You are on page 1of 59

Algebra Lineal y sus Aplicaciones

Abel Arce Carrasco


ii
Pr
ologo

La importancia que tiene el algebra lineal en el desarrollo de las distintas ra-


mas de la matematica: la geometra, las ecuaciones diferenciales, la investigacion
de operaciones, etc.; es muy grande.

En esta obra, EL ALGEBRA LINEAL Y SUS APLICACIONES, se desarrolla


esencialmente la estructura de espacio vectorial, y se desarrollan los modelos parti-
culares para abordar problemas sobre: sistemas de ecuaciones lineales, el analisis
de insumo y producci on: el modelo matematico de Leontief aplicado en la eco-
noma, la teora de juegos, la programaci
on lineal, etc.

Este libro se ha elaborado con el prop osito principal de contribuir con una
base matematica esencial en la formaci on del futuro profesional, proporcionando
los fundamentos del algebra lineal de la manera mas clara posible.

En su confeccion se ha procurado que el mismo contribuya a consolidar en


los estudiantes la concepci on cientfica i que vea en los conceptos matematicos
un reflejo de determinados aspectos formales cualitativos i de las aplicaciones que
puedan derivarse. As mismo, la estructura de este libro, se ha hecho pensando
que podra ser de utilidad para estudiantes no solo de matematicas o de fsica, sino
tambien para aquellos que cursan carreras profesionales de ingenieras, economa,
ciencias administrativas, ciencias medicas, i aun las ciencias sociales.

Son aspectos especficos de este libro:

1. Una aproximaci on que primero se desarrolla el concepto matematico i des-


pues se refuerza con aplicaciones.

iii
iv

2. Proveer con un abundante n


umero de ejemplos resueltos.

3. Los ejercicios est


an cuidadosamente seleccionados i distribuidos de modo que
el lector pueda consolidar sus conocimientos resolviendolos inmediatamente
despues de cada seccion. Cada ejercicio va acompanado de su respuesta que
se encuentra al final del libro.

4. El contenido de esta obra puede ser utilizado tambien exclusivamente para


las carreras profesionales de economa, administracion, contabilidad, etc.
desarrollando en una asignatura semestral de cuatro horas semanales, los
captulos I, IV, VII i VIII.

El libro se divide en ocho captulos (vease el ndice general). En cada uno


de ellos se expone la teora con el rigor i el cuidado que la matematica requiere,
evitando el formalismo excesivo; para luego abordar las aplicaciones.

Los dos u ltimos captulos comprenden temas importantes sobre Metodos


area de Investigaci
cuantitativos del on de operaciones, a solucion de estos proble-
mas requiere sin ninguna duda de las tecnicas usadas en el algebra lineal. Espero
que el uso de este libro estimule el interes por la matematica en general i sus
aplicaciones.

Por ultimo, deseo expresar mi agradecimiento a Giovanna Arce C., J. Alexei


Luzar 0., i de un modo particular a Eduardo Bustamante B., quienes lograron el
digitado del manuscrito.

El autor estar
a en deuda con aquellas personas que hagan llegar sus sugeren-
cias, a fin de mejorar la presente edici
on.

Cusco-Per
u, mayo de 1993

Mag. Abel Arce Carrasco.


Indice general

1. El algebra de matrices y sistemas de ecuaciones lineales 1


1.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Tipos especiales de matrices . . . . . . . . . . . . . . . . . . . . . . 13
1.4. Sistema de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . 31

2. Espacios vectoriales 35
2.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.1.1. Propiedades elementales . . . . . . . . . . . . . . . . . . . . 41
2.1.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.2.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.2. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.2.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

v
vi INDICE GENERAL
Captulo 1

El algebra de matrices y
sistemas de ecuaciones lineales

1.1. Matrices
Muchos problemas que se presentan en la estadstica, economa, mecanica
clasica, ingeniera mec
anica-electrica, y aun en las ciencias biologicas y sociales se
abordan mediante el empleo de las matrices. El concepto de matriz no es nuevo.
En 1858, Arthur Cayley, un matem atico de siglo XIX publico un trabajo llamado
Memoria sobre la teora de matrices, que modifico muchos conceptos esta-
blecidos hasta aquella epoca; hoy con el adelanto de las maquinas, computadoras
se hace necesario el uso de los metodos matriciales para manejar problemas en los
cuales se utiliza gran cantidad de datos.

De una manera intuitiva, podemos decir que una matriz es una disposicion rec-
tangular de elementos distribuidos en filas y columnas, tales elementos pueden ser
n
umeros, funciones, aun matrices en condiciones apropiadas, etc. Para plantear la
definicion de matriz desde un punto de vista matematico requerimos previamente
conocer lo que es un campo (o un cuerpo conmutativo)
Definicion 1.1. Un conjunto F se llama un Campo cuando en este conjunto es
posible definir dos operaciones llamadas adicion y multiplicacion, denotadas
por + y , y que consisten en asignar a cada par x, y de F los elementos
x + y y x y en F respectivamente, tales que cumplan las siguientes condiciones:

1
2 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

Para todo x, y, z en F .
(c1 ) x + y = y + x y xy =yx
(c2 ) (x + y) + z = x + (y + z) y (x y) z = x (y z)
0F
(c3 )
0

En realidad, la definici
on de un campo exige el cumplimiento de nueve propie-
dades; cuatro para la adici on, cuatro para la multiplicacion y una que relaciona
las dos, llamadas respectivamente: propiedad conmutativa, propiedad asociativa,
existencia de los elementos identidad (cero y uno), existencia de los elementos
inversos (x y x1 ), y la propiedad distributiva.

Basicamente un campo es un conjunto en el cual, con excepcion de la division


por cero, la suma, la diferencia, el producto y el cociente de cualquier par de ele-
mentos del conjunto, es un elemento del conjunto.

Cualquier conjunto F provisto de las dos operaciones y que cumplan todas


las propiedades anteriores define un campo; en otras palabras, hemos dotado a F
de una estructura algebraica particular. El estudio de las estructuras algebraicas:
campos, grupos, anillos, m odulos,
algebras, etc. Es de competencia del algebra
en general y no necesariamente del algebra lineal a nosotros nos interesa para
nuestros fines la estructura de campo y de espacio vectorial.

Ejemplo 1.1. El conjunto de los n umeros naturales N = {1, 2, . . . } con las ope-
raciones usuales de adici
on y multiplicaci
on no es un campo; por varias razones.
por ejemplo, falla la propiedad (C3 ), no existe el elemento cero en N
tal que
X +0=X

Ejemplo 1.2. El conjunto de los numer Z


os enteros = {. . . , 2, 1 0, 1,2 . . . }
con las operaciones usuales de adici
on y multiplicacion tampoco es un campo, no
cumple la propiedad (C4)

Ejemplo 1.3. El conjunto de numeros racionales , n Qumeros reales y nR umeros


C
complejos , si son campos dotados de las operaciones de adicion y multiplicacion
de numeros complejos. A manera de ilustracion veamos el cumplimiento de las 2da
C
parte de la propiedad (C4) en para todo n umero complejo z = a + b y diferente
1.1 Matrices 3

de cero con a y b reales existe z 1 tal que z.z 1 = 1. En efecto:

1 1 + 0i 1 + 0i a bi a bi
z 1 = = = = 2
a + bi 
 a + bi
 a + bi a bi a + b2
a a bi
z 1 = 2 2
i
a +b a2 + b2

se comprueba facilmente que z.z 1 = 1

Ejemplo 1.4. El conjunto F = {0, 1} que contiene 2 elementos 0 y 1, cuyas


operaciones se definen mediante las tablas:
Es un campo.

on 1.2. Sea F un campo y E = {(i, j) 1 i m, 1 j n} un conjunto


Definici
de pares ordenados de enteros positivos. Una matriz A de orden m n sobre el
campo F es una funcion A : E  F , donde A(i, j) = aij F recibe el nombre de
entrada o elemento de la matriz.
Usualmente la matriz A se representa mediante una dispocision rectagular
de entradas de entradas expresadas en m filas y n columnas. Cuando el campo
F coincide con R C
o , todos los elementos de la matriz seran respectivamente
n
umeros reales o complejos.

Ejemplo 1.5. E = {(i, j)/1 i 3, 1 j 2} y F = R, la matriz A : E  R


representamos, por ejemplo, mediante:
1

4 0
A = 5 1
1 3

donde aij = 14 e encuentra en la fila 1 y columna 1, a32 = 3 esta ubicada en la


fila 3 columna 2,etc. Diremos que A es una matriz de orden 3 2 o de tama no
3 2.

E = {(i, j)/1 i 2, 1 j 4} y F = C, entonces la matriz A : E C


dispomemos, por ejemplo, por medio de:

3 + i 25

2
A=
1 8i 1 4i
4 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

donde a13 = i se encuentra en la fila 1 columna 3, a24 = 1 4i esta situado


en la fila 2 columna 4, etc. El orden de esta matriz es de 2 4.
En circnstancias especiales los elementos de las matrices pueden ser funciones,
matrices, etc. Por ejmplo:
   
  0 1 0 2
sen(t) tan(t) 1, 0 5, 2
A= 2 ,B =    
t 1 t 1 0 1 2
0 1 3 4
en el cual los elementos pertenecen implicitamente a un campo convenientemente
definido. Ambas matrices son de orden 2 2. Representando la matriz A de m
filas y n columnas mediante un arreglo rectangular, tenemos:

a11 a12 . . . a1n
a21 a22 . . . a2n
A= . .. = (aij )mn

..
.. . .
am1 am2 . . . amn
Cuyo orden es m n. Cuando m = 1, entonces diremos que A es una matriz fila;
y cuando = 1 una matriz columna.
Si todos los elementos de la matriz Ason ceros, esta se denomina la matriz
cero.
La diagonal principal de una matriz cuadrada n n esta formada por los
elementos a11 , a22 , . . . , ann .
La matriz identidad In de orden n es una matriz cuadrada n n, en el cual
todos los elementos de la diagonal principal es 1 y los demas ceros; es decir,
aij = 0 i = j .
Ejemplo 1.6.

2
3 2 1 0 0 0
1

0 4 3 0 2 1 0 0
1
1 2 5 0 0
3

  1 0 0
1 0
I2 = I3 = 0 1 0
0 1
0 0 1
1.2 Operaciones con matrices 5

Podemos considerar las matrices filas 1n como elementos de F n o las matrices


columnas m 1 como elementos de F m . Mas concretaqmente, su pongamos que
el campo F sea R R
y n = 3, y como sabemos los elementos de  3 son ternas
ordenadas de n umeros reales, por ejemplo el vector o 12 1 ; entonces la
R
matriz fila o 21 1 podemos considerar como elemento de 3 . De aqu que
la matriz fila se llamara vector fila y la matriz
En resumen, una matriz disponiendose en forma rectangular de numeros per-
mite expresar frecuentemente ptoblemas en situaciones muy concretas. Por ejmplo
supongamos que tres fabricas F1 , F2 , F3 producen diariamente ladrillos, bloquetas
y tubos de concreto en las cantidades que se indican mas abajo. Este hecho lo re-
presentamos mediante el diagrama que se ilustra, y consiguientemente madiante
una matriz A.
3000 2500 1500
A = 1800 2600 2500
1500 2300 2400
Otro ejemplo interesante de uso corriente es aquella matriz que expresa el
origen-destino de pasajeros en un sistema de transporte. Esta matriz se construye
de una lista de pasajeros que se desplazan de un luar a otro. Formulamos, con un
ejemplo, traves del siguiente diagrama:
La matriz correspondiente viene dada por:

180 300 200 350
A = 0 150 50 60
0 0 120 250

1.2. Operaciones con matrices


Mmn (F ) representa el conjunto de todas las matrices m n. Donde F es
el campo de numeros relaes o complejos. Vamos a definir operaciones en este
conjunto:

Definici
on 1.3. Dadas las matrices A = (aij )mn y B = (bij )mn sobre un
campo F entonces:

(1) Diremos que A y B son iguales; es decir, A = B si y solo si aij = bij para
todo i = 1, 2, . . . , m y todo j = 1, 2, . . . , n.
6 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

(2) La suma de las matrices A y B es la matriz A + B = (Cij )mn , donde


Cij aij + bij

(3) Si K F y A = aij , emtonces el producto del escalar que por la matriz A,


es la matriz
KA = (Cij )mn donde cij = Kaij

(4) Supongamos que A = (aij )mn y B = (bij )mn , entonces el producto de A


y B viene dada por:
n
X
AB = (cij )mp , donde cij = a1k bkj para 1 i m; 1 j n.
k=1

Observese que el producto de A y B es posible efectuar solo cuando el numero


de columnas de la primera matriz A es igual al numero de filas de la segunda
matriz B.
La operacion de multiplicacion de matrices se ilustra de una manera general
por el siguiente diagrama.Por ejemmplo para i = j de B, fijos:

a11 a12 . . . a1n b11 b12 . . . b1p a11 c12 . . . c1p
a21 a22 . . . a2n b21 b22 . . . b2p c21 c22 . . . c2p
.. = ..

.. .. .. .. .. .. ..
. . . . . . . . .
am1 am2 . . . amn bn1 bn2 . . . bnp cm1 cm2 . . . cmp
n
X
Donde cij = a11 b11 + a12 b21 + + a1n bn1 = a1k bk1
k=1

De igual modo se procedera para calcular los otros elementos cij .


Abreviadamente el producto de matrices se efectua fila por colummna en el
orden en que son escritas. Presentamos otro esquema en el que cij es la interseccion
de la i-esima fila de A
Muchas reglas para el algebra de matrices son validas al igual que las leyes
conocidas en el algebra en general, no obstante que existen algunas propiedades
que si fallan en las matrices como veremos mas adelante.
Supongamos que A, B, C son matrices cuyos ordenes sean adecuadas para
efectuar las operaciones indicadas:
1.2 Operaciones con matrices 7

La propiedad (10) se incluye, a pesar de que en este momento todavia no hemos


definido la potencia de una matriz. Es por conveniencia, a fin de que agrupados
en un conjunto, Mas adelante trataremos este punto.
     
0 1 2 1 1 2 1 0 0
Ejemplo 1.7. (1) + =
3 2 5 4 0 1 7 2 4

i i 0
(2) 0,5 + 1,5 = 2
2 + 3i 1 2i 3+i
2
1 0 3 0
(3) 32 32 1 = 1 32
6 3 4 2

2 1  
3 2 1
(4) Sean A = 0 1 y B =
, entonces:
0 3 4
3 4

2 1   6 1 6
3 2 1
AB = 0 1 = 0 3 4 mientras que
0 3 4
3 4 9 6 19

 2 1
  
3 21 0 1 = 3 3
BA =
0 3 4 12 13
3 4
Observe que AB = (cij )33 , donde c12 = (2)(2) + (1)(3) = 1, c3 2 =
(3)(2) + (4)(3) = 6, etc. y BA = d( ij)22 , donde d11 = (3)(2) + (2)(0) +
 
0 3
(1)(3) = 3, d22 = (0)(1) + (3)(1) + (4)(4) = 13, etc. Si A =
1 2
 
1 0
yB= , entonces:
3 4

     1 0    
0 3 1 0 9 12 0 3 0 3
AB = = y BA 3
=
1 2 3 4 5 8 1 2 4 17
4
8 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

Si A = (2)11 y B = (5)1 , entonces AB = (10)11 y BA = (10)11


Aplicaciones Considerese 3 paises P, Q, R donde ai bj y ck denotan respectiva-
mente el numero de aeropuertos de cada pas, para i = 1, 2; j = 1, 2; k = 1, 2, 3, 4;
tal como aparece en el diagrama siguiente:
El numero que aparece sobre las lneas de union indica el numero de posibi-
lidades de viajar de un aeropuerto a otro, devido a que hay tantas empresas de
avacion en cada trayecto. Por ejemplo para viajar de A2 a b1 hay tres posibilida-
des, puesto que existen 3 lineas aereas a lo largo de esa ruta. Se quiere conocer
las alternaticas para viajar del pas P al pas R.
Solucion Toda la informacion que se tiene podemos expresar en los cuadros
siguientes:
b1 b2 c1 c2 c3 c4
a1 1 2 b1 1 1 1 1
a2 3 0 b2 2 0 0 2
Una ruta de a1 hasta c1 puede pasar por b1 o por b2 ; en el primer caso existe
1 1 posibilidades de escoger. Si disponemos los cuadros anteriores en 2 matrices
adecuandose tendra:
     
1 2 1 1 1 1 5 1 1 5
A= yA= el producto AB = A =
3 0 2 0 0 2 3 3 3 3
Proporciona el numero total de alternativas de las rutas para ir de P a R. Por
tanto formamos el cuadro:
c1 c2 c3 c4
a1 5 1 1 5
a2 3 3 3 3
Observaciones (En el producto de matrices)
(1) Si A es una matriz cualquiera y O es una matriz cero con orden convenien-
temente definido, entonces: AO = Oy OA = O. pero no siempre AO = OA.
6 5 4
por ejemplo. Si A es la matriz A = entonces:
3 2 1

  0 0  
6 5 4 0 0
AO = 0 0 =

3 2 1 0 0
0 0
1.2 Operaciones con matrices 9

 
 6 5 4 
0 0 = 0 0 0
3 2 1
en cada caso el tama
no de la matriz es diferente.
(2) En los numeros reales se cumple la propiedad siguiente: Si a 6= 0 y b 6= 0. El
producto de matrices no nulas (no ceros) puede ser una matriz nula. Por
ejemplo.
     
1 0 0 0 0 0
Si A = 6= 0 y B = 6= 0 , entonces AB =
0 0 1 1 0 0
on del producto de 2 matrices se tiene AB 6=
(3) Como consecuenca de la definici
BA ; es decir, el producto no es conmutativo, vease los ejemplos 4 y 5
anteriores.
(4) En el conjunto de n umeros reales, se cumple la ley cancelacion AC =
BC = a = b, siempre que c 6= 0 en el conjunto de matrices no siempre se
verifica. en efecto: sean

1 0 2
A = 0 1 1
2 0 2
Ejercicios
(1) Diga si e verdadero o falso; dar un contraejemlo cuando sera falso.
(a) Si la primera y tercera columna de B son iguales, tambien lo son la
primera y latercera de AB.
(b) Si la primera y la tercera fila de B son iguales, tambien lo son la primera
y la tercera fila de AB.
(c) Si la primera y tercera fila de A son iguales, tambien lo son la primera
y la tercera de AB.
(2) La primera fila de AB es una combinacion lineal de todaslas filas deB. En
2 1 4
esta combinacion, Cu
al es la primera fila de AB, Si A = ,B =
0 1 1

1 1
0 1 ?
1 0
10 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

(3) (a) Que le sucede a una matriz 3 3 si la premultiplicamos por.



1 0 0 1 0 0
E31 0 1 0 o E23 0 1 5
4 0 1 0 0 1

(b) Que sucede si postmultiplicamos para formar AE31 ?



    2 3 0 1
1 1 2 4 0 3
(4) A = , B = , C = 5 1 4 2 ,
0 3 4 1 2 3
1 0 0 3

2
D = 1 Encontrar:
3
 
2 2
(5) Si A = , encontrar: (a)A2 , (b)A3 , (c)f (A), (d)g(A)
3 1
donde f (x) = x3 3x2 2x + 4 y g(x) = x2 x 8.

0 1 0
(6) Si A = 0 0 1 , verifique que A3 = 5I3
5 0 0

(7) Resuelva cada una de las siguientes ecuaciones matriciales



5 1 1 x1 0 5 1 1 5 1 1 x1
(a) 1 4 7 x2 = 0 item[(b)] 1 4 7 1 4 7 x2 =
2 3 6 x3 0 2 3 6 2 3 6 x3

7
3
0

(8) Muestra que A y B conmutan si y solo si A xIn y B xIn conmutan para


un cierto escalar x.

0 0 0
(9) Muestre que si N = a 0 0 , entonces N 3 = 0.
b c 0
1.2 Operaciones con matrices 11

(10) Construya matrices no nulas A y B de orden 3, tales que AB = 0

(11) Una industria de calzado fabrica por mes 4 modelos: 600 pares de un modelo
A, 800 pares de un modelo B, 500 pares de un modelo C y 1000 pares de un
modelo D . Los precios de venta en 4 ciudades distintas es de los diferentes
modelos de zapatos viene dado en el siguiente diagrama:
La industria desea saber a cual ciudad deve ser enviada toda la produccion
del mes, para obtener una renta maxima procedente de las ventas.

2 1  
1 2 5
(12) Dadas las matrices A = 1 0 y B = Encuentre:
3 4 0
3 4
(a)AB, (b)BA .
   
1 3 1 1
(13) Dada A = . Encuentre un vector columna no cero . tal
4 3 0 1
que AX = 3X
   
x y 1 1
(14) Encuentre todas las matrices que conmutan con .
z w 0 1
 
1 2
(15) Sea A = encuentre An .
0 1

(16) (a) Encuentre 2 matrices de 2 2 tales que (A + B)2 6= A2 + 2AB + B 2


(b) Demuestre que A y b son matrces cuadradas tales que AB = BA
entonces (A + B)2 + 2AB + B 2 .

(17) En n on a2 = 1 tiene exactamente dos soluciones.


umeros reales, la ecuaci
Encuentre al menos 8 matrices diferentes de 3 3 que sasisfagan la ecuacion
matricial A2 = I3

(18) La comision de admisin de una universidad planea admitir 10000 postu-


lantes para el a
no proximo . Al mismo tiempo determna las vacantes en la
forma siguiente: 7500 para los que procedan de la region INCA (locales) y
2500 para los que son de fuera (foraneos). Este hecho lo expresamos en una
matriz fila A = 7500 2500 . y etablece el porcentaje para 4 grupos de
carreras profesionales. Grupo A:Ingenierias, grupo B: Ciencias de la salud,
12 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

grupo C: Ciencias administraticvas-contables y grupo D: Ciencias sociales;


tanto para las estudiantes de la region (L) como de fuera (F ). La matriz B
expresa esta informacion:
 
0,30 0,20 0,40 0,10
B=
0,40 0,30 0,25 0,05

Determine el numero de estudiantes que se espera entren en cada grupo de


facultades el a
no proximo.

(19) Refierase al problema anterior. La oficina de bienestas estima que los es-
tudiantes podran escojer las alternativas de vivienda y pension universita-
ria de acuerdo con los porcentajes que aparece en la siguiente matriz C:
VU:Vivienda universitaria.
CU:Comedor unicersitario.
VP:Vivienda particular.
 
0,40 0,30 0,30
A=
0,60. 0,20 0,20

Encuentre el numero de estudiantes que se espera ejijan las diferentes op-


ciones de vivienda y pensi
0n.

(20) Una compa nia elabora tres productos, cada una de las cuales requiere de
3 especies de materia prima y mano de obra. En la matriz D se resume la
necesidad por unidad de cada producto. E1: Especia 1 E2: Especie 2 E3:
Especie 3
2 4 5 5
D = 3 2 3 8
1 6 5 4

Las necesidades de materia prima se establece en kilos por unidad , y las


nesecidades en mano de obra en horas por unidad. Los costos de las tres
especies de materia prima son 2, 3 y1,5 nuevos soles por kilo respectivamente.
Los costos por mano de obra son de 5 nuevos soles por hora . Supongase
que se van a producir 500, 1000 400 unidades de los productos A, By C .
1.3 Tipos especiales de matrices 13

(a) Determine las cantidades totales de los cuatro recursos que se requiere
para elaborar los productos A, B y C.
(b) Calcule el costo total combinado de produccion.

(21) Los colores de mayor venta en una tienda de pinturas on el rojo y el azul. En
cada color hay dos calidades la econmica y la superior. Se tiene 300 latas de
pintura roja economica, 400 latas de pintura azul economica, y 100 latas de
cadad color de calidad superior. Los precios de lista normales son de .8000
y .6000 para la superior y para la economica respectivamente , pero estan a
la venta con undescuento de .1000 por cada lata.

(a) Cual sera la ganacia total si se vendieran todas las latas al precio
normal?
(b) Y si todas se vendieran con el descuento?.

(22) El dueno de varias tiendas en artesania hace dos dise


nos de vajillas, en dos
de sus plantas de fabricacion. La producccion en la fabrica del cusco en un
dia es el siguiente:
Mientras que en la planta de puno la produccion asciende a:

(a) Cuantos artculos de cada dise


no se producen en las 2 fabricas combi-
nadas? Estos disenos tienen un buen mercado y el due
no decide hacerlos
tambien en su fabrica en lima. Estima que la produccion de este planta
sera proporcional a la producci on de la fabrica de cusco y tres veces
mayor.
(b) Cual sera la producci
on en lima?
(c) Cual es la producci
on en las plantas?

(23) Demuestre toda las propiedades sobre matrices, expuestas en la pagina 7.

1.3. Tipos especiales de matrices


Consideremos ahora ciertas clases de matrices que desempe
nan un papel im-
portante en el algebra lineal
14 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

(1) Matrices Diagonales


Son aquellas matrices cuadradas en los cuales todos los elementos encima y
debajo de la diagonal principal son ceros; es decir, todos los aij = 0 para
i 6= j. por ejemplo:
4 0 0 0
0 3 0 0
A= 0 0 0 0

0 0 0 1

Es una matriz diagonal.


Las matrices diagonales tienen propiedades muy utiles que veremos poste-
riormente. Mencionemos unas cuantas :

(a) La suma y el producto de 2 matrices diagonales son diagonales.



d1 0 0 . . . 0
0 d2 0 . . . 0

0 0 d3 . . . 0
(b) Si D = es diagonal,
.. .. .. ..
. . . .
0 0 0 . . . d11

d1 0 0 . . . 0
0 d2 0 . . . 0

D1k = 0 0 d3 . . . 0


.. .. .. ..
. . . .
0 0 0 . . . d11
es decir, para elevar D a la potencia k, solamente se necesita elevar
cada elemento de la diagonal prinipal a la potencia k.

(2) Matrices Escalares


Si In es la matriz identidad y k es un escalar, entonces kIn = E se llama
matriz escalar. Por ejemplo
Ejemplo 1.8.

1 0 0 5 0 0
E = 5I =3 = 5 0 1 0 = 0 5 0
0 0 1 0 5 0
1.3 Tipos especiales de matrices 15

Observamos que este es un caso particular de las matrices diagonales. Ade-


mas se puede deducir que E conmuta con cualquier matriz cuadrada del
mismo orden:

EA = (KI)A == k(IA) = KAAE = A(KI) = K(AI) = KA

EA = AE

(3) Matrices Triangulares


Son matrices cuadradas tales que todos los elementos debajo de la diagonal
principal son ceros, o todos los elementos encima de la diagonal principal
tambien son ceros. Respectivamente se diran matrices triangulares superio-
res y matrices triangulares inferiores; es decir aij = 0i > j u bij = 0i < j
(respectivamente). por ejemplo:

4 3 2 1 1 0 0 0
0 1 1 0
y B = 6 4 0 0

Ejemplo 1.9. A = 0 0 5 6 1 2 0 0
0 0 0 2 0 1 4 3

Existe una propiedad


que utilizamos con frecuancia: El determinate de una matriz triangular es
igual al produto de todos los elemenos de la diagonal priincipal, as tenemos:

4 3 2 1
0 1 1 0
= (4)(1)(5)(2) = 40
det(A) =
0 0 5 6
0 0 0 2

(La matriz triangular superior o inferior se puede definir aun cuando la


matriz no necesariamente sea cuadrada.)

(4) Matrices Transpuestas


La transpueta de A de una matriz A de orden m n es la matriz de orden
n m obtenida a partir de A intercambiando las filas por columnas. Por
ejemplo:
16 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales


  1 4
1 2 3
Ejemplo 1.10. Si A = entonces At = 2 5
4 5 6
3 6

Propiedades

Supongamos que A y B son matrices cuyos ordenes sean compatibles para


efectuar la operaci
on correspondiente.
La demostracion de estas propiedades son relativamente sencillas y deja-
mos como ejercicio para el estudiante. Vamos a comprobar la propiedad (c)
nediante un ejemplo:

3 2  
4
Supongamos que 1 0
,B= Entonces
3 21
2 1 32

3 2   18
4 
AB = 1 0
= 4 y (AB) = 18 4 5 . pero

3
2 1 5
 
T 3 1 2
B T 4 3 y

A =
2 0 1
 
T T
 3 1 2 
B A = 4 3 = 18 4 5
2 0 1

Lo que demuestra que (AB)t = At B t . Observe que At B t no existe, no es


posible efectuar el producto.

(5) Matrices Simetricas


Una matriz cuadrada A cuadrada se llama simetrica cuando coincide con su
transpuesta; es decir, Si A = A. Se denomina simetrica por que us elemen-
tos estan dispuestos simetricamente respecto a la diagonal principal. Por
ejemplo:
1 3 5 0
3 2 0 2
A=
5 0 3 1
0 2 1 4
1.3 Tipos especiales de matrices 17

Propiedades

Si A es una matriz simetrica con elementos reales complejos, entonces se


cumplen:

(a) KAt es simetrica (k R o k C)


(b) AAt = AA
(c) A2 es simetrica

Vamos a demostrar la propiedad


Vamos a demostrar la propiedad (c) a manera de ilustracion, dejando las
partes (a) y (b) para el lector. Debemos probar que A2 = (A2 )T . Iniciamos
con le segundo miembro . En efecto: (A2 )T = (AA)T = AT AT = A.A = A2
.

Ejemplo 1.11. (1) Consideremos el numero de carreteras que comunican


4 ciudades, tal como estan mostradas en el diagrama siguiente:

Esta informacion lo representamos en una matriz A de 44 , donde aij = aji .


Naturalmente A es simetrica.

0 2 0 1 5 1 2 2 4 14 1 6
2 0 1 1
y A2 = 1 6 0 2
y A3 = 14 4 6 7

A=
0 1 0 0 2 0 1 1 1 6 0 2
1 1 0 0 2 2 1 2 6 7 2 4

Los elemetos de A indican el numero de rutas para ir de una ciudad a otra.


Po ejemplo; a13 = a31 = 0, indica que no existe niguna carretera que une
directamente la ciudad (1) con la ciudad (3); a12 = a21 = 2, significa que
hay 2 carreteras que una a estas dos ciudades.
Los elementos de A2 representa el numero de maneras de viajar entre dos
ciudades pasando apenas por una ciudad (Direcciones opuestas sobre la
misma entrada son consideradas distintas). Por ejemplo , a22 = 6 quiere
decir que existen 6 posibilidades de viajar de la ciudad 2 a la misma ciudad
pasando solo por una ciudad. verifiquelo.
18 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

Los elementos de A3 representa el numero de maneras de viajar entre 2


ciudades pasando apenas por una ciudad (Direcciones opuestas sobre la
misma entrada son consideradas distintas). Por ejemplo. a22 = 6, quiere
decir que existen 6 posibilidades de viajar de la ciudad 2 a la misma ciudad
pasando solo por una ciudad. Verifiquelo.
Los elementos de A3 representa el numero de maneras de viajar exactamente
por 2 ciudades. Por ejemplo a31 = a31 = 1 indica que hay una sola carretera
para ir de (3) a (1), y es presisamente al ruta : (3)-(2)-(4)-(1) la cual esta
pasando por 2 ciudades (2) y (4) Verificaci on de las 14 rutas
De la ciudad (1) a la (2) pasando exactamente por 2 ciudades:

1
2
3
4

Podemos extraer de este ejemplo un resultado que afirma lo siguiente: Si A


es simetrica. entonces An es simetrica, n N .
Las matrices simetricas aparecen en ciualquier campo cuyas leyes sean jus-
tas. Cada acci
on tiene una reaccion igual y de sentido opuesto, y la entrada
que describe la accion de i . En i, corresponde con otra que describe la
accion de i sobre i . En la factorizacion de matrices, como consecencia del
proceso de eliminacion gaussiana, las matrices simetricas reducen el trabajo
a la mitad como se vera mas adelante, los calculos encima de la diagonal
son el duplicado de los calculos debajo de la diagonal.

(6) matrices Antimetricas Una matriz cuadrada A se llama antisimetrica


cuando coincide con el inverso aditivo de su transpuesta; es decir cuando
A = AT como consecuecia de esta definicion se puede mencionar que:
aij = aij para i 6= j y aij = 0 para i = j, por ejemplo consideremos la
matriz

0 3 1 0 3 1
A= 3 0 2 , AT = 3 0 2 ,
1 2 0 1 2 0
1.3 Tipos especiales de matrices 19


0 3 1
AT = 3 0 2
1 2 0

Luego A = AT Observe que todos los elementos de la diagonal principal


son ceros y los demas elementos que estan dispuetos simetricamente con
respecto a la diagonal tienen signos opuestos.

Propiedades

Si A es una matriz antisimetrica con elemetos reales o complejos , entonces


se cumplen:

(a) KA es antisimetrica (k R0k C)


(b) AAT = AT A
(c) A2 es simetrica

La demostracion de estas propiedades son analogas a las matrices simetricas.


Se deja como ejercicio.

(7) Mtrices Idempotentes Una matriz cuadrada A se llama idenmpotente


cuando A2 = A. Por ejemplo
   
1 1 2 1 1
Ejemplo 1.12. (a) A = = A = A = , luego A =
0 0 0 0
A2

1 1 1 1 1 1
(b) A = 1 1 1 = A2 = A = 1 1 1 , luego A = A2
1 1 1 1 1 1
(c) A = (1) = A2 = (1), luego A = A2 .

Observe que si A es idenpotente, An = A para cualquier n N . Estas ma-


trices estan relacionadas con ciertas transformaciones lineales que se veran
en un capitulo posterior.
20 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

(8) Matrices Nilpotentes Una matriz cuadrada se llama nilpotente si existe


un entero positivo p tal que AP = 0 y Ap1 6= 0. Por ejemplo:

0 0 1 0 0 0 0 0 0
N = 1 0 0 , N 2 = 0 0 1 , N 3 = 0 0 0
0 0 0 0 0 0 0 0 0
Luego N es una matriz nilpotente de indice 3. El estudio de estas matrices
se veran cuando se aborde el estudio de las formas canonicas.
(9) Matrices Inversas Si A es una matriz cuadrada de orden n y existe una
matriz B de orden n tal que AB = BA = Tn , entonces B recibe el nombre
de inversa de A. Si A admite una inversa, entonces esa inversa es unica, en
efecto, supongamos que C es otra matriz inversa de A tal que AC = CA =
In . Luego:
C = CIn = C(AB) = (CA)B = In B = B
lo que prueba la unicidad. Por consiguiente cuando la inversa existe, es usual
denotar B por A1 y decimos que A es inversible. por tanto escribiremos
AA1 = A1A = In Este concepto es muy importante dentro del algebra
lineal y con mucha frecuencia se ver a en capitulos posteriores. Estudiaremos
diversos metodos para encontrar la inversa de una matriz dadd; mientras
tanto, cuando el orden es peque no es posible encontrar su inversa si es que
existe, recurriendo a la definici
on.
   
3 4 a b
Ejemplo 1.13. Si A = , vamos a suponer que B = sea
5 2 c d
    
3 4 a b 1 0
su inversa, entonces AB = I2 ; esto es, A = =
5 2 c d 0 1

Igualando las matrices se tiene el sistema de ecuaciones lineales Al resolver


el sistema obtenemos : a = 1/13, b = 2/13, c = 5/26 y d = 03/26, luego
1
 
13 f rac213
5 3 es la inversa de A, y se compruba facilmente que AB =
26 26
BA = I2 . Cuando una matiz A de orden n tiene inversa, otras veces A recibe
el nombre de matriz no singular y cuando no tiene inversa, se dice que es
singular.

Propiedades
1.3 Tipos especiales de matrices 21

Supongamos que A y B son matrices nivertibles del mismo orden, entonces


se cumple:

(a) AB es invertible
(b) (AB)1 = B 1 A1
(c) escalar f 6= 0, kA es invertible y (KA)1 = (1/K)A1
(d) A1 es invertible y (A1 )1 = A
(e)

An es invertible y (An )1 , para n = 0, 1, 2, . . . Demostracion (a) y (b).


Para demostrar que AB es invertible debemos probar que (AB)(AB)1 =
(AB)1 (AB) = I, y si llegamos a mostrar que (AB)(A1 B1 ) = (A1 B1 )(AB) =
I habremos probado sencillamente las partes (a) y (b) en efecto:

(AB)(A1 B 1 ) = A(BB 1 )A1 = AIA1 = AA1 = I

Analogamente, vemos que (B 1 A1 )(AB) = I.


(c) al igual que ne las partes (a) y (b), debemos probar que (kA)(kA)1 =
(kA)1 (kA) = I o (kA[(1/k)A1 ]) = [1/k)A1 ][kA] = I con lo que quedara
demostrado que kA es invertible y (kA)1 = (1/k)A1
Las propiedades (8) y (9) de la pagina 7 permiten escribir (kA)[(1/k)A1 ] =
(1/k)(kA)(A1 ) = [(1/k)k]AA1 = AA1 = I
De un modo analogo vemos que [(1/k)A1 ](kA) = I (d) Debemos mostrar
que (A1)(A1 )1 = (A1 )1 A1 = I. Pero esta
igualdad es evidente, porque (A1 )(A) = (A)(A1 ) = I. Por tanto A1
es invertible y (A1 )1 = A (e) se deja como ejercicio (Nota, se define
An = (A1)n = A1 . . . A1 (nf actores).

(10) Si A = (aij ) es una matriz n m y cij es el cofactor de aij , entonces la


matriz
c11 c12 . . . c1n
c21 c22 . . . c2n

.. .. ..
. . .
cn1 cn2 . . . cnn
22 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

Se llama la matriz de cofactores de A, donde el numero Cij = (1)ij Mij


y Mij es el detrminante de la submatriz que se forma al suprimir la fila i y
la i de A.
La transpuesta de la matriz de cofactores de A se llama adjunta de A; es
decir,
T
a11 a12 ... a1n c11 c12 ... c1n
a21 a22 ... a2n c21 c22 ... c2n

Si A . .. , entonces adj(A) = ..

.. .. ..
.. . ... . . . ... .
a1n a2n ... ann c1n c2n ... cnn

Por ejemplo

1 2 2
Ejemplo 1.14. A = 3 1 0 se tiene:
1 1 1

   
1 0 3 0
c11 = (1)1+1 = 1, C12 = (1) 1+2 = 3c13 =
1 1 1 1
     
1+3 3 1 2+1 2 2 2+2 1 2
(1) = 2, C12 = (1) = 0c22 = (1) =
1 1 1 1 1 1
   
1 2 2 2
1, C23 = (1)2+3 = 1c31 = (1)3+1 = 2, C32 =
1 1 1 0
 
1 2
(1)3+2 =6
3 0

Por tanto

T
1 3 2 1 0 2
Adj(A) = 0 1 1 = 3 1 6
2 6 5 2 1 5
Ahora establecemos un resultado muy importante en el cual permite obtener
la inversa la inversa de una matriz.
[Teoema]
1.3 Tipos especiales de matrices 23

Si A e una matriz invertible, entonces A1 = 1


det(A) [adj(A)], donde set(A) 6=
0
Demostracion: Primero vamos
probar que Aadj(A)
= det(A)I. Para ello
a11 a12 . . . a1n
a21 a22 . . . a2n

.. .. ..
. . ... .
consideremos el producto

a11 a12 . . . a1n
.. .. ..
. . ... .
an1 an2 . . . ann

c11 c12 . . . c1n
c21 c22 . . . c2n

.. .. ..
. . ... .

...

.. .. ..
. . ... .
cn1 cn2 . . . cnn
El elemento que se encuentra e la i-esima fila y i-esima columna de la matriz
Aadj(A):
ai1 ci1 + ai2 ci2 + + ain cjn . . . (D)

1 Caso : Cuando i = j entoces la expresion (D) es el desarrollo por el metodo


de cofactores, del determinante de A a lo largo de la i-esima fila de A;
es decir,

det(A) = ai1 ci1 + ai2 ci2 + + ain cin para i = j

2 Caso : Cuando i 6= j, entonces los elementos y los cofactores provienen de dife-


rentes filas de A, Por lo tanto la expresion (D) es cero. Es decir (D) es el
desarrollo de una determinante en el cual dos de sus filas son iguales (La
fila i y la fila j) y como sabemos en estas circunstancias su determinante es
cero. Por consiguiente 0 = ai1 cj1 + ai2 cj2 + + ain cjn para i 6= j Luego
concluimos que
 
det(A) 0 ... 0
Aadj(A) =
0 det(A) . . . 0
24 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

O lo que es lo mismo. Aadj(A) = det(A)I. Como A es invertible (por hi-


potesis) , de la ecuacion anterior se tiene: (i/det(A))Aadj(A) = I. Mul-
ptiplicando en ambos miembros por A1 A1 [ det(A) 1
Aadj(A)] = A1 I
1 1 1 luego: A fin de cuentas queremos saber cauales
det(A) (AA )adj(A) = A
matrices son invertiblesy cuales no. Esta pregunta es tan importante que
tiene varias respuestas. en los capitulos siguientes veremos diferentes crite-
rios y que eran aquivalentes: La independencia lineal en las filas o columnas,
la construccion de AAT y AT A, valores propios distintos de cero, pivotes
distintos de cero, el determinante diferente de cero, etc, El ultimo teorema
expresa que para la existencia de la inversa de A deve ser det(A) 6= 0.

Ejemplo 1.15.

1 2 2
A = 3 1 0
1 1 1


1 0 2
Solucion: Del ejemplo anterior obtuvimos que adj(A) = 3 1 6
2 1 5
Para aplicar la formula anterior requerimos del determinante de A. En efecto,
hallamos
  por el
 metodo
 decofactores:
 (A lo largo de la primera fila) detA =
1 0 3 0 3 1
1 2 +2 = 1 . Por lo tanto
1 1 1 1 1 1

1 0 2
A1 = 3 1 6
2 1 5

(11) Matrices Ortagonales y diagonales Una matriz cuadrada A se dice que


es ortagonal si A1 = AT . Por ejemplo la matriz:
1
1 1 0 0 12
2 2
12
A= 0 0 1 es ortogonal. En efecto adj(A) = 2 0 12

1 12 0 0 1 0
2
1.3 Tipos especiales de matrices 25


1 0 12
12
y como det(A) = 1, luego A1 = 0 12 . A su vez A =T =

2
0 1 0

1 0 1
12 2
0 12 lo cual demuestra que A1 = AT .

2
0 1 0
Se dice que una matriz cuadrada A es diagonalizable, si existe una matriz in-
vertible P tal que P 1 AP sea diagonal En este caso diremos que P diagona-
liza A. Se dice que una matriz cuadrada A es diagonalizable ortogonalmente,
Si existe una matriz ortogonal P tal que P 1 AP o P T AP sea diagonal. Por
ejemplo:

1 0 1
Ejemplo 1.16. La matriz P = 1 0 1 diagonaliza(simplemente) a
0 1 0

3 2 0
la matriz A = 2 3 0. Como una comprobacion se verifica
0 0 5
1 1

2 2 0 3 2 0 1 0 1 5 0 0
P 1 AP = 0 0 1 2 3 0 1 0 1 = 0 5 0
1 1
2 2 0 0 0 5 0 1 0 0 0 1

Se advierte al lector no preocuparse de como se obtiene estas matrices; mas


adelante cuando se aborde el estudio de los valores propios, vectores propios
de matrices se plantearan resultados que permitan encontrarla. Enunciamos
una propiedad muy importante, cuya demostracion puede consultarse, por
ejemplo, en:(Introd. al algebra lineal, capitulo 6). Toda matriz simetrica es
diagonalizable ortogonalmenteviciversa.

(12)

Otras Matrices Existen un numero considerable de matrices que segun la orien-


tacion que se imprima a la ense nanza deberan ir apareciendo. Por ejemplo las
matrices Hermitianasque son matrices con elementos comlejos se emplean en
las transformaciones lienales hermitianas y sistemas de ecuaciones. Las matrices
26 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

Jacobianas empleadas, por ejemplo, para expresar deribadas de funciones vecto-


riales de varias variables independientes. La matriz de consumo utilizadas en las
descripcion de ciertos modelos economicos. la matriz estocastica aplicables en la
probabilidad y las cadenas de Markov. La matriz de incidencia que se usa para
expresar las leyes de kirchhoff en redes electricas, etc.
El objetivo fundamental de haver presentado y descrito algunas de estas ma-
trices ha sido con el proposito de despertar el interes del estudiante y mostrar la
importancia que tiene el algebra lineal en la formacion de una profesion cientifica.

Ejercicios
 
1 2 0
(1) Si A = Encontrar : (a)AAT y(B)AT A
3 1 4
     
3 1 2 3 2 0
(2) Calcule las inversas de las matices A = B= ,c=
5 2 4 4 0 3
 
3 4 1 1
yD= y verifique la relacion (AB)1=B A y (CD)1 = D1 C 1
5 6
 
1 2
(3) Sea A una matriz invertible, y supongamos que la inversa de 7A es
4 7
. Encuentre la matriz A.
 
1 0
(4) Sea la matriz , calcule A3 , A3
2 3
(5) Encuentre la inversa de las siguiente matrices, si es que poseen.

(6) Calcule la inversa de las siguientes matrices, si es que tiene:

(7) Demostar que A + AT e simetrica para calcular matriz A

(8) Probar las siguientes afirmaciones:

(a) El producto de dos matrices simetricas no siempre es simetrica.


(b) El producto de una matriz por su transpuesta es una matriz simetrica.
(c) Una matriz fila 1 n multiplicada por una matriz columna de 1 n,
da como resultado con un unico elemento, que es siempre simetrica por
definici
on.
1.3 Tipos especiales de matrices 27

(d) La suma de 2 matrices simetricas es simetrica.

(9) Si A y B son simetricas, pruebe que A + B es antisimetrica.

(10) Dadas la matrices simtetricas n n A y B tales que AB = BA entonces


AB es simetrica.

(11) Demuestre que para cualquier valor de


 1  
cos sen cos sen
=
sen cos sen cos

(12) Que condicion debe cumplir la matriz diagonal



a11 0 0
0
a22 0
.. .. .. ..


. . . . Para que sea invertible? Halle su inversa.





0 0 ann

(13) Suponga que A es una matriz cuadrada que satisface la ecuacion A2 3A +


I = 0. Demuestre que A1 = 3I A.

(14) Demuestre que cualquier matriz cuadrada A puede ser descompuesta en la


suma de una matriz simetrica con una matriz antisimetrica y tal descompo-
sicion es u
nica.

(15) Escribe cada una de las matrices:



  4 5 6
4 6
A= y B = 1 2 3
2 8
7 8 9

Como suma de 2 matrices, una simterica y otra antisimetrica.

(16) (a) Cual es la forma de una matriz que sea a la ves triangular y simetrica?
28 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

(b) Cual es la forma de una matriz que sea a la vez triangular y anti-
simetrica?

(17) Si M es una matriz n n : f (x) es un polinomio, muestre que f (M T ) =


f (M )T

(18) Demostrar que:

(a) tr(aA + bB) = atr(A) + btr(B)A, B Mnn (F )


(b)

tr(AB) = tr(BA)ytr(A) = tr(AT )A, B M (F ). Donde tr(A), denota la


a definida por tr(A) == a11 + a22 + + ann
traza de A, y est

(19) Si A conmuta con B, demuestra que AT conmuta con B T .

(20) Demostrar que (aA+bB)T = aAT +bB T A, B matrices de mn y a, b, F

(21) Pruebe que una matriz cuadrada triangular con todos los elementos diago-
nales iguales a cero es nultipotente (o nilpotente).

(22) Si A y B son matrices cuadradas y A es invertible, verifique (A+B)A1 (A


B) = (A B)A1 (A + B).

(23) La comision de admision de una universidad acuerda admitir 7500 vacan-


tes para el proximo ano distribuidos en la forma siguiente: 3000 para va-
rones de la region (V R), 2750 para mujeres de la region (M R), 1000 pa-
ra varones fuera de la region (V F ) y 750 para mujeres fuera de la region
(M F ).Estainf ormacionloexpresamosenlamatrizf ila :

A = 3000 2750 1000 750

Los porcentajes
de las vacantes por areas
de Facultades estan dadas en la
0. 30 0. 30 0. 30 0. 24
matriz B: A = 0. 20 0. 10 0. 30 0. 06 Encuentre el numero de estu-
0. 50 0. 60 0. 40 0. 70
diantes que habr
a el pr
oximo a
no en cada area.
1.3 Tipos especiales de matrices 29

(24) Una empresa nacional dedicada al alquiler de vehiculos motorizados esta


planeado su programada de matenimiento para el proximo a no. Los ejecuti-
vos estan interesados en determinar las necesidades de la empresa en cuanto
a determinadas reparaciones, asi como en sus costos. La empresa renta au-
tos, camiontas y microbuses. La matriz N indica el numero de vehiculos por
cada tipo de 4 regiones del pas: A, B, C y D. AU:Autos CA:Camionetas
Mi:Micros Las reparaciones que deben efectuarse son: Platinos, bujias, con-
densadores y (juegos de ) llantas. Basasdos en estudios de los

16 40 50
N = 15 30 20
10 10 15

registros de mantenimiento en diferentes partes del pas se ha determinado


el numero promedio de reparaciones que se nesecitan por cada vehiculo
durante un ano, y estan expresadas en la matriz. AU:Autos CA:Camionetas
Mi:Micros
1. 7 1. 6 1. 5
12. 0 8. 0 5. 0
M = 0. 9 0. 75 0. 5

4. 0 6. 5 6. 0

La matriz fila C = 1. 25 0. 80 30. 00 35. 00 indica el costo en dolares,
por unidad de platinos, bujias, condensadores llantas.

(a) Se desea conocer que cantidad de reparaciones se nesecitara en cada


region.
(b) Cuales son los costos anuales regionales de las 4 reparaciones?
(c) Cual es el costo totoal anual de las 4 reparaciones de la empresa?

(25) Encontrar la adjunta (clasica), verificar que Aadj(A) = det(A)I y determi-


nar A1 en las siguientes matrices:

2 3 4 1 1 0
(a)A = 0 4 2 (b)A = 1 1 1
1 1 1 0 2 1
30 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales


1 2 3 1 2 3 1 2 3
(c)A = 2 3 4 (d)A = 1 0 1 (e)A = 1 0 1
1 5 7 1 1 1 1 1 1

(26) Hallara la adjunta (clasica) de las siguientes matrices:



1 2 2 3 2 1 3 2
1 0 2 0 3 0 1 2

3 1 1 2 1 1 4 3
4 3 0 2 2 2 1 1

(27) Supongase que A es diagonal y B es triangular; es decir.



a1 0 0 b1 c12 c1n
0 a2 0 0 b2 c2n
A=. ,B = .

. . . . .. ..
.. .. .. .. .. ..

. .
0 0 an 0 0 bn

(a) Demostrar que adj(A) es la diagonal y adj(B) es triangular.


(b) Demostrar que B1 es de la forma:

b1

1 d12 d1n
0 b1 d2n
2
B= .

.. .. ..
.. . . .
0 0 b1
n

(28) Supongase que A es una matriz ortogonal; es decir AT A = I. demostrar que


det(A) = 1
 
a b
(29) Para una matriz A = , demuestra que adj(adj(A)) = A
c d

(30) Demostrar que las operaciones de inversa y transpuesta conmutan; esto es,
(AT )1 = (A1 )T , Asi en particular, A es invertible si y solo si AT es
invertible.
1.4 Sistema de ecuaciones lineales 31

1.4. Sistema de ecuaciones lineales


Una ecuacion lineal es las n variables xi es de la forma:
a1 x1 + a2 x2 + + an xn = b donde las ai F se llaman coeficientes de la
ecuacion, y los xi las variables, para i = 1, 2, n
Entenderemos una soluci on de la ecuacion anterior a una n-upla de escaleras
(c1 , c2 . , cn ) tales que

a1 c1 + a2 c2 + + an cn = b

Un sistema de acuaciones lneales es simplemente un conjunto de varias ecuaciones


lineales.
Porm ejemplo,
2x1 2x2 3x3 = 1
3x1 3x2 2x3 + 5x4 = 7
x1 x2 2x3 x4 = 3

es un sitema de 3 ecuaciones lienales con 4 variables (o 4 incognitas). Una
solucion es una 4-upla de numeros (c1 , c2 , c3 , c4 ) que satisface identicamente las 3
ecuaciones. No todos los sistemas tinen soluciones.
Consideremos
 el caso particular de 2 ecuaciones lineales con 2 varialbes:
a1 x + b1 y = d1
a2 x + b2 y = d2
En este sistema puede ocurrir 3 posibilidades:tiene infinitas soluciones, tiene
exactamente o no tiene solucion. Las graficas de estas ecuaciones son rectas en
el plano; si son paralelos no tienen soluci on el sistema, si se intersectan en un
punto tienen una unica solucion, y si coinciden entonces tiene el sistema infintas
soluciones.
Todavia podemos sequir interpretando geometricamente la solucion de un sis-
tema en 3 ecuaciones lineales con 3 incognitas:
a1 x + b1 y + c1 z = d1
a2 x + b2 y + c2 z = d2
a3 x + b3 y + c3 z = d3

Cada una de estas ecuaciones, como sabemos, representa un plano en el espacio
tridimensional R3 . Existe tambien tres posibilidades respecto a su solucion:

(a) Si los tres planos se intersectan en un punto P , entomces el sistema tiene


una unica solucion, y es justamente las coordenadas del punto P . Vease la
figura (1).
32 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales

(b) Si los tres planos se intersectan en una recta L. el sistema tiene un numero
infinito de soluciones. Cada punto de la recta L es una solucion. Vease la
figura (2).

(c) Cuando los 3 planos son paralelos, o 2 de ellos son paralelos, o se inter-
secan en una recta dos a dos como se muestran en las figuras (3), (4)y(5)
respectivamente, el sistema no tiene solucion.
Estos mismos resultados son validos para sistemas arbitrarios.
Consideremos un sistema de m ecuaciones lineales con n incognitas:


a11 x1 + a12 x2 + + a1n xn = b1



a21 x1 + a22 x2 + + a2n xn = b2
+ + +


+ + +
+ + +




am1 xm + am2 xm + + amn xn = bm

donde los coeficientes aij F ybi F , para i = 1, 2. , m; j = 1, 2, , n. Si



a11 a12 a1n x1 b1
a21 a22 a2n x2 b2
A= . , X = .. y B = ..

.. ..
.. . . . .
am1 am2 amn xn bm

Entonces el sistema anterior escribimos de un modo mas simple como una ecuacion
matrical:
AX = B
donde A se llama matriz de los coeficientes del sistema.

a11 a12 a1n b1
a21 a22 a2n b2
La matriz (A, B) = .. recibe el nombre de matriz

..
.... .
am1 am2 amn bm
aumentada del sistema.
Una solucion AX = B es una n-upla de escalares en F que satisface cada una
de las ecuaciones del sistema.
1.4 Sistema de ecuaciones lineales 33


0
0
Cuando B = . ; esto es, todos los bi = 0 para i = 1, 2, , m,

..
0
Entonces el sistema.
Se llama sitema homogeneo, en caso contrario se dice que es es no homogeneo.
En todo sistema homogeneo AX = 0 esxisten 2 alternativas: siempre tiene una
solucion, que es la solucion trivial
34 Captulo 1. El
algebra de matrices y sistemas de ecuaciones lineales
Captulo 2

Espacios vectoriales

En este captulo se presenta la teora b asica de los espacios vectoriales, y


muchos de los conceptos que se plantean est an motivados fuertemente por las no-
ciones fsicas, la geometra vectorial y los polinomios algebraicos.

La idea de emplear pares ordenados (x, y) de n umeros reales para localizar


puntos en el plano, y de ternas ordenadas (x, y, z) para localizar puntos en el
espacio tridimensional, se conoci o en la mitad del siglo XVII, y fue extendiendose
hasta fines del siglo XIX para luego ubicar puntos en espacios de mayor dimension.
R
Es as que aparece el espacio cartesiano n , conjunto de n-uplas de n umeros
reales donde se define un conjunto de operaciones entre sus elementos, para luego
derivar en algunos resultados (Vease: An alisis Matematico II, del mismo autor).
R
Por ejemplo: si X = (x1 , x2 , . . . , xn ), Y = (y1 , y2 , . . . , yn ) son elementos de n ,
entonces se define:

(1) X = Y x1 = y1 , x2 = y2 , . . . , xn = yn : Igualdad.

(2) X + Y = (x1 + y1 , x2 + y2 , . . . , xn + yn ) : Adicion.

(3) aX = (ax1 , ax2 , . . . , axn ), a R : Multiplicacion por un escalar.


(4) X Y = x1 y1 + x2 y2 + + xn yn : Producto interior.
1 p
(5) kXk = (X X) 2 = x21 + x22 + + x2n : Norma euclidiana.

35
36 Captulo 2. Espacios vectoriales

p
(6) d(X, Y ) = kX Y k = (x1 y1 )2 + (x2 y2 )2 + + (xn yn )2 : Distan-
cia euclidiana.

Como consecuencia de estas operaciones se obtienen propiedades que seran


utilizadas posteriormente. En efecto:

Propiedades.

1. X + Y = Y + X

2. X + (Y + Z) = (X + Y ) + Z

3. X + 0 = X, donde 0 = (0, 0, . . . , 0)

4. X + (X) = 0, donde X = 1X = (x1 , x2 , . . . , xn )

5. a(bX) = (ab)X; a, b R
6. a(X + Y ) = aX + aY

7. (a + b)X = aX + bX

8. 1X = X

9. X Y = Y X

10. (X + Y ) Z = X Z + Y Z

11. a(X Y ) = (aX) Y = X (aY )

12. X X 0 y X X = 0 X = 0

R
Basicamente el espacio cartesiano n junto con las operaciones de adicion,
multiplicacion por un escalar y producto interior, recibe el nombre de espacio
euclidiano n-dimensional.
2.1 Espacios vectoriales 37

2.1. Espacios vectoriales


Ahora postulamos un conjunto de axiomas para definir el espacio vectorial
mas general, donde el concepto de vector que se tiene hasta el momento se somete
a una generalizacion radical.
Definici on 2.1. Se dice que un conjunto V es un espacio vectorial sobre un
campo F , si en este conjunto V se definen dos operaciones llamadas Adici
on y
Multiplicaci on por un escalar, de modo que:
Si u, v V , entonces u + v V .
Si a F y u V , entonces au V .
satisfaga las ocho propiedades siguientes:
(1) u + v = v + u

(2) u(v + w) = (u + v) + w

(3) Existe 0 V /u + 0 = u, u V

(4) Para cada u V , existe u V /u + (u) = 0

(5) a(u + v) = au + av

(6) (a + b)u = au + bu

(7) a(bu) = (ab)u

(8) 1u = u
A los elementos de un espacio vectorial, por definicion, llamaremos vectores.
Cuando el campo F es el conjunto de numero reales, diremos que V es un espacio
R
vectorial real y se acostumbra denotar por V ( ); y cuando F es el conjunto de
n C
umeros complejos, diremos que V ( ) es el espacio vectorial complejo.

En otras palabras, al conjunto V le hemos dotado de una estructura algebrai-


ca, en este caso llamado espacio vectorial abstracto, y note que sus elementos
u y v no necesariamente son n-uplas de n umeros reales. Al final de este captu-
lo introduciremos la idea de longitud, angulo, perpendicularidad en los espacios
vectoriales para obtener una estructura mucho mas rica, la famosa estructura
de espacios con producto interior. Esta estructura adicional proporcionara
38 Captulo 2. Espacios vectoriales

aplicaciones a la geometra, a la fsica, aplicaciones a los mnimos cuadrados y


formas cuadraticas, y otras

R
Ejemplo 2.1. Sea M22 ( ) el conjunto de todas las matrices de orden 2 2 con
elementos reales provistos de dos operaciones (ya conocidas):
   
a11 a12 b11 b12
(a) Adicion de matrices: A = , B = son elementos de
a a b21 b22
 21 22
R

a11 + b11 a12 + b12
M22 ( ), entonces A+B = tambien es un elemento
a21 + a21 a22 + a22
R
de M22 ( ).

R R
 
ka11 ka12
(b) Si k , A M22 ( ), entonces kA = tambien es un
ka21 ka22
R
elemento de M22 ( ) .
Claramente, la primera operaci on satisface las 4 primeras propiedades de la
definicion 2.1 .
A+B =B+A
A + (B + C) = (A + B)  + C
0 0
A + 0 = A donde 0 =
0 0
 
a11 a12
A + (A) = 0 donde A =
a21 a22
i la segunda operacion, las restantes:
(a + b)A = aA + bA; a, b R
a(A + B) = aA + aB
a(bA) = (ab)A
1A = A, 1 R
R
Luego el conjunto M22 ( ) constituye un espacio vectorial sobre el campo
de los reales. Note que los vectores de este espacio son matrices cuadradas
2 2.

R
Ejemplo 2.2. El conjunto cartesiano n junto con las operaciones usuales de
adicion i multiplicaci
on por un escalar, satisfacen las 8 propiedades exigidas, tal
como se ha visto en la introducci R R
on de este captulo; luego n ( ) es un espacio
vectorial real i sus elementos u, v s son n-uplas de n umeros reales. Para este
R R C
mismo conjunto n podemos considerar otro espacio, por ejemplo, n ( ) es el
2.1 Espacios vectoriales 39

espacio vectorial sobre el campo de los n umeros racionales, tambien en este caso
sus elementos son n-uplas de n umeros reales, lo que vara es el campo de escalares
que debe tomarse en cuenta para la 2da. operacion.
Observe que cuando n=1, 1 = R Ri suponiendo que F = R, entonces el
conjunto de n umeros reales R(R) dotado de las operaciones usuales de adicion i
multiplicacion es un espacio vectorial, de aqu que cada numero real es un vector.
C R
Igualmente C( ) i C( ) son los espacios vectoriales de los n umeros complejos
respectivamente sobre el campo de los complejos i sobre el campo de los reales.
RC
Ejemplo 2.3. Sea F( , ) el conjunto de todas las funciones complejas de una
variable real. Se define:
La adicion de funciones complejas y la multiplicacion de una funcion compleja
por un escalar (complejo). En efecto:
RC C
Sean x y y F( , ) y k , donde x(t) = x1 (t) + ix2 (t), y(t) = y1 (t) + iy2 (t)
e i es el imaginario puro tal que i2 = 1; entonces:
(x + y)t = x(t) + y(t)
= [x1 (t) + ix2 (t)] + [y1 (t) + iy2 (t)]
= [x1 (t) + y1 (t)] + i[x2 (t) + y2 (t)], t R
(kx)(t) = k[x(t)] = k[x1 (t) + ix2 (t)]
R
= kx1 (t) + ikx2 (t), t
acilmente que F(R, C) es un espacio vectorial
Con estas dos definiciones se prueba f
complejo.
Observaciones:
1. Las funciones x1 (t), x2 (t) son funciones reales u
nicas tales que x(t) = x1 (t)+
ix2 (t). A x1 (t) se le llama parte real y x2 (t) parte imaginaria.
2. No esta demas indicar que la funci
on compleja cero es 0(t)=0(t)+i0(t), el
inverso x viene dada por (x)(t) = x(t) = x1 (t) ix2 (t).
3. El producto k[x(t)] se entiende, evidentemente, como producto de n
umeros
complejos: si k = a + ib, x(t) = x1 (t) + ix2 (t), entonces:

k[x(t)] = [ax1 (t)bx2 (t)] + i[ax2 (t) + bx1 (t)]


40 Captulo 2. Espacios vectoriales

4. En el espacio F(R, C) si cambiamos R


por un conjunto cualquiera S y C
por un campo cualquiera F , el conjunto F(S, F ) sigue siendo un espacio
vectorial sobre F , bajo las mismas operaciones definidas anteriormente.

R R
Ejemplo 2.4. Sea Pn ( ) = p(x) = a0 + a1 x + a2 x2 + + an1 xn1 /ai ; i = 0, 1, . .


el conjunto de polinomios con coeficientes constantes ai, i consideremos las ope-


raciones usuales:
Adicion: p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + + (an1 + bn1 )xn1
Multiplicacion por un escalar: kp(x) = ka0 + (ka1 )x + ... + (kan1 )xn1
R
donde k . Obviamente las operaciones anteriores satisfacen las ocho pro-
piedades de la definici R
on 2.1; luego Pn ( ) es un espacio vectorial real.

R
Ejemplo 2.5. Sea C[a, b] = {f : [a, b] /f es continua sobre [a, b]}
R
Sean f, g C[a, b] y k , entonces:
Como la suma de dos funciones continuas es continua i el producto de un
escalar por una funci on continua es continua, se sigue que C[a, b] es un conjunto
cerrado bajo las dos operaciones definidas anteriormente. Ademas estas cumplen
con las propiedades que definen a un espacio vectorial (verifquelo), con lo cual
afirmamos que C[a, b] tambien es un espacio vectorial real. Note ahora que cada
funcion continua es un vector.

C C
Ejemplo 2.6. Sea V = (a1 , a2 ) 2 /a1 , a2 el conjunto de pares ordenados
de n umeros complejos. Defnase las operaciones:
Adicion (no usual): (a1 , a2 ) + (b1 , b2 ) = (a1 + 2b1 , a2 + 3b2 )
Multiplicaci on de un par por un complejo: k(a1 , a2 ) = (ka1 , ka2 ), k . C
Es V un espacio vectorial sobre ? C
Soluci on En primer lugar V es cerrado bajo las dos operaciones; es decir, la
suma de dos pares de n umeros complejos es otro par de n umeros complejos y el
producto de un n umero complejo por un par ordenado de complejos es otro par
ordenado de n umeros complejos, expresado de otra manera tenemos:
(a1 , a2 ), (b1 , b2 ) V , entonces (a1 , a2 ) + (b1 , b2 ) V
C
k , (a1 , a2 ) V , entonces k(a1 , a2 ) V .

C
Si V es un espacio vectorial sobre , entonces debera cumplir naturalmente
las ocho propiedades. Pues probemos uno por uno. En efecto:

1. Debera ser conmutativo; es decir, debe cumplirse


2.1 Espacios vectoriales 41

(a1 , a2 ) + (b1 , b2 ) = (b1 , b2 ) + (a1 , a2 )


Pero: (a1 , a2 ) + (b1 , b2 ) = (a1 + 2b1 , a2 + 3b2 ) (Por definicion)
y (b1 , b2 ) + (a1 , a2 ) = (b1 + 2a1 , b2 + 3a2 ) (Por definicion)
Como las dos expresiones de la derecha no son iguales, la adicion no es
conmutativa, basta el incumplimiento de esta igualdad para afirmar que V
no es un espacio vectorial.
Conclumos esta secci
on con algunas consecuencias elementales de la defini-
cion de espacio vectorial. Sus demostraciones puede verse, por ejemplo en
[11].

2.1.1. Propiedades elementales


Sea V un espacio vectorial sobre un campo F y sean x, y, z V

(1) Si x + z = y + z, entonces x = y (Ley de cancelacion)

(2) El vector cero 0 y el inverso aditivo x son u


nicos en V

(3) 0x = 0, x V y k0 = 0, k F

(4) (a)x = (ax), a F y x V

(5) Si kx = 0, entonces k = 0
ox=0

2.1.2. Ejercicios
1. Determinar si las siguientes afirmaciones son verdaderas o falsas:

(a) Todo espacio vectorial contiene un vector cero.


(b) Un espacio vectorial puede tener mas de un vector cero.
(c) En cualquier espacio vectorial ax = bx implica a = b.
(d) En cualquier espacio vectorial ax = ay implica x = y
(e) Un elemento de Rn puede ser considerado como un elemento de Mn1(R).
(f) Si p(x) y q(x) son polinomios de grado n, entonces f +g es un polinomio
de grado n.
42 Captulo 2. Espacios vectoriales

(g) Si p(x) es un polinomio de grado n y k 6= 0, entonces kp es un polinomio


de grado n.
R
2. Sea S = {0, 1} y F = . Dadas las funciones f, g, h F (S, ), donde R
f (x) = 2x + 1, g(x) = 1 + 4x 2x2 , h(x) = 5x + 1. Probar que (a) f = g y
(b) f + g = h
En los ejercicios del (3) al (16), se especifican los conjuntos i se mencionan
las operaciones definidas en el. Diga si son o no espacios vectoriales sobre el
campo dado. Justifique su respuesta.
3.

R
V = (a1 , a2 ) 2 /a1 , a2 R

Adicion de pares ordenados: (a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , a2 b2 ).


Multiplicacion de un par por escalar: k(a1 , a2 ) = (ka1 , a2 ), k . R
4.

R
V = (a1 , a2 ) 2 /a1 , a2 R
, k R
Adicion de pares ordenados: (a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , 0).
Multiplicacion de un par por un escalar: k(a1 , a2 ) = (ka1 , ka2 ).
5.

R R
V = (a1 , a2 ) 2 /a1 , a2 = 0

Las operaciones son las usuales que se definen en 2 . R


6. R R
V = (a1 , a2 ) 2 /ai , i = 1, 2 , k

R
Adicion: (a1 , a2 ) + (b1 , b2 ) = (a1 + b1 + 1, a2 + b2 + 1).
Multiplicacion por un escalar: k(a1 , a2 ) = (ka1 , ka2 ).
7.

R R
V = (a1 , a2 ) 2 /ai , i = 1, 2

Adicion: (a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , a2 + b2 ).


Multiplicacion por un escalar: k(a1 , a2 ) = (ka1 , 0).
R
8. Sea + = a /a > 0 R
Adicion: a + b = ab, donde b + R
Multiplicacion: ka = ak, k R
R
9. V = (a1 , a2 ) 2 /a1 , a2

R

Adicion: (a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , a1 + b2 ).


Multiplicacion: k(a1 , a2 ) = (2ka1 , 2ka2 ), k . R
R R
10. V = (a1 , a2 , a3 ) 3 /ai , i = 1, 2, 3


Adicion: (a1 , a2 , a3 ) + (b1 , b2 , b3 ) = (a1 + b1 , a2 + b2 , a3 + b3 )


Multiplicacion: k(a1 , a2 , a3 ) = (ka1 , a2 , a3 ), k R
2.1 Espacios vectoriales 43

R R
11. V = (a1 , a2 , a3 ) 3 /ai , i = 1, 2, 3


Adicion: (a1 , a2 , a3 ) + (b1 , b2 , b3 ) = (a1 + b1 , a2 + b2 , a3 + b3 ).


Multiplicacion: k(a1 , a2 , a3 ) = (0, 0, 0), k . R
12. V = {(a1 , a2 , . . . , an ) Rn/a1 = a2 = = an R}. Con las operaciones
usuales que se definen en Rn .
13. Sea Cn = {(a1 , a2 , . . . , an )/ai C, i = 1, 2, ..., n} el conjunto de n-uplas or-
denadas de n umeros complejos con las operaciones usuales de adicion y
C
multiplicacion por un escalar. Es n un espacio vectorial sobre ? R
R R
14. Sea n = {(a1 , a2 , . . . , an )/ai , i = 1, 2, ..., n} el conjunto de n-uplas or-
denadas de n umeros reales con las operaciones usuales de adicion y multi-
R
plicacion por un escalar. Es n un espacio vectorial sobre ? C
15. Sea Q= {a/b tal que a, b Z, b 6= 0} el conjunto de n
umeros racionales
provisto de las operaciones usuales de adicion i multiplicacion de n
umeros
racionales. Es Q
un espacio vectorial sobre el campo de los reales?

R
16. V = {(a1 , a2 )/ai ; i = 1, 2}
Adicion: (a1 , a2 ) + (b1 , b2 ) =((a1 + b1 , a2 + b2 )

Multiplicacion: k(a1 , a2 ) =
(0, 0) si k = 0
(ka1 , a2 /k) si k 6= 0
, k R
17. Considere las operaciones de adici on de matrices y multiplicacion de un
R
escalar real por una matriz en M22 ( ). Diga si los siguientes conjuntos son
espacios vectoriales reales. Explique el porque:

R R
  
a 0
(a) V = M22 ( )/a, b
0 b

R R
  
a 1
(b) V = M22 ( )/a, b
1 b

R R
  
a a+b
(c) V = M22 ( )/a, b
a+b b

RR
18. (a) Sea V = f F ( , )/f (1) = 0. Probar que V es un espacio vectorial
RR
respecto a las operaciones definidas en F ( , ) (Vease el ejemplo 3).
44 Captulo 2. Espacios vectoriales

R
(b) Sea V el conjunto formado por la luna y k . Defnase:
La adici
on: luna+luna=luna La multiplicacion de k por la luna: k(luna)=luna.
Es V un espacio vectorial sobre R
?.

19. Demuestre que el conjunto Mmn (F ) de todas las matrices de orden m


por n sobre el campo F , constituye un espacio vectorial sobre F . (bajo las
operaciones definidas en el captulo anterior).

20. Demostrar las 5 propiedades establecidas en la pagina 55

2.2. Subespacios
Normalmente, en el estudio de cualquier estructura algebraica es interesante
examinar subconjuntos que tengan la misma estructura del conjunto que lo contie-
ne, existiran entonces determinados subconjuntos de un espacio V que constituyen
por si solos espacios vectoriales bajo las mismas operaciones que se definen en V .

Definici on 2.2. Un subconjunto W de un espacio vectorial V sobre el campo


F , se llama subespacio de V , si W es un espacio vectorial respecto a las mismas
operaciones definidas en V .

Todo espacio vectorial tiene al menos dos subespacios: el mismo espacio V


que se considera como subespacio de si mismo y el conjunto {0} formado u nica-
mente por el vector cero. A estos dos subespacios se les llama subespacios triviales.

Por ejemplo, las rectas y planos que pasan por el origen son subespacios del
R R
espacio vectorial 3 ( ).
El siguiente teorema proporciona un metodo conveniente para determinar si
un conjunto especfico de vectores es un subespacio.

Teorema 2.1. Sea W un subconjunto no vaco de un espacio vectorial V (F ),


entonces W es un subespacio de V si y s
olo si satisface las dos condiciones:

(a) Si x, y W , entonces x + y W .

(b) Si k F y x W , entonces kx W .
2.2 Subespacios 45

Demostraci on. Las dos condiciones anteriores indican que W es cerrado bajo
las operaciones de adici
on y de la multiplicacion por un escalar.

Si W es un subespacio de V , entonces W cumple con la difinicion de un espacio


vectorial, en particular estar
a satisfaciendo obviamente las condiciones (a) y (b).

Supongamos que se verifica (a) y (b). Debemos probar que las operaciones
de W cumplan las 8 propiedades; pero esto no es necesario, puesto que V es
un espacio vectorial, y para todos los elementos de V se cumplen los axiomas
(1),(2),(5),(6),(7) y (8); en particular se estar
a cumpliendo para elementos de W .
Solo falta probar que en W se cumplen las propiedades (3) y (4); es decir 0 W
y x W . En efecto: Por la condici on (b) kx W k F , en particular para
k = 0, 0x = 0 W (prop(3),p ag 55) Haciendo k = 1, 1x = x W
(prop(4), pag 55).

2.2.1. Ejemplos
Ejemplo 2.7. Verificar que el conjunto W de todas las matrices antisimetricas
(de orden n n) es un subespacio del espacio vectorial Mnn ( ). R
Solucion Por el teorema anterior, basta mostrar que W es cerrado para las 2
operaciones; es decir, si A y B W , entonces A + B W , y si k y A W ,R
entonces kA W .

En efecto:
A W A = AT , B W B = B T , luego A + B = (AT + B T ) =
(A + B)T (Prop. (b) de la matriz transpuesta) luego A + B W . Analogamente:
A W A = AT , kA = k(AT ) = k(AT ) = (kA)T luego kA W . Por
tanto W es un subespacio de Mnn ( ). R
R R
Ejemplo 2.8. Sea V ( ) el espacio vectorial 3 sobre el campo de los reales y
R
W = {(x, y, 0)/x, y } un subconjunto de V , entonces W es un subconjunto de
V . Para demostrar tal afirmaci
on, bastar
a probar las dos condiciones del teorema
anterior.
Sean (x1 , y1 , 0) y (x2 , y2 , 0) elementos de W , luego (x1 , y1 , 0) + (x2 , y2 , 0) =
(x1 + x2 , y1 + y2 , 0) W , (por tener la tercera componente igual a cero). Analoga-
46 Captulo 2. Espacios vectoriales

mente, k(x1 , y1 , 0) = (kx1 , ky1 , 0) W . Por tanto, W es efectivamente un subespa-


cio. Geometricamente, el conjunto de ternas ordenadas con la tercera componente
cero constituye el plano XY y este es un subespacio del espacio euclideano 3 R
(Vease la figura 1)

R
Ejemplo 2.9. Sea C 1 [a, b] = {f : [a, b] /f 0 es contnua sobre [a, b]} (el con-
junto de todas las funciones reales definidas sobre [a,b] y que cumplan la condi-
cion de que su primera derivada sea continua). Facilmente se prueba que C 1 [a, b]
es un subespacio de C 1 [a, b]. (Vease el ejemplo 6 de la pagina 54). En efecto: Los
elementos de C 1 [a, b] reciben tambien el nombre de funciones continuamente di-
ferenciables. Si f C 1 [a, b]; es decir, si f es diferenciable en [a, b], entonces f es
ase A-I Arce) luego f C 1 [a, b], de aqu que C 1 [a, b] C[a, b].
contnua en [a, b] (Ve
Ademas:

- Si f, g C 1 [a, b], entonces f + g C 1 [a, b], pues la suma de dos funciones


diferenciales en [a, b] es diferenciable en [a, b].

R
- Si k y f C 1 [a, b], entonces kf C 1 [a, b], puesto que el producto de un
real por una funci
on diferenciable en [a, b] es tambien diferenciable en [a, b].
Podemos ilustrar mediante un esquema los espacios C 1 [a, b] y C[a, b].

C[a, b] Admiten funciones continuas sobre [a, b], a un aquellas en que su grafico
tenga puntos cuspidales.
Figura 2 C 1 [a, b] Admiten s
olo funciones tersas. Sus graficos no presentan puntos
cuspidales.
Figura 3
Los dos teoremas siguientes proporcionan metodos para formar subespacios a
partir de otros subespacios.

Teorema 2.2. Si W1 y W2 son dos subespacios de un espacio vectorial V (F ),


entonces W1 W2 es un subespacio de V .

Demostraci on. Sea W = W1 W2 . Si x, y W y k F , probemos que x + y W .


Si x W , entonces x W1 y x W2
Si y W , entonces y W1 y y W2
Como W1 es un subespacio, x + y W1 . Analogamente x + y W2 luego x + y
W1 W2 ; es decir, x + y W .
Si k F y x W , entonces x W1 y x W2 . Ya que W1 y W2 son subespacios
2.2 Subespacios 47

kx W1 y kx W2 , luego kx W1 W2 ; es decir kx W .
Naturalmente,este resultado se puede extender a la interseccion de un n
umero
finito de subespacios.

Definici
on 2.3. Sean S1 y S2 dos subconjuntos no vacos de un espacio vectorial
V sobre F , entonces la suma de S1 y S2 se define como:

S1 + S2 = {z/z = x + y, donde x S1 y y S2 }

Evidentemente, la suma de n subconjuntos no vacos de V se define del mismo


modo:
n n
( )
X X
Si = S1 + S2 + + Sn = w/w = xi , donde xi Si , i = 1, 2, . . . , n
i=1 i=1
n
X
Es decir, los elementos de Si se pueden expresar como suma de n terminos,
i=1
de manera que cada sumando xi este en el conjunto correspondiente Si .

Teorema 2.3. Si W1 y W2 son dos subespacios de V (F ), entonces la suma W1 +


W2 es un subespacio de V .

Demostraci
on. Como es de costumbre, nos apoyamos en el teorema 2.1 para pro-
bar que W1 + W2 es un subespacio.
Supongamos que x W1 + W2 , entonces x es de la forma: x = x1 + x2 , donde
x1 W1 y x2 W2 . De igual manera, si y W1 + W2 , entonces y = y1 + y2 ,
donde y1 W1 y y2 W2 .

x + y = (x1 + x2 ) + (y1 + y2 ) = (x1 + y1 ) + (x2 + y2 ), luego x + y W1 + W2 ,


puesto que x1 + y2 W1 y x2 + y2 W2 .

k F y x W1 + W2 , entonces kx = k(x1 + x2 ) = kx1 + kx2 , luego


kx W1 + W2 , ya que kx1 W1 y kx2 W2

Una clase especial de suma de dos subespacios, jugara un papel importante es


los captulos siguientes.
48 Captulo 2. Espacios vectoriales

Definicion 2.4. Se dice que un espacio vectorial V es la suma directa de W1 y


W2 , expresada como:
V = W1 W2
Si W1 y W2 son dos subespacios de V tales que V = W1 + W2 y W1 W2 = {0}.
Existe una condici
on necesaria y suficiente para afirmar cuando V es una suma
directa de W1 y W2 ; la demostraci on dejamos al lector, o puede Ud. consultar,
por ejemplo [12].
Teorema 2.4. Sea V un espacio vectorial sobre el campo F y sean W1 y W2
subespacios. V es suma directa de W1 y W2 si y s
olo si cada elemento de V puede
nica como x1 + x2 , con x1 W1 y x2 W2 .
ser escrito de manera u

2.2.2. Ejemplos
R
Ejemplo 2.10. Sean W1 = (x, y, 0) 3 /x, y

R
R
y W2 = {(0, y, z) /y, z }R
R R
subespacios del espacio 3 (sobre el campo ). Entonces se ve facilmente que
R 3 =W +W .
1 2
R
En efecto : cualquier vector x 3 , donde x = (a, b, c) se puede escribir, por
ejemplo, como x = x1 + x2 donde x1 = (a, b/2, 0) W1 y x2 = (0, b/2, c) W2 .
Note que la descomposici on que se efect ua en x en 2 sumandos no es u nica,
podra ser tambien (a, b, c) = (a, b/3, 0) + (0, 2b/3, c). En consecuencia, como x
no se puede expresar de manera u R
nica en dos sumandos, 3 no es suma directa
de los subespacios W1 y W2 . Esto concuerda con el u ltimo teorema. En terminos
geometricos W1 representa el plano XY y W2 el plano Y Z. La siguiente figura
expresa tal descomposici on.
R R
Ejemplo 2.11. En 3 consideremos el plano XY : W1 = (x, y, 0) 3 /x, y,

R

R R
y la recta W2 = (0, 0, z) 3 /z , entonces R3 = W1 W2 . Verifiquemos:

La interseccion del plano XY y el eje Z es el punto 0; es decir W1 W2 = 0.


R
Ademas, cualquier x = (a, b, c) 3 expresamos como x = (a, b, c) = (a, b, 0) +
R
(0, 0, c), donde (a, b, 0) W1 y (0, 0, c) W2 , luego 3 = W1 + W2 . Por tanto
R 3 = W W (Note que en este ejemplo, se cumple el u
1 2 ltimo teorema, pues x
se expresa de manera u nica, y no existe otra).
RR
Ejemplo 2.12. En el espacio vectorial F ( , ) sobre el campo R, consideremos
2 subespacios (debe probarlo) definidos de la siguiente manera:
2.2 Subespacios 49

R R/f (x) = f (x)


W1 = {f : x R}
W2 = {f : R R/f (x) = f (x) x R}
Demostrar que F (R, R) = W1 W2 .

Demostracion. Las funciones que cumplen f (x) = f (x) x R


se llaman
funciones pares y aquellas para el cual f (x) = f (x) x R
funciones
impares.
Supongamos que g W1 W2 , entonces g es a la vez funcion par e impar; es
R
decir, g(x) = g(x) y g(x) = g(x) x . Igualando se tiene:

g(x) = g(x) 2g(x) = 0 g(x) = 0 x R, luego g es la funcion cero,


de aqu que W1 W2 = {0}.

RR
Supongase que f F ( , ) (debemos expresar f en una suma de 2 funciones
f1 y f2 tales que f1 W1 y f2 W2 ). Definimos: f1 (x) = ( 21 )[f (x) + f (x)] y
f2 (x) = ( 12 )[f (x) f (x)].

La funcion f1 , as definida es una funci


on par; pues:

1
f1 (x) = ( )[f (x) + f (x)] = f1 (x)
2
La funcion f2, as construida es una funci
on impar; pues:

1
f2 (x) = ( )[f (x) + f (x)] = f2 (x)
2
RR
Como f (x) = f1 (x) + f2 (x), afirmamos que F ( , ) = W1 + W2 .
RR
En consecuencia F ( , ) = W1 W2 .

2.2.3. Ejercicios
1. Decir si las siguientes proposiciones son verdaderas o falsas.

(a) Si V es un espacio vectorial y W un subconjunto de V que es tambien


un espacio vectorial, entonces W es un subespacio de V .
50 Captulo 2. Espacios vectoriales

(b) El conjunto vaco es un subespacio de todo espacio vectorial.


(c) Si V es un espacio vectorial distinto del espacio vectorial {0}, entonces
V contiene un subespacio W tal que W 6= V .
(d) La suma de 2 subconjuntos cualesquiera de V es un subespacio de V .
(e) La reuni
on de 2 subespacios de un espacio vectorial V es un subespacio
de V .

2. Verifique que los siguientes subconjuntos son subespacios de R3 bajo las


R
operaciones usuales en 3 .

R
(a) W1 = (a, b, c) 3 /a = 3b, c = b


R
(b) W2 = (a, b, c) 3 /2a + b + 5c = 0


R
(c) W3 = (a, b, c) 3 /a 4b c = 0

omo son: W1 W2 , W2 W3 , W1 W3 donde W1 , W2 , W3 son los


3. Explique c
subespacios descritos en el ejercicio anterior.

4. Diga cuales de los siguientes subconjuntos de R2 son subespacios?



(a) (x, y) R 2 /x + y = 1


(b) (x, y) R 2 /x = 3y


(c) (x, y) R 2 /x 0, y 0


(d) (x, y) R 2 /x2 = y 2


(e) (x, y) R 2 /x = y


(f) (x, y) R 2 /x = y 3

5. Diga cuales de los siguientes subconjuntos de R3 son subespacios i explique


el porque.

R
(a) (a, b, c) 3 /a + 2b = 0 y b + c = 0


R
(b) (a, b, c) 3 /a2 + b2 1 y c = 0


R
(c) (a, b, c) 3 /c = 2a + 2b


R
(d) (a, b, c) 3 /b = a + c


R
(e) (a, b, c) 3 /b = a + c + 1

2.2 Subespacios 51

(f)

(a, b, c) R3/a2 + b2 + c2 1
R
6. Diga cuales de los siguientes subconjuntos de M22 ( ) son subespacios,
explique el porque.
   
a b a b
(a) , a, b, c, d Z (d) , c = 0, d = 0
c d c d
   
a b a b
(b) , a+d=0 (e) , b = 0, d = 0
c d c d
   
a b a b a b
(c) , =0 (f) , a = 0, d = 0
c d c d c d

R
7. Diga cual de los siguientes subconjuntos de P4 ( ) son subespacios, explique
en su respuesta.

(a) p(x) = a0 + a1 x + a2 x2 + a3 x3 /a0 = 0




(b) p(x) = a0 + a1 x + a2 x2 + a3 x3 /a0 , a1 , a2 , a3 Z




(c) p(x) = a0 + a1 x + a2 x2 + a3 x3 /a0 + a1 + a2 + a3 = 0




(d) {p(x) = a0 + a1 x/a0 , a1 R}


8. Diga cuales de los siguientes subconjuntos de C[a, b] son subespacios. Justi-
fique su respuesta.

(a) {f C[a, b]/f (x0 ) = 0 para alg


un x0 [a, b]}
(b) {f C[a, b]/f no es decreciente en [a, b]}
(c) {f C[a, b]/f es constante en [a, b]}
(d) {f C[a, b]/f (a) = 1}
n Rb o
(e) f C[a, b]/ a f (x)dx = 0

9. Dado el sistema homogeneo AX = 0 de m ecuaciones lineales con n incogni-


tas:

a11 x1 + a12 x2 + . . . + a1n xn = 0
a21 x1 + a22 x2 + . . . + a2n xn = 0

.. .. .. ..


. . . .
am1 x1 + am2 x2 + . . . + amn xn = 0

52 Captulo 2. Espacios vectoriales

Demostrar que el conjunto formado por todas las soluciones es un subespacio


R
de n . (Una soluci on de AX = 0 es un vector con n componentes y el
conjunto de estos vectores se llama el espacio soluci
on o el espacio nulo).

10. Sea F un campo y F n el espacio vectorial formado por todas las n-uplas
ordenadas de escalares en F , dotado de las operaciones usuales de adicion y
multiplicaci
on de un escalar de F por una n-upla. Verifique:

(a) W1 = {(a1 , a2 , . . . , an ) F n /a1 + a2 + + an = 0} es un subespacio


de F n
(b) W2 = {(a1 , a2 , . . . , an ) F n /a1 + a2 + + an = 0} no es un subespa-
cio de F n

R
11. Sea Mnn ( ) el espacio vectorial de todos las matrices cuadradas. probar
que:

R
(a) W1 = {A = (aij ) Mnn ( )/aij = 0 i > j} conjunto de matrices
triangulares superiores, es un subespacio de Mnn ( ). R
R
(b) W2 = {A = (aij ) Mnn ( )/aij = 0 i < j} conjunto de todas las
matrices triangulares inferiores, es un subespacio de Mnn ( ). R
R
(c) W3 = {A = (aij ) Mnn ( )/aij = 0 i j} es un subespacio de
R
Mnn ( )..

R
(d) W4 = A = (aij ) Mnn ( )/A = AT conjunto de todas las matrices

simetricas es un subespacio de Mnn ( ).. R



R
(e) W5 = A = (aij ) Mnn ( )/A = AT conjunto de todas matrices

antisimetricas es un subespacio de Mnn ( ).. R


R
(f) W6 = {A = (aij ) Mnn ( )/aij = 0 i 6= j} conjunto de todas las
matrices diagonales es un subespacio de Mnn ( ). R
Refierase al ejercicio N 11; en los ejercicios del (12) al (15)

R
12. Verifique que Mnn ( ) = W1 W3

13. Demuestre que Mnn (R) = W4 W5

14. Pruebe que Mnn (R) = W3 W4


2.2 Subespacios 53

15. Muestre que W1 = W2 W6

16. Sea P (F ) el espacio vectorial de todos los polinomios (de cualquier grado)
con coeficientes en el campo F , y considere los subespacios W1 y W2 de P (F ):
o p(x) = a0 + a1 x + a2 x2 + + an xn | a0 = a2 = a4 =

W1 = p P (F )/ p(x) = 0
W2 = p P (F ) | q(x) = 0 o q(x) = b0 + b1 x + b2 x2 + + bm xm | b1 = b3 = b5 = b7 =
Demostrar que P (F ) = W1 W2

R
17. Sea V = M22 ( ) el espacio vectorial de las matrices 2 2 y sean W1 y W2
subespacios
 tales que:
R R
   
a b a 0
W1 = | a, b y W1 = | a, c
0 0 c 0
como son los subespacios W1 W2 y W1 + W2 ?

18. Consideremos los subespacios W1 , W2 y W3 de R3 :



R
W1 = (a, b, c) 3 a + b + c = 0

R
W2 = (a, b, c) 3 | a = c
R
W3 = (a, b, c) 3 | a = b = 0

Demostrar que:

(a) R 3 = W1 + W2
(b) R 3 = W1 + W3
(c) R 3 = W2 + W3
(d) Cual de las anteriores es suma directa?

R
19. Sea C n [a, b] = f : [a, b] /f (n) es continua sobre [a, b]; es decir, f posee
n-esima derivada continua. Probar que C n [a, b] es un subespacio de C[a, b].

20. Sean W1 y W2 dos subespacios de un espacio vectorial V ; Demostrar que


W1 W2 es un subespacio de V , si y s
olo si W1 W2 o W2 W1 .