Professional Documents
Culture Documents
ALGEBRA LINEAL
Apunte del Curso
Mauricio Vargas S.
mauvarga@fen.uchile.cl
Apunte del Curso Algebra Lineal 1
Mauricio Vargas S.
Universidad de Chile
9 de agosto de 2009
1
Este apunte se encuentra en estado de correccion y evolucion. Los contenidos se basan en
las clases del profesor Maximo Lira y de ninguna forma este apunte reemplaza las clases. La
finalidad es reforzar las ideas principales y entregar demostraciones que no se tratan en clase.
Puede contener y seguramente contiene errores, favor de comunicarlos a mauvarga@fen.uchile.cl.
Derechos reservados bajo licencia CreativeCommons (CC-BY-NC-ND)
Indice general
Contenidos I
1. Definiciones Previas 1
1.1. Ley de Composicion Interna . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Ley de Composicion Externa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Estructuras Algebraicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1. Grupo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2. Grupo Abeliano o Conmutativo . . . . . . . . . . . . . . . . . . . . . . 3
1.3.3. Anillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.4. Cuerpo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Propiedades de los Numeros Reales . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1. Axiomas en R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Matrices 11
2.1. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1. Igualdad de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.1. Suma de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.2. Propiedades de la Suma de Matrices . . . . . . . . . . . . . . . . . . . 12
2.2.3. Ponderacion de Matriz por Escalar . . . . . . . . . . . . . . . . . . . . 13
2.2.4. Propiedades de la Ponderacion de Matriz por Escalar . . . . . . . . 13
ii INDICE GENERAL
5. Transformaciones Lineales 77
5.1. Transformacion Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.1.1. Nucleo de una Trasformacion Lineal . . . . . . . . . . . . . . . . . . . 79
5.1.2. Imagen de una Transformacion Lineal . . . . . . . . . . . . . . . . . . 79
5.1.3. Teorema de las Dimensiones (Nucleo - Imagen) . . . . . . . . . . . . 80
5.1.4. Tranformaciones Lineales e Independencia Lineal . . . . . . . . . . . 81
5.1.5. Transformacion Lineal Inyectiva . . . . . . . . . . . . . . . . . . . . . 83
5.1.6. Transformacion Lineal Biyectiva . . . . . . . . . . . . . . . . . . . . . 83
5.1.7. Matriz Reprensentante de una Transformacion Lineal . . . . . . . . 84
5.1.8. Propiedades de Transformaciones Lineales . . . . . . . . . . . . . . . 86
5.1.9. Como se Aplica la Matriz Representante? . . . . . . . . . . . . . . . 87
5.1.10. Matriz de Pasaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.1.11. Como se Relacionan las Matrices Representantes? . . . . . . . . . . 91
5.1.12. Matrices Similares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.2. Cambio de Base y Similaridad . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6. Formas Bilineales 95
6.1. Formas Bilineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
v
7. Referencias 99
Captulo 1
Definiciones Previas
Tambien se usa la denominacion operacion para una LCI . En ese caso, en lugar de la
notacion funcional f (a, b) se usa la notacion operacional (Ejemplo: ab ). As la operacion
se denota:
AAA
(a, b) a b A a A, b B
g AAB
(a, b) g(a, b) B a A, b B
AAB
(a, b) ab B a A, b B
Ejemplos :
1. R p(x) p(x)
3(1 + 3x x2 ) 3 + 9x 3x2
Los operadores son reales y polinomios
El dominio es de polinomios
2. (a + bx + cx2 , d) ad + (a + b + c)
(1 + 3x 5x2 , 2) 2 + (1) = 1
1.3.1. Grupo
Sea (A, ) una estructura algebraica. Se cumple que es grupo si y solo si:
2. es asociativa, es decir: a (b c) = (a b) c a, b, c A
2. es asociativa, es decir: a (b c) = (a b) c a, b, c A
1.3.3. Anillo
Sea (A, , ) una estructura algebraica con 2 LCI . Se cumple que esta es estructura de
anillo si y solo si:
2. es asociativa.
1.3.4. Cuerpo
Sea (A, , ) una estructura algebraica con 2 LCI y que ambas tienen estructura de
grupo abeliano. Se cumple que esta es estructura de cuerpo 1 si y solo si:
Ejemplos :
1. (R, +, )
a) Neutro:
a+0=0+a=a
a1=1a=a
b) Inverso:
a + (a) = (a) + a = 0
a a1 = a1 a = 1
c) Conmutatividad:
a+b=b+a
ab=ba
d ) Distributividad:
a(b + c) = (a b) + (a c)
e) Clausura:
(a + b) R (a b) R
2. (C, +, )
a) Neutro:
(a + bi) + (0 + 0i) = (0 + 0i) + (a + bi) = a + bi
(a + bi) (1 + 0i) = (1 + 0i) (a + bi) = a + bi
b) Inverso:
(a + bi) + [(a + bi)] = [(a + bi)] + (a + bi) = 0 + 0i
(a + bi) (a + bi)1 = (a + bi)1 (a + bi) = 1 + 0i
c) Conmutatividad:
(a + bi) + (c + di) = (c + di) + (a + bi)
(a + bi) (c + di) = (c + di) (a + bi)
d ) Distributividad:
(a + bi)[(c + di) + (e + f i)] = [(a + bi) (c + di)] + [(a + bi) (e + f i)]
5
e) Clausura:
[(a + bi) + (c + di)] C [(a + bi) (c + di)] C
Observacion :
El neutro y el inverso deben estar contenidos en el conjunto. De esta forma los numeros
reales tienen estructura de cuerpo (R, +, ) y el neutro de la suma se asocia con 0, el
neutro de la multiplicacion se asocia con 1 como tambien el inverso de la suma se asocia
con a, b, c, etc y el inverso del producto (siempre que a 0) estara contenido en R.
1.4.1. Axiomas en R
1. Conmutatividad
2. Asociatividad
(x, y.z R) x (y z) = (x y) z
Demostracion :
x + (y + z) = (x + z) + y
El axioma de asociatividad no dice que x + (y + z) = (x + z) + y pero usando los
axiomas ya dados se tiene que:
x + (y + z) = x + (z + y) /conmutatividad
x + (y + z) = (x + z) + y /asociatividad
En relacion con lo anterior se concluye que la suma con n terminos es conmutativa
sin alterar el resultado y es analogo para la multiplicacion.
3. Distributividad
a) (x, y, z R) x(y + z) = xy + xz
b) (x, y, z R) (x + y)z = xz + yz
(x R) x + e = x
(x R) x + e1 = x x + e2 = x
x + e1 = x
x + e2 = x
Reemplazando x = e2 en (1) y x = e1 en (2) nos queda:
e2 + e1 = e2
e1 + e2 = e1
De lo anterior se tiene que:
e1 = e1 + e2 = e2 + e1 = e2
(x R) x e1 = x x e2 = x
e1 = e1 e2 = e2 e1 = e2
(x R) x + opuesto(x) = 0
8 Definiciones Previas
Esta propiedad senala que existen elementos neutros asociados a x pero para
el caso de la suma en R se sabe que el opuesto es x y por lo tanto es unico.
Demostracion : El inverso para la suma es unico
En base al axioma anterior sabemos que existe al menos un inverso c1 que
corresponde al cero. Supongamos que por otro camino hemos encontrado otro
neutro c2 para la suma, de forma tal que se cumple:
(x R) x + c1 = 0 x + c2 = 0
PD c1 = c2
En efecto, usando los axiomas anteriores:
c1 = c1 + 0
c1 = c1 + (x + c2 )
c1 = (c1 + x) + c2
c1 = (x + c1 ) + c2
c1 = 0 + c2
c1 = c2
b) Elementos inversos para el producto
Es analogo al caso de la suma. Con las propiedades de grupo se sabe que en R
se cumple que
(x R) x reciproco(x) = 1
Demostracion : El inverso para el producto es unico
En base al axioma anterior sabemos que existe al menos un neutro c1 que
corresponde al uno. Supongamos que por otro camino hemos encontrado otro
neutro c2 para la suma, de forma tal que se cumple:
(x R) x c1 = 1 x c2 = 1
x c1 = 1
x c2 = 1
PD c1 = c2
En efecto, usando los axiomas anteriores: c1 = c1 1
c1 = c1 (x c2 )
c1 = (c1 x) c2
c1 = (x c1 ) c2
c1 = 1 c2
c1 = c2
Captulo 2
Matrices
2.1. Matrices
Una matriz es una tabla de doble entrada de m filas y n columnas con coeficientes en el
cuerpo K (que puede ser R o C).
I = {1, 2, 3, . . . , m}
Considerando los subconjuntos de N: {
J = {1, 2, 3, . . . , n}
MIJK
(i, j) Mij K
Demostracion : Es directa (lo cual no quiere decir que es trivial o evidente) con las
propiedades del cuerpo K se cumple que la suma es asociativa y conmutativa.
0 ... 0
0 = Mmn (K)
0 ... 0
otra matriz si y solo si sumamos matrices de igual orden ya que de otra manera la
operacion no esta definida.
El neutro aditivo para las matrices de 2 3 es 0M = 023 , para las de de 5 2 es
0M = 052 , etc.
Generalizando para las matrices de m n es 0M = 0mn con cualquier m, n N. Por
lo tanto, a diferencia de las propiedades de R en que el neutro aditivo es unico para
Mmn K existen tantos neutros como ordenes de matrices posibles.
1 + i 0 2 + 3i 1 i 0 2 3i 0 0 0
( )+( )=( ) = 0M
i 1 0 i 1 0 0 0 0
Por lo tanto,
1 + i 0 2 + 3i 1 i 0 2 3i
( )=( )
i 1 0 i 1 0
3. La suma de matrices es asociativa tal que: Amn + (Bmn + Cmn ) = (Amn + Bmn ) + Cmn
3. (Amn ) = ()Amn
4. 1Amn = Amn
Estas propiedades son las mismas de las de un espacio vectorial y su demostracion par-
ticular puede hacerse en forma analoga al caso de un espacio vectorial R2 /R tomando dos
matrices cualquiera con n vectores de 2 componentes.
El conjunto de las matrices Mmn sobre el cuerpo K con la LCI suma de matrices y la
LCE ponderacion por escalar constituye un espacio vectorial Mmn /K
Se define la aplicacion
Mmr Mrn Mmn
(Amn , Bmn ) (A + B)mn
Demostracion :
En efecto,
Para la matriz AB en (i, k) se tiene
n
AB = aij bjk
k=1
Luego,
n
(AB)C = (aij bjk )ckl
k=1
Luego,
n
A(BC) = aij bjk ckl
k=1
Finalmente,
(AB)C = nk=1 (aij bjk )ckl
A(BC) = nk=1 (aij bjk )ckl = (AB)C
A(BC) = k=1 aij (bjk ckl )
n
Demostracion :
En efecto,
n
dij = aik (bkj + ckj )
k=1
n
dij = aik bkj + aik ckj
k=1
n n
dij = aik bkj + aik ckj
k=1 k=1
1 0 0 0 0 0 0 0 1 0 0 0
( )( )=( ) ( )( )=( )
0 0 2 0 0 0 2 0 0 0 2 0
Como se senalo existe el caso particular de la matriz cuadrada y la matriz identidad, para
este caso la matriz identidad es un neutro en la estructura algebraica (Mnn (K), )
En efecto, dada A Mnn (K) se tiene que Ann Inn = Ann
Demostracion :
n
aik ikj = aij ijj = aij = Ann
k=1
Se concluye que para el caso de las matrices cuadradas la suma y el producto constituyen
una estructura algebraica (Mnn (K), +, ) que es un anillo con unidad (existe un neutro
para )
17
Mmn Mnm
A T (A) = AT
n n
AT = aji A = aij
k=1 k=1
Ejemplos :
1 3
T
1 2 5 8 2 4
1. ( ) =
3 4 1 2 5 1
8 2
1 5 3 2
5 2 0 1
2.
3 0 3 6
2 1 6 4
3. x = (2, 4, 1) A = ( 2 4 1 )
2
AT = 4
1
Demostracion :
18 Matrices
2. (A + B)T = AT + B T
Demostracion :
Sean A, B Mmn A + B Mmn y definiendo C = A + B
En efecto,
Para la matriz C en (i, j) se tiene cij = nk=1 aij + bij = nk=1 aij + nk=1 bij
Para la matriz C T en (i, j) se tiene cji = nk=1 aji + bij = nk=1 aji + nk=1 bji
3. (A)T = aAT
Demostracion :
a11 . . . a1n
Sea Amn = A =
am1 . . . amn
Entonces,
a11 . . . a1n a11 . . . a1n
Amn = A = =
am1 . . . amn am1 . . . amn
a11 . . . am1
(A)Tmn = Anm =
a1n . . . anm
4. (AB)T = B T AT
Demostracion :
Sean las matrices A Mpq y B Mqr tal que C = AB
En efecto,
Para (i, j) de la matriz C se tiene que
n
cij = aik bkj
k=1
n
cji = aki bjk
k=1
debido a la transposicion.
Sea la matriz D = B T AT
Finalmente,
C = AB C T = (AB)
T
20 Matrices
Mmn Mmn
AP Q e(AP Q )
1. Operacion eij
Consiste en intercambiar de posicion las filas (i, j).
Ejemplo :
a11 a12 a13 a14 a31 a32 a33 a34
a21 a22 a23 a24 e13 a21 a22 a23 a24
AP Q = BP Q =
a31 a32 a33 a34 a11 a12 a13 a14
a41 a42 a43 a44 a41 a42 a43 a44
Observacion : AP Q BP Q = BP Q
2. Operacion ej ()
Consiste en ponderar la fila j por el escalar 0
Ejemplo :
a11 a12 a13 a14 a31 a32 a33 a34
a21 a22 a23 a24 e2 (5) 5a21 5a22 5a23 5a24
AP Q = BP Q =
a31 a32 a33 a34 a11 a12 a13 a14
a41 a42 a43 a44 a41 a42 a43 a44
3. Operacion eij ()
Consiste en sumar a la fila i, la fila j ponderada por el escalar 0. El resultado
queda en la fila i
Ejemplo :
e31 (5)
AP Q BP Q
21
Tambien se definen operaciones inversas . Cada operacion elemental de fila posee una
inversa que es tambien una operacion de fila.
En efecto,
1. (eij )1 = eij
2. [ej ()]1 = ej ()
Mmn /K K
AP Q det(AP Q ) K
Ejemplos :
a11 a12
1. AP P = ( )
a21 a22
Los productos posibles son: b11 b22 , (n = 0) signo+ b12 b21 , (n = 1) signo
Luego, det(AP P ) = b11 b22 b12 b21
22 Matrices
1 5
2. BP P = ( )
2 4
det(AP P ) = 1 4 5 2 = 6
1. (eij )1 = eij
2. [ej ()]1 = ej (1 )
1 3 2
A= 6 5 4
7 2 4
Sea Bmn una matriz cuadrada, esta es ademas triangular superior si:
bij = 0 si i > j
{
m=n
Ejemplo :
1 4 2
B= 0 6 8
0 0 7
Sea Bmn una matriz cuadrada, esta es ademas triangular inferior si:
bij = 0 si i < j
{
m=n
Ejemplo :
1 4 2
B= 0 6 8
0 0 7
Sea Cmn una matriz cuadrada, esta es ademas diagonal si es superior e inferior a la vez si:
cij = 0 si i j
{
m=n
24 Matrices
Ejemplo :
1 0 0
C= 0 3 0
0 0 2
Sea Dmn una matriz cuadrada y diagonal, esta es ademas escalar si:
d = 0 si i j
ij
dij = k si i = j
m=n
Ejemplo :
7 0 0 1 0 0
C = 0 7 0 =7 0 1 0
0 0 7 0 0 1
Sea Imn una matriz escalar, esta es ademas identidad si y solo si:
d = 0 si i j
ij
dij = 1 si i = j
m=n
Ejemplo :
1 0 0
C= 0 1 0
0 0 1
Ejemplo :
1 5 3 2 0
5 2 0 1 8
C=
3 0 3 6 7 Que corresponde a una matriz simetrica de 5 5.
2 1 6 4 0
0 8 7 0 5
sij = sji si i j
sij = 0 si i = j
Ejemplo :
0 5 3 2 0
5 0 0 1 8
C=
3 0 0 6 7
2 1 6 0 0
0 8 7 0 0
Ejemplo:
26 Matrices
0 0
C= 0 0
0 0
Para algunas matrices cuadradas existe la matriz inversa y esta cuando existe al multi-
plicarse con su inversa (la matriz original) genera una matriz identidad. Tal condicion se
expresa:
Sea Ann esta matriz es invertible si y solo si A1
nn tal que:
Ann A1
nn = Ann Ann = Inn
1
Ejemplos :
1 5
1. Sea A = ( )
1 6
1 5 x y 1 0
Entonces, A A1 = ( )( 1 1 )=( )
2 6 x2 y2 0 1
x1 + 5x2 y1 + 5y1 1 0
( )=( )
x2 + 6x2 y2 + 6y2 0 1
27
x1 + 5x2 = 1
x + 6x2 = 0
2
y1 + 5y1 = 0
y2 + 6y2 = 1
x1 + 5x2 = 1
x1 = 6, x2 = 1
x2 + 6x2 = 0
y1 + 5y1 = 0
y1 = 5, y2 = 1
y2 + 6y2 = 1
Por lo tanto,
6 5
A1 = ( )
1 1
A es invertible.
1 2
2. Sea B = ( )
2 4
x1 y 1
Sea A1 = ( )
x2 y 2
1 2 x y 1 0
Entonces, A A1 = ( )( 1 1 )=( )
2 4 x2 y 2 0 1
x1 + 2x2 y1 + 2y1 1 0
( )=( )
2x2 + 4x2 2y2 + 4y2 0 1
x1 + 2x2 = 1
2x2 + 4x2 = 0
y1 + 2y1 = 0
2y2 + 4y2 = 1
Por lo tanto,
28 Matrices
Demostracion :
Sea A Mnn (K) es invertible si y solo si existe A1 Mnn (K) tal que:
AA1 = A1 A = Inn
Luego,
B = B(AC)
B = (BA)C
B = Inn C
B=C
2. (A1 )1 = A
Demostracion :
(A1 )1 A1 = A A1
(A1 )1 A1 = Inn
[(A1 )1 A1 ]A = Inn A
(A1 )1 [A1 A] = A
(A1 )1 [A A1 ] = A
(A1 )1 Inn = A
29
(A1 )1 = A
3. (AB) = B 1 A1
1
Demostracion :
AB(B 1 A1 )
A(BB 1 )A1
A(Inn )A1
AA1
Inn
4. (AT )1 = (A1 )T
Demostracion :
AT (AT )1 = AT (A1 )T
Inn = AT (A1 )T
30 Matrices
Observacion : Solo algunas matrices son invertibles, como ya se vio existen casos en que
una matriz no admite inversa y que algunas matrices cuadradas son invertibles. Se puede
comprobar que existe la inversa verificando que el determinante sea distinto a cero para
una matriz dada.
Ann p(A)
1. Es de grado n
2. Es monico
A partir de esta sustitucion se tiene la ecuacion caracterstica de una matriz que consiste
en igualar el polinomio caracterstico de esta a cero.
Luego se aplican operaciones elementales hasta obtener una matriz identidad al lado
izquierdo (la matriz original) y el resultado que se obtiene a partir de la matriz identidad
anexa corresponde a la inversa de A.
Ejemplo :
32 Matrices
2 1 1
Invertir, si es posible, la matriz A = 5 2 3
0 2 1
1 1 1 1 0 0
2 2 2
2 1 1 1 0 0
5 2 3 0 1 0
e1 (1/2)
5 2 3 0 1 0 e21 (5)
0 2 1 0 0 1
0 2 1 0 0 1
1 1 1 1 1 1 1 1 0
0 0 0
2 2 2 2 2 2
e2 (2) e32 (2)
0 1 0 0 1 1 5 2 0
1 1 5
2 2 2
0 2 1 0 0 1 0 2 1 0 0 1
1 1 1 1 1 1 1 1 0
0
0 0
2 2 2 2 2 2
e23 (1) e3 (1)
0 5 2 0 0 1 0 5 2 1
1 1
0 0 1 10 4 1 0 0 1 10 4 1
1 1 1 1 1 0 1 3 1 1
0 0
2 2 2 2 2
e12 (1/2) e13 (1/2)
0 5 2 1 0 1 0 5 2 1
1 0
0 0 1 10 4 1 0 0 1 10 4 1
1 0 0 8 3 1
0 1 0 5 2 1
0 0 1 10 4 1
8 3 1
A1 = 5 2 1
10 4 1
33
T
A11 A12 A13 . . . A1n A11 A21 A31 . . . An1
A21 a22 A23 . . . A2n A12 A22 A32 . . . An2
adj(A) =
adj(A) =
An1 An2 An3 . . . Ann A1n A2n A3n . . . Ann
34 Matrices
Considerando el producto
a11 a12 a13 . . . a1n A11 A21 A31 . . . An1
a21 a22 a23 . . . a2n A12 A22 A32 . . . An2
P = A adj(A) =
an1 an2 an3 . . . ann A1n A2n A3n . . . Ann
Si i = j entonces,
n
pjj = aj1 Aj1 + aj2 Aj2 + . . . + ajn Ajn = ajk Ajk = det(A)
1
Si i j entonces,
Para este caso pij = 0 ya que corresponde al determinante de una matriz con filas repetidas
(filas L.D ).
A1 [A adj(A)] = A1 det(A)
35
adj(A)
A1 =
det(A)
Ejemplo :
1 3 5
Invertir (si es posible) la matriz A = 2 1 8
3 1 4
det(A) = 39
T
1 8 2 8 2 1
det ( ) det ( ) det ( )
1 4 3 4 3 1 T
30 16 1
3 5 1 5 1 3
adj(A) = det ( ) det ( ) det ( ) = 7 11 8
1 4 3 4 3 1 19
2 5
3 5 1 5 1 3
det ( ) det ( ) det ( )
1 8 2 8 2 1
30 7 19
adj(A) = 16 11 2
1 8 5
30 7 19
39 39 39
adj(A) 16 11 2
A = =
det(A) 39
1
39 39
1 8 5
39 39 39
Ejemplo :
1 2
A32 = ( )
3 4
1 2
p() = det(A I) = det ( ) = (1 )(4 ) 6 = 2 5 2
3 4
Luego, 2 5 2 = 0
A2 5A 2I = 0
7 10 5 10 2 0 0 0
( )( )( )=( )
15 22 15 20 0 2 0 0
Se comprueba que:
752 10 10 0 0
( )=( )
15 15 22 20 2 0 0
En consecuencia,
A 5I
A1 =
2
1 2 5 0
( )( )
3 4 0 5
A =
1
2
4 2
( )
3 1
A1 =
2
2 1
A1 =
3 1
2 2
Comprobando,
2 1
1 2 =( 1 0 )
( )
3 4 3 1 0 1
2 2
Sea AP Q definimos el espacio fila de A como el subespacio KQ /K generado por sus filas
ledas como n-tuplas .
Ejemplo :
1 2
A32 = 3 5
1 8
El espacio fila de A equivale a lin(A) = {(1, 2), (3, 5), (1, 8)} R2 /R y es L.D.
La dimension del espacio fila se denomina rango por filas .
38 Matrices
Ejemplo :
4 5
Sea A = ( )
2 3
2x y = 0
39
0
y = 0 x = 0 v1 = ( )
0
Ejemplo :
x + y = 3
2x + 2y = 6
1 1 x 3
( )( )=( )
2 2 y 6
1 1 e21 (2) 1 1
( ) ( )
2 2 0 0
1 1 x 3
( )( )=( )
0 0 y 6
x + y = 3, 0 = 6
1 1
det ( )=1221=0
2 2
Definiendo r = rango y n = numero de incognitas. El rango por filas de una matriz corre-
sponde al numero de filas L.I que contiene. Se determina escalonando la matriz y segun
el numero de filas L.I que se encuentren se dan los siguientes casos:
43
Ejemplo :
3x + y = 5
5x + 2y = 8
1 0 2
( )
0 1 1
x 2
( )=( )
y 1
Ejemplo :
x + 2y 3z = 6
2x y + 4z = 2
4x + 3y 2z = 14
1 2 3 6 e32 (1) 1 2 3 6
0 5 10 10 0 5 10 10
0 5 10 10 0 0 0 0
Ejemplo :
x + 2y = 6
2x + 4y = 2
1 2 6 e21 (1) 1 2 6
( ) ( )
2 4 2 1 2 4
1 2 x 6
( )( )=( ) x + 2y = 6 x + 2y = 4 C
1 2 y 4
4. En caso de que no ocurra lo senalado en el punto (3) entonces se tienen dos casos
posibles: r = n r < n
Para r = n existen soluciones particulares y una solucion general.
Ejemplos :
45
x + y + z = 0
1.
2x + 3y z = 4
x
x
La solucion general sera y = 1 3x
z
4
1 x4
x + 2y 3z = 6
2. 2x y + 4z = 2
4x + 3y 2z = 14
1 2 3 6
0 5 10 10
0 0 0 0
Las soluciones particulares son todos los valores que se admiten en la solucion general.
Para el caso anterior una solucion particular esta dada por un valor de x que este definido
en las componentes (x, y, z).
0
El ejemplo anterior admite, entre otros valores, x = 0 tal que x1 = 1 y x = 1 tal que
1
1
1
x1 = 4
5
4
Estos valores corresponden a soluciones particulares del sistema y existen tantas soluciones
como valores que no indefinan las ecuaciones dadas.
A x = b
A1 A x = A1b
x = A1b
Ejemplo :
Obtener las soluciones para el sistema:
1 1 1
+ + = 10
x y z
2 3 4
= 22
x y z
3 2 1
+ = 12
x y z
x + y + z = 10
2x 3y 4z = 22
3x + 2y z = 12
1 1 1 10 e21 (5) 1 1 1 10 1
e2 ( 14 )
0 5 6 42 0 0 14 168
0 1 4 42 0 1 4 42
1 0 0 4 e23
1 0 0 4
0 0 1 12 0 1 0 6
0 1 0 6 0 0 1 12
1 1 1
Entonces, x = 4, y = 6, z = 12 x = , y = , z=
4 6 12
A x = b
A1 A x = A1b
49
x = A1b
Bajo estas condiciones la solucion x = A1b se determina a partir de la matriz A1 tal que:
adj(A)
A1 =
det(A)
T
A11 A12 A13 . . . A1n
A21 A22 A23 . . . A2n
adj(A) Am1 am2 Am3 . . . Amn
A1 = =
det(A) det(A)
Se tiene que Aij = (1)i+j det(A ) siendo A la matriz resultante de aplicar el desarrollo
l.c j
de Laplace a la columna j. Es decir, A aij A
En la matriz adjunta no se consideran los factores que ponderan a la matriz A .
Considerando la componente j-esima de la ecuacion anterior se obtiene:
b1
b2
( Aj1 Aj2 Aj3 . . . Ajn )
b3
bn Aj1 b1 + Aj2 b2 + Aj3 b3 + . . . + Ajn bn
xj = =
det(A) det(A)
n
1
xj = Ajn bn
1 det(A)
j
Entonces, xj = con j = det(A ) siendo A la matriz que se obtiene reemplazando la
columna j por el vector b, es decir:
50 Sistemas de Ecuaciones Lineales
Ejemplo :
1 1 1
+ + = 5
x y z
2 3 4
= 11
x y z
3 2 1
+ = 6
x y z
Como en el caso anterior se puede aplicar un cambio de variable para simplificar la res-
olucion:
1 1 1
Sea = x , = y, = z
x y z
x + y + z = 5
2x 3y 4z = 11
3x + 2y z = 6
5 1 1
det 11 3 4
x 6 2 1 15 + 24 + (22) 18 (40) 11 28
x = = = = =2
1 1 1 3 + (12) + 4 (9) (2) (8) 14
det 2 3 4
3 2 1
1 1
x= =
x 2
51
1 5 1
det 2 11 4
y 3 6 1 15 + 24 + (22) 18 (40) 11 42
y = = = = = 3
1 1 1 14 14
det 2 3 4
3 2 1
1 1
y= =
y 3
1 1 5
det 2 3 11
y 3 2 6 18 + (33) + 20 (45) (22) (12) 84
z = = = = =6
1 1 1 14 14
det 2 3 4
3 2 1
1 1
z= =
z 6
Captulo 4
4.1. Escalar
Se define escalar como toda maginitud que queda expresada cuando se conoce su mag-
nitud y la unidad de medicion.
Ejemplos :
3. Tiempo: 5 segundos
5. Volumen: 4 m3
4.2. Vector
Se define vector como una magnitud que se define con tres propiedades que le son carac-
tersticas:
54 Escalares, Vectores y Espacios Vectoriales
2. Direccion: Recta que contiene al vector. En este caso el vector esta contenido en la
4
recta de forma canonica y = x
3
3. Sentido: La orientacion que toma el vector. En este caso es desde el punto (0,0)
hasta el punto (3,4) y se ubica en el cuadrante I). Por convenio se divide el plano
cartesiano en cuatro cuadrantes de la forma siguiente:
II) I)
III) IV)
55
Ejemplos :
Los vectores de la figura son todos de igual modulo pero su direccion y sentido no son
iguales. Por esto que es importante definir que un vector se define mediante estas tres
propiedades.
56 Escalares, Vectores y Espacios Vectoriales
Los vectores son n-dimensionales , es decir, estan contenidos en planos en Kn (K puede ser
R o C) pero por razones geometricas (no es posible graficar en mas de tres dimensiones)
todo vector en el espacio esta contenido en planos en R2 o R3 .
Todo vector en Kn se denota a = (a1 , a2 , . . . , an ) y tambien se puede denotar en forma de
matriz . Un vector de n-componentes , en este caso 3, se denota mediante una matriz fila
como se vio en el captulo 2 tal que:
R3 = ( ax ay az )
a
Para esclarecer aun mas sirve como ejemplo el caso de un alumna que llamaremos Trixi
. El desplazamiento de su casa, que queda en Diagonal Paraguay, desde un punto A a la
facultad ubicada en un punto B es el vector AB que no es lo mismo que el desplazamiento
opuesto BA. Ambas distancias tienen igual modulo, misma direccion pero sentido inverso.
Mediante graficos esto queda expresado claramente en los ejes (x, y) y (x, y, z). Existen
muchos mas ejemplos como el de la velocidad de una piedra que cae con moudulo igual a
su rapidez, direccion vertical y sentido hacia el centro de la tierra.
Para el caso de un vector polinomio cabe senalar que el neutro no correponde al 0 sino al
p(x) = a + bx + cx2 + . . . + nxn
0(x), es decir: }
0(x) = 0 + 0x + 0x2 + . . . + 0xn
) = ((x, y))
(, a a = (x, y) = (x, y)
a b) =
1. ( a b
a b) = [(x, y) (p, q)]
En efecto, (
a b) = (x + p, y + q)
(
a b) = ((x + p), (y + q))
(
a b) = (x + p), y + q)
(
a b) = (x, y) (p, q)
(
a b) = (x, y) (p, q)
(
a b) =
( a b
2. ( + )
a =
a
a
En efecto,
( + )
a = ( + )(x, y)
( + )
a = (( + )x , ( + )y)
( + )
a = (x + x , y + y)
( + )
a = (x, y) + (x + y)
( + )
a =
a +
a
58 Escalares, Vectores y Espacios Vectoriales
a) = ()
3. ( a
En efecto,
a) = ((x, y))
(
a) = [(x, y)]
(
a) = (x, y)
(
a) = (x, y)
(
a=a
4. 1
En efecto,
a = 1(x, y)
1
a = (1x, 1y)
1
a = (x, y)
1
a=a
1
Las propiedades se han verificado con pares ordenados de numeros reales por lo que se
demuestra que R2 /R es un espacio vectorial.
Observacion : Aqu solo se ha demostrado un caso particular. La demostracion es valida
para R2 /R y no para cualquier espacio vectorial que puede ser R3 /R, Rn /R, etc.
4.4.2. Rn /R
nveces
Corresponde a: Rn /R = (R R R . . . R)
Todo vector en Rn /R se denota x = {(x1 , x2 , x3 , . . . , xn )/xj R j = {1, 2, 3, . . . , n}}
pol
La ponderacion por escalar en este espacio es analoga al caso de pares ordenados, es decir:
p(x) = p(x) = (a0 + a1 x + a2 x2 + . . . + an xn )
p(x) = a0 + a1 x + a2 x2 + . . . + an xn
1. A es linealmente independiente
2. lin(A) = V/K
1. E es linealmente independiente.
En efecto, (1, 0, 0) + (0, 1, 0) + (0, 0, 1) = (0, 0, 0)
(, 0, 0) + (0, , 0) + (0, 0, ) = (0, 0, 0)
===0
2. E es generador de R3 /R
En efecto, sea (x, y, z) cualquier vector de R3 /R se cumple que:
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)
(x, y, z) = (x, 0, 0) + (0, y, 0) + (0, 0, z)
(x, y, z) = (x, y, z)
(x, y, z) lin(E) (x, y, z) R3
Es decir, x se puede formar a partir de una combinacion lineal de vectores del conjunto
al que pertenece.
El vector de coordenadas de x con respecto a la base A corresponde a la n-tupla:
1
2
x]A = 3
[
n
Ejemplo :
1. En R3 /R sea la base D = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} y el vector x = (2, 8, 5)
Se tiene que x = 6(1, 0, 0) + 3(1, 1, 0) + 5(1, 1, 1)
6
x]D = 3
Por lo tanto el vector de coordenadas corresponde a: [
5
2. Determine base y dimension para W1 W2 si
W1 = {(x, y, z, w) R4 /x + y w = 0}
W2 = {(x, y, z, w) R4 /x w = 0}
a + b d = 0
a d 0
a+bd=0b=0
a=d
u = (a, b, c, d) = (a, 0, c, a) = a(1, 0, 0, 1) + c(0, 0, 1, 0)
u es generado por {(1, 0, 0, 1), (0, 0, 1, 0)} que es linealmente independiente
{(1, 0, 0, 1), (0, 0, 1, 0)} es base de dimension (cardinalidad) 2 de W1 W2
1. Sea 0 (x) = 0 + 0x + 0x2 tenemos que 0 (x)x=1 = 0 + 0 1 + 0 12 = 0
0 (x) W W
p (x) = a + bx + cx2
2. Sean } W
p (1) +
q (1) = 0
q (x) = d + ex + f x2
Entonces, (p + q)(x) = p (x) +
q (x)
Por lo tanto (p + q)(1) = p (1) +
q (1) = 0 + 0 = 0 (p + q)(x) W
63
3. Sea
p x = a + bx + cx2 W p(1) = 0 y ademas R
Entonces, (p )(x) =
p (x)
(
p )(1) =
p (1) = 0 = 0
(
p W)
W es un s.e.v
n
= k xk = 0 (1 = 2 = 3 = . . . = n = 0)
a
k=1
= 3
5
2 =
2
5
= 3, =
4
es combinacion lineal de A
2. Demostrar que B = A {
aj } con (A, B) V/K es un conjunto linealmente dependi-
ente.
j V/K a
En efecto, a j lin(B)
n
j = k xk a
a j = 1 a
1 + 2 a
2 + 3 a
3 + . . . + j1 a
j1 + j+1 a
j+1 + . . . + n a
n
k=1,kj
0 = 1 a
1 + 2 a j1 a
3 + . . . + j1 a
2 + 3 a j a j+1 + . . . + n
j + j+1 a an
y b para obtener a
1. Dados a + b se dibuja b a continuacion de a
.
los ejes en que esta contenido, es decir es el valor que el vector tiene en un eje.
Ejemplo : a = (3, 2) ax = 3 (componente x) y a y = 2 (componente y)
65
hasta el final de b es a
3. El vector que va desde el inicio de a + b. Una consecuencia
importante de esto es que la suma de vectores no es conmutativa ya que invertir el
orden de la suma invierte el sentido del vector resultante.
y z
a
b'
a+b
a'
a a+b
b
y
x x b
En caso de tener dos o mas vectores sumados se hace de la misma manera. Para el caso
del paralelogramo deberan sumarse los vectores de a pares para as poder formar el
paralelogramo y no otra figura. En forma algebraica la suma de n-vectores no presenta
diferencia con la suma de dos vectores. Es importante senalar que la suma de vectores
esta definida solo cuando se aplica a vectores de igual numero de componentes.
De otra forma, se pueden sumar vectores mediante la regla del triangulo que consiste
en copiar el vector que se suma a continuacion de otro y el vector resultante va desde el
origen del primer vector hasta el final del vector sumado.
a+b
66 Escalares, Vectores y Espacios Vectoriales
Resta de Vectores
Como tal la resta de vectores no existe. La resta de vectores consiste en sumar el inverso
de un vector a otro.
+ b = (2, 3)
1. a
c = a
2. a + (
c) = (4, 2) + [(1, 0)] = (4, 2) + (1, 0) = (5, 2)
+ b + c + d + e = ([4 2 1 + 3 2], [2 + 1 + 0 8 7]) = (2, 12)
3. a
b c d e = ([4 + 2 + 1 3 + 2], [2 1 0 + 8 + 7]) = (2, 12)
4. a
+ b + d + c = ([4 2 + 3 1], [2 + 1 8 + 0]) = (4, 5)
5. a
1 3
1. c = (2, 3, )
2 2
Se cumple que:
67
a b) =
1. ( a b
2. ( + )
a =
a
a
a) = ()
3. ( a
a=a
4. 1
1. A = (1, 2) B = (, , )
A B = {(1, ), (1, ), (1, ), (2, ), (2, ), (2, )}
V R+ {0}
a a
1.
a 0
2. =0
a = 0 a
3.
a = a
a + b
4. a + b (desigualdad triangular)
4.9.5. Normas en Rn /R
La norma de un vector se clasifica arbitrariamente asignando numeros:
1. Norma 1
n
a1 = (a1 , a2 , a3 , . . . , an )1 = aj
k=1
3. Norma 3
n 1/3
a3 = [ aj ]
3
= 3
a1 3 + a2 3 + a1 3 + . . . + an 3
k=1
69
a = sup{ak }nk=1
Ejemplo :
(2, 8, 3, 0) = 8
En efecto,
lm n
2n + 8n + 3n
n
2n + 8n + 3n
lm
n
8n
n 8n
1 n 3 n
8 lm +1 +
n
n
n
4 8
0 0
8 lm n
1n = 8
n
<a , b >
a, b) =
cos(
a b
Ejemplo en R2
70 Escalares, Vectores y Espacios Vectoriales
1. Asociatividad: Si aparece una suma junto con el producto punto se puede asociar
respecto de la suma.
71
b) Para el caso de matrices (siempre y cuando las operaciones esten bien definidas):
< A + B, C >= tr(C T A) + tr(C T B)
b) Para el caso de matrices (siempre y cuando las operaciones esten bien definidas):
< A, B >= tr(B T A)
b) Para el caso de matrices (siempre y cuando las operaciones esten bien definidas):
< A, B >=< B, A >
tr(B T A) = tr(AT B)
Ejemplo :
Demostrar que en M22 < A, A >= tr(AT A) es producto punto
Se debe demostrar que se cumplen las propiedades mencionadas
1. PD < A, A > 0
a11 a12 a a
Como < A, A >= ( ) , ( 11 12 )
a21 a22 a21 a22
a11 a12 a a
( ) , ( 11 12 ) = tr(AT A)
a21 a22 a21 a22
Luego,
a211 + a221 a11 a12 + a21 a22
tr(AT A) = tr = a211 + a212 + a221 + a222
a11 a12 + a21 a22 a212 + a222
2. Conmutatividad
PD < A, A >=< A, A >
3. Distributividad
PD < A, A >=< A, A >=< A, A >
a11 a12 a a
b) < A, A >= tr [ ( ) ( 11 12 )]
a21 a22 a21 a22
a211 + a221 a11 a12 + a21 a22
< A, A >= tr
a11 a12 + a21 a22 a212 + a222
a211 + a221 a11 a12 + a21 a22
< A, A >= tr
a11 a12 + a21 a22 a212 + a222
74 Escalares, Vectores y Espacios Vectoriales
a11 a12 a a
c) < A, A >= tr [( ) ( 11 12 )]
a21 a22 a21 a22
a211 + a221 a11 a12 + a21 a22
< A, A >= tr
a11 a12 + a21 a22 a212 + a222
a211 + a221 a11 a12 + a21 a22
< A, A >= tr
a11 a12 + a21 a22 a212 + a222
Se cumple que 1) = 2) = 3)
4. Asociatividad
PD < A + B, C >=< A, C > + < B, C >
R3 R3 R3
a, b) a
( b R3 (
a, b) R3
a b =
2. La forma operacional es: a b sen()
b, a
3. Se cumple que < a b, b >= 0 dada la condicion de ortogonalidad
>=< a
4. Para calcular producto cruz mediante determinantrs (as no se consideran las nor-
mas como en el caso anterior) se toman los vectores de la base canonica R3 :
a, b) R3 . Con esto
i = (1, 0, 0) j = (0, 1, 0) k = (0, 0, 1) y dados los vectores (
se define a b:
i j k
b = det ax ay az
a
bx by bz
a = (5, 0, 2), b = (2, 1, 2)] R3 entonces,
Dados dos vectores [
RRR RRR
RR i j k RRR
b = RRRR
a 5 0 2 RRR = i( 2) j(3 2) + k(5)
RRR RRR
RRR 2 1 2 RRR
RRR RRR
RRR i j k RRR
b a R
= RR 2 1 2 RRR = i( 2) j(3 2) + k(5)
RRR RRR
RRR 5 0 2 RRR
Captulo 5
Transformaciones Lineales
f U/K B/K
x f (
x) V
xU
1. f (
x) = f (
x)
x U, K
x + y) = f (
2. f ( x) + f ( x, y U, K
y )
Notar que, si f es lineal entonces f (0U ) = 0V . Con esto, se tiene que f (0) = 0,
cabe
preguntarse: Existen otros vectores cuya imagen sea 0V ?
Efectivamente existen, se tiene que se da el caso en que x 0U /f (
x) = 0V excepto
para transformaciones lineales inyectivas (recordar que una funcion inyectiva cumple
la condicion de que cada elemento del recorrido es generado por un unico elemento del
dominio de la misma funcion.)
Ejemplos :
1. f R2 /R R/R
78 Transformaciones Lineales
En efecto,
En efecto,
n
a) G[A + B] = (ajj + bjj )
j=1
n n
G[A + B] = ajj + bjj
j=1 j=1
G(A) = tr(A)
G(A) = G(A)
ker(f ) = { x) = 0V }
x U/f (
3. Sea x ker(f )
f (x) = 0V
x) = 0V
f (
x) = 0V
f (
x ker(f )
im(f ) = {
y V/ x) = y}
x U, f (
1. f (0 x) = 0 0 V im(f )
x) = 0 f (
80 Transformaciones Lineales
y1 + y2 = f (
x1 + x2 )
y1 + y2 = f (
x1 ) + f ( x2 )
Demostracion :
Dada una transformacion lineal f cualquiera, supongamos los conjuntos
A = { 2 , a
a1 , a 3 , . . . , a
v } base de ker(f )
{
B = { 2 , a
a1 , a 3 , . . . , a
v , a
v+1 , . . . , a
n } base de U
u = 1 a
1 + 2 a
2 + 3 a
3 + . . . + v a
v + v+1 a
v+1 + . . . + n a
n
v = f (
u) = 1 f (
a1 ) + 2 f (
a2 ) + 3 f (
a3 ) + . . . + v f (
av ) + v+1 f (
av+1 ) + . . . + n f (
an )
Ya que { 2 , a
a1 , a 3 , . . . , a
v } es base de ker(f ) se tiene que
f (
u1 ) = f (
u2 ) = f ( u3 ) = . . . = f (
uv ) = 0
De acuerdo al ultimo parrafo v se reduce a
v = f (
u) = v+1 f (
av+1 ) + . . . + n f (
an )
81
n ) = 0V
v+1 + . . . + n a
f (v+1 a
v+1 + . . . + n a
(v+1 a n ) ker(f )
v+1 + . . . + n a
Debido a que el vector (v+1 a n ) ker(f ) existiran escalares no nulos tales
que
v+1 + . . . + n a
v+1 a n = 1 a
1 + 2 a
2 + 3 a
3 + . . . + v a
v
v+1 + . . . + n a
v+1 a n 1 a
1 2 a
2 3 a v = 0V
3 . . . v a
1 , a
De las condiciones iniciales, a partir de B se tiene que a 2 , a
3 , . . . , a
v , a
v+1 , . . . , a
n es
linealmente independiente y por lo tanto se cumple que
v+1 = . . . = n = 0
dim(U) = v + (n v) = n
dim(U) = dim[ker(f )] + dim[im(f )]
1 = 2 = . . . = n
A es L.I
Suponiendo ker(f ) = 0U
1 x1 + 2 x2 + . . . + n xn = 0U
1 = 2 = . . . = n
B es L.I
Si B = f (A) es L.I entonces A es L.I . Ademas si A es L.I y ker(f ) = 0U entonces B es
L.I
1. ker(f ) = 0U
2. f (
x) = f (
y)
De la condicion 2. se obtiene: f (
x) f ( x y) = 0V
y ) = 0V f (
Es decir, (x y) ker(f )
De la condicion 1. se tiene que (x y) = 0U . Por lo tanto, x = y
x) = 0V
2. f (
Sea f U/K V/K una transformacion lineal . Sera biyectiva a partir de la condicion:
[f (
u1 = f ( u1 = u2 ]
u2 ) [
x) = 0V
Sea x ker(f ), entonces para obtener ker(f ) se tiene f (
Se sabe ademas que f (0U ) = 0V a partir de lo cual se tiene x = 0U
f (
x) f (y ) = 0V
x y) = 0V
f (
x y) ker(f )
(
x y) = 0U (a partir de la hipotesis ker(f ) = 0U )
(
x = y
f es inyectiva
f es una transformacion lineal inyectiva ker(f ) = {0U }
Sea f U/K V/K una transformacion lineal . Sera biyectiva a partir de dos condiciones:
que sea inyectiva y sobreyectiva.
La dimension de la transformacion lineal se puede separar de la siguiente forma:
f es inyectiva ker(f ) = 0U
f es sobreyectiva im(f ) = V
Cumpliendose estas dos condiciones con f biyectiva se tiene que
dim(U) = dim(V)
84 Transformaciones Lineales
A = {a1 , a2 , a3 . . . , ap } U
B = {b1 , b2 , b3 . . . , bq } V
aj ) = 1j b1 + 2j b2 + . . . + qj bq
f (
11 12 13 . . . 1j . . . 1p
21 22 23 . . . 2j . . . 2p
([f ]A,B )QP =
q1 q2 q3 . . . qj . . . qp
Ejemplo
a c a + 2c
f (a + bx + cx2 ) = ( )
2a 3c 2a
1 1 1 2
{( ),( )}
2 3 0 3
dim[im(f )] = 2
1 1 1 0 1 1 1 1 1 1
f (1) = ( )=0( )1( )+5( )3( )
2 3 0 0 0 0 1 0 1 1
1 1 1 0 1 1 1 1 1 1
f (1 + 2x) = ( )=0( )1( )+5( )3( )
2 3 0 0 0 0 1 0 1 1
1 2 1 0 1 1 1 1 1 1
f (x2 ) = ( ) = 3 ( )+2( )3( )+3( )
0 3 0 0 0 0 1 0 1 1
1. Suma
Sean f U/K V/K y g U/K V/K transformaciones lineales .
Entonces, f + g U/K V/K tal que (f + g)(
x) = f (
x) + f (
x) es lineal.
Se cumple que [f + g]A,B = [f ]A,B + [g]A,B
87
3. Composicion
Sean f U/K V/K y g U/K V/K transformaciones lineales .
Entonces, g(f ) U/K V/K tal que (g f )(
x) = g(f (
x)) es lineal.
Se cumple que [g f ]A,C = [g]B,C + [f ]A,B . Es importante senalar que las matrices
representantes de este caso van en conjuntos distintos entre si.
A = {a1 , a2 , a3 . . . , ap } U
B = {b1 , b2 , b3 . . . , bq } V
Denotar la transformacion lineal [f ]A,B como [I]A,E [f ]A,B [I]E,E es incorrecto y cabe
senalar que [I]E,E y [I]A,E corresponden a matrices de cambio de base
Observacion :
En una matriz representante de vectores propios, los valores propios correspondientes se
ubican en la diagonal. Es decir la suma de los valores propios es igual a la traza de la
matriz representante y el producto de los valores propios es igual al determinante de la
matriz representante.
f ( 1 + 0 + . . . + 0
a1 ) = 1 a
f ( 1 + . . . + 0
a2 ) = 0 + 1 a
f ( n
an ) = 0 + 0 + . . . + n a
Ejemplo :
Sea f R1 [x]/R M22 (R)
a b
p(x) = a + bx ( )
ab a+b
1 0 1 0 0 1 0 0 0 0
f (1) = ( )=1( )+0( )+1( )+1( )
1 1 0 0 0 0 1 0 0 1
0 1 1 0 0 1 0 0 0 0
f (x) = ( )=0( )+1( )1( )+1( )
1 1 0 0 0 0 1 0 0 1
1 0 1 0 5
0 1 0 1 5 3 5 3
[f (5 3x)] = (5 3x) = ( )= p(5 3x) = ( )
1 1 1 1 3 8 8 2
1 1 1 1 2
I Kn /K Kn /K
[
x]A [
x]B
Con respecto a distintas bases, para las matrices representantes de f U/K V/K se
tiene la siguiente relacion:
A3 = A2 A = (P 1 D2 P) (P 1 DP) = P 1 D3 P
An = P 1 Dn P
Formas Bilineales
f VVK
x, y) f (
( x, y)
x1 + x2 , y) = f (
1. f ( x1 , y) + f (
x2 , y)
x, y) = f (
2. f ( x, y)
x, y1 + y2 ) = f (
3. f ( x, y1 ) + f (
x, y2 )
x, y) = f (
4. f ( x, y)
x, y) = [
f ( x]TA G[
y ]A
En esta relacion [
x], [
y ] son los vectores de coordenadas con respecto a la base a la que
esta referida G
Ejemplo :
f [(x, y)(, )] = 3x 2x + 5y
f = P T GP
x, y) = f (
1. Simetrica: Si f ( y , x)
x, y) = f (
2. Antisimetrica: Si f ( y , x)
Ejemplo :
f R2 R2 R
f [(x, y), (, )] = 5x + 8x + 8y + 20y
Corresponde a una forma bilineal simetrica ya que los coeficientes cruzados son iguales.
Importante : Toda forma bilineal se puede expresar como la suma de uan forma bilineal
simetrica con una forma bilineal antisimetrica.
wUK
x w( x, x)
x) = f (
es una forma cuadratica
Se tien ademas que x w( x, x) es forma cuadratica si y solo si:
x) = f (
x) = 2 w(
1. w( x) K
98 Formas Bilineales
2. f U U K
1
x, y) f (
( x, y) = [w(
x + y) w(
x) w(
y )] es bilineal simetrica
2
Captulo 7
Referencias
2. Algebra Lineal Teora y Ejercicios, Seymour Lipschutz, Editorial McGraw Hill, 1995.