Álgebra

R.Criado y A.Gallinari 2003

2

Álgebra

Introducción
En sus orígenes, el álgebra clásica era el arte de resolver ecuaciones (la palabra álgebra proviene de un vocablo árabe que signica reducción). El álgebra moderna está caracterizada por el estudio de ciertas estructuras abstractas que tienen en común una gran variedad de objetos matemáticos. El calicativo abstracto se reere al resultado de realizar el proceso de abstracción sobre las propiedades observables de ciertos objetos matemáticos, es decir, el proceso consistente en separar la forma del contenido. La estructura principal objeto de estudio en esta publicación es la de espacio vectorial. Las aplicaciones de esta estructura incluyen virtualmente todas las áreas de la ciencia. Se incluye una aplicación de los espacios vectoriales relacionada estrechamente con el mundo de la informática y las telecomunicaciones, en concreto a la teoría de códigos y se estudian varias técnicas y herramientas de interés para otras aplicaciones. Este volumen viene acompañado por un libro de Prácticas y Problemas con el sistema Maple V, disponible en versión digital, que contiene una ampliación y completa la descripción de los conceptos teóricos. Las prácticas permiten el desarrollo y la experimentación con los aspectos más numéricos y están diseñada para potenciar el empleo de la notable capacidad de visualización gráca que ofrece el programa Maple V. A cada tema teórico y práctico hemos añadido ejercicios resueltos y ejercicios propuestos. Los principales objetivos didácticos que intentamos conseguir son que el lector:

• aprenda y utilize correctamente técnicas y métodos propios del álgebra lineal. • vea la descripción de algunas aplicaciones a la Informática. • comprenda y aplique algunos métodos numéricos de resolución de sistemas de ecuaciones lineales y de aproximación de autovalores y autovectores. • aprenda a utilizar el programa Maple V (como ejemplo de sistema de computación simbólica) en sus aplicaciones al álgebra lineal.
Algunos apartados de esta publicación (sobre todo en la parte de ejercicios) son una adaptación del material contenido (unas veces sin modicarlo, otras proponiendo variaciones de ello) en la bibliografía incluida.

Álgebra

3

Agradecimientos
Queremos agradecer al profesor Luis E. Solá Conde por su participación en la corrección de estas notas y la elaboración de los enunciados de varios ejercicios propuestos en este libro. Gracias también a los profesores Alejandro J. García del Amo Jiménez y Begoña Jiménez Martín por la elaboración de los enunciados de varios ejercicios propuestos y a los alumnos que han señalado erratas y errores en versiones previas de esta publicación.

4

Álgebra

Índice General
1 Sistemas de ecuaciones lineales, matrices y estructuras algebraicas 9
1.1 Sistemas de ecuaciones lineales, matrices y eliminación gaussiana 1.1.1 Introducción a los sistemas de ecuaciones lineales . . . 1.1.2 Sistemas homogéneos . . . . . . . . . . . . . . . . . . . 1.1.3 Transformaciones elementales por las. Introducción al método de Gauss-Jordan . . . . . . . . 1.1.4 Sistemas equivalentes . . . . . . . . . . . . . . . . . . . 1.1.5 Estrategia para la aplicación del método de eliminación gaussiana . . . . . . . . . . . . . . . . . 1.1.6 Método de Gauss-Jordan . . . . . . . . . . . . . . . . . Matrices y operaciones con matrices . . . . . . . . . . . . . . . 1.2.1 Suma de matrices . . . . . . . . . . . . . . . . . . . . . 1.2.2 Producto de matrices . . . . . . . . . . . . . . . . . . . 1.2.3 Propiedades del producto de matrices . . . . . . . . . . 1.2.4 El producto de una matriz por un escalar . . . . . . . . 1.2.5 El anillo de matrices cuadradas Mn (K) . . . . . . . . . 1.2.6 Matrices invertibles . . . . . . . . . . . . . . . . . . . . 1.2.7 Matrices elementales y un método para hallar A−1 . . . Estructuras algebraicas . . . . . . . . . . . . . . . . . . . . . . 1.3.1 El concepto de operación . . . . . . . . . . . . . . . . . 1.3.2 Grupos . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.3 Anillos y cuerpos . . . . . . . . . . . . . . . . . . . . . 1.3.4 Introducción a los Tipos Abstractos de Datos . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.1 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . 1.4.2 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . 5

10 10 13 14 18

1.2

1.3

1.4

22 24 26 29 31 33 37 39 40 43 47 47 50 52 57 60 60 64

6

Álgebra

2 Espacios vectoriales
2.1

Vectores en el plano y en el espacio . . . . . . . . . . . . . . . 2.1.1 Producto vectorial y producto mixto . . . . . . . . . . 2.1.2 Rectas en le plano . . . . . . . . . . . . . . . . . . . . 2.1.3 Planos en el espacio tridimensional . . . . . . . . . . . 2.1.4 Rectas en el espacio tridimensional . . . . . . . . . . . 2.2 Espacios vectoriales sobre un cuerpo K . . . . . . . . . . . . . 2.2.1 Propiedades de vectores . . . . . . . . . . . . . . . . . 2.2.2 Producto cartesiano de espacios vectoriales . . . . . . . 2.2.3 Funciones con codominio en un espacio vectorial . . . . 2.3 Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . 2.4 Dependencia e independencia lineal . . . . . . . . . . . . . . . 2.5 Bases y dimensión . . . . . . . . . . . . . . . . . . . . . . . . 2.5.1 Sistemas generadores y bases . . . . . . . . . . . . . . 2.5.2 Equipotencia de bases . . . . . . . . . . . . . . . . . . 2.6 Subespacios vectoriales y dimensión . . . . . . . . . . . . . . . 2.7 Rango de un sistema de vectores y de una matriz . . . . . . . 2.8 El teorema de Rouché-Fröbenius . . . . . . . . . . . . . . . . . 2.9 Método de Gauss y rango . . . . . . . . . . . . . . . . . . . . 2.9.1 Transformaciones elementales por columnas y matrices elementales . . . . . . . . . . . . . . . . . . . . . . . . 2.9.2 Método de Gauss para calcular el rango de una matriz 2.9.3 Algoritmo de extensión de una base . . . . . . . . . . . 2.9.4 Rango y espacio la de una matriz . . . . . . . . . . . 2.10 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.10.1 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . 2.10.2 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . 3.1 3.2 3.3 3.4 3.5 Funciones lineales . . . . . . . . . . . . . . . . . . . . . . . . Propiedades de funciones lineales . . . . . . . . . . . . . . . Núcleo e imagen . . . . . . . . . . . . . . . . . . . . . . . . . Espacios vectoriales isomorfos . . . . . . . . . . . . . . . . . Funciones lineales en espacios vectoriales de dimensión nita 3.5.1 Determinación de funciones lineales en espacios vectoriales de dimensión nita . . . . . . . . . . . . . . . . 3.5.2 Dimensiones del núcleo y de la imagen . . . . . . . . 3.5.3 Matriz asociada a una función lineal . . . . . . . . . . . . . .

73 81 83 85 87 89 92 93 96 100 104 112 112 116 120 122 123 130 130 132 138 139 141 141 146

71

3 Funciones lineales

153

154 158 161 165 167

. 167 . 172 . 174

Álgebra 3.5.4 3.5.5 3.5.6 3.5.7

7 Algoritmo para hallar una base del núcleo y de la imagen178 Matriz asociada a la composición de funciones lineales . 179 Matrices semejantes y cambios de base . . . . . . . . . 183 Ecuaciones paramétricas e implícitas de un subespacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . 185 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190 3.6.1 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . 190 3.6.2 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . 193 Producto escalar . . . . . . . . . . . . . . . . . . . Longitud o norma euclídea de un vector . . . . . . 4.2.1 Propiedades de la norma euclídea . . . . . . Método de ortogonalización de Gram-Schmidt . . . 4.3.1 Descomposición QR de una matriz . . . . . Proyecciones ortogonales . . . . . . . . . . . . . . . 4.4.1 Método para hallar una proyección ortogonal 4.4.2 Aproximación óptima de un vector. . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . 4.5.1 Ejercicios resueltos . . . . . . . . . . . . . . 4.5.2 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.6

4 Espacios vectoriales euclídeos
4.1 4.2 4.3 4.4 4.5

197

197 200 200 204 209 211 214 215 217 217 217 219 222 223 224 225 228 229 232 235 235 236

5 Códigos lineales
5.1 5.2 5.3

5.4

Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . Distancia de Hamming, detección y corrección de errores . . . 5.2.1 Código de paridad: detección de errores simples . . . . 5.2.2 Código de repetición: corrección de errores simples . . Códigos lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3.1 Paso de una matriz de control a una matriz generadora 5.3.2 Paso de una matriz generadora a una matriz de control 5.3.3 Detección y corrección de errores . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.1 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . 5.4.2 Ejercicios propuestos . . . . . . . . . . . . . . . . . . .

219

6 Autovalores y autovectores
6.1 6.2

Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 Autovalores y autovectores . . . . . . . . . . . . . . . . . . . . 241

239

. . . . . . 331 . .7. 6. . . . . . . .5 6. . . . .3 Triangulación de matrices . . . . . . . . . . . . 332 . . . . . . 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Sistemas de ecuaciones diferenciales . 6. . . 6. 293 . . . . . . . . . . .1 La exponencial compleja . . . . .4. . . . . . . . 6. . .6 293 . . . . . . . . 321 . . . . . . . 307 . .5. .3. Soluciones de los ejercicios del capítulo 6 . . . . . . . .4 Resolución de sistemas de ecuaciones diferenciales por triangulación . . . . . . . . . . . . . . . . .4. . . . . . . .3 7. . . . . .4 7. . . . . .8. . .2 Sistemas de relaciones de recurrencia . . . 6. 335 A Nuevo método de triangulación por semejanza 343 . . . . . . 6. . . . . 6. . . . . . . . . . . . . . . . . . . 6. Diagonalización y triangulación de matrices . .2 Matrices diagonalizables . . . . . . . . . . . . . . . . . . . . Ecuaciones diferenciales . . . . . . .1 Relaciones de primer orden . 243 244 246 246 249 251 253 255 256 259 259 263 268 271 279 281 286 290 290 291 6. . . . . . . . . . . . . . . . . 6. . . . La semejanza de matrices y los sistemas de ecuaciones . . . . . . . . . . . . . . . . . . . . . . .1 Ejercicios resueltos . .6. . . . . . . . . Soluciones de los ejercicios del capítulo 1 . . .4. . .1 Sistemas diagonales . . . . . . .8 6. . . . . . . . .2 7. . . . . .8 7 Soluciones de los ejercicios 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 La ecuación de orden n . . . . . . . . 6. . . . .5 7. .7 6. . . . . . . . . . . . . . . . . . . . . . .1 7. . Ejercicios . . . . Soluciones de los ejercicios del capítulo 2 .5. . . . .2 Ejercicios propuestos . . . Soluciones de los ejercicios del capítulo 5 . . . . . . .6. Soluciones de los ejercicios del capítulo 4 . . . . . . . . . 6. . . . . . . . 6. .8. . . . 6. . . . . .1 El polinomio característico de una matriz . .2 Sistemas triangulares . .4 Álgebra Funciones complejas de variable real . . . .6. . . . .7. . . . . . Soluciones de los ejercicios del capítulo 3 . . .6. . . . . . . . . . Relaciones de recurrencia . . . . . . . . . .1 La ecuación de primer orden . . . . . . . . . . . . . . . . .6 6. .3 6. . . . . . . . . . . . . .

el método de eliminación gaussiana. y de un algoritmo de cálculo. y se asume que ya se ha tenido un contacto previo con ellos en cursos anteriores. 9 . En la segunda parte del capítulo. una vez establecidas las propiedades que satisfacen las matrices respecto de la suma y producto. reales y complejos. por ejemplo. Es conveniente señalar que en este nivel no sólo es importante entender los métodos de cálculo de las soluciones de los problemas que se estudiarán. y destacar aquellas propiedades que no comparten. los números enteros. Como colofón del capítulo y aplicación de los conceptos previamente introducidos veremos una introducción a los tipos abstractos de datos. las matrices y los polinomios. Estos conceptos están en la base del álgebra lineal. Hablaremos de sistemas de n ecuaciones con m variables. sino también el porqué dichos métodos funcionan. anillo y cuerpo con el objeto de reunir. de las matrices y de las operaciones con matrices. la denición de una estructura algebraica (por ejemplo. donde n y m en general no son iguales. se introducen las estructuras algebraicas de grupo. que nos permitirá resolver sistemas de ecuaciones lineales generales. En ese sentido. la denición de grupo) responderá a la abstracción de ciertas propiedades comunes a los objetos anteriores.Capítulo 1 Sistemas de ecuaciones lineales. entendiendo por abstracción el proceso de separar la forma del contenido. las propiedades que tienen en común. bajo una estructura algebraica abstracta. matrices y estructuras algebraicas Este primer capítulo comienza con el estudio de los sistemas de ecuaciones lineales.

binarios (0 ó 1).. a lo largo del capítulo se considerará que los coecientes de las ecuaciones pertenecen a un cuerpo genérico K. La denición de la estructura algebraica de cuerpo se introducirá más tarde. n} xi ∈ K} De este modo.. aparecen ecuaciones lineales con coecientes enteros. Así Kn = {(x1 . xn ) | ∀i ∈ {1. Rn . donde n es un número natural.. 1..1. un par ordenado es una 2 − tupla (un elemento de K2 ) y una terna es una 3 − tupla (un elemento de K3 ). Se asume que el estudiante ha trabajado en cursos anteriores con elementos de R2 y R3 . En tal caso se dice que la ecuación anterior es una ecuación lineal con coecientes en K. matrices y eliminación gaussiana Al aplicar la teoría de ecuaciones lineales. . an y el término inde- pendiente b serán elementos de un cuerpo K (con K = R ó C)..... entre otras disciplinas.1 Una ecuación lineal en las variables (o incógnitas) x1 . .. .10 Álgebra 1. .. aunque en algunos casos en los que se dirá explícitamente.1.. se consideraran también coecientes binarios. . an ∈ K se les denomina coecientes de la ecuación. reales o incluso complejos.. . y a b ∈ K término independiente. donde K = R ó C. Observación 1 Habitualmente.1 Sistemas de ecuaciones lineales... 1} de los números enteros módulo 2. o en general de Kn .1 Introducción a los sistemas de ecuaciones lineales es una expresión de la forma Denición 1... del cuerpo Z2 = {0. a los que se denominan pares ordenados y ternas. es decir. Cómo en la mayor parte de los resultados referentes a la teoría de ecuaciones lineales no hace falta hacer distinción entre los casos en los que los coecientes son elementos del cuerpo R de los números reales o del cuerpo C de los números complejos. Ambos conceptos son casos particulares del concepto de n − tupla o elemento del producto cartesiano de n copias de R. los coecientes a1 . a la informática. + an xn = b A a1 .. xn a1 x1 + .

x2 y x3 Ejemplo 1. el conjunto de pares (x. la ecuación lineal a1 x + a2 y = b (I) representa una recta en el plano R2 . 3x + 4y = 24 √ x1 − x2 + 5x3 − ( 2)x4 = 1 (e2 )x1 − 3x2 + x3 − x4 = 0 son ecuaciones lineales. a2 ∈ R. Sin embargo NO son ecuaciones lineales 3x2 + 4y = 24 √ x1 − x2 + 5x3 − 2 x4 = 1 e2x1 − 3x2 + x3 − x4 = 0 . y y z en lugar de x1 .Álgebra 11 Observación 2 Cuando n ≤ 3 es usual utilizar las variables x.2 Si n = 2 y a1 .1.1: La recta y=2x+2 Es importante observar que las operaciones que afectan a las variables que intervienen en las ecuaciones lineales se reducen a multiplicarlas por los coecientes y sumarlas. y) que satisfacen la ecuación (I) constituyen una recta. Por ejemplo. Así por ejemplo. la ecuación y − 2x = 2 representa la recta T 2 & & & &-1 0 & & & E & & Figura 1. es decir.

. y. . . Así. . αn ) ∈ Kn es solución de la ecuación a1 x1 + . z) = (3.1. .. + a α = b m1 1 mn n m .6 Se dice que (α1 . . 0) también es solución de dicha ecuación. 2.1. colocando la sucesión de ecuaciones lineales en columna). m} ai1 α1 + .. + ain αn = bi si o..   a x + .4 (x... Por otra parte (x..1.. Un sistema de ecuaciones lineales es una sucesión nita de ecuaciones lineales..... y. + an xn = b si a1 α1 + .. z) = (4. . . un sistema de m ecuaciones lineales con n incógnitas se representaría por   a11 x1 + .   a x + . 0. Denición 1.. αn ) ∈ Kn es solución del sistema de ecuaciones   a11 x1 + . + a1n αn = b1  .e..   a11 α1 + .. + an αn = b. + a1n xn = b1  .......1....3 Se dice que (α1 . + a x = b m1 1 mn n m Ejemplo 1.. Es usual representar los sistemas de ecuaciones lineales verticalmente (i. + a1n xn = b1  . lo que es lo mismo. −1) es solución de x + y + z = 4.5 El sistema   x2 + x3 = 1 2x1 − x3 = 2  x2 + x3 = 4 es un sistema de 3 ecuaciones con 3 incógnitas. + a x = b m1 1 mn n m ∀i ∈ {1..12 Álgebra Denición 1.   a α + . Ejemplo 1. ...

.2 Sistemas homogéneos Denición 1.2. ya que contiene las ecuaciones de dos rectas distintas y paralelas. uno compatible determinado. los sistemas compatibles. + a1n xn = 0  . Observación 3 Cualquier sistema de ecuaciones lineales homogéneo   a11 x1 + .7 Se dice que un sistema de ecuaciones lineales es homogéneo si los términos independientes de todas las ecuaciones que lo constituyen son iguales a 0.8 x1 + x3 = 0 2x1 − x2 + x3 = 0 es un sistema homogéneo de 2 ecuaciones con 3 incógnitas. el sistema de ecuaciones lineales con coecientes en R x1 − x2 = 1 x1 − x2 = 4 no tiene solución. otro compatible indeterminado y un tercero incompatible y representar el conjunto solución de cada una de las dos ecuaciones lineales que lo forman en el plano R2 . .1. el sistema tiene innitas soluciones (como se verá por el teorema 1.14). Por ejemplo. y los sistemas correspondientes se denominan compatibles indeterminados.1. se denominan sistemas incompatibles. Los que tienen al menos una solución.. . en cuyo caso. cientes en R con dos incógnitas.. Ejercicio 1. o tener más de una. pueden tener una única solución.   a x + . si los coecientes del sistema son números reales o complejos. Extraer conclusiones. en cuyo caso se denominan compatibles determinados. Ejemplo 1. Los sistemas de ecuaciones lineales que no tienen solución. o más de una solución.1.Álgebra 13 Es importante tener presente que los sistemas de ecuaciones lineales pueden no tener soluciones.1 Encontrar tres sistemas de dos ecuaciones lineales con coe- 1. + a x = 0 m1 1 mn n . como el del ejemplo anterior.1. esto es..

. puesto que (0. despejando las variables x1 y x2 en función de x3 . • El sistema homogéneo tiene innitas soluciones además de la trivial. Si un sistema homogéneo tiene soluciones distintas de la trivial. 0) ∈ Kn es siempre una solución de dicho sistema. En el capítulo 2 demostraremos que un sistema homogéneo de ecuaciones lineales con coecientes en R ó C satisface exactamente una de las siguientes proposiciones: • El sistema homogéneo sólo tiene la solución trivial.1.2 Comprobar que el sistema homogéneo x1 + x3 = 0 2x1 − x2 + x3 = 0 tiene innitas soluciones en ∈ R3 .. A esta solución se la conoce como solución trivial.1. Introducción al método de Gauss-Jordan En esta sección haremos una primera descripción del método de GaussJordan para encontrar las soluciones (si es que existen) de un sistema de ecuaciones lineales.. Ejercicio 1. demostraremos que todo sistema homogéneo con coecientes en R ó C que tenga más incógnitas que ecuaciones tiene innitas soluciones. 1. y obtener una solución del sistema para cada valor de x3 considerado.3 Transformaciones elementales por las. a cualquiera de dichas soluciones la denominaremos solución no trivial. Se pueden comprender e interiorizar los resultados anteriores a través de la resolución de los siguientes ejercicios: Ejercicio 1.1.14 Álgebra es compatible..3 Vericar que el sistema x1 + x2 = 0 2x1 − x2 = 0 sólo tiene la solución trivial. En particular. La justicación del método y su descripción precisa se .

de la tercera ecuación se obtiene x2 = 1. de la primera ecuación obtenemos que x1 = 1. seguimos sumando a una ecuación otra multiplicada por un número.e. En este caso. A partir de aquí. de la segunda ecuación obtenemos que x3 = 1. conocidos los valores de x2 y x3 . En este caso.Álgebra 15 realizará en las dos siguientes secciones. se conoce como eliminación gaussia- na. obtenemos:   x1 − x2 + x3 = 1 3x2 − 3x3 = 0  3x2 = 3. y restando la primera ecuación a la tercera. esto es. Si una vez obtenido el valor de una de las variables. De hecho. después otra de las restantes y así sucesivamente hasta conocer el valor de una incógnita. el método de Gauss-Jordan se . En esta sección también daremos una primera justicación de la denición del producto de matrices (i. Sustituyendo hacia atrás vamos obteniendo sucesívamente el valor del resto de las incógnitas. consistente en ir eliminando las incógnitas de las ecuaciones una a una mediante el proceso de sumar a una ecuación otra multiplicada por un número. Al proceso de cálculo de las soluciones de un sistema de ecuaciones compatible se le denomina resolución del sistema. y a partir de ella el de las demás. una vez obtenido el valor de una de las variables. estaremos aplicando el método conocido como método de Gauss-Jordan. multiplicando la primera ecuación por 2 y restándosela a la segunda.. ir sustituyendo hacia atrás. de porqué el producto de matrices se dene tal y como se dene). tablas de coecientes ordenadas según un número determinado de las y columnas. Si consideramos el sistema de ecuaciones lineales:   x1 − x2 + x3 = 1 2x1 + x2 − x3 = 2  x1 + 2x2 + x3 = 4 podemos resolverlo eliminando sucesívamente una de las incógnitas de dos de las ecuaciones. para. y. Una forma de representar sistemas de ecuaciones lineales consiste en utilizar matrices. multiplicando ambos miembros de la ecuación por números adecuados e intercambiando ecuaciones con el objeto de obtener un sistema de ecuaciones escalonado en el que en cada ecuación aparezca únicamente una incógnita. en lugar de sustituir hacia atrás. El método descrito.

16 Álgebra aplica más fácilmente sobre la que se denomina matriz ampliada asociada al sistema que sobre el propio sistema. La matriz asociada al sistema   x1 − x2 + x3 = 1 2x1 + x2 − x3 = 2  x1 + 2x2 + x3 = 4 es por denición la matriz  1 −1 1  2 1 −1  1 2 1  y la matriz ampliada asociada a dicho  1 −1 1  2 1 −1 1 2 1 sistema es  1 2  4 La aplicación del método de Gauss-Jordan sobre dicha matriz para obtener la solución del sistema de ecuaciones que representa nos daría sucesívamente:     1 −1 1 1 1 −1 1 1  2 1 −1 2  F2 = F2 − 2F1 →  0 3 −3 0  F2 ↔ F3 → F3 = F3 − F1 0 3 0 3 1 2 1 4     1 −1 1 1 1 −1 1 1  0 3 0 3  F2 = 1 F2 →  0 1 0 1  F3 = F3 − 3F2 → 3 0 3 −3 0 0 3 −3 0    1 −1 1 1 1 −1 1 1  0 1 0 1  F3 = − 1 F3 →  0 1 0 1  F1 = F1 − F3 → 3 0 0 1 1 0 0 −3 −3      1 −1 0 0 1 0 0 1  0 1 0 1  F1 = F1 + F2 →  0 1 0 1  0 0 1 1 0 0 1 1 .

Multiplicar una la por un número distinto de cero: Fi = λFi 3. .. x2 = 1 y x3 = 1. Por ejemplo. para cada valor de t tenemos una solución del sistema. si consideramos el sistema x1 − x2 = 1 2x1 − 2x2 = 4 la aplicación de las transformaciones elementales correspondientes sobre la matriz ampliada asociada al sistema nos lleva a 1 −1 1 2 −2 4 F2 = F2 − 2F1 → 1 −1 1 0 0 2 es decir. tantas como posibles valores del parámetro t. 2. o lo que es lo mismo. si escribimos x3 = t. Sumar a una la otra multiplicada por un número: Fi = Fi + λFj 2. 1). x1 = 1 y x2 − x3 = 0. en total tendríamos innitas soluciones. 0x1 + 0x2 = 2. que x1 = 1. . (1. Un ejemplo de sistema compatible indeterminado sería el siguiente:   x1 − x2 + x3 = 1 2x1 + x2 − x3 = 2  2x1 − 2x2 + 2x3 = 2 Al resolverlo por el método de Gauss-Jordan obtenemos:   1 −1 1 1  2 1 −1 2  F2 = F2 − 2F1 F3 = F3 − 2F1 2 −2 2 2   1 −1 1 1  0 1 −1 0  F1 = F1 + F2 0 0 0 0  1 −1 1 1 →  0 3 −3 0  F2 = 1 F2 → 3 0 0 0 0   1 0 0 1 →  0 1 −1 0  0 0 0 0  es decir. Sería solución del sistema (1. con lo que. x2 = x3 . Así pues. no todos los sistemas de ecuaciones lineales tienen solución. el sistema anterior es un sistema incompatible. Estas son las siguientes: 1. obviamente. que es innito. luego t toma valores en R. Intercambiar dos las: Fi ↔ Fj En cualquier caso. 1.. esto ocurre porque estamos trabajando sobre el cuerpo de los números reales. En la resolución del sistema anterior hemos aplicado sobre la matriz ampliada del sistema lo que se denominan transformaciones elementales por las. 2).Álgebra 17 La última matriz representa.

F3 ↔ F1 ... 2   x1 − x2 + x3 = 1 2x1 + 2x2 − 2x3 = 2  x1 + 2x2 + x3 = 4 para obtener la matriz A . es decir.1. 1 F2 = F2 sobre la matriz ampliada asociada al sistema. si realizando transformaciones elementales sobre un sistema de ecuaciones lineales S obtenemos un sistema de ecuaciones lineales S . ..9 Se dice que dos sistemas de m ecuaciones lineales con n incógnitas son equivalentes si uno de ellos puede obtenerse a partir del otro realizando sobre el primero una sucesión nita de transformaciones elementales por las. En esta sección demostraremos con todo detalle que esto es efectivamente así. Realizar sobre A las transformaciones inversas de las anteriores en el orden adecuado y comprobar que se obtiene la matriz ampliada asociada al sistema dado.1. .4 Realizar las transformaciones F3 = F3 − F1 . las transformaciones elementales son reversibles.4 Sistemas equivalentes La aplicación sucesiva de transformaciones elementales por las sobre un sistema de ecuaciones lineales (o sobre su matriz ampliada) permite pasar de un sistema de ecuaciones lineales a otro que. TRASFORMACIÓN Fi = Fi + λFj TRANSFORMACIÓN INVERSA Fi = Fi − λFj 1 Fi = Fi λ Fi ↔ Fj Fi = λFi (λ = 0) Fi ↔ Fj Ejercicio 1. es más sencillo de resolver. Denición 1.   α x + . podemos recuperar S a partir de S realizando las transformaciones elementales “inversas” en el orden adecuado (el orden inverso del que se ha seguido para pasar de S a S ). Por otra parte. habitualmente representaremos a un sistema de ecuaciones lineales   α11 x1 + . + α x = β m1 1 mn n m ..1. teniendo las mismas soluciones que el planteado.18 Álgebra 1. Observación 4 Como ya hemos señalado. + α1n xn = β1  .

. .. o o Demostración Para demostrar el teorema. . En otras palabras. αn ) es soluci´n de S ⇔ (α1 . αm1 . entonces (α1 ..  ...5 Vericar que la relación de equivalencia de matrices en Mm×n (K) es una relación binaria reexiva. . A la vista de la observación anterior tiene sentido establecer la siguiente denición: Denición 1. bien sobre las las de su matriz ampliada las denotaremos del mismo modo. .    α x + ..1. bien directamente sobre las ecuaciones del sistema... Supongamos que el sistema considerado es   α11 x1 + .11 Si dos sistemas de ecuaciones son equivalentes..Álgebra 19 por su matriz ampliada:   α11 . diremos que las matrices A y A son equivalentes por las. si S y S son equivalentes. .1. αn ) es soluci´n de S . es suciente con estudiar el caso en el que un sistema se obtiene a partir de otro mediante la aplicación de una única transformación elemental por las. tienen exactamente las mismas soluciones. simétrica y transitiva (es decir.. . + α2n xn = β2 S≡ .1. Observación 5 A las transformaciones elementales por las. ..10 Si una matriz A se obtiene realizando transformaciones elementales por las sobre una matriz A. Ejercicio 1. + α1n xn = β1    α21 x1 + .. Teorema 1. α1n β1  . . + α x = β m1 1 mn n m . m×(n+1) (K).. αmn βm con lo que las transformaciones elementales se realizan sobre las las de esta matriz.... es una relación de equivalencia en el sentido general). ∈M . . realizadas.  Am =  .

.. + α1n sn = β1    α21 s1 + . o o Si (s1 . sn ) soluci´n de S... Sea λ = 0.. podemos restringir el estudio al caso en el que las transformaciones elementales se aplican únicamente sobre la primera y la segunda ecuación. sn ) es solución de S . . sn ) soluci´n de S ⇒ (s1 .  . tendremos que   α11 s1 + . + α2n sn = β2 . que (s1 .  .. + α2n sn = β2 ... tendremos que   λα11 s1 + . Veamos ahora el recíproco..    α s + . dejando el resto inalteradas. + λα1n xn = λβ1    α21 x1 + .    α s + . .. sn ) es solución de S ...e. que (s1 . obtenemos que   λα11 s1 + .. + λα1n sn = λβ1    α21 s1 + . Además. + λα1n sn = λβ1    α21 s1 + .. + α s = β m1 1 mn n m es decir.... + α2n xn = β2 S ≡ .  .. teniendo esto presente......    α s + . sn ) soluci´n de S ⇒ (s1 .. o o Si (s1 . + α x = β m1 1 mn n m Veamos que (s1 .. i. . multiplicando ambos miembros de la primera igualdad por λ. ..    α x + . + α2n sn = β2 .. . ... sn ) soluci´n de S . + α s = β m1 1 mn n m con lo que.. + α s = β m1 1 mn n m ..20 Álgebra Es obvio que el intercambio de lugar entre dos ecuaciones del sistema no altera el conjunto solución del mismo. .... ....... Por consiguiente la aplicación de una transformación del tipo Fi ↔ Fj no altera el conjunto solución.. .. y supongamos que   λα11 x1 + . .. sn ) es solución de S..  .. ..

.. . + α s = β m1 1 mn n m Recíprocamente. + α x = β m1 1 mn n m Veamos que (s1 ... tendremos que   α11 s1 + ... + α s = β m1 1 mn n m . multiplicando ambos miembros de la primera igualdad por obtenemos que    α11 s1 + . Supongamos ahora que   α11 x1 + . que (s1 . + α1n sn = β1    α21 s1 + ...    α s + . .. + α1n sn = β1    (α21 + µα11 )s1 + .    α s + . + α2n sn = β2 . tendremos que   α11 s1 + .. . sn ) soluci´n de S ⇒ (s1 .....  . . sn ) soluci´n de S . + α s = β m1 1 mn n m 21 1 ..    α s + . y sumando miembro a miembro la primera ecuación a la segunda obtendremos   α11 s1 + ......  .. sn ) es solución de S. ....  ... sn ) soluci´n o o de S.. + (α2n + µα1n )xn = (β2 + µβ1 ) S ≡ ....    α x + ..... . sn ) es solución de S..    α s + . + α1n sn = β1   α21 s1 + ... sn ) es solución de S . . sn ) soluci´n de S ⇒ (s1 . .... multiplicando los dos miembros de la primera ecuación por µ.. + α1n xn = β1    (α21 + µα11 )x1 + .. veamos que (s1 .. .. . + α2n sn = β2 .  . o o Si (s1 . + (α2n + µα1n )sn = (β2 + µβ1 ) . . + α1n sn = β1    (α21 + µα11 )s1 + .Álgebra con lo que. λ es decir. + (α2n + µα1n )sn = (β2 + µβ1 ) ..... + α s = β m1 1 mn n m con lo que...  . Si (s1 . ..

. Reordenar las ecuaciones para que en la primera ecuación la primera variable x1 tenga un coeciente no nulo. Restar la segunda ecuación multiplicada por un escalar adecuado a las ecuaciones situadas bajo la misma con el objeto de que la segunda variable (o la que corresponda) no aparezca en ninguna ecuación situada por debajo de la segunda.. . 2. Restar la primera ecuación multiplicada por un escalar adecuado a las demás ecuaciones con el objeto de que la primera variable aparezca solamente en la primera ecuación.. + α1n sn = β1    α21 s1 + .    α s + .22 Álgebra Multiplicando la primera igualdad por µ y restándosela a la segunda obtenemos que   α11 s1 + ..  .1. el sistema así obtenido será un sistema escalonado. 4. hacer la operación anterior con la variable x3 o con la primera variable que aparezca con un coeciente no nulo en alguna de las ecuaciones restantes (todas salvo la primera). En el caso de que sea posible. + α s = β m1 1 mn n m con lo que (s1 ... Denición 1. 3.. .1. Si la variable x2 no aparece más que en la primera ecuación. sn ) es solución de S.. un sistema que se ajusta a la siguiente denición. reordenar las ecuaciones de la segunda en adelante con el objeto de que la segunda variable x2 aparezca con un coeciente no nulo y multiplicar ambos miembros de dicha ecuación para que el coeciente de dicha variable sea 1. 2 1.5 Estrategia para la aplicación del método de eliminación gaussiana 1. es decir. Esto completa la demostración del teorema.12 Se dice que un sistema de ecuaciones es escalonado si . Operando análogamente con el resto de las ecuaciones. y multiplicar ambos miembros de dicha ecuación para que el coeciente de dicha variable sea 1.. + α2n sn = β2 . 5.

.. Las matrices ampliadas asociadas a estos  1 1 3  0 1 6 0 0 1 y 1 1 1 0 0 1 sistemas son  9 24  −4 −5 4 −2 6 El conjunto de soluciones de un sistema escalonado es razonablemente sencillo de obtener.1. . con k = 0. La última frase de (E. al llevar a cabo la estrategia anterior sobre un sistema concreto. Un sistema de ecuaciones escalonado será compatible en todos los casos en los que no aparezca una ecuación de la forma 0x1 + . Sin embargo. Este tipo de ecuaciones deberán aparecer siempre en las últimas las del sistema.13 Los siguientes sistemas de ecuaciones son escalonados:   x1 + x2 + 3x3 = 9 x2 + 6x3 = 24  x3 = −4 x1 + x2 + x3 − 5x4 = 4 x3 − 2x4 = 6. + 0xn = k.2) La primera variable de cada ecuación tiene 1 como coeciente (a esta variable la denominaremos variable principal de dicha ecuación).Álgebra 23 (E.. y todas las ecuaciones sin variable principal aparecen colocadas al nal. La variable principal de cualquier ecuación siempre aparece situada a la derecha de las variables principales de las ecuaciones previas.. Ejemplo 1.2) puede parecer algo misteriosa. + 0xn = k con k = 0 o k = 0 (en este último caso el sistema es incompatible).1) (E. podríamos obtener una ecuación de la forma 0x1 + .

:   2x1 + x2 + 3x3 = 9 5x1 + 4x2 + 6x3 = 24  x1 + 3x2 − 2x3 = 4 3x1 + x2 + x3 − 5x4 = 4 5x1 + 2x2 + 4x3 − 2x4 = 6 1. operaremos análogamente con la penúltima ecuación.. diremos que dicha variable no es libre (o también que está determinada). asignando diferentes parámetros a cada una de las nuevas variables libres. comenzamos con la última ecuación del sistema asignado un parámetro diferente a cada variable libre y expresando la variable determinada por la última ecuación en términos de estos parámetros. El siguiente proceso. Realizando las mismas operaciones con el resto de las ecuaciones hasta llegar a la primera. que consiste en eliminar la variable principal de la ecuación correspondiente no solamente en las ecuaciones que aparecen situadas por debajo de . + 0xn = k con k = 0 en el sistema escalonado obtenido.6 Método de Gauss-Jordan El método de Gauss-Jordan es una extensión del método de eliminación gaussiana.24 Álgebra Suponiendo que el sistema es compatible.6 Resolver los siguientes sistemas de ecuaciones lineales por el método de eliminación gaussiana. obtiene todas las soluciones del sistema asignando parámetros a las variables libres. a cualquier variable que no sea la variable principal de una ecuación la denominaremos variable libre. y obteniendo el valor de la variable determinada por la penúltima ecuación.1. Ejercicio 1. y todas las variables determinadas estarán expresadas en términos de estos parámetros. Si una variable es variable principal de un sistema de ecuaciones escalonado. Sustitución hacia atrás en el método de eliminación gaussiana Suponiendo que no aparece ninguna ecuación de la forma 0x1 + . al nal del proceso todas las variables libres tendrán asignado un parámetro diferente.. conocido como sustitución hacia atrás o remonte.1. Después.

Los sistemas de ecuaciones que resultan de la aplicación del método de Gauss-Jordan se dice que tienen forma escalonada reducida. sino en todas las ecuaciones del sistema.1.15 Vamos a resolver el siguiente sistema de ecuaciones por el método de Gauss Jordan. obteniendo una forma escalonada reducida de dicho sistema   x1 − 4x2 + x3 = 2 −x1 + 3x2 − x3 = 1  x1 + 2x3 = 3 Para ello. La variable principal de cada ecuación aparece solamente (E. 5. En cada paso sustraer la ecuación correspondiente multiplicada por un escalar adecuado tanto de las ecuaciones situadas por debajo de la misma como de las situadas por encima.R. trabajamos directamente sobre la matriz ampliada asociada al sistema. es decir.R.14 Se dice que un sistema de ecuaciones está en forma escalonada reducida si La primera variable de cada ecuación tiene 1 como coeciente (a esta variable la denominaremos variable (E. y todas las ecuaciones sin variable principal aparecen colocadas al nal. La variable principal de cualquier ecuación siempre aparece situada a la derecha de las variables (E.1) principal de dicha ecuación).3) en la ecuación de la que es variable principal. con la adición de las siguientes instrucciones en el lugar correspondiente: 4. Por ello. la estrategia es la misma que la del método de eliminación de Gauss.R.2) principales de las ecuaciones previas. con el objeto de eliminar la segunda variable de la primera ecuación.Álgebra 25 la misma. Ejemplo 1. es decir: Denición 1. teniendo presente en todo momento qué es lo que representan los coecientes de dicha matriz:   1 −4 1 2  −1 3 −1 1  F2 = F2 + F1 → F3 = F3 − F1 1 0 2 3 .1. Sustraer además la segunda ecuación multiplicada por un escalar adecuado de la primera ecuación. con el objeto de que la variable principal de cada ecuación aparezca únicamente en la ecuación de la que es variable principal.

0 0 1 13 0 0 1 13 La última matriz ampliada representa el sistema en forma escalonada reducida. . Veamos una denición precisa de lo que es una matriz: Denición 1. .  Ejercicio 1. n} −→ K (i. se puede pensar que K = R ó C aunque los resultados obtenidos serán válidos para cualquier cuerpo K..7 Resolver los siguientes sistemas de ecuaciones lineales por el método de Gauss-Jordan:   x1 − x2 − x3 + x4 = 5 x2 − x3 + 2x4 = 8  2x1 − x2 − 3x3 + 4x4 = 18   x1 + 5x2 − 2x3 = 0 x1 − 3x2 + x3 = 0  x1 + 5x2 − x3 = 0 1.2. hasta completar la totalidad del capítulo. j) Se dice entonces que A es una matriz con m las y n columnas. j) de la matriz A por su correspondiente .1.. −3.. El sistema es.. Es usual representar el coeciente A(i. m} × {1. j) .26 Álgebra  1 −4 1 2 F2 = (−1)F2  0 −1 0 3  F1 = F1 + 4F2 → 0 4 1 1 F3 = F3 − 4F2     1 0 1 −10 1 0 0 −23  0 1 0 −3  F1 = F1 − F3 →  0 1 0 −3  .1 Una matriz de orden m × n con coecientes en un cuerpo K (por ejemplo K = R ó C) es una función: A : {1. Como hemos visto en la sección anterior.2 Matrices y operaciones con matrices Al realizar una primera lectura de los epígrafes siguientes.. por tanto. las matrices permiten representar sistemas de ecuaciones lineales. 13). compatible determinado y su solución es (−23. A(i..

iguales si son iguales como funciones..   . ∀i. Es obvio que de la denición anterior se sigue que dos matrices A. 3}... o lo que es lo mismo A.2 Veamos algunos ejemplos de matrices denidas con notación 1. Podemos utilizar también congruencias módulo un número entero sobre i y j para denir la matriz. 3) ∧ (A(i. j) = 0 ⇔ i + j ≡ 0 mod 2) se representa por   0 1 0  1 0 1  0 1 0 . j). j) = B(i. aij .. por ejemplo B ∈ M3×3 (R) dada por (A(i. y a la matriz completa A por una tabla en la que en la la `“i” y en la columna “j” aparece el elemento aij :   a11 ··· a1n      . ∀i = 1.  A= .Álgebra 27 minúscula con dos subíndices. 2) = 4 se representará por 0 1 . 1) = 0.. n} A(i. . i = j) es la matriz:   1 0 0  0 1 0  0 0 1 2.e. . A ∈ M3×3 (K) denida por (A(i. 2. j) = 1 ⇔ i + j ≡ 1 mod 2) ∧ (A(i.. la matriz A de dos las y dos columnas determinada por A(1. A(2. es decir. A(2.. . j) = 0.   am1 ··· anm Así por ejemplo. m}×{1.2. funcional: Ejemplo 1. 2) = 1. i) = 1. B son si tienen el mismo número de las y de columnas. 1) = −1. 2. j) ∈ {1. . si son del mismo orden (i. en este caso aij . −1 4 Al conjunto de matrices de m las y n columnas con coecientes en K lo denotaremos por Mm×n (K). . B ∈ Mm×n (K) para algún m y n) y ∀(i. j ∈ {1. A(1.

. • Si A ∈ M1×n (K) se dice que A es una matriz la (de n columnas). I2 = . que es   1 3 9  2 6 18  4 12 36 Recordemos ahora algunas deniciones y veamos otras nuevas: • Si A ∈ Mm×n (K) se dice que A es una matriz de orden m×n. • Si A ∈ Mm×1 (K) se dice que A es una matriz columna (de m las). Por ello escribiremos en ´ ´ ocasiones A = (aij ) ∈ Mm×n (K) para referirnos a una matriz genérica de orden m × n.  Aj =  . m} llamaremos la i-ésima de A a la matriz la de n columnas Ai = (ai1 . Si m = n. utilizaremos indistintamente la notación usual aij o la funcional A(i. llamaremos columna j-ésima de A a la matriz columna de m las   a1j  .     1 0 0 0 1 0 0   1 0  0 1 0  e I4 =  0 1 0 0  . Análogamente. j) para referirnos al elemento de la matriz A situado en la la i − esima y en la columna j − esima. ∀i ∈ {1. Otro ejemplo es la matriz C ∈ M3×3 (R) dada por (A(i. amj • Una matriz de particular interés es la matriz identidad a la que denotaremos por In (hay una para cada valor natural de n).. y si A ∈ Mn (K) diremos que A es una matriz cuadrada de orden n... • Si A ∈ Mm×n (K). • Si A ∈ Mm×n (K). escribiremos Mn (K). ain ).28 Álgebra 3.. .  .. Así por ejemplo. (Obsérvese que a es la minúscula de A). j) = 2i−1 3j−1 ). I3 =  0 0 1 0  0 1 0 0 1 0 0 0 1 . en lugar de escribir Mn×n (K).

• Si A ∈ Mm×n (K) se denomina matriz traspuesta de A a la matriz t A ∈ Mn×m (K) tal que ∀(i. 1..n}...4  3 0  +  2 0  =  5 0  1 2 0 −2 1 0 .1 Suma de matrices La denición de suma de matrices es muy natural: Denición 1.. Un método sistemático para obtener la matriz traspuesta de una matriz dada consiste en ir leyendo los coecientes por las para sistemáticamente escribirlos por columnas.. j) ∈ {1. . aii = 1 ∧ (i = j ⇒ aij = 0).2.Álgebra 29 En general la matriz In = (aij ) ∈ Mn (K) se dene por la condición ∀i. m} t A(i.3 Si A. n} (A + B)(i. n} (i = j ⇒ In (i.. si bij = aji ). j) = A(j. 3 −1 su traspuesta es t  A= 1 2 3 2 0 −1 ∈ M2×3 (R).. j) = A(i. i) (empleando la notación no funcional.. m} Así por ejemplo.. j) ∈ {1. j ∈ {1... j)       1 −1 1 3 2 2 Ejemplo 1. n} × {1. In ∈ Mn (K) quedaría determinada por las condiciones: (∀i ∈ {1. n} × {1..2. m} × {1. Utilizando la notación funcional.....2. entonces ∀(i. .. si t A = (bij )... la suma de A y B es la matriz A + B ∈ Mm×n (K) denida por las condiciones ∀(i. . .. .. j ∈ {1. i) = 1) ∧ (∀i. j) = 0)). j) + B(i. . n} In (i..... B ∈ Mm×n (K). . . ..  1 2 A =  2 0  ∈ M3×2 (R). j) ∈ {1.

. A + B = B + A (propiedad conmutativa de la suma de matrices) A + (B + C) = (A + B) + C (propiedad asociativa) A + (0) = A. .6 Si A. j) ∈ {1. (−A) + A = (0) ((−A) es la opuesta de A) . B.30 Álgebra Observación 6 De la denición anterior se sigue que para que dos matrices se puedan sumar deben ser del mismo orden. se verica que: 1. 4. (−A)(i. Proposición 1.2.5 Si A ∈ Mm×n (K) se denomina matriz opuesta de A a la matriz (−A) ∈ Mm×n (K) denida por las condiciones ∀(i. n} Así por ejemplo.. j) ∈ K    −1 1 1 −1 −  3 0  =  −3 0  −1 −2 1 2  y − 2 −1 0 1 1 3 = −2 1 0 −1 −1 −3 . 2. j) = 0 (0) ∈ M2×3 (C) es la matriz 0 0 0 0 0 0 . j) ∈ {1... Observación 7 En lo sucesivo también escribiremos (0) ∈ Mm×n (K) para representar a la matriz nula de orden m × n. .. m} × {1. .. C ∈ Mm×n (K). .. (0) + A = A ((0) es el elemento neutro para +) A + (−A) = (0).2.. Se denomina matriz nula de orden m × n a la matriz (0) ∈ Mm×n (K) denida por las condiciones ∀(i. j) = −A(i. n} Así por ejemplo.. (0)(i.. 3. Denición 1... m} × {1.

hecho que a su vez tendrá como consecuencia el que la composición de funciones lineales se exprese como un producto de matrices. Hay que comprobar que ∀(i. de los elementos de un cuerpo. n} (A + B)(i. m} × {1.. y de la matriz (−A) se dice que es la matriz opuesta de A.2 Producto de matrices En capítulos venideros veremos que la siguiente denición del producto de matrices permitirá representar la actuación de una función lineal sobre un elemento como un producto de matrices. m} × {1. Demostraremos la primera propiedad y el resto se propone como ejercicio. j) ∈ {1. 1. que las matrices situadas a ambos lados de la igualdad son efectivamente iguales... en cada caso..2.. . 2 Por satisfacer las 4 propiedades de la proposición anterior se dice que las matrices de orden m × n con coecientes en K tienen estructura de grupo abeliano respecto de la suma. satisface la propiedad conmutativa) =B(i. j)= (por denición) =(B + A)(i. . j) + B(i. j)= (por denición)= =A(i. j) = (B + A)(i.. j)=(puesto que la suma de números reales o complejos y.. j)... n}.... (A + B)(i. por ejemplo 2x1 + x2 + 6x3 = 3. . . Si consideramos una ecuación lineal. j) ∈ {1. j) + A(i. es posible considerar la parte izquierda de la igualdad como el producto de la matriz de coecientes (2 1 6) por la matriz de incógnitas  x1  x2  x3   y escribir  x1 (2 1 6) ·  x2  = (3) x3 .Álgebra 31 Demostración Se trata de comprobar. en general. De la matriz (0) se dice que es el elemento neutro del grupo abeliano. j) Sea (i.

utilizando la denición de producto de matrices anterior. y por otra. xn bm Claro está que podemos considerar sistemas de ecuaciones con la misma matriz de coecientes y distinto término independiente. que las soluciones de uno no tienen porqué coincidir con las del otro. . mediante la expresión:       2 1 6 3 1 x1 y 1  5 4 6  ·  x2 y2  =  24 1  .   x1 + 3x2 − 2x3 = 4 x1 + 3x2 − 2x3 = 1 En ese caso. por lo que denotamos por y1 . x3 4 1 3 −2 En general. teniendo en cuenta..32 Álgebra Si la ecuación anterior forma parte de un sistema. x3 y 3 1 3 −2 4 1 . resulta que..  =  . esto es:       x1 3 2 1 6  5 4 6  ·  x2  =  24  . por ejemplo del sistema   2x1 + x2 + 6x3 = 3 5x1 + 4x2 + 6x3 = 24  x1 + 3x2 − 2x3 = 4 teniendo en cuenta que de la denición de matriz se sigue que dos matrices son iguales si tienen el mismo número de las y de columnas y los mismos coecientes en cada la y columna. podemos representar el sistema de ecuaciones mediante un producto de matrices. podemos representarlos matricialmente de forma simultánea. y2 e y3 a las incógnitas del segundo sistema.   a x + . . + a1n xn = b1  . + a x = b m1 1 mn n m puede representarse mediante el producto denido por la expresión:     x1 b1  .  A ·  .. cuando dos matrices son iguales. Por ejemplo:    2x1 + x2 + 6x3 = 3  2x1 + x2 + 6x3 = 1 5x1 + 4x2 + 6x3 = 24 y 5x1 + 4x2 + 6x3 = 1 . .   . el sistema de ecuaciones   a11 x1 + .. . . por una parte.

2.. era preciso que el número de las de la matriz de coecientes coincidiese con el número de columnas de la matriz de incógnitas. j) 1 2  1 2 Ejemplo 1.2.Álgebra 33 Esto nos lleva a la denición de producto de dos matrices.. dades: Proposición 1. Como observación previa a la denición. para poder multiplicar la matriz de coecientes por la de incógnitas.2. nótese que en los ejemplos anteriores.9 El producto de matrices satisface las siguientes propie- .2. p} A · B(i. pues por ejemplo 1 1 1 1 y sin embargo · 1 −1 1 −1 1 1 1 1 = 2 −2 2 −2 0 0 0 0 1 −1 1 −1 · = .. Denición 1.. k) · B(k. su producto es la matriz      1 2 0 1 −1   1 2 −1   · 3 0 =   1 1 0  1 2 0 4 3     0 1 −1  −1  ∈ M4×3 (R) y  3 0  ∈ 0  1 2 3  7 −1 6 −3   ∈ M4×2 (R) 4 −1  15 6 1. y se denota por A · B a la matriz A · B ∈ Mm×p (K) tal que n ∀(i. j) = k=1 A(i. j) ∈ {1. m} × {1.3 Propiedades del producto de matrices El producto de matrices no es conmutativo.8 Dadas las matrices  1 1 0 4 M3×2 (R). ... .7 Dadas las matrices A ∈ Mm×n (K) y B ∈ Mn×p (K) se denomina matriz producto de A y B .

j) = ((A · B) · C)(i.. q} (A·(B ·C))(i. ya que ambas pertenecen a Mm×q (K). A · (0) = A y (0) · A = (0) Demostración Antes de dar la demostración debemos señalar que es usual emplear el símbolo sumatorio n que tiene sentido puesto que la suma considerada es asociativa.. j) ∈ {1.. Las dos matrices A·(B ·C) y (A·B)·C tienen el mismo orden. ∀B. lo 1. + an .. Es distributivo respecto de la suma: ∀A ∈ Mm×n (K). Veamos que ∀(i. j) : . i=1 ai en lugar de la expresión a1 + . m}×{1. ∀B. (A · B) · C = A · (B · C) (y por tanto podemos omitir los paréntesis para denotar cualquiera de estos productos y escribir A · B · C )..B ∈ Mn×p (K) y C ∈ Mp×q (K). 2. C ∈ Mp×n (K) (B + C) · A = B · A + C · A 3..34 Álgebra 1.. B ∈ Mn×p (K) y C ∈ Mp×q (K).. ∀A ∈ Mm×n (K). Sean A ∈ Mm×n (K) . . . Es asociativo: ∀A ∈ Mm×n (K). C ∈ Mn×p (K) A · (B + C) = A · B + A · C ∀A ∈ Mm×n (K).

cuya demostración también se puede hacer por inducción: . distributiva en K) A(i. j) 2. j) = s=1 · C(s. k) · B(k. j) que intuitivamente es evidente. Ejercicio. j) = p = k=1 n (prop. 3. s) (A · B) (i. k) · B(k. j) k=1 p s=1 n (prop. distributiva en K) A(i.Álgebra 35 n (A · (B · C))(i. en la proposición anterior hemos utilizado la igualdad n p p n A(i. k) · s=1 p B(k. j) k=1 s=1 = s=1 k=1 A(i. j) = = = = k=1 n s=1 p A(i. En cualquier caso. puesto que tanto el producto de números reales como el de números complejos es conmutativo y distributivo respecto de la suma. Por ejemplo. asociativa en K) = = s=1 p k=1 (prop. k) · B(k. s) · C(s. s) · C(s. es conveniente conocer algunos hechos relativos a la notación. k) · (B(k. s) · C(s. s) · C(s. s) · C(s. s)) · C(s. 2 Observación 8 Demostraciones como la anterior se incluyen para que puedan ser consultadas por los alumnos interesados. j) = k=1 n A(i. y a los resultados derivados del uso de la misma. k) · (B · C) (k. La demostración de que esta igualdad es válida es consecuencia de las siguientes propiedades relacionadas con el símbolo sumatorio. j)) (A(i. Se demuestra razonando de forma similar al apartado anterior. j) = = = ((A · B) · C)(i. k) · B(k.

∀p ∈ N.p} son dos familias de números reales o complejos. 1 p 1 p ∀p ∈ N i=1 j=1 ai · bj = i=1 ai · j=1 bj o lo que es lo mismo.. razonamos por inducción sobre “n”. Para demostrar la identidad anterior.36 Álgebra • Si {ai }i∈{1.. n p n p ai · bj i=1 j=1 = i=1 ai · j=1 bj Es decir... se verica que ∀n ∈ N.. que p p ∀p ∈ N j=1 a 1 · bj = a1 · j=1 bj ... Base de inducción: hay que probar que si n = 1.. = a1 · . resulta que a1 · bj j=1 = j=1 a 1 · bj + a1 · bp+1 = = (por hip´tesis de inducci´n) = o o p = a1 · j=1 p+1 bj bj j=1 + a1 · bp+1 = . Suponiendo a1 · bj j=1 p = a1 · j=1 bj .n} y {bj }j∈{1. Esta propiedad se demuestra razonando por inducción sobre “p” : si p = 1 es obvio que entonces cierto que p+1 p a1 · bj j=1 p = a1 · b1 = a1 · p 1 j=1 bj . que n i=1 (ai b1 + · · · + ai bp ) = = (a1 b1 + · · · + a1 bp ) + · · · + (an b1 + · · · + an bp ) = = a1 (b1 + · · · + bp ) + · · · + an (b1 + · · · + bp ) .

(a11 + · · · + a1p ) + · · · + (an1 + · · · + anp ) = (a11 + · · · + a1n ) + · · · + (a1p + · · · + anp ) . ∀B ∈ Mn×p (K)..2 Demostrar que ∀A ∈ Mm×n (K) y ∀B ∈ Mn×m (K) A · In = A ∧ In · B = B (es decir..2. B ∈ Mm×n (K) (A + B) =t A +t B t 3. Ejercicio 1.10 Si α ∈ K y A ∈ Mm×n (K) se dene la matriz αA por las siguientes condiciones ∀(i.2. .. ∀A. ∀A ∈ Mm×n (K) t t ( A) = A t 2. j)    1 2 −3 −6 Ejemplo 1.......2.Álgebra 37 La demostración del paso de inducción sobre “n” se propone como ejercicio para todo aquel alumno interesado en hacerla. ∀A ∈ Mm×n (K).p} es una familia de números reales o complejos.. j) = αA(i. j) ∈ {1. La demostración es similar a la del punto anterior.n}×{1.k)∈{1. 1.1 Demostrar que la trasposición de matrices satisface las siguientes propiedades: 1.. sea o no cuadrada).4 El producto de una matriz por un escalar Denición 1. In deja invariante por el producto a cualquier matriz por la que se pueda multiplicar. n}  (αA)(i.. ..11 (−3)  2 0  =  −6 0  3 −1 −9 3 .. (A · B) =t B ·t A Ejercicio 1. lo que es lo mismo.2. m} × {1. se verica que n p p aik k=1 = k=1 n aik i=1 i=1 o.2. • Si {aik }(i.

(−α)(A) = (α)(−A) = −(αA) 4. .12 Siendo α ∈ K     (αIn ) =    α 0 0 ··· 0 0 α 0 ··· 0 0 0 α ··· 0 . . . Hemos hallado tantas soluciones como elementos en K. s2 dos soluciones distintas (s1 = s2 ). Se sigue que s1 − s2 es solución del sistema homogéneo AX = 0 y que para todo λ ∈ K. .2. . . 2 .∀B ∈ Mn×p (K) A · (αB) = (αA) · B = α(A · B) 2. por hipótesis. Como K es. o bien tiene exactamente una solución o bien tiene una innidad de soluciones. una solución.14 Todo sistema de ecuaciones lineales con coecientes reales o complejos o bien no tiene soluciones. (αβ)A = α(βA) Demostración Ejercicio. 2 Teorema 1.13 ∀α. . β ∈ K ∀A ∈ Mm×n (K) se verica que 1. . Sea AX = B el sistema dado y s1 .38 Álgebra Ejemplo 1..∀B ∈ Mm×n (K) α(A + B) = αA + αB 3. R o C (que son innitos). . s3 ≡ s1 + λ(s1 − s2 ) es solución de AX = B : As3 = A(s1 + λ(s1 − s2 )) = As1 + A(λ(s1 − s2 )) = = As1 + λA(s1 − s2 ) = As1 = B. . .2.2. (α + β)A = αA + βA 5. Demostración Necesitamos comprobar que si un sistema tiene más que As1 = B = As2 y As1 − As2 = A(s1 − s2 ) = (0). . 0 0 0 ··· α      ∈ Mn (K)   Proposición 1. obtenemos innitas soluciones. entonces tiene innitas soluciones. . Entonces.

. Propiedades del producto en Mn (K) Proposición 1.2. 2 de la suma de matrices y satisfacer las propiedades de la proposición anterior se dice que el conjunto de matrices cuadradas de orden n.15 Si A. ya que el producto de matrices es una operación en Mn×n (K) (el producto de dos matrices cuadradas de dimensión n es una matriz cuadrada de dimensión n). B. tiene estructura de anillo unitario respecto de la suma y producto de matrices habituales y elemento unidad la matriz In . por convenio de notación. En este apartado vamos a estudiar la estructura algebraica que tiene el conjunto de las matrices cuadradas.2. Mn (K). el conjunto Mm×n (K) de las matrices de m las y n columnas sobre un cuerpo K tiene estructura de grupo abeliano respecto de la suma habitual de matrices. A · (B + C) = A · B + A · C (propiedad distributiva de + respecto de ·) 3.Álgebra 39 1. se verica que: 1. se asume que A0 = In . Demostración La demostración de las propiedades 1 y 2 se ha hecho en un caso más general. C ∈ Mn (K). La demostración de la propiedad 3 se deja como ejercicio (se trata de ver que las matrices A · In y A son iguales y lo mismo con la otra igualdad). se dene ∀m ∈ N Am = (Am−1 ) · A donde. A · In = A.5 El anillo de matrices cuadradas Mn (K) Según hemos visto. La operación de producto en Mn (K) permite denir potencias enteras no negativas de una matriz cuadrada: Observación 9 Por tener Mn (K) estructura de grupo conmutativo respecto Denición 1.2. respecto de las operaciones de suma y producto. Mn×n (K). In · A = A (la matriz In es elemento neutro para ·). A · (B · C) = (A · B) · C (propiedad asociativa del producto de matrices) 2. A ∈ Mn (K).16 Si A es una matriz cuadrada.

 . + m m (αIn )m 1.40 Álgebra Observación 10 No es difícil comprobar que ∀m. si A. . B ∈ Mn (K) en general tendremos que (A + B)2 = A2 + B 2 + A · B + B · A = A2 + B 2 + 2A · B Sin embargo. en general.2. . Teniendo ahora en cuenta que. si A · B = In ∧ B · A = In . si A y B conmutan para el producto. es decir. .. . r ∈ N ∀A ∈ Mn (K) se satisfacen las siguientes propiedades: 1. 0 0 siendo α ∈ K  0 ··· 0 0 ··· 0   α · · · 0  ∈ Mn (K)  . si B y B satisfacen las condiciones de la denición anterior. 0 ··· α y que toda matriz conmuta con la identidad. . + m m A0 · B m . asumiendo por convenio de notación que A0 = B 0 = In .2. es decir. .  α 0  0 α   (αIn ) =  0 0  .17 Se dice que A ∈ Mn (K) es invertible si ∃B ∈ Mn (K) tal que A · B = In ∧ B · A = In .  . podemos obtener la siguiente fórmula. (Am )r = Amr Observación 11 Nótese que como consecuencia de la no conmutatividad del producto de matrices... válida ∀A ∈ Mn (K).6 Matrices invertibles Denición 1..  . . ∀m ∈ N : (A + αIn )m = m 0 Am + m 1 (αIn ) Am−1 + . si A·B = B·A. Obviamente.. Am+r = Am · Ar 2. entonces es obvio que (A + B)2 = A2 + B 2 + 2A · B y. . se verica que ∀m ∈ N (A + B)m = m 0 Am · B 0 + m 1 Am−1 · B + . .

22 que es suciente comprobarlo por uno sólo de los dos lados. B ∈ Mn (K) son invertibles. imponemos que el producto de A por un cierta matriz B . Se verica que : 1. entonces el producto A1 · A2 · · · · Ap es invertible y (A1 · A2 · · · · Ap )−1 = Ap −1 · · · A2 −1 A1 −1 .19 La matriz inversa de la matriz A = triz A−1 = 2 1/2 2 1 es la ma- 1 −1/2 −2 2 . . se dice que B es la matriz inversa de A y a dicha matriz la denotaremos por A−1 . Ap son invertibles. por ambos lados. Hemos de hacerlo así porque el producto de matrices no es conmutativo.2. si A.2. 3. Ejemplo 1. Observación 12 En la denición de matriz invertible.18 Si A ∈ Mn (K) es invertible. sea el elemento neutro. Ap ∈ Mn (K).Álgebra y 41 A · B = In ∧ B · A = In resulta que B = B · In = B · (A · B ) = (B · A) · B = In · B = B por lo que dada A ∈ Mn (K) a lo sumo hay una matriz B que satisface las condiciones de la denición anterior. y A · B = In ∧ B · A = In .20 Sean A.2. 2. Denición 1. · · · . si A ∈ Mn (K) es invertible. veremos en el teorema 1.2. entonces A · B es invertible y (A · B)−1 = B −1 · A−1 . si A1 . Sin embargo. entonces (−A) ∈ Mn (K) es invertible y (−A)−1 = −(A−1 ). B. · · · . Proposición 1. A1 .

entonces t (A) ∈ Mn (K) −1 es invertible y t (A−1 ) = (t A) −1 . B · A = In ⇒ B = A−1 .2. . todo sistema que tenga como matriz asociada A tiene una única solución: dado un sistema A · X = C . n}. . n}. A−1 es invertible y (A−1 ) = A 2. donde C es una matriz columna. 2. que denotamos B j .42 Álgebra 4. Entonces también A·B = In y podemos escribir B = A−1 . . Para probar 1 suponemos que A · B = In . denotando con In la columna j -ésima de In . Demostración Probemos 2: suponemos que B · A = In . multiplicando a ambos lados de la igualdad por B se obtiene: B · (A · X) = B · C Por la asociatividad del producto de matrices (B · A) · X = B · C Y usando nuestra hipótesis inicial X = In · X = B · C Es decir. Es decir. 2 . para cada j ∈ {1. ∀m ∈ N Am es invertible y (Am )−1 = (A−1 )m 3.2. . se verica que 1. A · B = In ⇒ B = A−1 . . Si B · A = In . j En concreto. .22 Si A. que si X verica la ecuación A · X = C . y (αA)−1 = α−1 A−1 El siguiente teorema arma que si una matriz cuadrada tiene una matriz inversa a la derecha o a la izquierda. el sistema A · j j X = In tiene una única solución B · In . y debemos probar que A · B = In . hemos obtenido que j A·B j = In para cada j ∈ {1. necesariamente X = B · C . Aplicamos 2 a la matriz B y obtenemos que B · A = In . Corolario 1. ∀α ∈ K. α = 0 se verica que αA es invertible. que es la columna j -esima de B .21 Si A ∈ Mn (K) es una matriz invertible. entonces es invertible: Teorema 1. B ∈ Mn (K) se verica que: 1. . si A ∈ Mn (K) es invertible. .

24 1 0 0 −2 es una matriz elemental.23 Se dice que una matriz A ∈ Mn (K) es una matriz elemental si es el resultado de realizar una única transformación elemental por las sobre la matriz In .2.2.Álgebra 43 1. elemental F3 = F3 + 3F1 sobre la matriz   −1 4 6  0 2 1 . 0 0 1 Ejercicio 1.25 Si E es la matriz elemental de orden m que se obtiene al realizar la transformación elemental t sobre las las de Im . El siguiente resultado quedará sucientemente vericado tras la realización de la práctica 2 en el aula informática: Teorema 1. Ejemplo 1. y A ∈ Mm×n (K). −→ 0 0 1 0 0 1 Es obvio que si A es una matriz elemental de orden n.3 Vericar el resultado anterior realizando la transformación . pues Igualmente   0 0 1 0 y 0 0 1 0 1 0 0     1 0 0 0 1 0 0 0  0 1 0 0  F2 ↔ F4  0 0 0 1       0 0 1 0   0 0 1 0  −→ 0 0 0 1 0 1 0 0     1 0 0 1 0 5  0 1 0  F1 = F1 + 5F3  0 1 0  . pues 1 0 F2 = (−2)F2 1 0 0 1 −→ 0 −2     1 0 0 0 1 0 5  0 0 0 1    0 1 0  son matrices elementales.2.2.2. la matriz In se puede obtener realizando una única transformación elemental sobre la matriz A (la transformación elemental inversa).7 Matrices elementales y un método para hallar A−1 Denición 1. entonces la matriz resultante de realizar la transformación t sobre las las de A es la matriz producto E · A.

4 Verifíquese el resultado recogido en el corolario anterior. según hemos visto. por Sij (λ) a la matriz elemental asociada a la transformación Fi = Fi + λFj y por Eij a la matriz elemental asociada a la transformación Fi ↔ Fj . tenemos el siguiente corolario del teorema anterior: Corolario 1. Concretamente.44 Álgebra Teniendo ahora en cuenta que.26 Toda matriz elemental es invertible. y que la inversa de una transformación elemental es una transformación elemental. .2. según el cuadro que ya establecimos en su momento TRANSFORMACIÓN Fi = Fi + λFj TRANSFORMACIÓN INVERSA Fi = Fi − λFj 1 Fi = Fi λ Fi ↔ Fj Fi = λFi (λ = 0) Fi ↔ Fj resulta que.2. multiplicando las matrices P2 (−5) =   1 0 4 S13 (4) =  0 1 0  0 0 1 y 1 0 0 −5 E24 1  0 =  0 0  0 0 0 1 0 0 1 0  0 1   0  0 por sus correspondientes inversas y observando que en cada caso el resultado es la matriz identidad del orden correspondiente. cualquier transformación elemental es reversible. (Sij (λ))−1 = Sij (−λ) 1 (Pi (λ))−1 = Pi ( ) λ −1 (Eij ) = Eji Ejercicio 1. si denotamos por Pi (λ) a la matriz elemental asociada a la transformación Fi = λFi (λ = 0). y su inversa también es una matriz elemental.

entonces el sistema A · X = b es compatible determinado para toda matriz columna si y solo si A es invertible.27 Si A ∈ Mn (K) las siguientes proposiciones son equivalentes: 1. −t − b2 + b1 . A es equivalente por las a la matriz In y existen m matrices elementales E1 . Ejemplo 1. A es equivalente por las a la matriz In . podemos todavía determinar condiciones sobre la matriz b tales que el sistema A·X = b sea consistente. · · · . La ecuación A · X = (0) sólo tiene la solución trivial 3. Por ejemplo. su forma escalonada reducida es la matriz identidad In 4. E2 . que tiene innitas sistema es equivalente al sistema x2 = −x3 − b2 + b1 soluciones de la forma {(−t + b2 .2. Se sigue que. A es invertible 2. F2 = −F2 0 0 0 b3 − b2 − b1 → Si b3 − b2 − b1 = 0 el sistema no es compatible y si b3 − b2 − b1 = 0 el x1 = −x3 + b2 . aplicando el método de Gauss-Jordan a la matriz ampliada del sistema se obtiene que  x1 + x2 + 2x3 = b1 x1 + x3 = b2  2x1 + x2 + 3x3 = b3     1 1 2 b1 F2 = F2 − F1 1 1 2 b1  1 0 1 b2  F3 = F3 − F1  0 −1 −1 b2 − b1  2 1 3 b3 → 2 1 3 b3 − 2b1  F1 = F1 + F2  1 0 1 b2 F3 = F3 − F2  0 1 1 −b2 + b1  . . por el teorema 1..22.Álgebra 45 Teorema 1.2. es decir. El sistema A · X = b es compatible determinado para toda matriz columna b ∈ Mn×1 (K) y su única solución es X = A−1 · B.2. Si A no es invertible o si A no es una matriz cuadrada. t) : t ∈ R} . · E1 · A = In .28 Si A ∈ Mn (K) y b ∈ Mn×1 (K). Pues si A es invertible. Método para determinar la matriz inversa El teorema anterior permite establecer un método para determinar la inversa de una matriz invertible.. Em tales que Em · Em−1 · .

.. siendo t1 . .. recogiendo las dos igualdades anteriores. es decir.. el esquema A In → t1 . la sucesión de transformaciones elementales que transforma la matriz A en la matriz In ..29 Para calcular la inversa de la matriz  2 1 0  pro2 1 1 cederíamos del siguiente modo −1 −1 0 2 1 0 2 1 1 −1 −1 0 0 −1 0 0 −1 1 1 0 0 0 1 0 0 0 1 1 0 0 2 1 0 2 0 1 → F2 = F2 + 2F1 → F3 = F3 + 2F1 = F1 − F2 = F3 − F2 → = (−1)F1 = (−1)F2  F1 F → 3 F1 F2 1 0 0 0 1 0 0 0 1  −1 −1 1 obteniendo. por tanto que  2 2 1 1 1 0 −2 −1 0 0 −1 1 −1   0 1 1 0 0  =  −2 −1 0  ..2.46 Álgebra Em · Em−1 · · · · · E1 = A−1 . 1 0 −1 1 . · E1 · A = Em · Em−1 · .. . tm → In A−1 nos da un método para la obtención de la inversa de una matriz invertible A por transformaciones elementales . · E1 · In En otras palabras. también transforma la matriz In en la matriz A−1 . con lo que.. tm las transformaciones elementales por las que permiten obtener In a partir de A...  −1 −1 0 Ejemplo 1. A In −1 = Em · Em−1 · .

el sistema homogéneo el teorema 1.  2x + y + z = 0 1.. Bajo la envoltura abstracta de la mayoría de las teorías axiomáticas del álgebra (grupos. entendiendo por abstracción el proceso de separar la forma del contenido. cuerpos. como por ejemplo las matrices. anillos.1 El concepto de operación Hablando de manera aproximada. la estructura de espacio vectorial.Álgebra 47 Observación 13 Nótese  teniendo  cuenta el resultado obtenido en que.3. como paso previo al estudio de la principal estructura sobre la que trabajaremos este curso. multiplicar y elevar a potencias números enteros. espacios vectoriales. al ser  2 2 1 1   −x − y = 0 2x + y = 0 sólo tiene la solución trivial. en particular las de grupo.3 Estructuras algebraicas El álgebra moderna está caracterizada por el estudio de ciertas estructuras abstractas que tienen en común una gran variedad de objetos matemáticos. En este apartado estudiaremos algunas de estas estructuras.. se puede decir que el origen del álgebra se encuentra en el arte de sumar. dichas propiedades son satisfechas por todos los objetos que comparten dicha estructura. 1. Este tipo de álgebras serán objeto de estudio con mayor nivel de profundidad en la asignatura de segundo curso Estructuras de datos y de la información.27. anillo y cuerpo. . y echaremos una breve mirada hacia las algebras multigénero o tipos abstractos de datos.2. La sustitución de números por letras y de las operaciones aritméticas por el concepto más general de operación permite operar con reglas análogas a las vistas para los números enteros en el contexto de objetos matemáticos más generales. y algunas generalizaciones de gran aplicación. Entre estas aplicaciones se encuentran dos de los pilares básicos de la ingeniería de software: las técnicas .) se ocultan problemas concretos cuya resolución dió lugar a dichas deniciones abstractas. módulos. una vez establecidas las propiedades que satisfacen. Lo importante del estudio de estas estructuras es que. en −1 −1 0 1 0  invertible.

∗. Por consiguiente. Nótese. Denición 1.1 Siendo A un conjunto no vacío. en lugar de escribir. ⊕.3. para poder realizar el producto A · B. para poder realizar los dos productos A · B y B · A. ⊗. n = q. 2. b)) escribiremos a+(a+b). donde A ∈ Mm×n (K) y B ∈ Mq×p (K). (x. ±. pues. Álgebra Denición 1. b) ·(a.. y) La imagen ∗(a. por ejemplo. b) a+b a·b a∗b Así. . ·. es decir: notacion funcional notacion infija +(a. +(a. y para poder realizar el producto B · A. sólo tendrá sentido hablar del producto de matrices como operación cuando consideramos matrices en Mn×n (K). z ∈ A x ∗ (y ∗ z) = (x ∗ y) ∗ z . Es importante insistir de nuevo en que para poder realizar el producto de matrices A · B. Observación 14 Para denotar operaciones normalmente se emplean símbo- los no alfabéticos del estilo de +. llamaremos operación o ley de composición interna sobre A a cualquier función ∗ : A × A −→ A . ÷.. p = m.48 de especicación formal y de vericación de programas. es decir. ∗(x. que lo que es fundamental en la denición anterior es que a cada par de objetos de A se le asigna un unico elemento de A : dicho elemento es ´ el resultado que se obtiene al operar dichos objetos. y se utiliza con ellos notación inja. esto es. y. Si queremos además que el producto sea una operación en el sentido de la denición anterior.etc.. y) . el número de columnas de A debe coincidir con el de las de B y recíprocamente. +(a. b) ∗(a.2 Siendo ∗ : A × A → A una operación. A ∈ Mm×n (K) y B ∈ Mn×m (K). b) representa el resultado de operar a con b” en ese orden.3. diremos que: • ∗ es asociativa si ∀x. el número de columnas de A debe coincidir con el número de las de B.

y ∩ : P (X) × P (X) −→ (A. e es idempotente. entonces e = e (es decir. a ∈ A son tales que a y a son simétricos de a entonces a = a . y ∈ A x∗y =y∗x • e ∈ A es un elemento neutro de la operación ∗ si ∀x ∈ A x ∗ e = x ∧ e ∗ x = x • a ∈ A es un elemento idempotente de la operación ∗ si a ∗ a = a Es evidente que si e. . éste es único). Denición 1. pues: e ∗ e = e. Ejemplo 1. de donde e = e .3. si una operación tiene elemento neutro. B) . si a.5 Si X es un conjunto. Demostración Si a y a son elementos simétricos de a.Álgebra 49 • ∗ es conmutativa si ∀x. entonces se verica que a = e ∗ a = (a ∗ a) ∗ a = a ∗ (a ∗ a ) = a ∗ e = a 2 de X. por ser e elemento neutro y e ∗ e = e por ser e un elemento neutro. el conjunto cuyos elementos son las operaciones ∪ : P (X) × P (X) −→ (A.3. es decir. B) . a .4 Siendo ∗ : A × A → A una operación asociativa y con elemento neutro e. y P (X) es el conjunto de las partes P (X) A∪B P (X) A∩B todos los subconjuntos de X. e ∈ A son elementos neutros de A para la operación ∗. Por otra parte también es evidente que si e es el elemento neutro de una operación ∗.3. puesto que e ∗ e = e por ser e elemento neutro de ∗.3 Si ∗ : A × A → A es una operación con elemento neutro e. diremos que a es un elemento simétrico de a si a∗a =e ∧ a ∗a=e Proposición 1.

y que el grupo es abeliano. (Z. entonces se dice que (G. Obsérvese que para ninguna de estas dos operaciones existe el elemento simétrico de un elemento dado.8 Otro ejemplo de interés especial para nosotros es el grupo (Z2 .50 Álgebra satisfacen las propiedades asociativa y conmutativa. 1} y la operación + se dene mediante la tabla: + 0 1 0 1 0 1 1 0 es decir. ∗ es asociativa 2. ∃e ∈ G que es elemento neutro para ∗ 3. y X es el elemento neutro de la operación ∩ .3. (R− {0}. uno de estos conjuntos. (C. +). Si además ∗ satisface la propiedad conmutativa. o también que el par (G. 0 + 1 = 1. ·) y (Q. si se verica que: 1. ∗) es un grupo. Todo elemento a ∈ G tiene simétrico respecto de la operación ∗. donde Z2 = {0. El conjunto vacìo ∅ es el elemento neutro de la operación ∪ . 1. los siguientes pares son grupos abelianos:(R. De G se dice que es el conjunto subyacente del grupo (G. Diremos que G tiene estructura de grupo respecto de ∗. . ∗). Z es el conjunto de los números enteros y Q es el conjunto de los números racionales. ∗) es un grupo abeliano.6 Sea G = ∅ y ∗ : G × G −→ G una operación. (Q − {0}.2 Grupos Denición 1.3. ·).3. +) donde R+ = {x ∈ R |x > 0 }.9 El conjunto de matrices invertibles de orden n con coe- cientes en K tiene estructura de grupo (no abeliano en general) respecto del producto usual de matrices. ·). 1 + 1 = 0.7 Si consideramos la suma y producto habituales sobre cada Ejemplo 1.3. ·). Es obvio que el elemento neutro es el 0. y que el opuesto de 1 es el propio 1. (R+ . +). +). Ejemplo 1. pues 1 + 0 = 1 = 0 + 1. Ejemplo 1. A dicho grupo se le denomina grupo lineal de orden n con coecientes en K.3. 0 + 0 = 0. +). 1 + 0 = 1. (C − {0}.

+). ∀a ∈ G a donde a es el elemento simétrico de a =a 6. Propiedades de los grupos. y ∈ G. Siendo a. ∀a.(Q. x∗(a∗a ) = y∗(a∗a ) . o lo que es lo mismo.La otra propiedad se demuestra análogamente. Las ecuaciones de la forma x ∗ a = b y a ∗ x = b tienen solución única. necesariamente (x∗a)∗a = (y∗a)∗a .x ∗ a = b 3. x. b ∈ G a ∗ b = e ⇒ b = a 5. ·). o lo que es lo mismo. (Z − {0}. b ∈ G ∃!x ∈ G. es decir: ∀a. .. si x∗a = y∗a.Álgebra 51 Ejemplo 1. a ∗ x = b ⇔ a ∗ (a ∗ x) = a ∗ b. y esto es equivalente a que e ∗ x = a ∗ b. (a ∗ a) ∗ x = a ∗ b .(C. es decir. ·). ∗) es el elemento neutro e : ∀a ∈ G(a ∗ a = a ⇔ a = e) 4.. El único elemento idempotente de (G. Si (G. ∗) es un grupo se verica que: 1. x. Concretamente: ∀a. Se puede simplicar a derecha e izquierda.10 Los conjuntos (R. a que x = a ∗ b. y ∈ G (a ∗ x = a ∗ y) ⇒ x = y 2. b.es decir. y (Mn (K) − {0}. b ∈ G ∃!x ∈ G.3. ·). ·) no son grupos. ∀a. Siendo a. x ∈ G. b ∈ G (a ∗ b) = b ∗ a Demostración 1. La otra propiedad se demuestra análogamente. x∗e = y∗e. 2.(N. y ∈ G (x ∗ a = y ∗ a) ⇒ x = y ∀a. ·).a ∗ x = b ∀a. x. con lo que concluimos que x = y.

a = e. ·) es un anillo si se verica que: . es decir. entonces a ∗ a = e ∗ e = e.3 Anillos y cuerpos Denición 1. para el caso en que las operaciones + y · sean las operaciones de un grupo. pues si a = e. 6.3. siendo x e y dos elementos genéricos: (x + x = x) ⇔ x = 0 (x · y = 1) ⇔ y = x−1 −1 (x−1 ) = x −1 (x · y) = y −1 · x−1 es decir. En ese caso a ∗ (a ∗ a) = a ∗ a. teniendo en cuenta la propiedad 4 que acabamos de ver. de a ∗ a = e ∧ a ∗ a = e se sigue que a = a. 2 Observación 15 Nótese que. es decir. como caso particular de los resultados ante- riores. (a ∗ a) ∗ b = a con lo que e ∗ b = a . Sea a ∈ G tal que a ∗ a = a. 1. b=a. (a ∗ a) ∗ a = e con lo que e ∗ a = e. por lo que. 5.52 Álgebra 3. b ∈ G tales que a ∗ b = e. se tendrá que. Esta equivalencia la probaremos demostrando que la dos implicaciones son V. 4.3. ((a ∗ a = a ⇒ a = e) ∧ (a = e ⇒ a ∗ a = a)) . o lo que es lo mismo. ((∗ = +) ⇒ e = 0 ∧ x = (−x)) ((∗ = ·) ⇒ e = 1 ∧ x = (x−1 )). es decir. +. Siendo a ∈ G. probando que para cualquier elemento a ∈ G. (a ∗ b) ∗ (b ∗ a ) = ((a ∗ b) ∗ b ) ∗ a = (a ∗ (b ∗ b )) ∗ a = a ∗ a = e. o también que la 3-tupla (A. b ∈ G. La implicación recíproca es evidente. necesariamente a ∗ (a ∗ b) = a ∗ e. es decir. Siendo a. b ∗ a = (a ∗ b) .11 Se dice que un conjunto A = ∅ tiene estructura de anillo respecto de las operaciones + y ·. Siendo a.

(Mn (K). es decir. +..12 (Z. y. Ejemplo 1. son la suma y producto habituales de los números enteros. si “ · ” tiene elemento neutro 1 ∈ A. si por ejemplo consideramos los polinomios p. . . Denición 1. +. q ∈ C[x] . ·) es un anillo conmutativo y unitario.13 Si denotamos por C[x] al conjunto de polinomios con coe- (p + q)(x) = p(x) + q(x) = 2x2 + x − 5 + (3x − 4) = 2x2 + 4x − 9 y (p · q)(x) = p(x) · q(x) = 2x2 + x − 5 · (3x − 4) = 6x3 − 5x2 − 19x + 20. se dice que el anillo (A. siendo + y · la suma y producto de matrices habituales. Ejemplo 1. “ · ” satisface la propiedad asociativa 3.3. se dice que el anillo (A.. es un anillo conmutativo. tendremos que Ejemplo 1.Álgebra 53 1. “ · ” es distributiva respecto de “ + ”. (A..3. donde + y · cientes en C. ·) un anillo. se dice que a ∈ A − {0} es un divisor de cero si ∃b ∈ A − {0} tal que a · b = 0 ∨ b · a = 0. Finalmente. es decir: ∀x. +) es un grupo abeliano 2. ·). +.3. ·) es un anillo conmutativo y unitario.14 Según hemos visto. al conjunto formado por todas las funciones p : C → C tales que ∃n ∈ N∪{0} y ∃(a0 .3.. +. an ) ∈ Cn+1 de manera que ∀x ∈ C se verica que p(x) = an xn + . Con vistas a recordar las operaciones. resulta que (C[x]. +. + a1 x + a0 con la suma + y el producto · de polinomios habituales. z ∈ A ((x · (y + z) = x · y + x · z) ∧ ((y + z) · x = y · x + z · x)) Si además “ · ” satisface la propiedad conmutativa. ·) es un anillo no conmutativo y con elemento unidad In .. +.tales que ∀x ∈ C p(x) = 2x2 + x − 5 y q(x) = 3x − 4.15 Siendo (A. y 1 = 0. ·) es un anillo unitario.

En tal caso. el único elemento idempotente es el 0.16 Es fácil comprobar que (Mn (K). entonces a·b es inversible y (a · b)−1 = b−1 ·a−1 4. Si a ∈ A es un divisor de cero. +. aplicada a la operaciòn de suma. .b ∈ A son inversibles. Demostramos la primera de las dos propiedades: siendo a. Demostramos la primera de las dos propiedades: dado a ∈ A. concluímos que a · 0 = 0 2. +. b ∈ A (a · (−b) = −(a · b) ∧ (−a) · b = −(a · b)) Si además (A. Si a.17 Siendo (A. se dice que a ∈ A es invertible (o inversible) si existe un elemento b ∈ A tal que (a · b = 1 ∧ b · a = 1). Así por ejemplo 1 1 1 1 · 1 1 −1 −1 = 0 0 0 0 Denición 1. +) un grupo. Si a ∈ A es inversible.3. ·) es un anillo se verica que: 1. y por tanto escribiremos b = a−1 .3. ·) es unitario. a · 0 = a · (0 + 0) = a · 0 + a · 0. +. +.54 Álgebra Ejemplo 1. 0 = a · 0 = a · (b + (−b)) = a · b + a · (−b) y en consecuencia a·(−b) = −(a · b) por la propiedad 4 de los grupos. ∀a. entonces (−a) es inversible y (−a)−1 = −(a−1 ) 5. ·) un anillo unitario. entonces a no es inversible. Demostración 1. ·) tiene divisores de cero. ∀a ∈ A (a · 0 = 0 ∧ 0 · a = 0) 2. Propiedades de los anillos Si (A. también se verica que: 3. b ∈ A. es obvio que b es el elemento inverso de a. y puesto que al ser (A.

pero también a−1 · (a · b) = (a−1 · a) · b = b. entonces necesariamente b = c. +. 55 (a · b) · (b−1 · a−1 ) = ((a · b) · b−1 ) · a−1 = = a · (b · b−1 ) · a−1 = a · a−1 = 1 y (b−1 · a−1 ) · (a · b) = ((b−1 · a−1 ) · a) · b = = b−1 · (a−1 · a) · b = b−1 · b = 1 4. Razonamos por reducción al absurdo: si a ∈ A es un divisor de cero. Así pues. y a.3. es decir. (−a) · (−(a−1 )) = −((−a) · (a−1 )) = −(−(a · a−1 )) = −(−1) = 1 −(a−1 ) · (−a) = −((−(a−1 )) · a) = −(−(a−1 · a)) = −(−1) = 1 5.1 Probar que si (A. (Indicación: desarróllese la igualdad b = 1 · b = . Pero puesto que a tiene inverso. c ∈ A son tales que a · b = 1 y c · a = 1. b = 0 (contradicción). ·) es un anillo unitario. entonces (−A) ∈ Mn (K) es invertible y (−A)−1 = −(A−1 ). entonces A·B es invertible y (A · B)−1 = B −1 · A−1 .18 Si (A. Por la propiedad 2. todas las propiedades vistas para los elementos invertibles de un anillo genérico. entonces por una parte a−1 · (a · b) = a−1 · 0 = 0.3. ·) es un anillo sin divisores de cero se verica que ∀a. c ∈ A ((a · b = a · c ∧ a = 0) ⇒ (b = c)) y ∀a. 2 Observación 16 Las matrices invertibles son los elementos invertibles del anillo Mn (K). ·).) Proposición 1. si a · b = 0.. si A..Álgebra 3. y si A ∈ Mn (K) es invertible. Si b · a = 0 se razona análogamente. En particular. son válidas para el anillo considerado (Mn (K). c ∈ A ((b · a = c · a ∧ a = 0) ⇒ (b = c)) . +. existirá un elemento b = 0 tal que a · b = 0 o tal que b · a = 0. b. Ejercicio 1. b. b. +. B ∈ Mn (K) son invertibles.

y a. c ∈ A son tales que a · b = a · c con a = 0. ·) no tiene divisores de cero. tiene inverso por lo que. necesariamente (b + (−c)) = 0.3. + 0 1 · 0 1 0 0 1 0 0 0 1 1 0 1 0 1 Es decir. necesariamente a = 0 ∨ b = 0 (un cuerpo no tiene divisores de lo cero). 1 + 0 = 1. ·) es un anillo conmutativo y unitario y además todos los elementos de K − {0} son inversibles. b ∈ K son tales que a · b = 0. y 0 · 1 = 1 · 0 = 0. b.3. y las operaciones + y · se denen mediante las siguientes tablas. +. o lo que es lo mismo. y puesto que a = 0. (C. ·) es un cuerpo. y por otra a−1 · (a · b) = (a−1 · a) · b = 1 · b = b. puesto que a ∈ K − {0}. tendremos que a · b + (−(a · c)) = 0. 0 + 0 = 0. +. ·) y (Q. Proposición 1.56 Álgebra Demostración Si a. ·). donde Z2 = {0. +.21 Otro ejemplo de interés especial para nosotros es el cuerpo (Z2 . a Observación 17 Como consecuencia de la proposición anterior. ·) es un cuerpo. por la propiedad distributiva.20 (R. +. 0 + 1 = 1. +. +. ·) es un ejemplo de anillo sin divisores de cero que no es cuerpo. siendo en cada caso las operaciones + y · la suma y el producto habituales considerados sobre cada uno de esos conjuntos. si (K. entonces. Ejemplo 1. con lo que.3. +. +. 1}.22 Si (K. ·) son cuerpos. es decir. b = c.19 Se dice que una terna (K. o también que K tiene estructura de cuerpo respecto de las operaciones + y · si (K. a · (b + (−c)) = 0. a · b + (a · (−c)) = 0.3. por una parte a−1 · (a · b) = a−1 · 0 = 0. ·) es un cuerpo. 2 Denición 1. entonces (K. (Z. +. 1 · 1 = 1. 1 + 1 = 0. ·). El recíproco obviamente no es cierto. Ejemplo 1. +. con lo que b = 0 2 Demostración Si a · b = 0 y a = 0. .

resulta que la operación almacenar un elemento en una pila está denida del siguiente modo push : P ila × Dato → P ilas en el sentido de que el par formado por una pila y un dato (P. la operación extraer el último elemento almacenado de una pila (operación que habitualmente se denota por pop) es la función pop : P ila → P ila tal que pop(P ) es la pila obtenida a partir de P eliminando el último dato almacenado en P. por ejemplo. Pero estas operaciones no están necesariamente denidas sobre objetos de la misma naturaleza.Álgebra 57 1. colocados en una secuencia o en una tabla. resulta más cómodo e interesante trabajar con una representación abstracta de los datos que sea independiente de la forma en la que están. o van a ser. equivalente al de ley de composición interna. para diseñar un algoritmo o un sistema de software. De forma análoga.3. pues. El concepto de estructura de datos se usa comúnmente para referirse a un conjunto de datos organizados de un cierto modo. caracterizado por el hecho de que el primer dato que se puede extraer es el último que se ha almacenado. d) nos da como resultado de aplicarle la operación push una nueva pila obtenida añadiendo el dato d a la pila p. Junto con el conjunto de datos hay que considerar denidas una serie de operaciones necesarias para obtener la información y actualizarla. pues en principio nos podemos referir a operaciones entre objetos de distinta naturaleza. entendiendo por pila un dispositivo que almacena datos. por ejemplo. Así pues. de manera que dos . entendidas como funciones de un producto cartesiano de conjuntos a otro conjunto. como por ejemplo. En esta sección el concepto de operación no será. En ciertas ocasiones. Una forma de representar las propiedades abstractas de un conjunto de datos consiste en utilizar ecuaciones a modo de axiomas. implementados en el ordenador. las operaciones a las que nos referimos en este apartado serán operaciones generalizadas.4 Introducción a los Tipos Abstractos de Datos Las estructuras de datos y los tipos de datos son conceptos fundamentales en el mundo de la programación y de la especicación de sistemas de software.

una pila. Ec) en la que Tip es el conjunto de tipos de datos del TAD. la extracción del último dato almacenado (pop) y la visualización del elemento situado en la parte superior de la pila (top). de manera que en cada paso únicamente es posible acceder al último dato almacenado (top) (este modo de acceso a los datos que caracteriza al dispositivo de almacenamiento pila es conocido como lifo. y la constante error del tipo ERROR. Por consiguiente.3. por ejemplo. Cons. A los tipos abstractos de datos también se les conoce en la literatura como álgebras multigénero o álgebras multitipo. Op. Op es el conjunto de operaciones (generalizadas) y Ec el conjunto de las ecuaciones. Este tipo de dispositivo aparece en muchas ocasiones. Observación 18 La mayoría de los lenguajes de programación tratan las variables y las constantes de un programa como instancias de un tipo de dato. el . Cons es el conjunto de constantes o datos básicos del TAD.23 Un tipo abstracto de datos (TAD) es una cuádrupla (T ip. en el ámbito de la infor- mática o las ciencias de la computación es un dispositivo en el que los datos son almacenados en secuencia. abreviatura de last in-rst out). que coloca un nuevo dato encima de la pila. La constante newstack representa la pila vacía y que es del tipo PILA. con la misma estructura) si ambos satisfacen las mismas ecuaciones.58 Álgebra tipos de datos diferentes son considerados como iguales (o si se preere. en la evaluación de expresiones e incluso en la ejecución de procedimientos recursivos. en el almacenamiento de información en variables que aparecen en programas con bucles anidados. La búsqueda de una representación abstracta común para tipos de datos similares nos lleva a la denición del concepto de tipo abstracto de datos : Denición 1. ambos tipos de datos se diferenciarían únicamente en el nombre de los datos básicos y de las operaciones. nos permitirá representar la situación (mensaje de error) que se produce cuando miramos cual es el elemento situado en la parte superior de la pila vacía.24 Como ya hemos dicho. Ejemplo 1. Desde ese punto de vista abstracto. Las operaciones consideradas sobre una pila son la de almacenamiento (push).3.

Operaciones :   top : P ILA → DAT O ∪ ERROR  ∀p ∈ P ILA. Ecuaciones: x ∗ (y ∗ z) = (x ∗ y) ∗ z M ON OIDE = SEM IGRU P O Constantes: Ecuaciones: + e ∈ ELEM   ∀x ∈ ELEM x∗e=x  e∗x=x . a1 ). Constantes : newstack ∈ P ILA   push : P ILA × DAT O → P ILA pop : P ILA → P ILA 3. Ecuaciones:   top(push(p. sus especicaciones como tipos abstractos de datos serían las siguientes: Ejemplo 1. Constantes: 3. a)) = a    top(newstack) = error Así por ejemplo. ∀a ∈ DAT O    pop(push(p. ERROR error ∈ ERROR. y que un monoide es un semigrupo con elemento neutro. a)) = p  pop(newstack) = newstack 4. 2. DAT O. la pila a3 a3 a1 se representaría en este modelo por: push(push(push(newstack. Operaciones: ∗ : ELEM × ELEM → ELEM ∀x. Tipos: ELEM 2. tado de una ley de composición interna asociativa. a3 ). y. Tipos : P ILA.3. z ∈ ELEM 4.Álgebra 59 modelo PILA queda especicado como tipo abstracto de datos del siguiente modo: P ILA = 1.25 Teniendo en cuenta que un semigrupo es un conjunto do- SEM IGRU P O = 1. a3 ).

2 En el ámbito de las ciencias de la computación una cadena o string es una secuencia de items (datos) de algún conjunto (o dominio) de datos.. ak }.. un elemento a la izquierda o a la derecha de una cadena dada. En términos matemáticos una cadena es una palabra a1 .(Nota: Son sucientes 5 ecuaciones). y las operaciones iañade (iadd) y dañade (dadd) que añaden. . la operación concat... Como operaciones sobre las cadenas consideramos las siguientes: construye.. Representar por su matriz ampliada y resolver por el método de GaussJordan cada uno de los siguientes sistemas de ecuaciones lineales :   2x1 + x2 + 3x3 = 9 5x1 + 4x2 + 6x3 = 24  x1 + 3x2 − 2x3 = 4 .4 Ejercicios 1.an de longitud n ≥ 0 formada con letras de un alfabeto dado.4. que a partir de un elemento de A construye una lista de longitud 1. b1 ... . respectivamente. an pertenecen al mismo conjunto o alfabeto A.1 Ejercicios resueltos 1..3...an b1 ..60 Álgebra Ejercicio 1. 1. El ejercicio consiste en construir un modelo de tipo abstracto de datos al que denominaremos cadena o string. teniendo en cuenta que hay que considerar los datos y las cadenas de datos de un conjunto A = {a1 .an . denida sobre pares de palabras por concat(a1 .. 3x1 + x2 + x3 − 5x4 = 4 5x1 + 2x2 + 4x3 − 2x4 = 6     x1 − x2 + x3 − x4 = 0 2x1 + 3x2 + 4x3 + 5x4 = 0  x1 − x2 + 2x3 − 2x4 = 0   5x1 + 5x2 + 9x3 + 9x4 = 0 ..bm ) = a1 ... Para n = 0 se trata de la cadena vacía (a la que en su momento denotamos por λ) y para n ≥ 1 los elementos a1 . que hay que considerar la palabra vacía como una constante. que las cadenas son elementos del conjunto A∗ (conjunto de todas las cadenas o palabras denidas sobre el alfabeto A o lenguaje universal sobre A).bm ..

Álgebra 2. a. 3. Calcular las inversas de la siguientes matrices: A= 3 1 5 2 B= 2 −3 4 4 C= 2 0 0 3 . Considere el sistema de ecuaciones   x + y + 2z = a x+z =b  2x + y + 3z = c 61 Demuestre que para que este sistema sea compatible. Resuelva cada uno de los sistemas siguientes por eliminación de GaussJordan: a)   2x1 − 3x2 = −2 2x1 + x2 = 1  3x1 + 2x2 = 1   3x1 + 2x2 − x3 = −15   5x1 + 3x2 + 2x3 = 0  3x1 + x2 + 3x3 = 11   11x1 + 7x2 = −30 b) c)   4x1 − 8x2 = 12 3x1 − 6x2 = 9  −2x1 + 4x2 = −6 4. ¾Para qué valores de a el sistema que sigue no tiene soluciones? ¾Tiene exactamente una solución? ¾ Tiene innidad de soluciones?  x + 2y − 3z = 4  3x − y + 5z = 2  4x + y + (a2 − 14)z = a + 2 5. b y c deben satisfacer c = a+b.

a)Intercambie la primera y tercera las. 11. verique la respuesta llevando a cabo la operación sobre las las directamente sobre A. Demuestre también que toda matriz de esta forma es una solución. Una caja que contiene monedas con las denominaciones de un centavo. ¾ Cuántas monedas de cada tipo hay en la caja ? . Sea AX = B un cualquier sistema consistente de ecuaciones lineales y supóngase que X1 es una solución ja. Encontrar  3 a) A =  1 2  1 c) C =  0 1 la inversa de la matriz dada. 4 −7 8. c)Sume el doble de la segunda la a la primera. cinco centavos y diez centavos tiene 13 de ellas con un valor total de 83 centavos. Sea A una matriz invertible y suponga que la inversa de 7A es −1 2 . Verique que las matrices A y B del ejercicio 5) satisfacen la relación (AB)−1 = B −1 A−1 . Demuestre que toda solución para el sistema se puede escribir en la forma X = X1 + X0 .62 Álgebra 6. en donde X0 es una solución para AX = 0. 7. Efectúe las operaciones sobre las  3  −2 A= 3 las que siguen sobre  1 0 1 4  5 5 multiplicando por una matriz elemental apropiada. b)Multiplique la segunda la por 1/3. Encuentre la matriz A. 9. En cada caso. si la   4 −1 3 1 0 3  b) B =  2 4 5 −4 −4 2  0 1 1 1  1 0 matriz es invertible:  5 1  −9 10.

∀B ∈ Mn×p (K).. n T r(A) = a11 + . Demostrar que la trasposición de matrices satisface las siguientes propiedades. o cuáles valores. Demostrar que una condición necesaria y suciente para que el producto de dos matrices . b) ∀A. C ∈ Mn (K): a) T r(A + B) = T r(A) + T r(B). c) Siendo C = At A. c)∀A ∈ Mm×n (K). Demostrar que ∀A. Demostrar que si A ∈ Mn (K) es invertible. Se dice que una matriz A ∈ Mn (K) es simétrica si t A = A. entonces t (A) ∈ Mn (K) −1 es invertible y t (A−1 ) = (t A) .. de a el sistema siguiente tiene cero. 15. n n T r(At A) = i=1 k=1 a2 . una y una innidad de soluciones?   x1 + x2 + x3 = 4 x3 = 2  2 (a − 4)x3 = a − 2 13. Si A = (aij ) ∈ Mn (K).Álgebra 63 12. + ann = i=1 aii . se denomina traza de A a la suma de los elementos de la diagonal principal de A. ik 16. B ∈ Mm×n (K) t (A + B) =t A +t B. a) ∀A ∈ Mm×n (K) t (t A) = A. b) T r(AB) = T r(BA).B) = T r(A) · T r(B). ¾Para cuál valor. Poner un contraejemplo que ponga de maniesto que T r(A. 14. es decir. B. t (A · B) =t B ·t A.

teniendo en cuenta que hay que considerar los datos y las cadenas de datos de un conjunto A = {a1 . ak }.. Sabiendo que compró animales de las 3 clases.. y las operaciones iañade (iadd) y dañade (dadd) que añaden. entonces B = In − A es idempotente. b1 ..an de longitud n ≥ 0. 19. 20. respectívamente. an pertenecen al mismo conjunto o alfabeto A.. que hay que considerar la palabra vacía como una constante.. En términos matemáticos una cadena es una palabra a1 .an . 1. B ∈ Mn (K) dé como resultado una matriz simétrica es que AB = BA. y los terneros a 5000pts. denida sobre pares de palabras por concat(a1 . Los pollos los compró a 50 pts. 18... En una feria de ganado un granjero compró pollos.000 pts... Para n = 0 se trata de la cadena vacía (a la que en su momento denotamos por λ) y para n ≥ 1 los elementos a1 .(Nota: Son sucientes 5 ecuaciones). 17. El ejercicio consiste en construir un modelo de tipo abstracto de datos al que denominaremos cadena o  string..4. un elemento a la izquierda o a la derecha de una cadena dada. conejos y terneros... .. Demostrar también que AB = (0) y que BA = (0). que a partir de un elemento de A construye una lista de longitud 1.. . Determinar α ∈ C y β ∈ C para que la matriz A = 2 1 1 2 ∈ M2 (C) satisfaga la ecuación A2 + αA + βI2 = (0). la operación concat. los conejos a 1000 pts.bm ) = a1 .bm . averiguar el número de animales que compró de cada clase.2 Ejercicios propuestos 1. Resolver los siguientes sistemas por el método de eliminación gaussiana: . Compró 100 animales y gastó 100.64 Álgebra simétricas A. Demostrar que si A ∈ Mn (K) es idempotente. Se dice que una matriz A ∈ Mn (K) es idempotente si A2 = A. En el ámbito de las ciencias de la computación una cadena o  string es una secuencia de items (datos) de algún conjunto (o dominio) de datos dado. y que como operaciones sobre las cadenas consideramos las siguientes: construye.an b1 ... que las cadenas son elementos del conjunto A∗ (conjunto de todas las cadenas o palabras denidas sobre el alfabeto A o lenguaje universal sobre A)..

Resolver los siguientes sistemas de ecuaciones lineales por el método de Gauss-Jordan:    3x1 + 4x2 + x3 + 2x4 = 2  7x2 + x3 = 1 2x1 + 2x2 − 6x3 + 2x4 = −4 . d) −2x + y + 2z = 1   −x + y − 2z = 7 −x + y − 2z = −2 2. en función del parámetro t:   x = −1 − t y = 2 + 5t  z =4−t . b)  4x − y + z − u − v = 5   x − 4y + 6z + 2u − v = 10  2x + 3y − z − 4u = 9    4x − 3y + 2z = −2  4x − 3y + 2z = 3 c) −2x + y + 2z = 3 . Vericar que existe un sistema de dos ecuaciones en las variables x. Resolver el siguiente sistema de ecuaciones (no lineales):  2  2x − 6y 3 + 3ez = 17 4y 3 − ez = −5  −3x2 − 2y 3 = −10 4. 3x1 + 4x2 + 1x3 = 7   4x1 + 5x2 − x3 + 3x4 = −3 −9x1 − 5x2 − 2x3 = 2 3.Álgebra 65    4x − 3y + 2z + u = 3   2x − 5y + 4z + u − v = 3  x − 2y + z + 2u = −2 a) x − 2y + z − u + v = 5 . z . Discutir las distintas soluciones del siguiente sistema según los distintos valores del parámetro k :   x + y + 2z = 2 −3x + 2y + 3z = −2  2x + ky − 5z = −4 5. cuyas soluciones sean. y . Discutir las distintas soluciones del siguiente sistema según los distintos valores de los parámetros a y b:   ax + bz = 2 ax + ay + 4z = 4  ax + 2z = b 6.

Demostrar que la matriz  1 −1 3 4 −2 A= 0 −2 6 −8 no es invertible comprobando que existe una solución no trivial del sistema homogéneo A · X = 0. exprésese la matriz A−1 como producto de matrices elementales. • La cantidad recibida por Carla menos el 60 por ciento de la recibida por Benito debe ser igual a 4. ¾Cuanto dinero recibirá cada uno? 8. A= 1 −3 4 −6  • Usando el método de Gauss-Jordan. • Del capital menos 10. Benito y Carla.000 euros. B = −2 4 2  . Sea A la matriz   3 −3 5 4 −3 . 10.66 Álgebra 7. . C =  1 0 −3 1  1 −1 −1 −3 2 −1 0 −3 3 −3  9. Un padre con aciones matemáticas decide hacer su testamento de la manera siguiente: • Todo mi capital será dividido entre mis tres hijos: Antonio. • La cantidad recibida por Carla menos la cantidad que reciba Benito debe ser igual a la cantidad recibida por Benito menos la cantidad recibida por Antonio. de las siguientes matrices y comprobar la respuesta por multiplicación:      −2 0 −6 −1 8 −11 −7 −2 3 1  0 −3 0 −3  A = 6 −8 −5 .000 euros Antonio recibe la mitad. Calcular la inversa. si existe.

Calcúlese el conmutador de la matriz: A= 1 0 −2 −1 12. es decir. El conjunto de tales matrices se llama conmutador de A. (b) Probar que dada una matriz cuadrada cualquiera B . (a) Dar dos ejemplos de matrices simétricas y antisimétricas 3 × 3. la identidad o la propia A). las matrices 1 (B + tB) y 1 (B − tB) son simétrica y antisimétrica. Calcúlense por inducción las potencias m-ésimas de las matrices: A= a 1 . Una matriz cuadrada S se dice simétrica si S = tS y antisimétrica si S = − tS . Dos matrices cuadradas A y B se dicen semejantes (o congruentes ) si existe una matriz invertible P tal que A = P · B · P −1 . dada una matriz A.Álgebra 67 • Exprésese la matriz A como producto de matrices elementales. tales que A · B = B · A (por ejemplo. Sin embargo. Sean A y B semejantes. El producto de matrices cuadradas n × n no es conmutativo. y que su suma es B . 2 De este ejercicio se deduce que toda matriz se descompone de manera única como suma de una matriz simétrica y una antisimétrica. Calcúlese la descomposición de la matriz   2 3 −1 A = 4 5 7  0 2 4 13. respectiva2 2 mente. 0 a B= 0 1 . (c) Probar que si una matriz cuadrada B se escribe como suma B = S +A donde S y A son simétrica y antisimétrica. . existen matrices B que conmutan con ella. 1 0 14. 11. 1 entonces S = 1 (B + tB) y A = 2 (B − tB). respectivamente.

Calcular dos matrices cuadradas X e Y que veriquen: 4X + 3Y = 3 −2 . 1). (b) Probar que A0 = I2 . Considérense las matrices Aα = cos α sin α . −2 3 calcúlense las potencias A3 . calcular y dibujar los vértices de los triángulos que resultan de rotar T 30. 0 3 P = 1 −2 . m ∈ N.68 Álgebra (a) Probar por inducción que para todo n ∈ N se verica Am = P · B m · P −1 . 0) y w = (1. (b) Si dos matrices invertibles A y B son semejantes. (c) Probar que (Aα )−1 = A−α . A10 y Am . − sin α cos α α ∈ R. (d) Concluir que el conjunto G = {Aα |α ∈ R} es un grupo conmutativo con el producto usual de matrices. 15. (a) Probar que Aα · Aβ = Aα+β (Ayuda: Úsense las fórmulas del seno y el coseno de la suma de dos angulos: cos(α + β) = cos α · cos β − sin α · sin β y sin(α + β) = sin α · cos β + cos α · sin β ). 45. y siendo B= 2 0 . el producto Aα · v es el vector que resulta de rotar v α grados con respecto al origen en el sentido de las agujas del reloj. −3 2 . ya que dado un vector v ∈ R2 (cuyas coordenadas escribimos en una matriz columna). (e) G se llama usualmente el grupo de rotaciones del plano. ¾es A−1 semejante con B −1 ? ¾Es tA semejante con tB ? (c) Con la notación anterior. 3X + 2Y = 4 0 1 5 . EJERCICIOS COMPLEMENTARIOS. 60 y 90 grados. Considérese el triángulo T formado por el origen y los vectores v = (1. 16.

Probar por inducción que si dos matrices A y B conmutan (es decir A · B = B · A) entonces se verica la fórmula de Newton: m (A + B) = i=0 m m i Ai · B m−i . 2. Llamaremos a a y b. En este ejercicio consideraremos matrices cuadradas 3 × 3. (c) Probar que el elemento opuesto de un elemento en K pertenece a K. 18. Una matriz de permutación 3 × 3 viene determinada por una permutación σ del conjunto de indices {1. la parte racional y la parte irracional de x. Poner un ejemplo de dos matrices 2 × 2 que no conmuten y comprobar que la fórmula anterior ya no se verica para m = 2. Escríbase la expresión de tales operaciones en función de las partes racional e irracional. Sea K el conjunto de números reales x tales que existen dos números √ racionales a y b con x = a+ 2·b. (c) Probar que el producto de matrices de permutación es una matriz de permutación. respectivamente. (d) Probar que el conjunto de matrices de permutación con el producto usual de matrices es un grupo no conmutativo. (a) Probar que la suma y el producto de dos números reales en K pertenece a K. . j) = 1 ⇐⇒ j = σ(i)). Llamamos matriz de permutación a una matriz cuadrada vericando que todos sus coecientes son cero excepto un elemento en cada la y en cada columna.Álgebra 69 17. σ(3). 3} y las correspondientes matrices de permutación. j) = 0 ⇐⇒ j = σ(i)) ∧ (Aσ (i. vericar que el producto Aσ · B es una matriz que tiene las mismas las que B pero en el orden σ(1). (b) Escribir todas las permutaciones del conjunto {1. 3} de tal manera que la matriz correspondiente Aσ viene dada por (Aσ (i. σ(2). (b) Probar que 0 y 1 pertenecen a K. (a) Dada una matriz 3 × 3 B . 2. 19.

(f) ¾Se te ocurren otros ejemplos de cuerpos construídos de forma similar? .70 Álgebra (d) Probar que el elemento inverso de un elemento no nulo en K pertenece a K. (e) Concluir que K es un cuerpo conmutativo.

y el producto de una la (ai1 · · · ain bi ) por un número complejo λ era En general. Veamos un primer ejemplo en el que aparece la estructura de espacio vectorial. establecimos ciertas operaciones sobre las las de la matriz ampliada asociada al sistema de ecuaciones a las que llamamos transformaciones elementales. Al estudiar el método de Gauss-Jordan para la resolución de un sistema de ecuaciones lineales. Esta es la estructura algebraica sobre la que se desarrolla la parte de las matemáticas conocida como Algebra Lineal. 71 . su suma era bi ) y (ak1 · · · akn bk ) son dos las de dicha bi + bk ) (ai1 · · · ain bi ) + (ak1 · · · akn λ(ai1 · · · ain bk ) = (ai1 + ak1 · · · ain + akn bi ) = (λai1 · · · λain λbi ). de manera que si (ai1 · · · ain matriz.Capítulo 2 Espacios vectoriales En este capítulo vamos a estudiar el concepto de espacio vectorial. Sumar dos las Fi = Fi + Fj 2. (a1 · · · an ) + (b1 · · · bn ) = (a1 + b1 · · · an + bn ) y λ(a1 · · · an ) = (λa1 · · · λan ). Para denirlas tuvimos que considerar las siguientes operaciones sobre las las de dicha matriz: 1. si (a1 · · · an ) y (b1 · · · bn ) son matrices la y λ es un número complejo. Multiplicar una la por un número: Fi = λFi .

de manzanas = Estas listas (o matrices columna) de números que sabemos sumar y multiplicar por números constituyen un primer ejemplo de lo que denominaremos vectores. de peras 2 Kg. 3. nuestro amigo deberá comprar 3 Kg. µ ∈ C. de peras 2 Kg.5 Kg. 6. y la persona que va a realizarla recibe el encargo de su cuñada de comprar 4 Kg. de peras y 2 Kg. 1 2 3 Kg. de manzanas + 4 Kg. de peras y 4 Kg. Estas propiedades. no es difícil vericar que se satisfacen las siguientes propiedades: 1. si esa compra representa el postre de la semana de una familia. 1 Kg. no contamos con sucientes dimensiones en el espacio físico para situar tal echa. . El concepto de vector también se emplea en Física para representar magnitudes que no quedan completamente determinadas por un número. siendo además −a = (−1)a. 4. a + (−a) = (0) y (−a) + a = (0). Sin embargo. a + b = b + a. de manzanas. a + (0) = (0) + a = (0). de manzanas 8. ya que en ese caso podrían darle. y es tradicional asociar una echa a dichas magnitudes y representarlas por un segmento orientado. 5. (a + b) + c = a + (b + c). La descripción axiomática de vector sobre la que vamos a trabajar. de peras y manzanas. 1 · a = a. Además. y de su vecina de comprar la mitad de lo que él mismo vaya a comprar. (λ + µ)a =λa + µa. de peras 5 Kg. como ahora veremos. es abstracta por lo que no requiere el uso de objetos geométricos. b y c matrices la. el asociar el concepto de vector a un objeto geométrico tiene una limitación importante. 8. por ejemplo. Por otra parte. servirán para establecer los axiomas de la denición de espacio vectorial. pues si trabajamos con listas de más de tres números. 2. (λµ)a =λ(µa). y λ. de peras 2 Kg. La noción de espacio vectorial también está estrechamente relacionada con la siguiente idea: si alguien quiere comprar 3 Kg. no le pide al tendero 5 Kg. λ(a + b) =λa+λb. 7. de manzanas. de manzanas + .72 Álgebra Siendo a. de peras y 2 Kg. de manzanas.

en el espacio bidimensional o tridimensional como en la gura 2. las funciones reales de variable real. Esta sencilla consideración está en la base de la denición de vector geométrico. desplazamiento y velocidad. Dados tres segmentos orientados AB. Sobre el conjunto de todos los segmentos orientados del plano (o del espacio tridimensional) denimos la siguiente relación de equivalencia: AB ∼ CD ⇔ AB y CD tienen igual magnitud. C y E). dirección y sentido. Esta visión axiomática permite englobar como ejemplos de vectores a objetos matemáticos aparentemente tan distintos como los polinomios. Si ahora jamos un punto O en nuestro espacio y dibujamos nuestras tres echas a partir del punto O (es decir. obtenemos la gura 2. En efecto los vectores geométricos nos permiten especicar magnitud.1 Vericar que  ∼ es una relación de equivalencia. y una dirección.1. tenemos que utilizar vectores geométricos en el plano R2 o en el espacio tridimensional R3 . las sucesiones de números reales y un largo etcétera.1 Si dos segmentos orientados pertenecen a la misma clase de equivalencia de las obtenidas al considerar la relación de equivalencia anterior. Ahora el conjunto de todos los segmentos orientados se puede pensar como la unión disjunta de estas clases de equivalencia: .1. que es la dirección de la recta que lo contiene. se dice que son equivalentes. una magnitud representada por la longitud del segmento. para cada uno de ellos están determinados un punto de aplicación (respectivamente A. 2.Álgebra 73 dicha abstracción conlleva otra ventaja adicional: no requiere la introducción de nociones como sistema de coordenadas o sistema de direcciones. Aquí sólo recordaremos las deniciones básicas. Ejercicio 2. dirección y sentido para estas cantidades físicas. Denición 2.1 a). si A=C=E=O). donde CD y EF coinciden y se pueden considerar equivalentes. las matrices.1 Vectores en el plano y en el espacio Si queremos representar objetos de la Física elemental como fuerza.1 b). D y F). CD y EF. un extremo o ajo (respectivamente B.

estos valores comunes de magnitud.2 Un vector geométrico v en R2 o en R3 es una clase de Se sigue de esta denición que dos vectores v1 y v2 son iguales si y solo si tienen igual magnitud. dirección y sentido. por tanto. dirección y sentido (es decir. dirección y sentido del vector v. representar un vector geométrico por cualquiera de . por todos los segmentos orientados que coinciden una vez que sean aplicados en un punto prejado O). Como cada clase está formada por todos los segmentos orientados (en R2 o en R3 ) que tienen igual magnitud. Denición 2.74 Álgebra a) B C ¨ B ¨¨ d d d d ‚ A ¨¨ ¨ ¨¨ D E d d d d ‚ F b) ¨ ¨¨ ¨ Od d d d ‚ ¨ B ¨ ¨¨ B D=F Figura 2.1. dirección y sentido se llaman magnitud. Podemos.1: Vectores geométricos equivalencia de segmentos orientados respecto de la relación de equivalencia anterior.

1. En la gura 2.3 Sean v y w dos vectores geométricos. Nota: Abusando de la notación. se escribirá AB = v para denotar que el segmento orientado AB es un representante del vector v . . Si AB y BC representan los vectores v y w. la suma v+w es el vector denido por la regla del paralelogramo en la gura 2. CD y EF representan el mismo vector geométrico v porque dieren solo en sus puntos de aplicación.2 a).2: Operaciones con vectores geométricos los segmentos orientados del conjunto que lo dene. el segmento orientado AC representa el vector v + w.1 a). Denición 2.Álgebra I  b &C &  & w  &  & B  & ! ¡ ¡ & & ¡ v+w & ¡ & v & ¡ ¡ && ¡& & ¡ 75 a) A b) v ¡ ‰ r ! ¡r ¡ rr rr ¡ v-w ¡  w ¡  ¡   ¡ r r I    Figura 2. respectivamente. Observación 19 Esta denición de suma de vectores no depende de los segmentos orientados elegidos para representar los vectores v y w.

2 b).y. v2 = (4. El vector de magnitud cero es el vector cero y se denota por 0. Por tanto.y) en el caso del plano o (x. 2. magnitud igual a k veces la magnitud de v y mismo sentido que v si k > 0 o opuesto si k < 0. w2 . 2) y v3 = (−1. El producto de un vector por un escalar k ∈ R es el vector w = kv que tiene misma dirección que v . v1 = (−1. La sustracción de dos vectores está denida por v − w = v + (−w) y se puede representar geométricamente como en gura 2. −1. . −3. kv3 ) v − w = (v1 − w1 . sean k = 2. Si k = 0. v + 0 = 0 + v . Hallar v1 − k(v1 + v2 ) + v3 . realizando el correspondiente dibujo. 0). magnitud que v .z)). es decir si seleccionamos un punto O. kv2 . Las operaciones denidas sobre vectores geométricos se pueden ahora reescribir en términos de coordenadas: sean v = (v1 .1.y) (o (x. v2 + w2 . v3 ) y w = (w1 . entonces v + w = (v1 + w1 . v3 − w3 ) En le caso de vectores v y w en R2 estas operaciones están denidas de forma análoga.1.3 En R3 . representan el mismo vector geométrico v ) si y sólo si los puntos P y Q tienen iguales coordenadas. pero de sentido opuesto.2 Vericar. v3 + w3 ) kv = (kv1 . dos rectas orientadas mutuamente perpendiculares (o tres si se trata del espacio tridimensional) y una magnitud unitaria.y. dos segmentos orientados OP y OQ son equivalentes (es decir. w3 ) dos vectores en R3 y k ∈ R. El opuesto de un vector v es el vector de igual dirección. que para todo par de vectores geométricos v y w. para todo vector v . cada punto P admitirá una representación analítica en términos de coordenadas o componentes (x. v2 . kv = 0. Ejercicio 2.z) en el caso del espacio tridimensional. v2 − w2 . Si ahora introducimos un sistema de coordenadas ortogonales en el plano (o en el espacio tridimensional). Como el segmento orientado OP representará un vector v. diremos también que el vector v tiene componentes (x. v + w = w + v . −1).76 Álgebra Ejercicio 2.

A veces la elección de un sistema de coordenadas adecuado puede simplicar la solución de un problema. x . b. −5). cuyos ejes son paralelos a los ejes de S. b). sea O . −1. x = x − a. En el espacio tridimensional. x3 ) y Q = (y1 . Si P = (x1 . Las ecuaciones de traslación de los ejes nos permiten de pasar de un sistema S a otro sistema S . 0. En R2 .1. y = y − b. b) + (x . las ecuaciones de traslación son x = x − a. si O = (a. determinar las coordenadas del vector v = P Q. 4) en S .5 En R3 . x2 ) y Q = (y1 . y el origen y los ejes del nuevo sistema de coordenadas S . y2 . y = y − b. c) respecto de S . el segmento orientado P Q representa un vector v en R3 de coordenadas: Nota: Todos los sistemas de coordenadas que consideraremos a lo largo P Q = v = (y1 − x1 . Encontrar las coordenadas en el sistema S del punto P de coordenadas (−1. 4. z = z − c. De forma similar. 1) en S y las coordenadas en el sistema S del punto Q de coordenadas (3. x2 . −2.Álgebra 77 del capítulo serán ortogonales. se verica que (x. 2. Un punto P en el plano tiene coordenadas (x. y2 ) en R2 determinan un vector v = (y1 − x1 . Las siguientes propiedades son de fácil demostración: Ejercicio 2. y ) respecto del sistema S . dos puntos P = (x1 . y) respecto del sistema S y coordenadas (x . Si las coordenadas de O respecto de S son O = (a. y3 ) son dos puntos en R3 . y3 − x3 ) = Q − P. y2 − x2 ). 4) y Q = (−1. y ). sean S y S dos sistemas de coordenadas. por tanto. y. y2 − x2 . O = (−1. que se puede representar por el segmento orientado P Q.1. Ejercicio 2. y) = OP = OO + O P = (a. donde .4 Sean P = (3. 3) respecto de S .

1 · x = x Teorema 2. −4). y λ. v ≡ x2 + y 2 + z 2 . w y kv = |k| Ejercicio 2. Sean v y w dos vectores de R2 o de R3 representados por dos segmentos orientados AB y AC (estos dos segmentos tienen el mismo punto de aplicación). v . y). y2 ) en R2 es el número real d(v. . x + (0) = (0) + x = x 4. x2 .6 Sean v = (0. y. (x + y) + z = x + (y + z) 3. 0. 3). 2. w = (2. x + (−x) = (0) y (−x) + x = (0) 5. Un vector de norma 1 se llama unitario . la magnitud o norma de un vector en el plano o en el espacio tridimensional se puede determinar como sigue: para v = (x. en el plano que los contiene. w). w) ≡ v − w = Si k es un escalar. Utilizando el Teorema de Pitágoras. x + y = y + x 2. Si v = 0 y w = 0.78 Álgebra entonces 1. y2 . (y1 − x1 )2 + (y2 − x2 )2 + (y3 − x3 )2 . λ(x + y) = λx+λy 7. (λ + µ)x = λx + µx 8.1. v ≡ x2 + y 2 para v = (x. (λµ)x =λ(µx) 6.4 Si x e y son vectores en R2 o en R3 . z). x2 ) y w = (y1 . y3 ) en R3 es el número real d(v. La distancia euclídea entre dos vectores v = (x1 . La distancia euclídea entre dos vectores v = (x1 . µ son dos escalares.1. v . Hallar d(v. AB y AC determinan dos ángulos θ1 y θ2 = 2π − θ1 . x3 ) y w = (y1 . Observación 20 Los dos ángulos determinados por v y w no dependen de los segmentos orientados elegidos para representar los vectores v y w. w) ≡ v − w = (y1 − x1 )2 + (y2 − x2 )2 .

que satisface la condición: 0 ≤ θ ≤ π .1.1 se deriva fácilmente la siguiente fórmula: cos(θ) = 1 de sus lados. Proposición 2. Entonces a) v = (v · v) b) Si v = 0 y w = 0. 0. v · w = 0. (2. entonces v · w = v1 w1 + v2 w2 La demostración de esta proposición se sigue de la ley de los cosenos: 2 2 2 2 2 w−v = v + w −2 v w cos(θ) = v + w − 2v · w. Denición 2.7 En R3 . 0).2) Ejercicio 2.5 Si v = 0 y w = 0 son dos vectores del plano o del espacio tridimensional y θ es el ángulo entre v y w. v2 ) y w = (w1 .1. w3 ) dos vectores de v · w = v1 w1 + v2 w2 + v3 w3 Sean v = (v1 .6 Sean v = (v1 . v2 . (arccos( √3 ) ≈ 54◦ 44 ) v·w v w (2.8 Encontrar el ángulo entre una diagonal de un cubo y uno Teorema 2. Si v y w son dos vectores no cero. entonces v · w.7 Sean v y w dos vectores en el plano o en el espacio tridimensional. el ángulo θ entre v y w es agudo ⇔ v · w > 0 es obtuso ⇔ v · w < 0 π θ = ⇔v·w =0 2 .1.1.1) Ejercicio 2. sean v = (2. el ángulo entre v y w es el ángulo θ determinado por AB y AC . v3 ) y w = (w1 . w cos(θ). Hallar R3 . 0) y w = (3. w2 ) dos vectores de R2 . w2 .Álgebra 79 Si v = 0 y w = 0.1. 3. el producto escalar euclídeo (o producto interior euclídeo) de v y w es el número real: v·w = v Si v = 0 o si w = 0. de la ecuación 2.

vericar que el ángulo entre v y w es obtuso. v · v ≥ 0 y v · v = 0 ⇔ v = 0 Demostración Ejercicio. El segmento orientado OP1 representa un vector w1 y los segmentos P1 P y OP2 el vector w2 = w − w1 . si θ = π ). la denición de vectores perpendiculares es la siguiente: Denición 2. Si se admite que v y w puedan ser cero.3.9 Dados v = ( 3. v y w tres vectores en el plano o en el espacio tridimensional y sea k un número real: 1. donde el vector w1 = pv (w) es la proyección ortogonal de w sobre v o componente vectorial de w a lo largo de v y el vector w2 = w − pv (w) es la componente vectorial de w ortogonal a v. 2 el producto interior de v y w es cero. Sea ahora v = 0 un vector bidimensional o tridimensional representado por el segmento orientado OA y sea w = 0 otro vector del mismo espacio. Las siguientes propiedades son de fácil demostración: Teorema 2. Hemos visto que si v = 0 y w = 0 son perpendiculares (es decir.1.1. √ Ejercicio 2. pv (w) = w1 = w2 = w − w1 = w − w·v v 2 v v w·v v 2 .80 Álgebra La demostración de este teorema es una aplicación de la fórmula 2. w = w1 + w2 . Utilizando el producto interior es posible denir la proyección ortogonal del vector w sobre v como sigue. u · v = v · u 2. 37).1. Representamos el vector w por un segmento orientado OP como en la gura 2.1. u · (v + w) = u · v + u · w 3.9 Sean u.8 Dos vectores v y w son ortogonales si v · w = 0. Entonces. π.10 Si v = 0 y w son dos vectores de R2 o de R3 .2. −2) y w = (4. 0. Teorema 2. k(u · v) = (ku) · v = u · (kv) 4.

Álgebra 81 T 0      w2 w w − w1    θ P  E 1 T P2 P E O w1 v A Figura 2. Ejercicio 2.1 Producto vectorial y producto mixto tres vectores en R3 .1. −1). 0. −4. y w · v = w1 · v + w2 · v = 2 Se sigue fácilmente del último teorema y de las propiedades de la norma que la magnitud del vector pv (w) es: pv (w) = |w · v| = w v | cos(θ)| Es importante observar que la norma de pv (w) depende de la dirección de v y no depende de su magnitud. v2 .3: Proyección ortogonal de w sobre v Demostración Existe un escalar k tal que pv (w) = kv (ya que pv (w) es paralelo a v ). Determinar el vector pv (w) y su magnitud.11 Sean u = (u1 . w3 ) . u3 ). Entonces w = w1 + w2 = kv + w2 kv · v + w2 · v = k v 2 . w2 . v = (v1 .1.10 Sean v = (1. v3 ) y w = (w1 .1. u2 . 8) y w = (−2. donde hemos jado el sistema de coordenadas ortogonales Denición 2. 2.

v. • u × v = −v × u y u × v = 0 si y sólo si u y v son paralelos. w1 w2 w3 Ejemplo 2. 0). . e2 = (0. v) asocia el vector u × v = (u2 v3 − u3 v2 )e1 + (u3 v1 − u1 v3 )e2 + (u1 v2 − u2 v1 )e3 = = det u u u u u2 u3 e1 − det 1 3 e2 + det 1 2 e3 . v1 v2 v1 v3 v2 v3 • El producto mixto es una función del producto cartesiano R3 ×R3 ×R3 en R. 0 Interpretación geométrica y propiedades del producto vectorial y del producto mixto • El vector u × v es ortogonal a u y a v y. 2). 1) y v = (−1. 1. es ortogonal al plano que contiene a u y v. 2) El producto mixto de a = (1. 1) y v = (−1.82 Álgebra usual (O = (0. 0). por tanto. 2. 0.  1 1 1 0 a · (u × v) = det −1 2 u = (1. 0.12 1) El producto vectorial de u = (1. 0.1. que a cada par de vectores (u. 2. 0) es  0 1 = −2 − 1 = −3. (e1 = (1. 0). −1. 1. w) asocia el número real que se obtiene calculando el producto escalar del vector u con el vector v×w : u · (v × w) = u1 (v2 w3 − v3 w2 ) − u2 (v1 w3 − v3 w1 ) + u3 (v1 w2 − v2 w1 ) =   u1 u2 u3 = det  v1 v2 v3  . 0) es u × v = det 0 1 1 1 1 0 e1 − det e2 + det e = 2 0 −1 0 −1 2 3 = −2e1 − e2 + 2e3 = (−2. 0. 0. e3 = (0. • El producto vectorial es una operación en R3 . 1))). 0). que a cada terna de vectores (u.

se obtiene la forma vectorial de la ecuación de l : n · (v − v0 ) = 0. un vector cuya dirección es perpendicular a la dirección de la recta l . • El producto mixto u · (v × w) representa. (Para comprobarlo se puede utilizar la identidad de Lagrange: u × v 2 = u 2 v 2 − (u · v)2 .Álgebra 83 • u × v = u v sin(θ).1. se obtiene que el producto escalar n · P P0 = 0 (esta ecuación se puede llamar forma punto-normal). y−y0 ) = a(x−x0 )+b(y−y0 ) = ax+by−(ax0 +by0 ). y) un punto genérico de una recta l . por tanto. es posible representar una recta l en el plano por medio de distinta ecuaciones: • Ecuación vectorial Sean P0 = (x0 . v y w pertenenecen al mismo plano. 2. y1 ) dos puntos en el plano R2 . y1 − y0 ) individua la dirección de la recta l que pasa por P0 y1 − y0 = tg(α). siendo α el y P1 y. Utilizando los vectores v = OP y v0 = OP0 . Esta norma coincide con el área del paralelogramo determinado por los vectores u y v. Sea n = (a. y0 ) un punto jado y P = (x.2 Rectas en le plano Sean P0 = (x0 . el volumen del paralelepípedo individuado por los tres vectores u.) • u × (v + w) = u × v + u × w y (v + w) × u = v × u + w × u. Utilizando los elementos que acabamos de denir. donde θ es el ángulo que forman u y v. b) un vector ortogonal a l . . El vector P0 P1 = (x1 − x0 . • Ecuación general implícita Si desarrollamos la ecuación punto-normal anterior como 0 = n·P P0 = n·(x−x0 . b). • u · (v × w) = 0 si y sólo si los tres vectores u. Siendo n = (a. en valor absoluto. y0 ) y P1 = (x1 . tiene pendiente igual a m = x1 − x0 ángulo que la recta l forma con el eje de las x. v y w.

1. k∈R • Ecuación pendiente-ordenada en el origen Esta ecuación tiene la forma y = mx + q. b) = (0. donde m es al pendiente de la recta l y q es la ordenada del punto de corte con el eje de las y. q). mostrar que la fórmula para calcular la distancia entre el punto P0 y una recta r de ecuación ax + by + c = 0 es Ejercicio 2. De- d(P0 . (0. lo que se obtiene el la ecuación general implícita: ax + by + c = 0. Ejemplo 2.13 La distancia entre el punto P0 = (2. y) el punto genérico de l . Esta última ecuación. y0 ) un punto de la recta l . r) = |2+1+3| √ 1+1 = 6 √ . 0) es ortogonal a la recta de ecuación ax + by + c = 0. v2 ) un vector paralelo a l y P = (x. 2 . existe un número real k tal que P0 P = kv.84 Álgebra y llamamos −(ax0 + by0 ) = c. −1) y la recta r de ecuación x − y + 3 = 0 es igual a d(P0 . r) = |ax0 + by0 + c| √ a 2 + b2 Utilizar el hecho de que en R2 el vector n = (a. dene las ecuaciones paramétricas de la recta l : x = x0 + kv1 y = y0 + kv2 .11 Sea P0 = (x0 . y0 ) un punto del espacio bidimensional. es decir.1. Entonces el vector P0 P es paralelo a v. escrita en términos de coordenadas. v = (v1 . • Ecuaciones paramétricas Sean P0 = (x0 .

2 Demostración Si b = 0. 4) es (x − 2) − y + 4(z + 1) = x − y + 4z + 2 = 0. b. y.4) Ejemplo 2. z − z0 ) sea perpendicular al vector n. Esta caracterización de los puntos de π se puede expresar por la forma punto-normal de la ecuación del plano π : n · P P0 = a(x − x0 ) + b(y − y0 ) + c(z − z0 ) = 0 (2. ax + by + cz + d = 0 ⇔ ax + b(y + d ) + cz = 0. 4) · (x − 2. La misma ecuación se obtiene utilizando la fórmula 2. y) de r y su coeciente angular.3 Planos en el espacio tridimensional Para determinar la ecuación de una recta r : ax + by + c = 0 en el espacio bidimensional es suciente conocer las componentes de un punto P = (x. y. − d . b. c) ortogonal a π mismo: todo punto P = (x. −1.14 Según la fórmula 2. z0 ) y un vector n = (a. 0).5) última ecuación es la forma punto-normal de la ecuación de un plano por el punto P0 = (0.3 se puede reescribir en la forma vectorial: n · (v − v0 ) = 0. z) del plano π y distinto de P0 es tal que el segmento orientado P0 P = (x − x0 .1. 0. y0 .4: n · (v − v0 ) = (1. b. De forma análoga. la forma implícita de la ecuación de un plano π ortogonal al vector n es: ax + by + cz + d = 0 (2. 0) y ortogonal al vector n = (a.3) Utilizando los vectores OP = v = (x.1. la ecuación del plano π que pasa por el punto P0 = (2. z + 1) = x − y + 4z + 2 = 0.Álgebra 85 2. 0. y0 .15 Si n = (a. −1. Teorema 2. c) = (0. Si a = 0 o si c = 0.1. y − y0 . La b .3. −1) y es perpendicular a la dirección del vector n = (1. (2. z0 ). y. z) y OP0 = v0 = (x0 . la ecuación 2. c). b se obtienen ecuaciones similares. en el espacio tridimensional se puede determinar un plano π (y su ecuación) por uno de sus puntos P0 = (x0 .

5. y. y0 . z0 ) y π : ax + by + cz + d = 0 un punto y d(P0 .12 Considerar un sistema de tres ecuaciones lineales en R3   a11 x + a12 y + a13 z = b1 a21 x + a22 y + a23 z = b2  a31 x + a32 y + a33 z = b3 Ilustrar con ejemplos geométricos los casos en los cuales el sistema dado sea incompatible. 0. P2 = (2.16 Sean P1 = (1.17 Sean P0 = (x0 . respectivamente. c. 1) tres puntos de R3 . Encontrar la ecuación del plano que los contiene. d) de la forma   a−c+d=0 2a + b + d = 0  −2a + 3b + c + d = 0 El conjunto solución de este sistema es {(−t. El siguiente ejemplo muestra como se puede determinar la ecuación de un plano a partir de las componentes de tres de sus puntos: Ejemplo 2. es decir. 3. z) por las componentes de los tres puntos dados. Sustituyendo los valores encontrados para los coecientes a. 0) y P3 = (−2. x + 5y − 6z + 7 = 0.1.5 y sustituyendo los valores de las variables (x. b. −5t. compatible determinado y compatible. 7t) : t ∈ R}.86 Álgebra Ejercicio 2. −1). se obtiene un sistema en las variables (a.1. 6t. se obtiene el plano −tx − 5ty + 6tz + 7t = 0. π) = |ax0 + by0 + cz0 + d| √ a2 + b2 + c2 (2. c y d en la ecuación 2.1. Solución: A partir de la ecuación de un plano en forma general 2. 1. un plano en el espacio tridimensional. La siguiente fórmula nos da el valor de la distancia entre P0 y π : Teorema 2. b.6) .

kc) para un escalar k ∈ R. y − y0 . 2. Entonces pn (P0 Q) = P0 Q · n . z) un punto del plano π. (2. 3) y el plano π : x − 2y + z = 1.13 a)Encontrar la distancia entre el punto P0 = (1. kb. 0). (Sugerencia: Sean n = (a. z) es un punto de l distinto de P0 .8) Si para denir una recta l en el espacio tridimensional utilizamos un sistema de dos ecuaciones de dos planos cuya intersección es l . Llamaremos forma vectorial de la ecuación de una recta en el espacio tridimensional a la ecuación: v = v0 + ku (k ∈ R) (2.Álgebra 87 Demostración Ejercicio. b. Si además u es un vector paralelo a la recta l. b)Encontrar la distancia entre los planos paralelos π : x − 2y + z = 1 y π : 2x − 4y + 2z = 3. se sigue que v − v0 = ku por un escalar k ∈ R. y. lo que se obtiene son las ecuaciones implícitas de l : a1 x + b1 y + c1 z + d1 = 0 a2 x + b2 y + c2 z + d2 = 0 .1. b.7)  z = z0 + kc Sean P0 y P dos puntos de una recta l y sean OP0 = v0 y OP = v los vectores del espacio tridimensional correspondientes. −2.4 Rectas en el espacio tridimensional Sea l una recta en el espacio tridimensional que pasa por el punto P0 = (x0 . z − z0 ) = ku = (ka. 0. z − z0 ) = v − v0 . se verica que P0 P = (x − x0 . y − y0 .1. y. y0 . c) el vector normal y Q = (x. donde k ∈ R. c) = (0. z0 ) y es paralela al vector u = (a. Entonces se verica la identidad P0 P = (x − x0 .) n 2 Ejercicio 2. Entonces la recta l estará determinada por las ecuaciones paramétricas:   x = x0 + ka y = y0 + kb . Si P = (x.

−2. c)Encontrar la forma vectorial de la ecuación de la recta l de ecuaciones paramétricas:   x = 2 + 3k y = −5 − k . 4).9)  z = 7k . 0) y P = (−5.1. b)Encontrar las ecuaciones paramétricas de la recta l intersección de los planos 3x + 2y − 4z − 6 = 0 y 2x − 6y − 4z − 8 = 0. (2. donde k ∈ R. 13.88 Álgebra Ejercicio 2.14 a)Encontrar las ecuaciones paramétricas de la recta l que pasa por los puntos P0 = (3.

dada la sobrecarga de notación derivada del uso de tres operaciones y un producto por escalares. 3. en los espacios R2 y R3 se satisfacen las propiedades 1) a 8) recogidas en el teorema 2. Llamaremos espacio vectorial .4 respecto de la suma y del producto por escalares (las propiedades 1 a 4 son las que indican que R2 y R3 tienen estructura de grupo abeliano respecto de la suma). β ∈ K ((α · β) ◦ u = α ◦ (β ◦ u)). Denición 2. 4. el adoptar el siguiente convenio de notación universalmente aceptado. (E. β ∈ K ((α + β) ◦ u = α ◦ u ⊕ β ◦ u). que habitualmente representaremos por letras del alfabeto griego. ◦) formada por un conjunto no vacío E. En este contexto. ·) también satisface dichas propiedades. ∀u ∈ E (1 ◦ u = u). si (K. vectores. ∀u ∈ E ∀α.2. 2. que habitualmente representaremos por letras del alfabeto latino (y en ocasiones en negrita). ·) es un cuerpo.1 Sea (K. ∀u ∈ E ∀α. +. sobre el cuerpo (K. se les denomina escalares y a los elementos de E. Es usual. Veremos que. ∀u. A los elementos de K. +. en general. siendo 1 ∈ K el elemento neutro de  ·. ⊕) es un grupo abeliano.Álgebra 89 2. +. ·) a cualquier 3-tupla (E. y no necesariamente a un vector geométrico determinado por un segmento orientado. Estas propiedades son las que dan lugar a la denición de espacio vectorial sobre un cuerpo (K.2 Espacios vectoriales sobre un cuerpo K Según hemos visto. +. ·). 5. (Kn . una operación ⊕ : E × E → E. ·) un cuerpo. y una función (producto por escalares) ◦ : K×E → E de manera que se satisfagan las siguientes propiedades: 1. el término vector servirá para designar en lo sucesivo a un elemento del espacio vectorial sobre el que se esté trabajando.1. +. v ∈ E ∀α ∈ K (α ◦ (u ⊕ v) = α ◦ u ⊕ α ◦ v). ⊕.

∀u ∈ E ∀α. si E =Mm×n (R). B ∈ Mm×n (R). Ejemplos de espacios vectoriales con los que ya hemos trabajado son: • Las matrices la con coecientes reales ó complejos M1×n (K) con respecto de la suma de las y producto de una la por un número. 4. ∀u ∈ E ∀α. 2. +) es un grupo abeliano. y α. Así por ejemplo. ∀u. en la expresión (α + β) · A es obvio que la suma considerada es la suma de los números reales α y β. ∀u ∈ E (1 · u = u).90 Álgebra Operacion +:K×K→K ·:K×K→K ⊕:E×E→E ◦ : K×E → E Nombre de la operación suma de escalares producto de escalares suma de vectores producto de vectores por escalares Notación + · + · Con esta nueva notación los axiomas de espacio vectorial se escribirán: 1. siendo 1 ∈ K el elemento neutro de  ·. β ∈ K ((α + β) · u = α · u + β · u). (E. β ∈ K ((α · β) · u = α · (β · u)). 5. A. escribiendo por ejemplo α(βu) en lugar de α · (β · u). donde en cada caso la naturaleza de la operación (es decir. . por lo que habitualmente lo haremos así. También señalaremos que es usual omitir el  ·. mientras que en la expresión α · (A + B) la suma considerada es la denida en Mm×n (R). 3. β ∈ R. v ∈ E ∀α ∈ K (α · (u + v) = α · u + α · v). si se trata de la suma en K o en E y lo mismo con el producto de un escalar por un elemento de E y el producto en K) quedará normalmente determinada por la naturaleza de los operandos.

∀u ∈ K (1 · u = u). 4.. ·). tendremos 1. +. ·) es un Z2 − e. de la propiedad distributiva del producto del cuerpo respecto de la suma. como consecuencia de la denición de cuerpo. y si la suma y el producto por escalares considerados están predenidos o se sobrentiende cuales son. +. ∀u ∈ K ∀α. 2.v. Así pues. (K. +. puesto que. y en particular. . diremos simplemente que (E. • Las propiedades que satisfacen las matrices de orden m × n con coecientes en un cuerpo K respecto de la suma y producto por escalares denidos hacen que Mm×n (K) tenga estructura de espacio vectorial respecto de dichas operaciones. y las operaciones + y · son las usuales del cuerpo K. +.).v. ∀u. ·) − espacio vectorial. +. y el cuerpo (Z2 .Álgebra 91 • Los vectores geométricos del plano y del espacio respecto de la suma de vectores y producto por escalares denidos en la primera parte del capítulo. . ·) es un espacio vectorial sobre el cuerpo (K. el cuerpo (R. ·) es un C−e. +. ·) un cuerpo. ·) es un R−e. 5. La terna (K.2. que E tiene estructura de espacio vectorial con respecto a las operaciones + : E × E → E y · : K×E → E.v.v.2 Sea (K. +) es un grupo abeliano. Ejemplo 2. ·) es un (K. +. el cuerpo (C. o simplemente. ·) es un K − e. +. 3.v. ·) es un K-espacio vectorial (abreviadamente: “(E. ∀u ∈ K ∀α. de la asociatividad del producto y de la existencia de elemento neutro para el producto. Siendo 1 ∈ K el elemento neutro de  · . β ∈ K (α · β) · u = α · (β · u). diremos de forma abreviada que “E es un K − e. +. +. β ∈ K (α + β) · u = α · u + β · u. v ∈ K ∀α ∈ K α · (u + v) = α · u + α · v. Observación 21 Si (E.

puesto que en ese caso la sentencia (α=0 ∨ u = 0) es verdadera. concluímos que α · 0 = 0. y puesto que el único elemento idempotente del grupo (E. 4. ∀u ∈ E. 3. a los vectores los hemos destacado en negrita. Dado α ∈ K. consideramos el elemento α−1 ∈ K. (−1) · u = −u. ∀u ∈ E − {0}. para mayor claridad. ∀α. ((α · u =β · u) ⇒(α = β)) . pero por los axiomas de espacio vectorial α−1 · (α · u) = α−1 · α · u =1 · u = u. ((α · u =α · v) ⇒ (u = v)) . Proposición 2. Caben dos posibilidades.92 Álgebra 2. y supongamos que α · u = 0. ∀α ∈ K. ∀u ∈ E. entonces no hay nada que demostrar. ∀u. 6.1 Propiedades de vectores La siguiente proposición recoge una serie de propiedades que se satisfacen en todo espacio vectorial. α · 0 = 0. . ∀u ∈ E. α · 0 =α · (0 + 0) = α · 0 + α · 0. donde.3 Si E es un K − e. razonando análogamente a la propiedad anterior. Sean α ∈ K y u ∈ E. ((α · u = 0) ⇒ (α=0 ∨ u = 0)) . por lo que. b) Si α = 0. 0 · u = 0. β ∈ K. Demostración 1. concluímos que 0 · u = 0. +) es el elemento 0 ∈ E. Dado u ∈ E. 3. 0 · u = (0 + 0) · u =0 · u+0 · u. ∀α ∈ K. ∀α ∈ K − {0}. 2. a) Si α = 0.2. se verican las siguientes propiedades: 1. 5.v. v ∈ E.2. Multiplicando a ambos lados de la igualdad por α−1 obtenemos α−1 · (α · u) = α−1 · 0 = 0. 2.

Pero de los axiomas de espacio vectorial y de las propiedades anteriores se sigue que α · u + (−(β · u)) =α · u + (−β) · u = (α + (−β)) · u. es decir. +). y supongamos que α · u =α · v. o lo que es lo mismo. En ese caso necesariamente α · u + (−(β · u)) = 0.Álgebra 93 es decir . 6. α = β. es decir. Sean α ∈ K − {0}. ( − 1) · u = −u. de donde u = v. v ∈ E. tendremos ( − 1) · u + u = ( − 1) · u+1 · u = ( − 1 + 1) · u = 0. (α + (−β)) · u = 0 siendo u = 0.2 Producto cartesiano de espacios vectoriales Vamos ahora a comprobar que el producto cartesiano de espacios vectoriales es un espacio vectorial. con lo que (α + (−β)) = 0. y supongamos que α · u =β · u. tendremos también u + ( − 1) · u = 0.2. o lo que es lo mismo. +) es un grupo (abeliano). Multiplicando ambos miembros de esta igualdad por α−1 obtenemos α−1 · (α · u) =α−1 · (α · v) . 4. α−1 · α · u = α−1 · α · v. ( − 1) · u es el elemento opuesto de u en el grupo (E. +). 2 2. u = 0. resultado que recogemos en la siguiente proposición: . Sea u ∈ E. β ∈ K y u ∈ E − {0}. Puesto que −1 ∈ K es opuesto de 1 en el grupo (K. Sean α. u. o lo que es lo mismo. 5. y puesto que (E.

· · · . · · · . un + vn ) = (α (u1 + v1 ) . (En . · · · . para cada i ∈ {1. en particular (E1 . · · · . vn )) . · · · . entonces +: E×E −→ E ((u1 . en esas condiciones no es difícil vericar que (E1 × · · · × En . Así por ejemplo. α · (u1 + v1 . · · · . (En . (α ·1 u1 . un )) . u = (u1 . un + vn ) y. +n como para designar la suma denida en E1 × · · · × En . · · · .. v ∈ E y ∀α ∈ K α · (u + v) = α · u + α · v : Si u. . α ·n un ) Para realizar dicha comprobación resulta natural utilizar el símbolo  + tanto para referirnos a cualquiera de las sumas +1 . +1 . según se ha denido la ley de composición externa en E. vn ). · · · . +). · · · .94 Álgebra el conjunto E = E1 × · · · × En tiene estructura de espacio vectorial respecto de las operaciones Proposición 2. en otras palabras. +) es también un grupo abeliano. un ).2. un ) y v = (v1 . (v1 .v.v. la operación considerada queda determinada por la naturaleza de los operandos. (u1 . +) son grupos abelianos y. de manera que. n}. un +n vn ) y ·: K×E −→ E (α. ·n ) son n K − e.4 Si (E1 . en consecuencia. si ui . (u1 +1 v1 . y lo mismo haremos con el símbolo  ·  (que incluso se omite por convenio de notación). Por otra parte veamos que ∀u. α(un + vn )). · · · . vi ∈ Ei . · · · . v ∈ E. En son  n K − e. entonces ui + vi = ui +i vi y αui = α ·i (ui ) . +n . ·1 ). · · · . · · · . · · · . por denición (u + v) = (u1 + v1 . · · · . en cada caso. puesto que E1 .

2. · · · . α · (u + v) = = = = = = α · (u1 + v1 .. ·) es un C − e. (C2 .n (R) × C[x] es un R−espacio vectorial. un + vn ) = (α (u1 + v1 ) . ·) es un cuerpo. vn ) = α·u+α·v La demostración de que se satisfacen el resto de las propiedades necesarias para que E1 ×· · ·×En tenga estructura de K−e. (R3 .v. z + z ) α(x. un ) + α(v1 ... (Z32 . como consecuencia de la proposición anterior tenemos que si (K. · · · .. El espacio Mm. · · · . · · · . y αx. · · · . αz) siendo x + x . y. y . donde si (x. . entonces ∀n ∈ N (Kn .Álgebra 95 y por la propiedad distributiva que satisface el producto por escalares respecto de la suma de vectores en cada uno de los espacios vectoriales (Ei . y + y . y . αy y αz el producto habitual de estos números reales. ·i ) tendremos que.v. (x. respecto de las operaciones consideradas se propone como ejercicio. +. ·) es un K − e. +. Kn . 2. +i .v. 3. z) = (αx. z ) = (x + x . +.v. +. En particular. · · · . αun ) + (αv1 . z ) ∈ R3 y α ∈ R. α(un + vn )) = (αu1 + αv1 . Estas son las operaciones que se deben dar por sobreentendidas siempre que hagamos alusión al K − e. siendo las operaciones denidas sobre Kn las denidas en la proposición anterior.v. · · · . Del mismo modo que en el ejemplo anterior. αvn ) = α(u1 . ·) es un R − e. sobrentendiéndose cuáles son las operaciones denidas sobre C2 . Ejemplo 2. Análogamente. ·) es un Z2 − e. y. 2 4.5 Casos particulares del apartado anterior: 1. z) + (x . αy. y. αun + αvn ) = (αu1 . y + y y z + z la suma habitual de estos números reales. en denitiva. +.v. z). (x .

f +g Además. entonces (F(X. g. y que la del lado derecho es la suma de E) y ∀f ∈ F(X. E). g) −→ F(X. (αf ) ∈ F(X. g ∈ F (X. E) (f. +. Demostración Siendo f + g la función denida por la condición ∀x ∈ X (f + g)(x) = f (x) + g(x) resulta que tenemos denida una operación sobre F(X.v.. . + es asociativa. ·) es un K − e. g ∈ F(X. E) es la función denida ∀x ∈ X por la siguiente expresión (f + g)(x) = f (x) + g(x) (nótese que la suma del lado izquierdo de la igualdad es la suma de funciones. (f + g)(x) = f (x) + g(x) = g(x) + f (x) = (g + f )(x) con lo que (f + g) = (g + f ). E) es la función determinada ∀x ∈ X por la siguiente expresión (αf )(x) = αf (x).v. 2. E) = {f : X −→ E : f es una función} . pues si f.96 Álgebra 2. donde ∀f. resulta que este conjunto tiene estructura de K − e.3 Funciones con codominio en un espacio vectorial Si E es un K − e. E) . y denotamos por F(X.. E). pues si f. E): + : F(X. E) f + g ∈ F(X. E).2... E). E) × F(X. y x ∈ X. E) al conjunto formado por todas las funciones denidas sobre un conjunto cualquiera X = ∅ y tales que su imagen está contenida en E.2. ∀α ∈ K .6 Si X = ∅ y E es un K − e. según se recoge en la siguiente proposición. F(X.v. + es conmutativa.v. h ∈ F(X. y x ∈ X ((f + g) + h) (x) = (f + g)(x) + h(x) = (f (x) + g(x)) + h(x) = = f (x) + (g(x) + h(x)) = f (x) + (g + h)(x) = = (f + (g + h)) (x) con lo que (f + g) + h = f + (g + h). se verica que: 1. Proposición 2.

donde f +g : X → E . (F(X. +) un grupo abeliano. Puesto que (α(f + g)) : X → E y (αf + αg) : X → E. Es inmediato comprobar (verifíquese) que la función constante 97 0: X x −→ E . −(f (x)) es decir. E) −→ F(X. f ) .Álgebra 3. E αf (x) satisface el resto de propiedades: 5. Hay que demostrar que ∀α ∈ K α(f + g) = αf + αg. para demostrar que dichas aplicaciones son iguales es suciente con probar que ∀x ∈ E. Sean f. Del mismo modo. Sea α ∈ K. +). E) (α. ∀x ∈ X (−f )(x) = −(f (x)) donde −(f (x)) es el elemento opuesto de f (x) en (G. x . . . 4. +) también lo es. E). es inmediato comprobar (verifíquese) que ∀f ∈ F(X. E). +). g ∈ F(X. 0 es el elemento neutro de (F(X. f (x) + g(x) Veamos ahora que la operación ·: donde K×F(X. αf αf : X x → . (α(f + g))(x) = (αf + αg)(x). E) el elemento simétrico de f respecto de + es la función (−f ): X x −→ E . Al ser (E. E).

por lo que se propone como ejercicio. Se demuestra de forma análoga a la propiedad que acabamos de ver. E) es una función cualquiera de ese conjunto.98 Sea x ∈ E. 6.β ∈ K. Hay que probar que ∀f ∈ F (X. para demostrar que dichas aplicaciones son iguales es suciente probar que ∀x ∈ E ((αβ)f )(x) = (α(βf ))(x). 7. β ∈ K .) = α(βf (x)) = α((βf )(x)) = (α(βf ))(x). 8. pues si f ∈ F(X. Puesto que ((αβ)f ) : X → E y (α(βf )) : X → E. Sea x ∈ E. Finalmente. Hay que demostrar que (αβ)f = α(βf ). Por denición ((αβ)f )(x) = (αβ)f (x) = (puesto que α. ∀f ∈ F(X. f (x) ∈ E y E es un K-e. dado 1 ∈ K. dado que (1 · f ) : X → E y f : X → E. E) (1 · f ) = f. E) y α. E) ∀α. . Sean f ∈ F(X. Por denición Álgebra (α(f + g))(x) = α ((f + g)(x)) = α (f (x) + g(x)) = (por la distributividad en E del producto por escalares respecto de la suma de vectores) = αf (x) + αg(x) = (αf )(x) + (αg)(x) = ((αf ) + (αg)) (x). β ∈ K (α + β)f = αf + βf.v.

en particular. Combinando los ejemplos anteriores también son espacios vectoriales.v. E) de las sucesiones de elementos de un K − e. R)) de las sucesiones de F(R. E. (Como ejercicio. El conjunto F(N. R). F(N. . R)). F(R. F(R. el conjunto F(N. K). 2. En particular F(N. escríbase cual es la expresión explícita de dichas operaciones particularizadas en cada uno de los subespacios de este ejemplo). el conjunto F(M3 (C). el conjunto de las matrices cuadradas de n las. Como consecuencia de la proposición anterior. n}. Si (K. · · · . 99 (1 · f )(x) = 1 · f (x) = f (x). C) de las funciones complejas de variable real es un C − e. El conjunto Mm×n (K) = F({1. 3. el conjunto F(K. C). En particular. y un largo etcétera.v. los siguientes F(N. R) de las funciones reales de variable real y el conjunto F(C. R) × F(R. M3 (C)). C) de las funciones complejas de variable compleja. al que denotamos por Mn (K). el conjunto F(N. R3 ) tienen estructura de espacio vectorial respecto de las operaciones consideradas en la proposición anterior. C×M5 (C)). 2 conjuntos tienen estructura de espacio vectorial respecto de las operaciones consideradas en la misma. F(N. · · · . 1. concluímos que (1 · f ) = f. el conjunto Ejemplos. 4. el conjunto F(C.Álgebra y teniendo en cuenta que ∀x ∈ E. ·) es un cuerpo. m}×{1. respecto de la suma y producto por escalares introducidos. K) de las matrices de m las y n columnas con coecientes en un cuerpo K y. el conjunto F(R. 5. R). +. M2 (C)) de las sucesiones de matrices de M2 (C). El conjunto F(R.

1 Si E es un K − e. 0 · u = 0. Se verica que H a) 0 ∈ H b) ∀u. se dice que H es un subespacio vectorial de E si H tiene estructura de espacio vectorial respecto de las operaciones inducidas por las de E. v ∈ H u + v ∈ H.v. dichas propiedades también se satisfacen en el caso particular de que los vectores sean de H.3.3. E si Demostración Ejercicio. y H ⊂ E. H = ∅. conmutativa. (+ es asociativa.v. ∀u. Indicación: vericar que las condiciones 1.v.3 Subespacios vectoriales Siendo E un K − e. . siendo E un K − e. ∀u ∈ H αu ∈ H.100 Álgebra 2. y H ⊂ E. se dice que H es un subespacio vectorial de E si: 1. β ∈ K se verica que (αu + βv) ∈ H. Por consiguiente. ∀α ∈ K. teniendo en cuenta que si + y · satisfacen las propiedades necesarias para que E sea un K − e. lo único que necesitamos para que H sea un subespacio vectorial de E es que el resultado obtenido al hacer actuar dichas operaciones sobre elementos de H sea un elemento de H.2 Sean E un K − e. y H ⊂ E. 2 y 3 de la denición equivalen a las condiciones a) y b). se verica que E E y que {0} E.· · · ). En lo sucesivo utilizaremos la notación H subespacio vectorial de E. 2 Observación 22 De la denición de subespacio vectorial se sigue que. ∀α. y que siendo 0 ∈ K y u ∈ H. v ∈ H. es decir: Denición 2.v. E para indicar que H es un y sólo si Proposición 2.v. 2. 3.

g ∈ C[x] y α. ∃(b0 . y lo mismo sucede con (αα1 . Cuando introduzcamos el concepto de dimensión veremos que los únicos subespacios vectoriales de R3 son: {0}. 0. un son vectores de H. C[x] F (C. · · · . . que si E es un K − e. Igualmente. αn son escalares. bm ) ∈ Cm+1 tales que ∀x ∈ C se verica que f (x) = an xn + · · · + a0 ∧ g(x) = bm xm + · · · + b0 . ∃(a0 .v. un ) ∈ H . Puesto que si H E. (De manera informal: si H E. no es difícil comprobar que cualquier plano de R3 que pase por el punto (0. entonces (α1 +β1 . 2. · · · . · · · . razonando por inducción sobre n. 0) es un subespacio vectorial de R3 . R3 . . · · · .Álgebra 101 Observación 23 No es difícil demostrar. y α1 . β ∈ K . αn +βn ) también es solución del sistema. (De forma análoga. . αn ). · · · .   a x + ··· + a x = 0 m1 1 mn n Para comprobarlo. C). cualquier recta de R3 que pase por el punto (0. R2 y las rectas que pasan por 0). pues a) 0 ∈ C[x]. · · · . El conjunto formado por todas las soluciones de un sistema homogéneo de m ecuaciones lineales con n incógnitas y con coecientes en un cuerpo K es un subespacio vectorial de Kn EJEMPLOS:   a11 x1 + · · · + a1n xn = 0  . · · · . y H E . αn ) ∈ K . · · · . de la denición de C[x] se sigue que ∃n. las rectas que pasan por 0 =(0. an ) ∈ Cn+1 .) 1. u1 . necesariamente α1 u1 + · · · + αn un ∈ H. ααn ). los únicos subespacios de R2 son: {0}. · · · . b) si f. 0) es un subespacio vectorial de R3 . i=1 n αi ui ∈ H. m ∈ N ∪ {0}. 0) y los planos que pasan por 0. sólo hay que vericar que si (α1 . (β1 . · · · . 0. entonces se verica que n n ∀(u1 . βn ) ∈ Kn son soluciones del sistema anterior y α ∈ K. 3. ∀(α1 . . 0. necesariamente 0 ∈ H.

R). gr(g)} ≤ n. 5. entonces αf ∈ C(R. resulta que f + g ∈ Pn (C) iii) Dados f ∈ Pn (C) y α ∈ K. R). conjunto al que denotamos por C([a. g ∈ Pn (C). R). R). es decir. g ∈ C(R. (αf + βg) ∈ C[x]. teniendo en cuenta que gr(αf ) = gr(f ). Si denotamos por C(R. · · · . R). y que si α ∈ R y f ∈ C(R. ii) Dados f. entonces αf = 0 ∈ Pn (C). n} bi = 0. hay que distinguir dos posibilidades: si α = 0. constituye un subespacio vectorial de F([a. teniendo en cuenta que cualquier función constante es continua (con lo que C(R. Siendo Pn (C) el conjunto de polinomios con coecientes en C de grado ≤ n. R) F (R. que si f. tendremos que ∀x ∈ C (αf + βg)(x) = n n = α i=0 n ai x i +β i=0 bi xi = = i=0 (αai + βbi ) xi . R). se verica que Pn (C) C[x] pues i) 0 ∈ Pn (C). b]. si n ≥ m. 4. el conjunto de las funciones reales denidas en el conjunto [a. con lo que Pn (C) = ∅. b] = {x ∈ R |a ≤ x ≤ b } y continuas en todos los puntos de este intervalo. R). entonces f + g ∈ C(R.102 Álgebra evidentemente. R) = ∅). Por el mismo motivo. se sigue que en cualquier caso αf ∈ Pn (C). Observación 24 Puesto que todo subespacio vectorial de un espacio vectorial dado es a su vez un espacio vectorial. poniendo ∀i ∈ {m + 1. resulta que C(R. b]. R) al conjunto de funciones reales de variable real que son continuas en todos los puntos de R. es posible referirnos a cada uno de . por otra parte si α = 0. teniendo en cuenta que gr(f + g) ≤ max{gr(f ).

· · · . Si denota- mos por Sn (K) al conjunto de las matrices simétricas de orden n. 2 . n} |i < j } y SD = {(i.3. y S ⊂ X. inferiormente Tn (K) y diagonales Dn (K) son subespacios vectoriales de Mn (K). · · · .3. j) ∈ {1.3. se verica T n (K) = A ∈ Mn (K) A(S T ) = {0} . E).1 Se dice que A ∈ Mn (K) es simétrica si t A = A. n} × {1. · · · . j) ∈ {1. Proposición 2. n} × {1. · · · . Ejercicio 2. Demostración Ejercicio. demostrar que Sn (K) Mn (K).3 Si X = ∅. E es un K − e. n} |i > j }. en cuenta que. n} × {1. n} |i = j }. ST = {(i. de este modo. R).Álgebra 103 los ejemplos anteriores como espacios vectoriales. Tn (K) = {A ∈ Mn (K) |A(ST ) = {0} } y Dn (K) = {A ∈ Mn (K) |A(SD ) = {0}} . siendo Demostración Es suciente con aplicar la proposición anterior teniendo S T = {(i. · · · .v. etc. j) ∈ {1. el conjunto H = {f ∈ F (X. del espacio vectorial de los polinomios de grado ≤ n. T n (K).. E) |f (S) = {0} } es un subespacio vectorial de F(X. hablaremos del espacio vectorial de las funciones continuas C(R. · · · . Corolario 2.4 Las matrices triangulares superiormente.

pues (−3.2 Si {u1 . L(A) es el subespacio vectorial más pequeño que contiene a A. . La siguiente proposición establece que si E es un K − e. un ∈ E. 1) + 1 · (1. Proposición 2. un si ∃(α1 .. en ocasiones escribiremos {u1 . (−3. i=1 Observación 26 Si v ∈ E es combinación lineal de u1 . 2). un es un sistema de n vectores de E. 1). la secuencia u1 .4 Dependencia e independencia lineal Denición 2.v. y A ⊂ E denotaremos por L(A) = {v ∈ E |v es combinación lineal de un sistema de vectores de A}.v. · · · . 7) = (2. · · · .4. αn ) ∈ Kn tal que v = n αi ui . 4). (1. 7) depende linealmente de (2. 1). · · · . un } para referirnos al sistema u1 . un sistema de vectores de E es cualquier secuencia nita de vectores de E.3 Si consideramos en el R−e.4. si u1 . Por el mismo motivo. 0) = (−4) · (1. Si E es un K − e. un también diremos que v ∈ E depende linealmente de u1 .1 Si E es un K − e. 2). diremos que v ∈ E es combinación lineal de u1 . 2)A ⊂ L(A) y 3)∀H E (A ⊂ H ⇒ L(A) ⊂ H ). y A ⊂ E. · · · . 1) + 3 · (3. Así. · · · . · · · . 4). un . 0).104 Álgebra 2. puesto que (11.4. 0) depende linealmente de (1. Denición 2. Se verica que: 1) L(A) E. Ejemplo 2. · · · .v.v. · · · . resulta que (11. Observación 25 Para mayor claridad.4. · · · .v. y (3. (1. y A ⊂ E. R2 con su estructura de espa- cio vectorial habitual.4 Sean E un K−e. un . un } es un sistema de vectores de E.

y u1 .4. αn ) ∈ Kn . βm ) ∈ Km de manera que n m u= i=1 αi ui y v = i=1 β i vi . · · · . que v = 1 · v. 2. por otra parte. un es un sistema de vectores de E. de la denición de H se sigue que existen u1 . · · · . 2 Denición 2. un y v1 . donde hemos puesto ∀i ∈ {1. si H E es tal que A ⊂ H . cualquier combinación lineal de elementos de H (en particular de elementos de A ⊂ H ) es un elemento de H . β ∈ K. ∃(β1 . 1. por ejemplo. según vimos en su momento. con lo que v ∈ H. un }) se le denomina subespacio . vm sistemas de vectores de A y ∃(α1 . · · · .5 Si E es un K − e. y en consecuencia. · · · . concluímos que αu + βv ∈ H. wn+m es un sistema de n + m vectores de A. y u.Álgebra 105 Demostración Sea H = L(A). · · · . por lo que n m αu + βv = α i=1 n αi ui (ααi ) ui + +β i=1 m βi vi (ββi )vi = = = i=1 n+m i=1 = i=1 γi wi . Finalmente.v. puesto que w1 . Es obvio que 0 ∈ H y. · · · . podemos poner. con lo que H ⊂ H . · · · . siendo 1 ∈ K y {v} el sistema de vectores de A considerado. 3. · · · . al subespacio vectorial L({u1 . v ∈ H. dados α. Si v ∈ A. (i ≤ n ⇒ γi = (ααi ) ∧ wi = ui ) ∧ (n < i ≤ n + m ⇒ γi = (ββi ) ∧ wi = vi ) . n + m}.

un es H = L({u1 . 2. x. · · · . ya que si (a. 1. xn constituyen un sistema generador de Pn (C). 0) + b(0. 0). 0. Análogamente Ejemplos: (1. 0. f es de la forma f = a0 + · · · + an xn (ya que ∀z ∈ C. 0. b) ∈ R2 . Los vectores (1. · · · . cualquier sistema de vectores de R2 que contenga a (1. 1) es un sistema generador de Kn . 0) + b(0. b) ∈ R2 . f (z) = (a0 + · · · + an xn )(z) = a0 + · · · + an z n ). 0) i=1 . · · · . 1). (0. (a. 0) y (0. un son linealmente independientes) si se verica que ∀(α1 . x2 . A este subespacio también lo denotaremos por L(u1 . · · · . 1) constituyen un sistema generador de R2 . 0). · · · . 0). 1) constituyen un sistema generador de R2 . un . un de vectores de E es libre (o también que los vectores u1 . (0. 0). son linealmente independientes. 1. 0.106 Álgebra vectorial generado por el sistema u1 . 0. un . · · · . un se dice que es un sistema generador de H = L({u1 .v. 1) será un sistema generador de R2 . que obviamente es un subespacio vectorial de E. 1).4. los vectores (1. b) = a(1. Denición 2. · · · . 1). pues cualquier vector de R2 se puede expresar como combinación lineal del sistema (1. Observación 27 Nótese que si todo vector de E se puede expresar como una combinación lineal de u1 . 0) y (0. Nos interesa caracterizar los sistemas generadores con el menor número posible de elementos. 3. Estos sistemas de vectores serán los sistemas de vectores que. constituyendo un sistema generador. (0. se dice que el sistema u1 . αn ) = (0. pues si f ∈ Pn (C). · · · . · · · . · · · . 1) también es un sistema generador de R2 . un }) = E. Los polinomios 1. · · · . · · · .. 0) y (0. (0. (3. De hecho. 0. · · · . el sistema de n vectores de Kn (1. un }). · · · . 1. (a. 1). b) = a(1. Pero el sistema (1. · · · . en general. y del sistema u1 . 1) es un sistema generador de R3 y. 1) + 0(3. Como hemos visto. · · · . 0). resulta que el subespacio vectorial generado por u1 . αn ) ∈ Kn n αi ui = 0 ⇒(α1 . (0. (0.6 Siendo E un K − e. pues si (a. un ). 0).

un no es libre. 0). de donde α = 0 = β. y sin embargo (0. 0) + β(0. un es ligado ⇔ n ∃(α1 . bitual el sistema {(2. (1. 0)} tales que i=1 n αi ui = 0 . 0) + γ(1. Así pues. 1) es un sistema libre. en denitiva.7 En el R − e. 0). · · · . · · · . αn ) ∈ K − {(0. · · · .v. 1) + (−3)(3. 0. 1) es libre. · · · .9 En el R − e. 0). 0). E.4. 1. 0. · · · . (3. (11. γ) = (0. 0. 0. 1. R3 con su estructura de espacio vectorial ha- Ejemplo 2. Un argumento similar se puede emplear para demostrar que el sistema de n vectores de Kn Ejemplo 2. (1. · · · . αn ) = (β1 . 0. α + β. 1) + β(1. 0. 0. 1. · · · . 1). −3. se dice que es ligado (o también que los vectores u1 . 1. · · · . 0. habitual el sistema (1. un son linealmente dependientes). −1. 1. un es un sistema de vectores del K − e. β) = (0. puesto que si (α. 0). 0. 0).Álgebra 107 Si el sistema de vectores u1 . R2 con su estructura de espacio vectorial 0(1. habitual el sistema {(2.10 Si u1 . · · · . 1). tendremos que (α. un es libre si y sólo si ∀v ∈ E n n Proposición 2. 0). pues Ejemplo 2.4. pues si α(1. R2 con su estructura de espacio vectorial (1. 1) = (0. (1. β. 2) + (11.4. v= i=1 α i ui ∧ v = i=1 β i ui ⇒ (α1 .  α=0 (α. β. 0. 1) = (0.4. (0. 0. γ) ∈ R3 es tal que α(2. · · · . 7)} es ligado. . α) = (0. (0. 0).v. 0) = (0. 7) = (0. 0). βn ) . resulta que (2α +   2α + β + γ = 0 α+β =0 β + γ. u1 .v. 0)} es libre. se verica que u1 . 0).8 En el R − e. 0). de donde y. (0. 0). 0) + (−1)(2. · · · . 2).v. · · · .

y puesto −1 que αi ∈ K. n} tal que ui es combinación lineal de u1 . · · · . resulta que n αi ui = n i=1 i=1 βi ui . con lo que n −1 αi · j=1 j=1 αj uj = 0. · · · . . x2 . Como también se verica que 0u1 + · · · + 0un = 0. · · · . · · · . Ahora bien. n} αi = βi .4. y como por hipótesis u1 . · · · . (Indicación: utilizar inducción sobre  n y la La siguiente proposición recoge una caracterización de los sistemas ligados. · · · . · · · . un es un sistema ligado tendremos que ∃(α1 . E. ui−1 . αn ) ∈ Kn − {(0.v. ui+1 . · · · . · · · .108 Álgebra Demostración  ⇒ Si (α1 . 2 continuidad de los polinomios. Proposición 2. 0). concluímos que (α1 −β1 . · · · . · · · . x. un es libre. (α1 . · · · . αn ) = (0. αn − βn ) = (0. i=1 βi ui . · · · . · · · . ∀i ∈ {1. (β1 . vericar que el sistema {1. · · · . · · · . n (αi −βi )ui = i=1 y por consiguiente ∀i ∈ {1. · · · .4. un es un sistema de vectores del K − e. · · · . 0).11 Si u1 . Demostración  ⇒ Si u1 . αn ) = (β1 .1 En el anillo de polinomios Pn (C). necesariamente αi tiene inverso αi ∈ K. · · · . · · · . · · · . n} (αi − βi ) = 0. es decir. aplicando la hipótesis resulta que (α1 .) Ejercicio 2. puesto α j uj −1 = αi · 0 = 0. un . βn ). o lo que es lo mismo. αn ).  ⇐ Supongamos que n i=1 αi ui = 0. xn } es libre. 0). un es ligado si y sólo si ∃i ∈ {1. existe i ∈ {1. n} tal que αi = 0. αn ) = (0. · · · . 0)} tal que n que (α1 . es decir. βn ) ∈ Kn son tales que v = n α i ui ∧ v = n i=1 0. se verica que u1 . · · · .

con lo que u1 . w} es ligado) si y sólo si al menos uno de los vectores es una combinación lineal de los restantes.j=i αj uj .v. pasando por 0. ui+1 . Pero el subespacio vectorial generado por dos vectores cualesquiera de R3 es una recta que pasa por el origen.Álgebra Pero −1 αi n j=1 n n 109 · j=1 αj uj = j=1 −1 αi αj uj . v y w son linealmente dependientes (o lo que es lo mismo. . αn ) = (0. v y w son linealmente dependientes existe un plano que. dos vectores serán linealmente dependientes si y sólo si están sobre la misma recta que pasa por 0. 0) y n j=1 αj uj = 0. teniendo en cuenta que αi αi = 1. · · · . en cualquier caso. se verica que 1. un . 2 y v son linealmente dependientes si y solamente si uno de ellos se obtiene multiplicando un escalar por el otro. u. m ∈ N. de donde −1 −1 αi αj uj = 0. De manera general: Ejemplo: Como consecuencia de la proposición anterior. · · · . Asimismo. v y w son vectores de R3 . · · · . · · · . un es un sistema ligado.12 Si E es un K − e.j=i −1 −αi αj uj . r. contiene a los tres vectores. un plano que pasa por el origen. (u ∈ E ∧ u = 0) ⇒ u es libre. en el caso particular de R2 y R3 . Por consiguiente.  ⇐ Supongamos que n ui = j=1. es decir. · · · . el sistema {u. En ese caso. o el propio origen. v. si u. n resulta que ui = j=1. dos vectores u Proposición 2. ui−1 . si u. con lo que. pasando ui al segundo miembro y tomando αi = −1. ui es combinación lineal de u1 .4. y n. resulta que (α1 .

. · · · . 0). · · · . un es tal que ∃i ∈ {1. j=1 Dado entonces el sistema v1 . αr ) ∈ j=1 αj uj = 0. Si u ∈ E − {0} y αu = 0. que r ≤ n y que (α1 . un es libre. · · · . · · · . β1 . un es ligado. 3. αn . tendremos que αj uj = 0 y. vm de m vectores de E. un es ligado entonces ∀v1 . 0) y en particular (α1 . · · · . deniendo ∀j ∈ {r + 1. n} de manera que ui = 0. 0). · · · . αr ) = (0. · · · . αn ) = (0. 0). · · · . 0) y n αj uj = 0u1 + · · · + 0ui−1 + 1 · 0 + 0ui+1 + · · · + 0un = 0. · · · . · · · . · · · . ur es libre. · · · . vm } es ligado. Demostración 1. tendremos que n αj uj + m j=1 j=1 βj vj = 0. entonces u1 .110 Álgebra 2. j=1 4. αn ) ∈ Kn denida por la condición αi = 1 ∧ ∀j ∈ {1. 3. vm ∈ E el sistema {u1 . En ese caso. m} βj = 0. · · · . · · · . · · · . un ∈ En es tal que ui = 0. considerando la n-tupla (α1 . · · · . Supongamos que u1 . · · · . αn ) = (0. si u1 . Si u1 . un ∈ En es libre. · · · . · · · . ∃(α1 . · · · . · · · . resulta que (α1 . · · · . · · · . · · · . 2. βm ) = (0. (α1 . · · · . · · · . un es libre y r ≤ n. resulta que (α1 . puesto que u1 . n}(j = i ⇒ αj = 0). con lo Kr es tal que r que u es libre. deniendo ∀j ∈ {1. · · · . entonces el sistema u1 . un es ligado. necesariamente α = 0. si u1 . 4. n} n j=1 αj = 0. un . v1 . · · · . si u1 . αn ) = (0. 0) tal que n αj uj = 0. · · · . · · · . · · · . · · · . Si u1 . αn ) = (0. y puesto que (α1 .

v1 . vm es ligado. En ese caso necesa- riamente β = 0. resulta que (α1 . puesto que si β = 0. Proposición 2.4.v.13 Si u1 . con lo que. · · · . Pero si β = 0. · · · . · · · . un . αn ) = (0. entonces v es combinación lineal de u1 . β) = (0. (α1 . · · · . Demostración Supongamos que n n j=1 αj uj + βv = 0. E y v ∈ E son tales que u1 . entonces n αj uj = 0. αn .4. un es libre. · · · . en denitiva.v. · · · . entonces el sistema u1 . un es libre y u1 . v es libre.14 Si u1 . un . E libre y v ∈ E no es combinación lineal de u1 . j=1 y puesto que u1 . un . un . v es ligado. un es un sistema de vectores del K − e. 0. · · · . . · · · . un . · · · . un es un sistema de vectores del K − e. tendríamos que v= j=1 −β −1 · αj uj en contradicción con la hipótesis. · · · . · · · . 111 2 Las propiedades 2 y 4 de la proposición anterior podrían enunciarse de manera poco rigurosa del siguiente modo: todo subsistema de un sistema libre es libre y todo supersistema de un sistema ligado es ligado .Álgebra con lo que u1 . 2 Corolario 2. 0). · · · . · · · . · · · . 0).

generador y ordenado. an ) ∈ Kn están unívocamente i=1 determinados. como E E. entonces no hay un sistema generador de dicho subespacio que tenga menos vectores que el sistema libre considerado. un } para denotarla. E y H E. un . un . Un cambio en el orden de los vectores u1 . · · · . · · · . Veremos por ejemplo. si un sistema libre es a la vez generador de un cierto subespacio. un es libre y ∀v ∈ H se verica que v es combinación lineal de u1 . Una vez concluido el estudio de la sección.112 Álgebra 2. que el número máximo de vectores linealmente independientes que podemos encontrar en Rn es n). Esta situación justica la denición de base ordenada: una base ordenada B = (u1 . · · · . un ) de un K − e. donde los coecientes (a1 . · · · . y el número máximo de vectores linealmente independientes que podemos encontrar en R3 es 3. la expresión del vector como combinación lineal de ese sistema es única.v. (Según sabemos. el número máximo de vectores linealmente independientes que podemos encontrar en R2 es 2. E es un sistema de vectores de E que es simultáneamente libre y generador. Nota: Si u1 . se dice que un sistema u1 . · · · . si un vector se expresa como combinación lineal de un sistema libre. E es un sistema de vectores libre. pero dependen en el orden dado a los vectores u1 . · · · . un de vectores de H es una base de H si u1 . un da por resultado un cambio correspondiente en el orden de los coecientes del vector v.5. una base de un K − e. habremos resuelto un problema adicional: sabremos cuál es el número máximo de vectores linealmente independientes que podemos encontrar en un espacio vectorial dado. Denición 2.v.1 Sistemas generadores y bases Según vimos. Además. Todo vector v ∈ E se escribe en la forma v = n ai ui . · · · .1 Dados un K − e.v.10. por la proposición 2. En particular. Las razones anteriores son sucientes para estudiar los sistemas de vectores que son a la vez sistemas generadores y libres. · · · . B = {u1 . En otras palabras.5 Bases y dimensión 2. es usual escribir . E. una base de E es un sistema de vectores de E que es libre y tal que todo vector de E se expresa como combinación lineal de dicho sistema.5.4.v. un es una base de un K − e. · · · .

0). K. · · · . 1)} también es una base de R2 . el sistema de ecuaciones 3 x = 2α − β y =α+β . α + β). resolviendo el sistema 2α − β = 0 α+β =0 obtenemos que α = β = 0. α = 1 (x + y) y β = y − 1 (x + y) . (0. · · · . αn ) = (0. ya que si α(2.v. 1). resulta que B1 = (1) es una base del K − e. 1)} de vectores de Kn que hemos visto que es un sistema generador de Kn también es libre. 1). 1) + β(−1. puesto que si (α1 . 0. 1)} es libre. 1) = (0. puesto que a) {(2. 1)) es una base ordenada de R2 (es la base canónica de R2 ). resulta que (2α − β. 0. 0. es decir. resulta que (x. Bn = ((1. 0). Por consiguiente. 0). y) ∈ R2 . 0). (−1. · · · . Por otra parte el sistema {(2. · · · . 1) + β(−1. y) = α(2. i. tendremos que (α1 . 0) + · · · + αn (0. 1). puesto que dado (x. (0. (α. α + β) = (0. 0. · · · . 0). 1) = (0. · · · . b) Todo vector de R2 se puede expresar como combinación lineal de {(2. poniendo (x. 1)}. (−1. (−1.e. αn ) ∈ Kn es tal que Ejemplos α1 (1. Como un subcaso del ejemplo anterior. 0. · · · . · · · . · · · . 3 3 2 β = 3 y − 1 x. · · · . El sistema {(1. 0. es decir. 1)) es una base ordenada de Kn . β) = (0. resulta que ((1. 2.Álgebra 113 1. y =α+β de donde x + y = 3α. 0). y) = (2α − β. · · · . en otras palabras. x = 2α − β . es decir.. Como caso particular. · · · . (0. de donde. 0). 0). A esta base se la conoce con el nombre de base canónica de Kn y se la denota como Bn . 1).

2 Si B = (u1 . a1 . · · · . 3 3 y en consecuencia {(2. de las matrices columna de n las.114 tiene solución ∀(x. ∃(a0 . en } una base de Mn×1 (K). · · · . se verica que 1. · · · . m} y ∀j ∈ {1.   . x. 3.1 En el espacio vectorial de la matrices Mm×n (K). n}. un ) es una base ordenada del K − e. · · · . an ) ∈ Kn+1 tal que ∀x ∈ C f = a0 +a1 x+· · ·+an xn . en } = { . A esta base también la denominaremos base can´nica de Mn×1 (K) y la denotaremos por o Bc . αn  .  . xn }. 1).  . Es decir. . sea Eij la matriz que tiene un único coeciente no nulo: Eij (i. · · · . 1) → . es fácil comprobar que {e1 .  . Mn×1 (K) 1 si j = i 0 si j = i . (−1.  .  . j) = 1. 4.5.  . }. En el K − e.5.   . n} × {1} (j. · · · . y) = 1 1 x + y (2. 1). Siendo Pn (C) el conjunto de polinomios con coecientes en C de grado ≤ n. a la matriz  α1  .v. Mn×1 (K). xn es una base de Pn (C) pues a) {1. xn } es libre (compruébese) y b) si f ∈ Pn (C).       1 0 0  0   1   0        Bc = {e1 . Vericar que las mn matrices Eij forman una base de Mm×n (K). n} ei : {1. ∀i ∈ {1. utilizando la notación matricial usual. · · · . x. · · · . . · · · . · · · . 1) + 3 3 2 1 y − x (−1. x.v. y) ∈ R2 y podemos escribir Álgebra (x.  ∈ Mn×1 (K) . · · · .   . · · · . Denición 2. con lo que f es combinación lineal de {1. 1)} es un sistema generador de R2 . siendo ∀i ∈ {1. E yv= n i=1 αi ui . 0 0 1 Ejercicio 2.

1)). En particular. (−1. 1) = 3(1. 1)). (0. −2. x2 . 1). ((x. ≤ 3. 0. 0. (0.Álgebra 115 la denominaremos matriz de coordenadas del vector v respecto de la base B. siendo B3 = ((1. resulta que 2x3 + x − 5 Ejemplo 2. 0) + (−2)(0. y))B =  1 x 3 2 y 3  . x. 2  B puesto que 2x3 + x − 5 = (−5) · 1 + x + 0 · x2 + 2x3 . 1. 1). 1)) y B = ((2.5. −2. o simplemente coordenadas del vector v respecto de B. . siendo B2 = ((1. 0))B = −1 3 . 0).5. resulta que ((3. 1. Ejemplo 2. 0))B2 = mientras que ((1. y))B2 = mientras que x y + 1y 3 − 1 0 1 3 1 x 3  ((x.5. ((1. y) ∈ R2 . 0.4 En el espacio vectorial P3 (C) de los polinomios de grado  −5  1   =  0 . 0). 0. 0). siendo B = (1.3 En el espacio vectorial R3 . x3 ). (0.5 En el espacio vectorial R2 . resulta que ∀(x. y la denotaremos por (v)B . 0) + 1(0. Ejemplo 2. 1))B3 puesto que  3 =  −2  1  (3.

n} tal que ui es combinación lineal del sistema {u1 . de los polinomios C[x] no es de dimensión nita.j=i γ j uj . · · · .116 Álgebra Denición 2. (0. 0.v. 0. un } es una base de E. puesto que ∀(x1 . 0) + · · · + xn (0. Ejemplo 2. tendremos que v = β1 u1 + · · · + βi−1 ui−1 + βi j=1. un }.8 El C − e. y ∃u1 . ui−1 . 0). · · · . E es de dimensión nita si ∃n ∈ N.6 Se dice que un K − e. · · · . · · · .5. y ∃i ∈ {1. 1)) es un sistema generador de Kn y. · · · . es una base de Kn . pn } es una base de C[x]. · · · . siendo r = max{gr(pi ) |i ∈ {1. · · · .5. ui+1 .j=i αj uj y v = n j=1 n βj uj . · · · . puesto que si ui = n j=1. · · · . pn }. un } es también combinación lineal de {u1 .v. ui+1 . puesto que. · · · . 2. entonces cualquier vector que sea combinación lineal de {u1 . xn ) = x1 (1. rado. · · · . un } es un sistema de vectores de un K − e. · · · . 1).5. · · · .v. un }. 0. puesto que es libre. · · · . nitamente gene(x1 . · · · .5. · · · .7 ∀n ∈ N se verica que Kn es un K − e. .j=i n α j uj + βi+1 ui+1 + · · · + βn un = = j=1. · · · . con lo que el sistema de n elementos ((1. E. · · · .2 Equipotencia de bases Observación 28 Si {u1 . n} }. xn ) ∈ Kn Ejemplo 2. ui−1 . si suponemos que {p1 .v. 0. un sistema de vectores de E tal que {u1 . es obvio que el polinomio xr+1 ∈ C[x] no se puede expresar como combinación lineal del sistema {p1 . razonando por reducción al absurdo. · · · .

j =1 . vm } es ligado. un } es una base de E. m} vi = 0. Puesto que {u1 . · · · . el sistema (v1 . ∀i ∈ {1. (en este punto es importante que el alumno utilice una notación no contra ida del sumatorio para entender el paso anterior) con lo que. En estas condiciones el sistema {v1 . · · · . n} − {i} γj = (βj + βi αj ) . Proposición 2. ∀j ∈ {1. · · · . suponiendo que m βj vj = 0. teniendo en cuenta que {u1 . vm } es ligado. · · · .5. obtenemos que todos los coecientes de la combinación lineal anterior deben ser iguales a cero. Por consiguiente. es decir. · · · . m} vi = 0.v. un } es una base de E.. un } una base de E y {v1 . · · · . · · · . Demostración Supondremos que ∀i ∈ {1. · · · . automáticamente el sistema {v1 . · · · . · · · . vm ) es ligado. n m ( i=1 j =1 aij βj )ui = 0. j=1 tendremos que m n βj ( j=1 i=1 aij ui ) = 0. m} n vj = i=1 aij ui . · · · . puesto que en caso contrario. n}.9 Sean E un K − e. · · · .Álgebra 117 donde ∀j ∈ {1. Veamos que aún siendo ∀i ∈ {1. vm } un sistema de vectores de E con m > n. m aij βj = 0. {u1 . es decir.

· · · . dicho sistema tiene soluciones diferentes de la trivial. vm } todo vector del sistema {u1 . vm } es ligado.v. se verica necesariamente que n = m. diremos que la dimensión de E es n y escribiremos dim(E) = n.5. y en denitiva obtenemos que n = m. (2. · · · .5. como {v1 . Corolario 2. puesto que el sistema de ecuaciones homogéneo   a11 β1 + · · · + a1n βm = 0  .v. · · · . en contradicción con que sea base). un } y B = {v1 . podemos establecer la siguiente denición: Demostración Por la proposición anterior. un } (puesto que {u1 . . un } es combinación lineal de {v1 . un } sería ligado. . nitamente generado y B = {u1 .v. · · · . un ) ∈ En es una base de E. vm } es combinación lineal de {u1 . · · · .118 y. · · · .v. · · · . vm } sería ligado.10 (Equipotencia de bases en un K−e. como todo vector del sistema Denición 2. en contradicción con que sea base). 2 Una vez demostrado que si E es un K − e. un } es base de E) concluímos que m ≤ n (ya que en caso contrario {v1 .11 Si E es un K − e. · · · . 2 Observación 29 Cualquier sistema de 4 o más vectores de R3 es ligado. · · · . de dimensión nita) Si E es un K − e.10) {v1 . · · · . por lo que {v1 .   a β + ··· + a β = 0 n1 1 nm m Álgebra tiene más incógnitas que ecuaciones (m > n). · · · . . de dimensión nita todas las bases de E tienen el mismo número de elementos. Por el mismo motivo. de dimensión nita y (u1 . vm } son bases de E. vm } concluímos que n ≤ m (ya que en caso contrario {u1 . · · · .

n} de manera que wi = vj .5. vn } es ligado. 2. Además del teorema de equipotencia de bases en un K − e. Cómo 1 ∈ K es una base del K − e. · · · r} ∃j ∈ {1. 2. Teniendo en cuenta que la base canónica de Kn tiene  n elementos.v. · · · . · · · . · · · . vm } sistema de vectores de E ∧ (m > n)) ⇒ {v1 . ({v1 . · · · . resulta que dim(Kn ) = n. · · · . vn } no es más que una reordenación de la n−tupla {w1 . entonces se verica que: Proposición 2.) existirán r ∈ N.5. vn } es libre. 1 + x. un } es una base de E. tales que ∀i ∈ {1. xn ) ∈ (Pn (C))n+1 es una base de Pn (C). vn } sistema libre de vectores de E ⇒ {v1 . vn } a un sistema libre. vn } sistema generador de E ⇒ {v1 . x. · · · . Puesto que (1.9).v. vn } base.Álgebra 119 Ejemplos: 1. r ≤ n y una base B = {w1 . · · · . Si {v1 . · · · .2 Vericar que el sistema {1.4. Evidente a partir de la proposición (2. resulta que dim(K) = 1.12 Si E es un K − e. · · · . vn } base.11) hasta reducir el sistema {v1 . · · · . y {u1 . {v1 . · · · . {v1 . 3.5. x2 } es una base de P2 (C). wn } es libre y la n − tupla {v1 . 3. Pero puesto que {w1 . · · · . 1.13) y 1. wr } es una base de E. vn } es un sistema generador de E y {v1 . · · · .9) también se pueden obtener de manera inmediata los siguientes resultados. · · · . r = n y puesto que {w1 . entonces (aplicando la proposición (2. K. Evidente a partir de la proposición (2. 3. de la proposición (2.2 Demostración 1.v. · · · . · · · . resulta que {v1 . wr } de E. de dimensión nita. · · · .5. Ejercicio 2. A esta base la denominaremos base usual de Pn (C). tendremos que dim(Pn (C)) = n + 1. .4. vm } ligado. 2. wn }. · · · .

Si n − m = 1.120 Álgebra 2. · · · . H E y (u1 . · · · . un−1 ). · · · . v) ∈ En es un sistema libre. un−1 ). · · · . . v) es libre. un ) ∈ En−m tal que (u1 . (u1 . entonces (u1 . entonces H también es de dimensión nita y dim(H) ≤ dim(E). un−1 . Demostración Razonamos por inducción sobre n − m : Base de inducción. · · · . um . tendremos que (u1 . un−1 ) es una base de H.v. todo vector de E será también un vector de H. un−1 ) es un sistema libre. dim(H ) = m + 1. · · · . · · · . puesto que m < n. en ese caso. y sea E un K − e. puesto que si (u1 .6. y en consecuencia al poder expresar todo vector de E como combinación lineal de (u1 . por lo que ∃v ∈ E tal que v no es combinación lineal de (u1 . Pero en ese caso. · · · . de dimensión nita y H E. m}} ∪ {v}). un−1 . puesto que cualquier sistema libre de vectores de H también es un sistema libre de vectores de E. y por otra parte. · · · . un ). · · · . · · · .v. · · · .1 (Teorema de extensión de una base) Si E es un K − e. un ) es una base de E. um ) es un sistema libre de E y. nitamente generado con dim(E) = n. um ) ∈ H m una base de H tal que n − m = k + 1. En ese caso (u1 . Por consiguiente (u1 . v) es una base de E. con lo que obtenemos que (u1 . H base de H con m < n entonces existe Proposición 2. un ) también es una base de E. un−1 ) no es una base de E. · · · . Paso de inducción. teniendo en cuenta que dim(E) = n. y por consiguiente ∃v ∈ E tal que v no es combinación lineal de (u1 . si consideramos el subespacio vectorial H = L({ui |i ∈ {1. · · · . · · · . · · · . · · · . teniendo en cuenta que n − m = k + 1. um . um . Ahora bien. · · · . (u1 . entonces m = n − 1 y (u1 . · · · . resulta que todo vector de H se expresa como combinación lineal de (u1 . y por lo tanto.6 Subespacios vectoriales y dimensión Observación 30 Si E es un K−e. como (u1 . · · · . · · · . Ahora bien. con lo que H = E. un ) ∈ H n es una base de H. v) y que además este sistema es libre. E y (u1 . v) es una base de H . pero. um . um ) ∈ H m es una (um+1 . con lo que (u1 . um ) = (u1 . · · · .v. um ). puesto que es un sistema libre de n vectores de E. um+1 . se verica necesariamente que H = E. resulta que (u1 . · · · . Supongamos cierto el resultado para n − m = k. um ) no es base de E. tal que dim(E) = n. Nótese además que si H es un subespacio vectorial de E tal que dim(H) = dim(E).

∃(um+2 . m}}). · · · . um+2 . Finalmente. Si dim(H) = 0. 0) (puesto que 0 = (0.v. z) ∈ H. · · · . 1 ó 2. un ) ∈ En−m tal que (u1 . um+1 . tendremos que H = L({u}) = {v ∈ R3 |∃α ∈ R tal que v = αu }. v) es una base de H. en el C − e. se dice que H es un hiperplano de E. x2 )). un ) es una base de E. la demostración está completa. es decir. resulta que H = {w ∈ R3 |∃(α. um ) es un sistema libre de vectores de E y dim(E) = n > m. 0. un ) es una base de E. P4 (C) = {f ∈ C[x] |gr(f ) ≤ 4}. R3 . 0. β) ∈ R2 tal que w = αu + βv } y es fácil ver que la representación gráca de H es el plano de R3 que pasa por (0. · · · . um . un ) ∈ En−(m+1) tal que (u1 .∀z ∈ C f (z) = (α · 1) (z) = α } es una recta de P4 (C). v.Álgebra 121 resulta que n − (m + 1) = k.. y (u. Así por ejemplo. 0) ∈ H al ser H R3 ) y el punto (x. si dim(H) = 2. 0. um ) es un sistema generador del subespacio vectorial H = L({ui |i ∈ {1. Si dim(H) = 1. si dim(H) = 1 se dice que H es una recta de E. es decir. u = (0. y H {f ∈ P4 (C) ∃(α. · · · . 2 Observación 31 Nótese que el resultado anterior tiene como consecuencia que si (u1 . Observación 32 Puesto que dim(R3 ) = 3.v. (u1 . · · · . que L((x.. y si dim(E) = n y dim(H) = n − 1. con lo que aplicando la hipótesis de inducción. · · · . um . podemos armar que L((1)) = {f ∈ P4 (C) |∃α ∈ C.∀z ∈ C f (z) = αx + βx2 (z) = αz + βz 2 } es un plano de P4 (C) y que L((1. y. se dice que H es un plano de E. si H . β) ∈ C2 . puesto que si es libre. x. x3 )) es un hiperplano de P4 (C). resulta que dim(H) = 0. y. Dados un K − e. E. 0). 0)}. entonces ∃(um+1 . x2 . · · · . y u = (x. H = {(0. H = R3 . · · · . 0. y es fácil ver que la representación gráca de H es la recta que pasa por el punto (0. · · · . 0) y por u y v. si dim(H) = 2. E. z). el conjunto Nota. 0.

Ejemplo 2. se verica que 1 0 0     1 1 1  1   1   0 ). Si {A1 . um ). 0). Ejemplo 2. 0). um ). Se denomina rango del sistema {u1 . 1. (0. 0)) = 2. · · · . rg((1.7. · · · . 0). si        1 1 1 0  1  + β  1  + γ  0  =  0 .   1 1 1 Ejemplo 2. um } un sistema de vectores E. Para indicar que el rango del sistema {u1 .7 Rango de un sistema de vectores y de una matriz Denición 2. (0. 0)} un sistema libre. · · · . um } es r escribiremos rg(u1 . 0.4 Sea A ∈ Mm×n (K). (0.7. · · · . um } a la dimensión del subespacio vectorial L(u1 . y {u1 . · · · . x2 . rg(1. 0). (0. 1. An } es el sistema de vectores de Mm×1 (K) formado por las columnas de A. es decir. · · · . · · · . rg(A) = rg( 1 0 0 Ahora bien. al rango de dicho sistema de vectores.1 Sean E un K-e. 0. rg((1. 0. · · · .122 Álgebra 2. Por otra parte. · · · . um .7. · · · . α 1 0 0 0  . constituyen una base del subespacio vectorial que generan.2 En el espacio vectorial R3 .7.7. 1 + x2 ) = 2. um ) ⇔ v ∈ L(u1 . um ) = r.v. puesto que al ser {(1.3 En el espacio vectorial P2 (C). An ). se denomina rango de A rg(A) = rg(A1 . A tenor de los resultados vistos hasta ahora. v) = rg(u1 . Denición 2. 1. 1)) = 3. 0. resulta evidente que rg(u1 .5 Dada la matriz A =  1 1 0  ∈ M3 (R).

.e. expresaremos: x1 A1 + · · · + xn An = b. L(A1 . Tras el estudio de la siguiente sección. xn de manera que se satisfaga la siguiente expresión:       b1 a1n a11  ..   a x + ··· + a x = b . veremos un método sistemático y sencillo para determinar el rango de un sistema de vectores.  . al subespacio de Mm×1 (K) generado por las columnas de A. de forma reducida.  .  x1 ·  . . en consecuencia. . resolver dicho sistema cuando es compatible) signica determinar si existen x1 . 2.  + · · · + xn ·  . rg(A) = 3.   .  =  . que obviamente servirá también para determinar el rango de una matriz. Denición 2. el sistema es libre. . .Álgebra 123 tendremos que   α+β+γ =0 α+β =0  α=0 de donde α = 0 = β = γ.7. de donde     1 1 1 rg( 1   1   0 ) = 3 0 0 1 y.8 El teorema de Rouché-Fröbenius Es importante observar que dado un sistema de m ecuaciones lineales con n incógnitas y con coecientes en K de la forma   a11 x1 + · · · + a1n xn = b1 . . m1 1 mn n m determinar el conjunto solución de dicho sistema (i. · · · .6 Si A ∈ Mm×n (K). An ). se le denomina espacio columna de A. · · · .   . es decir. bm amn am1 que.

  .  . . · · · . . . donde (A |b) es la matriz ampliada asociada al sistema de ecuaciones considerado.  Es decir. An . b). rg(A) = rg(A |b) . el sistema será compatible si  . An ). bm expresar como combinación lineal de los vectores columna de Mm×1 (K)     a11 a1n  . am1 amn Los resultados vistos sobre dependencia e independencia lineal aplicados a este caso concreto nos llevan al siguiente resultado: Proposición 2. lo que es lo mismo.   . .  .  b =  . 2. 4. n} Aj = ·  . S = ∅). bm  (Nótese que la expresión anterior es una  ecuación lineal de Mm×1 (K)). · · · . amj  ∧  b1  .1 Dado el sistema de ecuaciones lineales   a11 x1 + · · · + a1n xn = b1 . . . · · · . b ∈ L(A1 .  ∀j ∈ {1. El sistema de ecuaciones es compatible (es decir. .124 donde Álgebra  a1j  . las siguientes armaciones son equivalentes: 1. .  ∈ Mm×1 (K) se puede .8.  b1  .··· . . . L(A1 . m1 1 mn n m o. · · · . An ) = L(A1 .   a x + ··· + a x = b . AX = b con A ∈ Mm×n (K) y b ∈ Mm×1 (K) y siendo S el conjunto formado por las soluciones del mismo. 3.

Así por ejemplo. son equivalentes las armaciones siguientes: 1. resulta que: Proposición 2. rg(A) = rg(A |b) = n. el sistema de ecuaciones con coecientes en R x + y = 2. 4. da lugar a la siguiente combinación lineal de M2×1 (R) x· 1 2 +y· 1 2 = 2 4 .Álgebra 125 Por otra parte. ya que ∈ L( 1 2 . El sistema es compatible determinado. 1 2 ) ( 1 2 . 2. An ) = n. · · · . puesto que 2 4 e indeterminado.2 Si el sistema de ecuaciones lineales AX = b con A ∈ Mn (K) y b ∈ Mn×1 (K) es compatible. (A1 . (A1 . 5. An ) es una base de Mn×1 (K). rg(A1 . Así pues el sistema es compatible. 3.8. An ) es un sistema libre de Mn×1 (K). Al resultado sobre la existencia y unicidad de soluciones de un sistema de ecuaciones lineales que aparece desglosado en las dos últimas proposiciones se le conoce con el nombre de Teorema de Rouché-Fröbenius. · · · . teniendo en cuenta que si un vector se escribe como combinación lineal de un sistema libre. 1 2 ) ∈ (M2×1 (R))2 . · · · . 2x + 2y = 4. dicha expresión es única.

Obsérvese que si E es un K − e. el sistema de ecuaciones lineales equivalente. α1 . debemos estudiar si existen α. determinar si un vector u ∈ E depende linealmente o no de un sistema de vectores dado v1 . en su caso. Álgebra B es una base ordenada de E. vm y hallar. u ∈ E. x. resolver) la ecuación lineal de Mn×1 (K) m αi (vi )B = (u)B i=1 o. siendo v1 . −1 0 1  . el problema anterior es equivalente a α(−x2 + x)B + β(x − 3)B = (3 − 2x + x2 )B . αm ∈ K tales que m αi vi = u. para determinar si el vector 3 − 2x + x2 pertenece o no al subespacio vectorial L(−x2 + x. · · · . x − 3). m m Nota importante.      0 −3 3 α  1  + β  1  =  −2  . β ∈ C tales que Ejemplos. α(−x2 + x) + β(x − 3) = 3 − 2x + x2 . La expresión situada a la derecha del símbolo  ⇔ es una ecuación lineal de Mn×1 (K). Así pues. i=1 consistirá en jar una base B del espacio vectorial E para estudiar (y. En el espacio vectorial P2 (C) de los polinomios de grado ≤ 2. · · · . 1.v. de dimensión n y α i vi = u ⇔ i=1 i=1 αi (vi )B = (u)B . en su caso. · · · . vm . de modo que puede ser considerada como un sistema de ecuaciones lineales. es decir. x2 ). siendo B = (1. resulta que. al estar caracterizado un vector por sus coordenadas respecto de una base ordenada.126 es un sistema ligado. si se preere.

lo que es lo mismo. a resolver el sistema de ecuaciones:   −3β = 3. Teorema 2.  −α = 1. . El conjunto SH solución de la ecuación homogénea o. puesto que el sistema 1 −1 ( . puesto que la dimensión 3 1 2 de M2×1 (R) es 2. se verica que: 1. Este sistema de ecuaciones es compatible determinado.   a x + ··· + a x = b .3 Dado el sistema de ecuaciones lineales   a11 x1 + · · · + a1n xn = b1 . x1 A1 + · · · + xn An = (0). lo que es lo mismo. que tiene como solución α = β = −1. ) es un sistema libre de M2×1 (R) y.Álgebra o. m1 1 mn n m AX = b con A ∈ Mm×n (K) y b ∈ Mm×1 (K) y siendo S el conjunto formado por las soluciones del mismo. Resolver el sistema de ecuaciones lineales 127 x−y =2 3x + y = 0.8. es un subespacio vectorial de Kn . 2. . es equivalente a ver si es posible expresar el vector lineal de los vectores 2 0 como combinación 1 3 x 1 3 y −1 1 +y de la forma: −1 1 = 2 0 . .  . α + β = −2. constituye una base y cualquier vector (en particular ) 0 se puede expresar como combinación lineal suya.

· · · . siendo S su conjunto solución y SH el conjunto solución del sistema homogéneo asociado. αn ) es una solución cualquiera de la ecuación lineal x1 A1 + · · · + xn An = b. entonces ∀(β1 . βn ) Es usual recalcar esta circunstancia escribiendo S = (α1 . · · · . si (α1 . αn + βn ) es solución de la ecuación lineal x1 A1 + · · · + xn An = b + c.. . · · · . βn ) − (α1 . (γ1 . Por otra parte. · · · . · · · . y (β1 . el sistema de ecuaciones lineales) x1 A1 + · · · + xn An = b. x1 A1 + · · · + xn An = b. · · · . βn ) es una solución de la ecuación lineal x1 A1 + · · · + xn An = c. el conjunto solu- ción de un sistema de ecuaciones lineales se obtiene sumando a una solución cualquiera de dicho sistema todas las soluciones del sistema homogéneo asociado. · · · . · · · . · · · . αn ) + SH . si se preere. · · · . se verica que: S= (γ1 . αn ) es una solución cualquiera del sistema de ecuaciones lineales. βn ) ∈ S ⇔ ((β1 . S es su conjunto solución. · · · . si (α1 . Es decir. es compatible. γn ) = (α1 . · · · . y (α1 . Si la ecuación lineal (o.128 Álgebra 2. resulta que (α1 + β1 . Este hecho se conoce con el nombre de principio de superposición de soluciones. · · · . αn ) + (β1 . γn ) ∈ Kn ∃(β1 . αn ) ∈ S. 2 Observación 33 Como consecuencia del teorema anterior. βn ) ∈ Kn ((β1 . βn ) ∈ SH . · · · . · · · . αn )) ∈ SH ) Demostración Ejercicio.

. denominaremos sistema fundamental de soluciones de dicho sistema a cualquier base del espacio vectorial SH de soluciones de su ecuación homogénea asociada. siendo S su conjunto solución y s ∈ S una solución particular de dicha ecuación. se verica que u ∈ S ⇔ ∃λ1 . 1 2 ) El sistema es compatible e indeterminado de hecho ( es un sistema ligado y 2 1 1 1 1 ∈ L( . 4 2 2 2 2 El conjunto solución se puede expresar mediante la suma de una solución particular del sistema a todas las del homogéneo.  z = t. Observación 34 Nótese que si (w1 . x1 A1 + · · · + xn An = b. 2x + 2y + 2z = 4. ) = L( ). 1 2 . · · · . Ejemplo: Dado el sistema de ecuaciones lineales x + y + z = 2.Álgebra 129 Denición 2. y = s. · · · . λr ∈ K tal que u = s + λ1 w1 + · · · + λr wr . con A ∈ Mm×n (K) y b ∈ Mm×1 (K). wr ) es un sistema fundamental de soluciones del sistema de ecuaciones lineales x1 A1 + · · · + xn An = b.8. Resolviendo el sistema homogéneo asociado por el método de Gauss-Jordan tenemos que la solución es   x = −s − t. la ecuación lineal de M2×1 (R) correspondiente es x 1 2 +y 1 2 +z 1 2 = 2 4 1 2 .4 Dado el sistema de ecuaciones lineales. . .

si se preere. Los vectores (1. 0) constituyen una base de SH . resulta que: S = {(x. z) = s(−1. = (0. 2.9. vimos en el capítulo 1 que las transformaciones elementales por las son invertibles. (1.130 es decir. Como (0.9 Método de Gauss y rango En esta sección vamos a ver un método sistemático que servirá para determinar el rango de una matriz y de un sistema de vectores. −1). z) ∈ R3 ∃α.1 Transformaciones elementales por columnas y matrices elementales Al estudiar un método para hallar la inversa de una matriz. z) = }. 1. 0. −1. o.. 1) 2. β ∈ R . 0)) es un sistema fundamental de soluciones del sistema dado. 2) es una solución particular de dicha ecuación. 0. 0. y. −1) y (1. 1. y. 0. y que la inversa de una transformación elemental es una transformación elemental. 1). (x. 0) + β(−1. según el cuadro TRANSFORMACIÓN Fi = Fi + λFj TRANSFORMACIÓN INVERSA Fi = Fi − λFj 1 Fi = Fi λ Fi ↔ Fj Fi = λFi (λ = 0) Fi ↔ Fj . Álgebra       x −1 −1  y  = s 1  + t 0  z 0 1 (x. y. −1. 0. 2) + α(−1. 0. Por consiguiente ((1. 0) + t(−1.

entonces si A es la matriz resultante de realizar la transformación t sobre las columnas de A según el esquema t A −→ A . y la tabla correspondiente será la siguiente: TRANSFORMACIÓN Ci = Ci + λCj TRANSFORMACIÓN INVERSA Ci = Ci − λCj 1 Ci = Ci λ Ci ↔ Cj Ci = λCi (λ = 0) Ci ↔ Cj Denotamos por S ij (λ) a la matriz elemental asociada a la transformación Ci = Ci + λCj .1 Si A ∈ Mm×n (K) y E es la matriz elemental de orden n que se obtiene al realizar la transformación elemental t sobre las columnas de In . resulta que A =A·E . por P i (λ) a la matriz elemental asociada a la transformación Ci = λCi (λ = 0) y por E ij a la matriz elemental asociada a la transformación Ci ↔ Cj . No es difícil vericar (y lo comprobaremos también al realizar la práctica 2 en el aula informática) que valen las siguientes identidades: S ij (λ) = Sji (λ) P i (λ) = Pi (λ) E ij = Eij Además vale el siguiente teorema: Teorema 2.Álgebra 131 Por el mismo motivo.9. las correspondientes transformaciones elementales por columnas son invertibles. según el esquema t In −→ E.

se verica que rg(A) = rg(B) .3 Si A ∈ Mm×n (K). sobre la matriz Ejercicio 2. vm ) ∧ L(u1 . y B ∈ Mm×n (K) es la matriz resultado de realizar una transformación elemental por columnas t sobre A.9. Para ello.132 Álgebra Es decir. un ) Demostración Se deja como ejercicio. · · · . El siguiente lema se aplicará en la demostración del teorema principal: Lema 2. vamos a comprobar en primer lugar que al realizar transformaciones elementales sobre las columnas de una matriz A no se altera su rango. · · · . un ∈ L(v1 . vm ) ⇔  v1 . · · · . · · · . se verica que   u1 . y (u1 .1 Verifíquese el resultado anterior para t ≡ C2 = C2 + 3C1  1 0 2 A =  3 1 1 . 0 1 4  es decir. · · · . · · · . 2 Teorema 2. en este caso hay que multiplicar por la matriz elemental correspondiente pero por la derecha en lugar de por la izquierda. · · · . entonces A = A · S 21 (3) = A · S12 (3).2 Si E es un K − e. un ) = L(v1 . un ) y (v1 . 2. vm ∈ L(u1 .v. vm ) son sistemas de vectores de E.9.9. · · · . comprobar que si A es la matriz resultante de hacer actuar t sobre A.2 Método de Gauss para calcular el rango de una matriz Buscamos un método que nos permita determinar de un modo sencillo el rango de una matriz A ∈ Mm×n (K).9.

Álgebra

133

Demostración Para demostrar el resultado, comprobaremos que si
t A −→ B,
entonces L(A1 , · · · , An ) = L(B 1 , · · · , B n ), con lo que rg(A) = rg(B). Distingamos tres posibilidades: a) t ≡ Ci = Ci + λCj . En ese caso todos los vectores columna de A y B coinciden, salvo el i − esimo; pero B i = Ai + λAj y Ai = B i − λAj = ´ i j B − λB , con lo que, teniendo en cuenta el lema anterior, concluimos que L(A1 , · · · , An ) = L(B 1 , · · · , B n ). b) t ≡ Ci = λCi (λ = 0). En ese caso todos los vectores columna de A y B coinciden, salvo el i − esimo; pero B i = λAi y Ai = (λ−1 )B i , con lo ´ que, teniendo en cuenta el lema anterior, concluimos que L(A1 , · · · , An ) = L(B 1 , · · · , B n ). c) Finalmente si t ≡ Ci ↔ Cj , es obvio que L(A1 , · · · , An ) = L(B 1 , · · · , B n ). 2 Es obvio, a partir de la proposición anterior, que si en lugar de realizar una transformación elemental, realizamos un número nito de ellas t1 , · · · , tr el rango se conserva. Es decir, si

t1 tr A −→, · · · , −→ B,
necesariamente rg(A) = rg(B). Vamos a considerar ahora un tipo de matrices cuyo rango se calcula de un modo sencillo:

Denición 2.9.4 Se dice A ∈ Mm×n (K) es una matriz gaussiana si ∀j ∈
{1, · · · , n} la columna Aj de A verica una de las dos siguientes condiciones:
G.1 Aj = (0) ∈ Mm×1 (K), G.2 ∃i ∈ {1, · · · , m} tal que

Aj (i, 1) = A(i, j) = 0 ∧ (∀k ∈ {j + 1, · · · , n} A(i, k) = 0) .

134

Álgebra

Ejemplo 2.9.5 Las siguientes matrices son gaussianas    
3 0 1 0 1  1 0 1   1 0     2 0 1 , 0 1     0 0 1   0 1 1 0 0 0 0 Sin embargo la matriz   ,   0 1 1 0       0  0 ,  0 0 0 0 0 0 0 1 1 1 1 0        1 1 1 1 1 0 1 0

   2 1 0 0  0   , 0 1 0 . 0  0 0 1 0

2 1 2 0 0

no es gaussiana, pues el primer vector columna no satisface ni la condición G.1 ni la condición G.2.

Proposición 2.9.6 Si A ∈ Mm×n (K) es una matriz gaussiana, entonces el

rango de A coincide con el número de vectores columna no nulos de A. En particular, los vectores columna no nulos de la matriz gaussiana A constituyen una base del espacio columna de dicha matriz,

L(A1 , · · · , An ).

Demostración Sea
I = {i ∈ {1, · · · , n} Ai = (0) },
y supongamos que el número de elementos de I es k. Por el teorema 2.9.3 podemos aplicar transformaciones elementales por columna y suponer que la columnas nulas de A sean las últimas. Entonces

I = {1, · · · , k} k ≤ n.
Consideremos el sistema

(A1 , · · · , Ak ).
Si demostramos que el sistema (A1 , · · · , Ak ) es libre, habremos concluido la demostración, pues

∀i ∈ {k + 1, · · · , n}, Ai = (0).

Álgebra

135

Razonamos por reducción al absurdo. Supongamos que
∃(α1 , · · · , αk ) ∈ Kk , (α1 , · · · , αk ) = (0, · · · , 0),
tal que En ese caso, siendo

α1 A1 + · · · + αk Ak = (0). t = min{i ∈ I |αi = 0 },

resulta que At = (0) y, como A es una matriz gaussiana, existirá

h ∈ {1, · · · , m} tal que A(h, t) = γ = 0
y tal que ∀s ∈ {t + 1, · · · , n}

A(h, s) = 0,
o lo que es lo mismo, y ∀s ∈ {t + 1, · · · , n},

At (h, 1) = γ As (h, 1) = 0.

Pero en ese caso tendremos que

0 = (0)(h, 1) = αt At + · · · + αk Ak (h, 1) = = αt At (h, 1) + · · · + αk Ak (h, 1) = αt γ,
de donde αt = 0, lo que contradice que t = min{i ∈ I |αi = 0 }.

2

A partir de la proposición anterior, está claro en qué consiste el método de Gauss para determinar el rango de una matriz: se trata de realizar transformaciones elementales por columna sobre dicha matriz hasta obtener una matriz gaussiana, cuyo rango se determina de manera inmediata. Esto es siempre posible aplicando la siguiente estrategia sobre la matriz considerada A de n columnas: 1. Consideramos la primera columna de A : j = 1. 2. Si Aj = (0) ir al paso 4. 3. Si Aj = (0) seleccionar un coeciente no nulo de dicha columna y hacer ceros (utilizando transformaciones elementales por columnas) todos los coecientes situados en su misma la a su derecha.

136

Álgebra 4. Hacemos j = j + 1. 5. Si j = n. FIN. 6. Si j < n ir al paso 2. La nueva matriz obtenida tras el proceso anterior es una matriz gaussiana.

Ejercicio 2.9.2 Determinar el rango de las siguientes matrices:
 1  1   2 0 . 2 1 0 1  1 1  , 1  1 −1 3 2 5 1 1 1  0 1 0 ,  1 −1 1 2 1 0 

   2 1 2 1  1   , 0 1 1  1  2 0 2 1

Observación 35 Si el problema que se intenta resolver consiste en deter-

minar el rango de un sistema de vectores {v1 , · · · , vm } de un K − e.v. E de dimensión nita, jada una base ordenada B de E, consideraremos la matriz C ∈ Mn×m (K) tal que ∀i ∈ {1, · · · , m}

C i = (vi )B
y realizaremos transformaciones elementales por columnas sobre C hasta obtener una matriz gaussiana.

Ejemplo 2.9.7 En el R − e.v. R3 con su estructura de espacio vectorial
habitual, para determinar el rango del sistema

{(2, 1, 1), (1, 1, 0), (1, 0, 0)},
consideramos la matriz cuyas columnas son las coordenadas de los vectores del sistema anterior respecto de la base canónica B3 de R3   2 1 1 C= 1 1 0  1 0 0 y observamos que es una matriz gaussiana, por lo que rg(C) = 3, i.e.,

rg((2, 1, 1), (1, 1, 0), (1, 0, 0)) = rg((2, 1, 1)B3 , (1, 1, 0)B3 , (1, 0, 0)B3 ) = = rg(C) = 3
es decir {(2, 1, 1), (1, 1, 0), (1, 0, 0)} es libre, y puesto que dim(R3 ) = 3, resulta que es una base de R3 .

Álgebra

137

Ejemplo 2.9.8 Para hallar el rango del sistema de vectores
{1 + x − 2x2 , 2 − 2x3 , x − 2x2 + x3 }
del C−e.v. P3 (C) consideramos la base B = (1, x, x2 , x3 ), y la matriz A cuyas columnas son las coordenadas de los vectores del sistemas dado respecto de B, es decir,   1 2 0  1 0 1   A=  −2 0 −2  . 0 −2 1 El rango del sistema de vectores es el rango de A.     1 2 0 1 2 −1 c3 = c3 − 1 c2 c3 = c3 − c1  2  1 0 1  1 0 0      −→ −→  −2 0 −2   −2 0  0 0 −2 1 0 −2 1   1 2 0  1 0 0     −2 0 0  0 −2 0 con lo que

rg(1 + x − 2x2 , 2 − 2x3 , x − 2x2 + x3 ) = rg(A) = 2.
Además hemos obtenido que    1 2  1  0    L(  −2   0   0 −2

     0 1 2 0   1  0  0  1     ) = L(  −2   0   0 ) = −2  1 0 −2 0    1 2  1  0    = L(  −2   0 ) 0 −2 con lo que los vectores cuyas coordenadas corresponden a estas dos últimas matrices columna son linealmente independientes y constituyen una base del subespacio considerado, es decir, (1 + x − 2x2 , 2 − 2x3 ) es una base de L(1 + x − 2x2 , 2 − 2x3 , x − 2x2 + x3 ).

138

Álgebra

Una vez obtenido un método sistemático para determinar el rango de un sistema de vectores, podemos aplicar dicho método de forma análoga al ejemplo anterior para:

• determinar si un vector u pertenece o no a la variedad lineal generada por un sistema dado de vectores (v1 , · · · , vm ), estudiando si rg(v1 , · · · , vm , u) = rg(v1 , · · · , vm ), • obtener una base de un subespacio vectorial a partir de un sistema generador del mismo.

2.9.3 Algoritmo de extensión de una base
Sea H un subespacio de dimensión k de un espacio vectorial E de dimensión nita n. Dada una base BH = {u1 , · · · , uk } de H, queremos determinar un algoritmo para extender la base BH hasta obtener una base BE del espacio vectorial E, en el que H está sumergido. Sea B una base pre-jada del espacio total E. Es suciente con considerar la matriz U cuyas columnas son las coordenadas de los vectores {u1 , · · · , uk } (que constituyen la base BH del subespacio vectorial H ) respecto de la base B , añadir a esa matriz los vectores columna de la matriz identidad de orden la dimensión del espacio total E (el rango de la nueva matriz (U |In ) es n) y aplicar el método de Gauss por columnas sin intercambiar el orden de las columnas. Las n columnas no nulas de la matriz gaussiana G obtenida son las coordenadas, respecto de la base B, de los n vectores de una base del espacio total E (rango(G) = rango(U |In )). Ahora, las columnas de la matriz original (U |In ) correspondientes a las columnas no nulas de G dan las coordenadas, respecto de la base B, de n vectores que son una extensión de la base BH .

L(u1 , u2 ), donde, respecto de la base canónica, u1 = (1, −1, 2, 0) y u2 = (1, 1, 1, 1). El sistema libre BH = {u1 , u2 } es una base de H. Aplicando el método de Gauss a la matriz (U |I4 ) se obtiene:     1 0 0 0 0 0 1 1 1 0 0 0  −1 1 0 1 0 0  c2 = c2 − c1  −1 2 1 1 0 0       2 1 0 0 1 0  c3 = c3 − c1  2 −1 −2 0 1 0  → 0 1 0 0 0 1 0 1 0 0 0 1

Ejemplo 2.9.9 Sean E = R4 y B = B4 la base canónica de R4 . Sea H =

Álgebra

139

 c6 = c6 − c2    →  1 0 0  −1 2 1   2 −1 −2 0 1 0

1 0 0 −1 2 1 2 −1 −2 0 1 0  0 0 0 0 0 0   2 1 −3  0 0 0

 0 0 c = c4 − c3 0 −2  4  c6 = c6 + 2c3 1 1  → 0 0  1 0 0 c5 = c5 − 1 c4  2 −1 2 1 c6 = c6 + 3 c4  2  2 −1 −2 → 0 1 0 0 1 0 0

0 0 2 0

0 0 0 0

 0 0  . 0  0

Entonces los vectores de coordenadas canónicas {(1, −1, 2, 0), (1, 1, 1, 1), (1, 0, 0, 0), (0, 1, 0, 0)} forman una extensión de BH a una base de R4 .

2.9.4 Rango y espacio la de una matriz
por las las de A, L(A1 , · · · , Am ), se le denomina espacio la de A.

Denición 2.9.10 Si A ∈ Mm×n (K) al subespacio de M1×n (K) generado

Vamos a demostrar que la dimensión del espacio la de una matriz coincide con la dimensión de su espacio columna:

Teorema 2.9.11 Si A ∈ Mm×n (K) entonces
rg(A) = dim(L(A1 , · · · , Am )) = dim(L(A1 , · · · , An )).

Demostración Dada A ∈ Mm×n (K), supongamos que (b1 , · · · , bk ) es una
base de L(A1 , · · · , Am ), donde ∀i ∈ {1, · · · , k} bi = (bi1 , · · · , bin ). En ese caso A1 = c11 b1 + · · · + c1k bk . . .

Am = cm1 b1 + · · · + cmk bk .
Ahora bien, esta últimas son igualdades entre vectores de M1×n (K), por lo que los coecientes correspondientes de las matrices la situadas a ambos lados de la igualdad deberán coincidir, es decir, ∀j ∈ {1, · · · , n}

a1j = c11 b1j + · · · + c1k bkj . . . amj = cm1 b1j + · · · + cmk bkj .

amj cm1 cmk Pero de estas igualdades se sigue que     c1k c11  . teniendo en cuenta que la matriz considerada A era una matriz arbitraria. el rango de una matriz se puede obtener también operando por las en lugar de por columnas. An )). pero esta desigualdad es equivalente a la siguiente: dim(espacio la de A) ≤ dim(espacio columna de A). . · · · . con lo que hemos probado que Por otra parte. Como consecuencia del teorema anterior. · · · . 2 Observación 36 De forma análoga a como se ha visto con las columnas. An ∈ L( . dim(L(A1 .   . con lo que. podemos aplicar el razonamiento anterior a la matriz t A obteniendo: dim(espacio columna de t A) ≤ dim(espacio la de t A). no es difícil convencerse de que los vectores la distintos de cero de una matriz en forma escalonada constituyen una base del espacio la de A. ) . por lo que el método de eliminación gaussiana por las es un método alternativo al método de Gauss visto para determinar el rango de una matriz. . · · · . De hecho. · · · . · · · . · · · . An )) ≤ dim(L(A1 . Am )) = dim(L(A1 . se puede demostrar que las operaciones elementales por las no cambian el rango de una matriz. · · · .140 Álgebra Las igualdades anteriores se pueden expresar matricialmente ∀j ∈ {1. . n} del siguiente modo:       a1j c11 c1k  .  .   . Am )). Pero k = dim(L(A1 . en denitiva. · · · .   .  .  = b1j  . Am )).   . . obtenemos que dim(L(A1 .  . cm1 cmk con lo que dim(L(A1 .  + · · · + bkj  .  A1 . · · · . An )) ≤ k.

b) u tiene dirección opuesta a la de v = (6. 7. 4. 0. 4). 2). vamos a recoger en un teorema varios resultados equivalentes como consecuencia de todo lo visto: Teorema 2. Sean u = (−3. c2 . 7. v = (4. c3 tales que c1 u + c2 v + c3 w = (2. . −8). 4. A es invertible.10.y w = (6. 6. Encontrar un vector u diferente de cero cuyo punto inicial es P = (−1. b) Encontrar el punto sobre el segmento de recta que une a P y Q y está 3 a 4 de la distancia de P a Q. det(A) = 0. 6)+ c2 (−3. c3 tales que c1 (−2. Sean P el punto (2.10 Ejercicios 2. 5) = (0. 2. −2) y Q el punto (7. 7. 4). −3). 1. c2 . Los vectores columna de A son linealmente independiente. A es equivalente por las a In . 5. 2. −4. El sistema de ecuaciones lineales AX = (0) sólo tiene la solución trivial. Encontrar los escalares c1 . y para nalizar esta parte del capítulo. a) Encontrar el punto medio del segmento de recta que une a P y Q. 3. 3. 3.12 Si A ∈ Mn (K) son equivalentes: 1. 9. Los vectores la de A son linealmente independientes. 5. El sistema AX = b es compatible determinado para toda matriz columnas b ∈ Mn×1 (K). rg(A) = n. Demostrar que no existen los escalares c1 . 8. −3). 1) + c3 (1.9. 2. 0. 1).Álgebra 141 Como colofón. 2.1 Ejercicios resueltos 1. −4). −1. −5) tal que a) u tiene la misma dirección que v = (6. 3. (Esta última condición quedará establecida más claramente después de realizar la práctica 2 en el aula informática). 7.

Demostrar geométricamente que si u y v son vectores en el espacio bidimensional o en el espacio tridimensional. entonces los ángulos α. j y k . c) es un vector diferente de cero. 9.y γ entre v y los vectores i. c) Encontrar dos vectores unitarios que sean ortogonales a (−3. Sean vectores i. w son vectores en el plano o en el espacio tridimensional y k es un número real. b) (u · v) + w. v b) Encontrar cos(β) y cos(γ).142 Álgebra 5.cos(γ)). cos(β). 4). a) son vectores ortogonales. b) y w = (−b. β. 6. Suponer que la traslación de un sistema de coordenadas xy se hace para obtener un sistema de coordenadas x y cuyo origen O tiene las coordenadas (2. 8. Si v = (a. c) Demostrar que v = (cos(α). b) Encontrar las coordenadas xy del punto Q cuyas coordenadas x y son (−3. a) Demostrar que cos(α) = a . y los números cos(α). respectivamente. se denominan ángulos directores de v . Si u. v. d) k · (u + v). Explicar por qué cada una de las siguientes expresiones carece de sentido. b. a) Demostrar que v = (a. cos(β) y cos(γ) se denominan cosenos directores de v. entonces u+v ≤ u + v . −3). 7. j y k unitarios a lo largo de los ejes positivos x. −3). a) u · (v · w). v . a) Encontrar las coordenadas x y del punto P cuyas coordenadas xy son (7. c) Trazar los ejes de coordenadas xy y x y y localizar los puntos P y Q. b) Usar el resultado del inciso a) para encontrar dos vectores que sean ortogonales a v = (2. y y z de un sistema de coordenadas rectangulares en el espacio tridimensional. c) u · v . 6). 5).

  x=0 y=t 12. ¾Para qué valores de k se cumple que u y v son ortogonales? a) u = (2. entonces v es ortogonal a k1 w1 + k2 w2 para todos los escalares k1 y k2 . v = (k. −2. b) es paralela al plano π2 : 5x − 3y + 3z = 1 y está por abajo de éste. 5. −3). k). 4) y Q = (7. 6). k. 143 10. −1. 15. 7) y es paralelo al plano π2 : 5x − 2y + z − 5 = 0. 0) y Q = (2. −4). Hallar la ecuación del plano π que contiene las rectas del ejercicio v v 16. 1. 13. 0. a) P = (5. c) es paralela al plano π3 : 6x + 2y − 2z = 1 y está por arriba de éste. Demostrar que si v es ortogonal tanto a w1 como a w2 . 1).Álgebra d) Demostrar que cos2 (α) + cos2 (β) + cos2 (γ) = 1. 3). Encontrar las ecuaciones paramétricas de la recta que pasa por los puntos dados. entonces tiene la norma euclídea 1. r1 : ∞ < t < ∞ y r2 :   z−1=0 z − 5 = 3s se cortan y encontrar el punto de intersección. Demostrar que la recta r : ∞<t<∞  z=t a) pertenece al plano π1 : 6x + 4y − 4z = 0. Encontrar la ecuación del plano π1 que pasa por el punto P = (3. 14. ∞<s<∞ 15. 2. v = (1. 7. Demostrar que si v es un vector diferente de cero en Rn . −6. 11. b) P = (0. 17. .  Demostrar que las rectas   x − 3 = 4t  x + 1 = 12s y−4=t y − 7 = 6s . b) u = (k.

1. Interpretar geométricamente este resultado en R2 . 0. En R4 se considera el subespacio vectorial H = L(A) generado por el conjunto A de vectores A = {(1. Determinar si los siguientes conjuntos son o no subespacios vectoriales de F(R. 2) son libres o ligados. demostrar que Sn (K) es un subespacio vectorial de Mn (K). Consideramos el Z2 −espacio vectorial de los bytes (Z8 . R) | f (2) = f (3)} . 1). 0). 1. 1. entonces d(u. 0). 1. ◦) el espacio vectorial de las funciones de R en R. Demostrar que el subconjunto H formado por todas las n − tuplas de números reales tales que los elementos de cada n − tupla forman una progresión aritmética. 21. (−1. 1. 1. 1. 0). 20. Se dice que A ∈ Mn (K) es simétrica si t A = A. −3. Interpretar geométricamente este resultado en R2 . Sea (F(R. 22. 0). R). (3. Si denotamos por Sn (K) al conjunto de las matrices simétricas de orden n. 0. 1). 0) y (1. R3 con su estructura de espacio vectorial habitual determinar si los sistemas de vectores (1. 1. 1.v. +. R) |∀x ∈ R f (x) = f (−x)} . b) {f ∈ F(R. ¾Constituyen las matrices antisimétricas un subespacio vectorial de Mn (K)? Justifíquese la respuesta. 1. 0). 0. Recordemos que una matriz A ∈ Mn (K) es antisimétrica si t A = −A. 0. R) : a) {f ∈ F(R.144 Álgebra 2 18. 1. c) {f ∈ F(R. es un subespacio vectorial de Rn . 1. 1. ·) con la 2 suma y producto por escalares ya denidos. 23. 2. 0. 0) . Demostrar la identidad u + v 2 + u − v 2 = 2 u 2 + 2 v vectores en Rn . para 19. 25. Demostrar que si u y v son vectores ortogonales en Rn tales que √ u = 1 y v = 1. (1. 1. (1. 0. (0. (2. (2. 0. 2. 1. R) | f (1) = 0} . 3). −1. En el R − e. Se pide determinar si el sistema de vectores (1. +. v) = 2. 0) al subespacio vectorial H? 24. (0. ¾Pertenece el vector (1. 0). −1. 1.

2. 31. 26. 3. Encontrar una base y hallar la dimensión del espacio de matrices triangulares superiormente T n (K). con la suma y producto habituales. 30. 0 1 1 1 1 }). C =  2 1 2 1 3 4 . consideramos el conjunto H = {(xn ) ∈ F (N. 28. 27.    1 6 2 2  0 2 0 1 2 1 1 3 1 5 1 1 0 29. T n (K) = { A= (aij )∈ Mn (K) | aij = 0 si j < i }. En el espacio vectorial Z5 . R). 1. En el espacio vectorial F(N. −1). En el espacio vectorial P4 (C) de los polinomios de grado menor o igual que 4 con coecientes en C se considera el polinomio p(x) = x4 − x2 + 2. En el espacio vectorial R3 . 0)}). . R) de las sucesiones de números reales. b) Comprobar que dim(H) = 2. p (x) formado por el polinomio p(x) y sus sucesivas derivadas (hasta la tercera) es un sistema libre. Demostrar que el sistema p(x). p (x). 1). R) |∀n ∈ N xn+2 = xn+1 + xn } a) Demostrar que H es un subespacio vectorial de F(N. hallar una base del subespacio vectorial H = L({(3. Hallar el rango de las siguientes matrices:   1 3 0 2      −1 1 2 1  1 3 2 1 0 1 7 1 1   A =  2 1 1 . (1. (4. . 0 1 0 0 1 . p (x). hallar una base del subespacio vectorial 2 H = L({ 0 1 0 1 1 0 0 0 1 0 .Álgebra 145 es libre o ligado y hallar el subespacio vectorial generado por el conjunto de esos dos vectores. B =  2 2 3 0 .

0). 2 b) Comprobar geométricamente los resultados obtenidos en el apartado a). 1) dos vectores de R2 . e2 = (0. e2 = (0. (e1 . e1 = (1. 1).2 Ejercicios propuestos 1. e2 )) el sistema de coordenadas ortogonales canónico de R2 y sean OP = (1. hallar las coordenadas de los vectores v + e1 . 1. c) ¾Qué tipo de ángulo forman v y w? . 0). 1). 0. 0. sean v = (−1. v − e1 . 0). 0). a) Determinar las coordenadas del vector P Q en S2 . 2. Sea S2 = (O. −1.10. (e1 .146 Álgebra 2. e2 )) el sistema de coordenadas ortogonales canónico de R2 : O = (0. e3 )) : O = (0. con el sistema de coordenadas ortogonales canónico S3 = (O. 1 v. c) Calcular las normas del vector P Q utilizando sus coordenadas en S2 y S 2 . e2 . 3). ¾Son iguales las distancias entre OP y OQ y entre O P y O Q? 3. e1 = (1. w = (1. a) Calcular cos(θ) utilizando la ley de los cosenos: w−v 2 = v 2 + w 2 −2 v w cos(θ). hallar el producto escalar v · w y vericar la identidad v·w = v w cos(θ). 1). 0). 2) y OQ = (2. b) Determinar las coordenadas del vector P Q en el sistema ortogonal S 2 obtenidos por traslación de O al punto O = (−2. a) Dado el vector v = (2. b) Usando las coordenadas de v y w. 2) y θ el ángulo entre v y w (0 ≤ θ ≤ π). Sea S2 = (O. (e1 . En R3 . 1). 0. 0. e3 = (0.

Álgebra

147

4. Demostrar que en R2 el vector n = (a, b) = (0, 0) es ortogonal a todas las rectas de ecuación

ax + by + c = 0,

(c ∈ R).

5. Sean v = (−1, 0, 1) y w = (1, −1, 2) los vectores del problema anterior. a) Calcular la proyección ortogonal de w sobre v, pv (w), y la componente vectorial de w ortogonal a v. b) Hallar pv (w) y p2v (w) . 6. En este problemas trabajamos en R3 con el sistema de coordenadas S3 . a) Hallar los vectores

e1 × e2 ,

e2 × e3 ,

e3 × e1 .

b) Demostrar la identidad de Lagrange:

u×v
y, usando la identidad

2

= u

2

v

2

− (u · v)2

u·v = u
deducir que

v cos(θ) ∀u, v ∈ R3 , v sen(θ).

u×v = u

c) Sean u = (1, −1, 2) y v = (0, 3, 1). Calcular el área del paralelogramo determinado por los vectores u y v. d) Vericar que para todo par de vectores u y v en R3 \{(0, 0, 0)}, u×v es ortogonal a u y a v. 7. En este problemas seguimos trabajando en R3 con el sistema de coordenadas S3 . a) Sean u, v y w tres vectores en R3 . Vericar que el número real |u · (v × w)| es el volumen del paralelepípedo P denido por u, v y w. (Se utilize el hecho de que la altura h del paralelepípedo P se puede escribir como h = p(v×w) (u) .) b) Calcular el volumen del paralelepípedo determinado por los vectores

u = (1, 0, 2), v = (0, 1, 2), w = (1, 1, 1).

148 8. Sean P0 = (1, 2) y P1 = (−1, 1) dos puntos en R2 .

Álgebra

Hallar las ecuaciones vectorial, general implícita, paramétricas y pendienteordenada en el origen de la recta l que pasa por P0 y P1 . 9. Sean P0 = (x0 , y0 ) ∈ R2 y r la recta de ecuación ax + by + c = 0. a) Demostrar que la distancia entre P0 y r es

d(P0 , r) =

|ax0 + by0 + c| √ . a 2 + b2

b) Calcular la distancia entre P0 = (0, 1) y r : 2x − y + 3 = 0. 10. En R3 , encontrar la ecuación del plano π que pasa por el punto P0 = (1, 0, −1) y es ortogonal al vector n = (2, −1, 5). 11. En R3 , usando la fórmula de la distancia entre un punto P0 = (x0 , y0 , z0 ) y un plano π : ax + by + cz + d = 0 :

d(P0 , π) =

|ax0 + by0 + cz0 + d| √ , a2 + b2 + c2

a) calcular la distancia entre el punto P0 de intersección de las rectas de ecuaciones   x = −3 + 2k  x = −1 + t   y = 3k r: y s : y = 2 − 3t (k, t ∈ R)     z = 2 − k z =t 3 y el plano π : 2x − y + z = 0. b) Calcular el coseno del ángulo que forman las rectas r y s. 12. Determinar si existen valores de los parámetros reales s y t tales que la recta l en R3 de ecuaciones implícitas

sx + 3y + z =0 , −x + ty + 2z + 1 = 0

Álgebra tenga ecuaciones paramétricas

149

 x = 2k    1 y =− +k 2    z = 3 − 3k 2

(k ∈ R).

13. Describir todos los subespacios vectoriales de R3 que contienen al punto P = (1, 1, 1). 14. Sea Mm,n (R) el R−espacio vectorial respecto de las operaciones de suma de matrices y multiplicación de una matriz por un escalar usuales. Sea C[x] el C−espacio vectorial de los polinomios con coecientes números complejos y con las operaciones de suma de funciones y multiplicación por un escalar usuales. Escribir explícitamente las operaciones que hacen del producto cartesiano Mm,n (R) × C[x] un R−espacio vectorial. 15. Sea M el subconjunto de Mm,n (Z2 ) denido por

M ={

0 x y z 0 u

: x, y, z, u ∈ Z2 }.

a) Escribir M como un conjunto de funciones de N2 × N3 en Z2 que se anulan sobre un subconjunto S de N2 × N3 . b) Vericar que M es un Z2 −espacio vectorial respecto de las operaciones usuales de suma de matrices y producto de una matriz por un escalar. 16. Determinar los valores reales del parámetro λ tales que los siguientes vectores sean un sistema libre en R3 :

1 1 v1 = (λ, − , − ), 2 2

1 1 v2 = (− , λ, − ), 2 2

1 1 v3 = (− , − , λ). 2 2

Interpretar geométricamente los resultados obtenidos.

150

Álgebra

17. Vericar si los siguientes subconjuntos del espacio de todas las funciones reales, F(R, R), son linealmente independientes:

S = {1, sen(x), sen(2x)}, T = {(3 − x)2 , x2 − 6x, 5}.
18. Sean u = (1, 1, 1), v = (1, 1, x) y w = (x, 1, 1) tres vectores en R3 , siendo x un parámetro real. Sea H = L(u, v, w) el subespacio de R3 generado por u, v y w. Determinar para qué valores de x el subespacio H es una recta, un plano o todo R3 . 19. a) Vericar que para todo n ∈ N, el sistema Bn = (1, x, x2 , · · · , xn ) es una base del espacio vectorial de los polinomios de grado menor o igual que n, Pn (R). (Utilizar inducción sobre n y la continuidad de los polinomios) b) Determinar si el sistema B = (1, x − 1, (x − 1)2 , (x − 1)3 ) es una base de P3 (R). c) Escribir las coordenadas del vector p(x) = 3x3 − 3 en términos de las bases B3 y B. 20. Sea

H={

a b c −(a + b + c)

: a, b, c ∈ R}.

a) Vericar que H es un subespacio vectorial de M2 (R). b) Hallar una base B de H. c) Completar B a una base de M2 (R). 21. En el R−espacio vectorial F(N, R) de las sucesiones reales sea

H = {(xn )n∈N : ∀n ≥ 2,

xn+1 = 2xn − 3xn−1 }.

a) Demostrar que H es un subespacio vectorial de F(N, R). b) Comprobar que la dimensión de H es 2.

Álgebra 22. Aplicar el teorema de Rouché-Fröbenius

151

a) para vericar si el vector p(x) = x3 − 2x + 1 pertenece al subespacio L(x3 − 1, x + 2) de P3 (R), b) para determinar si el sistema (x3 − 1, x + 2, x2 , x − 1) es una base de P3 (R). 23. Calcular el  1 A = 2 1 rango de las matrices  1 1 0 1 2 0 ∈ M3,4 (Z3 ) 0 0 1

  2 −1 5 B = 0 4 1  ∈ M3 (R). 6 1 16

24. Utilizar el método de Gauss para hallar una base del C−subespacio de C3 : L((1, 0, i), (i, 0, 0), (0, −i, 4), (1, 1, 1)).

152

Álgebra

Capítulo 3 Funciones lineales
Otra de las características esenciales estrechamente relacionada con el concepto de espacio vectorial tiene que ver con las propiedades de proporcionalidad y aditividad , propiedades éstas que siempre se satisfacen en los problemas matemáticos denominados problemas lineales. La propiedad de aditividad consiste en que si los vectores u y v son soluciones del problema, entonces el vector u + v también es solución de dicho problema y la proporcionalidad en que si el vector u es una solución del problema, entonces el vector α · u también lo es, siendo normalmente α un número real o un número complejo. Hay que decir que en cualquier caso los problemas lineales son más sencillos de resolver que los no lineales y en muchas ocasiones resolver un problema no lineal consiste, al menos en una primera aproximación, en plantear y resolver un problema lineal que aproxime , valga la redundancia, el problema no lineal planteado. En este capítulo se denen y estudian las funciones lineales entre espacios vectoriales. Las funciones lineales son las más naturales en el contexto del álgebra lineal ya que, por su denición, respectan la estructura de espacio vectorial. Veremos que una función lineal se puede representar por medio de una matriz determinada por la elección de bases en su dominio y codominio. Este hecho nos permite trabajar desde dos puntos de vista distintos pero estrechamente relacionados: un primer más analítico, que se basa en el uso de las propiedades generales de las funciones y un segundo más algebraico, donde tiene mayor importancia la teoría matricial. 153

. ∀α. es natural preguntarse si existen funciones entre estos dos espacios tales que relaciones entre vectores en el primero (el dominio de la función) se puedan comparar y transformar en relaciones entre vectores del segundo (el codominio de la función). ∀α ∈ K.). ∀u. Con este convenio de notación. ⊕. f (u + v) = f (u) ⊕ f (v). si f satisface las siguientes propiedades: 1.154 Álgebra 3. si tenemos dos espacios vectoriales sobre el mismo cuerpo. ∀α ∈ K. Entonces. β ∈ K. que es un homomorsmo de K − e.2 Siendo E y E K − e. Proposición 3. siendo E y E dos K − e. Diremos que la función f : E → E es lineal (o y el producto por escalares denidos sobre los espacios E y E .1. v ∈ E. una estructura de espacio vectorial sobre un cuerpo está caracterizada por la existencia de las operaciones de suma de vectores y producto de un vector por un escalar.v.v. v ∈ E.. v ∈ E.v. se verica que la función f : .1 Funciones lineales Como vimos.2. ∀u ∈ E. también. con los axiomas de la denición 2. 2.1. +. Denición 3.1 Sean (E. f (u + v) = f (u) + f (v) 2. f (α · u) = α ∗ f (u). la naturaleza de la operación viene determinada de forma unívoca por la naturaleza de los operandos: obviamente. ∀u ∈ E. si u ∈ E. f (αu) = αf (u) Observación 37 Es usual denotar con los mismos símbolos + y · la suma E → E es lineal si y sólo si ∀u.1. una función f : E → E es lineal si satisface las propiedades: 1. ·) y (E . se verica que f (αu + βv) = αf (u) + βf (v). ∀u. ∗) dos espacios vectoriales sobre el mismo cuerpo K. entonces f (u) ∈ E . puesto que en casi todos los casos. La siguiente denición responde a la pregunta anterior: la función buscada tiene que ser tal que a la suma de dos vectores en su dominio se le corresponda el vector suma de las imágenes de estos dos vectores en el codominio y que al producto de un vector por un escalar en el dominio se le corresponda el producto por el mismo escalar de la imagen del vector en el codominio.

v. . un ∈ E y f  ∀α1 .. .1. .. f n Ejercicio 3.. y f : E → E una α i ui = n αi f (ui ).... v ∈ E ∀α. Por otra parte. i=1 i=1 si f : E → E es lineal se verica que  ∀n ∈ N. Indicación: Razonar por inducción sobre “n”..  ⇐  Recíprocamente. con lo que se satisface la condición 2. αn ∈ K.1.1 Demostrar que. v ∈ E y α.. dados u ∈ E y α ∈ K. por la condición 1 resulta que Demostración  ⇒ ” Supongamos que f : E → E es lineal. v ∈ E. resulta que f (αu) = f (αu + 0u) = αf (u) + 0f (u) = αf (u). o lo que es f (αu + βv) = f (αu) + f (βv) = = (por la condición 2) = = αf (u) + βf (v). un cualquier sistema de vectores de E se verica que ∀(α1 .Álgebra 155 lo mismo. siendo u1 .1.. resulta que f (u + v) = f (1 · u + 1 · v) = = 1 · f (u) + 1 · f (v) = = f (u) + f (v). supongamos que ∀u. tomando α = β = 1. ... Hay que demostrar que f satisface las condiciones 1 y 2 de la denición 3. Nota: Nótese que un enunciado equivalente al del ejercicio anterior sería: n n αi ui i=1 = i=1 αi f (ui ). 2 El siguiente ejercicio nos muestra cómo se transforman las combinaciones lineales al aplicarles una función lineal.1.. αn ) ∈ Kn . .. que f satisface las condiciones 1 y 2 de la denición 3.  ∀u1 .. siendo E y E K − e.. con lo que se satisface la condición 1.. β ∈ K se verica que f (αu + βv) = αf (u) + βf (v). Dados u. Dados u. función lineal.1.. β ∈ K.

...(En .. ii) si u ∈ E y α ∈ K. .3 Siendo E un K − e.. la función f : E → E denida por f (u) = 0 ∀u ∈ E.1. +1 . IdE (αu) = αu = αIdE (u). es lineal.. sea f : E → Kn la función que asocia al vector u sus coordenadas respecto de la base B. αun )) = = αui = αpi ((u1 .. ... un ) −→ Ei . . . es lineal y se llamará transformación cero. · · · .4 Siendo E y E dos K − e. un ). ·n ) son n K − e. Vericar que f es lineal.. vn ) una base ordenada de E... se tiene IdE (u + v) = u + v = IdE (u) + IdE (v). A·X donde  · es el producto usual de matrices.1. un )) = pi ((αu1 .. . un ) ∈ E1 × . la función multiplicación por A LA : Mn×1 (K) −→ Mm×1 (K) . v2 . .. Ejemplo 3...2 Sea E un K−e.. × En (u1 .v. puesto que. ui es lineal. vn )). ....1. pi ((u1 ...... un + vn )) = = ui + v i = = pi ((u1 .v. IdE : E → E... Ejemplo 3..1.. .. un )) + pi ((v1 . × En .. v ∈ E. . n} la función proyección i-ésima pi : E1 × . Ejemplo 3.5 Si (E1 .. .....v.v. de dimensión nita n y B = (v1 .. ·1 ).. vn ) ∈ E1 × . k2 . es lineal puesto que i) dados u... . la función identidad... pi (α(u1 . entonces ∀i ∈ {1. kn ). (v1 . un )). X . +n . . .. × En y α ∈ K...... Ejercicio 3.. . · · · . vn )) = pi ((u1 + v1 .1. un ) + (v1 .156 Álgebra Ejemplo 3. b) dados (u1 ...6 Dada A ∈ Mm×n (K)... Si u = k1 v1 + k2 v2 + · · · + kn vn ∈ E. denida por f (u) = (k1 . n} se tiene que a) dados (u1 . siendo i ∈ {1... .

sea D(f ) la función derivada de f : D(f ) : (a. ∞) = R). g ∈ C 1 ((a.8 Siendo (a. o. b). R b f a . . en cuyo caso se tendría que (a. b] = {x ∈ R |a ≤ x ≤ b }.7 Dados a. Teniendo en cuenta que ∀f. R) de las funciones reales denidas en (a. b) = (−∞. resulta que la siguiente función integración sobre [a. o ambas cosas simultáneamente. R).v. se considera el conjunto C([a. se contempla la posibilidad de que a = −∞ ó b = ∞. R) es un R − e.. resulta que C 1 ((a. b]. R) −→ f . b) cualquier intervalo abierto de la recta real am- pliada (i. b). b). b). b). R). que C 1 ((a.e. b). g ∈ C([a. b]. R) y ∀α ∈ R se verica que b b b (f + g) = a a b f+ a b g y que (αf ) = α a a f. b) x −→ R . R) y ∀α ∈ R se verica que D(f + g) = D(f ) + D(g) . b).1. Dada ahora f ∈ C 1 ((a. se considera el conjunto C 1 ((a. lo que es lo mismo.. b) y tales que la función derivada es continua en (a. b] es lineal I : C([a. derivables en todo punto de (a. b). b ∈ R. R). de las funciones reales continuas denidas sobre el intervalo cerrado [a. Ejemplo 3. b].1. R) F ((a.Álgebra 157 Ejemplo 3. D(f )(x) = f (x) Ya que ∀f. Teniendo en cuenta que la suma de funciones derivables es derivable y que la función resultante de multiplicar un número real por una función derivable es una función derivable (y que lo mismo sucede con las funciones continuas).

+) es un grupo.158 Álgebra y que D(αf ) = αD(f ). resulta que la siguiente función derivación es lineal: D : C 1 ((a. Ejemplo 3.2. que f (−u) = −f (u). R) . La función determinante det : Mn (K) → K no es lineal ya que det(A+B) = det(A)+det(B) y det(kA) = k n det(A) = kdet(A). la función así obtenida es también una función lineal. ∀u ∈ E . Demostración 1. 2. entonces 1. D(f ) Ejemplo 3. puesto que (E . por lo que podemos concluir que f (−u) es el opuesto de f (u) o.9 Sea n > 1. 2. la transformación ∀u ∈ E f (u) = u + u0 (la traslación por el vector u0 ) no es lineal. 2 E. 3. se tiene f (u) + f (−u) = f (u + (−u)) = f (0) = 0. y f : E → E es lineal.v.2 Propiedades de funciones lineales se verica que Proposición 3.2 Si E es un K − e. si multiplicamos una función lineal por un escalar. lo que es lo mismo. f . Dado u ∈ E. R) −→ C((a. y u0 un vector jo diferente de cero en . ya que f (0) = u0 = 0. b).1 Si E y E son K − e.v.1. b). f (0) = f (0 · u) = 0 · f (u) = 0. f (0) = 0. ∀u ∈ E . El siguiente resultado nos permite asegurar que la función suma de dos funciones lineales es una función lineal y que.2. f (−u) = −f (u).

se verica que (f + g)(αu + βv) = = = = = f (αu + βv) + g(αu + βv) = (αf (u) + βf (v)) + (αg(u) + βg(v) = (por ser “ + ”asociativa y conmutativa en (E . Demostración i) Evidentemente L(E. E ). ya que ∀u. E ) al espacio de todas las funciones denidas entre E y E .v. E ) |f es lineal }. +)) (αf (u) + αg(u)) + (βf (v) + βg(v)) = α(f + g)(u) + β(f + g)(v). v ∈ E y α. v ∈ E ∀α. β ∈ K se tiene 0(αu + βv) = 0 = 0 + 0 =α0(u) + β0(v).E ). puesto que 0 ∈ L(E.E ) tiene estructura de espacio vectorial respecto de la suma de funciones y producto de una función por un escalar denidos en F(E. si denotamos por F(E. que L(E. es decir. Si u. v ∈ E y α. ∀λ ∈ K se verica que λf ∈ L(E. 2 ..E ) y a 0 ∈ E ). E ) F (E. β ∈ K. E ) = {f ∈ F(E. ii) Veamos que ∀f. iii) Veamos que ∀f ∈ L(E. L(E. g ∈ L(E. y por L(E. β ∈ K.E ). Si u. E ). se verica que L(E.E ) = ∅.E ).Álgebra 159 Proposición 3.E ) al conjunto de las funciones lineales denidas entre E y E .2. o lo que es lo mismo. se verica que (λf ) (αu + βv) = = = = λ · f (αu + βv) = λ (αf (u) + βf (v)) = λαf (u) + λβf (v) = (por ser “ · ”conmutativo en K) = αλf (u) + βλf (v) = α (λf ) (u) + β (λf ) (v).E ) se verica que f +g ∈ L(E. (Nótese que hemos denotado por el mismo símbolo a 0 ∈L(E.E ).3 Siendo E y E K−e.

+ αn pn : En −→ E . b).. β. γ ∈ R. siendo i la función inclusión. α1 p1 + . resulta que la siguiente función es lineal: ∀(α1 . entonces la función composición de g con f. un ) .v.. . Proposición 3. n} la función proyección i-ésima es lineal. E). g ◦ f : E → E . x3 ) .. y f : E → E y g : E → E son funciones lineales. E). b). .v. dados por ejemplo α. Demostración Sean u. tendremos también que ∀α ∈ K. R) y.2. R ..160 Álgebra Ejemplo 3.. también es una función lineal. αx1 + βx2 + γx3 Ejemplo 3. En ese caso (g ◦ f )(αu + βv) = = = = = = g(f (αu + βv)) = (por ser f lineal) = g(αf (u) + βf (v)) = (por ser g lineal) = αg(f (u)) + βg(f (v)) = α(g ◦ f )(u) + β(g ◦ f )(v). teniendo en cuenta que para cualquier K−e..4 Como consecuencia de la proposición anterior. IdE ∈ L(E. la función αIdE : E → E u ... αn ) ∈ Kn . (u1 . α1 u1 + . la función (αIdE ) ∈ L(E.. R) f . b). en particular f ∈ C((a.. entonces ∀n ∈ N y ∀i ∈ {1.2. Ejemplo 3.v. es decir. R) −→ C((a. .7 Si E. se verica que la función 3D − 5i : C 1 ((a. R). + αn un En particular. b). x2 .6 Si f ∈ C 1 ((a.. es lineal la función αp1 + βp2 + γp3 : R3 → (x1 . v ∈ E y α.5 Teniendo en cuenta que si E es un K − e. .. E y E son K − e. E la función IdE : E → E es lineal. β ∈ K. 3D(f ) − 5f es lineal..2. αu es lineal.2.

cuando esté denida. Por consiguiente αu + βv = αf (u) + βf (v) = = (puesto que f es lineal) = = f (αu + βv) . y f : E → E . (H E ⇒ f (H) E) y E) . ∀H ⊂ E . tendremos que 0 ∈ f (H).2. si u . Por otra parte.Álgebra 161 2 Ejemplo 3. ∀H ⊂ E. β ∈ K. E). En general. por denición de f (H).1 Si E y E son K − e.v. tendremos. v ∈ f (H) y α. (H 2. Supongamos que H que E. se verica 1. la composición de un cualquier número (nito) de funciones lineales. v ∈ H tales que f (u) = u y f (v) = v . Demostración 1. entonces la función composición h◦g ◦f : E → E también es una función lineal.8 ∀f ∈ L(E. En ese caso 0 ∈ H y. que existen u.3. y f : E → E es lineal. g : E → E y 3. puesto f (0) = 0. Observación 38 Si E. h : E → E son funciones lineales. será una función lineal. E y E son R − e.v.3 Núcleo e imagen La siguiente proposición arma que las funciones lineales preservan los subespacios vectoriales: que Proposición 3. Entonces IdE es el elemento neutro de ◦ en L(E. E ⇒ f −1 (H ) en otras palabras: la imagen directa y recíproca de un subespacio vectorial por una función lineal es un subespacio vectorial. f ◦IdE = IdE ◦f. E).

es decir. β ∈ K. Supongamos que H E . Por otra parte. puesto que H Álgebra E. . 2. αu + βv ∈ H. resultará que f (u). puesto que H E . puesto que f (0) = 0. tendremos que 0 ∈ f −1 (H ). o sea. con lo que αu + βv ∈ f −1 (H ). e imagen de f. αf (u) + βf (v) = f (αu + βv). tendremos que αf (u) + βf (v) ∈ H pero. 2 Denición 3.162 y. v ∈ f −1 (H ) y α. con lo que αu + βv ∈ f (H) y en denitiva f (H) E . f (αu + βv) ∈ H . y f : E → E una función lineal. al ser f lineal. al conjunto Im(f ) = {v ∈ E |∃u ∈ E tal que f (u) = v }.3. Llamaremos núcleo de f al conjunto Ker(f ) = f −1 ({0}) = {u ∈ E |f (u) = 0 }.2 Sean E y E K − e. En ese caso 0 ∈ H y. al conjunto f (E). f (v) ∈ H y. si u.v.

Entonces a la dimensión del imagen de f se denomina rango de f y a la dimensión del núcleo de f se denomina nulidad de f. . cleo de la función derivación Ejercicio 3.4 Sean E y E K − e. Entonces. y sea E = F(R.1). x3 ) → R . el núcleo de la función cero f : E → E es el espacio E y su imagen es el subespacio {0}.3. γ ∈ R. Determinar núcleo e imagen de f. Determinar el núD : C 1 (R. β.v. R).3.2 Sea E = C 1 (R. dados H = (x1 .3.v. R). R). Im(f ) Denición 3. el núcleo de la función identidad IdE : E → E es el subespacio {0} y su imagen es el espacio E. αx1 + βx2 + γx3 H = Ker(αp1 + βp2 + γp3 ).3. el conjunto Ejemplo 3.3.Álgebra 163 Obsérvese que como consecuencia de la proposición (3. α.1 Sea f : R3 → R3 la proyección ortogonal sobre el plano Ejercicio 3. R) → F (R.3. consiste en tener en cuenta que la función αp1 + βp2 + γp3 : es lineal y que R3 (x1 . Ejemplo 3. y f : E → E una función lineal. z = 0.5 Una manera diferente de la usual de vericar que. x2 .. x2 . x3 ) ∈ R3 αx1 + βx2 + γx3 = 0 es un subespacio vectorial de R3 . para cualquier función lineal f : E → E se verica que Ker(f ) y que E E.3 Sean E y E K − e.

3. 2 .6 Una función f entre dos conjuntos A y B es inyectiva si ∀a1 . 2. v ∈ E son tales que f (u) = f (v). f es inyectiva ⇔ Ker(f ) = {0}. u + (−v) = 0.3. a2 ∈ A. o lo que es lo mismo. Denición 3. En denitiva. de donde u = v . Por denición. f es sobreyectiva ⇔ Im(f ) = E . En ese caso f (u) + (−f (v)) = 0 y. Ker(f ) = {0}. recordemos las siguientes deniciones: Denición 3.164 Álgebra Antes de enunciar el siguiente teorema.8 Finalmente. 2. es decir. concluímos que u = 0. y. una función f entre dos conjuntos A y B es biyectiva si f es a la vez inyectiva y sobreyectiva. f es sobreyectiva si y sólo si Im(f ) = E . Se 1. Por otra parte si u ∈ E es tal que u ∈ Ker(f ).7 Una función f entre dos conjuntos A y B es sobreyectiva Denición 3.v.3. f (0) = 0 y en consecuencia 0 ∈ Ker(f ) o. si ∀b ∈ B existe a ∈ A tal que b = f (a). verica que Teorema 3.3. En consecuencia f (u + (−v)) = 0. u + (−v) ∈ Ker(f ) = {0}. resulta que f (u) = 0 y f (0) = 0. con lo que Ker(f ) ⊂ {0}. f (a1 ) = f (a2 ) ⇒ a1 = a2 . y f : E → E una función lineal. puesto que f es lineal. Demostración 1.  ⇒ Puesto que f es lineal. puesto que por hipótesis f es inyectiva. lo que es lo mismo.9 Sean E y E K − e.  ⇐ Supongamos que Ker(f ) = {0} y que u. f (u) + (−f (v)) = f (u) + f (−v) = f (u + (−v)). {0} ⊂ Ker(f ).

. Estas consideraciones justican la siguiente denición de espacios isomorfos. nos interesa saber exactamente qué función lineal biyectiva estamos considerando entre los dos espacios. es decir. R) → F (R. como espacios vectoriales. son equivalentes. se dice que E y E son isomorfos si existe una función f : E → E tal que f es lineal y biyectiva. ya que Ker(D) es el conjunto de las funciones constantes sobre R. v ∈ E . Por ejemplo. Ejemplo 3. Si f : E → E es lineal y biyectiva. para todo vector u en E existe un único vector v en E tal que f (u) = v.Álgebra 165 Ejemplo 3. Por ser f : E → E biyectiva ∃! u. siendo su núcleo igual al eje z. pero es a menudo necesario distinguir entre distintos tipos de correspondencias. En este caso se podrían identicar los dos espacios E y E . Además f es invertible y f −1 (v) = u.4 Espacios vectoriales isomorfos Si f : E → E es una función lineal y biyectiva. v ∈ E tales que f (u) = u y f (v) = v . pero también lo es la función rotación de un ángulo de π .v. reproduce en E las relaciones de dependencia entre vectores de E. Veamos que en las condiciones del enunciado f −1 : E → E es lineal. R) no es inyectiva.4. además. Proposición 3. f −1 : E → E es también un isomorsmo.4.11 La proyección ortogonal sobre el plano z = 0 en R3 no es 3. se dice que f es un isomorsmo (no singular). La primera función identica trivialmente las 4 dos copias del espacio R2 mientras que la segunda nos dice que. la función identidad en R2 es lineal y biyectiva.2 Si f : E → E es un isomorsmo.1 Siendo E y E dos K − e.10 La función derivación D : C 1 (R. 1. Por tanto f establece una particular correspondencia entre los vectores de E y los vectores de E que. Demostración Si f : E → E es biyectiva entonces f −1 : E → E es también biyectiva. inyectiva.3.3. Sean u . Denición 3.

xn ) → . entonces {v1 .4. vm } ⊆ E es libre si y solo si {f (v1 ). desde un punto de Ejercicio 3.1 Comprobar que si f : E → E es un isomorsmo.. E y E son isomorfos. f (vm )} es libre.. Sean u ∈ E y α ∈ K. Razonando de igual modo que en el apartado anterior.3 Las funciones IC : Kn (x1 . ..166 o.. lo que es lo mismo. lo que es lo mismo. ..4. Ejemplo 3.. tales que f −1 (u ) = u y f −1 (v ) = v..  . Observación 39 Si dos K − e.  .. en el sentido de que toda propiedad relacionada con la estructura de espacio vectorial que posea E se transere automáticamente al espacio E a través del isomorsmo y recíprocamente. xn IF : Kn (x1 . resulta que f −1 (αu ) = f −1 (αf (u)) = = f −1 (f (αu)) = αu = αf −1 (u ). A IC le denominaremos isomorsmo columna y a IF isomorsmo la. si f −1 (u ) = u o. 2 vista algebraico son iguales o indistinguibles.  . M1×n (K) x1 · · · xn son isomorsmos.. . .. Luego Álgebra f −1 (u + v ) = f −1 (f (u) + f (v)) = (por ser f lineal) = f −1 (f (u + v)) = u + v = f −1 (u ) + f −1 (v ). f (u) = u . xn ) y → Mn×1 (K)   x1  ... 2.v.

en el sentido de que.. vn } es libre. ..... tendremos que ∃!(α1 . vn } un sistema cualquiera de n vectores de E . la función lineal queda completamente determinada... 1.... un } es una base de E. . f es lineal : dados u. si u = αi ui y v = n i=1 β i ui . ..5. puesto que {u1 . . Veamos que la función f así denida para cada n i=1 u ∈ E satisface las dos condiciones requeridas... un } una base de E y f (ui ) = vi .. .v. ..1 Determinación de funciones lineales en espacios vectoriales de dimensión nita El siguiente teorema fundamental establece un procedimiento para denir funciones lineales entre espacios vectoriales de dimensión nita.. En estas condiciones existe una única función lineal f : E → E tal que ∀i ∈ {1... . Sea u ∈ E. a) f es inyectiva ⇔ {v1 . n} Además se verica que Teorema 3.. . {v1 . vn }) = E . conocidas las imágenes de los elementos de una base del espacio dominio..Álgebra 167 3.. Denimos αi vi .5.1 Sean E y E dos K − e.. vn } es una base de E .. c) f es un isomorsmo ⇔ {v1 . ...... v ∈ E y λ. αn ) ∈ Kn tal que u = entonces f (u) = n i=1 n i=1 αi ui . µ ∈ K.. Demostración i) Existencia...5 Funciones lineales en espacios vectoriales de dimensión nita 3. {u1 .. b) f es sobreyectiva ⇔ L({v1 .

.. siendo w un vector cualquiera de E. + 1 · vi + .. αn ) ∈ Kn tal que n w= i=1 α i ui ... resulta que. . al ser {u1 ... n} g(ui ) = vi ..168 resulta que n n Álgebra f (λu + µv) = f (λ · i=1 n α i ui +µ· i=1 βi ui ) = n = f( i=1 n (λαi + µβi )ui ) = i=1 n (λαi + µβi )vi = = λf (u) + µf (v). n}... se tiene ui = 0 · u1 + . n g(w) = g( i=1 αi ui ) = n = (por ser g lineal) = n = i=1 n αi g(ui ) = i=1 αi vi = = i=1 αi f (ui ) = (por ser f lineal) = n = f( i=1 αi ui ) = f (w).. ii) Unicidad.. ∀i ∈ {1. . + 0 · vn = vi . Dado i ∈ {1. ...... ... = λ i=1 αi vi +µ i=1 βi ui 2. ... ∃(α1 . + 1 · ui + . f (ui ) = 0 · v1 + .. Si g : E → E es una función lineal tal que ∀i ∈ {1. .. por consiguiente. un } una base de E.. + 0 · un y. Ahora bien. n} f (ui ) = vi ..

. siendo w = n αi ui resulta que n n f (w) = 0 = f ( i=1 αi ui ) = i=1 αi f (ui ) = i=1 αi vi . Ya que f es inyectiva.Álgebra es decir. a)  ⇒ Sea n i=1 169 αi vi = 0. Entonces n n n 0= i=1 αi vi = i=1 n i=1 αi f (ui ) = f ( i=1 αi ui ). cualquier función lineal f : E → E queda completamente determinada por el sistema {f (u1 ). y {u1 . . . 0). Finalmente. .... vn } es libre. · · · .... αn ) = (0. n i=1 (α1 .. A la vista del teorema anterior. hace falta solo comprobar que Im(f ) ⊆ L(v1 . vn ) Im(f ). αn ) = (0. vn ). αi ui = 0 y. · · · . entonces f es sobreyectiva ⇔ L(v1 . vn ) : si v ∈ Im(f ).. vn ) = E . comprobemos que se verican a). · · · . ∀w ∈ E g(w) = f (w).. . . · · · . un } ∈ En es una base de E. · · · .. · · · .... 0). · · · . un } es libre. b) y c).. Así que Im(f ) = L(v1 . Ya que L(v1 .  ⇐ Si w ∈ Ker(f ).. con lo que concluímos que f = g.. existe u = que n n n i=1 αi ui ∈ E tal v = f (u) = i=1 αi f (ui ) = i=1 αi vi ∈ L(v1 . c) Es consecuencia inmediata de los dos apartados anteriores. concluímos que (α1 .. · · · .v. f (un )}. · · · . puesto que {u1 . con lo que w = 0. vn ). vn ) = E . y puesto que {v1 . b) Si vericamos que Im(f ) = L(v1 . . se verica que: 2 si E y E son K − e.

determinar f (3. f (0. f (un )} es una base de E y. dim(E) = dim(E ) = n.. un ) es una base ordenada de E.5. .. la función que asocia a todo vector la matriz de sus coordenadas respecto de la base B.1 Dada la función lineal f : R2 → R3 determinada por las condiciones f (1.3 Si E es un K−e.. ... . 0.. v . −1). considerando la función lineal f : E → E tal que ∀i ∈ {1.5. un } es una base de E. por la proposición anterior. . Corolario 3. 2 Como vimos en el capítulo 2.... por el apartado c) del teorema anterior.. mensión nita).. y B = (u1 ..v. αn  es un isomorsmo. (·)B : E → Mn×1 (K) ..... 1). .v. 0) = (3.. al introducir una base ordenada en un espacio vectorial podemos asociar a cada vector del espacio sus coordenadas respecto de esta base.. nitamente generados (de diE y E son isomorfos ⇔ dim(E) = dim(E ) y {u1 . (v)B donde n v= i=1  α1  . f : E → E es un isomorsmo. y en consecuencia E y E son isomorfos.  αi ui ⇒ (v)B =  .  ⇐ Si dim(E) = dim(E ) = n.. vn } es una base de E . en consecuencia.. 1). que f es un isomorsmo. n} f (ui ) = vi . 1) = (−1. . . También vimos que las coordenadas de un vector son únicas. El siguiente corolario arma que la correspondencia entre un vector y sus coordenadas respecto de una base jada es un isomorsmo.2 Si E y E son dos K − e.5. Demostración  ⇒ Si E y E son isomorfos. entonces Corolario 3... 4. {u1 .  . 1) y f (2.. resulta. {f (u1 ). .170 Álgebra Ejercicio 3. un } es una base de E y {v1 .

 .. . ...... .. resulta que {v1 .. {v1 . siendo (e1 .  ...Álgebra 171 Demostración Siendo ∀i ∈ {1.  . {v1 . . vm } es un sistema de vectores de E. .  .   . vm } es libre ⇔ el sistema {(v1 )B . .. . 1) . En particular.... sus imágenes mediante el isomorsmo (·)B .v....  . es decir.. . o.  . en ) la base canónica de Mn×1 (K). Mn×1 (K) 1 si j = i 0 si j = i ... . 0 0 1 observando que (·)B es la única función lineal tal que ∀i ∈ {1. . n} × {1} → (j. vn } es una base de E ⇔ {(v1 )B ..  . . (vm )B } de Mn×1 (K) es libre.... E y E son iso- morfos.2 Observación 40 Teniendo en cuenta que si dos K − e. toda propiedad relacionada con la estructura de espacio vectorial que posea E se transere automáticamente al espacio E a través del isomorsmo y recíprocamente. (vn )B } es una base de Mn×1 (K). . · · · .... si {v1 . lo que es lo mismo....   . (vm )B } de Mn×1 (K) es ligado.. si un K − e.v. n} y teniendo en cuenta que (ui )B = ei Bc = (e1 . E tiene dimensión  n y B es una base de E.... que empleando la notación habitual de matrices se escribiría       0 0 1  0   0   1        (e1 . n} ei : {1.. ...... vm } es ligado ⇔ el sistema {(v1 )B . . en ) es una base de Mn×1 (K).. ..... es inmediato comprobar que (·)B es un isomorsmo.. . en ) =  . considerando el isomorsmo (·)B : E →Mn×1 (K) podemos estudiar las propiedades de los vectores de E estudiando las que poseen sus coordenadas respecto de B.

Por tanto. (1.5. P4 (C) = {f ∈ C[x] | Ejemplos. x2 . −1. 1 + x4 } es libre (respectivamente ligado) si y sólo si el sistema de M4×1 (C) formado por sus coordenadas respecto de la base usual de P4 (C). 0)} es libre (respectivamente ligado) si y sólo si el sistema de M3×1 (R) formado por sus coordenadas respecto de la base canónica Bc de R3 . entonces E es también de dimensión nita y dim(E) = dim(Ker(f )) + dim(Im(f )) = nulidad(f ) + rango(f ). 2. 1).172 Álgebra 1.       −1 1 1 { 1  .  1  . el rango de esta proyección es 2. En el R − e.  −1 } 1 1 0 es libre (respectivamente ligado). su nulidad es 1 y la suma de estos dos números coincide con la dimensión del dominio de la función. (1.5.v.  0 }          0   0   1   0  0 0 0 1 es libre (respectivamente ligado). obtenemos una función lineal sobreyectiva y tal que su núcleo es todo el eje de las z. x. gr(f ) ≤ 4}. x4 }. 3. −3 + x3 .4 (Teorema de la dimensión para funciones lineales) Si f : E → E es una función lineal tal que los subespacios Ker(f ) e Im(f ) son de dimensión nita. 1. . en el espacio tridimensional R3 consideramos la función proyección ortogonal sobre el plano xy (isomorfo a R2 ).         0 2 −3 1  1   1   0   0          { 3  . R3 con su estructura de espacio vectorial habitual el sistema {(−1. el sistema {x + 3x2 .2 Dimensiones del núcleo y de la imagen Si.v.  0  . Teorema 3. x3 . por ejemplo. 2 + x. {1. El siguiente teorema generaliza este ejemplo a toda función lineal entre espacios de dimensión nita.  0  . En el C − e. 1). 1.

. ur están en Ker(f ). w1 . 0). ... .. teniendo en cuenta que f es lineal. i=1 αi ui = 0. . αr ..... (3....... y puesto que {v1 .. En denitiva.. (α1 .. wp } es libre. ur } ∃(β1 ... . .. .. αr . ur . Ahora bien.1) En ese caso r f i=1 α i ui + j=1 βj wj = f (0) = 0. Supongamos que (α1 . obtenemos que (α1 .. .... {w1 ..... ........... β1 ... .Álgebra 173 Demostración Sean {u1 . con lo que.... Pero. . p}. El teorema estará demostrado si comprobamos que {u1 . . w1 . ur . tendremos que pero entonces la relación (3.. Sean.. . .. vp } es una base de Im(f ). βp ) ∈ Kr+p es tal que r p αi ui + i=1 j=1 p βj wj = 0. p y puesto que los vectores u1 . .. ... vp } una base de Im(f )... . . βp ) ∈ Kp tal que f (u) = p p i=1 p βi vi ... Pero en ese caso...... p f (u) = i=1 βi vi = i=1 βi f (wi ) = f ( i=1 βi wi ). es libre. ..... w1 ... . b) {u1 .. .. vp } libre. y puesto que {u1 . wp } es una base de E.. al ser {v1 .. ur . αr ) = (0.. Sea u ∈ E. β1 . ur } una base de Ker(f ) y {v1 . .. ... resulta que r p αi f (ui ) + i=1 j=1 βj f (wj ) = 0... a) {u1 ... por otra parte. wp } es un sistema generador de E..1) queda r βj vj = j=1 0. βp ) = (0... f (u) ∈ Im(f ).. . 0). obtenemos que (β1 . . βp ) = (0.. 0). wp } tales que ∀i ∈ {1. .. f (wi ) = vi ..

..5. . un } es una base de E. ... la función f queda completamente determinada por el sistema {f (u1 )... ur }).... n} (f (uj ))B =  .. siendo B = {v1 . αr ) ∈ K .. .. vamos a obtener una expresión que nos permita calcular. . Así pues. p Álgebra 0 = f (u) − f ( i=1 βi wi ) = = (por ser f lineal) = p = f (u − i=1 βi wi ). u − i=1 p r j=1 r βi w i = j=1 αj uj .. según hemos visto. con lo que p u− i=1 βi w i ∈ Ker(f ). f (un )}... Así..v. . u = βi wi i=1 + αj uj . para todo vector w ∈ E. (f (un ))B }. vm } una base de E y.  ∈ Mm×1 (K).... . f : E → E es una función lineal y B = {u1 . conocido el sistema de vectores de Mm×1 (K) {(f (u1 ))B .3 Matriz asociada a una función lineal Si E y E son dos K − e....174 o sea. . nitamente generados... αmj . y como Ker(f ) = L({u1 . 2 3. .  ∀j ∈ {1.. supongamos que   α1j  . las coordenadas de f (w) respecto de B sin más que conocer las coordenadas de w respecto de B.. y resulta que .. p r ∃(α1 .

 (w)B =  . ... n j=1 j=1 xj f (uj ). Sea w ∈ E. y supongamos también que w = j=1 xj uj . con lo que . . . n} (f (uj ))B = i=1 n αij (vi )B . que m 175 ∀j ∈ {1.Álgebra o lo que es lo mismo.      =    n j=1  xj α1j . xn En ese caso. .    . n Mm×1 (K) (v)B n (f (w))B = j=1 n xj f (uj ) B m = j=1 xj · (f (uj ))B = n m = j=1 xj i=1 n m αij (vi )B xj αij = j=1 i=1 xj (αij (vi )B ) = . (f (w))B n j=1 xj αnj     . es decir.  .. = i=1 j=1 (vi )B Es decir. teniendo en (·)B : E v es un isomorsmo. f (w) = f ( cuenta que n  x j uj ) = → . que  x1  .

. 1.  En denitiva. 0) = (0. y la función lineal f : R3 → R2 determinada por √ f (1.   . B Observación 41 Nótese que la matriz MB (f ) está caracterizada por el he- αmj Observación 42 Nótese la disposición de las bases B del espacio dominio E y B de E en la expresión: B (f (w))B = MB (f ) · (w)B ..  (f (uj ))B =  . .  ·  .. 2). f (0. 1) = (3. resulta que     α11 · · · α1n x1  . 0. . 0. . . .  ∈ Mm×1 (K). (f (w))B = MB (f ) · (w)B cho de que ∀j ∈ {1. . . αm1 · · · αmn xn   α11 · · · α1n  . .  . 0) = (1. 1) y f (0. . Si consideramos en R3 y R2 sus estructuras habituales de R − e. . . αm1 · · · αmn (f (w))B = A · (w)B . EJEMPLOS: 1. si A =  . A la matriz A la denominaremos matriz asociada a la función lineal f B respecto de las bases B y B y la denotaremos por MB (f ). En resumen: B ∀w ∈ E.v. teniendo en cuenta como está denido el producto de matrices. 2).  (f (w))B =  .176 Álgebra con lo que. n} su columna j − esima es la matriz ´   α1j  . . tendremos que . B Nótase que MB (f ) ∈ Mm×n (K). donde m = dim(E ) y n = dim(E).

(0. 1). (0. 0. K − e. E. . 1)) = √ √ = (1. 1. 0). 1. 0. 0). 0).. puesto que f es lineal. siendo B = {(1. B MB (IdE ) = In . 1)}. 0) + f (0. 1. 0. 1. 1)) = = f (1. Sin embargo. resulta  1 0 0 B MBn (IdKn ) =  1 1 0  . 2) + (0. 1). Así por ejemplo. 1) + (3.. 1 + con lo que B MB2 (f ) = √ 2). 1) = (3. siendo 177 B3 = {(1. Bn MBn (IdKn ) = In ∈ Mn (K). 3 + 2). (0. Por otra parte. (0. 0. 1) = f ((1. 1. si B = {u1 .. 0) + (0. 1. 0) + (0.v. (0. 0. (0. un } es una base cualquiera de un B MB (IdE ) = In ∈ Mn (K).. 1. 0. 2) = (4. tendremos que. f (1. 0) + f (0. siendo B = B . 2. Es evidente que siendo Bn la base canónica de Kn . 1. y de forma análoga f (0. si consideramos la base de R3 B = {(1. En general. 1)}.Álgebra resulta que. B3 MB2 (f ) = 1 0 √ 3 2 1 2 . B2 = {(1. 4√ 3√ √ 3 2 3+ 2 1+ 2 . 1). 1 1 1  . 1)}. 0. 1). 0. 1)} (verifíquese que efectivamente es una base). (0. 1.

P3 (C) = {f ∈ C[x] | gr(f ) ≤ 3 }. respectivamente. se verica que Bn MB1 (pi ) = ( 0 · · · 0 1(i) 0 · · · 0 ). respectivamente. Nuestro método consiste en el aplicar . x2 .  2 −3 1 1 0 0  . x. queremos hallar una base del núcleo y una base de la imagen de f .v.. 0 0 0  0 1 1 0  1 B MB (f ) =   3 0  3. 4.178 3. consideramos la base usual B = {1. Si en el C − e. ´ Álgebra pi : Kn −→ K . · · · .. sea B MB (f ) la relativa matriz asociada a f. xi siendo Bn y B1 las bases canónicas de. 2 + x. xn ) . (x1 . Fijadas dos bases B = {u1 . un } y B de E y E . . −3 + x3 1 + x3 .5. Si consideramos la función proyección i − esima.. x3 } y la función lineal f : P3 (C) → P3 (C) tal que f (1) f (x) f (x2 ) f (x3 ) resulta que = = = = x + 3x2 . Kn y K.4 Algoritmo para hallar una base del núcleo y de la imagen Dada una función lineal f : E → E entre dos K-espacios vectoriales de dimensiones nitas n y m.

5. y. 3. Entonces    B MB (f )  In  1 2 −3   1 −2 1 =  1 0 0   0 1 0 0 0 1   c2 = c2 − 2c1   c3 = c3 + 3c1   →    1 0 0   1 −4 0   1 −2 1   0 1 1  0 0 1        1 0 0   1 −4 4   1 −2 3   0 1 0  0 0 1   c3 = c3 + c2    →   y {(1.5 Sea f : R3 → R2 denida por f (x. las nuevas columnas obtenidas son todavía de la forma In (las transformaciones elementales usadas son lineales). entonces f (v) = f ( k αi ui ) = k αi f (ui ). i=1 i=1 i=1 al aplicar el método de Gauss sin intercambiar el orden de las columnas a B MB (f ) la matriz . x − 2y + z). . · · · . 1)} es una base de Ker(f ). 1. −4)} es una base de Im(f ) y {(1. si v = k αi ui . z) = (x + 2y − 3z. Ya que f es lineal. Se sigue que.Álgebra el método de Gauss a la matriz A P B MB (f ) In 179 hasta obtener una matriz de la forma B . donde A es la forma gaussiana de la matriz MB (f ). 1). f (un )} respecto de la base B y las columnas de la matriz In son las coordenadas de los vectores {u1 . (f (v))B (v)B Ejemplo 3. Sean B y B las bases canónicas de R3 y R3 . (0. · · · . un } respecto de la base B. Las columnas de B la matriz MB (f ) son las coordenadas de los vectores {f (u1 ).5. Así que las columnas de P que aparezcan bajo las columnas nulas de A constituyen una base del núcleo de f y las columna no nulas de A constituyen una base de la imagen de f .5 Matriz asociada a la composición de funciones lineales En esta sección vamos a determinar la matriz asociada a una función h = g◦f que es la compuesta de dos funciones lineales f y g a partir de las matrices asociadas a f y a g.

B donde  · es el producto usual de matrices... en } la base canónica pleando la notación habitual de matrices se escribiría      1 0  0   1        {e1 . 1) = k=1 (A(j..180 Álgebra Utilizaremos los siguientes resultados para determinar fácilmente la nueva matriz que queda asociada a una función lineal si cambiamos las bases de su dominio y codominio. ∀i ∈ {1. entonces se verica que B B B MB (g ◦ f ) = MB (g) · MB (f ). m} n (A · ei )(j. En estas condiciones 1. ..  ⇐ Siendo Bc = {e1 . y puesto que ´ ∀i ∈ {1.5...e.. Proposición 3. A · ei = (0) ∈ Mm×1 (K). n} A · ei = (0) = Ai .v. de dimensión nita.  . . la columna i − esima de la matriz A). en } = { .. Demostración 1. . A = B ⇔ (∀X ∈ Mn×1 (K).5. que em- 0 0 ... Lema 3.  . 1..   . A · X = B · X) .. 1)) = A(j. 1    }. A · ei = Ai (i.. . de Mn×1 (K).6 Sean A. i). k) · ei (k.  .7 Si E. A · X = (0) ∈ Mm×1 (K)) .  0 0 resulta que.. por hipótesis. E y E respectivamente. . B ∈ Mm×n (K). . . ∀j ∈ {1.. y f : E → E y g : E → E son funciones lineales.   . 2.. pero por otra parte.  . resulta que A = (0). (A = (0) ∈ Mm×n (K)) ⇔ (∀X ∈ Mn×1 (K)..  ⇒ Es evidente. .. 2.  . A = B ⇔ A − B = (0) ⇔ ∀X ∈ Mn×1 (K) (A − B) · X = (0) ⇔ ∀X ∈ Mn×1 (K) A · X = B · X. es decir.. n}. E y E son K − e. 2 y B son bases de E. . B .

. ∀X ∈ Mn×1 (K) ∃u ∈ E tal que X = (u)B . −→ g◦f dim(E ) = p. ∀X ∈ Mn×1 (K). Además es decir. Puesto que la función (·)B : E → Mn×1 (K) es un isomorsmo. o lo que es lo mismo. B B B MB (g) · MB (f ) · (u)B = MB (g ◦ f ) · (u)B .Álgebra 181 Las hipótesis de la proposición se pueden representar por medio de la siguiente tabla. donde se supone que dim(E) = n. ∀u ∈ E. B B B B MB (g) · MB (f ) · (u)B = MB (g) · MB (f ) · (u)B = B = MB (g) · (f (u))B = (g(f (u)))B = = ((g ◦ f )(u))B . dim(E ) = m. Demostración Supongamos que dim(E) = n. Por otra parte. EB (·)B Mn×1 (K) −→ f EB (·)B −→ g EB (·)B B MB (f ) −→ Mm×1 (K) B MB (g◦f ) B MB (g) −→ Mp×1 (K) −→ La conclusión es que B B B MB (g ◦ f ) = MB (g) · MB (f ). B B B MB (g) · MB (f ) · X = MB (g ◦ f ) · X. ∀u ∈ E. B MB (g ◦ f ) · (u)B = ((g ◦ f )(u))B .

Observación 43 Es importante observar. Observación 44 La representación de una función lineal entre espacios vec- toriales de dimensión nita mediante un producto de matrices así como la proposición (3. por el lema anterior.7). . Álgebra 2 R − e. B B B MB (g) · MB (f ) = MB (g ◦ f ).v. y B2 MB2 (g) = resulta que B3 B2 B3 MB2 (g ◦ f ) = MB2 (g) · MB2 (f ) = −1 0 0 −1 · 0 1 2 2 1 1 = = 0 −1 −2 −2 −1 −1 .5.182 con lo que.5. y las funciones lineales f : R3 → R2 y g : R2 → R2 tales que B3 MB2 (f ) = Ejemplo 3. el orden en el que se multiplican las matrices y la coincidencia de la bases que aparecen en la expresión B2 B3 MB2 (g) · MB2 (f ) según la dirección Noroeste-Sureste. justican la denición dada en el capítulo 1 del producto de matrices.8 Si consideramos en R3 y R2 sus estructuras habituales de 0 1 2 2 1 1 −1 0 0 −1 . tanto en la proposición como en el ejemplo anterior.

5. como consecuencia de la proposición (3. siendo B y B bases de E.v.Álgebra 183 3.7). por ejemplo. B B B B In = MB (IdE ) = MB (IdE ◦ IdE ) = MB (IdE ) · MB (IdE ) B B B B In = MB (IdE ) = MB (IdE ◦ IdE ) = MB (IdE ) · MB (IdE ).6 Matrices semejantes y cambios de base Dado un K − e. y que. resulta que. teniendo en cuenta que la función IdE : E → E es lineal. entonces la matriz A es invertible. E de dimensión  n. En consecuencia. Es más. B (u)B = MB (IdE ) · (u)B . sin más que conocer sus coordenadas respecto de la base B y la matriz de transición de B a B B MB (IdE ). teniendo en cuenta que B B MB (IdE ) = In = MB (IdE ). Así. de dimensión  n y A ∈ Mn (K) es tal que B A = MB (IdE ). podemos obtener mediante un producto de matrices las coordenadas de cualquier vector respecto de la base B .5. tendremos que ∀u ∈ E. Otra de las aplicaciones de la proposición (3. y además B A−1 = MB (IdE ). . si E es un K − e.v. B obtenemos en denitiva que la matriz MB (IdE ) es invertible y que además B MB (IdE ) −1 B = MB (IdE ). es decir.5.7) consiste en que nos B aporta un método para obtener la matriz MB (f ) de una función lineal f : E → E respecto de otras bases (tanto de E como de E ).

5. .2) MB 1 (f ) = MB 1 (f ◦ IdE ) = MB (f ) · MB 1 (IdE ).3) y la proposición (3.v. MB 3 (f ) y MB (f ). considerando la función lineal IdE : E → E.5. siendo B = {(1. 1. resulta que B B B B (3. y la función lineal f : R3 → R2 tal que B3 MB2 (f ) = 0 1 2 2 1 1 .4) Esta última ecuación justica la siguiente denición: Denición 3. B B B obtener las matrices MB2 (f ). (3. Se dice que A y B son semejantes si existe una matriz invertible P ∈ Mn (K) tal que B = P −1 AP. sean B y B dos bases del mismo K − e.3) En particular. E de dimensión B B nita n y f : E → E una función lineal.9 Sean A. considerando la función lineal IdE : E → E . 1. (0. 1).v.5. B B B B MB (f ) = (MB (IdE ))−1 MB (f )MB (IdE ).184 Álgebra si B1 es otra base de E. 1)}. y si B es otra base de E . se obtiene que B B B B MB (f ) = MB (f ◦ IdE ) = MB (f )MB (IdE ) = B B B B B = MB (IdE ◦ f )MB (IdE ) = MB (IdE )MB (f )MB (IdE ). (3. 1)}. 0. (3.7).2 Si consideramos en R3 y R2 sus estructuras habituales de R − e. Observación 45 La relación de semejanza sobre Mn (K) es una relación de Ejercicio 3. B ∈ Mn (K).2). Utilizando las ecuaciones (3. 1). (0. resultará que B B B B MB (f ) = MB (IdE ◦ f ) = MB (IdE ) · MB (f ). Sean MB (f ) y MB (f ) las matrices asociadas a f respecto de las bases B y B . equivalencia. y B = {(1. (0. 1). Entonces.

5. 2) + β(1.v. En el capítulo 2 vimos que una recta r y un plano π por (0. 1). c). o bien calcular por cualB quier método que se conozca la matriz inversa de MB2 (IdR2 ). resulta que B MB2 (IdR2 ) = 0 1 2 1 . 3. 0. 0) = α(0. En el capítulo 5 veremos como estas ecuaciones se utilizan en el contexto de los códigos lineales. Sus ecuaciones paramétricas son:  x = λa  r : y = λb λ ∈ R. . 2). 1) = γ(0. y las bases B2 (la base canónica) y B = {(0. 1) y llegamos a que (0. podemos. γ y δ que se obtiene al escribir (1.10 Si consideramos en R2 su estructura habitual de R − e. 1)}. para hallar MB 2 (IdR2 ) . b. Si resolvemos el sistema de ecuaciones en α. 0) son subespacios de R3 . B por otra parte. β. Notar que R = Rdim(r) y que la función g : R −→ R3 .7 Ecuaciones paramétricas e implícitas de un subespacio vectorial En esta sección se denen y se muestra como hallar las ecuaciones paramétricas e implícitas de un subespacio cualquiera de un espacio vectorial de dimensión nita. α γ β δ = −1 1 2 2 1 0 B = MB 2 (IdR2 ). paralelo a r. es una base de r. o bien.Álgebra 185 Ejemplo 3.   z = λc donde el vector u = (a.5. 2) + δ(1. (1. tener B en cuenta que los vectores columna de MB 2 (IdR2 ) son las coordenadas de los vectores de la base canónica respecto de B.

inyectiva y π = Im(g).. .... es lineal.   z = λu3 + µv3 donde los vectores u = (u1 .. . v2 . Para el plano π las ecuaciones paramétricas son  x = λu1 + µv1  π : y = λu2 + µv2 λ.. . Según hemos visto. . inyectiva y r = Im(g). tendremos que u ∈ H ⇔ u ∈ Im(g) ⇔ ∃(α1 .. Notar que. αr ) ∈ Kr tal que u = f (α1 . Se sigue que g : R −→ r es un isomorsmo. u2 . u3 ) y v = (v1 . de manera que dim(H) = r > 0. αr es decir. Si g : Kr → H es un isomorsmo y u ∈ E. En general. tendremos que   α1  .186 denida por Álgebra g(λ) = (λa.... µ ∈ R. es lineal. αr ))B = MB r (g) ·  . H = {0}. Siendo B una base cualquiera de E y Br la base canónica de Kr . αr ) ⇔ (u)B = (g(α1 ..  . . denida por g(λ. αr ). R2 = Rdim(π) y que la función g : R2 −→ R3 .. forman una base de π. µ) = λu + µv. sean E un K − e. linealmente independientes. λb.  B u = g(α1 . v3 ). tal que dim(E) = n y H E. λc). en este caso. los espacios Kr y H son isomorfos.v. Se sigue que g : R2 −→ π es un isomorsmo.

. MB3 (g) = 0 1     1 1  1  . αr  la denominaremos ecuaciones paramétricas de H respecto de la base B . Ejemplo 3. entonces isomorsmo denido por g(1. αr A la expresión   α1  .. Si g  R2  H es el β. y. 0))B3 = 0 1 las ecuaciones paramétricas de H respecto de la base B3 se escribirían: (u)B3  1 1 = 1 2 · 0 1   α β  x o. 0). es decir. ((1. . 2. 1))B3 =  2  . 1) =  2  . (x. resulta que dicho sistema es una base de H y que H es un plano por (0. 2. 2. Teniendo en cuenta que este sistema es libre.(u)B = MB r (f ) ·  .. 0) + β(1. (1. Dado entonces (x. + : → 1 1  1  y g(0. 0) = 0 1   1 1 B2  1 2 . 1. z) = (α + α  2β. y. en forma de sistema de ecuaciones. z) ∈ R3 . 1.  . .  . y. resulta que (x.. 1). 1.  B u ∈ H ⇔ ∃(α1 . z) ∈ H si y solo si ∃(α. 0). αr ) ∈ Kr . β) ∈ R2 tal que (x. Teniendo en cuenta que ((1. z) = α(1. β). siendo  y  las coordenadas respecto z de B3 de un vector genérico de H . y. 0. .  B (u)B = MB r (f ) ·  .5.Álgebra 187  α1  .11 Consideramos el espacio R3 con su base canónica B3 y sea H el subespacio generado por el sistema {(1. 1)}.

. si denimos la función h : R3 −→ R2 como h(x.. resulta que dim(Im(h)) = n− r. en este caso.. . Notar que el codominio de h es R2 = R3−dim(r) . Por el teorema de . Siendo {e1 . . . En estas condiciones existe una función lineal h : E −→ Kn−r tal que H = ker(h). tal que dim(E) = n y H extensión de una base. Proposición 3. z) = a2 x + b2 y + c2 z + d2 = 0 π : h(x. se puede denir la función h : R3 −→ R como h(x. 0) en R3 .188 Álgebra   x=α+β y = α + 2β .. z) : h(x.. resulta que r = {(x. Evidentemente H ⊆ Ker(h). z). . y ei−r si i > r puesto que el conjunto {e1 .. El caso general es el contenido de la siguiente proposición. vimos que sus ecuaciones implícitas son r: y h1 (x.. y. y. Para el plano π. de manera que 0 < dim(H) = r < n. ∃{ur+1 . y.. con lo que.. en−r } la base canónica de Kn−r consideramos la función lineal h : E →Kn−r determinada por las condiciones: 0 si i ≤ r ∀i ∈ {1. z)). resulta que dim(Ker(h)) = Demostración Sea {u1 . y. . En el caso de la recta r.  z=β Volviendo al caso de una recta r y un plano π por (0. teniendo en cuenta que dim(E) = n. H = {0}.v. y. y. y. un } ⊆ E tal que {u1 . H = E. ur } ⊆ H una base de H. n}.. y. 0.. R = R3−dim(π) .. h2 (x. y.12 Sean E un K − e... z) = ax + by + cz + d = 0.. z) = 0} = Ker(h). E. z) = (h1 (x.. un } es una base de E... Notar que el codominio de h es. y. z) : h(x. y. z) = a1 x + b1 y + c1 z + d1 = 0 h2 (x.5. z) = 0} = Ker(h). en−r } ⊆ Im(h). z) = ax + by + cz + d y resulta que π = {(x. h(ui ) = . .

Álgebra 189 r = dim(H). 0 0 1 ·  y  = (0). 1. (1.. siendo z   x coordenadas de un vector genérico de H. siendo B1 la base canónica de R. es decir.. 0) = 0. h(1. 2 Vista la proposición anterior.13 Sea H el subespacio de R3 del ejemplo anterior. u ∈ H ⇔ h(u) = 0 ⇔ B MB1 (h) · (u)B = (0). (1. es decir. 0). . 1. 1. 0)} es un sistema libre (verifíquese) y en consecuencia es una base de R3 . 2. . que z escritas en forma de sistema de ecuaciones se reducen a z = 0. 0) = 1... resulta que Ejemplo 3. Teniendo en cuenta que este sistema es libre. Extendiendo este sistema con el vector (0. 0). un } es una base de E y h : E →Kn−r es una función lineal tal que Ker(h) = H. 1. 2. si B = {u1 . Si ahora consideramos la función lineal h : R3 →R. o lo que es lo mismo. 1. 1. 0). B u ∈ H ⇔ MBn−r (h) · (u)B = (0) A la expresión B MBn−r (h) · (u)B = (0) (o a su versión equivalente como sistema homogéneo de ecuaciones) la denominaremos ecuaciones implícitas de H respecto de B.e. subespacio generado por el sistema {(1. determinada por las condiciones h(1. las ecuaciones implícitas de H respecto de   x  y  las B son 0 0 1 · (u)B = (0). 2. siendo Bn−r la base canónica de Kn−r resulta que B u ∈ H ⇔ h(u) = 0 ⇔ MBn−r (h) · (u)B = (0) en denitiva. el B = {(1. 1) = 0 y h(0. resulta que dicho sistema es una base de H y que H es un plano. 1)}.5. (0. 1). i. resulta que H = Ker(h). y en consecuencia. H = Ker(h).

B3 . 4. determinar f (3. z) xyz c) f : R2 → R (x. 1). 3.6. 0. 1). teniendo  −1   1 1 0 1 0 −1 −1 B B =  1 2 1  =  0 0 1 . y.6 Ejercicios 3.1 Ejercicios resueltos 1. es suciente con cambiar la matriz considerada. 1) y f (2. Determinar si la función T : M2 (R) → R. las ecuaciones implícitas de H respecto de B3 B3 B3 B B son MB1 (h) · (u)B = (0) y. y. f (0. donde . Razonar si las siguientes funciones son o no lineales (en cada uno de los conjuntos considerados se considera su estructura habitual de espacio vectorial): a) f : R3 → R b) f : R3 → R (x. en cuenta que MB 3 (Id) = MB3 (Id) 0 1 0 −1 1 −1 resulta que las ecuaciones implícitas de H respecto de B3 son     1 0 −1 x  0 0 1  ·  y  = (0). por ejemplo la base canónica de R3 . Dada la función lineal f : R2 → R3 determinada por las condiciones f (1. es decir. 0) = (3. 0 0 1 · −1 1 −1 z es decir. 1) = (−1. 3. −x + y − z = 0.190 Álgebra Si ahora quisiéramos obtener las ecuaciones implícitas de H respecto de otra base. puesto que MB1 (h) = MB1 (h) · MB 3 (Id). −1). y) x2 + y 2. z) x + 2y − 3z (x.

a) T : R5 → R7 tiene rango 3. nulidad(T) =0.x. n<m. a) T 4. c) T : Rm → Rn . 7. 8. ¾Cuáles de los siguientes vectores están en Ker(T )? a) x3 b) 0 c)1 + x 6.-4) b) (5. usando la información dada determinar si (la función lineal) T es uno a uno. b) T : Rn → Rn . a) Encontrar la matriz para T con respecto a las bases B2 = {1. −4(2x − 4)). 9. d) T : Rn → Rn . y) = (2x − y. B1 b) Comprobar que la matriz (T)B2 . y) = (2x − y. Sea T : R2 → R2 el operador lineal denido por la expresión T (x. −8x + 4y). R(T) = Rn . Sea T : P2 → P1 la transformación lineal denida por T (a0 + a1 x + a2 x2 ) = (a0 + a1 ) − (2a1 + 3a2 )x. a) T : Rn → Rm . c) T (R6 ) = R3 . ¾Cuáles de los siguientes vectores están en R(T )? a) (1. b) T : P4 → P3 tiene rango 1. 5. d) T : M2 (R) → M2 (R) tiene rango 3. b) ¾Es T uno a uno? Justicar la conclusión.x2 } y B1 = {1.B1 = MB2 (T ) obtenida en el inciso a) satisface la fórmula : A(p(x))B2 = (T(p(x)))B2 .x} para P2 y P1 . . a) Encontrar el núcleo de T. usando la información proporcionada obtener la nulidad de T. En cada inciso.0) c) (-3.12) T (x. Sea T : R2 → R2 la proyección ortogonal sobre la recta y=x. En cada inciso. Sea T : P2 → P3 la transformación lineal denida por T (p(x)) = xp(x). rango(T) = n-1.Álgebra 191 a b = 3a − 4b + c − d c d a b b) T = a 2 + b2 c d es una transformación lineal.

Demostrar que se cumple exactamente una de las siguientes proposiciones: i) La ecuación T(x) =b tiene una solución para todo los vectores b en V.x2 } y B3 = {1. 1). 0. −2. 11. Sea E un espacio vectorial de dimensión 3 y B = {e1 . 1. e3 } una base de E. MB3 (T2 ). e2 . 0. f (−1. ii) Nulidad de T > 0. 1. f (1.x. 1. 0) = (1. b) Si A y B son invertibles.192 10. 1) = (0. a) Hallar la matriz asociada a f respecto de las bases canónicas de R4 y b) La dimensión y las ecuaciones de Ker(f ) e Im(f ) respecto de las bases canónicas de R4 y R3 . 1. 1. Sean B1 = {1. Sea la función lineal f : R4 → R3 determinada por las condiciones f (1. Sean A y B matrices semejantes. 12. Sea T1 : P1 → P2 la transformación lineal denida por Álgebra T1 (c0 + c1 x) = 2c0 − 3c1 x y sea T2 : P2 → P3 la transformación lineal denida por T2 (c0 + c1 x + c2 x2 ) = 3x(c0 + c1 x + c2 x2 ). 8 −7 6 .(Teorema alternativo de Fredholm) Sea T : V → V un operador lineal sobre un espacio vectorial n dimensional. Consideramos la función lineal f : E → E tal que su matriz asociada sea   15 −11 5 B MB (f ) =  20 −15 8  . b) Escribir una fórmula que relacione las matrices del inciso a). 0. MB2 (T1 ). 13. 0.x3 }. B1 B2 B1 a) Encontrar MB3 (T2 ◦ T1 ). 1). −1).x}. 1.x. 1. f (1. Demostrar lo siguiente: a) At y Bt son semejantes. B2 = {1. 0) = (0. entonces A−1 y B−1 son semejantes. −1). c) Comprobar que las matrices del inciso a) satisfacen la fórmula planteada en el inciso b). R3 .x2 . 0) = (1. 14.

0. 3. u2 = 3e1 + 4e2 + e3 . 0) = (3. 0) = (2. f (0. donde u1 = 2e1 + 3e2 . Siendo la función lineal f : R2 → R2 tal que su matriz asociada respecto de B es B MB (f ) = 3 15 2 10 . 1. 0. donde u1 = 2e1 + 3e2 + e3 . Hallar una base del núcleo y una base de la imagen de la siguiente función lineal: f : R4 → R3 determinada por las condiciones: f (1. 0). 0) = (1. z) → (x − y. e2 } = {(1. 0. 0. Razona si las siguientes funciones son o no lineales (en cada uno de los conjuntos considerados se considera su estructura habitual de espacio vectorial): f: R3 −→ R (x. t) → (2x − 3y + t. 1. y. 0. z. u2 = 3e1 + 4e2 . u2 . y. y. 0. −1). 1). 1. 0.6. f (0. u3 = e1 + 2e2 + 2e3 . hallar una base de Ker(f ) y una base de Im(f ).Álgebra 193 Hallar la matriz asociada a f respecto de la base B = {u1 . En R2 se considera la base B = {u1 . f (0. (0. 1). z) → 2x + 1 g: h: R3 −→ R2 (x. 1) = (1. 1)}. −1). u3 }. u2 }. 1. 16. y B2 = {e1 . z − t) . 0.2 Ejercicios propuestos 1. y 2 ) R4 −→ R2 (x. 15.

R). una aplicación lineal f : E −→ K no nula es sobreyectiva. b). (a) Demuestra que D((a. b). 4. B B Calcula las matrices de cambio de base: MB 3 (IdP3 (R) ) y MB3 (IdP3 (R) ). 1 + x3 . (x − 1)2 . Prueba que la aplicación integral denida I : C([a. Sea C([a. R) −→ R b f → I(f ) = a f (x)dx es una aplicación lineal. b) ⊂ R. b] ⊂ R. x. R) el espacio vectorial de funciones reales continuas denidas en el intervalo [a. Prueba que dado un Kespacio vectorial E . Prueba que para toda aplicación R-lineal f : R −→ R existe un número real a tal que f (x) = ax. Considera el espacio vectorial P3 (R) de polinomios de grado menor o igual que 3 y las bases: B3 = {1. b]. (x − 1)3 }. x2 . b]. R) es un subespacio vectorial de F((a. R) −→ F ((a. b). (x − 1). 2 + 2x. R) f → D(f ) = f es una aplicación lineal. 6. 2 + x2 − x3 . R) el conjunto de funciones derivables reales de variable real denidas en el intervalo (a. 3. (c) ¾Cuál es el núcleo de dicha aplicación? 5. b). (b) Prueba que la aplicación derivada D : D((a. x3 } y B = {1. ∀x ∈ R. Sea D((a. b).194 Álgebra 2. Halla las coordenadas respecto de B de los polinomios: 2x + 4x2 + x3 . .

(iii) Calcula una base de Im(f ). Siendo f . z) para (x. z. 1. −1. 0. y. −x + 2z + 4t. 1. −1. y. Sea f la única aplicación lineal de R3 en R4 vericando: f (e1 ) = (2. y. 13. 0. −7) 10. −1. y. g y h las aplicaciones lineales del ejercicio anterior.Álgebra 195 7. x + 3y − 2z) 2 ¾Qué dimensión tiene Calcula las ecuaciones implícitas de Im(f ). −1) a Im(f )? • ¾Pertenecen (2. x + 4y − 3z. z) ∈ R3 . z) = (x + 2y − 2z. Sea B3 = {e1 . e3 } la base canónica de R3 . 3) f (e3 ) = (1. y. 2. −2x + y + z) h : R2 −→ R4 denida por e1 → h(e1 ) = (2. 0) y (2. −3) a Im(h)? . sobreyectividad y biyectividad de las aplicaciones lineales: f: R3 −→ R3 (x. −7. 3) e2 → h(e2 ) = (1. −3) a Ker(g)? • ¾Pertenecen (1. Considera la aplicación lineal denida por: f : R3 −→ R3 . −1. −2. (ii) Calcula una base de Ker(f ). Ker(f )? 9. x + 2y − z) g: R4 −→ R3 (x. 8. 0. 3. 1) (i) Halla f (x. 10) y (1. Estudia la inyectividad. e2 . 11. 0) f (e2 ) = (1. −5. 15. 3) y (14. 3 f (x. t) → (2y − 3z − 3t. 0. −1. 3x + 2y − 4z. −1. responde a las siguientes preguntas: • ¾Pertenecen (3. z) → (2x + y − z.

. x. B B B . 2).196 11. Para cada n ∈ N. 2. . ¾Cuál será la forma general de la matriz de Dn respecto a las bases Bn y Bn−1 ? . v2 = (0. . −2). sea Pn (R) el espacio vectorial de polinomios en una variable de grado menor o igual que n con coecientes en R. Sea Bn = {1. calcula la matriz de la aplicación D3 respecto a las bases B3 y B2 .Comprueba que B es una base de R3 . . 2. xn } la base canónica de dicho espacio. 2)}. e2 . .Calcula las matrices MB 3 (IdR3 ). e3 } es:  −3 5 B3 4 MB3 (f ) =  2 5 −2 Álgebra matriz respecto de la base  0 2 5 Sea B = {v1 = (2. 1. Sea f la aplicación lineal de R3 a R3 cuya canónica B3 = {e1 . Sea Dn la restricción de la aplicación derivada D a Pn (R): Dn : Pn (R) −→ Pn−1 (R) p → D(p) = p Para n = 3. MB3 (IdR3 ) y MB (f ) 12. v3 = (1.

w > + < v. Esto puede conseguirse deniendo un producto escalar adecuado. A lo largo del capítulo consideraremos sólo espacios vectoriales sobre R. 1) (p. w ∈ E < u + v. ∀u.e. se dice que una función es un producto escalar real (o producto interior real) si: (p. 4. u >≥ 0 y < u. v) = u − v = (u − v) · (u − v).1. u >= 0 ⇔ u = 0. La longitud de un vector y la√ distancia entre dos vectores quedaban denidas por las expresiones u = u · u y d(u. v >= α < u. >: E × E −→ R (u. v >=< v. por ejemplo. Hay situaciones en las que es necesario utilizar otras distancias entre objetos. ∀u ∈ E < u. v > . w >=< u.e. v ∈ E < u. 4) ∀u. 197 . v > Denición 4.Capítulo 4 Espacios vectoriales euclídeos En el capítulo 2 hemos recordado la denición de producto escalar de vectores en R2 y R3 y hemos denido el producto escalar de vectores de Rn . v. cuando se pretende obtener la mejor aproximación de una función por medio de funciones que pertenecen a un subespacio vectorial determinado. u > .e.1 Si E es un R − e. 3) (p.e. La teoría para espacios vectoriales euclídeos complejos es una generalización de la aquí presentada para espacios reales. v) < u.v. 2) (p. v ∈ E ∀α ∈ R < αu. ∀u.1 Producto escalar <. w > .

. yn ) = x1 y1 + . q(x)) −1 p(x) · q(x)dx. Ejemplo 4. (y1 . <.. .4 En el R − e. Ejemplo 4. .. xn ). x2 ). y ) ∈ R2 mediante la expresión (x1 ... q(x)) i=0 ai bi .198 Álgebra Si <.2 En R2 la función <. >) le denominaremos espacio vectorial euclídeo (e.. yn ) ∈ Rn mediante la expresión n (x1 . Como vimos.m} (p(x). >: R2 × R2 −→ R denida para cada par de vectores (x. y). + xn yn = i=1 xi y i es un producto escalar (verifíquese). . + a1 x + a0 y q(x) = bm xm + .v. >: E × E −→ R es un producto escalar... donde p(x) = an xn + . (y1 ..).. >0 : R[x] × R[x] −→ R min{n. + b1 x + b0 ..e... >: Rn × Rn −→ R denida para cada par de vectores (x1 ..1. .(x .... y2 ) = x1 y1 + x2 y2 es un producto escalar.v. xn ).1.1. al par (E.. de los polinomios con coecientes reales R[x] consideraremos los productos escalares siguientes (verifíquese): <.v.3 En general en el R − e. este producto escalar es el producto escalar usual de R2 . >1 : R[x] × R[x] −→ R 1 (p(x). <. (y1 . Rn la función <. Ejemplo 4. Este producto escalar es el producto escalar usual de Rn . .

w > ∀α ∈ R < u...e. los espacios vectoriales euclídeos (R[x]. Por ejemplo.. + βm vm = = α1 β1 < u1 . vm >= = n m αi βj < ui . ·) y sea v0 cualquier vector jo de E. v ∈ E < u.. simétrica y denida positiva. <.. >) es un e. <. vm ∈ E...e. >) es un e. <.v. . se dice que <. es decir... β1 . Observación 46 Nótese que si (E. <..v.. v >=< u. v1 . αv >=< αv. v = α1 < u1 . un . x2 >1 = −1 3x2 dx = 2 y < 3. Además. 3) y (p. v >= i=1 αi < ui ..v... Ejercicio 4. con producto escalar (·. > es una función bilineal. .... por valer las propiedades (p.2 Sea E un R − e. son distintos. ... vm > + +α2 β1 < u2 . + αn un .Álgebra 199 Es importante señalar que en el ejemplo anterior. u >= =< w.. si α1 . v.. + αn βm < un . u > + < w. .. .. αn ∈ R y u1 ..1...1. β1 v1 + . vj > . Además. w > + < v.. α1 . βm ∈ R y u1 .1 Demostrar que si (E. + αn un . w + v >=< w + v. 4). >0 ) y (R[x]. 1 < 3. v > +. v > . v0 ) ∀u ∈ E. Sea f : E → R la función denida por f (u) = (u. entonces α1 u1 + . x2 >0 = 3 · 0 = 0. . + αn < un . u >= α < v.... v ∈ E.. >1 ).e. Ejercicio 4. n α1 u1 + . un . v1 > +. v1 > +. a partir de las propiedades del producto escalar se verica que ∀u. Vericar que f es lineal. es una función bilineal.e. w ∈ E y ∀u.. + α1 βm < u1 . aún teniendo el mismo conjunto base. v > .e. i=1 j=1 Se sigue que un producto escalar es lineal en la primera y segunda variables. . u >= α < u. αn .

vamos a denir a partir de él las nociones de norma.1 Sea (E. v ∈ E u+v ≤ u + v (desigualdad triangular). <. . 1)∀u ∈ E u ≥ 0 y u = 0 ⇔< u.2 Si (E.2. 3.. v >= 1 u + v 2 − u 2 − v 2 < u. <. u > = |k| · u . se veri1. ku > = k 2 < u. <. ca que: Ejercicio 4. 2) ∀u ∈ E ∀k ∈ R ku = |k| u . v >= 1 u + v 2 − u − v 2 4 2 2 (ley del paralelogramo) A las propiedades 2 y 3 se las conoce como identidades de polarización. >) un e. distancia y ángulo en espacios euclídeos. u >.v. Otras propiedades de la norma euclídea que se pueden obtener fácilmente a partir de las propiedades del producto escalar son las que aparecen enunciadas en el ejercicio siguiente. 3) ∀u. y u ∈ E. necesitamos estudiar algunas de sus propiedades. tal que Denición 4. Antes de poder vericar que una norma euclídea verica la denición general de norma. Demostrar que ∀u. llamaremos norma euclídea (o módulo) de u al número real u = √ < u. >) es un e. (n. es fácil obtener las propiedades: (n. u . > por ser un producto escalar. u+v 2+ u−v 2 =2 u 2+ v < u. y u ∈ E. 2. Denición 4. es número real.e.v. u >= 0 ⇔ u = 0. 2)∀u ∈ E ∀k ∈ R ku = < ku. (n. 4. tomando el concepto de producto escalar como un concepto primario.e. (n.2 Longitud o norma euclídea de un vector Siguiendo la línea directriz marcada en la introducción.2. >) es un e.v. 1) ∀u ∈ E u ≥0 y u = 0 ⇔ u = 0.2.200 Álgebra 4.1 Propiedades de la norma euclídea A partir de las propiedades que debe satisfacer la función <. una norma (o módulo) (n. v ∈ E.2.1 Si (E.

v >2 − < u.v. ∀λ ∈ R pero < u + λv. u > +2λ < u. el grafo de f es una parábola de R2 y. vamos a obtener otras propiedades de la norma que derivan básicamente del siguiente resultado conocido como desigualdad de Cauchy-Schwarz. Demostración ∀λ ∈ R consideramos el vector u + λv. si su discriminante es negativo: ∆ = 4b2 − 4ac < 0 o. u + λv >= aλ2 + 2bλ + c > 0. Por las propiedades del producto escalar. ∀u. <.2. u >< v. v ∈ E se verica que |< u. es decir. b =< u. v > +λ2 < v. con lo que b2 − ac < 0. v >. < u. v} es libre.3 Si (E. Si denimos a =< v.e. >) es un e. ∀λ ∈ R y ∀λ ∈ R < u + λv. tendremos que eso sólo es posible si ∀λ ∈ R la ecuación de segundo grado anterior no tiene raíces reales. Teorema 4. u + λv >≥ 0 < u + λv. . v} es ligado. v >| ≤ u · v .. puesto que si {u. u + λv = 0. lo que es lo mismo. Además |< u. v > < 0. v > y c =< u. u + λv >=< u. v >| = u · v ⇔ {u. v > . u > y consideramos la función f: R → R λ f (λ) = aλ2 + 2bλ + c según es sabido.Álgebra 201 Además de las propiedades anteriores.

u + v >=< u. u > +2λ < u. v >| ≤ ≤ u 2 + v 2 + 2 u · v = ( u + v )2 . u > · √ < v.v. ∀u. v >= 0 ∃λ ∈ R tal que < u + λv. 3).e. v} es ligado. u > +2 < u. de donde. Álgebra |< u. v ∈ E se verica que u+v ≤ u + v .4 Si (E.2. para norma euclídeas.2 Determinar las normas euclídeas asociadas a los productos escalares denidos en los ejemplos anteriores. v > = u · v . v > + < v..2. extrayendo raíces cuadradas u+v ≤ u + v . la desigualdad triangular o desigualdad del triángulo. Proposición 4. <. |< u. v >| < Además √ < u. v >| = ⇔ ⇔ ⇔ ⇔ ⇔ u · v ⇔ b2 − ac = 0 ⇔ ∃λ ∈ R tal que < u. 2 A partir del resultado anterior se obtiene la propiedad (n. v > +λ2 < v. >) es un e. . v >= = u 2 + v 2 + 2 < u. u + λv >= 0 ∃λ ∈ R tal que u + λv = 0 ∃λ ∈ R tal que u + λv = 0 {u. una norma euclídea es una norma. 2 Ejercicio 4.202 es decir. Demostración u+v 2 = < u + v. Por tanto. v >≤ u 2 + v 2 + 2 |< u.

Álgebra

203

Ángulo entre dos vectores
A partir del producto escalar, también podemos recuperar el concepto de ángulo. Si (E, <, >) es un e.v.e. y u, v ∈ E, u = 0, v = 0, como consecuencia de la desigualdad de Cauchy-Schwarz y de las propiedades que satisface el valor absoluto resulta que

−1 ≤

< u, v > ≤ 1. u · v

Denición 4.2.5 Si (E, <, >) es un e.v.e. y u, v ∈ E, u = 0, v = 0, se denomina ángulo entre los vectores u y v al número real uv ∈ [0, π] tal que
cos(uv) = < u, v > . u · v

Denición 4.2.6 Si (E, <, >) es un e.v.e., y u, v ∈ E, se dice que u y v son ortogonales (o perpendiculares) si
< u, v >= 0.

Ejercicio 4.2.3 Compruébese que si u, v ∈ (E, <, >), u = 0, v = 0, entonces
uv =
y

π ⇔ u y v son ortogonales. 2

{u, v} es ligado ⇔ uv = 0 ó uv = π.
Para probar esta última parte, téngase en cuenta que, si por ejemplo uv = 0, entonces |< u, v >| = u · v y que, en tal caso, valen las conclusiones del teorema (4.2.3).

Ejercicio 4.2.4 En el e.v.e. (R3 , <, >), donde <, > es el producto escalar
usual, determinar el ángulo formado por los vectores (1, 0, 1) y (0, 0, 1).

Ejercicio 4.2.5 Determinar el ángulo que forman los vectores 1 + x, x2 ∈
R[x] en los e.v.e. (R[x], <, >1 ) y (R[x], <, >0 ).

204

Álgebra

Distancia euclídea
Finalmente, a partir del producto escalar, también podemos denir la distancia entre vectores.

Denición 4.2.7 Si (E, <, >) es un e.v.e. y u, v ∈ E se denomina distancia euclídea de u a v y se denota por d(u, v) al número real
d(u, v) = u − v = √ < u − v, u − v >.
A partir de las propiedades vistas de la norma euclídea, es fácil ver que se satisfacen las propiedades que debe vericar cualquier función distancia, a saber:

1. ∀x, y ∈ E 2. ∀x, y ∈ E 3. ∀x, y, z ∈ E

d(x, y) ≥ 0. d(x, y) = 0 ⇔ x = y d(x, z) ≤ d(x, y) + d(y, z).

usual, determinar la distancia entre los vectores (1, 0, 1) y (0, 1, 1).

Ejercicio 4.2.6 En el e.v.e (R3 , <, >), donde <, > es el producto escalar

Ejercicio 4.2.7 En el e.v.e (R[x], <, >1 ) determinar d(1 + x, x2 ). Ejercicio 4.2.8 En el e.v.e (R[x], <, >0 ) determinar d(1+x, x2 ). Compárese
el resultado obtenido con el del ejercicio anterior.

4.3 Método de ortogonalización de Gram-Schmidt
Denición 4.3.1 Sean (E, <, >) un e.v.e. y {u1 , ..., ur } un sistema de vectores de E. Se dice que el sistema {u1 , ..., ur } es ortogonal si se verica:
1. ∀i ∈ {1, ..., r} ui = 0 2. ∀i, j ∈ {1, ..., r} (i = j ⇒< ui , uj >= 0)
Si además de ser un sistema ortogonal, el sistema {u1 , ..., ur } satisface

3. ∀i ∈ {1, ..., r}

ui = 1

se dice que el sistema {u1 , ..., ur } es ortonormal.

Proposición 4.3.2 Sean (E, <, >) un e.v.e. y {u1 , ..., ur } un sistema de
vectores de E \ {0}. Se verica que

{u1 , ..., ur } ortogonal ⇒ {u1 , ..., ur } libre.

Álgebra

205

Demostración Supongamos que
α1 u1 + ... + αr ur = 0.
En ese caso

∀i ∈ {1, ..., r}

α1 u1 + ... + αr ur , ui =< 0, ui >= 0.

Pero por otra parte, ∀i ∈ {1, ..., r},

α1 u1 + ... + αr ur , ui = = α1 < u1 , ui > +... + αi < ui , ui > +... + αr < ur , ui >= = αi ui 2 ,
puesto que si j = i < uj , ui >= 0. En denitiva,

∀i ∈ {1, ..., r} αi = 0
y en consecuencia {u1 , ..., ur } es libre.

2

Observación 47 Es importante notar que existen sistemas libres que no son
ortogonales, por ejemplo dos vectores que no son ni paralelos, ni perpendiculares.

Denición 4.3.3 Sean (E, <, >) un e.v.e y B = {u1 , ..., un } una base de E. Se dice que B es una base ortogonal si el sistema {u1 , ..., un } es ortogonal y, obviamente, se dice que B es una base ortonormal si el sistema {u1 , ..., un }
es ortonormal.
Obviamente si (E, <, >) un e.v.e. tal que dim(E) = n y {u1 , ..., un } es un sistema ortogonal, necesariamente {u1 , ..., un } es una base ortogonal, siendo libre como consecuencia de la proposición anterior. En el siguiente teorema expondremos un método, conocido como método de ortogonalización de Gram-Schmidt, que nos va a permitir construir un sistema ortogonal a partir de un sistema dado (en particular una base ortogonal a partir de una base dada). La idea consiste en, partiendo del primer vector del sistema dado, que coincidirá con el primer vector del sistema ortogonal obtenido, ir construyendo el sistema de manera que cada vector que añadimos sea ortogonal a los vectores ya construidos.

206

Álgebra

Teorema 4.3.4 Sean (E, <, >) un e.v.e. y {u1 , ..., ur } un sistema libre de
E. En estas condiciones existe un sistema ortogonal {v1 , ..., vr } tal que ∀i ∈ {1, ..., r} L({v1 , ..., vi }) = L({u1 , ..., ui }).

Base de inducción: Si r = 1 no hay nada que probar, puesto que si {u1 } es libre, u1 = 0 y obviamente (según la denición) {u1 } es ortogonal. Paso de inducción: Supongamos cierto el resultado para todo sistema libre de r vectores. Sea {u1 , ..., ur+1 } un sistema libre. En ese caso, puesto que {u1 , ..., ur } es un sistema de r vectores, podemos aplicar la hipótesis de inducción, es decir, existe un sistema ortogonal {v1 , ..., vr } tal que

Demostración Razonamos por inducción sobre r : .

∀i ∈ {1, ..., r} L({v1 , ..., vi }) = L({u1 , ..., ui }).
Veamos cómo construir vr+1 de manera que satisfaga las condiciones requeridas. Puesto que L({v1 , ..., vr }) = L({u1 , ..., ur }), buscamos vr+1 ∈ E de manera que

L({v1 , ..., vr , vr+1 }) = L({u1 , ..., ur , ur+1 }).
Resulta que debe suceder que

vr+1 ∈ L({v1 , ..., vr , vr+1 }) = L({u1 , ..., ur , ur+1 }) = L({v1 , ..., vr , ur+1 }).
Pongamos

vr+1 = ur+1 + λ1 v1 + ... + λr vr
y veamos cómo deben ser los coecientes λ1 , ..., λr ∈ R para que se satisfaga la condición de ortogonalidad, es decir, que

∀i ∈ {1, ..., r}
Dado i ∈ {1, ..., r},

< vr+1 , vi >= 0.

< vr+1 , vi >=< ur+1 + λ1 v1 + ... + λr vr , vi >= = < ur+1 , vi > +λ1 < v1 , vi > +... + λr < vr , vi >= = < ur+1 , vi > +λi < vi , vi >

Álgebra

207

puesto que el resto de los términos son nulos, al ser ortogonal el sistema {v1 , ..., vr } . Imponiendo entonces la condición

< vr+1 , vi >= 0 =< ur+1 , vi > +λi < vi , vi >
resulta que

λi = − qed

< ur+1 , vi > . < vi , v i >

Método de ortogonalización de Gram-Schmidt
De la demostración anterior se deduce que, en denitiva, dado el sistema libre {u1 , ..., ur } , el método de ortogonalización de Gram-Schmidt consiste en denir el sistema de vectores

v1 = u1

v2 = u2 − v3

vr

< u 2 , v1 > · v1 < v 1 , v1 > < u3 , v2 > < u 3 , v1 > · v1 − · v2 = u3 − < v 1 , v1 > < v 2 , v2 > . . . < ur , vr−1 > < ur , v1 > · v1 − ... − · vr−1 , = ur − < v 1 , v1 > < vr−1 , vr−1 >

que es un sistema ortogonal y además satisface la condición

∀i ∈ {1, ...r − 1} L({v1 , ..., vi }) = L({u1 , ..., ui }).

Observación 48 Nótese que si {v1 , ..., vr } es ortogonal, deniendo
∀i ∈ {1, ..., r} wi = vi vi

el sistema {v1 , ..., vr } es ortonormal, puesto que

∀i ∈ {1, ..., r}

wi =

vi vi

=

1 · vi = 1. | vi |

208

Álgebra

servación anterior, si (E, <, >) es un e.v.e., con E de dimensión nita, y {u1 , ..., un } es una base de E, utilizando el método de Gram-Schmidt podemos obtener, a partir de ella, una base ortogonal y, posteriormente, dividiendo cada vector por su norma, obtendremos una base ortonormal de (E, <, >). En consecuencia, podemos armar que todo e.v.e. de dimensión nita tiene una base ortonormal.

Observación 49 Nótese que como consecuencia del teorema y de la ob-

Ejercicio 4.3.1 A partir de la base
{(1, 1, 1), (1, 1, 0), (1, 0, 0)},
obtener por el método de Gram-Schmidt una base ortonormal de (R3 , <, >), donde <, > es el producto escalar habitual.

Coordenadas ortonormales
La pregunta que es natural hacerse es ¾porqué nos interesa trabajar con bases ortonormales? Aunque más adelante veremos otras propiedades que tienen que ver con la mejor aproximación o aproximación óptima de un vector por vectores de un subespacio, la primera ventaja, que resulta evidente, es la siguiente. Si B = {w1 , ..., wn } es una base ortonormal de (E, <, >), las coordenadas de cualquier vector u ∈ E respecto de dicha base se pueden obtener en función del producto escalar de u por los vectores de B, pues si

u = α1 w1 + ... + αn wn
resulta que ∀i ∈ {1, ..., n}

< u, wi > = < α1 w1 + ... + αn wn , wi >= = α1 < w1 , wi > +... + αn < wn , wi >= = αi < wi , wi >= αi wi 2 = αi ,
con lo que
n

u =< u, w1 > w1 + ...+ < u, wn > wn =
i=1

< u, wi > wi .

El resultado de la siguiente proposición se conoce como identidad de Parseval y es una generalización del teorema de Pitágoras.

Álgebra

209

Proposición 4.3.5 Si B = {w1 , ..., wn } es una base ortonormal del e.v.e.
(E, <, >), entonces ∀u ∈ E se verica que
n

u

2

=
i=1

< u, wi >2 .

Demostración Sea B = {w1 , ..., wn } una base ortonormal de (E, <, >).
En ese caso
n

u=
i=1

< u, wi > wi ,

con lo que
n n

u

2

= < u, u >=<
i=1 n

< u, wi > wi ,
j=1 n

< u, wj > wj >=

=
i=1 n

< u, wi >< wi ,
j=1 n

< u, wj > wj >= < u, wj >< wi , wj > =

=
i=1 n

< u, wi >
j=1

(teniendo en cuenta que la base es ortonormal)

=
i=1 n

< u, wi > (< u, wi >< wi , wi >) =
n

=
i=1

< u, wi >

2

wi

2

=
i=1

< u, wi >2 . 2

4.3.1 Descomposición QR de una matriz
Si A ∈ Mm×n (R) tiene vectores columna (A1 , A2 , · · · , An ) = (u1 , u2 , · · · , un ) linealmente independientes, es decir, si rango(A) = n, el método de ortogonalización de Gram-Schmidt nos proporciona una manera de determinar, a partir del sistema libre (u1 , u2 , · · · , un ), un sistema ortonormal (q1 , q2 , · · · , qn ). Si ahora denotamos con Q ∈ Mm×n (R) a la matriz cuyos vectores columna son los vectores obtenidos (q1 , q2 , · · · , qn ), ¾cuál es la relación entre A y Q?

q 1 > · · · < u n . se sigue que n ∀j ∈ {1. para todo i ∈ {1. q2 >  R= .6 Sea A ∈ M3×2 (R) denida por   1 1 A = 0 1 . . u2 .  . Hemos así obtenido la descomposición QR de la matriz A en el producto de una matriz Q con vectores columna ortogonales por una matriz R invertible y triangular superiormente. q n > < u2 .  . La descomposición QR se utiliza en varios algoritmos numéricos y. . ui−1 para todo i ≥ 2. n} uj = i=1 < uj . q n > · · · ∀j ∈ {1. u2 . q2 . . q2 >    . . un ). qn ). qn ) una base ortonormal del espacio columna de A. · · · . · · · . · · · . un ) respecto de la base (q1 . u2 . q2 > < u 2 . . < un . n}. Ejemplo 4. qn > y A=QR . n} Aj = (QR)j < un . 0 0 . en particular. qi > q i . siendo qi ortogonal a u1 . q 1 >  0 < u2 . · · · .3. q2 . la matriz ··· ··· . qi >= 0. q 2 >    R= . Entonces u1 = 1 1 . . . ya que < ui . q 1 >  < u 1 . ···  < un . . 1 1     1 1 0 y u2 = 1 .   . · · · . · · · R es triangular superiormente:  < u 1 . Entonces   < u 1 . . · · · . · · · .210 Álgebra Siendo (q1 . uj >) ∈ Mn (R) la matriz cuyas columnas son las coordenadas de los vectores (u1 . . q 1 > < u2 . . . . Además. L(u1 . . . q1 > < u 2 . . en el cálculo numérico de autovalores de matrices grandes. q1 > < un . . . qn > e invertible. < u 1 . q 2 > · · · < u n . Sea R = (< qi .

0 >= 0. q2 > √ = 2 0 √ 2 1 4. (0. y A ⊆ E. 1)) es ortogonal al conjunto A = {(1. = 1 . donde <. Se verica que el conjunto A⊥ = {v ∈ E |∀u ∈ A < v. 2 1 √ 2  0 1 . Pues.v.e. si se preere. v 1 = u1 . Proposición 4. A este subespacio se le denomina subespacio ortogonal de A. >) un e. u > − < u. <. Ejemplo 4. 1 √ Q=0 y A = QR. <. 0 R= < u1 . 0)}.3 Sean (E. 1. u >= 0. q1 > < u 2 . <. >). 0. v 2 = u2 − · v1 = < v1 .1 Sean (E.e. 0).2 En (R3 . y A ⊆ E.4 Proyecciones ortogonales Denición 4. > es el producto escalar usual de Observación 50 Nótese que el vector 0 ∈ E es ortogonal a cualquier sub- R3 . < v.Álgebra 211 Aplicando el método de Gram-Schmidt se obtiene la base ortogonal       1 1 0 < u2 . 1. q2 = q1 = v1 v2 1 √ 0 2 Por tanto. Diremos que v ∈ E es un vector ortogonal a A si ∀u ∈ A. v1 > 1 − 2 0 = 1 . . u >= 0 o. cualquier vector de la recta L((0. u >= 0 } es un subespacio vectorial de E. siendo A cualquier subconjunto de E.4.4. u − u >=< u. >) un e. 0 >=< u. 0 >=< u. conjunto A ⊆ E.4. v1 > 2 1 1 0 Una base ortonormal del espacio columna de A es 1   √ 0 2 v2 v1 =  0 . q1 > 0 < u2 .v. < u. 0 · 0 >= 0· < u. ∀u ∈ A se verica que < u.

. >) sea un e. ur+1 .. . En ese caso. Ahora bien.. estas condiciones se verica que E. Utilizando el método de GramSchmidt y posteriormente dividiendo cada vector por su norma.. . u >= 0.. wn } es un sistema libre...e. wn } de (E. L(w1 ...4. r} < v.v.v.. existen ur+1 .. wr . y puesto que {w1 .. .. >) un e. <..e.. <.. <. pues. wr ) = L(u1 . un } es una base de E.. como ∀u ∈ H < v. αn ∈ R tales que v = α1 w1 + .... que dim(H) = r > 0.... Supongamos. .... . existirán α1 . wn } es una base de E. n} < v. wr . Veamos que es también un sistema generador de H ⊥ : si v ∈ H ⊥ . .. wn } es una base de H ⊥ .. resulta que ∀i ∈ {1. wr+1 ... . La proposición estará demostrada si comprobamos que {wr+1 . wn } es ortonormal.. de dimensión nita y H complemento ortogonal de H. al subespacio ortogonal de H se le denomina E. + αn wn . Evidentemente {wr+1 . ..... un tales que el sistema {u1 .... .212 Álgebra Demostración Ejercicio. >) tal que Demostración Si H = {0} el resultado es evidente.. . siendo {u1 . .. ur } una base de H. En Proposición 4. con dim(E) = n y H dim(H ⊥ ) = n − dim(H). ur .4 Sean (E. . + αr wr + αr+1 wr+1 + . puesto que es un subsistema de un sistema libre.... wi >= 0. obtenemos una base ortonormal {w1 ...... . . wi >= αi . wr+1 . ur ) = H. αr ..... . αr+1 . por el teorema de extensión de una base.. . wr+1 .. en particular ∀i ∈ {1.. como H ⊥ ⊂ E y {w1 . .. wr ... Observación 51 En el caso particular de que (E. . .

.. wn } es una base de H ⊥ .. αr . . con lo que Observación 52 Si {w1 . w2 > w2 + · · · + < u.. si u = h + h⊥ E y con h ∈ H y h⊥ ∈ H ⊥ . 2 vectorial H y {w1 .. Si denotamos por h = α1 w1 + . denida por Ejercicio 4. + αn wn ∈ H ⊥ ∀u ∈ E ∃!h ∈ H y ∃!h⊥ ∈ H ⊥ tales que u = h + h⊥ . wr } es una base ortonormal de un subespacio ∀u ∈ E ∃!(α1 .. wr ) es una base ortonormal de H .. . .v. sea p⊥ : E → H la función proyección ortogonal de E H sobre H. . con producto escalar < ·.. + αr wr ∈ H y por resulta que h⊥ = αr+1 wr+1 + . · > y H un p⊥ (u) =< u.Álgebra con lo que obtenemos que α1 = α2 = · · · = αr = 0 y 213 v = αr+1 wr+1 + .4. H ∀u ∈ E... wr ... H subespacio de dimensión nita r de E... wn })... + αn wn ∈ L({wr+1 .1 Sea E un R − e. .. al vector h se le denomina proyección ortogonal de u sobre el subespacio H y se le denota por p⊥ (u). . + αn wn . por la proposición anterior {wr+1 . wn } es una base ortonormal del espacio E... αn ) ∈ Rn tales que u = α1 w1 + .. ....5 Siendo (E.. >) un e. w1 > w1 + < u.. . Si B = (w1 ..v. H u ∈ E. αr+1 . wr > wr H Vericar que p⊥ es lineal. w2 . <. Denición 4.. wr+1 ..e.... de dimensión nita.e. + αr wr + αr+1 wr+1 + . · · · .4.

v > h =< u. La proyección de u sobre H será entonces el vector p⊥ (u) = h = α1 w1 + . puesto que v { } v es una base ortonormal de H. x >1 3 Una base ortonormal es w1 = Entonces u1 u1 = 1 x 2 3 = 3 x. >· = · v. q) < p. w1 >1 w1 + < x .. (1. x >1 x = 1 + x − 3 x = 1. w2 >1 w2 = 1 = w2 .4. obtener la proyección ortogonal del vector x2 sobre el subespacio H = L({x. 1+ x})...+ < u.. . <. + αr wr =< u. v v v 2 Ejemplo 4. se obtiene la base ortogonal u1 = x. 1 + x} un sistema libre. 2 p⊥ (x2 ) H √ 1 2 =< x .2 En (R3 . la proyección ortogonal de u sobre H será el vector v v < u. >1 ) donde <.4. w1 > w1 + . es también una base de H. <. u2 = 1 + x − 2 < 1 + x. q >1 = −1 p(x) · q(x)dx. 1)) y H = L((1. 2. 0. Siendo {x.. H En el caso particular de que H = L({v}). 3 3 2 2 R3 . 1) sobre los subespacios H = L((1.6 En (R[x]. 2 < x.. >1 : R[x] × R[x] −→ R 1 (p. 0)). 0. 0. >) donde <. wr > wr . obtener la proyección ortogonal del vector (1. 2 w2 = u2 u2 1 1 =√ .4. wr } de H. Aplicando el método de Gram-Schmidt. 1). Ejercicio 4.214 Álgebra 4..1 Método para hallar una proyección ortogonal Para calcular la proyección ortogonal de un vector u sobre un subespacio H procederemos como sigue: a partir de una base del subespacio H obtenemos (por el método de Gram-Schmidt) una base ortonormal {w1 . > es el producto escalar usual de .

se verica que d(u. w) H En otras palabras.. . wj > wj es ortogonal al vector wi . lo que es lo mismo. wr } es un sistema ortonormal del e.. wi > (puesto que el sistema es ortonormal) = < u.e.4.2 Aproximación óptima de un vector. p⊥ (u) = H r i=1 ∀w ∈ H. se verica que ∀i ∈ {1.4..4. wi > − j=1 < u. ..v. r}. . la forma de obtener dicha proyección ortogonal es a través de una base ortonormal de H. .. >) un e. >) y H = L(w1 .. <. < u. 2 Teorema 4. . wr ).Álgebra 215 4. Entonces. Demostración Sea i ∈ {1. wi >< wi . H = L({u1 . dicho vector es la proyección ortogonal de u sobre H y..e. wi > − < u. wi >= 0.8 Sean {w1 . .. (de dimensión nita o no). >) y u ∈ E. wi > wi es el vector de H = L({w1 . wi >= = = < u. En ese caso r < u− j=1 < u. Antes de obtener el resultado central de esta sección.. veamos un lema previo.. r} el vector r u− j=1 < u. <. wj > wj r .7 Si {w1 ... Lema 4.v.. buscamos el vector de H que está a la menor distancia posible de u... wr }) que está a menor distancia de u (i.. Siendo (E.e. para todo u ∈ E. ... wj >< wj .. wr } un sistema ortonormal del (E. u ∈ E y H E.. <. Como veremos.. buscamos el vector de H que mejor aproxima al vector u o. um }). (E. según hemos visto.. p⊥ (u)) ≤ d(u. wi >= = < u. wi > − < u. el que mejor lo aproxima). .

4. Ejercicio 4. wi > −αi )wi i=1 u − p⊥ (u) H 2 ≤ d(u. 2. 0.3 En (R3 .. también será ortogonal a cualquier combinación lineal de dichos vectores. wi > wi ) = u − i=1 < u. ya que u − p⊥ (u) H + ∈H y i=1 r ⊥ (< u. 1) por vectores del subespacio H = L((1. wr y. w)2 . donde <. 1). si w = r i=1 αi wi es un vector de H. H i=1 < u. 2 = con lo que u− 2 p⊥ (u) H (< u. > es el producto escalar usual de .216 Álgebra Demostración Por denición r r d(u. hallar la mejor aproximación del vector (1.. wi > −αi )wi i=1 r = por la identidad de Parseval. Por otra parte. wi > wi es ortogonal a cada uno de los vectores w1 . en consecuencia. (1. 0. 2 R3 . 0)). >). el vector r u− i=1 < u. w) = u − i=1 r 2 αi wi = 2 = = u− i=1 αi wi p⊥ (u)) H + − p⊥ (u) + p⊥ (u) H H r = 2 (u − (< u. . r 2 d(u. wi > wi .. wi > −αi )wi ∈ H. Según hemos visto en el lema anterior. p⊥ (u)) = d(u. <.

mediante el método de Gram-Schmidt. 1)}. soluciones aproximadas óptimas de problemas que utilizan datos experimentales y. <. por tanto. q >1 = −1 p(x) · q(x)dx.5. 1. >1 : R[x] × R[x] −→ R 1 (p.5. 1. En el espacio vectorial euclídeo R3 con el producto escalar usual se considera el sistema de vectores {(1. (0. una base ortonormal del subespacio de R3 V = L({(1. 1. mediante el metodo de Gram-Schmidt. .4 En (R[x]. −4. 4. Hallar la mejor aproximación del vector x por vectores del subespacio H = L({1 + x}).2 Ejercicios propuestos 1. 2. −1). q) < p. Calcula también las coordenadas de los vectores de la base canónica de R3 respecto de B . (0. 3)}) Completa dicha base a una base ortonormal B de R3 y calcula la proyección ortogonal del vector (2. por mínimos cuadrados. 3) sobre V . A lo largo de la práctica 4 veremos como la propiedad de aproximación de la proyección ortogonal de un vector sobre un subespacio se puede utilizar para determinar. −1). 4.5 Ejercicios 4. 2. datos que contienen un error (ruido).1 Ejercicios resueltos 1. 2. (0. 1) sobre dicho subespacio.Álgebra 217 Ejercicio 4. −2). 1)}) y la proyección ortogonal del vector (1. Se pide obtener.4. una base ortonormal del subespacio L({(1. Calcula. 1. >1 ) donde <.

3. Considera la función proyección ortogonal p⊥ de R3 sobre el subespacio V V del ejercicio anterior como aplicación de R3 a R3 . . −1. (0. 1. Calcula la descomposición QR de  −1 2 2 la matriz  0 3 −1 0 −2 1 4. . 0. Calcula: B3 B MB (p⊥ ) y MB3 (p⊥ ) V V siendo B3 la base canónica de R3 . 0). una base ortonormal de (P2 (R). Calcula las ecuaciones implícitas y paramétricas del complemento ortogonal de los siguientes subespacios: V = L({(1. 1 ) a partir de la base B3 = {1. • Calcula las normas de los vectores de B3 y los ángulos que forman dos a dos. 3)}) R4 . mediante el método de Gram-Schmidt. 2. x2 }. x. W = L({1.218 Álgebra 2. Considera el espacio vectorial P2 (R) de polinomios de grado menor o igual que dos como espacio vectorial euclídeo con el producto escalar denido por: 1 p(x). −3)}) R3 5. 1. q(x) 1 = −1 p(x) · q(x)dx • Obtén.

1 Introducción En nuestros días. La teoría de códigos tiene su origen en el artículo de Claude Shanon The Mathematical Theory of Communication . publicado en la revista Bell System Technical Journal 27. en los que hay menos distancia entre el emisor y el receptor de la información. El esquema general es el siguiente: 219 . son la transmisión de datos entre ordenadores conectados a una red o entre distintas unidades de un mismo ordenador. Otros ejemplos. Ejemplos de lo anterior son la transmisión de imágenes de televisión a y desde satélites y la comunicación telefónica. Deseamos transmitir información a través de un canal con ruido según el esquema: Transmisor >>>>>>>>> Receptor ↑ ↓ RU IDO Codicador ↑ Decodicador ↓ Mensaje original Mensaje decodicado Se quieren detectar y. si es posible. corregir los errores de transmisión.Capítulo 5 Códigos lineales 5. la generalización en el uso de instrumentos electrónicos conlleva la necesidad de transmitir una gran cantidad de datos de forma rápida y segura. 1948 y en los trabajos de Marcel Golay (1949) y Richard Hamming (1950).

DERECHA 11 101 110011 Vamos a utilizar varios códigos.2 Supongamos que queremos enviar los siguientes mensajes: ARRIBA. 101. 011 o 101. Ejemplo 5.1 Si n = 3. 111 puede ser el resultado de un único error en las tres palabras del código 110. • El codicador traduce el mensaje. Por ejemplo. 2 Ejemplo 5.220 Álgebra • Se utiliza el alfabeto binario Z2 = {0. 110. Un código binario C de longitud n es un cualquier subconjunto de Zn . Es conveniente utilizar palabras de la misma longitud. • Se transmite el mensaje. . Cada uno de los símbolos de una palabra es un bit (binary digit). ARRIBA 00 000 000000 IZQU IERDA. que se corrompe. 100. Z3 = {000.1. 011. denidos en la siguiente tabla: IZQUIERDA 01 011 001110 Entonces: C1 no tiene capacidad de detectar errores (alterando un bit se obtiene una palabra del código). • Se codica el mensaje original utilizando palabras (cadenas) binarias (un error es una confusión entre un 0 y un 1). Hay 2n palabras binarias de longitud n ∈ N. 010. 1}. • Se corrige el mensaje (si es posible). C2 es capaz de detectar un error individual (alterando un bit se obtiene una palabra que no puede ser del código) y no puede corregir errores. 111} 2 es el conjunto de las palabras binarias de longitud 3. 001.1. Código C1 C2 C3 Longitud 2 3 6 ABAJO. C3 es capaz de detectar un error individual y corregirlo (dos palabras distintas del código no pueden transformarse en la misma palabra si hay un único error). ABAJO 10 110 111000 DERECHA.

.Álgebra Simplicaremos el modelo suponiendo que: 221 • El canal es binario (los mensajes que se transmiten son cadenas de ceros y unos). . . Así. k). . . 1 . 1 . por tanto hay n − k símbolos redundantes mensaje ∈Z k 2 palabra ∈Z2 k+(n−k) 1 0 . en primer lugar construimos una palabra (o secuencia 2 . . La probabilidad p es conocida como probabilidad de error del canal binario simétrico. • El canal es simétrico (la probabilidad p de cambiar un 0 por un 1 en la transmisión es la misma que la de cambiar un 1 por un 0). transmisi´n o =⇒ ∈ k+(n−k) Z2 transmisi´n o =⇒ ? ? . 1 → codicador → 1 0 . . . . . mensaje ∈Zk 2 → decodicador → 1 0 . ? . • No hay errores de sincronización (el número de símbolos recibidos es igual al número de símbolos enviados). para enviar un mensaje formado por k símbolos 0 ó 1 (es decir un elemento de Zk ). donde un mensaje formado por k símbolos se transforma en una palabra de n > k símbolos. . • El canal no tiene memoria (la probabilidad p de cambiar un 0 por un 1 en la transmisión no depende de los símbolos previamente enviados). n > k. . • Enviamos información redundante: para poder detectar y corregir los errores de transmisión se utiliza un código de tipo (n.

producen más que dmin − 1 errores en la transmisión de una palabra.2.2 d(1101. la distancia mínima dmin entre pares de palabras distintas de C es el número: dmin = min{d(a. b) = 0 ⇔ a=b ii) d(a. A continuación transmitimos dicha palabra y. En el caso de que sea posible. es decir que. Denición 5. es decir. pues. Observación 54 Si la distancia mínima de un código C es dmin y no se . ∀ a. b).3 Dado un código C con distancia de Hamming d(a. b) = d(b. distancia. b) ≥ 0 es una i) d(a. el decodicador detecta si se ha producido error en la transmisión. detección y corrección de errores Denición 5. k). b). reconstruye el mensaje. c) + d(c. a) iii) d(a. 1000) = 2. b. k) es. c ∈ C : Ejercicio 5. Observación 53 Un código de tipo (n. dependiendo de la información recibida. d(1010101. Ejemplo 5.1 Vericar que la distancia de Hamming d(a. 1100100) = 3. b) : a. con n − k símbolos de información redundante). La justicación de esta armación es la siguiente: introduciendo un número de errores menor o igual que dmin − 1 en una palabra del código no se obtiene otra palabra del código.2 Distancia de Hamming.2. un subconjunto de Zn . b ∈ C.1 La distancia de Hamming d(a. a = b}. b) ≤ d(a. el receptor será capaz de reconocer que la palabra recibida no es del código.2.222 Álgebra de ceros y unos) del código compuesto por cadenas de longitud k + (n − k) = n (código de tipo (n. b) entre dos palabras a y b de un código C es el número de bits (símbolos) en que dieren a y b. 2 5.2.

si r < s es más probable que se hayan producido r errores que s errores. z) = e.2. deberíamos suponer que la palabra del código enviada es la más cercana a la recibida (en el sentido de la distancia de Hamming). 2e + 1 ≤ dmin ≤ d(b.2. es decir 0 si el número de unos que aparecen en los 7 primeros bits es par y 1 en caso contrario. Teorema 5. z) ≥ e + 1. c) = d(b.Álgebra 223 El principio del vecino más próximo (o criterio de la mayoría gana) nos dice que si recibimos una palabra errónea. Esta codicación (8. Más exactamente podemos reconocer aquellas situaciones en las que se produce un número impar de errores en la transmisión de los 8 bits. que contiene e errores. 7) permite detectar algunos errores de transmisión pero no corregirlos. Entonces d(c.4 Aplicando el principio del vecino más cercano. c) ≤ d(b. Si b ∈ C es otra palabra del código. 2 5. Se sigue que c es la única palabra de C a distancia e de z. Es decir. z) + d(z. Demostración Sea c ∈ C la palabra original y sea z la palabra recibida. Por ejemplo las palabras 10000010 y 01000111 son palabras del código mientras que 01000110 no lo es.1 Código de paridad: detección de errores simples La tabla ASCII para representar los caracteres alfanuméricos está formada por 128 = 27 símbolos codicados en palabras binarias de longitud 8: los primeros 7 bits contienen la información y el octavo el control de paridad. un código C puede corregir e errores si la distancia mínima cumple la condición dmin ≥ 2e + 1. z) + e y por tanto d(b. Por tanto la probabilidad de error no detectable en la transmisión es: .

1) detectamos hasta 2 errores. 5. Con este código (3.2. podemos codicarlos del siguiente modo: mensajes 0 1 código 000 111 Para decodicar seguimos el criterio de la mayoría gana: palabra recibida 000 001 010 011 100 101 110 111 decodicación 0 0 0 1 0 1 1 1 Ya que dmin = 3. corregimos correctamente las .01 la probabilidad de error no detectable con esta codicación es 0.0026368.224 Álgebra Perr = P2 + P4 + P6 + P8 = 8 = p2 (1 − p)6 + 2 8 + +p4 (1 − p)4 4 8 +p6 (1 − p)2 + 6 +p8 Por ejemplo si la probabilidad p de error en el canal es 0. la condición dmin ≥ 2e + 1 implica e ≤ 1.2 Código de repetición: corrección de errores simples Si los mensajes son simplemente los símbolos 0 y 1.

3. 2 Ejemplo 5. uk } una base de C.1 ¾Es lineal el código de paridad? Ejercicio 5. u2 . · · · .1.0003.1 Diremos que un código C ⊆ Zn es lineal si C es un sub2 espacio vectorial de Zn .Álgebra 225 situaciones en las que se produce un único error y fallamos en aquéllas en las que se produce más de un error.3. u2 . e2 .2 No es difícil vericar que.2 ¾Es lineal el código de repetición? Sean C Zn un código lineal y {u1 .3.3 Códigos lineales Como veremos. · · · . ek } es la base canónica de Zk . la decodicación 111 es correcta si e = 1 y es incorrecta si e ≥ 2. C1 y C2 son lineales y C3 no lo es.2. Por ejemplo. estos tipos de códigos se pueden describir en términos de sus ecuaciones paramétricas e implícitas. Si Bk = 2 {e1 . 5. la función lineal 2 g : Zk −→ Zn 2 2 denida por g(ei ) = ui (i = 1.01 la probabilidad de error en la decodicación es menor que 0. si recibimos la palabra 011. para los códigos denidos en la tabla del ejemplo 5. · · · . . La probabilidad de error no detectable en la transmisión es: Perr = P2 + P3 = p2 (1 − p) 3 + p3 2 Por ejemplo si la probabilidad p de error en el canal es 0. Denición 5. Ejercicio 5. · · · . si un código tiene estructura de espacio vectorial sobre el cuerpo Z2 . Por tanto la función g dene las ecuaciones paramétricas del código C. podemos estudiar sus propiedades utilizando los resultados obtenidos para espacios vectoriales generales. uk } libre) y Im(g) = C.3. es inyectiva (siendo {u1 . k). En particular.

. 2 La función anterior describe un procedimiento de codicación que aso   x1   . . . Además si G es una matriz generadora del código obtenida al elegir 2 las bases canónicas de Zk y Zn . xk ) → (x1 C . . . . . .  cia a cada palabra (x1 . 2 xk Zn (implícitamente estamos identicando la matrices la de n columnas con 2 los elementos de Zn . circunstancia que mantendremos en todo el desarrollo 2 del capítulo para mayor simplicidad).226 Álgebra Denición 5. xk ) ·t (G) −→ → . .  . . nos permitiese recuperar el mensaje original según el esquema siguiente?: −→ Zk 2 (x1 .3.  = (x1 . . . . el número de palabras de C coincide con él 2 de Zk . Teniendo en cuenta que    x1  . ..  t t G  . . . . .  t G  . uk respecto de la base canónica de Zn : 2 G= (u1 )Bn (u2 )Bn · · · (uk )Bn Si C Zn es lineal y dim(C) = k. . en la hipótesis de que el canal no tuviese ruidos. . entonces C es un código de tipo (n. la aplicación 2 2 Zk 2 (x1 . xk ) −→ → C   x1  . ¾existe alguna matriz que permita invertir el proceso de manera que. . si se preere. xk nuestra pregunta inmediata es ¾cómo invertir el proceso? o. xk  es un isomorsmo que a cada palabra de Zk asocia una palabra de C. xk ) · (G). u2 . u2 .3 Si C Zn es un código lineal y {u1 . por ser C isomorfo a Zk .. uk } es una 2 base de C llamaremos matriz generadora del código C a la matriz n × k (asociada a la función lineal g denida arriba) cuyas columnas son las coordenadas de u1 . k) 2 ya que. . .  ∈ M1×n (Z2 ) ≡ . xk ) ∈ Zk la palabra t G  .

Por tanto la función h determina las ecuaciones implícitas del código C.4 Si C Zn es lineal diremos que una matriz H de orden 2 s×n es una matriz de control si para cualquier (x1 . .3.3. Ejercicio 5.12 del 2 capítulo 3 implica que existe una función lineal h : Zn −→ Zn−k 2 2 tal que C = ker(h). xn ) ∈ Zn se verica 2 que:  x1  . Si C Zn es tal que 0 < dim(C) = k < n. . Se sigue que  C Zn es un código lineal de dimensión k. Zk 2 xk ) ·t (G) · (t (G))−1 = (x1 . . . . la idea es aprovechable empleando el concepto de pseudoinversa de una matriz. xk ) La respuesta es obviamente negativa.5 Encontrar una matriz de control del código de paridad.  (x1 .5. Denición 5.4 Obtener la matriz generadora del código de repetición cuyo Pasamos ahora a estudiar las ecuaciones implícitas de un código lineal C.  = 0. . . Sin embargo. Ejercicio 5. Ejercicio 5. . . la proposición 3. de rango igual a n − k. producto reproduce el mecanismo de codicación descrito. xn Se sigue que la matriz H que queda asociada a la función lineal h al elegir (n−k) Bn las bases canónicas de Zn y Z2 es H = MBn−k (h) ∈ M(n−k)×n y es una 2 matriz de control para el código C. .3 Obtener la matriz generadora del código de paridad cuyo producto reproduce el mecanismo de codicación descrito. . .3. el rango de la matriz H es n − k. xn ) ∈ C ⇔ H  .3.6 Encontrar una matriz de control del código de repetición. como veremos posteriormente. 0 < k < n. puesto que la matriz t (G) no es una matriz cuadrada. . Siendo C = ker(h). si y sólo si existe 2 una matriz de control de C. Ejercicio 5..3.Álgebra 227 −→ → (x1 . H ∈ M(n−k)×n .. .

228 Álgebra 5. : h: Zn 2 (x1 . .7 Determinar una matriz generadora del código cuya matriz de control es: H= 1 0 1 0 1 1 1 1 . . Determinar una matriz generadora de C es lo mismo que encontrar una base del subespacio C. . para denir una matriz generadora de C. t2 . . Por tanto. .3. xn  y que dene las ecuaciones implícitas del código C. podemos emplear el método visto en el capítulo 3 para obtener una base del núcleo de una función lineal. . xn ) −→ → n−k Z2   x1  . tk son transformaciones elementales por columnas (efectuadas sobre ambas matrices) y A es una matriz gaussiana. por consiguiente.1 Paso de una matriz de control a una matriz generadora Pasar de una matriz de control a una matriz generadora de un código lineal C es equivalente a pasar de sus ecuaciones implícitas a sus ecuaciones paramétricas.3.  . Ejercicio 5. que coincide con el núcleo de la función lineal denida entre Z2 − e. En tal circunstancia sabemos que las columnas de P que aparezcan bajo las columnas nulas de A constituyen una base (salvo transposición) del núcleo de h y. cuyo esquema basíco es el siguiente: H t1 t2 tk A −→−→ · · · −→ .  t H·  . In P donde t1 . . Supongamos que H ∈ M(n−k)×n (Z2 ) es una matriz de control de un código lineal C.v. . constituyen una matriz generadora de C.

. xk ) −→ → C  x1   .Álgebra 229 5. El sistema formado por dichas las es un sistema libre. .3. . 2. es una matriz generadora de un código lineal C. . xk  Determinar una matriz H ∈ M(n−k)×n (Z2 ) de control de C. . G= (u1 )Bn (u2 )Bn · · · (uk )Bn . n − k} . · · · .  t G  . si denimos la matriz .2 Paso de una matriz generadora a una matriz de control Pasar una matriz generadora a una matriz de control de un código lineal C es equivalente a pasar de sus ecuaciones paramétricas a sus ecuaciones implícitas. se tenga que ai1 ai2 · · · ain · (u1 )Bn = 0. ∀i ∈ {1. que ∀i ∈ {1. ai1 ai2 · · · ain · (uk )Bn = 0. . donde g : Zk 2 (x1 . Entonces C = Im(g). a1n ) a2n ) a(n−k)n ) (a(n−k)1 a(n−k)2 · · · tales que: 1. o. . ai1 ai2 · · · ain · G = 0. . . n − k} . En el supuesto de que tengamos tales las. . . Ahora. . . supongamos que G ∈ Mn×k (Z2 ).  . de rango n−k. lo que es lo mismo. . . es lo mismo que encontrar (n − k) las (a11 (a21 a12 a22 ··· ··· .

ai1 ai2 · · · ain G=0 es lo mismo que buscar (n − k) soluciones linealmente independientes del sistema de ecuaciones lineales homogéneo  t   (G)   x1 x2 . . buscar (n − k) las que constituyan un sistema de vectores libre y de manera que  ∀i ∈ {1.  = 0. . . xn     = 0. .230 Álgebra    H=  a11 a21 . . H · G = 0 y en consecuencia el código C está contenido en el núcleo de la función lineal h: Zn 2 (x1 .  . H es una matriz de control del código C. a12 a22 . . . . . n − k} . xn ) ∈ C ⇔ H  . . Ahora bien. .  . . . . xn  2. ··· ··· a1n a2n . . . Puesto que la dimensión de C también es k. tendremos que C = Ker(h) y en consecuencia  x1  . xn es decir. La dimensión del núcleo de h es k . .  (x1 . . . . a(n−k)n      a(n−k)1 a(n−k)2 · · · tendremos que: 1. .  t H·  . . xn ) −→ → Zn−k  2 x1   .

donde T ∈ Mk×n (Z2 ). Teniendo en cuenta cómo está denido el producto de matrices. una matriz de la forma . es decir. a partir Ik T de G In .. . aplicando el teorema de la dimensión. es decir. resulta que t (T ·G) =t (Ik ) = Ik . . Teniendo en cuenta que aplicar una transformación elemental por las es equivalente a multiplicar por la izquierda por una matriz invertible. xk ) → (x1 C . Construimos la matriz G In (recuérdese que G tiene n las). T · G = Ik y H · G = (0) .. ¾existen (n − k) soluciones linealmente independientes de tal sistema? Por hipótesis las k columnas de G constituyen un sistema libre y por tanto las k las de t (G) también. Ahora. Puesto que la matriz T es tal que T ·G = Ik .tfk → .. con lo que el (0) H H rango de H es n − k y T H ·G= Ik (0) . la matriz t T es la matriz que buscábamos. . 2.Álgebra 231 Pero. En otras palabras. 3. luego existen (n − k) soluciones linealmente independientes. (0) H tendremos que existe una matriz invertible P ∈ Mn (Z2 ). t G ·t T = Ik . resulta que si Ik T G In tf1 → . la pseudoinversa de t G. Veamos un algoritmo para obtener dicha matriz H : 1. .. Mediante transformaciones elementales por las construimos. tal que P · G = Ik T T y tal que P · In = . sabemos que la dimensión del conjunto de soluciones del sistema t (G)X = 0 es n − k. P = . xk ) ·t (G) −→ → . para invertir el proceso de codicación: −→ Zk 2 (x1 . (0) H H ∈ M(n−k)×n (Z2 ) y (0) ∈ M(n−k)×k (Z2 ).

3 Detección y corrección de errores Podemos detectar errores en la transmisión si y sólo si la palabra recibida no pertenece al código. Por tanto si C es un código lineal y H es una matriz de control del mismo. sería sencillísimo corregir el error cometido en la transmisión: bastaría restar el error que tiene el mismo síndrome que la palabra recibida para corregir dicho error.8 Determinar una matriz de control del código cuya matriz generadora es: 1  0 G =  1 1  0 1 0 1  0 0  . Ahora. el síndrome de la palabra recibida x + e coincide con el síndrome del error de transmisión e.3. .3.. Sin embargo. . la matriz H así obtenida es una matriz de control del código. . puede haber muchas palabras no pertenecientes al código que tengan el mismo síndrome. como ahora veremos. Zk 2 xk ) · (G) ·t (T) = (x1 .. detectaremos error en la transmisión de una palabra recibida u si y sólo si H · (u)Bn = 0.3. recibiremos la palabra u = x + e.232 Álgebra −→ → (x1 . Al chequear la palabra recibida obtendremos H· (x + e)Bn = H · (x)Bn +H · (e)Bn = (puesto que x ∈ C ) = H · (e)Bn . si para cada palabra no perteneciente al código hubiese un único error que tuviese su mismo síndrome.5 Si H ∈ M(n−k)×n (Z2 ) es una matriz de control de un código C y u ∈ Zn llamaremos síndrome de u al producto H · (u)Bn . la cuestión es ¾Qué podemos hacer en el caso de que detectemos un error en la transmisión? Si al emitir la palabra x ∈ C se produce el error de transmisión e. t Por otra parte. obtenemos la actuación de la matriz de control sobre el error de transmisión e. Por consiguiente. 1  1 5. . Ejercicio 5. Denición 5. es decir. xk ) . según hemos visto. 2 Evidentemente u pertenece al código C si y sólo si su síndrome es 0 y. pues satisface las dos condiciones requeridas. .

9 Vericar que la relación  ∼ anterior es una relación de equivalencia en Zn . tendremos que u ∈ u + C. Nótese que C = 0 + C.3. se denomina co2 2 grupo de u módulo C al conjunto {v ∈Zn | v − u ∈ C }.6 Si C ⊆ Zn es un código lineal y u ∈Zn . 2 Entonces el espacio Zn queda dividido entre las clases de equivalencia 2 determinadas por la relación  ∼. puesto que u − u = 0 ∈ C. Por otra parte. . es decir. Observación 57 La notación u + C = {v ∈Zn | v − u ∈ C } 2 se justica del siguiente modo: v ∈ u + C ⇔ ∃c ∈ C tal que v − u = c ⇔ ∃c ∈ C tal que v = u+c.3. que llamaremos cogrupos: Denición 5. v ∈ Zn . dos palabras u y v tienen el mismo síndrome si y sólo si u − v es una palabra del código. entonces 2 H · (u)Bn = H · (v)Bn ⇔ v − u ∈ C. Zn 2 Para identicar las palabras que tienen el mismo síndrome se dene en la siguiente relación de equivalencia: ∀ u. 2 u ∼ v ⇔ H · (u)Bn = H · (v)Bn ⇔ v − u ∈ C. v ∈ Zn . Este conjunto es la 2 clase de equivalencia de u respecto de la relación  ∼ y lo denotaremos por u + C.Álgebra 233 Observación 55 Sea H ∈ M(n−k)×n (Z2 ) una matriz de control de un código lineal C. Si u. v ∈ Zn tendremos que: 2 Observación 56 El que dos palabras tengan el mismo síndrome o distintos H1 ·(u)Bn = H1 ·(v)Bn ⇔ v − u ∈ C ⇔ H2 ·(u)Bn = H2 ·(v)Bn . Veámoslo: H · (u)Bn = H · (v)Bn ⇔ H · (v)Bn − H · (u)Bn = 0 ⇔ H · (v − u)Bn = 0 ⇔ v − u ∈ C síndromes no depende de la matriz de control considerada: si H1 y H2 son matrices de control de C y u. Ejercicio 5.

7 Sea C que: Zn un código lineal y sean u. Seleccionemos de cada cogrupo el error que consideremos más probable según el principio del vecino más próximo: normalmente es más probable aquel que tiene menos errores individuales. Llamaremos a dicho elemento representante del cogrupo. Se verica 2 2 1.3. Ejercicio 5. si y sólo si u + C = v + C. 3.10 Construir la tabla de síndromes de la siguiente matriz H= 1 1 0 0 1 1 . tenemos que los síndromes de dos pala- bras u y v coinciden si y sólo si u y v pertenecen al mismo cogrupo módulo C.11 En la tabla del ejercicio anterior elegir el mejor represen- Una vez realizada la selección de los representantes de los cogrupos. Esta elección es la más razonable ya que. en el sentido de la distancia de Hamming. .3. si y ∈ Zn y ey es el representante del cogrupo de 2 y. u + C = v + C ⇔ v − u ∈C. Card( u + C) =Card( v + C). es decir elegimos uno de entre los que tienen menos unos. el proceso de corrección de errores quedaría denido por y Corrección −→ y − ey .3. a la palabra recibida y.234 Álgebra La siguiente proposición se sigue directamente de las propiedades de las relaciones de equivalencia. Ejercicio 5. Si ( u + C) ∩ (v + C) = ∅ entonces u + C = v + C. v ∈Zn . la corrección de y será la palabra y − ey ∈ C. Observación 58 Visto lo anterior. o lo que es lo mismo. 2. tante de cada cogrupo. No podemos corregir todos los errores de transmisión pero sí podemos corregir el error de transmisión más probable. Proposición 5. que es la palabra de C más cercana.

2.Álgebra 235 donde ey es el representante del cogrupo de síndrome H · (y)Bn (esto es. Por tanto. Observación 59 Si elegimos a 0 como representante del cogrupo 0+C = C.4 Ejercicios 5. se puede simplicar la actuación del Decodicador: Decodif icador y −→(y − ey ) ·t (T ) rior completar la siguiente tabla: Ejercicio 5.4. Obtener una matriz generadora y una matriz de control del código de repetición expuesto en los apuntes de clase.3.1 Ejercicios resueltos 1. transmisión y decodicación queda concretado del siguiente modo: Codicador Transmisión t u −→ u · (G) = x ⇒ +e ⇒ Decodicador ⇒y =x+e −→ y ·t (T ) si H · (y)Bn = 0 (y − ey ) ·t (T ) si H · (y)Bn = 0.12 Utilizando la elección de representantes del ejercicio antey 0 0 1 1 0 0 1 1 H · (y)Bn 0 1 0 1 0 1 0 1 ey y − ey 0 0 0 0 1 1 1 1 5. el esquema de codicación. H · (y)Bn = H · (ey )Bn ). . Obtener una matriz generadora y una matriz de control del código de paridad expuesto en los apuntes de clase.

2 Ejercicios propuestos 1. Determinar una matriz generadora del código cuya matriz de control H= 1 0 1 0 1 1 1 1 5. 11011. 2 iii) {000000.236 Álgebra 3. 001} en Z3 . Determinar una matriz de control y una matriz que permita realizar la decodicación del código cuya matriz generadora es   1 1  1 0   G =  1 1  0 1 5. 111111} en Z6 . 2 ii) {00000. 00101} en Z5 . 000111. 111000. Determinar una matriz de control del código cuya matriz generadora es: 1  1 G =  1 1  1 0 0 1  1 0  . Halla la distancia mínima de cada uno de los siguientes códigos: i) {000. 101. Determinar una matriz de control y una matriz que permita realizar la decodicación del código generado por los vectores cuyas coordenadas respecto de la base canónica de Z4 son las columnas de la matriz: 2   0 1 1  1 1 0     1 0 1  0 1 1 6.4. 01110. 2 . 100. 1  1 es: 4.

Álgebra 237 Determina en cada caso el número de errores que se pueden detectar y el número de errores que se pueden corregir. 1. 0. 1. Determinar una matriz de control y una matriz que permita realizar la decodicación del código lineal C generado por el sistema de vectores S. 0. 0. Elegir el mejor representante de cada cogrupo del código lineal C = {000. 0. 2. 001} y completar la siguiente tabla: Z3 2 0 0 0 0 1 1 1 1 y 0 0 1 1 0 0 1 1 H · (y)B3 0 1 0 1 0 1 0 1 ey y − ey . 0. Hallar todos los elementos del código C. determinar si es lineal. (1. 0. 0). 1). 1. obtener una matriz generadora. 101. una matriz de control y una matriz que permita realizar la decodicación del código. 0). 3. cuyas coordenadas respecto de la base canónica de Z5 son 2 S = {(1. 100. 1. Si lo es. Para cada código del problema anterior. (1. 4. 1. 0)}. 0. (0.

238 Álgebra .

Veamos unos primeros ejemplos que nos permitan ilustrar y motivar las siguientes deniciones: Ejemplo 6. terminan en 1. número al que denotamos por an . satisfaciendo dicha propiedad. La naturaleza de dicha técnica y de la herramienta matemática que lleva aparejada (teoría de autovalores y autovectores) hace posible su aplicación a una gran variedad de problemas. An = Cn ∪ Un donde Cn es el conjunto formado por las secuencias de longitud n que satisfaciendo dicha propiedad terminan en 0 y Un es el conjunto formado por las secuencias de longitud n que. que ambos problemas están estrechamente relacionados. por lo que el número de elementos del conjunto Un coincide con el 239 .1 Introducción El objetivo principal de este tema es desarrollar una técnica que nos permita obtener las soluciones de las ecuaciones y sistemas de ecuaciones diferenciales lineales con coecientes constantes y de las relaciones y sistemas de relaciones de recurrencia lineales con coecientes constantes comprobando.1.1 Supongamos que queremos calcular el número de secuencias de ceros y unos de longitud n que no poseen dos ceros consecutivos.Capítulo 6 Autovalores y autovectores 6. Obviamente. Si An es el conjunto formado por dichas secuencias. Pero las secuencias del conjunto Un se pueden obtener añadiendo un 1 a cada una de las secuencias de longitud n − 1 que no poseen dos ceros consecutivos. de paso. buscamos obtener el número de elementos del conjunto An .

01. como veremos. Teniendo en cuenta. Al poder aplicar la misma técnica a las relaciones de recurrencia (o ecuaciones en diferencias) y a las ecuaciones diferenciales. El problema es que. . .2 La determinación de una expresión explícita del término ge- nérico fn de la bien conocida sucesión de Fibonacci. Ejemplo 6. con an−1 . las secuencias del conjunto Cn se pueden obtener añadiendo 10 a cada una de las secuencias de longitud n − 2 que no poseen dos ceros consecutivos. podemos obtener sucesivamente que a3 = 3+2 = 5. por lo que el número de elementos de Cn coincide con el número de elementos del conjunto An−2 . es decir. Por otra parte. por medio de la misma técnica que se emplea para hallar una función compleja f (x) de variable real x que sea solución del problema denido por los siguientes datos iniciales y ecuación diferencial ordinaria (EDO) lineal con coecientes constantes de orden 2:  f (0) = 1  f (1) = 1   f (x) = f (x) + f (x) (x ∈ R). se puede resolver. a1 = 2 y a2 = 3 (ya que A0 = ∅.1. 0} y A2 = {10. a5 = 8+5 = 13. desarrollaremos las herramientas en el contexto de estas últimas y veremos que dichas herramientas son aplicables también al contexto de las relaciones de recurrencia.. 11}). que Cn y Un son disjuntos.240 Álgebra número de elementos del conjunto An−1 . A lo largo del capítulo desarrollaremos una técnica que nos permitirá evitar dicho cálculo previo.. denida por los siguientes datos iniciales y ecuación en diferencias:  f0 =1  f =1  1  fn+1 = fn + fn−1 (n ≥ 2).999 valores anteriores.999..000 necesitamos tener calculados previamente los 99. A1 = {1. resulta que an = an−1 + an−2 . a4 = 5+3 = 8. con an−2 . puesto que a0 = 0.000. por ejemplo. Por consiguiente. es decir. ahora. para obtener el valor de a100.

= {a1. a2 . a1 . a2 . a3 . el conjunto de sucesiones de números complejos F(N.. el conjunto de las funciones de N en C.. C). Por convenio de notación escribiremos an+1 = S(an )... desplazamiento). de manera que la sucesión S({an }n∈N ) la podremos expresar como S({an }n∈N ) = {S(an )}n∈N = {S(a0 ). Veamos qué relación tiene esta función con el problema que nos ocupa. dicha ecuación se transforma en S(an ) = λan .2 Autovalores y autovectores Según sabemos. . . C) −→ F (N. o. En otras palabras. tiene estructura de C−espacio vectorial. las sucesiones que satisfacen la relación de recurrencia an+1 = λan . a la sucesión a : N −→ C n a(n) = an la denotamos por {an }n∈N . S : F(N. S −→ S({an }n∈N ) {a1. . puesto que dicha expresión es válida para n ≥ 1. Utilizando la notación introducida. Si ahora consideramos la función S (de Shif t. . resulta sencillo comprobar (verifíquese) que dicha función es lineal. S(a1 ). Por convenio de notación. Supongamos que dado λ ∈ C.Álgebra 241 6. {an }n∈N {a0... . y. a3 . C) {an }n∈N S({an }n∈N ) = {an+1 }n∈N es decir. S(a2 ).. buscamos las sucesiones {an }n∈N que ∀n ∈ N satisfacen la relación an+1 = λan . la sucesión {an }n∈N satisface dicha relación de recurrencia si S({an }n∈N ) = {λan }n∈N = λ {an }n∈N . lo que es lo mismo. a2 ..

Obsérvese que la función 3f : R −→ R x 3e−x es otro autovector de D asociado al autovalor −1 y que en general para cualquier k ∈ R la función k · f también lo es. son las sucesiones {an }n∈N que son autovectores de la función lineal S asociados al autovalor 5.. la función derivada D : C ∞ (R. Obsérvese que la sucesión {3. 5. .. . 25....}. la función f : R −→ R x e−x es un autovector de D asociado al autovalor −1.... las funciones que satisfacen la ecuación diferencial D(f ) = −f.. 25. R) −→ C ∞ (R.4 Teniendo en cuenta que. 5n . ..} es otro autovector asociado al autovalor 5. . .2. 25. . 5n+1 . 5.. y f : E −→ E es una función lineal. se dice que v ∈ E − {0} es un autovector de f si ∃λ ∈ K tal que f (v) =λv.. la sucesión {1..2.. según vimos..242 Álgebra son aquellas sucesiones {an }n∈N que mediante la función S se transforman en vectores proporcionales a sí mismos. 3 · 5n . currencia Ejemplo 6.v. Así por ejemplo.. Ejemplo 6.} es un autovector de S asociado al autovalor 5. En ese caso se dice v es un autovector asociado al autovalor λ.2.. 5n . 25. 75. .} = 5 · {1. y f : E −→ E es una función lineal. ... .2 Si E es un K − e. pues S({1.3 Las sucesiones {an }n∈N que satisfacen la relación de rean+1 = 5an ... se dice que λ ∈ K es un autovalor de f si ∃v ∈ E − {0} tal que f (v) =λv. 15.. .v.. 5. Denición 6. Así por ejemplo. R) es una función lineal. En general se introducen las siguientes nociones de autovector y autovalor de una función lineal: Denición 6.}) = {5.2. 5n .1 Si E es un K − e. son los autovectores de la función D asociados al autovalor −1.. ..

2. donde ∀x ∈ (a. con a < b.1 Determinar los autovectores de la función lineal f : R3 −→ R3 consistente en girar a cada vector de R3 π radianes en torno al eje z (IndiB3 cación: determinar la matriz MB3 (f )). b). Siendo i la unidad imaginaria (i = −1). diremos que la función f es derivable y a la función f : (a. π 2 radianes en torno al 6. b) −→ C denida por la condición ∀x ∈ (a. si ∀x ∈ (a. denida por la condición ∀x ∈ (a. b). En general. u (x) y v (x) son las derivadas de u y v en el punto x respectivamente.. b) −→ R es la parte imaginaria de la función f . Llamaremos función compleja de variable real a cualquier función √ f : (a. b). Las derivadas y la integral de la función f se denen derivando e integrando de la forma habitual la función f. Denición 6.Álgebra 243 Ejercicio 6. b).1 Sean a. v son derivables en todo punto x ∈ (a.3 Funciones complejas de variable real En esta sección vamos a recordar la denición de función compleja de variable real y a establecer algunas propiedades necesarias para el desarrollo del resto del capítulo. f (x) = u(x) + iv(x) diremos que u : (a. b ∈ R ∪ {−∞. f k (x) = uk (x) + iv k (x) . Ejercicio 6. etc. diferenciable. Se dice que la función f es continua. en un punto c ∈ (a. considerando a la unidad imaginaria i como una constante. ∞} (recta real ampliada). si u y v admiten derivadas de orden k en todo punto x ∈ (a. f (x) = u (x) + iv (x). la denominaremos función derivada de f. b) −→ C. b) si lo son las funciones u y v. b) −→ C. b) −→ R es la parte real de la función f y que v : (a. dos veces diferenciable.3. si las funciones u. b). a la función f k : (a.2. b). Así. 0) no tiene autovectores.2 Razonar que la función lineal f : R2 −→ R2 consistente en girar a cada vector de R2 un ángulo de punto (0.

los resultados generales válidos para las funciones reales de variable real también son válidos aquí. b) y que admiten derivada hasta el orden k. k ≥ 1. se verica que: a) ∀α. β ∈ C . Esta representación del número complejo z es denominada forma exponencial del número complejo z. b). d ( dx x f (t)dt) = f (x).e. b) f (x) = 0) ⇒ f es constante e) ∀x ∈ (a. si las funciones u y v son integrables en [a. b). b].1 La exponencial compleja Si dado x ∈ R denimos eix = (cos x + i · senx). b). b). siendo α ∈ R uno cualquiera de sus argumentos. a Observación 60 En lo sucesivo. cualquier número complejo z ∈ C se puede representar de la forma z =| z | · eiα . siendo la derivada k -ésima continua. diremos que f es integrable en [a. C) . C(a. Por otra parte. y ∀ f.244 Álgebra la denominaremos función derivada de orden k de f . siempre que tengan sentido las expresiones del primer miembro de las siguientes igualdades (i. b] y b b b f (x)dx = a a u(x)dx + i a v(x)dx. b). . ∀t0 ∈ (a. f f g − fg ( ) (t0 ) = (t0 ) g g2 d) (∀x ∈ (a. denotará al conjunto de funciones complejas denidas sobre el intervalo (a. C). g ∈ F((a.3.. C). b) será el conjunto de funciones complejas continuas denidas sobre el intervalo (a. En particular. b) y c) siempre que f y g sean derivables). g ∈ F((a. C k (a. en los casos a). Y del mismo modo. (f · g) = f g + f g c) ∀ f. g ∈ F ((a. (αf + βg) = αf + βg b) ∀ f. b) tal que g(t0 ) = 0. 6. b).

d αt d d d λt (e ) = (e (cos βt + isenβt)) = (eαt cos βt) + i (eαt senβt) = dt dt dt dt αt αt αt = (αe cos βt − βe senβt) + i(βe cos βt + αeαt senβt) = = eαt (α(cos βt + isenβt) + β(i cos βt − senβt)) = = eαt (α + iβ)((cos βt + isenβt) = λeλt . tendremos que eλt · eµt = = + = 2. • ∀λ ∈ C. λ Demostración 1. d (eλt ) dt = λeλt . Si λ = α + iβ. . a eλt dt = (eλb −eλa ) . b • ∀λ ∈ C − {0}. Si λ = α + iβ y µ = δ + iε. Utilizando esta expresión se dene la función exponencial f de constante λ = α + βi ∈ C y parámetro t ∈ R del siguiente modo: f : R −→ C t → eλt . Propiedades de la función exponencial compleja La función exponencial tiene las siguientes propiedades (análogas a las que se verican en el caso real): • ∀λ. se dene 245 ez = ex (cos y + iseny). e(λ+µ)t = eλt · eµt . donde f (t) = eλt = e(α+iβ)t = eαt (cos βt + isenβt).Álgebra Si z = x + iy. eαt (cos βt + isenβt) · eδt (cos εt + isenεt) = eαt eδt ((cos βt(cos εt) − senβt(senεt)) + i(senβt(cos εt) + senεt(cos βt))) = eαt+δt (cos(β + ε)t + isen(β + ε)t = e(λ+µ)t . µ ∈ C.

1 La ecuación de primer orden Entenderemos por ecuación diferencial ordinaria (EDO) lineal con coecientes constantes de primer orden cualquier expresión de la forma f − λf = g (I) donde g es una función compleja de variable real continua.246 3.4 Ecuaciones diferenciales 6.4. λ ∈ C. Por ejemplo la siguiente expresión es una ecuación diferencial de primer orden: f + f = cos(x) también se puede escribir esta misma ecuación de los siguientes modos: df + f = cos(x) dx . f es la variable de la ecuación (I) que representa a una función compleja de variable real con derivada continua y f representa la derivada de f . b b Álgebra e dt = a a b λt eαt (cos βt + isenβt)dt = b = a e cos βtdt + i a αt αt eαt senβtdt = b = e (α cos βt + βsenβt) α2 + β 2 eαt (αsenβt − β cos βt) +i α2 + β 2 a b b = a eαt (cos βt + isenβt)(α − iβ) = = α2 + β 2 a 1 1 = eαt (cos βt + isenβt) = eλt . α + iβ λ 2 6. ∀λ ∈ C − {0}.

¯ f = k ∈ C. Su función derivada es ¯ ¯ ¯ ¯ ¯ f eλx − f λeλx f − λf 0 f ) = = = λx = 0 λx 2λx λx e e e e . puesto que el conjunto de soluciones es el núcleo del operador D − λId. eλx ∀x ∈ R. tiene siempre solución y el conjunto de sus soluciones tiene estructura de subespacio vectorial. En particular la función 0 es solución. Veámoslo: evidentemente la función f (x) = eλx es solución de la ecua¯ ción f − λf = 0. Veamos cuales son los aspectos esenciales que nos van a permitir resolver la ecuación (I): 1. conocida como ecuación homogénea asociada a la ecuación (I). eλx = 0. es decir. por lo que . f − λf En lo sucesivo. ¯ entonces existe un escalar k ∈ C tal que f (x) = keλx . Veamos que si f es otra solución de dicha ecuación. haga cierta la igualdad. b) → C(a.Álgebra 247 D(f ) + f = cos(x) Entenderemos por solución de la ecuación a cualquier función compleja de variable real con derivada continua que. para no sobrecargar demasiado la notación. Por ejemplo la función e−x es una solución de la ecuación f + f = 0. Puesto que ¯ f ∀x ∈ R. La ecuación f − λf = 0. escribiremos C k en lugar de C k (a. Además dim(Ker(D − λId)) = 1. b). ¯ f (x) = keλx . 2. Es evidente que el problema de encontrar las soluciones de la ecuación (I) equivale a encontrar la preimagen de g mediante la función lineal D − λId : C 1 (a. tiene sentido considerar la función eλx . reemplazada en lugar de la variable f. b) f .

eλt .248 Álgebra d 3. lo que es lo mismo. λx 2λx λx e e e e f (x) = e λx x · 0 g(t) dt. 4. b). La función lineal D − λId : C 1 → C es sobreyectiva o. Como consecuencia de esta propiedad. y de forma análoga a lo que sucedía con las ecuaciones lineales. Teniendo en cuenta que el operador dx − λId = D − λId es la suma de dos funciones lineales y que por tanto es lineal. la solución general de la ecuación (I) se obtiene sumando a una solución particular de dicha ecuación todas las soluciones de la ecuación homogénea asociada. El núcleo de esta función lineal es de dimensión 1 y está generado por el vector f (x) = eλx . eλt 5. b)|∃α ∈ C tal que ∀x ∈ (a. la ecuación f − λf = g tiene solución cualquiera que sea g ∈ C . Para comprobarlo. entonces ( de donde f f eλx − f λeλx f − λf g ) = = = λx . vamos a vericar que la función f (x) = eλx · 0 x g(t) dt eλt es una solución particular de dicha ecuación: si f − λf = g. f (x) = eλx · 0 x g(t) dt + αeλx . se puede vericar que si y entonces s1 es solución de s2 es solución de s1 + s2 es solución de f − λf = h1 f − λf = h2 . Esta propiedad es conocida como principio de superposición de soluciones. f − λf = h1 + h2 . Este hecho hace que el conjunto de soluciones de la ecuación sea: f ∈ C 1 (a.

4. k ∈ R. Vimos que este problema admite una formulación algebraica que permite establecer ciertas analogías con la resolución de ecuaciones lineales. − sin(x) + cos(x) − e−x − sin(x) + cos(x) ¯ −x + ke−x = + ke 2 2 6. se obtiene que x 0 e cos(t)dt = = − sin(x)e + x t x − sin(t)et 0 x cos(t)et 0 x + 0 x et sin(t)dt = − 0 et cos(t)dt = x = − sin(x)ex + cos(x)ex − 1 − 0 et cos(t)dt.Álgebra 249 Ejemplo 6. Integrando por partes dos veces.2 La ecuación de orden n En la sección anterior estudiamos la forma general de las soluciones de la ecuación de primer orden f − λf = g . .4. En esta sección comprobaremos que es posible asociar a una ecuación diferencial del tipo f (n) + an−1 f (n−1) + · · · + a1 f + a0 f = h. para esta ecuación. Una solución particular de la ecuación no homogénea es: fp (x) = e λx x · 0 g(t) dt = e−x · λt e x 0 et cos(t)dt. g(x) = cos(x) y λ = −1. Las soluciones de la ecuación homogénea asociada f (x) + f (x) = 0 son todas del tipo f (x) = ke−x .1 Se quieren determinar las soluciones de la EDO f (x) + f (x) = cos(x) x ∈ R. Entonces − sin(x)ex + cos(x)ex − 1 2 y la solución general de nuestra ecuación es fp (x) = e−x f (x) = e−x = − sin(x)ex + cos(x)ex − 1 + ke−x = 2 ¯ k ∈ C.

Por ejemplo la siguiente expresión es una ecuación diferencial de orden 2: f (2) (x) + f (1) (x) + f (x) = cos(x) (aquí a1 = 1 y a0 = 1) también se puede escribir esta misma ecuación de los siguientes modos: f (x) + f (x) + f (x) = cos(x) d2 f (x) (x) + dfdx + f (x) = cos(x) dx2 D2 (f )(x) + D(f )(x) + f (x) = cos(x) Entenderemos por solución de la ecuación a cualquier función que reemplazada en lugar de la variable f haga cierta la igualdad. nos dotará de herramientas para resolver lo que denominaremos sistemas de ecuaciones diferenciales de primer orden. f es la variable de la ecuación (II) que representa a una función compleja de variable real con derivada n-ésima continua y f (k) representa la k-ésima derivada de f . Tras el planteamiento del problema. Por ejemplo la función sin(x) es una solución de la ecuación f (x) + f (x) + f (x) = cos(x). cuya resolución nos permitirá obtener la solución de la ecuación buscada. a1 . · · · . Comenzaremos planteando de un modo preciso el problema que queremos resolver. a0 son números complejos. Entenderemos por ecuación diferencial ordinaria (EDO) lineal con coecientes constantes de orden n cualquier expresión de la forma f (n) (x) + an−1 f (n−1) (x) + · · · + a1 f (x) + a0 f (x) = h (II) donde h es una función compleja de variable real continua. Nuestro objetivo es encontrar el conjunto de soluciones de una EDO lineal con coecientes constantes dada. además de permitirnos resolver la ecuación diferencial de orden n f (n) + an−1 f (n−1) + · · · + a1 f + a0 f = h. .250 Álgebra un sistema de ecuaciones de primer orden. an−1 . vamos a seguir una estrategia que.

2) o la notación matricial compacta: ∀t ∈ R . Las técnicas para resolver este tipo de problema están encuadradas especícamente dentro del álgebra lineal. .1) . . . yn (t)      (6. ann      y1 (t) y2 (t) . y2 .1) utilizaremos la notación matricial extendida:  ∀t ∈ R .  .  . . con coecientes constantes. . Consisten básicamente en realizar una transformación lineal de modo que la resolución de las ecuaciones resultantes sea más sencilla.  A .   . . Además dicha transformación no debe perder información.  . yn (t)       =   a11 a12 · · · a21 a22 · · · .   y (t) = a y (t) + a y (t) + · · · + a y (t) n1 1 n2 2 nn n n Normalmente para expresar (6.Álgebra 251 6. . . lo que signica que debe ser posible deshacer la transformación.  =  .4. El sistema (6. an1 an2 · · · a1n a2n . . . . . . → − → y (t) = A− (t) y diferenciales lineales ordinarias de primer orden. . o lo que es igual. .     y1 (t) y2 (t) . debe ser invertible.3 Sistemas de ecuaciones diferenciales Nuestro objetivo es obtener un método sistemático que nos permita resolver el siguiente tipo de problema: Determinar las funciones y1 . . yn tales que para cualquier t ∈ R se verica que   y1 (t) = a11 y1 (t) + a12 y2 (t) + · · · + a1n yn (t)    y (t) = a21 y1 (t) + a22 y2 (t) + · · · + a2n yn (t) 2 (6.2) se conoce como sistema homogéneo de n ecuaciones xn bn Consiste básicamente en multiplicar ambos lados de la igualdad por A−1 (esta es la transformación lineal) de modo que la solución del sistema resultante resulte ser trivial o evidente: . Para ilustrar esta idea jémonos en que resolver un sistema determinado de n ecuaciones lineales con n incógnitas:     b1 x1  .

.252 Álgebra   x1  .3) .  0  0 0 ··· 1 yn (t) −a0 −a1 −a2 · · · −an−1 en resolver el siguiente y1 (t) y2 (t) . bn Para atacar nuestro problema utilizando transformaciones lineales el primer punto que debemos tratar es el siguiente: ¾Como modican las transformaciones lineales a los sistemas de ecuaciones diferenciales? Antes de abordar la respuesta a esta pregunta. las siguientes funciones   y1 (t) = f (t)    y2 (t) = f (t) = y1 (t) (6.   . La idea consiste en denir.  .  . .   In  . .  .  . podemos denir y1 (x) = y2 (x) = f (x) f (x) = y1 (x). a partir de la ecuación anterior.  .  . yn (t)         +     0 0 . . . . . 0 h(t)     . xn   b1 . . . . .  = A−1  . es conveniente hacer la siguiente observación.2 Para hallar las soluciones de la ecuación f (x) + f (x) + f (x) = cos(x). consiste sistema de primer orden equivalente:     0 1 0 ··· 0 y1 (t)   0 1 ··· 0  y (t)   0  2    .4.   y (t) = f (n−1) (t) = y (t) n n−1 de manera que resolver la ecuación anterior.   . . = . Observación 61 Una vez desarrollada una herramienta que nos permita resolver sistemas de primer orden.   Ejemplo 6. .  . podremos también utilizarla para resolver la ecuación diferencial de orden n f (n) + an−1 f (n−1) + · · · + a1 f + a0 f = h.

. es decir: ∀t ∈ R . y2 (x) cos(x) 6. y .5) también lo es de (6. γnn  y1 (t)  .5 La semejanza de matrices y los sistemas de ecuaciones − → − y (t) = A→(t). y Consideremos el sistema de n ecuaciones diferenciales ∀t ∈ R . cualquier solución de (6.  .5) usando P −1 . y γ11 · · · −1  .4) donde A es una matriz cuadrada de orden n.Álgebra 253 y resolver el problema de determinar las soluciones del sistema y1 (x) y2 (x) = 0 1 −1 −1 y1 (x) 0 + .  − e →(t) =  . γn1 · · · tendremos que:   γ1n . si suponemos que − → − P−1 · y (t) = P−1 ·A→(t). Si Q es una matriz cuadrada cualquier solución de (6.4). es decir. Por tanto si P es una matriz invertible podemos escribir (6. y (6. P = .4) también lo es de ∀t ∈ R .  . yn (t)  . (6.5) Si además Q es invertible el recíproco es cierto. Ahora.  . − → → Q· y (t) = Q · A− (t).

→ → z y tendremos que − → − → z (t) = P−1 · y (t) − → − z (t) = P−1 ·A→(t). .  =  . para conseguir que aparezca el mismo tipo de variable a ambos lados de la igualdad. y II − (t) = P·− (t) → → y z − → → −1 z (t) = (P ·A · P)− (t).  P−1 · y (t) =  . → −1 −1 − = (P ·A · P)(P · y z Resumiendo. − → − y (t) = A→(t) ⇐⇒ ∀t ∈ R .254 Álgebra   γ11 · · · γ1n y1 (t) − →  . γn1 · · · γnn yn (t)     z1 (t)    =        n   γ1i yi (t)   i=1   .4) equivale a ∀t ∈ R . podemos hacer las siguientes transformaciones: → − → → z (t) = P−1 ·A− (t) = P−1 ·A · (P · P−1 )− (t) = y y →(t)) = (P−1 ·A · P)− (t).  .  . .  = .    n   γni yi (t)   i=1     n    γ1i yi (t)   i=1   .    n     γni yi (t)    i=1  zn (t)          z1 (t)   . . . . Ahora.   zn (t)       Luego si introducimos el cambio de variables − (t) = P−1 ·− (t). . hemos obtenido que si P es una matriz de orden n invertible las siguientes condiciones I e II son equivalentes: I ∀t ∈ R .   =  . y y en consecuencia el sistema (6. . z . . .

. y2 (t) = α2 eλ2 ·t .  .   y (t) = λ y (t) n n n sabemos resolverlo y sus soluciones son y1 (t) = α1 eλ1 ·t . Si queremos expresarlas matricialmente escribiremos: .5. A continuación vamos a discutir qué tipos de sistemas de ecuaciones diferenciales vamos a poder resolver directamente. . . . . yn (t) = αn eλn ·t . .  Desde luego. . 6. . .. el efecto de Observación 63 Vimos que dos matrices cuadradas A y B son semejantes si existe una matriz invertible P. Entonces. . Observación 62 Vemos que. . yn (t)       =   λ1 0 · · · 0 0 λ2 · · · 0 . que llamamos matriz de paso. . 0 0 · · · λn      y1 (t) y2 (t) . .1 Sistemas diagonales Comenzaremos con los sistemas cuya matriz de coecientes es diagonal:  ∀t ∈ R . buscaremos una matriz invertible P de modo que el sistema de ecuaciones diferenciales del problema II sea más sencillo. . .  . . . . para obtener la solución z del problema I. bastará → multiplicar por P la solución − (t) de dicho sistema. como este sistema equivale a   y1 (t) = λ1 y1 (t)    y (t) = λ2 y2 (t) 2 .Álgebra 255 − → − sustituir en un sistema de ecuaciones diferenciales y (t) = A→(t) la matriz y de coecientes A por la matriz (P−1 ·A · P). yn (t)    . y z Aplicaremos este resultado del siguiente modo: supuesto que nos plantean el problema I. . . siendo P una matriz invertible.     y1 (t) y2 (t) . equivale a realizar el cambio de → → variable lineal − (t) = P·− (t). . . tal que P−1 ·A · P = B.

  . . . . . el estudio de este problema nos dará unas claves fundamentales para resolver los sistemas de ecuaciones diferenciales. necesitamos buscar otro tipo de matrices que nos permitan simplicar la resolución de sistemas de ecuaciones diferenciales. .5. . 6. .256 Álgebra      y1 (t) y2 (t) . . yn (t)       =   λ1 a21 . . entonces λ1 = 0. ..2 Sistemas triangulares Consideremos ahora los sistemas homogéneos cuya matriz de coecientes es triangular inferiormente:  ∀t ∈ R . y3 = c3 et . Puesto que no toda matriz es diagonalizable. λ2 = 2 y λ3 = 1. ··· ··· .     y1 (t) y2 (t) . ¾Sabiendo resolver sistemas diagonales. . 0 0        + · · · + αn    eλn ·t 0 0 . . Aunque más adelante veremos que en general esto no es posible. . . . 0      eλ2 ·t    + α2  . . λn      y1 (t) y2 (t) . 0 0 1 Se sigue que las soluciones del sistema de ecuaciones que tiene A como matriz asociada son y1 = c1 .5. .   0 0 0 Ejemplo 6. yn (t)        = α1    eλ1 ·t 0 . 0 λ2 .1 Si A = 0 2 0 . . podemos resolver cualquier otro sistema de ecuaciones diferenciales de primer orden con coecientes constantes? Para poder responder armativamente a esta pregunta tendríamos que ser capaces de transformar por semejanza cualquier matriz en otra que sea diagonal.  an1 an2 · · · . yn (t)    .    . 0 0 . y2 = c2 e2t .

3. .Álgebra Este caso equivale a:   y1 (t) − λ1 y1 (t) =    y (t) − λ2 y2 (t) =  2  . n−1 i=1 a1i yi (t) Aunque laborioso. es fácil resolver este tipo de ecuaciones: 1. Ejemplo 6. podemos resolver la tercera ecuación y así sucesivamente hasta la última. Resolvemos la ecuación y1 (t) − λ1 y1 (t) = 0 y obtenemos que y1 (t) = α1 eλ1 ·t . .     y (t) − λ y (t) =  n  n n 257 0 a21 y1 (t) . A continuación. 2.  2 y3 (t) − 1 · y3 (t) = −y1 (t) + 3y2 (t). −1 3 1 y3 (t) y3 (t) En primer lugar. Veamos un ejemplo.2 Encontrar las soluciones del siguiente sistema:      y1 (t) 0 0 0 y1 (t)  y2 (t)  =  1 1 0   y2 (t)  . resolvemos la segunda ecuación y2 (t) − λ2 y2 (t) = a21 α1 eλ1 ·t y obtenemos que y2 (t) = α2 eλ2 ·t + α1 eλ2 ·t · 0 t a21 e(λ1 −λ2 )·x dx. Como ya conocemos y1 e y3 .5. y (t) − 1 · y2 (t) = y1 (t). como ya conocemos y1 . dicho sistema equivale a   y1 (t) − 0 · y1 (t) = 0. .

258 1. La solución general de la primera ecuación es

Álgebra

y1 (t) = α1 e0·t = α1 .
2. La segunda ecuación se trasforma en

y2 (t) − y2 (t) = α1
y su solución general es
t 0

y2 (t) = β2 et + et

α1 e−1x dx = (β2 + α1 )et − α1 .

Como β2 es arbitrario, podemos llamar α2 a (β2 + α1 ) y escribir

y2 (t) = α2 et − α1 .
3. Por último, como ya conocemos y1 e y2 , la tercera ecuación se transforma en

y3 (t) − y3 (t) = −α1 + 3 α2 et − α1 = 3α2 et − 4α1 ,
y su solución general viene dada por 1.
t 0

y3 (t) = β3 et + et

3α2 e(1−1)x − 4α1 e−1x dx =

= (β3 − 4α1 ) et + 4α1 + 3α2 tet .
De nuevo, si llamamos α3 a (β3 − 4α1 ), tendremos

y3 (t) = α3 et + 3α2 tet + 4α1 .
Luego, al expresar las soluciones vectorialmente, obtenemos         y1 (t) 1 0 0  y2 (t)  = α1  −1  + α2  et  + α3  0  . y3 (t) 4 3tet et De cara a la resolución de sistemas de ecuaciones, ¾es sucientemente grande el conjunto de matrices triangulares?, dicho de otro modo, ¾cualquier matriz cuadrada es semejante a alguna triangular? Para contestar a esta pregunta necesitamos estudiar los autovalores y autovectores de la matriz del sistema.

Álgebra

259

6.6

Diagonalización y triangulación de matrices

6.6.1 El polinomio característico de una matriz
Observación 64 Si nos jamos en las columnas de una matriz triangular
   T=  λ1 a21 . . . 0 λ2 . . . ··· ··· .. . 0 0 . . . λn     

an1 an2 · · ·

vemos que son linealmente independientes si y sólo si todos los coecientes de la diagonal principal son distintos de cero; una manera directa de vericar esta armación es observar que

det(T) = |T| = λ1 λ2 · · · λn .
En consecuencia las columnas de la matriz  λ1 − x 0 ··· 0  a21 λ2 − x · · · 0  T − xIn =  . . . .. . . .  . . . . an1 an2 · · · λn − x

    

son linealmente dependientes si y sólo si x coincide con algún elemento de la diagonal principal. También podemos expresar esta propiedad diciendo que el determinante de la matriz T − xIn se hace cero si y sólo si x coincide con algún elemento de la diagonal principal. Si ahora desarrollamos |T − xIn |

λ1 − x 0 a21 λ2 − x . . . . . . an1 an2

··· ··· .. . ···

0 0 . . . λn − x

= (λ1 − x) (λ2 − x) · · · (λn − x) ,

vemos que lo dicho hasta el momento es trivial, ya que obtenemos un polinomio de grado n cuyas raíces son precisamente los elementos de la diagonal principal de T. ¾Dónde reside el interés de esta observación? Fundamentalmente en que este determinante es invariante bajo las transformaciones

260

Álgebra

por semejanza: supongamos que las matrices A y T son semejantes, es
decir, T = P−1 AP entonces tenemos

|T − xIn | = =

P−1 AP − xIn = P−1 AP − xP−1 P = P−1 (A − xIn ) P = P−1 |A − xIn | |P| =

= puesto que P−1 = |P|−1 = = |A − xIn | .
Esto signica que el polinomio, cuyas raíces coinciden con los elementos de la diagonal principal de T, puede ser obtenido directamente a partir de A.

Ejemplo 6.6.1 Determinar qué elementos pueden aparecer en la diagonal
principal de una matriz triangular T semejante a la siguiente matriz

A=

4 −2 3 −1

.

Calculemos |T − xIn | = |A − xIn | :

4−x −2 3 −1 − x

= (4 − x) (−1 − x) + 6 = 2 − 3x + x2 ;

luego, |T − xIn | = 2 − 3x + x2 . Los elementos que pueden aparecer en la diagonal principal de T son las raíces de 2 − 3x + x √ 3± 9−8 2 2 ; x − 3x = 2 = 0 ⇒ x = = 1 2 en consecuencia,

|T − xIn | = 2 − 3x + x2 = (2 − x) (1 − x)
y en la diagonal principal de T necesariamente aparecen los valores 2 y 1.

Denición 6.6.2 Dada una matriz cuadrada A de orden n, se denomina polinomio característico de A al polinomio
p(x) = |A − xIn | .
Dada una matriz cuadrada A de orden n, diremos que una matriz columna X de n las es un vector propio de A (o un autovector de A) si:

Álgebra

261

1. X = 0. 2. Existe un escalar λ tal que AX = λX. Asimismo, diremos que un escalar λ es un valor propio de A (o un autovalor de A) si existe un vector propio X de A tal que AX = λX. En tal caso diremos que λ es el valor propio asociado al vector propio X, o también que X es un vector propio asociado al valor propio λ.

Propiedades del polinomio característico
• Si A y B son semejantes, sus polinomios característicos coinciden. • Usando la fórmula de Laplace para el cálculo de determinantes, podemos vericar que el polinomio característico es de grado n (si, por ejemplo, calculamos el determinante de la matriz A − xIn a partir de la primera la, resulta que el primer término de la suma resultante es el un único que contiene una potencia n-ésima de x,) y, por el teorema fundamental del álgebra, tiene n raíces complejas. • Como acabamos de ver, si T es una matriz triangular semejante a la matriz objeto de estudio A, los elementos de su diagonal principal son las raíces del polinomio característico de A (que por otra parte es el mismo que el de T ). Así, aunque todos los coecientes de la matriz A sean números reales, los coecientes de la diagonal principal de T pueden ser números imaginarios. Por ejemplo, la matriz A= 0 −1 1 0

tiene como polinomio característico

|A − xIn | =

−x −1 1 −x

= x2 + 1,

con lo que en la diagonal principal de T necesariamente aparecen los valores i y −i.

• λ es una raíz del polinomio característico de una matriz cuadrada A si y sólo si |A − λIn | = p(λ) = 0. La última condición es equivalente a que

262

Álgebra el rango de la matriz A−λIn sea estrictamente menor que n y, entonces, a que el sistema de ecuaciones lineales homogéneo (A − λIn )X = (0) sea compatible indeterminado, es decir, a que exista X = (0) tal que AX = λX. Se deduce que

λ es una raíz de p(x) ⇔ (existe X = (0) tal que AX = λX) ⇔ ⇔ λ X
es un autovalor de A y es un autovector de A.

Ker(A − λIn ) de las soluciones del sistema de ecuaciones lineales homogéneo (A−λIn )X = (0) se le denomina autoespacio asociado a λ y su dimensión es la multiplicidad geométrica de λ. A la multiplicidad de λ como raíz del polinomio característico de la matriz A se le denomina multiplicidad algebraica de λ.

Denición 6.6.3 Si λ es un autovalor de una matriz cuadrada A, al espacio

m ∈ {1, ..., n}, vectores propios de A asociados, respectivamente, a m valores propios λ1 , ..., λm . En estas condiciones, si ∀i, j ∈ {1, ..., m} λi = λj , se verica que los vectores X1 , ..., Xm son linealmente independientes.

Proposición 6.6.4 Sean A una matriz cuadrada de orden n y X1 , ..., Xm ,

Demostración Por inducción sobre m:
1. Base de inducción: para m = 1 no hay nada que demostrar. 2. Paso de inducción: Sea m > 1 y supongamos que la propiedad es cierta para cualquier sistema de m − 1 vectores propios. Supongamos además que
m i=1

αi Xi = 0.

(1)

Multiplicando a ambos miembros de la igualdad (1) por λ1 obtenemos que
m

(λ1 αi )Xi = 0

(2).

i=1

Álgebra Pero, por una parte, A · (
m i=1 m

263

i=1

αi Xi ) = A · 0 = 0 y, por otra, A · (

m i=1

αi Xi ) =

(λi αi )Xi , puesto que si A · X = λX, entonces A · (αX) = α(A · X) =

α(λX) = (λα)X. En consecuencia:
m

(λi αi )Xi = 0
m i=2

(3)

i=1

Restando (2) a (3) obtenemos que

αi (λi −λ1 )Xi = 0, con lo que, por hipó-

tesis de inducción, ∀i ∈ {2, ..., m}, αi (λi − λ1 ) = 0, de donde ∀i ∈ {2, ..., m}, αi = 0, con lo que la igualdad (1) queda α1 X1 = 0 y en consecuencia α1 = 0. 2

6.6.2 Matrices diagonalizables
Denición 6.6.5 Diremos que una matriz cuadrada A de orden n es diagonalizable, si existe una matriz de paso invertible P de orden n tal que la
matriz

D = P−1 AP

es diagonal.
Los resultados anteriores son obviamente aplicables a aquellas matrices triangulares que en particular sean diagonales. En otras palabras, si A es una matriz diagonalizable y D es una matriz diagonal semejante a A, los elementos de la diagonal principal de D son las raíces del polinomio característico de A (i.e., los valores propios de A). En el caso de que sea D = P−1 AP sea diagonal, ¾podemos saber algo acerca de la matriz P? Vamos a ver que sí. Supongamos que   λ1 0  . .  D =  . ... .  . .

0

λn

es la matriz P−1 AP. Entonces multiplicando a la izquierda de ambas por la matriz P tendremos que

264

Álgebra

AP = PD.
Por tanto la j-ésima columna de AP coincide con la j-ésima columna de PD. Ahora bien, si   p11 · · · p1n  . . , .  P = . . . pn1 · · · pnn tendremos que las j-ésimas columna de AP y PD son respectivamente

 p1j  .  A .  y . pnj

p11 · · ·  .  . . pn1 · · ·

 0    .  p1n .  .  .  λ  = λ  .  j  j .  .  pnn  .  . 0   p1j .  .  . pnj

 p1j .  .  . pnj

y en consecuencia obtenemos que:

∀j ∈ {1, . . . , n} ,

  p1j  .   A  .  = λj  . pnj

(6.6)

Entonces si D = P−1 AP es diagonal necesariamente las columnas de P son vectores propios de A y los coecientes λ1 , ..., λn son los valores propios de A. Podemos completar esta observación con la siguiente propiedad:

Proposición 6.6.6 Una matriz cuadrada A ∈ Mn (K) es diagonalizable si

sólo si existe una base en el espacio Mn×1 (K)de matrices columnas de n las formada por vectores propios de A.

orden n ) tal que P−1 AP es diagonal. Por tanto tendremos que las n columnas de P son vectores propios de A linealmente independientes (por ser P invertible) y en consecuencia constituyen una base en el espacio de matrices columnas de n las formada por vectores propios de A. Recíprocamente supongamos que

Demostración Si A es diagonalizable existe una matriz invertible P (de

. λn (no necesariamente distintos) tales que:     p1j p1j  . siempre y cuando ésto sea posible. . A. . .  . .  . Teniendo en cuenta que por el teorema 6.   A .  . multiplicando por la izquierda P−1 obtenemos:   λ1 0  . . .  ∀j ∈ {1. pnn  λ1 0 . 0 λn y en consecuencia. . p11 · · · . . . al constituir estas matrices columna una base.  . .   . . . . . . = .Álgebra 265    p11  . .    . pnj pnj Pero entonces tendremos que:    p11 · · · p1n  . .  .  P−1 AP =  .  .  . . .  . .6. Entonces tendremos que por un lado.  . lo cual. . . pnn es una base del espacio de matrices columnas de n las formada por vectores propios de A. . pn1 pn1 pnn  p1n . n} . no sucede siempre. al ser vectores propios de A. . . . existen n escalares λ1 . A  . es diagonalizable si y solo si existen n vectores propios de A linealmente .. pn1  p1n . Por otro. la matriz   p11 · · · p1n  . .  . pn1 pnn es invertible.  = λj  .6 una matriz cuadrada de orden n. el problema de diagonalización queda reducido al problema de saber encontrar los vectores propios. 0 λn 2 Tras el resultado anterior.  .  P= . según veremos. . . . .

es decir.266 Álgebra independientes. Veamos con el siguiente ejemplo que no toda matriz cuadrada es diagonalizable: Ejemplo 6. En resumen: A es diagonalizable si y sólo si para todo autovalor λ de A se verica que dim(Ker(A − λIn )) = m(λ). Su polinomio característico es = x2 − 2x + 1. . Sin embargo x2 − 2x + 1 = 0 ⇒ x = dim(Ker(A − 1I2 ) = 2 − rg(A − 1I2 ) = 2 − rg( 2 4 −1 −2 )=1 con lo que no existen dos vectores propios de A linealmente independientes asociados al valor propio 1. de la observación 64 se sigue que en la matriz de paso P deberán aparecer m(λ) columnas que sean vectores propios linealmente independientes asociados al valor propio λ.7 Sea A = |A − xI2 | = de donde 3 4 −1 −1 . si la multiplicidad geométrica de λ es igual a su multiplicidad algebraica.6. Si un valor propio λ de A tiene multiplicidad algebraica m(λ) > 1 (como raíz del polinomio característico de A). si A fuese diagonalizable 1 1 0 y P−1 AP fuese una matriz diagonal. 0 1 siendo los dos vectores columna de P vectores propios asociados al valor propio 1 y linealmente independientes. por lo que. Potencias de matrices diagonalizables El estudio teórico realizado también nos provee de una herramienta para calcular la potencia n−ésima de una matriz diagonalizable. necesariamente P−1 AP = . 3−x 4 −1 −1 − x 1 .

lo que es lo mismo.  =  . 21000 0 0 (−3)1000 1 1000 2 5 1 1000 2 5 + 1 (−3)1000 5 − 4 (−3)1000 5 − 1 (−3) 5 + 4 (−3)1000 5 1 4 5 5 1 −1 5 5 1000 .  . A = PDP−1 . 267 queremos calcular su po- p11 · · · . pn1 · · · pn1 · · · pnn an1 · · · ann   λ1 0  .  .  p1n . 4 −2 Como. = . .  . . . 1 1 1 −4 resulta que −1 1000 · 1 1 4 −2 1 1 1 −4 1 1 1 −4 1 1 1 −4 4 1000 2 5 4 1000 2 5 · 1 1 1 −4 2 0 0 −3 2 0 0 −3 = 2 0 0 −3 1 1 1 −4 1 1 1 −4 · −1 .. .   . pnn o. . . 1 1 4 −2 con lo que = · · . PDP−1 = P · Dn ·P−1 .  . . 1 1 4 −2 1000 1000 −1 = = = · · · = = . que Resulta que con lo que An = PDP−1 n = PDP−1 PDP−1 PDP−1 . .8 Hallar 1 1 . . . .. según hemos visto en los ejemplos anteriores. .Álgebra Si una matriz cuadrada A es diagonalizable y tencia n−ésima. tendremos que   −1  p11 · · · p1n a11 · · · a1n  .   . Veamos un ejemplo: Ejemplo 6.  .. 0 λn P−1 AP = D.6..

Si elegimos una base de Cn cuyo .6. a la que por conveniencia denotaremos con λ1 .6. el polinomio característico de A pA (x) = |A − xI| tiene al menos una raíz. Teorema 6. Llamamos v1 a un autovector asociado a λ1 . Puesto que trabajamos con coecientes complejos. cada una semejante a la anterior (y en consecuencia todas ellas son semejantes entre sí) y de tal modo que T es triangular inferiormente. la demostración del siguiente teorema constituye un algoritmo que permite la obtención de la matriz triangular semejante a una matriz dada A ∈ Mn (C). Base de inducción: si n = 1 no hay nada que demostrar.268 Álgebra Nótese que.9 Si A es una matriz cuadrada de orden n con coecientes complejos. Sea ahora A un matriz de dimensión n. Demostración La demostración consiste en probar que se puede construir una cadena de matrices A = T0 → T1 → · · · → Tn = T. existe una matriz semejante a ella. T. 6. Procedemos por inducción sobre la dimensión n de la matriz A. obviamente 1 1 4 −2 n = 4 n 2 5 4 n 2 5 + 1 (−3)n 5 − 4 (−3)n 5 1 n 2 5 1 n 2 5 − 1 (−3)n 5 4 + 5 (−3)n .3 Triangulación de matrices Volvemos a la pregunta fundamental que nos devuelve al hilo conductor del desarrollo del capítulo: ¾Es cualquier matriz cuadrada A ∈ Mn (C) semejante a alguna triangular? Vamos a ver que sí. que es triangular inferiormente. Además. Paso de inducción: sea n ≥ 2 y supongamos que toda matriz cuadrada de dimensión n − 1 es triangulable.

 . 0 0 1 y que T = P−1 A P. . existe una matriz invertible de paso Pn−1 y una matriz triangular inferiormente Tn−1 tales que −1 Tn−1 = Pn−1 An−1 Pn−1 . . Si denimos     P = Pn−1   0 0 ···  0 0  . −1 Pn−1 ···  0 0  .10 Triangular por semejanza y hallar la matriz de paso corres- . Por la hipótesis de inducción. . la matriz A resultará ser semejante a una matriz A de la forma:   0  0    . 0 0 1 se verica que  P −1    =   0 0 A. A = An−1 .Álgebra 269 último vector sea v1 . Se sigue que la matriz triangular inferiormente T es semejante a la matriz 2 pondiente a la matriz Ejemplo 6. .6. .    0 an1 an2 · · · an(n−1) λ1 Entonces pA (x) = pA (x) = (λ1 − x) |An−1 − xIn−1 | y el polinomio característico de An−1 tiene n − 1 raíces (los restante autovalores de A). .

1)) una base de C3 . Sea ((1.270 Álgebra  −2 0 3 A =  3 −2 −9  −1 2 6 En primer lugar determinamos las raíces del polinomio característico de la matriz:  −2 − X 0 3 3 −2 − X −9 −1 2 6−X = −X + 2X 2 − X 3 = (1 − X)2 (0 − X). 0). −2. Un autovector asociado a λ2 = 1 es v2 = (−1. Utilicemos el primero como λ2 . Por tanto A no es diagonalizable. (−1. 1 y 0. 1) ∈ Ker(A − Id2 ). = 1 −1 2 1 Ahora tenemos que triangular la submatriz   A = −1 −2 1 2 que tiene autovalores 1 y 0. 0. Luego los autovalores A son 1. (0. 0). La matriz . 1) ∈ Ker(A − Id3 ). −2. Sea ((1. 1)) una base de C2 . La matriz   1 0 1 P1 = 0 1 −2 0 0 1 es tal que    1 0 −1 −2 0 3 1 0 1 −1 A = P1 AP1 = 0 1 2   3 −2 −9  0 1 −2 = 0 0 1 −1 2 6 0 0 1  −1 −2 0 2 0 . 1. (1. 0). Ya que rango(A − Id3 ) = 2. la multiplicidad geométrica de λ1 = 1 es 1 y no coincide con su multiplicidad algebraica. Un autovector asociado a λ1 = 1 es v1 = (1.

sabremos resolver un sistema de ecuaciones diferenciales lineales con coecientes constantes. 0 0 1 0 0 1 −1 3 1  6.6.4 Resolución de sistemas de ecuaciones diferenciales por triangulación A partir de este momento. Si la dimensión de la matriz del sistema es mayor o igual que cinco. siempre que podamos obtener las raíces del polinomio característico de la matriz de coecientes. −1 3 1 que es triangular inferiormente y tiene los autovalores Entonces  0 0 −1 −1 −1 P2 A P2 = P2 P1 AP1 P2 =  1 1 −1 3 Se sigue que la matriz de paso es    −1 0 1 0 = 0 1 de A en la diagonal. no hay fórmulas cerradas para hallar las raíces del polinomio característico y hace falta usar métodos numéricos de aproximación de autovalores.Álgebra 271  1 −1 0 P2 = 0 1 0 0 0 1 es tal que    1 1 0 −1 −2 0 1 −1 0 1 0   1  0 2 0 P2 A P2 = 0 0 1 −1 2 1 0   0 0 0 =  1 1 0 . . 1  1 −1 1 P = P1 P2 =  0 1 −2  . 0 0 1 ya que −1     1 −1 1 1 −1 1 0 0 0 P −1 AP =  0 1 −2  · A ·  0 1 −2  =  1 1 0  = T. Algunos de estos métodos están ilustrados en la práctica 6.  0 0 .

z3 (t) 4 3tet et Paso 3: Multiplicamos la solución del sistema triangular por la matriz de paso:           y1 (t) 1 −1 1 1 0 0  y2 (t)  =  0 1 −2  α1  −1  + α2  et  + α3  0  = y3 (t) 0 0 1 4 3tet et       et 6 −et + 3tet t t  + α3  −2et  . nos traemos la solución:         z1 (t) 1 0 0  z2 (t)  = α1  −1  + α2  et  + α3  0  . Sea el siguiente sistema homogéneo de ecuaciones:      y1 (t) −2 0 3 y1 (t)  y2 (t)  =  3 −2 −9   y2 (t)  . z3 (t) −1 3 1 z3 (t) Como este sistema ha sido resuelto en el ejemplo 6. −1 3 1 0 0 1 −1 2 6 0 0 1  Paso 2: Resolvemos el sistema triangular      z1 (t) 0 0 0 z1 (t)  z2 (t)  =  1 1 0   z2 (t)  . −1 2 6 y3 (t) y3 (t) Paso 1: Hacemos triangular la matriz de coecientes.2. = α1  −9  + α2  e − 6te et 3tet 4 .272 Álgebra Sistemas homogéneos Vamos a ilustrar por medio de un ejemplo el método de resolución de sistemas homogéneos. simplemente nos traemos el resultado:     −1  0 0 0 −2 0 3 1 −1 1 1 −1 1  0 1 −2  ·  3 −2 −9  ·  0 1 −2  =  1 1 0  .5. Como esto ya ha sido realizado en el ejemplo anterior. no olvidando generar la matriz de paso.

El rango de la matriz A − 3Id2 es 1 y. 3) ∈ Ker(A − 3Id2 ). A no es diagonalizable. 3)) una base de C2 . Un autovector asociado al autovalor λ1 = 3 es v1 = (1. Luego los autovalores A son 3. Sea ((0.3. A continuación utilizamos el procedimiento visto para triangular la matriz y hallar la matriz de paso.11 Resolver la siguiente ecuación: f − 6f + 9f = 0. 1). (1. y2 (t) = f (t) = y1 (t) 0 1 −9 6 Ahora hacemos triangular la matriz A= . . para lo cual lo primero es determinar las raíces de su polinomio característico: −X 1 −9 6 − X = X 2 − 6X + 9 = (3 − X)2 .6. por tanto. y1 (t) = f (t) .Álgebra 273 Ejemplo 6. Lo primero es plantear el sistema de primer orden equivalente: y1 (t) y2 (t) donde = 0 1 −9 6 y1 (t) y2 (t) . La matriz 0 1 P1 = 1 3 es tal que −1 A = P1 AP1 = −3 1 1 0 = 0 1 −9 6 0 1 1 3 = 3 0 . 1 3 −1 Entonces 3 0 1 3 = 0 1 1 3 0 1 −9 6 0 1 1 3 .

es z1 (t) = α1 e3t . concluimos que f (t) = α1 te3t + α2 e3t . z1 (t) = 3z1 (t) . La segunda ecuación se transforma en z2 (t) − 3z2 (t) = α1 e3t y su solución general es: z2 (t) = α2 e3t + e3t 0 t α1 e3x e−3x dx α1 dx = = α2 e + e 3t 3t 0 t = α2 e3t + e3t α1 (t) = = e3t (α2 + tα1 ). puesto que la solución buscada es f (t) = y1 (t). z2 (t) = α1 te3t + α2 e3t .274 Álgebra Ahora resolvemos el sistema triangular z1 (t) z2 (t) Dicho sistema equivale a: = 3 0 1 3 z1 (t) z2 (t) . z2 (t) = z1 (t) + 3z2 (t) La solución general de la primera ecuación. es decir. Expresando las soluciones vectorialmente tenemos que z1 (t) z2 (t) = α1 e3t te3t + α2 0 e3t . . multiplicamos la solución del sistema triangular por la matriz de paso: y1 (t) y2 (t) = = α1 0 1 1 3 3t α1 e3t te3t + α2 + α2 e3t 3e3t 0 e3t = te3t e + 3te3t y. Finalmente. según sabemos.

. yn (t)        =    0 0 . en consecuencia. y − → con lo que. si llamamos →(t) a P−1 ·− (t) tendremos que z y − → − → z (t) = P−1 · y (t) y. . .  y (t) = f (n−1) (t) = y (t) n n−1 el sistema de primer orden equivalente sería:  y1 (t)  y (t)  2  .        0 0 0 ··· 1 −a0 −a1 −a2 · · · −an−1 y1 (t) y2 (t) . si P es una matriz cuadrada invertible. 0 h(t)        con la peculiaridad de que. podemos pasar al sistema: ∀t ∈ R . y Razonando de forma similar al caso en el que no teníamos término independiente. hacemos las mismas transformaciones que en el . .  . tendríamos el sistema ∀t ∈ R . . para conseguir que aparezca el mismo tipo de variable a ambos lados de la igualdad. (6. . . . . 1 0 .  . en este caso. 0 1 ··· ··· 0 0 . fuese de la forma f (n) + an−1 f (n−1) + · · · + a1 f + a0 f = h. . − → − → → P−1 · y (t) = P−1 ·A− (t) + P−1 · h (t). . Haciendo el mismo cambio   y1 (t) = f (t)    y2 (t) = f (t) = y1 (t) . yn (t)         +     0 0 . . . se puede aplicar una ligera variación sobre el método visto.   .Álgebra 275 Sistemas no homogéneos Si la ecuación diferencial de orden n considerada no fuese homogénea. es decir. − → − → → y (t) = A− (t) + h (t).7) . .

12 Para resolver la ecuación f − 6f + 9f = 32te−t . deshaciendo el cambio obtendremos que →(t) = P·− (t) − → y z es la solución buscada. se verica que 3 0 1 3 Ahora. el primer paso es plantear el sistema de primer orden equivalente: y1 (t) y2 (t) = 0 1 −9 6 y1 (t) y2 (t) + 0 32te−t .276 caso de un sistema homogéneo: Álgebra − → − → → z (t) = P−1 ·A− (t) + P−1 · h (t) = y − → − = P−1 ·A · (P · P−1 )→(t) + P−1 · h (t) = y − → → = (P−1 ·A · P)(P−1 ·− (t)) + P−1 · h (t) = y − → − = (P−1 ·A · P)→(t) + P−1 · h (t) z → y.6. Ahora hacemos triangular la matriz A= 0 1 −9 6 . = 0 1 1 3 −1 0 1 −9 6 0 1 1 3 . → → z y z1 (t) z2 (t) 0 1 1 3 −1 = y1 (t) y2 (t) . Ejemplo 6. . siendo es decir. puesto que este sistema es triangular. − (t) = P−1 ·− (t). según vimos. como en el caso homogéneo. sabemos resolverlo. Si − (t) es z solución de dicho sistema. que coincide con la del ejemplo anterior y.

es z1 (t) = α1 e3t + e3t 0 t 32xe−x e−3x dx = 32xe−4x dx = −x −4x e 4 t = α1 e3t + e3t 0 t (por partes) = α1 e + 32e 3t 3t + 0 1 4 t 0 e−4x dx = = 1 = α1 e3t + 8e3t −te−4t − (e−4t − 1) 4 3t −t −t = α1 e − 8te − 2e + 2e3t = = k1 e3t − 8te−t − 2e−t . puesto que = 3 0 1 3 z1 (t) z2 (t) + 0 1 1 3 −1 0 32te−t 0 1 1 3 dicho sistema es equivalente a: −1 = −3 1 1 0 . donde hemos tomado k1 = α1 + 2. ya que α1 es una constante arbitraria. según sabemos. la solución general de la primera ecuación.Álgebra 277 tenemos que resolver el sistema triangular z1 (t) z2 (t) y. z1 (t) = 3z1 (t) + 32te−t z2 (t) = z1 (t) + 3z2 (t) Y ahora. La segunda ecuación se transforma en z2 (t) − 3z2 (t) = k1 e3t − 8te−t − 2e−t y su . z1 (t) z2 (t) es decir: = 3 0 1 3 z1 (t) z2 (t) + −3 1 1 0 0 32te−t .

puesto que la solución buscada es f (t) = y1 (t). 2 con lo que. multiplicamos la solución del sistema triangular por la matriz de paso: y1 (t) y2 (t) = + = = 0 1 1 3 C1 e3t te3t = + C2 0 e3t + −8te−t − 2e−t e−t (1 + 2t) 0 1 1 3 C1 e3t − 8te−t − 2e−t C1 te3t + C2 e3t + e−t (1 + 2t) = C1 te3t + C2 e3t + e−t (1 + 2t) C1 e3t − 8te−t − 2e−t + 3C1 te3t + 3C2 e3t + 3e−t (1 + 2t) y. α2 = C2 ) z1 (t) z2 (t) = C1 e3t te3t + C2 0 e3t + −8te−t − 2e−t e−t (1 + 2t) .278 Álgebra solución general es: z2 (t) = α2 e3t + e3t 0 t (k1 e3x − 8xe−x − 2e−x )e−3x dx (k1 − 8xe−4x − 2e−4x )dx = t 0 = α2 e3t + e3t 0 t = α2 e3t + e3t 1 k1 x + e−4x 2 1 1 1 − 8e3t (− te−4t − e−4t + ) = 4 16 16 1 1 1 + 2te−t + e−t − 2e3t = = α2 e3t + e3t k1 t + e−4t − 2 2 2 1 1 1 = α2 e3t + k1 te3t + e−t − e3t + 2te−t + e−t − 2e3t = 2 2 2 1 = e3t α2 − 2 − + k1 t + e−t (1 + 2t) . Expresando las soluciones vectorialmente tenemos que (k1 = C1 . renombrando las variables adecuadamente. concluimos que f (t) = C1 te3t + C2 e3t + e−t (1 + 2t) . . Finalmente. obtenemos que z2 (t) = k1 te3t + α2 e3t + e−t (1 + 2t) .

. y n ∈ N ∪ {0}. . 6. ... + ck an = 0 de variables an+k ... + ck an donde c1 ...1 Resolver la siguiente ecuación: D3 f − 5D2 f + 7Df − 3f = 9t − 9. 3.. ∀n ∈ N ∪ {0}.. Las relaciones del tipo anterior se denominan lineales y homogéneas debido a que la ecuación asociada an+k − c1 an+k−1 + . Denición 6... ck = 0.7 Relaciones de recurrencia Las técnicas desarrolladas en este capítulo también se pueden aplicar para resolver otro tipo de problemas. . 1..7.. entre otros. . an . Las relaciones de recurrencia también se denominan ecuaciones en di- Denición 6.1 Diremos que la sucesión {an }n∈N∪{0} está denida recursivamente o por recurrencia si 1.Álgebra 279 Ejercicio 6. an+k está denido en función de an+k−1 .6. an es una ecuación lineal y homogénea..7. 2. ak son conocidos y 2. ∃k ∈ N tal que a1 . el problema del primer ejemplo enunciado al principio del capítulo.3 La ecuación an+2 = an+1 − 5an .7..2 Llamaremos relación de recurrencia lineal homogénea de orden k ∈ N con coecientes constantes a cualquier relación de recurrencia de la forma an+k = c1 an+k−1 + . Solución: f (t) = −4 − 3t + C1 et + C2 e3t + C3 et t. . ferencias. Para el desarrollo que sigue. es importante recordar que N ∪ {0} = {0. Ejemplo 6.}.... ck ∈ C. an+k−1 .

Volvamos al problema original que tenemos planteado. .4 La relación de recurrencia an+2 = no es lineal.280 Álgebra es una relación de recurrencia lineal homogénea de grado 2. Dicho de otra forma. Ejemplo 6. Primero veremos cómo se pueden resolver las relaciones de recurrencia homogéneas de primer orden y luego las no homogéneas para. hay una única sucesión que satisface dicha relación de recurrencia y cuyos dos primeros términos sean a1 y a2 . todos los términos de la sucesión quedan determinados y. Si especicamos los valores iniciales a1 y a2 . a continuación. nalizando la exposición con la aplicación del método para resolver ecuaciones de recurrencia de orden k > 1. el subespacio vectorial de F(N. por tanto. R) {{an } : an+2 − an+1 + 5an = 0} tiene dimensión 2. La relación de recurrencia an+2 = a2 + 5an n+1 tampoco es lineal. encontrartodas las soluciones de una relación de recurrencia lineal y homogénea con coecientes constantes. puesto que su ecuación asociada an+2 − an+1 + 5an = 0 es una ecuación lineal y homogénea (similar a la ecuación x − y + 5z = 0). pues la ecuación √ an+1 + 2an x− √ y − 2z = 0 no es lineal. esto es.7. El discurso va a seguir el mismo camino que el visto para las ecuaciones diferenciales. utilizar la técnica desarrollada en el capítulo para resolver sistemas de relaciones de recurrencia.

junto con la sucesión nula 0 = {0..}.}) = {b1 . b3 .. es decir. si {bn } es cualquier otra solución de dicha ecuación.. por una parte. . S({bn }) = λ · {bn }.Álgebra 281 6. las sucesiones {an }n∈N que satisfacen la relación de recurrencia lineal homogénea de primer orden an+1 = λan .} = {λb0 . Veamos que. .}) = λ · {b0 . un elemento no nulo de dicho subespacio. que S({bn }) = S({b0 . λ.}. λb1 .. vamos a demostrar que existe una constante K tal que {bn } = K · {λn } = {K · λn }.. efectivamente. tendremos. . (I) son las sucesiones {an }n∈N que son autovectores de la función lineal S asociados al autovalor λ. . . 0..} = {b1 . dim(Ker(S − λId)) = 1. el conjunto Ker(S −λId). λ2 . localizando una solución no nula. .} y.. Esto es. .. λb1 .. si demostramos que dim(Ker(S −λId)) = 1. λ3 . es decir.. Puesto que {bn } ∈ Ker(S − λId).}.. es una solución de la ecuación (o relación de recurrencia) (I). .. b1 . por otra..7... Por otra parte. que S({bn }) = S({b0 .... Por otra parte. b2 . b2 .1 Relaciones de primer orden Según vimos.. de donde {λb0 . 0. Evidentemente.}. b2 . b1 . b2 . con lo que {λn } será una base de Ker(S − λId) y dim(Ker(S − λId)) = 1. la sucesión {an } = {λn } = {1. . . el resto de soluciones se obtendrá fácilmente. b1 .

.. . 3 · 5n . progresiones que constituyen el subespacio vectorial Ker(S − λId). currencia Ejemplo 6. .5 Las sucesiones {an }n∈N que satisfacen la relación de rean+1 = 5an son de la forma K · {5n } = K · {1.. λ. 52 .6 Existe una única sucesión {an }n∈N que satisface las condiciones a0 = 3 an+1 = 5an ...7.. 52 K.. . {bn } = b0 · {λn }.}. ..} = {K. .. 15.282 es decir. siendo una base de dicho espacio la sucesión {λn } = {1. con lo que las soluciones de la ecuación an+1 = λan (I) son las progresiones geométricas de razón λ. . 5K. Álgebra b1 = λb0 b2 = λb1 = λ2 b0 b3 = λb2 = λ3 b0 . . . . 5.... bn = λbn−1 = λn b0 .. (I). .7. 75.}. 5n K. . progresión geométrica sólo es preciso conocer el primer elemento (b0 = K) y la razón de la progresión (λ)...}. Observación 65 Puesto que para tener completamente determinada una Ejemplo 6.. conocido el valor inicial a0 . Dicha sucesión es a0 · {λn } = 3 · {5n } = {3. hay una única sucesión {an }n∈N que satisface la relación de recurrencia an+1 = λan .. λ2 . 5n . λ3 . En otras palabras. . .

Álgebra 283 Ya sabemos encontrar las soluciones de una ecuación de recurrencia lineal y homogénea con coecientes constantes de primer orden..7. La siguiente proposición tiene como consecuencia que cualquier relación de recurrencia lineal y homogénea de primer orden con coecientes constantes tiene solución.. C) −→ F (N. Proposición 6. C) tal que (S − λId)({bn }) = {an }. hay que probar que ∃{bn } ∈ F (N. bn = an−1 + λan−2 + . e incluso hallar la única solución de una ecuación del tipo anterior toda vez que se conozca un valor inicial. . para poder aplicarla. necesitamos resolver en primer lugar las relaciones de recurrencia no homogéneas de primer orden con coecientes constantes. C) es sobreyectiva. n bn = i=1 λi−1 an−i . + λn−1 a0 . para n ≥ 1. La solución {bn } está determinada por b0 = 0 y. . Ahora bien.7 ∀λ ∈ C la función lineal (S − λId) : F(N. Pero. . Por consiguiente: b1 = a0 . b2 = a1 + λa0 . . C). Demostración Dada {an } ∈ F (N. . ¾Cómo podemos encontrar las soluciones de un sistema de ecuaciones de recurrencia de primer orden? ¾Podemos emplear la misma técnica de resolución vista para los sistemas de ecuaciones diferenciales? Veremos que la respuesta a esta pregunta es armativa. . b3 = a2 + λa1 + λ2 a0 . Ahora bien. es decir. . dicha igualdad es equivalente a que S({bn }) − λ({bn }) = {an }. {bn+1 } − λ({bn }) = {an }.

. a1 + λa0 . . 2 La proposición anterior nos proporciona una herramienta para hallar una solución particular de cualquier relación de recurrencia de primer orden con coecientes constantes. . en consecuencia (S − λId) es sobreyectiva. a2 + λa1 + λ2 a0 ..284 es decir.. . El resultado similar que se tiene en este contexto queda establecido en la siguiente proposición. recurrencia Proposición 6. Ahora ¾Cómo podemos obtener todas las soluciones de una ecuación lineal de primer orden no necesariamente homogénea? Razonando de forma análoga a como hicimos con las ecuaciones diferenciales. S(bn ) − λbn = an . y.. . a0 ..8 Siendo {bn } una solución particular de la relación de (S − λId)({xn }) = {an }..7. + λn−1 a0 . Álgebra {bn } = {0.}. Es decir. vale el principio de superposición de soluciones: la solución de la ecuación no homogénea se obtiene sumando a una solución particular de . . . an−1 + λan−2 + . se verica que (I) {yn } es solución de (I) ⇔ ∃K ∈ C tal que {yn } = {bn } + K · {λn }. como puede comprobarse fácilmente término a término: S(b0 ) − λb0 = a0 − λ0 = a0 S(b1 ) − λb1 = b2 − λb1 = (a1 + λa0 ) − λa10 = a1 S(b2 ) − λb2 = b3 − λb2 = a2 + λa1 + λ2 a0 − λ (a1 + λa0 ) = a2 . cuya demostración se propone como ejercicio.. es tal que (S − λId)({bn }) = {an }.

teniendo en cuenta los resultados obtenidos. n bn = i=1 3i−1 (−1)n−i . {an } es solución de la relación de recurrencia dada si {an } es de la forma a1 = K n−1 an = K3n−1 + i=1 3i−1 (−1)n−i .Álgebra 285 dicha ecuación todas las soluciones de la ecuación homogénea asociada.  n ≥ 1. yn = i=1 Ejemplo 6. En otras palabras. En particular. Por consiguiente. si buscamos la única sucesión determinada por las condiciones a0 = 0 an+1 = 3an + (−1)n dicha sucesión es   a0 = 0  n ≥ 1 ⇒ an = n i=1 3i−1 (−1)n−i . donde K ∈ C y {bn } es la sucesión denida por b0 = 0 y. . para n > 1. podemos concluir que {yn } es solución de (S − λId)({yn }) = {an } ⇔   y0 = K y n ∃K ∈ C tal que λi−1 an−i + K · {λn }.9 El conjunto de soluciones de la relación de recurrencia an+1 = 3an + (−1)n es el conjunto de sucesiones {an } cuyo término general es de la forma an = bn + K3n .7.

. la sucesión {bn } determinada por b1 = 0 y. (6. 1 + 3 · (−1).286 Álgebra es decir. = (−1)n−1 + 3(−1)n−2 + . De hecho. La forma de la sucesión {bn } recuerda al producto de polinomios..2 Sistemas de relaciones de recurrencia El planteamiento del problema es similar al visto para ecuaciones diferenciales.    x2 (n + 1) = a21 x1 (n) + a22 x2 (n) + · · · + a2m xm (n). . En este caso.. . el término general de esta sucesión (donde n ∈ N. Según hemos visto. para n ≥ 1. −1 + 3 + 32 (−1). m m1 1 n2 2 mm m . .7. el problema consiste en resolver sistemas de la forma   x1 (n + 1) = a11 x1 (n) + a12 x2 (n) + · · · + a1m xm (n). . n−1 bn = i=1 λi−1 an−i es una solución particular de la relación de recurrencia (S − λId)({xn }) = {an }.  . . n ≥ 1) se podría expresar del siguiente modo: n bn = i=1 λi−1 an−i = j+k=n−1 λj ak .8) Observación 66 Para nalizar este apartado. vamos a hacer una breve re- exión sobre la forma que tiene la solución particular que encontramos utilizando el método expuesto.    x (n + 1) = a x (n) + a x (n) + · · · + a x (n). . + 3n−1 (−1). 6. . b0 b1 b2 b3 bn = = = = 0 −1.

siendo − (n) = P−1 ·→(n). si P−1 ·A · P es triangular. → − z x − (n + 1) = P−1 ·A− (n) = P−1 ·A · (P · P−1 )→(n) = → → − z x x →(n)) −1 −1 − = (P ·A · P)(P · x → = (P−1 ·A · P)− (n).. . .. z podemos hacer las siguientes transformaciones: Por ello. . . tendremos que − → P−1 ·→(n) = P−1 · A− (n) x x y. → → x x A los sistemas del tipo anterior se les conoce como sistemas homogéneos de m ecuaciones de recurrencia de primer orden con coecientes constantes. . {xm (n)}. . .  .Álgebra 287 donde las sucesiones  incógnita son {x1 (n)}. Como en el caso de las ecuaciones diferenciales. para resolver el sistema original planteado es suciente con resolver dicho sistema triangular y deshacer el cambio realizado − (n) = P·− (n). inclusive la notación matricial compacta − (n + 1) = A− (n). . .  . La técnica para resolver este tipo de sistemas es exactamente la misma que la vista para los sistemas de ecuaciones diferenciales. xm (n + 1) am1 am2 · · · amm xm (n) o.  . dado el sistema de ecuaciones − (n + 1) = A− (n). . Así. → → x x donde A es una matriz cuadrada de orden m. podemos emplear la notación matricial      x1 (n) a11 a12 · · · a1m x1 (n + 1)  x2 (n + 1)   a21 a22 · · · a2m   x2 (n)       . → → x z para obtener la solución buscada. = .    .  . Si P es una matriz cuadrada invertible y consideramos la matriz P−1 . ..

según sabemos. Si planteamos el sistema de forma matricial. . procedemos a resolver el sistema (II) con z(n + 1) u(n + 1) x(n) y(n) = = 1 1 1 −4 2 0 0 −3 · · z (n) u(n) z(n) u(n) . Operando. u(n + 1) = −3u(n) cuyas soluciones son. tendremos: x(n + 1) y(n + 1) = 1 1 4 −2 · x(n) y(n) . Razonando del mismo modo que con los sistemas de ecuaciones diferenciales. β ∈ C). junto con las condiciones iniciales x(0) = 1.7. el sistema z(n + 1) = 2z(n) .288 Álgebra Ejemplo 6.10 Supongamos que queremos encontrar las sucesiones que satisfacen el sistema de relaciones de recurrencia lineales y homogéneas de primer orden con coecientes constantes: x(n + 1) = x(n) + y(n) y(n + 1) = 4x(n) − 2y(n). y(0) = 6. β ∈ C). x(n) y(n) = 1 1 1 −4 · α2n β(−3)n = α2n + β(−3)n α2n − 4β(−3)n (α. {z(n)} = α{2n } {u(n)} = β{(−3)n } Luego (α. obtenemos que los autovalores de la matriz del sistema son 2 y −3 y que la forma triangular (en este caso diagonal) de la matriz asociada es 1 1 1 −4 −1 · 1 1 4 −2 · 1 1 1 −4 = 2 0 0 −3 . obviamente. El sistema (II) es.

{x(n)} = 2n+1 − (−3)n y {y(n)} = 2n+1 + 4(−3)n . y(0) = 6 es x1 (t) x2 (t) = 2e2t − e−3t 2e2t + 4e−3t . es decir. resolviendo el sistema −5β = 5 ⇒ β = −1 .7.Álgebra 289 Imponiendo. las condiciones iniciales tendremos que x(0) = 1 = α20 + β(−3)0 = α + β y(0) = 6 = α20 − 4β(−3)0 = α − 4β. nalmente. = 2 · 2n − (−3)n 2 · 2n + 4(−3)n = 2n+1 − (−3)n 2n+1 + 4(−3)n . α=2 de donde las sucesiones que satisfacen el sistema planteado con las condiciones iniciales dadas son: x(n) y(n) es decir. y (t) = 4x(t) − 2y(t) sujeto a las condiciones iniciales x(0) = 1. .1 Comprobar que la solución del sistema de ecuaciones diferenciales x (t) = x(t) + y(t) . Compárese con la solución del sistema de relaciones de recurrencia del ejemplo anterior. que α+β =1 α − 4β = 6. Ejercicio 6. con lo que.

5.290 Álgebra 6. b1 = 3. 2. Determinar la sucesión denida recursivamente por las condiciones   an+2 = 7an+1 − 12an a1 = 1  a2 = 3. Resolver el sistema de ecuaciones de recurrencia (ecuaciones en diferencias) an+1 = 5an + 4bn bn+1 = an + 2bn con las condiciones iniciales a1 = 2.8. Resolver el sistema de ecuaciones diferenciales x1 = 5x1 + 4x2 x2 = x1 + 2x2 sujeto a las condiciones iniciales x1 (0) = 2.1 Ejercicios resueltos 1. Encontrar las soluciones de la ecuación diferencial D2 (f ) − 7D(f ) + 12f = e−t . 4. 3. Encontrar las sucesiones que satisfacen la relación de recurrencia an+3 = 4an+2 − 5an+1 + 2an . Calcular la potencia n−ésima de la matriz   2 1 1 A =  2 3 2 . Resolver el problema de valor inicial D(f ) − 2f = e2t f (0) = 1.8 Ejercicios 6. 3 3 4 . 6. 7. x2 (0) = 3.

b) determinar si la matriz A es diagonalizable.  1 0 2 2. empezando en a0 = 0. .  4. Determinar la sucesión {an } que. 8. Supuesto que t ∈ R.2 Ejercicios propuestos 1. 0 0 −1   1 4 −12 3. verica an+1 = 2an + 5n para todo n ∈ N {0}. Dada la matriz A =  −1 −1 −1  determinar A100 . 1 6. determinar todas las soluciones del siguiente  y1 (t) = 3y1 (t) + y2 (t)  y2 (t) = 2y2 (t) + y3 (t) sistema:  y3 (t) = −y1 (t) − y2 (t) + y3 (t). ¾puede ocurrir que A no sea diagonalizable y A2 sí sea diagonalizable? 5.8. Dada una matriz A ∈ Mn (K). se pide: 0 1 −3 a) hallar una base del subespacio propio asociado a cada valor propio. Triangularizar por semejanza y hallar  3 1  0 2 correspondiente a la matriz A = −1 −1 la matriz de paso  0 1 . determinar todas las soluciones de los siguientes sistemas:   y1 (t) = −y1 (t) y1 (t) = sin(t)   y2 (t) = 2y2 (t) y2 (t) = t2 a) b)   y3 (t) = y1 (t) + y2 (t) + y3 (t). b) 2f + 3f + f = t. 7. Supuesto que t ∈ R. y3 (t) = y1 (t) + y2 (t) + y3 (t). Dada la matriz A =  0 3 −9 . Resolver las siguientes ecuaciones: a) 2f + 3f + f = 0.Álgebra 291 6.

a1 = 3. b) si A es inversible. Dada una matriz A ∈ Mn (K) idempotente (es decir. b1 = 1. b ∈ R para que (1. 3) sea un autovector asociado al autovalor λ = 2. . tal que A2 = A). 4 bn+1 = −an + bn . Determinar la sucesión denida recursivamente por las condiciones   an+2 = an+1 + 2an . Dada una matriz A ∈ Mn (K). 13.  a2 = 4. Dada la matriz A= 2 a 3 b . 10. determinar los valores de a.292 Álgebra 9. con las condiciones iniciales a1 = 2. los autovalores de A−1 son los inversos de los autovalores de A. 11. estudiar como son los autovalores de A. Resolver el sistema de ecuaciones de recurrencia (ecuaciones en diferencias) an+1 = 2an + 1 bn . 12. demostrar las siguientes armaciones: a) los autovalores de A coinciden con los de su traspuesta.

x1 = −2}       2 1 3 x1 9  5 4 6  ·  x2  =  24  1 3 −2 x3 4 La solución del sistema por el método de Gauss-Jordan sería la siguiente:     2 1 3 9 1 3 −2 4 F2 = F2 − 5F1 F ↔ F3   5 4 6 24  1 5 4 6 24  F3 = F3 − 2F1 → −→ 1 3 −2 4 −→ 2 1 3 9   1 3 −2 4  0 −11 16 4  .1 Soluciones de los ejercicios del capítulo 1 1. x2 = 4. Representar por su matriz ampliada y resolver por el método de GaussJordan cada uno de los siguientes sistemas de ecuaciones lineales :   2x1 + x2 + 3x3 = 9 5x1 + 4x2 + 6x3 = 24  x1 + 3x2 − 2x3 = 4 {x3 = 3.. . prosiguiendo con las transformaciones elemen0 −5 7 1 293 .Capítulo 7 Soluciones de los ejercicios 7..

x3 = λ. x4 } . es decir. 9 9 x1 = − λ. x2 = −2 − 7x3 − 19x4 . 0 0 1 3 {x1 = −2. x 2 = − x4 . y las soluciones son {x1 = 2 + 2x3 + 8x4 . x3 = 3} . Del mismo modo el sistema  3x1 + x2 + x3 − 5x4 = 4 5x1 + 2x2 + 4x3 − 2x4 = 6 se expresaría 3 1 1 −5 5 2 4 −2  x1  x  · 2 =  x3  x4  4 6 . siendo su solución 9 9 x1 = − x4 . x2 = 4. 5 5 o . el sistema es compa3 0 1 7 19 −2 −→ tible indeterminado. Razonando análogamente con el sistema   x1 − x2 + x3 − x4 = 0   2x1 + 3x2 + 4x3 + 5x4 = 0  x1 − x2 + 2x3 − 2x4 = 0   5x1 + 5x2 + 9x3 + 9x4 = 0 obtenemos que es compatible indeterminado. x2 = − λ. x 4 = x4 . x3 . x4 = λ 5 5 λ∈ R . x 3 = x4 . es decir. Resolviéndolo por el método de Gauss-Jordan obtendremos: F1 = 1 F1 F1 = 1 F1 3 3 3 1 1 −5 4 1 1 1 −5 4 3 3 3 3 F2 = F2 − 5F1 F2 = F2 − 5F1 1 7 19 −2 5 2 4 −2 6 0 3 3 3 3 −→ −→ F2 = 3F2 1 0 −2 −8 2 F1 = F1 − 1 F2 . si se preere.294 Álgebra  1 0 0 −2 tales adecuadas hasta obtener la matriz  0 1 0 4 . .

el sistema no es compatible ya que sería equivalente a un sistema que contiene una ecuación de la forma 0x + 0y + 0z = c − a − b = 0. el sistema dado es equivalente al sistema  x = −z + b y = −z + a − b que es compatible indeterminado y tiene conjunto solución {(−z + b.   1 1 2 a La matriz ampliada de este sistema es A =  1 0 1 b  . z) : z ∈ R} . b y c deben satisfacer c = a+b. a. Considere el sistema de ecuaciones   x + y + 2z = a x+z =b  2x + y + 3z = c Demuestre que para que este sistema sea compatible. Si c = a + b. 2 1 3 c    1 1 2 a 1 0 1 b F2 = F2 − F1 F < − > F2  1 1 2 a  F3 = F3 − 2F1 A= 1 0 1 b  1 → 2 1 3 c 2 1 3 c →    1 0 1 b 1 0 1 b  0 1 1 a − b  F3 = F3 − F2  0 1 1 a−b  → 0 0 0 c−a−b 0 1 1 c − 2b  Si c = a + b. . −z + a − b.Álgebra 295 2.

F1 = F1 − F3 . F2 = F2 − 5F1 . F4 = F4 − 11F1 . 3  5 La matriz ampliada de este sistema es A =   3 11 sucesión de transformaciones elementales  2 −1 −15 3 2 0  . F1 = F1 . F4 = F4 − F2 . Resuelva cada uno de los sistemas siguientes por eliminación de GaussJordan: a)  2 −3 −2 1 .296 Álgebra 3. F2 = −3F2 . 3 2 1 7 F1 = F1 + F3 . La 1 3 11  7 0 −30 1 F3 = F3 − F1 . F2 = F2 +11F3 3 7 3 transforma A en su forma escalonada reducida . La matriz ampliada de este sistema es A =  2 1 3 2 1   2x1 − 3x2 = −2 2x1 + x2 = 1  3x1 + 2x2 = 1     1 2 −3 −2 2 −3 −2 F1 = 2 F1 F2 = F2 − F1  1  0 4 3  F2 = 1 F2 A= 2 1 4 → 3 2 1 3 2 1 →      1 0 1 −3 −1 F3 = F3 − 3F1 1 0 1 5 2 8 3  3  0 1  0 1 3  F3 = F3 + 2 F2  0 1 F1 = F1 + 2 F2 4 4 → 3 2 1 → 0 13 4 0 0 2 El sistema es incompatible. b)   3x1 + 2x2 − x3 = −15   5x1 + 3x2 + 2x3 = 0   3x1 + x2 + 3x3 = 11  11x1 + 7x2 = −30   1 8 3 4 −7 8  . F3 = − F3 . F3 = F3 +F2 .

La matriz ampliada de este sistema es A =  3 −1 4 1 a2 − 14 a + 2 Aplicando las transformaciones elementales F2 = F2 − 3F1 . La única solución del sistema es (−4. t) : t ∈ R}. ¾Para qué valores de a el sistema que sigue no tiene soluciones? ¾Tiene exactamente una solución? ¾ Tiene innidad de soluciones? x + 2y − 3z = 4 3x − y + 5z = 2  4x + y + (a2 − 14)z = a + 2   1 2 −3 4 5 2 .Álgebra 297  1  0   0 0 c) 0 1 0 0  0 −4 0 2  . 1 7  0 0   4x1 − 8x2 = 12 3x1 − 6x2 = 9  −2x1 + 4x2 = −6   4 −8 12 La matriz ampliada de este sistema es A =  3 −6 9 . F2 = se obtiene la matriz   −1 F2 . F2 = F2 − F1 . F1 = F1 − 2F2 . F3 = F3 − 4F1 . 7). F 3 = F3 . 7 . F3 = F3 − F2 . 2. La suce−2 4 −6 sión de transformaciones elementales 1 1 −1 F1 = F1 . F3 = F3 − F1 4 3 2   1 −2 3 transforma A en la matriz equivalente  0 0 0 . F 2 = F2 . 4. El conjunto solución 0 0 0 del sistema es {(2t + 3.

−2 7 2 0 0 a − 16 a − 4 Si a = −4. ya que la última la sería de la forma 0 = −8. 2t + . Si a = 4. 1 3 1 3 1 3 −5 3 3 1 1 0 5 2 0 1 F1 = F1 − F2 → Entonces A−1 1 1 1 0 3 3 5 2 0 1 F2 = 3F2 → 0 1 1 0 2 −1 0 1 −5 1 3 3 2 −1 = . el sistema es incompatible. t) : t ∈ R . 7 7 1 Si a = ±4. −5 3 2 −3 1 0 4 4 0 1 1 −3 1 0 2 2 0 10 −2 1 1 1 −3 1 0 F1 = 2 F1 2 2 → 4 4 0 1 1 1 −3 1 F2 = 10 F2 2 2 → 0 1 −1 5 F2 = F2 − 4F1 → F1 = F1 + 3 F1 0 2 1 → 10 . se obtiene la matriz en forma escalonada   8 1 0 1 7  0 1 −2 10  . 7 1 0 0 1 a+4 En este caso el sistema tiene exactamente una solución para cada valor de a. Calcular las inversas de la siguientes matrices: A= 3 1 5 2 B= F1 = 1 F1 3 → 2 −3 4 4 C= 2 0 0 3 F2 = F2 − 5F1 → 1 0 2 −1 0 1 −5 3 1 0 . aplicando la transformación F3 = a2 −16 F3 .298 Álgebra   8 1 0 1 7 10  0 1 . (Hay tres variables principales) 5. la última la es una la de ceros y el sistema es compatible indeterminado con conjunto solución 8 10 (−t + .

7. 0 1 3 1 0 1 0 2 0 1 0 1 3 . Verique que las matrices A y B del ejercicio 5) satisfacen la relación (AB)−1 = B −1 A−1 . 1 0 1 0 2 0 3 0 1 1 F2 = 3 F2 → 2 0 1 0 0 3 0 1 Entonces C −1 1 F1 = 2 F1 → 1 0 2 = . 4 −7 1 7 −1 2 4 −7 −1 2 4 −7 = (7A)−1 = −1 1 −1 A 7 ⇒ A−1 = 7 −1 2 4 −7 ⇒ A = −1 2 1 0 4 −7 0 1 F2 = F2 + 4F1 → −1 2 1 0 0 1 4 1 F1 = F1 − 2F2 → . 1 5 −1 5 3 20 1 10 Entonces B −1 = . Sea A una matriz invertible y suponga que la inversa de 7A es −1 2 .Álgebra 299 1 5 −1 5 3 20 1 10 1 0 0 1 . Encuentre la matriz A. 6. Entonces (AB)−1 = B −1 A−1 . 1 10 10 −5 1 0 18 −7 0 1 1 −1 2 0 2 1 0 0 1 1 10 −9 5 −7 20 −9 10 1 F1 = 10 F1 → 1 F2 = 2 F2 → 0 0 1 0 1 2 F2 = F2 − 18F1 → F1 = F1 + 1 F2 2 → 0 1 1 4 1 2 1 . B −1 A−1 = 3 1 5 2 1 5 −1 5 3 20 1 10 2 −1 −5 3 = = −7 20 −9 10 1 4 1 2 y AB = 2 −3 4 4 10 −5 18 −7 1 −1 2 18 −7 1 0 −1 2 1 10 −9 10 .

F2 = 1 F2 . obtenemos la matriz 2 5 −4 0 0 1    3 −11 −6  3 1 0 0 2 −11 −6 10 5 2 10 5  0 1 0 −1 1 1  . F2 = 4 5 F2 + 2 F3 . Ya que X2 = X1 + (X2 − X1 ). será suciente demostrar que (X2 − X1 ) es una solución del sistema AX = 0 y denir X0 = X2 − X1 . en donde X0 es una solución para AX = 0. F1 = F1 − 3F3   3 4 −1 1 0 0 a la matriz  1 0 3 0 1 0 . 7 2 −1 7 2 0 0 1 −1 10 2 5 2 10 5 . Sea X2 una solución del sistema AX = B. F3 = F3 − 2F1 . si la   4 −1 3 1   2 4 0 3 b) B = 5 −4 −4 2  0 1 1 1  1 0 matriz es invertible:  5 1  −9 a) Aplicando sucesívamente las transformaciones elementales F2 ←→ 2 F3 . En efecto. Demuestre que toda solución para el sistema se puede escribir en la forma X = X1 + X0 . F3 = F3 − 5F2 . En efecto.300 Álgebra −1 0 −7 −2 0 1 4 1 7 2 A= 1 = 7 4 1 F1 = −F1 → 1 2 7 . Sea AX = B un cualquier sistema consistente de ecuaciones lineales y supóngase que X1 es una solución ja. Encontrar  3  1 a) A =  2 1  0 c) C = 1 la inversa de la matriz dada. F3 = 5 F3 . Por lo que A−1 =  −1 1 1 . F2 = F2 − 3F1 . donde X1 es una solución particular del sistema AX = B y X0 es una solución del sistema homogéneo AX = 0. 4 1 7 7 1 0 7 2 0 1 4 1 8. A(X2 − X1 ) = AX2 − AX1 = B − B = 0. Demuestre también que toda matriz de esta forma es una solución. 9. Ahora tenemos que vericar que toda matriz X de la forma X1 +X0 . es también una solución del sistema. AX = A(X1 + X0 ) = AX1 + AX0 = B + 0 = B.

que tiene una innidad de  0=0 soluciones.   3x + y + 5z = 0 2x + 4y + z = 0 . el sistema sería compatible determinado. 10. ya que. si lo fuera. c) Aplicando las transformaciones elementales F3 F3 − F1 . obtenemos la matriz 0 1 b) Aplicando las transformaciones 3 1 5 1  2 4 1 0 F3 − F2 a la matriz −4 2 −9 0   3 1 5 1 0 0  2 4 1 0 1 0 . Por ello la matriz B no puede ser invertible. es equivalente al sistema homogéneo de dos  −4x + 2y + −9z = 0   3x + y + 5z = 0 ecuaciones en tres variables 2x + 4y + z = 0 . es decir. 0 0 0 2 −1 1  3 1 5 Por lo tanto la matriz B es equivalente a la matriz  2 4 1  . Efectúe las operaciones sobre las las que siguen sobre  3 1 0 A =  −2 1 4  3 5 5  . 1 . se obtiene la matriz  0 1 0 −1 1 2 2 2 1 1 −1 0 0 1 2 2 2  1 −1 1  Entonces C −1 =  2 −1 2 1 2 2 1 2 1 2 2 1 2 −1 2  F3 − 0 0 .Álgebra 301 elementales F3 = F3 + 2F1 y F3 =  0 0 1 0  . 0 0 0 el sistema de ecuaciones lineales homogéneo asociado a la matriz B . F3 = −1 F3. F3 = = 1 0 1 1 0 F2 . F1 = F1 −F3 y F2 = F2 −F3 a la matriz  0 1 1 0 1 2 1 1 0 0 0   1 −1 1 1 0 0 2 2 2 1  .

4 de cinco centavos y 6 de diez centavos. Una caja que contiene monedas con las denominaciones de un centavo. 12. ¾ Cuántas monedas de cada tipo hay en la caja ? Hay que resolver el sistema de ecuaciones x + y + z = 13 x + 5y + 10z = 83 El sistema anterior es equivalente al sistema x + y + z = 13 4y + 9z = 70. Entonces hay 3 monedas de 1 centavo. b)Multiplique la segunda la por 1/3. 4 ≤ z ≤ 7. z). una y una innidad de soluciones?    . En cada caso. para que x e y no sean negativos. de a el sistema siguiente tiene cero. o cuáles valores. 70−9z . c)Sume el doble de la segunda la a la primera. ¾Para cuál valor. a)Intercambie la primera y tercera las. sistema que tiene una innidad de soluciones de la forma ( −18+5z .    0 0 1 3 5 5 a)  0 1 0  A =  −2 1 4  1 0 0 3 1 0    3 1 0 1 0 0 b)  0 1 0  A =  −2 1 4  3 3 3 3 0 0 1 3 5 5    1 2 0 −1 3 8 c)  0 1 0  A =  −2 1 4  0 0 1 3 5 5 11. El único valor de z en este intervalo tal que x e y sean números naturales es 6. 4 4 En el problema dado 0 ≤ z ≤ 13 y. verique la respuesta llevando a cabo la operación sobre las las directamente sobre A. cinco centavos y diez centavos tiene 13 de ellas con un valor total de 83 centavos.302 Álgebra multiplicando por una matriz elemental apropiada.

j). . es decir.t A ∈ Mn×m (K). s.. . la última ecuación es del A =  0 0 2 0 0 a −4 a−2 tipo 0 = −4 y sistema es incompatible. . aplicando la denición t (A + B)(i. m} × {1.. El sistema es equivalente al sistema   x1 + x2 + x3 = 4 x3 = 2  1 x3 = a+2 1 F a2 −4 3 a la que es compatible y tiene una innidad de soluciones {(2 − s. . j) = (t A +t B)(i. con lo que . sólo si a = − 3 . aplicando la denición t t ( A)(i. 2) : t ∈ R} . Demostrar que la trasposición de matrices satisface las siguientes propiedades. j) =t A(j... 2 13.. Si a = 2.. i) = = (t A)(i. i) = A(i. j) + (t B)(i. Por otra parte t B ∈ Mp×n (K). con lo que t (A · B) ∈ Mp×m (K).. j). i) = A(j. Si a = ±2. t (t A) = A. al ser matrices del mismo orden. a) ∀A ∈ Mm×n (K) t (t A) = A. . j) = (A + B)(j.. 2) : s ∈ R} 1 sólo si a+2 = 2. n}. c)∀A ∈ Mm×n (K). b) ∀A. i) + B(j. Por consiguiente. ∀B ∈ Mn×p (K) A · B ∈ Mm×p (K)..Álgebra 303   x1 + x2 + x3 = 4 x3 = 2  2 (a − 4)x3 = a − 2 La matriz ampliada asociada  este sistema es la matriz a  1 1 1 4 1 2  . Dado (i. Dado (i. m} × {1. j) ∈ {1. Si a = −2. n}. B ∈ Mm×n (K) t (A + B) =t A +t B.. la matriz A es igual a el  1 1 1 4  0 0 1 2  y el sistema tiene una innidad de soluciones: 0 0 0 0 {(−t + 2.. j) ∈ {1. podemos aplicar la transformación elemental F3 = matriz A.. t.

k) = k=1 t (t B)(i.. T r(AB) = n n aii + cii = n i=1 n bii . n T r(A) = a11 + . . m} × {1. con lo que t (A−1 ) = (t A) ... i) = k=1 n A(j.. Demostrar que si A ∈ Mn (K) es invertible. B. j). + ann ) + (b11 + . 15. j) = B · A (i.. k) · B(k. C ∈ Mn (K): a) T r(A + B) = T r(A) + T r(B). es decir. son matrices del mismo orden. j) ∈ {1. + ann = i=1 aii .. es decir.304 Álgebra (t B ·t A) ∈ Mp×m (K). se denomina traza de A a la suma de los elementos de la diagonal principal de A. Demostrar que ∀A. 14. n aik bki = aik bki k=1 i=1 n = (por la propiedad conmutativa de ·) = = i=1 k=1 n n k=1 i=1 bki aik = dii i=1 = T r(BA). Dado ahora (i.. por las propiedades vistas en el problema anterior t (A · A−1 ) =t In = In =t (A−1 ) · (t A) y t (A−1 · A) =t In = In = −1 (t A) ··t (A−1 ) . . j) · (t B)(i. Si A · A−1 = In y A−1 · A = In . + bnn ) = b) T r(AB) = T r(BA). . n}. entonces t (A) ∈ Mn (K) −1 es invertible y t (A−1 ) = (t A) . k) · (t A)(k. Si AB = C y BA = D. j) = (A · B)(j. Si A = (aij ) ∈ Mn (K). i) = n = = k=1 t (t A)(k... T r(A+B) = n i=1 (aii +bii ) = (por las propiedades asociativa y conmutativa n i=1 n i=1 de +) = (a11 + .... aplicando la denición n t (A · B)(i.

c) Siendo C = At A. Demostrar que una condición necesaria y suciente para que el producto de dos matrices simétricas A. Utilizando la relación anterior. Veamos ahora que es condición suciente: Hipótesis: A y B simétricas y AB = BA.B = = A. k)) = i=1 k=1 16. B ∈ Mn (K) dé como resultado una matriz simétrica es que AB = BA. luego hay que resolver la ecuación 1 2 1 2 4 5 5 4 4 5 +α 2 1 1 2 +β 1 0 0 1 = 0 0 0 0 . i) = ( A(i. k)A(i. i)) = a2 . Pero también t (AB) = (t B)(t A) = ( Al ser A y B simétricas) = AB. con lo que AB es simétrica. Si A = n n n T r(A A) = T r(C) = i=1 n n t C(i. A. tendremos que t (AB) =t (BA) = (t A)(t B) =(Al ser A y B simétricas)=AB.B) = T r(A) = 2. Se dice que una matriz A ∈ Mn (K) es simétrica si t A = A. k)t A(k. . por lo 1 1 0 1 1 1 que T r(A. ¾En estas condiciones es AB = BA? t (AB) = al ser AB simétrica = AB. Determinar α ∈ C y β ∈ C para que la matriz A = 2 1 1 2 ∈ M2 (C) satisfaga la ecuación A2 + αA + βI2 = (0). 2 1 2 1 5 4 = .B) = T r(A) · T r(B). Veamos que es condición necesaria: Hipótesis: A y B simétricas y AB simétrica. y sabiendo que A es invertible. 1 1 1 0 1 1 y B = I2 = . 17.Álgebra Poner un contraejemplo que ponga de maniesto que 305 T r(A. calcular −1 A . ik i=1 k=1 n n = ( i=1 k=1 A(i. sin embargo T r(A) · T r(B) = 2 · 2 = 4. ¾Es en estas condiciones AB simétrica? Si AB = BA.

Esta es la única solución posible. Demostrar que si A ∈ Mn (K) es idempotente. Por consiguiente A2 −4A+3I2 = (0). Al ser A idempotente I−A−A+A2 = I − A = B. y en consecuencia α = −4 y β = 3. es decir. En el ámbito de las ciencias de la computación una cadena o  string es una secuencia de items (datos) de algún conjunto (o dominio) de datos dado. z = 19. no compraría terneros. entonces B = In − A es idempotente. conejos y terneros. Si λ = 19.306 de donde Álgebra 5 + 2α + β 4+α 4+α 5 + 2α + β = 0 0 0 0 .. los conejos a 1000 pts. por lo que λ debe ser múltiplo de 19. y sería negativo. x = 80. y = 1. 20. 2 −1 2 −1 1 1 3 3 = A−1 = 3 (4I2 − A) = 3 . Demostrar también que AB = (0) y que BA = (0).000 pts. Los pollos los compró a 50 pts. x = 80λ . averiguar el número de animales que compró de cada clase. Hay que resolver el sistema de ecuaciones x + y + z = 100 50x + 1000y + 5000z = 100000 El sistema anterior es equivalente al sistema x + y + z = 100 19y + 99z = 1900 Haciendo z = λ. En una feria de ganado un granjero compró pollos.an de longitud n ≥ 0. de donde A − 4I2 + 3A−1 = (0). En términos matemáticos una cadena es una palabra a1 . multiplicando por dicha matriz a ambos lados de esa ecuación. Compró 100 animales y gastó 100. Suponiendo que A tiene inversa A−1 . y los terneros a 5000pts. Se dice que una matriz A ∈ Mn (K) es idempotente si A2 = A. −1 2 −1 2 3 3 18. Si λ = 0. Sabiendo que compró animales de las 3 clases.. Por otra parte AB = A(I − A) = A − A2 = A − A = (0) BA = (I − A)A = A − A2 = A − A = (0). se tiene que y = 100 − 99λ . B 2 = (I−A)(I−A) = I−A−A+A2 . luego B es idempotente. Para n = 0 se trata de la cadena vacía (a la que en su momento . obtenemos A−1 (A2 − 4A + 3I2 ) = A−1 (0) = (0). 19. De las condiciones 19 19 del enunciado se sigue que las soluciones deben ser enteras y positivas.. pues si λ = 19n y n > 1.

la operación concat. Constantes :  vacía ∈ CADEN A  concat : CADEN A × CADEN A → CADEN A   construye : ALF ABET O → CADEN A 3. b1 .(Nota: Son sucientes 5 ecuaciones).. .... que hay que considerar la palabra vacía como una constante.2 Soluciones de los ejercicios del capítulo 2 1. 7. que las cadenas son elementos del conjunto A∗ (conjunto de todas las cadenas o palabras denidas sobre el alfabeto A o lenguaje universal sobre A). y que como operaciones sobre las cadenas consideramos las siguientes: construye. Operaciones :  iadd : ALF ABET O × CADEN A → CADEN A    dadd : CADEN A × ALF ABET O → CADEN A  ∀c. Encontrar un vector u diferente de cero cuyo punto inicial es P = (−1.. Ecuaciones:   concat(concat(c. c . Tipos : 7. 2.bm . y las operaciones iañade (iadd) y dañade (dadd) que añaden. teniendo en cuenta que hay que considerar los datos y las cadenas de datos de un conjunto A = {a1 . a) = concat(c. ALF ABET O a1 . un elemento a la izquierda o a la derecha de una cadena dada.bm ) = a1 . c) = c 4. denida sobre pares de palabras por concat(a1 .Álgebra 307 denotamos por λ) y para n ≥ 1 los elementos a1 . ∀a ∈ ALF ABET O    concat(c.. c”))   iadd(a... c)    dadd(c. ak }. construye(a)) 1.. . c” ∈ CADEN A. El ejercicio consiste en construir un modelo de tipo abstracto de datos al que denominaremos cadena o  string.... an ∈ ALF ABET O. an pertenecen al mismo conjunto o alfabeto A.. respectívamente... .an . c) = concat(construye(a). c ). concat(c . −5) tal que a) u tiene la misma dirección que v = (6.. −3).. c”) = concat(c. vacía) = c    concat(vacía. CADEN A = CADEN A.an b1 . 3. . que a partir de un elemento de A construye una lista de longitud 1.

2. z + 5). tenemos que resolver el sistema   −3c1 + 4c2 + 6c3 = 2 c1 − c3 = 0  2c1 − 8c2 − 4c3 = 4 La solución del sistema por el método de Gauss-Jordan sería la siguiente: 1 aplicando la transformaciones elementales F1 ←→ F2 . 2 . F2 ←→ F3 . F3 = F3 + F2 . 1. z + 5) = (6k. −3k) a) Sea k > 0 y Q = (6k − 1. −4). Si u tiene la misma dirección que v . F2 = F2 − 3 F3 a la matriz 4     −3 4 6 2 1 0 0 2  1 0 −1 0 . 7k + 3. F1 = F1 − 3 F2 . y w = (6. −3). 2c1 ) + (4c2 . 9. −c3 . 5) = (0. 6)+ c2 (−3. 3. F2 = 1 F2 . F3 = 2 F3 . −1. F3 = 1 − 8 F3 . −8) + c3 (6. (2. −4c3 ) = = (−3c1 + 4c2 + 6c3 . 4 2 F1 = F1 + F3 . 0. donde Q = (x. 1) + c3 (1. Como en el ejercicio anterior. y − 3. 5. Entonces u = (x + 1. 4). tenemos que resolver el sistema   −2c1 − 3c2 + c3 = 0 9c1 + 2c2 + 7c3 = 5  6c1 + c2 + 5c3 = 4 1 Aplicando la transformaciones elementales F3 = F3 +3F1 . y. c2 . −8c2 ) + (6c3 . Entonces. −4) = = (−3c1 . Álgebra Sea u = P Q. 1. u = kv ⇔ (x + 1. c3 = 2} . c1 − c3 . F2 = F2 + 3F1 . b) Sea k < 0 y Q = (6k − 1. 4) = c1 u + c2 v + c3 w = c1 (−3. c3 tales que c1 (−2. −1. 2) + c2 (4. 0. z). 2 −8 −4 4 0 0 1 2 La solución del sistema es {c1 = 2. c3 tales que c1 u+c2 v+c3 w = (2. 7k + 3. Sean u = (−3. 2). Encontrar los escalares c1 .308 b) u tiene dirección opuesta a la de v = (6. −3k − 5). c1 . 7k. 4). −3k − 5). v = (4. F3 = 1 F3 . 0. F3 = F3 − F1 . F1 = − 2 F1 . y − 3. −8). 7. 2. 0. c2 = −1. 2c1 − 8c2 − 4c3 ). F3 = F3 − 9F1 . Demostrar que no existen los escalares c1 . 7. se obtiene la matriz  0 1 0 −1 . 0. c2 .

−1 ). 8) en S = (O . c) Trazar los ejes de coordenadas xy y x y y localizar los puntos P y Q. Entonces M es el punto medio de P Q y M = v+w = ( 9 . Las ecuaciones de traslación de S = (O. x . a) Encontrar el punto medio del segmento de recta que une a P y Q.Álgebra 2 F3 = − 23 F3 . −4. y). y ). 3) en S = (O. Sean P el punto (2. . F3 = F3 − F2 a la matriz     3 −2 −3 1 0 1 0 1 4 1  9 2 7 5 . 5). es decir 1 por N = 2 ( v+w + w) = ( 23 . que es el punto de intersección entre las diagonales del paralelogramo OP RQ. −4. x . 1). x . 2 4 4 4 5. −1 . −3). −1. y ) y de S = x=x +2 x =x−2 . Suponer que la traslación de un sistema de coordenadas xy se hace para obtener un sistema de coordenadas x y cuyo origen O tiene las coordenadas (2. −1). 1) y v + w = OR = (9. b) Encontrar el punto sobre el segmento de recta que une a P y Q y está 3 a 4 de la distancia de P a Q. 309 4. y (O . Demostrar geométricamente que si u y v son vectores en el espacio bidimensional o en el espacio tridimensional. El segmento OR corta el segmento P Q en un punto M . 1 ). 3 6 1 5 4 0 0 0 46 El sistema es incompatible. 3. y) a S = (O . y) son: y =y −3 y =y+3 a) P = (5. −2) y Q el punto (7. se obtiene la matriz  0 1 −1 − 2  . −9 . 6. a) Encontrar las coordenadas x y del punto P cuyas coordenadas xy son (7. b) Q = (−1. entonces u+v ≤ u + v . 2 2 2 2 3 b) El punto sobre el segmento de recta que une a P y Q y que está a 4 de la distancia de P a Q será dado por el punto medio entre M y Q. b) Encontrar las coordenadas xy del punto Q cuyas coordenadas x y son (−3. 3. x. a) Sean v = OP = (2. y ) a S = (O. x. x. −2) y w = OQ = (7. 6).

β. b) y w = (−b. d) k · (u + v) : el producto escalar está denido entre vectores y k es un escalar. Sea v = (a.y γ entre v y los vectores i. w son vectores en el plano o en el espacio tridimensional y k es un número real. cos(β) y cos(γ) se denominan cosenos directores de v. b) Usar el resultado del inciso a) para encontrar dos vectores que sean ortogonales a v = (2. Si v = (a. se sigue de la parte a) que los vectores w1 = (−b. Si u.310 Álgebra Utilizando la regla del paralelogramo para denir u + v. 9. entonces los ángulos α. c) Encontrar dos vectores unitarios que sean ortogonales a (−3. 4). 3) son ortogonales a v. 2) y w2 = −w1 = (b. c) es un vector diferente de cero. no un escalar. b. no entre un escalar y un vector. se denominan ángulos directores de v . −a) = (−3. a) son vectores ortogonales. los vectores w1 = (−b. Sea v = (2. −3). 7. Como en la parte b). j y k unitarios a lo largo de los ejes positivos x. respectivamente. a) Demostrar que v = (a. j y k . −2) son ortogonales a v. −a) = (4. b). la desigualdad u + v ≤ u + v se sigue de que la longitud de uno de los lados de un triángulo es siempre menor o igual a la suma de las longitudes de los otros dos lados. a) = (3. b) (u·v)+w : la suma está denida entre dos vectores o entre dos escalares. −3) y w2 = −w1 = (b. −3 ) son unitarios y ortogonales a 5 w2 5 5 1 v. a) u · (v · w) : el producto escalar está denido entre vectores y (v · w) es un escalar. v · w = −ab + ba = 0. v. y los números cos(α). a) = (−4. y y z de un sistema de coordenadas rectangulares en el espacio tridimensional. −3) = (a. 8. Sean vectores i. c) u · v : la norma es una función denida sobre un vector. 5 ) y u2 = w2 = ( 4 . . b) = (−3. Entonces. 4). Explicar por qué cada una de las siguientes expresiones carece de sentido. Entonces los vectores w 3 u1 = w1 = ( −4 .

entonces v es ortogonal a k1 w1 + k2 w2 para todos los escalares k1 y k2 . −3). Encontrar las ecuaciones paramétricas de la recta que pasa por los puntos dados. cos2 (α) + cos2 (β) + cos2 (γ) = v 2 = ( v )2 = 1. b v ) = (cos(α). 11. 4. (Ya que c) Demostrar que v v = (cos(α).cos(γ)). −1. . cos(β). 0. se obtiene que v · (k1 w1 + k2 w2 ) = k1 (v · w1 ) + k2 (v · w2 ) = k1 0 + k2 0 = 0. d) Demostrar que cos2 (α) + cos2 (β) + cos2 (γ) = 1. cos(β). −1. −3) y sus ecuaciones paramétricas son:   x = 2k y = −k ∞<k<∞  z = −3k .cos(γ)). −4).b. a) Sean P = (5. −2. c v = (a.c) v =( a v . b cos(β) = jj·vv = v . La recta que pasa por P y Q es paralela al vector determinado por el segmento P Q = (2. i = 1) j = 1) k = 1) cos(α) = ii·vv = a . (Ya que cos(γ) = k·v k v = c v v v . (Ya que v b) Encontrar cos(β) y cos(γ). −8) y sus ecuaciones paramétricas son:   x = 5 + 2k y = −2 + 4k ∞<k<∞  z = 4 − 8k b) Sean P = (0. Demostrar que si v es ortogonal tanto a w1 como a w2 . 0) y Q = (2. 2.Álgebra a) Demostrar que cos(α) = a v 311 . Utilizando las propiedades del producto escalar y que v·w1 = 0 y v·w2 = 0. v v 10. La recta que pasa por P y Q es paralela al vector determinado por el segmento P Q = (2. 4) y Q = (7.

0. 0. Demostrar que la recta r :  z=t a) pertenece al plano π1 : 6x + 4y − 4z = 0 : ∀t 6 · 0 + 4t − 4t = 0 ⇒ r ⊂ π1 . 7) y es paralelo al plano π2 : 5x − 2y + z − 5 = 0. La dirección normal (ortogonal) al plano π1 está dada por el vector n1 = (5. b) es paralela al plano π2 : 5x − 3y + 3z = 1 y está por abajo de éste: π2 ∩ r = ∅ por qué ∀t 5 · 0 − 3t + 3t = 0 = 1. El punto de intersección es P = 3 (−17.312 Álgebra   x=0 y=t ∞<t<∞ 12. 14. 0. Además O = (0. Además O = (0. 0) ∈ r y el punto de intersección de π3 con el eje z es (0. entonces r es paralela a π2 . entonces r es paralela a π3 . 1). −6. 1). 0. La ecuación del plano π2 en forma punto-normal es: 5(x − 3) − 2(y + 6) + (z − 7) y en forma general: 5x − 2y + z − 34 = 0. −1. 3 c) es paralela al plano π3 : 6x + 2y − 2z = 1 y está por arriba de éste: π3 ∩ r = ∅ por qué ∀t 6 · 0 + 2t − 2t = 0 = 1. −2. Encontrar la ecuación del plano π1 que pasa por el punto P = (3. . −1 ).    x = 3 + 4t  x = −1 + 12s y =4+t y = 7 + 6s .  1 = 5 + 3s Estos valores son s = −4 y t = −5. 2 13.  Demostrar que las rectas   x − 3 = 4t  x + 1 = 12s y−4=t y − 7 = 6s . ∞ < s < ∞ r1 : ∞ < t < ∞ y r2 :   z=1 z = 5 + 3s   3 + 4t = −1 + 12s 4 + t = 7 + 6s Tenemos que encontrar dos valores de t y s tales que . 1 ). r1 : ∞ < t < ∞ y r2 : ∞<s<∞   z−1=0 z − 5 = 3s se cortan y encontrar el punto de intersección. 0) ∈ r y el punto de intersección de π2 con el eje z es (0.

Demostrar la identidad u + v 2 + u − v 2 = 2 u 2 + 2 v vectores en Rn .Álgebra 313 15. 7. 3) dos vectores paralelos a las rectas r1 y r2 . u · v = k 2 + 5k + 6 = 0 ⇐⇒ k = −2 o k = −3. u · v = 2 + 7 + 3k = 9 + 3k = 0 ⇐⇒ k = −3. 17. la identidad u + v 2 + u − v 2 = 2 u 2 + 2 v 2 se puede interpretar como: la suma de los cuadrados de las longitudes de las diagonales de un . 2 para El resultado es una consecuencia inmediata de las siguientes relaciones: u + v 2 = (u + v) · (u + v) = u · u + u · v + v · u + v · v = u 2 + v 2 u − v 2 = (u − v) · (u − v) = u · u − u · v − v · u + v · v = u 2 + v 2 En R2 . 4a). 0) y (12. 1. a = 0. π : (x + 17) − 4(y + 1) + 4(z − 1) = x − 4y + 4z + 9 = 0. v = (k. 5. 6. b) u = (k. se obtiene que π : a(x + 17) + b(y + 1) + c(z − 1) = 0. 1. 6. donde n · (4. serán ortogonales a las dos rectas dadas. k. 6. 6). Entonces. respectivamente. 3). ∞ < a < ∞. −4a. entonces tiene la norma euclídea 1. Todos los vectores n = (a. Utilizando una de las propiedades de la norma euclídea: v v v v =| 1 | v v = v v = 1. 0) = n · (12. c) es la dirección ortogonal al plano π. Hallar la ecuación del plano π que contiene las rectas del ejercicio El plano π tiene que pasar por el punto P = (−17. ¾Para qué valores de k se cumple que u y v son ortogonales? a) u = (2. k). 1). −1. 1. b. 16. 3) = 0. Demostrar que si v es un vector diferente de cero en Rn . utilizando la regla del paralelogramo para determinar el vector u + v. 3) = 0 implican que 4a + b = 0 y 12a+6b+3c = 0. 1) y ser paralelo a r1 y a r2 . Si n = (a. 18. La relaciones n · (4. 15. v = (1. Interpretar geométricamente este resultado en R2 . siendo (4. 0) = n · (12. 1.

◦) el espacio vectorial de las funciones de R en R. .. Si (a1 . an ) ∈ H. a) H = {f ∈ F(R. β ∈ R. g∈H) = αf (−x) + βg(−x) = (αf + βg)(−x). Demostrar que el subconjunto H formado por todas las n − tuplas de números reales tales que los elementos de cada n − tupla forman una progresión aritmética. g∈H) = α0 + β0 = 0.. R). R) |∀x ∈ R f (x) = f (−x)} . β ∈ R. v) = u − v 2 = (u − v) · (u√ v) = u · u − u · v − v · u + v · v = − = u 2 + v 2 = 2 =⇒ d(u. a1 + d. pues obviamente la función nula 0 ∈ H.. pues obviamente la función nula 0 ∈ H. es un subespacio vectorial de Rn . a2 .. Interpretar geométricamente este resultado en R2 . los elementos a1 . v) = 2. (a1 . pues 0(1) = 0 . siendo d la razón de la progresión.. b) H = {f ∈ F(R. R) | f (2) = f (3)} . (αf + βg)(2) = αf (2) + βg(2) = (puesto que f. g∈H y α. pues obviamente la función nula 0 ∈ H.. R) : a) {f ∈ F(R. d2 (u. Determinar si los siguientes conjuntos son o no subespacios vectoriales de F(R. entonces d(u. Por consiguiente. an están en progresión aritmética.. c) {f ∈ F(R. 19. (αf + βg)(x) = αf (x) + βg(x) = (puesto que f..Sí es subespacio vectorial. v) = 2.... . 21. Sí es subespacio vectorial. . an ) = (a1 . +. R) | f (1) = 0} ... pues ∀x ∈ R 0(x) = 0 = 0(−x) . R) | f (2) = f (3)} . b) {f ∈ F(R. g∈H y α. pues 0(2) = 0 = 0(3) . . β ∈ R. Sí es subespacio vectorial.314 Álgebra paralelogramo es igual a la suma de los cuadrados de las longitudes de sus lados... y cuyo primer elemento es el 0). 20. Demostrar que si u y v son vectores ortogonales en Rn tales que √ u = 1 y v = 1. . . R) |∀x ∈ R f (x) = f (−x)} . g∈H) = αf (3) + βg(3) = (αf + βg)(3).. y si f. y si f.. Sea (F(R. En R2 este resultado es una aplicación del teorema de Pitágoras al triángulo rectángulo de lados unitarios u y v. a1 + (n − 1)d) Obviamente (0.. R) | f (1) = 0} . 0. (αf + βg)(1) = αf (1) + βg(1) = (puesto que f. c) H = {f ∈ F(R. y si f.. 0) ∈ H (progresión aritmética de razón d = 0. g∈H y α.

−1.... pues t (0) = (0) = −(0). con lo que t (A + B) =t (A) +t (B) = −A + (−B) = −(A + B). . B son antisimétricas t (A) = −A y t (B) = −B... a1 + d. −3.. a1 + (n − 1)d) + β(b1 . 0. ¾Pertenece el vector (1. entonces t (αA) = αt (A) = α(−A) = −(αA). (0. 1.. 0) al subespacio vectorial H? Como hemos visto. (3. ¾Constituyen las matrices antisimétricas un subespacio vectorialde Mn (K)? Justifíquese la respuesta. En R4 se considera el subespacio vectorial H = L(A) generado por el conjunto A de vectores A = {(1. 0). 0). se verica que t (A) = A y t (B) = B. y si A es antisimétrica y α ∈ K. .. (b1 .. puesto que es una progresión aritmética de razón αd + βd y cuyo primer elemento es αa1 + βb1 .. 1. 0. . (2.. pues t (0) = (0). a1 + d. (αa1 + βb1 ) + α(n − 1)d + + β(n − 1)d ). si A. Si A. −1.. Veamos que si: (0) es antisimétrica.. B ∈ Sn (K). t (αA) = αt (A) = αA... demostrar que Sn (K) es un subespacio vectorial de Mn (K). A + B ∈ Sn (K). En ese caso α(a1 . Pero t (A + B) =t (A) +t (B) = A + B y.. . b1 + d . 1. b1 + (n − 1)d ) ∈ H y α. . 0)}.. en consecuencia. b1 + (n − 1)d ) = = (αa1 + βb1 .Álgebra 315 Sean (a1 . β ∈ R. es un elemento de H. Se dice que A ∈ Mn (K) es simétrica si t A = A. 22.. Es decir. 1. Por otra parte. La más directa es utilizar el método de Gauss: consideremos la matriz de coordenadas de los 5 vectores anteriores respecto de la base canónica. luego (0) ∈ Sn (K). a1 + (n − 1)d). 23. y mediante transformaciones por columna obtenemos una matriz gaussiana:    1 0 2 3 1 1 0 0 0 0 c3 = c3 − 2c1  −1 1 −1 −3 1   −1 1 1 0 2     c4 = c4 − 3c1 →   0 1 1  0 1 1 0 1   0 1 c5 = c5 − c1 0 0 0 0 0 0 0 0 0 0 .. existen varias formas de resolver este problema. Recordemos que una matriz A ∈ Mn (K) es antisimétrica si t A = −A. 1. Veámoslo usando la otra caracterización de los subespacios vectoriales: Obviamente la matriz (0) es simétrica. 0). b1 + d . Si denotamos por Sn (K) al conjunto de las matrices simétricas de orden n. (αa1 + βb1 ) + αd + βd .. y si A ∈ Sn (K) y α ∈ K.

v. 1. β = 0. de donde. 1. En el R − e. En ese caso (α + β + γ. β. α) = (0. 0). 1. b) Lo hacemos del segundo modo: . 1. 0. (2. 1. 0) y (1.316 Álgebra  1 0 0 0 0  −1 1 0 0 0  c3 = c3 − c2  →  0 1 0 0 −1  c5 = c5 − 2c1 0 0 0 0 0 Como puede observarse. 0. el rango correspondiente a la matriz formada por las 4 primeras las es 2 . 0). c2 y c5 constituyen un sistema libre. 0) no pertenece al subespacio H. 1) + β(1. La más sencilla es utilizar el método de Gauss. hay varias formas de resolverlo. γ ∈ R tales que α(1. Por 1 0 0 consiguiente el rango es 3. el sistema {(1. con lo que su rango es 3. Está claro que es una matriz gaussiana. 3). 1. (1. El vector (1. 1. el sistema es libre. 0. 0). Modo 2): Consideramos la matriz cuyas columnas son las coordenadas de los vectores respecto de una base del espacio vectorial considerado (en este caso la base canónica de R3 ) y hallamos el rango de esa matriz. 2) son libres o ligados. 1). (−1. Si el rango de la matríz coincide con el número de vectores. Como en el problema anterior. 1). (1. 0)} es libre. 24. 0) = (0. Sin embargo. resolviendo el sistema de ecuaciones. pero lo vamos a hacer de dos formas distintas: a) Modo 1): Sean α. el vector correspondiente a esa columna se puede expresar como combinación lineal de los anteriores y el sistema es ligado. 0. 2. R3 con su estructura de espacio vectorial habitual determinar si los sistemas de vectores  (1. Es decir. 0). En nuestro caso:   1 1 1  1 1 0  es la matriz. 0) + γ(1. (1. α + β. 1). (1. y el sistema de vectores es libre. α = 0. la matriz es gaussiana. 0. con lo que los vectores columna c1. γ = 0. 0. Si al hacer transformaciones elementales por columnas obtenemos una columna de ceros. 1. 2.

Álgebra 317  1 2 −1  2 0 2  . 1. 1. 0). 0. 26. . la convertimos en gaussiana 3 1 2 realizando transformaciones elementales por columnas:     1 2 −1 1 2 −2  2 0 2  c3 = c3 − c1 →  2 0 0  c3 = c3 + c2 → 3 1 −1  3 1 2  1 2 0  2 0 0  3 1 0 Está claro que el rango del sistema de vectores es 2. 1. 0. 1. 0.. 1. y que el correspondiente a la última columna se expresa como combinación lineal de los correspondientes a las dos primeras. (0... 0. +.. β ∈ Z2 .. pues ninguno de los dos vectores que constituyen el sistema se puede expresar en función del otro (como combinación lineal del mismo). α. 1. β.. 0. 1. 0. 0. 1.. puesto que no es gaussiana. 0. 1. 1. 0) = (0. 0) = (0. β. 0) + β(0. 0. 0. 1. . 0. Consideramos el Z2 −espacio vectorial de los bytes (Z8 . 0). 0. De otro modo. Por consiguiente el sistema es ligado. 0. 0. 1. 0. β ∈ Z2 son tales que α(1. 0. α. Es obvio que el sistema es libre. 1. 1. x8 ) ∈ Z8 | 2 ∃α. 0. 0) + β(0. β. β. 1. 0) de donde α = β = 0. Se pide determinar si el sistema de vectores (1. 1. β. 1. 0)}. 0. α. tendremos que (α. 0) es libre o ligado y hallar el subespacio vectorial generado por el conjunto de esos dos vectores. 1. 0. . El subespacio vectorial generado por estos vectores es H = {(x1 . 0.(x1 . 0. 1.  25. En el espacio vectorial P4 (C) de los polinomios de grado menor o igual que 4 con coecientes en C se considera el polinomio p(x) = x4 − x2 + 2. ·) con la 2 suma y producto por escalares ya denidos. si α. 0. 1. 1. 0. x8 ) = α(1. 1. 0) + (0. 1. 1. β. 1. 1. 1. 0.

x4 }. p (x) = 12x2 − 2. p (x). pues x3 = x1 + x2 . tendremos que yn+2 = yn+1 + yn con lo que xn+2 + yn+2 = (xn+1 + yn+1 ) + (xn + yn ). p (x)} es libre. (yn ) ∈ H. pues la relación xn+2 = xn+1 + xn se traduciría en este caso en que 0 = 0 + 0. p (x). xn+2 = xn+1 + xn y en consecuencia. p (x)}. ¾cuántos parámetros me determinan la sucesión?.. iii) Finalmente. la matriz es gaussiana. En el espacio vectorial F(N. x2 . R) |∀n ∈ N xn+2 = xn+1 + xn } a) Demostrar que H es un subespacio vectorial de F(N. 4. xn+2 = xn+1 + xn ii) Si (xn ). la sucesión (xn ) + (yn ) ∈ H. con lo que el sistema {p(x). p (x) formado por el polinomio p(x) y sus sucesivas derivadas (hasta la tercera) es un sistema libre. con la suma y producto habituales. Lo hacemos por el método de Gauss: p (x) = 4x3 − 2x. consideramos el conjunto H = {(xn ) ∈ F (N..318 Álgebra Demostrar que el sistema p(x). p (x). p (x) = 24x Siendo B = {1. p (x). a) i) Evidentemente la sucesión nula (0) ∈ H. b) Para resolver este apartado lo que hay que tener en cuenta es : si la sucesión (xn ) ∈ H. multiplicando los dos miembros de la igualdad por α. es decir. Por tanto una base del subespacio H = L{p(x). vamos a ver que α(xn ) ∈ H : puesto que (xn ) ∈ H. x3 . Es obvio que si ∀n ∈ N xn+2 = xn+1 + xn . la matriz de coordenadas de los vectores del sistema considerado es   2 0 −2 0  0 −2 0 24     −1 0 12 0  . p (x). R). lo cual es cierto. x. la sucesión (αxn ) = α(xn ) ∈ H. b) Comprobar que dim(H) = 2. p (x)} es {p(x). y por consiguiente su    0 4 0 0  1 0 0 0 rango es igual al número de vectores columna no nulos. es decir. 27. p (x).. conocidos x1 y x2 . αxn+2 = αxn+1 + αxn . la sucesión queda completamente determinada. R) de las sucesiones de números reales. es decir. p (x). p (x). . si (xn ) ∈ H y α ∈ R. .

dada cualquier sucesión (zn ) ∈ H . teniendo en cuenta que esos z2 = β z2 = αx2 + βy2 dos valores determinan la sucesión (zn ) ∈ H. (yn )} es un sistema generador de H.y . Hallar el rango de las siguientes matrices:   1 3 0 2      −1 1 2 1  1 3 2 1 0 1 7 1 1   A =  2 1 1 . resulta que (zn ) = α(xn ) + β(yn ). pues si α(xn ) + β(yn ) = (0) (sucesión nula).Álgebra 319 Luego si consideramos las sucesiones de (xn ). Por tanto {(xn ). dim(H) = 2.     1 0 1 7 1 1 1 0 1 7 1 1 F = F2 − 2F1  0 1 0 −13 1 2  C= 2 1 2 1 3 4  2 F3 = F3 − F1 1 2 1 1 3 1 0 2 0 −6 2 0  . (yn ) ∈ H que satisfacen las x1 = 1 y1 = 0 . Por otra parte. resulta que . de donde . es decir. en αx1 + βy1 = 0 α·1+β·0=0 particular . es inmediato que es libre. α = αx2 + βy2 = 0 α·0+β·1=0 β = 0.     1 3 0 2 1 4 2 3  −1 1 2 1  c2 = c2 + c1  −1 0 0 0      c = c3 − 1 c2 2 B =  2 2 3 0  c3 = c3 + 2c1  2 4 7 2  3     c4 = c4 − 3 c2 4  1 6 2 2  c4 = c4 + c1  1 7 4 3  5 1 1 0 5 6 11 5     1 4 0 0 1 4 0 0  −1 0 0 0   −1 0 0 0      1  2 4 5 −1  c4 = c4 + c3  2 4 5 0  El rango de B 5      1 7 1 −43   1 7 1 −9  2 4 2 20 5 6 8 1 5 6 8 21 2 10 es 4. Por tanto. si condiciones x2 = 0 y2 = 1 z1 = α z1 = αx1 + βy1 . B =  2 2 3 0 . y. 28.    1 6 2 2  0 2 0 1 2 1 1 3 1 5 1 1 0    1 3 2 1 0 0 c2 = c2 − 3c1  2 −5 −3  El rango de A es A= 2 1 1  c3 = c3 − 2c1 0 2 0 0 2 0 3. C =  2 1 2 1 3 4 .

t) Est = .......... B es generador ya que si A= (ast )∈ Mn (K).. se verica que s=1.n es (n-s+1).. .. B es libre ya que si s=1....... Para todos s =1. Queremos vericar que B es una base de T n (K). entonces...320 Álgebra F3 = F3 − 2F1  1 0 1 7 1 1  0 1 0 −13 1 2  El rango de C es 3. j) = (s..n y t =i.....n t=s.n. En el espacio vectorial Z5 .. para todo i=1.n.... n..n t=s. n} .. j) = (s. 0 1 1 1 1 }). se sigue que el número de elementos de B es n+(n-1)+(n-2)+. T n (K) = { A= (aij )∈ Mn (K) | aij = 0 si j < i }...n t=s.... 0 0 0 20 0 −4  29.n ast Est (i...n ast Est ... A= s=1.. t) Sea B = {Est : s = 1. Encontrar una base y hallar la dimensión del espacio de matrices triangulares superiormente T n (K).n.. 1 si (i. 30...n y j=i..+2+1=n(n+1)/2. hallar una base del subespacio vectorial 2 H = L({ 0 1 0 1 1 0 0 0 1 0          c2 = c2 + c1   c4 = c4 + c1        . ..... el número de matrices Est con t=s.. sea Est ∈ Mn (K) la matriz denida por 0 si (i.. . 0 1 0 0 1 . j) = aij = 0..n ast Est = (0) ∈ Mn (K).           c3 = c3 + c2   0 1 0 1 1 0 1 0 0 1 0 0 0 1 0 0 1 1 1 1 0 1 0 1 1 0 0 1 0 0 0 0 0 1 0       0 0 0 1 0 0 0 1 0 0 0 1 0 1 1 0 0 0 1 0 0 0 0 0 0 ... j) = aij Eij (i.. t = s.. Para todo s=1.

1) + (1. mientras que 2 · f (1. (4. 1. 1) + f (1. −1 0 0 Entonces la dimensión de H es 2 y una base es B={(3. 1. La del apartado b) no puesto que. 2. (1.       3 1 0 3 1 1 3 1 4  2 1 3  c3 = c3 − c1  2 1 1  c3 = c3 − c2  2 1 0  −1 1 1 −1 1 0 −1 1 0   3 4 0 c2 = c2 + c1  2 3 0  . f ((1. y. 1)) = f (2. 3. 2. 2. f (2·(1. mientras que f (1. En el espacio vectorial R3 . 2) = 2 · 2 · 2 = 8. z) xyz c) f : R2 → R 2 (x. 1. 1). 1) = 2(12 + 1) = 4. .Álgebra La dimensión de H es 3 y una base es 321 B={ 0 1 0 1 1 . y) x +y Unicamente es lineal la del apartado a). por ejemplo. Razonar si las siguientes funciones son o no lineales (en cada uno de los conjuntos considerados se considera su estructura habitual de espacio vectorial): a) f : R3 → R b) f : R3 → R (x.3 Soluciones de los ejercicios del capítulo 3 1. (1. 1. 1. hallar una base del subespacio vectorial H = L({(3. 0)}). 1)}. 1) = 1 · 1 · 1 + 1 · 1 · 1 = 2. −1). 2) = 6. 1. 1)) = f (2. 2. 0 1 0 0 1 . 7. −1). 0 1 1 1 1 } 31. z) x + 2y − 3z (x. 1. La del apartado c) no es lineal pues por ejemplo. 1. y.

Entonces T + lT +l(3a2 − 4b2 + c2 − d2 ) = kT c2 d2 c1 d1 es lineal. −1) = 2(1. 0. Dada la función lineal f : R2 → R3 determinada por las condiciones f (1. l ∈ R y A = . 4. 1) = (−1. 0. 0) + f (0. 4. −1). 0. 0) = (3. 1) = (8. l ∈ R y A = . 1). 1) = 2(3. 1). 4. f (2. f (3. 1). 1). a1 b1 a 2 b2 a) Sean k. Entonces. 8. 1) y f (2. donde a b = 3a − 4b + c − d a) T c d a b = a 2 + b2 b) T c d es una transformación lineal. 1) = 3(1. 0 0 0 0 1 1 1 0 2 1 T + =T =5 y 0 0 0 0 0 0 . 0) + (−1)(0. 1)) = = 2f (1. 1). Determinar si la función T : M2 (R) → R. 0. puesto que f es lineal. −1) = (7. 1) = 3(3. 1) = = (9. (3. 1 1 1 0 b) Sean k. −1) = f (2(1. 12. f (0. c1 d1 c2 d2 a1 b1 a2 b2 ka1 + la2 kb1 + lb2 T k +l =T = c1 d1 c2 d2 kc1 + lc2 kd1 + ld2 = 3(ka1 +la2 )−4(kb1 +lb2 )+(kc1 +lc2 )−(kd1 +ld2 ) = k(3a1 −4b1 +c1 −d1 )+ a 2 b2 a1 b1 . 1)) = = 3f (1. 8. 0) + 1(0. Análogamente. 2) + (1. 1) = f (3(1. 0) + (−1)(0. 0) + (−1)f (0. 0) + 1(0. determinar f (3.B = ∈ M2 (R). −1) = = (6. 4). puesto que (2. 1) + (−1. 12. 0. 1) + (1. 3.322 Álgebra 2. 3) + (−1.B = ∈ M2 (R). luego.

En cada inciso. a) T : Rn → Rm . entonces la nulidad de T es 4-3=1. −8x + 4y). 0) no puede estar en R(T ) ya que −4(5) = 0. ¾Cuáles de los siguientes vectores están en Ker(T )? a) x3 b) 0 c)1 + x a) T (x3 ) = x4 = 0 → x3 ∈ Ker(T ) / b) 0 ∈ Ker(T ) ya que T es lineal.Álgebra 323 1 1 1 0 = 2. 1) = (1. d) T : M2 (R) → M2 (R) tiene rango 3. / 6. T es lineal y su núcleo es distinto de {0}. c) T (0. T = 1.-4) b) (5. a) T : R5 → R7 tiene rango 3. En cada inciso. 5. b) (5. dim(Ker(T))=0. usando la información proporcionada obtener la nulidad de T.0) sobre la recta y=x. −4(2x − 4)). entonces T no es inyectiva. Sea T : R2 → R2 la proyección ortogonal sobre la recta y=x. 7. a) T (0. 3) = (−3. 12) ∈ R(T ).0) c) (-3. y) = (2x − y. Sea T : R2 → R2 el operador lineal denido por la expresión T (x. c) T (R6 ) = R3 . −4) ∈ R(T ). ¾Cuáles de los siguientes vectores están en R(T )? a) (1. Sea T : P2 → P3 la transformación lineal denida por T (p(x)) = xp(x). T no es lineal ya que T (A) + T (B) = 0 0 0 0 T (A + B). b) ¾Es T uno a uno? Justicar la conclusión. 8. entonces la nulidad de T es 5-1=4.12) T T (x. Ker(T) es el subespacio vectorial de R2 que tiene proyección ortogonal (0. nulidad(T) =0. a) Encontrar el núcleo de T. Entonces es la recta y=-x. usando la información dada determinar si (la función lineal) T es uno a uno. . entonces Ker(T)={0} y T es inyectiva. entonces la nulidad de T es 5-3=2. 4.entonces la nulidad de T es 6-3=3. c) T (1 + x) = x + x2 = 0 → x3 ∈ Ker(T ). b) T : P4 → P3 tiene rango 1. y) = (2x − y.

=  a0 a0 + a1 1 1 0  a1  = = (T(p(x)))B2 . T2 (x2 ) = 3x3 . a) Encontrar la matriz para T con respecto a las bases B2 = {1. d) T : Rn → Rn . T2 ◦T1 (x) = −9x2 .x3 }. La matriz asociada a T es 1 1 0 .B1 = MB2 (T ) obtenida en el inciso a) satisface la fórmula : A(p(x))B2 (T(p(x)))B2 .x.324 Álgebra b) T : Rn → Rn . dim(Ker(T)) = n-(n-1) =1. Entonces MB3 (T2 ◦T1 ) =   0 0  0  3 B2 T2 (1) = 3x. R(T) = Rn .x}. entonces Ker(T)={0} y T no es inyectiva. dim(ker( T)) = n-rango(T) = n-n = 0. Sea T : P2 → P1 la transformación lineal denida por T (a0 + a1 x + a2 x2 ) = (a0 + a1 ) − (2a1 + 3a2 )x.x2 } y B3 = {1. T(1) = 1. A= 0 −2 −3 B1 b) Comprobar que la matriz (T)B2 . Sea T1 : P1 → P2 la transformación lineal denida por T1 (c0 + c1 x) = 2c0 − 3c1 x y sea T2 : P2 → P3 la transformación lineal denida por T2 (c0 + c1 x + c2 x2 ) = 3x(c0 + c1 x + c2 x2 ). n<m. Ya que rango(T) ≤ n. T2 (x) = 3x2 . c) T : Rm → Rn . 0  3 . Entonces MB3 (T2 ) =   0 0  0 0 −9 0 0 0 3 0   .x. A(p(x))B2 = −(2a1 + 3a2 ) 0 −2 −3 a2 10. Sean B1 = {1. MB3 (T2 ). dim(ker( T)) = m-rango(T) m-n > 0.   0 0  . MB2 (T1 ). B2 = {1. entonces T no es inyectiva. 9. 0  6 B1 T2 ◦T1 (1) = 6x.x} para P2 y P1 . B1 B2 B1 a) Encontrar MB3 (T2 ◦ T1 ).x2 } y B1 = {1. T(x2 ) = -3x. T(x) = 1-2x.x. entonces Ker(T)={0} y T es inyectiva. rango(T) = n-1.x2 .

0) = (0. f (1. Si no se verica i). 0. 1. 1. 1. entonces existe un vector b en V tal que b no apartenece al imagen de la función lineal T. 1. 13. −1).(Teorema alternativo de Fredholm) Sea T : V → V un operador lineal sobre un espacio vectorial n dimensional. −2. 0. Sea la función lineal f : R4 → R3 determinada por las condiciones f (1. Entonces A−1 y B−1 son semejantes. y Nulidad(T) = n .      0 0 0 0 0     3 0 0  2 0 B2 B1  = 6 0 = MB3 (T2 )MB2 (T1 ) =   0 3 0  0 −3  0 −9  0 0 0 0 0 0 3 B1 = MB3 (T2 ◦ T1 ). Entonces MB2 (T1 ) =  0 −3  . 0) = (1. 1). a) Bt = (P−1 A P)t = (A P)t (P−1 )t = Pt At (P−1 )t = Pt At (Pt )−1 (utilizando la propiedades de la tranposición vistas anteriormente ). f (1. 1. 1) = (0.Rango (T) > n -n =0. Ya que Pt es invertible. b) B−1 = (P−1 A P)−1 = (A P)−1 (P−1 )−1 = P−1 A−1 P . 11. 0. 0 0 b) Escribir una fórmula que relacione las matrices del inciso a). 1). T1 (x) = −3x. B1 B2 B1 MB3 (T2 ◦ T1 ) = MB3 (T2 )MB2 (T1 ). −1). 0. . f (−1. Por denición de relación de semejanza. 1.Álgebra 325  2 0 B1 T1 (1) = 2. entonces A−1 y B−1 son semejantes. At y Bt son semejantes. Entonces el rango de T es estrictamente menor que n. 0) = (1. 1. ii) Nulidad de T > 0. Demostrar lo siguiente: a) At y Bt son semejantes. Rango(T) < n. Demostrar que se cumple exactamente una de las siguientes proposiciones: i) La ecuación T(x) =b tiene una solución para todo los vectores b en V. b) Si A y B son invertibles.  c) Comprobar que las matrices del inciso a) satisfacen la fórmula planteada en el inciso b). 12. existe una matriz invertible P tal que B = P−1 A P. Sean A y B matrices semejantes.

1). 0.   0 0 1 1 B 1 1  MB3 (f ) =  0 0 1 −1 −1 1 B4 Como la matriz que buscamos es MB3 (f ). . 0. 1))B3 . 1 0 0 0 −1 B4 B MB (IdR4 ) = MB4 (IdR4 ) . Para ello. Necesitamos. 1. Para calcular esas imágenes. 1. f (0. 0. B4 B4 B B con lo que MB3 (f ) = MB3 (f ◦ IdR4 ) = MB3 (f ) · MB 4 (IdR4 ). 0). (f (0. Por tanto necesitamos hallar f (1. hallar MB 4 (IdR4 ). (1. Según sabemos. Lo hacemos por este segundo procedimiento..    1 1 1 −1 1 0 0 0 1 0 0 0 0 0 0  1 1 0 −2 0 1 0 0   1 1 0 −2 0 1 0   F1 ←→ F4   1 1 1 0  1 1 1 0 0 0 1 0  0 0 1 1 0 0 0 1 1 1 −1 1 0 0 0 0 0 1  1 0   0  0 .. 0). hay que obtener las coordenadas de los vectores de la base canónica B4 respecto de B. 0. 1. B pues. 0. b) La dimensión y las ecuaciones de Ker(f ) e Im(f ) respecto de las bases canónicas de R4 y R3 . 0. 0.. 1. MB3 (f ) es la que tiene por columnas las (f (1. 1. 0. Por lo tanto hay que calcular la inversa de la matriz anterior.326 Álgebra a) Hallar la matriz asociada a f respecto de las bases canónicas de R4 y R3 . dicha matriz se obtiene considerando el esquema: B4 IdR4 B f B3 R4 −→ R4 −→ R3 . (−1.. − 2.. o bien utilizar las matrices de cambio de base según vimos en la pizarra. .   1 1 1 −1  1 1 0 −2  B  De manera directa. 0). 0)} una base de 4 R. a) El primer apartado se puede hacer de varias maneras. 1). MB4 (IdR4 ) =   1 1 1 0  . 0. La matriz pediB4 da. 0))B3 . Siendo B = {(1. (1.. 0. podemos escribir los vectores de B4 como combinación lineal de los vectores que denen f y después hallar f (B4 ).

con lo −1 0 1 0 B4 B4 B que la matriz buscada es MB3 (f ) = MB3 (f ) · MB (IdR4 ) =       0 0 0 1 0 0 1 1  1 −1 0 0  −2 1 2 −1   1 1  1 −1 0 0  . = 0 0  2 −1 −1 0  = 1 −1 −1 1 −1 0 0 2 −1 0 1 0 1 0 0 F2 = F2 − F1  0 1 0 F3 = F3 − F1   0 1 1 F4 = F4 − F1 0 1 1  1 0 0 0 0 0 0  0 1 0 −2 0 1 0   0 0 1 2 0 -1 1 0 0 1 1 1 -1 0  0 0 0 1 0 0 0  0 1 0 −2 0 1 0   0 0 1 2 0 -1 1 0 0 0 −1 1 0 -1  1 0 0 0 0 0 0  0 1 0 0 -2 1 2   0 0 1 0 2 -1 -1 0 0 0 1 -1 0 1 b) Utilizando el algoritmo que vimos en clase:             1 -1 0 0 1 -1 0 0   −1 0 0 2  c4 =  1 0 0 0  c4 + 2c1  0 1 0 0   0 0 1 0  0 0 0 1            1 -1 0 2 1 -1 0 2   −1 0 0 0  c4 =  1 0 0 2  c4 − 2c2  0 1 0 0   0 0 1 0  0 0 0 1 .Álgebra 327  0 0 0 0 1 −2 0 1 0 -1   F = F3 − F2 0 0 0 1 -1  3 F4 = F4 − F2 −1 1 0 0 −1  1 -1   F = F4 − F3 0  4 0  1 F = F2 − 2F4 -1  2  F3 = F3 + 2F4 0  F4 = −F4 0  1 -1   0  0   0 0 0 1  −2 1 2 −1  −1 B B  Es decir. MB 4 (IdR4 ) = MB4 (IdR4 ) =  2 −1 −1 0  .

0). 0. u3 = e1 + 2e2 + 2e3 . 0. 1. e2 . Consideramos la función lineal f : E → E tal que su matriz asociada sea   15 −11 5 B MB (f ) =  20 −15 8  . (2. v3  14. u4 ) ∈ Ker(f ) ⇔ ∃ (a. Entonces. u2 = 3e1 + 4e2 + e3 . u3 }. b) ∈ R2 tal que   0 2  0 −2     1 0  0 1 a b  u1  u  = 2   u3  u3  y las ecuaciones paramétricas de Im(f ) son: v = (v1. 1)}) e Im(f ) = L({(1. e3 } una base de E. b) ∈ R2 tal que   1 −1  1 −1  −1 0 a b  v1 =  v2  . u2 . v3 ) ∈ Im(f ) ⇔ ∃ (a. u2. (−1. u3. 0)}). −1. v2. 8 −7 6 Hallar la matriz asociada a f respecto de la base B = {u1 . 1. respecto de las bases canónicas de R4 y R3 . −1). . Sea E un espacio vectorial de dimensión 3 y B = {e1 . −2. por tanto la dimensión de Ker(f ) = 2 y la dimensión de Im(f ) = 2.328 Álgebra            1 -1 0 0 1 -1 0 0   −1 0 0 0   1 0 0 2   0 1 0 -2   0 0 1 0  0 0 0 1 obtenemos que. respecto de las bases canónicas de R4 y R3 . donde u1 = 2e1 + 3e2 + e3 . las ecuaciones paramétricas de Ker(f ) son: u = (u1. Ker(f ) = L({(0.

0 0 3 15. tendremos que: . 1. 0. f (0. 0) = (2. 0.Álgebra 329 La matriz de f respecto de la base B es la matriz asociada a la siguiente composición de funciones: B E IdE B f B IdE B −→ E −→ E −→ E B B B B MB (f ) = MB (IdE ) · MB (f ) · MB (IdE ). f (0. De las condiciones enunciadas se sigue  1 B4 MB3 (f ) =  0 1 que  2 3 1 1 0 1  −1 −1 1 Utilizando el método desarrollado en el aula (he incluido todas las transformaciones por columnas en un solo paso) . f (0. 0. 0. 1. 1   5 2 3 1 8  3 4 2  = 6 1 1 2  1 0 0 =  0 2 0 . Entonces. 0. 0. 1) = (1. 1).  2 3 1 B MB (IdE ) =  3 4 2  es la matriz de 1 1 2 de B y  −6 5 B B −1  4 −3 MB (IdE ) = (MB (IdE )) = 1 −1   −6 5 −2 15 −11 B MB (f ) =  4 −3 1   20 −15 1 −1 1 8 −7   donde las coordenadas de B respecto  −2 1  . 0. −1). 0) = (3. 0. 1. 0) = (1. 1. Hallar una base del núcleo y una base de la imagen de la siguiente función lineal: f : R4 → R3 determinada por las condiciones: f (1. −1). 1).

0). 1) 4 4 es una base de Ker(f ). hallar una base de Ker(f ) y una base de Im(f ). El algoritmo es el mismo que el empleado en el ejercicio 5. pero en este caso trabajamos con las coordenadas respecto de B :     3 0 3 15      2 10   2 0    c2 = c2 − 5c1 →  . (0. teniendo en cuenta que las coordenadas w = −5u1 + u2 = −5(2e1 + 3e2 ) + 3e1 + 4e2 = = −7e1 − 11e2 . donde u1 = 2e1 + 3e2 . En R2 se considera la base B = {u1 . e2 } = {(1.330 Álgebra              1 2 3 1   0 1 0 1  c2 = c2 − 2c1   c = c − 3c  1 −1 −1 1  3  3 1   c4 = c4 − c1 →  1    1  c4 = c4 − c2    3 1  c4 = c4 + 4 c3  1  1 0 0 0 0 1 0 0 1 −3 −4 0 5 1 −2 −3 − 4 1 −1 3 1 4 1           de donde {(1. (0. y B2 = {e1 . 0. 1)}. u2 }. −1. u2 = 3e1 + 4e2 . Siendo la función lineal f : R2 → R2 tal que su matriz asociada respecto de B es B MB (f ) = 3 15 2 10 . −4)} es una base de Im(f ) y ( −5 3 . −3). 0. 1). (0. u2 }.   1 −5   1 1 1 −5 3 y están ex1 2 presadas respecto de la base B = {u1 . 16. . tendremos que el vector Luego. 1.

2. 1) − (1. −1) = 6 1 2 7 1 = (0. 6 B = {w1 = v1 v2 1 2 −1 −1 4 7 . 1. 2. −1). . 6 6 3 6 v2 = 1 16 49 + + = 36 36 36 11 . {(−7. En otras palabras. La proyección ortogonal de u sobre H es: 2 10 2 14 59 p⊥ (u) = u. √ )} v1 v2 6 6 6 66 66 66 es una base ortonormal de H =L({(1. .4 Soluciones de los ejercicios del capítulo 4 {(1. √ √ Sea v1 = (1. w1 w1+ u. 7. 1. 1)}. w2 w2 = √ w1 + √ w2 = ( . −1). 1) − (0. 1)}) y la proyección ortogonal del vector (1. ). En el espacio vectorial euclídeo R3 con el producto escalar usual se considera el sistema de vectores Se pide obtener. 2. v1 = 1 + 4 + 1 = 6 y sea v2 = (0. 1. respecto de las coordenadas canónicas de R2 . 2. ( √ . ). (0.1. 2.1). √ . Sea u = (1. −1). 1) sobre dicho subespacio. 1)}). 17)} es una base de Im(f ). −1). −1) = (− . (0. −11)} es una base de Ker(f ) y {(12. √ . −1) (1. 1.Álgebra constituye una base de Ker(f ). 1). (1. 1. y 331 w = 3u1 + 2u2 = 3(2e1 + 3e2 ) + 2(3e1 + 4e2 ) = = 12e1 + 17e2 constituye una base de Im(f ). w2 = } = {( √ . mediante el método de Gram-Schmidt. (0. 11 11 11 6 66 . 1. 2. 1. 2. 1. √ ). una base ortonormal del subespacio L({(1.

Obtener una matriz generadora y una matriz de control del código de repetición expuesto en los apuntes de clase. x5 .5 Soluciones de los ejercicios del capítulo 5 1. x7 . El código de paridad es lineal ya que pueden ser descrito como el conjunto de soluciones de la ecuación lineal homogénea x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 = 0 con xi ∈ Z2 y en consecuencia dicho conjunto es un subespacio vectorial de Z8 . 2 Una matriz generadora del código de paridad es la matriz   1 0 0 0 0 0 0  0 1 0 0 0 0 0     0 0 1 0 0 0 0     0 0 0 1 0 0 0     0 0 0 0 1 0 0     0 0 0 0 0 1 0     0 0 0 0 0 0 1  1 1 1 1 1 1 1 Una matriz de control del código de paridad es 1 1 1 1 1 1 1 1 ya que su dimensión es 1 × 8 y C es el núcleo de la función lineal f (x1 . 2. x4 . Obtener una matriz generadora y una matriz de control del código de paridad expuesto en los apuntes de clase. El código de repetición es lineal ya que pueden ser descrito como el como el conjunto de soluciones del siguiente sistema de ecuaciones lineales: x1 = x2 con xi ∈ Z2 x2 = x3 que equivale al siguiente sistema de ecuaciones lineales homogéneas: x1 + x2 = 0 con xi ∈ Z2 .332 Álgebra 7. x2 . x8 ) = x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 . x2 + x3 = 0 . x6. x3 .

es: 4.(1. Determinar una matriz generadora del código cuya matriz de control H= Una posible solución es: 1 0 1 0 1 1 1 1 .0).0.1.1)} es:   1  1  1 Una matriz de control del código de repetición es la matriz asociada al sistema de ecuaciones lineales homogéneas anterior: 1 1 0 0 1 1 es: . Determinar una matriz de control del código cuya matriz generadora 1  1 G =  1 1  F2 F3  F4   F1 F2 F2  1 0 0 1  1 0  . 3.Álgebra 333 Una matriz generadora del código de repetición C = {(0. 1  1  1  1   1 1 1 0 0 1 1 0 1 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 = F2 + F1  = F3 + F1 1  0 = F4 + F1 →  0 = F1 + F2 0 = F2 + F3 ↔ F3 0 0 1 0 0 1 0 0 0 1 0 1 1 0 1 0 0 1 1 0  0 0   0  1 Luego la matriz de control es la matriz H= 1 0 0 1 .

puesto que las columnas de la matriz forman un sistema ligado. 5. pues c3 = c1 + c2 . y dado que la matriz formada por las dos primeras columnas de la matriz dada es una matriz gaussiana sin ninguna columna nula. esto es:   0 1  1 1   G=  1 0 . 0 1 Operando ahora con el  0 1 1 0 0  1 1 0 1 0   1 0 0 0 1 0 1 0 0 0 algoritmo estudiado:   F2 = F2 + F1 1 0  F3 = F3 + F2  0 0  →  0 0  F4 = F4 + F1 1 0 F2 ↔ F1 0 1 0 0 1 1 1 1 1 0 1 0 0 0 1 0  0 0   0  1 . resulta que una matriz generadora del código es la matriz formada por las dos primeras columnas.  ya que sus columnas forman una base del núcleo de la función lineal cuya matriz asociada es H. Determinar una matriz de control y una matriz que permita realizar la decodicación del código generado por los vectores cuyas coordenadas respecto de la base canónica de Z4 son las columnas de la matriz: 2   0 1 1  1 1 0     1 0 1  0 1 1 Obsérvese que.334 Álgebra         1 1 1 0 0 0 0 1 0 1 0 0 1 1 0 0 1 0 0 1 0 0 0 1      c3 = c3 + c1            1 1 1 0 0 0 0 1 0 1 0 0 0 0 1 0 1 0 0 1 0 0 0 1      c4 = c4 + c2            1 1 1 0 0 0 0 1 0 1 0 0 0 0 1 0 1 0 0 0 0 1 0 1         luego la siguiente matriz es generadora  1 0  0 1 G =  1 0 0 1 del código   .

6 Soluciones de los ejercicios del capítulo 6 1. Determinar la sucesión denida recursivamente por las condiciones   an+2 = 7an+1 − 12an a1 = 1  a2 = 3. . 7. Determinar una matriz de control y una matriz que permita la decodicación del código cuya matriz generadora es   1 1  1 0   G =  1 1  0 1    F2 = F2 + F1 1 1 1 0 0 0 1 0 0 1 0  1 0 0 1 0 0  F3 = F3 + F1  0 1 1 1 0     1 1 0 0 1 0  F4 = F4 + F2 →  0 0 1 0 1 0 1 0 0 0 1 0 0 1 1 0 F1 = F1 + F2 Luego la matriz de control es la matriz  0 0   0  1 H= 1 0 1 1 1 0 0 1 y la matriz que permite realizar la decodicación es la matriz T = 0 1 0 1 1 0 0 0 .Álgebra Luego la matriz de control es la matriz 335 H= 1 1 1 0 1 0 0 1 y la matriz que permite realizar la decodicación es la matriz T = 1 1 0 1 0 0 0 0 . realizar 6.

3. de donde β = 0 y α = 1 . es La ecuación característica de la relación de recurrencia homogénea dada x3 − 4x2 + 5x − 2 = 0 ecuación que se puede expresar de la forma (x − 2) (x − 1)2 = 0 y que por tanto tiene una raiz x = 1 de multiplicidad 2 y otra raiz x = 2 de multiplicidad 1. Encontrar las sucesiones que satisfacen la relación de recurrencia an+3 = 4an+2 − 5an+1 + 2an . 3 α32 + β42 = 3 9α + 16β = 3 con lo que la sucesión buscada es 1 n {3 } = {3n−1 }. las sucesiones que satisfacen esa relación de recurrencia son de la forma: α{1n } + β{n1n } + γ{2n }. Imponiendo que se satisfagan las condiciones iniciales: α3 + β4 = 1 3α + 4β = 1 de donde . Por consiguiente. las sucesiones que satisfacen esa relación de recurrencia son de la forma: α{3n } + β{4n }. Por consiguiente.336 Álgebra La ecuación característica de la relación de recurrencia homogénea dada es x2 − 7x + 12 = 0 cuyas raíces son x = 3 y x = 4. . 3 2. Encontrar las soluciones de la ecuación diferencial D2 (f ) − 7D(f ) + 12f = e−t .

es decir. una base del espacio de soluciones Ker(D2 − 7D + 12Id) = Ker((D − 3Id) ◦ (D − 4Id)) de dicha ecuación homogénea será {e3t . de donde 20γ = 1. Como por otra parte el término independiente es solución de la ecuación (D + Id)(f ) = 0 ⇔ D(f ) + f = 0 podemos obtener una solución particular por el método de los coecientes indeterminados: Las soluciones de la ecuación dada lo serán también de la ecuación ((D + Id) ◦ (D − 3Id) ◦ (D − 4Id))(f ) = 0 Como las soluciones de esta última ecuación son de la forma αe3t + βe4t + γe−t . 20 En denitiva.Álgebra 337 La ecuación característica de la ecuación diferencial homogénea asociada a la ecuación dada es: x2 − 7x + 12 = 0 ecuación que se puede expresar de la forma (x − 3) (x − 4) = 0. con α y β constantes arbitrarias es 1 f (t) = e−t + αe3t + βe4t 20 . la solución general de la ecuación dada. Por consiguiente. e4t }. (γe−t + 4γe−t + 3γe−t + 12γe−t ) = e−t (20γ e−t ) = e−t γ= 1 . imponiendo que satisfagan la ecuación original dada tendremos que ((D − 3Id) ◦ (D − 4Id))(αe3t + βe4t + γe−t ) = e−t de donde es decir.

Buscamos las soluciones de la ecuación no homogénea dada empleando el método de los coecientes indeterminados: Puesto que e2t es solución de la ecuación diferencial (D − 2Id) (f ) = 0. por lo que. Resolver el problema de valor inicial D(f ) − 2f = e2t f (0) = 1. buscamos nuestras soluciones entre las soluciones de la ecuación ((D − 2Id) ◦ (D − 2Id))(f ) = 0. Las soluciones de esta última ecuación son de la forma f (t) = αe2t + βte2t . Resolver el sistema de ecuaciones diferenciales x1 = 5x1 + 4x2 x2 = x1 + 2x2 . 5. βe2t = e2t ⇒ β = 1 f (t) = αe2t + te2t . de donde 2αe2t + 2βte2t + βe2t − 2αe2t − 2βte2t = e2t . imponiendo que D(f ) − 2f = e2t obtenemos es decir.338 Álgebra 4. f (0) = α = 1 Por consiguiente la solución es f (t) = e2t + te2t = (t + 1)e2t .

siendo es decir. tendremos que 2 3 = α + 4β −α + β . z1 (t) = z1 (t) z2 (t) = 6z2 (t) es decir. z1 (t) = αet z2 (t) = βe6t x1 (t) x2 (t) = 1 4 −1 1 z1 (t) z2 (t) .Álgebra sujeto a las condiciones iniciales x1 (0) = 2. Imponiendo nalmente las condiciones iniciales. 339 x2 (0) = 3. b1 = 3. . 6. con lo que la solución será x1 (t) x2 (t) = −2et + 4e6t 2et + e6t . Ahora resolvemos el sistema. los autovectores correspondientes y la inversa de la matriz P de paso. es decir: β = 1. resultando 1 5 1 5 −4 5 1 5 5 4 1 2 1 4 −1 1 = 1 0 0 6 . Resolver el sistema de ecuaciones de recurrencia (ecuaciones en diferencias) an+1 = 5an + 4bn bn+1 = an + 2bn con las condiciones iniciales a1 = 2. x1 (t) x2 (t) = 1 4 −1 1 αet βe6t = αet + 4βe6t −αet + βe6t . α = −2. Obtenemos las raíces del polinomio característico.

Imponiendo ahora las condiciones iniciales: a1 b1 de donde = 2 3 = α + 24β −α + 6β 1 6 .340 El sistema planteado en forma matricial es Álgebra an+1 bn+1 = 5 4 1 2 an bn Utilizando los cálculos hechos en el problema anterior. tendremos que 1 5 1 5 −4 5 1 5 5 4 1 2 1 4 −1 1 = 1 0 0 6 con lo que resolver el sistema de relaciones de recurrencia indicado es equivalente a resolver el sistema de relaciones de recurrencia cn+1 dn+1 con = 1 0 0 6 1 4 −1 1 = cn dn cn dn an bn Obviamente = {cn } {dn } . 30β = 5 ⇒ β = α = −2 y. . la solución es an bn = −2 + 4 · 6n−1 2 + 6n−1 . α {1n } β {6n } con lo que an bn = 1 4 −1 1 α 6n β = α + 4 · 6n β −α + 6n β . en denitiva.

1 0 0 1 0 −3 1 2 es decir. los autovectores y la matriz de paso llegamos a:       5 1 −1 1 0 0 1 −2 1 2 1 1 6 6  −1 1 0   0 7 0   1 1 1  =  2 3 2  3 3 1 −1 2 1 0 0 1 0 −3 1 3 3 4 2 2 con lo que  n  5 2 1 1 6  2 3 2  =  −1 3 −1 3 3 4 2 1 6 1 3 1 2    −1 1 0 0 1 −2 1 0   0 7n 0   1 1 1  .Álgebra 7. Calcular la potencia n−ésima de la matriz   2 1 1 A =  2 3 2 .     n  5 1 −1 1 0 0 1 −2 1 2 1 1 6 6  2 3 2  =  − 1 1 0   0 7n 0   1 1 1  = 3 3 1 −2 1 1 0 0 1 0 −3 1 3 3 4 2  5 1 n  2 + 67 − 1 + 1 7n − 1 + 1 7n 6 6 6 6 6 1 =  − 3 + 1 7n 2 + 1 7n − 1 + 1 7n  . 3 3 3 3 3 1 − 2 + 1 7n − 1 + 1 7n 1 + 1 7n 2 2 2 2 2 . 3 3 4 341 Después de hallar los autovalores.

342 Álgebra .

vamos a establecer otro algoritmo que nos permita construir matrices semejantes. Recordemos cuales son: 343 .Apéndice A Nuevo método de triangulación por semejanza Motivado por el hecho de que la relación de semejanza constituye el mecanismo básico de transformación de los sistemas de ecuaciones diferenciales. que ya fueron introducidas en el capítulo 2. el procedimiento que vamos a discutir está basado en el uso de transformaciones elementales. Como es habitual en álgebra lineal.

se verica que A = PA y que la matriz P ∈ Mn (K) es invertible. si A − tf → A In −tf → P. en el sentido de la siguiente proposición.0.344 Álgebra Transformación Sumar a una columna un múltiplo de otra Multiplicar una columna por un número no nulo Intercambiar dos columnas Sumar a una la un múltiplo de otra Multiplicar una la por un número no nulo Intercambiar dos las Ejemplo 1 0 0 1 1 7 0 1 7 3 0 1 1 0 0 1 1 0 5 1 7 0 3 1 −− − − − − − − −→ c2 = c2 + 7c1 −− − − −→ c1 = 5c1 − ↔→ −− c1 − c2 5 7 0 1 3 7 1 0 1 0 7 1 1 7 0 1 −− − − − − − − −→ f2 = f2 + 7f1 −− − − −→ f1 = 7f1 −− − − −→ f1 ↔ f2 7 0 5 1 3 1 7 0 Según vimos en el capítulo 2 y en la práctica correspondiente. . se verica que A = AP y que la matriz P ∈ Mn (K) es invertible. cada trasformación elemental se corresponde con la operación de multiplicar por una cierta matriz invertible. Proposición A.1 Sea A ∈ Mn (K). donde tc denota una transformación elemental por columnas. donde tf denota una transformación elemental por las. Si A − tc → A In −tc → P. Análogamente.

. r In −→ Pr t t t−1 t−1            ⇒ A = (P1 · .  In −tf → P Para conseguir que A y B sean semejantes. sean la una inversa de la otra. . Observemos el siguiente esquema. · Pr )−1 A (P1 · . podemos concluir que en el supuesto de que t1 . basta conseguir que In − t c → t f → In . asumiremos el siguiente convenio de notación: si t denota a una trasformación elemental por columnas o por las. P y P . En la siguiente tabla asociamos a cada transformación por columnas su correspondiente transformación inversa por las: Columnas: tc ci = ci + λcj Filas: tf fj = fj − λfi 1 fi = fi λ fi ↔ fj ci = λci ci ↔ cj Para cerciorarse de que esta tabla está bien construida basta comprobar (A. A partir de este momento. Por ejemplo (ci = ci + λcj )−1 = (fj = fj − λfi ). .1). . . t−1 denotará a la correspondiente transformación inversa respectivamente por las o por columnas. . utilizado esta notación. donde tc representa una transformación elemental por columnas y tf por las:  A − tc → tf → B  In −tc → P =⇒ B = P AP. Finalmente. Ahora bien. (A. para que P = P−1 . . . · Pr ) . tr sean transformaciones por columnas: r 1 1 r A −→ · · · −→−→ · · · −→ A t1 In −→ P1 .Álgebra 345 Este resultado nos da la clave para establecer un mecanismo para construir matrices semejantes.1) ya que esto querría decir que In = P In P = P P. t . basta ajustar las transformaciones tc y tf para que sus correspondiente matrices. .

346 Para verlo basta tener en cuenta lo anterior y que Álgebra (P1 · . . que consiste básicamente en compensar cada transformación elemental por columnas con su correspondiente inversa por las o viceversa. a través del siguiente esquema podemos también obtener la matriz de paso: A In r 1 −→ · · · −→ A · P t1 tr −→ · · · −→ P t t 1 r −→ · · · −→ P−1 ·A · P P. · Pr )−1 A (P1 · . Ahora ya tenemos un mecanismo que nos permite construir matrices semejantes. . t luego. · Pr ) . como:  1  2  0 1  0 0 3 1 2 0 1 0  2 1  0  0 0  1 c2 = c2 − 3c1 c3 = c3 − 2c1   →    1 0 0  2 −5 −3  0 2 0  →  1 −3 −2  0 1 0  0 0 1  7 −11 −9 2 −5 −3  0 2 0 1 −3 −2 0 1 0 . . . si primero realizamos las transformaciónes por la y luego por columnas. r In −→ Pr            ⇒ A = (P1 · . . A = A . . 0 0 1  f1 = f1 + 3f2 → f1 = f1 + 2f3 tendremos que : . . Pero además. · P−1 . r 1 Asímismo. . . t−1 t−1 Por ejemplo. también obtenemos: t−1 t−1 t t r 1 r 1 A −→ · · · −→−→ · · · −→ A t1 In −→ P1 . . en particular. · Pr )−1 = P−1 · .

Para ello basta ver el procedimiento para añadir un nuevo eslabón a la cadena. Si ahora restamos λIn a la matriz Ti obtenemos: . · . 0 0 1 0 2 0 0 0 1 0 2 0 La demostración del siguiente teorema constituye un algoritmo que permite la obtención de la matriz triangular semejante a una matriz dada A ∈ Mn (C). existe una matriz semejante a ella T que es triangular. Puesto que trabajamos con coecientes complejos el polinomio característico PAn−i (X) = |An−i − XIn−i | tiene al menos una raíz. ··· .2 Si A es una matriz cuadrada de orden n con coecientes complejos. .. . Teorema A.0.  donde An−i es una matriz cuadrada de orden n − i y Ri×n−i es una matriz rectangular de orden i × (n − i) . a la que por conveniencia denotaremos con λ. Así pues supongamos que hemos construido la cadena hasta Ti . Demostración La demostración consiste en probar que se puede construir una cadena de matrices A = T0 → T1 → · · · → Tn = T.Álgebra 347  −1       1 −3 −2 1 3 2 1 −3 −2 7 −11 −9  0 1 0  · 2 1 1 · 0 1 0  =  2 −5 −3  .  0 λ1   . cada una semejante a la anterior (y en consecuencia todas ellas son semejantes entre sí) y de tal modo Ti es de la forma  i   T =  Ri×n−i An−i 0 λi . veamos cómo añadir el eslabón Ti+1 .

por tanto las correspondientes transformaciones inversas t−1 .    (A. tk que hemos empleado. k} si:   cr = cr + λcs cr = λcr .348 Álgebra    Ti − λIn =   An−i − λIn−i Ri×n−i λi − λ .  0 λ1 − λ     y. ··· . . tk (más adelante veremos un ejemplo) que aplicadas sobre An−i − λIn−i genera una matriz del tipo:  α11 · · ·  . 0 Por tanto. . las columnas de la submatriz An−i − λIn−i son linealmente dependientes. . ·  0 0 λ1 − λ     . s ≤ n − i. .2) . . según sabemos. . . . . t−1 únicamente afectan a las primeras n − i 1 2 k las ya que. . podemos colocar dicha columna al nal.. . únicamente afectan a las primeras n − i columnas. . Por tanto. . . ··· . ⇒ tj =  cr ↔ cs .  . αn−i1 · · ·  0 . ··· 0 .  . . como 1 ≤ r. . si aplicamos estas mismas transformaciones sobre la matriz Ti − λn−i In nos queda una matriz cuya forma es:      αn−i1 · · · 0     Ri×n−i α11 . . Luego sabemos determinar una serie de transformaciones elementales por columnas t1 . . Además mediante una permutación. puesto que |An−i − λIn−i | = 0. . t2 . t−1 . . · 0 .. . para cualquier j ∈ {1. t2 . . . . . . λi − λ . . es posible aplicar una serie de transformaciones elementales por columnas sobre la matriz An−i − λIn−i de tal modo que en la matriz resultante (una matriz gaussiana) aparecerá alguna columna nula. Las transformaciones t1 .

y en consecuencia P−1 · Ti · P = T + λn−i In .    . . . t−1 sobre 1 2 k la matriz (A. . αn−i. . es decir existe una matriz invertible P tal que T = P−1 · (Ti − λn−i In ) · P. ··· 0 .2).n−i . es decir α11 + λ . ·  0 0 λ1 − λ     . Esto quiere decir que el . en este momento tenemos que T es semejante a Ti − λn−i In . . . . . Observación 67 El método propuesto en la demostración no modica las la submatriz triangular obtenida hasta el momento. ··· . Pero entonces T = (P−1 · Ti · P) − λn−i (P−1 · In · P) = P−1 · Ti · P − λn−i In . rn.2)) Ahora bien. (Obsérvese que las transformaciones t−1 . . obtendremos una matriz T cuya forma es:      αn−i1 · · · 0 T =    Ri×n−i α11 . .  fr ↔ fs Esto quiere decir que si aplicamos las transformaciones t−1 . . s ≤ n − i. . λi − λ . . ··· .n−i−1 λ ri. t−1 . .  . t−1 no han podido alterar 1 2 k los ceros que aparecían en la columna n − i de la matriz (A.     P−1 · Ti · P =  αn−i1      ··· α1n−i−1 . · . . . . .n−i  0      0      λ1 ··· Ri×n−i−1 λi . .Álgebra 349 ⇒ t−1 j   fs = fs − λfr 1 fr = λ fr = con 1 ≤ r. t−1 . . . y esta matriz es precisamente Ti+1 ...

. . . .. por ser T y A semejantes sus polinomios característicos coinciden. Esto quiere decir que el autovalor de An−i utilizado necesariamente es un autovalor de A que no ha sido utilizado previamente. 0] . Ejemplo A. .350 Álgebra autovalor de An−i utilizado para aumentar el tamaño de la submatriz triangular permanece hasta el nal. an1 an2 · · · λ1 − X = (λ1 − X) · · · (λn−1 − X) (λn − X) .3 Triangular por semejanza y hallar la matriz de paso correspondiente a la matriz  −2 0 3 A =  3 −2 −9  −1 2 6  En primer lugar determinamos las raíces del polinomio característico de la matriz: −2 − X 0 3 3 −2 − X −9 −1 2 6−X = −X + 2X 2 − X 3 = (1 − X)2 (0 − X). Ahora bien. apareciendo en la diagonal principal de la matriz T.   . A continuación utilizamos el primero de ellos para construir T1 :           −2 0 3  3 −2 −9    −→ −1 2 6 −−   −I3   1 0 0     0 1 0  0 0 1  −3 0 3 3 −3 −9   −1 2 5   c =c +c 1 0 0  − 3− − 3− −1  −−−−→ 0 1 0  0 0 1 . . .0. y por ser T triangular:   λn − X 0 ··· 0  a21  λn−1 − X · · · 0   |T − XIn | =  = . . 1. Luego los autovalores A son [1. .

Álgebra 351           −3 0 0  3 −3 −6      −1 2 4  c3 = c3 − 2c2  1 0 1 −−−−−→  −−−−−   0 1 0  0 0 1  −2 −2 0 1 1 0 −1 2 0 1 0 1 0 1 −2 0 0 1  −3 0 0 3 −3 0 −1 2 0 1 0 1 0 1 −2 0 0 1  −1 1 −1 1 0 0 −2 2 2 0 1 0                  −− − − − −  − − − − −→ f1 = f1 − f3   f2 = f2 + 2f3        −→ −−   +I3        0 0 1 1 −2 1 Ahora para construir T2 nos quedan los autovalores [1. Utilicemos el primero:     −1 −2 0 −2 −2 0  1  1 2 0  1 0      −→  −1 2  − −  −1 2 1  0    c =c −c −I3   1  1 0 1  0 1  − 2− − 2− −1     −−−−→  0  0 1 −2  1 −2  0 0 1 0 0 1         −2 0 0 1 0 0 −1 3 0 1 −1 1 0 1 −2 0 0 1       −− − − −→ −−−−−   f1 = f1 + f2         0 0 0 1 1 0 −1 3 1 1 −1 1 0 1 −2 0 0 1 −1 1 −1 1 0 0     . 0] .    0 0 3 −1 1 0 0 0 0 1 −2 1           −−  −→ +I3     .

0 0 1 0 0 1 −1 3 1 . hemos acabado y hemos obtenido que:  −1     1 −1 1 1 −1 1 0 0 0  0 1 −2  · A ·  0 1 −2  =  1 1 0  .352 Álgebra Como T2 ya es triangular.

Ed. Demmel. A. Limusa (Noriega Editores).. John Wiley& Sons. Daniel.. Ed. H. Siam. Grossman. Algebra lineal aplicada. Bauldry. B.. Linear Algebra with Applications. Linear Algebra with Maple. Apostol. A First course with Applications to Dierential Equations. Fundamentos Matemáticos I: Álgebra y ecuaciones diferenciales con coecientes constantes. 1995. McGraw-Hill.. et al. Introducción al Álgebra lineal. Linear Algebra. 1989. Applied Numerical Linear Algebra. Criado. Addison Wesley. John Wiley& Sons. Nobel. et al. J. H. AddisonWesley. 1990.. 1994. W. Álgebra lineal.M. Prentice-Hall Hispanoamericana. E. R. J. Segunda edición... Cullen. T. G... 1997. 1996. S. Jacob. W. B. CLAGSA. [Cu] [D] [De] [G] [H] [J] [N] 353 .. Problemas de Álgebra. Centro de Estudios Ramón Areces S. 1997. Álgebra y Geometría. Hernandez. 1997. C. 1998. Ed. 1994. De la Villa. A..C. W.I. Freeman and Company. Linear Algebra.Bibliografía [A] [Ap] [B] [C] Anton. 1997.. W.