 , D= .. . 0 n siendo 1 , . . . , n los valores propios de A. Sea y = P t x entonces
xt Ax = xt P DP t x = y t Dy =
i=1
2 i yi
As haciendo este cambio de variables la forma cuadr atica tiene la expresi on

2 2 2 q (y ) = 1 y1 + 2 y2 + + n yn .
Ejemplo: x2 1 2x2 2 + 3x1 x2 = xt 1

3 2
q (x) =
3 2
x.
179
Notemos que A es denida positiva ssi R triangular inferior con diagonal no nula tal que: A = RRt .
A=
3 2
3 2
Calculemos los valores y vectores propios: |A I | = 1

3 2 3 2
2 2 3 +
= (1 )(2 )
3 = 0. 4
Luego el polinomio caracter stico es 5 = 0, 4 1 = 2 =

5 2 1 2
cuyas raices son = 3 32 95 = = 2 2
Calculemos los vectores propios: 5 = 2 5 A I = 2 1

5 2 3 2
3 2 5 2
las las son .d. ( por qu e?) luego
3 2 3 2
3 2 1 2
3 5 3 v2 = 0 v2 = 3v1 . (A I )v = 0 v1 + 2 2 2 Sea v1 = 1, v2 = 3, un vector propio colineal de largo uno es: w1 = =

1 2
1 2
1 3
1 A I = 2 y por lo tanto
1 2 3 2
3 2 3 2
3 1 1 (A I )v = 0 v1 + v2 = 0 v1 = 3v2 . 2 2 2 Un vector propio de largo uno es: 1 3 , w2 = 1 2 y una base de ortonormal de vectores propios est a formada por {w1 , w2 }. Se tiene que A = P DP =
t
1
3 2
3 2
1 2 3 2
3 2 1 2
5 2
0
1 2
1 2 23
3 2 1 2
180
Consideremos A la matriz que dene esta forma cuadr atica.
y=
y1 y2
=P x=
1 2 23
3 2 1 2
x1 x2
1 2 2 La forma cuadr atica en t erminos de y es q (y ) = 5 2 y1 + 2 y2 . El cambio de coordenadas de x a y corresponde a una rotaci on (en qu e angulo?).
Volvamos al caso general. En el sistema y = P t x, la forma cuadr atica se escribe como

n p 2 i yi i=1 r 2 i yi + i=1 i=p+1 2 i yi
q (y ) = donde: 1 , . . . , p son > 0, Denamos
p+1 , . . . , r son < 0, zi = i yi i yi zi = yi i = 1, . . . , p
r+1 = = n = 0.
zi = es decir, 1 z= 0
i = p + 1, . . . , r i = r + 1, . . . , n 0 y = Qy. 1
2 .. . p p+1 .. .
..
luego tenemos z = QP t x. En las nuevas variables z , es la forma cuadr atica:

2 2 2 2 2 2 q (z ) = z1 + z2 + + zp zp +1 zp+2 zr ,
donde r corresponde al rango de A. El n umero 2p r = n umero de valores propios positivos menos el n umero de valores propios negativos, es llamada la signatura. El cambio de coordenadas y = P t x corresponde a una rotaci on de sistemas de coordenadas. El cambio z = Qy corresponde a dilatar y contraer ciertas direcciones (homotecia). En nuestro ejemplo z1 =
5 2 y1
z2 = 181
1 2 y2
Consideremos el cambio de variables:
2 2 z1 + z2 =(
5 2 y1 ) + ( 2
5 2 1 2 1 2 y2 ) = y1 + y2 2 2 2
la primera columma de P que corresponde al primer vector propio. De igual forma el i- esimo eje del sistema de coordenadas y es el i- esimo vector propio vi . De igual forma el sistema de coordenadas z tiene sus ejes en las direcciones v1 , . . . , vn , solamente que algunos ejes se han contra do y otros expandido. Hemos probado el siguiente resultado Teorema 7.2. Sea xt Ax una forma cuadr atica, existe L invertible tal que si z = Lx, entonces en t erminos de las variables z la forma cuadr atica se 2 2 2 2 expresa como q (z ) = z1 + + zp (zp + + z ) , donde r =rango A= +1 r n umero de valores propios = 0, p = n umero de valores propios > 0.
Para ubicar el nuevo sistema, con respecto al inicial, consideremos el problema en dos etapas. En el cambio y = P t x, el eje correspondiente a y1 est a en la direcci on x tal que 1 1 0 0 luego x = P . = v1 , P tx = . . . . . 0 0
7.3.
Conicas en
Una c onica en
2 es el conjunto soluci on de una ecuaci on del tipo

ax2 + by 2 + 2cxy + dy + f x = e
o en forma matricial (x, y ) donde A= a c c b x y a c + (d, f ) x y x y 1 0 = e = v t Av + g t v = e,
c b
, v=
, g= 0 2
d f y P = (v1 v2 ). Entonces
Supongamos que A = P DP t , con D = la ecuaci on de la c onica es:
e = v t P DP t v + g t v = v t P DP t v + gP P t v.
182
La expresi on que toma la c onica es entonces

2 e = 1 u2 1 + 2 u2 + f u1 + du2
1. 1 = 2 = 0 ( a = b = c = 0)
El conjunto soluci on es {(x, y )/dy + f x = e} que en general es una recta (pudiendo ser vac o si d = f = 0 y e = 0).
2. El caso interesante es cuando 1 = 0 o 2 = 0, llamemos u 1 = u1 u2 = u2

2 2 1 (u 1 + ) + 2 (u2 + ) + f (u1 + ) + d(u2 + ) = e
+ d ) con e = e (1 2 + 2 2 + f
2 2 1 (u 1 ) + 2 (u2 ) + u1 {21 + f } + u2 {22 + d} = e
d , = 0 se llega a la ecuaci on Si 1 = 0 (2 = 0) tomemos: = 2 2 2 2 (u . 2 ) + f u1 = e
= 0 (u )2 = Si f 2 paralelas: u 2 o ser a vac o si =

e 2
e 2 .
As , el conjunto soluci on ser an dos rectas

e 2
0 (que en realidad es una sola si e = 0) < 0. Si f = 0 si
e 2
2 2 , que corresponde a una par abola, en las coordenada u 1 = f u1 , u2 . El caso 1 = 0 2 = 0 es totalmente an alogo.
e (u )2
f d y = 2 . Falta ver el caso 1 = 0 y 2 = 0, tomamos = 2 1 2 En el sistema u , u tenemos la ecuaci o n 1 2 2 2 1 (u 1 ) + 2 (u2 ) = e
3. 1 > 0, 2 > 0, e 0; o 1 < 0, 2 < 0, e 0 la soluci on es una elipse (una circunferencia si 1 = 2 ) en el sistema u , u 1 2 Si 1 > 0, 2 > 0, e < 0; o 1 < 0, 2 < 0, e > 0 no hay soluci on.
183
Sea u = P t v . En este nuevo sistema de coordenadas la ecuaci on de la c onica es: f e = ut Du + g t u con g = P tg = . d
2 2 1 (u , que corresponde a una hip erbola con eje de 1 ) |2 |(u2 ) = e simetr a el eje u1 . El caso 1 < 0, 2 > 0, e 0 el conjunto soluci on es una hip erbola con eje de simetr a u . 2
Notemos que en general el sistema (u1 , u2 ) corresponde a una rotaci on con respecto al eje (x, y ) y sus ejes est an en la direcci on de los vectores propio. El sistema (u on o cambio de origen del 1 , u2 ) corresponde a una traslaci sistema (u1 , u2 ).
184
4. 1 > 0 y 2 < 0 podemos suponer que e 0 de otra manera multiplicamos por 1
Gu a Semana 14
t 1. Escriba aticas, en donde x = x1 en forma x Ax las siguientes formas cuadr
. : . .
xn
x2
(b) q (x) = x1 (2x1 x2 ) + x2 (3x1 + x2 ). (d) q (x) = (x1 + x2 )2 (x1 + x3 )2 .

2 2 (c) q (x) = x2 1 + y2 y3 x1 x2 + x1 x3 .
1 2 (a) q (x) = 2x2 1 2 x1 x2 + 5x2 .
2. Se nale si las matrices siguientes son denidas positivas/negativas, o ninguna de las dos: 1 1 1 0 (b) 0 0 0 (a) 1 . 1 (c) 0 0 0 1 0 0 0 0 . 0 4 3 1 . 1 1 2 1 1 1 1 1 0 1 1 1 . 1 1
0 2 0 0 0
0 0 1/2 0 0
3. Sea A Mnn ( ) una matriz sim etrica. (a) Probar que v n es vector propio de A si y s olo si es vector propio al es el de I A. Si es el valor propio de A asociado a v , cu valor propio de I A asociado a v ?
1 2 (d) 1 1
(b) Probar que la matriz I A es denida positiva si y s olo si todos los valores propios de A son menores estrictos que uno.
Problemas
P1. Considere la c onica de ecuaci on 5x2 + 5y 2 + 6xy + 16x + 16y = 15. Realice el cambio de variables que permite escribir la c onica de manera centrada y escriba la nueva expresi on (escribir expl citamente el cambio de variables). Identique la c onica resultante y dib ujela. etrica denida postiva, b P2. Sea A M22 ( ) sim tal que f (x) = xt Ax bt x + c.
2 , c y f : 2
Se quiere minimizar f .
1 1 A b. Pruebe que f (x) = (xx0 )t A(xx0 )xt (a) Sea x0 = 2 0 Ax0 +c.
(b) Concluya que el u nico m nimo de f se alcanza en x0 , i.e., que f (x) f (x0 ) para todo x 2 y que la igualdad se alcanza solamente cuando x = x0 -
185
Ejercicios
x2 + y 2 + 2( 1)xy
2x + 2y = 0.
Determine todos los valores de tales que la ecuaci on corresponde a: (a) Circunferencia. (b) Elipse. (c) Recta o rectas. (d) Par abola. (g) Un punto. (e) Hip erbola. (f ) Conjunto vac o.
186
P3. Sea
y considere la ecuaci on
8.
8.1.
Forma de Jordan
Denicion
Estudiaremos aqu un procedimiento que permite obtener, a partir de una matriz A, otra similar con gran cantidad de ceros. Obviamente, el ideal es obtener una matriz diagonal, pero esto no siempre es posible. Nos conformaremos con una forma algo m as compleja que la matriz diagonal, pero con la ventaja de que esta puede obtenerse para matrices arbitarias. La idea general de reducir una matriz consiste en determinar una base de modo que la transformaci on lineal asociada a la matriz inicial tenga una representaci on simple en la nueva base. Partamos con un ejemplo. Consideremos la transformaci on lineal TA : 9 9 dada por x Ax, cuya matriz representante J , con respecto a una base J es: 2 1 0 0 2 1 0 0 2 2 1 J = 0 2 (2) 5 1 0 5 (6) Es claro que (A) = {2, 5, 6}, con multiplicidades algebraicas 6, 2, 1 respectivamente. La base J la notaremos como sigue:
1 1 1 1 1 1 2 2 3 J = {v11 , v12 , v13 , v21 , v22 , v31 , v11 , v12 , v11 }
De la denici on de matriz representante, obtenemos:

1 1 TA (v11 ) = 2v11 1 1 1 TA (v12 ) = v11 + 2v12 1 1 1 TA (v13 ) = v12 + 2v13 1 1 TA (v21 ) = 2v21 1 1 1 TA (v22 ) = v21 + 2v22 1 1 TA (v31 ) = 2v31 2 2 TA (v11 ) = 5v11 2 2 2 TA (v12 ) = v11 + 5v11 3 3 TA (v11 ) = 6v11
187
SEMANA 15: FORMA DE JORDAN
1 .. .
1 1
.. . 1 0 1 .. . .. . r 1 .. . .. .
p1 pr
1 Vemos que v11 es vector propio (cabeza de serie) asociado al valor propio 1 1 1 1 1 = 2, v12 es una cola asociada a v11 y v13 es cola asociada a v12 . Posteriormente obtenemos otro vector propio asociado a 1 = 2 con una cola y nalmente un tercer vector propio asociado a 1 = 2. Luego se repite el mismo esquema: un vector propio y una cola asociados a 2 = 5 y nalmente un vector propio asociado a 3 = 6. En general la matriz J que nos interesa en este p arrafo tiene la forma:
1 1
1 r
1 .. .
1 r
donde los bloques son de tama no s(1, 1), . . . , s(1, p1 ), . . . , s(r, 1), . . . , s(r, pr ), y el espectro es (A) = {1 , . . . , r }, con multiplicidades respectivamente. La base se escribe:
r r 1 1 1 1 1 1 J = {v11 , . . . , v1 s(1,1) , v21 , . . . , v2s(1,2) , . . . , vp1 1 , . . . , vp1 s(1,p1 ) , . . . , vpr 1 , . . . , vpr s(r,pr ) }
s(1, j ), . . . ,
j =1 j =1
s(r, j ),
o mediante una tabla de doble entrada: 1 v21

1 v22
1 v11 1 v12
1 vp 11
1 vp 12
r v11
r v12
r v21
r v22
r vp r1
r vp r2
. . .
1 v1 s(1,1)
. . .
1 v2 s(2,1)
. . .
1 vp 1 s(1,p1 )
. . .
r v1 s(r,1)
. . .
r v2 s(r,2)
. . .
r vp r s(r,pr )
(8.1)
188
vectores de la base asociados a 1
vectores de la base asociados a r
las echas indican el encadenamiento de los vectores de base. Por ejemplo 1 1 al vector v1 s(1,1) le sigue v21 . El primer elemento de cada columna corresponde a un vector propio. Bajo un vector propio guran las colas asociadas. Adem as:
k k TA (vij ) = Avij = k k vij k k vij 1 + k vij
si j = 1 (1era la de la tabla) (8.2) si j > 1
Una base J , con estas caracter sticas se denomina base de Jordan asociada a la transformaci on lineal T y su matriz representante es justamente J . Tambi en es claro que los subespacios propios son: V1 = V2 = . . . Vr = Los bloques se notan: Ji = i 1 .. . .. .. 1 i
1 1 v11 , . . . , vp 11 2 2 v11 , . . . , vp 21
Base de Jordan
, dim V1 = p1 , dim V2 = p2
r r v11 , . . . , vp r1
, dim Vr = pr
. .
Denici on 8.1 (Forma de Jordan). Una transformaci on lineal TA :

n x TA (x) = Ax n
Forma de Jordan
se reduce a la forma de Jordan si y s olo si es posible determinar una base J con las caracter sticas denidas en (8.1) y (8.2). Veamos otro ejemplo. Sea la matriz: 8 0 J = 0 0 0 1 8 1 8 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 J1 0 = 0 0 , J3 = (0).
J2 J3
donde J1 =
8 0
, J2 =
189
donde {ei }5 onica de i=1 es la base can la base de Jordan, J es:

1 v11 1 v12
. De acuerdo a nuestra notaci on,

2 v21
2 v11 2 v12
asociados a V1
asociados a V2
Estudiemos el esquema de similitud entre la matriz A (representante de T con respecto a la base can onica) y J : T : P
5
A J
: base can onica J : base de Jordan
Luego J = P 1 AP o equivalentemente AP = P J . Pero P es la matriz de 1 1 2 2 2 pasaje de la base can onica a J = {v11 , v12 , v11 , v21 , v21 }. Es directo que:
1 1 2 2 2 P = (v11 , v12 , v11 , v12 , v21 )
y se tiene: 8 0 1 = P 0 = 8v11 , 0 0 0 0 2 = P 0 = 0v11 , 0 0 0 0 2 = P 0 = 0v21 0 0 1 8 1 1 = P 0 = v11 + 8v12 , 0 0 0 0 2 2 = P 1 = v11 + 0v12 , 0 0
1 Av11 = P J1
1 Av12 = P J2
2 Av11 = P J3
2 Av12 = P J4
2 Av21 = P J5
recuper andose la relaci on (8.2). Simpliquemos por un momento la notaci on. Si escribimos P = (v 1 , . . . , v n ) 1 n tal que = {v , . . . , v } es base de Jordan, se verica: i = 1, . . . , n Av i = i v i o bien Av i = v i1 + v i . 190
Tenemos (J ) = {1 = 8, 2 = 0} con multiplicidades 2 y 3 respectivamente. V1 = V8 = {e1 } , V2 = V0 = {e3 , e5 }
Teorema 8.1. Una transformaci on lineal arbitraria, TA = n Ax, es reductible a la forma de Jordan, o de manera equivalente: A Mnn ( ), J Mnn ( ) matriz de Jordan, similar a la matriz A: A = P JP 1 donde las columnas de P son los vectores de la base asociada a J .
, x
n. La demostraci Demostracio on la omitimos aqu y no se cubrir a en clases, sin embargo se presenta en el ap endice de la semana, s olo por completitud.
8.2.
8.2.1.
Aplicaciones de la forma de Jordan

Potencias de una matriz
Vimos anteriormente que la diagonalizaci on de matrices nos entregaba una forma f acil de calcular las potencias de una matriz. Sin embargo, esto s olo es aplicable a matrices que admitan una diagonalizaci on. A continuaci on veremos que la forma de Jordan tiene tambi en utilidad para el c alculo de potencias, con la ventaja que cualquier matriz cuadrada admite una forma de Jordan. Veamos primero que la forma de Jordan nos da una descomposici on especial, para cualquier matriz cuadrada. Si J es la matriz de Jordan de A, cada bloque de J es 0 1 i 1 0 .. . . . . . . . = i Ii + Ji = . .. 1 0 0 i de la forma: 0 .. . , .. . 1 0
en donde Ii es la identidad de la dimensi on correspondiente. Llamemos Ni a la segunda matriz de la suma. Esta matriz tiene la siguiente propiedad, propuesta como ejercicio: Ejercicio 8.1: Suponga que Ni Mss ( ), pruebe entonces por inducci on que m , p, q {1, . . . , s}, 1 si q = p + m, m (Ni )pq = 0 si q = p + m.
Ejercicio
191
En el primer caso v i es un vector propio y en el segundo lo denominaremos vector propio generalizado (existe una cola). En estas condiciones se tiene el teorema siguiente:
Adem as deduzca que Nis = 0. Una matriz con esta propiedad, se dice nilpotente.
Notar que los valores propios 1 , . . . , r son los valores propios de A con posible repetici on. Se tiene que la matriz N es nilpotente, gracias al siguiente ejercicio:
Luego, reescribiendola matriz A por bloques: N1 0 ... 0 1 I1 0 2 I2 . . . 0 0 A=P + . . . . .. . . . . . . . . . 0 0 0 . . . r Ir

D
0 N2 . . . 0
N
... ... .. . ...
P 1 . Nr 0 0 . . .
Ejercicio
en donde B1 , . . . , Br son matrices cuadradas y el resto son matrices cero. Sea m , pruebe que entonces m B1 0 ... 0 m 0 B2 ... 0 Bm = . . . . .. . . . . . . .
Ejercicio 8.2: Sea B una matriz diagonal B1 0 . . . 0 B2 . . . B= . . .. . . . . . 0 0 ...
por bloques, es decir 0 0 . . . Br
...
m Br
Concluya que la matriz N anterior es nilpotente.
Hemos probado entonces la siguiente propiedad: Proposici on 8.1. Dada A Mnn ( ), existen una matriz invertible P , una matriz diagonal D y una matriz nilpotente N , tales que A = P (D + N )P 1 .
192
Debemos entonces estudiar (D + N )m , que gracias al Ejercicio 8.2 es equivalente a estudiar (i Ii + Ni )m , es decir cada bloque de la forma de Jordan. Se puede probar que el Teorema del Binomio de Newton es tambi en v alido para matrices, si la multiplicaci on de estas conmuta. Este es precisamente el caso de i Ii y Ni , que conmutan pues i Ii es ponderaci on de la identidad. Luego
m
(i Ii + Ni )m =
k=0
m (i Ii )mk Nik . k
k Para k {0, . . . , m}, (i Ii )mk = m Ii . As , gracias al Ejercicio 8.1: i
m (i Ii )mk Nik = k
m m k k i Ni = k
... .. .
m k
k m i
0 .. .
m k
.. 0
m k i . . . 0
m k En donde los t erminos m est an ubicados desde la posici on (1, k ) k i hasta la (k, n). Notar adem as que, si i + Ni Mss ( ), la matriz anterior es nula para k s.
Finalmente, sumando sobre k , se obtiene: m i 0 = . . . . . . 0

m 1 1 m i m 2 m 1 2 m i 1 m i .. . m 2
...
2 m i .. .
m s1
(i Ii + Ni )m
m i .. . ... ...
i .. ..
m(s1)
0 ...
m i 0
m 1
1 m i m i
(8.3) 0 (2 I2 + N2 )m . . . 0 ... ... .. . ... 0 0 . . . (r Ir + Nr )m
con los bloques (i Ii + Ni )m como en (8.3).
Y tenemos entonces que (1 I1 + N1 )m 0 Am = P . . . 0
1 P ,
193
Usaremos lo anterior para calcular potencias de una matriz. Sea A Mnn ( ) y m . Queremos calcular Am . Por lo visto en la parte de diagonalizaci on: Am = P (D + N )m P t .
Otra aplicaci on importante est a relacionada con calcular la exponencial de una matrix, la generalizaci on de la funci on exponencial real para matrices. Dicha matriz exponencial tiene utilidad en ciertos m etodos de resoluci on de ecuaciones diferenciales (que ver as en cursos m as adelante). Veamos primero la denici on de la matriz exponencial. Denici on 8.2 (Matriz exponencial). Sea A Mnn ( ). La exponencial de A, denotada por eA , es la matriz en Mnn ( ) dada por la serie de potencias 1 k A . eA = k!
k=0
Matriz exponencial
Esta serie siempre converge, por lo que eA est a bien denida. Observaci on: El u ltimo punto tratado en la denici on, acerca de la convergencia, lo aceptaremos aqu . Esto sale de los t opicos a tratar en el curso. Veamos primero algunas propiedades de la exponencial, las cuales no probaremos aqu : Proposici on 8.2. Dadas matrices B, C Mnn ( ), se tiene 1. Si C es invertible, eCBC
1
= CeB C 1 .
2. Si BC = CB , entonces eB +C = eB eC = eC eB . 3. Si B es diagonal, B = diag(b1 , . . . , bn ), entonces eB = diag(eb1 , . . . , ebn ). on 8.1 se escribe como Sea entonces A Mnn ( ), que gracias a la Proposici A = P (D + N )P 1 , con D matriz diagonal con los vectores propios de A y N una matriz nilpotente. Calculamos entonces la exponencial de A, utilizando la Proposici on 8.2 y el hecho de que D y N conmutan (ya se sus bloques conmutan): eA = P e(D+N ) P 1 = P (eD eN )P 1 . Veamos eN , eN =
k=0
1 k N . k!
Gracias al Ejercicio 8.2 y sumando en k , se tiene que (este paso se puede formalizar, pero no lo haremos aqu ) N1 0 ... 0 e 0 eN 2 . . . 0 eN = . . . . . . . . . . . . . 0 0 . . . eN r 194
8.2.2.
Matriz exponencial
... ... .. . ...
0 0 . . . er Ir
el i- esimo bloque de eD eN es:
ei Ii eNi = ei
k=0
1 k N = ei k! i
s1 k=0
1 k N . k! i
Ya que si suponemos Ni Mss ( ), como Ni es nilpotente, para k s se tiene Nik = 0. As : i 1 i 1 i 1 i ... e 1! e 2! e (s1)! e .. 1 i 1 i 0 . ei 1! e 2! e .. .. .. .. (8.4) . ei eNi = . . . . . . . 1 i . . ... 0 ei 1! e 0 ... ... 0 ei Finalmente e1 eN1 0 eA = P . . . 0 0 e2 eN2 . . . 0 ... ... .. . ... 0 0 . . . er eNr
con cada bloque como en (8.4). 8.2.3. Teorema de Cayley-Hamilton
1 P ,
El Teorema de Cayley-Hamilton se nala que una matriz es siempre raiz de su polinomio caracter stico. Para comprender a qu e nos referimos con esto, notemos que dado un polinomio p(x) = a0 + a1 x + a2 x2 + + an xn Pn ( ), podemos asociarle naturalmente una funci on de Mnn ( ) a Mnn ( ). Dada X Mnn ( ): p(X ) = a0 I + a1 X + a2 X 2 + + an X n . Enunciemos entonces el teorema: Teorema 8.2 (Cayley-Hamilton). Dada una matriz A Mnn ( ) y pA (x) su polinomio caracter stico, entonces pA (A) = 0. 195
Cayley-Hamilton
Adem as, por la Proposici on 8.2, 0 e 1 I1 2 0 I2 e eD = . . . . . . 0 0
n. Consideremos A = P JP 1 , la forma de Jordan de A. SaDemostracio bemos que dos matrices similares tienen el mismo polinomio caracter stico, luego pA (x) = pJ (x). Ahora, como J es triangular superior, pJ (x) puede ser calculado como: pJ (x) = |J xI | = (x 1 )s1 (x 2 )s2 . . . (x r )sr , en donde cada t ermino (x i )si corresponde al bloque de Jordan Ji . Calculemos entonces pA (A). Gracias a lo visto en la parte de diagonalizaci on, no es dif cil probar que: pA (A) = pJ (A) = P pJ (J )P 1 = P (J 1 I )s1 (J 2 I )s2 . . . (J r I )sr P 1 . Ahora, mirando el bloque i- esimo del t ermino i de este producto (de dimensiones s s), tenemos que: (Ji i Ii )s = Nis = 0, ya que gracias al Ejercicio 8.1, la matriz Ni es nilpotente. Luego, usando el Ejercicio 8.2, se concluye. 8.2.4. Traza de una matriz
Una u ltima utilidad de la forma de Jordan, que veremos, es permitir caracterizar la traza de una matriz. Denici on 8.3 (Traza). La traza es la funci on tr : Mnn ( ) nida por:
n
, de-
Traza
A = (aij ) Mnn ( ),
tr(A) =
k=0
aii .
Es decir, es la suma de los elementos de la diagonal de la matriz. Las siguientes propiedades quedan de ejercicio: Proposici on 8.3. Se tienen las siguientes propiedades: 1. La funci on tr es lineal. 2. A, B Mnn ( ), tr(AB ) = tr(BA). n. Propuesta como ejercicio. Demostracio As , podemos probar el siguiente resultado:
Ejercicio
196
tr(A) =
i=1
A (i ) i .
En donde recordemos que A (i ) es la multiplicidad algebraica de i . n. Sea A = P JP 1 , la forma de Jordan de A, luego Demostracio tr(A) = tr(P JP 1 ) = tr(P 1 P J ) = tr(J ). En donde ocupamos la Proposici on 8.3, con P J y P 1 . Ahora, en la diagonal de J est an precisamente los valores propios de A, repetidos tantas veces como su mutiplicidad algebraica. As ,
r
tr(A) = tr(J ) =
i=1
A (i ) i .
197
Proposici on 8.4. Sea A Mnn ( ), con valores propios distintos 1 , . . . , r . Entonces r
Probaremos el siguiente teorema: Teorema 8.3. Una transformaci on lineal arbitraria, TA = n Ax, es reductible a la forma de Jordan, o de manera equivalente: A Mnn ( ), J Mnn ( ) matriz de Jordan, similar a la matriz A: A = P JP 1 donde las columnas de P son los vectores de la base asociada a J . n. Por inducci Demostracio on sobre la dimensi on, n, del espacio. Es trivialmente cierto para n = 1 (verique). Supongamos que el resultado se cumple k n 1. Veremos primero: Caso 1: La matriz A es singular (detA = 0). En este caso r(A) = r < n, es decir dim Im(TA ) = r(A) = r < n. Sea: T = T |ImTA : ImTA ImTA Por hip otesis, como dim ImTA < n, existe la descomposici on de Jordan. Existe entonces una base de ImTA que verica las hip otesis. M as expl citamente: Si (T ) = {1 , . . . , m } y adem as los subespacios propios:
1 1 , . . . , vp } , . . . , Vm = V1 = {v11 11 m m v11 , . . . , vp m1 n
, x
obteni endose la base , de Jordan para T :

1 v11 1 v12 . . . 1 v1 s(1,1) . . . m v11 m v12 . . . m v1 s(m,1)
1 vp 11 1 vp 12 . . . 1 vps (1,p1 ) . . . m vpm 1 m vp m2 . . . m vp m s(m,pm )
vectores propios de V1
colas asociadas a los vectores propios de V1 . . . vectores propios deVm
colas asociadas
donde r = dim ImTA =

i,j
s(i, j ) y se verica:
k k vij k k vij 1 + k vij
k T (vij )=
si j = 1 si j > 1
198
SEMANA 15: FORMA DE JORDAN
y cada bloque: Jik
J =
J11
..
. Jp1 J12 .. . Jp2 2 .. . J1m .. . Jpm m k 1 .. .
k k es de dimensi on s(k, i)s(k, i), asociado a los vectores de base vi 1 , . . . , vis(k,i) .
.. ..
. .
1 k
Subcaso 1: KerTA ImTA = {0}. De acuerdo al Teorema del N ucleo-Imagen (TNI), dim KerTA +dim ImTA = a: n, luego n = KerTA ImTA , de donde la base de Jordan ser J = {w1 , . . . , wr } {z 1 , . . . , z nr }
i nr donde {wi }r ucleo i=1 es base de Jordan de ImTA y {z }i=1 es una base del n de TA .
La matriz asociada es: J11 .. . J = que verica claramente: TA wi = i wi y adem as, TA z i = 0z i
Jpm m 0
.. n r bloques
. 0
de 1 1 con el valor propio 0
TA wi = wi1 + i wi
1ir
1 i n r. u1 , . . . , up , subespacio de dimensi on
Subcaso 2: KerTA ImTA = p 1.
199
Donde:
1 v11 1 v12 . . . 1 v1 s(1,1)
1 v21 1 v22 . . . 1 v2 s(1,2)
1 vp 1 . . . . . . 1 vps (1,p)
vectores propios asociados a 1 = 0
que verican la recurrencia:

1 1 = 0 v11 TA v11
1 1 1 = v11 + 0 v12 TA v12 . . . 1 1 1 TA v1 s(1,1) = v1s(1,1)1 + 0 v1s(1,1)
(8.5)
. . .
1 1 TA vp 1 = 0 vp1 . . . 1 1 1 TA vps (1,p) = vps(1,p)1 + 0 vps(1,p)
Para completar la base de Jordan asociada a ImTA a una base de elegimos el conjunto de vectores 2 = {y j }p j =1 tal que:
1 Ay 1 = v1 s(1,1) 1 Ay 2 = v2 s(1,2)
. . .
1 Ay p = vps (1,p)
Es decir, los vectores {y j }p j =1 son soluciones de los sistemas asociados al u ltimo vector de cada bloque del vector 1 = 0. Estos sistemas tienen 1 soluci on ya que, por hip otesis, vjs j = 1, . . . , p. (1,j ) ImTA ,
p
Adem as, son vectores linealmente independientes. En efecto, si

j =1
cj y j = 0
entonces
cj T A y =
j =1 j =1
cj Ay =
j =1 p 1 {vjs (1,j ) }j =1
1 cj vjs (1,j ) = 0
como, por hip otesis el conjunto conclu mos que cj = 0, j = 1, . . . , n. 200
es linealmente independiente,
Es decir ui KerTA y ui ImTA . Estos vectores son propios TA (ui ) = 0ui . Adem as, como ui ImTA estos son vectores propios de T = T |ImTA . Por hip otesis de Jordan existen, para cada uno de los vectores ui , un bloque (eventualmente de 1 1). Sin p erdida de generalidad, supongamos que en la base de Jordan asociada a T , se tiene 1 = 0. Luego obtenemos los bloques siguientes:
TA (y j ) = Ay j = vjs(1,j ) + 0y j
1 j p.
luego podemos redenir el orden de los vectores en el conjunto 2 J para obtener una descomposici on en bloques de Jordan. Por ejemplo, veamos la inclusi on del vector y 1 . Ten amos (ver Ecuaci on (8.5)):
1 1 TA v11 = 0v11 . . . 1 1 1 TA v1 s(1,1) = v1s(1,1)1 + 0v1s(1,1) 1 1 deniendo v1 s(1,1)+1 = y , se tiene que 1 1 1 TA v1 s(1,1)+1 = v1s(1,1) + 0v1s(1,1)+1
y redenimos el primer bloque:

1 1 1 1 v11 , . . . , v1 s(1,1) , v1s(1,1)+1 = y
que satisface la recurrencia de Jordan.

1 En general, para cada bloque asociado a 1 , agregamos el vector vjs (1,j )+1 = j y , lo cual satisface la recurrencia de Jordan. Los nuevos bloques tienen la forma: 0 1 0 . .. .. . . . . . .. 1 0 0 1 0 0 Debemos vericar que el conjunto 2 J es .i.: Consideremos una combinaci on lineal nula, escrita por bloques: 1 1 1 1 1 = [1 11 v11 + 12 v12 + + 1s(1,1) v1s(1,1) ] + . . . k k k + [k 11 v11 + + 1s(k,1) v1s(k,1) ] + . . .
1 1 1 1 1 + + [1 p1 vp1 + p2 vp2 + + ps(1,p) v1s(1,p) ] + . . .
(8.6) + ...
[k pk 1 vpk s(1,pk )
1
+ 1 y +
k + + k pk s(k,pk ) vpk s(k,pk ) ] 2 y 2 + + p y p = 0
Aplicando la transformaci on TA a esta ecuaci on obtenemos:

1 1 1 1 1 TA () = A = [1 11 Av11 + 12 A2 v12 + + 1s(1,1) Av1s(1,1) ] + . . . 1 1 1 1 1 + [1 p1 Avp1 + p2 Avp2 + + ps(1,p) Av1s(1,p) ]+ k k k + [k 11 Av11 + + 1s(k,1) Av1s(k,1) ]+
+ 1 Ay 1 + + p Ay p = 0 201
k + [pk 1 Avpk s(1,pk ) + + k pk s(k,pk ) Avpk s(k,pk ) ] + . . .
M as a un, los vectores {y j }p j =1 satisfacen:
1 1 1 1 1 A = [1 12 v11 + 13 v12 + + 1s(1,1) v1s(1,1)1 ] + . . . k k k k + [k 11 k v11 + + 1s(k,1) (k vpt s(k,1) + v1s(k,1)1 )] 1 1 1 1 1 + [1 p2 vp1 + p3 vp2 + + ps(1,p) v1s(1,p)1 ] + . . .
k k k k + [k pk 1 k vpk 1 + + pk s(k,pk ) (k vpk s(k,pk ) + vpk s(k,pk )1 )] + . . . 1 1 1 + 1 v1 s(1,1) + 2 v2s(1,2) + + p vps(1,p) = 0
Reordenando, agregamos cada vector asociado a los escalares j a su respectivo bloque:

1 1 1 1 1 TA () = [1 12 v11 + + 1s(1,1) v1s(1,1)1 + v1s(1,1) ] + . . . k k k k k + {(k 11 k + 12 )v11 + (12 k + 13 )v12 + . . . k k k k + (k 1s(k,1)1 k + 1s(k,1) )v1s(k,1)1 + 1s(k,1) k v1s(k,1) } + = 0
como los vectores son .i se tiene que

1 1 1 12 = 13 = = 1s(1,1) = 1 = 0
. . .
1 1 1 p2 = p3 = = ps(1,p) = p = 0
y k 1 (bloques asociados a k ):
k k 11 k + 12 = 0 k k 12 k + 13 = 0 . . . k k 1s(k,1)1 k + 1s(k,1) = 0
k 1s(k,1) k = 0
1 1 p Como {vj mos 1 11 = = p1 = 0, luego el conjunto 1 }j =1 es .i, conclu 2 o J es .i. El conjunto anterior 2 J tiene r + p vectores, donde r = dim ImTA , es decir | 2 J |= p + r n. Nos falta entonces considerar KerTA \ ImTA KerTA . Pero esto es f acil, sea:
como k = 0, reemplazando desde la u ltima a la primera ecuaci on, conclu mos k ij = 0 k, i, j . Recordemos que, al aplicar TA , desaparecieron los coecientes 1 k 1 11 , . . . , p1 , pero, como el resto de los coecientes ij , j , es nulo se tiene en (8.6): 1 1 1 1 11 v11 + + p1 vp1 = 0
KerTA =
u1 , . . . , up 202
{z1 , . . . , zq }
Reemplazando seg un la recurrencia de Jordan y recordando que 1 = 0:
J = J 2 3 ,
3 = {zi }q i=1 .
q
Claramente estos n vectores son .i., pues si

r p
j wj +
j =1 j =1
j y j +
j =1
j zj = 0
aplicando TA y recordando que zj KerTA obtenemos:

r p
j TA wj +
j =1 j =1
j T A y j = 0
previamente, luego j = j = 0. S olo queda entonces
que corresponde al an alisis de la independencia lineal de 2 J que hicimos

q j =1
j zj = 0 de donde
j = 0 pu es {zj } es .i. La matriz de Jordan, agregando los {zi }q i=1 al nal de la base, es la siguiente: J11 J = .. J12 ..
. p1 J . Jp2 2 .. . J1m .. . Jpm m 0 0
11 , . . . , J p1 son los bloques asociados a 1 = 0 con la cola agredonde J gada {yi }. El u ltimo grupo de q bloques de 0s corresponde a la base del suplementario de ImTA KerTA en KerTA . Con esto hemos demostrado que, si A es regular (no invertible), esta es reductible a la forma de Jordan. Veamos ahora el caso invertible: Como A Mnn ( ), valor propio asociado a A. Consideremos la matriz singular A = A I . Por el procedimiento desarrollado anteriormente existen matrices J y P invertible tal 203
donde {u1 , . . . , up } = ImTA KerTA y {z1 , . . . , zq } es un suplementario en KerTA . a dada por: Armamos que la base de Jordan de n est
P J P 1 = A I
J = P 1 A P J = P 1 (A I )P
A = P J P 1 + I =
= P J P 1 + P P 1 = P (J + I )P 1
luego la matriz de Jordan asociada a TA es J = J + I , donde aparece en la diagonal principal.
Ejercicio
Ejercicio 8.3: La forma de Jordan es u nica, salvo permutaci on del orden de la base.
204
que:
Gu a Semana 15
1. Sea Ni Mss ( ), denida por 0 1 .. . 0
0 .. .. . .
Pruebe por inducci on que m , p, q {1, . . . , s}, 1 si q = p + m, (Nim )pq = 0 si q = p + m.
. 1 0
Adem as deduzca que Nis = 0. Una matriz con esta propiedad, se dice nilpotente.
2. Sea B una matriz diagonal por bloques, es decir B1 0 . . . 0 0 B2 . . . 0 B= . . . .. . . . . . . . 0 0 . . . Br Sea m
en donde B1 , . . . , Br son matrices cuadradas y el resto son matrices cero.
, pruebe que entonces

Bm
m B1 0 = . . .
0 m B2 . . . 0
... ... .. . ...
0 0 . . .
m Br
3. Pruebe las siguientes propiedades: (a) La funci on tr : Mnn ( ) es lineal.
(b) A Mmn ( ), B Mnm ( ), tr(AB ) = tr(BA). 4. A Mnn ( ), una matriz no necesariamente diagonalizable tal que (A) . Pruebe que |eA | = etr(A) .
5. Calcule eA , A3 y A5 , para las siguientes 1 1 1 1 0 (a) . 0 1 0 0 1 (b) 0 0 1 / 2 0 0 0 0 0 0 205
matrices: 0 0 2 0 0 0 (c) 0 0 . 0 4 1 0 0 4
1 2 0 0
0 1 2 0
0 0 . 0 1
Ejercicios
P1. Se dene la siguiente recurrencia de n umeros reales xn+1 = 2xn xn1 , n 1 x1 = 1, x0 = 0. (a) Para n tal que
, dena vn = ( xx
n n 1
2. Encuentre A M22()
vn+1 = Avn . (b) Pruebe que vn = An v0 , n
(c) Use lo anterior para resolver la recurrencia, obteniendo un valor expl cito para xn . Indicaci on: Use la forma de Jordan.
P2. (a) Sea
\ {0}. Pruebe por inducci on que

1 0
n
n 0
nn1 n 3 1 . 2
n 1.
(b) Considere
Encuentre P invertible y J en forma de Jordan tal que A = P JP 1 . (c) Para la matriz A de la parte anterior y n 1 cualquiera calcule An expl citamente, encontrando expresiones para los coecientes de An en funci on de n.
4 1 0 4 0 0
206
Problemas

Álgebra Lineal - Álgebra Lineal (DIM-UCh)

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Álgebra Lineal - Álgebra Lineal (DIM-UCh)

Uploaded by

Copyright:

Available Formats

Ingenier a Matematica

FACULTAD DE CIENCIAS F ISICAS Y MATEMATICAS UNIVERSIDAD DE CHILE Algebra Lineal 08-2

Departamento de Ingenier a Matematica - Universidad de Chile

Es f acil vericar que

i 0 0 i 0 0 + 1 i 0 1 i 0 = Luego ii 11 0+0 i + i i 0 0 1 i 0 0+0 0+0 = = 0 0

Departamento de Ingenier a Matematica - Universidad de Chile

El inverso aditivo de A = (aij ) es A = (aij ). Por ejemplo, en M23 ( ):

Claramente C Mmn ( ). Ejemplos: 1. En ( , +, ), A= 1 1 1 1 1 0 2 1

A = (i, i, 0) M13 ( ) i B = 1 M31 ( ) 0

Observaci on: La multiplicaci on de matrices no es conmutativa. Por ejemplo en M22 ( ) :

2. Distributividad con respecto a la suma: Dadas A Mmn ( ), B, C Mns ( ), entonces

aik (bkj + ckj )

i {1, ..., m}, j {1, ..., s}.

Como la multiplicaci on distribuye con respecto a la suma en

(aik bkj + aik ckj )

De la denici on de multiplicaci on matricial, se obtiene E = AB + AC .

En efecto, dada A Mnn ( ) : a11 . . AI = . an1

1 a1n 0 . . . ... ann 0 ...

aik kj ) = (aij jj ) = (aij ) = A.

Conclu mos entonces que 3

Departamento de Ingenier a Matematica - Universidad de Chile

(Mnn ( ), +, ) es anillo con unidad

Departamento de Ingenier a Matematica - Universidad de Chile

Corolario 1.1. (Mnn ( ), +, ) es un anillo con unidad (existe neutro para ).

x1 + 2x3 2x1 + 4x3

x2 + 2x4 2x2 + 4x4

x2 + 2x4 = 0 2x1 + 4x3 = 0 2x2 + 4x4 = 1

O bien, en M22 ( ), i 0 0 i lo que se verica r apidamente.

diag(a11 , a22 , . . . , ann ) triangular superior

3. Triangular inferior si y s olo si aij = 0 si i < j : 5

Departamento de Ingenier a Matematica - Universidad de Chile

0 0 1 0 0 2 0 , I = 0 1 0 son matrices diagonales 0 3 0 0 1 3 0 0 0 son matrices triangulares, superior e inferior 1, B = 1 2 0 respectivamente. 2 2 1 3

Notaci on: Dada una matriz A Mmn ( ) notaremos su i- esima la como:

Departamento de Ingenier a Matematica - Universidad de Chile

Ai = (ai1 ai2 . . . ain ) y su j - esima columna: Aj a 1j a2j = . . .

correspondiente a la notaci on por las.

Departamento de Ingenier a Matematica - Universidad de Chile

dik akj = dii aij = i aij ,

Departamento de Ingenier a Matematica - Universidad de Chile

triangulares superiores: (ai = 0) (bi = 0) < i. Supongamos j < i, luego cij =

Potencias, traspuestas e inversas

Departamento de Ingenier a Matematica - Universidad de Chile

Luego C = T1 T2 = (cij ), donde: cij =

aik bkj . Como T1 y T2 son

Consideremos Z = B A . El t ermino (i, j ) de la matriz Z esta dado por:

ajk bki = (AB )ji = (C t )ij ,

1. La inversa de A es invertible y (A1 )1 = A. 10

Departamento de Ingenier a Matematica - Universidad de Chile

(An )1 = (A1 )n (At )1 = (A1 )t

Departamento de Ingenier a Matematica - Universidad de Chile

2. El producto AB es invertible y (AB )1 = B 1 A1 .

1. Demuestre la asociatividad de la multiplicaci on de matrices. Es decir, si A Mmn ( ), B Mnq ( ), C Mqs ( ), entonces:

A(BC ) = (AB )C Mms ( ).

Departamento de Ingenier a Matematica - Universidad de Chile

Departamento de Ingenier a Matematica - Universidad de Chile

Departamento de Ingenier a Matematica - Universidad de Chile

0 a11 1 a21 a31 0 0 a41 14

a12 a22 a32 a42

a13 a11 a23 a41 = a33 a31 a43 a21

a12 a42 a32 a22

a13 a43 . a33 a23

1 b14 0 b24 0 b34 0

b14 b24 b34

b13 b23 b33