You are on page 1of 222

Introducci´

on
“Saber es poder
comprender es tolerar”
La idea que me motiva a escribir estas notas esta sustentada en la firme creencia que, “una
condici´
on necesaria y suficiente para que en alg´
un instante se produzca aprendizaje de algo es
que, la intersecci´
on entre los deseos de ense˜
nar del que ense˜
na, y los deseos de aprender del que
aprende, sea no vac´ıa.”
Lo anterior es con seguridad una muy dif´ıcil tarea, no obstante poseo la esperanza que estas
notas ayudar´
an en parte, a generar la motivaci´
on en los actores para que ingresen a esa ”intersecci´
on.” Por esto espero que con estos apuntes se consiga al menos alguno de los siguientes
objetivos.
´
Dar informaci´
on introductoria y b´
asica a los estudiantes de un primer curso de Algebra.
Servir de hilo conductor para que los estudiantes recorran las primeras ideas algebraicas
hasta llegar a las bases del algebra Lineal, y puedan posteriormente reflexionar, respecto de las
ilimitadas aplicaciones que esta disciplina posee.
Generar un ambiente de di´
alogo permanente, entre el Profesor y el Estudiante del cual se
concluya al menos que, “lo abstracto deja de serlo cuando se hace tangible en la mente, y se
plasma a trav´es de la mano.”
Motivar al estudiante a profundizar d´ıa a d´ıa, cada uno de los t´
opicos discutidos en clases,
usando la bibliograf´ıa de apoyo sugerida por su profesor, para que se concreten y conecten la
teor´ıa y la pr´
actica.
Motivar al profesor, para que complemente estas notas, d´
andoles la contundencia y versatilidad necesaria para mantener vivo en el estudiante su inter´es por la asignatura.
Estas notas est´
an distribuidas en dos tomos, en el primero de ellos se hace ´enfasis en estructuras algebraicas y en el segundo abordamos definitivamente temas de a´lgebra lineal y algunas
de sus aplicaciones m´
as frecuentes.
Deseo enfatizar que desde hoy estas notas estar´
an en constante revisi´
on con el u
´nico objetivo
de mejorar y as´ı llegar a ser alguna vez, un razonable material de apoyo, para la ense˜
nanza y
aprendizaje de esta disciplina.
Este primer trabajo se realiz´
o en el marco del proyecto de docencia “Construcci´
on de un
´
libro de Algebra para el primer a˜
no de Ingenier´ıa Civil ” con el apoyo y financiamiento
de la Vicerrector´ıa de Docencia y Extensi´
on.
Finalmente debo agradecer el inestimable trabajo de la Profesora Gabriela Pe˜
nailillo, quien
con esmero y dedicaci´
on corrigi´
o y adem´
as propuso ideas en la construcci´
on de estas notas.

Ricardo Santander Baeza

CAPITULO 1

Preliminares sobre Sistemas de Ecuaciones.
1. Objetivos
(1) Que el Estudiante este en condiciones de generalizar las t´ecnicas para resolver sistemas
de ecuaciones desarrolladas en sus estudios de Ensa˜
nanza Media.
1.1. Motivaci´
on.
(1) Consideremos el sistema lineal de dos ecuaciones y dos inc´
ognitas:
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2

(1)

(2) El sistema ( 1) puede ser escrito en forma matricial como sigue: 
  

x1
b1
a11 a12
=
x2
b2
a21 a22
{z
} | {z } | {z }
| 

(2)

A

X

B

(3) Probablemente una de las primeras cuestiones que observamos es que un sistema como
( 1) o como ( 2), no tienen porque tener dos ecuaciones y tampoco dos inc´
ognitas,
es decir podemos tener en un arreglo como n ecuaciones y m ”inc´
ognitas”. As´ı que
podemos hacer nuestra primera ”definici´
on dupla”
Definici´
on 1.1.1.
Llamaremos Sistema Lineal de n-ecuaciones y m-inc´
ognitas a una expresi´
on del tipo:

(3)

a11 x1
a21 x1
..
.

+ a12 x2
+ a22 x2
..
+
.

+ ...
+ ...
.
+ ..

an1 x1 + an2 x2 + . . .

+ a1m xm
+ a2m xm
..
+
.

= b1
= b2
.
= ..

+ anm xm = bn

Equivalentemente llamaremos notaci´
on matricial de ( 3) a la ecuaci´
on matricial:

(4)






|

a11
a21
..
.

a12
a22
..
.

...
...
..
.

a1m
a2m
..
.

an1 an2 . . .
{z

anm

A






}|

x1
x2
..
.

 
 
=
 

xm
{z }
X

b1
b2
..
.





bn
| {z }
B

En fin, de ahora en adelante nos referiremos a un sistema lineal gen´erico poniendo
A·X =B
donde A, X y B son como en ( 4)
1

2

1. PRELIMINARES SOBRE SISTEMAS DE ECUACIONES.

Ejemplo 1.1.2.
Un sistema lineal de orden 3×4:

Ejemplo 1.1.3.

2x + 4y + z +
4x + 5y + 6z 3x + y - 2z +
m



x
2 4
1
1 
y
 4 5
6 −2  
 z
3 1 −2
3
w

w = 18
2w = 24
3w = 4



18

 =  24 

4

El Departamento de pesca y caza del Estado proporcionatres tipos de comidas a un
lago que alberga a tres especies de peces. Cada pes de la especie 1 consume cada semana un promedio de 1 unidad del alimento 1, 1 unidad del alimento 2 y 2 unidades del
alimento 3. Cada pez de la especie 2 consume cada semana un promedio de 3 unidades
del alimento 1, 4 del 2 y 5 del 3. Para un pez de la especie 3, el promedio semanal
de consumo es de 2 unidades del alimento 1, 1 unidad del alimento 2 y 5 unidades del
alimento 3. Cada semana se suministran al lago 25000 unidades del alimento 1, 20000
unidades del alimento 2 y 55000 unidades del alimento 3. Si se supone que los peces
se comen todo el alimento. ¿ C´
uantos peces de cada especie pueden coexistir en el lago ?
Planteamiento del problema:
(a) Sean
x1 = cantidad de peces de la especie 1
x2 = cantidad de peces de la especie 2
x3 = cantidad de peces de la especie 3
(b) De acuerdo a los datos del problema debemos tener que:
x1 + 3x2 + 2x3 = 25000
x1 + 4x2 + x3 = 20000
2x1 + 5x2 + 5x3 = 55000
(c) La soluci´
on la dejaremos pendiente hasta implementar una t´ecnica ”adecuada”.
Definici´
on 1.1.4.
Diremos que Z es una soluci´
on del sistema ( 4). Si

z1
 z2 
 
(1) Z =  ..  ∈ MR (m × 1)
 . 

zm

1. OBJETIVOS

3

(2) A · Z = B, es decir




a11
a21
..
.

a12
a22
..
.

...
...
..
.

a1m
a2m
..
.

an1 an2 . . .

anm







z1
z2
..
.

 
 
=
 

zm

b1
b2
..
.
bn





Nuestro problema es ahora determinar una estrategia para solucionar estos sistemas. Para
ello estudiemos un sistema de tama˜
no 2.

(ec1 )
(ec2 )

ec2 −→ ec2 − 3ec1
(ec1 )
(ec2 ) 

x + 2y = 6
3x - y = 4

x + 2y = 6
0 - 7y = -14 

ec2 −→ − 17 ec2
(ec1 )
(ec2 )

Observaci´
on 1.1.5. 

1 2 | 6
0 1 | 2 

L1 −→ L1 − 2L2 

x + 0y = 2
0 + y = 2

x = 2
y = 2

1
2 |
6
0 −7 | −14 

x + 2y = 6
0 + y = 2

m

L2 −→ L2 − 3L1

L2 −→ − 17 L2

ec1 −→ ec1 − 2ec2
(ec1 )
(ec2 ) 

1
2 | 6
3 −1 | 4 

1 0 | 2
0 1 | 2 

m

1 0
0 1 

  
2
x
=
2
y

Las cuestiones m´
as interesantes son:
(1) El sistema se escribe naturalmente en forma matricial, aprovechando el producto de
matrices.
(2) Basta operar sobre los coeficientes (n´
umeros) de las variables del sistema y hacer abstracci´
on de dichas variables.
(3) las operaciones permitidas para resolver el sistema son isomorfismos del grupo de matrices correspondiente.
Teorema 1.1.6.

MR (n × m) − 7 → MR (n × m) A 7 → Lr ←→ Lr + αLs (A) − (7) Donde (Lr ←→ Lr + αLs )(A) es igual que A. MR (n × m) − 7 → MR (n × m) A 7 → Lr ←→ αLr (A) − (6) Donde (Lr ←→ Ls )(A) es igual que A salvo que tiene multiplicada la fila r por la constante no nula α (3) Adici´ on de un m´ ultiplo de una fila a otra fila.1.1.8. En MR (n × m) tenemos los siguientes isomorfismos: (1) Permutaci´ on de filas: MR (n × m) − 7 → MR (n × m) A 7 → Lr ←→ Ls (A) − (5) Donde (Lr ←→ Ls )(A) es igual que A salvo que tiene permutada la fila r con la fila s (2) Ponderaci´ on de una fila por una constante no nula.7. salvo que tiene la fila r sustituida por la fila r m´ as α veces la fila s. Si consideramos la matriz   2 4 −8 6 4 12  A =  3 −5 9 2 7 1 entonces como la ”composici´ on de isomorfismos” es un isomorfismo podemos hacer lo siguiente:   2 4 −8 6  3 −5 4 12  (L1 −→ 12 L1 ) 9 2 7 1   1 2 −4 3  0 −11 16 3  (L2 −→ L3 − 9L1 ) 9 2 7 1   1 2 −4 3  3 −5 4 12  (L2 −→ L2 − 3L1 ) 9 2 7 1   1 2 −4 3  0 −11 16 3  0 −16 43 −26 Este ejemplo motiva hacer la siguiente definici´ on: Definici´ on 1. ( 6) y ( 7).!!! Ejemplo 1. las llamaremos ”Operaciones Elementales de Matrices” . Las funciones definidas en ( 5).4 1. PRELIMINARES SOBRE SISTEMAS DE ECUACIONES. con α 6= 0 La demostraci´ on de este teorema es un buen ejercicio.

1. En ( 1. como por ejemplo acumular. 1 2 3 4  1 0  0 0  1 (L2 ←→ L2 − 2L1 ) 2  (L3 ←→ L3 − 3L1 ) 3 (L4 ←→ L4 − 4L1 ) 4  1 0  0 0 1 0 0 0 1 0 0 0  1 0  0 0 Sea A ∈ MR (n × m) entonces (1) A ser´ a llamada ”Matriz Escalonada Reducida por Filas” si: (a) Todas las filas (si las hay) cuyos elementos son todos ceros (filas nulas). si las hubiera. OBJETIVOS 5 Observaci´ on 1. nos permite trasladar a voluntad las filas de la matriz. nos permite crear unos (1) en cualquier posici´ on de la matriz. las filas nulas ( de puros ceros) en las filas inferiores (de abajo)de la matriz.7). Sea A = (aij ) ∈ MR (4) tal que aij = i entonces Donde. esta m´ as a la derecha que el primer 1 de la fila de encima. (3) La operaci´ on elemental (Lr ←→ Lr + αLs ). (1 ≤ i ≤ 4)(1 ≤ j ≤ 4) A = (L4 ←→ L4 − 4L1 ) ◦ (L3 ←→ L3 − 3L1 ) ◦ (L2 ←→ L2 − 2L1 )(A) = B  1 0 B= 0 0 1 0 0 0 1 0 0 0 En este caso. se puede usar la siguiente notaci´ on:  1 2 A= 3 4 1 2 3 4 Definici´ on 1.11.1. (2) La operaci´ on elemental (Lr ←→ αLr ).1.9. (c) Si dos filas sucesivas son no nulas entonces el primer 1 en la fila de m´ as abajo. nos permite crear ceros (0) en cualquier posici´ on de la matriz. el primer elemento no nulo (partiendo de la izquierda) es un uno (1).1. (b) En cualquier fila no nula.10.1. Ejemplo 1. A este elemento lo llamaremos el pivote de esa fila. . podemos notar que: (1) La operaci´ on elemental (Lr ←→ Ls ). aparecen bajo las filas no nulas.

) (v. . aparecen bajo las filas no nulas.12) (i.) (iv.)   1 −1 6 4 0 1 2 8 0 0 1 0 (iii. Cinco matrices en la forma escalonada por filas.)   1 0 0 0  0 1 0 0 0 0 1 0 (iii.1.1.12. Lema 1.)  1 0 0 5 0 0 1 2    1 0 2 5  0 1 3 6 0 0 0 0 Ejemplo 1.) (v.1. Cinco matrices en la forma escalonada reducida por filas.1. Si A ∈ MR (n × m) entonces existe una u ´nica B ∈ MR (n × m) tal que (1) A ∼ = B por filas (2) B es una matriz escalonada por filas.15. Ejemplo 1. PRELIMINARES SOBRE SISTEMAS DE ECUACIONES.)   1 0 2 5 0 0 1 2  1 3 2 5  0 1 3 6 0 0 0 0  Sea A ∈ MR (n × m) y B ∈ MR (n × m).)   1 0 0 0 1 0 0 0 1   1 0 0 1 (iv.6 1. (b) En cualquier fila no nula.1. (d) Si una columna contiene el pivote de un fila entonces es nula en todas las otras posiciones. (c) Si dos filas sucesivas son no nulas entonces el primer 1 en la fila de m´ as abajo. diremos que A ∼ = B por filas si B es obtenida de A por un n´ umero finito de operaciones elementales. A este elemento lo llamaremos el pivote de esa fila. (ii. (2) A ser´ a llamada ”Matriz Escalonada por Filas” si: (a) Todas las filas (si las hay) cuyos elementos son todos ceros (filas nulas).)   1 2 3 0 1 5 0 0 1   1 2 0 1 Definici´ on 1. esta m´ as a la derecha que el primer 1 de la fila de encima.) (ii.14. (i. Note la diferencia con ( 1. el primer elemento no nulo (partiendo de la izquierda) es un uno (1).13.

1.17.2. Ejercicios Propuestos. Sea A ∈ MR (n × m) entonces llamaremos ”rango ” de la matriz A al n´ umero de filas no nulas de su correspondiente matriz escalonada. OBJETIVOS 7 Definici´ on 1.1. (1) Reducir a la forma escalonada por filas las matrices:   1 −2 3 −1 3  (a)  2 −1 2 3 1 2 3   0 2 2  1 1 3   (b)   3 −4 2  2 −3 1   0 1 3 −2 (c) 2 1 −4 3   1 3 2 3 −7 14 1 −2 5 −2  (d)  2 6 1 3 −1 0 2 −1   (e) 1 2 −1 3 1   1 1 1 1 0  1 1 1 −1 4   (f)   1 1 −1 1 −4  1 −1 1 1 2 (2) Reducir a la forma escalonada reducida por filas las matrices del ejercicio ( 1) .16. La notaci´ on que usaremos para el rango de una matriz A ser´ a ρ(A) Ejemplo 1.1. Calculemos el ρ(A) si A es la matriz:   1 2 1 0 A =  −1 0 3 5  2 4 2 0 Soluci´ on  1  −1 2  1  0 0  2 1 0 0 3 5  4 2 0  2 1 0 1 2 52  0 0 0 (L2 −→ L2 + L1 ) (L3 −→ L3 − 2L1 ) (L1 −→ L1 − 2L2 )  1 2 1 0  0 2 4 5  (L2 −→ 1 L2 ) 2 0 0 0 0   1 0 −3 −5 5   0 1 2 2 0 0 0 0  As´ı que ρ(A) = 2 1.

+ .. .. . . es decir:      (9) | a11 a21 .. + . .. bn      ⇐⇒    a11 a21 . Ya observamos que lo que interesa para resolver el sistema son los coeficientes de las variables e incluso podemos hacer abstracci´ on de ellas. + . ... = b1 = b2 .1. . an1 an2 ..0.. es una relaci´ on de equivalencia (6) Demuestre que toda matriz escalonada reducida por filas es una matriz escalonada por filas.. Ponemos ( 8) en notaci´ on matricial...... que esten en la forma escalonada reducida por filas (5) Demuestre que la relaci´ on definida en ( 1.. . + . . a12 a22 .. . .. . a1m a2m . | bn A estas alturas conviene hacer una definici´ on para bautizar a esta nueva matriz: Definici´ on 2. an1 an2 .. . . anm      x1 x2 .8 1..      bn | {z } B Etapa 2. . ... . xm       =   b1 b2 . . (8) + a12 x2 + a22 x2 . .. 2. Llamaremos ”Matriz Ampliada” asociada al sistema ( 9) o ´ al sistema ( 8) a la matriz . + a1m xm + a2m xm . . + anm xm = bn Entonces de acuerdo a lo estudiado podemos. De un contraejemplo para mostrar que la rec´ıproca es falsa.. .... . . . . es decir definimos una nueva matriz que contenga toda la informaci´ on num´erica del sistema para ello hacemos la siguiente equivalencia:      a11 a21 . a12 a22 . .  . ...      =   }| xm {z }   X  b1 b2 .. an1 x1 + an2 x2 + . (3) Calcular el rango de las matrices del ejercicio ( 2) (4) Describa todas las posibles matrices de orden 2.. . a1m a2m . anm  | b1 | b2    . {z anm A      x1 x2 . an1 an2 . + . . . considerar las siguientes etapas para nuestro algoritmo: Etapa 1.. a12 a22 . .. = ....1). PRELIMINARES SOBRE SISTEMAS DE ECUACIONES. a1m a2m . ... es decir: a11 x1 a21 x1 . . . Resoluci´ on de sistemas y Operaciones elementales Consideremos un sistema lineal del tipo n × m.. . .

. an1 an2 .. ...2. .. lo cual implicar´ıa que 0 · xm = bn a′1m a′2m . . . | | . Una conclusi´ on inmediata es que ρ(A) ≤ ρ(A|B) (12) Pues. .. RESOLUCION (10)    (A|B) =   a11 a21 .z + 2t = 0 Entonces (1) La notaci´ on matricial para ( 11).. donde b′n 6= 0. tenemos que deber´ıa suceder al menos una situaci´ on como la siguiente (despues de escalonar por supuesto): (13)  a′11 a′21 . ... Calculamos ρ(A|B).. | bn Consideremos el sistema lineal de orden 2 × 4: (11) x + 2y + z + t = 0 x + 3y ... ( 10).. a12 a22 . .    (A|B) ∼ =   ′  a(n−1)1 a′(n−1)2 . b′1 b′2 a′(n−1)m | b′n−1 0 | b′n (=⇒⇐=)        . anm Ejemplo 2. .  . . .´ DE SISTEMAS Y OPERACIONES ELEMENTALES 2. . a1m a2m .. es dada por  1 2 1 1 1 3 −1 2    x    y  0   =  z  0 t (2) La matriz ampliada asociada es:  1 2 1 1 | 0 1 3 −1 2 | 0  Etapa 3. a′12 a′22 ... . para lo cual basta mirar la matriz escalonada reducida por filas asociada a (A|B) eliminando la u ´ltima columna. 0 0 . a saber: (i) El propio ρ(A|B) y (ii) ρ(A). el rango de la matriz ampliada entonces tenemos calculados en realidad dos rangos. . . una fila no nula de A es una fila no nula de (A|B) Caso 1 ρ(A) < ρ(A|B) entonces de acuerdo a nuestra equivalencia. ...0. .. 9  | b1 | b2    ... . .

As´ı que.3) entonces (1) Partimos considerando el sistema x1 + 3x2 + 2x3 = 25000 x1 + 4x2 + x3 = 20000 2x1 + 5x2 + 5x3 = 55000 (2) Pasamos el sistema a la notaci´ on matricial     25000 1 3 2 x1  1 4 1   x2  =  20000  55000 x3 2 5 5  (3) Ampliamos el sistema.10 1. existe una u ´nica soluci´ on. Retomemos el ejemplo ( 1. a la matriz escalonada reducida por filas obtenida de la matriz (A|B). por definici´ on de matriz escalonada reducida por filas que.3) entonces Caso 1 Si ρ(A) = m entonces el sistema tiene soluci´ on u ´nica o Caso 2 Si ρ(A) < m entonces el sistema tiene infinitas soluciones.0. es decir construimos la matriz:   1 3 2 | 25000 (A|B) =  1 4 1 | 20000  2 5 5 | 55000 . tenemos en general que ρ(A) 6= ρ(A|B) =⇒ ( 8) no tiene soluci´ on (14) Caso 2 ρ(A) = ρ(A|B) entonces aplicando nuestra equivalencia ( 10). Caso contrario existen r pivotes donde r < m y bastan r variables para determinar las m variables. tenemos al menos una soluci´ on. como ( 9). Supongamos que ρ(A) = ρ(A|B) en ( 2. usualmente al n´ umero m − r se le llama ”Grado de Libertad del Sistema” Ejemplo 2.0. tiene soluci´ on si y s´ olo si ρ(A) = ρ(A|B). (Teorema del rango) Un sistema lineal del tipo AX = B. En efecto Si existe un pivote en cada una de las n filas tenemos. PRELIMINARES SOBRE SISTEMAS DE ECUACIONES. donde (A|B) representa la matriz ampliada asociada al sistema.5.3. ver ( 10) Corolario 2. En fin tenemos el siguiente teorema o herramienta de trabajo: Teorema 2.0.0.1.4.

(i) ρ(A|B) = ρ(A) = 2. pero este es un problema pr´ actico y real as´ı hay que estudiar las posibilidades o restricciones: • Es claro que la restricci´ on m´ as elemental debe ser que (15) x1 ≥ 0 x2 ≥ 0 x3 ≥ 0 • De la ecuaci´ on (2) x3 = x2 + 5000 y de x2 ≥ 0 sigue que (16) x3 ≥ 5000 • Como x1 ≥ 0 y 40000 − 5x3 = x1 entonces (17) x3 ≤ 8000 . (ii) Como ρ(A|B) = ρ(A) = 2 < 3 entonces existen infinitas soluciones (6) Ahora determinamos las soluciones aplicando nuestra equivalencia ( 10) es decir traducimos al sistema: x1 = 40000 − 5x3 x2 = −5000 + x3 (1) (2) Probablemente un problema te´ orico terminar´ıa aqu´ı. RESOLUCION 11 (4) Calculamos ρ(A|B).´ DE SISTEMAS Y OPERACIONES ELEMENTALES 2. es decir debemos reducir por filas a la matriz (A|B):   1 3 2 | 25000  1 4 1 | 20000  2 5 5 | 55000 (L2 −→ L2 − L1 ) (L3 −→ L3 − 2L1 ) (L1 −→ L1 − 3L2 ) (L3 −→ L3 + L2 )  1 3 2  0 1 −1 0 −1 1  1 0 5 |  0 1 −1 | 0 0 0 |  | 25000 | −5000  | 5000  40000 −5000  0 (5) Ahora comparamos los rangos para verificar las hip´ otesis del teorema y corolario. As´ı que existe soluci´ on para el problema de administraci´ on de recursos.

(5000 ≤ x3 ≤ 8000 1 0 x3  2. (1) Resolver los siguientes sistemas usando el Teorema del Rango: (a) x1 + 2x2 .1. as´ı que la soluciones son a lo m´ as 3001.x3 + 3x4 = 1 (b) x + y + z = 4 2x + 5y . PRELIMINARES SOBRE SISTEMAS DE ECUACIONES. Luego para concluir las soluciones te´ oricas posibles son del tipo:  x1 X =  x2  x3   40000 − x3 =  x3 − 5000  x3     40000 −x3 =  −5000  +  x3  0 x3     40000 −1 =  −5000  + x3  1  0 1  (x3 ∈ R) • Aplicando las restriciones obtenidas tenemos que:      −1 40000 x1  x2  =  −5000  + x3  1  1 0 x3  (5000 ≤ x3 ≤ 8000) No obstante esta sea una buena descripci´ on de las posibilidades. x3 tiene que ser entero y x1 ≤ 15000.12 1.3y = 7 3x + 2y = 8 x1 + 2x2 + 3x3 = 0 2x x2 + 3x3 = 0 (d) 1 + 3x1 + 2x2 + x3 = 0 ∧ x3 ∈ Z) . pues como dicho.2z = 3 x + y = 4 (c) 2x . lamentablemente ninguna especie de peces tiene como miembro una mitad de pez. por lo tanto: (18)      −1 40000 x1  x2  =  −5000  + x3  1  . Ejercicios Propuestos.

x2 + 3x3 = b 3x1 + 7x2 . de orden 3 a11 x1 + a12 x2 + a13 x3 = b1 a21 x1 + a22 x2 + a23 x3 = b2 a31 x1 + a32 x2 + a33 x3 = b3 (⋆) Demuestre que (⋆) tiene soluci´ on u ´nica si y s´ olo si det(A) 6= 0 y que     x1 b1  x2  = A−1  b2  x3 b3 13 .x4 5x1 + 3x3 .x2 .5x3 = c (⋆) Determine los conjuntos • S = {c ∈ R | (⋆) tiene soluci´ on } • S = {c ∈ R | (⋆) no tiene soluci´ on } (4) Considere el sistema lineal AX = B.2x2 + x3 + x4 3x1 + 2x3 .´ DE SISTEMAS Y OPERACIONES ELEMENTALES 2.x2 + x3 x1 .x3 = a x1 .3x3 (e) 3x1 + 3x2 .x3 .x4 (f) 1 x1 + x2 .x2 + 3x3 = a 3x1 + x2 .4x3 x1 . RESOLUCION 3x1 + 2x2 .x4 = 2 = -8 = 1 = 0 (2) Considere el sistema lineal 2x1 .x3 + x4 x1 .5x3 −x1 + x2 + x3 = 1 = 3 = -3 = 0 = 1 x1 + x2 + x3 + x4 x + x2 + x3 .x2 + x3 + x4 = 0 = 4 = -4 = 2 x1 .5x3 = b −5x1 .2x4 (g) 4x2 .5x2 + 21x3 = c (⋆) Determine los conjuntos • S = {c ∈ R | (⋆) tiene soluci´ on } • S = {c ∈ R | (⋆) no tiene soluci´ on } (3) Considere el sistema lineal 2x1 + 3x2 .

se determino que: (a) El alimento I tiene 1 unidad de vitamina A. (d) Sea xi la producci´ on de la industria i y supongamos que la producci´ on de cada industria es igual a su demanda. (5) Considere el siguiente Sistema de Ecuaciones Lineales: 3x + 5y + 12z w 2x + 2y + 8z 2w 6y + 6z + 3w 2z + k(k+1)w = -3 = -12 = 15 = 9k (⋆) Determine los siguientes conjuntos: • S1 = {k ∈ R|(∗) tiene soluci´ on} • S2 = {k ∈ R|(∗) no tiene soluci´ on} • S3 = {k ∈ R|(∗) tiene soluci´ on u ´nica} (6) Fueron estudiados tres tipos de alimentos. 9 de vitamina B y 20 de vitamina C. (b) Si el alimento I cuesta 600 pesos por gramo y los otros dos cuestan 100 por gramo. (c) El alimento III tiene 3 unidad de vitamina A. Demuestre que un sistema homogeneo tiene siempre soluci´ on. Si se necesitan 11 unidades de vitamina A. (c) Supongamos que ei representa la demanda externa ejercida sobre la i-´esima industria y suponga tambien que aij representa la demanda interna que la j-´esima industria ejerce sobre la i-´esima industria. (8) El modelo de insumo-producto de Leontief para un sistema econ´ omico.¿ existe una soluci´ on del sistema cuyo costo sea 10000 pesos ? (7) Un sistema lineal del tipo AX = B se llama sistema homogeneo si B=(0). Fijada la misma cantidad (1gr). . no tiene vitamina B y tiene 3 unidades de vitamina C. 3 unidades de vitamina B y 4 unidades de vitamina C. (b) El alimento II tiene 2 unidad de vitamina A. (a) Determine las posibles cantidades de alimentos I. PRELIMINARES SOBRE SISTEMAS DE ECUACIONES. puede ser relatado como sigue: (a) Existe n industrias (b) Existen dos tipos de demandas en cada industria: una demanda externa (proviene desde fuera del sistema) y otra demanda interna (demanda entre las industrias). 3 unidades de vitamina B y 5 unidades de vitamina C. II y III que contienen la cantidad de vitaminas deseadas.14 1.

.. RESOLUCION 15 entonces para calcular por ejemplo la demanda interna de la industria 2 se observa que la industria 1 necesita a21 unidades de producci´ on de la industria 2 para producir una unidad de su propia producci´ on. xm  a1n a2n . . an1 an2 . = x1 = x2 ..      a11 a21 .. . a1n a2n .. . . bn −1      ∆11 ∆21 . + a12 x2 + · · · + a22 x2 + · · · .. a11 a21 .´ DE SISTEMAS Y OPERACIONES ELEMENTALES 2...... an1 an2 . . . es decir A = (aij ) ∈ MR (n) y A debe ser invertible. . .. (19) an1 x1 + a1n xn + a2n xn . .. . . . a33 = 16 (9) Un m´etodo muy conocido para resolver sistemas lineales aunque con fuertes restricciones es el M´etodo de Cramer el cual se basa en los siguientes hechos: (a) El sistema debe ser cuadrado. . a23 = 18 . entonces tenemos      Y. .. a32 = 31 . . . ... a11 = 13 . . . . 1 de la industria 2. .. .... . ∆1n ∆2n .. . xm a12 a22 ... ∆n1 ∆n2 . . .      .. ...          b1 b2 . a22 = 14 .     x1 x2 .      =   a11 a21 ... a12 a22 .... . a12 a22 . e2 = 15.     .. . .. . a12 = 12 . . . .  (21) (b) Pero. ann  x1 x2 . ...  b1 b2 . .. . i=1 Igualando la demanda total a la producci´ on de cada industria obtenemos el sistema de Insumo-Producto de Leontief (I-P). .. + an2 x2 + · · · a11 x1 a21 x1 .. . . + ann xn + en = xn Equivalentemente (1 − a11 )x1 − a12 x2 − · · · − a1n xn = e1 −a21 x1 + (1 − a22 )x2 − · · · − a2n xn = e2 . . e3 = 30. .. . ann −1     =  1    det A  |      =   . .. ann a1n a2n .. As´ı a21 x1 es la cantidad total que necesita la industria n X a2i xi . an1 an2 . . . bn ∆12 ∆22 . . {z ∆nn adjunta de A      } ... + e1 + e2 . −an1 x1 − an2 x2 − · · · − (1 − ann )xn = en (20) a21 Resuelva el sistema (I-P) si : e1 = 10. . Luego la demanda interna total sobre la industria 2 es adem´ as la demanda total sobre la industria 2 ser´ a n X i=1 a2i xi + e2 . 1 = 41 . . . . .. a31 = 12 .... a13 = 16 . .

. . . .. PRELIMINARES SOBRE SISTEMAS DE ECUACIONES.x3 (6) 3x3 x1 (4) = 4 = 2 = 1 .     b1 b2 .. . tenemos que:      x1 x2 .. ...x4 = 5 (7) Considere el tri´ angulo de la figura        . .. . a1n a2n . ....16 1. . . bn      n (t = 1... ann columna t Resuelva usando el m´etodo de Cramer los siguientes sistemas: (1) 2x1 + 3x2 = -1 −7x1 + 4x2 = 47 2x1 + x2 + x3 = 6 (2) 3x1 .3x3 = 5 8x1 + 2x2 + 5x3 = 11 2x1 + 2x2 + x3 = 7 x1 + 2x2 + x3 = 0 (3) −x1 + x2 + 3x3 = 1 2x1 + x2 .x3 x1 + x3 . ∆12 ∆22 . .x2 + 5x3 x1 2x2 + x3 (5) 4x1 . 2.. .. . ... . . .x4 = 4 + 6x4 = 3 .. n) j=1 xt =  a11 a21 . .. xm   ∆11 ∆21 .x4 = 7 = 2 = -3 . ∆n1 ∆n2 . .2x2 . . .. bn |{z} .. . sustituyendo en ( 21)..x2 3x3 x1 + x2 + x3 2x1 .. .. .   1  det   det A  an1 an2 .. . . . b1 b2 . a12 a22 .5x4 = 2 + x4 = 6 .. ∆1n ∆2n . ∆nn    =  1    det A  xt = 1 X ∆tj bj det A m  .. . Luego.

. (c) Utilice la regla de Cramer para despejar cos γ (d) Demuestre la Ley de los cosenos: c2 = a2 + b2 − 2ab cos γ 3. . Factorizaci´ on LU. ( 23) iteradamente. . Considera un sistema cl´ asico de la forma A · X = B tal que A ∈ MR (n) es una matriz triangular superior invertible. . xn         =     b1 b2 b3 . . . ··· ann        x1 x2 x3 . n) As´ı que. ..1.3.. cos α. es decir: (23)        a11 a12 a13 0 a22 a23 0 0 a33 . .. cos β y cos γ... . como un sistema de ecuaciones en las variables. podemos resolver el sistema. a1n a2n a3n . . Aplicaciones 3. APLICACIONES 17 γ a b α b cos α β a cos β c Figura 1 (a) Demuestre usando trigonometr´ıa que c cos α b cos α (22) + a cos γ = b + a cos β = c c cos β + b cos γ = a (b) Interprete ( 22). bn        tal que aii 6= 0 (i = 1.. .. como sigue: . . . 0 0 0 ··· ··· ··· . y demuestre que el determinante de la matriz de coeficientes es distinto de cero.

18

1. PRELIMINARES SOBRE SISTEMAS DE ECUACIONES.

xn =
xn−1 =

bn
ann
bn−1 − an−1n xn
an−1n−1

..
.
bs −
xs =

n
X

asi xi

i=s+1

ass

Luego,

(24)

xs =

bs −

s−1
X

asi xi

i=n

(s = n, n − 1, . . . , 2)

ass

Un comportamiento an´
alogo, obtenemos si, A ∈ MR (n) es una matriz triangular inferior
invertible, pues en este caso:

(25)







c11
c21
c31
..
.

0
c22
c32
..
.

0
0
c33
..
.

···
···
···
..
.

cn1 cn2 cn3 · · ·

0
0
0
..
.
cnn

tal que cii 6= 0 (1 ≤ i ≤ n)









x1
x2
x3
..
.
xn







 = 



Y,
x1 =

b1
c11

x2 =

b2 − c21 x1
c22

..
.

xs =

bs −

s−1
X

csi xi

i=1

ass

Luego,

(26)

xs =

bs −

s−1
X
i=1

ass

csi xi
(s = 2, 3, . . . , n)

b1
b2
b3
..
.
bn







3. APLICACIONES

19

Ejemplo 3.1.1.
Resolver el sistema lineal
5x1
= 10
4x1 − 2x2
= 28
2x1 + 3x2 + 4x3 = 26
Soluci´
on

x1 =

10
=2
5

x2 =

28 − 4x1
= −10
−2

x3 =

26 − 2x1 − 3x2
= 13
4

Observaci´
on 3.1.2.
Considera un sistema cl´
asico de la forma A · X = B tal que
(1) A ∈ MR (n)
(2) A = L · U , donde L es una matriz triangular inferior y U es una matriz triangular
superior.
entonces

A · X = B ⇐⇒ (L · U ) · X = B
=⇒ L · (U · X) = B
| {z }
Z

=⇒

As´ı que;
Etapa 1. Usando la f´
ormula ( 26) calculamos Z
Etapa 2. Usando la f´
ormula ( 24) calculamos X
Ejemplo 3.1.3.

L·Z =B

20

1. PRELIMINARES SOBRE SISTEMAS DE ECUACIONES.

Consideremos el sistema lineal
6x1 − 2x2
3x1 − 3x2
−12x1 + 8x2
−6x1

(27)

− 4x3
− 6x3
+ 21x3

x3

+ 4x4
+ x4
− 8x4
+ 7x4

=
2
=
−4
=
8
= −43y

y para la matriz A de coeficientes del sistema ( 27),


6 −2 −4
4

3 −3 −6
1 


 −12
8
21 −8 
−6
0 −10
7

(28)

usemos la descomposici´
on LU (verifiquelo!!);

0
0
 1
1
0
2
L = 
 −2 −2
1
−1
1 −2

(29)

1


0
0 

0 
1

Y

U

(30)


6 −2 −4
4
 0 −2 −4 −1 

= 
 0
0
5 −2 
0
0
0
8

entonces ( 27), se escribe como sigue:


0
0
 1
1
0
 2
 −2 −2
1
−1
1 −2

1

1

0
0
 1
1
0
 2
 −2 −2
1
−1
1 −2


0
6 −2 −4
4
 0 −2 −4 −1
0 

0
5 −2
0  0
0
0
0
8
1
 
0

0 
 

0 
1

Y lo resolvemos como sigue:



2
x1
 −4
  x2 


 
  x3  = 
8
x4
−43
 


6 −2 −4
4
x1


0 −2 −4 −1   x2
0
0
5 −2   x3
0
0
0
8
x4







2



 =  −4 


8 
−43

3. APLICACIONES

21

Etapa 1.



6 −2 −4
4
x1
 0 −2 −4 −1   x2


 0
0
5 −2   x3
0
0
0
8
x4

Etapa 2.

1

0
0
 1
1
0
 2
 −2 −2
1
−1
1 −2


0
z1
 z2
0 

0   z3
z4
1




z1



 =  z2 

 z3 
z4


2



 =  −4 


8 
−43

Luego,
z1 = 2
1
z2 = −4 − z1 = −5
2
z3 = 8 + 2z1 + 2z2 = 2
z4 = −43 + z1 − z2 + 2z3 = −32
Etapa 3.

x1
6 −2 −4
4
 0 −2 −4 −1   x2


 0
0
5 −2   x3
x4
0
0
0
8


2



 =  −5 


2 
−32

Luego,
x4 =
x3 =
x2 =
x1 =

−32
= −4
8
2 + 2x4
= −1.2
5
−5 + 4x3 + x4
= 6.9
−2
2 + 2x2 + 4x3 − 4x4
= 4.5
6

3.2. Ejercicios Propuestos.
Resuelva los sistemas lineales AX = B y A = LU si:

(1)


2 8
0
A =  2 2 −3 
1 2
7


18
B= 3 
12




2
0
0
1 4 0
L =  2 −3 −0  U =  0 2 1 
1 −1
4
0 0 2

 (2)  8 12 −4 7  A= 6 5 2 1 6   4 0 0 L =  3 2 −0  1 1 1  1  2 L=  −1 4 0 1 3 3 0 0 1 2  0 0   0  1  −36 B =  11  6  2 3 −1 5  U =  0 −2 0 0 2  2 3 0 1  4 5 3 3   A=  −2 −6 7 7  8 9 5 21  (3)    −2  −2   B=  −16  −66    2 3 0 1  0 −1 3 1   U =  0 0 −2 5  0 0 0 4 . PRELIMINARES SOBRE SISTEMAS DE ECUACIONES.22 1.

y) ∈ R2 | y = 0} As´ı que. R2 = {(x. 2. Motivaci´ on Consideremos el producto cartesiano de R consigo mismo. (2) Como conjunto podemos describirlos como: Eje x = {(x. Objetivos (1) Construir un ambiente suficientemente amplio. (2) Desarrollar t´ecnicas que permitan controlar r´ apida y eficientemente una gran cantidad de informaci´ on (3) Mostrar la equivalencia entre el ambiente te´ orico y pr´ actico. es decir el conjunto de puntos de la forma (31) Es decir. y) ∈ R2 | x = 0} Eje x = {(x. donde se puedan modelar situaciones pr´ acticas.CAPITULO 2 Espacios Vectoriales 1. (32) Eje y = {(x. y) • Eje x (0. 0) Figura 2 : Plano Cartesiano De la figura observamos que: (1) El eje x y el eje y. 0) | x ∈ R} 23 . y) | x ∈ R ∧ y ∈ R} Eje y Plano R2 (x. son dos l´ıneas rectas.

0). x0 · 0) Si adem´ as hacemos: (x0 · 1. (36) u ∈ Eje y ⇐⇒ [∃ y0 . puede ser expresada como sigue: Los elementos del Eje x son m´ ultiplos de e1 Lo cual en Lenguaje Matem´ atico se traduce como: v ∈ Eje x ⇐⇒ [∃ x0 . 0) pertenece al Eje x al igual que v = (33. ESPACIOS VECTORIALES Eje y = {(0. y0 ∈ R tal que u = y0 · e2 ] donde e2 = (0.1. . 0) entonces para determinar v = (33. As´ı ( 34). 1) Conclusi´ on 2. x0 ∈ R tal que v = x0 · e1 ] (35) An´ alogamente. x0 · 0) = x0 · (1. x0 ∈ R tal que v = (x0 . 0)] (34) Observen que ( 34). 0)] ⇐⇒ v = (x0 · 1. x0 ∈ R tal que v = (x0 . (4) Supongamos que v ∈ Eje x entonces ( 34). y) | y ∈ R} (33) (3) Si aceptamos los principios • “Una l´ınea recta es un punto en movimiento ” (Euclides) • “para pertenecer a un conjunto hay que ser igual a un miembro de ese conjunto ” entonces v ∈ Eje x ⇐⇒ [∃ x0 . puede ser expresado matem´ aticamente como: v ∈ Eje x ⇐⇒ [∃ x0 .0. 0). por ejemplo. dice por ejemplo que v = (1. 33 unidades. 0) a trav´es del Eje x. simplemente necesitamos mover al elemento e1 = (1.24 2.

(∀v. MOTIVACION 25 Si notamos α · (x. 2) = (3.2. (∀λ. y) ∈ R2 − {(0. · : R × R2 7 → R2 − (u. dado P = (x. v ∈ R2 ). α · y) (37) y h(x. 6) (2) (−1) · (1. λ ∈ R). y) = (α · x. y) | α ∈ R} (38) entonces (1) he1 i = Eje x y he2 i = Eje y (2) h(x. (∀β. 2) = (−1. y)) 7−→ (u · x. −2) (3) Gr´ aficamente tenemos: Eje y (3.0. w ∈ R2 ) valen las siguientes propiedades de compatibilidad entre las operaciones. 2) Eje x (−1. −2) Figura 3 Observaci´ on 2. ¿ Cu´ al ? (3) Rec´ıprocamente.0. y)i es una recta que pasa por el origen.3. y) (basta tomar α = 1) Lo anterior puede ser formalizado definiendo la siguiente funci´ on: (39) Ejemplo 2. +) es un grupo abeliano (2) Adem´ as podemos ver directamente de la definici´ on que. u ∈ R2 ). u · y) (1) 3 · (1. 0)} entonces • Existe una u ´nica recta. (1) Sabemos del capitulo de grupos que (R2 . (x. . y)i = {α · (x. digamos L que pasa por el origen y P ∈ L • Existe α ∈ R tal que P = α · (x.6) (1.´ 2. (∀w. β ∈ R). (∀u.

0. +) es un grupo Abeliano o conmutativo. R). tenemos • u + (v + w) = (u + v) + w (asociatividad de +) • Existe 0V ∈ V talque u + 0V = 0V + u = u (neutro de +) • Para cada u. +. ser´ a llamada un R . digamos V ser´ a llamado un K . ESPACIOS VECTORIALES • λ · (u + v) = λ · u + λ · v • (λ + β) · u = λ · u + β · u • 1·u=u • λ · u = 0 =⇒ λ = 0 ∨ u = 0 De ahora en adelante la cuarteta (R2 . Definici´ on 3. tenemos que • λ · (u + v) = λ · u + λ · v .26 2. definida por (40) + : V×V − 7 → V (u. digamos “·”. Un conjunto. u ∈ V). definida por (41) · : K×V − 7 → V (λ. u ∈ V). (∀w.Espacio Vectorial y sus elementos se llamar´ an vectores y ser´ a nuestro Prototipo. β ∈ K). w ∈ V). (∀w. (∀v. λ ∈ K). v ∈ V). 3. v ∈ V). ·.Espacio Vectorial si (1) V 6= φ (2) V admite una operaci´ on interna. (V.4. (∀v. v) − 7 → u+v tal que ( 40) satisface las propiedades: (∀u. w ∈ V). u + (−u) = −u + u = 0V (inverso de +) • u + v = v + u (conmutatividad de +) As´ı. (∀u. digamos “ + ”. (∀β. (3) V admite una operaci´ on externa. Definici´ on y Ejemplos de espacios vectoriales Un conjunto V ser´ a un Espacio Vectorial si puede emular el comportamiento de R2 Formalmente se expresa a trav´es de la siguiente. v) − 7 → λ·v Donde K es un cuerpo conmutativo y ( 41) satisface las propiedades: (∀λ.

.5. xn ). . . vn ) ∈ Rn (3) Operaci´ on Interna + : Observen que: u = v ⇐⇒ ui = vi (∀i. ryn ) r(x1 . rxn ) + (ry1 . −xn ) es el inverso aditivo de x. 0. . xn ) = 0Rn (5) Despu´es que haya comprobado todas las otras propiedades concluir´ a que (Rn . . x2 . 1 ≤ i ≤ n) Rn × Rn 7 → − Rn ((x1 . v2 .0. . (4) Operaci´ on Externa · : Observen que: R × Rn 7 → − Rn (r. . . .6. . . r(xn + yn )) (rx1 + ry1 ). m ∈ N. . xn ) + r(y1 . . . u2 . . rxn ) = 0Rn Ejemplo 3. . . . . . . . 1 ≤ i ≤ n. . . +. . El conjunto de n-uplas. . . yn )) 7−→ (x1 + y1 . un ) ∈ Rn y v = (v1 . . . . . 0) es el elemento neutro aditivo. . . . Rn . . . . xn ) entonces −x = (−x1 . . 1 ≤ i ≤ n} ∧ n ∈ N (2) Igualdad en Rn Sea u = (u1 . . . . . . . . yn )] = = = = = r(x1 + y1 . . . . (1) Descripci´ on del Conjunto MR (n × m)={(aij ) | aij ∈ R. . . . . rxn ) r[(x1 . (rx1 .Espacio Vectorial. . . xn )) 7−→ (rx1 . rxn + ryn ) (rx1 . . n ∈ N (1) Descripci´ on del Conjunto V := Rn = {(x1 . R) es un genuino R . . n ∈ N. . 1 ≤ j ≤ m} . . . (y1 . . .0. . . . xn ) + (y1 . . El conjunto de Matrices MR (n × m). xn ) | xi ∈ R. . DEFINICION 27 • (λ + β) · u = λ · u + β · u • (λ · β) · u = λ · (β · u) • 1·u=u • λ · u = 0V =⇒ λ = 0K ∨ u = 0V Ejemplo 3. . . . xn + yn ) (r(x1 + y1 ). . ·. . . (x1 . . . . . . . . . . . • Si x = (x1 . . . . yn ) ⇐⇒ rxi = 0 (1 ≤ i ≤ n) =⇒ r = 0 ∨ xi = 0 (1 ≤ i ≤ n) =⇒ r = 0 ∨ (x1 .´ Y EJEMPLOS DE ESPACIOS VECTORIALES 3. . xn + yn ) • 0Rn = (0. .

Los Polinomios de grado ≤ n con coeficientes reales.Espacio Vectorial. Rn [x] (1) Descripci´ on del Conjunto Rn [x] = (2) Igualdad en Rn [x] ( a(x) = n X i=0 ) ai xi | ai ∈ R. R) es un R . +. 1 ≤ i ≤ n). (aij )) 7 → r · (aij ) = (raij ) − Observen que: r · [(aij ) + (bij )] = = = = r · (aij ) = 0MR (n×m) ⇐⇒ =⇒ =⇒ =⇒ r · (aij + bij ) (r · aij + r · bij ) (r · aij ) + (r · bij ) r · (aij ) + r · (bij ) (r · aij ) = (0) r · aij = 0 (1 ≤ i ≤ n) (1 ≤ j ≤ m) r = 0 ∨ aij = 0 (1 ≤ i ≤ n) (1 ≤ j ≤ m) r = 0 ∨ (aij ) = (0) (5) As´ı. (4) Operaci´ on Externa · : R × MR (n × m) − 7 → MR (n × m) (r. b(x)) Observen que: 7−→ n X i=0 Rn [x] (ai + bi )xi . ·. • A = (aij ) =⇒ −A = (−aij ) es el inverso aditivo de A. (MR (n × m). ESPACIOS VECTORIALES (2) Igualdad en MR (n × m) Sea (aij ) ∈ MR (n × m) y (bij ) ∈ MR (n × m) entonces (aij ) = (bij ) ⇐⇒ aij = bij (∀i.7. (0 ≤ i ≤ n) Sea a(x) ∈ Rn [x] y b(x) ∈ Rn [x] entonces a(x) = b(x) ⇐⇒ ai = bi (∀i. 1 ≤ j ≤ m) (3) Operaci´ on Interna Observen que: + : MR (n × m) × MR (n × m) − 7 → MR (n × m) ((aij ).28 2.0. (∀j. 1 ≤ i ≤ n) (3) Operaci´ on Interna + : Rn [x] × Rn [x] 7−→ (a(x). Ejemplo 3. (bij )) 7 → (aij + bij ) − • 0MR (n×m) = (0) es el elemento neutro aditivo.

R) Sea f ∈ FR (U. R) y g ∈ FR (U. R) − 7 → FR (U. Funciones Reales definidas en U . ·. Observen que: f = g ⇐⇒ f (x) = g(x) (∀x. x ∈ U ) 29 . +. a(x)) Rn [x] n X 7 → − (r · ai )xi i=0 Observen que: r · [a(x) + b(x)] = r · = n X i=0 n X i=0 = [a(x) + b(x)]xi n X i=0 [r · a(x) + r · b(x)]xi r · a(x)xi + n X i=0 r · b(x)xi = r · a(x) + r · b(x) Y r · a(x) = 0Rn [x] ⇐⇒ =⇒ =⇒ =⇒ n X i=0 r · ai = n X 0xi i=0 r · ai = 0 (1 ≤ i ≤ n) r = 0 ∨ ai = 0 (1 ≤ i ≤ n) r = 0 ∨ a(x) = 0Rn [x] (5) As´ı. i=0 n X (−ai )xi es el inverso aditivo de a(x) i=0 (4) Operaci´ on Externa · : R × Rn [x] 7−→ (r.Espacio Vectorial. g) 7−→ f +g (f + g)(x) = f (x) + g(x)(∀x.´ Y EJEMPLOS DE ESPACIOS VECTORIALES 3. R) entonces (3) Operaci´ on Interna Donde. R) (1) Descripci´ on del Conjunto Sea U ⊂ R tal que U 6= ∅ entonces FR (U. R)={f : U 7−→ R | f es una funci´ on} (2) Igualdad en FR (U. Ejemplo 3. DEFINICION • 0Rn [x] = • −a(x) = n X 0xi es el elemento neutro aditivo.8. R) (f. (Rn [x]. FR (U. R) × FR (U.0. x ∈ U ) + : FR (U. R) es un R .

x ∈ U ) r · (f + g) = r · f + r · g r · f (x) = 0 =⇒ r = 0 ∨ f (x) = 0 r · f = 0FR (U.R) = 0 es el elemento neutro aditivo si y s´ olo si 0(x) = 0(∀x. f ) 7−→ r·f Donde. (r · f )(x) = r · f (x)(∀x. 3. R) CR (U.9. ·.0. ESPACIOS VECTORIALES • 0FR (U. C) • DC (U. R) (r.9 ponemos C en lugar de R entonces tenemos que: • Cn • MC (n × m) • C[x] • FC (U. R) si y s´ olo si (−f )(x) = −f (x) (4) Operaci´ on Externa · : R × FR (U.espacios vectoriales.0. R). R) DR (U. • −f es el inverso aditivo de f ∈ FR (U.0. +. (FR (U.0. R) es un R .R) ⇐⇒ r = 0 ∨ f = 0FR (U.7. C) • CC (U.8 y 3.0. DR (U. Ejemplo 3. r · [f (x) + g(x)] = r · f (x) + r · g(x)(∀x.30 2.11. R)={f : U 7−→ R | f es una funci´ on derivable en U } Observaci´ on 3.0. .6.Espacio Vectorial. Definici´ on 3. CR (U. Luego. Sea U ⊂ R tal que U 6= ∅ entonces (1) Funciones Reales Continuas en U . 3. C) Son C. R) − 7 → FR (U.0. R)={f : U 7−→ R | f es una funci´ on continua en U } (2) Funciones Reales Derivables en U . Si en 3.0. Los elementos de un k-espacio vectorial se denominar´ an vectores y los elementos de k se llamar´ an escalares.5. Esta funci´ on se conoce como la funci´ on nula. x ∈ U ) Observen que: As´ı que.10. 3.R) (5) As´ı. x ∈ U ) .

Sea V = R2 y v = (1. 3) ∈ R2 entonces para cada r ∈ R tenemos que r · v = r · (1. 3)}i = {r(1.4. significa cardinalidad Ejemplo 4. 0) Figura 4 Para este punto podemos concluir lo siguiente: • Claramente. 3 · r) Luego. En efecto Si v ∈ V entonces r · v ∈ V (∀r. SUBESPACIOS 31 4. Subespacios En orden a cumplir nuestros objetivos debemos comenzar por intentar responder la pregunta ¿C´ omo ubicar en forma eficiente los elementos de un k-espacio vectorial? (1) Una dificultad inmediata es la siguiente: Si V es un k-espacio vectorial y k tiene infinitos elementos entonces V tiene infinitos elementos. v ∈ V ) =⇒ h{v}i = {r · v | r ∈ K} .0. 3) (0. es decir geom´etricamente tenemos: y = 3x • (1. s´ı notamos a la colecci´ on de puntos de esta forma como en ( 38) entonces tenemos que (42) h{(1. as´ı que hay tantos r · v en V como elementos r hay en k. si V es un K-espacio vectorial entonces (43) (∀v. as´ı que |k| = ∞ =⇒ |V | = ∞ donde ||. 3) | r ∈ R} Representa la l´ınea recta de ecuaci´ on y = 3x.12. 3) = (r. r ∈ k). ( 42) es un R-espacio vectorial • En general.

as´ı que R2 ⊂ h{(1. 0). (0.0. −1)} ⊂ R2 entonces h{(1. −1)}i . 1). (1. . (0. y) ∈ h{(1. 0). 0). ESPACIOS VECTORIALES es un K-espacio vectorial • Ya imaginas una recta de polinomios o de matrices !! (2) Podemos generalizar ( 43). 1)}i ⊂ R2 entonces R2 = h{(1. (0. y) = (x. 1)}i ? La respuesta es de acuerdo a la definici´ on de h{(1.32 2. . 1)}i. 0) + y(0. 1)}i y como h{(1.13. (1. v2 . entonces usando la operatoria de R2 . vn }i = { n X i=1 ri · vi | ri ∈ K (1 ≤ i ≤ n)} Ejemplo 4. 0). (0. . . y) = x(1. 0). 0) + (0. 1) Esto significa que v = (x. 1)}i = h{(1. (0. . 0). 1). 1)}i. que: Cada punto del plano se expresa como una suma de dos puntos de R2 . a una cantidad finita de elementos de V . v2 . . ( generadores can´ onicos o cl´ asicos de R2 ) 2 (a) Sea v = (x. el uno del eje x y el otro del eje y. (0. y) ∈ R . 1)}i (44) La pregunta es: ¿ Qu´e significa que R2 = h{(1. (0. vn } ⊂ V entonces hGi = h{v1 . . tenemos: v = (x. (b) Sea α = {(1. En efecto Sea G = {v1 . 0). .

1)}i = h{(1.4. −1) (−3) 2 (1. y) = x(1. (1. v2 ) m ∧ v = (v1 . (0. (1. (1. 5) = =  2+5  2 (1. 0). −1)}i y como tambi´en R2 = h{(1. 0) + y(0. 1) Equivalentemente . v2 ) x1 =  v1 + v 2 v1 − v 2 ∧ x2 = 2 2 m    v1 + v 2 v1 − v 2 (v1 . de (⋆) sigue que: R2 = h{(1. 1). −1) m ∧ v = (v1 . (1. −1) 2 2 (⋆) Por ejemplo (2. xi ∈ R) : v = x1 (1. −1)}i ? • Que R2 = h{(1. (x. x1 − x2 ) m x1 + x2 = v1 x1 − x2 = v2 ∧ v = (v1 . 1). 1) + 7 2 (1. 1). y). v2 ) = (x1 + x2 . 0). 1)}i entonces comparando (transitividad de la igualdad) concluimos que h{(1. 1)} ”significa que” (∀(x. 0). −1)}i (c) ¿ Qu´e significa geometricamente el hecho que R2 = h{(1. (0. 1) + (1. −1) En cualquier caso. 0). −1)}i m v ∈ R2 ∧ (∃xi . 1) + x2 (1. y) ∈ R2 ) : (x. v2 ) (v1 . 1) +  2−5  2 (1. (0. v2 ) = (1. 1). SUBESPACIOS 33 En efecto v ∈ h{(1. (0. 1)}i y que tambien R2 = h{(1.

1)}i x+y (1. (1. −1)}i y(0. −1) (∀(x. 1) y trazar por all´ı una paralela T al eje x entonces L ∩ T = (x. −1)}i en la direcci´ on de (1. 1) (0. y) debemos caminar x unidades en el eje x en la direcci´ on de (1. 0) Figura 5 Lo anterior significa que. ESPACIOS VECTORIALES y(0. 1)}i en la direcci´ on de(1.34 2. 1) + (1. y debemos caminar y unidades en el eje y en la direcci´ on de (0. 1) y trazar por all´ı una x−y unidades en el eje paralela al eje h{(1. y) = 2 2 Equivalentemente h{(1. 0) y trazar por all´ı una paralela L al eje y. (x. y) • h{(1. y) debemos caminar 2 unidades en el eje h{(1. y) !!!  . y) • Que R2 = h{(1. y) ∈ R2 ) : (x. 0) x(1. para ubicar al punto (x. 0) Figura 6  x+y Lo anterior significa que. 1) 2 x−y (1. y). −1)} significa que     x−y x+y (1. −1) 2 (0. 1)}i entonces en la intersecci´ on de ambas rectas encontramos el punto (x. −1) y trazar por all´ı una paralela al eje h{(1. y debemos caminar 2 h{(1. −1)}i. 1) (x. 0) • (x. 1) + y(0. 1) x(1. 1). y) = x(0. para ubicar al punto (x.

R) ver ( 3. SUBESPACIOS 35 Motivados por nuestra discusi´ on anterior comenzaremos a internarnos en un k.0. (algunos subespacios cl´ asicos) (1) W = 0V . para ello comenzamos con la siguiente: Definici´ on 4. mostraremos rigurosamente que Kn+1 es una forma de identificar a Kn 0 n+1 como un subconjunto de K (4) DR (U.8) y ( 3. sea positivo.0.4. n ∈ N). pero lamentablemente.espacio vectorial V .14.16.9) La definici´ on de subespacio dada es con seguridad clara. ¿ cierto ?. subespacio nulo de V (2) W = V ( 1) y ( 2) se los conoce como subespacios triviales. R) ≤ CR (U. Sea V un k-espacio vectorial y W ⊂ V entonces (45) En efecto   W 6= ∅ W ≤ V ⇐⇒ u ∈ W ∧ v ∈ W   r ∈k∧u∈W =⇒ (u + v) ∈ W =⇒ r · u ∈ W Como existe una equivalencia. . (3) Sea Kn+1 = {(x. estas se llaman Caracterizaciones y se hacen a trav´es de Teoremas. siempre hay una salida adecuada a la circunstancia. mostrar en las dos direcciones en forma independiente.(∀n. W ser´ a de ahora en adelante llamado un k-Subespacio vectorial de V si • W 6= ∅ • W es un k-espacio vectorial Notaci´ on: W ≤ V ⇐⇒ W es un k-subespacio vectorial de V Ejemplo 4. es decir aparece un ⇐⇒ entonces podemos y probablemente debamos. mostrar que algo es o no un subespacio se transforma en una “lata ”y esa no es la idea.0. Teorema 4. R) ≤ FR (U.0. Pero. Sea W ⊂ V .0. 0 0 M´ as tarde. en matem´ atica. 0) | x ∈ Kn } entonces Kn+1 ≤ Kn+1 .15.

+. (=⇒) Esto significa que: W ≤ V es un dato o hip´ otesis y   W 6= ∅ u∈W ∧v ∈W   r ∈k∧u∈W =⇒ (u + v) ∈ W =⇒ r · u ∈ W es lo que hay que probar. tal que u ∈ W ∧ v ∈ W =⇒ (u + v) ∈ W • Existe una operaci´ on externa “ · ” en W tal que Caso 2. Ejemplo 4. ·.17. Como W es un k-subespacio vectorial entonces por definici´ on es un k-espacio vectorial y luego debe al menos satisfacer las siguientes propiedades: • W 6= ∅ • Existe una operaci´ on interna “ + ” en W . y.0.36 2. (⇐=) Esto significa que:   W 6= ∅ u∈W ∧v ∈W   r ∈k∧u∈W r ∈ k ∧ u ∈ W =⇒ r · u ∈ W =⇒ (u + v) ∈ W =⇒ r · u ∈ W es un dato o hip´ otesis de libre disponibilidad y W ≤ V es lo que hay que probar. Sea W = {(x. k) es un k-espacio vectorial. ESPACIOS VECTORIALES Caso 1. z) ∈ R3 | x + y − z = 0} entonces W ≤ R3 En efecto El algoritmo (procedimiento o rutina) a implementar para este caso tendr´ a el siguiente formato: . • W 6= ∅ • Por hip´ otesis existe una “ + ” y un “ · ” en W y como V es un k-espacio vectorial entonces a fortiori (W.

lo que muestra (1. u2 + v2 .) (u + v) ∈ W (2) p.concluimos que (u + v) es un buen candidato para pertenecer a W .d. SUBESPACIOS 37 Sean u ∈ W . λ · u ∈ W Listo !! (a) An´ alisis de datos: u ∈ W ⇐⇒ u = (u1 .18. lo que muestra (2. λu3 ) As´ı que. v2 .4.q. λu2 . u3 ) + (v1 .) Finalmente λu = λ(u1 .0. λu1 + λu2 − λu3 = λ(u1 + u2 − u3 ) = λ0 = 0 Luego. (Uno en MR (n)) Sea W = {A ∈ MR (n) | A = At } entonces W ≤ MR (n) En efecto Sea A ∈ MR (n). λu ∈ R3 . manos a la obra (u1 + v1 ) + (u2 + v2 ) − (u3 + v3 ) = = = = u 1 + v1 + u 2 + v2 − u 3 − v3 (u1 + u2 − u3 ) + (v1 + v2 − v3 ) 0+0 ( ver (⋆) y (⋆⋆)) 0 Luego. u3 ) = (λu1 .q. u2 . Entonces. v3 ) [ ver (⋆) y (⋆⋆)] = (u1 + v1 .) Ejemplo 4. v ∈ W y λ ∈ R (datos de entrada arbitrarios) (1) Por demostrar que (p. u + v ∈ R3 (46) De ( 46). u2 . v3 ) ∈ R3 ∧ v1 + v2 − v3 = 0 (⋆⋆) (b) Demostremos que (u + v) ∈ W u + v = (u1 . Por otra parte. u3 ) ∈ R3 ∧ u1 + u2 − u3 = 0 (⋆) Analogamente v ∈ W ⇐⇒ v = (v1 . (u + v) ∈ W .d. λu ∈ W . u2 . u3 + v3 ) ( Suma en R3 ) Luego. v2 . pero falta ¡chequear! si verifica la palabra de paso. B ∈ MR (n) y λ ∈ R .

(λA)t = = = = = = (λ(aij )t (λaij )t (λaji ) λ(aij )t λ(aij ) λA ver ( 47) As´ı que. (A + B)t = = = = = (aij + bij )t (aji + bji ) (aij )t + (bij )t (aij ) + (bij ) A+B ver ( 47) y ( 48) Lo que muestra (2. (Uno en Rn [x]) ( ) n n X X Sea W = p(x) = ai xi ∈ Rn [x] | iai = 0 entonces W ≤ Rn [x] i=0 i=0 En efecto Sea p(x) = n X i ai x .19.) (3) Finalmente. sigue que A + B ∈ MR (n) Por otra parte. λA ∈ W Ejemplo 4.d. ESPACIOS VECTORIALES (1) An´ alisis de datos (47) A ∈ W ⇐⇒ A = (aij ) ∈ MR (n) ∧ (aij ) = (aji ) (48) B ∈ W ⇐⇒ B = (bij ) ∈ MR (n) ∧ (bij ) = (bji ) (2) p.38 2. A + B ∈ W De ( 47) y ( 48).0.q. como: λA = λ(aij ) = (λaij ) entonces λA ∈ MR (n) Por otra parte. q(x) = i=0 (1) An´ alisis de datos (49) (50) n X i=0 bi xi y λ ∈ R p(x) ∈ W ⇐⇒ p(x) = n X q(x) ∈ W ⇐⇒ p(x) = n X i=0 i=0 ai x ∧ n X iai = 0 bi xi ∧ n X ibi = 0 i i=0 i=0 .

4. v1 ) + (0. p(x) + q(x) ∈ W De ( 49) y ( 50). SUBESPACIOS 39 (2) p.17 v∈W ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ Conclusi´ on 4.0.) (3) Finalmente. v2 . sigue que p(x) + q(x) = n X (ai + bi )xi ∈ Rn [x] i=0 Por otra parte. como: λp(x) = λ n X ai xi i=0 = n X (λai )xi i=0 entonces λp(x) ∈ Rn [x] Por otra parte.16. v2 .q. “ no nos dice quienes son los miembros del subespacio W . 0. v2 ) ∈ R2 . 1) + v2 (0. n X i(ai + bi ) = i=0 = n X i=0 n X (iai + ibi ) iai + n X ibi i=0 i=0 = 0+0 = 0 ver ( 49) y ( 50) Lo que muestra (2. v2 . v2 ) ∈ R2 = (v1 . v2 ) ∧ (v1 . un subespacio en un espacio vectorial dado.21. 1) ∧ (v1 .20. es una herramienta poderosa para decidir si un conjunto es o no. v2 . v1 + v2 ) ∧ (v1 . v3 ) ∈ R3 ∧ v1 + v2 = v3 = (v1 . 1. v v v v v = (v1 .” Para agregar este ingrediente a nuestro an´ alisis. miremos con estos nuevos ojos a nuestros ejemplos anteriores: (1) Recreando el ejemplo 4. 0.0. λp(x) ∈ W Observaci´ on 4. Desde un punto de vista estructural el teorema 4.d. v3 ) ∈ R3 ∧ v1 + v2 − v3 = 0 = (v1 .0. n X λiai = λ i=0 n X iai i=0 = λ0 = 0 ver ( 49) As´ı que. no obstante el tiene un problemita que lamentablemente para nosotros es crucial.0. v2 ) ∈ R2 = v1 (1.

Por lo cual lo archivamos como un teorema. 1 0 0 1 (3) “Lo mostrado en los ejemplos anteriores constituye uno de los m´ as importante resultados b´ asicos ”. 1. .0. 1)}i (2) Analizando desde esta perspectiva el ejemplo 4. . ESPACIOS VECTORIALES (i) Aunque W es un conjunto infinito. a22 ) ∈ R3 Luego. el t´ermino generador lo entenderemos como en ( 38). v2 . 1). v2 . . 1) | a1 ∈ R ∧ a2 ∈ R} (51) (ii) Mejor W es un plano y sus generadores. 0. . 1) u2 = (0. . . 1.18. (0. son los vectores ∧ u1 = (1. . 1) + a2 (0. vn }i = i=1 En efecto Sean u ∈ W . (a11 . Teorema 4. 1) donde. es decir en lenguaje t´ecnico.40 2. w ∈ W y λ ∈ K entonces (53) Ahora. vn } ⊂ V entonces ) ( n X ri · vi | ri ∈ K (1 ≤ i ≤ n) ≤ V W = h{v1 . para n = 2      a11 a11 a12 a11 a12 = ∧ A ∈ W ⇐⇒ A = a a a a a 21 21 22 21 22   a11 a12 ⇐⇒ A =    a12 a22  0 a12 0 0 a11 0 + + ⇐⇒ A = 0 a22 0 0  a12 0  1 0 0 1 0 ⇐⇒ A = a11 + a12 + a22 0 0 1 0 0  0 1 t  donde. W = {a1 (1. u∈W ⇐⇒ u = w∈W ⇐⇒ w = n X ai · vi | ai ∈ K (1 ≤ i ≤ n) i=1 n X i=1 bi · vi | bi ∈ K (1 ≤ i ≤ n) . 1. a12 . 0. basta conocer dos vectores para caracterizar (determinar) a todos los elementos de W . Sea V un K espacio vectorial y {v1 . .0. (52) a12 a22 W =  1 0 0 0      0 1 0 0 . 0.22. . W = h{(1. As´ı.

u2 . . 1. 1. y. v2 . 0. vn } si existen n . vn }i = ( n X i=1 ) ri · vi | ri ∈ K (1 ≤ i ≤ n) .1. 1)}i . 0. 0. Si V un K espacio vectorial entonces el conjunto (1) W = h{v1 .4. . . 0). u4 ) ∧ (u2 . u4 ) ∈ R3 u = u2 (2. v2 . . (−5. u3 . 0) + u3 (−3. . 0. w) ∈ R4 | x − 2y + 3z + 5w = 0} entonces W ≤ R4 En efecto u∈W ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ u = (u1 .q. 0. . 0) + u4 (−5. 0. λ · u ∈ W λ·u = λ· = n X i=1 Luego. an } tal que (54) u= n X i=1 ai · vi Es decir. u4 ) ∈ R4 ∧ u1 = 2u2 − 3u3 − 5u4 u = (2u2 − 3u3 − 5u4 . . u3 .d. (u + w) ∈ W u+w = n X i=1 = n X i=1 Luego. a2 . 1.0. . (1) Si W = {(x.23. SUBESPACIOS 41 (1) p. . 1. . . . digamos {a1 . λ · u ∈ W As´ı que W ≤ V i=1 n X ai · vi (λ · ai ) · vi Definici´ on 4. los elementos de W se llaman combinaciones lineales de α = {v1 . . u3 . . . v2 . . z. . 0. . 1) u ∈ h{(2. (−3. . Ejercicios resueltos de Subespacios en Rn .escalares. 0. u2 . 0). u2 . vn } 4.d.q. Se llamar´ a subespacio generado por α = {v1 . se llama una combinaci´ on lineal de α = {v1 . u4 ) ∈ R4 ∧ u1 − 2u2 + 3u3 + 5u4 = 0 u = (u1 . (u + w) ∈ W ai · vi + n X i=1 bi · vi (ai + bi ) · vi (2) p. . u3 . vn } (2) u ∈ V . v2 .

0) en = (0. . 1. . . . Ejercicios resueltos en MR (n × m). 1)}i Luego. 0. . 0. w) ∈ R4 | x + y + 2z − w = 0}   y + 2z − w (6) W = (x. aplicando ( 4. 2u1 . (0. . u4 ) ∈ R4 ∧ 2u1 = u2 ∧ u3 = −u4 u = (u1 . y. 2. .22) tenemos que W ≤ R4 (3) Rn = h{e1 . . ESPACIOS VECTORIALES Luego. 0. 1) 4. en }i. z. 0). −u4 . y.2. 0. 0). 1)}i As´ı.42 2. y) ∈ R2 | 10x − 5y = 0} (3) W = {(x. = (1. z) ∈ R3 | 5x + y − z = 0} (5) W = {(x. .. . 0) + u4 (0. (−5.22) tenemos que W ≤ R4 (2) Si W = {(x. 0. 0. y) ∈ R2 | x + 3y = 0} (2) W = {(x. 0. 1. −1. z) ∈ R3 | x + y + z = 0} (4) W = {(x. . 0. . u3 . y. w) ∈ R4 | 2x − y = 0 ∧ z + w = 0} entonces W ≤ R4 En efecto u∈W ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ u = (u1 . w) ∈ R4 | 3x = 5 4. 0). y. . e2 . W = h{(2. . −1. u4 ) ∈ R4 ∧ [2u1 − u2 = 0 ∧ u3 + u4 = 0] u = (u1 . 0) = (0. z. (0. 0. 0. 0. Ejercicios Propuestos en Rn . 0. Demuestre que los siguientes subconjuntos de Rn son subespacios. 2. 0. (−3.0. u4 ) ∧ (u1 . 1) u ∈ h{(1. 0). −1. (1) W = {(x. W = h{(1. aplicando ( 4. u2 . z. 0. u3 .3. u4 ) ∈ R2 u = u1 (1. . donde e1 e2 . y. . 1)}i As´ı.0. 2. 0. u2 . . 1. .

SUBESPACIOS    a b ∈ MR (2) | a + b − c − 2d = 0 entonces W ≤ MR (2) (1) Si W = c d En efecto u∈W   a b ∈ MR (2) ∧ a + b − c − 2d = 0 ⇐⇒ u = c d   a b ∈ MR (2) ∧ c = a + b − 2d ⇐⇒ u = c d ⇐⇒ u =   a b ∧ (a. d) ∈ R3 a + b − 2d d       a 0 0 b 0 0 ⇐⇒ u = + + a 0 b 0 −2d d       0 0 0 1 1 0 +d +b ⇐⇒ u = a −2 1 1 0 1 0 Luego. . b.4. 0 1 1 0 0 0 43 . W = −2 1 1 0 1 0       a b a b a c (2) Si W = ∈ MR (2) | = entonces W ≤ MR (2) c d c d b d En efecto u∈W ⇐⇒ u =       a c a b a b = ∈ MR (2) ∧ b d c d c d   a b ∈ MR (2) ∧ b = c ⇐⇒ u = c d   a b ∧ (a. .       0 0 0 1 1 0 . W =       0 0 0 1 1 0 . b. d) ∈ R3 ⇐⇒ u = b d       0 0 0 b a 0 + + ⇐⇒ u = 0 d b 0 0 0       1 0 0 1 0 0 ⇐⇒ u = a +b +d 0 0 1 0 0 1 Luego.

(1) W = {A ∈ MR (2) | A = −At }.44 2. ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ u = a0 + a1 x + a2 x2 ∧ a0 − a1 + 2a2 = 0 u = a0 + a1 x + a2 x2 ∧ a1 = a0 + 2a2 u = a0 + (a0 + 2a2 )x + a2 x2 ∧ (a0 . a1 ) ∈ R2 u = a0 (1 − x2 ) + a1 (x − x2 ) . Determine si los siguientes subconjuntos de MR (n × m) son subespacios vectoriales. ESPACIOS VECTORIALES 4. Ejercicios Propuestos en MR (n × m).4. i=1 aii se llama la traza de la matriz A y se nota tr(A) i=1 (3) W = {A ∈ MR (n) | det(A) 6= 0} ( ( A = (aij ) ∈ MR (n) | aij = (4) W = 1 : Si j = n + 1 − i 0 : en otro caso (5) W = ( ( aij 0 : Si j ≤ i : en otro caso ) (6) W = ( ( aij 0 : Si j ≥ i : en otro caso ) A = (aij ) ∈ MR (n) | aij = A = (aij ) ∈ MR (n) | aij = ) 4. Ejercicios Resueltos en Rn [x]. donde At significa la matriz traspuesta de la matriz A (2) W = {A = (aij ) ∈ MR (n) | La n X n X aii = 0}. (1) Si W = {p(x) = a0 + a1 x + a2 x2 | a0 − a1 + 2a2 = 0} entonces W ≤ R2 [x] En efecto u∈W Luego. 2x + x2 }i (2) Si W = {p(x) = a0 + a1 x + a2 x2 | p(1) = 0} entonces W ≤ R2 [x] En efecto u∈W ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ u = a0 + a1 x + a2 x2 ∧ p(1) = 0 u = a0 + a1 x + a2 x2 ∧ a0 + a1 + a2 = 0 u = a0 + a1 x + a2 x2 ∧ a2 = −a0 − a1 u = a0 + a1 x + (−a0 − a1 )x2 ∧ (a0 .5. a2 ) ∈ R2 u = a0 (1 + x) + a2 (2x + x2 ) W = h{1 + x.

W = h{1 − x2 . Demuestre que si W ≤ V entonces 0V ∈ W En efecto . (1) Sea V un K espacio vectorial. x − x2 }i (3) Si W = ( p(x) = En efecto n X i=0 i ai x | u∈W n X ) ai = 0 i=0 ⇐⇒ u = ⇐⇒ u = ⇐⇒ u = ⇐⇒ u = entonces W ≤ Rn [x] n X i=0 n X i=0 n−1 X i=0 n−1 X i=0 ai xi ∧ n X ai = 0 i=0 i ai x ∧ an = − ai xi − n−1 X i=0 n−1 X ai ai i=0 ! xn ai (xi − xn ) Luego. x − xn . . . . xn−1 − xn }i 4.6. SUBESPACIOS 45 Luego. Demuestre que los siguientes subconjuntos de Rn [x] son subespacios. W = h{1 − xn . Ejercicios Propuestos en Rn [x]. .4. Ejercicios Resueltos Miscel´ aneos.7. (1) W = {p(x) = a0 + a1 x + a2 x2 | p(−3) = 0} √ (2) W = {p(x) = a0 + a1 x + a2 x2 + a3 x3 | p( 2) = 0} ) ( n n X X jai = 0. j ∈ [R − {0}] ai xi | (3) W = p(x) = (4) W = ( p(x) = i=0 i=0 n X n X i=0 i ai x | i=0 ) iai = 0 4.

d. as´ı que manos a la obra.q. Es decir W = {(x. Demuestre que En efecto n X ai xi = 0} i=1 Si W1 ≤ V ∧ W2 ≤ V entonces W1 ∩ W2 ≤ V Aqu´ı no queda otra opci´ on que usar la definici´ on (¿ por qu´e ?).q. ESPACIOS VECTORIALES Como W ≤ V entonces para cada w ∈ W ∧ λ ∈ K arbitrario tenemos que λ · w ∈ W . . y) ∈ R2 | y = mx. . En efecto . x2 . Sean u ∈ W1 ∩ W2 . v ∈ W1 ∩ W2 y λ ∈ K entonces (a) p.d. en Rn son subespacios los conjuntos de la forma W = {(x1 .46 2. m ∈ R} ≤ R2 En general. 0). (u + v) ∈ W1 ∩ W2 (b) p. λ · u ∈ W1 ∩ W2 • W1 ≤ V =⇒ λ · u ∈ W1 • W2 ≤ V =⇒ λ · u ∈ W2 Luego. λ · u ∈ W1 ∩ W2 (3) Sea V un K espacio vectorial. Demuestre que Si W1 ≤ V ∧ W2 ≤ V entonces W1 ∪ W2 no es necesariamente un subespacio de V . u + v ∈ W1 ∩ W2 • u ∈ W1 ∩ W2 ⇐⇒ u ∈ W1 ∧ u ∈ W2 • v ∈ W1 ∩ W2 ⇐⇒ v ∈ W1 ∧ v ∈ W2 • W1 ≤ V =⇒ u + v ∈ W1 • W2 ≤ V =⇒ u + v ∈ W2 Luego. las rectas para ser un subespacio deben pasar por el origen (0. luego en particular para λ = 0 se verifica que 0 · w = 0V ∈ W Observen que en R2 por ejemplo. xn ) ∈ Rn | (2) Sea V un K espacio vectorial. .

. SUBESPACIOS 47 Basta con dar un contraejemplo. . . . . y entonces del punto (ii) sigue que (56) h{w1 . . . . v2 . . v3 . . vn }i = h{w1 . . . . 1) 6∈ W1 ∪ W2 (4) Sea V un K espacio vectorial y consideremos los subconjuntos de V k X ivi y (1 ≤ k ≤ n) entonces α = {v1 . a2 . . (1. . 2. . Considera los siguientes subespacios del plano Cartesiano • W1 = Eje x = {(x. wn }. wn }i ⊂ h{v1 .4. 3. an en K tal que u= n X ai vi i=1 (ii) Simplificando el problema. . y). v2 . ak = k sigue que wk ∈ h{v1 . . | x = 0 ∨ y = 0} Es claro. . basta conocer los generadores ” (iii) Resolviendo el problema wk = k X i=1 ivi = 1 · v1 + 2 · v2 + 3 · v3 + · · · + k · vk entonces tomando en el punto (i) a1 = 1 . . v2 . w2 . . vn }i Por otra parte. u ∈ h{v1 . n. . . wn }i. 0). . “Para conocer un elemento de h{v1 . . . que W1 ≤ R2 y W2 ≤ R2 . vn } y β = {w1 . . vn }i o de h{w1 . . . . . es decir un ejemplo que muestre que alguna de las condiciones para ser subespacio no se cumple. . v2 . . . w2 . w2 . wn }i (55) En efecto (i) Entendiendo los elementos o datos del problema. . v2 . . w2 . 1) = (1. . y). . . | y ∈ R} • W1 ∪ W2 = {(x. . . . . . . para k = 1. Si wk = i=1 demuestre que h{v1 . sin embargo. . . 0) + (0. El punto anterior puede ser traducido a la siguiente forma operacional. a2 = 2 . | x ∈ R} • W2 = Eje y = {(0. . . . . vn }i. . . vn }i si y s´ olo si existen a1 . v2 .

. . vn }i = h{w1 . . . . 0 · w1 vn = 0 · w1 + - 0 · w2 + 0 · w3 + . 1. y. . 0. . . z) ∈ W . 1. + 0 · wn 1 2 · w2 + 0 · w3 + . 1.7)) (2) Sea W = h{(1. . . . 0. y. vk+1 = v1 Es decir.8. + 0 · wn 1 3 · w2 + 1 3 · w3 + . v2 . 1. para cada (x. . . 2) = a1 (1. 0) + a3 (1. . (1) Demuestre que W = {(x. . . . 2) ∈ W . (57) h{v1 . n − 1 = w1 1 · w1 + v2 = − 21 · w1 + v3 = . + 1 n 0 · w2 + · wn Luego.. wn }i As´ı que juntando ( 56) y ( 57) tenemos que h{v1 . . . 0). z) ∈ R3 | x + y + z = 1} 6≤ R (Ayuda: Use ( 4. .48 2. . w2 . . 1)} ⊂ R3 (i) Demuestre que (2. ESPACIOS VECTORIALES wk+1 − wk = k+1 X i=1 ivi − k X ivi i=1 = (k + 1)vk+1 As´ı que. v1 = 1 (k+1) (wk+1 − wk ) k = 1. 2. wn }i 4. z) ∈ R3 . 0). resuelva la ecuaci´ on vectorial (2. Ejercicios Propuestos Miscel´ aneos. . 2. . 0) + a2 (1. + 0 · wn 0 · w3 + . 1) (ii) Demuestre que (x. Es decir. (1. . . . . vn }i ⊂ h{w1 . 3. y. 2. v2 . w2 . (1. .

4. SUBESPACIOS

49

(iii) Concluya que R3 = h{(1, 0, 0), (1, 1, 0), (1, 1, 1)}i
(3) Sea V un K espacio vectorial y α = {v1 , v2 }. Demuestre que
h{v1 , v2 }i = h{v1 , v1 + v2 }i

(4) Sea V un K espacio vectorial y α = {v1 , v2 }. Demuestre que
h{v1 , v2 }i = h{v1 − v2 , v1 + v2 }i

(5) Sea V un K espacio vectorial y α = {v1 , . . . , vn } ⊂ V . Sea β = {w1 , . . . , wn } ⊂ V tal
k
X
vi y (1 ≤ k ≤ n).
que wk =
i=1

Demuestre que

h{v1 , v2 , . . . , vn }i = h{w1 , w2 , . . . , wn }i

(58)

(6) Sea V un K espacio vectorial y α = {v1 , . . . , vn } ⊂ V . Sea β = {w1 , . . . , wn } ⊂ V tal
k
X
que wk =
jvi y (1 ≤ k ≤ n).
i=1

Demuestre que

h{v1 , v2 , . . . , vn }i = h{w1 , w2 , . . . , wn }i

(59)

(7) Demuestre que
• W1 = {(x, y, z) ∈ R3 | x − y − z = 0} ≤ R3
• W2 = {(x, y, z) ∈ R3 | x − y = 0 ∧ y − z = 0} ≤ R3
• W1 + W2 = {w1 + w2 | w1 ∈ W1 ∧ w2 ∈ W2 } ≤ R3
• R3 = W1 + W2
• W1 ∩ W2 = {0R3 }
En general, si V es un K espacio vectorial, W1 ≤ V y W2 ≤ V entonces V se dice
“Suma directa de los subespacios W1 y W2 ”si
• V = W1 + W2

50

2. ESPACIOS VECTORIALES

• W1 ∩ W2 = {0V }
En tal caso, notamos V = W1
(8) Demuestre que

(9) Demuestre que

L

W2

R2 = {eje x} ⊕ {eje y}

MR (n) = { matrices sim´etricas } ⊕ { matrices antisim´etricas }
(10) Demuestre que
Rn [x] = R0 [x] ⊕ h{x, x2 , . . . , xn }i

´
5. BASE Y DIMENSION

51

5. Base y Dimensi´
on
Motivaci´
on 5.0.1.
Sabemos que si V es un K espacio vectorial y W un subespacio de V entonces W es en
particular un subconjunto de V . Es decir.
W ≤ V =⇒ W ⊂ V
Ahora, si W = h{v1 , v2 , . . . , vn }i entonces
W = h{v1 , v2 , . . . , vn }i ≤ V =⇒ W = h{v1 , v2 , . . . , vn }i ⊂ V

(60)

La condici´
on ( 60) nos permite hacer la siguiente definici´
on.
Definici´
on 5.0.2.

Sea V un K espacio vectorial. Diremos que el subconjunto de V , α = {v1 , v2 , . . . , vn } es un
“Sistema de generadores para V ”si
V = h{v1 , v2 , . . . , vn }i

(61)
Equivalentemente:

α es un sistema de generadores si para cada v ∈ V existen n- escalares, digamos a1 , a2 , . . . , an
tales que
v = a1 v1 + a2 v2 + · · · + an vn
O en lenguaje m´
as pragm´
atico:
α es un sistema de generadores si para cada v ∈ V la ecuaci´
on vectorial
v = a1 v1 + a2 v2 + · · · + an vn

(62)
tiene soluci´
on.
Ejemplo 5.0.3. Cl´
asicos

(1) c(n) = {e1 , e2 , . . . , en }, donde
e1
e2
..
.

= (1, 0, 0, . . . , 0)
= (0, 1, 0, . . . , 0)

en = (0, 0, 0, . . . , 1)
Es un sistema de generadores para Rn , ya que

(63)

(x1 , x2 , . . . , xn ) = x1 e1 + x2 e2 + · · · + xn en

Por la forma de ( 63), se acostumbra a llamar a “c(n) con el nombre de generadores
can´
onicos. ”
(2) En particular; R2 = h{(1, 0), (0, 1)}i

52

2. ESPACIOS VECTORIALES

(3) R2 = h{(1, 1), (1, −1)}i, pues
(x, y) = (

x+y
x−y
)(1, 1) + (
)(1, −1)
2
2

(4) m(n × s) = {Eij | (1 ≤ i ≤ n) ∧ (1 ≤ j ≤ s)}, donde
(
1 : en la posici´
on ij
Eij =
0 : en otra parte
Es un sistema de generadores de MK (n × s)
As´ı por ejemplo, para n = s = 2  

a b
=
c d

aE11

+

bE12

+

cE21

+

dE22        

1 0
0 1
0 0
0 0
= a
+ b
+ c
+ d
0 0
0 0
1 0
0 1

Luego,  

 
 
 

0 0
0 0
0 1
1 0
,
,
,
MR (2) =
0 1
1 0
0 0
0 0
(5) p(n) = {1, x, x2 , . . . , xn } son los generadores can´
onicos de Rn [x],
pues,

Es decir,

q(x) = a0 · 1 + a1 · x + · · · + an xn
Rn [x] = h{1, x, x2 , . . . , xn }i

Ejemplo 5.0.4. Un poco m´
as te´
oricos.
(1) Sea V un K espacio vectorial y α = {v1 , v2 }. Demuestre que

En efecto

V = h{v1 , v2 }i =⇒ V = h{v1 , v1 + v2 }i

(a) Identificamos lo que hay que realizar. En este caso tenemos que demostrar que (
en s´ımbolos p.d.q.) V = h{v1 , v1 + v2 }i, es decir debemos mostrar que la ecuaci´
on
vectorial

(64)

v = a1 v1 + a2 (v1 + v2 )
Tiene soluci´
on para cada v ∈ V .

luego v1 ∈ h{v1 . v2 }i y v ∈ V entonces tiene soluci´ on la ecuaci´ on vectorial (65) v = b 1 v1 + b2 v2 Es decir. v2 }i ⊂ h{v1 . existen b1 ∈ K y b2 ∈ K tal que ( 65) es una identidad. (66) An´ alogamente. v2 }i (ii) v1 + v2 = 1 · v1 + 1 · v2 . (c) Supongamos por un instante que la ( 64). Observemos que h{v1 .d. tiene soluci´ on entonces tenemos v = a1 v1 + a2 (v1 + v2 ) = a1 v1 + a2 v1 + a2 v2 = (a1 + a2 )v1 + a2 v2 Luego. v1 + v2 }i = h{v1 . v1 + v2 }i (i) v1 = 1 · v1 + 0 · v2 .´ 5. Como V = h{v1 . BASE Y DIMENSION 53 (b) Analizamos los datos. luego v2 ∈ h{v1 . v1 + v2 }i (iii) As´ı que. luego v1 ∈ h{v1 . v1 + v2 }i ⊂ h{v1 . h{v1 . sigue que h{v1 . de ( 66) y ( 67). v2 }i = h{v1 . (67) h{v1 . v2 }i Luego. basta que tomemos: a1 + a2 = b1 =⇒ a1 = b1 − b2 a2 = b2 ∧ a2 = b2 (d) As¡ V = h{v1 . v1 + v2 }i Soluci´ on Alternativa p. v1 + v2 }i (ii) v2 = (−1) · v1 + 1 · (v1 + v2 ). v1 + v2 }i (i) v1 = 1 · v1 + 0 · (v1 + v2 ). v2 }i (iii) As´ı que. v2 }i . luego v1 + v2 ∈ h{v1 .q.

vn }i =⇒ V = h{w1 . (1 ≤ k ≤ n) =⇒ wk ∈ h{v1 .0. w2 . .5. . w2 . v3 . (b) As´ı que Finalmente. h{w1 . . . vn }i Ahora. wn }i ⊂ h{v1 . wn } ⊂ V tal que wk = entonces demuestre que (69) k X i=1 ivi y (1 ≤ k ≤ n) V = h{v1 . . . vn }i =⇒ V = h{w1 . w2 . . . . . vn }i ⊂ h{w1 . . v2 . v2 . . v3 . 3 . h{v1 . . . . . . (3) Sea V un K espacio vectorial y α = {v1 . w2 . . . . . . . . v2 . vn }i = h{w1 .espacio vectorial V entonces tenemos lo siguiente: Para cada v ∈ V existen escalares a1 . v2 }i =⇒ V = h{v1 − v2 . . . v2 . . . vn } ⊂ V .54 2. . . . Sea β = {w1 . . n y v1 = w1 . an en K tales que . . . Observaci´ on 5. . v1 + v2 }i Es un buen ejercicio. Sea β = {w1 . . . . . . . . . wn }i h{v1 . . . y α = {v1 . . vn }i (b) Luego. . . a2 . v2 . . . vn } ⊂ V. Sea α = {v1 . . wn }i vi . . (a) vk = wk − wk−1 . . w2 . . . . . . Demuestre que V = h{v1 . v2 }. . vn } un sistema de generadores para el K . . . para k = 2. . ESPACIOS VECTORIALES (2) Sea V un K espacio vectorial. . . . . y (1 ≤ k ≤ n) V = h{v1 . w2 . wn }i (4) Sea V un K espacio vectorial y α = {v1 . v2 . wn }i Es un buen ejercicio. . v2 . v2 . . . . . v2 . wn } ⊂ V tal que wk = entonces demuestre que (68) En efecto (a) wk = k X i=1 k X i=1 vi .

. vn } un sistema de generadores de V entonces para n X ai vi si y s´ olo si el cada vector v ∈ V existen u ´nicos escalares a1 . 1) + (−1) · (2.6.0. . no obstante tenemos la siguiente anomal´ıa: (71) (72)   2 [(2. . 0) = 2 · (1..  ⇐⇒ v = .3) Pero. . BASE Y DIMENSION Equivalentemente. (2. puede tener dos o m´ as matrices relacionadas con el. (2. 7−→ MK (n × 1) 7−→ [v]α  a1 n  a2  X   ak vk [v]α =  . . 0). 1). 0) + 3 · (0. 0) = 0 · (1. 3) As´ı que la conclusi´ on es la siguiente: Teorema 5. 0). 3)} entonces no cabe duda que R2 = h{(1. 3)]α = 3 0   0 [(2. (0. como por ejemplo. . (0.  an k=1 El u ´nico problema es que un elemento de V . 3)}i. can´ onicamente el origen se expresa como (0. a2 . Sea V un K espacio vectorial y α = {v1 . 1).´ 5. an tales que v = vector nulo 0V se escribe de forma u ´nica. i=1 . 1) + 0 · (2. tenemos autom´ aticamente una relaci´ on entre el espacio V y el conjunto MK (n×1). . 0) + 0 · (0. 3)]α = 0 1 Del an´ alisis de ( 71) y ( 72) sigue que (0. la ecuaci´ on 55 v = a1 v1 + a2 v2 + · · · + an vn v = x1 v1 + x2 v2 + · · · + xn vn (70) tiene siempre soluci´ on en Kn Mejor a´ un. definida por: [ ]α : V v Donde. si α = {(1.

. donde e1 e2 . donde ( 1 Eij = 0 en la posici´ on ij en otro caso . Sea V un K espacio vectorial y α = {v1 .0. pues 0V es un vector del espacio. . α es Li si n X (73) i=1 ai vi = 0 =⇒ a1 = a2 = · · · = an = 0 Ejemplo 5. c(n) es un conjunto Li. . . vn } un subconjunto de V . . . son dos representaciones distintas de v entonces claramente i=1 (ai − bi )vi . en Rn (2) Sea m(s × t) = {Eij ∈ MK (s × t) | (1 ≤ i ≤ s). . . en }. .. . . . . 0} en = {0. 0. . a2 . ESPACIOS VECTORIALES En efecto Si v = n X ai vi y v = i=1 tenemos que 0V = n X i=1 n X bi vi . (1 ≤ j ≤ t)}. . 0} = {0. As´ı. 1. e2 . La rec´ıproca es inmediata. 1} En efecto Supongamos que tenemos la combinaci´ on lineal nula en Rn a1 e1 + a2 e2 + · · · + an en = 0Rn (74) ( 74) es siempre el comienzo para verificar si un conjunto es Li.56 2. . .. Cl´ asicos (1) c(n) = {e1 . a1 e1 + a2 e2 + · · · + an en = 0Rn ⇐⇒ (a1 . 0. o Ld. 0. es un conjunto Linealmente independiente en Rn . . 0.0. Es decir.8. . 0V tiene dos representaciones distintas. . . . an ) = (0. . Es decir. Caso contrario decimos que α es un conjunto Linealmente Dependiente (en s´ımbolos Ld). . Diremos que α es un conjunto Linealmente Independiente (en s´ımbolos Li) si el vector nulo 0V tiene representaci´ on u ´nica como combinaci´ on lineal de los elementos de α.7. . 0. . . . Definici´ on 5. 0) ⇐⇒ ai = 0 (1 ≤ i ≤ n) luego. . = {1. 0.

x. por ejemplo         1 0 0 1 0 0 0 0 m(2 × 2) = .(∀s. En efecto Como siempre.. .  . . t ∈ N) En efecto (juguemos a los s´ımbolos.  ⇐⇒ v = . . (n ∈ N) entonces p(n) es Li. . 0 (1 ≤ i ≤ s). 7−→ MK (n × 1) 7−→ [v]α  a1 n  a2  X   ak vk [v]α =  . en lo que sigue. .. . . aij Eij = 0MK (s×t) i=1 j=1   a1t 0 . xn }. as1 ..´ 5. . .  =  . m(s × t) es un conjunto Li. m(s × t) es Li. en MK (s × t)...9. vn } un subconjunto de V entonces (1) La relaci´ on [ ]α : V v Donde.. supongamos que n X ai xi = 0Kn [x] entonces i=0 n X i ai x = 0Kn [x] =⇒ i=0 n X i ai x = i=0 n X 0xi i=0 =⇒ ai = 0 (0 ≤ i ≤ n) Observaci´ on 5. . .) Partimos como siempre: s X t X  a11 . en MK (s × t)... (1 ≤ j ≤ t) =⇒ aij = 0 Luego. .  0 0  . ast 0 . . a2t    . a21 .. . . s ∈ N)(∀t. . .  an k=1 es una funci´ on si y s´ olo si α es un sistema de generadores y es un conjunto linealmente independiente en V . . BASE Y DIMENSION 57 As´ı.  =⇒  .. . m(s) = m(s × s) (3) Sea p(n) = {1.0. en Kn [x]. .. Sea V un K espacio vectorial y α = {v1 .  . 0 0 0 0 1 0 0 1 Luego.  . . . x2 . . . 0 .

ESPACIOS VECTORIALES (2) M´ as a´ un [ ]α es una biyecci´ on entre los K . v= n X ak vk k=1 (3) As´ı que tenemos el siguiente diagrama. . Espacio Te´ orico V [ ]α [ ]α−1 MK (n × 1) Espacio Pr´ actico (4) As´ı que un conjunto α con esas caracter´ısticas permite determinar en forma u ´nica cada elemento del espacio vectorial.10. Definici´ on 5.espacios vectoriales V y MK (n × 1) En efecto a funci´ on inversa de [ ]α es la siguiente: [ ]−1 : MK (n × 1) 7−→ V α   a1  a2     . an en K tal que v = a1 v1 + a2 v2 + · · · + an vn . . . .. . .58 2.  .0. a2 . (2) α es un conjunto Linealmente independiente en V Equivalentemente α es una base de V si para cada v ∈ V existen u ´ nicos escalares a1 . es decir este conjunto es un generador exacto del espacio V. vn } un subconjunto de V entonces α se llamar´ a una base del espacio vectorial V si (1) α es un sistema de generadores de V . Sea Sea V un K espacio vectorial y α = {v1 . 7−→ v an Donde. . .

. (1 ≤ j ≤ s)} La llamaremos la base can´ onica de (M)K (n × s). .0. . .  xn (76) (2) En MK (n × s) m(n × s) = {Eij | (1 ≤ i ≤ n). . . x2 . e2 . BASE Y DIMENSION 59 Ejemplo 5. . . . En particular. en } (75) La llamaremos la base can´ onica de Kn . (78) p(n) = {1. vn } una base entonces . } (77) La llamaremos la base can´ onica de los polinomios con coeficientes en el cuerpo K. sea α = {v1 . .0. . . pues por ejemplo para n = s = 2   x11 x12 = x11 E11 + x12 E12 + x21 E21 + x22 E22 x21 x22 = x11         1 0 0 1 0 0 0 0 + x12 + x21 + x22 0 0 0 0 1 0 0 1 (3) En K[x] p(∞) = {1. pues (x1 . . . (t ∈ N) (n ∈ N) La llamaremos la base can´ onica de Kn [x]. x2 . x. x2 . x2 .. x. xn )]c(n)  x1  x2    =  . Otros ejemplos (1) En Kn .´ 5. el espacio vectorial de polinomios hasta de grado n. . pues gen´ericamente un polinomio se escribe como p(x) = a0 · 1 + a1 · x + a2 · x2 + · · · + at xt .11. . . . Cl´ asicos (1) En Kn c(n) = {e2 . . . .  . Ejemplo 5. .12. xn ) = x1 e1 + x2 e2 + · · · + xn en m [(x1 . xn }. . v2 .

• Si αs = {v1 . sin x. . . n X i=1 vi }. .60 2. . v1 + v2 . ws } entonces αs es Ld. . sin nx.Q. es una nueva base de Kn . vn .13. !!! – Caso 2. . . . sin nx. sin x. – Com α es una base entonces le aplicamos su definici´ on para obtener una representaci´ on u ´nica para el vector w1 . . vn } una base de un espacio vectorial V sobre un cuerpo K y sea w1 ∈ V • Si α1 = {v1 . es una base de W . . En efecto – Aplicamos la definici´ on de independencia (dependencia) Lineal. para (a1 . . . . es una base de Kn j X i=1 ai vi . . para cada n ∈ N Observaci´ on 5.0. . v2 . .D. w1 . w1 } entonces α1 es Ld. . . sin 2x. . es decir (79) w1 = n X bj vj j=1 • Dos casos inmediatos – Caso 1. . sin 2x. π] 7−→ R | tal que f continua }. . Sea α = {v1 . c · v2 . cos nx}i entonces α = {1. . v2 . . para cada c ∈ K − {0} • α+ = {v1 . cos nx}. donde wj = fijo. . . . . Si definimos el subespacio de V W = h{1. . . . vn . . cos x. luego α1 Ld. . . . cos 2x. ESPACIOS VECTORIALES • cα = {c · v1 . w1 6= 0 =⇒ n X bj vj + (−1)w1 = 0V j=1 Es decir de ( 79) sigue que tenemos una combinaci´ on lineal nula con al menos un escalar no nulo. w1 = 0V =⇒ α1 es Ld. . w2 . . . v2 . cos 2x. . en V . wn }. . cos x. c · vn }. Supongamos que n X ai vi + an+1 w1 = 0V entonces P. existe al menos un aj i=1 en nuestra lista de escalares que es no nulo (aj 6= 0). an ) ∈ Kn (2) Sea V = {f : [−π. a2 . . en V . es una nueva base de Kn • En general β = {w1 .

(4) dimK (Kn [x]) = n + 1. . wi 6= 0. vn } y β = {w1 . w2 . v2 . hemos probado uno de los resultados m´ as importantes del algebra Lineal: Teorema 5. . . . pues card(p(∞)) = ∞ .0. Rec´ıprocamente como β es base y α es Linealmente independiente entonces nuevamente por 5. para alg´ un i =⇒ αs es Ld – Caso 2. Sea α = {v1 . vn } una base de un espacio vectorial V sobre un cuerpo K entonces cualquier subconjunto de V que posea m´ as de n-elementos es linealmente dependiente Corolario 5.15. pues card(p(n)) = n + 1 (5) dimK (K[x]) = ∞. .16. tenemos que n ≤ m.14. . .´ 5. Sea V un K espacio vectorial. . Sean α = {v1 .17.0.0. pues card(c(n)) = n (3) dimR (C) = 2. Notaremos: dimK (V ) := dimensi´ on de V sobre K Ejemplo 5.0. v2 . Cl´ asicos o Can´ onicos (1) dimR (Rn ) = n. para alg´ un i =⇒ αs es Ld Aplicando el argumento descrito para α1 En cualquier caso. Definici´ on 5. wm } dos bases de un espacio vectorial V sobre un cuerpo K entonces n=m. . BASE Y DIMENSION 61 En efecto – Caso 1.14 tenemos que m ≤ n. .0.0.14. . De lo anterior podemos concluir con la siguiente definici´ on. Llamaremos dimensi´ on de V al n´ umero de vectores de una base de V . wi = 0. . En efecto Como α es base y β es linealmente independiente entonces por el teorema 5. as´ı que n = m. pues card(c(n)) = n (2) dimC (Cn ) = n.

estudiaremos la aparici´ on de los lenguajes que caracterizan a la investigaci´ on te´ orica o modelamiento y a la investigaci´ on pr´ actica o matricial. ESPACIOS VECTORIALES (6) dimK (MK (n × s)) = n · s.Wesley (3) Lima E. Ejercicios y problemas de Algebra Lineal McGraw-Hill . En la siguiente secci´ on. Algebra Linear Matematica Universitaria (4) Rojo J. Introduction to Linear Algebra Addison . la cual sin lugar a dudas es la base de la importancia radical que tiene el Algebra Lineal en el desarrollo de la actual tecnolog´ıa.62 2. pues card(m(n × s)) = n · s M´ as adelante obtendremos muchos otros ejemplos. Lecturas sugeridas como complementarias al estudio hasta ahora realizado. pero por ahora nos dedicaremos a cosechar lo que hemos sembrado. y Kunze R. Algebra Lineal Prentice Hall (2) Lang S. (1) Hoffman K.

Es decir tenemos. en ese orden. y) ∈ R2 [ ]c(2)  x y  ∈ MR (2 × 1) Figura 7 Luego.18. 2 2 (x. de un punto (x. −1)}. ESPACIO COORDENADO 63 6. osea R2 . Hasta el momento sabemos que : (1) Existe una biyecci´ on natural entre R2 y MR (2 × 1). 1).6. y) ∈ R2 [ ]α  x+y   2  ∈ MR (2 × 1) x−y 2 Figura 8 (3) Las situaciones anteriores nos sugieren dos cuestiones centrales. (2) Si α = {(1. (1.0. y) rex+y x−y specto de α son ” y ”. Espacio Coordenado Motivaci´ on 6. y) en el plano.las coordenadas en el sentido usual. definida por (x. que podemos resumir en el siguiente diagrama: 1R2 R2 R2 [ ]c(2) [ ]α) MR (2 × 1) ? MR (2 × 1) Figura 9 Vamos a intentar responder a este problema. respecto de la base can´ onica son ” x e y ”. . Para fijar ideas partamos considerando nuestro prototipo de buen espacio vectorial. es otra base del plano entonces las coordenadas de (x.

1)]c(2) [(1. pues: [I]αc(2) [(x. y)]α =  x − y 2 x y  + 2 2  =  x y  − 2 2  1 1    2  x    1 y − 2  [(1.64 2. −1)]c(2) = −1 Luego. y)]c(2) = y   1 • [(1. podemos definir una matriz que guarde esa informaci´ on como sigue: [I]c(2) α (80) (3) An´ alogamente como =  1 1 1 −1  . si copiamos la idea en el otro sentido: c(2) [I]α = =  [(1. respondemos el problema inicial. −1)]c(2) 1 1 1 −1     x entonces en particular (2) Como [(x. y)]α • En segundo lugar. ESPACIOS VECTORIALES (1) Fijense bien x + y  2  [(x. y)]c(2) = [(x. podemos notar con toda propiedad: [I]αc(2) Y obtenemos lo siguiente: 1  2    1 − 2  1  2 =  1 2 • En primer lugar. 0)]α [(0. 1)]c(2) = 1   1 • [(1. 1)]α [(x. y)]c(2)  2 =   1 2 = Luego.

veamos que se puede hacer con esas matrices     x+y   1 1  2  x =   •    x−y 1 −1 y 2 Luego. y)]α  1 1 1  2  •   1 1 −1 2 entonces  (84)  1    1 0 2  =   1 0 1 − 2 α [I]c(2) α [I]c(2) = I2 65 . (83) [I]αc(2) [(x. 1)]α =   [I]αc(2) (81)  1  2 = 1 2  1 2  1  − 2 (4) Finalmente.6. podemos definir una matriz que guarde esa informaci´ on como sigue:  • [(0. y)]α =   entonces en particular 2 x−y 2    1 2  • [(1. 0)]α =    1 2  1  2    1 − 2 Luego. (82) [I]c(2) α [(x. y)]α = [(x. y)]c(2) = [(x. y)]c(2)  1 1    x + y   2   2 2  x   =   •      x − y 1 1 y − 2 2 2 As´ı que. ESPACIO COORDENADO x + y   [(x.

β). (85) Definici´ on 6.((V. i=1 an . que contiene a la teor´ıa y a la pr´ actica. vn } una base de V entonces [v]α ∈ MK (n×1) se llamar´ a las α . MK (n × 1)) (88) ((V. α) [ ]α MK (n × 1) Figura 10 Donde se verifica la ecuaci´ on fundamental: (86)  a1 n  a2  X   ai vi ⇐⇒ [v]α =  . .20.0. α).  v= . α). w2 .MK (n × 1)). Esto permite construir una tripleta. .. .0.espacio coordenado de V .66 2..19.coordenadas de v y MK (n × 1) el α . [ ]α . Es decir. . []β . conectadas por un sistema de informaci´ on o base α.espacio vectorial y α = {v1 . MK (n × 1)) donde β = {w1 . wn } entonces Para cada vector v ∈ V tenemos dos ecuaciones fundamentales (89)   a1 n  a2  X   ai vi ⇐⇒ [v]α =  .  −1 α [I]c(2) = [I] α c(2) Sea V un K . ESPACIOS VECTORIALES Es decir. . tenemos la funci´ on (V. . . “Contrucci´ on de la Matriz Cambio de Coordenadas ” Supongamos que tenemos dos tripletas del tipo : (87) ((V. . []α .  v= . v2 .  i=1 an Observaci´ on 6.

ESPACIO COORDENADO 67   b1 n  b2  X   v= bi wi ⇐⇒ [v]β =  .. .. . .. . . . [vn ]β ) (91) O bien (92)    [I]βα =   a11 a21 . . a1n a2n .... ann      ..   .. an2 wn  a12  a22    ⇐⇒ [v2 ]β =  .   an2 . an1 an2 .   . . (90) i=1 bn ¿ Existe alguna relaci´ on entre ( 89) y ( 90)? Para responder esa interrogante podemos hacer lo siguiente : (i) Aplicando la f´ ormula ( 90). . a cada uno de los elementos de la base α obtenemos v1 = a11 w1 + a21 w2 + . ..  .   ann (ii) La informaci´ on de los elementos de la base α respecto de la base β puede ser organizada en una matriz de la forma : [I]βα = ([v1 ]β [v2 ]β . ann wn  a1n  a2n    ⇐⇒ [vn ]β =  .. . . an1 wn   a11  a21    ⇐⇒ [v1 ]β =  . . vn = a1n w1 + a2n w2 + .  an1 v2 = a12 w1 + a22 w2 + .   ..6. . . .. . a12 a22 . ..

.0. .21. an1 = [v1 ]β As´ı que. ESPACIOS VECTORIALES (iii) Finalmente  a11 a21 .    1  0     . (∀c.0. . [c · u]γ  c · b1   =  ..   .. . 0 .   .   .22..  bn + an  = [u + v]γ An´ alogamente. v ∈ V ) (∀u. u ∈ V ). .. [I]βα [vi ]α = [vi ]β (93) (1 ≤ i ≤ n) En general tenemos el siguiente Teorema 6. ...  = c· .  c · bn    b1  .68 2. . c ∈ K) En efecto [u]γ + [v]γ     a1 b1  .. u ∈ V ).... . (∀v.. ann   a11  a21    =  .. . + .. a1n a2n . an1 an2 .  bn = c · [u]γ Corolario 6....  an bn  b1 + a1   =  . Si γ es una base de V entonce (i) [u + v]γ = [u]γ + [v]γ (ii) [c · u]γ = c · [u]γ (∀u.   [I]βα [v1 ]α =   a12 a22 ..  =  .

0. . ESPACIO COORDENADO 69 Para cada u ∈ V [I]βα [u]α = [u]β (94) En efecto u= n X bi vi equivalentemente i=1 bn luego. [I]βα n X " n X bi vi i=1 # α bi [I]βα [vi ]α ver ( 6. u ∈ V ) [I]αβ [I]βα [u]α = [I]αβ [u]β = [u]α (∀u. 1 ≤ i ≤ n) [I]βα [I]αβ [wi ]β = [I]βα [wi ]α = [wi ]β (∀i.22).0.21) n X bi [vi ]β ver ( 93) n X [bi vi ]β i=1 = i=1 = i=1 = " n X i=1 bi vi # β = [u]β Corolario 6.0. [I]βα [I]αβ = In En efecto sabemos de ( 6..  . [I]βα [u]α = =   b1  b2    [v]α =  . u ∈ V ) En particular. [I]αβ [I]βα [vi ]α = [I]αβ [vi ]β = [vi ]α (∀i.23. 1 ≤ i ≤ n) An´ alogamente. que [I]βα [u]α = [u]β entonces (∀u.6.

25. ser´ a llamada la matriz cambio de la base α a la base β. Ejemplo 6. [I]βα es una matriz invertible y h i−1 (1) [I]βα = [I]αβ (2) Tenemos el siguiente diagrama conmutativo V 1R2 V [ ]β) [ ]α MR (n × 1) [I]βα MR (n × 1) Figura 11 Equivalentemente i h [I]βα ◦ [ ]α = [ ]β i h [I]αβ ◦ [ ]β = [ ]α Definici´ on 6. .0.26. . . . . . wn }i i+1 i+1 . . w2 .70 2. luego vi+1 = − 1 1 wi + wi+1 ∈ h{w1 . as´ı que vi+1 = .0. w2 . . Sea V un K espacio vectorial y sea α = {v1 . una base de V .0. para (1 ≤ i ≤ n) entonces j=1 (1) β es una base de V En efecto wi = wi+1 − i+1 (95) i X j=1 wi jvj . [I]βα . para (1 ≤ i ≤ n) entonces wi+1 = (i + 1)vi+1 + wi . . . v2 . para i ≥ 2 y v1 = w1 . . .24. vn }. wn } i X tal que wi = jvj . Sea β = {w1 . ESPACIOS VECTORIALES As´ı que [I]αβ [I]βα = [I]βα [I]αβ = In Conclusi´ on 6.

V = h{v1 .                   6.. 0) u3 = 1(1. 1 1 . ..  . 2... (−1. 1) = (1. 0 0 0 . . 1) = (4. v2 . .. . 0 . 2). w2 . .. .1... 2) De donde : S1 = {(2. 1 2 3 .. . . . . (1) Sean S1 y S2 = {(1. 0). (0. 0. (4. 0 . 1. 2... Si la matriz de cambio de base es [I]SS21 entonces se tiene: u1 = 1(1. 1). 1. −1. 0. 0.. vn }i = h{w1 .. determine [α]S1 Soluci´ on . 1) = (2.  . 0). vi = − 1i wi−1 + 1i wi entonces  1 1 − 0  2    1 1  0 −  2 3   [I]βα =  1  0 0  3    . . 2. 1.. 0 3 . . wn }i entonces β es una base de V . n (3) Como.. 1. 1.  0 0 0        . 0 . Ejercicios Resueltos. .. ESPACIO COORDENADO 71 luego. .6. −1. (2) wi = v1 + 2v2 + 3v3 + · · · + ivi entonces     [I]αβ =    1 0 0 . 0. . 1. 2)} (b) Para α = (1.. .. u3 }.. 2 2 . 1. 0) + 1(1.. 1) − 2(−1. . 1)} dos bases ordenadas de R3 y sea   1 −1 1 [I]SS21 =  0 −2 1  1 1 1 la matriz de cambio de la base S1 a la base S2 (a) Determine la base S1 Soluci´ on Sea S1 = {u1 . 1.. (1. 1) + 0(−1. . . 0) + 1(1. 0. 1) + 1(−1.. 1... 3). 2) u2 = −1(1. . 1 n . . 0) + 1(1. .. u2 ..

(1. 0. c = 0 [α]S1   3/2 =  −1/2  0 (2) Sea β = {(1. 0. 1) = (11. Soluci´ on  6 [µ]β =  −3  =⇒ µ = 6(1. 2) c   1 = 2a + 4b + c 2 = a − b + 2c =⇒  3 = 2a + 2c =⇒ a= =⇒ 3 2 . 1. · · · . 2) + b(4.v y sea j=1 (a) Determine [I]αβ Soluci´ on V. v2 . 2. wn } (otra base de V )como wi = (4) Sea V un k − e. vn } una base ordenada de i X jvj define β = {w1 . 1)} una base ordenada de R3 y considera µ ∈ R3 tal que:   6 [µ]β =  −3  2 Encuentre µ. 0). Se . ESPACIOS VECTORIALES [α]S1   a =  b  =⇒ (1. −1 + x + x2 } dos bases de R2 [x]. 0) + 2(1. 1.72 2. x. −1. 1. b = − 12 . −1) − 3(−1. 1. 3) = a(2. −1). 1. Hallar [I]C S2 la matriz cambio de base desde S2 a la base C Soluci´ on Las columnas Cj (1 ≤ j ≤ 3) de la matriz [I]C S2 son tales que : Cj = [uj ]C donde uj ∈ S2 =⇒ [I]C S2   1 −2 −1 1  =  1 −1 1 1 1 α = {v1 . w2 · · · . −4) 2  (3) Sea C = {1. 0) + c(1. 2. −2 − x + x2 . −1. x2 } y S2 = {1 + x + x2 . (−1.

. · · · . wn = jvj = v1 = 1v1 + 0v2 + · · · + 0vn jvj = v1 + 2v2 = 1v1 + 2v2 + 0v3 + · · · + 0vn 3 X jvj = v1 + 2v2 + 3v3 = 1v1 + 2v2 + 3v3 + 0v4 + · · · + 0vn n X jvj = v1 + 2v2 + 3v3 + · · · + nvn j=1 j=1 .. n 1 2 0 . . [w2 ]α =     0 1 ··· 2 ··· 0 3 . . . ESPACIO COORDENADO 73 De la definici´ on de β se tiene: w1 = w2 = 1 X j=1 2 X j=1 w3 = .. .. . ..    Lo que implica: [w1 ]α =    1    0    α 0 Finalmente [I]β =     ... 1 2 3 . . .     (b) Si v es un vector de V tal que [v]α =    Soluci´ on Como [I]αβ es invertible y  [I]αβ −1 .       . 0 ··· ··· ... 0 1         ..   0   1 0 . .6.  . n        . [wn ]α =         2     3        n      calcular [v]β   as = [I]βα y adem´ [I]βα [v]α = [v]β  1 2 3 .

. ESPACIOS VECTORIALES  entonces:  [I]αβ −1 1 −1/2       =    .74 2.. . . ... .            .  . n         =     0 0 0 .   0 0··· 0 1/2 −1/3 0··· 0 . ..  .. 1         1 2 3 .. 0 ··· 0··· 0 0 1/2 −1/3 0··· ..     [v]β =    0 0 0 . 1        .. . 0 ··· .. 1/n As´ı que. .. .    0     0        1/3 −1/4 · · · 0 0 0 .   1 −1/2 0 0 0 0   0     0        1/3 −1/4 · · · . . . 1/n Luego.

. si queremos conectar espacios vectoriales entonces debemos conectar tripletas fundamentales.   a1 n   X  a2  ai vi ∈ V ⇐⇒ [v]α =  . . α). es decir. (2) Sea W un K espacio vectorial y β = {w1 . MK (n × 1)) . (3) Ahora como queremos que se verifique la conmutatividad del diagrama. MOTIVACION 75 7. tenemos que se verifican (98) (99) [u + v]γ [λu]γ = [u]γ + [v]γ = λ[u]γ . . (3) Clasificar a trav´es de la dimensi´ on los espacios vectoriales finito dimensionales. [ ]α .´ 8. se verifique la igualdad fundamental : (97) [T ]βα [v]α = [T (v)]β Y. α = {v1 . Motivaci´ on (1) Sabemos del cap´ıtulo anterior que. (2) Verificar la importancia de los isomorfismos de espacios vectoriales. para cada espacio vectorial existe una tripleta fundamental. queremos que para cada v ∈ V . “((V. . β) [ ]β [ ]α MK (n × 1) [T ]βα MK (m × 1) Figura 12 Donde T es una funci´ on de V en W y probablemente. α) (W. i=1 an Luego. .  ∈ MK (n × 1) v= . . wm } una base de W . .” (96) Donde. Objetivos Generales (1) Construir una conexi´ on v´ alida ( natural ) entre espacios vectoriales. vn } y para cada v ∈ V vale la equivalencia fundamental. .. como sabemos que para cualquier base. w2 . entonces tenemos la siguiente situaci´ on T (V. v2 . 8. γ. [T ]βα sea una matriz.

v1 + v3 ) = T ((u1 . como combinaci´ on lineal de los elementos de una base. W ) = {T | T : V 7−→ W transformaci´ on lineal} LK (V ) = LK (V. Definici´ on y ejemplos Definici´ on 9. 9. Transforma un tr´ıo u en un par T (u). Sean V y W dos K espacios vectoriales y T una funci´ on de V en W entonces diremos que T es una “ Transformaci´ on Lineal ” del espacio V en el espacio W si (1) T (u + v) = T (u) + T (v).76 2. u2 . x + z) entonces T ∈ LR (R3 . v3 )) = T (u) + T (v) . u1 + v1 + u3 + v3 ) = ([u1 − u2 + u3 ] + [v1 − v2 + v3 ]. 2. por una parte y por otra que preserve tambi´en la nueva escritura o nueva representaci´ on empleada para los vectores. v3 ) ∧ vi ∈ R (i = 1. R2 ) En efecto Algoritmo o procedimiento de trabajo: (i) Entendiendo (decodificando)el problema. • u ∈ R3 ⇐⇒ u = (u1 .d. [u1 + u3 ] + [v1 + v3 ]) = (u1 − u2 + u3 .1. 3) • v ∈ R3 ⇐⇒ v = (v1 . Uno del tipo cl´ asico en Rn (1) Sea T : R3 7−→ R2 tal que T (x. ESPACIOS VECTORIALES Entonces naturalmente le pediremos que T preserve tambi´en la operaciones del espacio. T (u + v) = T (u) + T (v) T (u + v) = T ((u1 + v1 .0. para u ∈ V y v ∈ V (2) T (λu) = λT (u). (ii) Introduciendo e interpretando datos del dominio de T . v2 . z) = (x − y + z. u1 + u3 ) + (v1 − v2 + v3 .2. la acci´ on de T es. V ) (100) (101) Ejemplo 9. u2 + v2 . u3 ) ∧ ui ∈ R (i = 1.0. u3 + v3 )) = ((u1 + v1 ) − (u2 + v2 ) + (u3 + v3 ). 3) • entonces u + v = (u1 + v1 .q. 2. y. (u1 + v1 ) + (u3 + v3 )) = (u1 + v1 − u2 − v2 + u3 + v3 . u2 . para u ∈ V y λ ∈ K Usaremos la notaci´ on LK (V. u3 + v3 ) ∈ R3 (iii) p. v2 . u3 )) + T ((v1 . u2 + v2 .

v2 . n Determine una transformaci´ on lineal T :V W Tal que verifique las condiciones anteriores. • Aplicamos T a la ecuaci´ on ( 102) y hacemos que a fortiori cumpla con la linealidad.0.3.´ Y EJEMPLOS 9. T (λu) = λT (u) T (λu) = = = = = T ((λu1 . . . . DEFINICION 77 (iv) p. .d. v2 . λu3 )) (λu1 − λu2 + λu3 . 2 . . . u2 . vn } es una base de V entonces ”sabemos” que para cada v ∈ V la ecuaci´ on v = a1 v1 + a2 v2 + · · · + an vn (102) tiene soluci´ on u ´nica. es decir: T (v) = = = = As´ı que T ∈ LK (V. λu2 . . . R3 R2 ) Ejemplo 9. u1 + u3 ) λT ((u1 . . λu1 + λu3 ) λ(u1 − u2 + u3 . un vectores arbitrarios de W (3) T (vi ) = ui para i = 1. Soluci´ on (1) Problema :¿ T (v) =?. . . . . vn } una base cualquiera de V y u1 . W ) T (a1 v1 + a2 v2 + · · · + an vn ) a1 T (v1 ) + a2 T (v2 ) + · · · + an T (vn ) a1 T (v1 ) + a2 T (v2 ) + · · · + an T (vn ) a1 u1 + a2 u2 + · · · + an un .q. u3 )) λT (u) As´ı que T ∈ LR (. . u2 . Informaci´ on: (1) Sean V y W dos K espacios vectoriales (2) dimK (V ) = n y α = {v1 . para cada v ∈ V (2) Datos : • Como α = {v1 .

4. . Representaci´ on Matricial de T Observaci´ on 10. . w2 . . . v2 . . W ) y α = {v1 . 1. . . 0).6. R2 ) tal que T (x. vn } es una base de V y β = {w1 . . 0)} y β = {(1. 0. z) = (x + y + z. x − y + 3z) y consideremos las bases de y R2 respectivamente α = {(1.5. (1. vn } es una base de V entonces ”sabemos” que cada v ∈ V se representa en forma u ´nica:    v = a1 v1 + a2 v2 + · · · + an vn ⇐⇒ [v]α =   a1 a2 . v2 . . . (1) Como α = {v1 . respecto de la bases α yβ Ejemplo 10. Si T ∈ LK (V. β = {w1 . . .0. . (1. T (v) = a1 T (v1 ) + a2 T (v2 ) + · · · + an T (vn ) As´ı que [T (v)]β = [a1 T (v1 ) + a2 T (v2 ) + · · · + an T (vn )]β =⇒ [T (v)]β = a1 [T (v1 )]β + a2 [T (v2 )]β + · · · + an [T (vn )]β =⇒ [T (v)]β = =⇒ [T (v)]β = [T (v1 )]β [T (v2 )]β · · · [T (v1 )]β [T (v2 )]β · · · [T (vn )]β [T (vn )]β       a1 a2 . 1).. wm } es una base de W . . . ESPACIOS VECTORIALES 10. 1). w2 .. an      Luego. y. .0. . −1)} . .78 2. (1. wm } es una base de W entonces (103) [T ]βα = [T (v1 )]β [T (v2 )]β · · · [T (vn )]β  ∈ MK (m × n) Se llama representaci´ on matricial o matriz de la transformaci´ on lineal T . R3 Sea T ∈ LK (R3 .0. an [v]α      Definici´ on 10. 1. Supongamos que en el ejemplo anterior.

. siempre hace referencia a las bases α y β de los espacios vectoriales involucrados. Aplicando la f´ ormula ( 105)en ( 104) tenemos que la matriz pedida es. y.7. . Sabemos que [T ]βα = (104) [T (1. a1 − a2 ) ⇐⇒ a1 + a2 = x + y + z a1 − a2 = x − y + 3z luego a1 = x + 2z ∧ a2 = y − z As´ı que. . z) ∈ R3 !!!. La conecci´ on anterior entre la teor´ıa y la pr´ actica. En efecto Supongamos que tenemos las nuevas bases α′ y β ′ de V y W . . . z)]β =  x + 2z y − z  Etapa 3. x − y + 3z) = (a1 + a2 . y. . y.8. y. w2 . REPRESENTACION 79 entonces la observaci´ on anterior sugiere el siguiente algoritmo o procedimiento: Etapa 1. 0)]β  ∈ MK (2 × 3) Etapa 2. W ) y α = {v1 . 1. para cualquier (x. wm } es una base de W entonces • [T ]βα ∈ MK (m × n) • [T ]βα [v]α = [T (v)]β Observaci´ on 10. . 0)]β [T (1. z)]β . Calculamos [T (x.0. 1)]β [T (1. 1) + a2 (1. 0. 1. z) = a1 (1. Si T ∈ LK (V. v2 . T (x. respectivamente entonces podemos determinar las nuevas matrices: ′ • [T ]βα′ ′ • [T ]βα • [T ]βα′ . . [T ]βα =  3 1 1 0 1 0  Podemos guardar lo anterior en el siguiente teorema central Teorema 10.´ MATRICIAL DE T 10. (105) [T (x. pero en realidad esto no es una restricci´ on sino m´ as bien una holgura. vn } es una base de V y β = {w1 .0. −1) ⇐⇒ (x + y + z.

Para responder a esto hechamos mano a la siguiente herramienta matem´ atica: 1V 1W T (V. . u2 . para los otros casos tenemos que: [T ]βα′ = [T ]βα · [I]αα′ ′ = [I]ββ · [T ]βα [T ]βα ′ 11. . .” (2) An´ alisis del problema. como saber si ellos son efectivamente distintos. α) [ ]α′ [I]αα′ [ ]β ′ [ ]β [ ]α MK (n × 1) (W. Sea T (α) := {T (v1 ). como T = 1W ◦ T ◦ 1V entonces ′ [T ]βα′ ′ = [I]ββ · [T ]βα · [I]αα′ An´ alogamente. por ejemplo.0. T (vn )} = {u1 . . en el siguiente sentido. T (v2 ). propiedades geom´etricas que el otro no tiene. . Para partir volvamos al ejemplo general ( 9.80 2.3). β ′ ) (W. un } entonces T (α) es linealmente independiente o linealmente dependiente en W . . Clasificaci´ on de Espacios Vectoriales (1) Descripci´ on del problema: “Dados dos espacios vectoriales V y W . . α′ ) (V. . . β) MK (n × 1) [T ]βα MK (m × 1) ′ [I]ββ MK (m × 1) Figura 13 Es decir. ESPACIOS VECTORIALES Pregunta ¿ tienen alguna relaci´ on entre si esta matrices ?. uno posee.

es un subespacio de V • Img(T ) = {T (v) ∈ W | v ∈ V }.9. W ) entonces • ker(T ) = {v ∈ V | T (v) = 0W }. Sea T ∈ LK (V. As´ı que ! n n X X ai vi = T (0V ) = 0W y ai vi 6= 0V . el recorrido o imagen de T es un subespacio de W • ker(T ) = {0V } =⇒ T inyectiva En efecto . T i=1 i=1 T no es inyectiva Lo anterior motiva para definir al siguiente conjunto: ker(T ) = {v ∈ V | T (v) = 0W } (106) Ser´ a llamado el n´ ucleo o kernel de T Lo que hemos visto es que T (α) linealmente dependiente =⇒ ker(T ) 6= {0V } Lo anterior puede archivarse en el siguiente: Teorema 11. luego.0. como T es una transformaci´ on lineal entonces T (0V ) = 0W . T (α) linealmente dependiente. CLASIFICACION 81 Caso 1.´ DE ESPACIOS VECTORIALES 11. Entonces de la definici´ on de dependencia lineal sigue que: existe una combinaci´ on n X ai ui = 0W y tal que alguno de los ai es no nulo. lineal nula de la forma i=1 Luego podemos concluir lo siguiente: n X ai ui = 0W i=1 ⇐⇒ n X ai T (vi ) = 0W i=1   X   n   ⇐⇒ T  a v i i  = 0W   i=1  | {z } 6=0V Pero.

ESPACIOS VECTORIALES (i) T ∈ LK (V. T (α) linealmente independiente. (u + v) ∈ Img(T ). λu ∈ ker(T ). as´ı que 0V ∈ ker(T ) y ker(T ) 6= ∅ (ii) Si u ∈ ker(T ) ∧ v ∈ ker(T ) entonces T (u) = 0W ∧ T (v) = 0W .82 2. (iii) Si λ ∈ K entonces T (λ · u) = λ · T (u) = λ · uW Luego. (i) T (0V ) = 0W entonces 0W ∈ img(T ) e Img(T ) 6= ∅ (ii) Si u ∈ Img(T ) ∧ v ∈ Img(T ) entonces T (u) = uW ∈ W ∧ T (v) = vW ∈ W . por tanto: T (u + v) = T (u) + T (v) = u W + vW Luego. (i) Entonces ker(T ) = {0V } En efecto . (iii) Si λ ∈ K entonces T (λ · u) = λ · T (u) = λ · 0W = 0W Luego. As´ı que ker(T ) es un subespacio de V An´ alogamente para la imagen o recorrido de T tenemos que. As´ı que Img(T ) es un subespacio de V Finalmente T no inyectiva entonces ker(T ) 6= {0V } Caso 2. (u + v) ∈ ker(T ). λu ∈ Img(T ). por tanto: T (u + v) = T (u) + T (v) = 0W + 0W = 0W Luego. W ) entonces T (0V ) = 0W .

v ∈ V ) n X ai vi ⇐⇒ v = i=1 ⇐⇒ v = n X i=1 ai vi ∧ T (v) = w ! n X ∧ T ai vi = w i=1 ∧ n X ai T (vi ) = w i=1 ⇐⇒ w ∈ h{T (v1 ). . Teorema de la dimensi´ on Sea T ∈ LK (V.´ DE ESPACIOS VECTORIALES 11. T (v2 ).0. CLASIFICACION v ∈ ker(T ) ⇐⇒ ⇐⇒ v ∈ V ∧ T (v) = 0W n n X X v= ai vi ∧ T ( ai vi ) = 0W i=1 ⇐⇒ v= ⇐⇒ v= T (α)Li =⇒ v= n X i=1 n X i=1 n X i=1 ai vi ai vi ai vi i=1 =⇒ 83 n X ∧ i=1 n X ∧ ai T (vi ) = 0W ai ui = 0W i=1 ∧ ai = a2 = · · · = an = 0 v = 0V (ii) dimK (Img(T )) = n ≤ dimK (W ) En efecto w ∈ Img(T ) ⇐⇒ (∃v. T (v2 ).10. T (vn )}i ∧ T (α) Li entonces dimK (Img(T )) = n ≤ dimK (W ) Todo lo anterior lo vamos a sintetizar en el siguiente: Teorema 11. . . W ) entonces (107) dimK (V ) = dimK ker(T ) + dimK (Img(T )) En efecto Si T ∈ LK (V. W ) tal que dimK (V ) = n entonces tenemos dos y s´ olo dos posibilidades para el n´ ucleo de T . T (vn )}i Luego. . . . . . Img(T ) = h{T (v1 ).

as´ı que n = dimK (V ) = dimK (ker(T )) + dimK (Img(T )) (2) ker(T ) 6= {0V }. T es inyectiva y dimK (Img(T )) = n. En tal caso. vs+2 .84 2. T no es inyectiva y podemos suponer que: • dimK ker(T ) = s ≥ 1 • β = {v1 . que satisface la propiedad: ( 0V T (vj ) = 6= 0V (108) : 1≤i≤s : s+1≤j ≤n Luego. v2 . Adem´ as podemos agregar vectores linealmente independientes en V . β ′ es una base de V . . vn } As´ı que. . . ai T (vi ) . . vs+1 . . Digamos β ′ = {v1 . . Ejemplo 11. . .11.0. hasta obtener una base para V . ESPACIOS VECTORIALES (1) ker(T ) = {0V }. para cada v ∈ V tenemos que v = T (v) = T n X n X i=1 ai vi i=1 = n X ai vi y ! ai T (vi ) i=1 = n X i=s+1 (3) As´ı que. . . dimK (Img(T )) = n − s. vs . En este caso. . v2 . vs } es una base de ker(T ). .

y. es decir. z) ∈ R3 ∧ T (x. −1. para i = 1. v2 . −x. 0) ⇐⇒ u ∈ h{(1. y. . Sea T ∈ LK (V. puedes tomar cualquier base de Kn ) y define un isomorfismo. Conceptuales (1) Si dimK (V ) = n entonces V ∼ = Kn . vn } una base de V y c(n) = {e1 . W ) tal que dimK (V ) = dimK (W ) entonces T inyectiva ⇐⇒ T sobreyectiva Definici´ on 11. (en realidad. x + y − 3z. . 0) ⇐⇒ u = (x. En efecto Sea α = {v1 . . 0. 0) ⇐⇒ u = x(1. 0) ⇐⇒ u = (x.0. Si v ∈ V y como α es base entonces v = i=1 T (v) = n X i=1 ai T (vi ) = n X i=1 ai ei . z) entonces u ∈ ker(T ) ⇐⇒ u ∈ R3 ∧ T (u) = 0R3 ⇐⇒ u = (x. n X ai vi .12. .0. 2. y. CLASIFICACION 85 Sea T ∈ LR (R3 ) tal que T (x. Si T ∈ LK (V. como sigue: (i) T (vi ) = ei . en } la base can´ onica de Kn . 0)}i As´ı que.0. 0. diremos que T es un Isomorfismo si T es una biyecci´ on. Luego. digamos Tα . y. . z) = (0. y. −1.13.´ DE ESPACIOS VECTORIALES 11. . Lo cual ser´ a notado por V ∼ =W Ejemplo 11. e2 . z) = (x + y + z. x + y − 3z.14. z) ∈ R3 ∧ x + y + z = 0 x + y − 3z = 0 z = 0 (z = 0 ∧ y = −x) ⇐⇒ u = (x. . z) ∈ R3 ∧ ⇐⇒ u = (x. Ahora aplicando el teorema de la dimensi´ on tenemos que: ∧ dimR (ker(T )) = 1 dimR (Img(T )) = 2 Una consecuencia inmediata del teorema de la dimensi´ on ( 11. −1. . y. . . 0)}i y T no es inyectiva. . z) ∈ R3 ∧ (x + y + z. W ). es decir es inyectivo y sobreyectivo. n (ii) Finalmente extiende T usando a fortiori el concepto de linealidad.0. z) = (0.10) es Corolario 11. Si T es un isomorfismo entonces diremos que V y W son espacios isomorfos. . ker(T ) = h{(1.

86 2.0. ESPACIOS VECTORIALES • T ∈ LK (V. es decir que T es inyectiva o que su N´ ucleo es nulo. 2. Kn ). ya que c(n) es base de Kn v = 0V y N´ ucleo (T ) = {0V } Conclusi´ on 11. . i=1 ai = 0 (i = 1. v ∈ N´ ucleo (T ) ⇐⇒ v ∈ V ∧ T (v) = 0Kn ! n n X X ai vi ∧ T ⇐⇒ v = ai vi = 0Kn i=1 ⇐⇒ v = =⇒ n X ai vi i=1 ∧ n X i=1 ai ei = 0V Luego. aplicamos ( 11).15. . . salvo porque sus personajes posiblemente han cambiado de nombre ” . Podemos observar r´ apidamente lo siguiente • Dos espacios isomorfos son ” una misma historia. pues si u = T (λu + v) = T λ n X n X bi vi entonces i=1 bi vi + i=1 n X = T = T = = = n X i=1 n X i=1 n X i=1 n X i=1 ! n X ai vi i=1 ! [(λbi )vi + ai vi ] ! [(λbi ) + ai ]vi [(λbi ) + ai ]ei [(λbi ei ) + ai ei ] (λbi )ei + i=1 n X = λ n X ai ei i=1 n X bi ei + ai ei i=1 i=1 n X ai T (vi ) bi T (vi ) + i=1 ! i=1 ! n n X X = λT bi vi + T ai vi = λ n X i=1 i=1 = λT (u) + T (v) • Para mostrar que T es un isomorfismo. . n).

En efecto Basta observar que la compuesta de transformaciones lineales es nuevamente una transformaci´ on lineal y que la compuesta de biyecciones es biyecci´ on. CLASIFICACION 87 • Si V ∼ =W yW ∼ = U entonces V ∼ = U. α) (W. es decir T L L◦T V 7−→ W 7−→ U ⇐⇒ V 7−→ U • En particular. β) (V. (W. α). α) [ ]β [ ]α MK (n × 1) [T ]βα [ ]α MK (n × 1) [T −1 ]αβ MK (n × 1) Figura 14 As´ı que tenemos la dualidad T −1 ◦ T = 1V ⇐⇒  −1 α β T [T ]α = In β As´ı T es un isomorfismo y. β)) MK (dimK (W ) × dimK (V )) tal que ψ(T ) = [v1 ]β [v2 ]β [v3 ]β · · · [vn ]β  . W ) ∼ = MK (dimK (W ) × dimK (V ) En efecto Define ψ : LK ((V. para un isomorfismo tenemos el diagrama conmutativo T −1 T (V.´ DE ESPACIOS VECTORIALES 11. −1   α = T −1 β [T ]βα (2) LK (V.

. . v2 . osea con lo que cuento. . . Finalmente. • Como T tiene que ser una transformaci´ on lineal entonces obligamos en ( 110). tomelo m´ as bien como un buen aliado. . Ejercicios Resueltos (1) Sean V y W dos K espacios vectoriales y α = {v1 . α = {v1 . . ESPACIOS VECTORIALES donde. que (113) T (v) = n X i=1 ai T (vi ) . . Determine T ∈ LK (V ). vs }i • Img(T ) = h{vs+1 . vs+2 . . . significa que (112) u ∈ Img(T ) ⇐⇒ u = n X ai vi i=s+1 Etapa 3. para cada v ∈ V ? Etapa 2. ¿ Qu´e me preguntan ? Se debe saber ¿ cu´ anto vale T (v). vs }i. . construimos la soluci´ on del problema. . . . . . .88 2. significa que (111) T (v1 ) = T (v2 ) = · · · = T (vs ) = 0V • Img(T ) = h{vs+1 . . . vn } es una base de V . v2 . sigue que (110) T (v) = T X . . . . tal que verifique las siguientes condiciones: • N´ ucelo (T ) = h{v1 . . vn } una base de V . . significa que cada v ∈ V se escribe de forma u ´nica como una combinaci´ on lineal de los elementos de α. . vn }i Soluci´ on Etapa 1. 12. vs+2 . para resolver el problema Partimos decodificando la informaci´ on dada en el problema. . Datos. . • α = {v1 . v2 . vn }i. v2 . . es decir tenemos (109) v= n X i=1 ai vi ∨ v = a1 v1 + a2 v2 + · · · + an vn No se asuste por el uso de • De ( 109). Claramente ψ es un isomorfismo de espacios vectoriales. vn } una base de V . . n X i=1 ai vi ! • N´ ucelo (T ) = h{v1 .

. . para j = s + 1. . dimK (V ) = dimK N´ ucleo (T ) + dimK Img(T ) = dimK N´ ucleo (T ) + dimK (W ) ≥ dimK (W ) . ws+2 . s – T (wj ) = vj . . ws+1 . vn } es linealmente independiente entonces basta definir T (vj ) = vj . 2 . n. . wn } y definir al igual que antes: – T (vi ) = 0. . .12. . s + 2. . . digamos β = {v1 . . . . . W ). vs . para j = s + 1. . . . EJERCICIOS RESUELTOS 89 • Aplicando ( 111) a ( 113) tenemos que (114) T (v) = n X ai T (vi ) i=s+1 • Como {vs+1 . s + 2. .!!! (2) Sea T ∈ LK (V. pod´ıamos haber construido una nueva base de V . ciertamente otra transformaci´ on lineal. para i = 1. Demuestre que (a) T inyectiva =⇒ dimK (V ) ≤ dimK (W ) (b) T sobreyectiva =⇒ dimK (W ) ≤ dimK (V ) (c) T isomorfismo =⇒ dimK (V ) = dimK (W ) En efecto La herramienta fundamental ser´ a el teorema de la dimensi´ on. es decir (116) dimK (V ) = dimK N´ ucleo (T ) + dimK Img(T ) T inyectiva ⇐⇒ N´ ucleo (T ) = {0V } ⇐⇒ dimK N´ ucleo (T ) = 0 ⇐⇒ dimK (V ) = dimK Img(T ) ≤ dimK (W ) T sobreyectiva ⇐⇒ dimK Img(T ) = dimK (W ) Luego. n y obtenemos. as´ı que ( 114) queda como T (v) = (115) n X ai vi i=s+1 Una u ´ltima observaci´ on. . . . . que verifica las condiciones pedidas. .

tal que T (aij ) = (aji ). z) = (x + y − z. x − y) y α = {(1. x − y − z) (ii) T : R2 7−→ R3 . tal que T (x. determine[T ]m(3) (11) Sean T ∈ LR (R2 ) tal que T (x. x − y. ESPACIOS VECTORIALES As´ı que dimK (V ) ≤ dimK (W ) y dimK (W ) ≤ dimK (V ) Luego. x − y − z).90 2. z) = (x + y − z. 1. x − 3y) (iii) T : Rn 7−→ Rn . tal que T 3 X i=0 n X i=0 c(n) u ∈ Rn . Ejercicios Propuestos (1) Demuestre que las siguientes funciones son transformaciones l´ıneales: (i) T : R3 7−→ R2 . determine [T ]c(2) (7) Si T : Rn 7−→ Rn . (8) Si T : R3 [x] 7−→ R2 [x]. x − y. 0)}i c(2) (5) Si T : R3 7−→ R2 . tal que T (x. tal que T (x. determine [T ]p(3) = n−1 X p(n) jaj xj−1 . tal que T (x. determine [T ]c(3) c(3) (6) Si T : R2 7−→ R3 . (iv) T : R3 [x] 7−→ R2 [x]. tal que T (9) T : Rn+1 [x] 7−→ Rn [x]. tal que T (aij ) = (aji ) n X jaj xj j=0 (2) Determine T ∈ LR (R3 ) tal que n´ ucleo(T ) = h{(1. (3. x − 3y). 0. 0. −3. tal que T (u) = 2u. −2. y. 0). (0. −2). y) = (x + y. 1)}i (3) Determine T ∈ LR (R3 ) tal que Img(T ) = h{(2. determine [T ]p(n+1) j=0 m(3) (10) T : MR (3) 7−→ MR (3). y) = (x + y. y) = (x + 2y. 1)}i (4) Determine T ∈ LR (R3 ) tal que n´ ucleo(T ) = h{(1. determine [T ]c(n) ! ai xi ai xi ! p(2) = a2 + a0 x − a1 x2 . 1)}i e Img(T ) = h{(1. tal que T u ∈ Rn ! = a2 + a0 x − a1 x2 ai xi i=0 n+1 X i ai x i=0 ! = (vi) T : MR (3) 7−→ MR (3). tal que T (u) = 2u. tal que T 3 X (v) T : Rn+1 [x] 7−→ Rn [x]. 1)} una base de R2 • Determine [T ]αα c(2) • Determine [T ]α . dimK (V ) = dimK (W ) 13. y.

1). T (x. Demuestre que T (α) := {T (v1 ). . Demuestre que T (α) := {T (v1 ).13. para i = 1. vn } una base de V . . R3 [x]) definida por T (p(x)) = x2 p(x) y considera las bases α = {1. n . . . . Sea V ∗ = {T : V 7−→ K | T ∈ LK (V. . z) = (x + 2y + 2z. EJERCICIOS PROPUESTOS 91 • Determine [T ]αc(2) c(2) • Calcule [T ]αα · [I]α c(2) c(2) • Calcule [I]αc(2) · [T ]c(2) · [I]α c(2) • Calcule [I]α · [T ]αα · [I]αc(2) (12) Considera T ∈ LR (R3 ) tal que. . . vn } una base del K espacio vectorial V . x + y. . . v2 . x + 1. . 2. 1)} • Determine [T ]αα c(3) • Determine [T ]α • Determine [T ]αc(3) c(3) • Calcule [T ]αα · [I]α c(3) c(3) • Calcule [I]αc(3) · [T ]c(3) · [I]α c(3) • Calcule [I]α α) · [T ]αα · [I]c(3) (13) Sea T ∈ LR (R1 [x]. 1). 0. . . . (0. . . . T (vn )} base de V =⇒ T inyectiva (15) Sea T ∈ LK (V ) y α = {v1 . . . T (v2 ). (0. x}. x + 1} de R1 [x] y la base β = {x. . v2∗ . 2y − z) y una base de R3 α = {(1. . 1. . 0. . T (vn )} base de V =⇒ T sobreyectiva (16) Sea α = {v1 . y α′ = {x. . . v2 . K). Demuestre que (ii) Sea α∗ = {v1∗ . vn∗ } tal que vj∗ (vi )= 0: i= 6 j • vi∗ ∈ LK (V. vn } una base de V . . . v2 . K)} (i) Demuestre que V ∗ es un K espacio vectorial ( 1: i=j . . y. T (v2 ). x3 } de R3 [x] p(3) • Determine [T ]α p(3) • Determine [T ]α′ • Determine [T ]βα (14) Sea T ∈ LK (V ) y α = {v1 . x2 + 1.

92 2. ESPACIOS VECTORIALES • α∗ es una base de V ∗ .

1. 0 0 0 . (1) Determinar los criterios m´ınimos para representar un operador a trav´es de una matriz diagonal. . sigue que: (a) Se verifica la relaci´ on fundamental (119) (b) det(T ) = T (vi ) = λi vi n Y i = 1. λi i=1 (c) T es un isomorfismo si y s´ olo si λi 6= 0 para i = 1. se representa en una base α de V . .. 0 .. . Entonces (i) Si α = {v1 . . 0 λ2 0 . Supongamos que T . . . . v2 . (2) Aplicar los criterios de diagonalizaci´ on en la resoluci´ on de problemas concretos. ..1. 2. . . . . λn      := diag{λ1 . . . .     =    λ1 0 0 .. 2. [T (vn )]α ) (118) entonces de ( 117). . . como una matriz diagonal de orden n. n (d) Para cada i = 1. Definici´ on y Ejemplos. .. . y ( 118). .. . 0 . . . Objetivos. .. n. λn }   [T ]αα = ([T (v1 )]α [T (v2 )]α . .. λ3 .. 3. Valores y Vectores Propios 1... podemos concluir lo siguiente: 93 . . Sea V un K espacio vectorial y T ∈ LK (V ). . . 2. . vn } es la base escogida entonces [T ]αα (117) (ii) Como.CAPITULO 3 Introducci´ on al Proceso de Diagonalizaci´ on 1. n los conjuntos Vλi = {v ∈ V | T (v) = λi v} = 6 ∅ Observando con atenci´ on la secci´ on motivaci´ on. . .2. 0 0 0 .

as´ı que vale la pregunta (122) ¿ Qu´e es primero λ o v ? Sea cual sea la respuesta. pues estos conjuntos poseen la important´ısima propiedad. T (0V ) = 0V = λ · 0V =⇒ 0V ∈ Vλ Problema 2. (u + v) ∈ Vλ An´ alogamente. . Propongo como estrategia estudiar m´ as detenidamente estos enigm´ aticos Vλ . para cada λ ∈ K En efecto • Sabemos que Vλ 6= ∅ • Sean u ∈ Vλ . el problema es. λ ∈ K =⇒ Vλ 6= ∅ (121) En efecto 0V ∈ V ∧ As´ı que. v ∈ Vλ =⇒ h{v}i ⊂ Vλ (120) Lo que ( 120). n. v ∈ Vλ y k ∈ K entonces (123) u ∈ Vλ ⇐⇒ u ∈ V ∧ T (u) = λu (124) v ∈ Vλ ⇐⇒ v ∈ V ∧ T (v) = λv As´ı que. Lema 1. Vλ . . . . . Vλ pero hay al menos dos problemas: Problema 1. . Luego.2. . λn } de escalares y una relaci´ on como ( 119). de ( 123) y ( 124)y del hecho que T es una transformaci´ on lineal. INTRODUCCION 94 (1) Para que T se represente como una matriz diagonal de orden n deben suceder al menos las siguientes cuestiones: • Debe existir. pero de los tres datos s´ olo conocemos uno de ellos. v3 . . que no podemos resolver as´ı la ecuaci´ on fundamental. sugiere que son realmente importantes los conjuntos de la forma. ”si en Vλ entra un vector entonces la recta generada por el vector se queda en Vλ ” (3) Ciertamente son importantes estos conjuntos. ku ∈ Vλ ku ∈ V ∧ T (ku) = kT (u) = kλu = λ(ku) . 2. . λ2 . . T . . v2 . un conjunto Λ = {λ1 . Si v ∈ Vλ entonces vale la relaci´ on fundamental T (v) = λv. vn } de V . V un K espacio vectorial y T ∈ LK (V ) • Debe existir una base α = {v1 .1. . quiere decir es que. es un subespacio de V . (2) La relaci´ on ( 119). sigue que: u + v ∈ V ∧ T (u + v) = T (u) + T (v) = λu + λv = λ(u + v) Luego. Vλ = {v ∈ V | T (v) = λv}.´ AL PROCESO DE DIAGONALIZACION ´ 3. es decir T (vi ) = λi vi i = 1. son demasiados.

lo que estamos haciendo: Ejemplo 1. ¿ qu´e significa que det [λ1V − T ]αα = 0 ? Pongamos un ejemplo para aclarar. Sea T ∈ LK (V ) y α = {v1 . en este caso v ∈ Vλ ⇐⇒ det [λ1V − T ]αα = 0 ⇐⇒ λ2 − λ(a11 + a22 ) + (a11 a22 − a21 a12 ) = 0 ⇐⇒ λ2 − λ tr ([T ]αα ) + det([T ]αα ) = 0 ⇐⇒ λ = ⇐⇒ λ = tr ([T ]αα ) ±    λ1 =    λ2 = p ( tr ([T ]αα ))2 − 4 det tr ([T ]αα ) 2 √ α α 2 α tr ([T ]α )+ tr ([T ]α α )− ( tr ([T ]α )) −4 det tr ([T ]α ) 2 √ α 2 ( tr ([T ]α α )) −4 det tr ([T ]α ) 2 (5) Si llamamos PT (λ) = det [λ1V − T ]αα entonces (125) PT (λ) = (λ − λ1 )(λ − λ2 ) (6) Preste mucha atenci´ on. α base arbitraria de V Pero.1. VALORES Y VECTORES PROPIOS 95 Lo anterior muestra que Vλ . det [λ1V − T ]αα es un polinomio en la variable λ. Observaci´ on 1. Supongamos por un instante que existe v ∈ Vλ y que v 6= 0 entonces debe acontecer lo siguiente: v ∈ Vλ ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ v v v v v v v v ∈V ∈V ∈V ∈V ∈V ∈V ∈V ∈V ∧ T (v) = λv ∧ λv − T (v) = 0V ∧ λ1V (v) − T (v) = 0V ∧ (λ1V − T )(v) = 0V ∧ v ∈ n´ ucleo (λ1V − T ) ∧ (λ1V − T ) no es inyectiva ∧ det(λ1V − T ) = 0 ∧ det [λ1V − T ]αα = 0. (4) As´ı que.2. v2 } una base de V entonces   a11 a12 α (1) [T ]α = a21 a22 (2) [λ1V − T ]αα   λ − a11 −a12 = −a21 λ − a22 (3) As´ı que det [λ1V − T ]αα = λ2 − λ(a11 + a22 ) + (a11 a22 − a21 a12 ) Luego. las siguientes ideas son fundamentales: .2. es un subespacio de V.2.3.

es un conjunto Li. Vλ1 ∩ Vλ2 = {0V } (126) Por otra parte. w2 }. y por tanto una base de V . ambos no nulos entonces β = {w1 . tenemos el sistema fundamental: a1 w1 + a2 w2 =0V a1 λ1 w1 + a2 λ2 w2 =0V De este sistema sigue que a1 λ1 w1 + a2 λ1 w2 =0V a1 λ1 w1 + a2 λ2 w2 =0V As´ı que.en V .(!!!) Vλ1 Vλ2 = {v ∈ V | T (v) = λ1 v} = {v ∈ V | T (v) = λ2 v} en particular. a2 (λ1 − λ2 )w2 = 0V a2 = 0 Usando un procedimiento an´ alogo. dimK (Vλ1 ) = dimK (Vλ2 ) = 1 En efecto v ∈ Vλ1 ∩ Vλ2 ⇐⇒ λ1 v = λ2 v ⇐⇒ (λ1 − λ2 )v = 0V =⇒ v = 0V Luego. podemos mostrar que a1 = 0. INTRODUCCION 96 (i) Si λ1 6= λ2 entonces tenemos dos subespacios no triviales. Si w1 ∈ Vλ1 y w2 ∈ Vλ2 . podemos concluir las siguientes cuestiones: (129) V = Vλ1 ⊕ Vλ2 (130) dimK (Vλ1 ) = dimK (Vλ2 ) = 1 (131) [T ]ββ =  λ1 0 0 λ2  . En este caso. En efecto (127) (128) a1 w1 + a2 w2 = 0V =⇒ T (a1 w1 + a2 w2 ) = T (0V ) =⇒ a1 λ1 w1 + a2 λ2 w2 = 0V Luego. w2 }. y luego. as´ı que β = {w1 .´ AL PROCESO DE DIAGONALIZACION ´ 3. es un conjunto Li.

si • v 6= 0V • Existe λ ∈ K tal que T (v) = λv. hagamos algunas definiciones.2. α) | | [ ]α | 1 V 7−→ [I]β (V.8. β) | | [ ]β | 1 V 7−→ [I]α β (V. se represente como una matriz diagonal. tenemos que existe una base de V . Un tal λ se llamar´ a un valor propio de T .6. PT (λ) = det [λ1V − T ]αα se llamar´ a polinomio caracter´ıstico de T . VALORES Y VECTORES PROPIOS 97 Apelando al diagrama fundamental para este caso: (V. u2 } ⊂ Vλ1 y se verifican las siguientes propiedades: V = Vλ1  λ1 0 0 λ1  (134) [T ]γγ (135) [T ]αα = [I]αγ [T ]γγ [I]γα = det [T ]αα = λ21 (136) • dimK (Vλ1 ) = 1 En este caso. Sea T ∈ LK (V ) entonces un vector v ∈ V se llamar´ a ” un vector propio de T ”. Si llamamos ∂(p(x))= grado del polinomio p(x).2. entonces ∂(PT (λ)) = dimK (V ) Ejemplo 1.7. .1. Definici´ on 1.2.2. Observaci´ on 1. tal que T . γ = {u1 . no existe una base de V .5. α) | | [ ]α | α MK (2 × 1) 7−→ MK (2 × 1) 7−→ MK (2 × 1) MK (2 × 1) 7−→ tenemos que: (132) [T ]αα = [I]αβ [T ]ββ [I]βα (133) det [T ]αα = λ1 · λ2 (ii) Si λ1 = λ2 entonces un u ´nico subespacio Vλ1 y dos posibilidades: • dimK (Vλ1 ) = 2 En este caso. β) | | [ ]β | T 7−→ [T ]β β (V.4. asociado al vector propio v. Vλ se llama subespacio propio asociado al valor propio λ Definici´ on 1.2. Definici´ on 1. Antes de exhibir otros ejemplos.

(i) Proceso general: u ∈ R3  λ ⇐⇒ u ∈ R3 ∧ T (u) = λu ⇐⇒ u = (x. y. 1. INTRODUCCION 98 Sea T ∈ LR (R3 ) tal que T (x. λy. Calculemos valores y vectores propios. −1} (2) Determinamos los subespacios propios. y. y. z) ∧ z = 0 ⇐⇒ u = (x. 0). z) ⇐⇒ u = (x. y. los valores propios son V. y. (0. z) = (3x + z. −z) Soluci´ on. λz) 3x + z = λx 3y + 2z = λy ⇐⇒ u = (x. sigue que u ∈ R3  3 ⇐⇒ u = (x.´ AL PROCESO DE DIAGONALIZACION ´ 3. 0.P = {3. 1. z) ∧ 3x + z = 3x 3y + 2z = 3y −z = 3z ⇐⇒ u = (x. y. z) = (λx. 0). 0) + y(0. y. z) = λ(x. (1) ConstruimosPT (λ). λy. y. 3y + 2z. z) ∧ T (x. 0) ⇐⇒ • λ = −1 R3  3 = h{(1.  λ 0 0 0 λ 0  0 0 λ  (λ − 3) 0 −1 (λ − 3) −2  = (λ − 3)2 (λ + 1) (ii) PT (λ) = det  0 0 0 (λ + 1) (iii) As´ı que. z) ∧ (⋆) −z = λz (ii) Evaluamos (⋆) en los valores propios: • λ=3 De (⋆). −z) = (λx. z) ∧ (3x + z. 0)}i . y ∈ R ⇐⇒ u = x(1. el polinomio caracter´ıstico   3 0 1 c(3) c(3) 2  ∧ [λ1V ]c(3) =  (i) [T ]c(3) =  0 3 0 0 −1  de T . z) ∧ T (x. 3y + 2z. 0. x ∈ R. λz) ⇐⇒ u = (x. PT (λ) = 0 ⇐⇒ λ1 = 3 ∨ λ2 = −1 Luego. y. y. y.

−1} (2) Determinamos los subespacios propios. . 2. el polinomio caracter´ıstico   3 2 1 c(3) c(3) 2  (i) [T ]c(3) =  0 3 ∧ [λ1V ]c(3) =  0 0 −1  de T . 2. 0) • T (1.2. y. en la base de vectores propios α. 2. PT (λ) = 0 ⇐⇒ λ1 = 3 ∧ λ2 = −1 Luego.P = {3. −4) = −(1. 0)]α [T (0. sigue que 3 u∈ R  −1 ⇐⇒ u = (x. Sea T ∈ LR (R3 ) tal que T (x. z) = (3x + 2y + z. −4)}i (3) Sea α = {(1. 2x.  • T (1. 0) = 3(1.9. 0. 2. y. o mejor el operador T se representa como una matriz diagonal. 2. 1. 3y + 2z. (1. z) 3x + z = −x 3y + 2z = −y −z = −z ∧ ⇐⇒ u = (x. −4x). 0) = 3(0. 1. z) ∧ z = −4x : y = 2x ⇐⇒ u = (x. VALORES Y VECTORES PROPIOS 99 De (⋆). x ∈ R ⇐⇒ u = x(1. 0)]α [T (1. 0. −4) as´ı que sustituyendo en ( 137) tenemos que [T ]αα (138)   3 0 0 0  =  0 3 0 0 −1 Es una matriz diagonal. 0). (0. −4)} entonces como [T ]αα = (137) [T (1. (1) ConstruimosPT (λ). 1. Ejemplo 1. los valores propios son V. Calculemos valores y vectores propios. 2. −4) ⇐⇒ R3  −1 = h{(1.  λ 0 0 0 λ 0  0 0 λ  (λ − 3) −2 −1 (λ − 3) −2  = (λ − 3)2 (λ + 1) (ii) PT (λ) = det  0 0 0 (λ + 1) (iii) As´ı que. 0). −4)]α y.1. 0. 1. 0. 0) • T (0. −z) Soluci´ on. y.

2. sin embargo en ejemplo ( 1. 0. λz) ⇐⇒ u = (x. y. 0)}i De (⋆). sigue que u ∈ R3  3 ⇐⇒ u = (x. −2)}i (3) Luego. z) ∧ T (x. no existe una tal base. λy. z) ∧ z = −2y. z) ∧ (3x + 2y + z. y. y.2.´ AL PROCESO DE DIAGONALIZACION ´ 3. sigue que 3 u∈ R  −1 ⇐⇒ u = (x.a. y. Observaci´ on 1. podemos decir lo siguiente: (1) En ambos ejemplos el polinomio caracter´ıstico PT (λ) es el mismo. z) ∧ 3x + 2y + z = −x 3y + 2z = −y −z = −z ⇐⇒ u = (x. no existe una base de vectores propios α tal que T se represente como una matriz diagonal. 3y + 2z. el polinomio caracter´ıstico. aparece repetido en PT (λ) (es decir. y. x ∈ R ⇐⇒ u = x(1. x = 0 ⇐⇒ u = (0. 1. z) ∧ 3x + 2y + z = 3x 3y + 2z = 3y −z = 3z ⇐⇒ u = (x. −2y).2. la multiplicidad algebraica de λ) y . 0. no discrimina si un operador se representa o no como una matriz diagonal. 1. λz) 3x + 2y + z = λx 3y + 2z = λy ⇐⇒ u = (x. y.10. y.8) y ( 1.2. Luego. λy. y = 0 ⇐⇒ u = (x. 0).9). y. Al respecto de los ejemplos ( 1. (2) Si llamamos: m. y ∈ R ⇐⇒ u = x(0. y. 0) • λ = −1 ⇐⇒ R3  3 = h{(1. z) ∧ (⋆) −z = λz (ii) Evaluamos (⋆) en los valores propios: • λ=3 De (⋆). z) = (λx. z) ∧ T (x. −z) = (λx. y.2. INTRODUCCION 100 (i) Proceso general: u ∈ R3  λ ⇐⇒ u ∈ R3 ∧ T (u) = λu ⇐⇒ u = (x. z) = λ(x.(λ)= las veces que el valor propio λ. y. z) ∧ z = 0. −2) ⇐⇒ R3  −1 = h{(0. y. 0.9).8) existe la base de vectores propios y en el ejemplo ( 1. z) ⇐⇒ u = (x.

(λ) • m.(−1) Equivalentemente PT (λ) = (λ − 3)2 (λ + 1) ∧   R3 3 ⊕ R3 −1 ≤ R3 | {z } | {z } dim 1 dim 1 (3) Luego.g.(λ0 ) ≤ m.a.(λ0 ) .a.g.g. para entendernos.(3) = m.g.g.(−1) = 1 m.(−1) = 1 m.(3) m.g. α de V Definici´ on 1.a.a. Sea V un K espacio vectorial y λ.(3) = 2 m.a.(−1) = 1 m.g.12.13.(−1) = m. Llega la hora de definir los conceptos claves. un valor propio de T entonces (139) m.2.2. PT (λ) = (λ − 3)2 (λ + 1) ∧   R3 = R3 3 ⊕ R3 −1 | {z } | {z } dim 2 dim 1 (ii) En ( 1. Sea V un K espacio vectorial y T ∈ LK (V ). Definici´ on 1.g. un valor propio de T ∈ LK (V ) entonces notaremos: (i) m. tenemos el siguiente comportamiento: m.(3) m.g.2.(λ) = dimK (V )λ Lema 1.1.a. VALORES Y VECTORES PROPIOS 101  m.a. existe una relaci´ on importante entre los conceptos: • m.(−1) Equivalentemente.a.(−1) = m.(−1) = 1 m.(3) = 1 m.2.9).g.a.(λ) • Existencia de una base de vectores propios de V .(3) = 2 m.8).a.2.(λ)= la dimensi´ on del subespacio propio R3 λ entonces (i) En ( 1.g.(3) > m.(3) = 2 m.11.(λ)= multiplicidad algebraica de λ (ii) m.a. Sea V un K espacio vectorial y λ0 .g. tenemos el siguiente comportamiento: m. Diremos que T es un operador diagonalizable si existe una base de vectores propios.

Para alivianar la carga abstracta iremos etapa por etapa lentamente.g.´ AL PROCESO DE DIAGONALIZACION ´ 3.g. s s [ αi (2) Sea α = i=1 entonces m. nos permite decir que   (141) T (V )λ0 ⊂ (V )λ0 La propiedad expresada en ( 141). (λi 6= λj si i 6= j). Ahora ojo con esta!!! T (T (u)) = T (λ0 u) = λ0 T (u) Luego. las siguientes propiedades:   (i) T0 ∈ LK (V )λ0 ) . es decir T0 es un operador de (V )λ0 (ii) PT0 (λ) = (λ − λ0 )r y ∂(PT0 (λ)) ≤ ∂(PT (λ)) As´ı. (λi 6= λj si i 6= j) (i) PT (λ) = (ii) s X i=1 ni = n i=1 entonces T diagonalizable si y s´ olo si m.g. . m. 2. tecnicamente se parafrasea diciendo ” (V )λ0 es un subespacio invariante de T ”. para i = 1. .(λ0 ) = r (2) Sea u ∈ (V )λ0 entonces T (u) = λ0 u. es el polinomio caracter´ıstico de T entonces s Y (λ − i=1 . pero m´ as all´ a de tecn´ısismos. (1) Sup´ ongamos que m.(λ0 ) ≤ m.(λi ) ⇐⇒ α es una base de V Conclusi´ on 1.a.(λ0 ) = s. u ∈ (V )λ0 (140) =⇒ T (u) ∈ (V )λ0 (3) Lo obtenido en ( 140). .a. . Sea V un K espacio vectorial de dimensi´ on finita n y T ∈ LK (V ) tal que PT (λ) = λi )ni . Sea V un K espacio vectorial de dimensi´ on n y T ∈ LK (V ) tal que: s Y (λ − λi )ni .2. esta propiedad se usa para definir nuevas funciones a partir de la funci´ on original. n En efecto (1) Sea αi una base de Vλi .(λi ) = m.(λi ) para i = 1. pero u ´til para el desarrollo algor´ıtmico del pensamiento model´ıstico. .a. .14. con s ≥ 1 y m.a. como sigue: (V )λ0 u T 0 7 → − (V )λ0 7−→ T0 (u) = T (u) Luego. .(λ0 ) Teorema 1.2.15.(λi ) = m. tenemos para T0 restricci´ on de T al subespacio (V )λ0 .g. INTRODUCCION 102 La demostraci´ on es un poco t´ecnica.

a. = Vλ1 ⊕ Vλ2 · · · ⊕ Vλs Vλ2 ..   .     λ   s   . . VALORES Y VECTORES PROPIOS (1) PT (λ) ∈ K[λ] tal que ∂(PT (λ)) = n. . .(λi ) = n i=1 (2) λ0 es un valor propio de T si PT (λ0 ) = 0 (3) T diagonalizable si y s´ olo si m.(λi ) para i = 1.a. es decir. . ...16. . . λs (ii) V se descompone en suma directa de subespacios propios: (143) V Es decir. . .2. .   . s y   λ1 . .g.(λi ) = m. .1. para cada i = 1. n y en tal caso tenemos lo siguiente: (i) Existe una base α = α1 ∪ α2 · · · ∪ αs de V tal que αi es base de Vλi . s X 103 m. .  (142) [T ]αα =  . s Observaci´ on 1. Vλs Vλ1 Figura 15 (iii) T se descompone en una suma de operadores del tipo: (144) T = T1 + T2 + · · · + T s donde Ti (u) = λi u. para cada i = 1. que esta forma de verificar si un operador es o no diagonalizable tiene inconvenientes tales como: . Es evidente. 2.     λ   1   .

x + y. x + y + z. 1)}i (12) Determine T ∈ LR (R3 ). (−1. 1)}i y (b) (R2 )3 = h{(−2. 2x + y) (3) T ∈ LR (R3 ). z) = (x + y. 0. x − y + 2z. z. tal que T (A) = At (6) T ∈ LR (R4 ). y) = (3y. w) = (x. Maple. y. tal que: (a) (R2 )−2 = h{(3. 2x + y − z) (4) T ∈ R2 [x]. tal que T (x. INTRODUCCION (1) Es impracticable si el n´ umero de valores propios es grande (a menos que usemos el computador. etc. (3) Para una teor´ıa precisa y completa sugiero consultar [9] 1. 0)}i y (b) (R3 )1 = h{(1. en tal caso se necesita una t´ecnica diferente. Determine valores y vectores propios de T . x + y + z + w)   1 2 (7) A = 0 −1   1 1 (8) A = 1 1   1 2 3 (9) A =  0 1 2  0 0 1   0 1 0 (10) A =  0 0 1  −1 0 0 (11) Determine T ∈ LR (R2 ).3. Matlab.104 ´ AL PROCESO DE DIAGONALIZACION ´ 3. −1. 1. ) (2) Es posible que en muchos casos. si el operador es diagonalizable o no. 0)}i (13) Sea T ∈ LK (V) tal que T ◦ T = T . tal que T (x. y) = (x + y. tal que T (x. 1). (15) Sea A ∈ MR (2) tal que det(A) 6= 0. Determine valores y vectores propios de las siguientes transformaciones lineales y matrices: (1) T ∈ LR (R2 ). Determine valores y vectores propios de T . y. tal que: (a) (R3 )0 = h{(1. . 2x) (2) T ∈ LR (R2 ). Matem´ atica. Ejercicios Propuestos. tal que T (a0 + a1 x + a2 x2 ) = a1 + a0 x + a2 x2 (5) T ∈ MR (2). se desee saber s´ olo. (14) Sea T ∈ LK (V) tal que T ◦ T = 0. tal que T (x.

g(3) = 1 en el segundo caso. u ∈ K =⇒ us ∈ K (∀s. pero como siempre nada es gratis as´ı que de acuerdo a la ley de costo beneficio hay que asumir alg´ un costo. la raz´ on expuesta es que la m. Observaci´ on 2. UN CRITERIO DE DIAGONALIZACION 105 • Demuestre que: A diagonalizable =⇒ A−1 diagonalizable • Si A diagonalizable. p(x) = n X i=0 Donde.9) el polinomio caracter´ıstico es PT (λ) = (λ − 3)2 (λ + 1) Sin embargo en un caso T diagonaliza y en el otro no diagonaliza. es decir: p(x) ∈ Kn [x] ⇐⇒ p(x) = a0 + a1 x + a2 x2 + · · · + an xn ⇐⇒ p(x) = n X ai xi i=0 (2) Para cada polinomio de la forma. Un criterio de diagonalizaci´ on Como vimos en (1. podemos hacer trabajar al anillo de polinomios”. En esta discusi´ on la estrategia ser´ a la siguiente: (1) Usaremos el espacio de polinomios Kn [x].g(3) = 2 en el primer caso y m. Determine los subespacios propios de A−1 (16) Sea T ∈ LK (V). valen las siguientes propiedades: • u ∈ K ∧ a ∈ K =⇒ a · u ∈ K • En particular.´ 2.a(3) = m.2. V0 6= {0V } ⇐⇒ T no inyectiva 2.8) (1. ai xi ∈ LK (K). Demuestre que. podemos definir: p(x) : K − 7 → K u − 7 → p(u) p(u) = n X ai ui i=0 M´ as a´ un. pero por las precisiones anteriores resulta demasiado caro en tiempo y espacio esta soluci´ on. que en este caso consiste en generar o mejor generalizar alguna ideas. as´ı que implementaremos otra t´ecnica que no tenga tales deficiencias.0.2. u es una ra´ız de p(x) ⇐⇒ u ∈ K ∧ p(u) = 0 ⇐⇒ u ∈ ker(p(x)) (3) Lo anterior tiene sentido porque en K. Kn [x] .a(3) = 2 > m.1. s ∈ N) As´ı que ” en cualquier conjunto que sus elementos posean estas propiedades.

INTRODUCCION 106 En particular.8) tenemos que  c(3) PT [T ]c(3)       2  3 0 1 1 0 0 3 0 1 1 0 0 2  + 0 1 0 2  − 3 0 1 0  0 3 =  0 3 0 0 −1 0 0 1 0 0 −1 0 0 1   2   0 0 1 4 0 1 2   0 4 2  =  0 0 0 0 −4 0 0 0    0 0 −4 4 0 1 =  0 0 −8   0 4 2  0 0 16 0 0 0   0 0 0 =  0 0 0  0 0 0 (1) (b) Si llamamos mT (λ) = (λ − 3)(λ + 1) entonces en (1. ∧ A0 = In ( identidad de orden n) Si PT (λ) = (λ − 3)2 (λ + 1) entonces (a) En (1.´ AL PROCESO DE DIAGONALIZACION ´ 3. s ∈ N).2. As´ı que podemos definir en el espacio de matrices: p(x) : MK (n) − 7 → MK (n) A 7−→ p(A) Donde.2. p(A) = n X ai Ai i=0 Ejemplo 2.0. estas propiedades valen en MK (s) (∀s.8) tenemos que (1) mT  c(3) [T ]c(3)         1 0 0 1 0 0 3 0 1 3 0 1 2  + 0 1 0 2  − 3 0 1 0  0 3 =  0 3 0 0 1 0 0 1 0 0 −1 0 0 −1     0 0 1 4 0 1 2  0 4 2  =  0 0 0 0 −4 0 0 0  0 0 0 =  0 0 0  0 0 0  .2.

9) se verific´ o que (2) En (1.2.  = (0)  6= (0) . UN CRITERIO DE DIAGONALIZACION 107 (c) Un c´ alculo analogo para (1.2.0.´ 2.2.2.9) nos dice que  c(3) PT [T ]c(3)       2  3 0 1 1 0 0 3 2 1 1 0 0 2  + 0 1 0 2  − 3 0 1 0  0 3 =  0 3 0 0 −1 0 0 1 0 0 −1 0 0 1   2   0 2 1 4 0 1 2   0 4 2  =  0 0 0 0 −4 0 0 0    0 0 0 4 0 1 =  0 0 −8   0 4 2  0 0 16 0 0 0   0 0 0 =  0 0 0  0 0 0 (2) (d) M´ as a´ un.2.8)   c(3) PT [T ]c(3) = (0) (1) mT (3) En (1.9) (2) mT  [T ]c(3)  [T ]c(3) c(3) c(3) Lo anterior nos motiva para hacer la siguiente: Definici´ on 2.9) tenemos que (2) mT  c(3) [T ]c(3)          3 2 1 1 0 0 3 0 1 1 0 0 2  − 3 0 1 0  0 3 2  + 0 1 0 =  0 3 0 0 −1 0 0 1 0 0 −1 0 0 1    0 2 1 4 0 1 2  0 4 2  =  0 0 0 0 −4 0 0 0   0 8 4 =  0 0 0  0 0 0 As´ı que tenemos las siguientes conclusiones: (1) En (1.3.8) y (1. si llamamos mT (λ) = (λ − 3)(λ + 1) entonces en (1.2.

4. para cualquier A ∈ MK (n) tenemos que a∈K ∧ p(x) ∈ I(A) =⇒ (a · p(x)) ∈ I(A) (3) Si A ∈ MK (n) entonces el polinomio PA (λ) = det(λIn − A) ∈ I(A). INTRODUCCION 108 Si A ∈ MK (n) entonces llamaremos anulador de la matriz A.0. al conjunto I(A) = {p(x) ∈ K[x] | p(A) = (0)} Ejemplo 2.´ AL PROCESO DE DIAGONALIZACION ´ 3. para cualquier A ∈ MK (n) tenemos que p(x) ∈ I(A) ∧ q(x) ∈ I(A) =⇒ (p(x) − q(x)) ∈ I(A) (2) Sea a ∈ K y p(x) ∈ I(A) entonces (a · p(x))(A) = a · p(A) = a · (0) = (0) Luego. En efecto Para n = 2 tenemos   a11 a12 . as´ı que: A= a21 a22 Luego.   (λ − a11 ) −a12 λI2 − A = −a21 (λ − a22 ) det(λI2 − A) = det  (λ − a11 ) −a12 −a21 (λ − a22 )  = (λ − a11 )(λ − a22 ) − a12 a21 = λ2 − (a11 + a22 )λ + (a11 a22 − a12 a21 ) .   3 2 1 2  p(x) = (x − 3)2 (x + 1) ∈ I(A) si A =  0 3 0 0 −1 Algunas propiedades de I(A) (1) Si p(x) ∈ I(A) y q(x) ∈ I(A) entonces (p(x) − q(x))(A) = p(A) − q(A) = (0) Luego.

.  . .  ∆11  ∆21   (ii) Adj(A) =  ∆31  . ∆12 ∆22 ∆32 .  .. podemos hacer lo siguiente: Etapa 1 Informaci´ on previa: Vale el siguiente teorema ver [4] Si  a11  a21   (i) A =  a31  ... PA (A) = A2 − (a11 + a22 )A + (a11 a22 − a12 a21 ) =  a11 a12 a21 a22 2  a a − (a11 + a22 ) 11 12 a21 a22    1 0 + (a11 a22 − a12 a21 ) 0 1    2  a211 + a12 a21 a11 a12 + a12 a22 a11 + a11 a22 a11 a12 + a22 a12 = − a21 a11 + a22 a21 a21 a12 + a222 a11 a21 + a22 a21 a11 a22 + a222   (a11 a22 − a12 a21 ) 0 + 0 (a11 a22 − a12 a21 )   0 0 = 0 0 En general.. .. ∆ij = (−1)i+j det((λIn − A)ij ) entonces es un polinomio de grado (n − 1). an1 an2 an3 .  a1n a2n   a3n   .. entonces (iii) (λIn − A)Adj(λIn − A) = det(λIn − A)In (145) Etapa 2 Datos: Como.. . para cada i y para cada j. t ∆1n ∆2n   ∆3n  . as´ı que: (146) Adj(λIn − A) = λn−1 + λn−2 Bn−2 + λn−3 Bn−3 + · · · + B0 . ..  .. . a13 a23 a33 . ....  ∆nn es la matriz adjunta de la matriz A.. . ... . ..  .. . ... . ∆n1 ∆n2 ∆n3 . .. UN CRITERIO DE DIAGONALIZACION 109 As´ı que.´ 2.. . . a12 a22 a32 .  ann ∆13 ∆23 ∆33 . .. .

.... .. y (147) det(λIn − A) = λn + bn−1 λn−1 + bn−2 λn−2 + · · · + b0 Etapa 3 Ejecuci´ on: Aplicando... es una matriz de orden n.... Bn−3 − ABn−2 Bn−2 − ABn−1 Bn−1 = = = = .. ... (λIn − A)Adj(λIn − A) = (λIn − A) = n−1 X λ i+1 i=0 n−1 X λi Bi i=0 Bi − n−1 X ! λi ABi i=0 = −AB0 + λ(B0 − AB1 ) + · · · + λn−1 (Bn−2 − ABn−1 ) + λn In Aplicando este resultado en (145) e igualando coeficientes tenemos el sistema de ecuaciones: −AB0 B0 − AB1 B1 − AB2 B2 − AB3 ......... ...... y sumando miembro a miembro tenemos que: −AB0 AB0 − A2 B1 A2 B1 − A3 B2 A3 B2 − A4 B3 .. n − 1... . An−2 . . bn−2 An−2 bn−1 An−1 An PA (A) (4) Una aplicaci´ on inmediata de lo anterior es la siguiente: .. bn−2 In bn−1 In In Multiplicando por A. 1.. . .... A2 .... = = = = b0 In b1 A b2 A2 b3 A3 .... An−2 Bn−3 − An−1 Bn−2 An−1 Bn−2 − An Bn−1 An Bn−1 (0) = = = = ....´ AL PROCESO DE DIAGONALIZACION ´ 3... INTRODUCCION 110 Donde cada Bi para i = 0. (146) y (147) en (145) tenemos... . = = = b0 In b1 In b2 In b3 In ..

donde α es una base cualquiera de V entonces A diagonalizable ⇐⇒ (∃β. PT (λ) = det(λIn − [T ]αα ) ∈ I([T ]αα ) (148) Este resultado se conoce como ” Teorema de Cayley ”.0. As´ı que en particular.8. para una demostraci´ on ver [14] Teorema 2. mA (λ) es m´ onico. Si p(λ) ∈ K[λ] tal que p(A) = (0) entonces ∂(mA (λ)) ≤ ∂(p(λ)) Ejemplo 2.´ 2.8) PT (λ) = (λ − 3)2 (λ + 1) y el polinomio minimal es: mT (λ) = (λ − 3)(λ + 1) En (1.7.8) T es diagonalizable y en (1. respecto de este tenemos los siguientes resultados: Lema 2. mA (A) = (0). el polinomio caracter´ıstico y minimal tienen las mismas ra´ıces. β una base de vectores propios de V) ⇐⇒ A = [I]αβ [T ]ββ [I]βα Donde.2.2. luego la diferencia es el polinomio minimal. UN CRITERIO DE DIAGONALIZACION 111 Si T ∈ LK (V) entonces para cualquier base α de V.6.5. Si T ∈ LK (V) tal que PT (λ) = (150) s Y (λ − λi )ni para (λi 6= λj ) entonces i=1 s Y T diagonalizable ⇐⇒ mT (λ) = (λ − λi ) i=1 en efecto Sea A = [T ]αα . Si T ∈ LK (V) entonces vale la equivalencia PT (λ0 ) = 0 ⇐⇒ mT (λ0 ) = 0 (149) Es decir.0. Sea A ∈ MK (n) entonces diremos que mA (λ) es el polinomio m´ınimo de A si: 1.2. En (1. I([T ]αα ) 6= ∅ Definici´ on 2.9) PT (λ) = (λ − 3)2 (λ + 1) y el polinomio minimal es: mT (λ) = (λ − 3)2 (λ + 1) Como tambi´en sabemos en (1. es decir su coeficiente lider es uno. −1  ⇐⇒ A = [I]αβ [T ]ββ [I]αβ . 3. es decir mA (λ) ∈ IA 2.9) T no es diagonalizable.0.2.0.

λs }  =  λ1 . . Construyamos el polinomio caracter´ıstico: c(3) (i) Determinemos [T ]c(3)   −1 0 1 c(3) 4  A = [T ]c(3) =  2 3 −1 0 −3 (ii) Determinemos el polinomio caracter´ıstico:   λ+1 0 −1 PT (λ) = det  −2 λ − 3 −4  1 0 λ+3 = (λ − 3)[(λ + 1)(λ + 3) + 1] = (λ − 3)[λ2 + 4λ + 4] = (λ − 3)(λ + 2)2 Luego. .P = {−2. λs −1  =⇒ mT (A) = mT ([I]αβ [T ]ββ [I]αβ )             −1 =⇒ mT (A) = [I]αβ mT ([T ]ββ ) [I]αβ Pero. . Ejercicios Resueltos.1. . λ1 . z) = (−x + z. y. Verifiquemos si T es diagonalizable:    −4 0 1 1 0 1 4  2 5 4  (A − 3I3 )(A + 2I3 ) =  2 0 −1 0 −6 −1 0 −1 6= 0 As´ı que T no es diagonalizable. mT ([T ]ββ ) = (λ − λ1 )(λ − λ2 ) · · · (λ − λs ) 2. −x − 3z) entonces Etapa 1.112 ´ AL PROCESO DE DIAGONALIZACION ´ 3.            . 2x + 3y + 4z. λs . 3} Etapa 2.. (1) Sea T ∈ LR (R3 ) tal que T (x. .. . los valores propios son: V.. . INTRODUCCION [T ]ββ = diag{λ1 .

P Etapa 2.´ 2. .a(1) = 1 entonces m. as´ı que T no es diagonalizable. el valor propio real es: = {1} V. donde         0 0 0 0 0 1 1 0 . los valores propios son: V. Construyamos el polinomio caracter´ıstico: m(2) (i) Determinemos [T ]m(2) . 2}  0 0   0  λ 113 .g(1) = 1. donde p(2) = {1. UN CRITERIO DE DIAGONALIZACION (2) Sea T ∈ LR (R2 [x]) tal que T (a0 + a1 x + a2 x2 ) = a2 + a0 x + a1 x2 entonces Etapa 1. (3) Sea T ∈ LR (MR (2)) tal que T (A) = A − At entonces Etapa 1. x2 }   0 0 1 p(2) A = [T ]p(2) =  1 0 0  0 1 0 (ii) Determinemos el polinomio caracter´ıstico:   λ 0 −1 0  PT (λ) = det  −1 λ 0 −1 λ = λλ2 − 1 = λ3 − 1 = (λ − 1)(λ2 + λ + 1) Luego. Verifiquemos si T es diagonalizable: Como m. . m(2) = 0 1 1 0 0 0 0 0 m(2) A = [T ]m(2)  0 0 0 0  0 1 −1 0   =  0 −1 1 0  0 0 0 0  (ii) Determinemos el polinomio caracter´ıstico:  λ 0 0  0 (λ − 1) 1 PT (λ) = det   0 1 (λ − 1) 0 0 0 = λ3 (λ − 2) Luego. Construyamos el polinomio caracter´ıstico: p(2) (i) Determinemos [T ]p(2) . x.P = {0.

es decir.g(0) = 3 m.g(2) = 1  =⇒ T diagonalizable   3 1 −1 (4) Sea A =  2 2 −1  entonces 2 2 0 • det(A) = 4. veamos si el polinomio minimal es ? mT (λ) = (λ − 1)(λ − 2) . 0 1 1 0 Luego.´ AL PROCESO DE DIAGONALIZACION ´ 3. m.a(2) = 1 ∧ m. luego A es invertible • Calculemos su polinomio caracter´ıstico:  (λ − 3) −1   −2 (λ − 2) PT (λ) = det −2 −2  (λ − 1) 1 − λ (λ − 2) = det  −2 −2 −2  (λ − 2) 1 = (λ − 1) det −2 λ  1 1  λ  0 1  λ    −2 1 − (1 − λ) det −2 λ = (λ − 1)(λ(λ − 2) + 2) + (λ − 1)(−2λ + 2) = (λ − 1)[λ2 − 2λ + 2 − 2λ + 2] = (λ − 1)(λ − 2)2 = −λ3 + 5λ2 − 8λ + 4 • Estudiemos si es diagonalizable.a(0) = 3 ∧ m. Verifiquemos si T es diagonalizable: A ∈ (MR (2))λ ⇐⇒ A ∈ (MR (2)) ∧ T (A) = λA ⇐⇒ A ∈ (MR (2)) ∧ A − At = λA (∗) As´ı que de (*) sigueue que: A ∈ (MR (2))0 ⇐⇒ A ∈ (MR (2)) ∧ A − At = (0) ⇐⇒ A ∈ (MR (2)) ∧ A = At =⇒ (MR (2))0 =  1 0 0 0      0 0 0 1 . INTRODUCCION 114 Etapa 2. .

. v2 . 1 ≤ i ≤ r) • vi ∈ Vλ2 ⇔ T (vi ) = λ2 vi (∀i. calcular A−1 . v2 . (∀u. vn } una base de V tal que: (i) Vλ1 = h{v1 . Lo que debo hacer o me est´ an pidiendo: Debemos determinar T (u). . . vr }i ∧ λ1 ∈ K (ii) Vλ2 = h{vr+1 . tales que: n X ai vi (∗) u= Etapa 3. Datos: • vi ∈ Vλ1 ⇔ T (vi ) = λ1 vi (∀i. . • Podemos usar el polinomio caracter´ıstico para. . vs+2 . .´ 2. vr+2 . . v3 . . . vn }i ∧ λ3 ∈ K (a) Determine T ∈ LK (V) Etapa 1. un K espacio vectorial y α = {v1 . . s + 1 ≤ i ≤ n) • Como α es una base de V. . i=1 . vs }i ∧ λ2 ∈ K (iii) Vλ3 = h{vs+1 . u ∈ V) Etapa 2. . entonces para cada u ∈ V existen u ´nicos escalares en K. como sigue: PA (λ) = λ3 − 5λ2 + 8λ − 4 =⇒ A3 − 5A2 + 8A − 4 = 0 =⇒ A(A2 − 5A + 8I3 ) = 4I3 =⇒ A  1 2 5 A − A + 2I3 4 4  = I3 1 5 =⇒ A−1 = A2 − A + 2I3 4 4 (5) Sea V. . r + 1 ≤ i ≤ s) • vi ∈ Vλ3 ⇔ T (vi ) = λ3 vi (∀i. Ejecuci´ on. UN CRITERIO DE DIAGONALIZACION 115    2 1 −1 1 1 −1 (A − I3 )(A − 2I3 ) =  2 1 −1   2 0 −1  2 2 −1 2 2 −2   2 0 −1 =  2 0 −1  2 0 2 6= (0) Luego A. . . . no es diagonalizable.

116 ´ AL PROCESO DE DIAGONALIZACION ´ 3. 3) (d) ¿ T −1 es invertible ? Observamos que si λi 6= 0 (∀i... 3) entonces T −1 existe y vale la f´ ormula fundamental T (u) = v ⇐⇒ u = T −1 (v) As´ı que en particular. . λ3                (c) ¿ T es un isomorfismo ? Sabemos que T es un isomorfismo si y s´ olo si det(T ) 6= 0. 2. as´ı que en este caso. es diagonalizable y  (151) [T ]αα  λ1 . sigue que: r X T (u) = T = = r X ai vi + i=1 s X i=r+1 ai T (vi ) + s X ai T (vi ) + ai vi + i=1 i=r+1 r X s X ai λ1 vi + = λ1 r X ai vi + λ2 n X ! ai T (vi ) i=s+1 ai λ2 vi + n X ai λ3 vi i=s+1 s X ai vi + λ3 n X ai vi i=s+1 i=r+1 i=1 ai vi i=s+1 i=r+1 i=1 n X (b) ¿ T es diagonalizable ? Como α es una base de vectores propios de T entonces T . T isomorfismo ⇐⇒ λ1 λ2 λ3 6= 0 ⇐⇒ λi 6= 0 (∀i.        =         . tenemos . . INTRODUCCION De (∗). i = 1. i = 1. 2. λ1 λ2 .. λ2 λ3 .

APLICACIONES 117 Para 1 ≤ i ≤ r T (vi ) = λ1 vi ⇐⇒ vi = λ1 T −1 (vi ) ⇐⇒ T −1 (vi ) = 1 λ1 vi ⇐⇒ vi = λ2 T −1 (vi ) ⇐⇒ T −1 (vi ) = 1 λ2 vi ⇐⇒ vi = λ3 T −1 (vi ) ⇐⇒ T −1 (vi ) = 1 λ3 vi Para r + 1 ≤ i ≤ s T (vi ) = λ2 vi Para s + 1 ≤ i ≤ n T (vi ) = λ3 vi 2. Si (a) A =  −3 4 −1 2   0 7 −6 0  y (b) A =  −1 4 0 2 −2 3.3) es diagonalizable? (2) Sea A = (aij ) ∈ MR (3) tal que ( aij 6= 0 : si i ≤ j aij = 0 : en otro caso • Determine valores propios y subespacios propios de A. Determine el conjunto: (3) Dada la matriz A = 0 a S = {a ∈ R | A es diagonalizable}   1 a . Modelo de Crecimiento Poblacional.   1 1 . • Determine el polinomio minimal de A.3. (1) Verifique ¿cu´ al de los operadores propuestos en (1. Ejercicios Propuestos.2. Aplicaciones 3.  . Determine el conjunto: (4) Dada la matriz A = 0 1 S = {a ∈ R | A es diagonalizable} (5) Considere la matriz A = (aij ) ∈ MR (n) tal que: ( m : si i = j aij = a : si i = 6 j Donde.1. Demuestre que • PA (λ) = (λ − (m − a))n−1 (λ − (m + (n − 1)a)) • det(A) = (m − a)n−1 · (m + (n − 1)a) (6) Determine An . m 6= 0 y a 6= 0.

(3) Conclusi´ on al Modelo 1 (i) r > 1 =⇒ lim pt = lim rt p0 =6 ∃. • Cada organismo produce ”r” cr´ıos y despu´es muere. una semana. representa la poblaci´ on despu´es de t. para una especie de p´ ajaros. etc. (iii) r < 1 =⇒ lim pt = lim rt p0 = 0. (4) Algunos problemas del Modelo 1 (i) El crecimiento de una poblaci´ on en general no es a tasa constante. INTRODUCCION 118 (1) Planteamiento del Problema An´ alisis de un modelo que describa el crecimiento de una poblaci´ on usando valores y vectores propios.´ AL PROCESO DE DIAGONALIZACION ´ 3. (2) Modelo 1 Hip´ otesis de Trabajo Suponemos que una cierta especie crece a una tasa de crecimiento constante en el tiempo (el tiempo. As´ı si pt . t→∞ t→∞ Es decir. es dado si por ejemplo: • Cada generaci´ on es distinta y. (ii) r = 1 =⇒ lim pt = lim rt p0 = p0 . t→∞ t→∞ Es decir. la poblaci´ on disminuye geom´etricamente a cero en el tiempo y por tanto se extinguir´ a. t→∞ t→∞ Es decir. un mes. un d´ıa. la poblaci´ on aumenta geom´etricamente (sin cota superior) en el tiempo. que satisface las siguientes condiciones: (1) N´ umero de hembras = N´ umero de machos . p0 representa la poblaci´ on inicial. un a˜ no. la poblaci´ on mantiene crecimiento constante independiente del tiempo. periodos entonces la ecuaci´ on que rige el crecimiento de dicha poblaci´ on es: (152) pt = rpt−1 equivalentemente p t = r t p0 donde.) Un tal caso. puede ser una hora. (ii) En general el n´ umero de cr´ıas que puede generar una hembra depende de su edad (5) Modelo 2 Hip´ otesis de Trabajo Se estudiar´ a un modelo de crecimiento poblacional.

3. APLICACIONES

119

(2.1) p(j, n − 1) = Poblaci´
on juvenil de hembras en el a˜
no (n − 1)
(2.2) p(a, n − 1) = Poblaci´
on adulta de hembras en el a˜
no (n − 1)
(3) α=probabilidad con que los p´
ajaros j´
ovenes que sobreviven y llegan a adulto en el

no n.
(4) k= promedio de p´
ajaros hembras j´
ovenes, generado por las hembras adultas que
sobreviven.
(5) β= probabilidad con que los p´
ajaros adultos sobreviven de una primavera para
otra.
(6) Toda la informaci´
on anterior puede ser computada v´ıa las ecuaciones:
(153)

(154)

p(j, n) =
kp(α, n − 1)
p(a, n) = αp(j, n − 1) + βp(a, n − 1)

Equivalentemente     

p(j, n)
0 k
p(j, n − 1)
=
p(j, n − 1)
α β
p(a, n − 1)
|
| {z } |
{z
}
{z
}
A

p(n)

p(n−1)

An´
alisis matem´
atico del modelo
• De (154), sigue que

p(1) = AP (0)
p(2) = AP (1) = A2 p(0)

p(3) = AP (2) = A3 p(0)
..
.
p(n) = AP (n − 1) = An p(0)
• Determinemos el polinomio caracter´ıstico de A:
PA (λ) = det 

λ
−k
−α (λ − β) 

= λ(λ − β) − kα
= λ2 − λβ − kα
Luego,
PA (λ) = λ2 − λβ − kα
• Ahora, para calcular los valores propios hacemos PA (λ) = 0

´ AL PROCESO DE DIAGONALIZACION
´
3. INTRODUCCION

120

Es decir;
PA (λ) = 0 ⇐⇒ λ2 − λβ − kα = 0
⇐⇒ λ =

β±

p
β 2 + 4kα
2

Luego, los valores propios son:

V.P =

(

β−

)
p
p
β 2 + 4kα β + β 2 + 4kα
,
2
2

Adem´
as λ1 y λ2 satisfacen las propiedades:
(i) α ∈ [0, 1] y β ∈ [0, 1] y k > 0 entonces β 2 + 4kα > 0
(ii) Si λ1 =

β+

β 2 +4kα
2

y λ2 =

β+

β 2 −4kα
2

entonces λ1 > λ2 y |λ1 | > |λ2 |

• Sea α = {v1 , v2 }, base de vectores propios de MR (2), correspondiente a
los valores propios λ1 y λ2 , respectivamente entonces valen las siguientes
propiedades:
(i) Como p(0) ∈ MR (2) y α es base de MR (2) entonces existen u
´nicos
escalares a1 , a2 tales que  

p(j, 0)
= a1 v1 + a2 v2
p(0) =
p(a, 0)
(ii) Sustituyendo en la ecuaci´
on central p(n) = An p(0) tenemos que
p(n) = An (a1 v1 + a2 v2 )
= a1 An v1 + a2 An v2
= a1 λn1 v1 + a2 λn2 v2  

n 

λ2
= λn1 a1 v1 +
a2 v2
λ1

(6) Conclusi´
on al Modelo 2

• lim p(n) =
n→∞

lim λn
n→∞ 1  

λ2
a1 v1 +
λ1 

n

a2 v2 

≈ λn1 a1 v1

3. APLICACIONES

121

(7) Algunos problemas del Modelo 2
(i) La tasa de nacimiento y muerte cambia con frecuencia de un a˜
no para otro y
depende del clima, este modelo supone clima constante.

(ii) Muchas especies poseen una tasa de nacimiento y muerte que varia con el tama˜
no
de la poblaci´
on, en particular una poblaci´
on no puede crecer indefinidamente a
una tasa constante, caso contrario dominar´ıa la tierra.
Ejemplo 3.1.1. Apliquemos el modelo para el siguiente caso:
(1) Datos particulares:
• k=2
• α = 0.3
• β = 0.5 

0
• p(0) =
10
(2) Determinamos los valores y vectores propios de A = 

0.0 2.0
0.3 0.5

(i) Sus valores propios son:
V.P = {−05639, 1.0639} = {λ2 , λ1 }

(ii) Sus vectores propios son:  


−0.8829
,
α =
−0.4697  

 

0.8829
0.9625
,
=
0.4697
−0.2714 

−0.9625
0.2714

= {v2 , v1 }

(3) Aplicando las conclusiones del modelo 2, tenemos que:
p(n) ≈ λn1 a1 v1
≈ 1.0639n a1 v1

Como λ1 > 1 entonces la poblaci´
on crecer´
a. 

y) = v Donde v es una flecha que parte en (0. Sea V = R2 y v = (x. y1 ) + ϕ(x2 .2.CAPITULO 4 Espacios Vectoriales con Producto Interno 1. (2) Podemos Equipar a F2 con estructura de R . definida como sigue: ϕ : R2 7−→ F2 (x. y1 + y2 ) (b) λv1 = λϕ(x1 .0. y) 7−→ ϕ(x. y1 ) = ϕ(λx1 . entonces podemos asociar a v una flecha como en la Figura. (x. y) ∈ R2 . Norma Motivaci´ on 1. y2 ) = v2 entonces (a) v1 + v2 = ϕ(x1 . 0) y termina en (x. y). Si ϕ(x1 . 0) Figura 16 Si notamos: F2 = {Conjunto de flechas como en figura 1} entonces (1) Existe una biyecci´ on natural entre R2 y F2 . y) v (0.espacio vectorial haciendo lo siguiente. λy1 ) 123 . y1 ) = v1 y ϕ(x2 . y2 ) = ϕ(x1 + x2 .

1)}. si consideramos una base arbitraria α = {(x1 . (3) Es natural entonces preguntar en F2 por el largo de una flecha v. y)k = l(ϕ(x. 0) = e1 entonces el efecto es el siguiente: ∧ ϕ(0. 0) Figura 17 De acuerdo al teorema de Pit´ agoras l(v) = 2 funci´ on largo en F definida por: p x2 + y 2 y luego tenemos inducida una l : F2 7−→ R+ ∪ {0} tal que l(v) = p x2 + y 2 ⇐⇒ v = ϕ(x. su correspondiente 2 base can´ onica en F .e. u2 } ∈ F2 ? Estudiemos la situaci´ on m´ as o menos genericamente en la siguiente figura. y) (4) Como F2 ∼ on ” largo ” en R2 . ϕ(1. y) = xe1 + ye2 ∈ F2 (a) ¿ Qu´e pasa con el largo en F2 y con la norma en R2 . y2 )} ∈ R2 y su correspondiente α′ = {u1 . e2 }. (0. la base can´ onica de R2 y s(2) = {e1 . . (x. 0).espacio vectorial ” Isomorfo ” a R2 . p x2 + y 2 k(x. e. 1) = e2 (x. (x2 . 0) + y(0. y)k = As´ı.124 4. y1 ). ESPACIOS VECTORIALES CON PRODUCTO INTERNO As´ı F2 se transforma en un R . para ello estudiemos la siguiente figura. y) v y x (0. 1) ∈ R2 7−→ ϕ(x. que llamaremos = R2 entonces tambien tenemos una funci´ genericammente ” Norma ” definida por: k k : R2 7−→ R+ ∪ {0} (x. y) = x(1. que denotaremos por l(v). y)) = l(v) (5) Sea c(2) = {(1. y) 7−→ k(x.

p x2 + y 2 y las normas as´ı (b) Finalmente. y2 )k (6) Consideremos la siguiente situaci´ on geom´etrica en F2 . y)k (iii) k(x1 . y)k ≥ 0 ∧ k(x.1. y1 ) + (x2 . NORMA 125 h{u2 }i (x. y)k = |λ|k(x. 0) x b h{u1 }i Figura 18 entonces a (i) sin θ = =⇒ a = y sin θ y b (ii) cos θ = =⇒ b = y cos θ y (iii) Del teorema de Pit´ agoras sigue que. y) v y a θ (0. y)k = 0 ⇐⇒ x = y = 0 (ii) kλ(x. y1 )k + k(x2 . . y2 )k ≤ k(x1 . p (x + b)2 + a2 p (x + y cos θ)2 + (y sin θ)2 = p x2 + 2xy cos θ + y 2 = l(v) = Luego. y)k = definidas dependen de la base escogida. y)k = x2 + 2xy cos θ + y 2 En particular. es claro que l o´ k k satisfacen las siguientes propiedades: (i) k(x. si θ = π2 entonces k(x. en R2 tenemos que: p k(x.

126 4. y1 )k2 + k(x2 . y1 − y2 )k2 = 2 k(x1 . y2 )k2  (7) En R2 tenemos que  1 k(x1 + x2 . (x2 . conocida como ” Ley del paralelogramo ” (155)   [l(v1 + v2 )]2 + [l(v1 − v2 )]2 = 2 [l(v1 )]2 + [l(v2 )]2 En R2 ser´ıa de la forma k(x1 + x2 . cuando la norma satisface la ” Ley del paralelogramo ” induce una especie de producto entre vectores de la forma h(x1 . y1 + y2 )k2 + k(x1 − x2 . y1 + y2 )k2 + k(x1 − x2 . ESPACIOS VECTORIALES CON PRODUCTO INTERNO v1 + v 2 v 1 v1 − v 2 v2 Figura 19 entonces vale la siguiente identidad. y2 )i = x1 x2 + y1 y2 . y1 − y2 )k2 = x1 x2 + y1 y2 4 As´ı. y1 ).

NORMA 127 En particular. y2 ) (x1 . (157) cos θ = y2 y1 x2 x1 + l(F ) l(v) l(F ) l(v) Sustituyendo ( 157) en ( 156). y1 )k)2 (8) Finalmente. (x1 . y1 ). (x2 . Sabemos que en este caso el Trabajo realizado es regido por la ecuaci´ on (156) T = l(F )l(v) cos θ En la Figura tenemos que θ = θ2 − θ1 entonces cos θ = cos θ2 cos θ1 − sin θ2 sin θ1 Esto es.1. y1 )i = x21 + y12 = (k(x1 . por acci´ on de una fuerza constante F describiendo un ´ angulo θ2 . y1 ). y1 ) F v θ θ1 θ2 Figura 20 Es decir. tenemos que T = x1 x2 + y1 y2 !!! Adem´ as si v = F entonces T = x21 + y12 . con un a´ngulo θ1 . h(x1 . consideramos un objeto que se mueve en l´ınea recta desde el origen del sistema hasta (x1 . consideremos la siguiente situaci´ on f´ısica.

en forma te´ orica o pr´ actica respecto de esa base. b] 7−→ R / f funci´ on continua en [a. En tal caso lo notaremos como (V.espacio vectorial. 1]} (3) Sea V = C([a.3. es decir que. para cada v ∈ V existen u ´nicos escalares que representan al vector v. ESPACIOS VECTORIALES CON PRODUCTO INTERNO Definici´ on 1. . En s´ımbolos v = n X ai vi i=1 m M´ as a´ un. 2..4. . an      7−→ MR (n × 1) 7−→ [v]α Es un Isomorfismo de espacios vectoriales y adem´ as podemos observar los siguientes puntos centrales: .0. b] = {f : [a. . . una funci´ on.128 4.    [v]α =   [ ]α : V v a1 a2 .espacio vectorial.6.0. V se llama un espacio normado si existe una norma definida en V . K) M´ as adelante tendremos oportunidad de profundizar m´ as este concepto. 1] 7−→ R | g funci´ on continua en [0. xn )k = j=1 (2) Sea V = C([0. kk. (1) kk : Rn 7−→ R+ ∪ {0} n ≥ 1 tal que 1  2 n X 2  xj k(x1 . Preliminares sobre Producto Interno Motivaci´ on 2.5. Consideremos un K espacio vectorial de dimensi´ on n y α = {v1 . f ser´ a llamada una ” Norma ” sobre V si y s´ olo si (1) f (u) = 0 ⇐⇒ u = 0 (2) f (λv) = |λ|f (v) λ ∈ K (3) f (u + v) ≤ f (u) + f (v) (Desigualdad triangular) Ejemplo 1. 1]} Define la norma: kgk = sup{|g(t)| / t ∈ [0. . . vn } una base de V entonces autom´ aticamente pensamos en el meollo del Algebra Lineal. . b]} entonces definimos Z b kf k = a |f (t)| dt Definici´ on 1.0. 1]) = {g : [0. . v2 . x2 .0. . (K = R ∨ K = C) y f : V 7−→ R+ ∪ {0}. Sea V un K . Sea V un K .

. (2) Lamentablemente la resoluci´ on del sistema de ecuaciones implica que la b´ usqueda es secuencial. qu´e es la casilla favorita del ejecutivo ?. en esta empresa Ud. (iii) ¿ C´ omo cree que el ejecutivo accedi´ o a la casilla correcta. esto es. . probablemente se encuentre ” feliz ”. 2. . n en el cuerpo K se realiza a trav´es de un sistema de ecuaciones. La respuesta es depende de ¿ qui´en ? y ¿ qu´e se ejecuta ? Por ejemplo (i) De grano en grano un zorzal se comi´ o una vi˜ na. . en este caso para el zorzal no hay problema. si as´ı fuese. es decir construy´ o  0 0 0 0 ..2. . (ii) Suponga que Ud. la determinaci´ on de los escalares ai i = 1. acert´ o en pleno. lo m´ as probable es que se quedar´ a sin comprar su PC favorito. ? Probablemente el procedi´ o de la siguiente forma: • Gener´ o una matriz adecuada. es lo siguiente para su Ejecutivo de Cuentas:  fulano de tal 5204401-4 casado empleado . desea pedir un pr´estamo en el Banco U. . imagina que el tuviese que leer todas las casillas (posiciones) anteriores a los pocos miles para pensar en su pr´estamo.. con ceros en la posici´ on que no le interesa. PRELIMINARES SOBRE PRODUCTO INTERNO 129 (1) Dada la base y el vector v.             Ejecutivo =       1     0  0 .      Ud =     pocos miles   morro 2 latino             ¿ Cu´ al cree Ud. para conocer ai . por ejemplo debo conocer ai−1 . ¿ Y qu´e tiene de malo una b´ usqueda secuencial ?.

como anta˜ no. . (a) Como α = {v1 .   fulano de tal 5204401-4 casado empleado .         *        . . para eliminar lo indeseable. t  fulano de tal 5204401-4 casado empleado .. . vn } es una base de V entonces dados los vectores u y v de V existen u ´nicos escalares tales que: v= (158) n X i=1    ai vi ⇐⇒ [v]α =   a1 a2 . hemos obtenido la siguiente moraleja o ense˜ nanza. .. . . ESPACIOS VECTORIALES CON PRODUCTO INTERNO • Procedi´ o a multiplicar por cero.                  =         1   pocos miles     0   morro 2 0 latino    +                     = pocos miles • No califica (3) No obstante el resultado de la gesti´ on. .130 4.. hEjecutivo. an      y (159) u= n X i=1    bi vi ⇐⇒ [u]α =   b1 b2 . bn      . la cual modelaremos tecnicamente como sigue. ... es decir  0 0 0 0 ..i =        1   pocos miles     0   morro 2 latino 0  0 0 0 0 . . . U d. v2 .

y) = a1 (1.. PRELIMINARES SOBRE PRODUCTO INTERNO entonces definimos. . 1). −1)} • (x. 1) + a2 (1. (161) x−y x+y ∧ a2 = 2 2  x+y  2  [(x. observamos que a causa de las propiedades del producto de matrices.. y)]α =  x − y 2 h(x1 .. siguiendo al ejecutivo    * b1  b2      hu. (x2 . ui ≥ 0 En efecto . y2 )i = x1 x2 + y1 y2 (160) (ii) V = R2 y α = {(1.   bn    =      =   = b1 b2 ... el producto debe tener las siguientes propiedades: (i) hu. 1)} h(x1 . y1 ). bn n X t          t          a1 a2 . viα =  . 0). . (x2 . bn b1 b2 . an a1 a2 .  . (1. .   .2. . −1) ⇐⇒ a1 = • Luego. . y2 )i = 1 (x1 x2 + y1 y2 ) 2 (c) Antes de concluir esta motivaci´ on. • As´ı que. a ¯n 131  +               bi a ¯i i=1 (b) Ejemplo (i) V = R2 y α = c(2) = {(1. (0.. an a ¯1 a ¯2 . y1 ).

wi + hv. v + wi = hu. [u]α i ¯ = [u]tα · [u] α n X = ui u ¯i i=1 n X = i=1 |ui |2 ≥ 0 (ii) hu + v. wi (iv) hλ · u. wi En efecto hu + v. wi En efecto vi w ¯i . wi = h[u + v]α . [w]α i ¯ = [u + v]tα · [w] α n X (ui + vi )w ¯i = i=1 = n X (ui w ¯ i + vi w ¯i ) i=1 = n X i=1 ui w ¯i + n X i=1 = hu. wi = hu. wi (iii) Analogamente hu. wi = λhu. vi + hu. wi + hv. ui = h[u]α .132 4. ESPACIOS VECTORIALES CON PRODUCTO INTERNO hu.

ui En efecto ¯ hu. Sea V un K . vi ≥ 0 (∀v. i : V × V 7−→ K (u.espacio vectorial. (vi) hu. wi ¯ wi (v) An´ alogamente hu. wi = hu. wi = [λ · u]tα [w] α ¯ = λ[u]tα · [w] α = n X i=1 = λ λ · ui w ¯i n X ui w ¯i i=1 = λhu. [w] α ¯ = [u]tα · [w] α = n X ui w ¯i n X wi u ¯i i=1 = i=1 = hw. vi = 0 ⇐⇒ v = 0 (2) hu + v. λwi = λhu. wi = hw.2. ui Todo lo anterior nos obliga a hacer la siguiente Definici´ on 2. wi + hv. v ∈ V ) ∧ hv. PRELIMINARES SOBRE PRODUCTO INTERNO 133 ¯ hλ · u. V se dice un espacio con ” Producto Interno ” o´ un espacio ” Prehilbertiano ” si y s´ olo si existe una funci´ on. wi . vi tal que (1) hv.0. v) 7−→ hu. wi = [u]tα .7. h.

(1) Sea V un K . e. . (6) hu. ui Ejemplo 2. debe observarse que si K = R entonces ( 162) se transforma en: n X xj yj h(x1 . vale la identidad (166) ku + vk2 + ku − vk2 = 2(kuk2 + kvk2 ) (4) Si V es un K . (y1 . . ESPACIOS VECTORIALES CON PRODUCTO INTERNO (3) hu.espacio vectorial Prehilbertiano. .espacio vectorial normado.1. . . xn ).134 4. . y2 . . . e. la norma satisface ( 165) (6) V es un K . vi = 4 La identidad ( 167) se conoce como Identidad de Polarizaci´ on.e. x2 .Schwarz” (2) Demuestre que V Prehilbertiano =⇒ V Normado (Sugerencia: Muestre usando ( 164) que p (165) kvk = hv. Demuestre que si la norma satisface (166) entonces V es un K . vi| ≤ kukkvk La desigualdad definida en ( 164). vi Es una norma) La norma definida en ( 165) se llama norma proveniente del producto interno o´ norma inducida por el producto interno. . vi + hu.espacio W vectorial Prehilbertiano . vi = λhu. gi = Z b f (t)g(t) dt a 2. se conoce con el nombre de ”Desigualdad de Cauchy . yn )i = j=1 (2) En C([a. λvi = λhu. xn ).8. Demuestre que (164) |hu.0. . yn )i = n X xj y¯j j=1 El producto definido en ( 162) se llama producto interno can´ onico de Kn . Ejercicios Propuestos. v + wi = hu. vi = hv. (5) Sea V un K . .espacio vectorial Prehilbertiano entonces demuestre que la norma satisface la Ley del paralel´ ogramo. x2 . y2 .espacio vectorial Prehilbertiano. vi ¯ vi (5) hu. (y1 .espacio vectorial Prehilbertiano entonces demuestre que  1 ku + vk2 − ku − vk2 (167) hu. . (1) En Kn definimos: (162) (163) h(x1 .e. . . (3) Si V es un K . b]) define hf. wi (4) hλu. . .

se llama un espacio m´etrico. i. (u. w) ∈ V 3 ) d(u. una K . v) (∀(u. v) = ku − vk Demuestre que (a) d(u. v) se la llama la distancia inducida por kk entonces (V. t) ∈ R3 | x − y = 0 ∧ t + z = 0} (8) Sea (V. W = {(x. Aunque nuestro astuto ejecutivo. v.0. . Para determinar una coordenada hay que ser capaz de tener. y. v) ≤ d(u. . w) + d(w. w). BASES ORTOGONALES 135 (7) Determine una base ortogonal. u) d(u. (u. . (V. v) = d(v. v). encontr´ o la forma de determinar la coordenada que a ´el le interesaba. un espacio vectorial y W un subespacio del espacio vectorial V. la o las coordenadas del vector !!! As´ı que manos a la obra. v2 . h. . Sea V un K . respecto del producto interno usual. Considere el conjunto W⊥ = {u ∈ V | hu. v) ∈ V 2 ) (∀(u. v) ≥ 0 ∧ (b) d(u. d(u. d). v) = 0 ⇐⇒ u = v (∀(u. As´ı. v. kk) =⇒ (V. K).para el subespacio.base de V . i) =⇒ (V. v) ∈ V 2 ) (c) d(u. v). (u.espacio vectorial y α = {v1 . d) 3. . Bases ortogonales Motivaci´ on 3. no obstante hay todav´ıa un peque˜ no problema.3.1. wi = 0 ∀w. z. (W ≤ V). vn }. w ∈ W} • Demuestre que W⊥ es un subespacio de V • Demuestre que V = W ⊕ W⊥ entonces define para para u ∈ V y v ∈ V . h.

recuerde que son isomorfos.136 4. v1 i = a1 hv1 . Para cada v ∈ V existen u ´nicos escalares a1 . v2 i an´ alogamente Conclusi´ on 3. .0. v2 } una K . v1 i hv2 . an     ∈ MR (n × 1)  As´ı. v1 i Luego. ” Entonces parece natural que debamos analizar el efecto del producto interno (si es que lo hay) en el proceso de b´ usqueda de coordenadas. Es inmediato de observar que la ventaja del producto es que. v1 i + a2 hv2 . v2 i = 0 entonces podemos multiplicar ( 170) por v1 por ejemplo para obtener.2. ESPACIOS VECTORIALES CON PRODUCTO INTERNO e. v1 i = ha1 v1 + a2 v2 . v2 i hv. v2 i Finalmente ¿ Qu´e significa geom´etricamente el hecho hv1 .base de F2 entonces para v ∈ F2 existen u ´nicos a1 . v2 i = 0 ? Consideremos la figura 6 . ” Para conocer completamente un vector de V basta conocer sus ” Coordenadas respecto del Sistema de Informaci´ on α. an en K tales que (168) n X v = aj vj j=1 Equivalentemente (169)    [v]α =   a1 a2 . hv. v2 i = 0 =⇒ v = hv.e. . v1 i v1 + v2 hv1 .. . v1 i hv1 . . Estudiemos el problema en R2 ´ o en F2 . Sea α = {v1 . a1 = hv. e. v1 i = a1 hv1 . .e. permite implementar la preconcebida m´ axima ” multiplicate por cero ” la cual sin duda para bien ´ o para mal reduce en cualquier caso el problema. a2 . (171) hv1 . v1 i a2 = hv. lo expresado en ( 168) ´ o ( 169) es simplemente el ” Objetivo fundamental ” del algebra Lineal. v2 i hv2 . a2 en K tales que (170) v = a1 v1 + a2 v2 Supongamos adem´ as que hv1 .

vi = 0 Lema 3.q. y2 ) (x1 .3. y1 ) v1 v2 θ θ1 θ2 Figura 21 Entonces hv1 . Sea V un K . Notaci´ on: u ⊥ v ⇐⇒ hu. BASES ORTOGONALES 137 (x2 . u se dir´ a ortogonal a v si y s´ olo si hu.3.0.espacio Prehilbertiano y W un subespacio de V entonces (172) es un subespacio de V . Sea V un K . w ∈ W )} entonces (1) P. vi = 0.0. W ⊥ = {v ∈ V | hv. wi = 0 (∀w. v2 i = 0 ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ x1 x2 + y1 y2 = 0 l(v1 ) cos θ1 l(v2 ) cos θ2 + l(v1 ) sin θ1 l(v2 ) sin θ2 = 0 l(v1 )l(v2 ) cos(θ2 − θ1 ) = 0 l(v1 )l(v2 ) cos θ = 0 π ⇐⇒ θ = 2 ⇐⇒ v1 ⊥ v2 Definici´ on 3.espacio Prehilbertiano y considera u ∈ V y v ∈ V .4.d. 0v ∈ W ⊥ .

138

4. ESPACIOS VECTORIALES CON PRODUCTO INTERNO

En efecto
h0, wi = h0 + 0, wi = h0, wi + h0, wi (∀w; w ∈ W )
Luego,
h0, wi = h0, wi + h0, wi =⇒ h0, wi = 0

As´ı, 0v ∈ W ⊥
(2) P.d.q.

(∀w; w ∈ W )

u ∈ W ⊥ ∧ v ∈ W ⊥ =⇒ u + v ∈ W ⊥
En efecto
Sean u ∈ W ⊥ y v ∈ W ⊥ entonces
u ∈ W ⊥ ⇐⇒ hu, wi = 0 (∀w; w ∈ W )

(173)

v ∈ W ⊥ ⇐⇒ hv, wi = 0

(174)

(∀w; w ∈ W )

as´ı que
hu + v, wi = hu, wi + hv, wi (∀w; w ∈ W )
= 0+0
aplicar ( 173) y( 174)
Luego, u + v ∈ W ⊥
(3) P.d.q.
λ ∈ K ∧ v ∈ W ⊥ =⇒ λv ∈ W ⊥
En efecto
hλv, wi = λhv, wi (∀w; w ∈ W ⊥
= λ0
aplicar ( 174)
= 0

(175)
(176)
(177)
Luego, λv ∈ W ⊥

As´ı, W ⊥ es un subespacio de V .
Definici´
on 3.0.5.
W ⊥ ser´
a llamado ” Complemento Ortogonal ” de W en (V, h, i).
Ejemplo 3.0.6.
Sea W = {(x, y, z) ∈ R3 | x − y + z = 0} y consideremos el producto interno can´
onico en R3
entonces

3. BASES ORTOGONALES

139

(1)
w∈W

⇐⇒ w = (x, y, z) ∈ R3 ∧ x − y + z = 0
⇐⇒
⇐⇒
⇐⇒
⇐⇒

w
w
w
w

= (x, y, z) ∈ R3 ∧ z = −x − y
= (x, y, −x − y) ∧ [x ∈ R ∧ y ∈ R]
= x(1, 0, −1) + y(0, 1, −1) ∧ [x ∈ R ∧ y ∈ R]
∈ h{(1, 0, −1), (0, 1, −1)}i

Luego,
W = h{(1, 0, −1), (0, 1, −1)}i

(178)
(2) De ( 178), sigue que

W ⊥ = {v ∈ R3 | hv, (1, 0, −1)i = 0 ∧ hv, (0, 1, −1)i = 0}!!! ¿ Por qu´e ?
As´ı que,
v ∈ W ⊥ ⇐⇒ v ∈ R3 ∧ hv, wi = 0
3

(∀w; w ∈ W )

⇐⇒ v = (x, y, z) ∈ R ∧ [h(x, y, z), (1, 0, −1)i = 0 ∧
h(x, y, z), (0, 1, −1)i = 0]
⇐⇒ v = (x, y, z) ∈ R3 ∧ [x − z = 0 ∧ y − z = 0]

⇐⇒
⇐⇒
⇐⇒
⇐⇒

v
v
v
v

= (x, y, z) ∈ R3 ∧ x = y = z
= (x, x, x) ∧ x ∈ R
= x(1, 1, 1) ∧ x ∈ R
∈ h{(1, 1, 1)}i

As´ı,
W ⊥ = h{(1, 1, 1)}i
Lema 3.0.7.

Sea V un K-espacio Prehilbertiano y considera α = {v1 , v2 , . . . , vn } ⊂ (V − {0V }) entonces
vi ⊥ v j

i 6= j =⇒ α es un conjunto linealmente independiente en V

Prueba
P.d.q.
n
X
j=1

En efecto
Supongamos que

n
X
j=1

aj vj = 0

aj vj = 0 =⇒ aj = 0

(1 ≤ j ≤ n)

aj ∈ K; (1 ≤ j ≤ n) entonces como ahora podemos multiplicar,

140

4. ESPACIOS VECTORIALES CON PRODUCTO INTERNO

lo hacemos e.e.
n
X
0 = h
aj vj , vk i

(1 ≤ k ≤ n)

aj hvj , vk i

(1 ≤ k ≤ n)

=

j=1
n
X
j=1

= ak hvk , vk i

(recordar que vi ⊥ vj

i 6= j)

Finalmente,
vk 6= 0 ¿ por qu´e? =⇒ hvk , vk i =
6 0
As´ı, que ak = 0
en V .

(1 ≤ k ≤ n). Lo que muestra que α es un conjunto linealmente independiente

Definici´
on 3.0.8.

Sea V un K-espacio Prehilbertiano y considera α = {v1 , v2 , . . . , vn } ⊂ V entonces α ser´
a llamada
una ” Base Ortogonal ” si
(1) α es una base de V
(2) Si j 6= k entonces hvj , vk i = 0

(vj ⊥ vk )

Ejemplo 3.0.9.

(1) sea α = c(n) la base can´
onica de Cn y h, i el producto interno can´
onico entonces.
hei , ej i =

(

1:
0:

i=j
i 6= j

(2) Sea V = h{1, sin x, cos x, sin 2x, cos 2x, . . . , sin nx, cos nx}i y define en V el producto interno:

hf, gi =

(179)

Z

π

f (t)g(t) dt

−π

entonces α = {1, sin x, cos x, sin 2x, cos 2x, . . . , sin nx, cos nx} es una base ortogonal de
V , respecto de ( 179)
En efecto

3. BASES ORTOGONALES

hsin kt, cos sti =
=

Z

141

π

sin kt cos st dt

−π

1
2

Z

1
= −
2
= 0

k 6= s

π

−π 

[sin(k + s)t + sin(k − s)t] dt
1
1
cos(k + s)t | π−π +
cos(k − s)t | π−π
k+s
k−s 

Usando t´ecnicas de transformaci´
on de a
´ngulos analoga a la desarrollada encima
obtenemos.
hsin kt, sin sti = 0
hcos kt, cos sti = 0

k 6= s
k 6= s

Observaci´
on 3.0.10.
Sea V un K-espacio vectorial Prehilbertiano y α = {v1 , v2 , . . . , vn } una base ortogonal de V .
(1) Sea v ∈ V , como α es base de V entonces existen n-escalares (en K), digamos a1 , a2 , . . . an ,
n
X
aj vj .
tales que v =
j=1

Entonces

hv, vk i =
=

* n
X

aj vj , vk

j=1
n
X
j=1

aj hvj , vk i

= ak hvk , vk i

+

(1 ≤ k ≤ n)
(1 ≤ k ≤ n)

(1 ≤ k ≤ n)

As´ı, tenemos la ecuaci´
on fundamental.
ak =

(180)
e.e.

hv, vk i
hv, vk i
=
hvk , vk i
kvk k2

 
hv, v1 i
 hv1 , v1 i  
 

 

 hv, v i  
 

2
 
= 
 hv2 , v2 i  = 
 

..
 

.
 

 hv, v i  
n
hvn , vn i

(181)

[v]α

(1 ≤ k ≤ n)

hv, v1 i
kv1 k2 


hv, v2 i 


kv2 k2 

..

.

hv, vn i 
kvn k2

. . . vk i kvk k2 (1 ≤ k ≤ n) Ser´ a llamado ”El k-´esimo coeficiente de Fourier” del vector v. vk i hv. vn } una base ortogonal de V y v ∈ V entonces ak = (182) hv. vk i = hvk . . . en el siguiente sentido: Sean v ∈ V ∧ u ∈ V entonces . (1) Para cada v ∈ V su k-´esima coordenada en un espacio Prehilbertiano ser´ a llamada k-´esimo coeficiente de Fourier. v2′ . definido por la ecuaci´ on: (183) ak = hv.0. . . . . . α ser´ a llamada una base ortonormal de V si y s´ olo si: (1) α es una base de V ( 1: i=j (2) hvi .142 4. v2 . . obtenemos una nueva base α′ = {v1′ . . .11. v2 . v2′ .12. .0. . . vn′ } tal que vs′ = kvs k ( 1: i=j ′ ′ hvi . . . vj i = 0 : i 6= j Conclusi´ on 3. . . vk i = hvk . vk i hv.0. . . . vk′ i (1 ≤ k ≤ n) (3) Sea α = {v1 . ESPACIOS VECTORIALES CON PRODUCTO INTERNO (2) Sea v ∈ V − {0} entonces (a) kvk = 6 0 (b) v ′ = v =⇒ kv ′ k = 1 kvk (3) Sea α = {v1 . vk i kvk k2 (1 ≤ k ≤ n) (2) Si α = {v1 .13. vn′ } que es una base ortonormal de V y (184) ak = hv. vn } ⊂ V . . vn } es una base ortogonal de V entonces dividiendo cada vector de α por su norma (normalizando). . . vn } una base ortogonal de V entonces vs (1 ≤ s ≤ n) es una base de V tal que α′ = {v1′ . Definici´ on 3. v2 . Sea α = {v1 . v2 . vn } una base ortonormal de V entonces el producto interno se ” canoniza ”. v2 . . vj i = 0 : i 6= j Definici´ on 3. Sea α = {v1 . .

3. (185) v2 = v2′ + av1 Lamentablemente. v1 i = hv2′ . vk ivk 143 + hv. pero. vk ihvj . BASES ORTOGONALES * n X hv. es decir en la misi´ on de determinar las coordenadas (coeficientes de Fourier) de los elementos del espacio vectorial. v2 = v2′ + av1 =⇒ hv2 . observen lo siguiente. v1 i =⇒ a = hv1 . vj ihu. v1 i hv2 . consideremos la siguiente situaci´ on geom´etrica. vk i hv.? Para responder las preguntas planteadas encima. as´ı que podemos suponer sin p´erdida de generalidad que los vectores son como en la Figura v2′ v2 av1 v1 Figura 22 Entonces. ui = hv. v1 i . salvo por un detalle. ( 185) es una ecuaci´ on que liga tres datos y s´ olo conocemos uno !!!. j=1 n n XX = j=1 k=1 n X = j=1 n X k=1 hu. pues. v1 i + hav1 . vj ihu. se muestran como insuperables en su trabajo. vj i (4) Las bases ortonormales (ortogonales). Sean v1 ∈ V y v2 ∈ V tal que hv1 . sabemos que v1 6⊥ v2 . si existen. ¿ existen en abundancia ?. no todo est´ a perdido. v2 i = 6 0 entonces de acuerdo a la figura 6. ¿ son f´ aciles de ubicar. ¿ existen ?. vj ivj . v1 i = ahv1 . v1 i =⇒ hv2 .

vj−1 i v ′ − · · · − hvj . . . vj′ ′ hvj . . (Ortogonalizaci´ on de Gram-Schmidt) Sea V un K-espacio vectorial Prehilbertiano y α = {v1 . Supongamos que vj′ es construido para (2 ≤ j ≤ n − 1) satisfaciendo ( 187). . vj′ i − = 0 n−1 X i=1 ′ hvn . vn−i i ′ hvn−i . tenemos lo siguiente: hv2 . v2 } base de V ⇓ α′ = {v1 . . v1′ i ′ Sea vn′ = vn − v − · · · − v entonces j−1 ′ kvj−1 kv1′ k2 1 k2 hvn′ . . v1′ i ′ = vj − v − · · · − v j−1 ′ kvj−1 k2 kv1′ k2 1 (2 ≤ j ≤ n − 1) y {v1 . ESPACIOS VECTORIALES CON PRODUCTO INTERNO Finalmente v2′ = v2 − (186) Luego. donde los vi′ satisfacen la siguiente ecuaci´ on vectorial. v i kvj′ k2 j j + . v2′ } es una base ortogonal de V As´ı. v1 i α = {v1 . vn } una base V entonces α′ = {v1′ . . vn′ } es una base ortogonal.14. . vj′ i = * ′ hvn . vj−1 i ′ hvn .144 4. . v1 i v1 hv1 . v1′ i ′ ′ v − · · · − v . . v2′ . v2 } base de V =⇒ α′ = {v1 . v2 .v vn − j−1 ′ k2 kvj−1 kv1′ k2 1 j = hvn . v2 . vj′ i ′ ′ hv . 2 base ortonormal de V α′′ = kv1 k kv2′ k La conclusi´ on anterior puede ser generalizada en el siguiente. vn−1 } es un conjunto ortogonal. . vj−1 i ′ hvn . podemos resumir como sigue: α = {v1 . v1 i v ′ : j j−1 j ′ ′ kvj−1 k2 kv1 k2 1  v ′ = v 1 1 (187) En efecto (2 ≤ j ≤ n) De ( 186) sigue que el resultado vale para n=2 e. vj′ i − = hvn . ′ hvn .0. vj−1 i ′ hvj . vj′ i ′ 2 kvn−i k hvn . .e. Teorema 3.  ′ ′  v ′ = v − hvj . v2′ } base ortogonal de V  ⇓  ′ v v 1 .

vj i j=1 kvj k2 vj (2) ” La sombra de la sombra es la sombra. . as´ı que como α es una base ortogonal tenemos para v la representaci´ on. vk s kvj k2 X j=1 = vk kvk k2 k=1 = s X s X hv. Sean V un K-espacio vectorial Prehilbertiano.´ ORTOGONAL 4. En efecto   s X hv. PROYECCION 145 Lo que demuestra el teorema. v W PW (v) Figura 23 Supongamos que α = {v1 . v2 . . vk i kvk k2 = PW (v) vk vk . vs }. vj i j=1 kvj k2 kvk k2 k=1 = s X hv. W ≤ V y v ∈ V un vector arbitrario. 4. es una base ortogonal de V entonces (1) La ” Proyecci´ on (sombra) de v en W .”.0. (188) PW (v) = s X hv.15. como en la figura. . v i j (PW ◦ PW )(v) = PW  vj  kvj k2 j=1 * s + X hv. vj i vj . . vk i k=1 hvj . PW (v) ” es un elemento de W . Proyecci´ on Ortogonal Motivaci´ on 4.

18. quisiera concluir esta secci´ on con algunas reflexiones seg´ un mi parecer de importancia capital.146 4.0.(no pierda la oportunidad de lucirse prob´ andolas) las siguientes propiedades: (i) d(v. la distancia obtenida hereda naturalmente.0. vj i − hvk . W ) = 0 ⇐⇒ v ∈ W Conclusi´ on 4. vj i kvk k2 k=1 = hv. d(v) ∈ W ⊥ Definici´ on 4. vj i s X hv. Pues su ” arquitectura ” consiste apenas de un par de ejes perpendiculares y todas las traslaciones son inducidas justamente de esa forma. vj i − hv.16. W ≤ V y v ∈ V un vector arbitrario entonces llamaremos distancia de v a W al n´ umero. Con las propiedades obtenidas para la proyecci´ on ortogonal.17. Sean V un K-espacio vectorial Prehilbertiano. . vj i = hv − PW (v). vj i = 0 Luego. vk i = hv. W ) = 0 ⇐⇒ PW (v) = v (ii) PW (v) = v ⇐⇒ v ∈ W (iii) d(v. W ) ≥ 0 ∧ d(v. vj i (1 ≤ j ≤ s) = hv. ESPACIOS VECTORIALES CON PRODUCTO INTERNO (3) l(d(v)) = kv − PW (v)k En efecto v = d(v) + PW (v) =⇒ l(d(v)) = l(v − PW (v)) = kv − PW (v)k (4) d(v) ∈ W ⊥ En efecto hd(v). W ) = kv − PW (v)k Observaci´ on 4. saludables para la comprensi´ on de lo expuesto. (189) d(v.0. Antes de plantear algunos ejercicios. Reflexi´ on 1 El modelamiento en el plano cartesiano usual (R2 ) es f´ acil de hacer y de entender. vj i − hPW (v).

. agregando vectores linealmente independientes a los . 1) Reflexi´ on 2 La simpleza de R2 radica en la posibilidad de construir la siguiente figura.´ ORTOGONAL 4. Ortogonal Figura 25 As´ı que quien simule esa ecuaci´ on geom´etrica es un R2 en potencia. . 0) + y(0. y) Eje x Proyec. y) v (0. ws } una base ortogonal de W entonces calculamos W ⊥ . (Eje x)⊥ (x. Reflexi´ on 3 Sea V un K espacio vectorial de dimensi´ on n. . w2 . y) = x(1. PROYECCION 147 (x. . usando el teorema de completamiento de base o mejor. 0) Figura 24 En fin. como sigue: • Completamos α hasta obtener una base de V . y) v (0. todo el mundo entiende la expresi´ on geom´etrica expuesta encima y por si fuera poco tambi´en la te´ orica: (190) (x. 0) d(x. Si V posee un producto interno entonces V ” emula ” K2 En efecto El algoritmo de simulaci´ on es el siguiente: Etapa 1: Sea W un subespacio de V y α = {w1 .

wn⊥ }i = W ⊥ Etapa 3: Finalmente (193) V =W M W⊥ En realidad falta mostrar que W ∩ W ⊥ = {0V } (¿ por qu´e ?). ws . . . . . . vs+1 . . . as´ Luego. . . wi = 0 (∀w. wi i i=1 ||wi ||2 wi i hwj⊥ . wi i i=1 ||wi ||2 wi tenemos que hwj⊥ . para cualquier w = s X hw. . s + 2. . . . s hasta llegar a la la dimensi´ on n de V . . n hwi⊥ . ws+1 . digamos β = {w1 . . vi = 0 Etapa final La maravillosa visi´ on geom´etrica ser´ıa: . . wi = hwj⊥ . w ∈ W ) v ∈ W ∧ hv. .148 4. . (192) As´ı que. ws . . wj i = 0 si j = 1. . w2 . 2 . . w ⊥ } ⊂ W ⊥ . . . {ws+1 ı que por construcci´ on n ⊥ h{ws+1 . = s X hw. . ESPACIOS VECTORIALES CON PRODUCTO INTERNO wi con i = 1. . . . . . . wi i = 0 ⊥ . . vn } • Usando el proceso de Gram Schmidt ortogonalizamos β y obtenemos ⊥ α′ = {w1 . . wi i i=1 ||wi ||2 s X hw. . Pero eso es claro pues: v ∈ W ∩ W⊥ ⇐⇒ ⇐⇒ ⇐⇒ ⇐⇒ v = 0V v ∈ W ∧ v ∈ W⊥ v ∈ W ∧ hv. wn⊥ } (191) Etapa 2: De la propia construcci´ on de α′ en ( 191). .sigue que vale la ecuaci´ on ( i = s + 1. w2 . .

(1) En R2 × R2 .1. 1). determine una base ortogonal α′ . respecto del producto interno definido en la pregunta 1.´ ORTOGONAL 4. Ejercicios Propuestos. 1)} de R2 . t) ∈ R4 | 2x + y + z − t = 0} entonces usando el producto interno usual. (0. respecto del producto interno definido en la pregunta 1. 0). (4) Determine una base ortogonal. y.para el subespacio. 2). (b) A partir de la base α. z) ∈ R3 | x + y + z = 0} (5) Si W = {(x. W ) (c) Demuestre que R3 = W ⊕ W ⊥ (6) Si W = {(x. respecto del producto interno usual. (c) A partir de la base α. (2. x2 ). determine una base ortogonal α′ . 1. y. y2 )) = 2x1 y1 + x1 y2 + x2 y1 + x2 y2 Demuestre que f es un producto interno. (2) a partir de la base can´ onica c(2) = {(1. z) ∈ R3 | x + y + z = 0} entonces usando el producto interno usual. 1)} ⊂ R2 (a) Demuestre que α es una base de R2 . PROYECCION 149 W⊥ v = w + w⊥ W Figura 26 4. W = {(x. z. y. (a) Determine W ⊥ (b) Calcule d((1. (y1 . (a) Determine W ⊥ . respecto del producto interno usual. (3) Sea α = {(1. determine una base ortogonal ′ c(2) . define la funci´ on: f ((x1 .

se llama “espacio muestral”del suceso F . s2 . sin nx. . 3. si f (x) = x (9) En MR (2) define el producto. Consideremos un fen´ omeno o suceso F tal que: (1) Si F tiene s1 . W ) (d) Si A = 1 1 5. gi = (194) f (x)g(x) dx −π (a) Demuestre que ( 194). t. . π] (b) Demuestre que f (n) = {1. 0. W ). −6). cos 2x. (c) Determine PW   1 1 entonces calcule d(A. sin nx. Define el producto. sin 3x. . W ) (c) Demuestre que R4 = W ⊕ W ⊥ (8) En el espacio de funciones C[−π. sin 3x. (c) Si W (n) = h{1. . π]. . sn } y ( 196). es un producto interno en MR (2). . . s2 . . y. cos 2x. es un producto interno en C[−π. .1. (b) Si W = {A ∈ MR (2) | A = At } entonces determine una base ortogonal de W. sin x. . π] 7−→ R | f continua}. cos x. ESPACIOS VECTORIALES CON PRODUCTO INTERNO (b) Calcule d((1. hA. introduccion. . cos 3x. (a) Determine W ⊥ (b) Calcule d((2. cos nx}i calcule: (i) PW (f ) si f (x) = x pi < x < π ( 1 : si pi < x < 0 (ii) PW (f ) si f (x) = −1 : si 0 < x < π (iii) d(f. 1. .150 4. π] = {f : [−π. Aplicaciones a la Estad´ıstica 5. 2. sin 2x. . . Bi = tr(B t · A) (195) (a) Demuestre que ( 195). . z) ∈ R4 | x − y = 0 ∧ 2t + z = 0} entonces usando el producto interno usual. sin 2x. . . Z π hf. cos 3x. W ) (c) Demuestre que R4 = W ⊕ W ⊥ (7) Si W = {(x. respecto del producto definido en ( 195). cos nx} es un conjunto ortogonal en C[−π. sin x. sn posibilidades distintas de ocurrir entonces construimos el conjunto: (196) S(F ) = {s1 . 0). cos x.

1. .cara). para cada i = 1.4. 10). x2 . n entonces el vector (198) x(F ) = (x1 . . 2. 2 2 Ejemplo 5. xn ) se llama “variable aleatoria”. 2 2 (c) x(F. . Si F representa “el lanzamiento de una moneda”.(cara. Ejemplo 5. Si dos personas A y B en ( 2).1. p2 . pn ) y ( 197) se llama “vector de probabilidad”del suceso F Ejemplo 5. variable aleatoria del punto de vista de A (d) x(F. deciden hacer la apuesta: • Si despu´es del lanzamiento de la moneda sale cara A gana $10 • Si despu´es del lanzamiento de la moneda sale sello B gana $10 entonces (a) S(F ) = {cara. A) = (10.3.sello)}   1 1 1 . 2. . A) = (−10. como sigue: • Si salen dos caras A gana $10 . para i = 1.5. −10). . Si las mismas personas A y B deciden hacer la apuesta en ( 2). entonces (a) S(F ) = {(cara. APLICACIONES A LA ESTAD´ISTICA 151 (2) Si cada si posee una probalidad de ocurrencia pi .1.1. .sello). . . . . . . . entonces (a) S(F ) = {cara. .sello}   1 1 (b) p(F ) = .1. variable aleatoria del punto de vista de B Ejemplo 5. (b) p(F ) = 4 4 2 (3) Si adem´ as a cada elemento si del espacio muestral asociamos un valor “xi ”. .(sello. n entonces llamamos (197) p(F ) = (p1 .sello}   1 1 (b) p(F ) = .2. . Si F representa “el lanzamiento de dos monedas”. asociada al espacio muestral del suceso F . .

. p v[x(F )] Sea u = (u1 . . . . Un producto interno “estad´ıstico”.152 4. n X i=1 ui · xi · yi Si F es un evento entonces (1) x ¯(F ) = hx(F ). sn }. . . x2 . . B) = (−10. x(F ) − x ¯(F )(1.2. un ) ∈ Rn un vector fijo entonces define el producto interno: h(x1 . −7. . .1. vector de probabilidad y variable aleatoria de un evento F entonces llamaremos (a) “valor medio o esperado”de x(F ) a: x ¯(F ) = p1 x1 + p2 x2 + p3 x3 + · · · + pn xn (199) (b) “varianza”de x(F ) a: (200) v[x(F )] = p1 (x1 − x ¯(F ))2 + p2 (x2 − x ¯(F ))2 + · · · + pn (xn − x ¯(F ))2 (c) “desviaci´ on standar”de x(F ) a: (201) d[x(F )] = 5. . . 1)ip(F ) (3) d[x(F )] = kx(F ) − x ¯(F )(1. . 1)ip(F ) (2) v[x(F )] = hx(F ) − x ¯(F )(1. ESPACIOS VECTORIALES CON PRODUCTO INTERNO • Si salen dos sellos A gana $7 • Si salen una cara y un sello B gana $7 entonces la situaci´ on es la siguiente: (a) S(F ) = {(cara. (y1 . . . xn ) corresponden al espacio muestral. . 1). .2. . u2 . . yn )iu = (202) Lema 5. y2 . 1. 1)k En efecto Para probar 1 hacemos: . . . . . . .sello). . . . 7) (4) Si s(F ) = {s1 . 1. . . p(F ) = (p1 . 7.sello)}   1 1 1 (b) p(F ) = . 1. pn ) y x(F ) = (x1 . . . . . A) = (10.(cara. −7) (d) x(F. x2 . . p2 . (1. . . .cara). . 4 4 2 (c) x(F.(sello. xn ). . . s2 . 1. .

. . variable aleatoria del punto de vista de A • x(F. sello}   1 1 • p(F ) = . .5. 10). 1). 1)ip(F ) = n X i=1 pi (xi − x ¯(F ))2 verificar en ( 200) Para probar 3. . (1. . hacemos: hx(F ) − x ¯(F )(1. −10). . . x ¯(F. . 1. . x(F ) − x ¯(F )(1. xn − x ¯(F ))k v u n uX = t pi (xi − x ¯(F ))2 i=1 p v[x(F )] = verificar en ( 201) Ejemplo 5. A) = (10. A) = h(10. . 1)k = k(x1 − x ¯(F ). A) = (−10.2. 1. 1)ip(F ) = = n X i=1 n X i=1 153 pi · xi · 1 pi · xi = x ¯(F ) verificar en ( 199) Para probar 2. . 2 2 • x(F. x2 − x ¯(F ) . . variable aleatoria del punto de vista de B Luego. . 1. . . 1. . tenemos la informaci´ on: • s(F ) = { cara. Para el suceso relatado en 2. . (1. (1. 10). 1)i 1 1 · 10 · 1 + · (−10) · 1 = 2 2 = 0 x ¯(F. .2. −10). hacemos: kx(F ) − x ¯(F )(1. APLICACIONES A LA ESTAD´ISTICA hx(F ). . B) = h(−10. 1)i 1 1 · (−10) · 1 + · 10 · 1 = 2 2 = 0 .

. 1. . A) = npi xi • x ¯(F. (y1 − x ¯(F. B)(1. A) − x ¯(F. B)) (3) El conjunto (203) C = {(x1 − x ¯(F. B). dos variables aleatorias. . A) y x(F. A)(1. s2 . A). . as´ı que tenemos dos casos: • Caso 1. . xn − x ¯(F. A)) x(F. 1) = (x1 − x ¯(F. . λ ∈ R − {0} tal que: x(F. A)] = k(10. . . B) = i=1 X npi yi i=1 (2) Podemos construir los vectores asociados: x(F. • p(F ) = {p1 . xn ) y x(F. B).154 4. A) . A). . B). y2 . . . 10)k r 1 1 (−10)2 + 102 = 2 2 = 10 5. A)). . . . ESPACIOS VECTORIALES CON PRODUCTO INTERNO d[x(F. Luego existe. 1) = (y1 − x ¯(F. . . . digamos x(F. yn − x ¯(F. A) = (x1 . 1.3. . yn ). . Supongamos que es posible asociar a dos comportamientos de F . . sn } es su espacio muestral. . B) − x ¯(F. . . B)] = k(−10. . A). . es decir: • s(F ) = {s1 . B) = λx(F. . pn } es su vector probablidad. B). Correlaci´ on. −10)k r 1 2 1 = 10 + (−10)2 2 2 = 10 d[x(F. . . . y2 − x ¯(F. . xn − x ¯(F. p2 . . B))} es linealmente independiente o linealmente dependiente . . . x2 − x ¯(F. yn − x ¯(F. . Ahora queremos estudiar las posibles relaciones entre x(F. Sea F un evento n-dimensional. . (1) Tenemos en primer lugar un valor esperado para cada caso: X • x ¯(F. . x2 . B) = (y1 . . C es Linealmente dependiente. . . .

x(F. seg´ un la tabla: . A)kkx(F. B) est´ an relacionados o uno es dependiente. x(F. A)kkλx(F. A). A) y x(F. r(x(F. x(F. A)k = λhx(F. A). B)) = (205) hx(F. x(F. B)) = = hx(F. x(F. B)) 2 pi (xi − x ¯(F. A). A)kkx(F. A). B) Definici´ on 5.3. B)k Es decir. APLICACIONES A LA ESTAD´ISTICA 155 Es decir. A))(yi − x ¯(F.2. A). A)k = λkx(F. A)i |λ|kx(F. λx(F. A). B)i kx(F. Luego no existe relaci´ on entre x(F. A)kkx(F. A)kkx(F. B)i kx(F. B) a r(x(F. A)kkx(F. prueba1 y prueba2.5. x(F. A)i kx(F. A)) · n X i=1 #1 2 2 pi (yi − x ¯(F. Ahora hx(F. B)k cos θ = = hx(F. B)i kx(F. A). B)k " n X i=1 n X i=1 pi (xi − x ¯(F.3. x(F.1. A) y x(F.   0 θ = o´   π (204) • Caso 2 C es Linealmente independiente. A) y x(F. Consideremos un grupo de 10 atletas de los cuales conocemos sus registros de 1 a 10 en dos pruebas. Llamaremos “coeficiente de correlaci´ on”de x(F. B)) Ejemplo 5. A)k2 |λ|kx(F. A)k λ |λ| ( = 1 : si λ > 0 −1 : si λ < 0 = Luego.

6. . 8. 9. 8.4) . . 7. . 6. −0. 9. 3. 7. 2. . p1 ) = (210) • De ( 207) y ( 209). para i = 1. 5. . 7) Ahora. 4. . tenemos que (212) x(F. tenemos que 1 · 56 10 = 5.6. 9.156 4. 1. p1 )(1.. 3. 10 10 10 10 (3) Si notamos prueba i=pi .4. p1 ) − x ¯(F.6 x ¯(F. 7. 1.6. p2 ) = (211) • De ( 208) y ( 210). 1) = (−3. p1 ) = (2. 3. . . tenemos que 1 · 55 10 = 5. 5. 10} (2) El vector probabilidad es: (207) p(F ) =  1 1 1 1 . 7. 9) (209) x(F. 7. p2 ) = (1.. 5.. 2 entonces  (208) x(F. 3. ESPACIOS VECTORIALES CON PRODUCTO INTERNO 1 2 3 4 5 6 7 8 9 10 atleta prueba 1 2 8 5 7 7 5 3 1 9 9 prueba 2 1 9 7 2 7 4 6 3 9 7 registro Figura 27 Estudiemos la correlaci´ on entre el rendimiento de los atletas en ambas pruebas: (1) El espacio muestral ser´ a: (206) s(F ) = {1.. 2. 2. 9. comenzamos a calcular: • De ( 207) y ( 208). . 4. .5 x ¯(F.

. p2 )(1. anm        =    b1 b2 . ( 215). tenemos que x(F. an2 + a1m xm + a2m xm . . .. x(F. .  y B =  xm  b1 . (⋆) tiene soluci´ on si y s´ olo si B pertenece al espacio generado por las columnas de A. = b1 = b2 . p2 )(1. .0. 1.. p2 )(1. 1. ...2 • Finalmente de ( 214). 1. p1 ). . En efecto A · X = B ⇐⇒ a11 x1 a21 x1 . 1)i ≈ 4. p2 ) − x ¯(F... . p1 ) − x ¯(F. Teorema 6.. 1. .5. . .. . x(F.     + xm   a1m a2m .9 (215) kx(F.5) (213) • Adem´ as. . p2 ) − x ¯(F. . p1 )(1. 3.67 (217) 6. 1) = (−4. de ( 212) y ( 213) tenemos que (214) hx(F. an1 x1 + an2 x2 + .. .. .5. ⇐⇒    x1   a11 a21 . . p2 ) − x ¯(F.. ..6. . . . M´ınimos cuadrados y sistemas de ecuaciones Consideremos un sistema lineal de orden (n × m) (218) donde A = (aij ) ∈ MR (n × m) A·X =B (⋆)    x1    X =  . 1. 1)k ≈ 7. + . + a12 x2 + a22 x2 . . obtenemos que: r(x(F. . .  bn (⋆) tiene soluci´ on si y s´ olo si rango (A)=rango (Aa ).. .5. 1). donde Aa representa la matriz ampliada asociada al sistema (⋆). . . . p1 ) − x ¯(F. . . 1)k ≈ 7...  entonces sabemos que . p2 )) ≈ 0. 1. . . p1 )(1. + anm xm = bn     + . + . 1. an1        + x2    a12 a22 . M´INIMOS CUADRADOS Y SISTEMAS DE ECUACIONES 157 • De ( 209) y ( 211). .4 (216) kx(F.3. . ( 216). . .. bn      .. .

aplicando nuevamente el teorema ( 6) existe X b = PΩ(A) (B) A·X y la distancia d(B. de la forma: col(A)j entonces    =   a1j a2j .   +         Observaci´ on 6...0.. anm As´ı Ω(A). (220) b col(A)tj · B − col(A)tj A · X (1 ≤ j ≤ m) (1 ≤ j ≤ m) (1 ≤ j ≤ m) b B − PΩ(A) (B) ∈ Ω(A)⊥ ⇐⇒ At · B = At A · X .   .. (3) Luego. no tiene soluci´ on: (1) Del teorema ( 6). ESPACIOS VECTORIALES CON PRODUCTO INTERNO Del resultado obtenido encima. Supongamos que el sistema lineal ( 218). sigue que B∈ / Ω(A) (2) Si PΩ(A) (B) representa la proyecci´ on ortogonal de B en Ω(A) entonces PΩ(A) (B) ∈ Ω(A) (219) b ∈ MR (m × 1) tal que y luego.158 4.. Ω(A) = kB − PΩ(A) (B)k.4. anj    . representara el subespacio generado por las columnas de la matriz A. .   a1m a2m . .   a12 a22 .  col(A)j . an2       ..    a n1       . B − PΩ(A) (B) = 0 (1 ≤ j ≤ m) (1 ≤ j ≤ m) Equivalentemente 0 = col(A)tj · [B − PΩ(A) (B)] = col(A)tj · B − col(A)tj · PΩ(A) (B) ( 219) = Luego. B − PΩ(A) (B) ∈ Ω(A)⊥ y si notamos las columnas de A. es m´ınima. . sigue que  a11  *   a21  (⋆) tiene soluci´ on ⇐⇒ B ∈ Ω(A) =  ...

0. (pues las columnas de A son linealmente independientes) Ejemplo 6.6.5.0.0.6. (donde ρ(A) es el rango de la matriz A) entonces At · A es invertible y el sistema lineal asociado a la matriz A. (1) Resolvamos el sistema lineal (222) x 2x −x −2x + 4y − 5z = + y − z = + 2y − 3z = + 4y − 6z = 3 2 1 7 . A · Xi = (0) =⇒ A · X = (0) =⇒ x1 · col(A)1 + x2 · col(A)2 + · · · + xn · col(A)n = (0) =⇒ X = (0).7. tiene una u ´nica soluci´ on por m´ınimos cuadrados dada por: b = (At · A)−1 At B X En efecto At · A invertible ⇐⇒ ker(At · A) = {(0)} ⇐⇒ At · A · X = (0) =⇒ X = (0) entonces At · A · X = (0) =⇒ X t · At · A · X = (0) =⇒ (A · X)t · A · X = (0) =⇒ hA · X. M´INIMOS CUADRADOS Y SISTEMAS DE ECUACIONES 159 Definici´ on 6. como ⋆ entonces cualquier soluci´ on de la ecuaci´ on matricial b At · B = At A · X (221) ser´ a llamada una soluci´ on por m´ınimos cuadrados de (⋆) Teorema 6. Si ρ(A) = m. Sea A ∈ MR (n × m). Dado un sistema lineal de orden (n × m).

escalonando la matriz A por filas:  1  2   −1 −2 −5 −1 −3 −6 4 1 2 4  3 2   1  7 (L4 −→ L4 − 2L3 )  (L2 −→ L2 − 2L1 ) (L3 −→ L3 + L1 ) (L4 −→ L2 + 2L1 )  1 4 −5 3  0 −7 9 −4     0 6 −8 4  0 0 0 5   1 4 −5 3  0 −7 9 −4     0 6 −8 4  0 12 −16 13 Luego.  3 1 2 −1 −2  2   1 2 4 · At · B =  4  1  −5 −1 −3 −6 7   −8 =  44  −62    As´ı que debemos resolver el sistema (224)       10 −4 8 x1 −8  −4 37 −51  ·  x2  =  44  8 −51 47 x3 −62 . tiene soluci´ on u ´nica. optaremos por la primera.  At · A =  1 2 4 1 −5 −1  10 −4 37 =  −4 8 −51   1 −1 −2  2 2 4 ·  −1 −3 −6 −2  8 −51  47 4 1 2 4  −5 −1   −3  −6 Ahora. Etapa 3. ( 222) se escribe matricialmente como sigue  1  2   −1 −2 | (223)    −5   3 x   −1    2   y =    −3 1  z −6 | {z } 7 } X | {z } 4 1 2 4 {z A B Etapa 2. ESPACIOS VECTORIALES CON PRODUCTO INTERNO Etapa 1.0. De acuerdo al teorema ( 6.6). As´ı que una alternativa es escalonar para aplicar el teorema del rango o bien calcular (At · A)−1 . ρ(A) = 3 y ρ(Aa ) = 4. Calculamos ρ(A). At · A es invertible y la ecuaci´ on At · A · X = At · B. as´ı que por una parte ρ(A) es m´ aximo y por otra el sistema ( 222) no tiene soluci´ on.160 4.

b2 ).36936168  −4 37 −51 44  ≈  0 1 0 1. Recta de m´ın´ımos cuadrados. escalonando su matriz ampliada correspondiente:     10 −4 8 −8 1 0 0 0. la llamaremos “recta de m´ınimos cuadrados ”. Consideremos una coleci´ on finita de puntos del plano. b1 ). y recta de m´ınimos cuadrados n• d5 d2 d1 (• d3 n d 4 ( • • ( • x Figura 28 Si suponemos que la ecuaci´ on de la recta de m´ınimos cuadrados es dada por al ecuaci´ on: (227) (RM C) : y = m1 x + m0 .31037985  8 −51 47 −62 0 0 1 0.11689171 As´ı que la soluci´ on por m´ınimos cuadrados es: (225)   0.1. bn )} tal que ai 6= aj para alg´ un i y para alg´ un j. digamos (226) ¶ = {(a1 . (1 ≤ i ≤ n) y (1 ≤ j ≤ n) entonces la recta “que mejor se ajuste ”a la colecci´ on de puntos ( 226).11689171 6. M´INIMOS CUADRADOS Y SISTEMAS DE ECUACIONES 161 Etapa 4.6.36936168 b =  1. (an . . .31037985  X 0. Debemos finalmente resolver ( 224). (a2 . . .

b = (At A)−1 At B dada por X (2) Como D = B − A · X entonces D.  X an 1 dn {z } | {z } A D (1) como ai 6= aj ..5 8. di 6= 0 ⇐⇒ (ai .5 5.162 4.6 7.  . tenemos las ecuaci´ on b´ asica (EB) (EB) : (1 ≤ i ≤ n) bi = m1 ai + m0 + di donde.  | {z }  . . para alg´ un i y para alg´ un j entonces ρ(A) = 2 y entonces del teorema ( 6...         =       bn | {z } Finalmente.1.7 6.7 9. En la fabricaci´ on de un producto qu´ımico Q. bi ) 6∈ (RM C) ver Figura encima As´ı que. B |    a1 1 d1  a2 1      d2  m    1 a3 1  +  d3   .0. ESPACIOS VECTORIALES CON PRODUCTO INTERNO entonces a partir de ( 227).5 9. se detecta que la cantidad de un compuesto qu´ımico p. presente y usada respectivamente.7 8. . seg´ un la tabla: c ocupada 3 4 5 6 7 8 9 10 11 12 (229) p existente 4.6). bn = m1 an + m0 + dn Equivalentemente        (228) b1 b2 b3 . Al producir un litro de Q. .0 7..7 .  m0 . sigue que el sistema A·X = B tiene una soluci´ on u ´nica por m´ınimos cuadrados.. es controlada por la cantidad del producto qu´ımico c utilizado en el proceso.5 5. se detectaron las cantidades de p y c. representa la menor magnitud posible Ejemplo 6.1. tenemos el sistema de ecuaciones: b1 = m1 a1 + m0 + d1 b2 = m1 a2 + m0 + d2 b3 = m1 a3 + m0 + d3 . .

6. M´INIMOS CUADRADOS Y SISTEMAS DE ECUACIONES 163 Suponga que p y c est´ an relacionados por una “ecuaci´ on lineal ”.6 73.5 9.7 9.7 {z B   } |                =                3 1 4 1 5 1 6 1 7 1 8 1 9 1 10 1 11 1 12 1 {z A          m1   m0  | {z }   X    } Etapa 2.6 7. At A =  645 75 75 10  At B =  598.4  .5 8.7 8.7 6. As´ı que debemos calcular At A y At B. El gr´ afico de la tabla es de la forma: 13 12 11 10 9 8 7 6 5 4 3 2 1 0 • • • • • • • • • • 0 1 2 3 4 5 6 7 8 9 10 11 12 13 Figura 29 (1) Determinemos la ecuaci´ on para la recta de m´ınimos cuadrados.5 5.5 5. Etapa 1. El sistema que corresponde es de la forma:                 | 4.0 7. Como el rango de A es 2 entonces hay soluci´ on u ´nica.

b1 ).583 2. b2 ). ESPACIOS VECTORIALES CON PRODUCTO INTERNO Luego la soluci´ on del sistema es dada por: X = =   m1 m0  0. . (an . .1. Consideremos nuevamente la coleci´ on ¶ en ( 226). bn )} Pero ahora.164 4.2. . es decir ¶ = {(a1 . supongamos que al menos m + 1 de los ai son distintos entonces podemos aproximar al conjunto ¶ por un polinomio de la forma: PMC : y= m X ci xi i=0 (m ≤ n + 1) La ecuaci´ on b´ asica en este caso es dada por: (230) bj = m X i=0 ci aij + dj (1 ≤ j ≤ n) .967  Luego la recta pedida es de la forma: p = 0. (a2 . .583c + 2.967 y su gr´ afico es de la forma: 13 12 11 10 9 8 7 6 5 4 3 2 1 0 • • • • • • • • • • 0 1 2 3 4 5 6 7 8 9 10 11 12 13 Figura 30 Observaci´ on 6.

.. A   am 1   am 2   ·   m an } | c0 c1 .. .      dn | {z } D Como existen al menos m + 1.      +   cm {z } X  d1 d2 . 1 an a2n {z . .       =    bn | {z } B  | 1 a1 a21 1 a2 a22 . . . (1) Ajustemos la siguiente tabla de datos x 0 1 2 (232) y 1. ai distintos entonces ρ(A) = m + 1 y del sistema ( 231) y del teorema ( 6. .1 por un polinomio cuadr´ atico q(x) = a + bx + cx2 Soluci´ on Etapa 1. Ejemplo 6..1.. bj ) ∈ / (P M C) A partir de ( 230).... . M´INIMOS CUADRADOS Y SISTEMAS DE ECUACIONES 165 y d 6= 0 ⇐⇒ (aj .. . . . . sigue que el sistema asociado A · X = B tiene un soluci´ on u ´nica de la forma t −1 t X = (A · A) · A · B.6.0. . El gr´ afico de los puntos es el siguiente: 2 1 • −2 −1 −1 • 1 2 −2 −3 Figura 31 • .3.. podemos construir el sistema de ecuaciones: (231)      b1 b2 .1 0. ..1 −3.6)...

  3 3 5 −1. Resolvemos el sistema At · A · X = At · B – Calculamos At · A y At · B     1 1 1 1 0 0 At · A =  0 1 2  ·  1 1 1  0 1 4 1 2 4   3 3 5  3 5 9  = 5 9 17     1.1 1 0 0 a  0.10001 0. ESPACIOS VECTORIALES CON PRODUCTO INTERNO Etapa 2.166 4.3   1 0 0 1.3 – Escalonamos la matriz ampliada [At · A|At · B]. El gr´ afico de ( 234) es: .1 0 1 4   −1.10001 + 0.1 1 1 1 At · B =  0 1 2  ·  0.1 1 2 4 c | {z } | {z } | {z } B A X Etapa 3.9 =  −6.1  −3.9 −6.09999  =  0 1 0 0 0 1 −1.09999x − 1.09999x2 Etapa 4.1  −12. El sistema general asociado a la situaci´ on es: (233)       1. el polinomio de los m´ınimos cuadrados es: (234) q(x) = 1.1  =  1 1 1  ·  b  −3.09999 Luego.1  [At · A|At · B] =  3 5 9 5 9 17 −12.

. . si = n X h(xi )s(xi ) i=1 entonces a partir de ( 235). . Define en W el producto interno: (235) hh. podemos definir una norma: p hh. 2. gn } tal que • α es linealmente independiente en el espacio de funciones continuas en R • gi (xj ) ∈ R. . 2. g2 . El m´ etodo de los m´ınimos cuadrados Consideremos una funci´ on y = f (x) continua en R y supongamos que conocemos s´ olo n valores de ella . . para (i = 1. . . yi ) para i = 1. . . . . .´ 7. gn }i el espacio vectorial generado por α. g2 . n ? y que cumpla con las particularidades de la funci´ on f . EL METODO DE LOS M´INIMOS CUADRADOS 167 2 1 • −2 • 1 −1 −1 2 −2 −3 • Figura 32 7. . El problema es “¿ C´ omo conseguir una curva que pase por los puntos Pi = (xi . salvo probablemente cometiendo errores controlados ”equivalentemente ¿ bajo qu´e condiciones podemos obtener una aproximaci´ on al comportamiento geom´etrico de la funci´ on f ? (1) Supongamos que existe un conjunto de funciones α = {g1 . . . . n) (2) Sea W = h{g1 . digamos f (xi ) = yi ∈ R para 1 ≤ i ≤ n. hi v u n uX = t [h(xi )]2 khk = (236) i=1 .

g2 i (240) hg2 . f i = c1 hg1 . 2. g1 i + c2 hg2 . gj i As´ı que g≈f ⇐⇒ hgi . f i − hgi . consiste en: (239) hg1 . . . g). g1 i + c2 hg1 . ESPACIOS VECTORIALES CON PRODUCTO INTERNO As´ı que f es aproximable por g ∈ W si y s´ olo si la distancia d(f. gj i (i = 1.0. es m´ınima. = hgi . f − gi = 0 (i = 1. f − cj gj i j=1 = hgi . 2. .168 4.1 -3. g2 i . . . n) (237) (3) Finalmente si g = n X ci gi entonces tenemos que i=1 0 = hgi . f − gi n X = hgi . Supongamos que y = f (x) es una funci´ on tal que verifica los valores: x 0 1 2 f (x) 1.1 y que deseamos aproximar segun el m´etodo de los m´ınimos cuadrados por la funci´ on g(x) = c1 + c2 x2 entonces g1 (x) = 1 g2 (x) = x2 As´ı que ( 238) para este caso. n) gi (xj )f (xj ) = n X j=1 j=1 cj n X gi (xk )gj (xk ) (i = 1. .4. . . . esto ⊥ es equivalente a decir que (f − g) ∈ W . . f i = c1 hg2 . as´ı que en particular deben verificarse simult´ aneamente las ecuaciones: hgi . . . f i − n X j=1 n X j=1 cj gj i cj hgi . n) k=1 ( 238) se conoce como “m´etodo de los m´ınimos cuadrados” Ejemplo 7. f i = ⇐⇒ (238) n X n X j=1 cj hgi . 2.1 0.

1 + 1 · 0.12 y c2 ≈ −1. g2 i = = 02 · 1 + 12 · 1 + 22 · 1 5 02 · 02 + 12 · 12 + 22 · 22 17 hg2 .9 5c1 + 17c2 = −12.´ 7.05 as´ı que la funci´ on que mejor aproxima a la funci´ on f . g1i = = hg2 .12 − 1.1 + 1 · (−3. f i = 02 · 1. seg´ un este m´etodo es: (242) g(x) = 1.3 De donde c1 ≈ 1.05x2 . g1 i = 1 · 1 + 1 · 1 + 1 · 1 = 3 hg1 . EL METODO DE LOS M´INIMOS CUADRADOS 169 Como conocemos los valores de f y gi . f i = 1 · 1.3 as´ı que sustituyendo en ( 239) y ( 240) tenemos el sistema: (241) 3c1 + 5c2 = −1. para i = 1.1) = −1.1) = −12.9 hg1 .1 + 12 · 0. g2 i = 1 · 01 + 1 · 12 + 1 · 22 = 5 hg2 . 2 entonces hg1 .1 + 22 · (−3.

Supongamos que la poblaci´ on de una cierta localidad ha variado en el tiempo.8 2.170 4. ESPACIOS VECTORIALES CON PRODUCTO INTERNO El gr´ afico de la funci´ on g es aproximadamente: Figura 33 Ejemplo 7. seg´ un la tabla: a˜ no poblaci´ on ×104 | {z } (243) t=4 t=5 t=6 t=7 1950 1960 170 1980 1.0 1.0.0 f (t) Supongamos que queremos aproximar los puntos de la tabla por una funci´ on del tipo: g(t) = a0 + a1 t + a2 t2 entonces ¿ c´ ual ser´ a la poblaci´ on en el 2000 ? Seg´ un el m´etodo de los m´ınimos cuadrados debemos tener para este caso: • g1 (t) = 1 • g2 (t) = t • g3 (t) = t2 .5.5 1.

6.0 0.155t − 0. g3 )i = 36.693 .075t2 as´ı que la poblaci´ on esperada seg´ un esta aproximaci´ on es dada por: g(9) × 104 = 1.3 hg3 .0. g2 )i + a2 hg1 . es decir ( 243) se transforma aplicando ln en: (246) a˜ no poblaci´ on ×104 | {z } ln f (t) t=4 t=5 t=6 t=7 1950 1960 170 1980 0. g3 )i = 6. f )i = a0 hg3 . usando para aproximar una funci´ on del tipo g(t) = a · ebt . g1 )i + a1 hg3 . g3 )i = 216. En ( 7) tratemos de predecir la poblaci´ on.155 • a2 = −0. Para aplicar el m´etodo de los m´ınimos cuadrados podemos hacer lo siguiente: f (t) ≈ a · ebt ⇐⇒ ln f (t) ≈ ln a · ebt As´ı que en este caso tenemos que: ⇐⇒ ln f (t) ≈ ln a + ln ebt ⇐⇒ ln f (t) ≈ ln a + bt ln e ⇐⇒ ln f (t) ≈ ln a + bt g(t) = ln a + bt Es claro que tambi´en tenemos que modificar la tabla anterior. EL METODO DE LOS M´INIMOS CUADRADOS 171 As´ı que: hg1 .415 + 1.405 0. g1 )i + a1 hg2 .075 Por tanto la funci´ on que aproxima es de la forma: (244) g(t) = −2. f )i = a0 hg1 .415 • a1 = 1. g2 )i + a2 hg3 . g2 )i + a2 hg2 . g1 )i + a1 hg1 .905 × 104 = 19050 (245) Ejemplo 7. f )i = a0 hg2 .3 Luego resolviendo el sistema para estos valores tenemos que: • a0 = −2.3 hg2 .588 0.´ 7.

439 c2 ≈ 0. F i = 1. .404 hg1 . g1 i = 4 hg1 . F i = 10.404 Resolviendo el sistema ( 247) tenemos que: c1 ≈ 0. vn } una base ortonormal de V .226 =⇒ a = 0. entonces tenemos el isomorfismo natural entre V y su espacio coordenado MK (n × 1).226 Luego de estos resultados concluimos que: (1) g(t) = 0.686 22c1 + 126c2 = 10.439e0. .226 =⇒ b = 0. v2 .686 hg2 . Operadores Especiales Sean V un K-espacio vectorial Prehilbertiano y α = {v1 . . g1 i = 22 hg2 .356 (2) As´ı que finalmente tenemos en este caso: (248) poblaci´ on × 104 = F (9) × 104 ≈ 3. . ESPACIOS VECTORIALES CON PRODUCTO INTERNO Finalmente si llamamos: • F (t) = ln f (t) • c1 = ln a y g1 (t) = 1 • c2 = b y g2 (t) = t entonces seg´ un la tabla ( 246) tenemos que: hg1 . g2 i = 22 hg2 . es decir: [ ] : V 7−→ MK (n × 1) v 7−→ [v]α . g2 i = 126 As´ı que obtenemos el sistema: (247) 4c1 + 22c2 = 1.172 4.226t =⇒ g(9) = 3.356 × 104 = 33560 personas 8.

vi = (250) As´ı que tenemos el siguiente. wj i) ∈ MK (n) Equivalentemente.. Si h. n X i=1 hu. [vs ]β i = ( 1 0 : k 6= s : otrocaso Luego. vs i (255) h[vk ]β . [v2 ]β . [vs ]β i = [vk ]tβ [vs ]β = hvk . donde       t  b1 b1 + a1 * a1 n  a2   b2   a2   b2  X         (251) ai bi  . vi i Teorema 8. las columnas de la matriz cambio de base [I]βα son ortogonales dos a dos. wn } otra base ortonormal de V entonces tenemos el siguiente diagrama: (252) (V. vi ivi  ⇐⇒ v =  i=1 Ahora.0. w2 .   . .0.  =  .  . OPERADORES ESPECIALES 173 tal que (249)    [v]α =   hv.   .7. . .   . . vi i Observaci´ on 8. h[u]α .  =  . (254) [I]βα = ([v1 ]β . . v2 i . h[vk ]β . vi ihv. sobre K. [v]α i = [u]tα [v]α = n X i=1 hu. [vn ]β ) Finalmente. partiendo de la ” teor´ıa ”. vi ihv. hv. tenemos que si u ∈ V y v ∈ V entonces de ( 249).. . Tal resultado lo podemos archivar de la forma siguiente: .8. . Sea β = {w1 . .  . . (253) [I]βα = (hvi . sigue que hu. i es un producto interno en el espacio vectorial V sobre el cuerpo K entonces MK (n × 1) es un espacio con producto interno. β) ↓ [I]β α MK (n × 1) MK (n × 1) 7−→ Donde.8..   . vn i  n  X  hv. v1 i hv..  i=1 bn an bn an En particular. α) ↓ 1 V 7−→ (V..

1) 5 5 entonces [I]αc(2)  1 1 h(1. √ (1.9. √ (−2. √ (1. . 2)i  5 5  =   1 1 h(1. ESPACIOS VECTORIALES CON PRODUCTO INTERNO Teorema 8. w2 . . En R2 con el producto interno usual considera las bases ortonormales   1 1 c(2) = {(1. . 1). 1). vn } y β = {w1 . 0). . 2)i h(0. (0.0.10. 1)i h(0. 2). √ (−2.11.0. . 1 √  5 =  2 −√ 5 [I]c(2) α As´ı. 0). . tenemos que:  1 √  t  (1) [I]αc(2) =  25 √ 5    1 2 √ √  5 5  (2)  1  2 √ −√ 5 5 Observaci´ on 8.0. √ (−2. 2  −√ 5  1  √ 5 1 √ 5 2 √ 5 2  √ 5  1  √ 5  1 √  5  =   2 √ 5 2  −√ 5    1  √ 5 2    −√ 1 0 5  1 = 0 1 √ 5      . . wn } dos bases ortonormales de V entonces  t [I]βα [I]βα = In   m [I]βα t = [I]βα t = [I]αβ m  [I]βα −1 Ejemplo 8. 0). . 1)i 5 5  Adem´ as. v2 . Sean V un K-espacio vectorial Prehilbertiano y α = {v1 .174 4. 1)} ∧ α = √ (1.

vn } una base ortonormal de V .8. . vi entonces (i) ψv ∈ LK (V. [w]β i = ([T (v)]β )t · [w]β =  [T ]βα [v]α t · [w]β t  = ([v]α )t · [T ]βα · [w]β  t = ([v]α )t · [T ]βα · [w]β Etapa 3: Define la funci´ on. vi (∀w. digamos α y β. tambien arbitrarias: T 7−→ (V. K) (ii) Como ψv (w) = hw. (1) Sean V un K-espacio vectorial Prehilbertiano y α = {v1 . vj i = L(vj ) (1 ≤ j ≤ n) . β) ↓ α MK (n × 1) MK (n × 1) 7−→ As´ı que en este caso tenemos lo siguiente: etapa 1: [T ]βα [v]α = [T (v)]β (257) Etapa 2: hT (v). w ∈ V ) entonces en particular ψv (vj ) = hvj . T ⋆ : (V. β) v 7 → T ⋆ (v) − Tal que hT (v). T ⋆ (w)i Observaci´ on 8. . OPERADORES ESPECIALES 175 Sabemos que tenemos un diagrama conmutativo como ( 252). Sea L ∈ LK (V. wi = h[T (v)]β . arbitrario y dos bases ortonormales. . wi = hv. α) ↓ (256) [T ]β (V. α) − 7 → (V. . v2 . para el caso de un operador T .0. = n X i=1 n X i=1 L(vi )vi i (1 ≤ j ≤ n) L(vi )hvi .12. K) entonces n X (a) L(vi ) ∈ K =⇒ v = L(vi )vi ∈ V i=1 (b) Define (258) ψv : V w 7 → K − 7−→ ψv (w) = hw.

tenemos que existe un u ´nico v ∈ V tal que tiene sentido la siguiente ecuaci´ on para cada u ∈ V hT (w). ui = hw. hemos demostrado el siguiente resultado.176 4. u ∈ V ) (b) De ( 1). ui entonces ψu ∈ LK (V. . vi (259) (∀w. ui = hw. . α = {v1 . ψv = L (c) Supongamos que existe v ′ ∈ V tal que L(w) = hw.16. K). T ⋆ (u)i Definici´ on 8. Sea V un K-espacio vectorial Prehilbertiano y T ∈ LK (V ) entonces llamaremos Adjunto de T al u ´nico operador T ⋆ de V que satisface la ecuaci´ on vectorial. vn } una base ortonormal de V y T ∈ LK (V ) entonces existe un u ´nico operador T ⋆ de V tal que satisface la ecuaci´ on vectorial. .0. v ′ i = L(v) − L(v) − L(v ′ ) + L(v ′ ) = 0 Luego. K) entonces existe un u ´nico vector v ∈ V tal que L(w) = hw. Teorema 8. . sigue que existe un u ´nico v ∈ V tal que ψu (w) = hw. v = v′ As´ı que hemos demostrado el siguiente: Teorema 8. ( 263) Teorema 8. v2 . (263) hT (w). vi − hv. T ⋆ (u)i Finalmente.13. w ∈ V ) (2) Sean V un K-espacio vectorial Prehilbertiano. hT (w). podemos definir T ⋆ ∈ LK (V ) tal que T ⋆ (u) = v ⇐⇒ ψu (w) = hw. tenemos que existe un u ´nico operador T ⋆ de V que satisface la ecuaci´ on vectorial. vn } una base ortonormal de V y T ∈ LK (V ) entonces (a) Para cada u ∈ V . .14. ui = hw. v ′ i entonces hv − v ′ . vi + hv ′ .0. Sean V un K-espacio vectorial Prehilbertiano.0. (Teorema de Representaci´ on) Sean V un K-espacio vectorial Prehilbertiano y L ∈ LK (V. (∀u. vi Luego.0. vi (262) (d) As´ı. vi (261) (c) Motivado por ( 261). . v − v ′ i = hv. v2 . define ψu : V w (260) 7−→ K 7−→ ψu (w) = hT (w). α = {v1 .15. v ′ i − hv ′ . . . ESPACIOS VECTORIALES CON PRODUCTO INTERNO Luego. .

. vi ivj (1 ≤ i ≤ n) (1 ≤ i ≤ n) As´ı que [T ⋆ ]αα =  [T ]αα (3) Sea β otra base ortonortmal de V entonces t [T ⋆ ]ββ = [I]βα [T ⋆ ]αα [I]αβ t  = [I]βα [T ]αα [I]αβ t  t  t  [T ]αα [I]βα = [I]αβ  t = [I]βα [T ]αα [I]αβ t  [T ]ββ = (4) As´ı que. 0) = (1 + i. el operador adjunto de T es:   1−i 2 c(2) ⋆ [T ]c(2) = −i −i . vj i)t ∈ MK (n) (2) Como T ⋆ ∈ LK (V ) entonces tiene sentido determinar [T ⋆ ]αα . i) entonces   1+i i c(2) (a) [T ]c(2) = 2 i (b) Luego. 2) y T (0. [T ]αα = (hT (vi ). α = {v1 . 1) = (i. (1) Sea T ∈ LC (C2 ) tal que T (1. v2 . podemos notar: T⋆ = T (265) t Ejemplo 8. .8.17. vj ivj (1 ≤ i ≤ n) j=1 Luego. vj ivj (1 ≤ i ≤ n) h(vj ). . luego en forma analoga al c´ alculo anterior tenemos que T ⋆ (vi ) = n X j=1 = = n X j=1 n X j=1 hT ⋆ (vi ). vn } una base ortonormal de V y T ∈ LK (V ) entonces  t [T ⋆ ]αα = (264) [T ]αα En efecto (1) T (vi ) = n X hT (vi ).0. OPERADORES ESPECIALES 177 Sean V un K-espacio vectorial Prehilbertiano. T ⋆ (vi )ivj hT (vj ). .

v´ıa el polinomio caracter´ıstico PT ⋆ (λ). ESPACIOS VECTORIALES CON PRODUCTO INTERNO c(3) (2) Sea [T ]c(3) = (aks ) ∈ MC (3) tal que aks = ik+s entonces T ⋆ es diagonalizable. En efecto c(3) (a) Como.p. −1} (d) Aplicando ahora el criterio del polinomio minimal tenemos: c(3)  c(3) [T ⋆ ]c(3) [T ⋆ ]c(3) + I3    −1 i 1 0 i 1 1 −i   i 2 −i  =  i 1 −i −1 1 −i 0   0 0 0  0 0 0  = 0 0 0 Luego.178 4. = {0. T ⋆ es diagonalizable  . [T ]c(3) = (ik+s ) entonces c(3) [T ]c(3)   −1 −i 1 1 i  =  −i 1 i −1 (b) As´ı la matriz de operador adjunto es: c(3) [T ⋆ ]c(3)  −1 i 1 1 −i  =  i 1 −i −1  (c) Ahora calculamos los valores propios de T ⋆ .  (λ + 1) −i −1  (λ − 1) i PT ⋆ (λ) = det  −i −1 i (λ + 1)   (λ + 1) −i −1 0 λ −iλ  = det  −1 i (λ + 1)  = (λ + 1)[λ(λ + 1) − λ] − [−λ + λ] = λ2 (λ + 1) Luego. los valores propios de T ⋆ son v.

(0. El procedimiento general es. 1.18.   −x + iy + z = 0 x  v ∈ C3 0 ⇐⇒ v =  y  ∧ ix + y − iz = 0 z x − iy − z = 0 ⇐⇒ v ∈ h{(1. (0. 0). i.0. (Operadores adjuntos) Sea V un K-espacio vectorial Prehilbertiano y Ti ∈ LK (V ) (i = 1. v ∈ C3  −1   x −x + iy + z = −x   y ⇐⇒ v = ∧ ix + y − iz = −y z x − iy − z = −z ⇐⇒ v ∈ h{(i. λy. v ∈ C3  ⇐⇒ v ∈ C3 ∧ T ⋆ (v) = λv λ ⇐⇒ v = [(x. −i. C3  −1 = h{(i. −i)} Teorema 8. (T L)⋆ = (L)⋆ (T )⋆ . z)]c(3) ∧ c(3) [T ⋆ ]c(3) [(x. 0). 1)}i (ii) Analogamente.8. 1. z)]c(3) = [(λx. 2) entonces (T ⋆ )⋆ (1) =T (2) (T + L)⋆ = T ⋆ + L⋆ (3) (λT )⋆ = λT ⋆ (4) (T L)⋆ = (L)⋆ (T )⋆ En efecto. 1). 1)}i Luego. y. (⋆) . i. −i)}i As´ı. i. λz]c(3)   x −x + iy + z = λx   y ⇐⇒ v = ∧ ix + y − iz = λy z x − iy − z = λz (i) En particular. 1. OPERADORES ESPECIALES 179 c(3) (e) Determinemos la base que diagonaliza la matriz [T ⋆ ]c(3) . −i. (i. la base de diagonalizaci´ on es α = {(1. −i)}i Luego. C3  0 = h{(1. (0. −i. las otras quedan como ejercicios. y. 0). Probaremos.

⋆ ∼ \ Si (L\ K (V )) = {T | T ∈ LK (V )} entonces LK (V ) = (LK (V )) En efecto Si defines canonicamente.18).0. es decir. Escolio 8. ESPACIOS VECTORIALES CON PRODUCTO INTERNO (T L)⋆ = T L t t ver ( 265) t = LT = (L)⋆ (T )⋆ Observaci´ on 8.21.0.0. pero importantes. Sean V un K-espacio vectorial Prehilbertiano.20.0. la siguiente transformaci´ on: Λ : LK (V ) 7−→ (L\ K (V )) tal que Λ(T ) = T ⋆ entonces (i) De ( 8.22.180 4. sigue que Λ ∈ LK (V ). Λ es una transformaci´ on lineal.19. T ∈ LK (V )) y W ≤ V entonces T (W ) ⊂ W =⇒ T ⋆ (W ⊥ ) ⊂ W ⊥ . (266) T ∈ AutK (V ) =⇒ T ⋆ ∈ AutK (V ) En efecto det T ⋆ = = = 6= t det T det T t det T 0 Escolio 8. (ii) T ∈ Ker(Λ) ⇐⇒ T ∈ LK (V ) ⇐⇒ T ∈ LK (V ) ∧ ∧ Λ(T ) = 0 T⋆ = 0 ⇐⇒ T ∈ LK (V ) ⇐⇒ T ∈ LK (V ) ∧ ∧ T =0 T =0 ⇐⇒ T ∈ LK (V ) ∧ t T =0 As´ı Λ ∈ AutK (V ) Escolio 8. para ello implementaremos una serie de resultados peque˜ nos. En lo que sigue intentaremos determinar relaciones entre T y T ⋆ .0.

. T (v)i En efecto. wi = 0 (∀w. Sea (V.0. . h.0. i) tal que dimK (V ) = n y T ∈ LK (V ). . .25. λs } • En particular. T ◦ T ⋆ = T ⋆ ◦ T Definici´ on 8. vi = hu.24. . wi = 0 (∀w. vi = 0 (268) u ∈ Vλ . T (v)i ⇐⇒ hλ1 u. T (v)i Entonces compongamos hT (u). vi ⇐⇒ λ1 hu. . . el resultado sigue de la definici´ on de adjunto. (1) hT (u). λ2 vi ¯ 2 hu. Sea T = T ⋆ entonces claramente T es normal y valen las siguientes propiedades.23. OPERADORES ESPECIALES 181 En efecto Por demostrar que: v ∈ W ⊥ =⇒ T ⋆ (v) ∈ W ⊥ v ∈ W ⊥ ⇐⇒ v ∈ V ∧ hv.23) (3) Sean λ1 y λ2 valores propios de T y Vλ1 y Vλ1 los correspondientes subespacios propios entonces ¯ 2 =⇒ hu. T (w)i = 0 (∀w. w ∈ W ) =⇒ T ⋆ (W ⊥ ) ⊂ W ⊥ Escolio 8.0. w ∈ W ) =⇒ hT ⋆ (v). λs } =⇒ [T ⋆ ]αα = diag{λ1 . λ2 . λ2 .8. v ∈ Vλ ∧ λ1 6= λ 1 2 En efecto La idea es componer correctamente la siguiente informaci´ on (i) u ∈ Vλ1 ⇐⇒ u ∈ V ∧ T (u) = λ1 u (ii) v ∈ Vλ2 ⇐⇒ v ∈ V ∧ T (v) = λ2 v (iii) hT (u). (2) Si λ es valor propio de T entonces λ ∈ R En efecto. vi = hu. vi = 0V . vi = hu. w ∈ W ) =⇒ hv. Sea T ∈ LK (V ) entonces diremos que T es un operador normal si T ◦ T ⋆ = T ⋆ ◦ T Ejemplo 8. vi = λ ¯ ⇐⇒ (λ1 − λ2 ) hu.0. el resultado sigue de ( 8. . Sea V un K-espacio vectorial Prehilbertiano y T ∈ LK (V )) entonces (267) T diagonalizable =⇒ T ◦ T ⋆ = T ⋆ ◦ T En efecto Supongamos que T es diagonalizable entonces existe una base ortonormal α de vectores propios de V tal que • [T ]αα = diag{λ1 . vi = hu.

. T es diagonalizable En efecto Sea λ ∈ R un valor propio de T. h. ESPACIOS VECTORIALES CON PRODUCTO INTERNO ¯ 2 entonces hu. . . es decir: b T = T |W ⊥ : W ⊥ 7−→ W ⊥ v 7−→ Tb(v) = T (v) (d) Como dimK (W ⊥ ) = n−1 < n entonces la hip´ otesis de Inducci´ on H aplica y as´ı W ⊥ posee una base ortonormal de vectores propios de Tb. Sea (V. u3 . formada por vectores propios de T. En efecto Sea α una base ortonormal de V entonces T = T ⋆ =⇒ [T ]αα = ([T ]αα )⋆ Ahora. Etapas b´ asicas: (a) Si W = h{u1 }i entonces V = W ⊕ W ⊥ (b) De ( 8. esto es. luego T (W ⊥ ) ⊂ W ⊥ . . Hagamos Inducci´ on Matem´ atica!!! (sirve y mucho esta t´ecnica) sobre n = dimK (V ).27. • As´ı. h. i) tal que dimK (U ) ≤ n−1 entonces U posee una base ortonormal de vectores propios de T. Definici´ on 8. esto permite definir la transformaci´ on lineal restricci´ on de T . u2 . posee una ra´ız λ en C y de (2. . sigue que α = {u1 .) sigue que λ ∈ R. un } y finalmente de V = W ⊕ W ⊥ .22). . i) tal que dimK (V ) = n y T ∈ LK (V ). . T ser´ a llamado un operador autoadjunto o hermitiano si T = T ⋆ Observaci´ on 8. que existe por la propiedad (d) y sea v ∈ V su correv spondiente vector propio. T autoadjunto ⇐⇒ es una matriz sim´etrica existe una base ortonormal α tal que [T ]αα . i) ≤ (V. h.182 4. .0. T (v) = λv.26. un } es una base ortonormal de vectores propios de T .0. es decir. vi = 0 Como λ1 6= λ (4) T posee un valor propio (no nulo!!). digamos β = {u2 . Sea u1 = ||v|| entonces T (u1 ) = λu1 y ku1 k = 1 Si dimK (V ) = 1 entonces V posee una base ortonormal de vectores propios de T y en particular T es diagonalizable. H : Si (U. y para ello consideremos la siguiente Hip´ otesis de inducci´ on. el polinomio caracter´ıstico PT (λ) = det (λIn − [T ]αα ) ∈ PC [λ] y luego. tenemos que T (W ) ⊂ W =⇒ T ⋆ KB(W ⊥ ) ⊂ W ⊥ (c) T autoadjunto ⇐⇒ T = T ⋆ . • Diremos que T es autoadjunto si K = R y que T es hermitiano si K = C.0. (5) Existe una base ortonormal.

CAPITULO 5 Preliminares sobre Formas El objetivo central de este capitulo es caracterizar c´ onicas y cu´ adricas. (270)     0 0 0 1     [v2 ]α =  . usando esencialmente t´ecnicas de Algebra Lineal. . 183 .  .28. . siempre da resultado. la t´ecnica que introduce un producto interno en V .  . es decir.  + a2  . 0 0 1 De ( 271) vemos que cada v ∈ V necesita n lectores. v2 . Partamos examinando lo b´ asico. lee un 1 en la posici´ on y 0 en las otras posiciones. Consideremos una vez m´ as la situaci´ on central del Algebra Lineal.0..  . en s´ımbolos (269) v= n X ai vi i=1  a1  a2    ai ∈ K ⇐⇒ [v]α =  . .  + · · · + an  . 1 0   1 0   [v1 ]α =  . ..  . . Dado un K espacio vectorial V y una base α = {v1 . Definici´ on 1.. En el caso general. vn } de V entonces todo vector v ∈ V puede ser reescrito de forma u ´nica com combinaci´ on lineal de los elementos de la base α. Formas L´ıneales Motivaci´ on 1. 1.. [vn ]α =  . .. 0 entonces el lector de coordenadas de los vi . ya nos di´ o una respuesta. .  .. . pues dicho lector cuando menos debe ser lineal y entregar como valor un escalar. as´ı que la idea ya est´ a.29.. .0. (271)       0 0 1 0 1 0       [v]α = a1  . pero queremos aqu´ı desarrollar una t´ecnica alternativa e independiente de la del producto interno.  an As´ı que el problema vuelve a ser como determino las coordenadas del vector v que me interesa ubicar.

0. . donde para cada i = 1. vn⋆ }. Para cada i = 1.29) ai = vi⋆ (v) =⇒ T (v) = ni=1 vi⋆ (v)T (vi ) As´ı que. PRELIMINARES SOBRE FORMAS Sea V un K espacio vectorial y α = {v1 . LK (V.  v 7−→ ai .0. α⋆ es una base del espacio vectorial. .. . . T (v) = n X T (vi )vi⋆ (v) = i=1 " n X i=1 # T (vi )vi⋆ (v) Aplicando la definici´ on de igualdad de funciones tenemos que. . vn } una base de V entonces llamaremos α-lector al conjunto α⋆ = {v1⋆ . n. v2 . . si λ ∈ K entonces vs⋆ (λ v) = vs⋆ " n X (λ ai )vi i=1 # # = λ as = λ vs⋆ (v) Corolario 1.0. En s´ımbolos. v2⋆ . an En particular vale siguiente propiedad para los α − lectores ( 1 si i = j ⋆ vi (vj ) = 0 si i = 6 j Lema 1. equivalentemente α⋆ ⊂ LK (V. . . . 2 . vi⋆ ∈ LK (V ). 2. . n. . K) entonces n n X X ai T (vi ) T es lineal ai vi =⇒ T (v) = v= i=1 i=1 P ver ( 1. . . . K) En efecto (i) α⋆ es un conjunto de generadores de LK (V. .31. K) Sea T ∈ LK (V. n   a1  a2  ⋆ vi : V 7−→ K   (272) ⇐⇒ [v]α =  . . K) En efecto Si v = n X bi vi y u = i=1 n X bi vi entonces i=1 vs⋆ (v + u) = vs⋆ = = " n X (ai + bi )vi i=1 as + bs vs⋆ (v) + vs⋆ (u) An´ alogamente. .184 5. para cada i = 1. 2. . T = n X i=1 T (vi ) vi⋆ | {z } ∈K . vi⋆ es una transformaci´ on lineal del espacio vectorial V en su cuerpo de escalares K.30. .

. FORMAS L´INEALES 185 o equivalentemente.  . . . Si V es un K espacio vectorial y α = {v1 . si esa funci´ on anula todo el espacio. As´ı que vale para cada j = 1.32. vv } una base de V entonces   v1⋆ (v) n v ⋆ (v) X  2  vi⋆ (v)vi ⇐⇒ [v]α =  . . Para ello observa lo siguiente. . Conclusi´ on 1. 2. . . v2⋆ . digamos   a1  a2    [v]α =  .1. . gen´erico. . . se llama ” Espacio Dual ” del espacio vectorial V ”.. Definici´ on 1. Etapa 1 Determinamos [v]α . . n: 0 = n X ri vi⋆ (vj ) i=1 = rj ver ( 1. K) y procederemos a darle los nombres que usualmente se usan para estos conceptos.29) ⋆ Conclusi´ on. . (1) Sea V un K espacio vectorial y α = {v1 . an Etapa 2 Define vi⋆ (v) = ai para i = 1. . es como usas esa informaci´ on para concluir que los rj son todos nulos. α es una base del espacio vectorial LK (V.1. v3 . Si α = {v1 . v2 . vv } una base de V . vn } es una base de vectores de V entonces α⋆ = {v1⋆ . . Ejercicios Resueltos. para cada v ∈ V esa funci´ on en v es i=1 ! n X nula ´ o n´ ucleo ri vi⋆ = {oV } .0. . 2.. porque eso es lo que hay que mostrar. K). .33.  (273) i=1 vn⋆ (v) 1. K) En efecto n X ri vi⋆ = 0 entonces lo que dices es que.0. . . v2⋆ . v2 . . vn⋆ } se llama ” Base Dual ” de la base α.0. para un v ∈ V . . T ∈ h{v1⋆ . en particular anula a los b´ asicos vj . . .  v=  . . . . Determinemos su base dual α⋆ . Si i=1 El punto. . vn⋆ }i (ii) α⋆ es un conjunto linealmente independiente en LK (V. . n . v2 . V ⋆ = LK (V. .

Demuestre que φ = 0 o φ es sobreyectiva. . q(x) ∈ R2 [x] y λ ∈ R entonces Ti (p(x) + q(x)) = p(ri ) + q(ri ) = Ti (p(x)) + Ti (q(x)) Ti (λp(x)) = λp(ri ) = λTi (p(x)) ∗ Luego. 2)⋆ (1. r1 . vn⋆ } (2) Sea α = {(1. 2) = 1 (1. (2. y sea φ ∈ V⋆ .186 5. . v ∈ V) =⇒ φ = 0 (4) Dados tres n´ umeros reales distintos. y) = x + 2y 5 Observen que. 2)⋆ (2.espacio vectorial no nulo. en particular (2. x + 2y 2x − y (1. se define como en ( 1) (x. −1) = 0 ⋆ (2. 2) = 0 (2. −1)⋆ (x. 3) • Ti ∈ LR (R2 [x]. −1) = 1 (3) Sea V un K. −1) 5 5 Luego. 3) En efecto Sea p(x) ∈ R2 [x]. −1)} una base de R2 entonces usando por ejemplo el producto interno usual de R2 para encontrar las coordenadas tenemos que. R) para (i = 1. −1)⋆ }. Ti ∈ LR (R2 [x]. En efecto dimK (K) = 1 =⇒ dimK (Img(φ)) ≤ 1 =⇒ dimK (Img(φ) = 0 Luego tenemos dos casos: ∨ dimK (Img(φ)) = 1 φ 6= 0 =⇒ dimK (Img(φ) = 1 =⇒ dimK (Img(φ) = 1dimK (K) =⇒ φ sobreyectiva O bien dimK (Img(φ)) = 0 =⇒ dimK (ker(φ)) = dimK (V) =⇒ φ(v) = 0 (∀v. 2)⋆ . 2). podemos definir tres funciones como sigue: (274) entonces Ti : R2 [x] − 7 → R p(x) 7−→ p(ri ) (i = 1. PRELIMINARES SOBRE FORMAS Etapa 3 Sea α⋆ = {v1⋆ . −1) (1. 2. y) = 2x − y 5 (1. (2. v2⋆ . 2)⋆ (x. R) = (R2 [x]) . −1)⋆ (2. . 2. la base dual α⋆ = {(1. . y) = (1. r2 y r3 . 2) + (2.

FORMAS L´INEALES 187 • α⋆ = {T1 . como a1 + a2 + a3 = 0 a1 r1 + a2 r2 + a3 r3 = 0 a1 r12 + a2 r22 + a3 r32 = 0     1 1 1 a1 0 ⇐⇒  r1 r2 r3   a2  =  0  a3 0 r2 r2 r2 | 1 {z2 3 }  A Y el determinante de la matriz A es un determinante de Vandermonde entonces det(A) = (r1 − r2 )(r2 − r3 )(r3 − r1 ) Y como por hip´ otesis los n´ umeros son distintos entonces det(A) 6= 0 y la soluci´ on del sistema es trivial. p(x) ∈ R2 [x]) En particular (a1 T1 + a2 T2 + a3 T3 )(1) = 0 (a1 T1 + a2 T2 + a3 T3 )(x) = 0 =⇒ a1 r1 + a2 r2 + a3 r3 = 0 a1 (a1 T1 + a2 T2 + a3 T3 )(x2 ) = 0 + a2 + a3 = 0 a1 r12 + a2 r22 + a3 r32 = 0 Pero. T2 .1. donde: (275) p1 (x) = 2 X ci1 xi i=0 (276) p2 (x) = 2 X ci2 xi i=0 (277) p3 (x) = 2 X ci3 xi i=0 (278) entonces por la propia definici´ on de base dual. as´ı que α⋆ es una base de (R2 [x])∗ • Determinemos la correspondiente base α de R2 [x] Supongamos que α = {p1 (x). p2 (x). T3 } es un conjunto linealmente independiente en (R2 [x])∗ En efecto a1 T1 + a2 T2 + a3 T3 = 0 =⇒ (a1 T1 + a2 T2 + a3 T3 )(p(x)) = 0 (∀p(x). T2 . debemos tener: . T3 } es una base de (R2 [x])∗ En efecto dimR (R2 [x])∗ = dimR (R2 [x]) = 3. p3 (x)} es la base buscada. es decir a1 = a2 = a3 = 0 • α⋆ = {T1 .

−1. (−1. 0)} ⊂ R3 .188 5. −2). 1 (r1 − r2 )(r1 − r3 ) C´ alculos analogos permiten mostrar que: c21 = p1 (x) = (x − r2 )(x − r3 ) (r1 − r2 )(r1 − r3 ) p2 (x) = (x − r1 )(x − r3 ) (r2 − r1 )(r2 − r3 ) p3 (x) = (x − r1 )(x − r2 ) (r3 − r1 )(r3 − r2 ) 2. Ejercicios Propuestos (1) Demuestre que V es isomorfo a V ⋆ (2) Sea α = {(1. (0. 0. | {z } | {z } | {z } v1 v2 v3 . PRELIMINARES SOBRE FORMAS Para T1 c01 + c11 r1 + c21 r12 = 1 T1 (p1 (x)) = 1 T1 (p2 (x)) = 0 y luego c02 + c12 r1 + c22 r12 = 0 T1 (p3 (x)) = 0 c03 + c13 r1 + c23 r12 = 0 Para T2 c01 + c11 r2 + c21 r22 = 0 T2 (p1 (x)) = 0 T2 (p2 (x)) = 1 y luego c02 + c12 r2 + c22 r22 = 1 T2 (p3 (x)) = 0 c03 + c13 r2 + c23 r22 = 0 Para T3 c01 + c11 r3 + c21 r32 = 0 T3 (p1 (x)) = 0 T3 (p2 (x)) = 0 y luego c02 + c12 r3 + c22 r32 = 0 T3 (p3 (x)) = 1 c03 + c13 r3 + c23 r32 = 1 As´ı que para cada polinomio tenemos: Para ( 276) c01 + c11 r1 + c21 r12 = 1 c (r − r2 ) + c21 (r12 − r22 ) = 1 c01 + c11 r2 + c21 r22 = 0 =⇒ 11 1 c11 (r2 − r3 ) + c21 (r22 − r32 ) = 0 c01 + c11 r3 + c21 r32 = 0 entonces c11 + c21 (r1 + r2 ) = c11 + c21 (r2 + r3 ) = 1 r1 −r2 0 Luego. 1. 1).

w2 . .i (u. . wn } tal que wi = i X jvj . (v1 − v2 )⋆ }. v2 . vn } una base de V y β = {w1 . n. w2 . .vi u ∈ V 7−→ hu. . si definimos: h. . vi ∈ R . Demuestre que (v1 + v2 )⋆ 6= v1⋆ + v2⋆ (4) Sea α = {v1 . 2. para i = 1. para j = 1. posee un producto interno h. un subconjunto de V j X ivi .0. . . . . 2. vi ∈ V ⋆ . . v2 . • Determine la correspondiente base α de R2 [x]. wn }. para j = 1. 2. . . . j=1 (i) Determine β ⋆ (ii) Determine [vj∗ ]β ⋆ . . . .3. . v3 . v) ∈ V × V 7−→ hu. v2 }i ∧ v3 ∈ / ker(φ) ⋆ (3) Sea α = {v1 . v2 } una base de V y β = {(v1 + v2 )⋆ . w3 . n (iii) Determine [wj⋆ ]1α (6) Sea α∗ = {φ1 . φ(v2 ) = −1 3 ∗ • Determine φ ∈ (R ) tal que φ(v3 ) = 3 ker(φ) = h{v1 . PRELIMINARES SOBRE FORMAS BIL´INEALES 189 • Determine φ ∈ (R3 )∗ tal que φ(v1 ) = 1. vi ∈ R (ii) Para cada v ∈ V la funci´ on h. . vn } una base de V y β = {w1 . . .1. . . . φ3 } ⊂ (R2 [x])∗ tal que para cada elemento p(x) = a0 + a1 x + a2 x2 ∈ R2 [x] φ1 (p(x)) = φ2 (p(x)) = R1 0 R2 0 p(x) dx p(x) dx R −1 φ3 (p(x)) = 0 p(x) dx • Demuestre que α∗ es una base de (R2 [x])∗ . Preliminares sobre Formas Bil´ıneales Motivaci´ on 3. . Sea V un R espacio vectorial y supongamos que V . 3. Determine β ⋆ tal que wj = i=1 (5) Sea α = {v1 . n. . . . i entonces observamos lo siguiente: (i) El producto interno es una funci´ on tal que: h. . φ2 .

vi = a1 a2 . bj vj i=1 j=1 n X n X j=1 i=1 + ai bj hvi . vi ∈ R (iv) Supongamos que α = {v1 . es una base de V entonces la ” linealidad de n X ai vi y ambas coordenadas se exprime (o usa) de la siguiente forma para.   . i entonces . . vj i) ∈ MR (n) entonces hu. PRELIMINARES SOBRE FORMAS (iii) Para cada u ∈ V la funci´ on hu. v2 . . vj i equivalentemente. . vj i)  .  bn = [u]tα [v]α n X ai bi = i=1 (b) Si u = v y α es una base ortonormal entonces hu.i]α α En particular. vi =   b1  b2     an (hvi .i v ∈ V 7−→ hu. . . . ui = n X a2i i=1 (c) En general. si interpretas (hvi .. u = v= n X i=1 bi vi : i=1 hu. vn }. i]αα es diagonalizable y β es la base ortonormal de vectores propios de h. si [h.  a1 a2 .   .. si definimos: hu. . i ∈ V ⋆ .190 5. (a) Si α es una base ortonormal entonces hu. .   b1    b2   an  . vi = = * n X n X ai vi . vj i) [v]α | {z } [h. bn = [u]tα (hvi .

vj i) [v]α | {z } [B]α α Esta observaci´ on vale por todos los ejemplos que quieras pues. ui = Definici´ on 3. vn } es una base de V entonces   n n X X bj vj  ai vi . u) Observaci´ on 3.   . . Antes de dar ning´ un ejemplo. Si α = {v1 . Bv ∈ V ⋆ . vj i) = [u]tα = [[I]βα [u]α ]t = [u]tβ | {z } [I]βα [v]α [h.0. B(u. v) ∈ K. vj i) [I]βα [v]α | {z } [h. vj )  .0. . explicitemos los beneficios por ahora te´ oricos de la bilinealidad. fos) Si B(V ) = {Formas bil´ıniales de V } y dim K (V ) = n entonces B(V ) ∼ = MK (n) (son isomorEn efecto . ella permite hacer la siguiente identificaci´ on. vj i) [I]βα [v]α | {z } [h. . . . algo ya hablamos de esto en la motivaci´ on.0.4. n X i=1 λi hu.   b1  b2     an B(vi . para cada v ∈ V . . . λn } [v]β (d) En particular.i]β β (hvi . w2 . .i]β β β t [[I]α ] (hvi . donde Bv (u) = B(u. Teorema 3. v) y para cada u ∈ V . v) = B  j=1 i=1 = n n X X ai bj B(vi .i]β β (hvi .. donde Bu (v) = B(v. . tenemos la igualdad fundamental (teor´ıa y pr´ actica) (279) B(u. wi i2 Sea V un K espacio vectorial y B : V ×V 7−→ K una funci´ on tal que (u.  bn Es decir.2. vj ) j=1 i=1 = a1 a2 . .3.i]β β = [u]tβ diag {λ1 . PRELIMINARES SOBRE FORMAS BIL´INEALES 191 hu. si β = {w1 . Diremos que B es una forma bilineal si B es lineal en cada coordenada. v) = [u]tα (hvi . . . esto es. wn } entonces hu. Bu ∈ V ⋆ . . v) ∈ V ×V 7−→ B(u. vi = [u]tα [I]αβ (hvi . vj i) [v]β | {z } [h. .3.

vj ) + B2 (vi .0. ϕ−1 ◦ ϕ(B) = ϕ−1 (ϕ(B)) = ϕ−1 (B(vi . vj ) = λϕ(B1 ) + ϕ(B2 ) Es el fin. vn } es una base  B(v1 . v2 )  (281) (B(vi . . v1 ) B(vn .. Ejemplo 3.5. vj )) = BB(vi . vj )) y α = {v1 . vn )    .. vj ) [vi ]tα A[vj ]α A maravilloso Por otra. . v) = [u]tα B(vi .  . . v) As´ı que ϕ es una biyecci´ on. v2 )  B(v2 . vn ) ϕ−1 MK (n) − 7 → B(V ) A 7−→ ϕ−1 (A) (282) donde ϕ−1 (A) = BA y BA (u. vj ) = λB1 (v1 . v2 ) . . . PRELIMINARES SOBRE FORMAS Basta definir la siguientes funciones: ϕ B(V ) − 7 → MK (n) B 7−→ ϕ(B) (280) donde ϕ(B) = (B(vi . B(vn .192 5. .. . vn ) B(v2 . es decir .. Finalmente ϕ(λB1 + B2 ) = [λB1 + B2 ](vi . ϕ ◦ ϕ−1 (A) = = = = = ϕ(ϕ−1 (A)) ϕ(BA ) BA (vi . de V . . de la construcci´ on de ejemplos... v) = [u]tα A[v]α Ahora basta comprobar que (i) ( 280) y ( 282) son funciones inversas (ii) (280) es una transformaci´ on lineal Por una parte.  . . . B(vn . vj )[v]α = B(u. . v1 ) B(v2 . . v1 ) B(v1 . vj )) =  .vj ) Pero.. BB(vi ..vj ) (u. y  B(v1 .

y1 )]tc(2) [A]c(2) [(x2 . Forma Normal Sea V un R espacio vectorial con producto interno h. BA ((x. y)) entonces q(x. . . y)) = x y     1 2 x 2 5 y c(2) = [(x. ser´ a llamada forma cuadr´ atica de V . un En efecto Consideraremos las siguientes etapas: i=1 . . . Sea B ∈ B(V ) tal que B es sim´etrica entonces la funci´ on V u q 7 → K − 7−→ q(u) tal que q(u) = B(u. (x2 .3.7. inducida por B. vj ) = B(vj . Teorema 3. . (x.0. En tal caso diremos que B es una forma bilineal sim´etrica. n entonces [B]αα es una matriz sim´etrica y reciprocamente si [B]αα es sim´etrica para alguna base α entonces B(u.0. u). vn } es una base de V entonces [B]αα = (B(vi . y2 )) = x1 y1 3 4 y2    x2 = x1 + 3y1 2x1 + 4y1 y2 = x1 x2 + 3y1 x2 + 2x1 y2 + 4y1 y2 Definici´ on 3. . y1 ). . . . ser´ a llamada la matriz de la forma bilineal respecto de la base α. PRELIMINARES SOBRE FORMAS BIL´INEALES Sea A =  193  1 2 entonces definimos 3 4     1 2 x2 B((x1 . y)]tc(2) [A]c(2) [(x. . v) = B(v. vj )). n j = 1. Sea A =   1 2 entonces en la base can´ onica tenemos 2 5     1 2 x2 BA ((x1 . y1 ). y2 )) = x1 y1 2 5 y2 c(2) = [(x1 . Si para alguna base α. . (x. donde [u]α = u1 u2 . y) = BA ((x. . B(vi .9. y). . y2 )]c(2) En particular.0. .8. Si B ∈ B(V ) y α = {v1 . y).6. y)]c(2) = x2 + 4xy + 5y 2 Sea q(x. vi ) para i = 1. Ejemplo 3. (x2 . u) para u ∈ V y para v ∈ V . y) = x2 + 4xy + 5y 2 Definici´ on 3. i y q una forma cuadr´ atica sobre V enn X t tonces existe una base α ortonormal de V tal que q(u) = λi u2i . v2 .0.

 a n (3) Como [q]αα . v1 ) . .vn ) 2 B(v1 .. . usando ( 283) tenemos que q(v) = [v]tα [q]αα [v]α (284) o equivalentemente q(v) = a1 . como las bases son ortonormales entonces tenemos la igualdad [I]αβ = ([I]βα )−1 = ([I]βα )t (287) Aplicando (287) a (286 tenemos q(v) = [v]tα ([I]βα )t [q]ββ [I]βα [v]α = ([I]βα [v]α )t [q]ββ [I]βα [v]α = [v]tβ [q]ββ [v]β = =   hv.. . B(v1 . . tal que q(x..vn ) 2 B(v2 . .. B(vn . vn } una base ortonormal de V entonces tenemos para cada v ∈ V . B(v2 . As´ı que. .. . . . wn } tal que [q]ββ = diag {λ1 . donde B es la forma bilineal de la cual proviene la forma q. y). . q(v) = B(v. . . . w1 i .    an    B(v1 . . .   .. la representaci´ on (283) v= n X ai vi i=1 (2) Como q es una forma cuadr´ atica entonces por definici´ on. . B(v1 . hv. w3 . es sim´etrica entonces es diagonalizable y entonces existe una base ortonormal de vectores propios. digamos β = {w1 .v2 ) 2 B(v1 . . As´ı que tenemos la ecuaci´ on fundamental [q]αα = [I]αβ [q]ββ [I]βα (285) (4) Sustituyendo ( 285) en ( 284) tenemos que q(v) = [v]tα [I]αβ [q]ββ [I]βα [v]α (286) (5) Ahora el punto es. w1 i    hv. wi i2 Define la forma cuadr´ atica en R2 . . . wn i diag{λ1 . .9) hacemos: .. λn }.  hv. λ2 . v). w4 ..vn ) 2 . . B(v1 . . q (288) R2 7 → − R (x.194 5. λn }  .. .v2 ) 2 .0. .. v2 ) . . PRELIMINARES SOBRE FORMAS (1) Sea α = {v1 . w2 . .vn ) 2 . . λi hv. . entonces siguiendo los pasos de la demostraci´ on del teorema ( 3.10.   . y) = x2 − 2xy − y 2 .0. vn )     a1  . wn i n X i=1 Ejemplo 3. v2 . y) 7−→ q(x.

y) = x y (289)   1 −1 −1 −1   x y Observen que. PRELIMINARES SOBRE FORMAS BIL´INEALES 195 (1) Expresamos q. V. As´ı que.y =   x  v ∈ (MR (2 × 1))√2 ⇐⇒ v ∈ MR (2 × 1) ∧ v =  √ (1 − 2)x ⇐⇒ v ∈ MR (2 × 1) ⇐⇒ (MR (2 × 1))√2 √ Caso 2.y = √2x . − 2}. y)]tc(2) [q]c(2) [(x. y) = [(x. c(2) Seguimos con los subespacios propios de [q]c(2) . c(2) Partimos con el polinomio caracter´ıstico de [q]c(2)   (λ − 1) 1 Pq (λ) = det 1 (λ + 1) = (λ2 − 1) − 1 = λ2 − 2 √ √ As´ı que los valores propios son. y)]c(2) (290) c(2) (2) Ahora diagonalizamos [q]c(2) . y = (1 − 2)x De donde. λ = √   x ⇐⇒ v = y  ∧ 1 −1 −1 −1     x x =λ y y x . como: c(2) q(x. c(2) v ∈ (MR (2 × 1))λ ⇐⇒ v ∈ MR (2 × 1) ∧ [q]c(2) v = λv   x ⇐⇒ v = y Caso 1.3. ( 289) se escribe en la base can´ onica que es ortonormal respecto del producto interno usual. en forma matricial: q(x. λ = − 2 ∧  v = x *   =  1 (1 − √ . 2) +   √  (1 − 2) 1  x∈R .y = λy ∧ (⋆) 2 √ √ x .y = λx −x .P={ 2. De (⋆) sigue que: 2y −x .

PRELIMINARES SOBRE FORMAS De (⋆) sigue que: √ √ x . √  √      y y     2 2 (1 + (1 − q   q1 − 2    q1 + 2  q  √ √ √ √ 4−2 2 4 + 2 2 4−2 2 4+2 2 =   q 1 √ !  4 − 2√ 2   2)  y(1 −   q x q  + √ + √ √  4−2 2 4−2 2   q1 − 2  √ 4−2 2 (5) Finalmente q(x. √   1− 2   √        q 2 1 +   √   √ √   4+2 2 4−2 2 (4) Construimos [v]α     q 1  q 1  1 √ 1√ √ √  √ *   4 + 2 2 +  4 + 2 2  *   4−2 2 +    4 − 2 2      x  x        √ √ + . Es decir     q 1   1 q    √     4 − 2√ 2      4 + 2 2        α=  . As´ı que. −x . y = (1 + 2)x De donde. y) = √ 2 √ x √ 4−2 2   q 1 √ !  4 + 2√2   2)  y(1 +   q x q   √ √ + √  4+2 2  4+2 2  q1 + 2  √ 4+2 2 √ !2 2) y(1 − √ +q + (− 2) √ 4−2 2 √ !2 2) y(1 + x q q √ + √ 4+2 2 4+2 2 .196 5.y = −√2x . a partir de la base     1 1       . v = .y = − 2y   x  v ∈ (MR (2 × 1))−√2 ⇐⇒ v ∈ MR (2 × 1) ∧ v =  √ (1 + 2)x ⇐⇒ v ∈ MR (2 × 1) ∧  v = x *   =  1 (1 + √  . β= √ √   (1 + 2) (1 − 2) 1 Como β es ortogonal entonces ortonormalizamos dividiendo por la norma de cada uno de ellos. 2) x∈R +  √  ⇐⇒ (MR (2 × 1))− 2 √  (1 + 2) (3) Construimos una base ortonormal de vectores propios.

c. ecuaci´ on general de la secci´ on c´ onica a (292) C : ax2 + bxy + cy 2 + dx + ey + f = 0. e2 i {z } | c(2) [I]α Donde. e1 i donde D E = d e hv1 .y) ax2 L(x. y1 hv2 . e.0.9) y obtenemos        λ1 0  hv1 . e1 i hv2 . e2 i hv2 . completamos cuadrados en ( 295) para obtener     D 2 D2 D 2 E2 (296) λ1 x1 + + λ 2 y1 + +f =0 − − 2λ1 4λ1 2λ2 4λ2 Sea x2 = x1 + D 2λ1 . el teorema (3. e2 i y | {z } [I]α c(2) As´ı que despu´es de las transformaciones hechas en la ecuaci´ on de la secci´ on c´ onica tenemos la ecuaci´ on central λ1 x21 + λ2 y12 + Dx1 + Ey1 + f = 0     hv1 . al conjunto C = {(x. e1 i x1 x1 x1 y1 +f =0 + d e y1 0 λ2 y1 hv1 . y 2 = y1 + D 2λ2 yF =f− D2 4λ1 − E2 4λ2 . donde q(x. y) ∈ R2 | ax2 + bxy + cy 2 + dx + ey + f = 0} (291) y. e1 i hv2 . f } ⊂ R entonces (292). puede ser reescrita como: ax2 + bxy + cy 2 + dx + ey +f = 0 | {z } | {z } (293) q(x. e1 i hv1 . e2 i hv2 . e1 i hv2 . e2 i (295) Caso: λ1 λ2 6= 0 En este caso. Luego tenemos.´ DE SECCIONES CONICAS ´ 4. CLASIFICACION 197 4. λ1 y λ2 . y) = + bxy + es una forma cuadr´ atica y L(x. y) = dx + ey es una forma lineal. α = {v  1. v2} ⊂ MR (2 × 1) una base ortonormal x1 hv1 . e2 i x de vectores propios de q y = . d. son valores  propios  de ”q”. {a. (297) Caso: ⋆ λ1 > 0 y λ2 > 0 λ1 x22 + λ2 y22 + f = 0 . Pasando a su forma matrical tenemos que ( 292) se reescribe como: x y (294)   a b 2      x x + d e +f =0 y y c b 2 Aplicamos ahora a (294). Clasificaci´ on de secciones C´ onicas Llamaremos secci´ on c´ onica.y) cy 2 . b.

0.  Par´ abola    Una recta λ1 λ2 = 0 =⇒ C :  Par de rectas paralelas    ∅ . y2 = ± − λ2 x22 y22 + = 1 es una hip´erbola.198 5.11.0. − λF1 − λE2 • F < 0 entonces C: Caso: ⋆ λ1 > 0 y λ2 < 0 r λ1 x2 par de rectas concurrentes.        (i) λ1 λ2 > 0 =⇒ C          ∅ : Punto   Elipse        (    par de rectas concurrentes    (ii) λ1 λ2 < 0 =⇒ C : Hiperbola Caso: λ1 λ2 = 0 Caso: ⋆ λ1 = 0 y λ2 = 0 Dx1 + Ey1 + f = 0 es una recta Caso: ⋆ λ1 = 0 y λ2 6= 0 λ2 Si y2 = y1 + E 2λ2 yF =f− E2 4λ2  E y1 + 2λ2 2 + Dx1 − E2 +f =0 4λ2 entonces λ2 y22 + Dx1 + F = 0 par´ abola o sus degeneraciones Conclusi´ on 4. − λF1 − λE2 • F = 0 entonces C: • F 6= 0 entonces C: Conclusi´ on 4. − 2λ 1 2  y22 x22 + = 1 es una Elipse.12. PRELIMINARES SOBRE FORMAS • F > 0 entonces C: ∅  • F = 0 entonces C: D E − 2λ .

Ejercicio Resuelto.´ DE SECCIONES CONICAS ´ 4.14.0. CLASIFICACION 199 Observaci´ on 4. c(2) α α Sabemos que [q]c(2) = [I]c(2) α [q]α [I]c(2) . λ1 λ2 = − b2 − 4ac 4 Teorema 4. Trazado de la c´ onica . b2 − 4 · a · c = (−6)2 − 4 · 5 · 5 < 0 entonces usando el teorema (4.13. c(2) De donde sigue que det [q]c(2) = det [q]αα Es decir. Dada la secci´ on c´ onica (298) C: ( Hip´erbola : Par de rectas   ∅ : Punto   Elipse  Par´ abola    Una Recta :  ∅    Par de Rectas √ √ 5x2 − 6xy + 5y 2 − 24 2 x + 8 2 y + 56 = 0 • Identifiquemos el tipo de c´ onica • Tracemos la gr´ afica de ( 298) Etapa 1. Si C: ax2 + bxy + cy 2 + dx + ey + f = 0 es una secci´ on c´ onica entonces     b2 − 4ac > 0 =⇒ C                      2  b − 4ac < 0 =⇒ C                     b2 − 4ac = 0 =⇒ C       4.0. Identificaci´ on Como.1.14) podemos concluir que (298) es una elipse o alguna de sus “degeneraciones. ” Etapa 2.0.

8} Para los vectores propios debemos resolver la ecuaci´ on:      5x − 3y = λx x x 5 −3 ⇐⇒ =λ −3x + 5y = λy y y −3 5 (⋆) . como una suma de formas: C: q(x. Diagonalizamos [q]c(3) [(x. y) = [(x. y) = −24 2 x + 8 2 y forma lineal asociada a C Paso 2. y) = 5x2 − 6xy + 5y 2 forma cuadr´ atica asociada a C √ √ l(x. Reinterpretaci´ on de C. y)]c(3) x y  √ √  −24 2 8 2  x y  + 56 = 0 Para ello calculamos en primer lugar los valores propios: Pq (λ) = det  (λ − 5) 3 3 (λ − 5)  = (λ − 5)2 − 9 = λ2 − 10λ + 16 = (λ − 2)(λ − 8) Luego los valores propios son V.P = {2. y)]tc(3) x y = Y  [q]c(3)  5 −3 −3 5 √ √ l(x. PRELIMINARES SOBRE FORMAS Algoritmo Paso 1. y) + 56 = 0 Donde. como sigue: c(3) q(x. q(x. 8 2)]tc(3) √  √ −24 2 8 2 = As´ı que.200 5. y) + l(x. ( 298) puede ser escrita como x y   5 −3 −3 5  x y  + c(3) Paso 3. y) = [(−24 2. Notaci´ on Matricial Cada una de las formas puede ser representada en forma matricial en la base can´ onica c(3) de MR (3 × 1). y)]c(3)   x y  [(x.

1  √ 2  1  √ 2 . . de vectores propios. respecto del producto 1 1 interno usual.  (MR (3 × 1))λ=8 = −1 1      1 −1 . tenemos que (⋆) se reduce a: 5x − 3y = 8x −3x + 5y = 8y =⇒ x = −y Luego. 1   1   √ √ 2 2 ′ [I]αc(3) ′ [q]αα′ ′ ([I]αc(3) )  1 1  √ 2 0 −√ 2  2   1  1 √ −√ 0 8 2 2 Paso 4. (MR (3 × 1))λ=2 =  1 1  An´ alogamente para λ = 8. es una base ortogonal. Finalmente α = M´ as a´ un α′ Es una base ortonormal y  5 −3 −3 5      =    c(3) = [I]α′ ′ ′ [q]αα′ = ([I]αc(3) )t  1 √  =  12 √ 2 1   −1   √ √   2  2  . Reescribimos C en las nuevas coordenadas. CLASIFICACION 201 As´ı que para λ = 2. tenemos que (⋆) se reduce a: 5x − 3y = 2x −3x + 5y = 2y =⇒ x = y Luego.´ DE SECCIONES CONICAS ´ 4.

PRELIMINARES SOBRE FORMAS q(x. se escribe como (300) (x′′ )2 (y ′′ )2 + 2 =1 22 1 La cual es una elipse en posici´ on can´ onica respecto de los ejes x′′ y ′′ . Completamos cuadrados en C (x′ )2 + 4(y ′ )2 − 8x′ + 16y ′ + 28 = 0 m ((x′ )2 − 8x′ ) + 4((y ′ )2 + 4y ′ ) + 28 = 0 m (x′ − 4)2 + 4(y ′ + 2)2 + 28 − 32 = 0 m (x′ − 4)2 + 4(y ′ + 2)2 = 4 m (x′ − 4)2 (y ′ + 2)2 + =1 22 12 Si hacemos (299) x′′ = x′ − 4 ∧ y ′′ = y ′ + 2 entonces la elipse ( 299).202 5. y) + l(x. y) + f = 0 m   1   t  1   1 1 √ √ √ √ x x 2 0  2 2  2 2     +        1 1 1 1 √ √ −√ −√ y y 0 8 2 2   2 2 √  x √ + 56 = 0 −24 2 8 2 y m  ′ t   ′  x 2 0 x     + 0 8 y′ y′  1 1  ′  √ √ x − √  √ 2    + 56 = 0 −24 2 8 2  12  1 √ √ y′ 2 2 m   ′   ′  2 0 x x   ′ ′       + 56 = 0 x y + −16 32 ′ ′ 0 8 y y m 2(x′ )2 + 8(y ′ )2 − 16x′ + 32y ′ + 56 = 0 m (x′ )2 + 4(y ′ )2 − 8x′ + 16y ′ + 28 = 0 Paso 5.

−2) y ′′ Figura 34: Elipse 4. escriba esta en forma can´ onica y grafique: (a) x2 + xy + y 2 = 6 (b) xy = 1 (c) 9x2 + y 2 + 6xy = 4 (d) 4x2 + 4y 2 − 10xy = 0 (e) 9x2 + 6y 2 + 4xy − 5 = 0 √ √ (f) 9x2 + y 2 + 6xy − 10 10 x + 10 10 y + 90 = 0 √ √ (g) 5x2 + 5y 2 − 6xy − 30 2 x + 18 2 y + 82 = 0 203 . Dibujo de la Elipse y y′ x′ x′′ x (4.2. CLASIFICACION Paso 6. (1) En los siguientes ejercicios identifique la secci´ on c´ onica (a) x2 + 9y 2 − 9 = 0 (b) x2 − 2y = 0 (c) 25y 2 − 4x2 = 100 (d) 4x2 + 4y 2 − 9 = 0 (e) −25x2 + 9y 2 + 225 = 0 (2) Identifique la c´ onica. Ejercicios Propuestos.´ DE SECCIONES CONICAS ´ 4.

PRELIMINARES SOBRE FORMAS √ (h) 5x2 + 12xy − 2 13 x = 36 √ √ (i) 8x2 + 8y 2 − 16xy + 33 2 x − 31 2 y + 70 = 0 .204 5.

CAPITULO 6 Procesos Iterativos y algebra Lineal Motivaci´ on 0. (1) Consideremos el sistema lineal can´ onico. se escribe ” en este caso ” como:    −1     −1   2 0 x1 0 1 2 0 x1 1 =− + x2 0 −3 1 0 x2 0 −3 4 Finalmente  1 4   =  1 4 x1 x2   . puede ser escrito matricialmente como sigue      2 1 x1 1 (302) = 1 −3 4 x2 | {z } | {z } | {z } A X B Claramente la soluci´ on de (302) es la matriz columna   2 1 1 −3  1 −1  = 1 4   (3) El sistema (303). puede ser reescrito como:         1 2 0 0 1 2 1 x1 = ⇐⇒ + x2 4 0 −3 1 0 1 −3     x1 2 0 ⇐⇒ + 0 −3 x2     2 0 x1 ⇐⇒ = 0 −3 x2  1 . 2x1 + x2 = 1 x1 − 3x2 = 4 (301) (2) El sistema (301).1. pues −1   x1 x2  0 1 1 0   1 − 4  = x1 x2      (4) Conclusi´ on (303) x1      = −   x2 | {z } X 2 1 1 −3 |  x1 x2  =  m 1  x 1 0 2    1 − 0 x2 3 {z } | {z X M 1 4    } |   +   A · X = B ⇐⇒ X = M · X + N 205 1  2    4 − {z3 } N  0 1 1 0 As´ı que el sistema (303).2.

944     . donde ci ∈ MR (2 × 1). PROCESOS ITERATIVOS Y ALGEBRA LINEAL (5) En la equivalencia ( 303). el sistema cl´ asico A · X = B se transforma en un ” proceso iterativo ” o de ” entrada y salida ”.166  −1. 2.166 −     • c4 = M · c 3 + N   c4 = −     =    =  0 − 1 3 13  12    17 − 18  1.206 6.   c2 = −     =   0 1 3 1  2    4 − 3 − 1  0   1 2    2   +     4 − 0 0 3     • c3 = M · c 2 + N   c3 = −     =    =  0  1   2     0 1   1 2    2 +   4  4 − − 3 3  1   2     0 7   1 6    2 +   4  7 − − 3 6 1 3 7  6    7 − 6  1.083  −0. para i = 1. como sigue:  0 entonces (i) Si c1 = 0 • c2 = M c 1 + N . es decir podemos obtener una sucesi´ on ci .

1. M ∈ MR (n). Lenguaje B´ asico.. (1) Dado un sistema lineal del tipo A · X = B.  =  . N ∈ MR (n × 1)) (2) Determinar condiciones necesarias y suficientes para que el proceso iterativo X =M ·X +N admita una soluci´ on aproximada a la soluci´ on real del sistema A · X = B. . • Ejemplo      b1 x1 a11 a12 . (3) Determinar con el m´ aximo de precisi´ on el error que se comete al obtener una soluci´ on aproximada del sistema original A · X = B... . . ann (2) X = M · X + N . M ∈ MR (n). Objetivos Generales. ser´ a llamado Proceso Iterativo.. . X ∈ MR (n × 1) y B ∈ MR (n × 1). . . .2.972  −0.   . donde A ∈ MR (n). X ∈ MR (n × 1) y B ∈ MR (n × 1).. .972 13   1 12    2 +   4  17 − − 3 18 207     (ii) Iterando el procesotenemos una sucesi´ on (cn )n∈N tal que (n) a  1  • cn =   (n) a2   (n) lim a1  n→∞   entonces • si definimos lim cn =    n→∞ (n) lim a2 n→∞   1  lim cn =  n→∞ −1 1. conseguir la siguiente equivalencia A · X = B ⇐⇒ X = M · X + N . . N ∈ MR (n × 1)). (1) A · X = B. . . Procesos Iterativos 1.  .       . PROCESOS ITERATIVOS • c5 = M · c 4 + n   c5 = −     =    =  0 − 1 3  1   2     0 35  36    35 − 36  0..1. bn xn an1 an2 . . a1n  a21 a22 . donde A ∈ MR (n). .1. ser´ a llamado Sistema Can´ onico. a2n   x2   b2       (304)  . .

representa la matriz identidad de tam˜ no n (ii) Sustituyendo en el Sistema cl´ asico. ...   lim s→∞ n o (s) bij s∈N         Lema 1. . . . .  .. . s∈N • Es decir que. Dado el Sistema Can´ onico A · X = B existe un Proceso Iterativo asociado a dicho Sistema. ..    Bs =    (306) (s) (s) b11 b12 . (s) (s) b21 b22 .3. En efecto (i) Sea A = A + I − I. .. . Procesos Iterativos Cl´ asicos. lim b ... X = M X + N .. . . . . PROCESOS ITERATIVOS Y ALGEBRA LINEAL (305) • Ejemplo  x1  x2   ....3.. m1n m2n ..1.. .3. (s) lim bnn s→∞ 1. .      x1 x2 . . s→∞  (s) lim b11  s→∞ (s)   lim b21 s→∞  lim Bs =  . (3) {Bs }s∈N       =   xn n o (s) = bij Bs ∈ MR (n) m11 m21 .3... . mnn xn sn  .. .3. (s) bnn       (4) Llamaremos L´ımite de una sucesi´ on de matrices a lim {Bs }s∈N = • Esto es. . . Para estudiar un (Pic(n)) dado. . s→∞ 22 . donde M = (I − A) y N = B ser´ a llamado Proceso Iterativo Cl´ asico de tama˜ no n. . (s) lim bn2 . .. tenemos A · X = B ⇐⇒ [(A − I) + I] · X = B ⇐⇒ X + (A − I)X = B ⇐⇒ X = (I − A)X + B Lo que prueba la existencia de un proceso iterativo Definici´ on 1.. donde I = In .. . s→∞ (s) lim b1n s→∞ (s) lim b s→∞ 2n .     +        mn1 mn2 ..208 6.. . ser´ a llamada una sucesi´ on de matrices si para cada s ∈ N. . . ..2.  (s) lim bn1 (307) s→∞ (s) lim b12 s→∞ (s) .   s1 s2 . adoptaremos la siguiente estrategia: (1) Iniciamos el proceso tomando x1 ∈ MR (n × 1) arbitrario: . . . (s) (s) bn1 bn2 . en s´ımbolos (Pic(n)) Observaci´ on 1. s→∞  . m12 m22 . (s) b1n (s) b2n .

λsn }P s→∞ s→∞ = P −1 diag { lim λs1 . . lim λs2 . λsn } s→∞ diag { lim λs1 . . . λn } (ii) M es similar a [M ]αα .  . .      0 1  h i−1 c(n) α (iii) Como [I]α = [I]c(n) entonces de ( 310). . sigue que M r = [I]c(n) [[M ]αα ]r [I]αc(n) α (4) Aplicando ( 311) en ( 308). λs2 . construimos una sucesi´ on {xi }i∈N ∈ MR (n × 1) como sigue: x2 = M x1 + N x3 = M x2 + N = M (M x1 + N ) + N = M 2 x1 + (I + M )N x4 = M 3 x1 + (I + M + M 2 )N .. λsn } Luego. .. λ2 . Si M es diagonalizable entonces lim M s = (0) si y s´ olo si los valores propios de s→∞ M tienen m´ odulo menor que 1.4. . . . . . lim λs2 . tenemos que xs+1 = (312) [I]c(n) [[M ]αα ]s [I]αc(n) x1 α + " s−1 X M i=0 (5) Pero i # N [[M ]αα ]s = [ diag {λ1 .1.  .    . λn }]s = diag {λs1 . . λs2 . lim λsn }P s→∞ s→∞ s→∞ . . .3. λs2 . . donde M 0 = I i=0 (3) Supongamos que la matriz M es diagonalizable entonces existe una base α de MR (n×1) de vectores propios tal que (i) M en esa base se representa como una matriz diagonal. es decir (310) (311) c(n) M = [M ]c(n) = [I]c(n) [M ]αα [I]αc(n) α     0  1     0  0     donde. . c(n) =  . λ2 . . . . digamos [M ]αα = (309) diag {λ1 ..  . PROCESOS ITERATIVOS 209 (2) Partiendo con x1 . .. . . . tenemos que " s−1 # X s i xs+1 = M x1 + M N. . En efecto lim M s = P −1 lim diag {λs1 . para s ≥ 1. . . lim [[M ]αα ]s = s→∞ = lim diag {λs1 . . . . (308) En general. . . lim λsn } s→∞ s→∞ s→∞ As´ı que la primera conclusi´ on es archivada como el siguiente: Teorema 1. .

s→∞ s→∞ En efecto X = MX + N ⇐⇒ X − M X = N ⇐⇒ (I − M )X = N ⇐⇒ X = (I − M )−1 N Definici´ on 1. Aplicando ( 5) a ( 308) tenemos que # " s−2 X i M N lim xs+1 = lim s→∞ s→∞ i=0 (6) Finalmente. Dados un Pic(n) y x1 ∈ MR (n × 1) entonces existe una sucesi´ on {xs } ⊂ MR (n × 1) tal que " s−1 # X (i) xs+1 = M s x1 + M i N . caso contrario decimos que diverge. . s→∞ −1 (I − M ) (316) La conclusi´ on final la archivamos en el siguiente = ∞ X Mi i=0 Teorema 1.3. donde M 0 = I y s ≥ 1 i=0 (ii) Si lim M s = (0) entonces lim xs+1 = (I − M )−1 N es una soluci´ on de Pic(n). no obstante hay algunos problemas tales como (i) Si el tama˜ no del Pic(n) es grande. como en ( 313).6. estos deben tener su m´ odulo menor que uno o equivalentemente la matriz A debe estar cerca de la identidad.3. PROCESOS ITERATIVOS Y ALGEBRA LINEAL Y el resultado sigue del hecho que lim as = 0 ⇐⇒ |a| < 1 s→∞ (313) Una palabra para el caso general.7. lim M s = (0) si y s´ olo si I − M es invertible y en tal caso.210 6. " s−2 # X (314) M i (I − M ) = I − M s−1 i=0 entonces (315) lim s→∞ " s−2 X i=0 M i # (I − M ) = I − lim M s−1 s→∞ As´ı que la segunda conclusi´ on es archivada en el siguiente: Teorema 1.3. pero debe usarse formas can´ onicas de Jordan. (es decir n es grande). existe un resultado analogo. (ii) Adem´ as de calcular los valores propios. s→∞ Si bien hemos conseguido una buena caracterizaci´ on para que un Pic(n) converja. entonces calcular el l´ımite de las potencias de M o sus valores propios o su forma can´ onica de Jordan es costosa en tiempo.5. Si lim M s = (0) diremos que Pic(n) converge.

4. . an1 ) ∈ Rn .1. |an1 |} y en general. PROCESOS ITERATIVOS 211   a11  a21    1.   an1 isomorfismo ).2. |a21 |.4. Sea A =  . . a21 . 33. podemos definir una funci´ on como sigue: (317) k k : MR (n) − 7 → R+ ∪ {0} A 7 → − kAk tal que si A = (aij ) ∈ MR (n) entonces (318) kAk = m´ ax Ejemplo 1. . podemos definir kAk = max {|a11 |. es un  . ...4.  entonces identificando Rn con  . . 19} = 33 = m´ 0 1 18 La funci´ on k k es una norma en el espacio vectorial MR (n) En efecto   n X  (i) Como kAk = m´ ax |aij | / 1 ≤ i ≤ n entonces kAk ≥ 0 y   j=1 kAk = 0 ⇐⇒ ⇐⇒ m´ ax n X j=1  n X  j=1 |aij | | 1 ≤ i ≤ n |aij | = 0 1≤i≤n    =0 ⇐⇒ |aij | = 0 1 ≤ i ≤ n 1 ≤ j ≤ n ⇐⇒ aij = 0 1 ≤ i ≤ n 1 ≤ j ≤ n ⇐⇒ A = (0) . .   1 −2 −5 0 −30  entonces Si A =  3 0 1 18 Lema 1. Norma cl´ asica para matrices.  ∈ MR (n × 1) 7−→ (a11 .1.  an1  a11  a21    MR (n × 1) ( recuerde que la asociasi´ on  . .  n X  j=1 |aij | | 1≤i≤n      1 −2 −5  3 0 −30  ax {8. .

4.212 6.4.3. Si A ∈ MR (n) entonces lim kAs − A)k = 0 =⇒ lim As = A (319) s→∞ s→∞ En efecto lim kAs − Ak = lim m´ ax s→∞ s→∞ lim s→∞ n X j=1  n X  j=1 (s) |bij − aij | | 1 ≤ i ≤ n m (s) |bij − aij | = 0 (s) lim |b s→∞ ij m − aij | = 0 (s) lim b s→∞ ij = aij ∧ ∧ ∧ 1≤i≤n 1≤i≤n 1≤i≤n Lema 1. Si A ∈ MR (n) y B ∈ MR (n) entonces kABk ≤ kAk kBk En efecto    =0 .4. PROCESOS ITERATIVOS Y ALGEBRA LINEAL (ii) Si λ ∈ R entonces kλAk = m´ ax  n X |λaij | / 1 ≤ i ≤ n      |λ||aij | / 1 ≤ i ≤ n = m´ ax   j=1   n X  = |λ| m´ ax |aij | / 1 ≤ i ≤ n    j=1  n X j=1 = |λ| kAk (iii) Para ver la desigualdad triangular   n X  kA + Bk = m´ ax |aij + bij | / 1 ≤ i ≤ n   j=1   n X  ≤ m´ ax (|aij | + |bij |) / 1 ≤ i ≤ n   j=1     n n X X   ≤ m´ ax ax |aij | / 1 ≤ i ≤ n + m´ |bij | / 1 ≤ i ≤ n     j=1 j=1 = kAk + kBk Lema 1.

donde cij = n X aik bkj entonces k=1 kA Bk = m´ ax = m´ ax ≤ m´ ax ≤ m´ ax ≤ m´ ax ≤ m´ ax 213  n X   |cij | | 1 ≤ i ≤ n   j=1   .1. PROCESOS ITERATIVOS Como AB = (cij ).

.

n n .

X  .

X .

.

aik bkj .

| 1 ≤ i ≤ n .

 .

.

4.5.  j=1 k=1   n n X  X |aik bkj | | 1 ≤ i ≤ n   j=1 k=1   n n X  X |aik | |bkj | | 1 ≤ i ≤ n   j=1 k=1   n n  X X |bkj | | 1 ≤ i ≤ n |aik |   j=1 k=1   ) ( n n X  X |aik | | 1 ≤ i ≤ n m´ ax |bkj | | 1 ≤ j ≤ n   j=1 k=1 ≤ kAk kBk Corolario 1.4. tenemos que (321) kAs k < 1 =⇒ lim As = 0 s→∞ Todo lo anterior.5). Teorema 1. tenemos que: kAs k ≤ kAks =⇒ lim kAs k ≤ lim kAks s→∞ (2) kAs k < 1 entonces necesariamente lim s→∞ Luego. lo podemos reducir a la siguiente t´ecnica. .6. s→∞ kAks =0 kAs k < 1 =⇒ 0 < lim kAs k ≤ lim kAks = 0 s→∞ s→∞ As´ı que (320) kAs k < 1 =⇒ lim kAs k = 0 s→∞ (3) Finalmente aplicando ( 319) en ( 320). tenemos que kAs k = kAs−1 Ak ≤ kAks−1 kAk = kAks ahora podemos aplicar los resultados anteriores como sigue: (1) Aplicando ( 1. Si kM k < 1 entonces Pic(n) converge a una soluci´ on.4). Si A ∈ MR (n) entonces kAs k ≤ kAks En efecto Aplicando ( 1.4.

Dos conclusiones podemos sacar del ejemplo anterior: (i) La condici´ on kM k < 1.1.4. ann } (322) (2) De la misma forma a partir de la matriz A obtenemos la nueva matriz N D A = A − DA (323) (3) Aplicando ( 322) y ( 323).7. (ii) Existen otras alternativas para generar procesos iterativos. pero M y N son obtenidos de una forma no cl´ asica y a´ un el sistema converge. . podemos transformar al sistema original en lo siguiente: A X = B ⇐⇒ (DA + N DA ) X = B ⇐⇒ DA X + N DA X = B As´ı tenemos que (324) A X = B ⇐⇒ DA X = −N DA X + B (4) Para despejar X. . tenemos que   −1 −1 M= −1 4 y kM k = 5 no obstante en la motivaci´ on mostramos que podemos escribir (303) en el mismo formato X = M X + N . que llamamos Pic(2). debemos eliminar matematicamente a DA en el primer miembro de ( 324) y para ello bastar´ a que ocurra lo siguiente: −1 Existe DA ⇐⇒ det DA 6= 0 En este caso. donde A = (aij ) ∈ MR (n). X ∈ MR (n × 1) y B ∈ MR (n × 1) entonces (1) Definimos a partir de la matriz A la nueva matriz DA = diag{a11 . 2. . .214 6. . . . podemos caracterizar la existencia de la inversa como sigue (325) −1 Existe DA ⇐⇒ aii 6= 0 para i = 1. es una condici´ on necesaria pero no suficiente para la convergencia del sistema. estudiamos el sitema lineal (303) 2x1 + x2 = 1 x1 − 3x2 = 4 Una vez que le damos la forma matricial. . . n entonces ( 324) puede ser escrito como sigue: (326) −1 −1 B A X = B ⇐⇒ X = −DA N D A X + DA {z } | {z } | M N . . Proceso Iterativo de Jacobi. En la motivaci´ on de este cap´ıtulo. n (5) Si aii 6= 0 para i = 1. Procesos Iterativos no Cl´ asicos 2. . PROCESOS ITERATIVOS Y ALGEBRA LINEAL Ejemplo 1. a22 . . Consideremos un sistema Lineal A X = B.

. se llama Proceso Iterativo de Jacobi de tama˜ no n.. ...  .  =  a a22 22  . an1 an2 .. bn a1n a2n ... .   a.. ..  ..1.  . an2 − ann .  0 ann  b1 a11     b2   a22  .´ 2. a1n  − a11   a2n   −  a22   . . ..  . . −1 = DA B  a11  a22  = −        =           0 a21 . xn  a. . 0 ann ann Definici´ on 2. .  +    . tenemos que    b1     a11    x1        b     x2  2     . ..1. en s´ımbolos Pij(n) Ejemplo 2. . .. aplicando los valores de M y N  a12 a1n 0 − ..   a22  .. ...    . ..  .. . ann a12 a11 . .. 0           en ( 326). PROCESOS ITERATIVOS NO CLASICOS 215 (6) Para que el m´etodo sea completo estudiemos m´ as de cerca M y N . Consideremos el sistema lineal expuesto en (303) 2x1 + x2 = 1 x1 − 3x2 = 4 ... ann (7) En resumen. M −1 = −DA N DA  a11  a22  = −   − 0    a  − 21 =   a22  .. .1. − (327)  .. .... an2 n1 − − ..    ..  . . 0 .   bn  a12 0 ...   xn     bn  ann Un proceso iterativo obtenido como en ( 327). .     b1 b2 . n1 − ann An´ alogamente N ... −    a11 a11 x1   x2   a2n a   − 21  0 .2. . .

6) tenemos que un Pij(n) converge si kM k < 1.216 6. el Pij(n) obtenido es    1 x1 0 −    2  =    1 0 x2 | {z } | 3 {z X M Observaci´ on 2. m´ as exactamente aplicando ( 1. PROCESOS ITERATIVOS Y ALGEBRA LINEAL En este caso.1.    x2 } | {z } |    x1 X   +   1  2    4 − {z3 } N Consideremos un Pij(n) entonces de la teor´ıa expuesta anteriormente.3. entonces   X .4.

.

a .

.

 .

ij .

n < 1 kM k < 1 ⇐⇒ m´ ax . . | i = 1. 2. . . .

aii .

  j6=i X .

.

aij .

.

.

.

<1 ⇐⇒ .

aii .

a11 = 2 6= 0 y a22 = −3 6= 0.6. .1.4. . hemos probado el siguiente: Teorema 2. . En el Pij(2) (303) tenemos que      2 1 x1 1 = 1 −3 x2 4 | {z } | {z } | {z } A X B Luego. . Observaci´ on 2. . .1. n j6=i En estos t´erminos.1. . . . Consideremos un Proceso Iterativo convergente entonces tenemos cuando menos los siguientes problemas: (1) Si Y es una soluci´ on absoluta del sistema de ecuaciones lineales AX=B entonces ¿ C´ omo saber c´ uando la soluci´ on relativa obtenida es aceptable ? (2) ¿ C´ omo medir el error que se comete en cualquiera de las etapas del c´ omputo del sistema iterativo ? Para responder a estas interrogantes comenzemos comparando lo que creemos es es problema. . Luego el Pij(2) (303). converge a una soluci´ on del sistema cl´ asico.5. n y ii 6= 0 X (2) |aij | < aii para i = 1. n j6=i Ejemplo 2. j6=i X ⇐⇒ |aij | < aii para i = 1. . . es decir supongamos que tenemos un proceso iterativo standar y Y es una soluci´ on absoluta del proceso entonces (328) Y = M Y +N y (329) Ys+1 = M Ys + N . Un Pij(n) converge si se satisfacen las siguientes condiciones: (1) a i = 1.

Ejercicios Propuestos. (1) Considere la matriz (332)  2 0.1. PROCESOS ITERATIVOS NO CLASICOS 217 Luego.2. 1 1 A= 3 4 0  0 1 8 (i) Calcule ||A|| (ii) Considere ahora el sistema  2 0.´ 2. 1  3 4 0 1  lineal     1 x 3 0  y  =  0  8 z 1 Puede garantizar que el proceso iterativo X = M X + N inducido por (332). pero su norma sea mayor que 1. tenemos las relaciones kY − Ys+1 k = kM k k(Ys+1 − Ys )k k(I − M )−1 k ≤ k(Ys+1 − Ys )k k(I − M )k−1 Finalmente la relaci´ on fundamental es dada por kY − Ys+1 k ≤ (331) entonces tenemos el siguiente k(Ys+1 − Ys )k k(I − M )k Teorema 2.7. Si X = M X +N es un proceso iterativo de tama˜ no n con kM k < 1 entonces existe una sucesi´ on {Sr }r∈N ⊂ MR (n × 1) tal que (1) S1 es arbitrario (detonante del proceso) (2) Sr+1 = M Sr + N para r ≥ 1 (3) lim Sr+1 = (I − M )−1 N es una soluci´ on del proceso iterativo y r→∞ (4) kY − Ys+1 k ≤ k(Ys+1 − Ys )k k(I − M )k 2. (3) Dado el sistema lineal −5x + 2y + z = 2 x + 7y + z = 2 x + y − 5z = 2 . como kM k < 1 entonces tenemos a nivel de matrices la igualdad fundamental Y − Ys+1 = M (Ys+1 − Ys )(I − M )−1 (330) y a nivel de ”n´ umeros”. con M = I − A y N = [3 0 1]t . converge a una soluci´ on del sistema original ( 332) (2) De un ejemplo de una matriz de orden 2. tal que sus valores propios tengan m´ odulo menor que 1. de ( 328) y ( 329) obtenemos que Y − Ys+1 Y − Ys+1 Y − MY Y (I − M ) (Y − Ys+1 )(I − M ) M Y − M Ys M Y − M Ys + M Ys+1 − M Ys+1 Ys+1 − M Ys+1 + M Ys+1 − M Ys Ys+1 (I − M ) + M (Ys+1 − Ys M (Ys+1 − Ys ) = = = = = As´ı que.

(5) Consideremos un sistema A X = B. X ∈ MR (n × 1) y B ∈ MR (n × 1) entonces (a) Definimos a partir de la matriz A la nueva matriz T SA = ( aij 0 si i ≤ j si i > j (b) De la misma forma a partir de la matriz A obtenemos la nueva matriz (333) N T S A = A − T SA (c) De condiciones para que a partir del sistema T SA X = −N T SA X + B Se obtenga un proceso iterativo convergente de la forma (334) −1 −1 X = −T SA N T S A X + T SA B | | {z } {z } M N (d) Determine expl´ıcitamente M y N .Seidel de tama˜ no n. (4) Dado el sistema lineal 6x + 2y − 3z = 5 −x + 8y + 3z = −10 x + 4y + 12z = 12 (a) Calcule X4 a partir de X1 = [1 1 1]. usando si es posible el m´etodo de Jacobi. PROCESOS ITERATIVOS Y ALGEBRA LINEAL Calcule X3 a partir de X1 = [0 1 0]. usando si es posible el m´etodo de Jacobi. Un tal proceso se conoce como Proceso Iterativo de Gauss . en s´ımbolos Pig(n) . donde X es la soluci´ on correcta del sistema.218 6. (b) Estime el error ||X4 − X||. A = (aij ) ∈ MR (n).

Resoluci´ on de sistemas y Operaciones elementales 3. Aplicaciones a la Estad´ıstica 6. Clasificaci´ on de secciones C´ onicas 183 183 188 189 197 Capitulo 6. Subespacios 5. El m´etodo de los m´ınimos cuadrados 8. Ejercicios Propuestos 23 23 23 26 31 51 63 75 75 76 78 80 88 90 Capitulo 3. Objetivos 2. Objetivos 2. Representaci´ on Matricial de T 11. Formas L´ıneales 2. Proyecci´ on Ortogonal 5. Aplicaciones 1 1 8 17 Capitulo 2. 1. Procesos Iterativos y algebra Lineal 1.Contenidos Capitulo 1. Introducci´ on al Proceso de Diagonalizaci´ on 1. Motivaci´ on 9. Preliminares sobre Formas 1. Espacios Vectoriales con Producto Interno 1. Procesos Iterativos 2. Clasificaci´ on de Espacios Vectoriales 12. M´ınimos cuadrados y sistemas de ecuaciones 7. Ejercicios Resueltos 13. Definici´ on y ejemplos 10. Aplicaciones 93 93 105 117 Capitulo 4. Ejercicios Propuestos 3. Objetivos Generales 8. Norma 2. Espacio Coordenado 7. Preliminares sobre Sistemas de Ecuaciones. Un criterio de diagonalizaci´ on 3. Motivaci´ on 3. Operadores Especiales 123 123 128 135 145 150 157 167 172 Capitulo 5. Valores y Vectores Propios 2. Espacios Vectoriales 1. Preliminares sobre Producto Interno 3. Definici´ on y Ejemplos de espacios vectoriales 4. Bases ortogonales 4. Preliminares sobre Formas Bil´ıneales 4. Procesos Iterativos no Cl´ asicos 205 207 214 Bibliograf´ıa 221 219 . Base y Dimensi´ on 6.

.

” Algebra Elemental ”. ” Algebra Intermedia ”. E. I. Algebra lineal. ´ [7] Grossman.. [4] Boldrini D. Brooks/Cole Publishing Company 1999. J. J. ´ [12] Nakos. Prentice Hall 1999. S. Brooks/Cole Publishing Company 1997. Brooks/Cole Publishing Company. [3] BiswaNath Datta. Brooks/Cole Publishing Company 2000 ´ [11] Kolman. [2] Billeke. R. Universidad de Santiago 1999. Bobadilla. Facultad de Ciencia. B. ” Algebra Lineal con Aplicaciones ”. G. ”Algebra Linear” [5] Fraleigh J. [9] Hofmman K. R. Addison Wesley 1997. ´ [16] Zill. Brooks/Cole Publishing Company 1998 [13] Orellana A. Brooks/Cole Publishing Company 1997. ”algebra Abstracta” Addison-Wesley Iberoamericana 1988. ”Algebra Lineal” ´ [10] Kaufmann. Algebra lineal con Aplicaciones y Matlab. D. Mc Graw Hill 1999 221 . ´ [8] Gustafson. ” Algebra y trigonometr´ıa ”.Bibliograf´ıa ´ [1] Bello. ” Algebra Intermedia ”.. G. Mc Graw Hill 1997. and Kunze R. ” Matem´ aticas Discretas y Combinatorias ”. ” C´ alculo 1 ”. Un Segundo curso de Algebra Lineal ´ [15] Swokowski. ”Apuntes de Algebra” Universidad de Santiago de Chile 1997 [14] Santander R. 1994. [6] Grimaldi. ” Algebra y trigonometr´ıa ”. ” Numerical Linear Algebra and Applications ”.