Apuntes AlgLin y Cuad

Algebra Lineal II y Cuadrtica
Diego Pal Huaraca S.
email: diego.21.phs@hotmail.com E.P.N 10 de Mayo 2009
Estudiante de Ingeniera Matematica
E.P.N.
ndice general
1. Espacio vectorial complejo 1.1. Matrices con elementos complejos . . . . . . . . . . . . . . 1.2. Tipos importantes de matrices . . . . . . . . . . . . . . . 1.3. Sistemas de ecuaciones lineales con coecientes complejos 1.4. Espacio vectorial eucldeo . . . . . . . . . . . . . . . . . . 1.4.1. Producto escalar eucldeo . . . . . . . . . . . . . . 1.4.2. Norma asociada a un producto escalar . . . . . . . 1.4.3. Ortogonalidad . . . . . . . . . . . . . . . . . . . . 1.4.4. Proceso de Gram-Schmidt . . . . . . . . . . . . . . 1.4.5. Subespacio ortogonal . . . . . . . . . . . . . . . . . 1.4.6. Proyeccin ortogonal . . . . . . . . . . . . . . . . . 1.4.7. ngulo entre vectores . . . . . . . . . . . . . . . . 1.5. Espacio vectorial complejo . . . . . . . . . . . . . . . . . . 1.6. Subespacio vectorial complejo . . . . . . . . . . . . . . . . 1.7. Espacio vectorial hermtico . . . . . . . . . . . . . . . . . 1.7.1. Producto escalar hermtico . . . . . . . . . . . . . 1.7.2. Desigualdad de Cauchy-Schwartz . . . . . . . . . . 1.7.3. Otras propiedades del producto hermitico . . . . . 1.8. Valores y Vectores Propios . . . . . . . . . . . . . . . . . . 1.9. Espacio Vectorial Producto . . . . . . . . . . . . . . . . . 1.10. Ejercicios Resueltos: . . . . . . . . . . . . . . . . . . . . . 1.11. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . 2. Espacio vectorial cociente 2.1. Relaciones binarias . . . . . . . . . . . . . . . . 2.2. Relacin de equivalencia . . . . . . . . . . . . . 2.2.1. Clases de equivalencia . . . . . . . . . . 2.2.2. Particin y equivalencia . . . . . . . . . 2.3. Conjunto cociente . . . . . . . . . . . . . . . . 2.4. Relacin de equivalencia en un espacio vectorial 2.5. Co - conjunto (coset) . . . . . . . . . . . . . 2.6. Espacio vectorial cociente . . . . . . . . . . . . 2.7. Ejercicios resueltos: . . . . . . . . . . . . . . . . 2.8. Ejercicios propuestos . . . . . . . . . . . . . . . 3. Espacio dual 3.1. Espacio dual de un espacio vectorial 3.2. Base dual . . . . . . . . . . . . . . . 3.3. Espacio bidual . . . . . . . . . . . . 3.4. Aniquiladores . . . . . . . . . . . . . 3.5. Ejercicios Resueltos . . . . . . . . . . 3.6. Ejercicios Propuestos . . . . . . . . . 4. Operaciones entre subespacios 4.1. Subespacio vectorial . . . . . 4.2. Condicin de existencia de un 4.3. Interseccin de subespacios . 4.4. Suma de subespacios . . . . . 4.5. Suma directa de subespacios . 4.6. Ejercicios Resueltos . . . . . . 4.7. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5 5 6 8 9 9 12 13 13 15 17 19 20 22 22 22 24 25 25 26 28 35 39 39 40 41 43 43 44 46 48 50 54 56 56 58 62 63 68 71 74 74 74 75 76 78 82 84
. . . . . . . subespacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Escuela Politcnica Nacional
3 86 86 88 90 91 92 93 95 96 97 102 103 104 104 106 107 109 111 113 117
5. Formas bilineales y formas cuadrticas 5.1. Formas bilineales . . . . . . . . . . . . . . . . . . . . . 5.2. Representacin matricial de formas bilineales . . . . . 5.3. Relacin de congruencia . . . . . . . . . . . . . . . . . 5.4. Rango de una forma bilineal . . . . . . . . . . . . . . . 5.5. Formas cuadrticas . . . . . . . . . . . . . . . . . . . . 5.6. Expresin matricial de una forma cuadrtica . . . . . 5.7. Matrices congruentes . . . . . . . . . . . . . . . . . . . 5.8. Diagonalizacin de formas cuadrticas . . . . . . . . . 5.8.1. Mtodos para diagonalizar formas cuadrticas . 5.9. Invariantes lineales de una forma cuadrtica . . . . . . 5.9.1. Ley de inercia de Sylvester . . . . . . . . . . . 5.9.2. Rango y signatura . . . . . . . . . . . . . . . . 5.9.3. Clasicacin de formas cuadrticas . . . . . . . 5.9.4. Criterio de Sylvester . . . . . . . . . . . . . . . 5.10. Formas sesquilineales . . . . . . . . . . . . . . . . . . . 5.11. Expresin matricial de una forma sesquilineal . . . . . 5.12. Formas hermticas . . . . . . . . . . . . . . . . . . . . 5.13. Ejercicios Resueltos: . . . . . . . . . . . . . . . . . . . 5.14. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
Prefacio
El presente libro est dedicado al estudio de los Espacios Vectoriales Eucldeos, Complejos, Hermticos, Cocientes y Duales as como tambin se realiza el estudio de las formas bilineales y sesquilineales, que son de gran inters en el estudio del lgebra Lineal y en las aplicaciones que se dan en la ingeniera, el presente libro est destinado a los estudiantes de las Facultades de Ciencias, y en especial para las carreras de Matemtica y Fsica. Todos lo temas tratados en el presente libro forman parte del Curso de Algebra Lineal II y Cuadrtica, que se dicta en la Facultad de Ciencias de la Escuela Politcnica Nacional. Es bueno advertir que el libro en su primera edicin no pretende ser completo en el sentido estricto topolgico y matemtico en general. Ms bien est concebido como una especie de guia para el curso (aunque en realidad es bastante ms que eso) donde aparecen todas las deniciones y las demostraciones de los teoremas ms importantes que un profesor necesitara para el desarrollo de la clase. Los huecos, las lagunas, se reeren principalmente a lo que llamaramos motivaciones, introducciones histricas, razonamientos plausibles, uso de guras y mayor abundancia de ejemplos y ejercicios.
Diego Pal Huaraca S.
1
Espacio vectorial complejo
La mayor parte de los temas tratados en este captulo ya han sido tratados en el curso de Algebra Lineal I visto como espacios vectoriales reales, en este captulo haremos una extensin de dichos temas a los espacios vectoriales complejos, comenzaremos haciendo una breve revisin de los tipos de matrices complejas as como la resolucin de sistemas lineales complejos para luego adentrarnos en el estudio de los espacios vectoriales complejos.
1.1.
Matrices con elementos complejos
Denicin 1.1. Se dice que una matriz A = (ajk )nm es compleja si sus entradas son nmeros complejos, de modo que podemos realizar operaciones de adicin y sustraccin entre matrices, y multiplicacin y divisin por un escalar K {R, C}, de manera anloga al caso de las matrices reales. Observacin 1.1. Al conjunto de las matrices complejas se las denota como: M(C) = {A = (ajk )nm / ajk C} Ejemplos: Sean: A= 2+i 3 + 2i 1 + 2i 2i ; B= 2i 1 2i 3 4i 2 + 3i 2 2i 2 + i 4 + 6i 2 5i
a) A + B =
(2 + i) + (2 i) (3 + 2i) + (1 2i) (2 + i) (2 i) (3 + 2i) (1 2i)
(1 + 2i) + (3 4i) 4 = (2i) + (2 + 3i) 4
b) A B = c) AB =
(1 + 2i) (3 4i) 2i = (2i) (2 + 3i) 2 + 4i 3 4i 8 + 4i = 2 + 3i 4i
2+i 3 + 2i
1 + 2i 2i . 2i 1 2i
6 12i 23 2i 8 + i 6 4i
d) (2 + 3i)A =
(2 + 3i).(2 + i) (2 + 3i).(3 + 2i)
(2 + 3i).(1 + 2i) 1 + 8i = (2 + 3i).(2i) 13i
Facultad de Ciencias
1.2.
Tipos importantes de matrices

Denicin 1.2. Sea A M(C)nm . Decimos que su conjugada es la matriz A M(C)nm , tal que A = (ajk )nm es decir, asignamos a A el conjugado de cada elemento de la matriz original A.
a) Matriz Conjugada
Ejemplo: Dada la matriz A= por tanto, su matriz hermitiana es: A= 2+i 3 2i
2i 3 + 2i
1 + 3i 2i 1 3i 2i
Propiedades: Sean A, B M(C)mn , y C M(C)nk , entonces: A + B = A + B. AC = A C. Para cualquier nmero real k, kA = k A. (A)T = AT . A = A.
Para cualquier nmero complejo c, cA = c A. Si A es no singular, entonces (A)1 = A1 . Demostracin: Probemos la segunda propiedad: Consideremos la suma A + B = (aij + bij ) a su vez el conjugado de esta suma ser A + B = (aij + bij ) sabemos de las propiedades de C que aij + bij = aij + bij As que A + B = (aij + bij ) = (ai j + bij ) Pero esto ltimo es lo mismo que A + B, de modo que A+B =A+B
La sexta propiedad se demuestra similarmente; consideremos cualquier matriz A M(C)nm , su matriz conjugada ser A = (aij )nm = (aij )nm y su matriz conjugada transpuesta ser: A = (aji )mn Por otra parte, la transpuesta de A ser AT = (aji )mn y su transpuesta conjugada es : AT = (aji )mn como vemos A = AT .
T T
b) Matriz Hermitiana Denicin 1.3. Una matriz compleja A de n n se dice hermitiana si: AT = A, es decir ajk = ajk para k = 1, 2, . . . , n j = 1, 2, . . . , n
Observacin 1.2. Toda matriz simtrica real es hermitiana, por tanto podemos considerar a las matrices hermitianas como anlogas de las matrices simtricas reales. Ejemplo: La matriz A= es hermitiana, pues AT = 3 2i 2+i 3 = 4 2+i 2i =A 4 3 2+i 2i 4
Propiedades: Los trminos de la diagonal de una matriz hermitiana son reales
Toda matriz hermitiana A puede escribirse en la forma A = B + iC, donde B es una matriz simtrica (B = B T ) y C es una matriz antisimtrica (C = C T ) Notacin: A = AT ; A es hermitiana si A = A
c) Matriz Unitaria
8 Denicin 1.4. Una matriz compleja A de n n se dice unitaria si: (AT )A = A(AT ) = In . es decir A es unitaria cuando AT = A1 .
Observacin 1.3. Toda matriz ortogonal real es unitaria, por tanto podemos considerar las matrices unitarias como anlogas de las matrices ortogonales reales. Ejemplo: La matriz
1 3 1i 3 1+i 3 1 3 1 3 1i 3 1+i 3 1 3
es unitaria, pues (AT )A =

1 3 1i 3 1+i 3 1 3
= I2
d) Matriz Normal Denicin 1.5. Una matriz compleja A de n n se dice normal si: (AT )A = A(AT ) Ejemplo: La matriz A= es normal, pues (AT )A = A(AT ) = 28 8 8i 8 + 8i 12 5i 1 i 1 + i 3i
Observaciones: Si A es hermitiana, entonces A es normal. Si A es unitaria, entonces A es normal.
1.3.
Sistemas de ecuaciones lineales con coecientes complejos

Resolucin de sistemas lineales
Consideremos el sistema Ax = b con A M(C)mn , x Cn y b Cn . Las tcnicas de resolucin de sistemas lineales de ecuaciones con coecientes reales se traneren de manera directa a los sistemas lineales de ecuaciones con coecientes complejos, para esto, basta
hacer uso de aritmtica compleja. Las alternativas de resolucin de sistemas complejos al igual que los sistemas reales son: Operaciones por las y las formas escalonadas para tales sistemas por medio de la reduccin de GaussJordan. Ejemplo: Resolver el siguiente sistema lineal mediante una reduccin de Gauss-Jordan: (1 + i)x1 + (2 + i)x2 = 5 (2 2i)x1 + ix2 = 1 + 2i Primero formemos la matriz aumentada 1+i 2 2i multiplicamos la primera la por 2+i i | | 5 1 + 2i
1 , para obtener 1+i 1 2 2i 1 0

3 2 3 2
1i 2 i
| | | |
5 2
5 2
5i 2 1 + 2i
ahora sumamos (2 2i) veces la primera la a la segunda, para obtener 1i 2 2 + 5i 5i 2 1 + 12i
multiplicamos la segunda la por
1 , para obtener 2 + 5i 1 0
3 2
1i 2 1
| |
5 2
5 2i 2i
3 1 nalmente sumamos ( i) veces la segunda la a la primera, para obtener 2 2 1 0 0 1 | | y 0 2i x2 = 2 i.
Por lo tanto la solucin del sistema es: x1 = 0
1.4.
1.4.1.
Espacio vectorial eucldeo

Producto escalar eucldeo
Denicin 1.6. Un producto escalar en un espacio vectorial E sobre R, es una forma bilineal simtrica y denida positiva.1 f :EE R denido por f (x, y) = x, y , 2 que verica las siguientes propiedades:
1 Ver 2 La
x, y E
Captulo de formas bilineales y formas cuadrticas. expresin x, y se denomina producto escalar de x y y.
10 1. Bilineal: Para cualesquiera x, y, z E y , R, ha de cumplirse x + y z = x, z + y, z x y + z = x, y + x, z 2. Simetra: Para cualesquiera x, y E, se tendr x, y = y, x 3. Denida positiva: Para cualquier x E no nulo x, x > 0
Denicin 1.7. Al par (E, , ), formado por un espacio vectorial junto con un producto escalar se le denomina espacio vectorial eucldeo. Proposicin 1.1. En un espacio vectorial eucldeo (E, , ) se verican las siguientes propiedades: 1. x, 0 = 0, para cualquier vector x E. 2. x, x = 0, si y slo si x = 0. De hecho si x = 0, entonces x, x > 0. Ejemplos: 1. El producto escalar usual (cannico o eucldeo) en Rn . Dados (x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) Rn se dene el siguiente producto escalar en Rn : (x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) = x1 y1 + x2 y2 + . . . + xn yx
2. He aqu un ejemplo de un producto escalar (distinto del eucldeo) denido en R3 . (x1 , x2 , x3 ), (y1 , y2 , y3 ) = x1 y1 + 5x2 y2 + 2x3 y3
3. En R3 con el producto escalar eucldeo obtenemos (2, 1, 3), (5, 2, 4) = 2,5 + 1,2 + (3),4 = 10 + 2 12 = 0 y con el producto del literal 2. obtenemos (2, 1, 3), (5, 2, 4) = 2,5 + 5,5,1 + 2.(3)4 = 10 + 10 24 = 4 Una forma de caracterizar a un producto escalar es la siguiente Proposicin 1.2. Sea , : E E R una aplicacin bilineal, con E un espacio vectorial real, y sea B = {e1 , e2 , . . . , en } una base de E. Entonces , es un producto escalar si y slo si la matriz e1 , e1 e1 , e2 . . . e1 , en e2 , e1 e2 , e2 . . . e2 , en A= . . . .. . . . . . . . en , e1 en , e2 ... en , en
es simtrica y denida positiva (esto ltimo signica que los menores principales de la matriz sean todos positivos). Ejemplos: Determinar si las siguientes aplicaciones bilineales son o no productos escalares.
11
1. (x1 , x2 ), (y1 , y2 ) = 2x1 y1 + 2x1 y2 + 2x2 y2 en R2 . Como la matriz que se obtiene tomando la base cannica de R2 es A= (1, 0), (1, 0) (0, 1), (1, 0) (1, 0), (0, 1) (0, 1), (0, 1) = 2 0 2 2
y sta matriz no es simtrica, se tiene que no es un producto escalar. 2. (x1 , x2 ), (y1 , y2 ) = x1 y1 + x1 y2 + x2 y1 + x2 y2 en R2 . La matriz que se obtiene tomando la base cannica de R2 es A= 1 1 1 1
por lo que sta es simtrica. Los determinantes principales valen det A1 = 1 y det A = 0, luego no es denida positiva. As no es un producto escalar. 3. (x1 , x2 , x3 ), (y1 , y2 , y3 ) = x1 y1 + 2x1 y2 + 2x2 y1 x2 y3 x3 y2 + 5x2 y2 en R3 . Tomando la base cannica de R3 , obtenemos la matriz 1 2 0 5 1 A= 2 0 1 0 y sta es simtrica. Los menores principales son: A1 = 1 > 0 A2 = det 1 A3 = det 2 0 1 2 2 5 =1>0
2 0 5 1 1 0
= 1 < 0
luego no es denida positiva. As no es un producto escalar. 4. (x1 , x2 ), (y1 , y2 ) = 4x1 y1 + 2x2 y2 2x1 y2 2x2 y1 en R2 . A partir de la base cannica de R2 se obtiene la matriz A= que es simtrica. Los menores principales son A1 = 4 > 0 A2 = 4 2 2 2 =4>0 4 2 2 2
luego es denida positiva. As la aplicacin bilineal es un producto escalar.
12
1.4.2.
Norma asociada a un producto escalar
Sea (E, , ) un espacio vectorial eucldeo. Se denomina norma asociada al producto escalar anterior a la aplicacin : E R+ denida por x = que cumple: 1. x = 0 si y slo si x = 0. 2. x = || x , para todo R o C. 3. x + y x + y (desigualdad triangular). A este valor lo llamaremos norma (mdulo o longitud) del vector x. Se llama espacio vectorial normado a un espacio vectorial dotado de una norma. Observacin 1.4. La norma asociada al producto escalar eucldeo de Rn est dada para un vector (x1 , x2 , . . . , xn ) Rn por (x1 , x2 , . . . , xn ) = x2 + x2 + . . . + x2 n 1 2 la llamaremos norma eucldea. Se dice que un vector es unitario cuando tiene norma 1. A partir de cualquier vector no nulo siempre puede construirse un vector unitario dividiendo el vector para su norma. Ejemplos: 1. Con el producto escalar usual en R3 , la norma del vector x = (2, 3, 0) es igual a: x = (2, 3, 0) = 22 + (3)2 + 02 = 4 + 9 + 0 = 13. Entonces el vector x = x 2 3 , , 0 13 13 x, x
es unitario, pues x x = 2 3 , , 0 13 13 = 2 3 ( )2 + ( )2 + 02 = 13 13 4 9 + +0= 13 13 13 = 1 = 1. 13
2. Utilizando la norma asociada al producto escalar en R2 dado mediante la expresin (x1 , x2 ), (y1 , y2 ) = 4x1 y1 + 2x2 y2 2x1 y2 2x2 y1 la norma del vector x = (2, 1) es x = (2, 1) = (2, 1), (2, 1) = 4,2,2 + 2,1,1 + 2,2,1 2,1,2 = 5. 10
mientras que la norma eucldea del mismo vector es (2, 1) = (2, 1), (2, 1) = 22 + 12 =
13
1.4.3.
Ortogonalidad
Se dice que dos vectores x y y de un espacio vectorial eucldeo E son ortogonales (o perpendiculares) cuando x, y = 0, x, y E. Un sistema de vectores se dice que es un sistema ortogonal de vectores cuando los vectores son ortogonales dos a dos. Si adems todos los vectores son unitarios entonces se dir que el sistema es ortonormal. Una base de un espacio vectorial eucldeo E que adems es un sistema ortogonal (respectivamente ortonormal) de vectores se llamar base ortogonal de E (respectivamente base ortonormal). La base cannica de Rn es siempre una base ortonormal de este espacio vectorial, si estamos considerando el producto escalar eucldeo de Rn . Proposicin 1.3. En un espacio vectorial eucldeo se verican las siguientes propiedades: 1. El vector 0 es ortogonal a todos los vectores. 2. Un sistema ortogonal de vectores no nulos es un sistema linealmente independientes de vectores. En consecuencia un sistema ortonormal de vectores es un sistema linealmente independientes de vectores. 3. Si tenemos una base ortonormal podemos multiplicar cada vector por un escalar no nulo que el resultado sigue siendo una base ortonormal. 4. Si en una base ortogonal de un espacio vectorial eucldeo de E dividimos cada vector por su norma, entonces el sistema resultante de vectores es una base ortonormal de E.
1.4.4.
Proceso de Gram-Schmidt
El proceso de Gram-Schmidt para calcular una base ortonormal T = {w1 , w2 , . . . . . . , wm } para un subespacio no nulo W de Rn , dada una base S = {u1 , u2 , . . . . . . , um } para W , es como sigue. Paso 1. Haga v1 = u1 . Paso 2. Calcule los vectores v2 , v3 , . . . . . . , vm de manera sucesiva, uno a la vez, por medio de la frmula vi = ui ui .v1 v1 .v1 v1 ui .v2 v2 .v2 v2 ui .vi1 vi1 .vi1 vi1
El conjunto de vectores T = {v1 , v2 , . . . . . . , vm } es un conjunto ortogonal. Paso 3. Haga wi = 1 vi vi (1 i m).
Entonces T = {w1 , w2 , . . . . . . , wm } es una base ortonormal para W . Proyeccin de un vector sobre la recta generada por otro vector
14
proyU V
proyv u = .v = Ejemplos:
u, v v v, v
1. Con el producto escalar usual hallar una base ortonormal de R3 a partir de la base (1, 1, 1), (2, 1, 0), (1, 0, 0)
v1 v2 v3
En primer lugar pongamos w1 = v1 = (1, 1, 1) Ahora ponemos w2 = v2 De modo que obtenemos que w2 = (2, 1, 0) (1, 1, 1) = (1, 0, 1) Finalmente necesitamos hallar un vector w3 = v3 Entonces v3 , w2 v3 , w1 w1 w2 w1 , w1 w2 , w2 v2 , w1 w1 w1 , w1
1 1 1 w3 = (1, 0, 0) (1, 1, 1) (1, 0, 1) = (1, 2, 1) 3 2 6 1 1 1 {(1, 1, 1), (1, 0, 1), ( , , )} 6 3 6
As hemos obtenido una base ortogonal3 de R3 :
Como lo que se peda era una base ortonormal es suciente con dividir cada uno de estos vectores por su norma, y obtenemos la base 1 1 1 { , , 3 3 3 , 1 1 , 0, 2 2 , 1 2 1 , , } 6 2 6
2. Utilizando el producto escalar en R2 dado mediante la expresin (x1 , x2 ), (y1 , y2 ) = 4x1 y1 + 2x2 y2 2x1 y2 2x2 y1 hallemos una base ortonormal a partir de la base {(1, 0), (0, 1)}
3 Utilizamos
el proceso de Gram-Schmidt, para obtener una base ortogonal.
15
Tomamos w1 = (1, 0) Ahora consideramos w2 = (0, 1) De este modo obtenemos que 1 w2 = (0, 1) + (1, 0) = 2 As hemos obtenido una base ortogonal de R2 : {(1, 0), 1 ,1 } 2 1 ,1 2 (0, 1), (1, 0) (1, 0) (1, 0), (1, 0)
Como lo que se peda era una base ortonormal es suciente con dividir cada uno de estos vectores por su norma y se tiene que (1, 0) = y adems 1 ,1 2 = 1 1 1 1 4. . + 2,1,1 2. ,1 2,1. = 1 = 1 2 2 2 2 4,1,1 = 2
Finalmente obtenemos la base ortonormal de R2 (con el producto escalar establecido inicialmente): 1 1 ,0 , ,1 2 2
1.4.5.
Subespacio ortogonal
Proposicin 1.4. Sea E un espacio vectorial eucldeo y S un subespacio de E. Entonces el conjunto de los vectores de E que son ortogonales a todos los vectores de S es un espacio vectorial E, llamado el subespacio ortogonal de E, y ser denotado por S . Es decir, tenemos que S = {x E / x, y = 0, y S}. Observacin 1.5. Adems se tiene que E = S S es suma directa. Por tanto dim S + dim S = dim(S + S ). En las condiciones anteriores, conocida una base de S, se cumple que un vector x E es ortogonal a todos los vectores de S si y slo si es ortogonal a todos los vectores de dicha base. A partir de ah puede obtenerse ms o menos sencillamente S . Vemoslo en el caso ms sencillo en que E = Rn . Un vector (x1 , x2 , . . . , xn ) Rn pertenece a S si y slo si es ortogonal a todos los vectores de la base B = {(a1 1 , a1 2 , . . . , a1 n ), (a2 1 , a2 2 , . . . , a2 n ), . . . , (ak 1 , ak 2 , . . . , ak n )}
16
de S, es decir, si y slo si se cumplen las siguientes ecuaciones (que sern las ecuaciones implcitas de S ). (a1 1 , a1 2 , . . . , a1 n ), (x1 , x2 , . . . , xn ) (a21 , a22 , . . . , a2n ), (x1 , x2 , . . . , xn ) . . . . . . (ak 1 , ak 2 , . . . , ak n ), (x1 , x2 , . . . , xn ) = = 0 0 . . . 0
que dependern del producto escalar con el que estemos. En el caso del producto escalar eucldeo las ecuaciones de S quedarn as: a11 x1 + a12 x2 + . . . + a1n xn a21 x1 + a22 x2 + . . . + a2n xn . . . . . . ak1 x1 + ak2 k2 + . . . + akn xn = = 0 0 . . . 0
En el caso del producto escalar eucldeo, de modo simtrico puede obtenerse que si el subespacio inicial est dado por ecuaciones implcitas entonces el subespacio ortogonal tiene como sistema generador las las de la matriz de coecientes del sistema anterior. Ejemplos: 1. Supongamos que tenemos el subespacio de R4 siguiente: S = (1, 2, 0, 3), (3, 0, 2, 0) Entonces, respecto al producto escalar eucldeo tenemos que S tiene por ecuaciones implcitas x 2y + 3t = 0 3x + 2z = 0 2. Supongamos que tenemos el subespacio de R3 siguiente S = {(x, y, z) / x + 2y z = 0} Entonces, respecto al producto escalar eucldeo tenemos que S = (1, 2, 2) 3. Supongamos que tenemos el subespacio de R3 siguiente S = (1, 3, 2), (1, 0, 3) Entonces, respecto al producto escalar siguiente (x1 , x2 , x3 ), (y1 , y2 , y3 ) = x1 y1 + 2x2 y2 + 4x3 y3 tenemos que S tiene por ecuaciones implcitas (x1 , x2 , x3 ), (1, 3, 2) = 0 (x1 , x2 , x3 ), (1, 0, 3) = 0 es decir x + 6y 8z = 0 x + 12z = 0
17
1.4.6.
Proyeccin ortogonal
Sea S un subespacio de un espacio vectorial eucldeo E. Debido a que E se descompone como suma directa de S y su ortogonal S , todo vector del espacio puede ponerse de modo nico como suma de un vector de S y otro de S . Sea x E y supongamos que tenemos x = x1 + x2 con x1 S y x2 S .
Entonces a x1 lo llamaremos proyeccin ortogonal de x sobre S. Adems, este vector cumple que x x1 S y es el nico de todos los vectores de S que cumple esta propiedad, es decir, si y S cumple que x y S entonces y = x1 (la proyeccin ortogonal de x sobre S). Veamos a continuacin un mtodo para hallar la proyeccin ortogonal de un vector sobre un subespacio. Sea x E y adems
dim S dim E B = {w1 , w2 , . . . , wn }
Supongamos que tenemos una base ortogonal
de S. (siempre es posible hallar a partir de una base cualquiera mediante el mtodo de Gram Schmidt). Entonces x = x1 + x2 donde x1 es la proyeccin ortogonal de x sobre S y x2 S . Entonces si x1 se escribe como combinacin lineal de vectores linealmente independientes x1 = 1 w1 + 2 w2 + . . . + n wn Si multiplicamos escalarmente x por wi , a partir de la igualdad x = x1 + x2 obtenemos que x.wi = x1 .wi + x2 .wi = 1 w1 .wi + 2 w2 .wi + . . . + n wn .wi = i wi .wi ahora observemos que x2 , wi = 0, ya que x2 S y wi S; igualmente wj , wi = 0 si i = j, ya que son vectores de una base ortogonal. De aqu despejamos el valor del escalar i = x, wi , wi , wi i = 1, 2, . . . , n
18
Entonces tenemos determinado x1 , la proyeccin ortogonal de x sobre S, sustituyendo el valor de cada i , es decir x1 = 1 w1 + 2 w2 + . . . + n wn = x, w1 x, w2 x, wn w1 + w2 + . . . + wn . w1 , w1 w2 , w2 wn , wn
Si la base B es adems ortonormal entonces para cada i = 1, 2, . . . , n se tiene que wi , wi = wi

2
=1
con lo que la frmula de los escalares queda ms sencillamente as: i = x, wi y por tanto x1 = 1 w1 + 2 w2 + . . . + n wn = x, w1 w1 + x, w2 w2 + . . . + x, wn wn .
Proposicin 1.5. Hemos elegido una base ortogonal u ortonormal para que el clculo necesario para hallar los escalares i sea lo ms sencillo posible. Pero previo a esto probablemente sea necesario hallar esta base ortogonal u ortonormal, lo cual requiere tambin operaciones. Es posible inicialmente coger una base cualquiera de S (no necesariamente ortogonal ni ortonormal) y realizar, como hemos hecho anteriormente, los productos escalares de un modo similar al anterior. La diferencia est en que ahora no podemos despejar directamente los valores de i que ahora resultaran, pues su valor se hallar resolviendo el sistema de ecuaciones que aparece; ya que stos sern las incgnitas de este sistema. Tambin es cierto que de esta manera nos ahorramos aplicar el mtodo de Gram - Schmidt a la hora de hallar la base ortogonal. As que puede elegirse la base de la forma que cada cual considere oportuna. Ejemplo: 1. Consideremos el espacio vectorial E = R4 con el producto escalar usual, y el subespacio vectorial S = gen{(1, 0, 0, 1), (1, 1, 2, 1)} y el vector x = (0, 1, 3, 0) Hallar la proyeccin ortogonal de x sobre S. Sabemos que x = x1 + x2 , donde En este caso x1 es la proyeccin ortogonal de x sobre S. y x1 S, x2 S
Tenemos que hallar una base de S. Pero en este caso es inmediato que los vectores y1 = (1, 0, 0, 1) nos sirven como base de S. Entonces sabemos que x1 = 1 y1 + 2 y2 Pues bien si multiplicamos escalarmente x con cada uno de estos vectores obtenemos por un lado que x, y1 = (x1 + x2 ).y1 = x1 , y1 + x2 , y1 = (1 y1 + 2 y2 ).y1 + 0 = 1 y1 , y1 + 2 y2 , y1 y2 = (1, 1, 2, 1)
19
de donde, calculando los productos escalares x, y1 = (0, 1, 3, 0), (1, 0, 0, 1) = 0 y1 , y1 = (1, 0, 0, 1), (1, 0, 0, 1) = 2 y adems de donde deducimos que y por otra parte x, y2 = (x1 + x2 ).y2 = x1 , y2 + x2 , y2 = (1 y1 + 2 y2 ).y2 + 0 = 1 y1 , y2 + 2 y2 , y2 de donde hallando ahora los productos x, y2 = (0, 1, 3, 0), (1, 1, 2, 1) = 5 y tambin y deducimos que y1 , y2 = (1, 0, 0, 1), (1, 1, 2, 1) = 2 y2 , y2 = (1, 1, 2, 1), (1, 1, 2, 1) = 7 21 + 72 = 5 Entonces resolviendo el sistema 21 + 22 = 0 21 + 72 = 5 1 = 1 2 = 1 y2 , y1 = (1, 1, 2, 1), (1, 0, 0, 1) = 2 21 + 22 = 0
As, la proyeccin ortogonal del vector x sobre el subespacio S es x1 = 1.(1, 0, 0, 1) + 1.(1, 1, 2, 1) = (0, 1, 2, 0) Otra forma de hacerlo sera a partir de una base ortogonal de S. Utilizando el mtodo de Gram - Schmidt.
1.4.7.
ngulo entre vectores
Denicin 1.8. Sea E un espacio eucldeo. Dados dos vectores no nulos x, y E, denimos el ngulo que forman como el valor [0, ] vericando: cos = Por la desigualdad de Schwartz 1 Con esta denicin de ngulo se verica: x, y = x . y cos Ejemplo: x, y 1 x . y x, y x . y
Por tanto en el intervlo [0, ] slo existe un ngulo cuyo coseno sea el anterior.
20 1. Si u = (2, 4) y v = (1, 2) entonces u, v = (2)(1) + (4)(2) = 6 Adems u = y v = De aqu que cos = (1)2 + 22 = 22 + 42 = 20 5
6 = 0,6 20 5
Podemos obtener una aproximacin al ngulo por medio de una calculadora o con la ayuda de una tabla de cosenos; en cualquier caso, encontraremos que es aproximadamente 0,93 radianes.
1.5.
Espacio vectorial complejo
Denicin 1.9. Un espacio vectorial complejo se dene exactamente como un espacio vectorial real, es decir, es una terna formada por un conjunto E y dos operaciones y que satisfacen las siguientes propiedades: 1. Si u y v son elementos de E, entonces u + v est en E. 2. u v = v u, para todo u, v E. 3. u (v w) = (u v) w para todo u, v, w E. 4. Existe un elemento 0 en E, tal que u 0 = 0 u = u, para todo u E. 5. Para todo u E, existe un elemento u E tal que u u = 0. 6. Si u es elemento de E y C, entonces u est en E. 7. (u + v) = u v, para todo u, v E y C. 8. ( + ) u = u u, para todo u E y , C. 9. ( u) = () u, para todo u E y , C. 10. Existe un elemento 1 E, tal que 1 u = u, para todo u E. Observacin 1.6. Casi todos los espacios vectoriales reales, tienen sus equivalentes espacios vectoriales complejos. Notacin: representa el conjunto de vectores de E, en el espacio vectorial complejo. Ejemplo: 1. Consideremos Cn el conjunto de todas las matrices n 1.
z1
(cerrado bajo la suma.)
(cerrado bajo el producto.)
(E, C, , )
z2 Cn = { . / zk C, . .
zn
k = 1, 2, . . . , n}
21
con entradas complejas. Sean la suma matricial, y la operacin la multiplicacin de una matriz por un nmero complejo. Podemos vericar que si z1 z2 . . . zn w1 w2 . . . wn = z1 + w1 z2 + w2 . . . zn + wn
y adems
z1 z2 . . . zn
z1 z2 . . . zn
tenemos que Cn es un espacio vectorial complejo mediante las operaciones de matrices antes estudiadas y las propiedades de la aritmtica compleja, adems Cn tiene dimensin n.
2. Sea C[a, b], el conjunto de funciones con valores complejos, continuas en el intervalo [a, b], es decir todas las funciones de la forma f (t) = f1 (t) + if2 (t) donde f1 (t) y f2 (t) son funciones con valores reales, continuas en [a, b], con la operacin denida como (f g)(t) = f (t) + g(t) y la operacin denida como para cualquier nmero complejo . Forma un espacio vectorial complejo. 3. El espacio vectorial de los polinomios con coecientes complejos. PC [t] = C[t] = {p(t) = a0 + a1 t + . . . + ak tk / ak C} con la suma de polinomios como y la multiplicacin de un polinomio por un nmero complejo como , forma un espacio vectorial complejo. ( f )(t) = f (t)
Observacin: (C, R, , ) es un espacio vectorial real de dimensin 2 y su base es: B = {1, i}
22
1.6.
Subespacio vectorial complejo
Denicin 1.10. Sea E un espacio vectorial complejo y S un subconjunto no vaco de E. Si S es un espacio vectorial con respecto a las operaciones de E, entonces S es un subespacio vectorial complejo de E. Teorema 1.1. Sea E un espacio vectorial complejo con las operaciones y , sea S un subconjunto no vaco de E. Entonces S es un subespacio vectorial complejo de E si y slo si se cumplen las condiciones siguientes: a) Si u, v S, entonces u v S. b) Si C y u S, entonces u S. Ejemplo: 1. Sea S el conjunto de vectores en C3 de la forma (a, 0, b), donde a y b son nmeros complejos. Por tanto pertenece a S, y para cualquier C pertenece a S. Por tanto, S es un subespacio vectorial complejo de C3 . 2. Sea S el conjunto de todos los vectores en Mnn con entradas exclusivamente. Si A = (aij ) pertenecen a S, entonces tambin A B = (aij + bij ) pues akj y bkj son reales, su suma tambin es real. Sin embargo si C y A pertenece a S, entonces A = A puede tener entradas akj que no necesariamente son nmeros reales. A partir de esto podemos concluir que A no pertenece necesariamente a S, de modo que S no es un subespacio vectorial complejo. y B = (bij ) (a, 0, b) (c, 0, d) = (a + c, 0, b + d) (a, 0, b) = (a, 0b)
1.7.
1.7.1.
Espacio vectorial hermtico

Producto escalar hermtico
Denicin 1.11. Un producto escalar hermtico en un espacio vectorial complejo E, es una forma sesquilineal hermtica f :EE C denida por que cumple: x, y, z E, C. f (x, y) = x, y x, y E
23
i) x + y, z ii) x, y iii) x, y iv) x, x
= x, z + y, z
= x, y = y, x 0
Observaciones: (i) y (ii) denen la linealidad a la izquierda. (iii) simtria hermitica. Si se tiene simetra hermitica x, x = x, x x, x es real
Denicin 1.12. Sea E un espacio vectorial complejo dotado de un producto escalar hermitico4 , entonces se dice que E es un espacio vectorial hermitico. Ejemplos: 1. En Cn , el producto hermitiano se dene como:
n
x, y =
i=1
xi yi ,
donde x = (x1 , x2 , . . . , xn )
y = (y1 , y2 , . . . , yn )
2. Para el conjunto de las funciones continuas: F ([a, b], C) = {f : [a, b] R C,

b
f es continua.}
f, g =
a
f (t).g(t)dt.
3. En Mmn (C) A, B = tr( B . A ) =

nm mn nn
aij bij
i=1 j=1
4. En Cn , si A es una matriz hermitiana (A = AT ), tal que xT Ax > 0, x Cn {0}. Entonces x, y = xT Ay es el producto escalar complejo de Cn Los ejemplos anteriores son productos escalares hermitcos, los mismos que va a ser tratados en este captulo, ahora veamos ejemplos nmericos de dichos productos. Ejemplo:
4 En algunos textos de lgebra Lineal al espacio vectorial hermtico tambin se lo llama espacio vectorial hermitiano.
24 1. Sea [a, b] = [0, 1], f (t) = t2 + iet y g(t) = t + 2i, calcule f, g

1
f, g
=
0 1
(t2 + iet )(t + 2i)dt (t2 + iet )(t 2i)dt (t3 + 2et )dt + i
0 1
=
0 1
=
0
(tet 2t2 )dt
2 1 + 2e i 4 3 6 2i 2i v= 1 + i
2. Sea
entonces u, v
1+i u= 2i 3+i
= (1 + i)(6 + 2i) + (2 i)(2i) + (3 + i)(1 i) = 0 de modo que u y v son ortogonales. Adems, u = = = = u, u ut u (1 + i)(1 i) + (2 i)(2 + i) + (3 + i)(3 i) 17
= uT v = (1 + i)(6 2i) + (2 i)(2i) + (3 + i)(1 + i)
1.7.2.
Desigualdad de Cauchy-Schwartz
Una las desigualdades ms utilizadas e importantes en lgebra Lineal y Anlisis Matemtico, sin duda es Cauchy - Schwartz, la misma que establece que x, y E 2 2 | x, y |2 x y Demostracin: Sea y = 0 y consideremos 0 x x, y ty = x x, y ty, x x, y ty 0 x si se sigue que 0 x, x x, x, y ty x, y ty, x, y ty
2
x, y x, y t x, y y, x t + x, y x, y y, y t2 0 x
2
2| x, y |2 t + | x, y |2 y
2
2 2
4| x, y | 4 x
| x, y |2 y
2
| x, y |2 x
25
1.7.3.
Otras propiedades del producto hermitico
Teorema de Pitgoras Sean x, y E tal que x, y = 0 RECPROCO x+y

2
= x
2
x+y
= x
+ y
2
+ 2Re( x, y ) + y
Re( x, y ) = 0 El recproco no siempre se cumple. Identidad del paralelogramo
2Re( x, y ) = 0 x, y = 0
x+
x+y Identidad de polarizacin x, y = 1 ( x+y 4
+ xy
= 2( x
+ y )
1 2 x y ) + i( x + iy 4
x iy )
1.8.
Valores y Vectores Propios
Sea una matriz compleja A Mn (C), decimos que C es un valor propio de A y v es el vector asociado a A si: Av = v por tanto Si es el valor propio de A con v como vector propio asociado, entonces es el valor propio de A con v como vector asociado. Los valores propios de AT son los valores propios de A. Propiedades: Si A es una matriz hermitiana, todos sus valores propios de A son reales. Adems, los vectores propios correspondientes a valores propios distintos son ortogonales. Si A es una matriz hermitiana, existe una matriz U tal que U 1 AU = D, es una matriz diagonal. Los valores propios de A estn sobre la diagonal principal de D. D = diag(1 , 2 , . . . , n ) det(A I) = 0 (A I)v = 0, con v = 0
26
Si A es una matriz normal, existe una matriz unitaria U tal que U 1 AU = D, es una matriz diagonal. Recprocamente, si A es una matriz para la cual existe una matriz unitaria U tal que U 1 AU = D, es una matriz diagonal, A es una matriz normal. Ejemplo: Sea A= 1 i i 1
determine una matriz P tal que P 1 AP = D, es una matriz diagonal. det A = |A| = AT = 1 i i 1 1 i ; i = 1 + i2 = 0 1 A es hermitiana
ahora calculemos los valores propios de A. det(A I) = 1 i i = (1 )2 + i2 1 =0 =2
(1 )2 + i2 = 1 2 + 2 1 = 0 ( 2) = 0 Primero calculemos el vector i 1 i 1
ahora el vector propio v2 , asociado al valor propio = 2 . . . 0 . 1 i . 1 i . i 1 : 0 0 0 : por lo tanto P = i 1 i 1 y
propio v1 , asociado al valor propio = 0 . . . 0 . 1 i . 0 . i v1 = : 0 0 0 : 0 1 0 0

i 2 i 2
v2 =
i 1
P 1 =
1 2 1 2
1.9.
Espacio Vectorial Producto
Sean E y F dos espacios vectoriales denidos para el mismo campo escalar K. Formemos el producto cartesiano de ambos espacios vectoriales. Si defnimos en dicho conjunto las operaciones por componentes, obtenemos un nuevo espacio vectorial. E F = {(e, f ) / e E, f F } dotado de las operaciones para (e1 , f1 ), (e2 , f2 ) E F , K : : (e1 , f1 ) = (.e1 , .f1 ) (e1 , f1 ) (e2 , f2 ) = (e1 + e2 , f1 + f2 )
27
Propiedades: Si E y F son de dimensin nita, entonces E F es de dimensin nita. {e1 , e2 , . . . . . . , en } base de E base de F
n
Adems si
Sea (x, y) E F , entonces
{f1 , f2 , . . . . . . , fn } x E, y F,
x=
i=1 n
xi ei yi fi
i=1
x=
(x, y)
xi ei ,
i=1 j=1
yj fj =
m j=1
xi ei ,
i=1
0F
+ 0 E ,
m j=1
yj fj
(x, y)
=
i=1
xi (ei , 0F )
yj (0E , fj )
donde B= (ei , 0F ), (0E , fj ) ,
i = 1, 2, . . . , n j = 1, 2, . . . , m
genera E F
ahora, probemos que B es linealmente independiente. Sea

n m
i (ei , 0F )
i=1
+
j=1 m
j (0E , fj ) = (0E , 0F )
i ei ,
i=1 j=1
j fj = (0E , 0F )
m
i ei = 0E
i=1
,
j=1
j f j = 0 F
Como {ei } es base de E, entonces i = 0, i = 1, 2, . . . , n y adems {fj } es base de F , entonces j = 0, i = 1, 2, . . . , m, entonces B es linealmente independiente i.e la base es libre. Por tanto, E {0} y {0} F son subespacios vectoriales suplementarios del producto que podemos identifcar con E y F respectivamente. Observaciones: Sean (E, ,
E ), (F,
dim E F = dim E + dim F
F)
espacios vectoriales euclideanos o hermitianos. Si para E F se dene , EF . (e1 , f1 ), (e2 , f2 ) entonces (E F, ,

EF ) EF
e1 , e2
+ f1 , f2
es un espacio vectorial euclideano o hermtico respectivamente.
28
1.10.
Ejercicios Resueltos:
0 0 0 0 A= 0 i i 0 0 i i 0 0 0 0 0
1. Se considera la matriz
a) Hallar el determinante de A.
0 0 0 0 det A = det 0 i i 0 b) Calcular A2 . 0 0 A.A = 0 i
0 i i 0 0 0 0 0
= i.(i3 ) = i4 = 1
c) Si A es inversible hallar A1
0 0 i 0 0 0 i 0 0 0 . i 0 0 0 i 0 0 0 i 0
0 i 1 i 0 0 = 0 0 0 0 0 0
0 1 0 0
0 0 1 0
0 0 = I4 0 1
d) La matriz A es hermitiana? normal? unitaria?. Mostremos que A es hermitiana 0 0 0 0 0 i AT = 0 i 0 i 0 0 T i 0 0 0 0 0 = 0 i 0 0 i 0
Dado que A.A = I4 , se tiene que A = I4 A1 , es decir A = A1 , por lo tanto 0 0 0 i 0 0 i 0 A1 = 0 i 0 0 i 0 0 0
Ahora como A es hermitiana, tenemos que A es normal.
T 0 i 0 0 0 0 i 0 = 0 i 0 0 0 0 i 0
0 i i 0 =A 0 0 0 0
Y adems A.A = I por c) y A = AT , tenemos que A.AT = A.A = I = A .A, entonces A es unitaria. e) Calcular sus valores y vectores propios 0 0 i 0 i 0 p() = (A I) = 0 i 0 i 0 0 Reemplazamos el valor 1,2 = 1, en 1 0 0 i
calculemos ahora los vectores propios asociados a los valores propios encontrados. la matriz, y tenemos 0 0 i : 0 1 i 0 : 0 i 1 0 : 0 0 0 1 : 0
= 4 22 + 1,
1 = 1 2 = 1 3 = 1 4 = 1
29
sumamos i veces la segunda a la tercera la. 1 0 0 i 0 1 i 0 0 0 0 0 0 0 0 0 por lo tanto x1 x v= 2 = x3 x4
sumamos i veces la primera a la cuarta la 1 0 0 i : 0 1 i 0 : 0 i 1 0 : 0 0 0 0 : : : : :
0 0 0 0 0 0 0 0 i + x4 0 0 1 i 0 0 1
Reemplazamos el valor 3,4 = 1, en 1 0 0 i
ix4 0 i ix3 = x3 1 x3 x4 0 0 i , v1 = v2 = 1 0 0 1 i 0 0 i i 0 1 0 0 1
la matriz, y tenemos
multiplicamos por 1, la matriz y obtenemos 1 0 0 i 0 1 i 0 0 i 1 0 i 0 0 1 sumamos i veces la primera a la cuarta la 1 0 0 i 0 1 i 0 0 i 1 0 0 0 0 0 sumamos i veces la segunda a la tercera 1 0 0 1 0 0 0 0 por lo tanto la 0 i : i 0 : 0 0 : 0 0 :
: 0 : 0 : 0 : 0 : 0 : 0 : 0 : 0 : 0 : 0 : 0 : 0 0 0 0 0 i 0 0 1
y1 iy4 y2 iy3 u= y3 = y3 y4 y4
0 = y3 i + y4 1 0
30 0 i v3 = 1 , 0 2. Sean (H1 , , C mediante

1)
Facultad de Ciencias i 0 v4 = 0 1
y (H2 , ,
2)
dos espacios hermitianos. Se dene la aplicacin b : H1 H2

1
b (x = (x1 , x2 ), y = (y1 , y2 )) = x1 , y1
2 1
+ x2 , y2
2 1
Si H1 = C y H2 = 2 (C) con los productos escalares usuales a, b p(t)q(t)dt calcular b(u, v) si:
0
= aT b y p, q
u = ((1 2i, 3i), (3 i) 5t2 )
v = ((i, 1 + i), 2 it).
b(u, v) = b ((1 2i, 3i), (3 i) 5t2 ), ((i, 1 + i), 2 it) = i = (1 2i, 3i) 1i = i + 2 + 3i + 3 +
0
(1 2i, 3i), (i, 1 + i) +
1 0
+ (3 i) 5t2 , 2 it
[(3 i) 5t2 ](2 it)dt
[2(3 i) 10t2 + it(3 i) 5it3 ]dt

1 0
10 3 i 5 t + (3 i)t2 it4 3 2 4 10 3 1 5 = 5 + 4i + 6 2i + i+ i 3 2 2 4 43 9 + i = 6 4 = 5 + 4i + 2(3 i)t
3. Sea H =
u u
v v
u, v C
M2 (C). Los elementos de H se dicen cuaterniones.
a) Demostrar que H es un subespacio vectorial real de M2 (C). Dar una base y su dimensin. P.D. H no es vaco. Para mostrar que H no es vaco, basta tomar u = v = 0, con lo cual la matriz nula pertenece a H. u v u v + w w z z w w z z
P.D. u, v, w, z C, u u por lo tanto v v
H. v+z v+z = u+w u+w v+z v+z
u+w u+w
u+w u+w
v+z v+z
31 u u u v u v v v
P.D. R, u, v C por lo tanto
H. = u u u u v v v v = u u v v
H u v u v = 0 0 1 1 a a H, por tanto c c +b +i b d b d +d 0 i 0 i
m4
Ahora hallemos una base para H, tomemos u u v v = a + ib a ib =a 1 1 c + id c id 0 0 +c
a + ib c + id a ib c id Por tanto
i 0 i 0
m3
m1
m2
es una base de H, y su dimensin es
B = {m1 , m2 , m3 , m4 } dim B = 4
b) Es H un subespacio vectorial complejo de M2 (C) ? Probemos que H no es un subespacio vectorial complejo, para ello tomemos C, por lo tanto sabemos que = y mostremos que u u v v H /
es decir el subespacio vectorial complejo no es cerrado bajo el producto. u v u v u u v v u u v v
de donde, observamos que u = u, por lo tanto H no es un subespacio vectorial complejo. c) El producto de cuaterniones es un cuaternin ? Suponemos que Por tanto u u v v y w w z z w w z z son dos cuaterniones donde u, v, w, z C. = uw + vw uw + vw uz + vz uz + vz
u v u v
de donde claramente se observa que uw + vw = uw + vw = uw + vw por lo tanto concluimos que el producto de cuaterniones no es un cuaternin en general.
32
4. Vericar si la aplicacin T : C C, T (z = a + ib) = a ib es una aplicacin lineal si a) C es un espacio vectorial real. P.D. T (z + w) = T (z) + T (w) T (z + w) donde z = a + ib, w = c + id.
= T (a + ib + c + id) = T ((a + c) + i(b + d)) = (a + c) i(b + d) = (a ib) + (c id)
T (z + w) P.D. T (z) = T (z)
= T (a + ib) + T (c + id) = T (z) + T (w)
donde R y z = a + ib. T (z) = T ((a + ib)) = T (a + ib) = a ib = (a ib)
= T (a + ib) T (z) = T (z) Si es aplicacin en un espacio vectorial real.
b) C es un espacio vectorial complejo. P.D. T (x + y) = T (x) + T (y) donde x = a + ib, y = c + id.
T (x + y) = = = = = T (x + y) = P.D. T (z) = T (z)
T (a + ib + c + id) T ((a + c) + i(b + d)) (a + c) i(b + d) (a ib) + (c id)
T (a + ib) + T (c + id) T (x) + T (y)
donde = (e + if ) C y z = a + ib. T (z) = T ((e + if )(a + ib)) = T ((ea f b) + i(af + be)) = (ea f b) i(af + be) = (e if ) + (a ib) = T (e + if ) + T (a + ib) = T () + T (z) T (z) = T (z)
No es aplicacin en un espacio vectorial complejo.
33
5. Sea u = (1, i, 1 + i) C3 , hallar una base ortogonal de U = {v C3 / u, v = 0} u = (1, i, 1 + i) u, v = = = ; v = (a + ib, c + id, e + if )
(1, i, 1 + i).(a + ib, c + id, e + if ) (a + ib) + i(c + id) + (1 + i)(e + if ) (a d + e f ) + i(b + c + e + f ) = 0
por tanto (a d + e f ) = 0, y (b + c + e + f ) = 0, ahora demos valores para: a, b, c, d, que satisfagan las 2 ecuaciones. Sea a = 1, entonces e= es decir por tanto v = (1 + 3i, 2 + 4i, 1 2i) U = gen{(1 + 3i, 2 + 4i, 1 2i)} 6. Ortogonalizar u1 = (0, 1, 1), u2 = (1 + i, 1, 1) y u3 = (1 i, 1, 1) v1 = u1 = (0, 1, 1) v2 = u2 proyv1 u2 = (1 + i, 1, 1) 0 = (1 + i, 1, 1) v3 = u3 proyv1 u3 proyv2 u3 = (1 i, 1, 1) 0 (2, 1 i, 1 i) = (1 i, i, i) por tanto es una base ortogonal. B = {(0, 1, 1), (1 + i, 1, 1), (1 i, i, i)} b = 3, c = 2, f= d=4
dabc = 1, 2
abcd = 2 2
7. Representar u = (3 i, 0, 1 i) en la base ortogonal hallada. Ahora debemos hallar , , C tal que u = v1 + v2 + v3 Formando la matriz aumentada tenemos 0 1+i 1 1 1 1
1 i i i
. . 3i . . . . 0 . . 1i . . . . 2 . . . 0 . . 1i .
sumamos 1 veces la tercera la a la primera 1 i 1 2i 1 1 i 1 1 i
34
sumando 1 veces la tercera a la segunda la y sumando 1 veces la primera a la tercera la. . 1 i 1 2i . . 2 . . 1i 0 2 2i . . 0 1 + i 1 i . 3 i . multiplicamos por 1 la tercera la. 1+i 1 i 1 2i 0 1 i 0 1 1
. . . . . . . . .
2
1i 2
1 2i
sumando 1 veces la segunda a la tercera la 1 0 1 i 0 1 i 0 0 1 i nalmente multiplicando por
. . . . . . . . .
1i 2 13i 2
por tanto las soluciones son: = es decir
1 la tercera la 1 i . 13i . 2 1 0 0 . . 0 1 0 . 3+2i . 2 . 1+2i . 0 0 1 .

2
1 + 2i 2
1 3i ; 2
3 + 2i ; 2
1 3i 1 3 + 2i u= 2 1 + 2i B
35
1.11.
Ejercicios Propuestos
i i i 1 3 2i 2 3+i 2+i 4 1i 2
1i 2 1+i 2 1+i 2 1i 2
1. Cules de las siguientes matrices son hermitianas, cules son unitarias y cules normales ?. a) e)
b)
c)
1 0 f) 0
0
1+i 3 1 3
0
1 3 1i 3
4i 2+i 3
d)
4 + 7i 2 i 1 2i 3 + 4i
1 g) 3 + i 4+i
3i 2 2i
2. Resuelva los siguientes sistemas lineales complejos, mediante reduccin de Gauss - Jordan. a) (1 + 2i)x1 + (2 + i)x2 = 1 3i (2 + i)x1 + (1 + 2i)x2 = 1 i (1 + i)x1 x2 = 2 + i 2ix1 + (1 i)x2 = i
b)
3. Determine si los siguientes conjuntos son espacios vectoriales (justique). a) (Q, R, +, .) b) {f C[0, 1] : f (0), f (1) = a}. Para que valores de a?. c) {a0 + a1 x + . . . + an xn : a0 = a1 = . . . = an , ai R, i}
4. Estudiar si los conjuntos siguientes de nmeros reales y las operaciones que se indican forman o no, un espacio vectorial sobre el cuerpo de los nmeros racionales: a) A = {x + y 5 : x, y Z} y las operaciones (x1 + y1 5) + (x2 + y2 5) = (x1 + x2 ) + (y1 + y2 ) 5 (x + y 5) = (x) + (y) 5 b) B = {x + y 5 : x, y Q} y las mismas operaciones anteriores. 5. Sea E el conjunto de las sucesiones innitas de nmeros reales; en E se consideran las operaciones (xn ) + (yn ) = (xn + yn ), (xn ), (yn ) E (xn ) = (xn ), R, (xn ) E a) Demuestre que E con dichas operaciones, es espacio vectorial. b) Demuestre que los siguientes subconjuntos son subespacios de E: Las sucesiones acotadas. Las sucesiones constantes.
36 Las sucesiones con lmite.
c) Analice si los siguientes subconjuntos son subespacios vectoriales de E: La sucesiones con lmite igual a 1. Las sucesiones con trminos positivos. Las sucesiones sin lmite.
6. Sea E el conjunto de las funciones reales de una variable real y considrese las siguientes operaciones de suma y producto por un escalar: (f + g)(x) = f (x) + g(x), (f )(x) = f (x), f, g E, f E, x R
, x R
a) Demuestre que E con dichas operaciones es un espacio vectorial. b) Demuestre que los siguientes subconjuntos son subespacios de E: Las Las Las Las Las Las Las Las Las Las Las funciones funciones funciones funciones funciones funciones funciones funciones funciones funciones funciones pares. impares. acotadas. polinmicas. continuas. derivables. que se anulan en el punto x = 1. que no se anulan en ningn punto. con algn punto de discontinuidad. negativas. acotadas superiormente por la unidad.
c) Analice si los siguientes subconjuntos son subespacios vectoriales de E:
7. Sea E = 4 [t] = { polinomios de grado 4} Pruebe que

1
F = {p E |
p(t)dt = 0}
0
es un subespacio vectorial de E y encuentre una base para F .
8. Sea el espacio vectorial real E = [x, y] = { polinomios de dos variables reales } Se considera el conjunto F = 1 [x, y] = {p(x, y) = ax + bx + cy, a, b, c R}
Demostrar que F es un subespacio vectorial de E, hallar una base y dar su dimensin.
37
9. Sea E = R3 , adems S = {(x1 , x2 , x3 ) E | x1 x2 + 2x3 = 0} Hallar una base y dar su dimensin de los subespacios vectoriales S y T . T = {(y1 , y2 , y3 ) E | y1 = + , y2 = + , y3 = + 2 + , , , R}
10. Se considera el espacio vectorial complejo de las matrices 2 2 con trminos complejos. a) Dar una base y la dimensin de M2 (C). b) Se consideran las tres matrices complejas dadas por Pauli5 para estudiar los espines de los electrones. 1 = 0 1 1 0 , 2 = 0 i i 0 , 3 = 1 0 0 1
Mostrar que la matriz identidad con estas tres matrices forman una base ortonormal de M2 (C) para el producto escalar denido por A|B = 1 tr(AT B) 2
n c) Deducir la frmula de i , para i = 1, 2, 3 y adems n N.
11. Sea la matriz
a) Calcular el determinante c) Hallar A1 .
2 A= 0 0
0 0 2 i i 2
b) Es A una matriz hermitiana ?. c) Hallar los valores y vectores propios asociados a la matriz. d) Se puede escribir la matriz de la forma A = B+iC, donde B es real simtrica (B = B T ) y C es real antisimtrica (C = C T ) ?. 12. Muestre que si A es unitaria, P no singular y B = AP entonces P B 1 es unitaria.
13. Calcular los valores y vectores propios asociados a 0 0 0 0 A= 0 3i 4i 0 u1 = [1 + i, i, 1],

5 Wolfgang
la matriz 0 i 2i 0 0 0 0 0 u3 = [1 i, 0, i]
14. Hallar un conjunto de vectores ortonormal a partir de u2 = [2, 1 2i, 2 + i],
Ernst Pauli.
Premio Nobel de Fsica 1945 por el descubrimiento del Principio de exclusin
38 15. Construya una base ortonormal para P3 [0, 2].
16. Determine el coseno del ngulo que forma cada par de vectores b) u = (1, 2, 3), v = (2, 0, 1). c) u = (1, 0, 3, 4), v = (1, 1, 4, 2). 17. La siguiente proposicin es verdadera o falsa para un espacio vectorial real o complejo?. x = y Demostrar o dar un contraejemplo. si y slo si x + y, x y = 0 a) u = (1, 2), v = (2, 3).
2
Espacio vectorial cociente
En este captulo vamos a estudiar conjuntos sobre los cuales vamos a denir ciertas relaciones de equivalencia, los mismos que a su vez, van a adquirir la estructura de espacio vectorial mediante las operaciones de suma y producto por escalar denidas especialmente para dichos conjuntos.
2.1.
Relaciones binarias
En el lenguaje ordinario tratar de ver si dos objetos guardan cierta relacin entre s, o por el contrario si no tienen nada en comn, nos lleva a pensar que se debe satisfacer alguna proposicin o dejar de satisfacerse, para dichos objetos.
Denicin 2.1. Sea E un espacio vectorial, por una relacin R en E entendemos el subconjunto de E E, tal que satisface las siguientes propiedades: Sea R una relacin en E; entonces 1. R se dice reexiva si 2. R se dice simtrica si 3. R se dice anti-simtrica si (x, y) R 4. R se dice transitiva si (x, y) R Ejemplo: 1. Como ejemplo de relacin entre elementos de un mismo conjunto puede considerarse lo siguiente: Para el conjunto A = {1, 2, 3, 4, 5, 6, 7, 8, 9} se dice que a est relacionado con b si y slo si a es primo y adems a y b no son primos entre s 39 (y, z) R (x, z) R (y, x) R x=y
x E, (x, y) R
(x, x) R (y, x) R
40 esta relacin tiene el siguiente grafo:
R = {(2, 2), (2, 4), (2, 6), (2, 8), (3, 3), (3, 6), (3, 9), (5, 5), (7, 7)} Para representar esta relacin se puede unir mediante lneas los elementos relacionados entre s, pero ahora se hace necesario, al considerar un solo conjunto, indicar con una echa cul es el primer y cul el segundo de los elementos que estn relacionados, ya que por ejemplo (2, 4) R, pero, sin embargo (4, 2) R /
procediendo de este modo se puede obtener el esquema, llamado sagital, siguiente:
A
1 2 3 4 5 6 7 8 9
2.2.
Relacin de equivalencia
La idea de relacin de equivalencia es una importante extensin y generalizacin de la tradicional idea de igualdad que se utiliza en la matemtica. Denicin 2.2. Una relacin, se dice de equivalencia si sta es reexiva, simtrica y transitiva. Observacin 2.1. Dado una relacin de equivalencia R en E, algunas veces se escribe x y en reemplazo de (x, y) R, y decimos que x es equivalente a y, dada la relacin R. Note que si R, es una relacin de equivalencia en E, se tiene: 1. x x, x E. 2. x y 3. x y Ejemplo: 1. Para el conjunto N2 de los pares de nmeros naturales, la relacin (x1 , x2 ) (y1 , y2 ) es una relacin de equivalencia. 2. Sea el conjunto Q3 [x] = { polinomios de grado igual a 3 } = {p(x) = a0 + a1 x + a2 x2 + a3 x3 / a3 = 0} si y slo si x1 + y2 = y1 + x2 y x. yz xz
41
entonces Q3 [x] no es subespacio vectorial, pues a3 x3 Q3 ; a3 x3 Q3 0 Q3 /
Si para todo p, q Q3 [x] se dene la relacin: pq dp dq = dx dx
Pruebe que es una relacin de equivalencia. Ahora, para mostrar que es una relacin de equivalencia debemos probar que es reexiva, simtrica y transitiva, por tanto: P.D. es reexiva p p, La identidad se tiene de forma directa. P.D. es simtrica p q, La igualdad es obvia. P.D. es transitiva p q, q r,
dp dx dq dx dq dx dr dx
pues
dp dp = dx dx
dp dq = dx dx
dq dp = dx dx
= =
dp dr = dx dx
es decir
pr
Igualamos los polinomios y obtenemos la igualdad requerida. por tanto es una relacin de equivalencia en Q3 [x].
2.2.1.
Clases de equivalencia
Denicin 2.3. Sea E un espacio vectorial y sea R una relacin de equivalencia en E. Si x E, entonces la clase de equivalencia de x dado R, es el conjunto Rx denido como: Rx = {y E / (y, x) R} = {y E / y x} dicho de otro modo, Rx es el conjunto de todos los elementos de E que son equivalentes a x. Las clases de equivalencia se las nota de la forma x/R.
Denicin 2.4. Si R es una relacin de equivalencia en un espacio vectorial E, entonces el conjunto de las clases de equivalencia de R, se denomina conjunto cociente de E por R y se nota como E/R. Ejemplo: 1. En el ejemplo anterior vimos que es una relacin de equivalencia, ahora encontremos la clase de equivalencia. Sea p Q3 [x], entonces p = {q Q3 [x] / p q}
42 por lo tanto si p(x) = a0 + a1 x + a2 x2 + a3 x3 y q(x) = b0 + b1 x + b2 x2 + b3 x3 ahora se tiene que dq dp = dx dx es decir a1 = b 1 ; por tanto p = {q Q3 / a1 = b1 ; a2 = b 2 ; a3 = b 3 } a2 = b 2 ; a3 = b 3
dp = a1 + 2a2 x + 3a3 x2 dx dq = b1 + 2b2 x + 3b3 x2 dx
a1 + 2a2 x + 3a3 x2 = b1 + 2b2 x + 3b3 x2
Grcamente para el ejercicio anterior, dado p(x) = 3 3x 2x2 + x3 las clases de equivalencia de p, lo conforman todos los polinomios de tercer grado que tienen la misma pendiente que p, para todo x R.
q(x) = 9 3x 2x2 + x3 q(x) = 6 3x 2x2 + x3 q(x) = 3 3x 2x2 + x3 q(x) = 3x 2x2 + x3 q(x) = 3 3x 2x2 + x3
es decir, las clases de equivalencia de p, lo forman todos los polinomios de la forma q(x) = 3x 2x2 + x3 , R.
43
2.2.2.
Particin y equivalencia
Si es una equivalencia para un conjunto E, resulta, de cuanto se acaba de exponer, que el conjunto de las clases de equivalencia es una particin de E, ya que las clases son conjuntos disjuntos de E y todo elemento de E pertenece a una clase (aquella que le tiene por representante). Por tanto, a partir de una equivalencia en un conjunto, se ha llegado a una particin del mismo: la constituida por las clases de equivalencia. Recprocamente, dada una particin {Ei | i = 1, 2, . . . , n} de un cierto conjunto E, la relacin denida en E mediante a b si y slo si a y b pertenecen a un mismo subconjunto de los que constituyen la particin, evidentemente una equivalencia para E; las clases de equivalencia de son entonces los conjuntos Ei que constituyen la particin. Puede en consecuencia armarse que a toda equivalencia en un conjunto le corresponde una particin del mismo, la formada por la clases de equivalencia; y, recprocamente, a toda particin de un conjunto le corresponde una equivalencia en el mismo.
2.3.
Conjunto cociente
Denicin 2.5. Dado un conjunto E y una relacin de equivalencia en l, se llama conjunto cociente de E por , y se le representa por E/ , al conjunto cuyos elementos son las clases de equivalencia denidas en E por ; es decir, el conjunto cociente es la particin de E subordinada por la equivalencia . Ejemplo: 1. Para la relacin de equivalencia denida en N2 mediante (x1 , x2 ) (y1 , y2 ) a la clase de representantes (x1 , x2 ) es decir, a tambin pertenecen los pares R(x1 ,x2 ) = {(y1 , y2 ) N2 | (x1 , x2 ) (y1 , y2 )} (x1 + h, x2 + h) para todo nmero natural h, as como los pares (x1 h, x2 h) para todo natural para elegir un representante sencillo de la clase R(x1 ,x2 ) se puede proceder del siguiente modo: primero, si x1 > x2 entonces se adopta como representante a (x1 x2 , 0); segundo, si x1 < x2 , entonces se toma como representante al par (0, x1 x2 ); y tercero, si x1 = x2 , entonces se adoptar como representante de la clase (0, 0). El conjunto cociente de N2 / ser, en consecuencia {R(r,0) , R(0,s) , R(0,0) | r, s N} h x1 y h x2 si y slo si x1 + y2 = y1 + x2
44
este conjunto se representa por Z, y su elementos, una vez denidas las adecuadas operaciones algebraicas, reciben el nombre de nmeros enteros, de manera que el entero R(r,0) es posible identicarlo con el natural r, al entero R(0,s) se le designa por s, y entonces Z = {0, 1, 1, 2, 2, 3, 3, . . ., n, n, . . .}
2.4.
Relacin de equivalencia en un espacio vectorial
Denicin 2.6. Sea E un espacio vectorial, y F un subespacio vectorial de E, la relacin de equivalencia de x E se dene como: xy xy F
Observacin 2.2. La relacin es una relacin de equivalencia. Demostracin: i) P.D. es reexiva. Sea x E, x x = 0 F , pues F es subespacio vectorial xx ii) P.D. es simtrica. Sean x, y E tal que x y xy F
(x y) F, pues F es subespacio vectorial yxF yx
iii) P.D. es transitiva. Si x, y, z E, x y, y z, x y F, yz F
[(x y) + (y z)] F, pues F es subespacio vectorial Entonces es una relacin de equivalencia. xz F xz
Ejemplo: 1. Sea E un espacio vectorial, y F = {0} subespacio vectorial. Sean x, y E. xy xy F xy = 0 x=y
45
Por tanto x = {y E / x y} Las clases de equivalencia forman una particin de E, es fcil vericar que x=E
xE
x = {x}
donde Por tanto el conjunto cociente es: xy = si x=y
E/F = {x, x E} = {{x}, x E} Ahora si xy xy EF x = {y / y E} = E E/F = {E}
2. Sea E = R2 y F = {(u1 , u2 ) E / 2u1 u2 = 0} Si u = (u1 , u2 ) E y v = (v1 , v2 ) E, se tiene que: uv uv F 2(u1 v1 ) (u2 v2 ) = 0 2u1 u2 = 2v1 v2 Veamos ahora un ejemplo grco:
u = {(v1 , v2 ) E / 2v1 v2 = 2u1 u2 }
Supongamos que u = (4, 3), por tanto y F u
4 u 3
46
el mismo que no es subespacio vectorial porque no tiene el 0.
u = {v = (v1 , v2 ) E / 2v1 v2 = 11}
En el grco observamos que las clases de equivalencia de un vector u, no es ms que las rectas paralelas a F , y que contienen el extremo del vector u R2 . Adems 0 = {v = (v1 , v2 ) E / 2v1 v2 = 0} = F
2.5.
Co - conjunto
(coset)
Denicin 2.7. Sea E un espacio vectorial, y F un subespacio vectorial de E, adems si x E, se dene el co - conjunto como: x + F = {z E / z = x + f, f F } Observaciones De la denicin anterior tenemos que: z x+F es decir xz xz F z x+F xz+F La relacin xz es de equivalencia. i) x x pero x x + F ya que x = x + 0 ii) x y iii) xy yz y x+F xy+F yx y x+F z y+F y = x + f1 , f1 F z = y + f2 , f2 F z x+F z x+F (x z) F xz+F
Ahora s, z y + F Observaciones: {x + F }xE forman una particin de E.
z = x + (f1 + f2 )
F
47
i) (x + F ) (y + F ) =
x+F z x + F)
ii) x E pertenece a algn y + F . En E/F (x y Se denen
x y = (x + F ) (y + F ) = (x + y) + F x = (x + F ) = x + F
Adems es decir
Entonces {w1 , w2 , . . . , ws , u1 , u2 , . . . , ur } es base de E.
Teorema 2.1. Sea E un espacio vectorial, y F un subespacio vectorial de E. Sea {w1 , w2 , . . . , ws } base de F y {u1 , u2 , . . . , ur } base de E/F , donde uj = uj + F .
dim E = dim F + dim(E/F ) dim(E/F ) = dim E dim F
Demostracin:
i) Sea x E x x = x + F = 1 u1 + 2 u2 + . . . + r ur = 1 u1 + 2 u2 + . . . + r ur u + u + . . . + u
1 1 2 2 r r
= 1 u1 + 2 u2 + . . . + r ur + 1 w1 + 2 w2 + . . . + s ws
ii) B es libre. 1 u1 + 1 u2 + . . . + r ur + 1 w1 + 2 w2 + . . . + s ws u + u + ...+ u + w + w + ... + w

1 1 1 2 r r 1 1 2 2 s
= = = =
0 0 0 0
(E) (E/F ) (E/F ) (E/F )
(1)
1 u1 + 1 u2 + . . . + r ur + 1 w1 + 2 w2+ . . . + s ws 1 u1 + 1 u2 + . . . + r ur + 0
pues {u1 , u2 , . . . , ur } es base de E/F 1 = 2 = . . . . . . = r = 0 En (1) se tiene que 1 w1 + 2 w2 + . . . . . . + s ws = 0 por tanto 1 = 2 = . . . . . . = s = 0 pues {w1 , w2 , . . . , ws } es base de F . Por lo tanto se sigue que B es libre.
48
2.6.
Espacio vectorial cociente
Proposicin 2.1. El conjunto E/F queda dotado de la estructura de espacio vectorial sobre el mismo cuerpo K que E mediante las operaciones: (x + F ) + (y + F ) = (x + y) + F (x + F ) = (x) + F Demostracin: 1. En primer lugar hay que probar que estas operaciones son vlidas en el sentido de tener resultado nico, independiente de los representantes de cada clase. En efecto, si en la clase x+F cambiamos su representante x por x , como ambos deben ser congruentes, se cumplir que x x F en cuyo caso (x y) (x y) = x x F (x ) (x) = (x x) F (x + y) + F = (x + y) + F (x ) + F = (x) + F
si en la suma cambiamos el representante del segundo dato, el razonamiento es similar. 2. Puesto que las operaciones con clases se efectan a partir de las correspondientes con sus representantes, se heredan sin ms las propiedades asociativa y conmutativa de la adicin, as como las cuatro propiedades de la multiplicacin por un escalar. 3. La clase 0+F =F sirve de neutro para la adicin de clases. 4. Para cada x, las clases x + F, son opuestas entre s. Como veremos a continuacin este nuevo espacio vectorial, recibe el nombre de espacio vectorial cociente del espacio E mediante el subespacio F . Denicin 2.8. Sea E un espacio vectorial, y F un subespacio vectorial de E, entonces llamaremos espacio vectorial cociente al espacio E/F denido como: E/F = {{x}, donde: Por tanto E/F es un espacio vectorial, para esto denimos las siguientes operaciones: Se dene para x E/F , y E/F , R xy =x+y ; x = .x {x} = {y E / x y} = {y E / x y F } x E} y (x) + F
49
Entonces es un espacio vectorial. (E, R, , )
Probemos que estas operaciones estn bien denidas, es decir no dependen del representante. Sean x, y E/F , y sean x, x0 x, y, y0 y. P.D. x y = x0 + y0 Por hiptesis x x0 y y0 es decir x x0 F y y0 F
(x + y x0 y0 ) F (x + y) (x0 + y0 ) F (x + y) (x0 + y0 ) por tanto x + y = x0 + y0
Sea x E/F , R y sean x0 x P.D. x = x0 como x x0 x x0 F
(x x0 ) F x x0 F x x0 x = x
0
pues F es s.e.v
x = x0
P.D. x 0 = x pues x0=x+0=x
50
2.7.
Ejercicios resueltos:
Sea F un subespacio vectorial de E. Demostrar que: 1. Si {u1 + F, u2 + F, . . . , ur + F } es libre en E/F , entonces {u1 , u2 , . . . , ur } es libre en E. Suponemos que 1 u1 + 2 u2 + . . . + p up = 0E por tanto de donde, se tiene P.D. 1 = 2 = . . . = p = 0.
1 u1 + 2 u2 + . . . + p up = 0E/F 1 u1 + 2 u2 + . . . + p up = 0E/F 1
por operaciones en (E/F ), entonces 1 = 2 = . . . = p = 0 pues en conclusin {u1 , u2 , . . . , up } {u1 , u2 , . . . , up } es libre. es libre.
2. Sea f : E F , una aplicacin lineal, adems sea G = N (f ). Halle el espacio vectorial E/G. Por denicin se tiene E/G = {x E / x + N (f )} = {x / x E} adems x = {y E / (x y) N (f )} = {y E / f (x y) = 0}
= {y E / f (x) f (y) = 0} = {y E / f (x) = f (y)}
3. Sea E = R3 espacio vectorial y f una aplicacin lineal denida por f: R3 R (x1 , x2 , x3 ) f (x1 , x2 , x3 ) = x1 2x2 + 3x3
y sea G = N (f ). Encuentre E/G. Primero hallemos una base de G. N (f ) = {(x1 , x2 , x3 ) R3 / x1 2x2 + 3x3 = 0} = {(2x2 3x3 , x2 , x3 ) / x2 , x3 R} = {x2 (2, 1, 0) +x3 (3, 0, 1)}
v1 v2
= gen{v1 , v2 }
1 Recuerde
que u = u + F .
51
Adems dim G = dim N (f ) = 2 Ahora sea x = (3, 2, 1) por tanto x = {y R3 / (x y) N (f )} = {(y1 , y2 , y3 ) R3 / f (x1 y1 , x2 y2 , x3 y3 ) = 0} = {(y1 , y2 , y3 ) R3 / f (3 y1 , 2 y2 , 1 y3 ) = 0} es decir x = {(y1 , y2 , y3 ) R3 / y1 2y2 + 3y3 = 10} Por tanto E/G = {x / x E} y aplicando el teorema de la dimensin se tiene dim(E/G) = = = Entonces ahora hallemos una base de E/G. Para esto se tiene E = [N (f )] [N (f )] de donde [N (f )] = {x R3 / x, y = 0, es decir x N (f ) { (x1 , x2 , x3 ), (2, 1, 0) = 0, de donde 2x1 + x2 = 0 3x1 + x3 y (x1 , x2 , x3 ), (3, 0, 1) = 0} x2 = 2x1 x3 = 3x1 x1 R} y N (f )}
2
= {(y1 , y2 , y3 ) R3 / 3 y1 2(2 y2 ) + 3(1 y3 ) = 0}
dim E dim G 32 1
por tanto
x = {x1 (1, 2, 3),

v
entonces {v} es base de E/G.
4. Sea E = M(R)22 . Se considera

2 2
F = {A = (aij ) E |
aij = 0,
j=1
i = 1, 2 ;
i=1
aij = 0,
j = 1, 2}
2 Todo espacio vectorial E, es igual a la suma directa de cualquier subespacio S de E y su complemento S . Es decir E = S S.
52
a) Mostrar que F es un subespacio vectorial de E. Hallar una base y dar la dimensin. Primero expresando los elementos de F en forma matricial se tiene F = {A = (aij ) E | A = por tanto F = gen 1 1 1 1
v1
a a a a
a R}
es decir v1 es base de F y adems dim F = 1 P.D. 0 F .
Bastara tomar a = 0, con lo cual 0 0 0 0 F
P.D. A, B F , se tiene que A + B F . Sea A= entonces a a a a ; B= b b b b F
AB = Sea
P.D. R, A F , se tiene que A F . A= entonces a a a a
(a + b) (a + b) (a + b) (a + b)
a a a a a a a a F, a R
Por tanto F es subespacio vectorial de E. b) Caracterizar los elementos de E/F y dar la dimensin de este espacio cociente. El conjunto en donde es decir E/F = {A | A E} A = {B E | A B} = {B E | A B F } A= B E | B =A+ 1 1 1 1 , R
de donde tenemos que
dim E/F = dim E dim F = 4 1 dim E/F = 3
5. Sea E = R3 , y el conjunto F = {(x1 , x2 , x3 ) E | x2 = 3x1 + 2x3 }
53
a) Hallar una base y dar la dimensin del subespacio vectorial F . Sea (x1 , x2 , x3 ) F , por tanto x1 x1 1 0 x2 = 3x1 + 2x3 = x1 3 +x3 2 x3 x3 0 1
v1 v2
de donde, adems v1 , v2 son linealmente independiente. Por tanto F = gen{(1, 3, 0), (0, 2, 1)} y adems dim F = 2. b) Caracterizar los elementos del espacio cociente E/F . Como de donde y adems E/F = {x, x E} x = {y E | x y} = {y E | (x y) F } (x y) F por tanto x = {(y1 , y2 , y3 ) E | x2 y2 = 3(x1 y1 ) + 2(x3 y3 )} dim(E/F ) = = = dim E dim F 32 1 (x1 , x2 , x3 ) (y1 , y2 , y3 ) F
(x1 y1 , x2 y2 , x3 y3 ) F
54
2.8.
Ejercicios propuestos
F = {(x1 , x2 , x3 ) E | x1 x2 = 0} a) Pruebe que F es un subespacio vectorial de E. b) Encuentre las clases de equivalencia de E/F . c) Halle una base y la dimensin de E/F .
1. Sea E = R3 y el conjunto
2. Sea E = R4 y el conjunto F = {(x1 , x2 , x3 , x4 ) E | 2x1 x2 = 0, a) Demostrar que F es un subespacio vectorial de E. b) Caracterizar las clases de equivalencia de E/F . c) Encontrar la dimensin y una base de E/F . d ) Encuentre F . x1 + 3x3 x4 = 0}
3. Sea E = [t] = { polinomios de variable t } y sea el subespacio vectorial F = { polinomios divisibles por t4 } a) Encuentre E/F y dar su dimensin.
4. Sea E = [t] = { polinomios de variable t } y sea el subespacio vectorial

1 F = { polinomios divisibles por (t 2 )2 }
a) Caracterizar las clases de equivalencia de E/F . b) Encuentre una base de E/F .
5. Sea el espacio vectorial E = 5 [t] = { polinomios de grado 5 } y el conjunto

2
F = {p E |
= p(t)dt = 0}
0
a) Pruebe que F es un subespacio vectorial de E. b) Encuentre una base y la dimensin de F . c) Caracterizar las clases de equivalencia E/F . d ) Encuentre una base y la dimensin de E/F .
6. Dada la aplicacin lineal f: R3 R2 (x, y, z) f (x, y, z) = (x y, y z)
55
a) Encuentre N (f ).
b) Encuentre el espacio vectorial cociente R3 /N (f ).
7. Sea E un espacio vectorial y F un subespacio vectorial de E. Se dene la aplicacin : E x a) Pruebe que la aplicacin f es lineal. b) Encuentre el ncleo de . c) Probar que es sobreyectiva. d ) Si E es de dimensin nita utilizar el Teorema de la dimensin para hallar la dimensin de E/F . 8. Determinar una base del subespacio vectorial de E = R4 dado por F = {(x1 , x2 , x3 , x4 ) E | x1 = x2 3x3 , y completarla hasta una base de R4 . Calcular tambin un subespacio suplementario de F y una base del espacio cociente R4 /F . x3 = x4 } E/F (x) = x
3
Espacio dual
En este captulo vamos a considerar un espacio que es muy importante para trabajar ms adelante en los espacios vectoriales; concretamente, vamos a considerar las funciones lineales de un espacio vectorial a su cuerpo base. Como podemos denir su adicin y multiplicacin por un escalar, del modo usual, ellas constituyen un espacio vectorial, y porque consideramos slo funciones lineales, las propiedades del espacio base se transportan al espacio de funciones.
3.1.
Espacio dual de un espacio vectorial
Denicin 3.1. Dado un espacio vectorial E sobre K. Llamaremos espacio dual de E y lo notaremos por E , al espacio vectorial E = L(E, K) = {f : E K / f es aplicacin lineal.} A los vectores f E , los denominaremos formas lineales sobre K. Proposicin 3.1. Dado un espacio vectorial E sobre K. Entonces se cumple que: Toda forma lineal no nula sobre E es inyectiva. Si E es de dimensin nita, entonces E tambin es de dimensin nita y dim E = dim E . Dado un vector no nulo v E, existe E tal que (v) = 0. Demostracin: Para demostrar la primera parte basta tener en cuenta que los nicos subespacios vectoriales de K son 0 y K, y que la imagen de E = {f : E K / f es aplicacin lineal} es un subespacio de K. Por otra parte para probar la tercera armacin, tomamos v un vector no nulo de E y L un subespacio de E tal que E =L v si denimos un isomorsmo T :K v p:E v 56
tal que T () = v y consideramos la proyeccin de E sobre v paralelamente a L
57
entonces es una forma lineal sobre E que satisface (v) = 1. = T 1 p
Ejemplo: 1. Sea f , una funcin denida por: f: R3 R (x1 , x2 , x3 ) f (x) = x1 + x2 + x3
por tanto, f es aplicacin lineal. 2. Sea g, una funcin denida por: g: Rn R

n
(x1 , . . . , xn ) f (x) = por tanto, g es aplicacin lineal. 3. Sea I, la funcin denida por: I : C ([a, b]) R f por tanto, I es aplicacin lineal. 4. Sea h, la funcin denida por: h : Mnn A por tanto h, es aplicacin lineal. I(f ) =
b
ci xi
i=1
f (t)dt
a
R f (A) = tr(A)
Todos las funciones anteriores son claros ejemplos de aplicaciones lineales, los mismos que son de gran importancia para el estudio del espacio dual de una espacio vectorial.
Proposicin 3.2. Sea E un espacio vectorial denido sobre K de dimensin nita y B = {e1 , e2 , . . . , en } una base de E. Dados 1 , 2 , . . . , n K, existe una nica forma lineal : E K tal que (e1 ) = 1 , Demostracin: Dado v E, como B es base de E, sabemos que existen unos nicos 1 , 2 , . . . , n K tales que v = 1 e 1 + 2 e 2 + . . . + n e n Si consideramos las aplicaciones lineales pi : E e i tales que pi (v) = i ei y los isomorsmos T i : K ei (e2 ) = 2 , ..., (en ) = n
58 tales que Ti () = ei , para cada i {1, 2, . . . , n} entonces

1 1 1 = 1 T1 p1 + 2 T2 p2 + . . . + n Tn pn
es la forma lineal sobre E que verica (e1 ) = 1 , (e2 ) = 2 , ..., (en ) = n .
Sea E un espacio vectorial sobre K de dimensin nita y B = {e1 , e2 , . . . , en } una base de E. Denotaremos por i a la (nica) forma lineal determinada por las condiciones i (ej ) = ij 1 = 0 1 si i = j si i = j
para cada i {1, 2, . . . , n}. Obsrvese que con la notacin de la demostracin de la proposicin anterior i = Ti1 pi para i = 1, 2, . . . , n y que cada una de estas formas lineales depende de la base B de E elegida.
3.2.
Base dual
Proposicin 3.3. Sea E un espacio vectorial sobre K de dimensin n, y sea B = {e1 , e2 , . . . , en } una base de E. Existe una nica base B = {1 , 2 , . . . , n } de E , la cual se denomina base dual de B. Demostracin: Para cada 1 i n, sea i : E K una aplicacin lineal denida en la base {e1 , e2 , . . . , en } por i (ej ) = 0 si i = j 1 si i = j
Como dim E = n, para ver que 1 , 2 , . . . , n E forman una base de E , basta vericar que son linealmente independientes. Sea 1 , 2 , . . . , n K tales que 1 1 + 2 2 + . . . + n n = 0. Evaluando ei , resulta que 1 1 (e1 ) + 2 2 (e2 ) + . . . + n n (en ) = i = 0. para i = 1, 2, . . . , n. En consecuencia, B = {1 , 2 , . . . , n } verica las condiciones requeridas. Supongamos que {1 , 2 , . . . , n } sea otra base que satisface las mismas condiciones. Entonces, para cada 1 i n, se tiene que i (ej ) = 0 = i (ej ) i (ei ) = 1 = i (ei ). es decir, i y i son dos aplicaciones lineales que coinciden sobre una base E. En consecuencia i = i para cada 1 i n.
1 ij
si 1 j n,
i = j.
es la funcin delta de Kronecker.
59
Ejemplo: 1. Sea E = R2 . Consideremos la base B = {(1, 5), (3, 4)}. Hallar una base B de
u1 u2
(R2 ) = {f : R2 R / f es aplicacin lineal}

Sea B = {v1 , v2 }, la base que buscamos, por tanto v1 :
R2 R (x1 , x2 ) v1 (x1 , x2 ) = a1 x1 + a2 x2 R2 R (x1 , x2 ) v2 (x1 , x2 ) = b1 x1 + b2 x2

v1 (1, 5) = a1 5a2 = 1
v2 :
que debe cumplir

v1 (u1 ) = 1 v1 (u2 ) v2 (u1 ) v2 (u2 )
=0 =0 =1
v1 (3, 4) = 3a1 + 4a2 = 0 v2 (1, 5) = b1 5b2 = 0 v2 (3, 4) = 3b1 + 42 = 1
por tanto a1 5a2 = 1 3a1 + 4a2 = 0 b1 5b2 = 0 3b1 + 42 = 1 es decir

v1 :
4 a1 = 11 3 a2 = 11 5 b1 = 11 1 b2 = 11
R2 R 4 (x1 , x2 ) v1 (x1 , x2 ) = 11 x1 R2 R 5 (x1 , x2 ) v2 (x1 , x2 ) = 11 x1
3 11 x2
v2 :
1 11 x2
Si V : R2 R tal que v(x1 , x2 ) = 1 x1 + 2 x2 entonces, v = c1 v1 + c2 v2
ahora c1 de donde 111 = 4c1 5c2 112 = 3c1 c2 por tanto [v]B = 1 52 31 + 42 c1 = 1 52 c2 = 31 + 42 4 3 x1 x2 11 11 + c2 5 1 x1 x2 11 11 = 1 x1 + 2 x2
60
2. Sea V = R2 . Consideremos la base B = {(1, 1), (1, 1)}. Si B = {1 , 2 } es la base dual de B, entonces debe cumplir 1 (1, 1) = 1 1 (1, 1) = 0 y 2 (1, 1) = 0 2 (1, 1) = 1
Puesto que para cada (x, y) R2 , se sabe que (x, y) = resulta que 1 (x, y) = xy x+y (1, 1) + (1, 1) 2 2 x+y 2 y 2 = xy . 2
Si B es una base de un espacio vectorial E sobre K de dimensin nita y B es su base dual, es posible calcular fcilmente las coordenadas de un elemento de E en la base B utilizando la base B . Recprocamente, utilizando la base B, es fcil obtener las coordenadas en la base B de un elemento de E . (ver el recuadro del ejercicio anterior) Observacin 3.1. Sea B = {e1 , e2 , . . . , en } una base de E y sea B = {1 , 2 , . . . , n } su base dual.
n
Dado v E, podemos escribir v =
i=1
i ei con i K. Entonces, para cada 1 j n,

n n
j (v) = j
i=1
i ei
=
i=1
i j (ei ) = j
Luego [v]B = [1 (v), 2 (v), . . . , n (v)].

n
Dado E , existen i K tales que =

n
i=1
i i . Entonces, para cada 1 j n,

n
(ej ) =
i=1
i i
(ej ) =
i=1
i i (ej ) = j
Luego [v]B = [(e1 ), (e2 ), . . . , (en )]. Ejemplo: Sean B = {(1, 1), (1, 1)} R2 y B = {1 , 2 }, con 1 (x, y) = su base dual. 1. Hallar las coordenadas del vector v = (5, 7) R2 en la base B. x+y 2 y 2 = xy . 2
Teniendo en cuenta que B es la base dual de B, por la observacin anterior resulta que (5, 7)B = [1 (5, 7), 2 (5, 7)] = (6, 1)
61
2. Hallar las coordenadas de (R2 ) dada por (x, y) = 5x + 3y en la base B . Por lo segundo tem de la observacin anterior tenemos que ()B = [(1, 1), (1, 1)] = (8, 2)
Hemos visto que toda base de un espacio E sobre K de dimensin nita posee una base dual asociada. Recprocamente, resulta que toda base de E es la base dual de una base de E. Proposicin 3.4. Sea E un espacio vectorial sobre K de dimensin n, y sea E su espacio dual. Sea B1 = {1 , 2 , . . . , n } una base de E . Entonces existe una nica base B = {e1 , e2 , . . . , en } de E que satisface B = B1 . Demostracin:
Existencia: Sea B2 = {w1 , w2 , . . . , wn } una base de E y sea B2 su base dual. Para cada 1 i n, se tiene que
[i ]B2 = [i (w1 ), i (w2 ), . . . , i (wn )]
Como {1 , 2 , . . . , n } es un conjunto linealmente independiente y tomar sus coordenadas es un isomorsmo, resulta que {(1 )B2 , (2 )B2 , . . . , (n )B2 } Kn es linealmente independiente. En consecuencia, la matriz M = 1 (w1 ) 2 (w1 ) . . . 1 (w2 ) 2 (w2 ) . . . ... ... .. . 1 (wn ) 2 (wn ) . . . n (wn )
n (w1 ) n (w2 ) . . .
es inversible (sus las son linealmente independientes). Sea A = (aij ) su inversa. Entonces M A = In de donde, para cada 1 i, j n.
n n
ij = (In )ij = (M A)ij =

k=1
Mik Akj =
k=1
i (wk )akj = i
i=1
akj wk
Para cada 1 j n, sea ej =
akj wk .
k=1
Por construccin, es claro que vale i (ej ) = ij para cada 1 i, j n. Queda por ver que {e1 , e2 , . . . , en } es una base de E. Como dim E = dim E = n, basta ver que este conjunto es linealmente independiente.
n
Ahora, si
j=1
j ej = 0, para cada 1 i n, se tiene que

n j=1
lo que prueba la independencia lineal.
j ej =
j i (ej ) = i = 0
j=1
62
Unicidad: Supongamos que B = {e1 , e2 , . . . , en } y B = {u1 , u2 , . . . , un } son dos bases de E tales que B = (B ) = {1 , 2 , . . . , n }. Entonces, para cada 1 i n, [ui ]B = [1 (ui ), 2 (ui ), . . . , n (ui )] = [ei ]B de donde ei = ui .
3.3.
Espacio bidual
Al igual que tenemos el espacio dual de un espacio vectorial E sobre K, podemos considerar el espacio dual del espacio dual de E, y as sucesivamente. El espacio dual del espacio dual de E se denota por E , es decir: E = L(E , K) = {f E / f : E K, y se llama espacio bidual de E. Veamos a continuacin un importante resultado que muestra la relacin entre el espacio vectorial y su bidual. Teorema 3.1 (Teorema de reexividad). Sea E un espacio vectorial sobre K Existe un isomorsmo : E E , es decir, E es un subespacio vectorial de E identicando cada vector v E con su imagen (v) en E . f aplicacin lineal}
Si E es de dimensin nita, entonces E E , es decir, no hay ms elementos en E que los = denidos por los elementos de E. Demostracin: Cada vector v E dene una aplicacin de E en K, que denotaremos por v de la siguiente forma v : E K f v(f ) = f (v)
es decir, v es la aplicacin tomar valores en v que es lineal. Luego v E = {f E / f : E K,
Sea : E E la aplicacin tal que (v) = v. Veamos que es un isomorsmo de espacios vectoriales sobre K. La aplicacin es lineal. En efecto, dados u, v E y K, tenemos que (u + v) = u + v Sea f E , entonces (u + v)(f ) = f (u + v) = f (u) + f (v) = f (u) + f (v) = u(f ) + v(f ) = (u + v)(f ) = ((u) + (v)) (f )
f es aplicacin lineal }
63
Probemos ahora que es inyectiva, para ello veremos que si v = 0, entonces v = 0. Si v E {0}, entonces existe f E tal que v(f ) = f (v) = 0 es decir, v no es la aplicacin nula, por lo tanto ker = {0}. Para probar el segundo tem: Si E es de dimensin nita, entonces E es tambin de dimensin nita y tiene la misma dimensin de E, ahora basta tener en cuenta que es un isomorsmo entre espacios vectoriales de igual dimensin.
La segunda parte del teorema de reexividad es muy importante: si E tiene dimensin nita, entonces no slo cada vector de E dene un elemento de E , si no que adems no hay ms elementos en E que los denidos por los vectores de E, es decir, dado g E existe un vector v E (nico, porque es biyectiva) tal que g(f ) = f (v) para todo f E (o lo que es lo mismo, dado g E , existe un nico vector v E tal que g es la aplicacin tomar valor en v). De aqu que abusemos la identicacin E E y denotemos de igual forma a los vectores de E y = E . Sea E un espacio vectorial sobre K de dimensin nita, B = {e1 , e2 , . . . , en } una base de E y B = {1 , 2 , . . . , n } la base dual de B. Como E es el espacio dual de E podemos hablar de la base dual B en E , dicha base ser la familia {g1 , g2 , . . . , gn } de vectores de E totalmente determinada por las condiciones gi (j ) = ij = 0 si i = j 1 si i = j
Pero la identicacin E E que nos da el teorema de reexividad, se sigue que {e1 , e2 , . . . , en } = es (va isomorsmo ) la nica familia de vectores de E que satisface ei (j ) = ij = 0 1 si i = j si i = j
es decir, la base dual de B es B = {e1 , e2 , . . . , en }, por este motivo se dice que las bases B y B son bases duales una de la otra.
3.4.
Aniquiladores
Aniquiladores de un subespacio2
En lo que sigue vamos a relacionar los subespacios de E con ciertos subespacios de E . Esencialmente, dado un subespacio S de E consideramos el conjunto de todas las ecuaciones lineales que se anulan en E y veremos que tiene una estructura de subespacio vectorial. Denicin 3.2. Sea E un espacio vectorial denido sobre K y sea S un subespacio de E, se dene el aniquilador de S como el siguiente subespacio vectorial de E . S = {f E / f (v) = 0, para todo v S} = {f E / S N (f )}.
Observacin 3.2. Sea E un espacio vectorial denido sobre K. Si T es un subespacio de E , segn la denicin anterior, el aniquilador de T , es el siguiente subespacio vectorial de E . T = {w E / w(f ) = 0,
2A
para todo f T }
los aniquiladores de un subespacio tambin se los conoce como: Anuladores o Incidencia de un subespacio.
64 y si E tiene dimensin nita, tenemos que T = {v E / v(f ) = 0 para todo f T }
es un subespacio de E. Por tanto, cuando E es de dimensin nita y slo cuando E es de dimensin nita, el aniquilador de un subespacio de E es un subespacio de E. Observacin 3.3. S es un subespacio de E . Demostracin: En efecto: Es claro que 0 S . Si f, g S , entonces f (v) = 0 y g(v) = 0 para todo v S, de donde (f +g)(v) = f (v)+g(v) = 0 para todo v S. Luego, f + g S . Si K y f S , entonces (.f )(v) = .f (v) = ,0 = 0 para todo v S, puesto que f (v) = 0 para cada v S. Luego .f S
Proposicin 3.5. Sea E un espacio vectorial sobre K de dimensin n, y sea S un subespacio de E. Entonces dim S + dim S = n. Demostracin: Sea {e1 , e2 , . . . , er } una base de S y sean er+1 , er+1 , . . . , en E tales que B = {e1 , e2 , . . . , er , er+1 , . . . , en } es una base de E. Ahora sea la base dual de B. Entonces, para cada r + 1 i n, se tiene que B = {1 , 2 , . . . , r , r+1 , . . . , n } E
i (e1 ) = i (e2 ) = . . . = i (er ) = 0 y por lo tanto i se anula sobre todo S. En consecuencia {r+1 , r+2 , . . . , n } S .
Como {r+1 , r+2 , . . . , n } es parte de una base, es un conjunto linealmente independiente. Veamos que tambin es un sistema de generadores de S . Sea g S . Puesto que B es una base de E , existen 1 , 2 , . . . , n K tales que
n
g=
i=1
i i
Por tanto, para cada 1 i n, se tiene que i = g(ei ) Adems, como g S y {e1 , e2 , . . . , er } es una base de S, entonces g(ei ) = 0 para cada 1 i r. En consecuencia, i = 0 para cada 1 i n y por tanto g r+1 , r+2 , . . . , n Luego {r+1 , r+2 , . . . , n } es una base de S , de donde dim S + dim S = n
65
La demostracin de la proposicin anterior nos da una nueva manera de calcular el aniquilador de un subespacio. Ejemplo: Sea S = (1, 1, 1), (1, 2, 1) R3 . Hallar una base de S .
Consideramos una base B de R3 que extienda a una base de S, por ejemplo B = {(1, 1, 1), (1, 2, 1), (1, 0, 0)} Si B = {1 , 2 , 3 } es la base dual de B, de la demostracin anterior deducimos que {3 } es una base de S . A partir de las condiciones 3 (1, 1, 1) = 0, obtenemos que 3 (x, y, z) = x z. 3 (1, 2, 1) = 0, 3 (1, 0, 0) = 1
En la siguiente proposicin veremos ahora, cmo recuperar un subespacio a partir de su aniquilador. Proposicin 3.6. Sea E un espacio vectorial sobre K de dimensin n y sea S un subespacio de E. Entonces {x E / f (x) = 0, para todo f S } = S. Demostracin: Sea Veamos que T = S. T = {x E / f (x) = 0, para todo f S }
Si x S, para cada f S se tiene que f (x) = 0. Luego x T . Supongamos que existe x T tal que x S. Adems sea / {e1 , e2 , . . . , er } base de S, entonces es linealmente independiente. Sean tales que es una base de E. Si {e1 , e2 , . . . , er , x} er+2 , er+3 , . . . , en E B = {e2 , e2 , . . . , er , x, er+2 , . . . , en } B = {1 , 2 , . . . , r , r+1 , . . . , n }
es la base dual de B, se tiene que
r+1 (e1 ) = r+1 (e2 ) = . . . = r+1 (er ) = 0
66 de donde r+1 (x) = 0 lo que contradice que, por construccin, vale r+1 (x) = 1 Luego T S.
Este resultado nos da otra forma de encontrar ecuaciones para un subespacio. Ejemplo: 1. Sea S = (1, 1, 1), (1, 2, 1) R3 . Hallar las ecuaciones para S. En el ejemplo anterior vimos que S = 3 (R3 ) , donde 3 (x, y, z) = x z. Entonces por la proposicin anterior, se sigue que S = = = {(x, y, z) R3 / f (x, y, z) = 0, {(x, y, z) R3 / .(x z) = 0, f S } R}
{(x, y, z) R3 / x z = 0}.
Ms en general, podemos enunciar el siguiente resultado. Observacin 3.4. Sea E un espacio vectorial sobre K de dimensin nita y sea S un subespacio de E. Sea {1 , 2 , . . . , n } una base de S . Entonces
n
S = {v E / 1 (v) = 0 2 (v) = 0 . . . n (v) = 0} =
i=1
N (i )
Para terminar, vamos a ver cmo se comporta el aniquilador de un subespacio vectorial con la suma y la interseccin de subespacios. Proposicin 3.7. Sea E un espacio vectorial sobre K de dimensin n. Sean S y T subespacios de E. Entonces 1. E = 0 y 0 = E . 2. Si S T , entonces T S . 3. S = S. 4. (S + T ) = S T . 5. (S T ) = S + T . Demostracin: Probemos primero que se verica lo siguiente (S + T ) = S T . Sea f E . Se tiene que f (S + T ) f (s + t) = 0 s S, t T
f (s) = 0, s S f (t) = 0, f S T
tT
67
Sea f S + T . Entonces f = fs + ft con fs S y ft T . Para cada x S T , se tiene que f (x) = fs (x) + ft (x) = 0 + 0 = 0 Luego Por lo tanto f (S T ) S + T (S T ) S T = (S + T ) resulta que dim(S + T ) = dim S + dim T dim(S T ) = dim S + dim T dim(S + T )
Ahora probemos que (S T ) = S + T .
Adems, por el teorema de la dimensin para la suma de subespacios y el hecho que
= (n dim S) + (n dim T ) (n dim(S + T )) = n (dim S + dim T dim(S + T )) = n dim(S T ) = dim(S T )
En consecuencia, (S T ) = S + T .
68
3.5.
Ejercicios Resueltos
B = {(1, 5), (3, 4)}
u1 u2
1. Sea el espacio vectorial E = R2 y
base de E. Encuentre una base B de E . Sabemos que Ahora sea base de E , donde
v1 :
E = {f : R2 R | f
es aplicacin lineal.}
B = {v1 , v2 }
R2 (x1 , x2 )
R v1 (x1 , x2 ) = a1 x1 + a2 x2
v2 :
R2 R (x1 , x2 ) v2 (x1 , x2 ) = b1 x1 + b2 x2 a1 = 4 11 3 a2 = 11
y por tanto
v1 (u1 ) = 1 v1 (u2 ) = 0
v1 (1, 5) = a1 5a2 = 1 v1 (3, 4) = 3a1 + 4a2 = 0
v2 (u1 ) v2 (u2 )
=0 =1
v2 (1, 5) v2 (3, 4)
= b1 5b2 = 0 = 3b1 + 4b2 = 1
de donde reemplazando, los coecientes obtenidos se sigue que

v1 :
a1 = 5 11 a =1 2 11
R2 R 4 (x1 , x2 ) v1 (x1 , x2 ) = 11 x1 R2 R 5 (x1 , x2 ) v2 (x1 , x2 ) = 11 x1
3 11 x2 1 11 x2
v2 :
y estas a su vez forman la base buscada B de E .
2. Sea el espacio vectorial E = 1 [t] = {p(t) = a0 + a1 t | a0 , a1 R}, adems su dual E tiene dimensin 2. a) Pruebe que B =
0 e 1 1 2
p(t)dt ,
0
p(t)dt
e 2
69
es base de E . Primero probemos que B es libre. Sea c1 e + c2 e = 0 , 1 2 de donde c1 e (p) + c2 e (p) = 0 (p) 1 2 es decir c1 (a0 + a1 ) + c2 (2a0 + 2a1 ) = 0 2 c 1 , c2 R
Ahora si hacemos a0 = a1 = 2 tenemos 3c1 + 8c2 = 0 y adems, si hacemos a0 = 1, a2 = 3 tenemos 5 c1 + 8c2 = 0 2 Resolviendo (3,1) y (3,2) simultneamente se tiene que c1 = c2 = 0 Entonces B = {e , e } es libre, por tanto es base de E . 1 2 b) Hallar una base de E, B = {u1 , u2 } asociada a B . Sea B = {a0 + a1 t, b0 + b1 t}
u1 u2
(3.1)
(3.2)
por tanto e (u1 ) = 1 1 e (u2 ) = 0 1 e (u1 ) = 0 2 e (u2 ) = 1 2 e (a0 + a1 t) = a0 + 1 e (b0 + b1 t) = b0 + 1
a1 =1 2 b1 =0 2
(3.3) (3.4) (3.5) (3.6)
e (a0 + a1 t) = 2a0 + 2a1 = 0 2 e (b0 + b1 t) = 2b0 + 2b1 = 1 2
Resolviendo simultneamente las ecuaciones (3,3), (3,4), (3,5) y (3,6), se tiene que a0 = 2, a1 = 2, b0 = 1, b1 = 1 2
reemplazando los valores obtenidos anteriormente se tiene que B = 2 2t, 1 es la base buscada. t 2
70 3. Sea el espacio vectorial real E = R4 y el subespacio F = gen{(1, 2, 3, 4), (0, 1, 4, 1)}

v1 v2
Hallar F y dar una base. Por denicin se tiene es decir F = { E | (x) = 0, x F } 1 , 2 R}
F = { E | (1 v1 + 2 v2 ) = 0,
(1 v1 + 2 v2 ) = = =
1 (c1 + 2c2 3c3 + 4c4 ) + 2 (c2 + 4c3 c4 ) 0
c1 (1 ) + c2 (21 + 2 ) + c3 (31 + 42 ) + c4 (41 2 )
Ahora haciendo 1 = 1 y 2 = 0, tenemos c1 + 2c2 3c3 + 4c4 = 0 adems, haciendo 1 = 0 y 2 = 1, tenemos c2 4c3 c4 = 0 Desarrollando (3,7) y (3,8) obtenemos 1 2 0 1 Por tanto (1 v1 + 2 v2 ) = (11c3 6c4 )(1 ) + (4c3 + c4 )(21 + 2 ) + (c3 )(31 + 42 ) + (c4 )(41 2 ) = c3 (0) + c4 (0) = 0 Ahora sea u E, entonces (u) = = (11c3 6c4 )u1 + (4c3 + c4 )u2 + c3 u3 + c4 u4 c3 (11u1 4u2 + u3 ) +c4 (6u1 + u2 + u4 )
1 (u) 2 (u)
(3.7)
(3.8)
3 4 4 1
|0 |0
c2 = 4c3 + c4 c1 = 11c3 6c4
= c3 (111 81 42 31 + 42 ) + c4 (61 + 21 + 2 + 42 2 )
de donde es decir F = gen{1 , 2 } {1 , 2 } es base de F
71
3.6.
Calcular la base dual de B.
1. En R2 se considera la base B = {x1 , x2 }, donde x1 = (1, 1), x2 = (2, 1).
2. En R3 se consideran las formas lineales 1 (x, y, z) = 2x y + 3z. 2 (x, y, z) = 3x 3y + z. 3 (x, y, z) = 4x + 7y + z. Probar que {1 , 2 , 3 } forman una base de (R3 ) . En la base B = {1 , 2 , 3 }, calcular las coordenadas de la forma lineal (R3 ) dada por (x, y, z) = x + y + z, Encontrar la base B de R3 cuya base dual es B . 3. Sea E = R3 un espacio vectorial y S un subespacio de E. S = { E / (1, 1, 2) = 0} Encontrar una base de S. (x, y, z) R3
4. Sea 2 [R] el espacio vectorial de los polinomios de grado menor igual que 2, con coecientes reales. Se consideran las siguientes bases de 2 [R]. B = {1, x, x2 }, B = {1, 1 + x, 1 + x + x2 }.
Encontrar las ecuaciones de cambio de base entre B y B . Si 2 [R] viene dada por (p(x)) = p(1). encontrar las coordenadas de en la base B . 5. Sea M2 (R) el espacio vectorial de las matrices reales de 2 2. Consideremos la aplicacin lineal tr : M2 (R) R A tr(A). Encontrar una base B de M2 (R) en la que est esta forma lineal. Encontrar tambin una base B de M2 (R) tal que B = B .
6. Sean f1 , f2 , f3 (2 [R]) las siguientes formas lineales

1 2 0
f1 (p) =
0
p(x)dx
f2 (p) =
0
p(x)dx
f3 (p) =
1
p(x)dx
a) Pruebe que {f1 , f2 , f3 } es una base de (2 [R]) .
72 b) Halle una base B de 2 [R] tal que B = {f1 , f2 , f3 }. 7. En M2 (R) se consideran las formas lineales 1 : M2 (R) R; 2 : M2 (R) R; a c a c b d b d = a + d. = b c.
a) Probar que 1 y 2 son linealmente independientes. b) Ampliar {1 , 2 } a una base de M2 (R) . Y calcular en dicha base las coordenadas de la forma M2 (R) dada por a c b d = a + b + c + d.
c) Calcular el subespacio aniquilador de {1 , 2 }. 8. Calcular el aniquilador del subespacio vectorial S de R4 dado por S = {(x, y, z, t) R4 / x + y z = 0}. 9. Se denen las aplicaciones : : R3 R (x, y, z) (x, y, z) = 2x + y z R3 R (x, y, z) (x, y, z) = x + y + z
Demostrar que y son formas lineales sobre R3 y que son linealmente independientes. Encontrar una tercera forma lineal (R3 ) de modo que {, , } sea una base de (R3 ) . Encontrar tambin una base de R3 cuya base dual sea {, , }. 10. Sea 2 [R] el espacio vectorial de los polinomios con coecientes reales de grado menor igual que 2. Sean B = {1, x, x2 }, B = {1 , 2 , 3 }
la base usual de 2 [R] y su base dual, respectivamente. Se denen las siguientes aplicaciones de 2 [R] en R
1
a) 1 (p(x)) =
0 1
p(x)dx, p(x)dx,
0
2 (p(x)) = p (1),
1
3 (p(x)) = p(0).
1
b) 1 (p(x)) = p(x) 2 [R]
2 (p(x)) =
0
xp(x)dx,
3 (p(x)) =
0
x2 p(x)dx,
Demostrar que tanto {1 , 2 , 3 } como {1 , 2 , 3 } son bases de 2 [R] . Calcular las coordenadas de los elementos de tales bases en B , y hallar las bases de 2 [R] de las cuales son bases duales.
73
11. Se considera el espacio vectorial E = {p(x) [R] / grado(p(x)) n 1}. Probar que para cada forma lineal E , existe un nico polinomio q(x) E tal que
1
(p(x)) =
0
p(x)q(x)dx,
p(x) E.
12. Sea E un espacio vectorial sobre K de dimensin nita y sean S y T subespacios tales que E =ST Pruebe que E = S T
4
Operaciones entre subespacios
En este captulo vamos a considerar sub-estructuras, como es el caso de los subespacios vectoriales, por tanto vamos a considerar un subconjunto no vaco que con las operaciones inducidas de la estructura inicial alcanza la misma estructura, pero est contenida en la primera. Esta manera de caracterizar las subestructuras es poco operativa por lo que a continuacin se dar una denicin que lo es ms.
4.1.
Subespacio vectorial
Sea (E, K, , ) un espacio vectorial, y sea S un subconjunto de E. Entonces S es un subespacio vectorial de E, si (S, K, , ) es un espacio vectorial donde y son las mismas operaciones denidas para E. En otras palabras, diremos que S es un subespacio vectorial de E si S tiene estructura de espacio vectorial respecto de las mismas operaciones que E. Diremos que dos conjuntos de vectores x1 , x2 y x3 , x4 , son equivalentes, si generan el mismo subespacio, es decir, si: gen{x1 , x2 } = gen{x3 , x4 }
4.2.
Condicin de existencia de un subespacio
Para vericar que S sea un subespacio de E, es que ambas operaciones y sean cerradas, es decir, den como resultado elementos que tambin pertenezcan a S. Sea E un espacio vectorial, se dene S como subespacio vectorial si y solo si: S es un conjunto no vaco S= S sea subconjunto de E SE S es cerrado bajo la suma x, y S 74 xy S
75
S es cerrado bajo el producto x S, K x S
4.3.
Interseccin de subespacios
La primera operacin que vamos a considerar es la interseccin de dos subespacios vectoriales. Denicin 4.1 (Interseccin de subespacios vectoriales). Sean S y T subespacios vectoriales de E. La interseccin de S y T , S T , es el conjunto: S T = {v E, tal que v S y v T } Propiedades: 1. S T es un subespacio vectorial de E. En general, tendremos que la interseccin de cualquier familia de subespacios vectoriales de E, Si , es un subespacio vectorial de
iI
E. 2. Si S y T son espacios vectoriales de E, las ecuaciones de S T sern las ecuaciones resultantes de unir las de S y las de T . Ahora generalicemos la interseccin para un nmero nito de subespacios vectoriales. Dados S1 , S2 , . . . , Sn , subespacios de un espacio vectorial E, su interseccin S1 S2 . . . Sn = {v E / v S1 v S2 . . . v Sn } tambin es un subespacio vectorial de E. Observacin 4.1. La unin de subespacios en general no resulta ser un subespacio vectorial, como se muestra en el siguiente ejemplo: Ejemplo: Consideremos las rectas: S1 = {(x1 , x2 ) R2 / x1 + x2 = 0} y S2 = {(x1 , x2 ) R2 / x1 x2 = 0}
que pasan por el origen. Su unin es el conjunto de puntos que pertenecen a alguna de las dos rectas. Si v = (1, 1) y u = (1, 1), tenemos que tanto v como u se encuentran en S1 S2 . Sin embargo su suma v + u = (2, 0) no pertenece a ninguna de las dos rectas y por lo tanto S1 S2 no es subespacio pues la suma no es cerrada. x2 u+v S1
S2
x1
76
En general, ni la diferencia de dos subespacios ni el complemento de un subespacio resultan subespacios, ya que en ambos casos 0 no pertenece al conjunto resultante. En conclusin, la nica operacin de conjuntos entre subespacios que da por resultado un subespacio es la interseccin.
4.4.
Suma de subespacios
Otra operacin entre dos subespacios vectoriales es la suma, que se dene de la siguiente manera: Denicin 4.2 (Suma de subespacios vectoriales). Dados S y T subespacios vectoriales de E, llamamos suma de S y T , denotada por S + T al conjunto S + T = {u + w, tal que u S, e T } Propiedades: 1. S + T es un subespacio vectorial de E que contiene al conjunto S T . De hecho, es el menor subespacio vectorial que contiene a S T . 2. De manera anloga se puede denir la suma de cualquier familia de subespacios vectoriales {S}iI de E. 3. (Frmula de las dimensiones) Si E es de dimensin nita y S, T son subespacios vectoriales suyos, entonces dim(S + T ) = dim(S) + dim(T ) dim(S T ) Ahora generalicemos la suma de subespacios para un nmero nito de subespacios S1 , S2 , . . . , Sn , entonces al conjunto conformado por todos los vectores de la forma v = v1 + v2 + . . . + vn , donde v1 S1 , v2 S2 , . . . , vn Sn
se lo denomina suma de los subespacios S1 , S2 , . . . , Sn y se lo denota por S1 + S2 + . . . + Sn Dados S1 , S2 , . . . , Sn subespacios de un espacio vectorial E. S = S1 + S2 + . . . + Sn es subespacio de E. Ejemplos: 1. En R2 , la suma de dos rectas distintas S1 y S2 que pasan por el origen es R2 . Esto puede comprobarse grcamente viendo que todo vector del plano puede expresarse como suma de un vector de S1 y otro de S2 .
S2 u+v v S1 0 u
77
2. Tambin se comprueba grcamente que en R3 , la suma de dos rectas distintas que pasan por el origen es el plano que las contiene y la suma de un plano que pasa por el origen con una recta que tambin pasa por el origen, pero no est contenida en el plano, es R3 . 3. Si consideramos en un espacio vectorial E los subespacios S1 = gen v1 , tenemos que S1 + S2 + . . . + Sr = gen v1 , v2 , . . . , vn Veamos primero que es decir, que toda combinacin lineal de los vectores v1 , v2 , . . . , vr pertenece a la suma de los subespacios Si . Supongamos v = 1 v1 + 2 v2 + . . . + r vr Como tenemos que v puede ser expresarse como suma de vectores de los subespacios S1 , S2 , . . . , Sr y por lo tanto Veamos ahora que Sea entonces Como Si = gen vi , para cierto escalar i , con lo cual v = 1 v1 + 2 v2 + . . . + r vr es decir, v gen v1 , v2 , . . . , vr v S1 + S2 + . . . + Sr S1 + S2 + . . . + Sr gen v1 , v2 , . . . , vr v S1 + S2 + . . . + Sr v = u1 + u2 + . . . + ur con ui Si ui = i vi ui = i vi Si gen v1 , v2 , . . . , vn S1 + S2 + . . . + Sr S2 = gen v2 , ...... Sr = gen vr
El ltimo ejemplo se generaliza inmediatamente al caso en que cada subespacio Si est generado por un nmero nito de vectores, obtenindose el siguiente resultado. Proposicin 4.1. Sean {v11 , v12 , . . . , v1k1 }, {v21 , v22 , . . . , v2k2 },. . ., {vr1 , vr2 , . . . , vrkr }, conjuntos generadores de los subespacios S1 , S2 , . . . , Sr de un espacio vectorial E, respectivamente. Entonces S1 + S2 + . . . + Sr = gen{v11 , v12 , . . . , v1k1 , v21 , v22 , . . . , v2k2 , . . . , vr1 , vr2 , . . . , vrkr }, es decir, la unin de conjuntos generadores de los subespacios Si es un conjunto de generadores de la suma de ellos.
78 Ejemplo: 1. Obtener una base de la suma de los subespacios de R4 ,
S1 = {x R4 / x1 + 2x2 x3 + x4 = 0, y x1 x4 = 0} y S2 = gen{(1, 1, 0, 0), (2, 1, 2, 1)}. Para resolver el problema necesitamos un conjunto generador de S1 . Resolviendo las ecuaciones lineales homogneas que denen el subespacio S1 , obtenemos la siguiente base de S1 {(1, 1, 0, 1), (0, 1, 2, 0)}. Como genera S2 , ms an, es base de ese subespacio, aplicando el resultado que recin mencionamos, tenemos que {(1, 1, 0, 1), (0, 1, 2, 0), (1, 1, 0, 0), (2, 1, 2, 1)} {(1, 1, 0, 0), (2, 1, 2, 1)}
es un conjunto generador de S1 + S2 . Sin embargo, este conjunto no es base, ya que es linealmente dependiente. Aplicando, por ejemplo, eliminacin Gausiana se comprueba que el cuarto vector es combinacin lineal de los tres primeros, y que estos ltimos son linealmente independientes, con lo cual {(1, 1, 0, 1), (0, 1, 2, 0), (1, 1, 0, 0)} es la base buscada.
Como se desprende del ejemplo anterior, la unin de bases de los subespacios Si es un conjunto generador de S1 + S2 + . . . + Sr pero no es necesariamente base de esa suma.
4.5.
Suma directa de subespacios
Denicin 4.3 (Suma directa de dos subespacios). Un espacio vectorial E es suma directa de los subespacios S, T de E, que escribimos como E =ST si se cumple que Es fcil ver que E = S T , si y slo si cada vector v E se escribe de modo nico como v = u + w, donde u S, w T Tambin es posible denir la suma directa para ms de dos subespacios vectoriales. Decimos que E es suma directa de los subespacios vectoriales S1 , S2 , . . . , Sn escrito como E = S1 S2 . . . Sn si todo vector v E se puede escribir de modo nico como v = u1 + u2 + . . . + un , con ui Si , i = 1, 2, . . . , n De manera equivalente E = S1 S2 . . . Sn si S T = {0} y E =S+T
79
1. E = S1 + S2 + . . . + Sn . 2. Si Sj = {0} para i, j = 1, 2, . . . , n con i = j. Proposicin 4.2. Los subespacios S1 , S2 , . . . , Sn del espacio vectorial E, son independientes si y slo si, la descomposicin del vector cero en suma de vectores de dichos subespacios es nica: 0 = 0 + 0 + . . . + 0. Es decir: La suma de los subespacios S1 , S2 , . . . , Sn es directa si y slo si u1 + u2 + . . . + un = 0, entonces u1 = u2 = . . . = un = 0 Demostracin: a) Si los subespacios Si son independientes, como el vector cero es de su suma y admite la descomposicin 0 = 0 + 0 + ...+ 0 por ser la suma directa esta descomposicin es la nica posible en suma de vectores de los subespacios Si ; es decir, si u1 + u2 + . . . + un = 0, entonces es u1 = 0, u2 = 0, . . . . . . , un = 0 ui Si , i = 1, 2, . . . , n ui Si , i = 1, 2, . . . , n
b) En el supuesto de ser cierto que el vector cero admite descomposicin nica en suma de vectores de los subespacios Si , hay que probar que ocurre lo mismo con cualquier otro vector de la suma
n
E=
i=1
Si
supngase pues que u1 + u2 + . . . + un = u + u + . . . + u 1 2 n para ciertos ui , u Si para i = 1, 2, . . . , n entonces i (u1 u ) + (u2 u ) + . . . + (un u ) = 0 1 2 n vericndose que ui u Si , por tanto, en virtud de la hiptesis, ha de ser ui u = 0, para i i i = 1, 2, . . . , n que prueba la proposicin.
Proposicin 4.3. Si la suma los subespacios S1 , S2 , . . . , Sn de un cierto espacio vectorial, es directa, entonces tambin es directa la suma de cualesquiera de ellos; es decir, si unos subespacios son independientes, tambin lo son cualquier nmero de ellos. Demostracin:
80
Para probar esta proposicin basta asegurarse que los subespacios S2 , S3 , . . . , Sn son independientes, pues repetir un nmero nito de veces la demostracin se prueban todos los casos que se pueden dar. Supongamos que S2 , S3 , . . . , Sn no fuesen independientes, es decir, que un cierto vector u de su suma admite dos descomposiciones distintas como suma de vectores de los subespacios sumandos u = u2 + u3 + . . . + un y u = u + u + . . . + u , 2 3 n y siendo ui = u i para algunos ndices; entonces, tomando un vector cualquiera u1 S1 , el vector v = u + u1
n
con ui , u Si , i
i = 2, 3, . . . , n
pertenece a la suma modos distintos y

i=1
S1 y sera expresable, como suma de vectores de S1 , S2 , . . . , Sn de dos u = u1 + u2 + . . . + un u = u + u + . . . + u 1 2 n
lo cual no es posible, pues estos subespacios son independientes; esta imposibilidad obliga a rechazar el supuesto de ser S2 , S3 , . . . , Sn no independientes, es decir, la proposicin es verdadera. Proposicin 4.4. Si en un espacio vectorial E varios subespacios son independientes, entonces son disjuntos dos a dos. Es decir: La suma de los subespacios S1 , S2 , . . . , Sn es directa implica que Si Sj = 0, i = j. Demostracin: Si dos de los subespacios Si y Sj , con i = j, no fuesen disjuntos, es decir, si existe v = 0 que pertenece a ambos, todo vector u = u1 + u2 + . . . + un de la suma podra expresarse tambin en la forma u = u1 + . . . + (ui + v) + . . . + (uj v) + . . . + un como suma de vectores de los subespacios sumados, distinta de la anterior, lo cual no es posible, ya que dichos subespacios son independientes. Conviene observar que la proposicin recproca, en general, no ser verdadera; es decir, el slo hecho de ser unos subespacios disjuntos dos a dos no implica forzosamente que ellos sean independientes, como veremos a continuacin. Ejemplo: 1. Sea el espacio vectorial E = R2 y los subespacios S1 = {(x, 0) | x R}, de donde se tiene S1 S2 = S2 S3 = S3 S1 = 0 S2 = {(0, y) | y R}, S3 = {(t, t) | t R}
81
y, sin embargo, no son independientes, ya que, por ejemplo: (2, 1) = (1, 0) + (0, 2) + (3, 3) y (2, 1) = (3, 0) + (0, 2) + (1, 1)
82
4.6.
Ejercicios Resueltos
F = {(x1 , x2 , x3 ) R3 | 2x1 x2 + x3 = 0} y por tanto se tiene que G = {(x1 , x2 , x3 ) R3 | x1 + 3x3 = 0, x1 + x2 = 0}
1. Sea el espacio vectorial E = R3 y los subespacios
F = gen{(x1 , x2 , 2x1 + x2 ) | x1 , x2 R} es decir F = gen{(1, 0, 2), (0, 1, 1)}

w1 w2
dim F = 2 y adems de donde G = gen{(x2 , x2 , 3x2 ) | x2 R} G = gen{(1, 1, 3)}

v1
dim G = 1 Ahora calculemos la suma de los subespacios F + G. Por denicin se tiene que:
F +G
= {x E | x = f + g; f F, g G} = {x E | x = c1 w1 + c2 w2 + d1 v1 , c1 , c2 , d1 R} = {x E | x = c1 w1 + c2 w2 + d1 (w1 + w2 )} = {x E | x = (c1 d1 )w1 + (c2 + d1 )w2 } F +G=F
De donde se tiene F G=G
por tanto, no se tiene suma directa de subespacios, adems se verica lo siguiente.
dim F + G = = =
dim F + dim G dim F G 211=0 dim E = 3
2. Sea el espacio vectorial E = R2 y los subespacios F = {(x1 , x2 ) | 2x1 x2 = 0} y G = {(x1 , x2 ) | x1 + 2x2 = 0}
83
de donde se sigue que F = gen{(1, 2)}

u
y por tanto dim F = 1 adems se tiene que G = gen{(2, 1)}

v
de donde dim G = 1 Ahora probemos que u, v son linealmente independientes det 1 2 2 1 =5=0
como el determinante de la matriz formada por los vectores u, v es distinta de cero se sigue que dichos vectores son linealmente independientes. Por tanto {u, v} forman una base de E, es decir x E, de donde se tiene que E =F +G pero adems que resolviendo el sistema resulta lo siguiente F G = {(x1 , x2 ) R2 | 2x1 x2 = x1 + 2x2 = 0} F G=0 ahora de (4,1) y (4,2) se deduce que y adems se verica dim F + G E =F G = dim F + dim G dim F G = 1+10=2 = dim E = 2 (4.2) (4.1) x = c1 u + c2 v, c 1 , c2 R
En conclusin, se tiene que F + G es suma directa.
84
4.7.
S = {(x, y, z, t) R4 / x + 2y 3z = 0, a) Calcular una base y la dimensin de S T y S + T . b) Calcular S . c) Encuentre una base de S + T . d ) Calcular la proyeccin de (1, 1, 1, 0) sobre S. y 2z + t = 0}
1. Consideramos los subespacios
T = gen{(2, 1, 0, 1), (1, 1, 3, 7)}
2. En R4 se consideran los subespacios F = gen{(1, 2, 0, 1), (2, 3, 0, 3), (3, 2, 1, 2)} a) Encontrar una base de F G. y G = {(x, y, z, t) R4 / x y + z + t = 0}
b) Calcular una base y la dimensin de F + G. c) Calcular la proyeccin de (1, 2, 3, 4) sobre F .
d ) Considerar el producto escalar ordinario, comprobar que (F G) = F + G .
e) Utilizar la igualdad anterior y que (F ) = F , demostrar que (F + G) = F G .
3. En R4 consideremos los subespacios F = gen{(1, 0, 0, 1), (0, 1, 1, 0)} y el producto escalar (x1 , y1 , z1 , t1 ), (x2 , y2 , z2 , t2 ) = 2x1 x2 + 2y1 y2 + z1 z2 + t1 t2 + x1 y2 + x2 y1 a) Calcular el valor de a para que A B tenga dimensin 1. b) Encontrar F . c) Calcular una base y dimensin de F + G. d ) Hallar la matriz del producto escalar restringido a F respecto de la base B = {(1, 0, 0, 1), (0, 1, 1, 0)} 4. En cada uno de los siguientes casos hallar la interseccin y la suma de los subespacios de R3 . a) F1 = (1, 0, 1), (1, 1, 0) y b) F1 = {(0, , ) | , R} y F2 = (1, 1, 1), (3, 2, 1) . F2 = (1, 2, 3), (0, 0, 1) . y G = {(x, y, z, t) R4 / x = az, y = at}
5. Se consideran los subespacios F y G del espacio vectorial real R3 . Las ecuaciones paramtricas de F son x1 x2 x3 = + = + = + + 2
, , R
en donde, adems x1 x2 + 2x3 = 0 la ecuacin (implcita) de G. Hallar
85
a) Las bases de F , F + G y F G.
b) Las ecuaciones (implcitas) de F G.
c) Una base de un complementario de F + G.
d ) Las coordenadas de (2, 3, 1) respecto de la base de F + G obtenida en a). 6. Sean F , G y H subespacios de un espacio vectorial E. Demostrar o dar contraejemplos de las siguientes proposiciones. a) F (G + H) = (F G) + (f H). b) (F + G) (F + H) = F + (G H).
c) dim(F G) + dim(F H) = dim[F (G + H)] dim[F H G].
7. Se considera el espacio vectorial real 3 [x] y sus subespacios F y G, donde F = 3 5x + 2x2 x3 , 1 x y G = {p(x) 3 [x] | p(1) = p(2) = 0}
Hallar una base para el subespacio G, y las bases de los complementarios de F , F G y F + G. 8. Consideremos los subespacios en R4 : F = (4, 3, 2, 1), (3, 1, 1, 1), (0, 1, 2, 2) Encuentre las dimensiones y dar una base para a) F G. b) F + G. y G = (1, 0, 1, 3), (0, 1, 3, 2)
9. Se consideran los subespacios vectoriales F y G de R4 donde F = (x1 , x2 , x3 , x4 ) R4 | x1 = x2 = x3 y las ecuaciones paramtricas de G son: x1 x2 x3 x4 = = = = + + , , R.
a) Pruebe que G F , caso contrario de un contraejemplo. b) Encuentre F G. c) Halle una base de F + G.
5
Formas bilineales y formas cuadrticas
En este captulo se efecta un estudio sistemtico de las formas bilineales simtricas y de las formas cuadrticas sobre un espacio vectorial que han sido utilizadas en captulos anteriores, y en particular, los problemas de diagonalizacin y de clasicacin de formas cuadrticas.
5.1.
Formas bilineales
Denicin y propiedades
Denicin 5.1. Una forma bilineal de E es una aplicacin f :EE (u, v) tal que 1. f (u + v, w) = f (u, w) + f (v, w), 2. f (u, v) = f (u, v), u, v, w E u, v, w E K f (u, v)
u, v E y K u, v E y K
3. f (u, v + w) = f (u, v) + f (u, w), 4. f (u, v) = f (u, v),
Observe que lo anterior es equivalente a vericar que , K y u, v, w E f (u + v, w) = f (u, w) + f (v, w) , K y u, v, w E f (u, v + w) = f (u, v) + f (u, w) es decir, una aplicacin f : E E K es una forma bilineal si es lineal en cada una de sus componentes. Ejemplos: 1. La aplicacin trivial 0 : E E K es bilineal. 2. La aplicacin f : Rn Rn R, tal que f (u, v) = eucldeo de Rn . 86
ui vi es bilineal y se llama producto

i=1
87
3. La aplicacin f ((x1 , x2 ), (y1 , y2 )) = x1 y2 x2 y1 es una forma bilineal en R2 , que es justamente el determinante de la matriz x1 x2 y1 y2 4. La aplicacin f : M(R)mn M(R)mn R, tal que f (A, B) = tr(AB T ) es bilineal. 5. Si f y g son formas bilineales sobre dos espacios vectoriales E y F , entonces f g es bilineal en E F . 6. Dado R2 , la aplicacin f denida por: f: R2 R2 R ((x1 , x2 ), (y1 , y2 )) x1 y2
es una forma bilineal, ya que para todo (x1 , x2 ), (y1 , y2 ), (z1 , z2 ) R2 y , K se tiene que f ((x1 , x2 ) + (y1 , y2 ), (z1 , z2 )) = f ((x1 + 1 y1 , x2 + y2 ), (z1 , z2 )) = (x1 + y1 )z2 f ((x1 , x2 ), (z1 , z2 )) + f ((y1 , y2 ), (z1 , z2 )) = (x1 , z2 ) + (y1 , z2 )
Proposicin 5.1. En un espacio vectorial, la nica aplicacin que es lineal y bilineal a la vez es la aplicacin trivial. Proposicin 5.2. Sea f una forma bilineal en un espacio vectorial. Entonces se tiene 1. f (0, u) = f (v, 0) = 0, u, v E. u, v E.
n n n
2. f (u, v) = f (u, v) = f (u, v),

n
3. Si u1 , u2 , . . . , un , v1 , v2 , . . . , vn E y 1 , 2 , . . . , n , 1 , 2 , . . . , n R, entonces Denicin 5.2. Una forma bilineal f : E E K es simtrica si f (u, v) = f (v, u) v, u E. v, u E. Denicin 5.3. Una forma bilineal f : E E K es antisimtrica si f (v, u) = f (u, v) Lema 5.1.1. Sea E un espacio vectorial sobre K y f : E E K una forma bilineal. Si K = R o K = C se verica que f es antisimtrica s y solo si f (v, v) = 0, para cada v E. Ejemplos: 1. La aplicacin T denida como: T : R2 R2 (x, y) R T (x, y) = det[x : y] f i ui ,
i=1 j=1
j vj =
i i f (ui , vj )
i=1 j=1
es una forma bilineal antisimtrica.
88 2. La aplicacin f denida por: f : R3 R3 (x, y) R f (x, y) = 2x1 y1 + 3x2 y3 x3 y3
es una forma bilineal, pero no es simtrica, ni antisimtrica.
3. La aplicacin f denida como: f : R2 R2 (x, y) es un forma bilineal simtrica. R f (x, y) = 3x1 y1 x2 y1 x1 y2 x2 y2
5.2.
Representacin matricial de formas bilineales
Sea E un espacio vectorial de dimensin n. Si B = {e1 , e2 , . . . , en } es una base ordenada de E y f una forma bilineal en E, adems x, y E, entonces llamaremos matriz de f respecto a dicha base a: A = (aij )mn es decir tal que aij = f (ei , ej )
A=
f (e1 , e1 ) f (e2 , e1 ) . . .
f (e1 , e2 ) f (e2 , e2 ) . . .
... ... .. . ...
f (e1 , en ) f (e2 , en ) . . . f (en , en )
f (en , e1 ) f (en , e2 )
Teorema 5.1. Sea f : E E R una forma bilineal. Sea B = {e1 , e2 , . . . , en } una base ordenada de E. Entonces A es la nica matriz, tal que para todo x, y E se cumple f (x, y) = [x]t A[y]B B Demostracin: Sea
n
x=
i=1
xi ei
[x]B =
x1 x2 . . . xn y1 y2 . . . yn
y=
j=1
yj ej
[y]B =
89
Entonces f (x, y) = f
n i=1 n
xi ei ,
i=1
xi f ei ,
n
j=1 n j=1
yj ej yj ej
=
i=1 n
xi
j=1 n
yj f (ei , ej ) xi f (ei , ej )yj
=
i=1 j=1
[x]t A[y]B B
Esta expresin recibe el nombre de ecuacin matricial de la forma bilineal f , y la matriz A el de matriz asociada a f respecto de la base B. Esta representacin matricial depende de la base B. Si una matriz tiene esta propiedad, aplicndola a los vectores ei y ej obtenemos que su componente (i, j) ha de ser precisamente f (ei , ej ). Ejemplo: 1. Calcular las matrices asociadas a la forma bilineal f : R2 R2 R denida por f ((x1 , x2 ), (y1 , y2 )) = x1 y2 + x2 y1 en la base cannica y en la base B = {(1, 1), (1, 0)}.
Primero calculemos la matriz A asociada a f en la base cannica: A= f ((1, 0), (1, 0)) f ((1, 0), (0, 1)) f ((0, 1), (1, 0)) f ((0, 1), (0, 1)) = 0 1 1 0
ahora calculemos la matriz A asociada a f en la base B: A = f ((1, 1), (1, 1)) f ((1, 1), (1, 0)) f ((1, 0), (1, 1)) f ((1, 0), (1, 0)) = 2 1 1 0
A partir de la matriz asociada a una forma bilineal podremos decir si esta es simtrica o antisimtrica.
Proposicin 5.3. Sea E un espacio vectorial de dimensin nita, f una forma bilineal en E y sea A la matriz asociada a f respecto de alguna base de E. Entonces 1. f es simtrica 2. f es antisimtrica A es una matriz simtrica. A es una matriz antisimtrica.
90 Demostracin: Si f es simtrica aij = = = Recprocamente, si A es simtrica

n
f (ei , ej ) f (ej , ei ) aji
f (x, y) =
i,j=1 n
xi aij yj yj aji xi
i,j=1
= =
f (y, x)
Proposicin 5.4. Toda forma bilineal puede descomponerse como la suma de una forma bilineal simtrica y una antisimtrica. Demostracin: Basta ver que si f es bilineal se puede escribir como f= donde 1 1 (f + f t ) + (f f t ) 2 2 es simtrica, y es antisimtrica.
1 (f + f t ) 2 1 = (f f t ) 2 =
5.3.
Relacin de congruencia
Proposicin 5.5 (Cambio de base). Sea f : E E K una forma bilineal, dim V = n, adems B, B bases de E y CB B la matriz cambio de base B a la base B. Sean x, y E con: xB = (x1 , x2 , . . . , xn ) yB = (y1 , y2 , . . . , yn ) xB = (x , x , . . . , x ) 1 2 n
yB = (y1 , y2 , . . . , yn ) 1
t MB f = CB B MB f CB B
Demostracin: As pues, se tiene
x1 x2 . . . xn
1M
Bf
representa la matriz asociada a la forma bilineal f respecto a la base B.
= CB B
x 1 x 2 . . . x n
y1 y2 . . . yn
= CB B
y1 y2 . . . yn
91
entonces
f (x, y) = (x1 , x2 , . . . , xn ) MB f x 1 x 2 t
y1 y2 . . . yn
= CB B . MB f CB B . . xn yn y1 y2 t = (x , x , . . . , x ) CB B MB f CB B . n 1 2 . .
MB f y1 y2
y1 y2 . . .
= (x , x , . . . , x ) MB f . 1 2 n . . yn Ejemplo: 1. Sea f : R2 R2 R denida por
yn
f ((x1 , x2 ), (y1 , y2 )) = x1 y2 + x2 y1 donde B es la base cannica y B = {(1, 1), (1, 0)}. Entonces 0 1 1 0 = 0 1 1 1 2 1 1 0
MB f
0 1 1 1
CBB
MB f
T CB B
2 1
1 0
1 1 1 0
T CBB
0 1
1 0
1 1 1 0
CB B
MB f
MB f
5.4.
Rango de una forma bilineal
Denicin 5.4. Sea f : E E K una forma bilineal, dim E = n, se dene el rango de una forma bilineal como el rango de la matriz A, asociada a la forma bilineal f respecto a una base B cualquiera de E. Ejemplos: 1. Sea f : R2 R2 R una forma bilineal denida por f (x, y) = 3x1 y1 + x2 y1 + x1 y2 + 2x2 y2 Cul es el rango de f ?. La matriz de f asociada a la base cannica es: A= y por tanto el rg(f ) = 2. f (e1 , e1 ) f (e1 , e2 ) f (e2 , e1 ) f (e2 , e2 ) = 3 1 1 2
92 2. Sea f : R3 R3 R denida por f ((x1 , x2 , x3 ), (y1 , y2 , y3 )) = x1 y1 x3 y3 + x1 y2 Encuentre el rango de f ?. f (e1 , e1 ) f (e1 , e2 ) f (e1 , e3 ) 1 1 A = f (e2 , e1 ) f (e2 , e2 ) f (e2 , e3 ) = 0 0 f (e3 , e1 ) f (e3 , e2 ) f (e3 , e3 ) 0 0 y por tanto el rg(f ) = 2.
0 0 1
Denicin 5.5. Una forma bilineal f : E E K, dim E = n, se dice que es degenerada si su rango es menor que n. Mientras que si su rango es n, entonces es no degenerada. Es decir, una forma bilineal f : E E K, dim E = n, es degenerada si y slo si det(MB f ) = 0 y es no degerada si y slo si det(MB f ) = 0.
5.5.
Formas cuadrticas
Denicin y propiedades
Denicin 5.6. Sea f : E E K una forma bilineal simtrica. Se llama forma cuadrtica asociada a f a la aplicacin Qf : E x tal que 1. Q(0) = 0. 2. Q(x) = 2 Q(x). 3. Q(x + y) = Q(x) + Q(y) + 2f (x, y). Distintas formas bilineales pueden dar lugar a la misma forma cuadrtica. De hecho, si f es una forma bilineal simtrica y Q es la forma cuadrtica asociada a f , entonces para cada forma bilineal antisimtrica g se tiene Q(x) = f (x, x) = f (x, x) + g(x, x) pues g(x, x) = 0 al ser antisimtrica, as Q tambin es la forma cuadrtica de f + g. Esto es, la forma cuadrtica asociada a una forma bilineal slo depende de la parte simtrica de esta. Ejemplos: Calcule la forma cuadrtica asociada a las siguientes formas bilineales 1. Sea f : R2 R2 R denida por f (x, y) = f ((x1 , x2 ), (y1 , y2 )) = x1 y2 + x2 y1 entonces Qf (x) = f ((x1 , x2 ), (x1 , x2 )) = 2x1 x2 K Qf (x) = f (x, x)
93
2. Sea f : R2 R2 R denida por f (x, y) = f ((x1 , x2 ), (y1 , y2 )) = 3x1 y1 + x2 y1 + x1 y2 + 2x2 y2 entonces Qf (x) = f ((x1 , x2 ), (x1 , x2 )) = 3x2 + 2x1 x2 + 2x2 1 2 Se pueden denir formas cuadrticas asociadas a formas bilineales no simtricas aunque nosotros slo estudiaremos el caso de las formas cuadrticas asociadas a formas bilineales simtricas. Proposicin 5.6. Sea f una forma bilineal simtrica y Q : E K su forma cuadrtica asociada. Entonces 1 f (x, y) = [Q(x + y) Q(x) Q(y)] 2 Demostracin: Se obtiene directamente despejando el tercer apartado de las propiedades de las formas cuadrticas. Proposicin 5.7. Dada una forma cuadrtica Q en E, entonces existe una nica forma bilineal simtrica fp cuya forma cuadrtica asociada es Q. Tal forma bilineal simtrica recibe el nombre de forma polar de la forma cuadrtica Q. Corolario 5.2. Sea Q una forma cuadrtica en E asociada a la forma bilineal g. La forma polar fp de Q se puede obtener como: 1. fp (x, y) = 2. fp (x, y) = 3. fp (x, y) =
1 2 1 4 1 2
[Q(x + y) Q(x) Q(y)]. [Q(x + y) Q(x y)]. [g(x, y) + g(y, x)].
5.6.
Expresin matricial de una forma cuadrtica
Cambios de base
Consideremos una forma cuadrtica Q : E K asociada a la forma bilineal simtrica Sea B = {x1 , x2 , . . . , xn } una base de E, como f es simtrica tenemos que f (xi , xj ) = f (xj , xi ) Por tanto i, j = 1, 2, . . . , n f (x1 , x2 ) f (x2 , x2 ) . . . f (x1 , x2 ) f (x2 , x2 ) . . . ... ... .. . ... ... .. . f (x1 , xn ) f (x2 , xn ) . . . f (x1 , xn ) f (x2 , xn ) . . . x1 x2 . . . xn x1 x2 . . . xn f :EE K
Q(x) = f (x, x)
(x1 , x2 , . . . , xn ) (x1 , x2 , . . . , xn )
f (x1 , x1 ) f (x2 , x1 ) . . . f (x1 , x1 ) f (x2 , x1 ) . . .
f (xn , x1 ) f (xn , x2 )
. . . f (xn , xn )
f (x1 , xn ) f (x2 , xn )
. . . f (xn , xn )
94 Denicin 5.7. La matriz A= f (x1 , x1 ) f (x2 , x1 ) . . . f (x1 , x2 ) f (x2 , x2 ) . . . ... ... .. . f (x1 , xn ) f (x2 , xn ) . . .
f (xn , x1 ) f (xn , x2 )
. . . f (xn , xn )
se dice que es la matriz de la forma cuadrtica Q asociada a la base B de E, es decir A = MB Q. Observe que MB Q es siempre una matriz simtrica. Por tanto, si denotamos por f (xi , xj ) = f (xj , xi ) = bij obtenemos
n
i, j = 1, 2, . . . , n
Q(x) = f (x, x)
=
i=1
bij x2 + i
1ijn
2bij xi xj
= b11 x2 + b22 x2 + . . . + bnn x2 + 2b12 x1 x2 + . . . + 2b1n x1 xn + 2b23 x2 x3 + . . . + 1 2 n +2b2n x2 xn + 2b34 x3 x4 + . . . + 2b3n x3 xn + . . . + 2b(n1)n x(n1) xn Para pasar de una expresin a otra hay que tener en cuenta que los elementos de la diagonal principal en la diagonal matricial resultan ser los coecientes de los cuadrados en la expresin polinmica, y que los elementos restantes de la matriz resultan ser la mitad de los coecientes de los trminos no cuadrticos en la expresin polinmica. Ejemplos: 1. Obtenga la expresin polinmica de la forma cuadrtica, expresada matricialmente como: 1 4 1 x1 Q(x) = (x1 , x2 , x3 ) 4 0 0 x2 1 0 2 x3 Por tanto, la expresin polinmica es: Q(x) = x2 + 2x2 + 8x1 x2 2x1 x3 1 3 2. Obtenga la expresin matricial de la forma cuadrtica, expresada polinmicamente como: Q(x) = x2 5x2 x1 x2 + 4x2 x3 2 3 Por tanto, la expresin matricial es: 0 1 Q(x) = (x1 , x2 , x3 ) 2 0 3. Hallar la matriz asociada a Q : R4 R con Q(x1 , x2 , x3 , x4 ) = x2 2x1 x2 + 2x1 x3 + 2x1 x4 + x2 2x2 x3 + 2x2 x4 x2 + 2x3 x4 x2 1 2 3 4 en la base cannica. 1 1 1 1 1 1 1 1 MB Q = 1 1 1 1 1 1 1 1
1 2 1 2
0 x1 2 x2 x3 5
95
Proposicin 5.8 (Cambios de base en formas cuadrticas). Sea Q : E K una forma cuadrtica, dim E = n, B, B bases de E y CB B la matriz del cambio de la base B a la base B.
t MB Q = CB B MB QCB B
Demostracin: Sean x, y E con: As pues, se tiene xB = (x1 , x2 , . . . , xn ) x1 x2 . . . xn xB = (x , x , . . . , x ) 1 2 n x 1 x 2 . . . x n y1 y2 . . . yn
entonces
= CB B
Q(x) =
(x1 , x2 , . . . , xn ) MB Q x 1 x 2 . . . t
CB B
x n
MB Q CB B
y1 y2 . . . yn y1 y2 . . . yn
t (x , x , . . . , x ) CB B MB Q CB B 1 2 n
MB Q y1 y2 . . .
(x , x , . . . , x ) MB Q 1 2 n
yn
5.7.
Matrices congruentes
A continuacin estudiaremos cmo se relacionan las expresiones matriciales de las formas bilineales y cuadrticas en diferentes bases. Sea f (x) = xt Ax una forma cuadrtica de E, expresada en coordenadas respecto a una determinada base. Si P es una matriz invertible y hacemos el cambio lineal de coordenadas en E Py = x tenemos que f (x) = (P y)t AP y = y t P t AP y de donde se deduce que la matriz de f respecto a la nueva base es A = P t AP
96
Denicin 5.8. Dos matrices A y A reales y simtricas se dicen congruentes, si existe una matriz P invertible tal que A = P t AP Equivalentemente, dos matrices reales y simtricas son congruentes si representan la misma forma cuadrtica respecto a diferentes bases de E. Adems las matrices congruentes entre s tienen el mismo rango. Esto motiva la siguiente denicin. Denicin 5.9. Se dene el rango de una forma cuadrtica, como el rango de su matriz (simtrica) respecto de cualquier base de E. Observacin 5.1. La simetra de la matriz es imprescindible en la denicin anterior Por ejemplo, la forma cuadrtica de R2 denida por f (x, y) = x2 + y 2 + 2xy puede escribirse como f (x, y) = x y 1 1 1 1 x y = x y 1 0 2 1 x y
siendo el rango de f igual a 1, que es el de la matriz simtrica. El rango 2 de la segunda matriz no da informacin sobre la forma cuadrtica, por no ser simtrica. Proposicin 5.9. Sea A, C M(K). Si A es congruente con C entonces se tiene que rg(A) = rg(C).
5.8.
Diagonalizacin de formas cuadrticas

f :EE K
Denicin 5.10. Sea E un espacio vectorial, de dimensin n, y
una forma bilineal simtrica. Decimos que x, y E son conjugados respecto de f si f (x, y) = 0. Proposicin 5.10. Dado x E el conjunto es un subespacio vectorial de E. Proposicin 5.11. Si f : E E K es una forma bilineal simtrica no idnticamente nula entonces existe x E tal que f (x, x) = 0. Demostracin: Puesto que es una forma bilineal no idnticamente nula entonces existe y, z E tal que f (y, z) = 0 y como f (y + z, y + z) = f (y, y) + f (z, z) + 2f (y, z) obtenemos que x = y + z, x z. f :EE K Cx = {y E / f (x, y) = 0} E
97
Proposicin 5.12. Sea x E con f (x, x) = 0 entonces E = Cx L{x} Demostracin: Basta ver que: Cx L{x} = {0}. Si y E entonces se tiene y= f (y, x) f (y, x) x+ y x f (x, x) f (x, x)
L{x} Cx
Corolario 5.3. Toda forma cuadrtica o forma bilineal simtrica es diagonalizable. Por tanto, si A M(R) es simtrica entonces A es congruente con una matriz diagonalizable, es decir, existe una matriz invertible P tal que D = P t AP
5.8.1.
Mtodos para diagonalizar formas cuadrticas
Diagonalizacin por congruencia. Sumas de cuadrados Proposicin 5.13. Sea E un espacio vectorial de dimensin n, adems f : E E K una forma bilineal simtrica y Q : E K su forma cuadrtica asociada. Entonces existe una base B = {x1 , x2 , . . . , xn } de E tal que a11 0 . . . 0 0 a22 . . . 0 MB Q = . . . .. . . . . . . . 0 0 ... ann es decir, f (xi , xj ) = 0 para todo i = j con i, j {1, 2, . . . , n}. Por tanto, la expresin en coordenadas de la forma cuadrtica Q respecto de la base B es: Q(x) = a11 x2 + a22 x2 + . . . . . . + ann x2 1 2 n Demostracin: Hacemos la demostracin por induccin sobre la dimensin de E. Suponemos que f es una forma bilineal simtrica no idnticamente nula, ya que en caso contrario siempre se verica. Es claro que si dim E = 1 2 se verica. Supongamos que es cierto hasta dim E = n 1. Sea E un espacio vectorial con dim E = n. Sea y E con f (y, y) = 0 entonces E = Cy L{y} Como dim Cy = n 1 por hiptesis de induccin tenemos que existe una base BC = {y1 , y2 , . . . , yn1 } de Cy tal que f (yi , yj ) = 0 para todo i = j con i, j {1, 2, . . . , n 1}. Por tanto B = {y1 , y2 , . . . yn1 , x}
es la base que buscbamos.
98
Llamaremos diagonalizar por congruencia una matriz real y simtrica, a encontrar una matriz diagonal congruente con ella, as como la matriz de paso P que relaciona ambas. Como veremos a continuacin, el encontrar una matriz P invertible que transforme mediante congruencia la matriz simtrica A en una diagonal, es mucho ms sencillo que la diagonalizacin ortogonal de A, pues la matriz P no tiene por qu ser ortogonal. Se dice que una forma cuadrtica est expresada como suma de cuadrados, cuando se tiene su expresin en coordenadas respecto a una determinada base. Reducir una forma cuadrtica, mediante una cambio lineal de coordenadas, a una suma de cuadrados, es equivalente a diagonalizar por congruencia su matriz. Mediante operaciones elementales Dada una matriz real y simtrica A, si realizamos una operacin elemental sobre sus las y a continuacin la misma operacin sobre sus columnas, se conserva la simetra de la matriz. Ello equivale a la post y premultiplicacin por una matriz elemental y su transpuesta:
t E1 A E1
Reiteramos este proceso hasta obtener una matriz diagonal

t t t Ek . . . E2 E1 A E1 E2 . . . Ek = D
es decir (E1 E2 . . . Ek )t A E1 E2 . . . Ek = D As pues, tomando P = E1 E2 . . . Ek es decir, la matriz resultante de realizar sobre la identidad las mismas operaciones de columnas efectuadas sobre A, tenemos que P t AP = D. Ejemplos: 1. Sea la forma cuadrtica Q(x1 , x2 ) = x1 x2 + x2 . 1 La matriz asociada a la forma cuadrtica en la base cannica de R2 es: A = MBC Q = 1
1 2 1 2
1 Realizamos operaciones elementales en la matriz A por las: F2 2 F1 y por columnas C2 1 C1 , 2 es decir 1 1 0 1 1 1 2 1 0 2 = 1 1 1 2 1 0 0 1 0 4 2

T CBB C
CBBC
MB Q
Obtenemos as que la matriz MB Q es la matriz de la forma cuadrtica en la base 1 B = {(1, 0), ( , 1)} 2
99
2. Sea la forma cuadrtica Q(x1 , x2 ) = x1 x2 + x2 . 2 La matriz asociada a la forma cuadrtica en la base cannica de R2 es: A = MBC Q = 0
1 2 1 2
Cambiamos las las F1 , F2 y las columnas C1 , C2 de orden, es decir: 0 1 1 0 1

1 2
0
1 2
1 2
0 1
1 0
= =
1
1 2
1 2
0 1 1 0
1
1 2
1 2 1 2
0 1
1 1 2 0 1 0 1 1 0
1 1 2
0 1
T CBB C
0 1
0
1 2
1 1 2 0 1
CBBC
1 0 1 0 4 = 1 0 0 1 4
MB Q
Obtenemos as que la matriz MB Q es la matriz de la forma cuadrtica en la base 1 B = {(0, 1), (1, )} 2 3. Sea la forma cuadrtica Q(x1 , x2 , x3 ) = x2 + 2x1 x2 + 3x2 + 4x1 x3 + 6x2 x3 + 5x2 . 1 2 3 La matriz asociada a la forma cuadrtica en la base 1 A = MBC Q = 1 2 elementales en 1 1 0 0 1 3 2 3 1 1 0 0 0 0 2 1 0 1 0 0 1 1 0 1 0 1 2 cannica de R3 es: 1 2 3 3 3 5
Realizamos operaciones 1 0 1 1 2 0 1 0 0 1 1 0 2 1 0 0 1 0 1 0 1 2 0 1 1 2
T CBB
la matriz A, 2 1 1 2 1 0 3 0 1 0 = 0 2 5 0 0 1 0 1 0 1 0 0 1 0 1 1 0 1 2 = 0 2 1 0 0 1 0 0 1 2 1 1 2 1 0 3 3 0 1 0 0 1 3 5 0 0 1 0 0
CBBC
1 2
0 1 1 0 0 0
1 1 2 = 0 1 0 0 0
0 2 0
MB Q
1 2
0 0
1 0 0 1 1 1 1 0 1 3 1 2 3 3 2 1 2
T CBB C
2 1 1 3 1 0 2 0 3 1 1 = 0 2 2 5 0 0 1 0 0
CBBC
1 2
MB Q
Obtenemos as que la matriz MB Q es la matriz de la forma cuadrtica en la base 3 1 B = {(1, 0, 0), (1, 1, 0), ( , , 1)} 2 2
100 Completando cuadrados
Ahora vamos a ver que toda forma cuadrtica no nula de E puede reducirse a una suma de cuadrados de formas lineales, ms una forma cuadrtica residual que depende de, a lo sumo, n 1 variables, sobre la cual se reiterar el procedimiento. As, en n 1 pasos como mximo, la forma cuadrtica original quedar reducida a una suma de cuadrados. Primer Caso: Si tenemos que
n
f (x) =
i=1
aii x2 + 2 i
i<j
aij xi xj
con algn coeciente diagonal no nulo, por ejemplo a11 , agrupamos los trminos de la siguiente manera:
2 n n
f (x) = =
a11 x1 +
n 2 a11 y1 +
a12 a1n x2 + . . . + xn a11 a11 bii x2 + i bij xi xj

2i<j
j=2
a2 2 a1i a1j 1j xj 2 xi xj + a11 a11 2<i<j
aii x2 + i
i=2 2<i<j
aij xi xj
i=2
En donde hemos introducido la nueva variable a1n a12 x2 + . . . + xn y1 = x1 + a11 a11 y los dos ltimos sumandos constituyen una forma cuadrtica de E en las variables x2 , x3 , . . . , xn . Segundo Caso: Si son nulos todos los coecientes diagonales aii , existir algn aij no nulo, con i = j; por ejemplo, a12 = 0. Entonces procedemos de la siguiente manera:
f (x)
= = =
2
ij
aij xi xj aij xi xj
3i<j
2a12 x1 x2 + 2x1 (a13 x3 + . . . + a1n xn ) + 2x2 (a23 x3 + . . . + a2n xn ) + 2 2a12 x1 +
1 1 (a13 x3 + . . . + a1n xn )) x2 + (a23 x3 + . . . + a2n xn ) + 2a12 2a12 1 +2 aij xi xj (a13 x3 + . . . + a1n xn )(a23 x3 + . . . + a2n xn ). 2a12 3<i<j
Hacemos ahora el cambio de variables denido por y1 + y2 = x1 + y1 y2 = x2 + 1 (a23 x3 + . . . + a2n xn ) 2a12
1 (a13 x3 + . . . + a1n xn ) 2a12 y la forma cuadrtica puede escribirse de la forma: f (x) = 2a12 (y1 + y2 )(y1 y2 )
n
1 (a13 x3 + . . . + a1n xn )(a23 x3 + . . . + a2n xn ) 2a12 bij xi xj

3i<j
2 2a12 y1
2 2a12 y2
+
i=3
bii x2 + i
101
de donde los dos ltimos sumandos representan una forma cuadrtica de E en las variables x3 , x4 , . . . , xn . Ejemplos: 1. Sea la forma bilineal Q(x) = Q(x1 , x2 ) = x2 + 2x1 x2 + x2 1 2 como Q(x1 , x2 ) = x2 + 2x1 x2 + x2 = (x1 + x2 )2 1 2 si hacemos el cambio (x , x ) = 1 2 obtenemos que Q(x , x ) = 1 2 = = = = = (x )2 1 (x , x ) 1 2 1 1 0 1 (x1 , x2 ) (x1 , x2 ) 1 1 1 1 1 0 0 0 x1 x2 0 1 1 1 x 1 x 2
T
1 1 0 1
x1 x2
1 0 0 0 0 0 1 0 1 1
1 0
1 1 x1 x2
x1 x2
1 0 x1 x2
x2 + x2 + 2x1 x2 = Q(x1 , x2 ) 1 2
2. Sea la forma bilineal Q(x) = Q(x1 , x2 , x3 ) = x2 4x1 x2 2x1 x3 + 4x2 1 3 Elegimos una variable y todos los factores que la contengan, por ejemplo x1 , y completamos un cuadrado Q(x1 , x2 , x3 ) = x2 4x1 x2 2x1 x3 + 4x2 1 3
= (x1 2x2 x3 )2 x2 4x2 4x2 x3 + 4x2 3 2 3 1 2 2 2 = (x1 2x2 x3 ) 4(x2 + x3 ) + 4x3 2
hacemos el cambio 1 (x , x , x ) = 0 1 2 3 0 2 1 x1 1 x2 1 2 0 1 x3
102 obtenemos que Q(x , x , x ) = 1 2 3 = x12 4x22 + 4x32 1 0 0 x1 (x , x , x ) 0 4 0 x 2 1 2 3 0 0 4 x 3 T x1 1 0 1 2 1 1 0 x2 0 4 1 2 x3 0 0 0 0 1 1 0 0 1 0 0 1 0 0 4 0 (x1 , x2 , x3 ) 2 1 0 0 4 1 2 1 1 2 1 x1 0 0 x2 (x1 , x2 , x3 ) 2 1 0 4 x3

0 0 4 1 0 0
1 2 1 1 0 1 2 0 0 1 2 1 x1 1 1 x2 2 0 1 x3
x1 x2 x3
= =
x2 4x1 x2 2x1 x3 + 4x2 = Q(x1 , x2 , x3 ) 1 3
3. Sea la forma bilineal Q(x) = Q(x, y, z, t) = xy + xz + yz + tz + xt elegimos un sumando: xy y todos aquellos que tengan la variable x o y, en nuestro caso xz + yz + xt entonces como (x + z)(y + t + z) = xy + xt + xz + yz + zt + z 2 tenemos que y haciendo el cambio de variable Q(x, y, z, t) = xy + xz + yz + tz = (x + z)(y + t + z) z 2 x+z y+t+z z t entonces = = = = x + y x y z t 1 0 x 2 1 1 y 2 1 0 z 0 1 t
obtenemos
1 1 x 2 2 1 1 y = 2 2 z 0 0 0 0 t
Q(x, y, z, t) = (x + y )(x y ) z
=x2y 2z
5.9.
Invariantes lineales de una forma cuadrtica
Como sabemos, las matrices asociadas a la misma forma cuadrtica en distintas bases son congruentes, el problema consiste en dada una matriz simtrica A, determinar una matriz diagonal D congruente con A.
103
Un primer mtodo para obtenerla es la diagonalizacin por semejanza ortogonal, recordar que cada matriz simtrica es diagonalizable por semejanza ortogonal, es decir, existe una matriz ortogonal P de forma que D = P t AP. Teorema 5.4. Sea E un espacio vectorial sobre R de dimensin nita y sea Q : E R su forma cuadrtica asociada. Existe una base de E para la cual la matriz asociada a Q es diagonal. Veamos como para una forma cuadrtica real Q, el nmero de elementos positivos y de elementos negativos en la forma diagonal es un invariante de Q, esto es: en el proceso de diagonalizacin por congruencia el resultado es esencialmente independiente del camino seguido.
5.9.1.
Ley de inercia de Sylvester
Teorema 5.5 (Ley de inercia de Sylvester). Todas las matrices diagonales congruentes con una misma matriz real y simtrica tienen el mismo nmero de elementos positivos, el mismo nmero de elementos negativos, y el mismo nmero de elementos nulos. Demostracin: Sean dos matrices diagonales congruentes con una misma matriz A, que expresaremos de la siguiente manera, siendo todos los j y j positivos: D = diag(1 , . . . , p , p+1 , . . . , r , 0, . . . , 0) y donde r respresenta el rango de la matriz A. D = diag(1 , . . . , q q+1 , . . . , r , 0, . . . , 0)
Nuestro objetivo ahora es mostrar que p = q. Sean (u1 , u2 , . . . , un ) y (v1 , v2 , . . . , vn ) las bases en las que la forma cuadrtica de A se expresa, respectivamente, mediante D y D . Tenemos que f (uj ) = j > 0 para j = 1, 2, . . . , p; f (vj ) = j > 0 para j = 1, 2, . . . , q; Ahora consideremos los subespacios de E L = L{u1 , u2 , . . . , up } y f (uj ) = j < 0 para j = p + 1, . . . , r;
f (vj ) = j < 0 para j = q + 1, . . . , r; M = L{vq+1 , . . . , vn }.
Para todo x L {0}, se verica que f (x) > 0; para todo x M , se tiene que f (x) < 0; por tanto, el nico elemento comn a ambos es el 0, luego se tiene entonces que L M = {0} y, por consiguiente Ahora bien, como esta dimensin no puede ser mayor que n, se deduce que pq 0 dim(L M ) = dim L + dim M = p + n q.
104 es decir, Intercambiando los papeles de D y D , se deduce anlogamente que y se concluye nalmente que qp p=q
p q.
5.9.2.
Rango y signatura
Denicin 5.11. Dada una forma cuadrtica Q, se dene su signatura, y se denota por (Q)2 , como el nmero de coecientes positivos, menos el nmero de negativos, en cualquier forma diagonal de la misma. Es decir llamaremos signatura de la forma cuadrtica real Q al par (Q) = (p, q) donde p es el nmero de elementos positivos (valores propios positivos de la matriz Q) y q el de negativos (valores propios negativos) en una forma diagonal de Q. Por otra parte, el rango de Q es igual al nmero de las no nulas de su forma diagonal y por tanto rg(Q) = p + q.
5.9.3.
Clasicacin de formas cuadrticas
Ahora veremos cmo se puede analizar el signo que toma una forma cuadrtica real examinando una de sus matrices asociadas. Para ello comenzamos con las siguientes deniciones: Denicin 5.12. Sea A M(R)nn se dice que: a) A es denida positiva, si y slo si xt Ax > 0, para todo x E, x = 0.
b) A es denida negativa, si y slo si xt Ax < 0, para todo x E, x = 0.
c) A es semidenida positiva, si y slo si xt Ax 0, para todo x E, x = 0 y existe x E, x = 0 tal que xAx = 0.
d) A es semidenida negativa, si y slo si xt Ax 0, para todo x E, x = 0 y existe x E, x = 0 tal que xAx = 0. e) A es no denida o indenida si no se verica ninguna de las condiciones anteriores. De este modo, surge de manera natural la correspondiente clasicacin de las formas cuadrticas que recogemos, anlogamente, en la siguiente clasicacin.
Denicin 5.13. Se dice que una forma cuadrtica real Q : E R es: b) denida negativa, si y slo si Q(x) < 0, para todo x E, x = 0. a) denida positiva, si y slo si Q(x) > 0, para todo x E, x = 0.
c) semidenida positiva, si y slo si Q(x) 0, para todo x E, x = 0 y existe x E, x = 0 tal que Q(x) = 0.
d) semidenida negativa, si y slo si Q(x) 0, para todo x E, x = 0 y existe x E, x = 0 tal que Q(x) = 0. e) no denida o indenida, si no se verica ninguna de las condiciones anteriores.
2 Algunas
veces la signatura de una forma cuadrtica Q se la denota tambin como sg(Q).
105
Criterio de los autovalores3 Sea Q(x) = xt Ax la expresin matricial de una forma cuadrtica Q. Se tiene Denicin 5.14. Dada una matriz A simtrica y cuadrada a) A es denida positiva si y slo si todos los autovalores de A son estrictamente positivos. b) A es denida negativa si y slo si todos los autovalores de A son estrictamente negativos. c) A es semidenida positiva si y slo si todos los autovalores de A son positivos o nulos. d) A es semidenida negativa si y slo si todos los autovalores de A son negativos o nulos. e) A es no denida o indenida si y slo si A posee autovalores positivos o negativos. Observacin 5.2. Una forma cuadrtica no nula de E, de rango r y signatura , es: denida positiva denida negativa r = = n. r = < n. r = = n. r = < n. || < r.
semidenida positiva semidenida negativa no denida o indenida
A veces el clculo de los valores propios no es fcil, por ejemplo si la matriz es de orden mayor o igual a 3 y con valores propios no enteros es imposible aplicar Runi para su clculo. Veamos ahora un nuevo mtodo basado en transformaciones elementales que resuelven este problema. Proposicin 5.14. Dos matrices cuadradas de igual orden A y C son congruentes entre s, y slo si, una puede obtenerse a partir de la otra haciendo transformaciones elementales, las mismas por las que por columnas. Por tanto, debemos de desarrollar un algoritmo para obtener a partir de A una matriz diagonal por medio de transformaciones elementales de este tipo. Puesto que toda matriz congruente con una matriz simtrica es simtrica y las matrices diagonales son simtricas, nuestra matriz de partida A a de ser simtrica. Proposicin 5.15. Toda matriz simtrica real es congruente a una matriz diagonal en cuya diagonal slo aparecen los valores 0, 1 y 1. Corolario 5.6. Sea Q una forma cuadrtica real con matriz asociada A, entonces: Q es denida positiva si y slo si A es congruente a la matriz identidad In . Q es denida negativa si y slo si A es congruente a la matriz identidad In .
3 Autovalores
o valores propios
106
5.9.4.
Criterio de Sylvester
Teorema 5.7 (Criterio de Sylvester para matrices denidas positivas). Sea A M(R)nn simtrica; a11 . . . a1k . . >0 .. . k = 1, 2, . . . , n. A es denida positiva det . . . . a1k . . . akk Es decir, que sean positivos todos los menores de la matriz A. Demostracin: Si A es denida positiva, tambin lo es, para k = 1, 2, . . . , n, la forma cuadrtica de Rk . a1k x1 . . . . . . akk xk x1 . . . xk = (x1 , . . . , xk , 0, . . . , 0)A 0 . . . 0
a11 . (x1 , . . . , xk ) . . a1k
... .. . ...
el determinante de cuya matriz ha de ser, por tanto, positivo.
satisfaciendo que det Ak > 0 para k = 1, 2, . . . , n + 1, en donde a11 . . . a1k . . .. . Ak = . . . . a1k ... akk
Lo probaremos por induccin en n. Para n = 1, el resultado es trivialmente cierto. Supongamos que es cierto para n y sea a11 ... a1n a1 n+1 . . . .. . . . . . . . An+1 = a1n ... ann an n+1 a1 n+1 . . . an n+1 an+1 n+1
Por hiptesis de induccin, la matriz An es denida positiva, o lo que es lo mismo, congruente con In . Si P es tal que P t An P = In podemos escribir =
n Fn+1 = Fn+1
P t An+1 P =
Pt 0
0 1
An+1
Pt 0
0 1
a1
1 . . . 0
n+1
... 0 . .. . . . ... 1 . . . an n+1
a1
n+1
. . .
an n+1 an+1 n+1
Efectuando sobre la ltima matriz las operaciones elementales por las ai

i=1 n+1 Fi
107 la matriz 0 0 . . . . . . 1 0 0 b
n
y las mismas operaciones por columnas, obtenemos 1 ... . .. . . B= . 0 ... 0 ... donde b = an+1
n+1
a2 n+1 i
i=1
Como la matriz B es congruente con An+1 , sea Q tal que B = Qt An+1 Q y conclumos nalmente que b = det B = (det Q)2 det An+1 > 0 por lo que B (y por tanto An+1 ) es denida positiva.
Teorema 5.8 (Criterio de Sylvester para matrices denidas negativas). Sea A M(R)nn simtrica: a11 . . . a1k . . >0 .. . k = 1, 2, . . . , n. A es denida negativa (1)k det . . . . a1k ... akk Demostracin:
A es denida negativa
A es denida positiva es decir:
det(Ak ) = (1)k det Ak
Corolario 5.9. Si det Ak = 0 y no se cumple ninguna de los dos teoremas anteriores, entonces Q es no denida o indenida. Corolario 5.10. Q es semidenida positiva si se cumple det Ak > 0, para cada k = 1, 2, . . . , n 1 y det A = 0. Corolario 5.11. Q es semidenida negativa si se cumple (1)k det Ak > 0, para cada k = 1, 2, . . . , n 1 y det A = 0. Corolario 5.12. Si det Ak = 0, para cada k = 1, 2, . . . , n 1 y det A = 0 y no se cumple los dos ltimos corolarios entonces Q es indenida.
5.10.
Formas sesquilineales
Denicin 5.15. Sea E un espacio vectorial sobre C, se denomina forma sesquilineal sobre E a toda aplicacin f :EE C tal que
108 1. f (u + v, w) = f (u, w) + f (v, w), 2. f (u, v + w) = f (u, v) + f (u, w), 3. f (u, v) = f (u, v), 4. f (u, v) = f (u, v), Ejemplo: 1. Sea E = C2 , un espacio vectorial sobre C, y la forma f denida por f : C2 C2 (x, y) f es una forma sesquilineal ?. En efecto: Veamos por ejemplo que se verica lo siguiente. x, y, z C2 , se tiene f ((x1 , x2 ) + (y1 , y2 ), (z1 , z2 )) = = = = y adems C, x, y C2 , se tiene f ((x1 , x2 ), (y1 , y2 )) f ((x1 + y1 , x2 + y2 ), (z1 , z2 )) C x1 y1 + 3x1 y2 x2 y1 + 2x2 y2 u, v, w E. u, v, w E.
u, v E, C. u, v E, C.
(x1 + y1 )z1 + 3(x1 + y1 )z2 (x2 + y2 )z1 + 2(x2 + y2 )z2 x1 z1 + 3x1 z2 x2 z1 + 2x2 z2 + y1 z1 + 3y1 z2 y2 z1 + 2y2 z2 f ((x1 , x2 ), (z1 , z2 )) + f ((y1 , y2 ), (z1 , z2 ))
= f ((x1 , x2 ), (y1 , y2 )) = x1 (y1 ) + 3x1 (y2 ) x2 (y1 ) + 2x2 (y2 ) = (x1 y1 + 3x1 y2 x2 y1 + 2x2 y2 ) = f ((x1 , x2 ), (y1 , y2 ))
Observacin 5.3. Dado un espacio vectorial E = Kn sobre K de dimensin n, y un conjunto de escalares {ij / ij K, i, j = 1, 2, . . . , n}. Entonces la aplicacin f :EE K denida por
n
(u, v) es una forma bilineal.
ij xi y1
i,j=1
Es fcil comprobar que si K = R, las aplicaciones antes mencionadas resultan ser formas bilineales. Por tanto, podemos considerar a las formas sesquilineales anlogas a las formas bilineales.
109
5.11.
Expresin matricial de una forma sesquilineal
Sea E un espacio vectorial sobre K de dimensin n, Si B = {e1 , e2 , . . . , en } es una base ordenada de E y f una forma sesquilineal en E adems si x, y E, se puede escribir f de la siguiente manera: Dado que x, y E, se tiene que
n n
x=
i=1
xi ei
y=
j=1
yj ej
por tanto f (x, y) = f

n i=1 n
xi ei ,
i=1
xi f ei ,
n
j=1 n j=1
yj ej yj ej
=
i=1 n
xi
j=1 n
yj f (ei , ej ) xi f (ei , ej )yj
=
i=1 j=1
= en donde f (e1 , e1 ) f (e2 , e1 ) . . .
[x]t A[y]B B f (e1 , e2 ) f (e2 , e2 ) . . . ... ... f (e1 , en ) f (e2 , en ) . . . f (en , en )
La expresin
A=
... f (en , e1 ) f (en , e2 ) . . . f (x, y) = [x]t A[y]B B
se denominada representacin matricial de la forma sesquilineal respecto de la base B. Mientras que la matriz A se denomina matriz asociada a la forma sesquilineal f respecto a la base B. Esta representacin depende de la base B. Ejemplo: 1. Calcular la matriz asociada a la forma sesquilineal f: C2 C2 ((x1 , x2 ), (y1 , y2 )) C x1 y1 + 3x1 y2 x2 y1 + 2x2 y2
e1 e2
respecto de la base cannica de C2 , B = {(1, 0), (0, 1)}. A= f (e1 , e1 ) f (e2 , e1 ) f (e1 , e2 ) f (e2 , e2 ) = 1 3 1 2
halle f (x, y), donde x = (1 + i, 2i), y = (0, 3 i). Dado que f (x, y) = [x]t A[y]B B
110 se sigue que f ((1 + i, 2i), (0, 3 i)) = = = (1 + i, 2i)A (1 + i, 2i) 2 24i. 0 3i
1 3 1 2
0 3i
Denicin 5.16. Dos matrices A, C M(K)nn se dicen congruentes hermticas si existe una matriz P M(K)nn tal que B = P AP , siendo P = P t
Dos matrices congruentes hermticas son equivalentes y, por tanto, tienen el mismo rango. Denicin 5.17. Sea E un espacio vectorial de dimensin nita y sea f una forma sesquilineal f :EE K entonces Se denomina rango de f al rango de cualquiera de sus matrices asociadas. Se dice que f es no degenerada si rg(f ) = n = dim E. Se dice que f es degenerada si rg(f ) < n = dim E. Ejemplo: 1. Sea E un espacio vectorial sobre C de dim = 2. f :EE C denida por f (x, y) = 3x1 y1 + (1 + i)x2 y2 ix1 y2 + (2 i)x2 y1 Calcule el rango de f y el determinante de la matriz asociada a f . f (x, y) = (x1 , x2 ) Por tanto H= es la matriz asociada a f . det H = 3(1 + i) + i(2 i) = 4 + 5i = 0 adems rg(H) = 2 Por lo cual, f es no degenerada. 3 i 2i 1+i 3 i 2i 1+i y1 y2
111
5.12.
Formas hermticas
Denicin 5.18. Se denomina forma hermtica sobre E a toda forma sesquilineal f sobre E con simetra hermtica, es decir, tal que f (x, y) = f (y, x), x, y E
Observacin 5.4. 1. Si f es hermtica, se verica f (x, x) = f (x, x) f (x, x) R, xE
2. Si K = R, toda forma hermtica es bilineal simtrica, es decir, es bilineal y adems f (x, y) = f (y, x), Ejemplo: 1. La forma sesquilineal tal que es una forma hermtica. En efecto Por lo tanto f (y, x) = 2y1 x1 + (1 + i)y1 x2 + (1 i)y2 x1 f (y, x) = 2x1 y1 + (1 + i)x1 y2 + (1 i)x2 y1 f : C2 C2 C f ((x1 , x2 ), (y1 , y2 )) = 2x1 y1 + (1 + i)x1 y2 + (1 i)x2 y1 x, y E
Teorema 5.13. Sea E un espacio vectorial y f : E E K una forma sesquilineal. Las siguientes armaciones son equivalentes: 1. f es hermtica. 2. Toda matriz asociada a la forma verica: A = A. 3. Todos los elementos de la diagonal principal de la matriz asociada a la forma son nmeros reales. Denicin 5.19. Una matriz A M(K)nn se dice hermtica si verica que A = A.
4
Teorema 5.14. Las matrices hermticas verican: 1. Sea A M(R)nn , A es hermtica 2. Sea A M(K)nn , a) A es hermtica b) A es hermtica
4 Donde
A es simtrica.
A es hermtica.
n N, An es hermtica.
A = At .
112 c) Si A es no singular, A es hermtica A1 es hermtica.
Denicin 5.20. Sea E un espacio vectorial sobre K. Denominaremos forma cuadrtica sobre K a toda aplicacin Q:ER que cumple: Q(x) = Q(x, x), siendo f una forma hermtica sobre E. x E
Obsrvese que en principio f , podra ser una forma sesquilineal cualquiera, no necesariamente hermtica. Observacin 5.5. De la denicin anterior, podemos establecer lo siguiente: 1. Q(x) = f (x, x) R, 2. Q(x) = 2 Q(x), x E. x E, K.
3. Toda forma hermtica f induce una forma cuadrtica Q, y recprocamente, dada una forma cuadrtica Q puede determinarse la nica forma hermtica f . Denicin 5.21. La forma hermtica nica inducida por una forma cuadrtica se denominan forma polar asociada a Q. Denida como: f (x, y) = 1 1 [Q(x + y) Q(x y)] + [Q(x + iy) Q(x iy)] 4 4
La expresin anterior, algunas veces es conocido tambin como: Identidad de Polarizacin.
113
5.13.
Ejercicios Resueltos:
1. Comprobar que las siguientes aplicaciones son o no bilineales y en las que resulten serlo, dar la matriz asociada en la base cannica. Decidir tambin si las formas bilineales son simtricas o antisimtricas.
Sea f : R2 R2 R denida por f ((x1 , x2 ), (y1 , y2 )) = x1 x2 + y1 y2 Si ahora tratamos de escribir la matriz suponiendo que es bilineal obtenemos: A= f ((1, 0), (1, 0)) f ((1, 0), (0, 1)) f ((0, 1), (1, 0)) f ((0, 1), (0, 1)) = 0 0 0 0
Si fuese bilineal tendra que cumplirse f ((x1 , x2 ), (y1 , y2 )) = (x1 , x2 )A Pero esto no es cierto, luego NO es BILINEAL. Otra forma de verlo es que: f ((1, 0) + (0, 1), (0, 0)) = 1 = 0 = f ((1, 0), (0, 0)) + f ((0, 1), (0, 0)) Sea f : 2 [R] 2 [R] R, denida por f (p, q) = p(1)q(1) p(1)q(1) Veamos si es bilineal utilizando la denicin. Sean p, q, p1 , p2 , q1 , q2 2 [R] y , R. Tenemos f (p1 + p2 , q) = = = (p1 (1) + p2 (1))q(1) (p1 (1) + p2 (1))q(1) p1 (1)q(1) p1 (1)q(1) + p2 (1)q(1) p2 (1)q(1) f (p1 , q) + f (p2 , q) y1 y2 =0
Anlogamente vemos que: f (p, q1 + q2 ) = f (p, q1 ) + f (p, q2 ) y por tanto ES BILINEAL. Calculamos la matriz de la aplicacin en la base cannica {1, x, x2 }. La matriz es f (1, 1) f (1, x) A = f (x, 1) f (x, x) f (x2 , 1) f (x2 , x) f (1, x2 ) 0 f (x, x2 ) = 2 f (x2 , x2 ) 0 2 0 0 2 2 0
Vemos que la matriz es antisimtrica y por tanto la aplicacin bilineal ES ANTISIMTRICA. 2. Dada la forma bilineal f denida en R3 f ((x1 , x2 , x3 ), (y1 , y2 , y3 )) = x1 y1 x2 y2 + 2x1 y3
114 construya la matriz de f en la base de R3 B = {(1, 1, 0), (0, 1, 1), (1, 1, 1)} y muestre que f no es simtrica, dando dos vectores x, y R3 tales que f (x, y) = f (y, x)
Otra forma de calcularla es obtener primero su matriz de f respecto a la base cannica (es ms simple) y despes utilizar la matriz cambio de base B a la cannica. 1 1 0 1 1 1 0 1 1 0 1 0 0 2 1 1 0 0 0 0 1 t 1 0 0 1 2 1 1 = 1 1 1 1 1 0 1 2
La matriz que nos piden es f ((1, 1, 0), (1, 1, 0)) f ((1, 1, 0), (0, 1, 1)) f ((1, 1, 0), (1, 1, 1)) 0 1 2 A = f ((0, 1, 1), (1, 1, 0)) f ((0, 1, 1), (0, 1, 1)) f ((0, 1, 1), (1, 1, 1)) = 1 1 1 f ((1, 1, 1), (1, 1, 0)) f ((1, 1, 1), (0, 1, 1)) f ((1, 1, 1), (1, 1, 1)) 0 1 2
No es simtrica por que no lo es su matriz. Por ejemplo
f ((1, 1, 0), (0, 1, 1)) = f ((0, 1, 1), (1, 1, 0)) 3. En R3 hallar la matriz con respecto a la base cannica {e1 , e2 , e3 } de una aplicacin bilineal f tal que verique lo siguiente: f es simtrica. f (e2 , e2 ) = f (e3 , e3 ). Los vectores e1 y e2 son conjugados. f (xe1 + ye2 , e3 ) = y. La forma cuadrtica asociada a f y restringida al subespacio L{e1 , e2 } tiene rango 1 y restringida al subespacio L{e2 , e3 } es semidenida negativa. Sea F la matriz que buscamos. Vamos imponiendo las condiciones que nos dan. Recordemos que el trmino en la posicin i, j de F es Fij = f (ei , ej ). Por ser f simtrica, la matriz F es simtrica: a F = b c Como f (e2 , e2 ) = f (e3 , e3 ) entonces d = f . Que e1 y e2 sea conjugados signica que f (e1 , e2 ) = 0, luego b = 0. Como f (xe1 + ye2 , e3 ) = y, para x = 1, y = 0 vemos que f (e1 , e3 ) = 0 y para x = 0, y = 1 vemos que f (e2 , e3 ) = 1 por tanto c = 0 y e = 1. Tenemos ahora una matriz a F = 0 0 0 0 d 1 1 d b c d e e f
115
La matriz de la restriccin de f a L{e1 , e2 } es: a 0 0 d
Para que tenga el rango 1, ha de cumplirse a = 0 y d = 0 a = 0 y d = 0. La restriccin a L{e1 , e2 } es: d 1 1 d
Para que sea semidenida su determinante debe ser 0. Luego d2 1 = 0 y d = 1. Pero si d = 1 queda: 1 1 1 0 1 1 0 0 y es semidenida positiva. Si d = 1 queda: y es semidenida negativa. 1 1 1 1 1 0 0 0
Deducimos que d = 1 y a = 0 y la matriz F es denitiva es: 0 0 0 1 F = 0 1 0 1 1 4. Consideremos la forma cuadrtica de R4 que en la base cannica viene dada por la matriz: 0 1 1 0 1 0 0 1 A= 1 0 0 1 0 1 1 0 Calcule el rango y la signatura de . Diagonalizamos la matriz mediante operaciones elementales en la y sus simtricas en columnas. 0 1 1 0 1 1 1 1/2 1 0 0 0 1 0 0 1 1 0 0 1 1 1 1/2 0 1 1 0 0 0 1 0 0 1 1 1 3/2 0 1 1 0 1/2 1 1 0 0 1/2 3/2 1/4 1 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 2 0 1 2 0 1 0 0 0 2 0 0 0 2 0 0 0 0 4 Por tanto el rango es rg() = 4 y su signatura () = (2, 2). 5. Sobre el espacio real de la matrices 2 2 de elementos reales, que denotamos M(R)22 , se dene, la siguiente forma cuadrtica: : M(R)22 R A (A) = |A|. Determinar la matriz de en la base cannica de M(R)22 .
116
La forma cuadrtica que nos dan a partir de las coordenadas de una matriz A en la base cannica es: x1 x2 (x1 , x2 , x3 , x4 ) = = x1 x4 x2 x3 x3 x4 Por tanto la matriz de esta forma cuadrtica en la base cannica es: 0 0 0 1/2 0 0 1/2 0 A= 0 1/2 0 0 1/2 0 0 0
117
5.14.
1. Determinar si las siguientes funciones son o no formas bilineales. En caso armativo calcular su matriz en la base cannica correspondiente y determinar si la forma es bilineal simtrica: a) f : R2 R2 R, f (x, y) = 2x1 y1 + 3x2 y1 x2 y2 + 3x1 y2 . c) f : R3 R3 R, f (x, y) = 2x1 y1 + x3 y3 x1 y3 x3 y1 . b) f : R2 R2 R, f (x, y) = x1 y1 x2 y1 + 2x2 y2 + 2x1 y2 .
d ) f : C3 C3 C, f (x, y) = x1 y1 + (2 + i)x2 y1 + 2x2 y2 + (2 + i)x1 y2 + x1 y3 + x3 y1 x3 y3 . 2. Probar que las siguientes funciones son formas bilineales: a) f : Kn Kn K, f (x, y) = xAy t , donde A Knn . b) f : E E K, f (x, y) = f1 (x).f2 (y), donde E es un espacio vectorial y f1 , f2 E . c) f : Kmn Kmn K, f (A, B) = tr(At CB), donde C Kmm .
3. Hallar una forma bilineal f simtrica en R3 tal que su ncleo sea N (f ) = (1, 2, 1) y f ((1, 1, 1), (1, 1, 1)) < 0. Calcular la matriz de f en la base cannica. 4. Sea E un espacio vectorial sobre R y B = {u1 , u2 , u3 } una base de E. Sea la forma bilineal sobre E :EE R denida por (up , uq ) = ip+q i
p+q+1
si p + q es par si p + q es impar
(i2 = 1)
a) Demuestre que es simtrica. b) Calcule la matriz de respecto de B. c) Hallar las coordenadas respecto de B de un vector x E {0} tal que (x, x) = 0. 5. Sea E el espacio vectorial de los polinomios de coecientes reales de grado menor o igual que 2. Es decir, E = {p(x) = a0 + a1 xa2 x2 | ai R i = 0, 1, 2.} Sea la aplicacin denida por :EE R (p(x), q(x)) = p(0)q(0), p(x), q(x) E
donde p(0) es el valor numrico del polinomio p(x) para x = 0. a) Probar que es una forma bilineal simtrica sobre E.
b) Sea B = {1, x 1, x2 + 1} una base de E. Probar que 1 1 1 1 1 MB () = 1 1 1 1
y calcular una base ortogonal B de E, respecto de la cual MB () sea diagonal.
c) Probar que el polinomio p(x) = 2x+x2 es ortogonal, respecto de , a todos los polinomios de E (tmese B como base de E).
118 6. Dada la forma cuadrtica Q(x, y, z) = x2 + 3y 2 + 2z 2 + 2xy + 2xz + 4yz
probar que su forma bilineal simtrica asociada dene un producto escalar en R3 . Hallar una base ortonormal de R3 respecto de este producto escalar y el subespacio vectorial de los vectores ortogonales a (1, 0, 1). 7. En R3 denimos la forma cuadrtica Q(x, y, z) = 2x2 + (y z)2 + (x + z)2 a) Expresar matricialmente la forma bilineal simtrica asociada, y demuestre que sta es un producto escalar. b) Calcule una base ortonormal de R3 respecto de este producto escalar. c) Si F = {(x, y, z) R3 / x = y + z, y = 2x + z}, hallar F 8. Dadas las matrices A= 1 2 2 1 3 1 1 2
B=
encontrar una matriz regular P tal que A = P t BP . 9. Estudiar si son o no congruentes las siguientes matrices: A= 2 1 1 5 B= 1 1 1 2
10. Para cada una de las formas bilineales simtricas reales dadas en la base cannica por las matrices siguientes, hallar una base tal que la matriz de la forma bilineal en dicha base sea diagonal con 1, 1 y 0 en la diagonal. Calcular su signatura y rango, decidir si es degenerada o no, denida (positiva o negativa), semidenida (positiva o negativa) o indenida. 1 2 3 a) 2 6 9 3 9 4 1 1 2 3 1 2 5 1 b) 2 5 6 9 3 1 9 11 11. Sea A Rnn una matriz simtrica. Probar que la forma bilineal que tiene a A como matriz en la base cannica es denida negativa si y slo si los signos de los menores principales van alternndose comenzando por un signo menos. 12. Dados A, B M(K)nn probar que: Si A es invertible, entonces rg(AB) = rg(B). rg(AB) rg(A) + rg(B) n. rg(At A) = rg(AAt ) = rg(A).
119
13. Dadas A, B M(K)mn probar que: rg(A + B) rg(A) + rg(B). 14. Resolver la ecuacin 1 x x 1 x x . . . . . . x x x x 1 . . . x ... ... ... .. . ... x x x . . . 1
=0
Bibliografa
[1] R. Barbolla y P. Sanz, lgebra lineal y teora de matrices, 1998. [2] Burgos Juan de, lgebra Lineal, McGraw-Hill, 1996. [3] Kolman Bernard, Hill David, lgebra Lineal , Octava edicin, Ed. Pearson, Mxico 2006. [4] Poole David, lgebra Lineal, Una introduccin Moderna, Thomson, 2004. [5] A.I. Maltsev, Fundamentos del lgebra Lineal, MIR, 1978. [6] Lay David, lgebra Lineal y sus Aplicaciones, Adisson Wesley Longman, 1999. [7] Cairoli R, Algbre linaire, Tomo 1 y 2, EPFL, Centre Midi, 1987.
120

Apuntes AlgLin y Cuad

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apuntes AlgLin y Cuad

Uploaded by

Copyright:

Available Formats

Algebra Lineal II y Cuadrtica

Diego Pal Huaraca S.

email: diego.21.phs@hotmail.com E.P.N 10 de Mayo 2009

Estudiante de Ingeniera Matematica

Escuela Politcnica Nacional

Diego Pal Huaraca S.

Matrices con elementos complejos

(2 + i) + (2 i) (3 + 2i) + (1 2i) (2 + i) (2 i) (3 + 2i) (1 2i)

(1 + 2i) + (3 4i) 4 = (2i) + (2 + 3i) 4

(1 + 2i) (3 4i) 2i = (2i) (2 + 3i) 2 + 4i 3 4i 8 + 4i = 2 + 3i 4i

(2 + 3i).(2 + i) (2 + 3i).(3 + 2i)

(2 + 3i).(1 + 2i) 1 + 8i = (2 + 3i).(2i) 13i

Tipos importantes de matrices

Ejemplo: Dada la matriz A= por tanto, su matriz hermitiana es: A= 2+i 3 2i

Escuela Politcnica Nacional

Propiedades: Los trminos de la diagonal de una matriz hermitiana son reales

es unitaria, pues (AT )A =

Observaciones: Si A es hermitiana, entonces A es normal. Si A es unitaria, entonces A es normal.

Sistemas de ecuaciones lineales con coecientes complejos

Escuela Politcnica Nacional

1 , para obtener 1+i 1 2 2i 1 0

ahora sumamos (2 2i) veces la primera la a la segunda, para obtener 1i 2 2 + 5i 5i 2 1 + 12i

multiplicamos la segunda la por

3 1 nalmente sumamos ( i) veces la segunda la a la primera, para obtener 2 2 1 0 0 1 | | y 0 2i x2 = 2 i.

Por lo tanto la solucin del sistema es: x1 = 0

Espacio vectorial eucldeo

Captulo de formas bilineales y formas cuadrticas. expresin x, y se denomina producto escalar de x y y.

Escuela Politcnica Nacional

luego es denida positiva. As la aplicacin bilineal es un producto escalar.

Norma asociada a un producto escalar

es unitario, pues x x = 2 3 , , 0 13 13 = 2 3 ( )2 + ( )2 + 02 = 13 13 4 9 + +0= 13 13 13 = 1 = 1. 13

Escuela Politcnica Nacional

El conjunto de vectores T = {v1 , v2 , . . . . . . , vm } es un conjunto ortogonal. Paso 3. Haga wi = 1 vi vi (1 i m).

1 1 1 w3 = (1, 0, 0) (1, 1, 1) (1, 0, 1) = (1, 2, 1) 3 2 6 1 1 1 {(1, 1, 1), (1, 0, 1), ( , , )} 6 3 6

As hemos obtenido una base ortogonal3 de R3 :

el proceso de Gram-Schmidt, para obtener una base ortogonal.

Escuela Politcnica Nacional

Finalmente obtenemos la base ortonormal de R2 (con el producto escalar establecido inicialmente): 1 1 ,0 , ,1 2 2

Escuela Politcnica Nacional

dim S dim E B = {w1 , w2 , . . . , wn }

Supongamos que tenemos una base ortogonal

Si la base B es adems ortonormal entonces para cada i = 1, 2, . . . , n se tiene que wi , wi = wi

Escuela Politcnica Nacional

ngulo entre vectores

Espacio vectorial complejo

(cerrado bajo la suma.)

(cerrado bajo el producto.)

Escuela Politcnica Nacional

Observacin: (C, R, , ) es un espacio vectorial real de dimensin 2 y su base es: B = {1, i}

Subespacio vectorial complejo

Espacio vectorial hermtico

Escuela Politcnica Nacional

i) x + y, z ii) x, y iii) x, y iv) x, x

2. Para el conjunto de las funciones continuas: F ([a, b], C) = {f : [a, b] R C,

3. En Mmn (C) A, B = tr( B . A ) =

24 1. Sea [a, b] = [0, 1], f (t) = t2 + iet y g(t) = t + 2i, calcule f, g

(tet 2t2 )dt

= uT v = (1 + i)(6 2i) + (2 i)(2i) + (3 + i)(1 + i)

Escuela Politcnica Nacional

Otras propiedades del producto hermitico

Teorema de Pitgoras Sean x, y E tal que x, y = 0 RECPROCO x+y

Re( x, y ) = 0 El recproco no siempre se cumple. Identidad del paralelogramo

x+y Identidad de polarizacin x, y = 1 ( x+y 4

Valores y Vectores Propios