32 ALGEBRA II Armando Rojo-1 PDF

ALGEBRA II ARMANDO - ROJOTRABAJO PRACTICO IV om ‘4, Doterminat os rangos de Ay de AAS por Gauss Jordan, (gol, Demesttar primero quo So (A +B) C So (A) + Sq (B). Al pasar a la relaci6n entre sus <éimensiones, tener en cuenta (g62.i )oonsidera el elemento genérica dela diagonal de AB y de la diagonal de Ba, ii) asoviat y apicar i. ii aplica i. (463, Premultiplcar por Ala relacion A X=a X,y teneren cuents que A? (464, Realizat 1a maisma multiplicacién que en el ejercicio anterior y considerar que A’ 4465.1) Expresar X como producto de matrices, calcular su cuadrado y tener on cuenta XT donde T es la matiiz m1 formada por unos, es un escalar, y por lo tanto igual 2 su traxpuesta, ii Resulta A + 0 sea, una et iit) Después de desarrolar la sumatoriay reducir términos, se llega a que astlTie Elector puede comprobar que esta matriz es idempotente, 446, Bfectusr ol producto entre I Ty la uma indicada. Considerar que T" = N, 467, Pantcionar A on dos bloquos dol tipo 4 X 2, y ofeetuar el producto. 4468, Trasponiendo términos se prueba que A admite inverse. 4.69, Por Gauss Jordan se obtiene Di P 1 0 4-70, Para la condiciGn nevesaria efectuat los productos AB y BA, ¢ igualaslos pare obtener ay 0. Para la condicion suficiente, efectuar ambos productos sustituyendo B por su expres, 471, Apliear induccién »oi-t 4miya={1 -1 0 Qetead ample,512(075) Rojo, Armand O. Rou ‘igabrs = 13a. ed. - Buenos Altes: El Ateneo, 1998. tl 296 p28. 180m, I9BN 950-42.5206-8 Lthuo +1, Matemétion -Ensefianza Sooundatla ‘Aavortonca importante: El derecho de propiedad de esta obeacomprende para su autora feculladl do Spener 6a ee, pubicara vada, acapai oauerizar “Sitrauccin 9 raproduela an cualauer foe oll o parent, por ‘med scans 0 mecanizos,isluyendo fokecores,grebacion Tmapnetotnicay culquer sistema de almacenomiento do inormacin, Po consigiene, nadie ene facutad a era los dorechos precios ‘Si pemigo dl autor y do dito, por escri, Los infratoressornropdnidos con las penas del atioa 172 y ‘concordaniee det Codigo Pena (ats. 2,9, 10,71, 72\ey 11-723). ‘eda nga al apo ae estabac ay NE 1.720, ‘9 tare tara, sa/e ary eden, 178, 128, oar 100,128,187 094, 9953, Tee,“ ATENEO" Pio Gari 8 Ubon ora nba Pris 346, Banos Aes Fndadsen 1012 porden Peso Gaia. Inoroeo en 7.6, COLOR EFF, Pee ie von, 8545 sce marzo ao 1008, ‘ees: 2000 cores. {MPRESO EN LA ARGENTINAPROLOGO Este libro responde a fos contenidos de fe asignatura ALGEBRA LINEAL, que figure en tos planes de estudios del ciclo bésico de Matemética de las facultades instiwtos de profesorado. Se sypone adquiida #1 conocimiento de los. temee ‘olativos al ilgebra dle conjuntos, retaciones, y tanciones, y de las estructitas de grupo, anillo y cuerpo. Esencialmente se desarrolla aqui la estructura de eapoote vectorial y se estudian los modelos particulares indispensables en la formacién sctval de profesionales y en tas aplicaciones a disciplinas do uso eotidano, entre as que citamos, por ejemplo, 9 Estadistica y la Investigacion operstiva Ei esqueme seguido es anélogo a! expuesto en Algebra J, edlitade por EL ATENEO en 1972. La weorla es itstrala con ai desarollo de ejemplos en 108 que ef alumne puede apoyarse. En cade capitulo se propone un trabujo prictico caves respuestas se supieren en el texto, Agradtezco a ta sdlitoriat EL ATENEO y a su personal la coleboracibn que me hhan Brindato en todo to concernienta a esta rublicacion, [ARKANDO 0. ROVO Buenos Aires, mayo de 1973Pi vitapituio 1, pitule 2, CONTENIDO ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIO 1 1, 2.Concepto de espacio vectorial 1 1. 3.Propiedades de los espacios vectoriales 6 1, 4. Espacio veetoril de funciones 7 1. 5, Espacio veetorial de n-uplas 10 1. 6. Espacio veetorial de matrices u 1. 7. Espacio vectorial de sucesiones 3 1. 8. Subespacios 13 1. 9. Operaciones entre subespacios By Trabajo Prictico I 27 DEPENDENCIA E INDEPENDENCIA LINEAL, BASE Y DIMENSION 30 2. 2, Combinaciones lineales 30 2. 3. Subespacio generado 34 2. 4 Dependencia e indepenilencin lineal a2 2, 5. Sistema de generadores st 2. 6, Base de un espacio vectorial 33 2. 7. Dimension de un espacio vectorial 37 2. 8, Dimension de la summa © Trabajo Préstico IL 6 ‘TRASFORMACIONES LINEALES 66 3, 2. Trasformacion lineal entre dos espacios vectorisies 66 3. 3. Nécleo e imagen de una trasformacién lineal n 3. 4, Dimensiones del nicleo y de fe imagen 80 3. 5. Teorema fundamental de las trasformaciones lineales 83 3. 6. Producto de mairices 85 3. 7. Matria asociada @ una trasformacign lineal 86 3. 8. Composicion de trasformaciones Tineales 902 3. 9. Trasformacion lineal no singular 93 3.10. Composicién de trasformaciones lineales y proslucto de matrices 96 3.11. Bspacio vectorial de trasformaciones lineales 98 3.12. Espacio dual de un espacio vectorial 101 ‘Trabajo Practice IU ozCapitulo 4, Capitulo 5, Capitulo 6. coNTENIDO MATRICES 4. 2. Producto de matrices 4, 3. Anillo de matrices cuadradas 4, 4. Trasposicign do matrices 4. 5. Matrices simétrieas y antsimétricas 4. 6 Matrices triangulares 4. 7 Matrices diagoneles 4. 8. Matrioes idempotentes c involutivas 4. 9: Inversa de unt matriz no singular 4.10. Matrices ortogonales 4.11. Matrices hermitianas 4.12, Matrices particionadas 4.13, Fspacios fila y column de una matriz 4.14, Operaciones y matries elementales 4.15; Equivalencia de matrices 4.16. Método de Gauss Jordan para determinar el range 4.17- Inversion de matrices por Gauss Jordan 4.18, Inversign de matrices por partiein 4.19, Cambio de base y semejenza de mateicos Trabajo prictico IV DETERMINANTES 2. Determinantes 3, Propiedades de Ia fonciSn determinante . 4. Existoncx de D 5, 5 5. 5. 5. Unieckdad det determinante 5. 5 5 - 6. Determinante de ln traspueste 7. Determinante del producto de dos matrices 8. Adjunta de una matriz cuadrada 5. 9: InversiOn de matrioes no singulares 5.10, Regia de Cio ‘Trabajo Prictico V SISTEMAS LINEALES 6, 2. Sistemas tineales 6. 3. Teorema de Cramer 6. 4 Compatiilidad de sistemas lineales 6. 5, Resolucion de sistemas lineales 6. 6 Sistomas homoyéneos 6. 7.Conjunto solueién de un sistema lineal 6, 8 Resolucion de sistemas simétricos 6. 9, Método del orlado ‘Trabajo Pritico VI 106 106 199 10 12 na na us 116 u7 8 121 123 130 133 135 138 Mat 149 Iss 15s 157 16) 163 166 169 170 m 1% 7 11 181 187 188 130 196 198 202 208 210conTENIDO XL Capitulo 7. PRODUCTO INTERIOR, GEOMETRIA VECTORIAL aia 7, 2. Expacio vectorial euctidiano 24 7. 3. Ortogonalidad 219 7. 4, Desigualdad de Schwarz 22 7, 5, Desigualdad triangular 223 7. 6. Angulo de dos vectores 223 7, 7.Conjunto ortogonal de vectores 235 7, 8. Base ortonormat 225 7. 9. Complemento ortogonal 29 7.10. Proyeecion de un vector sobre otro 232 TAL. Bspacio afin R® 233 1-12, Eeuaciones vectorial y cartesianas de la recta 236 7.13, Eewrcién normal vectorial del plano 239 7.14, Curvas en el espacio 246 TAS. Superficie cilindrica 249 1G. Supesficio ebnica 25) 7.17, Proyeccion de una curve sobre un plano 253 ‘Trabajo Praetico VIL 257 Capitulo 8 VALORES Y VECTORES PROPIOS. DIAGONALIZACION 263 8, 2. Valores y vectores propios 263 8, 3,Polinomio caructeristico de una maiz, 270 8, 4 Diagonalizacin do matricss 716 8, 5, Trisngulaciin de endomorfismos y,de matrices 279 8, 6, Teorema de HamiltonCayley 282 ‘Trabajo Prictieo VILL 285 Capitulo 9. FORMAS BILINEALES Y CUADRATICAS 289 9, 2. Formas bilineales 289 9, 3. Formas hetmitianas 293 9, 4, Formas cuadeéticas 294 9, 5. Operadores adjuntos y traspuestos 296 9. 6 Operadores hermitianos y simétvicos 299 9, 7, Operadores unitarios y ortogonales 300 9, 8, Teorema de Sylvester 303 9. 9, Diagonatizacin de operadores simétricos 307 9.10. Matrices simétricas reales y valores propios 310 9.11, DescomposiciOn espectral de una matriz 311 9.12. Congruencia de formas cuadraticas 314 9.13, Signo de una forma cuadeitica 318 ‘Trabajo Prictico IX 321xu ‘CONTENDIO Capitulo 10, CONVEXIDAD. PROGRAMACION LINEAL 10.2. Conjuntos de puntos en RP 103, Seamentos,hipecplans y semiespacios 10.4, Convexidad en R" 7 10.5: Convexida y tisfousacones lines 1046 iperplinos soprtanie 10,7, Puntos exromos fa Programaciin Lineal BIBLIOGRAFIA RESPUESTAS A LOS TRABAJOS PRACTICOS INDICE 325 325 330 336 339 342 344 346 356 359 361 393Capitulo 1 ESTRUCTURA DE ESPACIO VECTORIAL SUBESPACIOS 11. INTRODUCCION La estructura de espacio vectorial, que tratamos en este capitulo, es el eoncepto ésico el Algebra Lineal. Confiere unidad y precisin a temas esenciales de la matemtica que tienen vastas aplicaciones en Ia ciencia y en fs teenologis actuales. Después de introdueir el sistema axiomético y de dar las propiedades fundamentales, proponemos los espacios vectoriales de funciones,de los que se derivan los modelos de los espacios de matices, nouplas y sucesiones de elementos de un cuerpo. Se ds, finalmente, el concepta de subespacio. 1.2, CONCEPTO DE ESPACIO VECTORIAL Sean: V un conjunto no vacio, K un cuerpo, + y . dos funciones, que lamareinos sums y produeto, respectivamente, Definicion El objeto (V, +, K,.) es un espacio vectorial si y s6lo si se vosfican los siguientes Ay - La suma es una ley de composicion interna en V. t:Vtoy Osea xeVayeVoxtyeV Esto significa que la suma de dos elementos cualesquiera de V es un fnico elemento de v, ‘Ay La suma es asociativa en V. (ty)teexty ty cualesquiera que sean x, y,z0n V.sTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS ‘Ag Existe un neutro para Ia suma en V, [Bi elemento neutro se denota con 0. BOEV/VxeV:x+0=04x=x ‘Ag Todo elemento de V admite inverso aditivo u opuesto en V, VREV,3yEV/xty=ytx=0 Al opuesto de x lo denotamos con =, 0 sea, y = —x As La sume es conmutativa en V. xhyaytx cealesquiera que sean x, y en V. ‘Ae Bl produeto es una ley de composicion externa en V con escalaresw operadores enk, KXVeV De acuerdo con 5.6, Algebra, del mismo autor, la imagen del par (a,x), donde a eK y x¢ V, se esctibe a x y st llama producto del escala & por x Osea aeKaxeVoaxev ‘Ay -Elproducto satistuce In asociatividad mixta VaeK,VBEK,VxeV: (8x) =(@A)x Observamos squé que los dos productos que figuren en el primer iiembro corresponden a la ley de composicién exiemms. Pero el producto ap del segundo jombro se efectia en K. Ag. El producto es distibutivo respeeto de la suma en K. Vaek, YBEK, ¥ xeV:(a+p) La suma @ +8 se efectiin en K. poro la suma que corresponds a la ley de composicién interna en V. As . El producto es distributivo respecto de ta summa en V. Yack, ¥xeV,VyeV: a(x ty)=ax tay Las dos sumnas se realizan on V. Ajo. La unidad del euerpo es neutro para el producto. VxeV: Inox donde 1 denota Ia idontidad en K. Los axiomas Ai, Aa, As, Ag y As caracterizan a (V ,-+) como grupo abeliano, Los ‘lkimos cinco axiomas son relativos a Is ley de composicién extema Los elementos de V se llaman vectores; en particular, el elemento neutro para fa sumaESPACIO VECTORIAL recibe et nombre de vector nulo, A menudo hablaremos del espacio vectorial V, fobrentendiendo que nos referimos a Ix cuatema (V,+,K,.). La simplificacién de los rotaciones hace conveniente el uso de Jos 1 Composicion interna en K, la suma en V y ol producto de escalates por vectores. 0 sea, al fecir K n0s estamos : dos leyes de composicion intema en K, que no tienen ef mismo significado que las que figuran en (V, +, K, .). Distinguiendo adecuadamente los elementos de K y los de V, no hay ugar a confusion, Asi a+ esuna suma en K x+y esuna sima enV aBesun producto enK —-—-@X eel producto de un escalar por un vector -jempto 1-1. , K=R, la edivin definida en R* por GDF M=@te.b+d) 0) 1yel producto de nimeros reales porelomentos de R* definiéo mediante 2G, 2)=(@a,ab) @ Resulta (R?, +, ,.) el espacio vectorial de los pares ondenados de nimeros reales sobre el cuerpo de los nimeros reales. En efecto, de acuerdo con los ejemplos 5-2 y 5-5 iv) det texto nombrado, es (R? , +) ‘un grupo abeliano, Por otra parte se verifican: [Ag Por la definiciin (2). Ay a (B@,B)) = Be, 86)= (aBa), a(Bd)) = ((aB)e, (@A)0) = HV0,>) Hemos aplicado la definicion (2), fa asocitividad del producto en Ry la éefinicion oe. As @+PV(a,6)= ((@+B)a,(@46)d) = (aa +Ba, ab +B0)= = (Ga, ab) + Ga, B8)=a(a,d)+ (a,b) De acuerdo & a (2), fe distributividad del producto respecto de la suma en R, y las icones (1) y (2). As .0(@046, 0) sa@te ota (alate, a6+) = (ea tae, ab+ad)=(ae,ab)+ (ae, ad)=a(e,0)+a(e.d) 1s simbolos para nombrar las leyes de indo al euerpo (K, +, ) donde los signos "#" y “." denotan las4 ESTRUCTURA DE SSPACIO VECTORIAL. SURESPACIOS Segiin (1), (2), distibutivided de la multiplicacion respecto de la adicin en R, y las 0, y sentido opuesto si a<0. Corresponde a una dilatacion si le |> Ly a una contraccién si la 1< 1. Sia =0, entonoes 4 obtiene el vector nulo, (a,b) +(e, d) Pjemplo 1-2 En R® se definen: Ia suma, como en el ejemplo anterior, y la ley de composiciin externa mediante @@,)=(@,a) (2) Se verifiea, como antes, que (R? , +) es un grupo abeliano, En cuanto a (2, satisface Ag. Su significado geométrico es el siguiente: todos los Pares ordenados que tienen ia misma absia, al ser multipicads por cualquier nimero ‘eal, se proyectan sobre la primera bisectriz paralelamente al ele de ordenadas.ESPACIO VECTORIAL También se satisface Ay, pues « (8(@,)) =@(0,a)=(4, «= (0) (0.0) No se erifiea Ay, ya que (a +B)(@, b)=(a, a) pero (a,b) + Bla, b)= (a, a) +(a, a) =(22, 20) Este hecho es suficiente para afirmar que no se trata de un espacio vectorial lector puede comprobar que esta interpretaci6n cumple Ay pero no Ay Observamos aqui que la estructara de espacio vectorial noe: inherente exclusivamente al conjunto V, sino que, ademés, depende de K y de las lees de composicion que se definan. Aclaramos que toda vez que se mencione al espacio vectorial (R2, +, R, .) se sobrentenderi que la sua y el producto son los definidos en (1) y en (2) del ujemplo Hl Ejempio 13. La estructura de espacio vectorial no es un sistem axiomético independiente, pues As puede deducirse sobre la base de los restantes axiomas, Enefecto6 PSTRUCTURA DE ESPACIO VECTORIAL, SUBESPACIOS xtuty tye tet ict ly tly= (+ Det (+ dys + De ty)= (xtyytlotypeixt yt txt tyoxtytaty cen virtud de Arg, Ap, Aa, Aes As Y Aro Osea tx ty tysxty tery Por ey cancelativa en el grupo (V , +) resulta xtysytx 1.3, PROPIEDADES DE LOS ESPACIOS VECTORIALES ‘Sea (V, +, K,.) un expacio vectorial 1.3.1. El producto del escalar 0 por cualquier vector es el veetor nu. En efecto, por neutro para a suma en Ky As es ax= (a+ Ox =ax + Ox Por Ay se tiene xt O=axt Ox Y por ley cancelativa resulta ox=0 1.3.2. Bl producto de eualquier escalar por el yeetor nulo es el veetor nulo. Por As y Ay es ax=a(x+0)=ax+a0 Entonces axta’ Por Ay weet adnax+0 Y por regularidad en (V, +), resultaPROPIEDADES DE 10S FSPACIOS VECTORIALES, 1 1.33.Si el producto de un escalar por un yectores el vector nulo, entonces el escalar es 0.0 el vector es nulo, ax=0>0=0vx=0 Se presentan dos posibilidades: a =0, 0 bien, a0 En el primer caso os vordadora la primera proposietén de la disyunci6n que Aigura on la ‘esis, y por consiguiente ésta es verdadera. Fin ol segundo caso es neccsario probar que x Fin efecto, siendo «#0, existe ef inverso multiplicativo en K, a’. Partiendo de la hipstesis, promultiplicando por @', usando Ap, 1.3.2., el producto de inversos en K y Ayo se tione =02a"(ax)=a 02(@! ax 2 x= 02x=0 1.34. El opuesto de cualquier escalar por un vector es igual al opuesto de su producto, (a)x=-@x) Teniendo en cuenta Ag, 1.3.1.,1a sima de opuestosen K y Ag, es (ax) $ax=0=0x=(-a+a)x Hex tax De (-0)x tes —(0x)-boe después de cancelar, resulta (-@)x=—(ax) En particular se tiene Cayx= = -« 1.4, ESPACIO VECTORIAL DE FUNCIONES EI simbolo K* denota el conjunto de todas las funciones con dominio un conjunto X #6 y codominio un cuerpo K,, 0 sea f/0 XK) En K% definimos la suma de funciones y el producto de escalares por funciones mediante i) Sify gson dos elementos cualesquiera de K¥, entonces f + 4: X > Kes tal que (+O) FO) + EO) VxEX ii) Sia es cualquier clemento de K y f es cualquier lew af:X>Kestal que nto de KX, entonces He) f() Wxex8 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS Tanto ta summa de funciones eon dominio X #9 y eodominio K, como el producto de «escalates por funciones, se laman leyes de composiién punto s punt, Resulta (KX,+,K,.) un espacio vectorial Para ello, veamos que se verifican los axioms, Ay .£€K™ a geK*® > +g eK por ia definicién i) A; .Sean f, g y hen K%. Cualquiera que sea x €X se verifica, teniendo en cuenta la K definida por (-f)(x) = F(x) En efecto, para todo. € X se verifica (C+D) = (9G) + F@)= 1) +f 0) =0= e@) Osea (Otice Anilogamente se prueba que f+D=e As . Lasuma en K* es conmutativa, ye que +9) =f) +8@)-80) +10) =(8+ 90) Lego £ +g =g + Foualesquiera quo sean fy gon KX Ag eK AfeK* afek por la defiicion i). Ay Sean aeK,BeK y feKXESPACIO VECTORIAL DE FUNCIONES ° Entonoes (269) @-« (He) =a (ate) = @mte)= (ear) @ Lego aBH=(ept ‘Ay. Consierando weK BeKyfeKk% es (+01) @)-@+Mtey=ate)+btay= =D) + BD) =(at + 8H) lo ue se justificntenendo en cuenta i), la dstebutividady la ase enk, ie, Entonees os + Ofaattpt Ag Sean eK, fEK% yg eKX 72 a de distrbutividad del producto respect de a suma en Ky por la detniiones i) yi) se tiene (a+9) =a (+90) -@(f0)+ 809) = wat) FaKG)(@D()+ (ag) )=(@f tag)G) Osea a(ft+@=atteg ‘Avo .Cualquiera que sea fen K* se verifica (1 G)= 1 £(a)= FG) Lugo iret aGuaerma (+ el espacio vectorial dels fncions detinidas ene conjunto Beacio X'y eon valores en K, con ls lees de composicén punto a punto, Losvetonm do «este espacio son funciones, La figura siguiente expiica ta situacion en el caso patti lar on que K= Ry X= 0,1]10 ESTRUCTURA DE ESPACIO VECTORIAL, SUBESPACIOS 1.5, ESPACIO VECTORIAL DE 1-UPLAS DE ELEMENTOS DE K Con relacidn al espacio. vectorial de funciones (KX, +, K,.) consideremios el caso Particular en que X es eintervalo natural inicial I, Toda fancion f: ly > K es una nupla de elementos de K, y escribiendo Kh © K" es(K", +, K, .) el espacio vectorial de las nuplas de elementos de K. as definiciones i) y ii) dadas en 1. se traducon aqui de la siguiente manera 4) Sify g denotan elementos do K”,entonces f+ es la funci6n de I, en K definida por (+8) =£G@) + BU) cualquiera que sea ie, Es decie CEH DO=CO4 BO =a, donde a, by eon fas imdgenes de i dadas por f, gy + g espectivainente En consecuencia, dos nplas de elementos de K se suman componente a componente fi) Sie Ky feK",entonces a Fes funcién dey en K definida por (=a f() cualquiera que sea ly Denotando mediante cla imagen de i dada por a f es «=a )=af=a4,Fs deci, el producto de un elemento de K por una mupla se realiza ultiplicando en Ka ‘dicho elemento por cade componente de Ia nupla, En particular (K, + K, eso espacio vectorial donde los vectores se identfcan con tos I elementos del cuerpo K. En este caso, la Jey de composicién externa es interna. En coniecvenca,(R,+,R,.) 65 e espacio vectorial de los nimetos reales sobre el cuerpo de fos reales, Este es un caso petiulr del espacio vectorial dels meuplas de mnimeros rst | sabre el euerpo de os reates, que denotamos mediante (R”. +, ). |" (C4,G. eset espacio vectorial de as muplas de niieros complejo sobre el eurpo de Jos compleos | 1.6. ESPACIO VECTORIAL DE MATRICES n x m i Particulsrizando nuevamente con relacién al espacio vectorial tratado en 1.4, considere mos X =I, X Ty, 0 sea, el producto cartesiano de los dos intervalos neturaesiniciales: 1, © late, [Llamamos matriz x m con elementos on K a toda funcién Fila X Iq *K {a imagen del elemento (/,/) perteneciente al dominio se denota por ay. [La matez f queda earactesizada por el conjunto de las imégenes2 ESTRUCTURA DE FSPACIO VECTORIAL. SUBESPACIOS y suele esrbise como un cuadro de nm elementos de K dispuestos en fas y m cokannas, En cade fila o eenglin se escribon las imégenes de todos los pares ordenados que tienen la mista primera componente, y en cade columna se anotan ls imégenes de todos ls pares fordenados que tienen la misma segunda componente] elomento deta matiz que gua en ta fila 4 on In columna j se denota por a, y es la imagen dada por f del par (i). Lamando ‘Ala matriz cayo elemento genérico esa, esribiremos ‘Tanto las filas como las columnas de A se llaman Ifneas de ka mata Abreviando, puede eseribirse (aj) donde i= 1,2... ¥ F=1,2,.2.4m EL conjunto de todas las matrices » x m con elementos on K es Kn y ye denota rediante K"™" Las definiciones i yi) dadas on 1.4 se traducen agui de la siguiente manera: st A y B son dos matrices de K"*™", su uma es CeK"™®, tal que cu CF 9G D= GD + BED = Ay + by yelproducto del esclar a € K porla mats es ka matric de K"*™ euyo elemento genérico fey estal que =O NG. D= all, P=aay © sea, dos matrices del tipo xm se suman elemento a elemento; y para multipliear un scalar por una matriz nx se multiplica dio escalar por todos los elementos de la matriz La cuateme (K"%",+,K,.) denota el espacio vectorial de las matriees xin con elementos en K. En este espacio, ls vectores son matrices En particular (K"™", +,K , ) es el espacio vectorial de las matrices cusdradas, es decir, de fila y n columnas. El vector mulo del espacio K"*" se lama matriz nula; la denotaremos mediante N, y esté efinida por ng = 07 ¥ 7. 0 satisfac Ia ‘La mateiz inversa aditiva u opuesta de A= (ay) ¢6 B, cuyo elemento ger selaci6n by =~ay, Escribiremos B= —A. Por definicidn de funciones jguales resulta A= B siy s6lo siay=by VEY[ESPACIO DE SUCESIONES. B Hlemplo 1-4. Fin R°** ge consideran las matrices A y B cuyos elementos genéricos oo 0 B 33-3 nay 2-1 dy=1—2, Obtenemos C= A 28. La exprsion de Ces C= A-+(-2)B,y 6 resilte 1.7, ESPACIO VECTORIAL DE SUCESIONES Sean: X= Ny KN ol conjunto de todas las funciones de N en K. Los elementos de K® son todas las sucesiones de elementos de K, y retomando Io expuesto en 1.4, resulta (KS, +, K, .) un espacio vectorial. Lis definiciones i) yi) de 1.4, se interpretan ahora dela siguiente manera: + OUD=L) + BU) ea +b, WEN G7 @NM=al (Nam, VEN Osea (ada day ed #E Daye DE Cy + yds FB 3, oy PB gs) CE. a6. yy Y= (ay Ay, yy) El veetor nulo es la sucesion 0=(0,0,..4.0,..) Ejemplo 1-5 ' ‘Sea R{X] el conjunto de los polinomios reales en fa indeterminada X. La sum en R |X] s0 define como en 12.2.2., Algebra J, del mismo autor. El producto de esealares4 ESTRUCTURA DE ESPACIO VECTORIAL, SUBESPACIOS. reales por polinomios es el habitual, o sea siaeK y PER IX], entonces aP es la fanetén de No en R definida por (a P) (i) =a P (i), cualquiera que sea ¢ Ny Ress (R (X], + R, el expacio vectorial detox poliomnios reese a indtermina da X sobre el cuerpo de los nimeros reales El conjunto de ios polinomios reales de grado 2 no es un espacio vectorial sobre el ewerpo de Tos reales, porque la suma no es una ley de composicién interna en dicho onjunto. Pero el conjunto de los polinomios reales de grado menor 6 igual que 2y et Polinomio nulo constituye un espacio vectorial sobre R. Eiemplo 1-6 Sea $ el conjunto de las funciones reales definidas en [0,1] tales quo £ (0) = S=/f: [0.1] >R/f)=0} Como todo etemento de portenece a RII, es §¢ REO! Considerando tas eyes de composiciin defindas en 14. verifcan Ay -feSages£(0)= 04 0)= 05 1(0) + g10)= 6-64 )(0)=0> 84 568SUBESPACIOS 1s le funciones es asociativa en RI), también lo esenS. ‘Ag Como ls sums ‘Ay La funcin mula eso vector nulo de S. ‘Ag «Todo elemento de S admite un opuesto en S. SifeS, entonces -f €S, pues (-f (0)=—£(0) =0. As. Cuslesquiers que sean fy gen S tiene feaatt pues $c RIOT Ag GER» fES*AER A £(0)=0 af (0)=07 @fO)=0>afes Los testantes axiomas, lo mismo que Az y As, por ser Mentidedes en RIM! se ceumplen en S ya que SC RI!) En consecuencia, (8, +, R, -) es un espacio vectorial 1,8, SUBESPACIOS 1.8.1. Concepto Dados el espacio vectorial (V, +,K, ) el eonfunto no vacio SCV, si S es un espacio ‘vectorial sobre el mismo cuerpo K y con las mismas leyes de composieion queen V, diremos tye (+, K, ) es umn subespacio de (V, +, K,.), 0 simplemente, que S es ur subespacio de v. Defincion ‘Ses un subespacio de (V, +, K, ) sly sélo si (S, +, K, Jesum espacio vectorial Cai qu 6, 4.K, tt Y cone {0 sm esc dV, mas Hjemplo 1-7 Consideremos el espacio vectorial (R?, +, R, .) los subconjuntos Ta [ Gy yeRt/ymxtt} $= [Gn xER? /y= 2x] ‘T noes un subespacio, pues el vector mulo (0,0) ¢T. Fn cambio, S es un subespacio de R®, ya que 1° (5, 4) es un subgrupo de (R®, +), En efecto, de acuerdo con la condicin suficiente detnostrada en 8.4.2, Algebra T, del mismo autorse verifica Ge yeS A e' ppeS eyed A y= detey —y'=26e—2> > xy yDESH EN tCN, WES16 ESTRUCTURA DE ESPACIO VECTORIAL. SUBESPACIOS. 2° Respecto dela ley de composicin externa consideramos Ae @ERA( Y)ES> @ERAY=2x-ay=2ax2(ax,ay)ES>alx,y)eS Tos axiomas Ay, Ay, Ay ¥ A1o, por ser igualdades en R®, se cumpien en $ ya que scr yay (1,2) De la definisién se deduce que (S, +, K, ) es un subespacio de (V, +, K, ) sly so s (S, ¥)¢s.un subgrupo de(V, +) y S es cerrado para el producto por escalares 1.8.2. Condicién suficiente Si el conjunto no vacfo $C V es cerrado para Ia suma y para ef producto por esalares, ‘entonees (S, +, K, .) esun subespacio de (V, +, K,.), 4,K, ) e6 um espacio vectorial LxeSAyeS>x tyes 2.aeKaxeSwaxes ‘Tesis) (S, +, K, .)es un subespacio de (V, +, K, .) Demostracin) 1° Consideremos dos vectores cuslesquiera x ¢ y en S. De acuerdo con fa condicisn 2, de 's hip6tesis, por 1.3.4, y por la condicién 1, de la hipstesis,se tinesuseseacios KeSAVES* xESA(-I)YES* ES A-VES = KHC-yeS eer Cece ee ee ae ee ie ies ee Estas condiciones son, ademas, necesatas. Es deci, sabiendo que Ses un subespaci, son Hiempio 1-8 Sean: el espacio vectorial (R’, +, R,.), y el conjunto $ de les temas ondenadas de R tales qu la tercera components es igual al suma de ls dos primeras, Osea { (6, xa,25) ER? foxy =a; #0} Afinmamos que S es un subespacio de R°, pues 1. (,2,3)€S 9846 2, SCR? por Ia definiciin de 8, 3. (asta As)ES AVL Ya IsES HAVA tm AVAIL HY xy tay ates ty) Hes ty) Ge teks bya ta)eS— > Gn x25) + On Yaad ES Henos spicao suanvament: la defini de Sl aici en R, dfn de Ja definicién de suma de ternas. bade 4. ER A (4,¥2,25) ESP BER xy =H Hx > Peary =ax, +ax7 > (0x) 0247, 0x5) ES 70 OE, ¥3, 44) C8 Por definicibn de S, muliplicacion en R, definiciOn de S y le defnicién de produ. de escaare por terns. produsto AA subespacio $ pertenecen las tennas (xy, 3,3) € R® que satisfacen la condicién xy te, 3 =0 Esta ecuaciOn define un plano que pasa por el orien,18 ESTRUCTURA DE ESPACIO VECTORIAL, SUBESPACIOS Ejemplo 1-9 Gonsiderando 1 espacio vectorial de las funciones reales dfinidas en (0,1), que denotamos mediante (R', +, R, ), sean los subconjuntos 1 feR'/f(0)=0} 2. 8=[teR'/fo)=1} Pa el caso 1. s tiene un subespacio de R!, como fue tratado en detalle en el ejomplo 1, Independientemente del andisis realizado en el ejemplo eitado, we legs a ‘sma conclusion aplicando el teorema demostrado, pero en forma me simple En cuanto al caso 2., $ no es un subespacio, pues no es corrado para is sama, En efecto, las funciones fy g de I en R definidas por fix)=x+ 1 weet +1 satisfacen las condiciones fO)=1 (0) © sea, som elementos de S, Pero la suma f+ gestédefinida por (+8) 0) =f) + 96) =37 Hx 42 ¥ no pertenece a $, ye que +9 @=2 Elemplo 1-10 Dado cl espacio vectorial (R', +, R, ) consideramos {Orr waa ERM ey xy tary tary Se veriica que 1. S49, pues (1, 0,0, eS 2, SC.R* por la dfinicién de S 3. Sno es cerrado para la suma ya que (1,-1.0) a (1,1, 1, 0)€8 pero G10) +0, 1, -1,0)20,2,-2, es Ef consecuencia, § no es un subespacio, Por otfa part, el vector nulo no pertensoe a S.y ento basta para que no sea un subespaci, Fjemplo 1-11. Sey R=", +R, ol enpacio vectorial de las mates cuadiadas reales de fas yn ccoturnnas,‘SUBESPACIOS 19 Si Ae RY" eseribimos A Bey dna ss Ba Por definicién, traza Je una matriz cusdrada es 1a suma de los elementos de su iagonal, La notacién es Eleonjunto S= {AeR™" ir es el conjunto de las matrices de traza nule de R"™", y constituye un subespacio, pues se verifica 1. S#¢, pues le matriz mula N es de traza nula, y en consecuencia es vn elemento aes, 2. SER™" por definicion de S, 3, Ses cerrado para la adicién, ‘Sean Ay B dos matrices cualesquiera de S, Fntonces AeSaBeS=trA=Onir = Bu 0n3, bu a3 aut 3, bu 03 Gut b=0> > r(atB) + AFBES 4, S es cerrado para el producto por escalates. Ein efecto Bjemplo 1-12. CConsideremos $ = [(Gvs, 22) €R?/ty D3} © investiguemos si Ses un subespaio de RB, 4,R, ). Se ve de inmediato que no se verifica Ay, pues no todo elemento de $ admite ‘opuesto en $. Asi (0, -1) eS pero (0, 1) €820 ESTRUCTURA DI: I'SPACIO VECTORIAL. SUBESPACIOS Anslizando Ia situa isto 2SCR 3, S es cerrado para la sma. nen términos de la condicién sufieiente demostrada, se verifca G1. %2) ESAQ4, ya) ES 9x4 BaAy Dyy > Rs FL Bea ty Gee tee FYAVES HOLM) +O )ES Pero $ no es cerrado para el producto Por escalares, como lo demuestra el siguiente ejemplo: QA eSa(-2y2ut 4,-2)68 En consecuencia, $ no es un subespacio de R? 1.9. OPERACIONES CON SUBESPACIOS 19.1, Interseccién de subespacios Sea {$,] con fel una familie de interscccidn de dicha familia, o sea, ibespacios de (V, +, K, }, Denotaremos con $ la 1. Resulta § un subespacio de V. ‘Teorema. La interseccién de toda familia de subespacios de V, es un subespacto de V. Hip6tesis) (V, +, K, .) es un espacio vectorial (Si) con fetes una fa ia de subespacios de V| vTERSEOCON DE suBEstacios x | 1 ta) & =P syesunsubesaci dev. Demostracin) De acuerdo con Ia condicién suficiente 1.8.2. severiica 1. Sno es vacio, pues es), wersoe0 5,> = As toosee Por sor cada Sun subespacio y por detniién do interseccién, 2. Sesté incluido en V, ya que Sicv,wel= Mscvesey Por ser cada S, un subespacio de Vy porque tn intereccin de toda fala de subconjuntos de V es una parte de éste 3. Ses cerrado para ls suma. Fn efecto xesayesoxell siayells,= PHeSiAyeS, Wetext yes, Wiel> mx tyellsextyes Por definicion de interseccién, y porque todo Ses un subespacio, 4, S.es cerrado para el producto por escalares Consideremos ae K yx eS. Ahore bien aeKanes->aeKaxel1s= ack a xeS;, Viel axes, viel> wane Ms,saxes Biemplo 1-13 Bn (R®, +, R, .) consideramos los subespacios Ss = { Ge, 2,5) €RPey = 0) So = (Cs, x2.¥3) ER?/ey =O} 1a interseceion de estos es S=5, 9S; (18a ea ERE ry #043 =0}2 ESTRUCTURA DE FSPACIO VECTORIAL, SUBESPACIOS Esto significa que un vector genérico de $ es una terne de! tipo (0,2*2,0) que puede expresarse mediante (0, 0) para algin a en R. Entonces =(O.e,neRaer} O see, Sesel ejexa x & SSy Saespcios de RP son: R°, [0] , todas as ects que pasa pore rg y tds fos planos que pasan por dicho punto. Dor retasdstintts que patsn pore rgen son Subespacios enya interseccin eel vector nul, y se Daan disjntos 1.9.2. Unién de subesp SiS) y Sp son dos subespacios de (V, +, K, Jyentonces S; U Sa, noes neceariaente un subespazio de V, como lo prucba el siguiente ciemplo: CConsideremos en (R?, +, R, .) os subespacios Sy y Sy de la figuraSUMA DE SUBESPACIOS 23 La unién de ambos es el par de recta, yeligiendo x eS, y € 8, distintos del vector nulo, se tiene xeS, 2x5, US; yeS)>y€S, US; | pero x+y PS, US; 1.9.3, Suma de subespacios | Sean $1 y S: dos subespacios de (V, +, K, ). Definimos el conjunto xeV/x 1 Xp Ay ES; AX €Ss | Oa XEV/ 3X, €5, 49x €5p AXER, +5) El onjunto Sse llama suma de los subespacios Sy y Sp y sind S=5, +8; ‘Teorema, La suma de doc subespacios de V es un subespacio de V, Hipotess) 81 y Se son dos subespacios de (V, +,K, | S#S, +S Tesi) (S,-4,K, ) es un subespacio de (V, +, K, ) Demostrciin) Se veriftean ls condiciones expucstas en 1.8.2., a saber 1, Sesno vaeio, pues OeS, nOeS, -04 0-005, +8 2065 “S44 2. Sesuna parte de V, por la definicion de S, 3, Ses cerrado para la sma, ya que XESAY ES X=, HKAAY=Vs FV2AR Ys €SHA Ka Vs ES > Saxby sou tyi) + (2 tya)axi tye @SAR ty2 ES: > =xtyes 4, Ses cerrado para el producto por escalares, porque WEKAK ES POEKAX=X, +9) €S,AX: CS: > Pax=ax, baxshany €S,Aax; ES, axes Por consiguiente, la summa de subespacios es un subespacio, Un caso particular importante se presenta cuando Jos subespacios S, y S, son disjuntos, s decir, si S, 0.8; = (0) . En esta situacién, el subespacio $= 8, +S; recibe el nombre de sama directa de $; y S;,y so utiliza la notacién 8 as,% sPACIO VECTORIAL, SURESPACIOS Sinteizamos esto onl siguiente definicién S=8, 9S, #555, +8, 08, 98;=[0) Hlempto 1-14 Consderemos primero los subespacon de R? S1={(@,8, Owe RAs eR} $2~((0,6", 7/8" eRayeR} 1 subespacio sums $=, +S, estd formado por todas la ternas dl tipo 8 +8".1)=(@.8.9) y es R®. Ambos subespacios son los planos indicados en la figura, y como su interseccin es el eje x2, la suma S=S, +S; = RP no es directa, En cambio, si Sy =((@,0,0/aeR} y S,=|O,B,0/BER} se tione S=S, +S, =[(@,8, O/aeRapeR} ‘0 sea, la suma es directa y se Hlentifica con el plano horizontal(OPERACIONES ENTRE SUBESPACIOS 2s Extendemos Ia definicion de sums de subespactos al caso on que n > 2. Definicion Suma dels subespacios 8, 2,45 de (V, +X, evel conjunto xevix=3 anseS;, W=1,2,.- a0) neat Sof, Seamtegetn dV 4K.) Ademas, si tales subespacios son disjuntos dos a dos, o sea iA />8,5;= {0} entonces diremos que esa suma directa de ellos, y eserbiremos S=8, 8, 9...95, Ejempto 1-15: Sean $, Ty U suhespacios de (V, +, K, 2) tales que T C8, Entonces se verifies que SAT+=T+ 60) 1°. xeSO(T+U)>xeSaxeT HUOsea B. xeTHSNY> ‘Lego ESTRUCTURA DE ESPACIO VICTORIAL, SUBESPACIOS PKESAX=K, HX:AM, ETAR EU 7, Hx: eS Ax, €8) Ax EUAN, ET xy €TAx, €S0x €U> oxy eTAx ES NUK, +xy ETHSNU) > =xeT+(6U) SAM+HCTHSAU) (A) xy $a. Ax; €TAx: ESNUS x, ETAx: eSAx: CU 2x, €TAX, €SAx: €SAX: CU> oxy $x: ESaxy tx, ETHUS 2x) + ESAT +e xesn(T + Uy THEAWCSATHU) (2) De (1) y (2) resulta la gualdad,TRABAJO PRACTICO | 416, Detomminae si las cuatemas que se indican denotan espacios vectoriles con las operaciones que se indicen 1) R4Q) DQHR) #1) Q4.Q) i) (R,+,Z,.) LI7. Sea (V, +,K, .) un espacia vectorial. Demostrar i) xtys0syo—x iil) x tay=x-tor yasOsy=2 li) xty=x=y=0 W) ax=bxyxt0%a=b 1-18, Determinar @ sabiendo que y # Oy que (sax ta(e-y)=x-y 1-19, Considerando V=R®, o sea, ol conjunto de las funciones reales cr yK SR, investigar si son espacios vectoriles sobre R: i ) Eleonjunto de las funciones continua. ii) El conjunto do les funciones derivables. fil) El conjunto de tas funciones pares, 0 sca, las funciones feR™ tales que £(0) =x). iv) EI conjunto de las funciones impares, es decir, las aplicaciones TER que verifiean f (x) = f(x), ¥) Elconjunta de les funciones constantes, 1) Bl conjunto de les funciones no negativas. 1-20, Sean V=R? y K=R. Determinar si las siguientes operaciones definen sobre V una estructura de espacio vectorial 1 (a, 0) +(@", b)=( sett una variable rea, (a, 6) (ca, 0b) 4-21, Determinar si (C?, +, C,.) 68 un expacio vectorial, dfiniendo Gaza) F122) F'n ea #2) 2Gn7)*@2u27)8 ESTRUCTURA DE FSPACIO VECTORIAL, SUBESPACIOS 11-22, Considerando el espacio vectorial (R°, +, R,.), investiga silos sigulents conjuntos son subespacios de R? 4) S[Gts, x2, x3) €RY/ey bas #0} S| Gus xa, 9) ERY Ler I= bea If S#| (1, x2, 43) ER xs =x; +2] 1-23, Sea el espacio vectorial (R", +,R,.). Determinar si los siguientes eonjuntos son subespacios de R” 1) S* [Ox MER eZ! 9 SelesontdeRYB epre0ne eR} 1-24, Demostrar que $= {(2 , w) € C?/z = iw | es un subespacio de (C*, +,C, ) 1-25, Sean Cy $= |(@, we C/zF-+w= 0}. Determinar si son subespacios (S, +,€, ) YEAR, ). 1-26, Sean $ y T subespacios de (V, +, K, ). En el producto cartesiano § X Tse definen Coy FO IRC ERY ty) a(x.y)= (ox ay) Demostrar que (SX T,+,K,.) es un espacio vectorial, E espacio SX T se Mame producto directo de S por T. 127. (R"™*", +,R, .) denota el espacio vectorial de las matrices rates mx 1. Por definicibn, la matrz Ae R"™" se lama triangular superior siy solo si 1>j>ay=0 Demostrar que (S,+,R,.) es un subespacio do R'™", siendo § el conjunto de as matrices angular superiores 1-28, Dado (R?, +R, .), determinars los siguientes subeonjuntos son subespacios 8) S=[@.»)/@ 9) =@ +y?) ii) T= (Ge, 9) | 4x ty ex 1:29, Considerando (C2, +,R,.) ol espacio vectovial de lot pares ordenados de mimeros complejas sobse el cuerpo de fos reales, investigar si los siguientes conjuntos son subespacios dl mismo. i) S=1@,wect? tu? =0} i) S=[@,weC'fe+2eR | iil) S=[(@,u) €C?/Re(2) = Rew} a Re@—w=In@)}‘TRABAJO PRACTICOL 2 ¥) S={@,weCfe-u} vi) S=[@,u) eC? / im @)— Im =O} 1:30, Sean 8, Ty U subespacios de (V, +, K, .)-Demostrar i) S#T=T4S, ii) SH(THU)=(S+1) +0. iil) SCS+T ‘131, Demostrar que si el subespacio S$ de (V, +,K,.) es la suma dizeeta de fos subespacios S1 y Ss, entonces todo vector de $ puede expresarse de modo dinico como la suma de tun weetor de Sy y uno de Sy 1-32, Sean (R™*", +, R, )y los subconjuntos S= [AER fay=ay ViVi} -ay, Wii) T= { AER” /ay Por definicién, los elementos de S se Haman mattices simétvicss, y los de T seaman ‘mateioos antsimétricas, Demostrar I, 8 y Tson subespacios de R™" 2. R™Capitulo 2 DEPENDENCIA E INDEPENDENCIA LINEAL, BASE Y DIMENSION 2.1. INTRODUCCION En esta unidad introducimos las definiciones de combinacién lineal de un conjunto no vucio de un expacio vectorial y de subespacio generado por el mismo. Se estudisn Ie ependencia ¢ independencia lineal y los sistemas de generadores, afin de caractrizay lon ‘onceptos de base y de dimensién en el caso finito, 2.2, COMBINACIONES LINEALES 22.1. Concepto fea Az lvo var Yn} una familia © conjunto de vectores del espacio (V, +,K,.) Entenderemos por combinacin lineal de la familia A toda suma de productos de eesalacy arbitrarios de K, por los vectores de A, Definicton Combinacin inal de ta familia A C V estado vector dl tipo Sumer taste to. tay va) te Kaen fit Particle, 6 todo ls escalares son alos, fe combinacién Final se Hama tv y se obtiene et vector nulo, Definicion Ei vector v eV os combinacién lineal deta familia AC V, si y Glos exstenexclares 1,2, ey tales queCCOMBINACIONES LINEALES. aL jemplo 2-1, Sean los vectores vy =(-1, 0, 2)y ¥2 =(-1, 2,4) en R?. Detenminamos silos veetores v=(-1, 1,3)y ¥=(1, 2, 2)son combinacién lineal dev; y Vs 1, Para que v sea combinacion lineal de vy y vz deben existir esealares ay y ag tales que avy ten vaa¥ Osea a (1,0, 2)4as (-1, 2,4) Por definicion de ley extesna es 11,3) (04 0,244) + C9, 2a, deg)= (1, 1,3) Por suma de ternas (ay 0, 20g, 204 + dey) = or igualdad de ternas resulta -1,1,3) a ~ ay 2a, Day hay =: Entonces at ay act 2 3 a + 20 2 Santuyendo ay =n a primera euacin, se tene ay +tetea a 2 2 0 sea, v puede expresarse como combinacin lineal nica de vy y v2 2.S1u=(L, 2,2), entonces procediondo andlogamente se llega a2 De donde Isa, +1 Al susttuir en la tereora ecuaciéa -242 Entonces w no es combinacién lineal de vs y va Flemplo 2-2. En el espacio vectorial de ls funciones reales de una variable real (R®, +, R, .) sean las funciones fy g definidas por f@=e y geet Determinar todas las combinaciones lineales, es decir los escalates a y B, tales que aftbg=0 donde 0 denota ta funcién nula, definida por 0 (1)= 0, Ve R, Por definicién de funciones iguales, suma de funciones y producto de esvaleres por funciones (véase 1.4.) se tiene ato + ba cualquiera que sea re Osea act +b oO B1 propésito es obtener los escalares ay b que satisfagan a(1) para todo 1 eR Derivando (1) se tiene ach +3be Q Restando(2) y (1) es hert=o Y como e* nunca es cero, resulta b = 0, que sustituido en (1) nos da En consecuencia esa = LLuego,la nica combinaci6n lineal de fy g que dala funci6n mula esl trivial. Toda vee que esto ocurra, diremos que Jos vectores, en este caso f y g, son linealmente independientes.CCOMBINACIONES LINEALES 7 Bjemplo 2-3-1. Decidimos si el vector son los vectores de R® : M4 =(40,-1) = @.1-1) w=Cb-2) Investigamos si existon escalares reales a, b y ¢, tales que ay, thy, evy=¥ 1, 2,3)¢s combinacin lineal deta famil 1yos elementos Entonces, debe ser a(1,0,-I) +501, +60, 1, -2) Bfectuando operaciones @,0,-a) +0, @+ebte-a-b-20) 42,3) b) + (6,6, ~26) =(1,2,3) 12,3) Por igualdad de ternas es aterl bten? ab 2083 ‘Sumando las tres retaciones se tiene 0-6 Jo que es imposible En consecuencia, vo es combinacién lineal de v1, Vay Va. Bjemplo 2-3-2 Enel espacio vectorial (R**?, +, R,.) se consideran las matrices alo) ei) ot) Determinar todas las combinaciones lineales de A, B y C que den la matiiz nulaN. Hay que obtener a, By en R, tales que aA+BB+ CON (ot) 00 oo t)-(6 8) Oseau DEPENDENCIA E INDEPENDENCIA LINEAL, BASE ¥ DIMENSION Por producto de escalaros por matrices es (o-) (5) H-(0) Por suma en R?*? se tiene ate 0 ) ( 0 Bty ate! \o o Por igualdad de matrices resulta atB=o0 fr tr=0 aty=0 De las dos primeras se deduce By yp Sustituyendo en la tercera os -20=0 Osea B=0 Luego a=8==0 y i nice combinacin inal que stisface le elcinpropuesta es latvia, 2.3, SUBESPACIO GENERADO 23.1. Conjunto de combinaciones Fineales Sea A un conjunto no vacio de vectores del espacio (V,+,K,.). A expensas de A ppodemos formar el subconjunto de V cuyos elementos sean todas ias combinaciones lineales do los vectores de A. A este conjunto 0 denotaremos con el simbolo A, que se lee “A raya” SEA= (Vista... ¥q} sentonces escrbiromas {3 amfaek a wea} Fjemplo 2-4. Bl conjunto de todas las combinacioneslineales de los vectores, Mi=C01) ¥ ve =(0,1,1)deR?‘SUBESPACLO GENERADO 3s @ (1,0, 1) #43 (0, 1,1) a €RAa eR} Osea A= {1s02,4; +43) /a; ERA a, ER} En consecuencia, a pertenecen todas ls teas cuya tercera componente es la sma de las dos primeras, demos escribir {Gr Xa, x3) ER? Jr, 1 txa) 2.3.2, Subespacio generado por una familia de vectores ‘Teorema. Fl conjunto de las combinaciones Hineales de toda familia no vacia de un espacio vectorial es un subespacio del mismo. Hipétesis) (V, +. K, .) sun expacto vectorial A= [navi ate [EV Tess) (A, +,K, )esun subsspacio de'V Demostacién) 1.Siendo vy = 1, + Ov, +... +0, 56 deduce que v, €A,0 +0 2, Por definicién, se tiene VER 3 AQ, 075.40 EK/ VEE a Au eA ayv; A a eK A vjeV, pues ACY eA Luego. veXovev Osea 3, Kescetrado para Seanvy wen & veKaueKay=Z av nue Zen veunZ aut S fev svtund @uuteyo> vtun$ @t6onevtund wwe vtuek36 DDEPENDENCIA I INDEPENDENCIA LINEAL. BASE ¥ DIMENSION 4. Kes cerrado para el producto por escaares SeanweK yve A, aeK aveA@aek Av=3 ay 3 eww mavea dev Zaimraver Como se cumplen ls hipétesis del teorems 1.8.2, resulta (A, +, K, ), un subespacio de W4K,). Definiciin BI subespacio de las combinaciones lineales de la familia no vacia ACV se llama subespacio gencrado por A, Elemplo 2 Determinar el subespacio de (R®, +, R,) generado por la familia A cuyos elementos son los veetoros w=Q12) y ve=(1,2,1) Por definicién, el subespacio A es el conjunto de las temas (x4, x3, 5) €R? tales que Cn xarrs 1 (21,2) +49 (1,2, 1) = (2c a4, 204) + (42, 203,02) 2a, +o3,0y +2a3,20; +43) Por igualda de ternas es 2a, + a=x, ja #205 = 2 | 2a + a, =25 De la primera y tereera relacion se deduce Yy2 es cualquier niimeto real, Enconsecuencia a ‘Kesel plano de ecuaci6 {6.x a) /ar eR Ax eR}'SUBESPACIO GENERADO a x jemplo 2-6, ‘Obtener el subespacio de (R22, +, R, .) gonerado por las matrices (os) wf) (4) Javisaexavies) aly Seale adem (re)(e a) Realizando operaciones en R°*? es ee)38 DDEPENDENCIA E INDEPENDENCIA LINEAL BASE Y DIMENSION En consecuencia #4, 0; =b,05=0, a =d Lego d=-aybye son nGmetos rales euslesquiors Los vectores de A son matrices del tipo (3) Bs deci, A es el subespacio de matrices de traza 23, 3. Propiedad EL subespacio generado por una Famila no vaefa de un espacio vectorial esl interseecion Ae todos ls subespacios que inclayen dicla fan, Hipotesis) (V, +, K, .) es un espacio vectorial, O#A® [Vv eatn| CV { S:) come esis fami de tos los subespacion que inchyon A Tesi) A= 5, Demostracion) Probarems las4los inclusiones que conducen « a igualdad, LEC hs, En ofcto xeKox=B ayy 4 qek ayers a Na) eK Ay 6S,, Wiel x08, Wel=xe (15, Nsck Como todo v, de A es combinaci6n lineal de Ios elementos de A, pues WOW FOV: to. FHL OM'SURESPACIO GENERADO 29 se tone que, } ACK | ¥ siendo A un subespacio que incluye a A, se idemtitiea von alin S;, es decir. existe en | Haat quesy=2. Por otra parte, como la interseccion esti incluida en cualquiera de los conjuntos que se interseean, es As cy wer En consecuencia Porlo tanto En virlud del teorema demostrado, observamos qe el subespacio generado por una familia no vacit de vectors de V sci “minimo” subespaco, en el sentido de incusibn, que inciye a A. jemplo 2-7. | Demostrar que los siguientes conjuntos de vectores generan el mismo subesp io de R asa Determinaremos A y B. 14K pertenecen las ternas (x, y, 2), tales que 1,1),G,0,D} B= {(-2,-1,0),(5,~2,3)} t (9,2)=60, 1,1) #4G,0,0) | Entonces 9.2)= Gt.) + Gu, 0,0) (430-1, +4) Lucgo Como t= —y, se tiene xey tu ze-ptu0 DEPENDENCIA E INDEPENDENCIA LINEAL, BASE ¥ DIMENSION Osea Restando Resulta { (%.y,2)eR® /x —2y-32=0] . Procediendo andlogamente para obtener B es (x,y, 2)= #2, 1,0) 40 (5,-2.3) (9,2) =(26,-f 09+ (Su, —2u, 30) (x, 9. 2) (20+ Su, —t -2u, 3) om atu pata tte Comou = 1 3 eed, 3 , oven pesado xoyem Loewe {@,y, 2)eR? /x 2p --32=0} Renta ASB Lacecuacién x —2y ~ 32 = 0 corresponde a un plano que pasa por el orien.'SUBESPACIO GENERADO ao Elemplo 28. BI subespacio de (V, +, K, .) generado por un vector ves, en particular, el conjunto de todas los mltiplos escalares de v, o sea {av/ Rex} Determinamos ol subespacio de R* generado por v= (1,2). Llamando S a tal subespacio, se tiene S= [ Gea. ¥a)/Qr1 x2) KCL, 2)) En consecuencia Gx)" & 28) Ora xisk yx =2k liminando el parimetcok entre ambasrelaciones, resulta =O, 0 Jo que eso mismo dee Entoncet S# [ Gr4.%2) ER? / 2x, ~ x; S esla recta que pasa por I origen represen da on Ta figura a1 2)2 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION 2.4, DEPENDENCIA E INDEPENDENCIA LINEAL 24.1. Conjunto lincalmente independiente En el ejemplo 2-2 hemos demostrado que la tinica combinacién lineal de os vectores fy £8, cuyo resultado es el vector nulo, es la trivial, O sea af+bg=O%a=b=0 En este caso, los vectores son las funciones de R en R definidas por f@=e y ge y la funcién que asigna a colo némero real 1, ol valor 0, es el vector fulo, Este hecho se traduce diciendo que los vectores f y g son linealmente independientes, 0 bien que el conjunto [f,g| es lineslmente independiente, Sea Visa s-++s¥e) una familia de vectores del espacio (V, +, K, Definicién La familia AC V es linealmente independiente si y solo si lt dca combinacién lineal de dicha familia, cuyo resultado sea el vector milo, es fa trivia En simbolos Aces inealmente independiente © WF: ay,=0-%a=0 La Independencia lineal de un conjunto finito y no vacio de vectores significa que no puede darse una combinacidn lineal de dicho conjunto que aé el vector nulo, con algiin scalar distinto de cero. Para investigar 1a independencia lineal de un conjunto de vectores, se propone una ccombinaciGn lineal de éstos, con escalares a determinar, que sea igual al vector nulo. Silos cscalares son necesariamente nulos, entonces el conjunto es linealmente independiente. ‘Convenimos en que el conjunto vacio es linealmente indepondieate, Definicién El conjunto A.C Ves linealmente independiente sy s6lo si todo subconjunto finito de Acslinealmente independiente, Esta definicidn extionde el concepto de independoncia lineal toda familia de vectores de tun espacio V.INDEPENDENCIA LINEAL, “2 Ejemplo 2-9. Dado el espacio vectorial (R*, +R.) determinar si los siguientes conjuntos de ‘ectores son linealmente independientes. 5) A={(1,0,0),(0,1, 0) (0,0, 191 fi) B= {(,~1,0),0,1,2),0,0, 9} i) Sea (44 (14, 0,0) +a (0, 1,0) +45 (0,0, 1)=(0, 0,0) (2,0, 0) + ©, a4 0) #(0, 0, 3)= (0,0, 0) (01,22 ,43)=(0,0,0) Por igualdad de temas resulta a, =a, =a =0 ‘Luego A cs incalmente independiente Procediendo andlogamente a (1,1, 0) #4 (1, 1,2) +445 (1, 0, 1)=(0, 0,0) (2, -@4, 0) + (6 0 203) + (8350503) = (0,0,0) (a +5 +45, a1 +09, 209 +43) =(0,0, 0) Entonces ay + ay tay=0 ata = 00, =a [Or ay -020, = 2m Las infinitas soluciones de est sistema de ecaciones son a =k ak 2k conkeR En consecuencia, B no es linealmente independiente, ya que los esealares no son necesariamente rulos, Mis ain, existen infinitas combinaciones lineales no triviales ceuyos resultados son el vector mul. Ejemplo 2-10. Bn (RY, +R, ), donde independientes [0,1], los vectores ¥, sen y vp = cos son linealmente“ DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION Sea ay sent +, cos =0 Vee[0,l}es (ay sen + a5 cos) (= 00) Por definici6n de summa de funciones y de funcién nul (307) (2 + (@ 08) (1) Por definicion de producto de escalates por funciones a sen £4 09 cos #0 () weet Derivando a cos t~ a sen t=0 @ Resolveanos el sistema respecto de ay y a3 lent cose Sen? 1 cos? p= tmsene | JO oore ven 0| Ag [0 ~sene cost | Y lanica solucion es a, >a =0 Osea {¥s.v5} 8 lineatmente independiente Bjemplo 211, Sabiendo que dos vectores vy y vz son linealmente independintss en (V,-4. kK, ) Alemostrar que vy + ¥z y ¥a son linealmente independien Consideremos una combinacion lineal de a faiia {v4 +¥a,¥2} que see igual al vector nulo, con evcalares ay b, que detenninareios: (vy +¥3)+bv, =0 Por distributividad respecto de la suma en V ayy tavy +b v0DEPENDENCIA LINEAL 4s Por distributividad respecto de la suma en K. ay, +@+b)¥,=0 ‘Como, por hipotess, vs y v2 son lineslmente independientes, se deduce yat En consecvencia a=b=0 Por consiguiente, v; +v y ¥p son lineslmente independientes, 24.2. Propiedad, 5 un vector es combinacion fines de un faa nesiments independiente, entonces dicta combingcin Heal es Gica, ea yeV combinacén lincal de we familia { ¥s,¥2s..%e} ¥ sta Hnealente independiente, Pntoncesexsteneclare tees que ‘Suponemos que existen escalares fj tales que =ZBoiw Entoes Javed ov Osa Livgo Bdvi= 0 ¢ lingalmente independiente, se deduce que B= 0 > Oy =B; VR NL2 047 Y como ta fami En consceuencia, la combinaci6n lineal es tnica. 24.3, Conjunto Tinealmente dependiente En el ejemplo 29 ii) hemos probado que existen escalares no simultneamente nulos cy, 23,44 tales que46 DEPENDENCIA F INDEPENDENCIA LINEAL. BASE Y DIMENSION | 4 (1, =1,0) +43 (1,1, 2) +45 (1,0, 1)=(,0,0) Diremtos que los vectores (1, —1,0),(1, 1,2) y (1,0, 1) son lnealmente dependientes, Definicién La familia ACV es linealmente depondiente si y sélo sino es linealmente independiente, \ La familia into linealmente dependiente de vectorey de V si y sélo si existe una combinacién Lineal no trivial de dicha familia cuye resultado sea el voetor nul, Negando las dos proposiciones que figuran en In definiién de independencia linea, se tiene | As linealmente dependiente © 34/ Ea, ¥,= 04 a0, | La dependencia lineal de un conjunto fnito de vectores significa que tiene que existir, al ‘menos, una combinacion lineal de éstos que dé el vector nulo y que no sea trvil, Para investigar la dependencia lineal de una familia de vectores, se propone una combinacién lineal de dha familia, con escalares¢ determinar, que sea igual al vector mul, Sialgin esealar es distnto de 0, entonees Ia families linealmente dependiente Blempto 2-12. Los voctores (~2, 4)y (1, ~2) son linealmente dependientes en (R?, +, R, En efecto, sea 44 (2,4) +a (1, -2)=(0,0) Por defiicién de producto de escalaes por pares y por suma de pares es ee [Esta admite infinitas sohuciones, dadas por a=2k y keRDEFENDENCIA E INDEPENDENCIA LINEAL a Ejemplo 2-13. Las matrices (a) te) OQ) Oa) son vectores linealmente independientes del espacio vectorial (K?*?,+,K,.), puos cualquiera que sea Ia combinaci6n lineal de los mismos con escalsres en K, cuyo resultado sea la matriz mula, es la trivial. Bn efecto OI SC de 2G cc ay) Luego ay Say a5 ay =0“e DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION En cambio, as mattices i son linealmente dependientes, pues a Ata, BEN ee) a) a =0 >a =a =k VkeK Por consiguiente, existen escalates no simulténeamente nulos que satistacen la relacion anterior, Jo que prueba la dependencia lineal, 2.4.3, Propiedades i Todo vector no nulo de un espacio veetoral consttuye un cenjunto linealmente independiente, Sea v#0en(V, +, K, ), Consideremos i av=0 Osea De acuerdo con 1.33. como v #0, © desice que a=0, y en conecuencia |v| es linealmente independiente. DEI vector mulo de cualquier espacio vectorial constituye un conjunto linealmente dependients Fn efecto, cualquier escalar, nulo © no, satisface la telacién a 0= 0, segtin lo demostrado on 1.3.2, 1) Todo conjunto al que pertenezea el vector mul slinealmente dependiente | Sea A=[¥1 .¥2,...4¥,} con w =0. Se verifica que | Or + OV2 +o. tay yt. O¥, Osea y= 0=0 on a no necesariamente nulo,DEPENDENCIA E INDEPENDENCIA LINBAL ° jv) Un conjunto finito y no vacio de veetores es lineaimente dependent sy so si agin vector es combinacion lineal de los demi. Sea A=[¥i,Vav .¥r} una familia de vectores de (V,+,K,.). Demostramos las dos condiciones en que se desdobla el enunciado: necesatia y suficiente, 1+, Acslinealmentedependiente 93/1 ¥j= 3, Brv Por defiicién de dependencia lineal ‘Acs linealmente dependiente > aE ayy On #0 ee ayy tS, ain 0 ay 40> saya Ema #0 Premaltipiando por aj", iaverso multiplieativo en K, de ay #0, 36 tene a y= Cay DZ, eve Por A; y propiedad de la sumatoria (oy a) Er vevo Porinversosen Ky Ay ¢¢ 1y=%, Cai eave ‘Teniendo en cuenta Ayo, y llamando a4 «, se deduce En consecueneia, existe vj €A, que ¢ combinacién lineal de los restantes vectores de A. % vaya, aim Acstnesment dependents Por hipatess y teasposicion de téaminos se tiene we E, med, am w=econgy ‘Como oj 0,1 conjunto A es lineaimente dependiente. 1) Un conjunto finito y no vacio de vectores es linealmente independiente ai y sélo si ingin vector es combinacion lineal de los dems.SS TY 50 DEPENDENCIA E INDEPENDENCIA LINEAL. BASE Y DIMENSION. Nada hay que demostrar, pues basta negar las dos proposiciones de la condicinnecesatia ¥ suficiente anterior En simbolos Aces linealmente i lependiente © vy iy ¥, By, En lo succsivo, y en algunas ocasiones, abreviaromos las expresiones: “lineslmente independiente” y “tinealmente dependiente” mediante “Ll” y "0, respectivamonte. W) Un conjunto fnito y ordenado de vectores al que no pettenece el vector nulo es finealmente dependicnte si y solo si algin vector es combinacién lineal de loc precedentes, FAM (avast) es LDA OFA@IK/26R SPAM AE ayy, Demostacin) See ke primer entero postivo tl que [Mtesceam) eb. na ordenacién ‘existe por el principio de bu Por definicion se tiene 3a 3 fin y agin §,40 ( Sia ~Osentonces [vs ¥25-- ua ria LD, cont fo sup Luego fi, # 0,y provediendo como en iv) I? se deduce que we E ay O see, vy es combinaci6n lineal de tos precedemtes, yk es tal que 2 y En consecuencis, Is coordenaidas dex, respecto de la bate [v], son: 3 y —S Y puede escribivse 3 Xi | 5 |56 DEPENDENCIA F INDEPENDENCIA LINBAL. BASE ¥ DIMENSION En ol segundo caso, procodiondo snlogamente, se legs 2 que las coordenadas de x son Ly 0,y porlo tanto 1 Xe) = 0 Finalmente, respecto de a base canonica, es (-2,3=(-2,0+0,3)=201,0 +301) (© sea, las coordenadas de x son procisamente los elementos del par ordenado, y escribinemnos simplemente 2 x= 3 2.6.3. Teorema de extension a una base Si (VI= [visvay-se¥n } ef una base del espacio vectorial V. y [w1= [1,W2,.--s%m | es un conjunto linealmente independiente, pero no de generado res do V, entonces existen vectores Winti,Wmsas++ nepr tales que Listas Wi Wnts inp mabe dV [ww] 9 [9] = @, consideramos el conjunto AS [w]ULeL= | 1, Wes Wn Yas Me} Como cada w; es combinaciGn fineal de Tos vetoes de Ia base fv], A es un eonjunto linealmente dependiente por 24,3 i). De acuerdo con 2.43. vi), siendo A un conjunte finito y lincalmente dependiente al que no pertenece el vector nulo, agin vector e combinacién lineal de los precedentes. Tal vector es un elemento de {v}, ya que [Ww] Tingalmente independiente, Por atm parte, como A es un sistema de generadoreslnealmente dlepeadiente de V,y vs eombinacin lineal de los procedentes, resulta Ae aH ful Woop en Won Ute Wea Nino s¥a ‘un sistema de gonoradores de V, segin 2.5.2 Si Ay es finealmente independiente, el teorema esti demostrado. Si A, es linealmente ependiente, se reitera el proceso, y a lo sumo, sl cabo de (7-1) etapas se obliene un conjunto linealmente independiente que es sistema de goneradores de V, 0 38a, una base 2.64, Coordinabilidad de las bases Dos bases cuslesquiera de un mismo espacio vectorial son coordinables, Iipétesis) (V, +, K, ) 08 un espacio vectorial. vas¥ay = Ya} ¥ EWT= [Wis Way +5 Won) som bases de ¥,DIMENSION 3” ‘resis) [V]~[W] ,05ea,n =m, Demostracion) Consideremos A= | Wan VieVars eo) ste conjunto, al que no pertenece el vector nulo, es un sistema de generadores (pues [v } ¢s una base), y linealmente dependiente (ya que W>, es C.L. de la familia [v). La propiedad 24.3. nos dice que algin vj ex C.L, de los precedentes, y, de seuerdo con 2.5.2, es A~ {¥s} un sistema de genesadores de V, Sea AL = | Wout Win Mies Mere Moots eV Este eonjunto es un sistema de gencradores lineslmente dependiente, y en consecuencia, aigin vy es combinacién lineal de los preeedentes. Lo mismo que en la etapa anterior, s¢ 10 extrae Y Se agrega Win.2, obteniéndose Aa | Wena Wonts Won Yass eos Vene Mites aM Mies stn que es un sistema de generadoresy lineakmente dependiente Reiterando el procedimiento, wlitmamos que no os posible que los vy, se “agoten antes que Ios Wis ya que en este e230 los w, sobrantes serian combinacién lineal de fos considerados. En consecuencia es men () Andlogamente, a partir de se prucha que n, lo que es absurd Siding =ny [W]= [Vy Yar so-n¥el e65.G.centonces [ves Li Si [y}. gue cs 8G., fuera LD, entonces exiiea y, tl que [¥] xj] e8 SG. de V segin 252. Si este conjunto de n-1 veotores fuera LA. constituinia una base de V. Iv] | ¥, | no fera L130 itera el procedimiento,y en toda casos llega a una bse de cuyo cardial es menor que lo que también et absurd En consecuencia ainmamos que 1. n vectores linealmente independientes de un espacio vectorial n-dimensional eonstt| yen una base del mismo, 2, Todo sistema de generadores de vectores de un espacio vectorial mdimensional una base del mismo, 3. Todo conjunto de mis de m yectores de un espacio vectorial dimensional « linealmente dependiente La dimension de un espacio vectorial (V, +, K, ) depende no silo de V, sino también de ceuerpo K. Seguidamento aclaramos esta observacién, Bjempio 2-23. Sean (V, +, )y (V,+,,.) dos espacios vectoriales, donde el conjunto de vectores sel mismo en ambos casos y C es el cuerpo de les complejos.DIMENSION 38 Entonces es dimgV = 21. Yi¥as-o¥n} e8 una base do (V,+,C,.), entonces supongamos que dime En efecto, st [| fe) =[¥is¥as soon 4s yon) esta base de (VR, Iie robareos que 1 fv)es Ld sea Jove Z win-0 Fe timp 7029 +i8=0, > 0 =H 0, WE 2. tw] a8e For ser (v] une base de (V,+,C, para todo ve V,existen eclares + €€ tls ~ & @ tinue ve Sau He ‘Laogo [w]¢s una base de (V, +, R, ),y en consecuencia dima V=2 dimeV En particular, es img C" =2 dimeC" =2.n 21.3, Propiedad ‘Sea $un subespacio de V. Se verifica que’ dim S= dim Ve S=V I Sic subespacio § ¢s ef mismo V, entonces es obvio que dim $= dim V, 2, Supongamos ahora que $ es un subespacio de V que verifica dim § =dim V. Sila dimensién coma es 0, entonces tanto $ como V tienen como Ginico elemento al ‘eetor nuloy son idénticos. ‘Sea dim $ = dim V=n > 0. Consideremos una base de : Fwh= 1, Was nf Los m vectores de [w] son Lil. en V, y de acuerdo con 2.6.3. constituyen una base de V. Entonees son un 8,6. de V, lo que nos dice que todo vector de V pertenece a S,0 sez, V CS, como por definicion de subespacio es 8 C V, resulta $= V,o DEPENDENCIA E INDEFENDENCIA LINEAL. BASE Y DIMENSION 2.8. DIMENSION DE LA SUMA 28.1, Propiedad SiS, y Sp son dos subespacios de (V, +,K,.) y le dimensién de V es finita, entonces x veriiea que dim(S, +83)= dim S, + dim $; — dim (S, Sy) ‘Soa dim V- n dims, ddim; =n" dim(S,OS:)=p y dim $ +8, =4 Se tata de proba que @ wenn Consideremos 8; 4 10} y fe] (x1.%2,--%9) une tasedes; ns, | Teniendo en eventa que 8; 5 es un subespacio de Sy y de, completa a bas fy 4 una base en cada uno de éto. ee Sean {Xse%ay co Xpe Foes Kamp] ¥ [x1.%05-- Xe Badia stamp) bases en 51 yen, espectivamente Fr conjunto AS} xix, Xp Vinee Yap ty ‘esuna base de S, ++ Sp, pues: 19, AesS.G.deS, +5 En fecto, sea ve8; +83, Por definicin de subespacio suma es V=xty A KES) A yess Entonces, Zant 2 tt Saint S” py= | Eaton 2 ayt "Sox 2. Aes Ld Consideremos Jone 2” aye 'S” nn Entoncs EanDIMENSION DE LA SUMA 6 ce [B) Yete cue pertenece a 8, también pertencea $y, 0884 Y waeS 9S: Osa 2, @'sxi~ EZ, 12%=0, y por la independencia lineal deta base de Sa, se tiene: 20, 1=0 ‘Teniendo en cuenta (1) es Luego a=, = Siendo A una base de S, +58, resulta Pep) tn" py=4 Bs decir Gen tn op Lo que se traduee en dim(S, +5) im Sy + dim 8, ~ dim ($1,985) 28.2. Dimension de la suma directa SiS, y S son dos subespacios disuntos de(V, + K, ),entonces la dimension del suma dicta es gual aa sua dela dimensiones de $1 y $y este cas es 8; OS; = [0} yen conseouencia, dim (Sy S,)=0. El teorema anteriores vido también en esta situacin, por consiguente resulta ddim (8, ©S;)= dim 8, + dim S, Bjemplo 2-24, Detetminar la din sin de ta sume de ls siguientes subespacios de (R®, +, Gays) eR? /xty 220} (.2)eR" /x—2=0)@ DDEPENDENCIA E INDEPENDENCIA LINEAL. BASE ¥ DIMENSION ‘8 y 82 son planos y la dimensi6n de cada uno de ellos es 2 S182 = (Gy, 2)€R? fx=2 4 y=0) Todo vector de S, S; es del tipo (@,0,a)=a(1,0,1) VaeR Lugo ddim 8, OS; En consecuencia dim (S, #8,)=2+2 Osea Sy) +S, =R*TRABAJO PRACTICO ji 2.25, Fxpresar en cada caso, si es posible, al vector v como combinactén lineal de vy y va. EL espacio vectorial es (R, +, R, .). 1) v=(/T,-1) , 4 =6/5,2) «v2 (V5.2) H) V=(2,4), W=(-1,3) 2 = 2-0) 2.26, Comprobar que los vectores de R® n=C.3.) 2 =G.-1 Dy vs =4,0.2) son linealmente dependientes, y expresara vs como combinacin lineal de 1 Y ¥y 2:27. Bn (R'*?, +, R, .)se considetan las matrices oT) Probar que son linealmente independiente. & stir ta dependents indepenstencis tins de los veetores wa2 y waa on cada uno de los espacios vectoriales (R, +,R, )y(R, +,Q, 2:29, Dados los vectores (1, 4, 6) , (1.444) y (0, ~4,x), del espacio R® sobre el everpo de los reales, determinar x pata que sean linealmente dependientes 2.30, Demostrar que sia, B y ¢ son tres mimeros reales distintos, entonces los vectores (4,22), (1,8, D*)y (1.6, €*) de (R®, +, R, ) son linealmente independientes. 231, En el espacio vectorial de las funciones reales definidas en R, se consideran las funciones f, gy h, definidas por figs +2r-1, (=F +1, ROHR HE Domostrar que son linealmente dependientes, 2.32 tin el espacio vectorial (RP, +R, .) se dan ls funciones Fy gdefinides por f=, s@=toy 233. 234, 235. 236, 237. 238, 239, 240, 24. 242, DEPENDENCIA E INDEPENDENCIA LINEAL. BASE DIMENSION Probar que son linealmente independientes Ba (R?,+,R,.), Jos vectors (@, 3) y (c,d) verifican la condici Demostrar que son linealmente independiente, Determinar si los vectores (1, 1, 1), (1, 1, 0) y(0, 1, ~1) son lineslmente independien. tesen(R®, +R, .)y en (C3, #,€, 9. Sabiendo que vj, vz y ¥s son vectores linealmente independientes del espacio (V.+.K,, investigar In dopendencia © independencia lineal de los siguiente, conjuntos de vectors ad ~ be #0, 8) Ly tavs +00 ov er5 v3) W) {viv bas s¥9 +670} donde o,5y son elementos de K Sean: | X1,Xay-..4Xq | un conjuato LI. de(V, +,K, Jy eK. Domostear {ho %2,--0%q | BLL OR #O Demostrar que sel conjunto A= {x15¥2,--%)} eB LLY |XiXee.a Xe] 65 1-D.,entonees wes combinacin lineal de Is fails A sbiendo que el conjunto A, a que se refiere el ejerccio anterior, es Ll. en (V, +R, J Y que x no es combinaciGn lineal de dicho conjunto, entonces A'U {x} es Ll Demostrat que si el conjunto A= {x1,%2,.%qf es Lien (V,+.K, ), entonces se-verifca que el vector 3 ix, #0. Demostrar la independencia lineal de los vectores fy, f,y fs del espacio (RE, 4, R,), donde 1 ese intervalo cerrado de extiemos Oy 1, sabiondo asoxxet six € asocxet | 2eet0.3 hen) | Be 7 | Oip [vivareen Yn ve} SLD. Demostrar que si { vis ¥ar-+ Ya} e8UnS.G.de Vy | ¥u,¥aseou%s) etn sub conjunto maximal de vectores LL, entonces és es una base de V. 251. Demostrat que si V es un espacio de dimensidn finita y V=S, S,, entonces so verifica que dim V= dim S, + dim S,Capitulo 3 TRASFORMACIONES LINEALES 3.1, INTRODUCCION Exponemos en este capitulo el concepto de trasformacién lineal entre dos espacios vectoriales sobre un mismo cuerpo, las propiedades generales y los fipas especiales de ‘rasformaciones lineales. Se introducen las estructuras de aticleo y de imagen de una ttasformacién lineal y se da la relacion entre sus dimensiones, Fijada una base en cada ‘espacio, siempre en el caso finito, se determina la matriz asociads una trasformacién lineal, Después del estudio de la composici6n de trasformaciones lineaies, se conecta este concepto con el producto de matrices. Finalmente, se menclonan ios espacios yectoriales de trasformaciones lincalesy ol espacio dual de un espacio vectorial. 32. TRASFORMACION LINEAL ENTRE DOS ESPACIOS VECTORIALES ‘SOBRE UN MISMO CUERPO Sean (V. +, K, )y (Wy-+, K,.) dos espacios vectoviales sobre un mismo cuerpo K. 32.1, Concepte ‘La funcién f: V > Wes una trasformacién lineal u homomotlismo si y slo si 4 )la imagen de Ia suma de dos vectores cualesquiera de Ves igual a In sums de sus | inigenes en W PO +N=FO) +4) ila imagen dl producto de cualquier esealar por todo vector de V es gual al producto del escalar por la imagen de dicho veetor | F@x=a(x)TTRASFORMACION LINEAL . Las condiciones i) y ii) se pueden reducir a la inca siguent {VW es una trasformacién lineal si y silo si Lx +By)= af) 6/9) ‘ealesquiera que sean ary Pon K,y xe yen V. lector puede demostrar por induccién completa que si f: V-> Wes una trasformacién lineal, entonces se verifies que Zane Zateo cualquiera que sea 7 €N. Esto nos permite afirmar que las trasformaciones lineales preservan las combinaciones Iineales, Fiemplo 3-1 Scan los espacios vectorisles(R®, +, R,.) y(R®, +,R, ). La funcion f: R® +R? definida por L063 %3) =O 5, Xa — 85) es una trasformacton lineal, ya que se verfican las condictones A) LUGs. Xa, 82+ Ore Par Ya ALO FIs. Ba HP. 8a tI) = =O 491 aya tea Mas) por summa en R® y definicion de f. Por otra parte, teniendo en event la definiciin def ya sumaen Res S485) + £0 Ya Ya)" Or 5, fa 3) +0 “Yaa DE S(t) 3491 Ya Ma Xe +92 —¥2) QD De (1) y (2) se deduce que la imagen de ka suma es igual ala suma de fas imigenes. ii) Por definicion de producto de escalares por tesnas, definicién de f, propiedadon ‘TRASFORMACIONES LINEALES distibutiva del producto en R, producto de oscalares por pares, y por definicion de Ses Flee Gay any AS (Wt, ka, 3) = (Ry ~ xs, xy 8N)= 0G, 3, X33) =f Cae a8) 0 sea, la imagen del producto de cualquier esealar por todo vector es igual al producto del escalar por a imagen del vector. Ejemplo 3-2. La funcién f:R°>R? tal que f(s, ¥2, x3) = 1 5 trasformacién lineal, pues LUG, 2,3) + a, Yas YOM F Os HI Xe yas ts HI) = Ge toy x3 Yama ta ays +1) 2 —xy +1) no es une pero Fux IAL O Ia I)= CH — Fu — ADAG IPH AD= $e 3 tn Yama xa ty FD) | Ejemplo. +3. i Supongamos que f: R® +R? es una trasformacién lines! que verifica 1G,9)=01,2,3) ¥ FO,N=@,-1,2) PPodemos obtener la imagen de (2, ~3) de Is siguiente manera £Q,-3)=F (2,0) +O, -H=/12 1,0) +3) 0, N= =2F (1,0) + C3) 0.1) = 21, 2,3) +3) 0, =1, 2 =2,4,6) + 0,3, -6)=(2,7,0) 3.2.2, Propiedades y clasificacién de ls trasformaciones lineales Sea f: V>W una trasfonnacién lineal, Denotaremos mediante Oy y Ow los vectores ‘nulosen Vy en W, respeetivamente 1 La imagen del vector nuto del primer espacio por toda trasformacién lineal es el vector rnulo del segundo espacio, ‘Toniondo en cuenta que el producto del escatar 0 por cualquier vector esol vector nulo, y 4 condlicin i) de la definicién de trasfomactén lineal, se tiene £@y)=F(Ox)= OF &)= Ow 1, La imagen del opuesto de todo vector del primer espacio es igual al opuesto de su! simagen.PROPIEDADES % | Considerando la propiedad 1.3.4, y la definicién de trasformacign linea, es LCX=FCDSI = DFO) =F) De acuerdo con la definicién, una funcidn f: V-> W es una trasformacién lineal sy solo 4 sts scons), eo aa eee 9 alo gu roe spe Ee parr em ae | {es.un monomorfismo © fs inycetiva ‘Fes un epimorfisme © fes sobreyectiva | {Fesun isomorfismo fs biyectva ! SiW=YV, entonces la trasformacion lineal f se tlama un endomortismo, y sl éte es biyectivo recibe el nombre de automorfismo. O sea, un automorfsmio es toda trasformacion lineal biycetiva de un espacio vectorial en 8f mismo, Bjemplo 3-4. La aplicacién f: R° > R? definida por FO. ¥2,%3) $62, 84,3) es un automorfismo en R®, Hl Debemos probar que fes una trasformacion lineal biyectiva, | 1. Fes una trasformacién lineal, ya que veriica 4) Laimnagon de la sum es igual ala suma de las imagenes MG Ka) FOL Dae YSMAL Or tia Ha Ny HY)= G82 t+ ya, a Pasta HY) = Ota, — 21043) + Ors — Prva) G19) 4/0 n Sas) i) La imagen del producto de cualquier escalar por todo vector es igual al producto dll eseala por la imagen del vector. Fl aC xe, LX, 2, Os) (Xs, — 81,0085) = ea, — My Xa) af Gy, X23) 2. Fes inyectiva, Sean (¥s.282,285) y (ris Ya, 7s) om el dominio, tales que £183 83) =L01Yas) Osea (a. — 84085), — Ya. Pa) Porto tanto es ways0 ‘TRASFORMACIONES LINEALES wego (1.28) On Yards) 3. fs sobreyectiva, Cuatquiera que sea (a, d,c) en el eodominio, existe (~2, a c) en el dominio al que Lb, 4,6) =, be) Queda probado asi que /es un automorfismo ea R°, La trasformacién lineal f pede interpretarse como una trasformacién del espacio en sf mismo que corresponde «una ‘olaci6n de 90° alrededor del ej x, (81 x2 aa) Lx. xs) Ejempto 3-5, |. La funcién f: VW que asigna a todo vector de V el vector malo en W es uno ‘rasformacién lineal, pues LO+Y)= Oy = Oy + Oy =F) +09) L(EX)=Oy = a Oy af (x) {Fs lame trasformacién lineal mula 2, La funcion f: VV tal que f(x) = ax cualquiora que sea x € Vy @ um escalar dado en K,es una trasformacida linealPROPIEDADES, En efecto L(etyraety)=axtay=SO +10) Saxy=a (ax) "a (ax)= af) La trasformacién lineal f asi definida se llama homotecia de cazén a. Ejemplo 36. Sea f: R? +R? definida por an re (Dats ‘Fes una trasformacién lineal, pues atetbtd 0 ) SMa. d+, Dl=S(ate s+ ( 0 atbtetd etd 0 )a( sre. +16.0 0 eta aatad 0 Fee, )=f(ee,ab)= ( ) 0 eaten ath 0 ( ) rete 0 ath {£no es inyectiva ni sobreyectiva lemplo 3-7. Si (V, 4,R, ) denota el espacio vectorial de los polinomios reals en la indeterminada X, entonees la fancion [Vow |2 ‘TRASFORMACIONES LINEALES Te alan’ 2 cada elemento de V el corespondiente polinomio derivado, es una ‘rasformecin Tinea, pues SO+Q=P+ yar + SQ?) Elendomorfismo fno es inyectivo. 33. NUCLEO IMAGEN DE UNA TRASFORMACION LINEAL Consderemos ina tasformacion nel = V-> W. 33.1, Concepto de niceo Nicleo de una tasforhacin neal f, entre dos epaciosvetoris sobre un mismo sere es conunto de lor vectores del dominio cuyas imagenes por f on ol vector sale del codominio, Elsimbolo N (/) se lee uivieo def. Por detinicion es N= [xeV/s(x)= Oy} Er cleo de toda traformacién lineal es la preimagen del vector milo del segundo espacio. O soa NO=F'( {Oy |) For defincin, un vector pertentciente a V es un elemento dol micteo sly s6la ui sw imagen es el vector nut de W. XEN() © S(x)= OyNucLBO n Ejemplo 38, Determinamos el micleo de la trasformacién lineal definida en el ejemplo 3-1. NODAL Gaede R® (Sle ¥2.23)= 0 ,0)) Se tiene Ga, EN D2 SG, 2,43) =, 0) Ger ay 94) = 10) x1 x3 = 00 xp = x5 208 Lego NW)=|@.a,a)/aeR| Por definicion de ley de composicia externa en R? se tiene N= (40,1, D/aeR) sto nos dice que el miicleo de fes el conjunto de todos los miltiplos escalares del vector (1, 1, 1). La representacion dol N ()esté dada on ol gritico siguiente O. Volviendo a la definicién de nicleo de una trasformacion lineal f V + W, observamos que Nacv Por otra pate, de acuerdo con 3.2.2, 1.e8 L@y)=Ow En consecuencia oy eng, Luego, el cleo de toda tasformacion lineal es no vecto,“ ‘TRASFORMACIONES LINEALES 332, Propiedd del niko I mcleo de tod tasformacin inst entre dos expacios vectors es un sbespacio dl primero, Fipotess) £1 VW es una trasormacin incl resi). (N(),+,K.) esun subespaio de (V, 4, ) Demosteacién) Ya hemos visto que el micleo de toda trasformacion lines! entre dos espacios vectoriales es una parte no vacia del dominio. De acuerdo con la condicién suficiente, demostrada en 1.8.2, falta demostrar: 1. N (es cerrado para la suma, ‘Sean x ey dos vectores cualesquiera de N (f). KENQAY ENC) =F (x) = Ow A/Q)= Oy > FB) +I) = Oy M7 (K+Y)= Oy > extyeng Por definicion de nicleo, suma en W, defn nico. jon de trasformactén lineal y definision de 2. N Ues corrado pata el producto por escalares, SoanweKyxeV aeK AxEV>aEK AS (X)= Oy Pas (x)= 4 )Oy > =F(ax)=0y ax EN) Por definicién de nicleo, producto de escalares por elementos de W, definicton de tras foemacion lineal, propiodad 1.3.2. y definicion de nucleo. 3.3.3, Concepto de imagen Imagen de una teasformacién lineal f: V-> W es el conjunto imagen del d 1 totalidad de ls imagenes de los veetores del primer espacio. EI simbolo I (f) lee: imagen def. 1H={f@)/xeV] También 1Q=[yew/axev a seyey}Ma 1s Sabemos que f (Oy) =Ow. En consecuencia, Ow € (9, lo que signitien que Oto ‘Ademés, de acuerdo con la definiidn, €s racw 33.4, Propiedad de la imagen La imagen de toda trasformaci6n lineal entre dos espacios vectoriles s un subespacio del codominio, Hipétesis) f+ V-> Wes una tsformacién lineal. esis) (109, +.K, .} es un subespacio de (W, +, K, .). Demostracién) Subemos que kz imagen de toda trasformactén lineal entre dos espacios vectoriales es tna parte no vacia del segundo, Teniendo en cuenta la condicion suliciente pera la existencia de subespacio, probaremos: 1, 1 es cerrado para la sume, Sean wy v dos veetores de 1 (f). wel() 4 vel(\> 3x yen Vif =u A fy=v> ASQ) +/Q)suty a xeV A yeV= SfQty)=utv nxtyeVoutvel() Hemos aplicado la definicién de imagen, de trasformacién lineal y de imagen 2. LQ) os cerrado para el producto por escalates Consideremos we K y wel ( aeK AUElGPaeK A fR)=uAxEV> saf(x=aw a xeV2s(axymau naxeV> sauel(n_ De acuerdo con la definictin de imagen, producto en W, definiciSn do teasformacién lineal y definicién de imegen. Efempto +9. Determinamos el nicieo y la imagen de la trasformacin lineal f: R= R™* definda en cl eemplo 3.6, IL 6 ‘TRASFORMACIONES LINEALES NO =| Gu x2) eR? /4 G4 ,22)=N) Gu men OMS (x1 or. Lego NO=(C@a)/aeR| 0 sea, el micleo de feel conjunto de los pares ordenados de componentes opuesta, 1U)= {AER /7 6, ,x)=A} ad a-( Jetmeacnmren® res ed “(CPL ) Ei) ne Luego a 1 U) pertenecen las matsices del tipo dnd Hiemplo 3-10, Pape Masformacion tinea del elmplo 3.9, deteminamos ls dimensiones de N (fe 10.NUCLEO E IMAGEN n 1. Hemos visto que N= {Caa)/aeR! ‘Teniendo en cuenta la definicion de ley de composicion extema en R?, es N=/a(-1,)/aer! Esto significa que N(f) esta generado por el vector (1, 1), es decir, este vector constituye un sistema de generadores dol nicleo, Ademés es linealmente independiente segitn 2.4.3.1), Por consiguiente, { (1, 1) | es una base del nicl, Entonces dim N(D= or) podemos escribir, por definicion de producto de escalares porn sols 7 es un sistema de generadores de I(/), y ademés linealmente independiente, En cconsecueneia, constituye una base. Luego 2. Como 0 sea, la matiiz dim 1 Q)=1 3.3.5. Nicleo de un monomorfismo Una trasformacion lineal: VW es inyectva siy solo sel nico elemento del nileo es vector nulo del dominio 1, Sea f: V-> Wun monomorfismo. Debemos probar que N ()= | Oy } « Oy END™ [OF CNG)8 ‘TRASFORMACIONES LINEALES Sea xeN ().Se tone XEN) >S(8)= Oy =/(Oy)>x= Oy > Xe | Oy} Por definicién de niicleo, 3.2.2. 1.y por ser f inyeetiva, Entonees NOC |Oy] De (1) y (2) resulta N(D= lov} 2, Sean f: V > W una trasformacién lineal y N(f)* { Oy } Para demostrar que fe inyectiva consideremos dos vectores cualesquiera x ey en V, tales que f(x) =7 (9). ‘Ahora bien, por suma en W, definiciones de trasformacién lineal y de clo, por bipdtesisysuma en V,s tiene FO=F() FF) —F(9) = Ow = FR y) = Oy > 2x -yeN()ex-y=0y2x=y sea, basta que el niicleo tenga un tinico elemente para que la trasfonmacion sea inyectiva. Bjemplo 3-11. La imagen de cualquier conjunto linealmente dopendiente, por toda trasformacién Tinea, es linealmente dependiente, Sea f: V > W una trasformacién lineal,y | vy, ¥a,.+.¥e } un eonjunto linealmente ependiente en V. Debemos probar que | f(¥1). (V2). f(%-) } 68 linealmente ddependiente en W. En efecto, por definiciin de dopondencia lineal se verfica que 31/ Zaye Oy nay #0 ado fes ICE, =F Ov) 040 Por ser f une tsformacion lineal y por imagen del vector nul tiene aS =0y 4 a #0 En conseeuencia [0 0a). L 60) | «slinealmente dependienteIMAGEN » Benplo 212 Si: VW sana toma ney wy, 945-0 mm west eV a gue tu indgeescontayen un confnt tessa indent en, ene ever ss tyson lnalnent dependents, By fel, eosdeemos via combina ae, com exe tris, dos welnersgr est eel etornlo de V Sano. Entonces, por defnicign de funcién, es ICE aiv)=FOv) Por ses funa trasformacién neal y por imagen dl vector nulo, se tine 3, oS = Ow Como los vectores f(¥)s 7 1, 2, P'Son linealmente independientes en W, resulta 20 WI=1,2,..47 Luego son linealmente independientes en V. Ejemplo 3-13. La imagen de todo conjunto lineslmente independiente, dada por cualquier trasforma- cién lineal inyectiva, es un conjunto linealmente independiente. Hipétesis) f= V->W es una trasformacién lineal 1-1 (Misvirea ve} es LbenV, esis) { £(V1)sF (2) o-- oL (A } es Len W. Deimostracin) Sea Sartvy=0w Por ser una trasfomacin ine es SCR 000-0 Por definién de néclo tiene Aaveno80 ‘TRASFORMACIONES LINFALES YY como fs inyectiva, el nicleo se redue al vector nulo de V, 0 sea Eav=0y Aplicando la definicion de independencie lineal los vectores de fa hipétesis es 20 WEN, 4r En consecuencia FOL). LO} es un conjunto linealmente independiente 3.4, DIMENSIONES DEL NUCLEO Y DE LA IMAGEN 4a trasformacion lineal f: R? > R?*?, estudiada en los eemplos 3.9 y 3-10, verifica dimNQ=1 y dim Q=1 Osa dim N Q) + dim 1 = Este hecho se verifica cualquiere que sea la trasformacién lineal definida en un espacio vectorial de dimensidn finite, Propiedad SI_(V.#,K..) es un espacio vectotial de dimensién finita y f:V>W es una {rasformaciOn lineal, entonees la suma de las dimensiones del nicleo y de ia imagen es igual a la dimension del primer espacio, imR* Hipstesis) f: V->W es ung trasformectén lineat dim Ven TTesis)_dim Nf) +dim 1) =dim V Demostracién) 1. 1() tiene dimension finita Sabiendo que cualquier base de V es finita, se deduce que I (f) tiene dimensidn finite, En efecto, si {wis Was... Wy} e6 un conjanta Li. en 1(/), entonces existe un eonjunto Ll en Vil viy¥as-—-5¥ | tal que LODE FLA ar de acuerdo con el ejemplo 3-12. Esto significa que si 1) no tuviota dimensién finita, entonces V no tendria dimensién finite 2. Sea x4, X55. %9} uma base de N() ‘Sin=p, entonces N (f)=V y dim I (f) = 0, pues en este caso os 10) {Ow}DDIMENSIONES DEL NUCLEO Y DE LA IMAGEN Sip Rane, Ears 0y 6-01 oy 5893 bs viv ii) [aay ents) SG. d01) Sea z cualquier vector de (f) Por definiein de conjunto imagen se verfia zelQ)>3xeV [f(9)=29 2=PAxaB,xy+ 3 Bayi By 2=2, aS Oa) +; aH gat fo) 7 Bias =F aut d 82,9 a2 ‘TRASPORMACIONES LINBALES En i) hemos tenido en cuenta que fs una tasformacién lineal, Ia dofinicién de micleo, fa base de éste, suma en V, y el hecho de que A es una base de V. En ii) hemos expresado a x como combinacion lineal de Ia base do V, se ha tonido en ‘cuenta que f'es una trasformacién lineal, que todo x, es un elemento del néicleo, y que el producto de cualquier escalar por ef vector nulo es el vector nulo, Queda demostrado entonces que dim N (+ dim 1G) = dim V Ejemplo 3-14, Consideremos la trasformacién lineal : RY + R? definida por LO eX m4 (ry —x2 35 4,0) Determinatos: 1. ELN (/), una base del mismo y su dimensién 64. ¥a,¥9, 4) EN YD F Orr 25,84) = (0,0) (ty ~ 2 xy Hx4 ,0)= (0,0) 024 —¥g 5 xy OM xy ex tay oy En consecuencia, ios vectores del niicleo son del tipo (a+b —c, a, 6,€), ¥ por ofinicion de suma en R* y producto de escslares por cuaternas, se tiene (a+ 6,4, b, )=(@ a, 0,0)+ (b, 0,2, 0) + (-c, 0,0,0) = =a (1,1, 0,0) +5(1,0, 1,0) +e (~1,0,0,1) 0 sea, los vectores ¥=(,1,0,0) 250,010), som un sistema de generadozes de N (f), Adem: lo tanto-constituyen una base del mismo, Luego umn )=3 (1,0,0,1) , son linealmente independientes y por 2. Una base de 1), De acuerdo con el teoroma anterior es dimN (D+ dim t(y=4 Osea dim t= 1 Entonces, toda base de I () tiene un Ginico vector. Come 1W)= [@-b-e+d,0)/a,b,eydeR} se verifica que‘TEOREMA FUNDAMENTAL a Orr)€1 2 O192)=@—b— ed, 0% $01.2) @ FC D+CC, +E, 0% #01. ¥2)=a(1 0) ~B(1,0)—e(1,0) Fd C10) # Oita) (@= bc FA)(1,0) * G72) =a (1,0) Luego (2, 0) es una base de 1 (9, En consecuencla dim) 3.5, TEOREMA FUNDAMENTAL DE LAS TRASFORMACIONES LINEALES Sean (V.+.K,.) y (W, +, K,.) dos espacios vectoriales y [¥]= | ¥iy¥ay---¥a tuna base de V. Siwy, W2, Wy s0m m Yeetores cualosquiers do W, entonces existe una tinica ‘rasformecin lineal f! V-> W tal que f(vj)= Wy WE 1,2, 5 Hipotesis) (V, +, K, .)y (W, +, K, .) son espacios vectoriaes (=f vis¥ayscco¥q | estuna bate de V [Wr.Wayeca wal CW ‘Tesis) Existe f: V> W trasformacion lineal nica, tal que /(; WEL 2th Demostracion) Sea cualquier vector x € V. Entonces existen y son tinicos los escalares a, yy My, tales que {ya que todo vector del espacio puede expresarse de modo tinico como combinacion lineal de Tos vectores de la bese, segéin 2.4.2. Definimos AVIW motinte F69"E erm La asignaci6n (1) caracteriza a fcomo una funcién de Ven W. Necesitames probar Iss siguientes afirmaciones: 1. es una trasformacién lineal Sixe y son dos vectores cualesquiera de V, y a € K, entonces7 ‘TRASFORMACIONES LINEALES y se verifiea Drew auth anes erin Zataywe awit 3 Bw=rey +s) av=f(3 (av) 2 IFN. .n FO) =wy En efecto WOW Het Ove Fy hONy Lego LO)=OW FF OW HIW LH .. FOWE = lw ew, 3. Bajo la condicion £(¥,) = wy Fes Gn Sig:V>W evuna taformacion ines a que (7) = 7, ¥E= 1,2, 0, entonoes #0015 0-8 as n-S gw aS W=PE, wv. I= Fo) cualquiera que sea x eV, Lvego. af Ff {orema demostrado sseguer que toda trasformacién lineal entre dos espacios del penn ete tnivocamente deteminada por los valores que toma sobre cualqnes tone del primero, Ejemplo 3-15, einimos la tasfonmacion lineal £: R° +R? que augna a los vectors de la base fe) Gi 1,0) ,(1,0,0) en RF, les vectores (1,2).(1,2) ¥ CLD) eg Re, respectivamente Risentamos determina i imagen de un vector generico (a. bc) €R?, Expresamosa Ste como combinacién lineal de la hase dadaPRODUCTO DE MATRICES 8s (2.0, 6)= a (1, 1,1) +a (1, 1,0) +45 (1,0,0)= = tay $a, ay Hay ,0) > ays Ca =b cay sah Entonees (@,b.0)= C(I, 1) + — e)(, 1,0) + @ = BC, 0,0) F@,b,6)= CD+*O- G(,2)+ @ HCL, 1)= = (6,20) + 6, 2b— 2) + Ca tba —B) = (2b-a,b+a) 3.6. PRODUCTO DE MATRICES Sean las matrices A€K"™*? y BeK?*", Liamaremos producto de las matrices Ay B, en ee orden, a la matriz C cuyo elemento genérico ¢y es la suma de los productos de los lementos de la fila de A, por os correspondiontes elementos de la column j de B Esexibiremos CHAR donde Duy tain Dag to. Hap byy Osea Ain buy cualesquicra que sean (= 1, 2,-2.4 P= 1,2. a De acuerdo con Ia definicion, para que dos matrices se puedan muitiplicar, el nimeto de cohmnes dela primera debe ser igual al nimora de files de Ia segunde Por ejemplo, si entoncesa6 ‘TRASFORMACIONES LINEALES ot) wa) En ninguno de los dos casos existe BA Si.A es a misina que en el caso anteri ' (2) 3.7. MATRIZ ASOCIADA A UNA TRASFORMACION LINEAL, Considesemos una trasformaciOn lineal f:V->W, entre los espacios Vy W de dimensiones finitas 1 ym, respectivamente. Probazemios que si x fja una base en cada espacio, entonces la trasformaciGn lineal f queda caracterizada por una matiz del tipo mx, {que lamaremos matriz de la trsformacién lineal respecto del par de bases dado, Sean entonces W)= Lv v2 seem f una base dev LW} [was War sess Wm | uma base de W Si x es cualquier vector de V, por ser [v] una base, existen escalates 24,05... ‘nico, tales que “ay @ ‘Tales escalates caractorizan ax respecto de ta base de V, y egiin vimosen 2.6.2 se Haman las eoondenadas de x respecto de dicha base, Podemos escribir 4 Xv aMATRIZ DE UNA TRASIORMACION LINEAL 87 Sila imagen de x € V es y € W, so tiene y=F) Como y es un vector de W, puede expresarse de modo dnico como combinacién lineal de a base [w],0 se8 Rem @ donde o's 0°, cconseeuencia| son las coordenadas de la imagen de x, respecto de la base [w} En Por el teorema fundamental de tes tasformaciones lineales, f queda carnetericada lunivocamente por los valores que toma sobre cualquier base de V. O sea, es sufiiente obtener las imigenes, por f, de cada vector de ta base [v]. Ahore bien, para cada 171,2,...,,F(4,)€W,¥ por consiguiente puede expresarse come combinacién lineal dela base [w]. Over fo)=Eauw 8) W9t2.40 Asignamos a cada escalar ay un doble subindice; et primero, asociedo a eada vector de fe base | wi, 25-5 Wn! «¥ el segundo, en correspondencia con el vector de la base {v] Ast FORA We Haas Web Has Wey P00a)= aia wy basa Wate in Wi Fo) Los num escatares ag, que figuran en las combinaciones do los vectores que son imégenes de los elementos de la base de V, constituyen una matri2 cuya traspuesta, que denotamos con A, recibe el nombre de matriz dela trasfoumacion lineal frespecto de las bass [v]y (W}. in Wi Fan Wa be balmy Wp Osea88 ‘TRASFORMACIONES LINEALES La matrig de Ta trasformacion tineal es del tipo mn, donde m es ta dimension det segundo espacio y ma del primero, ‘ or consiguiente, para hallar la matriz de una tasforiacion lineal frespecto de tna base en cada espacio, se dterminan las imagenes dada por fde los wectores de a base del primer espacio, Se expresan estas imagenes en términos de la base del segundo espacio, 0 ea, como combinaciones lineaes de Jos vectors de la segunda base. La traspuests de la matic de coeficientes es la matriz de la trasformacion lineal eespecto de las bases dadas en ambos espacos. Probaremos ahora si A es la matriz de la trasformacion lineal , respect de la bases [v1 y [w} y si Xp; denota la matriz columna correspondiente al veetor x V, euyos elementos son lis coordenadas de ée respecto de la base de V, entonees Is imagen Ue x, expresada en os deta hase de W, se obtiene premultiplicando por A a vetor cohumna Xj,), 0a LO)=AXiwy En efecto, dado x € Ves xeZay WD ysory=¥ aw En eonsecuencia, teniendo en cuenta (1) y la definicion de trasformacién lineal, es = uF) Intreduciendo aj en ts segunda sumatotia, por ser constunte respecto del indice #, y permutando las dos sumatorias, se tiene Jace Eaves & £0) De (2) y (4), por la unicidad de la combingcién lineal que expresa a f(x) en términos de la baso [w] © = 3 au a Se deduce de esto que la Zim fila 0 componente de Yj), 0 sea”, 6s igual al sama de los productos de los elementos de la fla i de A por los cotrespondiontes elementos de la Unica columna de X},9, y por la definicién de producto do matrices resultaMATRIZ DE UNA TRASFORMACION LINEAL co Mia ss Man 70% a, bien AX = Yue) Reiterando fo enunciado, afirmamos que la imagen de cualquier vector del primer espacio ¢s igual al producto de Ia matriz de Ia trasformacion linest por la matrix de coordenadss de dicho weetor, respecto de la bate [v]. Tal imagen resulta expresada en términos de a base del segundo espacio, Elemplo 3:16. Considereros a trasformacién lineal: R® >R? tal que PG, %01%3)= G1 Hy x=) (1) 1, Determinamos ia mattiz de frespecto de las bases (1,010,000) en? 2,0), (0,1) en? Mediante (1) obtenenios las imégenes de los vectores de la base [y], y expresames 4ichas imigenes como combinaciones lineaes de los vectores de la segunda base F011 =Q,0)= 1 2,0) +0(0, 1) 1 2 £01,1,0)=(1, 1)=4(2,0)+ 10,1) 104.0,0)=0.0-40,0)4000, sal ‘Aces la matriz dela trasformacion lineal f rspecto do las bases (¥) y [w]. 2. Utiizando la matriz A, obtenemos la imagen de x= (1, 2,3) Se tiene"TRASFORMACIONES LINEALES Para ello es necesario dotorminar las evordenadas de x respecto de la base en R®, 0 sea, 4,03 y a tales que 2,3) 804 (11,1) +45 (1, 1,0) Fay (1,0, 0)= (ay tay tay,c +09, 0) Resulta @y=3,@=-1,a5=-1 Entonces 3 X= | 1 1 Su imagen es vectra YEA) «(°) o1o/ \4/ Los etcalures 2y | son las componentes de f(x) respecto de la base [Ww] Si aplicamos directame te fata tema(1, 2,3), se tiene £0,2,3)2@—D Expresando esta imagen como combinacién lineal dela base (w]es 4 -1=22,.9+-00.0 Ejemplo 3-17. Obtenemos la matriz do la trasformacion lineal f:R°*? +R definida por ; i. serena respeeto de la base cenénica en ambos espacios Las ianigenes de Tos vectores de la base candnica de R?*? son 2 Og 01 f ( ) =, =0U,0) 41,1) ooMATRIZ DE UNA TRASFORMACION LINEAL, a ° en ited i oo f ( ) =(1,0)=1(1,0) +001) o1 iy Notese que, en el caso de la base candnica, Jos eoeficiontes do la combinacién lineal son Jos elementos de la matrz, o las componentes del par on (2) a es un vector de R?** cuyas coordenadas, mspecto de la base canénica WIE {En Pia Bae Baa | , son 2,-3.1 y =I, De modo tal que la matiz puede expresarse isi Pye sings Toor poranar(s 2) ‘Tal imagen resulta expresada en la base candnica de R? y se identifica con la que st ‘btiene al aplicar directamente la definicin def. Ast - 1? *hos.s0 i 1,-4)2 ‘TRASFORMACIONES LINEALES 3.8. COMPOSICION DE TRASFORMACIONES LINEALES Sean #:V-+U y g:U->W dos trasformaciones o aplicaciones lineales. La funciém compussta eesivow se define como en 46. Algebra 1,0 sea &-DC=8V 9) Demostramos que la composicion de dos trasformacioneslineales en las condiciones ads, es una trasformacin lineal En efecto 1 @D&t=EFR+M=8V~O tH Ol= BVO) +8 = GoW) + EH iy) 2 @N@N=eF@R|=2la/@)]= 48 IF 69]= mae Hemos aplicado sucesivamente Ia definicién de composicién, las hipstesis (fy g son trasformacioneslineales) y la definieién de composicin. Bjempio 3-18. Consideremos las trasformaciones lineales PRR y goRoR? definidas por PGu xxx tes ¥ 80)=0,0) Determinamos el nicleo de g » f. Para ello caracterizamos primeto ta ley de asin utilizando Ia definicién de eomposicién (5D) Gru Xa x5) 8 Os a BS) =8 Or xy $5) = SG, xa tx 0) Por definicién de niicleo, se tiene Crema xs EN ON EN Or X2,¥5)= (0,0) 2 9G xs #3, 0)=(0,0)¢ x) — a, He, Entonces N@N={@-C,b,0)/bER aceR} Como (> e,b,0)= (6, B, 0) + (-c,0,0)= BUI, 1,0) Fe(-1,0,1)COMPOSICION DE TRASFORMACIONES LINEALES 3 1€1,1,0),(-1,0, 1)} a SG. del micleo de g f. Como ademis es Ll, tal conjunto es una base del nicleo, { por consiguiento su dimers es 2 Nigef} % OO 3.9. TRASFORMACION LINEAL NO SINGULAR 3.9.1. Concepto La (rasformacién lineal f:V—W es no singular, regular o inversible si y sdlo si es biyectiva. En sfmbolos £:V > W es no singular © fe3 un isomorfismo. © bien £:V->W ex trasfornacion lines! no singular © fs biyectiva, Sabemos que una funcién f:V-—>W es biyectiva si y sélo si admite inverss. En consecuencia, podemos escribir ‘Una trasformaci6n lineal f: V > W es no singo 1-2 Bxisto ft 3.9.2, Propiedad [a inversa de una trasformacién lineal no singular es una trasformaciéa lineal. Sea f: V >W una trasformacién lineal no singular, es decir, un isomorfismo de V en W, Probaremos que " : W-> V os una trasformacin Fined,oe "TRASFORMACIONES LINEALES Consideremas y, y v2 en W. Por ser f biyectiva, existon y son Gnicos los veetores xy y x3 en V, tales que FOad=y yy fOad=ye Se verifica que LS" On F¥d= FE PO) FLOM Le tx = 4 oA Oe HH2) = Ger brada ar txa =F) +S a) 2. Sean aeKyy, EW Bntonees FE @W=F SOIL Fexy= =O D@x)= iy @x:)=ax: =af7 (V) ‘yf sellaman tasformaciones lineaesinverss,y w verfica que Stefmiv y fofteiy donde fy e fy denotan las identidades en V y en W, cespectivamente, lemplo 3-19. La trasformacion lineal f: R? > R® definida por F@,b)=G@,-b) sno singular, por ser biyectva En efecto 1, Sean (a, b)y (a’, b’) en el dominio, tales que f(a, ) =/(a", B), Entonees es @,-)=@.-09 En consecuencia 0 sea, Fes inyectiva 2. Sea(a, b) cualquier vector dl codominio, Exist (@ B)en el dominio, tal que F@,-¥)=0.6) Y, por consiguiente, fes sobreyectiva. EI significado geométrico de esta trasformaci6n lineal es una simetriarospecto del eje de abscitas96 ‘TRASFORMACIONES LINKALES 1, Hipétesis) : V+ V es una trasformacién lineal inyectiva dim V=n ‘Tesis) Ses sobreyectiva, N= [Ov} y dim =o Come dim N () + im 1()= dim V revata dim Q)=n=dim V En consecuencia, {(/) = V, 0 sea, Fes sobre 2. Hipotesis) J: VV es una trasformacién lineal sobreyectiva dimV=n Tesis) fs inyectiva Demostraciin) Sea { w1,W2,-+4¥%q) una base del codominio V. Por ser f sobreyectiva, existen ¥;,¥2 5.» ¥en V, tales que 7 pQrevat Los n veetores vs, ¥2,....¥vp som linesimente independientes en V, y de acuerdo con 2.7.2, constituyen una base de V. ‘Consideremos ahora un vector x cualquiera pertonecionte al micleo de f. Se verifica que BO ee Ee tain 0, WER. Siondo NY) = Oy, resulta finycetiva, 3.10. COMPOSICION DE TRASFORMACIONES LINEALES ‘Y PRODUCTO DE MATRICES Considesemos ls trasformacioneslineales £L:VoU y g:Uow y sean WHEL visvas svn | LU bases de U, V y W, respectivamente, 1 Mays [Way Way es Won | ¥ owMATRIZ DE LA COMPOSICION ” Las trasformaciones lieales fy g quedan caracterizadas por las matrices ‘AeK?* y BeKmaD respecto de las bases dadas en cada espacio, ‘Se verifia que la trasformaci6n lineal compuesta gof:Vow cst esociada a la mata c=BAeKm™ respecto do las bases [¥]y (w]. En efecto, sabemos que pata determinar C se necesita obtener las imgenes de los vectores dea base (v]y expresses en funcion de los veetores de {0 sea Do Por otra parte, teniendo en cuenta la definieién de composicién de funciones, que fy & son trasformaciones lineales de matrices A y B, respectivamente, y propiedades de Ia suumatoria, se deduce (oNp=e7 opl=e63, on 00)= 3.00800) Zu 3 awe Z Eerba wi ECE, Pw ands @) De (1) y (2), por unicidad de Ia imagen, se deduce que cum 5, man En consecuencia, por definicion de producto de matrices, resulta c=BA Flemplo 3-20 Sean f:R? + Ry g: RR? tasformaciones lnesles definidas por L064 xn 83) 251 Sy £0)=0.29) Se considera las basos 1) = {(,0,0), (0, 1,0),(0,0,1)| en? fy =(1} eaR tw]={2,0),0,2)] en?98 ‘TRASFORMACIONES LINEALES Determinamos las matrices asociadas af, g yg ©f,y veificamos el teorema anterior £(1,0,0)= 151.1 £O,1,0)= fet.1 Jae 1-1) £0,0,1)=-1=(-1)1 1 (=029=F-@.0)+ raae-(3] 1 Results 2) - 7) (2 Pela a C=BA (3 ai a Definimosshora ge feRO oR? DG.) =8 FOr A I= : 8 (1 +2 — ¥4)= Oy tx2 — 5.2) $2 — 29) Lugo &DG0H¢ 1, 9° 4A,0)410.2) ENOL 1, DLA+10,2) 6°10,0,)=(-4,-29= 40,9 +(-1)0,2 Osea 3.11. ESPACIO VECTORIAL DE TRASFORMACIONES LINEALES BALL, Concepto, Con el simbolo L(V, W) denotaremos el conjunto de todas las trasformaciones lineales entre los espacios vectoriales Vy W, sobre el cuerpo K, 0 seaESPACIO DE TRASFORMACIONES 98 Lay. Wy= {£2 V-PW [Fes tasfomacin inal | En £(V,W) definimes la suma de funciones y el producto de escalares por funciones ‘mediante las asignaciones, FFM @)=L0) +80) oO @N@=aF@) @ Domostraremos las siguientes afismaciones: 1, La suma de dos trasformaciones lineales de V en W es una trasformacién lineal de V en En efecto: A) CH OA+Y=SO ty) te ty)= “SOHMM+EM+EM=C+IO+T+ OW) i) G+ 8) @X)=S@N te N= raf) tag@=alf@+se@l= sats) (x) 2. El producto de cualquier esealar por cualquier trasformacion lineal de Ven Wes una ‘asformacién lineal de Ven W. Unilizando la definicion (2), y con procedimiento andlogo al utilizado en 1., el leetor pusde probar que DX) “BOD® ‘Ademis, las definciones (1) y (2) permiten comprobar que el conjunto Z.(V, W) tiene estructura de espacio vectorial sobre l cuerpo K. La cuaterna [.(V,W),+K,.] denota el espacio vectorial de las trasformaciones Tincalos de V on W, sobre ol evsepo K. El vector nul de este espacio es la trasformacién lineal mula e:V->W definida por e(xy=Oy Vx eV 3.11.2, Isomorfismo de (V, Wyen K™" Sean (V,4sK,.) ¥ (Ws +,K,.) dos espacios vectoriles de dimensiones Gnitas 1 y mi, respectivamente,y las bases Une dvnvescovn] on bw Wis Wasse Wm) en W Entonces, L(V, W)es somorfo a K™*"100 ‘TRASFORMACIONES LINEALES En efeeto, defi F:L(V,W)>K™™ mediante FQ)SA donde A es la matriz de frespecto de las bases [v] yw). De acuerdo con et teorema fundamental do las trasformaciones lineales, A queda lunivocamente determinada para cada fe (V,W), respect de las bases [v} y [Ww]. Osea, la definicion dada satisface las condiciones de existencia y wnicidad de tod funcién. Ademis, se veriffca que: 1. Pes inyectiva, pues si'y g son dos vectores de Z (V, W) que satsteoen FO=F®) eentonces sus matrices respecto de las bases [v]y [w] son iguales, lo que significa LOD=EO) Wee 12.04 En consecuencia sop-F(E ann=S of o0= 3, 00 (Zameen Osea fee 2. es sobreyectiva, ya que, cualquiera que soa A €K"™™", existe f: V+ W definida por OT tal que FDA 3. Fes una trasformacisn lineal Enefecto: FU +a) A+ BaF) +P) F@p=ah-ar( ‘donde A y B son las matrices de fy g respecto de las bases [¥]y [w). En consecuencia FL, Wy+K™%" es un jsomorfismo para cada elecci6n de una base on V y una en W, Resultaentonces que dim L(V ,W)= dim K™™"= mnESPACIO DUAL 101. 3.12, ESPACIO DUAL DE UN ESPACIO VECTORIAL, Llamatemos espacio dual de un expacio vectorial (V, +, K, J al espacio vectorial de ls trasformacioneslineals de V en K. ‘V* donota al espacio dual de (V, +, K,.),0 90a Ve =£(V,K)={ £:V>K | fes trasformacién lineal | Los espacios dominio y codominio son, espectivamente W446) y (K4+K,) Los elementos de V*, es dost las tasformacioneslineaes de V en K, se Haman formes linsales 0 funcional. De acuerdo eon el teorema fundamental de las trasformacionestneales, toda forms lineal «queda unvocamonte determinada por los valores que toma sobre cualquier base de V. Es decir, si IVI [vi ¥2y-o¥m } o8 una base de V, y 4, Yay. 4X9 son n elmentoe cunlesquiara de K, entonees fa func FF: > K dofinida por £092 HE, a= 3 ax, es un elemento de V la base (¥ (V,R), donde ay, 23, dy son las coordenadss de x respecte deTRABAJO PRACTICO il 321, 322, 3.23. 324, 325, 3.26, 327. Determinar cusles de las siguientes aplicaciones de R® en R® son trasformaciones lineates, donde K = R, 1. FG 2.5)" a, Xt, a) 2. BG e223)" Oy + Lae + 2,0) 3. Tu x23) = Oey +42, 0) 4 T5523) = (1X2, 25, %3) Investigar cues de las siguientes aplicaciones f son li 1, F/ RP +R? dotinida por f(x, », 2)", x) 2. FR? +R* definida por f(e,*2) = (es, ¥3,0) + (-1, 0,0) 3. £2 R? +R? definida por f (x1, ¥2)= (2, ~ x2, %1) 4, F/R? +R definida por (rs, x2) "31 x2 Sea f: V >W una trasformaci6n lineal y sean x e y en V tales que f(x) =z, Sabiendo que f(y) = Ow, demostrar que f(x + y) =z. Sea Ia funcion £2 R? rR? definida por f(xy, x3)" (xy, ~x2). Demostear que es lineal, clasificalae interprotarla geométricamente, La funcidn f: R? +R? es lineal, y verifica FOD=CL0,2) £2,1)20,2,-1) Deternina las imagenes d los vectore (3,3) y (0, ~1). ‘Consideremos un espacio vectorial V sobre un euerpo K, y dos trastormaciones lnestes FV2K y g:VoK Sea PF: VK? tal que F(v)= (F@),8(0)) Demostrar que F es una trasformacién lineal Sea T una aplicacion lineal de R? en sf mismo, tl que TULO=(,1) ¥ TO,1)=(-1,2)TRABAJO PRACTICO Itt 103 Determinar la imagen del cuadrado de vérties (0,0) ,(1, 0) ,(1, yO, 1). 3-28, Investiga si existe una trasformaci6n lineal f: R? + R tal que FUY=3 FAVA y £8 3-29, Sean f: R? +R? yg: R? + R? definidas por F,b)=@,04b,B) y 80,8, e)2 45,0) 1. Probar que fy g son teasformaciones lineales, 2, Clasificar fy g. 3. Dofnicg °fy fog. 3-30, Demosttar que si f:.V->W es un epimorfismo, entonces f trasfoma sistemas de genenidores de V, en sistemas de generadores de W, 331, Consderemos (C, +,R, )y f: CC definida por f(2)=F + 1m (2) Determinar ses una trasformacion lineal, y en caso afimativa clsicala, 3.32, Sea f: R? +R?" definida por evans (28 . ) 0 x, yaa Probar que fes lineal y determinar el conjunto de los vectores de R? cuyas imégones por fson la matriznula 433, Demostrar que si f: V-»W os una trasformacién lineal y $ es un subespacio de 1(/), entonces f ? (S) es un subespacio de V. 434, Determinar el ndcleo, Ia imagen y las dimensiones de ambos en las siguientes ttasformacioneslneales. 1, Fe RO + RP definida por ee 2282) =Ces Hts x5, 82 +5) 2. f: RRR definida por f(xy, %2)=x1 — 2a 3.35, Definir una trasformacion lineal: R* + R pera un n convenionte, de modo: Cte ae Kay RAVERY [xy ty 0x4 x4 = O.an try te Obtener después una base y le dimensién del micleo. 336, Una trasformacién lineal f: R® — R® esté definida por : F G1. 2,3 )= Cer ~ 2a, xa Ha) “1, Hallar la mattia A de f,respecto de Tas bases 14,1, 2,0),,0,0)} enR® ((2,0),(0,2) | en R®08 TTRASFORMACIONES LINEALES 2, Mediante A, obtener la imagen de (2, 2, ~2)eR® 3. Doterminar la matri2 B de f, respecto de las bases candnicas en ambos espacios 4. Obtener la matriz C de la misma trasformacion lineal, respecto de la base candnica cen R® y la base del punto ton R®. 3:37, Seaatrasformacidn lineal f= R® + R® definida por F612) = Ce hats, — 3,1 + D8) NP), 1(), una base en cada uno y sus dimensiones 2. Halla ls matriz dof especto de les bases {€,2),(2,0)} en R? {(1, 6,0), (0, 2,0),(0,0,3)) en R* 1, Deter 3-38, La trasformacién lineal f : R? > R® esté caracterizada por la matriz (3-43) 339, Determinar la matriz de la trasformacion lineal del ejecicio 3-32, respecto de las bases canénicas en R? y en RO*? 3-40, Dada la tresformacién lineal f: R2%2 > RP definida por ao p( | etb-cetbtdrtera \ea 1. Obtener la matriz def respocto de as bases ian 10 0 0 O1 | 5 i en R?*? (C0) 4,2, 1),(2,0, 1), (0, 1, ten R? . +41, Define teaaformacién lineal f: R? > R?, tal que respecto de as bass 1@.1,0.0,0,9.0,1,0)} en R? {0,2),Q.9} om?342, 342, 344, 345, 346, ‘TRABAJO PRACTICO Ii 105 100 r-ad Hallar Ia matriz de la trasformacion lineal g e f del ejorcicio 3-29, respecto de las bases {G,1).@,—1)} enet dominio (2,0),(2, 2)} enel codominio ‘1 mattiz sea Determinar ia mattiz de la rotacién del plano de sngulo 8, especto dela base candnica, con centro en el origen, ‘Sea la trasformacion lineal fy : R? > R* reprosentada por la matriz, cor sen 8 sen 8 cos respecto de la base candnica Demostrar que si 9 y 6 son ntimeros reales eualesquiera, entonces Demosttat que si [¥]=[ v1, ¥2)--¥q | es una base de (V,4,K, ), ¥ si fy com 2,57 Son as formas lneaes definidas median Foy by enone [fu fares fa | ob una base de (VK), 0s, del espacio da eV. En (V, +,K, ) sean los subespacios $; y Sp tales que V=S, Sp, Se considera Is funcién Pyivev Adefinida por P@=x Siendox=x +22 YX €S1.% ES. La funcién Py se llama proyeccién sobre S, segin $3. Demostrar: 1, Py es una tasformacion lineal, 2. Py es idempotente, o sea P} = Py ° Py = Py 3.SiP3 es la proyeeci6n sobre $2, ontonces Py +P, =1Capitulo 4 MATRICES 4.1, INTRODUCCION Hemos ereido oportuno dedicar un capitulo al estudio de las matrices con elementos en tun cuerpo K, dado el rol fundamental que este tema desempefa en todos los campos de la Matematica y en las aplicaciones. Conocido ol espacio vectorial (K™*", +, K, ), se trata ahora el producto de matrices. antcipado en el capitulo anterior, y el anillo de matrices cundradas, Sin protonder agotar el toma, s0 estudian la trasposicion y algunos tipos de matrices especiales: simétricas, antisimétrieas, riangulares, diagonales, idempotentes, involutivas, hemmitianas, etcétera. Se trata, ademés, la inversion de matrices, el concepto de matrices particionadas, ¢l ramgo de una matriz y su invarianza frente a operaciones clementales, Después de dar métodos para la determinacion de la inversa de une matiiz se estudian la equivalencia de matrices y los cambios de bases en espacios vectorial. 42. PRODUCTO DE MATRICES 42.1. Concepto Recotdemos la definicion de producto de matrices dada en 3.6. y su conexién con la composicion de trasformaciones linoalos estudiada en 3.10: Si V, Uy W son tres espacios vectotiales sobie un mismo cuerpo K, de dimensiones’ finitas, con bases (I> Misa ssa [assays] y IYTS( wey ee. Wan) respect vamente, y Be K?*" y Ae K™*? son las matrices asociadas alas tasformaciones lieales P:V2U0 g:Uow entonces la trasformacion lineal compuesta eof: Vow esd caracterizada por la matriz producto C = AB € K"™*" cuyo elemento genérico es c= 2, am bnPRODUCTO 107 Observamos que para que exista el produeto de dos matrices, el nimero de coluinnas de a primers debe ser igual al mero de filas de ls segunda, Si ACK™" y B eK", entonees coexisten los productos ABeK™™*™ y BA eK™", pero son distintos sim En el easo en que m=, tanto AB como BA son matrices del tipo n x 1, 6 decit, ccuadradas y pertenecientes a K"*”, pero en general se verfica que ABABA 0 sea, el producto de matrices no es conmutativ, Ejemplo 4-1, Verificamos la no connmtatividad del producto de matrices en el siguiente eas: (2) 68) (33) (29 wo (50) 0) 0) Tineales, que son funciones, no es conmutativa Si AB=BA entonces ditemos que Ay B ton matzices pe tables. 4222. Asosiatvidad del producto de matrices Sean V, U, S y W espacios vectoriales de dimensiones n, p,q m respectivamente, y una base encads uno, Si F:V2U g:U%S y biSoW son tasformaciones lineales, CEKP*", BeK™? y A€K*€ son las correspondientes matrices, nog108 MATRICES ‘entonces,teniendo en cuenta la asociatividad do la composicion de Funciones es hogefa(hog)ef=ho(eo) Denotando con D a la mattz.m x 1, asociada a la composicin, es D=(AB)C=A (BC) seribiremos entonces D = ABC Fierplo 42, Caleulamos ABC, siondo aKa axe axa 4.2.3 Matsiz identidad Bn K"*" ta matriz I euyo elemento genérico es By, 0 s0a, @s 1 si =/y es 0 si 1), 65 neutto para el producto, ‘se llama mate identidad n x 1, y verifiea Al= A cualquiera que sea A eK™ fn efecto el semento gerérico des matiz producto AL es cam Bem busty 5p =ag En conseevenel, por dofnicin de producto es Al Analogamente se prueba que LA= A.ant 0 DEMATRICES "x1 109 SiA€K™*", entonces la identidad mxm verifica IA ya iden lad nx satisface AL=A Fjerplo 43, Cateulamos AB — I, siendo eee ae AB-I=N Lusego donde N denota la matriz nula de R?, 4.2.4, Distributividades del producto Si A.y B son elementos de K"*” y CeK?*", entonoes os (A¥B)C=AC + BC sto significa que el producto de matrices es distributivo a derecha, respecto de fa suma Para demostrar esta alitmacién, consideremos el elemento gonético dy, de la mattiz (A+ B)C. Por as definiciones de summa y producto y propiedades de la sumatoria es y= E fom + bw) ony= 5, aie cus + 3, ba ens Osea (A+B)C=ACHBC SiCEK™*" y Ay B son las matrices anteriores, entonces se verifies la distibutividad a iaquierda. CAFB)=CA+CB 43. ANILLO DE MATRICES CUADRADAS En K"™* el producto ¢s una ley de composicién interna, asociativa, con elemento neutro Jgual ala identidad nxn,10 MATRICES Por otra parte, sabemos que (K*", +) es grupo abeliano, y de acuerdo con 4.2.4. el producto es doblemente distributive respecto de la sma En consecuencia (K"™*", +, .) ¢s el anillo no conmutativo, con unidad, de las matrices cevadradas 1x7 con elementos en K. Este anillo tiene divisores de coro: es decir, existen mattices no nulas cuyo producto es la ae ({Q}on w(t) en Ba) 00 Considerando en el espacio vectorial (R?, +, R,.) la base canniea, la matre.B representa tna trasformacién del plano en si mismo que asigna a cada vector (x,y) laimagen 0,» +9), y A caraeteriza la aplicacion lineal que trasforma eada vector (x ,») en (x, x), Ya que (2)() = (<5) (3) (3) (2) Li teasformacion lineal compuesta, asigna a todo weetor el vector nulo, Es decir, es la trasformacién lineal ula, pero | 4A, TRASPOSICION DE MATRICES 4.4.1. Concepto ‘Sean los espacios vectoriales (K"*", +, K, .) y (K™*", +, K, ), Por definiciOn, la matriz Be K™*" es ia traspuesta de A € K"*" siy sélo si by ayy se escribe B= Al Elsimbolo Ase lee: “A traspuesta’ Si En consecuencia, para halla La traspuesta de una matriz, se cambian fils por columnas. Observamos, ademés, que toda matriz 1X 1s igual a su traspuesta,“TRASPOSICION m1 44.2. Traspuesta de la suma y del producto por escalares La funcion f:K™" > KM%" que asigna a cada matriz del dominio su traspuesta en ot es decir, definida por ccodom’ LA)= At es una trasformaci6n lineal En efecto 1. La traspuesta de una suma es la suma de as traspuestas, ‘Sidenotamos con Ca(A + BY',entonces cy = ay ty Y resulta S(A+B)=(A + B= At + BER S(A) +f) 2. La traspuesta del producto de un escalar por cualquier mats es igual al producto del excalar por la traspuesta dela matiz TTeniendo en cuenta que si C= (@ A)! entonces cy = aay, resulta F@A)=(@ A) =a Al =as(A) Hjemplo 4-4. caleulamos (B* AY’. Lio Comet asia b of 001) =Ce ¢ B),remtta o1o/ ° 1 ° Bt aye - 6 44.3, Traspussta del producto La traspuesta de un producto de matrices es igual al producto de las traspuestas en orden permutado. Sean Ae K™? y BeK?*™, Demostraremos que (apy = BY At12 MaTRICES AB, entonces a> By aie ny = aa Bry ta Day +... tay b, ‘esl elemento de la fila jy de la columna i de C= (BY. Los elementos bs, bj... Byy dela columna jsima de B, son tos de fe fila j do Bt Andlogamente, a71, 472, .. .. dip son los elementos de la columna isima de Al Entonces, el elemento de la fila jy de la columns / de BYA' es Py + bapdeg #. + by tip =, dn by ot Bn consecuencia, (By = Bat Ejemplo 4 La trasposicién verifica (A')'=A. Teniendo en cuenta este resultado y el teorema rir, calculamos (BA), en el easo del ejemplo 4-4, 100) fa\ fa On! 0! n'0- oi] :) : 010, > 4.8. MATRICES SIMETRICAS Y ANTISIMETRICAS ASA. Matti simeétrica ‘Una matrz.cuadrada es simétrica si ys6lo ss igual a su traspuesta, ACK™" es simbtica A= Al ay= aj, Vi ¥) Bn R**°, la matriz, ) ma . Mattiz antisimétriea (Una matriz evadrada es antisimétrica sy s6lo si es igual ala opuesta de au traspucsta AEK™" es antisimétvica A= —A! @ay=—ay Ve W {Los elementos de Ia diagonal de toda matriz antisimétrica son n Aces antisiméttica > ay los, pues 1» WE 2a) =O Wi-ray =O» VEMaTRIceS Si 0 1-2 a=(-1 0 3 2-3. 0} esantisimétrica Ejempto 45. ‘Demostraremos ls siguientes propiedades: ETRICAS ¥ ANTISIMETRICAS 13 La matsiz i.) Bl producto de toda matriz por su traxpuesta es una matriz simétrica. En efeeto: (Aan f= (ADL AT AAT Luego, por sr igual a su traspuesta, AAS es simétrica Observamos que no es necesario que A sea cuadrada para que existan AA‘ y AtA, las ‘que son, en todos los casos, matrices cundradas. ii) La suma de toda matcz cuadrads y de su traspuesta es simétrica, Sea AeK™*", Se verifica que (Ab adt= ik, A+ At es simtrica CECADI=ATE ASA AT Esd La diferencia de toda matsiz cuadrada con su traspuesta es antisimétriea, SiAeK"", entonces, aplicando propiedades anteriores, se verifica (A Ante Al (Adf= Al (a-ad, En consccueneia, A — Af es antisimética. iv) Toda matriz cusdrada es la sume de una matriz simétrics y de una a antisimétrica AcK™™ AFA! es ie ties y A~ AT es antimétrica 4 (AA) os way (Aa eantinc n=! A A +E (A Des de una matri2 simétriea y de una antisites. Hjemplo 46. Sean A€K"*" una matriz simétries, XEK"*! y YeK"™!, Desarollaremos el producto (X~ Y)! A(X —¥). ‘Toniendo en cuenta que Ia trasposicién es une trsformacién lineal, fa distributividad del producto respecto de la suma y que X'AY es del tipo 1X 1, 0 sea, simetrica, tenemosus MATRICES (K-YIEA(K = ¥)=(K 4) (AK — AY) = XAX —XUAY — YEAX EAA = XPAX (MAY)! YEAX 4 YA) = XAX — YANK! YIAK + YFAY = =K'AX = YAK — YAK + YFA =XIAX —2Y!AK + VIA 4.6, MATRICES TRIANGULARES Lamatriz A eK" es triangular iperion sly silo sid >/ ay =0. Fn RO 23 0-2 | esuna matriz triangular supetior. 0s > Anlogamente Ack" es triangular inferior sy sOlo si?ay =0, El lector puede deinostrar que cl conjunto $ de tas matrices tiangulares superiores 0 inferiores de (K"™", ++, K, .) es un subespacio de K™*” Ejemplo 4-7. Efectuamos el producto de ls matrices trangulares Ay pestencsientesa R™™, tales que ny = O81 > jay #14 /si4}, by mi 2 ht ay ‘Toda matriz diagonal tiene nulos los elementos que no figuran en a diagonal, Para denotar que A es una matriz diagonal, eseribiremosMATRICES TRIANGULARES fe fay 0... ON Og... 0 a diag (@), 43,6 Oy) 0 0 we ae En particular, en K"*", I y N son matrices diagonsles. Si todos los ¢lementos de la diagonal son iguales, 0 se, sia diagonal se lam escalar. Siendo A una matriz escolar, se verfica Aeal i entonees la matriz 4.72. Propiedad BI conjunto $ de las matrices diagonales de (K"*", +, K, ) es un subespacio de K™", y su dimensign es. [La demostracion se propone como ejercicio. 4,73, Propiedad El conjunto S de las matrices diagonales de K"™" es un subanillo de (K"*", +, Peta demostrar esta afirmacién es suficionte probar que el producto de matsices iagonales es una ley de composici6n interna en S, 48, MATRICES IDEMPOTENTES F INVOLUTIVAS 48.1. Concepto Una matrig cuadrada es idempotent si y slo si es igual a su cuadrado. AeK™" es idompotente © A? =A 1 zr verifica A? = A, es deci, es idempotent i cuadrada es involutva si y slo si su cuadrado es a identidad. ‘A€K"™" es involutiva ® A? =1 10 10 La mae A= esinoin, pcs A? = ( o- otus MATRICES 4.1033, Propiedad El producto de dos matrices ortogonales es oxtogonal Ay B son ortogonales > AB es ortogonal En efeeto: IAT AAS SI (AB) (AB) ABBAS por traspuesta del producto y 4.10.2. ‘Anilogamente es (Any(AB) En consecuencia, por 4.10.2. resulta AB ortogonal. Elemplo 4-10 ‘Toda mate cosa soma 0 v(m coe 0) donieaen Oo es ortogonal. Bn efecto: cora sna 0\ | cosu sna 0 100) AA‘=|sena cosa 0 ~sena cosa O o10 1 0; 0 Of 0: 1) \0 01 4.11, MATRICES HERMITTANAS 4.11.1. Matrices complejas (C™™,4+,R,.) y (C%*™, +, C, .) denotan los espacios cuyos elementos som las matrices complejas del tipo nx m, sobre el cuerpo de los reales y de fos compleos, respectivamente iti 2 ) onMATRIZ HERMITIANA ng ara denotar la matriz conjugada de A, eseribiremos ‘Si Aes la matt anterior, entonces Diremos que A y A son matrices conjugadas, una de la otra, pues A = A, Dado el espacio vectorial (C™™™, +,R,.), la funeisn f:C"™™ >C™%™™ definida por J(A)= A es una trasformacion lineal, puesto que se verifice 1) ta conjugada de ta suma es 4i) Ia conjugade del producto de un escalar por una matriz es por la conjugada de la matriz, Elector puede demostrar que fes un automorfismo, So verifica que la traspuesta dela conjugada de cualquier matrix es igual «la canjugeda de su raspueesta, 0 sea ial a Tn suma de las conjugadas, ial al producto del escalar Ateat Para designar esta matrz, eseribiremos A* En el caso ya tratado es 1-i 2 2 a+21 El operador ® satisface las siguientes propiedades: 1 (ayaa 2. (A+B =AFBE 3. (AB) = BF AS a (A+B) = at +B Para demostrar esta afirmaciOn es necesrio probar que la mote conjugads de un producto es igual al producto de ix conjugadas. Sean Ae C™*? y Be C?*™, SiC = AB, entones al elemento genérico de Ces Py am Poy ¥y teniendo en cuenta que el conjugado de una suma es la suma de lot conjugados y que el conjugado de un producto es el producto de los conjugados, & tiene a a ag Osea10 MATRICES. Retomando nuestro propésito (AB) = ABE= (4B) Bieneas 4.11.2, Matiz hermitiana Lamatiiz A eC" es hermitiana siy slo sies igual a la traspuesta desu conjugada. Aceshermitiana ® RMenaatoaynay Viv Los elementos de la diagonal de toda matrz,hermitiana son nimeras reales, pues Aces hormitiana >4,,=% ay €R. 1 -# 24i § -2 3-27 Jes hemmitiana 2-347 3 Toda matsz simétrica y real es hermitiana, ya que veriica ay La matic Bjemplo 4-11, Si@eCy AeC™™, entonces (w A)*=@ A* En efecto G@A*oa A= (BAY wat jempto 4-12, fe ee exec 1-a( )\- au +y= ipoeee al, )ee-oe soci veil). 1 S(t ears o(,2,) ‘Efemplo 4-13. Si H= (AeC*?/ A cs hemmitiana | , entonces H no es un subespacio de (C2*3, +,€, ), ya que H no es eortado pars el producto por escalares. En efecto: i) X*AX=( 1 -PARFICION, mn Lo-nate “iti Ellector puede comprobar que H es un subespacio de (C*?, +R, ). 4.12, MATRICES PARTICIONADAS 4.12.1. Submattices de Ae K™™ Eliminando r Glas y s eolumnas de la matrix A.€K"™" ge obtiene una submattia de A, que denotaremos asi Mitre ode | Madar ed) donde i, es el nimero de Ie primera fila eliminada, climinada,etestera, ‘Siliminamos las fils indicadas en jes el nlimero de la primera columna entonces AQ,412,4,5) a) Sisemenionan slay unas que se conservan, la notacién es ansinai=(qn a2) 4.12.2. Particién de wna matriz, 1 +02 ¥ m= Hy + la, y considoromos las submatrices ALL 226501 125. td AS A[L 2.9% Tih tL +2, m|m2 MATRICES An ADDY ELD EQ 2s - eth | An SAD ELM +2 ly FIM tye An Aw An An ‘6 blogues. Las descomposiciones = Vy ++ Vs ym particién para files y eolumnas, rospectivamente. Por ejemplo, la particién de A que se indica a continuacién Escribiremos: a=( ) y diremos que A esta particionada en cuatro submatrices | an esquemas de fa i Fy se denom 1J-103] 0-4 v2] 332/10 as ("237 r1iy1 3 ~3o}o31/2 4 s10} 102/23 cortesponde al esquema ney ty a243 ; m= ty toy Hay e2b a2 i ys obtione | {Au An As A ) | Au Aa Aan ' donde cada blogue Ay es: elemento de le mattizparticionada | Bn general, sis ACK™™,n= vy + dy... MY M=Hy thy +. +My entonees | las submatrices Ay con (= 1, 2,4 1,2,» Som os elementos de A paticionada en | bloques, vse eseribe Au Aa os AL An An oe a { Bat Ber ose Arg 4.12.2. Operacion 1 Adicion Sean A y B matrices en K"™*" y los esquemas de part Db tte m= fy + by +... + My Si A=(Ay) y B= (By) s0M Ios notaciones de A.y B particionadas, | entoncos es | | a | | A+B= (Ay +By) conf 1,2. FYPE U2. |ESPACIOS FILA ¥ COLUMNA, a H, Producto por escalaes Se define dela siguiente menera @A=@Ay) TL, Maltiplicacién Sean las matrices A eK? , Be KP%™ y los esquemas de particién net mt, PEM tm tema tit 0.98, A=(Aw)y B= (Bu) donde = 1,2... 4 7J21,2,..45 9 R= El producto en forma particionada es ane(Z, Ana) Ejemplo 4-14. Consideremos las matrices A y B particionadas como se indica 10 as{o 1 1-1 1 0 7 1 0 rate 2) 232 1 a (ee :) tf] \Bu Ba 0 I producto en forma paticionada es An An\ (Bu Be’ ABS Au An} \ Ba Bas Loy toy 012) p48 udu tautn= () y+ ) (14) - ot} oil Nira Vor (i)! 6 4) Andlogamente se caleutan C42 ,Car_¥ Cx , que son los restantes bloques del producto. i ButAn Bn An Ba tAn 7 Aa Bin | Ase Dat Ast Dy Ase Bay 4.13, ESPACIOS FILA ¥ COLUMNA DE UNA MATRIZ, Sea A €K™*" y scan los esquemas de particion w= Py, m=1+ 1+. 411% MATRICES Entonees A queda perticionada en matrices columnas y se escribe A= (A Aaa Aim = (Ar Aa Am) donde AyeK" y= 1,2, 4m, Definicién Espacio columna de la matriz A€K"*" es el subsspacio de K" generado por las wt columanas de A. Denotames el espacio columna de la matriz. A medisnte Sg(A). Los elementos de Se(A) son todas las combinaciones lineales de las m columnas de A. Osea Se(A)=| 3 oy Arye Definicion Rango cola de una matrices fn mension del espacio column de dha mati ol A) se ee ang colina de A,y es (A) = dim Se(A) Si Acs una matic mula espacio columna es un vector nao ye! mg column 0, Si A-# Nentones ol tango columna de Aes el mixino admero do vecfore columns lnealmente independents Andlogamente so dtinen ot espacio fla y el sang fs de une matt A, y © indcan suediante Se(A)y op(A), rospectvamente =(A) ese sibespacio de K™ generado por las fas de A y dimSy(A) se! méximo mero d vetoes is lneanent indpendients de A Ta partcim de 8 eK"™™ en vectors fils inde Aa AN Aa A A =f: | donde a exe; ” An An Si es necesatio, para roferimos a la submatriz columnne de lugar, escribiremos A.» ¥ pars indicat la submattiz fle de lugar &, pondremos Ay. El punto en A., significa que el primer indice vatia desde 1 hasta m. En el segundo caso, el punto indica que el segundo indice es variable desde 1 hasta m. Bjemplo 4-15. Determinamos los rangos fila y columna de ta matriz,RANGO ns 20-1 4 a-(o4 1-2 ea CObservamos que fas dos primerasfilas son Hinealmente independientes y que la tereera el rango fils 1, at es combinacién Kineal de aquéllas: Ay, =~+Ay, ++As,. En consecuen binaci6n Ii 8 sag tha de Aes 2, El ketor puede comprobar que el méximo némero de vectores columns linealmente independientes de A también es 2 ‘Ambos rangos, fil y column, coinciden, 4.13.2, Propiedad ‘Los rangos fila y columna de toda mateiz son iguales Hipétesis) AeK™*™ Tesis) otA)= PrCA) Demostracién) ,entonces fg(A) = 0= pe(A). Sea AN po(A) =r. Probaremos que pr(A) =r Podemos suponer, sin pérdida de generalidad, que las r primeras columnas de A son Ll yp ia oe Me ONT oo Mayet Bn in Bir Myr oo Bebe os Ble nn Gra ss Ane Ange oe Ure h Particionando A en vectores columnas es ASA Aa Ae oe Bint os Mad Por lo supuesto, las 7 primeras columnas de A constituyen wna base de Se(A). En Rant An Aa # am Aa tee H Oph Ar = = Eom Ay (1) Ve= 12.90 Soa [ €1,€2,. +. €m | Ta base canGnica de K"™. Como las flas de A son veetores de K™, se veriica que a ey a ea FoF Four Bot Hoon On =S, doth136 MATRICES De (1) y (2) resulta Ai man eta et... Hae eet Fr a F035 ain H.-H Me) erp + Hie Win Fag ae +. + Os de) erp + bd Fi mir dit Oa morta oH Op im Bie) Eon = Sain (Cr + ty Cran + O12 Orta H.-+ Ot mr Om) + Fain (Gx Faas Crp1 aa C49 Heo FMa mr bn) + Fairer Hern Grr F042 Crea He Sree Oy Fay Oy bays ey H... taper En conseeuencin | Sipp(A) =r',eu 1€', | esn sistema de generadores de las fas de A. rer @ ya que el méximo nimero de filas L.. de A es menor o igual que el cardinal de todo sistema de generadores de ls filas de A, Anilogamente, razonando a partir del rango fila de A, se prueba que rer (4) De (3) y (4) resulta Osea o(A)~ pe(A) 4.13.3. Rango de una matriz Hemos demostrado que los rangos fla y columna de toda matri2 son iguales. Bste ‘ndimero se llama rango de la matsiz. Para denotar el rango de una matsiz A, escribiremes (A) Definicion Rango de una matsiz es su ra 20 file. o su tango column, P(A)= po A)= pea) Dos matrices traspuestas tienen igual rango, pues PIAY= pel) = pe(A)= (A, Si LeK™", entonces es p (I) =n, ya que los 1 vectores eoluma de I son linealmente independientes.RANGO re) 4.4134, Rango dal producto Propiedad Bl rango del producto de dos matrices ex menor o igual que el minimo de ls rangos. Hipétesis) Ac K"™,B ek?” esis) p(AB)K®, definida por la matriz A respecto de In base ceanénica en K” Six eK", entonces.es f(x Como al espacio columna de A es! subespacio de K" generado por la m columnas de A, y éstas son linealmente independientes, e verifica que dim So(A)= Por otra paste, 1 (f) = So(A), es decir, la imagen de Ia trasformacién lineal es igual al espacio cohumna de A. Luego dim L(Q=n y.en consecuencia, fes sobreyectva De acuerdo con 3.94. Fes biyectiva, y por lo tanto A 0s no singulr. 4.14. OPERACIONES Y MATRICES ELEMENTALES 4.14.1, Operaciones elementales Operaciones olementales sobre una matriz A €K"™*” son las siguientes 1, Permtacion de dos filas entre si, o de dos columnas entre si, 2. Adioion de una fila a otra, o adici6n de una columna a otra 3. Multiplicacién de una fle o de una columna por un escalar no nul. Sise efectéan operaciones elementals sobre Is filas 0 columnas de una matiz, se obtiene ‘otra matriz; pero demostraremos que su rango no varia, 4.142. Propiedad Toda operacion elomental sobre las fils do una matiiz AeK™*™ puede realizase premultiplicando A por una matiz no singular del tipo axa, ‘Antes de probar esta afirmacién definimos Ey, €K"™® mediante 1s hajak 0 siith vith Por empl, en K*** es130 MATRICES. 1. La permutacion de las filas i y j puede obtenerse promultipicando A porla matiiz no singular By +Ey+Ey en ko En K%4 og Py se deduce de la matrz identidad permutando Patticionando A en vectores flay, se tiene ian flas © columnas Fy j. M \ay Bn consecuencia, la premultiplicacion de A por Py permute las fils fy / Ademés, como en Py se tienen exectamente » vectores colvmna linealmente indepen. dientes, es (Py)=n,y en consecuencia Py es nosingular 2. La adicidn de la fila fa le fila j puede obtenerse premultiplicando A por la matriz no singular Aya 14 By nk es An ooo 100 iio o1 o ‘Ay se deduce de la matez identidad al sustitui 0 por 1 en ef lugar /, Se verificaMATRICES ELEMENTALES. in AY AL | Al \a 0 sea, 1a promultiplicacion de A por Ay sume a la flats fla i. Se sabe que las filas de la matsizidentidad:ey 3 ....5€i.- +8) 5 conjunto linealmente independiente, En consecuencia 10a, 021. nt bene ata! ‘es un conjunto linealmente independiente, o sea p(Ay=n Lugo. ‘Ay esno singular 3. producto de la fila de A por el escalar a +0 puede obtenerse premuitipicando A por la matriz.no singular M,@)=1+@-DEu wor (G29 | M,(q) se obtione multiplicando por eel elemento de lugar (i) de la matric identidad. Se veritica En k*% es ol; 65 My (@) no singular1a MATRICES. Analogamente, se demuestra que toda operacién elemental sobre las columnas de una ‘matric A€K"*" puede obtensise posmultiplicando A por una matriz no singular del tipo Definicion Las matrices que realizan las operaciones elementales sobre ls lineas de una matsz se Manan elementals, ‘Como las matrices clementales son no singulares, de acuerdo con 4.13.4., se deduce que el rango de una matriz no varia frente alas operaciones elementales. Biempto 4-16. Mediante operaciones elementales determninamos el rango de A, siendo. 1201-1 fete be: Alor 2-1 22-1 2 Efectuamos, sucesivamente, las operaciones clementales que trasforman las primeras files y columnas de A en vectores canénicos 10 0 0) A ta segunda columns de A se ie sum le primera multipicada b-1-1 3) por ~2, © 1 2-1} Ala tercers columna do A se le sumé la primera multiplicada 2-2-3 4! por-L Ala cuatta colu se Le sumé fa primera, REYEQUIVALENCIA 133 epee eaccecec cue A la cuarta columna se le resté el duplo de la tercera. 1 0 O Oy Ala cuarta fil se le sum6 la tercera, Esta matriz tiene tres columnas linealmente indopendientes, 0 s como es igual al de A, resulta su rango 83, y piay=s 4.15, EQUIVALENCTA DE MATRICES 415.1. Concepto Sean A y B dos matrices pertenevientes a K"™", Diremos que B es equivalente a A siy sélo si B puede obtener efectuando un nimero finite de operaciones elementales sobre A El simbolo B ~ A se leo: “Bos equivalente a A”. La equivalencia de matrices es reflexiva, simétrica y transitiva, 0 sea, es una relaciin de cequivalencia en K™*™ La matiiz obtenida a partic de A, en el ejemplo 4-16, mediante un atimero fnito de operaciones clementales, es equivalente a A y recibe el nombre de forma canénica de A. La forma canéniea de Ia mattiz nula en K"™* os dicha matri, 4.15.2, Propiedad ‘Toda matriz. no nula Ae K"*"* do rango,r es equivalente ale matric 1 Nexen i Nomar Nonoxcmr) donde B esta forma canénica de A. La demostraci6n es sencilla, y el lector puede hacerla baséndose en Ia definicion de ‘matrices equivalentes y teniendo en cuenta lo realizado en el ejemplo 4-16.14 MATRICES: Si A es una matriz no singular en K"™*®, entonces su forma canénica es la matriz Idontidad. AeK™" es no singular ® F.C(A)= El simboto F.C(A) s0 le: “forma candnien de A”. 4.15.3, Propiedad Las siguionts proposiciones son equialentes: iA~B it) pCa) wD FC(A) @) cB) 1.A~B=p(A)=p(8) Si AWB, entonces B puede obtenerse efectuando un nimero finito de operaciones clementales sobre A, y de acuerdo con Io afirmado en 4.14.2. el rango se conserva, En consecuencia es p (A) = p(B). 2. p(A)= p(B) > B.CAA) = F.C{B) Es inmediato por la propiedad 4.15.2. 3. FC(A)=F.C(B)A~B Por Ia propiedad 4.15.2. es F.C(A)~A y F.C(B)~B. Como A y B son equivalontes una misma matriz, resulta A ~ B. 4154, Propiedad Si AEK™™™, entonees existon matrices no singularos PeK™*” y QeK™ tales que -4A)=PAQ, En efecto, Is forma canénica de A se obtiene premultiplicando A por un nitmero finite de imatcives elementales del tipo MK ALR? =B=PAQ dondeP=M"K yQ=LR™ Hemos aplicado 4.15.3.,4.15.4., premultiplcado por M" y posmultiplicado por R =p 2.Supongamos que A y B son matrices nxm, y que existen P y Q no singulaes tales que B=PAQ, Por 4.15.5., Py Q son productos de matrices elementales, lo que significa que B se obtiene efectuando un nimero finito de operaciones clementales sobre A. En consecuencia, A~ B. 4.16, METODO DE GAUSS JORDAN PARA DETERMINAR EL RANGO. E] métedo que exponemes a continuaciGn nos permite determinar el rango de une matriz mediante un nimero finito de operaciones elementals de! tipo: multiplicacién de una fila por un escalar no nulo y adicién do una fila a otra. Seiaamos que se opera exclusivamente sobre Iss fila de la matriz, y que ademés el método se hace extensive a la determinacién de la inversa de una matriz no singular y ala esolucién de sistomas lneales Esencialmente, mediante Tas operaciones elementales indicadas, se trata de formar el ‘mdximo mimero posible de vectores canSnicos linealmente independientes, Tal nimero es, precisamente, el rango de la matriz. ‘Sea A una mattiz no nula. Se elige cualquier elemento distinto de cero, al cusl se fo llama pivot, Para fiar ideas, sin pérdida de generalidad, supongamos que el pivote es ais =a, y sea Ja matiiz @te det 140 silo algunos elementos,136 MATRICES Dividiendo la primera fila pora %0, o sea, multipticindola por el eeiproco del pivote, se obtiene En la etapa siguiente, se reducen a cero los restantes elementos que figuran en fa columna del pivote, Entonces, a la segunda fila se le suma la primera multiplicada por ~ 4, De este modo, ds tasforma en ee tranfooma ene - 9? ,y rae tasfornaenf- Se obione se trasforma en 0. Y'siaga =, entonces fi se trasforma en ft En las dos etapas descrtas se ha obtenido un vector eannico en fa columna del pivote, Observamos en la miatsiz dada que ‘oly elemento que sy figuse en Lt fl ni en ta columna det pivote, forma con éste na diagonal de un “rectingulo”. Los otros das vértices deterninan fo que llamaremos la “contradiagonal”. Por ejemplo, asociado al elemento e se tiene ‘Como of tasformado dee es e formado de cada elementoGAUSS JORDAN ast ‘que no figure en la fila y columna del pivote es igual aia diferencia entre dicho elemento y el ‘producto contradiagonal dividido por el pivote, Bn las etapas siguientes e reitera el procedimiento eligiendo un pivote que no figure ni en Jas filas ni en tas columnas de los pivotes anteriores. De este modo las operaciones ‘lementales indicadas presorvan los vectares eanSnicos, EL procedimisnto se termina cuando no es posible obtener ningin pivote (distinto de c2ro) en las condiciones ya sefaladas Bjemplo 417, | Mediante el método de Gauss Jordan, obtener el rango de ot ti 02 eal desl c f 2 2-1 2 EJ pivote puede ser cualquier elemento no nulo. Si algin elemento es la unidad, se lo clegiré como pivote para evtar célculos. Provedemos de acuerdo con el siguiente esquema 2—| 1] EI trasformado de ays = 7 ii) 2 en Qe T 21 =0| Blimsformuda doe ora 2). 0 O24 3 92.) od a 10-3 1] Bi trastormado dea =2es 00a o 1 f-1 2-12 one 10 0 9 nn oo | __ El procedimiento ha terminado, ya que no es posible elegir un nuevo pivote EI rango de A es el mimero de vectores candnices, © 8a, 3. El cuarto vector columnaial MATRICES es combinacién lineal de los tres primeros, pues es la suma de los productos de ellos por 7, ~Sy 2, respeetivamente, ‘Sion alguna etapa inteanedia se eigiera como pivote un elemento no nulo que figure fen Ia fila de algin pivote ya seleccionado, la columna que entonees se trasformé en un vector canénico dejarta de srl, Resumimos la meciinica del procedimiento: 1, Se etige como pivote cualquier elemento no nulo de a mata dada, y se divide por él In fila correspondiente, 2. Los estantes elementos de la colummna del pivote ge trasforman en cero. 3. EI trasformado de todo elemento que no figure en a fila ni en la columns del pivote se determina siguiendo la segla del “rectingulo”, es decir, es igual a su diferencia con el producto contradiagonal dvidido por el pivote 4, Se reitera el mecanismo cligiendo como pivote un elemento no nulo que no pertenezca ‘iia as filas a a ls columnas de fos pivotes anteriores, 5. El miimero de vectores canénicos linealmente independientes es el rango de la mati 4.17, INVERSION DE MATRICES POR GAUSS JORDAN | método explicado en 4.16. permite determinar Ia inversa de una matriz no singular. Sea ‘Ae K"™ no singular; a su derecha se escribe la idemtidad en K"»”, adi La matriz asf indicada es del tipo mx2n, y a ella se le aplica el método de Gauss Jordan hhasta lograr que A se trasforme en la identidad. La identidad que figara en ef esquema anterior queda trasformada en una matriz B e K"*?. x 1 [8 La (rasformacién de A en la identidad siempre es posible, ya que, sieado A no singular, su rango em, y en consecuencia es posiblo obtener m vectores canénicos linealmente indopendientes mediante las operaciones elementales indicadas en 4.16. Si los vectores candnicos obtenidos no resultan ordenados de modo que constituyan una hatsz diegonal, le identidad se ogra mediante una adecuada permutaciGn de filas de la matriz. completa, La matriz resultante ala derecha es la inversa podida, Las operaciones clementales realizadas sobre las filas do A, que la conviesten en la identidad, son tas mismas que ls efectuadas sobre las fils de Ly que le trasforman en B, SiEINVERSION ie ce el producto de las matrices elementales cortespondientes a las sucesivas operaciones ‘lerentales, entonces se veriica que EA=I (i) y EI=B @) De (2) resulta E=B, y considerando (1) es BA=I Lvego Beat Como en general.no se sabe a priori si A es inversible, igualmente el método puede ser utitizado, En el caso en que Ano tenga inversa no sera posible formar la identidad, por ser su sango menor que 1. Es decir, con el método de Gauss Jordan se determina Ie existencia de la Jnverse 0 No, y en caso aftrmativo se la obtiene. septa 18 ‘ile el método de Gaus Jordan, obenemos anv de Loot a(t 2-3) a patiiz del tipo 3X 6 que se forma ntidad Aplicamos el provedimiento mencionado @ la escribiendo Ia idontidad 3 X 3 a la derecha de A, y convertimos a ésta eta © o-ifico Los pivotes han sido sefislados en 1272/01 0| — catseupe 2-1 1001] Slensfomado de 3s oo 18 ot oo Lo 2 ef f= wiles140 ‘La matrz iavorsa de Aes Bjerplo 4-19, Determinamos la inversa de MATRICES. ‘ aa @at oo ean 0 1 0 124 oo es Torta 2 0 @ Oreo e383 oO 0 to. ° ah an 0 o @ 0 1 [271 107 = 3 oo 1 0 Gio 2 3 Para trasformar A en la ide toda fa mattiz, Resulta ida, es necesario alin permutar las dos wltimas filas deINVERSION ia > fi 1 © wt ule ee oe 4.18. INVERSION DE MATRICES POR PARTICION Consideremos una matriz. no singular MeK"*", La particionamos en cuatro bloques segin ladescomposicién n=p +4 para files y pare columnas AB eed cp En consecuencia Ae K*?, DeK®®, Be K?*4 y CEKI*?, Supongamos que D sea no singular, Propenemos el mismo esquema de particion para la (20) za donde X, Y, Z y U son matrices a determinar y del mismo tipo que A, B, Cy D, respectivamente, La matriz D, que hemos supuosto no es singular, se elegid de modo tal que su inversa pueda obtenerse con facilidad ‘Sendo M? la inversa de M, debe verificarse que fA By /X ; ( (colle w) AY+BUE=N @) cY+DU=1, (@) Osea De (2) se deduce pz=-cx Y premultiplicando por D picx ()war Sustituyendo (5) en (1) AX-BDIC Por distibutividad (-BD* Ox=1, Luego X=(A-BD" Cy" (W) De (4) Dus,~cyY En consecuencia Usb! -ptcy (7 Sustituyendo en (3) AY+BD"_BD"CY=N Por distibutividad y trasposicién (A-BD" Qy=—Bpt Premultiplicando por (A — BD CY =X, rosulta Y=-xBD" (g) as gelaciones (©), (5), (7) y (8) permite Is detominaciin de X, Z, Ue Y, espectivamente, en funcién de les datos y de le inversa de D. Biemplo 4-20, Uiilizando et método de particiones, invertie la mattiz Resulta LX=(— Dt cytINVERSION ~ Caleulamos Luego. 3,.Z=-D1 x= ox-(" “) ( : oe ) 4.U=p" -D? CY ee)cal MATRICES Con tos cuatro bloques obienidos formamos la matriz inven 10 1 1 0 3-2 0 of 4.19. CAMBIO DE BASE Y SEMEIANZA DE MATRICES 4.19.1, Matrices de pasaje En el espacio vectorial (V,+,K,.}, de dimension finita, consideramos as bases (I= LWisvaveenve ) YES [¥ Definimos dos endomorfismos Lg: > Vial queg(y=vy [Expresando cada imagen como combinacién lineal de la base [v], se tiene ‘La matric Pde esta trasformacin lineal respecto de Ia base [v] en cada espacio es P= (py Precibe ol nombre dé matiz de pasae dela base fv] La base [v". Dh:Vo Vil quek Wey Wt, 2... Procediendo como en el caso anterior es we 3 puv (p"y)' es la matriz de h respecto de la base (y"] en cada espacio, y drernos que os la ‘mattiz de pasaje de la base [v'] ala base [y). 4.19.2, Propiedad Las matrices de passje P y P” son inversas ente sf, Demostraromos que P P* = P' P= ‘Teniendo en cuenta (1) y (2) escxibimos Pua sS, Pd, ow = § (Smo)(CAMBIO DE BASK us como WeOvy +0¥, te. L yt HOM resulta quo of tnico término no nulo de la sumatoria anterior se obtione para #=/,y vale 1 Luego 2yPa r= by Por det jin de producto de matrices y de matri identidad resulta PP Anilogamente se deduce que PP En consecuencia, ambas matrices de pasaje son is ote, cersbles, y cada una es la inversa de la 4.19.3, Trasformacién de coordenadas ‘Sea P la mattz de pasaje de la base [v] ala base [8], sea x € V. Demostraremos que Xe] = PX donde Xj) y Xjey son las matrices de fas coordonadas de xe V en las bases {y] y [¥'] respectivamente En efecto, expresardo ax como combinacin lineal de cada base y teniendo en cuenta (1) €04.19.1,esorbimos Pero Por la unicidad do la C.L.es Brea) Viedecan or detincion de produto de mati ea elaine anesoe dese {a fer\Osa Xer PX Y camo P ¢s no singular, premultiplicando por P™ re X= PX) (4) (3) y (@) se llaman formulas de trasformacién de cootdenads, 146 MATRICES | 4.19.4, Matrices de una trasformacin lineal y cambio de bases Sea f:V->W una trasforacién lineal de matriz A@K™*" respecto de las bases Ue Wes ¥an Ya) em VY [WT f Way nn Fem W, Si se efectia un cambio de base en cada espacio, entonces fa misma tasformacion est caactevizada por una matric B eK™*" respecto del nuevo par de bases (9 [' Sean P eK"™" y Q eK" es matsies de pasje de [v] 3 [vy de (w) 2 [w] Demortaremos que las matrices A y B dela ttasformacion lineal f respecto de los dos pares de bases veifican wal B=Q7 AP es decir, son equivatentes. Para ello consideremos ol diagearsa vu) ——4A es wy Xs} DOr 4.19.4.(3) Yr} POF4I9.4. (3) 3.Miwi =A Xjnj por sr f tmsformacn linea de matic A respect de hs bases fr] y 4-¥ iw =BXivy puss fes traformacisn tineal de matriz B respecto de Ins buses [v']y wi}, De 2..3.y Le se deduce Yin QO Viqi =O! AX =Q" AP Kun,[SEMEBANZA ia 0 se, B~ A Reciprocamente, si A y B son matrices equvalentes en K™™", y Vy W son expacios ectoriales sobre K, de dimensiones m ¥ m, respectivamente, entonces A y B catacterizan a va mifama trasformacion lineal f: V-W respecto de dos pares de bases man 4.19.5, Matrices semejantes ‘Consideremos el caso particular del endomorfismo LV siondo dien V=n y Ala matiz de f tespecto de la base [v] = [w] en cada espacio. ‘i se efectia un cambio a la nuova base [y"]=[W"] con matriz de passe P= Q, entonces x tiene B=P* AP donde B esa matria de f respecto de la nueva base [¥]. ‘Las matrices A y B de K"™", que representan el mismo endomeor bases [¥]y {W], s2 Haman semejantes Diremos que Acssemejonto aB 3 P nosingular/B=P" AP La semnejanza de matsices es una relaei6n de equivalencis respecto de las Bjemplo 421, Sea la trasformacidn lineal f: R° oR? definida por {@,b, )=(@+b,a-bbe,a—e) i) Detetminamos la matriz A de f, respecto de la base candnica [v] en cada espacio £U,0,0)2U, 1,1) =1eyt her ties £0,1,0)=(1,-1,0)=1e; ~ Le; Oe, £,0,1)=(0, 1, -1)=0e) + Les ~Les a W1= {4,19 1,0), (1,0,0)} (yt Da Le, ther t bes Entoncesae MATRICES Ch 1,0)=1ey +10; +005 (1,0,0)=1e, $00; +005 Ga 18) Uateando ls resultados anteriores caleulmos la matic B def respecta del base en cada espacio, Se sabe que Lucgo B=Ptap Empleando Gauss Jordan resulta oo4 Ptefo 1a 1-1 0 ee a 2yiiy-(ag 1 0 0 \ Lugo Elector puede vsifcar este estado obteniendo dectamenteB, como en)TRABAJO PRACTICO IV at 2 \4 422 Coins? A 2 bento 423, Determinar la matriz, 44.24, Sean las matrices bad 1 01 0} oe( 0 312 2 Obtener: A?, AB Cy BIA‘ 425, Desautllar DAMA-D (A+ B)(A~B) Sabiendo que A, I y B son matrices cuadradas n x 1. 426, Siendo Caleular A?ase MATRICES. 427, Obtener A? sbiendo que 4-28, Dada ta mateiz it Lo caleular A*, A®, A‘, efeéter, y vincular los elementos resultantes con los términos de la sucesi6n do Fibonacci: 1, 1,2,3, 5, 8,13,... donde, a partir del tercero, cada uno ¢s igual ala sume de los dos anteriores, 429, Demostrat que A (BC) =(A B) C, sabiondo que los productos indicadosexisten. if 430. Demostrar por induecién completa que 1 \" (! ” o1 O14 431, Sabiendo que demostrar 432, Rosolver a ecuacion A? + X? =I, donde A, X,1'son matrices 2 2 y fs - a 4-33. Sendo Be K"*", Ce K"*",C? = Ny BC=C B, demostrar Beeoa o5*(B+e+DC) 434, Sabiendo que en K"*" se verifica X A=1y AY =I, demostrar que X 435. Determinar las matrices X € R™* tales que X=. 436, Demostrar que si A y B son matrices diagonales en K"**, entonces AB es diagonal y AB=BA,TRABASO PRACTICO 1V 131 437, Demostiar rv sAEN 1438, Demostrar que si A y B son matrices idempotentes y permutables en K"**, entonces ‘A Bos idempotente. 1439, Demnostrar que si una matriz es simétriea, idempotente y con algin elemento nulo en la diagonal, entonces la fila y la columna de dicho elemento son el vector nulo, 440, Desnostrar que $i A es idempotente y B es ortogonal, entonces BY A Bes idempotents AAI, Desnostrar APEAKASB 442, Demostrar At A AD=N-* Ay B son idempotentes 443, Demnostrat AB=AABA=B>A,B, A‘, BY son idompotentes, 444, Demostiar que si A es simétrica, entonces B'AB es simétrica cualquiera que sea bene 445, Sean A y B dos mattices simétricas en K"™". Demostrar A Bessimétrica © A y B son permutables 4-46, Demostrar que la matriz A € K"™" es involutiva iy solo si(I— A) (1+ A) 447, Demostrar que A y B son permutables sy sélo si A~al y B= al son permutables, ‘cualquiera que sea el escalar a 448, En 2% se consideran una matsia cualquiera By A tat que ay ‘Analizar ls filas de AB y las columnas de BA. 499, Dexwustint que si A y B som Ho simqulues y peunulubles, ppermutables y sus traspuestas también fo son 450, Demostrar que si A es una matriz diagonal y todos os elementos de la diagonal son no nulos, entonoes A es no singular y su inversa es la matsiz diagonal formnada por los inversos de tales elementos no nulos en la diagonal 451, Demostrar que si A es no singular e idempotente, entonces A. 4552, Verificar que las siguientes matrices forman grupo multiplicative, (o W)(4 a) obo (ode lo 4) 5) wveo—_-”- reer 132 MATRICES 14°53, Mediante una particién adecuac 1200) 0001 0100\foo20 ooor1f\roo0 o022/\o100 4°54, Determinar una base del espacio fila de eeeoest ao(i-a 1a) 0 0 438, Demostrar que ai A es no singular y B A= N, entonces B-=N. 456 Sendo A €K"™" no singular y Xe Y mates en XSATY, 457, Demostar que si A y B son matices de K™" (ales que AB B=NoAy B son singulats 438, Doterminat los rangos de efectuar el producto "tals que A X= Y, entonees ¢ ,entonces A=N 242-2 a(n °) 21a 459, Obtenr, existe as inverss de Lao ar(o ia tod 4460. Sea Verificar que p (A)= (A A‘) 4461, Demostrar que el rango de la suma de dos matrices es menero igual que la suma de st rangos. 4°62, Demostrar las siguientes propiedades relativas ala traza de matrices en K™" i) or(AB)= or (BA), i) (ABC)=«r (CAB) =tr (BCA), 0 s#a, Ia traza no varia frente a permutacione cfclcas‘TRABAJO PRACTICO IV 183 i $i Ces ortogonal, entonoes tr (C*AC)= ir A. 4463, Soa A una matziz idempotents en R"*", y sea X un vector no nulo de R que verifica AX =aX, con eR, Demostrar quea= 00a 4.464, $i AER es involutive y XR" es no nulo y verifica AX =aX, entonees a=1 0 a 4-65. Sea XER™*". Se define el escalar X (X raya) mediante RLS x, Determinar las matrices A € R"*" que verifican i) xXtax=? sey W)X!AX=n ae ii) XA X= E 6) BP 466, Sea TeK™" estrictamente triangular superior. Demostrar que d-1ytererer +. ert 467. Sean | donde Cy D son matrices 2 X 4. Verificar que A 468, Sea una trasfomacon inal de V en V earcterieada por la mata A Sabiendo que A verifica Ia relacién A? +A? —A+I=N, demostiar que f ¢s no | sing. 469, Deterina la inversa de sus 7 Soom cont ense 12 vs 470 san =( yen? demostan y sonnei = Be 491 036 MATRICES. 471, Las mattices Ay B de K* son tales que A y (A B — B A) son penmutables, Demostrar qua A'B-BA"=nA™(AB-BA) VneN 4-72, Sea: RO + R? una trasformacién lineal defnida por $(@,b,)=@+b~c,a~b) 4) Hallarla matric de frespecto de las bases cannicas en Ry en R? ‘Obtener tas matrices de paaje de las bases ante W)=1@.1,0,0,-1,-2),0,-1,-D} (w= 10,3). @,-2)} ii) Caleular la matri B de f respecto del nuevo par de bases.Capitulo 5 i DETERMINANTES 5.1, INTRODUCCION En esta seocién se define axiomaticamente la funci6n determinante de orden ny s¢ emuestran las propiedades que se derivan de tales axiomas, Se encara después el problema de la existencia del detemminante y se llega al desatrollo por los elementos de una fils, A continuacién, y sobre Ia base del concepto de inversiones de una permutaciGn, se da el esanollo del detenminante en funci6n de los olementos de la matriz, y se demuestra ls igualdad de los determinantes de dos matrices cuadradss y traspuestas. Se encara desarrollo de fos determinantes por los elementos de una linea cualquiera, y se demuestra el tcorema relative al determinsnte del producto de dos matrices, Después de exponer el concepto de mattiz adjunta de una mattiz cuadrada, se da un método pars invertir mattices no singulares. 52. DETERMINANTES En lo que sigue, supondremos que K es tal que | +140, y si AEK™", escrbinemos A=(A Ap s+ An); donde Ay con 1 K Esto significa que se satisfacen los axioms |.,2..3.¥ 4.10 DITERMINANTES Daremos ahora une expresin para 4a funcion determinante de orden n a detorminante de orden n — 1. Para ello definimos, para cada fila /= 1,2, DikM™ ok ‘exponsas det mediante la asignacién Da=Sae | donde Ay =(-19"D (A GID) « Ova DUAY=a14 Ay bain Ais +... 4.ain Ay VEE Ty. Probaremos que la definiciGn (1) satisfac los sxiomas rombeados | 1 DUAL Ag A HA Ane =2 au Ayam Ane 42 ay Ay = i ~@in 0a) a+ Bay Age SDA AaB Ay) FD OAL Ag Ay cos hy) Después de distibuir en ol primer témmino y considerando que cada determinante de gen Gr 2. pata / #4, esta sume de dos determinantes cuyas clumers fa lugar & son Bay My 2 PE Ay asede Ade S ayhye oan hat og hy | Liz Ss detomiany, cn Ses cnn dete tr 9 Pde xe en vit dele ipoek aden ea DEA As Avoca) =e Ghy Aap An ft ea ee = Ae =e Aw ay wes Ay ne: CD ay DLAC} CDM ay ya D(AGIAED) © CUM anD (AGI) HCA a, D (AGI) 0 40M=$ C1" syn (16 In) = | =D" Syd (119) =1 Entonces, Vn €N, Viet, la funcibn DKKumicipap 1 definida por DIA= Zu Ay ‘esun determinante de orden ™. io formula anterior eorresponde al desarollo del determinante por la tsima fla y expresa aque todo detetminante es la sume de os productos de fos elementos de la fila # por sus Correspondientes cofactores. 5.5, UNICIDAD DEL DETERMINANTE Expondremos primero algunos conceptos elativos a permutaciones ¢ inversiones de una permutaciGn, sin entrar en detalles de demostraciones. Después hallaemos uns expresion del Geterminante en términos de los elementos de la matriz, de modo tal que se satisfagan los centro axiomas de le definicién. 55.1. Permutaciones Sea el intervalo natural inicial fy =| 1,2,--.47 Definieiin Permutaciones de I, son todas las funciones biyectivas de I, en sf mismo. Si Gilqly € une permutacion, entonces o queda caracterizada por el con ondenado de las imigenes a= (0(1) 0@)...0() ‘Como 6 es biyectiva, existe la permutacién inversa de 6, 0 Ty fy definida por MAF § eM Como la composicién de funciones biycetivas de 1, en Ty ¢5 también una funcion biyectiva, rsulta que la compesicién de dos permutaciones de I, 65 una penmutaciin de In Pormutacion idéntica es la funcion identidad en Ty, 55.2, Trasposiciones “Tresposicion /sima de la permutacién 0 es Ia permutacion. Jenn a sitinetitl io(D= { oG+) 8. om si168 DETERMINANTES Por sjemplo, dada la permutacien de Uy o=Q1345) entonces es %® (3145) Toda trasposicién de una permutacién intercambia dos imigenes consecy alas restantes Se verifiea que la permutacién inversa de una trasposiin es una trasposicién, Por cjemplo, fa permutacion inversa de la trasposicién %=(23:145) sy deja fjas cela trasposicion 23 =@1245) Se demuestra que si oes una permutacion de I, y n> 1, entonces existe un mimezofinito | de trasposiiones euys composicién es la dented. Por ejemplo, si i o=23145) entonces %®=(21345) 1n,=(1°2)= 23.48) 5.5.3 Signo de una permutacion, Sea @ una permutacion de ty. El simbolo €(0) denota el aninimo nimero de ‘rasposiciones que trasforman a ¢ en la identidad, Convenimos en que e (1) =0. Diremos que oes par si ¢ (a) es pat. Si €(0) es impar, entonces es impar. ‘A cada permutacién 0 de Iy sv le puede asignar ol signo + si ges par, y el signa menos si es impat. Tal signo queda caraeterizado por (1)? Se veriica que dos penmutaciones inversis tienen Ie misina paridad. O sea Ct = yo 5.84. Teoma Los determinantes estin univocamente doterminados por fos axiomas 1.,2., 3. y 4. Et determinante satisface Ia expresion PD= ZO doers daeay.2 + Motayn donde la soma se realiza sobro todas las permutaciones de ly,4e ja base candnica de K”, entonces| uwtcwap us Comsideremos A=(Ay Ay ...A,) €K"*", Si Ey, Bp,...., Ey son los veetores columnas DOAV=D (AL Aro Aa) DGS ea By San Bis Zein BD Mediante 1. podomos exprosario como tna suma de términos del tipo Dlaciy,s Bacay Aoe2y.2 Eoe2y: + Monr.n Been) donde (1), (2), » O(1) denota una eloccién de enteros entre 3 Por 2.s¢ tienen términos de la forma i y¢3),1 4a(2)2 +++ Fatma D Boer) Bacey -- -Bagn) Si algin o asigna el mismo entero a valores distintos 7 y j, el determinante es nulo en vistud de 5.3,2, Esto sigaifica que debomos considerar s6lo las permutaciones de ly. Lego DA)= Zaocya Gyaya + forma P Ever) Foes) Foon) Los veetores candnicos Eq¢1}, Eo(2y:---+Encn) comstituyen en cada término una permutacion de E;,Ez,...,E,. Si €(0) denota el nimero minimo de trasposiciones ula identidad es 1) DB, Ea. -En) necesuias para ubtewe I D Eau Boray -- Bown) donde (—1)° es el signo de la permutacion, Por 4, resulta Baer Faery --- Boems) = DD= DO Porconsiguient es DADE ED aoenys Boeaya + -- oearn | Bate desaroli del datenminante no e il para el eeu, pero st oes desde el punto de |, vsta tesco.166 DETERMINANTES 5.6. DETERMINANTE DE LA TRASPUESTA Demostraremos que dos maticestraspuestas en K"™*" tienen igual determinant, Osea, si A € K"™*", entonces D (A) =D (A, Sabemos que DAM ZEN aac. tecsy a dorm ‘Sea una permutacion de I. Si (=, entonces O° (4) =/ Luego fours We Bn todo producto del tipo Boeryt Mo¢a p++ -Goeayn cada entero Ke Ty fi igor una sola vez entre los enteros 0 (0). Por consiguiemt, tal product Puede escribise asi Payday. yl sums os Beg, POMONA) dot ony yaque C=C pees Fn eata sume, cada términ estéasociado a una permutacin de Tq, digam fecome todts las permutaciones de In, lo mismo ocune reapecto de 0" Dermutscién caracteriza unfvocamente su inversa, Por consiguiente, ta suma es igual a 2 eye 9, y cuando o ya que cada ta’) 983,0(2)- + n,o¢m) Ejemplo 5-5, Caleulamos, segin 5.5.4, el determinante de C=(A B)' siondo. 1-2 12-3 1o2)y pe 0 2 20-1 Bfectuamos primeroie DETERMINANTE DE LA TRASPUESTA 167 Entonces a3 4 c=(aBy=(-2 2 0 5-5 2 Para obtener los seis términos del desarrollo 5.5.4. podemos aplicar la conocida regla de Sarrus, repitlendo debyjo del determinante las dos primeras fils de la mattiz, y ‘efectuando los productos indicados 3 veo-[ | Bn el caso de un determinante de orden 4, esta regla no es aplicable,y la obtencibn de Jos 24 términos del desarrollo es may penosa. En todos los casos de cileulo es preferible el desarrollo del determinante por Jos elementos de una fila 0 columna, ‘como se indica en 5.3.5. En este sentido, primero extraemos el factor 2 de la segunda fila, y después sumamos a la segunda colurina la primera: 2.24 (-2).(8).4) +5 .(-3).0- 5.2.64) 3. (-8).0-2).-3).-2)= 12-40+40+ 12=0 33-4 1 1 ole2 5-52 3 0-4 -1 0 0 3 0-2 D(=2 = O por tener una columna de ceros. Elector puede verificar que D(C)=DAB) Ejemplo 5-4. Caloulamos el siguiente determinante: D@= 135 351 513 ‘All primera fila Jo sumamos las dos dtimas y extraemos el factor 9 999 rid 351 351 S13 513 ‘A Ia sogunda y tercera columnas les restamos la primera tao | 5-4-2 D@= 9 DiA=168 DETERMINANTES Desarrollamos porla primera fila, segin 5.3.5. 2-2 ~4 2 ‘eniendo en cuenta que los determinantes de dos matrices traspuestas son iguales, log saxiomas y propiedades rlativos alas columnas son vélidos para le fils, En consecuencia, el desarollo de un determinante por fos elementos de una fl Propucsto en 53.5, se haee extensivo a Tos clementos de una columna. Podemos dest entonces, que todo determinsante es igual aI sume de los productos de los elementos de ung ‘nea (fla 0 columna) por sus respectivos cofactores. D(A=9.1 9(-4 -8)= 108 Frempto 57. Desarolanos por los elementos de laprnera columns ttoad DM 18 oS ference Antes de efetuar ol desarrollo podid reciemes a0 ose tos elements dela Primera columna, para lo cual restaremos a cada fila la anterior multiplicada por. 1 [0 be cw dew PO To gab nae dad 0 Bab? cae? dal? Desartollando por la prtnera column y factoreando ba ca da Dias | bO-a) ea) aaa) Ba) Mea) Pa) Extrayendo factores en cada columna bad bed Pad I detenninante de orden 3 que resulta es del mismo tipo que el primero. Ahora restamosa cada fila la anterior por D(A)=(-a) (ca) (d-a) D(A), (b-a) (ca) (d-a) esis 0 eb ab 0 be dbba Desarrollando por fa primers columma y extrayendo Factores se obtiene DWab-Hle-old lees)? I]DETERMINANTE DEL PRODUCTO 169 Osea D(A)=(~a)(c~ a) (d-a)(e~ b) @-B) (de) Bl determinante propuesto recibe el nombre de determinante de Vandermonde, y ferando la fila de elomentos a, b, c y dysu desarrollo es igual al producto de lox binomios que se obtienen restando cada elemento de Ia misma de todos los que le siguen, 5.7. DETERMINANTE DEL PRODUCTO DE DOS MATRICES Demostrazemos que si A y B son matrices», entonces se verfica que D(AB)=D(A)DB) 0 sea, el doterminante del producto de dos matrices es igual al producto de sus éeterminantes. Considerando la mate A particionada en veetores columnas, se tiene By Bie ve bin Day Bia sss Bon CH ABS (Ay Ars An) . Bur Pat ban Btn ds Boe dy Bbw Ad ego DAD=DE bn A, Sb Ay bm AD SED Goer, Act) Boe2y2 Aoeer: + Pogmn Aon) = = E baeny Baran + >» Bagann D (Aacay Bacay ++ Aug) = HEC doers Bacay.a ++ Boonrn DCAs Aa ++ An) = = DEAE CI dons baenya Beem = =D(AYD(B) |170 DETERMINANTES 58. ADJUNTA DE UNA MATRIZ CUADRADA. $8.1. Definicion Adjunta de una matetz cusdrad 6 a traspuesta de la mattic que resulta do sustituy cada clemento por au cofactor. Si A : ‘entonces lu matric adjunta de A se denota mediante el simbolo Adj A, y es An Aa. Ant Ain Aa vs Ane AdjA= Ain Bias Ban Por ejemplo, la matrix adjunta de 5.8.2. Propiedad La suma de tos pro uotos de los elementos de una fila de una matiz cuadrada por los cofactotes de Tos eleme los correspondientes de otra fila es cero, Sea Ac donde h #7] ADIUNTA m ssumando a a fila ta fila fel determinants de esta matcz no varia, es decic tu pa Ayre rata ant din esartollando el segundo miembro por los elementos dela fils se tiene DOAD=,E G40) Ans Entonces DOAD= Eas Ans +2, ay Ans La primera sumatoria es D(A), en eonsecuencia D(A)=D(A)+ ay Any Lego Esta propiedad también es vilida para columnas. A continuacién demostraremos que el producto de toda matriz cusdrada 2 izquierda y derecha por su adjunta es igual al determinante de dicha matrz por la identided, 583. Teorema Cualquiera que sea A €K™" se verifica que ALAg)AS AGA. A=D(A).1 En efecto, aplicande la definicion de adjunta de una matri2 cuatrada, el producto de satrices, 54, y 5.8.2. se tiene ay da ees din | [An An os Ant xy iy ss dan | [Ate Azz vse Ane AAdjAS is Aur doa os dan] Aan Aan oe Annay m DETERMINANTES Feu Ay Bay hay. Be ayy Ay Betas Zeon Bay oo Ba bay Ptr As Bs Bay os Betyg D(A) oO oO Oo DEA) oO 0 0 1. pa roo io 0m fs fepa.t Cod En forms andloga se prueba que Adj A. A=D(A)I 5.9. INVERSION DE MATRICES NO SINGULARES Pemostraremas que na matic cusdrada es invesible sly solo i at dotemisante es distinto de cero, Sea eX™", 1. Supongamos que A es inversible. Entonces existe Be" tal que AB=BA=1 Luego D(AB)=D@A)=DA) Por deterninants del producto y de Ia identiad es DA)D@)=DE@DA)= ReoultaD (A) #0, puss en aso contraio su producto por D(B) seria 0, yno 1, 2. Sea, AEK"™" tal que D(A) #0, Demostaremos que Aes inversibl, (or S83. sabemos que el producto do tod mati cuadrada por su adjunta es igual a 4eterminante de dicha matriz por a iontidad, o sex A. Adj A=AdjA.A=D(A).1INVERSION DE MATRICES mm or hipotss el xa D (A) distin de oer, y viendo por resulta AGA, LAgA D(A) D(A) Entonces, por definicién, existe AT y es Adj A D(A) ne de este modo otro método efeetivo para el edleulo de la inversa de una matriz Se ob no singular. Bjemplo 58. ‘Obtenemos a inversa de la matrix del ejemplo 5-6 las a-(3 31) $13 ‘Como D (A) = ~108, existe A7 Primero obtenemos fa adjunta de A. 14-4 22)! 4 -4 -22 asia- ( amu) = (4-2 i) 2 14-4 2 4-4 Logo Osea fae SH fee ce se 54 5a ni7 2 a) Ejemplo 5-9. Demostramos quo los determinantet de dos matrices inversas son escalares recfproces, Sea AeK"™*” no singular, es decir tal que existe A Entonoes 9 tiene AMOe i DETERMINANTES DAAY=Dq Por determinante del producto y de la identidad es D(ayD(at Osea DAY= pay Blemplo 5-10, Demostramos que dos matrices semejantes tienen determinants iguales, Se A 6K". SiBe Kes" os semejante aA, entoncescxiste Pro singular tl que Bart ap Entonces D®)=De)DA)De Como K es conmutativo D®)=DE)DE) D(A) Por determinante dol producto D®)=DE" PD(A) Osea D®)=DMDA) Y resulta D@)=D«) 5.10. REGLA DE CHIO rnaisiremes un métode, conocido bajo el nombre de regla de Chio, part reducie un gyleminante de ordon a otro de orden 1, alos efctes de falitar el ieulo dela sraname ¢ similar al que proporeiona el método de Gauss Jordan pat le determinacién del rango de una mattiz Sea D(ay= Gat Ona os Gay +++ nnREGLA DE CHH10 us wvote un elemento no nulo, digamos ay. Después de extraerio como Blegimos como pi por Ta lf edsizemos a cero fos mds clementos de cours de pote ay ayy oe Gay oes Bin Way age May oe Ban D(Ajeag | 22 42 1. 1 a ay ay ay nt Ona oe By vee Ban ‘Accada fila h, con hr #1, le restamos la fila multiplicada por ay, y resulta On O oes day SIH a on ta ay 4 a tan OLE Ov han EE 4% 4 [Al desarrollas por los elementos de la columnna j resulta un determinante de orden = 1 snultipieado por (1) ay. Manarsavo divdic a ha o a columnna del pivote por dl nel segundo casos educen & cet a dems lenenton do Te fla dx} pvote. En ambas situgionss el proceimionto cos ‘conuste en aplicar el mgtodo do Gauss Jordan teniendo en venta, ademés, et factor (-1)" ay Bjemplo 5-11 Caleta, usando la opa Chio 20-1 2 32 PA lo 2D2 230-1 = ~2y diviimos la tercera fila por ~2, con lo que ol fe valor. Los restantes elementos de fa columnna del determinante que no figuran ni er la fila ni Consideramos como pivote 2.435 determinante queda multiplieado pores del pivote so anvlan, y a Jos elementos16 DETERMINANTES grit colurmna de pvote se fos trasfomna de acuerdo con arg dl “ectingul Se tione D(A)=(-2) - ence a Desarrollando por la tercora columnna resulta Oe DA@=(2 [3 7 -5 al ‘Tomando como pivote axa = 1,y reiterando el procedimiento se oblione oat i D@)=—2) | -5 0 9 ~4 0 4 Desarrollando por Ia tetcera columna resulta payer |S | 22¢0~39--32 eles areneTRABAJO PRACTICO V 4512 Caleular los siguientes determinantes desarollando por los elementos de wna ines, reduciendo a cer0s todos Ios elementos de Ia misme, salvo uno: ate 243 pays }o3 1 p@= [131 art 412 11-2 4 Sete aal Oi o 2 vpo- 194 1 0) P@= ]4 aa 304 241 B13 2 5-13, Demostrar que el determinants de toda matrz triangular es igual al producto de los clementos de su diagonal 5-14, Demostiar que sun determinante tiene dos ineas proporcionales, entonces os nul. 5-15, Resolver las siguientes ecuaciones: jp-rd 0-2 ij2-x 3 6 0 ojo 4 1tx 2 2 4 2 to dex 5.16, Seala atria, Resolver fa couacion D(A ~A1)=0 5:17, Resolver la eeuacién D(A —A1)=0 siendo fa be goood add oo + 2 2 pou 44 2i DETERMINANTES 5-18, Demostrar que el determinante de toda matiz ortogonal vale 1 0 —1 519, Sea AK", Demostrar que D(AgjA)=[D(A)!™ $20, Demostrar que Ted 1 ee a ji aod a | $-21.Sean Fy g funci Demostrar que si reales de una variable eal con derivadas primeras y segundas. ts lr | entones i oof by 5-22, Demostrar que si n vectores columnas de K" son linealmente independientes, entonces el determinante de fa matriz.cuyas columnas son tales vectores es no nulo, 5:23, Determinar los signos de las permutaciones de 1s, y Ia inversa de cada una 5-24, Sean ay, a3, . «dn escalates distintos, Demostear que las n funciones f,, Yay fn ‘definidas por feet son lneelmentsindependientes sobre el cuerpo de los complejo. 5.25, Obtoner as matrices inveras de Pe ee eee grasa gat ob (@y B son no aulos) 5-26. Determinar, si existen, las inversas de‘TRABAJO PRACTICO V uy 45.97, Sean las matrices Hallar X sabiondo que AX= B. 5.28, Verifcar las siguientes identidades en K pjlaa ee -NO-NE-H ey ayes PEE) eepeetnete y ag ter net s0 tat fix y ett iy beet ares te wf x 2b | eotyee? rer-y ‘29. Bfectuar, modiante el determinante del producto de dos matrices, r-leoay ty o7 3 | taille e 5.30. Calcular fet it o1 10 at ‘5-31, Dadas las formulas de tratformacion de coordenadas esféricas a cartesianas x= pees pcos 9 y= psen poos 0 z= psend180 DBTERMINANTES obtener el jacobiano de a trasformacién, es deci, el determinant cuyas fits on ig derivadas parcial dex, yy z, respecto de p, py 8, respectivamente 5-32, Obtener el jacobiano do a trasformacién [usxey x lv donde X>0,¥ > 0, Y $33. Demostrar que el determinante de toda matrizantisimétrica de ondenimpar es nulo 5:34, Demostear que =IAIID-BAT Cl donde A y D son cuadradas y A ct no singular, 5:35. Si Ay D son simétricas e inversibles, entonces (\ a (" + FET RE rr) Bop ee donde B=D — BEA By P= A" B. $36, Seon Ae K"™" no singular. Uy Ven K"™", Demostrar atuytat 1FVAU @tuvyteatCapitulo 6 SISTEMAS LINEALES 6.1, INTRODUCCION En este capitulo se estudian los sistemas de ecuaciones lineales sobre Ia base de su estrecha relacin con las trasformaciones lineales,y se analizan los espacios soluciones de los sistemas lineales y homogéneos. Después de la demostracion del teorema de Cramer, se tata Ja compatiblidad de tos sistemas lineales generales. Se dan, finalmente, los siguientes métodos directos de resolucidn: de Gauss Jordan, de Ie raiz.cuadiada y del oriado, 62. SISTEMAS LINEALES 62.1. Concepto Consideremos Ae K"™” y la funcién Sik Ke definida por IX)=AX (1) onde X denota cualquier veetor colurana de K”. ‘Afirmamos que la asignaciéa (1) earactetiza a f como una trsformaciéa lineal de K" en K"_ En efeeto: 1 AX#Y)=A(KHY)=AXFAY S/W) +AY) 2. NOX)= A (aX) =a. X=0fX), Por consiguient, toda matic A €K"*"" dotemning un tasformaci6n lineal: K™ “> K" Aefnida por f(X)~ A X.7 182 SISTEMAS LINKALES HF) = AX Sea B eK". La igualded {0028 ole que esto mismo AX=B recibe el nombee de sistema de ecuncioneslineales. 1a teaducei6n do tal igualdad es eo. Bfectuando ol producto y aplicando la dofinicion de matrices iguales se obtiene fa forma scalar del sistema de 1 ecuaciones lineales con m variables aur barnes be. bet “BL ay Fae be tam Xm 203 Cs La maltiz A, cuyos elementos son los eoeficientes de las variables del sistema, recibe el | ‘nombre de matriz. del sistema, Los escalares que figuran en ot segundo miembro se Haman ‘éninos independiontes. La matriz de coeficientes ampliada con los tSrminosindependien- tes se denota mediante (AB) yes un elemento de K"™*( #1)SISTEMAS LINFALES 183 wn por fyde (B.C Ke Conjunto solueign dol sistema lineal es i preina on kK" x - on f(B) 0 s20, cada maupla de elementos de K que satisface a todas las ecuaciones del sistema es una solucién del mismo, Entonces = (41, 04,-+ 14m) eunasolucioneae F* (11) Sila preimagen de B € K" es el conjunto vacio diremos que el sistema lineal AX=B es incompatible. Si el conjunto soluci6n es no vacio, entonces se dice que el sistoma es ‘compatible Afirmamos que AX=B tione solucién # Bel) : AX-=Besincompatible + BY) En particular, si B es el veetor nulo de K™, entonees AX=0 (I) recibe el nombre de sistema Tineal y homogéneo. En la forma etcalar, los ‘érminos independientes son mulos, Como O€ K satistace a (11), todo sistema fineal y homogéneo es compatible. El vector nulo de K” se llama solucin trivial del sistema lineal y homogéneo, Denotaremos con $ al conjunto solucién de (II). § es la preimagen por f de Oe K", En consecueneia, el conjunto solucién del sistema homogéneo es el nicleo de f. Resolver el sistema (It) es determinar el NG). Per lo tanto, $ es un subespacio de K”, llamado espacio solucién de! sistema lineal y homogéneo,SISTEMAS LINEALESESPACIO SOLUCION 1s £623. Dimensi6n del espacio solucién de un sistema homogéneo CConsideremos el sistema lineal y homogéneo AX soa el espacio solucin, os decie S=NY) donde f esa trasformacién lineal a que nos hemos referido, ‘De acuerdo con 3.4. se verifiea que ddim ND + dim 1() = dim K™ | Bn consecuencia dim + p(a)=m Osea dimS=m— p(A) ‘Lego, la dimensin de espacio solucin de todo sstoma tines! y homogéneo es igual al simero de variables monos el rango dela matiz de coeficientes En particular, i (A) =, entonces es dim $ = dim N(f)=0. En conseevencia {0} | x decir, st ol rango de la matriz de coeficientes de un sistema lineal y homogéneo es igual | almimero de variables, entonces dicho sistema admite como Gniea solucién la trivial. | Fiempio 6-1 Interpretamos el siguiente sistema lineal en téminos de una trasfomnacién lineal y determinamos la dimensién de su imagen 1 xy — ay xy +2e4 20 eyes tay t xy | yo We, + Bty =I Jamattiz del sistema fis E1 vector de los téminos independientes esSi consideramos el sistema hhomogéneoTEOREMA DE CRAMER 187 centonces Ia trasformacién lineal asoeiada es la misma del ejemplo anterior. Resolver el sistema homogéneo significa detesminar el nicleo de f, cuya dimension es dimS=m_~ p(a)=3—2= 6.3. TEOREMA DE CRAMER Si Ae K"™" 6s no singular y B eK”, entonces el sistema lineal A X= B sdmite solucidn |e, y ef vin de cada vale colt nto a dsteminante qu mo ohne | sstitur, en el determinante del sistema, Ia columaa de eoeficientes de la variable por la ‘atin des trios ndpenonto ye ateminante a see Seed cea neal AX lar, premultiplicamos por su inverss AMAXEATB Como A es no sin | Asociando. | (WT A)X= AB Lego Ix=a tp En conseouey X=A"B tla dinicasolucién del sisten De acuerdo con 5.3.S., como D(A) #0, las 1 columnas de A ‘son linealmente |independientes y constituyen una base de K". Por consiguiente, cualquiera que sea B eK", [sen ois vm tos ave vorlodonostadoenel impo $4 eit x) = Dr Ad An) i v DKA) Fe todof=12,...m donde esa ohm dua Los sistemas dem ecuaciones con n variables se llaman cuadrados,y si el determinante de lamatriz de coeficientes es distinto de cero, entonces reeiben el nombre de cramerianos, Flemplo 63 | Resolvemos mediante ef eorema do Cramer el siguiente sistema: 1 1 + Dy — Day = Wy- xt y= 3ee | 188 SISTEMAS LINEALES La matriz de eoeficientes os 0-1) 22 to 18, 63. | | oo 33 ia . 35 ; ieee ci: 1 ‘Como la solucion es X= A" B, se tiene Loa ca 53 : le a | : ae 1 2 ‘ rt oat lal to : 6.4, COMPATIBIADAD DE SISTEMAS LINEALES : ‘Teorema de Rouche Frobenius o de Kronecker Un sistema de ecuaciones linales es compatible si y s6lo sila matrz de coefcientes yi ‘matriz ampliada con los términos independientos tienen igual rango, Sea el sistema lineal A X=B, donde Ae K™*™, XeK™*! y BeK™, y goa A’ ls matt {de coeficientes ampliada con la columna de los términos independientes. i El teotema afirma que { AX=Bes compatible + p(A) (a)‘TROREMA DE ROUCHE a9 En efecto: 1 AX=Bes compatible #3 aeK"™*! /Aa=Bo os 24,250 n CK [Ay Ag = Am) 304,03). -. 5m CK /B= Fay Aye ‘2B es combinacién lineal de las m columnas de A @ Be SoA) # (A) = P(A) Por definicién do sistema compatible, producto de matrices en forma patticionada, definicin de combinacién lineal, definicion de espacio columma de una matt y de rango de ) una matiz Denotando con T el conjunto soluctén del sistema puede oxpresase asi 2] teorema demostiado wal AX= T#9° pA) (a) a consecuencia T=9¢ P(A) #p(a) © sea, un sstoma de eouaciones lineales es incompatible siys6lo silos rangos de la matriz | de coefciente, y de Ia mats. ampliada con la columna de los términos independents, son distntos, 6.42. Conjunto solucin de un sistema lineal compatible Sea AX=B un sistema lineal compatible, es decir, tal que p(A)= p(A’), donde AeK™™, XK eK™*! y Be K™?, Se presentan las siguientes situaciones: 1, El rango de ambas matrices es igual al numero de variables. Si p(A)= p(A’)=m, entonces las m columnas de A son tinealmente independientes y, en conseouencia, B es combinacién lineal inica de talos columnas. Esto significa que existen | escalates a),.03,.--5 Oy €K, tnicos, tales que yt oN avi 08a, 0= |“ | osta tinica solucién del sstoma. on 2, PLrango de ambas matrices es menor que el nimero de variables.190 SISTEMAS LINEALES Supongamos que p(A)= p(A')= r$ = [0 } a solucin del sistema es la trivial 2.r An= AU ES)=AL+AS=B4+O=B=HeT,CONJUNTO SOLLICION 199 suego r48CT (2) De (Dy (2) resulta T=648 En consecuencia, toda solucin de un sistema lineal es igual a una solucin particular de dicho sistema, mis una solucién del sistema homogéneo asociado. En otras palabras, el :nto solucion de un sistema lineal es igual ala suma de una solucion particular con todas {os goluciones del sistema lineal y homogéneo correspondiente, Ejemplo 6-9 Interpretamos geométricamente el significado del toorema anterior considerando el sistema lineal de una ecuacin con dos variables En este caso es A= (2 1 1), Ambes matrices tienen rango 1 y el sistema tiene infinitas soluciones, El sistema homogéneo asociado es Yy comresponde a una recta que pasa por el origen. Une solueién particular del sistema edo es (1 ,1)=f, Sumando a f los vectores eorrespordiontes a todos los puntos de la recta de ccuacién 2x, ~ xp =0, se obtione la recta T, paralela aS,—————————————$——$——————— . sisr24as LNEALES Sempe 10 Dado este tine tit tat tot mt nee 7 [stant mt meage 2 Xz + 2xg $2tq F6x32 23 (sep +4ra +3r5 +3eq— x= 12 ‘determinamos: el espacio solucion del sistema homogéneo correspondiente, una base y la dimensin de éste, una solucién particulary el conjunto solucién de aqué, ® 1 1 1 Tale A (og | Ce so | 1 1 i 1 ier ee [Og Sele 0 eee |e ee ag oo co 4 Be el (A)=p(A)=2 = el sistoma dada tione infinity soluciones, Resolvemos el sistema homogéneo, cuyo espacio solucl6n tiene dimensi6n 3. spa [ar — asa ~5e [x25 420 465-0 Trasponiendo la variables secundarias t Ay = xs t xq t Sey a= — Dey — ty — Gr FL espacio solucién esti dado por |CONSUNTO SOLUCION Pa xnetpt sy X25 — 20-28 ~6y x4=8 57 ‘cualesquiera que sean a, By Ye R. Luogo x 1 Ms -2 -2 ~6 Xs rf+e] ol ty xa 0 ' Xs 0 0 1 Una base de $ esté formada por 1 1 5 2 2 6 r},fofly]o ° 1 0 0 0 1 Obtenemos una solucién particular del sistema dado haciendo x3 = x3 * x. 16 2B r={ 0 0 0 Luogla solucion general es -16 1 1 5 2B 2 2 6 w= | ofte] rfp} of+y] o ° ° 1 0 o 0 ° 1a SISTEMAS LINEALES. Osea 16 +a +B + Sy 23 ~ 24-28 6y 6-8 RESOLUCION DE SISTEMAS SIMETRICOS POR EL METODO DE LA RAIZ CUADRADA ines sucesivas © obtienen soluclones con la aproxinecion sii tno lteencia de ésos, los métodos dectoroexactors ean mote t Jone ‘mio de opriciones attics elementals, Tle lean del mode tens Jordan, cn zaremes aqui el método dreto dela raizcuadrada paca I reslicin de sistemas ‘ical cuadmdos con matric de coeficintes stray primes elemeate ne ans Sea entonces AK=B (1) fal que A= A en K™", XeK™!, BEK™! yas, 60 Probaremos que existe una mati tiangula ta que AsT'T Q) Proponiendo ta forma escalar de (2), dabe ser rr OV Gr tee ty Mas. ay ta ts 0 O}f 0 tte. tie 1 aaa... ay ty tin toys tral 10 a Por igualdad de matrices, después de efectuar el producto indicado, resulta 1, Considerando ta primera fia Aina, ava Si/> 1, entonces hitysaySISTEMAS SIMETRICOS 203 Lucgo © sea, la primera fila de T se deduce de ta de A de l siguiente maners: ol primer elemento, clu rie cudrada del primero de A, y los restantes se obtienen dividiéndolos por osa raiz cuadrada, Jit ay ak a prtmag= BS twutns Ey tates tute 2 tutes Eta ty ep eee eet La determinacién de los elementos de fs matriz triangular se reali en una sola etapa y por filassucesiva. La traduceida de las fnmulas obtenidas es Ia siguionte: todo elemento diagonal, a partir de Ta segunds fila, es igual a ta saiz cundrada de ka diferencia entre el elemento a, correspondiente y fa suma de los cuadrados de tos elementos de la misma columna de la ‘matrix triangular, Todo elemento no diagonal ry os igual ala diferencis entre ay y la suma de los productos, fits por fila, de los elementos de las coluas correspondientes, dividida por el elemento ty de la di Retomando el propésito original, de (1) y (2) se deduce onl MPX=B Hacienda TK=B @) se determina el vector K, y considerando TX=K (4) conocido K, se obtiene X. La determinacién de las componentes del vector K se efeetia de fa misma manera que las colummas de la mattiz T, En efecto, considerando (3), e8 ty 0 of} fas ay | fa tea of fk bn fan fan os tam | [i ¥ nde resulta, por producto ¢ igualdad de matrices:204 SISTEMAS LINEALES. Lith by ny 2 bem S take 2, tnukn= bE thks fa = take t ES thakn > = AL fi Finalmente, obtenidos T y K en una finica etapa, so resuelve fécilmente et sistema triangular TX=K Ejemplo 6-11 Resolvemos el sigu e sistema simétrico por el método de la ra euadrada: x42 + y= 0 Dep Sep — x28 2ey- my tBx= 4 Trasformamos, de acuerdo con el esquema propuesto, las filas de la matrix de coeficientes ampliada con fa columna de los términos independientes: as oe rytctetn ta2.2. eee 33, 4 bi oa oo a En conseeuencia: Lucgo‘METODO DEI ORLADO 20s a Ke -'s) 4 Las condiciones para que el método sea aplicable son: 4, #0, ¥i=1,2, La soluci6n os Fiemplo 6-12 Resolvemos por el mismo método | xt x25 2 x Faxy=—5 = 2) + 3x2 —2xy5—1 [No es necesario multiptcar la primera ecuaciOn por ~ 1 para obtener elementos reales on, “1 1 2 1 ° -s -2 3 L : =i a i 0 1 1 -3 0 ° ' -2 Entonces, 69, METODO DEL ORLADO que es directo, permite obtener la inversa de una matriz no. singular amos M de acuerdo con el esquema n=(a—I+t i. mle) Pere eee ere Suponemos conocida a inversa A del primer bloque y proponemos, pata la inverse de M, el mismo esquema de particién. para filasy para columns, y se tiene206 SISTEMAS LINEALES xy oo a donde a eK {0} Considerando que Mart = se tiene A By/x fi io ewe) (9 Osea AX4+BZ=1 o ayeBin @) & CKtanZ5N 3) cyeteat (4) De (2) ATR eo Susttuimos (5) en (8) 1 C8" Bann = 05 Logo inn —CA™B (6) Dea) RL x=, Teniondo en cuenta esta relacion, (6) y (3), 05 CAA" BZ) tay, Z=N C84 CA BZ tay Z=N CA fay ~ 04) 2 + dan Z=N Gan ZF Oy Z+ fgg Z Zeca A*BZ @)METODO DEL ORLADO 207 =f" (gy De (7) (8) 1 ATBCAT XA o Entonces Se trata de un exso particular de la inversion por perticion estudiada en 4.18. Este método se utiliza para invertir matrices por orlados sucesivos, construyendo las foo) (RES) te Conociendo Ia inversa de A € KAD), ge ealeule M" © K™%, para fo cual es inversas de preciso obtener: 1 Du Ape] ben Baan 2 CAT = (qs Gud Crynet) Dan ban ban Dan 3. Gy tyq —CAT B= ayy +C Atnn + (Ont Oya = Syn) . ce Bnet oy dan +73 ty Dow208 SISTEMAS LINEALES ‘Tambign: on CA BE tay + Ens Ena sna) fon wont OE anc 4, Los elementos xy de ta submatriz A'4+A7BCA™ son, amanda x'y a los correspondientes elementos de A xyex'y HW sien —1fen—1 Ademis eee sif AB oe | 1 = 5 3 3 1 cat wet le resolver sistemas del tipo MX=KTRABAJO PRACTICO vi G43 Sea f2R2-+RO ung trasoemacion Knead caracterizada por ta matte A ot 1a exam =0e Ejemplo 7-3. Sea C[-1,,1 Jel conjunto de las funciones reales continuas definidas en el intervalo cerrado de extromos —1 y 1 Pl lector puede verificar, considerando el espacio veetoril (Ch411,4R,)PRODUCTO INTERIOR fe «que la unin definida por (fg) =J1 £6) gGa)ds caractetica un producto interior en dicho espacio. Para ello es sufiiente probar que se ‘cumplen Ios exiomas de la definicion teniendo en eventa propiedades elementals dela integral definida. 72.2. Producto interior de dos combinaciones lineales ‘Sea (V, +, R, .) un espacio con producto interior, y sean las combinacioneslineales xeZax 52 Oy donde Bek y x.yeV De acuerdo con fos axiomas de la definicién, se tiene Zax 8, bys ony = Bait fy.mo= 3 aS 6 oy a= 284 (x5 95) Homos aplicado sucesivamente i) ii), yi i En particular es laxtyaxt yaa (x0 +aCxy)taCy x04 Hey yee (x x) + 20K, 9) HAY,Y) ),propiedades de la sumatoriae 0), 7.2.3, Propiedad todo espacio con producto intetior, el producto interior de cuatquier veotor y el vector nulo es cer. En efecto, por sex O neutro para la suma en R, por el axioma Ay de espacio veetorial y pporel axioma de linealidad del producto interior, s tiene 0+ (0,x)=(0,x)=(0-+0,x)= = (0, x) +(0,x) en (R, +) resulta 0=(0,x) Por ley cancelatia8 PRODUCTO INTERIOR, GEOMETRIA VECTORIAL Luego (x ,0)540, 2950 7.2.4, Médulo o longitud de un vector Definicion Motulo de un vector en un espacio con predict itevor eta rae eundada no | nepativa del producto interior de dicho vector por sf mismo, El simbolo lhc se lee: mado o fongitud de x. De ceuerdo con la definicion es IxtevOna) En R®, con la definicion dada en el ejemplo 7-1, six id=? 4), entonces Vises | AAI médulo de x se Jo Hama también norma de x. Se verifiea que el cuadrado del médulo de todo vector es igual al producto interior de dicho vector consigo mismo, es decir ix Definicién Distancia entre dos vectores x e y, en un espacio con producto interior, es el médulo de su diferencia, d(xy)= Ixyfe cer woDuLo BI lector puede comprobar que esta definicin satistte lox axiomes de te funcién distancia. 7.25, Médulo del producto entre un escalar y un vector zn todo espacio con producto interior, el médulo det producto entre un estalar yun vector es igual al valor absoluto del scalar por el médulo del vector. ex jal xt En ofeeto: = la Ux = (lal tx? ow Hex =(lallixh? YY como las bases son no negativas resulta Vaxl= lal xt 1 producto de un veetor no nulo por el reefproco de su médulo, 010 que es fo mismo, et cociante entre un vector no nulo y su médulo, és un vector de médulo 1 En efecto, ea x0, Considerando se veritica axl Vanilli" Lea nat! Six=(1, -1,VZ), entonces es, con el producto interior usual, bate vi + Cyt + 0/99 #2 yresalta ield4) un vector de médulo 1, llamado vector unitario | 73, ORTOGONALIDAD Sea (V, +, R, ) un espacio vectorial con producto interior | Dofiniién Dos veetores son ortogonaes sy s6lo si su producto interior es nulo EI simbolo x Ly se lee: x es ortogonat ay. Entonces xlyo(x,y)=020 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL Ejemplo 74. En R®, con el producto interior usual, los veetores x=(2,3) © ys(-3,-2) son ortogonales, pues (x,y P= (-2)(-3) +3 -2)=0 2.Determinamos a € R para que los veétores x=(-34,-4,1) € y=(aa,1) sean ortogonales, con el producto interior habitual. De acuerdo con la condicién de ortogonatidad, hay que determinar a de modo que ony Osea aCo+(-Mat 110 3a? -4at1=0ORTOGONALIDAD, a 4 rages son: : Ly aah 3 Los pares de vectores de R® que satisfacen a condicién son X=63,-4,1 © y=C11) 4 € Biemplo 75 Demostramos el teorema de Pitigoras: six e y son dos vectores ortogonales entonces LxtyP = he? + 1yP En efecto: BxtyP sGcty,xty)=Gc x) kG y+ +(y,x) Hy y= IP FO+04 ly = sta iy? Efempto 76, En ef espacio vectotial de tos polinomios reales de grado menor o igual que 2 y el polinomio mulo, donde el producto interior se define como en et ejemplo 7-3, los ppolinomios son ortogonales, pues vt a2mm PRODUCTO INTERIOR. GEOMETRIA VECTORIAL 7.4, DESIGUALDAD DE SCHWARZ. En todo espacio vectorial cuctidiano, el valor absolute del producto interior de das vectores cualesquiera es menor 0 igual que el producto de los médulos de dichos vectores. Demostraromes que Hox ,y) I< xt yl cualesquiers que sean xe y en V, donde esté definido un product Se presentan dos situaciones Ly=0, Eneste caso, de acuerdo con 7.2.3., se verifica que (xy)=0 y llyll=0 Luego (x.y) l= et By i En consecuencia Hox,y) IS Ex ty! dy AO, Cualesquiera que sean f y w en R, por l axioma i) de la definicion de producto interior, (ixtuy,extuyr>o Desarrollando el primer miembro Px, 4 DEU CK, y dba? Ly, YEO Haciendo way) y us—O,y) CY YP)? C,H) — 20, VICK WIP TCO WF CY DO. in de mBduloy reduccion de términos by Ix — Ay (x,y) 20 Dividiendo por Il, que es n0 nulo, resulta IylP ix? — (x,y)? >O Teniendo en cuenta que el cundrado de un mero reales igual al cusdeado de su valor absoluto, y trasponiendo térinos LyP UxP > x,y 9?[DESIGUALDAD DE SCHWARZ, 2s Ove lox) 4x 4.35 17.1.2. Propiedad ‘Todo conjunto ortogonal de vectores, al que no pertonoce ¢] veetor nulo, es linealmente independiente. ea [X45X2y-s5%r] UM conjunto ortogonal tal que x, #0, ¥= 1, ccombinaei6n lineal iy wry sea ta anno Para cada = 1, 2,.. 7 consideraos GS ax) =0,x9=0 Entoaces Aeonxo=o Como F# 74x; .x,)= 0, ls sumatoria se reduce 2 un dinico término que se obtiene si (x1 ,x)=0 Siendo x; # 0 resulta (x; .x,) # 0, y en consecuencia @=0 WE12.-4F Luego 1x1 %2,-- 2%] es LL. 78, BASE ORTONORMAL 7.8.1, Concepto Sea (V, +R, .) un espacio con producto interior y sea A= | Xp,Xay+-.Xa una base del mie. Definicibn Diremos que A es una base ortonormal si y s6lo si A es un conjunto ertogonal de ‘yeotores de médulo |ne ‘PRODUCTO INTERIOR, GEOMBTRIA VECTORIAL ‘Acs ortonormal © Aes ortogonal y Ilx= 1 , Vi ‘Una base ortonormal es tal que SDs 2 elt TA] (mx 0 fel, 4x1, x1) En consecuencia, integrando estas dos expresiones en una sola, se tiene ‘Aes una base ortonormal © (3, 9° 8y Biemplo 7-8, fa RY, con el producto interior uss, la base cendnica | €15€25, ste os ortonoral «En R?, con el mismo producto interior, la base formada por’ (S.-4) (99) Ax, X20 (x5 42) 7.8.2, Ortonormalizacion de una base ‘Todo espacio euclidiano de dimensién finita a ite una base ortonormsl os proponemos obtener, a partir de wna base cualgusra [,2y+ +o %n una base ortononal. En fete Lxz # O por ser un vector de la base dada, Fn consecuencia Ix, leo El vector x ye ca) e acuerdo con 7.2.5.,¢8 unitario. 2. Supongamos que { yisyas+--¥e | €6 Un conunto erononal. S rats de obtener yoes tage [¥t¥are Seta) sea ortonormal Consideramos el vector Megaetne GE Ones 9sBASE ORTONORMAL 7 se verifen que ay.rx es orignal ays, ¥)=1, 25 pneferto : Cay 99) On 3 Oren YO <(mee (2 Cer YOO WD= = Urner PB Onin 0) b= 2x41 9) Onn) TED Definindo ‘50 deduce que Nyy: I, y en consecuencia {¥s 5¥a0-- 9 ¥nea) sun conjunto ortonormal. te proceso, lsmado de Gram-Schmnidt, nos permite construir una bese ortonotmal a partir de una base dada. jemplo 7-9 En (R?, +, R, .)se considera la base formada por x(1) xb) Construimos una base ortonormal siguiendo el procedimionto desarrollado en el teorema anterior 1 dhvE M21 nea Ee 2 2 — Ole a PY al28 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL, Labase { ys, ys} es ortonormal, Elemplo 7-10 salina caniuato de los polinomios reles de menor grado o igual que 2 y ef Polinomio auto, En (V, +, R, .) se define un producto interior mediante «P,0=/! Parade Galt & base {1,%,x") .constsinos una ba ortonomal mediante el proceso de Gram-Sohmi, 1 IP MP =c1,=ft1 | =2 =ilsyz is 2 vesulea Adomés(COMPLEMENTO ORTOGONAL. 29 7 y. M3, a" Tel v2 3 YOY e ay ons 9 YY nye 0% ILO aI ¥a (1) vi. 1 of Ye ac oss [9 FE avi cas iyad= [Se pe (1) resulta come Hag © C5 29 resilta ‘Yoon consecuencia La base es ortonormal, 7.9, COMPLEMENTO ORTOGONAL 7.9.1, Complemento ortogonal de un subespacio ‘Sou(V, +, R, .) un espacio con producto interior, y sea Sun subespacio de V.230 PRODUCTO INTERIOR, GEOMETRIA VECTORIAL Definicion Complement ortogona el sbespcioS de V, esl conte de os vets dV que_| ton ttoonaes tos ls vetoes de Bl simboto $e lee: complemento ortogonal de S. | xeVixiy, vyes} | Ejemplo 7-11 En R®, con el producto interior ordinario, si (0,0,x5)/*3 ER] de Ses (eas ay %3) ER? Jey =O} entonces el complement ortogor x 7.9.2. Propiedad 1 complemento ortogonal del subespacio S de (V, +,R, .) es un subespacio de V. Debemos probar que S* es un subconjunto no vacfo de V, cerrado para la suma y para el ‘producto por escalares 1.S"C V por definicién de 8 Ly eS(0,y)=090es~ St#6 B.xeS' a yeSoix,2d=0nly,2)=0,¥rES> sOxndHly, 250, W26ES> s(xty,2)=0,Vzesextyes!‘COMPLEMENTO ORTOGONAL a AER AxESt@AER A (x,yI=0, Vy ES> s(ax,y)<0, Vy eSsaxest Por consiguiente (S!,+,R, ) esun subespacio de V. 9.73. Propiedad Si V es un espacio euclidiano de dimension finita y si Ses un subespacio de dimension r, centonees la dimensiGn del complemento ortogonal de § esr. Se trata de probar que dim § + dim $= diem V En efecto: siS=[0} 0 S=V, la propiedad es obvia. Consideremos, pues el caso en que S# {0 y S#Vy wa Faye Xay exe ‘una base ortonormal de 8. Entonces existen vectores x4. 15 X42) «qs tales que [Ra kere el ‘sung base ortonormal de V. ‘Afiemamos que [Breas Mesos Mal eeuna base ortonormal de S*, Para ello es suficiente probar que este conjunto es un sistema de generadores do S*. Sea entonces un vector cualquiera w ¢ Sh west sueV 23 a4,031-.0y OR) ah Como u os ortogonal a todos los vectores de S, considerando el producto interior entre uy 71 2, gry tesulta 0 (KIS 3, (0% xISE, a Byer Osea we Bash Esto prueba que [Reet Mee as soo Xn! sun sistema de generadores de Sta PRODUCTO INTERIOR. GEOMETRIA VECTORIAL como estos vectores son ortogonales y de médulo 1, consttayen um base ortononal de y/se iene dim $t=a— Osa dim $+ dim St i lector puede comprabar, como consecuencia de esta propiedad, que V es Ia suma lecta de Sy de su complemento ortogonat. im V 7.10. PROYECCION DE UN VECTOR SOBRE OTRO Sean x ¢ y dos veetores de un espacio con producto interior © y #0. Entonces existe un scalar tl que -ayly En ofeeto dx ay ye 02x, ymaly y= 0% og? yey? xy El vector xy. Gay) Y- Gay byl tt se llama proyeccién ortogonal de x sobre y Tientifcareaos la proyeccion ortogenat de x sobre y con el mimero real y escrbiremios| ESPACIO AFIN aa 0 sea, la proyeccién de un vector x sobre un vector y es igual al producto interior de ambos, dividido por el médulo del vector sobre el cual se proyecta in particular, si es.un vector de médulo 1, se tiene PyxeGxsy? por lo tanto, la proyeceién de un vector sobre un vector de médiulo f es igual al producto saterior de ambos. Hlemplo 7-12 Comprobamos que las proyeceiones de un vector de R®, con el producto interior usual, sobre los veetores de una base ortonommal, son las componentes de dicho vector respecte de Ia base 7.11, ESPACIO AFIN R" TAA. Concepto Sea(R", +,R, el espacio real n-dimensional24 -PRODUCTO INTERIOR, GEOMETRIA VECTORIAL, 105 una suma en R” y un producto de esealares por elementos dy Para cada AER" defi RY, mediante XOY=X+Y-A aOX=a(K—A)+A Bstas definiciones hacon de la cuatesna (R", ®, R, ©) un espacio vectorial con origen A. Fl vector nulo de este espacio es A. a La suma y el producto de este expacio pueden obtenerse “‘levando” las fechas AR y AY al origen 0, operando en (R", +R, ), ¥ desplszando el resultado at origen A. En R? esta _quede indicada por las figuras siguientes: ox axa) Definicion Bupacio afin R" es el conjunto de todas las n-uplas de nimeros realex, y una estructura de espacio vectorial para cada A eR”, con las operaciones definidas. 1.2, Vectores fijos Consideremos V=R",X eR" ¢ YER" El par de puntos (X, ¥) s llama vector fijo de ‘origen Xyy extremo Y.'Se fo denota mediante XY. Sean los elementos de R”: AS, dase) X Gy Xareentn) YOOn rnECTORES LIBRES oa ntonces la suma de Xe Y, en el espacio de orgen A, es XOY=AKFAV=X+Y A sSiondo KHY-A SiaeR,entonces aoX=aAX=a(K- AtAZaX—(@-DA Pye aa ee hPa aay naka FY nd) donde A= (a= YAH (xy (Dieta Kn — Han) 7.11.3. Espacio de los veetores libres Consideremos el espacio afin R", es decir, el conjunto de todas las n-uplas de miimeros reales y las estructuras de espacios de los vectores uplicados en cada punto de R” En el espacio afin R” definimos la siguiente relacion de equivaleneia: AR~BY © AV =x oB=AX OAD Bscribiremos AKOAB=AX+AB A a x Cada clase de equivatencia se Man de Jos vectors libres de R Un vector X eR" se denota ‘un vector Hbre, y el conjunto caciente es el eonjunto Hf ss lo considera como vestr dt espacio d orem A si portenece al eqacodeorgen 0 Enel dltimo caso se escribe directamente X. Para operar en ol espacio de los veetores libres se considera como conjunto de indices unsSeccee sree eeeneraeaena 236 PRODUCTO INTERIOR, GEOMETRIA VECTORIAL este de espacio vectra fi, com ogen 0 Enuneesl vector fio KV esequialee vector ¥~ con oi 0, 9 8 entbe x¥-y-x YoXx 7 I | -x 0 x Se demuestra que la relacion de equvalenca es compatible con fa uma y el producto por | escalaes,o see { ACE) cacae-avay ' AX~BV\aeR>aAX~abV En consecuencia, existen en el conjunto caciente, de os vectors libres, dos teyes de ‘composicion inducidas que lo caracterizan come espacio vectorial Resulta asi el espacio vectorial dle los vectoteslibies de R™ 7.12, ECUACIONES VECTORIAL Y CARTESIANAS DE LA RECTA En lo que signe nos refeiremos a vectores libres del espacio eucidiano tridimensional Consiteraremos una estructura de espacio vectorial, con otigen en 0, y la base ottoncrnal 1.0.0) J=(,1,0) K=(,0,1) ‘Los subespacios correspondientes alos ejes coordenaulos serén denotados por x, 2. ‘Sea A.un vector no nulo de componentes , m y n, es decir ASM tmI tak Spe es un punto de eoordenadas (xo, ys, £9), entonces existe una nica recta que pasa or Po y tiene la dieceiin de A.Bl vector OBp, de origen 0, seri denotado por Pp. Sea X un punto genérico de la recta, de coordenadas(t, 2) Se verfice que X=Py + POX, Y como PpX es equivalente a A, para slgin ¢ €R, resulta X=PpttA Para cada ¢ €R se tiene un punto perteneciente # la recta. La igualdad (1) ess ecuscién vectorial paramétrica de Ja recta que past por Pp y es paralela al vector A. La variable X dlepende de f, que es el parimetro. “Expresando (1) en términos de coordensdas es 69, 2)= Goo, 0) + (Lm) _Bfectwando el producto por f, sumando ¢ igualando las eomponentes, resulta Las ecuaciones (2) reeiben el nombre de evuaciones cartesianas paramétricas de Ia recta, Las componentes J, my 11 del vector A suelen llamarse coeficientes directores de la recta Sison distintos de cero, eliminando 1, s obtiene Xo¥0 9-0 22% 7 mm 7 Las ceusciones (3) reeiben of nombre de ecuaciones cartesianas dela recta Considerando la recta en un plano, la forma de la eeuacién vectorial no se modifica, poro las eouaciones cartesianas quedan simplificadas, ya que la tercera componente no figura.238 PRODUCTO INFERIOR, GEOMETRIA VECTORIAL Bjemplo 7-13 Determinamos as ecuaciones vectorial y cartesianas de la teeta que past por Po (-1,0,2)y es paralela al vector A, siendo A=31—J+2K. La ceuacidn vectorial es X=Po tA Osa ty de K=A+2K 413 1-342K) Efectuando las operaciones xltyd2K=(143 91-1 +0420K Teualando componentes “1438 2s2421 Las relaciones anteriores constituyen el sistema de ecuaciones cartesianas pe se la recta, y eliminando el pa nétuicas Observamos que fos sustraendos de los m dado, ¥ os denon neradores son las coordenadas del punto lores son las componentes del vector A. Ejemplo 7-14 Obtenemos las ecusciones cartesianas de la recta r que pasa por Po (1, 2,3) y es paralela al vector A= 21+ K, om city seeker snes KH a1+0 ete p> liminando el parimetro entve la primera y la tercera ecuacién, resultaPLANO a pfectuando operaciones en la primera de estas ecuactones s@ tiene x-2e-S oo Ese os el sistema de ecuaciones cartesianas no paramétrias de la recta, y © interpreta ide la siguiente manera: 7 es Ia interseccion de los planos cuyas ecuaciones son 22-5 (paralelo al gje y) ey = 2 (paralelo al plano.xz, por el punto (0, 2, 0). 7.13. ECUACION NORMAL VECTORIAL DEL PLANO CConsidesemos un veetor unitario N= inyT + a3 3K K240 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL Sus proyeceiones sobre los ejes son my =(N, 1) INTL cos Andlogamente ny =cos8 ny Los niimeros cos, c0s 8, cos 7 s aman cosenes ditectores del vector N, y s ientitiean ‘con sus coordenaas, 0 sea N=cosal + cosB3+cos 7K Como el médulo de N es 1, verifies que 20s? a + cos? B + cos? y= 1 sta propiedad es vitide para todo vector del espacio. de los cosenos directotes de un vector es igual aI. Dados un vector unitario N y un ndmero p eR’, estamos interesados en determinar la ecuacién del plano perpendicular ala ditcccién de N y tal que la distancia del origen al plano. sap. El vector N y ¢} nimmero p se llaman parimetvos normals del plano, deci Ja suma de los euadrados Sea wel plano en cuestién. Cualquira que sea X ¢ ase verfice que PrX=p (1) Es decir AX,N)-p=o Para denotar el producto interior o escalar (X, N} escribiremos X..N.PLANO mi Entonees X.N-p=0 (2) ‘tanto (1) como (2) son la ecuaci6n normal veetoral del plano. rin tGeminos de coordenadas se tiene (cL ty J +2 K) (cosa + cos BI + 0087 K ~ p) bfectuando el producto interior resulta xeosatycosBtzcosy-p=0 (3) La lacién (3) rece el nombee de ecuacion nosmal cartesiana de plano, Ls coeficentes de les vatiables son Jos cosenos directores del vector normal al plana, y el tino independiente cambiado de signo esl distancia da origen al plano, Multiplicando la ecuacién (3) por & #0, result axtby tert Fista relacidn eecibe el norubre de eouacion general del plano, Desurrollamos a eantinuacién el método que nos permite pasar de lz ecuaciOn general det plano a la ecuaciGn normal cartesian ‘Sen el plano # de ecuacion actbytatde0 (4) 1 plano wadmite Ia ecuaciém normal xeosa ty cosB+zcosy—p=0 (3) ‘euyos cocficientes hay que determinar ‘Como ambas ecuaciones cortesponden al mismo plano, para algin K € R se veriica que core b= keose © [extents KP) Sea d #0; como p es positive, -p os negative y, dalded. levando al ewadrado las tres primerss relaciones y sumindolas, s tone P4D +07 n conseeuenca, el signo de k es distinto 12 (cos? ac cos? B+ cos* 7) Osea Bae tite En econsecuenciaed PRODUCTO INTERIOR, GEOMETRIA VECTORIAL donde el signo de k, por lo observado anteriormente, debe tomarse distinto del de De (5) resulta Bs cosy=£s x k Sustituyendo en (3), la ecuacién normal vectorial es actbytetd Ve FP Fe 1eg0, para trasformar la ecuacién general del plano a la forma normal, se divide «f primer miembro de aquella por Ia raiz cuadrads de la suma ée los cusdrados de los coelicientes de lus variables, la que se toma con signo distinto al del término independiente, ° | ! | | Biemplo 7-16 Determinamos le ecuacién normal cartesiana del plano euya ceuacion goneral ex x-yte-120 De acuordo con Ia frmule de pasaje, la ecuacién normal cartesiana cs Osea O bien Observamer que el vector euyas compouentes som los coeficientes de las variables de la cecuacién general del plano es normal al mismo, ya que se deduce del vector normal ‘unitario multiplicindolo pork, jemplo 7-17 Obtenemos Ia ecuscién det plano que pasa por Py (12,2), sabiendo que es perpendicular al vector A= 3145+ K.PLANO as Cusiquiera que sea X pertenesiente al plano pedido es FXLA Tn conseeuensia RoX.A=0 sn ectiein vectorial del plano. Bn txminos de coordenadas tiene FX=O—DI+G-DIFE-DK Bfectuando el producto interior 3-1) +H-H+E-D=0 Ora Bxtytz—720 Ejemplo 7-18 Determingmos la distancia entre el plano de ecvacion 2dx-y-2e+3=0 yal punto Po(1,2, 3) Sea el plano cuya ecuacién normal es Py X- y sea Po(%o, Yo, 9) un punto dado.a PRODUCTO INTERIOR. GEOMETRIA VECTOREAI ‘La distancia entre el plano my el punto Po es d= IPAPy ~ pl O sea I distancia entre un plano y ua punto es el valor absolut de primer miembeo sek Setacion noma del plano, cuando se sustituye ia variable por el punts eave distancia af plano se busea, eteriminamos primero a ecuacién notmal del plano dado 2x-y-2243 VHF Osea 3 Sustituyendo x, y, z por las coordenadas de Pa ex Bees Sx thy+2e 120 PS ist Biemplo 7-19 Dados los puntos A (-1, 3,2) y B (—1, 1,0) doterminamos la dist pimo perpendicular ala recta AB, sabiendo que dicho plano pasa por del segmento AB, {ss fontdenais det puto medio de un segmento son las senisunss de les ‘oordenadas de los extremos de dicho spgmento, En efectoDISTANCIA i ‘A K 7 I f M=A+ a B=M+ MB Restando M-—B=A—M pues AM y MB son equivatentes Entonces 2M=A+B Osea MoL(A+B) 2 Fn nuestro aso, las coordenadas de M son (—1, 2,1), ¥ un vector normal al plano es XB=B-A=-25-2K La ecuacin vectorial del plano es WX. AB-0 Donde MRO +D1+0-3I+E-DK Efectuando e! producto 0.@+1)-20-2)-2@-D=02y+22-6=0 cs la ecuscién del plano pedido. Este plano es ortogonal al vector —2J — 2K, es decir, al plano yzsen consecuencia es paralelo al eje x. Observamos que si el coeficiente de una variable de ta ecuacion de un plano es cero, entoness dicho plano es parulelo al ee eorrespondiente «ex: variable La ecuacién normal del plano hallado es 2y+2r-6 9 avr M6 PRODUCTO INTERIOR, GEOMFTRIA VECTORIAL, Osa 7.14, CURVAS EN EL ESPACIO Sea | un interval real, Toda funcién XR? se llama curva paramétrica en el espacio, Cualquiera que sea r€1,X (0) es un vector cuyas coordenadas dependen de £, 0 existen funciones.x, y, z de en R, tales que KO= (xO.¥ O20) x0curvas oe ‘La ecuacién vectorial paramétrica dela curva Cos X=x(QIty(Ostz20K Las ecuaciones cartesianas paramétricas de Cson xexO var © La curva euya ecuacién paramétrica es X (De co8 A ten SF K es tal que sus ceuaciones eartesianas paramétricas son x= cost yest cualquiera que sea FR. ‘levando al cuadrado les dos primeras y sumandocliminamos l paséietco F tye zl La representaciOu de C esti caractrizada por Ia intersecelin de dos supertiies: la superficie clindriea cuya dvetrz es la cizcunferencia de radio 1 centrada eu el orgen © incuida en el plano horizontal y eyes generatices son paratelas al je 2, y et plano de eeuacién 2 = 1 Se trata de la ci srencia indicada en el gritico siguiente: a2208 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL La repreventacion de una curva como interseceiGn de dos superficis se llama implicita, y cen general se denota mediante FO.y.2) GG,y,2)=0 Fo, y.2)=0 Gey, 2) Donde el sistema anterior es tal que se cumplen Tas condiciones de regulaidad dadas por cl teorema de Cauchy Dini, relative # la oxistencia de funciones delinidas por sistemas de ‘Bjemplo 7-20 Deducimos la ecuacién vectorial de la hélice circular, definida como la trayectoria de ‘un punto que gira alrededor de un eje y ademas se traslada paralelamente a, siendoSUPERFICIE CILINDRICA 249 ‘saponemos queen el estate ¢=0 el punto mévi est en A (0, 0), y que al eabo de tiempo rest on X (2). Se verifica que yewt y reve Siendo w Ia velocidad angular del movimiento circular unifoume, y v la velocidad (en ‘iddulo) del moviniento reetiineo y uniforme. {Las ecuaciones paramétricas en coordonadaseilindricas de Is hlice circular son ‘Se tiene asi el sistema de ecuaciones horaras dela curva Haciendo a Resulta zevi=Lwiebu {Las ecuaciones cartesianas paramétrieas son [yoasu lasow || Le-ccuacion vectorial paramétrica dela lice es X=acosul +bsenuT +ouK 7.18, SUPERFICIE CILINDRICA Scan: una curva Cy una diteccién del especio caracterizade por un vector no nulo Lm dn K, Definicién Superficie cilindrica de directriz C y direcci6n A, es el conjunto de puntos de es peralelas a A, que pasan por todos fos puntos de C.250 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL. Las paraletas a A se laman generatrices. Jatt obtener la ecuscién vectorial de a sipedtiie cikndrica coasdersmos un p ‘cualquiera de 1a misma; tal punto pertenece & una generatriz, que corta & a dsectiizs unto 2. La ecuacién vectorial es, entonces X=Q4XA Bjemplo 7-21 eterminamos la ecuacién de la superficie ilindsica de directiz [ome leeo ¥¥ euyas generatrices son paralelas 1. Alejez, 0 sea, al vector A= K. X=242A4 (Wy Como $2 (cos, sen t,0),de (1) resulta xUty S42 Ke coe teen 3 $XK Luego x= 008 ¢ yesntSUPERFICIE CONICA, a ‘scl sistoma do ecuaciones paramétrcas de la superficie, siendo ¢ y Alos parimetios. De las dos primeras ecuaciones resulta Btytel siondo 2 cualquier nimero real, 2, Alvoctor AST De(1) xtyJ +2 K=cos tl tsen 13 +X 04+ +K) Lego xe hbeost yodtsene zeh liminamos os parametros x-zScost yo zssens Y eesulta (e=2 #027 =1 7.16, SUPERFICIE CONICA Consideremos una curva C, Hamada drcetri,y un punto V no pertenecionte a C, lamado | vertice. | Definictin Superficie céniea de ditectriz C y vértice V es el conjunto de puntos de las rectas dterminadas por V y todos los puntos de la directriz.a2 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL Las teetas consideradas se llaman generatrices. ‘Sea X un punto genético de la superficie cOnica; X pertenece a una goneratiz, ln ‘corte ala drectriz en un punto Entonces fa ecuacién vectorial de la superficie conica es XeVinve Obion X=O40VE Bjemplo 7-22 ‘Obtenemos ia ecuacion de la superficie eénica de diectsz tyre c y vértice V (0,0, 0) Q@B, YeCre2 +H -1=0 (1) Como, Ve @- 1+ G-s=al+6F os X=V+AVG, resulta xItyS42K=X(@1+63+K)PROYECCION 23a ‘Lvego De donde Sustituyendo en (1) se obtiene a ecuacién cartesiana implicita de la superficie cdnica. 7,17. PROYECCION DE UNA CURVA SOBRE UN PLANO COORDENADO En ol céleulo de integrales miltiples suelen utilizarse a menudo’ las ecuaciones de la proyeccitin de una curva sobre uno de los plans coordenados, ay Prao€ x Sea la curva C, dafinida por el sistema de ecuaciones Fey,2=0 () G,y,7)=028 PRODUCTO INTERIOR. GEOMETRIA VECTORIAL Le suport clinica de generatsices parts a ej zy de dest provetante de Cobre ol pane horizontal, Su ecules eto F0,9)=0 1 obtiene etiminando z entre (1) ¥ 2). ore selon del eindro proyectante con el plane de ebuasionz =O, ea proye de C sobre el plano horizontal Osea se lama cine} fey) CHP ‘Para obtoner Ia proyecei6n de C sobre el plano yz hay que eliminar x entre (1) y (2) ort el cilindro proyectante con el plano de ecuacion x = 0. empl 7-23 Detorninamos ls proyecciones, sobre fos planos xy yx, del curva Say teal styaz @) 1, Eliminamos z entre (1) y (2) Say sQttyyrel Pesando a coordenadas polares eek Entonces ph +p? 1=0 Resolviendo respecto de 6 La nica solueion os = Mat i Dice ' Ose La proyecoin sobre l plano horizontal esl circunferencia de ecuaciones- a VS-1PROYECCION 255 su radios 2. $i peoyectamossobee el plano y=, 50 elimina xentro (1) y (2) restindolas Pelz Se obtiene ete Ove YY comoz 20, se tiene Result Bjemplo 7-24 Obtenemos la proyeccién de C sobre los planosx yy x7, sendo Pty tt=1 (1) x 4y?-x =0 Q) 1. Laceuacién del clindro proyectante de Csobre el plano horizontal es xttyt-xe0 yaquo z no figura, Luggo Pea [2 tH #O <0 esa cicunferonci de mdio-Ly contro ( *,0 } del plano horizontal, 2 2 2. Restando (1) y (2) exe256 PRODUCTO INTERIOR, GEOMETRIA VECTORIAL Lacs yoo ces a parkbola de vértice (1, 0) y eje ~ x del plano 2TRABAJO PRACTICO Vil 36 = X®AY no es un producto interior en (R”, +, R, .). * ( 0 16, Considerar le misma cuestin send 7:26. €% 727, Ba (V, +, R,)s¢ sabe que ¥ 6s ortogonal a Vi, v2 ¥ vs. Demostaar que ves ortogonal al subespacio gonerado por ellos, 7.28, Bn un espacio con producto interior el dngulo de los vectores y y zs @. Sabiendo que y=x-+2, domostrar que Ixi © lyP + ta —2 yl zt cosa 7.29, Demostrar Icx,y) I= xii yx ey son LD. 7.30, En R se considera el producto interior definido por (X,Yp=xtY Demostear (Zave <(3 731..En un espacio eudlidiano n-dimensional los vectores v1, ¥ay--.s%y Son tales que (yj, Wy >= By. Demostrar que tales veetores forman una base. 7-32, En un espacio cuclidiano se considera la funcion aver efinida por d (x, y)= 1x yl Domostrar que (V, d) es un espacio métrico. 7:33. Sea(V, +,R, .) un espacio veetorial con producto interior, y sa y € V. Demostrar que la funeién VOR288 ‘PRODUCTO INTERIOR. GEOMETRIA VECTORIAL, definida por ) FON= (X,Y? ces una forma lineal, 7.34, Sea (,,) un produ fo interior en (V, +R, ),y seaf: V-> V wna T. L, Deshostrar que eiVioR tal que p(x. y) = (C0, FO) es un producto interior en V, sif es! ~1 7.35, Soa V, +, R,.) un espacio euclidiano, Demostrar que la funeion | ae N= (xx), | vorifica: | 1.N(@x)= a" N(x) INeep NO-NOD=200.7) | 1 1 sLvety) iNG- y= NG ty)- {ND GY) | 746; Demowar que en foto eis enduro Is dagoer de on rambo sol perpendicular. 7.37.$00(V, +.B.) Demos espacio veetorial con producto interior. Ltn—yte ist tat] 2. Axl? + lyP=IxtyP oxly xe yl tad lyt daly tietaytztal, Veen 1. Suan: V anespuctvestotleuan y ACV, Por defini, xe Ve ertgoal A Sysdos ae ‘Demostrar que six ¢¢ ortogonal a A, entonces x és ortogonal & &R 7.39, Demostrar que si V es un espacio euclidiano n-dimensional y S es un subespacio de dimension m, tal que m 1 y sea (,) un producto interior en V, Demastrar que si s'eV*, entonces existe un Gnico vector xe V, tal que £Q)= = Gy), We.262 PRODUCTO INTERIOR, GEOMETRIA VECTORIAL 7.62, Sean: un espacio unitatio V de dimensiGn finita y [»J={ ¥1,¥2, ‘ortonormal del mismo. Demostrar que 1 baseCapitulo 8 VALORES Y VECTORES PROPIOS. DIAGONALIZACION 8.1, INTRODUCCION Desarrollamos en este capitulo los conceptos de valores y vectores propios de un ‘encdomorfismo en un espacio vectorial y de la matriz asoviada en ol caso do dimension finite Demostramos las propiedades fundamentales de Jos mismes y su detezminacion a partir del polinomio caractoristico. Encaramos después el problema de le diagonalizacion de trasformaciones Tneales y matzies, asf como también el de Ia triangulacién, Por dltimo, demosteamos ol teorema de Hamilton-Cayley. 8.2. VALORES Y VECTORES PROPIOS 8.2.1, Concepto Consideremos un espacio vectorial (V, +, K, .) yun endomorfismo, f:VoV Definicin El escalar X€K es un valor propio de f si y sélo si existe un vector no nulo x € V, tal que f(x) =x. Todo vector no nulo que satisfaga Ia condicin anterior se lama vector propio de f, asociado al valor propio A. En consecuencia, un vector propio de un endomorfismo es un vector no nulo cuya imagen es un miiltiplo escalar del mismo, Las expresiones “valor propio”, “valor caracteristico” y “autovalor” son sindnimas. ‘También lo son “vector propio”, “vector caracteristico” y “autovectos”. Bjempto 8-1 Considerando (R*, +R, )y la trasformacion lineal sR oR?264 VALORES Y VECTORES PROPIOS, DIAGONALIZACION ofinids por £051, %2)* x4, 24 28) el escalar A= 2s un valor propio def, ya que el vector no rio (2, 1) etl que F02,1)=(4,2)=22,1) (2, 1) ¢8 un vector propio asociado al valor propio 2. 8.2.2. Propiedad ‘Stes un valor propio de uns trasformaci6n lineal f: V-> V, s1$'y es el conjunto de los veetotes propios asociados #2, entonces $,=S', U | 0} os un subespavio de V. En efecto 1,0eS,>8) #6. 2.8, € V por definicién de S. 3. Sean xe y perteneciontes & Sy. Six=Ovy=0,entonces x+y €S,. Supongamos que x #00 y #0 X#O Dy HO>KES, AYES PF OD=AKALQ)= Ay >F(H) HF Y)=AN+ AY > HPOFY= AEH) KH ES OX FY ES, 4.Sean weK y x eS), Six=00a=0, entonoes ax €S), ‘Consideremos el caso on que x #0 y @# 0: @eKax#O>ae KAxeShaeKaf@)=dx> Pass) =a(Ax) fax) =R@x) axes’, > axes En consecuencia, (Sp, K,.) es un subospacio de(V, +, K, De acuerdo con lo demostrado en 4, afismames que sixes un vector propio def ssocindo aX, ya #0, entonces ax es un vector propio asociado al misino valor propo. Observamos también que la restriceién de f'a S, os una homotecia de razén h. 8.2.3, Valores y vectors propios de una matriz Definictin Et escalar A es un valor propio de la mattiz. A.€ K"™® si y solo si existe un vector no amulo X€K"™" tal que AK= AX-— \VALORPS PROPIOS in veotor no nulo qe sata Ia elastin AX =X elma vector propio de A aociate aavalor propio ‘sfirmames tntrasformacion emple 82. fev lespcio vectorial sobre el eustpo de Jos nimeros res, elas funeones 84 intent deals y ineal de K" on K” ropresentada por Aen ta base canénica. Divev gol ondomorfmo Sti por at pot, =e entonces Is futcia FV, tal. que £(2)=e *¥ os un vestor propio do a tasformacién neat, pues Dine Stene™ vaeR Bjempl 83 Si A eK" es una mate, diagonal, entoness cslques vector canénicoB eK", Monde = 1,2,-.umer un wet propio de A efecto, 08 40.0 Od re oO. a, Entonces a ja, 0... o\[° 0d i 8 | Ag=| Ht fefad= ae, ° 0 0 dy o 0, Los valores propios de A son los elementos de la diagonal | | 82.4.Propiedad Sean f:Vov 265 {tonces que un vector propio de una matrz.A€ K"™" es un vector propio de Los vectores propios asociados a valotes propios distintos son linealmento independientes.26 VALORES ¥ VECTORES PROPIOS. DIAGONALIZACION tuna trasformaci6n lineal y x, ay.» %q WeetOres propios asociads @ 1, 2a,» ys ts que Tepe NAN Demosteatemos que X:,X30 ++ »%n 407 linealmente independientes Lome Lexy #02) e6Ld 2. [nse cep] OLE | Aaee Mae Rnsa | OE Fn efecto, considesemos Saino () Multiplicamos por M4 ay Nag Heh Neg yt Qn Mas Met Aplicendo fa (1) ay Ae xs et Oy Ma Xn Pees Mews Hott = O Restamos estas dos igualdades a1 Ones Re) x Fo Oy Ayss — Ben =O Por la hipétesis inductiva resulta a Qner —NY=O VIR2,-- 4h Y¥ como Ayy1 #0, resulta %=0 vi Sustituyendo en (1),se tiene Ge Ant =O 0, ya eX EO Oreaen sn En consecuencia Y porlo tanto [xu tae ote | eb 8.2.5, Propiedad Sif es una trasformacién lineal del espacio vectorial V, de dimension fnita, en sf misma entonces K€ K es un valor propio de fs s6lo si Yes singular. 1 donota ta trasformacién identidad on V. 1, $ea A un valor propio de f. Entonces existe x #0 en V, tal que, (x)= 2xVECTORES PROPIOS ae Ahora bien {(3)= Ax#F 0) ~MO)=0= (x) ~ Q(X) =O FN) (=O, En consecuencia, NU/~ N)# [0] ,o sea, /~ es singular 2, Supoagamoas ahora que fi es singuler, © sca, no inverible. Esto signifi que JON: V=V es tal que NG N)#|0)'. En consecuencia, existe x € V,x#0 tal ‘que (FN) (x) +0. De acuerdo con ef algebra dela tresformacionestineales, so tone £@) - Qe) = Bx decir FOD= ¥y por consiguiente Nes un valor propio de f, ‘érminos de matrices esta propiedad se traduce dela siguiente maners SiA eK", entonces Ne K es un valor propio de A si s6lo si A — A1 es singular, Equivalentemente 2es.un valor propio de A eK™*" @ D(A —AI=0 Ejemplo 8-4 Elector podrd demostrar al realizar el trabajo practico, que todo endomertisme en V, donde Ves un espacio vectorial de dimensién finita y mayor o igual que 1 sobte el ‘cuerpo de los complejos, admite un vector propio. Pero si el cuespo no es C, entonces pueden no existir veetores propios. En efecto, sea (RE, +, )y sea foe tal que $02) = (4s 6080 — xq sen Oxy sen +2 608) Si exitiors (2) € R°, Gs, x2) 0,0), tal que paraalgin eR, Foe1.¥2) = Kos), entonces {#1 00s 6 ~ x, sen! [ss som 8 +3 6080" Axy Ose | Q-cos xy +45 sen 0=0 | 1 sen + Q\~cos6)x2 <0268 VALORES Y VECTORES PROPIOS. DIAGONALIZACION Siet sistema admite soluciones no trviales debe ser Ae cos ond on d= e088 | Loego | Q\— cos 6)? + sen? O=0 j NM -2Xeos H+ 1=0 | de cos 02 Voor =I | Si0= 60°, entonces ‘Solo existon vectores propios si =n m. ‘Considerando (R?, +,C,.) existen valores y vectores propios. El endomorfismo f representa una totacién del plano de dngulo @ alrededor del oxigen. 8.2.6, Propiedad Si f:V7V es una tasformacién lineal, y si ademis existe una bus vq] formada por los vectors propios de / correspondiente aos valor Whe basa pwopiot Acres. sn entonots la matez def especto de esta base sl matrz diagonal yO 0 om oO pee ee ae Ea efecto, la mattiz de f respecto de (v] se obtione determinando las imagenes de ls ‘vectores de dia base, y tenlondo en cuenta la desinisiGu de vector propio os POA)EM MEAL HOVE tO La)= MaMa OM ta Va FON Ln) “Ra Vn OV, FOV +MY En consecuencta, resultaT Bae ‘VECTORES PROPIOS 269 Eneste caso diremos que Is trasformacion lineal es diagonaltzable Una eonsecuencia del teorema demosteado es la siguiente Si dim V=n y f: VV es un endomorfismo que admite 1 valores propiosditntos, entonces es diagonalizable sta afirmacién es obvia en virtud del teorems anteviory de 8.2.6 En términos de matrices ditemos que si A€K™"” admite valores propios distntos, ‘entonces existe Pe K"*” no singular, tai que PA Pes diagonal Ejemplo 8-5 Determinamos ls valores y vectores propios de A, siendo ae De acuerdo con &.2.5., consideremos D@A-AL Osea A -2 Tl Resolvemos respecto de A GB-NQ-H- Y= sAt4=0 3B “E Las Meal Ma4 Para cada resolvemos el sistema (A-dDX=0 De) ee Elststema es equivalente a Layers De dondeam VALORES ¥ VECTORES PROPIOS. DIAGONALIZACION Luego X, oxun vector propio asociado a My mmcee( 2) (2) fo) tacenn neon (?) Los vectores X; y Xz son Lil. y forman una base de R?. »-( 4) SiP es la matriz cuyas colummnas son los vectores propivs, entonces es PYAPED 8.3, FOLINOMIO CARACTERISFICO DE UNA MATRIZ 8.3, Notas potnomin ‘Sea K [X] ol anillo de polinomios del cuerpo K (véase capitulo 12 de Algebra 7, del mismo *STPeK IX serbinos donde a, eK ya, #0, 08eag P=. Dada fa matriz cuadrada A, definimos PADS 3, ara! Haviendo A® 1, se tiene PEA) a, AN Hayy AME tay Atay ‘La matsiz P(A) es la especializacin de X por A. Ejemplo 8-6 En R [X] consideremos PQ)POLINOMIO CARACTERI (43) aC 9CE) CY. fede) 4) 0G) co am yea Bntonces Se vorfice ave L(P + Q)(A)=P(A)+O(A) 2.(P.Q)(A)= P(A). QA) 3.(aP)(A)= a P(A) Siay,22, + nf son elementos de K y P(K)=(K—a1) (Ka)... (K~a,), entonees es PAS (Aa DA a )..(A~ag 1) Kiemplo 8-7 Si A.€K"™", entonces existe un polinomio no mulo Pe K [XI tal que P (A) =N, donde N douota la matez aula del tipo n x 2 En fecto, la dimension de(K™", +, K, .) es n®, Esto significa que las matrices LAA. Am son lnealmente depondiantes sim > En conseeuencia, exist escalates a, dp...» dys 0 4040s nus, tales que Gy A" tgs AE Hay Ab ay L=N Osea, existe P(X) ay X™ haga XM Hay Kg cen K [X}, que satistace PSNam VALORES Y VECTORES PROPIOS. DIAGONALIZACION 53.2. Patinn Define atinomiocaactrtzo de umm matic ACK" ot detente de a matie nek 8 ows een aa -tin @ ay Noon - ~ Mn PQ)=DAL-A)= fa ~ bra De dan Denno yor los cents el mers clomnay eteando el proedininto ex resent cfatres, oie un ih ip Qa)... O- dan) + su min yr pine en me Teta : POV=N Hepat Hate Ate je | Detmninanes el plinomio cater de A, senda Plead aa 3-6 ~6 MEL 2-2 20-2 -2 36 Ate PQ)=DA@I-A)= ee j2 2 + -2 -2 Ate Ate a-2 -2 a+n|*-? arn], SAH DME +4N/42- 20) 43.20 aX £5 ANAM OMEN HSH HOR Una raize¢ Xy =0. Las otras dos lo son de N+5A4+6 Osaf POLINOMIO CARACTERISTICO cry Resulta Med Os 833. Propiedad Fl esctlar A es un valor propio de AeK™® si y slo si Nes raie del potinomio caracteristio de A. 1, Sea Awa valor propio de A. Entonces, de acuerdo con 8.2.5., A — J es singular, y por consguentetambidn lo es AI — A, osea, D (AL — A) =0. Fn eonsecuencia, Nes una rat del polinomio earacteristico, mio earacteristico de A. Entonces 0s 2, Supongames que Asea una rae del poli Dara 0 sea, AJ Ay AAI son singular, Esto significa que Aes un valor propio de A, por 82.8. Unusente, la detesminacin de los valores propios de una mater, s deci, de las rices su politomio carcteristico, no es simple. Los métodosaecuados a ext fin son tens de slo Numérieo, que no tataromosen este text, | re oo Determinamos fos valores y vectores propios de A € C?*?, siendo ( 22 aaa) 22 1 polinomio caracterstico os a2 2 We Gio Ne ena | SA 2 ea omn POY POY Los valores propias de A son Mert M=2-2 Para determinar un vector propio asociado a A resolvemas ol sstoma Lineal (@I-A)X=0 | En efecto, si X es un vector propio ssociado aX, por 8.2.3. e tiene AX=AX De donde | AX -AX=0 Osea MIX-AX=0| a ‘VALORES ¥ VECTORES PROPIOS. DIAGONALIZACION. Yor dstibutvidad es QI-ayxe0 a 0 ma Ixy + 2ix, <0 weurraen-(] arerae(? 3) 2} {ta -tntnncn ‘Un vector propio asociado a ot wre!) ose (2% 0 ) Piape 0 2-2 La matriz A ha sido diagonalizada, Ejemplo 8.10 Probaremos ahora que los valores propios de (oda matriz involutiva son 1 @ —1 Sea A€K"™", tal que A? =I ‘SiX €K"*! es un veetor propio asociado al valor propio A, entonces AXK©AX () Premultiplicando por A APX=RAX Camo A* =I, se tiene IX= AX Owa X=AAX (2) De (3) y (2) se deduce X=QAX Bs doit (=) x=0 83 | Ba Pe ali | polPOLINIMIO CARACTERISTICO as como X¥0, esults 1 — 2? =0, y en consecuencia A= + | ‘con procedimiento andlogo el lector podrd comprobar que los valores propios de toda patti idempotents son 0 © 1, es decir APSA*A=L =O 8.3.4, Propiedad Dos matrices semejantes tienen el mismo polinomio caracterstico, y en consecuencia lox piss valores propio. pots) A~ Ben K™™ tei) DQU-A)=DAI-B) Demestracion) A~Bo3 Po singular/B=P* AP Pord.i9.s Batonces es DQI_B)=DAFTIP-PYAP)= =D[F* AI-A)PI=D@)DAT- AD =D@*)DE)DAI~A)=DE" PDAI—A)= =D()DAI-A)=1.DQI-A)=DAI-A) 1a reciproca no es cierta, ya que dos matrices pueden tener los mismos valores propios y no ser semejantes. Un contragjemplo se presenta considerando las matrices meted) aCe a) 83.5, Polinomio carneteristico de una trasformacién lineal Sea f: VV una trasformacién Tineal y sea {¥}={ ¥i,¥a,.¥q | una base de V, Entonces festécaracterizada por una matriz A € K"*" respecte de [¥. Si(V]=|ViVo,-.-1¥%n | es otra bate de V, entonces existe una matriz ne singular Pek"*" tal que la mattlz Ue f,respecto de la base [¥'],verifica peptap Las matrices A y B admiten el mismo polinomio caracteristico, de acuerdo con 8.3.4, El Polinomio caracteristico de cualquiers de las matrices que earacterizan a f se llama Polinomio carscterstico de la trasformaciéa lineaee’ rrvre—— 26 ‘VALORES ¥ VECTORES PROPIOS, DIAGONALIZACION. 8.4, DIAGONALIZACION DE MATRICES BAL. Definicion Una matriz A€K"™*” es diagonalizable sy solos es semejante a una matrz dagoe| O sea A€K™" es diagonalizable © 3 Pano singular /P* AP=D. < donde D es diagonal 8.4.2, Propiedad Si A EK" es diggonalizable, entonces su forma diagonal et D=(\ 54), donde 1=1,2,...mson os valores propios de A. En cfecto ‘Acs diagonlizable * A~D =D (AI=D)= dy El polinomio caracteristico de Aes PQY=Q- di) di). . O~ dn) En consecuenci, los elomentos de la matriz diagonal son los valores propios do A. 84.2. Propiedad Una matric AeK"*" 5 diogonslizable si y sblo si A admite » vectores prop i linealment independiente. 1. Sea A dagonalizale : Acs dagonalzable > A~D- 3 Pro singular/P# AP=D> AP=PD (1) lox few Particionando Pen veetorescokumna, ose By Xa Xp) : « : hoo 9 0%... 0 | PDE XK) 2 ee |= OK MX AK) @DIAGONALIZACION Ademis APH AIK Xs. Xy) “(AX ARs AX,) (3) oN.) y (8) sesute AMENK, 191,200 Lawgo tis colummas de P son n vectores propios de A, y como P és no singulay, tales columns son Li. Bn consecuttcia, A admite n vectores propios Lu 2, Aadmite n vectores propios Li. Sean tales veetores propios: X4,Xy...4.Xp. Por definicion es AXMENK VEL Qn Sean Pe(X1 Xe... X,)y D=(\ 8y) Se tione AX, AXa 2 AX)“ Ky Re Xa os Ma Xe Xy Xa «+ Xn) Q\ 8,)= PD Como Pes no singular resulta P*AP=D O sea, A es diagonalizable 84.3. Rafces del polinomio caraeteristico y diagonalizacion De acuerdo con 8.2.4.,si Jos valores propios del polinomio caracteristico de A eK™" son, cementos distintos de K, entonees los vectores propios aseciados son linealmonte independientes, y, por 84.2.2., A es diagonalizable. En general, si el polinomio caracteristico de A tiene raices méltiples, la mattiz no es diagonaizable. Para que lo sea, debe cumplirs fa condicién suficiente demostrada on 8.4,2., 4o que significa que a toda raiz mitiple de orden p debe corresponderle un sistema linea y homogéneo cuyo espacio soluci6n tenga dimension p. 1 as(o o Femplo 8-11 Lamatria ae noes diagonalizabe,a8 VALORES ¥ VECTORI'S PROPIOS, DIAGONALIZACION, Determinames Jos valores propios PQY=DAL AVS 2a Dor = Los vectores propios asociados a esta raz triple satisfacen & (L-ayX=0 Osa Sr ee 30-4 A=[ 41 4 2003 cs diggonalizable y sus valores propios no sou todos distintos En efecto: Ejeimplo 8-12 La mauie PQ)SDAI-Ay= | 4 RT 4 | = Ata 0 4 2 0 AA3 Aes 4 oye »| alr yor ~1 oh 1 hsetTRIANGUALCION a -(434)6)-6) {a matriz del sistema tiene rango 1, 0 388 dims: 2 A Ay =~ 1 le cortesponde un veetor propia Hneslmente independiente, Lvego A ex LM=% Aiagonalizable y su forma diagonal es 10 0 p=(o1 0 00 “1 8,5. TRIANGULACION DE ENDOMORFISMOS Y DE MATRICES Hemos visto que no siempre es posible diagonalizar una trasformactén lineal o una matriz cundrada, Cabe proguntarse si es posible determinar una base tal que, respecto de ella, 1a matiiz de una trasformacién Hneal de un espacio de dimension finite en sf mismo sea twiangular. La respuesta os afirmativa si el euorpo es el de os ners complejo. ‘Consideremos un endomorfismo LVOV donde dimgV= n> 1. En lo que sigue, introduciremos el vocablo fa, cuya traducci6n es abanico, para denoter ‘una familia de subespacios de V que satisface ciertas condiciones, 85.1, Concepto ‘Un fan de fen V es una n-upla de subespacios de V: Sy 83) yp, tales que 4) Son etecientes en el sentido de inclusion: 8) CS, CSC... CS, i) dim $,£4, WE=1,2,..4n 4) Son invariantes,o sea xeSpsOyes, WE1,2,..40 Esta condicién equivale a FDC S, W124 nila [VJ = {ip ¥ay ood -5Su} es.un fan de fen V,entonces a280 VALORES Y VECTORES PROPIOS. DIAGONALIZACION ‘es una base fan de V si y s6lo si [¥j,¥a,-+.5¥% | es una base de S; pare todo FEL oem bl teorema de extensin 2.6.3. nos permite afirmar que existe una base fan, 4 t 8.5.2. Propiedad I Si {v]esuna base fan de V, entonces la matsz sociada e todo endomorfismo,: V > V triangular superior. Sabemos que para obtoner la matriz de f respecto de wna base, hay que determina idgenes de los vectores de la misma y expresrios como combinaciones linales de tl) vectores, Teniendo en cuenta ademés la definicion de subespacto invariant resulta r vy eS: FV, 81 2401) Vz €S2 flv) €S2 >f (Va) = aia Va tan Ye te €Sn PF (Wn) Sn Fu) 4a Ma Fan Ya Foo Fn Yn f Por consiguiente, Ia matriz de frespecto de la base fan es 0 am + dan A ‘i 1 00 ee tn Sif: V~ V es una trasformeci6n lineal y si existe una base sespecto de I cual lamstit de fs tiangular, ontoncas diremos qu fs triangulable. | Ce arava mataoes, demos que A€K™” es tiangulable si y s6lo si exis PeK"™*" no singular, tal que PAP es triangular. Demostraremos que tode matriz puel sor triangulada sobre l cuerpo C. 85.3. Propiedad | Si V es un espacio vectorial de dimension finita mayor 0 igual que 1, sobre él cuerpo} lor somplejoy sf: V> V es una tresformacion lineal, entonces existe un fan de fen V. | ‘Demostramos esta afirmacién inductivamente, 1. $idim V= 1, entonees nada hay que proba. 2, Supongamos que la propiedad ex vida si dim Vit ~ 1, Domostarros qué 1064) dim Ven. 4 P Sea vy un veetor propio def, el cual existe de acuerdo con l eeticio 846, ysea Si! subespacio generado por vs. Results dim Sy = 1. | ‘Shwe S, un subespacio de V, existe un subespacio W cuya suma directa con Sy es (jercicio 7-40), 0 sea | yes, 0WTRIANGULACION 281 ‘Consideremos las proyeceiones p y p; de V sobre $y y W, respectivament, La composicion 2 2 fes uns trasformacion lineal do V en V tal que si x €W, entonces 4ixyeW. Restinglendo ef dominio a W, podemos considerar 2 py como una ‘tanforci6n lineal de W en W. De acuerdo con la hipétesis inductiva, existe un fan de ps ofenW. Seaéste (Was Was es Waa) Consideremos ahora los subespacios S15, +Wea ani2 2,3, : Se veien qe dim 5,=1, ya que si ja. ¥na) es una base de W, enonces uswierseWea | esura base de, 1223). | Adem, $56 Si par oF = 1,2, | Para demostrar que {$1,82..+.45n } es un fan de /'en V, es suficiente probar que | 100% ‘Observamos que frivef=@.+r)iam efter ef pues pi + Ps =Hy (ver3-46) ‘Sea xun vector cualquiera de 8, eS) 2x=av, +, donde eCy w,eW, Teniondo en cuenta (1) ¢8 FO=Bref+P2°DO= PrN +Or°N) hore bien 1° MO)= 21 LEI} eES:, y enconseeuencin I B eAWES, Por otra parte i @2DOD= G2 ° Der) +02 iw) =a 2 (Stvr)) +2 of) Om = = aa Oy Vi) + 2 Dw )= aD Pr 1) + Wa D(W)=O + of )(w)= =e Dom) de acuerdo con la descomposicion dex, la defiieidn de trsformacién lineal, y considerando ‘que v; es un vector propio de J Por la hipotesis inductiva se sabe que (Pa °/)(W)C My or consiguiente 1° DO)= (Pr Nom) ew Osea GAMES, ()22 VALORES ¥ VECTORES PROPIOS, DIAGONALIZACION. Considerando (2), (3) y (4) resulta Sees, Hs decie xeS=f(wes, Lego | S1,83,...)Sq } esun fan defen V. Son consecuencias inmediatas de este teorema de existencia y de 8.5.2, las siguientes: L.Si dimgV=1 > 1 y f: V-+V es una tasformacién lineal, entonces existe une bese de V tal que la matriz de frespecto de dicha base es triangular superior. H.Si A€C™", entonces existe P eC", no singular, tal que PAP os triangular superior, 8.6, TEOREMA DE HAMILTON-CAYLEY 1 teorema do Hamilton Cayley, fundamental en ta teor‘a de la resoluci6n de ecuaciones rmatriciales, afirma que toda matiiz cuadrada es raiz de su polinomio caracteristico, esto es, siP Q)es el polinomio caracteristico de A €K"™", entonees P(A) =N, Desarrollaremios primero una demostracion en el caso particular que se presenta si la ratriz A, dol tipo nxn, admite n vectores propios, Para esto ublizaremos la siguiente propiedad que se propone como ejercicio dl trabajo prictico: si X; ¢s un vector propio de la matriz A, asociado al valor propio 2y,entonces X; es lun vector propio de la matriz A", correspondiente al valor propio Considezemos el polinomio earacteristico de A PQQ=N tops Nt... tey Meg Entonces POARA™ Hent ANE Hs. cher AFe0L Multiplcando a derecha por el vector propio X; socindo al valor propio A, y teniendo en cuenta It propiedad mencionada, es PEAYXH A Xt ena AMX. bey AXG ty Xr= AEX + Gat NOE Xb er W Xe eo X= OY tena N+... Her N+) X= 0X0 W=1,2..4" WD Sea P=(X1 Xp..-%,) la matria cuyas column CConsiderando (1,5 tiene P(A). P= (PDK, PCA). PDK, YY como P es no singular, resulta P(A).P.P#=N. PE som los vectores propios de A‘TEOREMA DE HAMILTON ~ CAYLEY 283 Osea P(A)EN Blemplo 813 Utiizando ol teorema de Hamilton-Cayley, doterminamos la inversa de a matri A del ejemplo 8-5. ae(? 2 led By polinomio caracteristico de A, es PQ)=N —5A44 Batonces es P(A)@AP— SA+4IEN Osea : ~2(A? = 5.4) I=-G0? Sa) En consecuencia, multipieando por A”; at como IN Resulta Ate poet a4 Demostraremos ahora que toda matriz A € C”** salisace a su polinomio caracteristico, 0 AcC™ = P(A)=N En ofecto, sea el polinomio caracteristico de A: PQ)=DAI-A) G) Sabemos que el producto de toda matriz cuadrada por su adjunta es igual al deters de aquella por la matrix identidad (5.8.3.) Entonces (I-A) ad Q1—ay=PAI-a).I24 VALORES Y VECTORES PROPIOS. DIAGONALIZACION, ‘Teniondo en cuenta (1) es (AL A) Ag AL—A)=PA.1 Q Los elementos de Adj (AI A), por set los cofactores de (AIA), son polinomios de) srado menor o igual que n — 1, y en consecuenci | ‘Adj (XI A)= Aga RYT Aga NEEL RAL RAD) De (2)y (3) results 1 Bret NE (Anes — A Aga) NOT + (ps A Ana) NP (Ag A AL) RA AQ = AY Lb og a NUE Dee hey AL HQ Osa An Ana ~AAna = Cra b Ana ~ A Ana = Cua l bo AB Sart = Aby=eol Luego de premuiltipticar por A”, A", , .., Ae L, respectivamente, se tiene \ rower | AME Ang AM Ans Heya AME AN Aas — ena AM? Samando, después de reduc, es NE AN Hens OsaTRABAJO PRACTICO Vill 14, Determinar los valores y vectores propios de Tes siguientes trasformaciones lineaes: 1, £: RP >? definida por f (xs, x2)=(4e, + 32, 3x4 ~ 43) 2. FR FRY tal que f(s, 9, 2)= Qy 2, 2-2, 2e—y) 8.15, Obtener los valores y vectores propios, si existen, de les matrices siguientes con clementos en R: w(ale (ae (39) $16, Demostrar que si des un valor propio de A eK™" y ésta es no singular, entonces Nes ao aulo. $17, Demostrar que si Nes un valor propio de la mattiz-no singular A, entonces X" es un valor propio de A! 18, Demostcar que si Xj es un veetor propio de lz matrlz A asociado al valor propio yy entonces X; es un vector propio de A" correspondiente al valor propio Xf $19, Demostrar que si X, es un vector propio de la matriz. A, correspondiente al valor propio 2,, entonces Y= S" X es un vector propio de Ia matriz SAS, asoziado a s : 620, Determinar el polinomio caraeteristico, los valores y vectores propios de eads una de las siguientes matrices complejas eee oo10 ~ (24) = (EY) 821, Demostrar que si P(X) es ol polinomio caracteristico de Ia matriz A €C™*" entonces net 8 el opuesto dela suma de ls valores propios y el término independiente es igual al producto de (—1)" y el produeto de los valores propios.26 VALORES ¥ VECTORES PROPIOS. DIAGONALIZACION. £22, Demosttar que si Ae C"™", entonces la taza de A es igual ala uma de los valor, propios ef determinante d¢ A es gual al producto de los valores propos £8.28, Demosrac que los valores propios de foda mariz idempotent son 06 1 £.24, Demostrar que dos matrices teaspuestas tienen e1 mismo polinomio earacteristio, £8.25, tnvestigar sila siguiente matri es diagonalizable (013) A 8.26, Sea una matriz A ¢C™" tal que AY =1, Demostrar que si Xes un valor propio de A, | entonces © 1 8:27, Demostrar que Jos valores propios de wna matria, ti ‘iagonal 828, Por definicién, una mate positive k, tal que A” nilpotente son nulos. 8-29, Demostrat las signientes propiedades 1. Dos matrices semejantes tienen sus trazasiguales. 2. Sik esun entero positivo, entonces ar AY = 3 NF ngular son los elementos de la cundrada A es rilpotente si y s6lo si existe un entero N. Demiostrar que los valores propios de toda. mati La traza de toda matriz dempotente es igual asu rango. 1a tra de una suma es jgual ata suma de las trazas, Las trazas de dos matrices traspuestas son iguales. [Las matsices A B y B A tienen trazas iguales, tr (ABC) = 17 (BCA) = (CAB) 8, SiP es ortogonal, entonces (PFA P)= tr A. £8.30, Considerando el producto interior habitual en R®, determinar una base ortonosmal de vectotes propios de A, siendo ( 1 2 22) i 8.32, Calcular P (A), siendo P(X)=X* —X+1y a A (14)/ ‘TRABAJO PRACTICO VIIE 287 [enemas Acre ratty PERI ns? eo ‘834, Demosttar que si A eshenmitiana y P eR [X}, entonces P(A) es hentia, 1235, Seon Ay P elementos de K"™", tales que Pes no singular, Demostar que Avy =P AYP £236, Consdetando dos matrices A y B. como en el sjetcicio anterior, demostar que st Pek [XI], entonces | Pa *AB)=B P(A)B | 937, Verificar que la matriz — ( cosy sen ) sng cosy, tadmite un vector propio en R?, evalquiera que sea ge R. Probar que existe un vector } X tal que AX=X. 438, Con relaion al ejesicio anterior, demostrar que si esun vector de R® crtogonal 8X, entonces AY = ~Y. Interpretargeométricamente 4.39, Demostrar que si P es una matriz ortogonal del tipo 2X2 y D(P) existe un nimero real gta que 10) jeorp ~seny C7 £40, Sean Xun valor propio de A eR" y fun polinomio de K [X]. Demostear que f (0) es tun valor propio de f(A). ‘8-41, Obtener una bse fan de los endomorfiemoe de C? caracterizados por Ins matrices (4) vs A va- ( val vs dealt, vak, 843, Demostear que una matriz A €C™" es singular si y s6lo si admite algdn valor propio | jgual a cero, 44, Diagonalizar, sies posible, las matrices bots eon oo |. entonces|288 ‘VALORES Y VECTORES PROPIOS. DIAGONALIZACION. 1 z° \ 0 eR 2 1 iz L iar (2 Apres DiagonalizarP (A), ses posible 8-46, Sabiondo que dimeV > 1 y que f: VV es un endomorfismo, demostrar que existe tun vector propio def,Capitulo 9 FORMAS BILINEALES Y CUADRATICAS 9.1. INTRODUCCION Presentamos en este capitulo los concepts de forma bilineal sobre un espacio vectorial, de forma cuadtitiea asociada, y sus conexiones con la matriz de cada uta respecte de wna tase en el caso de dimension finita. Se estudian los operadores adjuntos, traspuestos, hermitianos y simétticos, ai como también algunas propiedades de sus valotes propios, Esta situaciin se reitera en el caso de operadores unitarios y ortogonales. Después de la emostracién del teorema do Sylvester, se trata ol tema de la diagonalizacion de operadores simatricos y de las matrices correspondientes. Ademds de la descomposiciOn espectral de una smatriz disgonatizable, se estudia Ia congruencia de formas cuadrétieas reales la reduccién a fa forma candnica y el signo de una forma eusdrética, 9.2, FORMAS BILINEALES 9.2.1. Concepto san: (Vs, Ky.) un espacto veetorial y f una funcion de ¥* en K. Defiietén La funcién f: V* + K ee una forms bilinea sobre V siy silo sies lineal respecto de los dos arguments, Ose f:V? +K esuna forma bilineal sobre V si sblo si satisfac 1, Linealidad respecto del primer srgumento £OxX+bx'y)=asQuy) FHF RY) 2. Linealidad respecto del segundo argumento facytdy)=ef NFAY) cvalesquiera que sean x, x',y,y"en Vy a, b,c, d, enK.T 20 FORMAS BILINEALES Y CUADRATICAS Sis es una forma bilinesl sobre V, entonces se verifica que Fl@x,y)=aF(,y)=F% ay) BI lector puede demostear que el conjunto de las formas bilineales sobre V es un espacio vectorial sobre et cuerpo K, comprobando que si fy g son dos formas bilinsles cualesquicra ysia eK, entonces/+g y af son formas bilineales, Ejemplo 9-1 Considerando (K+, K, ), la funcién PROX KK define por Sou y)= 2 xis es una forma bilineal sobre K", ya que verifica las condiciones 1, y 2. de la definicién, Ejemplo 9-2 Asociada ala matriz. A €K"™*", la funcién SRO X KK FHYEXAY (D) es una forma bilineal en K", donde la imagen f(X, ¥)€K"™" ge idontifica con un cwcalar en virtud del isomorfismo entre KI*! y K En ofecto: F@X+DY,Z)=(@X+ BY AZ=@X'+ DYN AZ= aX! AZ+bY!AL=af(X,Z)+ Of (XZ) ‘Analogamente se prueba la linealidad de frespecto del segundo argumento, La expresién escalar de (1), efectuando ol producto de matrices, es fu an. al fr oe nex avews any [eee] Ped ne Ona vs dan} | on n | oe p % = 68 xan E xian... Z ste) . Yn aE Bx ZrPORMAS BILINEALE: ae 9.2.2. Matra de una forma biineal sex V un espacio de dimension n> 1, Considereinos una base [v1 | vis ¥2y-..0¥y ) de x,y a forma bilinealf: V? > K. Frtoncesf esté caracterizada por los valores ay =f .W) «qu son os clementos dela matriz A e€K"™", Imada matriz def respecto del bas [¥ ‘ca facto, sx ey son dos vectores cualesquiera do V, expresindolos en témminos de la ‘base [Vv] es FONE, 5B I= FEL = Bayxyy=X AY donde X 6 ¥ son las matrices columnas cuyos elementos son las coordenadas de x ey respect de Ia base [y} 42.3. Forma bilineal simétrien Sea f : V? + K una forma bilineal. Definicion 1 forma bilineal fs simética sly s6lo st $06 = F0.%) cualesquiora que wean xey enV. SiK=R,y (,)osun producto interior en V, entoncesf: V? ~ R definida por Foyeiuy? WO esuna forma bilineal simétrica Si[v]= | ¥i.¥s.- Ms } 8 una base ortogonal de V, 0 sea TAIAS Ou V=ay=0 centonces Ia matriz A. de Ta forma bilineal (1) es diagonal coo 0... 0 0 0... ae 4y la forma w dice diagonalizada, Resulta292 FORMAS BILINEALES ¥ CUADRATICAS Sify] es ortonormal resulta FOey)= xa 9.2.4, Propiedad ‘a mattc A €K"*" representa una forma biinalsiméteca sy sbfo si A et simétriea, 1. Sea fta forma bitneal simétrice asociada a A. Lessimétticn * (X,Y) = FY, X) +X AY=¥E AX. Como YAXS (WAX Ext Aly Por ser Y! A Xun escalary por traspuesta de un producto, erulta XAY=XPATY YX, YeK" Osea XA AN Y=0 VX, YeK" En consecuencia A~ATEN Y por lo tanto Ava 2, Sea A simétrica, Entonces POM EX AYA AY AY AX= YA X= /(,X) -Luego fs simétrica, Biemplo 9.3, esurollamos la forma bilineal simétricaasociada a fa mals A, siendo T-1 2 Asie (laa 2a Results ea FO&W=K AVEC x) (19 i (*) - ra 7 FOi~x+2s —x+3r te, By +H, 22) (5) | « » TEM xa Pa A Des eH Ya Bea vy tea ye +2 Wy bg Ja — By DgMATRUZ DE UNA FORMA HERMETIANA, on 9.3, FORMAS HERMITIANAS 93.1. Concept ‘sea V un espacio vectorial sobre el cuerpo de los complejo. Definiin 1a funcién V2 +€ es una forma hermitiana sobre V si y sélo si f setisface las condiciones de finealidad respecto del primer argumento y de simetria conjugads, Osea i) Flext oxy) =F KY) FBFOY) Ejemplo 9-4 Fn (C", +,C,.)la funcibn HOKE defn por PHWEXVS Exh ‘es una forma hermitiana definida positiva, ya que satisace los axionas del producto interior usual en un espacio unitario (véase el ejercicio 7-46). 9.3.2. Matviz de una forma hermitiana Sea (V,-+,6,.) um espacio unitario, es decir, un espacio vectorial sobre ef cuerpo C, onde eatd definide un producto interior como en ol sjereicio 7-46, La funeién Evie tal que FOQy)= OG? es una forma hermitiana. Si V es de dimension n> 1, y [¥]= | Vi, Vay -9¥n ) 68 uma bose, entonces| wy CB kv 2 MSE, BAT =i FORMAS BILINEALES ¥ CUADRATICAS Respecto de Ia base clegida, la forma hermitiana estd caracterizada por la matriz A, cuyo elemento genético ay =v.) es tal que iy = (vay En consecuentia, la mattiz Avesta ASRtSat ‘sea, A es hermitiana 9.4, FORMAS CUADRATICAS 9A.1. Concepto Sean: (V, +, K, .) un espacio veetorial de dimensién finita yg: V?> Kw Dilineal simétrice sobre V. forma Definietin Forma cutdrdtica asociada a la forma bilineal simétrica gos la funcion LOK definida por £)=2 6x) Como la form bilineal simétricag verifica los axioms i) i) y i) del produeto interior Aefinido en 7.2., es usual escribir 8O%x)= x) Si V=K" y si A@K"" es la matriz simétrica de Ia forma bilineal g, entonees la forma cuadritica ascciada esté definida por FO9=X AX 2 auxexy Observames que el desarrollo de une forma cuadritica, on trminos do les variables 24,2, --0/%n Cortesponde #@ un polinomio homogéneo de grado 2, donde los eoeficientes de los té1minos evadriticos son los elementos de fa diggonal de In matic siméttica correspondiente, y cada coofieiente de un término rectangular xx; es el duplo del elemento fay dela misma, Definicion Una forma cuadritica X* A Xes no degenerada sly slo i A es no singular.FORMAS CUADRATICAS as Bjemplo 9-5 La matriz correspondiente a la forma cuadritica P:R oR definida por FO)=K ADGA DD Dey yA xy 1-12 A 1 20 2 02 como ieee 3 Daye |-1 2 of =2 110 He results A.no singular, yon eonsecuencia fes no degenerada 9.4.2. Formas cuadréticas y cambio de base Sea f:V->K una forma cuadvitica caracterizada por la matiiz Ae K"™" respecto de ta base [vh Se tiene entonces donde X es ln matiz column cuyos elementos son ls coordenadas de x resect del base Wh Sien Ve Severitica que sidera una base [v'],respecto de ésta, ol voctor x se representa mediante X’ x en 4.19. 7 donde P es Ia metsiz de pasaje det Sustituyendo en la primers igueldad J) = (PX) AP X)=XTPEAPR? La matric de frespecto de la nueva base es Beptar Las matricos A y B s¢ Haman congrentes, Definicion AeK"™" es congruente a Be K"™*" siy sélo si existe P no singular tal que B= PY A. Sabemos que el rango de una matria no varfasise la multiplica por matrices no singulares En consecuenela, si dos matrices son congruentes tienen el mismo rango.7) 296 FORMAS BILINEALES ¥ CUADRATICAS Definicion Rango de una forme cust representan, lot 65 rango de cualquiera de las matrices que Ig fa copsecuenci, una forma cugdrtca es no degenerada si y sos su rangoes igual ata luvenson dl espacio, Una forme cuadrtica es degenerada sy silo st suonoeer que 4a dimension del espacio, Fjemplo 9-6, ‘La forma cuadritica f estécaracterizada porta matrix (223) A 20 7/ respect de a base candnica en R? Detorminaaios la matte def respecta de a base (Ao), @.10, (3 (ee) V5 Lamatriz de passe es (: 0 2 ) ov 0 ve 2 0 41 ‘amatrc Bde la forma cusdrtie respect de le nueva bese 600 B=raPe {0 6 0 oou Fa forma cundritica ha sido diggonalizeds;su forma diagonal esté dada por los valores DPropios de A, y la matee de pase tiene por columnas alos vectores propio de 9.8. OPERADORES ADJUNTOS Y TRASPUESTOS tina wasformcin lineal f: V-> V seréamada también operador lineal o simplem ‘operador en V, Propiedad Se EG: 08 un espacio vectorial de dimension finta con produeto interior, y sif'es “i operador en V, entonces exist y es nico un operador/* que vents P00, =x, PY)‘OPERADORES ae emestracisn) ‘yeuslquier elemento de V. Definimos a funcién Fivoc Sea mediante FOD=(F).9) CD Ladefinicin (1) earacteriza un funcional, es decir, un elemento de V*, De acuerdo con el ado del ejecivio 7-60, existe en V un elemento y’,tnico, tal que FQ= Gy) Q) cualquiera quo seax € V, De (1) y (2) sesulta (£0), =,y) GB) Bn consecueneia, para cada y € V, existe y" V, tinico, que satisface (3). Podemos definir entonees la funeion pvey smediante rosy |.a funcion f* satisfac la condicibn CFO). YEO. OD VaWev ‘Adem es lineal, pues (x fay thy =F). ay +BY D= WFO.) FBO HBX, PD BEX, MDH Cx, af DEC, BH D® ~ Ox a POEL POD Esta yelacion se verifica cualquiera que sea x € V. En consecuencla Paytbyaahy)+ohy) Osea {Fes un operador lineal. Lavnicidad de /* se justifica porque para cade y € V existe y"=/* (9), finico, tal que Feoscx ron) El opetador /*a que se tefiere el teorema anterior. s flama adjunto def7 298 FORMAS BILINEALES ¥ CUADRATICAS Definielén En un espacio de dimensin finita con producto interior, un operador J* 9° tan, adjunto desi y solo si (F099) ‘cualesquiera que sean xe y en V. Siel cuerpo es R, el operador f* se llama traspuesto de fy se denota pest xO)? 9.8.2. Matriz del operador adjunto Si Acs la matic del oporador f rxpecto de una base ortonomal, entonces B= os a mmatiz del operador adjpato f* En efecto, sea (¥]= (¥1,¥ars¥m | una base ortonormal de V. De acuerdo con a cjrcicio 7.61, se verifiea que FOD= LO) MV HED V2 at FO TAI WELZ cat | ‘En consecuencia el elemen genético de in matriz A es £04).¥) nces y= Ow) Se verifica que be OW =F OD= TOD ah Lueg0 Beansit Obseevamos que si fy g son dos operadores sobre V y ae C, entoncst Geran ter @pt=ae Oras foe meter Los operadores fy /* se llaman adjuntos entre sf rador adjunto de fere F(t w= @ + 2iu, (1+ e+ w)‘OPERADORES 299 Lamatrz def especto de la base canénica, que es ortonormal, &s (a7) Poe consiguiente la matriz def* es Resuita P@w=@ HO) u,2+u) 9.6, OPERADORES HERMITIANOS Y SIMETRICOS 96,1. Concepte Sea fun operaor lineal sobre V, de dimension fini, con produeto interior, y seaf* el coperador adjunto. nel caso complejo, V es un espacio unitaro, y en el caso real, Ves euclidiano. Definicion Un operador / sobre un espacio unitario se lama hermitiano si y s6lo si es igual a sa adjunto, feshermitiano + (/(3),y)=(x, F9)) La matriz asociada & un operador hermitiano respecto de una base ortonormal es homnitiana Definicién BI operador f sobre un espacio cuclidiano se Mama simétrico si y solo si es igual su ‘raspuesto, La matriz asociada a un operador simétrico respecto de una base ortonotmal es simétrica, Los operadores simstricos y hermitianos suelen lamarse también autoadjuntos, 9.6.2, Propiedad Un operador Fes hermitiano sy s6lo si(x, F(X) ER, Vx V. 1, Sea fun operador hesmitiano, Entonces &.7)=F@)0 F0)) Lego (x, f@eR 2. Seaftal que VxeV (x SO) ER— 00 FORMAS BILINEALES ¥ CUADRATICAS Se tiene (£0) 90x, FO))= (PR) PF @)-F 0), x G-F90),x)=0,¥xev =~ f* 56, donde e denota el operador nulo, Lego Br 0 sea, fes hormitiano 9.6.3. Propiedad Los valores propios de todo operador hermitigno son reales, Sea Nun valor propio asociado al vector propio x. Se tiene: DX XIE OAK ECL) DEX, FA) = (x, Ax)=Rex, x) x Cancelando (x ,x) #0 resulta X Osea eR Unia consecuencia inmediata es Ia siguiente: los valores propios de toda mattis hermitiana son reales. En particular, los valores propios de toda matriz siméttica y real, por se hhermitiana, son reales 9.7. OPERADORES UNITARIOS Y ORTOGONALES 9.7.1. Concepto Sean (V, +, C,.) un espacio unitario de dimension finita,y fun operador sobre V, Definicién El operador /: V > V es unitatio si y slo si preserva el producto intotior Fes unitario Bx = 1f (IF > Ext 1Ql 2, Sea fun operador que conserva las longitudes de los veetores. Entonces ee FOAY SFY) FOV), Fx BCx YX FY) Oxy, -y) Desazzollando ambos miembros resulta (F0), FO) =(xy9) Luego fs ortogo Una consecuencia inmediata es lu siguiente: los operadores ortogonales tvasforman Vectores unitarios en vectores unitatios, 9.7.3. Propiedad {Los operadores ortogonales conservan la ortogonalidad En efecto, sea f: V-> V un operador ortogonal, y sen x ortogonal ay.02 FORMAS DILINEALES Y CUADRATICAS Resulta (£0). F0))=(x,y=0 Luego f(x) es ortogonal a). Observamos que no toda trasformaciin Tinesl que preserve lx ortogonalided ¢ coperador ortogonal. En efecto, si Lvov 2s tal que f(x) = 3x, entonces f conserva la ortogonalidad, pero no es un operador ortogc 9.7.4. Propiedad Sea V un espacio euclidiano de dimensién finite, Un operador lineal f: V+ “ortogonal siy sélosif*o f= En efecto: Fes ortogonal (x,y) =( F(x), f(y) & ex ~=OG LTO) > POL =C UDO of ofeiv {* denota el oper adjunto def que ene caso rales su trapuesto, Lego. Les ortogonal © f' » f= iy En términos de matrices se verifica que un operador es ortogonal si sélo sila ms asociada respecto de una base ortonormal es ortogonel. Sea A tal matriz, Entonces Ses ortogonal © Af A Observamos que todo operador ortogonal es inversible, vse verifica que fief Osea wteat 9.78, Propiedad ‘Sea V un espacio unitario, y ea un operador sobre V. Como en el caso real, se verifica que un operador es unitatio si y s6lo si preserva longitudes de tos vectores ‘Se demuestra andlogamente que fesunitario siy s6lo si f* > f= fy Ademas, i A € C™™" es la matrz de f respecto de una base ortonoral, entonces fe ‘operador unitario siy solo si A® = A ‘Una matriz.compleja que satisfac la condicién anterior se llama unitaia‘TEOREMA DE SYLVESTER oa efinicion AeC™*” es uniteria® AY A=I@ AY= ‘Toda matric unitatia de elementos rales es ortogonal. Observames que los operadores y las matrices unitarias son una genetalizacion de tos ‘operadores y mattices ortogonales de los espacios euclidianos, 9.1, Propiedad Los valores propios de todo operador unitatio tienen médulo 1 En efecto, sea Run valor propio del operador unitario f,y sea x un vector propio asociado a) Entonces (XP FO), FODI=OAX AKI KC x) Comox , x) #0 resulta Osea Luvgo 9.8, TEOREMA DE SYLVESTER 9.8.1, Ampliacién del concepto de base ortogonal Sea V un espacio vectorial de dimensién finita sobre un everpo K, y sea una forms bilineal simétrica que denotamos con (,} sobre V. Se demuestra que si dim V > 1 entonces existe una base ortogonal respecto de ,} (ejeteicio 9-41), Bjempto 9-8 En R? definimos (,) mediante (x,yPex1 2 Ie donde x= (rs, x2)0y = (4,2). Esta forma no es definida postiva, pues, por ejemplo Los voetores »y =(1, 3) y 2 =(3, 1) forman una base ortogonal respecto do ls forma dada,on FORMAS BILINEALES ¥ CUADRATICAS La base formads por x=(1,2) € y=(1,3) no es ortogonal. Para ortogonalizala, procedemos asi: Seay, =x= (J, 2) yea Bx decir Entonces | vy, | es una base ortogonal de V respecto de Ja forma dade 9.8.2, Generalizacion del concepto de base ortonormal Sea V un espacio de dimensién fnita sobre el cuerpo de los nimesos reales, y sen) una {forma bilineal siméirica sobre V. De acuerdo con 9.8.1, siempre es posible obtener uns base ‘ortogotal, La forma no es necesasiamente definida positiva, ya que pueden existir vectors xeV tales que (x, x= 066X,x2(0, Diremos que una base es ortonormal respecto de la forma.) siy solo si QW 6 Gaw=-1 6 (yw =0 donde ¥,€ lv A partir do une base ortogonal [v1 Vy | es facil consteuir una base ‘extonormal asociada, En efecto, denotando (vv) mediante aj, se obtiene uns base ortonorml haciendo La base [v] resulta ortono’ Sea [v] una base ortogonal ordensda de modo que 03,24 20 Byte Oe <0 Better 20 Si Fes la forma cuadrities asociads a la forma bilineal si cesta base ortogonal, es £00 trea, entonces, especto de tee tap xh tty ga xpar be. hae xt‘TEOREMA DE SYLVESTER sas Bn este desarcollo figuran p términos positives, rp negativos, y nr variables se han liminado. ‘Sila base s¢ ortonormaliza, entonces se tlene LO) =H +... 4x5 3B ya 2 aF Los aimeros p y son independientes de la base ortogonalelepida. El entero p se llama spdice de postvdad de Ia forma. Indice de nutidad dela forme sel entero n-». Signatura dela forma cuadritica ess =p ~ (F~ p)= 2p ~r Ejerplo 9.9 ‘ea la forma bilineal simétrica sobro R? dofinida por la mateiz, 22 re 2-2 Los vectores = (1, 0)y ¥2 = (1, 1) constituyen una base ortonotmal y se verifica que t (yo d=-2 a m=O 9.83. Propiedad Sea ,) una forma bilineal simétrica en el espacio Y, de dimensién finita,sobre el euerpo R,y seal subespacio So=[xeV/(x,y)=0, VyeV] Silv]= {v1 ¥2s.+. Ya) €8 une base ortogona, entonces Ta dimensién de So es igual a niimero de enteros i, tales que a Demostracion) See [v] ordenada de modo que AF 80" 1,2)..47 a= 0sii>r Por sr fy] ortogonal, se verifies que i>rey.y=0, vy eV En consecuencta son elementos de So ‘Sea un elemento cualquiera x € So, y escribamos REALM He Expt he tay Wy | Bntonces isr>| Ky =3/C9y yay ay206 Como a, #0, resulta x; Luego Osea {Yet ‘esuna base de Sp. Es decir, dim So =n — 98.4, Teorema de Sylvester Sea (V, +,R,.) un espacio tal que dim V=n>1, y sea(,) una forma bilineal simét, sobre V. Si [v] o3 una base ortogonl cualquiera de V, entonces existen exactaments enteros postivos tales que ¥, ,¥;) > 0, Demostracién) Sean [v] y [Ww] dos bates ortogonales de V ordenades do modo que si (¥,,¥;) = 4% by ontonces 40 SR1%.4P — b>O SRL .eap! <0 Misp4t..gr by <0 sd=p' +i, =O Sir thom bp Demestraremos que p =p’, Para ello observamos que los vectores 0 Mi=rt hn Me Var ee Mor Wore tyes My son linealmente indepondientes, pues considerando le relaién lineal Bvt 3, 20m se tiene y efectuando se deduce t bpp EI primer miembro es mayor o igual que cero, y el segundo miembro es medor 0 igual q. ‘ero, 0 sea, ambos son nulos, Emtonces es wx Joes =DIAGONALIZACION 307 Como dim V =, de lo anterior s deduce que P+e-p), entonces f esth fepreentada por una matt diagonal respecto de cualquier baie ortogonal. Toda tepresentacion de este tipo admite exactamente p términos positives y rp términos negativs. 9.9, DIAGONALIZACION DE OPERADORES SIMETRICOS sSea(V, +,R,,) un espacio euliiano de dimensién finite, 9.9.1. Propiedad Sen f:V>V um operador simétrico y x un vector propio def. Six es ortogonal ay, enioneesxesotoponal a f(y). En efecto (x SOHO) Y= OX Y= MH,YI=O Osea xLfy) 9.9.2. Propiedad Sea f: V-+V un opotador vi de vectores propios de f. ‘co y din V=m 3 1. Entonces existe una base ortogonat Demostraciin) i entonces la propiedad se cumple obviamente 2.Supongamos que dim V>1, y sea v, un vector propio de /: Consideremos el subespacio i aim wit Sovrifica que dim $= dim V—1=n—1 Por 99.1.,f es un operador simétrico sobre S, donde ol producto interior os el inducido Por el producto definido en V,7 308 FORMAS BILINEALES Y CUADRATICAS S11 varvanss Ya} 64 una base ortogona en § de vctores propio def, entonces veriia que vid con Bea En consecuencis,{ ¥,,¥2,..., vq | fla base ortogonal en V, de vectors propos def Ortononinaizando tos vectores de In base ortogonal, se verifies bajo las condiciones de teorema, que existe una base ortonormal de vectores propios de fen V. 9.93. Consecuencia drathclendo ls propiedad anterior en términos de matrices, te verifica que si A es ung ‘atria simétricay real, entonces existe una matri P, ortogonal, que diagonelicax A, En simbolos AER™" » A= A‘ P ortogonal /P!AP=D | ‘Lor elementos de D son fos valores propios de A. Observamor, ademas, que toda mati Simétrica y real » x m admite » vectores propios ortogonales. Las colummas de P son los vectores propios de A, ortonormalizedos, Ejemplo 9-10 2 Vr ada a matiz A= leterminamos una matrie oxtogonal que diagonalice Data mae a=( FY at togonal que diagonal 1. Caleulamos ios valores propios de A vasnws P2 | cana OL=A)= =A-20-1)- yt yy | 7O-9O-D =H Aad Resta MeO y As3 2, Determinamos los vectores propios ortonorinales de A, aA =O, Oy I-A) X=05ax=05 * (a MC) -C) - S ie +Vix,=0 Via + x2=0 m= VEX eVix tx =0 6DIAGONALIZACION 309 Comox} +x} =1,s¢ tiene xb+2ad= Luego Bntonces 3, Resulta tal que Bjemplo 9-11 [Bfectuamos una trasformscién de coordensdas que disgonalics la forma cuadréticef, definida por 151, ¥2)= 3x9 +10, xy 39 La matrz de esta forma cundtética es Sus valores propios son: »210 oul 0 [PORMAS DILINEALBS Y CUADRATICAS Resolviondo en cada caso el sistema homogéneo (XL — A) X= correspondientes vectotes propios, se obtiene la matriz ortogonal ¥y normalizanda fos vi vi 7-4 fesiyee Smee La tsfrmain orognalde oordenas ot apo ae c Mediante este cambio, se convieste en £O'y.24) donde los coeficientes de las variables son los valores propios de fs matriz dela forma cuadritica 9.10, MATRICES SIMETRICAS REALES Y VALORES PROPIOS 0.1. Matriz definida positiva Sea A una mateiz ‘ica y real del tipo nxn, Definieton ou ing! Da Una matriz siméteiea y seal ex definida postiva si y eilo si eae valores propioe som positives, Tal ol easo de Ia matriz del ejemplo 9-6. 0.2, Propiedad Una matri2. real y simétriea es definida positiva si y sblo si existe una mattiz Q, no al que A= 0 smostracién) | Sea A simétrica real del tipo nxn y definida postiva, Por definii6 ositivos. Por 9.9.3. oxiste P ortogonal tal que PUAP=PFAP=D (1) 18 valores propios[MATRIZ DEPINIDA POSITIVA au sgonal formada por los valores propios de A, 0 sea donde D os ls matsiz fag Pay sos Aad ‘consideremos Ia matriz diagonal Dy ing (VR VK 4 VE) se vrifica que Di=D @ ‘Teniondo en cuenta (1)y (2) 05 ‘A=PDP!=PDP!=PD} P=PD, DL P=@D) ED) GB) Baciendo Q PD.) resulta A=Qat donde Q es no singular por ser producto de dos matrices no singular, 2, See A simétrica y real. Supongamos que existe Q no singular tal que A= QQ, Por 9.9.3. existe P ortogonal tal que Phar. diag 4, Bay ++ Ba) Entonees Prag'r=D Osea ef et gt=D Llamando X; a ta isima fila de PE Q, y por Jo tanto a ta Esima columna de (PQ), se tiene, considerando el producto interior habitual en R" X= SO .y en consecuencia P* Q seria singular, lo que es absurdo. Si fuora y= 0, resultaria X; Luege Por lo tanto, A es de 9.11, DESCOMPOSICION ESPECTRAL DE UNA MATRIZ Teorema. Si AER" es una matriz. diagonslizable, y Ay, Ray... son los valores propios dstintos de A con multiplicidades my, mz, .. my entonczs A puede expresatse en Ja formam2 FORMAS BILINEALES ¥ CUADRATICAS de mode tal que se verifica LAPS Ay Wis 1, nieieasdy= AAMEMA VEE bus Demostracién) Por ser A diagonalizable existe P no singular tal que Piap=D Q) donde D es la mats diggonal formads con los 1 valores propios de A, que suponemoy donde los elementos no diagonales, que no figuran, son nullos. Denotando con Ip, la matiz idontidad del tipo m,xm, la forma blogue-diagonal de Des D= Di ling Considerando las matricesDESCOMPOSICION ESPECTRAL oe Se verifies, por ser mattices diagonals, a) ER=B) Wi b) 1#/> BEEN oy 3 Bie hdonde fos identi nen Ademés p= ZN @ Do(8) rsa aerprt Considerando esta relaci6n y (2), te Osea Haciendo resulta AS Se veritican las siguientes proposiciones 1.AZ=PE,P! PE,PY =PER RT Lie/= AAP EP! PEP peje and tet seu 4 ancareet=ppnjet e(d yEpee R definida por £0G1.xa)=at — 261 2 94 a4 1. Lamattiz de la forma euadritica es El polinomio caracteristico es Dal-a) Los valores propios son, entonces a2 y hao 2. Como el nimero de valores propios positivos es 1, Ja forma canGnica congruente es 4 definida por O17) 9 Efectuamos el procedimlento indicado en el teorema anterior para obtenerla Caleulando los vectores propios asoviados 2 A, y Ry se obtiene (jem (') 4(7') vro-(2 8) La forma euadritica ortogonalmente congruente aes, tal que Wey, 2g) 22h oak x, La matriz ortogonal correspondiente es Se verifies que Sea318 FORMAS BILINEALES V CUADRATICAS Entonees, haciendo X= QP Y, se tiene 50D=¥' QPF AQP) Y'PhQtAQPY=¥' Pf PY: =vBY donde ol {2 0 ° O16 0} lo vio iG 0 off o4 00 Osea EO yadert 9.13. SIGNO DE UNA FORMA CUADRATICA Sea funa forma cuadrética real definida por FO=xAX donde A es una matric simétrien real dl tipo nxn, 1. fs definida positiva sy sto si XAX>O WX#0 2. es semidefinida postiva iy solo st XM AXPOAIX#0/KAXSO 3.F es definida negativa sy so ila forma cunditica g definida por BOQ=X'(-A)X 28 definida posiiva, 4. es somidefinida negative si y solo sig tal que 8 ()=X!(-A)X essemide ida positiva 94 ak fort po tas ope oy nega E real kam, 2 a- FORMA DEFINIDA POSITIVA 319 Bjemplo 9-13. | Deteminamos el signo de ta forma cuadritica /: R* > R definida por FO) 3x} — 2x ry $29 Se verifica que | £09" xf 4x} — 2x, xy tad td Ose £00) = 233 +0) —maP $3 comof(X) > 0, ¥ X #0, resulta fdefinida positiva. 913.2, Propiedad La forma cuadritica real f, tal que SOO X' AX, es definida positiva si y solo silos -aores propios de A son positives. En efecto, sabemos que toda forma cusdtitica real ¢s orfogonalmente congruente a una forma cuaditica g tal que s=3 Not | sondo 2s,22.-+2.%y los valores propios de A, Como ejercicio del trabajo prictico se ropone Ta demostracion de que ef signo de una forma cuadetica no varia frente a tnsformasiones de coordenadas, Esto signifies que el signo def es igual al deg. Luego ‘Ses definida positiva © g es definida positiva © Ny >0, vi Diremos, entoness, que uns forma cusdrética es definida positiva si y silo si la correspondiente matic es definida positiva. Anélogamente se demuestra que: fvs definida negativa sy s6lo si sus valores propios son nagativos; fs semidefinida postiva si y silos su valores propios son mayores 0 iguaes que Oy alguno de ellos es 0; f es semidefinida negativa si y s6lo si sus valores propios son menor 0 iguales que cero, pero alguno de ellos es 0. Si existen valores propios positivos y ‘egatvos, diremos que la forma cuadritica os indefinda, Fl lector poded demostrar como ejorcicio del trabajo préctico que una forma cuadrética rea f definida por f (X)= X* A X, es defina positiva sy soo silos menotes principles de lamatiz A son positivos. Bjemplo 9-14 Analizamos, utilizando ol criterio de los menores principales, sila forma cuadritice f, definida por30 [FORMAS DILINEALES Y CUADRATICAS Fea, Xa, X3)= DHF td + 3x} + 2xy xy — Dep xy 8 definida positiva, ‘La matriz de la forma cuadrtica dada es ‘Sus menores principales son 1>0 td D(A)=1>0 Lego, fes definida positivaTRABAJO PRACTICO IX 9.15, Sea (V,4,K, .) un espacio vectorial. Demostear que et conjunto B(V) de todas tas ‘Formas bilineales f: V2 > K es un espacio vectorial sobre K, como so indica on 9.2.1 916,Sea g:V**K una forma dilinal, Demostrar que gy: VK, definida por 8 (&)=# %, ¥), €5 una forma Lineal 9-17, Una forme bilinealf sobre R® esti caracterizada por la matriz 12-1 A= (10-2 ord ‘) Obtener F(x, y. ii) Determinar la matte de frespecto dela base 11, 1,1),(4, £,0) (2, 0, 0)} #18, Deteominar Ia forma escalar de Ins formas cuadriticas asoviadas alas formas blinestes 8(%, Y)=X! AY, em los siguiontes casos i) 3_ 0 ii) 1 00 a(t ° a-(o-t0 0 o- o 01 $419, Se fla forma cuadrdtca real definia por FO0=% Obtener ia matriz de frespecto de la base canénica en R" 920. Determinar las matrices de tas formas cuadsiticas sobte R" definidas por DL0="% ip s00= FO ¥y [nvestigar la idempotencia de tales matrices,32 FORMAS BILINFALES ¥ CUADRATICAS #21, Sean g una forma bilinealsimétrica sobre V, y f la forma cuaditicg 300i, Demastrar que Deen F(s64+-se~y) 9 £9=4(se 49-016) 722, Deterinar a matic de a forma cuadrética sobre R® defini por P00 Xa 8s)= HF ~ 4x, xy $209 9:3. Sea (V, +, K, .) un espacio vectorial de dimensiGn ya:V? OK, tales que Y sean la funciones f: Vy £CY=S0 +9) -F6)~ F0) Suponiendo que g cs bilnel, y que /(ax)=0 es el conjunto de puntos de R” cuyas, distancias a a son menores que r I simboloS (a, 1) s le: “esfoabirta de centro ay radio”. S(a,r)=(xeER"/d(x,a)0 tal qu I eaferaabirta de contro ay radio estéinchuida en C, AeCesintior *37>0/8@, NEE | Los puntos de toda intervalo abierto en R son interiores. Si el intervalo es. ‘corrado, todos | ‘punto, so fos extemen son inne 10.23, Punto fontera SeaCCR"CLASIFICACION DE PUNTOS ao efnicin reR® es un punto frontera de C iy silo si toda esferaabirta de centro a tens Jnterseeciones no vacfas con C y C. eR" es frontera de C°Vr>0:S (a, NAC#HN SE, NICHD ec — € El puntoa gC, peroes SiC= AU | a}, entonces el punto ais frontera de. lado a os frontera de C. 10.24, Punto de acummulacion, ‘Sea CCR”, El simbolo S* (a, 7) se lee: “esfera reducida de centro ay radio” ¢ indica la diferencia entre S (a r)y [a |, Es decir, S* (a, r) denota la esfera abierta de centro ay radio 1,excluido el centro, Dejinicion a €R" es un punto de acumulacidn de C siy silo sila interseocién entre C y cualquier cesfera reducida de contro a es no vacte. ae Res de acumulacién de CV r>0:8*a, CHO ‘Los puntos de acumulacién de un conjunto suelen lamanse puntos limite CObservamos que un punto de acumulacién de CC R" no pertencee n ‘Tal esol caso de la igura siguiente: esariamente a C. |38 CONVEXIDAD, PROGRAMACION LINEAL €C, es punto frontera y también de acumulacién de C. Si consideramos —_—___ é #€C es punto frontera de C, pero no es de acurmudacion de C, Se demuestry qe toda esfera seduce, eentrada en un punto de cumulacion de ¢, contiene infinitos puntos de C. 10.2.5. Conjunto abierto SeaCCR" { Definicion | Ces abierto sy s6lo si todos sus puntos son interiores. Cosabiesto * VaeC, 3r>0/5(@,)NC=S(a,1) ‘Se demvestra quo la unién de toda familia de abie ‘ntersecein de toda fanilinfinita de abiortos es abierts [as esferas S (a, 7) y S* (a, r) son conjunios abierton, ‘Ademés, de le definicién se deduce ‘qwe un conjunto abierto no incluye ns frontove tos es un conjunto abierto, y que ia 10.26. Conjunto cerrado Consideremos CC R" Defiieién C ss certo sy sos todo punto de scumulaclin de Cpertnsse aC Es deci, un conjunto os cerrado siy sso si contine todos ws Puntos de acumutaeiin, | finde ditto © e4y0s clementos son todos ls puntor de aremnc de C, se tama | erivado de C. Diremos entonces que Cescomioeoce [La siguiente figuraDERIVADO ¥ CLAUSURA mn Wij representa un conjunto cerrado, donde C"= A. Los conesptos Ue abiertoy ceido na son ‘mBlnyentes, ya que existen conjuntos que no som abiertos ni cerrado ate eso] eas0 dé un conjunto formado por la unién de un disco abierto y un punto sada, Observamos, ademés, que un segmentoabierto ex un conjunto abiesto en R, pero no fresen R?; 00, el concopt0 de abierto es relative al espacio méttico que se consiere. Hl lector podré demostrar, como ejercicio del trabajo préctico, que un conjunto ex cerrado siy solo si su complementario es abiert. ‘Se verifica que la interseccién de toda familia de cerrados es cerrada, y que la unin de toda familia finita de cerrados es un conjunto cerrado. Estas proposiviones son conseeuencia dole propiedad anterior 102.7, Clausura de un conjunto seac R" Definiciin (Clausura de C es a union EE simbolo C se le: “elausura de C Se tione e Cy su derivado, €-cve (0 sea, la clausura de C os la unfén entre Cy el conjunto de ss puntos de acumulacion. Se omuestea que la clausura de un conjunto eualquiera es cerrada, Mis aim, que la elausara de tun conjunto C es a interseecién de todos jos cerrados que inleuyen aC. In este sentido, la clausura de C 8 el minimo cerrado, en el sentido de inclusién, que contiene aC, 10:28. Conjunto acotado SeaCeR" Defnicion C es acotado siy sélos existe > 0 tal que acco lal 0 tal que cc8@,7 Definicion ( esta acotado por debajo si y solo si existe a €R” tal que xeCoa0, Mostraremos que si el hiperplano se traslada paralelamente a sf mismo en direecién del vector normal, entonoes el término independiente de la ecuaciéa excvo, En ‘efecto, el hiperplano que pasa por X1, de vector normal C,esté definido por Xk ‘Si consideramos el hiperpiano con ol mismo vector normal, que pasa por Xp =X $aC cone >0, se tiene COX= heSEMIESPACIOS 335 a} como CX, =O, Fa O)=C'X; FaClC= ky tallcP result ig > ky ‘Todos los puntos del hiperplano de ecuacin C* X = ky vetfican C* X > ky, se propone como ejercicio del trabajo prictico la demostracin dela siguiente propiedad: todo hiporplano es un conjunto cerrado, : 103.3, Semiespacios Un hiperplano de ecuseién CXsk determina una_paricn de R" en tree conjuntos: el hiperplauo 1 y dos semieyacios sbiertas de borde ae ae sp Tlustramos esta situacion en R® Definicién Semiespacios abiertos de borde 1 son los conjuntos XeER"/CIXk]) Definiciin236 CONVEXIDAD, PROGRAMACION LINEAL XeR"/C1X] Se demuestra que los semiespacios alerts son conjuntos sbirtos, ‘cerrados son conjuntos cerrados en R”. ¥ que los semiegpacig 10.4. CONVEXIDAD EN R" 104.1. Conjuntos convexos SeaC CR" Definicion Fi onjunto © es convexo si y solo sel segmento detesminadlo por cualquier par de Puntos de C esta incluido en C. CCR" esconvexo Py Cr Py eC =P, PF, CO Sabemos que Phe [Ke RY/X=1P, 49 P, a0cte 1} Eaexpretin Fs + (1-8) P,donde 0 <<, sellamacombinacién convex deP, YP, En consecuencia, diremas que un conjunto C es convexo aly silo ti tod, ‘combinacién combinwclnee sins cualesquora de C pertenste a C. El conjumto de tole in wPLP CCAP CO =P CC, NG, PLP, Ce Arr consecuenci,C 6s convexo, Hemosaplicad la definicion de intesecion, de conjunto cnt ogemte propiedad: si un conjuntoestéincuido en dos conjunton ent eg std incluido en la interseccn de éstos 10.4.3. Combinaciones convexas entes a R" Sean P,,P2,...,Py, pertenTr il ' in r to CONVERIDAD BN RY 7 eto ombinacion convexa de los puntos P,, Pa... €8 todo vector dl tipo Za, end & a= tya>0, vi=1,2,..4m Propiedad Pconjunto de las combinaciones convexas de los puntos Py, Pz, - ., Py, €8 convexo, Py | CR” ripe) (PsP snap c~| Bats/Z netacioe} escmmme Demostreci6n) Se trate de probar que toda combinacidn convexa de dos puntos cualesquieta de C, partencce a C, Sean P* y PY pertenecientes aC. Abora bien "ECAP ECP Bain vee,ocety Sa=Ser Como rsa -orerh aitta-03 eine Baa +a aie rewlta ¢P” +(1~1) P’ una combinacién convexa de los m puntos dados, pues 0Re, conjunto convexo, Hipotesis) J: RY» R™ es trasformacién CR” esconvexo Tesis) 77+ (C) 0s convexo en R™, sarmanctén) Consideremos dos puntos cvlemuiora Py P” en a premagen dep \efinicién de preimagen, de trasformacion leat y de convexidad, x tiene Pes Oarres Cor@yecas@ryecs FFP) + ~OFPEC FUP +—N PV ECS oP 4D ef ©) En conseeuencia, (C) es un conjunto convexo. eal 10.5.3. Convexidad de hiperplanos y de semiespacios |. Todo hiperplano es un conjunto convex, Considetemos C eR” y a funci6n f: R" ~ R definids por FRO=CX i x a se cacincion caractetiza af como tasfomacibn lineal. eonjunto cayo die Simento es KER ex convexo. De acuerdo con 105.2. su preinugen pore vo convexo en R", Tal preimagen es el coniuntoT : CCONVEXIDAD Y TRASFORMACIONES LINEAI uw el hiperplano de ecusei Osea it, BleosjumtoC={x€R/x>k} exconvexo, y Py i k EA * : Enefecto: : P, ECAP EC 4x, Dk Ax >kO Fix, HL Day tk HUD RS 11, Todo seriespacio abierto es un conjunto convexo. Considerando la trasformaciOn lineal: R" > R definida por 1} FOO=CK, y que el conjunto {xeR/x>k] cs eonvexo, entonces su preimagen, 0 sea {xer*/sog=c'x>s) , es un conjunto convexo, de acuerdo con 10.5.2. Tal prebmagen esol semiespacio de inecuaci6n CX>e IV, Con eriterio anélogo x prucba que todo semiespacio cerrado es un conjunto V.. La interseccién de un nGmero finite de semiespacios, por ser éstos conjuntos comvenos, @ un conjunto convexo, Tal intersecciSn, como lo mucstran las siguientes figuras, puede ser acotada 0 no. sicon CONVEXIDAD. PROGRAMACION LINEAL. 10.6. HIPERPLANOS SOPORTANTES 8 un subconjunto cerrado y comvexo de R", entonoes cu leuier punto Pay pce C0, bles existe un hiperplano a at que pertenece Py oat que Cesta in {en uno de fos dos semiespacios abiertos de horde tt En efecto, si PeC, nada hay que probur, Supongainos entonces que PC on eats epostatemos que existe un hiperplano m qu verifca lo aflmnade ent enunctado, Consideremos la funcién LCR define por So (X)=1X— PL ‘a funcién fy es continua y alcanzu el minimo en C. 0 sea DACC/XeC=f, (A) U, pues N #0, resulta oNTP ‘En consccuencia, B pertenece al semiespacio de inecuacién NEXDNIP (0 sa, € est inchuido en ef semiespacio abierto determinado por Ia inecuacién N'IXDN'P 10.6.2. Hiperplano soportante ‘Sea Pun punto frontera del subeor Definiciin srs un hiporplano soportante del conjunto convexo C en el punto frontera Psi s6lo SiC estéineluido en uno de los dos semlespacios cerrados de borde Queda como ojercicio del trabajo préctico la demostracion de la siguiente propiedad: si P cexum punto frontera de un conjunto eonvexo C, entonces existe un hiperplano soportante de ConP. Ejemplo 10-4 Consideremos un conjunto convexo C y el hiperplano de ecuscion NiX=ka CONVEXIDAD, PROGRAMACION LINFAL. Sabiendo que XeCon'xae (1) Engtios ae todo punto pertensciente x Cos un punto ontera de ©. Fn efecto, si Pno fuera un puato fronteradeC, existe > Deg que P-enec Luego N@—eN)=N'P—eN'N=k NINE [2,045 &8 imposible, ya que todo punto de C satisfac (1), fin consecuenci, Pes un punto frontera de C.y mes ue biperplano soportante de Cay P. 10.7. PUNTOS EXTREMOS ‘Sca P un punto del conjunto convexo CCR", Definicién P es un punto extremo de C si y silo si no existen dos Pontos distints Py y Portenecientes. aC tales que PoeP+(—OP, donde 0<1<1 ot i Punto extreme de un conjunto convexo no pertenece 4 segmemto abien| ‘eterminsdo por dos puntos distintos dé), Coervamos gue un punto exteio no puede pertenecee a un Segmento incuido en Ca ‘menos que sea un extremo de dicho segntento, Se demuesta que todo punto extreme de un conjnto comvexo 80un punto frontera, Propiedad nioay RiPetplane soportante de un conjunto convexo, cenado YY acotado por debsjo, ontiene un punto extremo,PUNTOS EXTREMOS oe front NIX=N!Py NEXSN'P, VXEC consideremos “ : A=ANC ye aes con is hiptesypropiedesanieiows, A es cone, cede y wtado gor debe C Probaremos que todo punto extremo de A es un punto extzemo de C. En consecuencia, el problema queda seducido a la determinacién de los puntos extremos de A. ‘Supongamos que P sea un punto extremo de A no perteneciente a C; entonees existen Qx Qs en tales que ParQ +09 A 0 N' Po346 CONVEXIDAD, PROGRAMACION L1 Entonces, considerando (3) se tone N'Pg >EN'P, +(1— NEP 4o-que es absurdo, Ein consecuencia, se verifica que NfQU=NtP, 4 NEO, Osea Qenr en » sto contradie Ia suposicién de que P es un punto exttemo de A, Froponemes como eercicio del trabajo prdctico la deteenivectin efestiva de un punts extremo de A, Sx (emursra que todo conjunto cermo, aotado y convexo ex el eco {CONVEX de sy Puntos extremos, sty eum ustran esta situsciGn y también el hecho de que un convexo go acotado 9 abierto no es el casco convexo de sus puntos extremes 108, INTRODUCCION A LA PROGRAMACION LINEAL 10.8.1. Concepto Jrenitstotcién Operative, que nace en a segunda Guerra Mundial, esa ciensie que tata eae, 222 2 Pisentan en le industs, comerco, eduencon, dee etestora, y Ghicable a sistemas compejos en los que intervienen persons, quipos, materia prima y ‘intro, Su objetivo eel asesoramiento, afin de adopardecsowra oo La Programacién sj? ate sighs, y sobre la bate del concepo de convnidad, presentaemoa el problema lvcone, peas eamasion Lineal en lo que se refiote a a1 plantes estructura lineal, ‘soluciones posibles y optimizacién del objetivo,T PROGRAMACION LINEAL on ja produc ura unidad del producto Ay, el dinero iasumido por los euros es, en pes, aly a respectivamente, el caso del segundo producto las cantiades son 6,20 y 4 5 Min situaeiGn queda indicada en la siguiente tabla © matriz, A] Aa ‘Mano de obra s| 6 Matesia prima | 10 | 20 Equipos a|4 Ht dinero disponible para cada uno do Ios es recursos es, respectivemente, 15.000, 20,000 y 6.000 pesos. ‘La ganancia 0 beneficio neto por cada uniad del producto A, es 3 pesos, y por eada nidad del producto A, ex 4 pesos. Se supone que el mercado puede absorber sin tompetencta estos productos. ‘Con esta informacion completamos el cuadro anterior: Productos Recutsoe AL Ag | Disponibitidades ‘Mano de obra 5 6 | 15.00 Materia prima 10 20 | 20.000 Equipos 4 4 6.000 Beneficio 3 4 Bl problema consiste en determinar las cantidades a producit, x y x2, de los productos ‘Ay y Ay, respectivamente, a fin de obtener ol méximo beneficio. El objetivo es, entonces, smaximizar el beneficio. Las variables; x, deben satisfacer las siguientes restricciones: Say + 6x2 <15.000 101 +2025 < 20.000 4x, + 3x2 6.000 2, Condiciones de no negatividad [mo |x 2028 ‘CONVEXIDAD, PROGRAMACION LINFAL Bl niero de unis roid cata produc a pee rept Bt sonuna scion 5 det etna Toma por ar mesa Stee iets Sor onc epson (or eens sen a es ees Ssconinn Pam ons, pentax pine ets cya esos on Sa + 6x) 18000 10x, #205, = 20000 tt ans 6000 Las condiciones de no negatvidad restsingen el problema al primer cusdrante. Obtenemg, | te tenes av etn con lo ss nen eso oo are ‘Soesin oy vide por cn Gmc ndpnetsents ee 3.000 * 2.500 4 May 2.000 * ‘1.000 ech 1.500 * 1.500 La representacin de las tres rectas y del conjunto §, interseccién de los cinco semiespacios, queda indicada en la siguiente figuraPROGRAMACION LINEAL, fe A conjunto scueion S es el evadnitro cuyos puntos (ey, 2) stisfacen las condiciones Bio y de no nepstivided. §recbe el nombre de conjunte de sohuciones poses © vies De di hay que elegir el subconjunto cuyos elementos maximicen la funcion bjetvo Fen x)= 3x H4ay fa) presenta el Beneico neto que se obtiene a vender xy unidades del producto Ay 1 anaes de producto A areata t 3x t4ar=k e fel epssenit usa familia de rectas paralols, de pendiente m=, llamadss rectes de 4 soboneticio. ig estas, interesa aquella cuya interseceion con S sea no vacfa y euye distancia al orgea, 7 ea sin, Eo ny ie temic ena de pry no vacia con S—_—— 30 ‘CONVEXIDAD. PROGRAMACION LINEAL age tows a ha representado ta recta dela familia que pasa pore oigeny ‘ecuacién es 3x, 4x20 pea Diazando esta rete en ta dirstin dl vector nomnal 31 +4. cece la dani a corigen, sencaeiunie SOF contesponde al punto (1,000, 500). Para estos valores de x, Yee Deneficio es méxime, y se obtiene mix F(.,3¢2)=3, 1000 +4. 500= $000 O fet tf Beneficlo maximo, que es de 5.000 pesos, se obtiene produciondo 1.009 nidades del producto Ay y $00 unidades de Az. Cualguier otto ‘pinto de § tiene searenadas esociades @ una produedion con la quo obtine una gunna mene. a Inefodo sealers, MAYO" ave 2, no es poubleresoWer el problema geicamente ty Ssau®_litico mis uslizado para resolver un problema de Progamacton Lined os a Simplex. Con telacin al problema expuesto, utilizando notacién matricial, se tine ce 15.000 | 2 on wi) ce ( 1. Condiciones de vincuto: A AX0 3. Funeiin objetivo (9 optimiza): FOO=C'X Biempte 108 Dessrroliamos el siguiente probloma expuestopor Tucker en ef Seminario de Royaumont,cuyo enunciadofigueaen la publieacion nimero 26, estita por el Doctor Luis A. Santalo, de ia coleccin La Escuela en el Tiempo, Editorial Eudebs, 1966 Sageacamere tione a au disposicion 100 hectteas de vera, 160 diashombe para caltvarlo y 1-100 pesos pers invetir. Desea sombrar dos eultivos un de lor etalon ‘ravee un diayhombre por hectirea y produce un beneficio de 40 pesos por hectares cL otro cultivo requiere 4 diashombre por hectirea y produce un benclivio do 16 cultivo 2 roquicre 20 pesos por heotéres. Se desea saber cudntas heetires de cad cultivo tabra de plantar para obtener el beneficio maximo, {inl siguiente esquema quedan especificads la mattiz A, el vector B y los oefiientes Ae costes, o sea, el beneficio neto por hectéea para cada cultivarPROGRAMACION LINEAL ast Caltivos Recursos Cy | Disponibitidades Hoctéreas ia 100 Déashombre 1] 4 160 Inversion porha. | 40_| 20 | 1.100 Beneficio 40 | 120 Six) ya son las hectéreas que deben destinarse alos cultivos Cy y Ca, el problema cconsste on maximizar la funcion objetivo 40x; +120x3 sujeta alas restciociones xt 2S 100 xt 4x2 160 10x1 +202 <1.100 x20 x0 En el grfico siguiente estin representados el conjunto § de soluciones posibles, y e punto de coordenadas (60, 25) que optimiza fa funcion objetivoCONVEXIDAD. PROGRAMACION LINEAL Et maximo beneficio se obtione sembrando 60 hectireas del cultivo 1 y 25 hheotireas el eultivo 2, 0 sea, dejando 15 heetéreas sin cultivar. 352 10.8.2, Problema general de Programacin lineal ‘Un problema de programacién lineal puede expresarye dela siguiente manera minimizar £(=C'X=E ex; (funciGn objetivo) sujeta alas restricefones: AX0 (Condiciones de no negatividad) donde Xe R™!, AeR™", BeRM: posible 0 fuctible de un problema de programacién linea es todo vector de RP que satsCaga las rosticciones. ragonjunto S, do lax soluciones poubles, es convexo y cemado por se interecién de intone on gatmados. Si alguna condicin de vineulo e6 una ecuacén, en tl interac {nterviene un hiperplano, que es convexo y cerrado, Definiciin Fase tina eS una solucién poste que optimiza (aunimizn en este case) i funcién objetivo, Propiedad Si un biperplano caacerza el dptimo dein facia objetivo, entonces tal hiprplano no ‘ene puntos interiores al eonjunto de soluciones posibles, Ja eouacién del hiperplano asociado al mninimo de fa funcién tupongamos que existe un punto Py en, que es interior al conjunto Por definicin de punto interior, existe €> 0, tal que SoCs El punto 6 Tiel revlensoe @S,ya que es un elemento dela exfra abort de centro Pp y radio, pues Py Pola £ F(R Py @ 2SOLUCIONES OPTIMAS Y FUNTOS EXTREMOS 353 pivector P, verifies, ademas, ct ecte _, lel ey 30cr 3 Jo gue «8 contradictorio com la hipstesis de que la funci6n objetivo alcanza el minimo-en Po, Ea conseouencia, podemos afirmar que un hiperplano eortespondiente a una solucién af) 11,2, Realizando la sumatoria respecto de /,¢s s » Resey> 3 ase) Osea F092 > Zoe) Como a1, resulta FE), Rash) Gy De (1) y (3) se deduce £OY>L (Po) De esta relacin y de (2), por la antisimetra, se verfica que L(Po) =F") Es decir, existe un punto extremo, Pt, en el cual la funcion objetivo toma el valor indximo. Supongemos ahore que /sleanza el éptimo en dos puntos extremos dstintosy sean étoe Piy ,. Entonces FOD=NE=M CConsidezemos una combinacién convexa Part at, Como AMA) +O yh MA MM queda probado que el valor puimo es aleanzado en el punto P. que es combinack doP,y Py 10.8.4, Observacién ‘Sabemos, por 10.6.2., que todo conjunto convexo, ceralo y acotado por debajo tiene Puntos extremos en cada hiperplano soportante. EI conjunto de soluctones posibes deanSOLUCIONES OPTIMAS Y PUNTOS EXTREMOS, ass problema de Programacién Lineal es convexo, creado y aztado por debao por el vetor Pijo, ya que XO. El teorems anterior asegura ques existe éptimo de la funcion objetivo, tal valor es alcanzado al menos en un punto extremo. En R”, $ tiene un nimero finito de puntos extremes. TH problema se reduce entonces a examinar el valor de {a fancién objetivo en tos puntos cextremnos, afin de haller el éptimo, El método Simplex permite determinar anslticamente fos puntos extremos y pasar de uno a otto anaizando el valor def, hasta obtener el éptimo.TRABAJO PRACTICO X 1046, Soa A= {@s,xa)eR?/Ix,1< 1A lea1<1} U {2} Determinar ia frontera yo darivado de A. 10-7 Dados os siguientes subconjuntos de R? A= {Gra2)/2x 43:18 66] B= [O1x)/m 21023 <2) C= [Guam S204 30 axa) R" la traslacion definida por f(x) =x +a, donde ae R, Demestrar que Ses convexo - /(S) es convexo 10:16, Demostrar que el conjunto solucién del sistema lines) AX BeR™! yXeR™, os convexo, 10-17, Sea CCR". Por definic Cosun cono#xeC>axeC nado , donde Ae R™",“TRAWAIO PRACTICO X a7 Demostrar que si AC R®, entonees el eonjunto ax/aron xed} sun cono, Crecbe el nombre de cono genera por A 10-18, Determinar ol cono CC R® generado por la interseccién de a= (Genter) [4 td <2 y elplaso de ecuaciin x3 =2 10-19, Sabiendo que Ces un cono, demostrar que © = {-x/xech ! sun cono, C“recibe el nombre de cono opuesto de. 10-20. Demostar que si € es un cono,entonees chely (ty,x0=0, Vxec! ‘esun cono, C* se llama cono ortogonal a C, 10-21, Demostar que el cone origi al cono CC R" es un subespacio de R" 10-22, Sean los conos C; y C2, Demostrar que C=C, $C, = [xty/xeC, a yea] 10.23, Planteat el siguiente problema de programaci6n lines ‘Un mecclador de licores importa licores de tres grados: A, B y C, Modiante mezclas de Gstos, ateniéndose 1 los indicacfones especificadas en la tabla siguiente, ebtiene tes productos finales: L, My N Mezcla | Especificacion Precio de vanta par itro L | Nomenos dei 60% de A 688 No mis del 20% de C M_ | Nomis del60% de C 518 [No menos det 15% de A N_ | Nomésdel 50% de € 458 Las éisponibilidades de los tres licres bésicos y sus costes som358 CONVEXIDAD. PROGRAMACION LINEAL Licor Disponibitidad méxima | Costo por litre ‘mensual en litros a 6.000 6S B 7.300 455 c 3.600 368 Ei iezledor dese saber eulnto debe product dels cores L, M YN,a fin de maxi mizar sus ganancias, 1024, Una mdquina de fabricar pape produce roles de 82 em de ancho. Se han teeibido tog siguientes pedidos: 60 rolios de 58 em 85 rollos de 26 em 85 rollos de 24 em 50 rollos de 23 em Panteas el problema de cémo cortar los rallos de 82 em, afin do satisfacer los pedidos ¥ minimizar el desperdicio,BIBLIOGRAFIA Boutsloup,J.: Cileulo de Matrices, EUDEBA, Buenos Aires, 1968. Cotter Sadosky: Introduccién al Algebra, BUDEBA, Buenos Aires, 1962, Dieudonné J.: Fundamentos de Andiisis Modemo. Baltorial Reverté $.A., Barcelona, 1966. Faddeeva, N. A.: Métodos de Gileulo de Algebra Lineal, Editorial Paraninfo, Madrid, 1967 Faure-Kausinan-Denis; Matematica Moderna. Baitorial Paraninfo, Barcelona, 1966 Gass 8: Programacién Lineal, Bditorial CECSA, México, 1961 Gentile E, Rs Espacios Vectoriaes. C.E,D.Q., Buenos Aires, 1965, Graybill, FAs An Introduction to Lineal Statistical Models, Mac Graw-Hill, New York, i961. Hadley, G.: Lineor Algebra, Addison Wesley Publishing Company, ne., 1967, Jolson R.: Algebra Lineal, CECSA, México, 1969. Lang .: Linear Algebra, Addison-Wesley Publishing Company Inc, 1967. Lontin-Rivauds Lecons ‘Algebra Moderne, Libraire Vuibert, Paris, 1961 Lipschutz, S.: Teoria y Problemas de Algebra Lineal, Serie de Compendios Schau, Colombia, 1963, Lipschutz, S.: Theory and Problems of Finite Mathemates, Schaum, New York, 1966, Marcus-Mine: Inaroduceién al Algebra Lineal, CECSA, México, 1969. Pettoftezzo A. 4: Matrices and Transformations. Prentice-Hall, ine, New Yoney, 1966. ‘Rao C. Ri: Linear Satistical inference and its Applications. John Wesley and Sons, nc., New ‘York, 1968. Rojo Ac: Algebra J, Faitorial BI Ateneo, Buenos Aires, 1972. Rudin W.: Preiples of Mathematical Analysis. Mac GrawHhill Book, 1963,300 Simmons G. Fs Introduction 0 Topology and Modem Analysis, Mae Graw-tll, New Yor 1963, Tucker Hei Inttoduccién a la Teoria Matematica de las Probabilidades ya ta Estadiatig, Baitoril Vicens-Vives, Barcelona, 1966, Villamayor 0.: Notas de Geometria I, Busnos Aires, 1966, Vilamayor Q.: Algebra Lineal, MonogratiaCientifica Nimero$, 0.8,Ty ~T RESPUESTAS A LOS TRABAJOS PRACTICOS TRABAJO PRACTICO | 116i sf ii) si iijno iW) no. 1117.1) sumar ol opuesto de y, ji) sumar el opuesto de x. ii) después de eancelary de trasponer, aplicar Ay y 1.3.3. iv) trasponer y aplicar Ay y 13.3. 18, Después de utilizar Ag y Ag, y de cancelar, mediante 1.3.3. 9 obtiene a= 1 LIQi)si fist iis st V)si W)n0. 1120, No, ya que no existe neutro para a suma en V. 21, Si. El lector debe probar que se verifcan Jos axioms. 122.1 )st i) no, pues (I, 1,2) €8 y (1, ~1, 3) €S peto a suma(2, 0,5) £8 no, porgue §no es cenrado para la sum 1123.1) no, pues no s0veifiea Ay 1i)si Verficar les condiciones suicientes 124, Aplcar 18.2. 1.25, 8 no es subespacio de (C?, +.) pues no es cerrado para el producto por escalares, ‘si, por ejemplo (ti Des pero F144 268. En cambio S es un subespacio de(C?, +R, ) 1.26. A, y Ag se verifican por definicién de cada ley de composicién. Mostramos, a modo de «ejemplo, la validez de Ay [FOI FOND ERY EY) EO YE Sede Hey ty ty Gy) tO te .y ty" HEN O YDEE YD)362 RESPUESTAS 4 LOS TRABAIOS PRACTICOS 1-27, Aplicar 1.8.2. 128i), nV eS +(x — y) Ses el conjunto unin de los dos js, ose, no sun subespaco, i) Tes et subespacio definido por la ecuacién x ~ 3y © +9 = —try=Omsy=0%x=0vy=0 429.1 )n0, ya que no ox cerrado paral sum; por ejemplo DESY (eS poo (1+i,1 4H es list ii) st iv)sh.8* (@ a+b) /aeRrbeR} v)st vi) si ” Tener en cuonta las dfinictones de suma de sibespaciosy de inlusén 134 Suponer que x8 admite dos daseomposiiones de tipo Y fener en cuenta le defnicign de suma directs 192.1°. Aplicar 1.8.2. cat ft cota al siemplo 45 ¥en ol que se demwtsia gee toda trig cuadrada es la suma de uns matsz simétticay de una antitndnne Pte Y KEY, ys,TRABAJO PRACTICO I 225.4) 9 determinana y 6 tales que 45,2) +b(-V6,2)=(V2,1) Aplicando las eyes de composicién habituales se resuelve, después de igualer ‘componentes, un sistema lineal de dos ecuaciones respocto de. y ii) provediendo andlogamente, el sistema resultante carece de soluciones y en ‘consecuencia v no es combinacion lineal dev, y Va 2-26, Considerar la relacién lineal 3 (1,3, 1) +a (3,1, 1) +a (4,0, 2)(0, 0,0) ¥y despugs de aplicar las leyes de composiciGn usuales y de igualar las componentes de fas ternas se lega a un sistema lineal cuyasinfinites scluciones estan dadas por 4 = 3 ay = 2h nla segunda parte, a partir de 4,0.2)=0(-1,3,1)+8G,-1, 1 2 sollega aun sistema lineal enya solucion es =, 9-3. Lasgo fae a! 4,0,9=5C13,D458,1,0 2.27, Considerar a A +8 B=N. Results a =f =0. 2.28, Bn(R, +,R, son L.D., pero en (R, +,Q, son Lil, 229,27 1. 230, Considerar (1,042) +6 (1,5, 2) +7 (1,6, €7)=(0, 0,0) En el sistema resultante, restar a cada ecuacién In anterior multipliada por 2, y ‘después ala torcerarestar la sogunda multiplicada por 6. 231, A partir do la selscin lineal aftpgtyhae366 RESPUESTAS A LoS TRABAIOS PRACTICOS sont. § donot Ia fansiGn nls s considera fa imagen de cualquier FER; derivandg dos veces se obtienoa= p= h y= 2k ula, coino, £10 en ef Ejecicio anteior, que se verifica para todo ¢ €R. Dando a t dosvalons Aistintes, por Semplo 1 y 2, sellega aun sistema con la slucion tniea 0,2. 253. Considerar a @, 8) +8 (6, d)= (0,0), 2334, Son Ll. en ambos espacics, 235.1) son Li. 4) son Li. siab #1, y son LD. siad =1 2:36. Aplicar la definivi6n de independencia lineal 2.37, Considerar la velacién lineal OX He bey ey Hh Y probar que B#0, 2488 patinde 4 xy +. ty 4 +x, 3 deduce que a0, pues en 880 contrario. seria CL. delos vectores de A. Tener en cuenta despuss is hipdtese 29, La demntraion ae puede hacer por induccion completo por reduecion a absurdo, 740, Considerar una combingein linea de ls tres fucionescuyo resultado se ie funclén | ‘ils, expresar la imagen de cualquier x, y dar ax te valores, por ejemplo, 0,1 y 2 a, exp agen de cualquier x, y da por elmo, 0,4 y 2 2411 ) cualquier nimero real no nulo fi) la base eanénica ii) fa base eanénica iy) [1 +e) v) bt+e1—4) 242. subespacio pedida es et plano de ecuacién x —y 11,0), 0,1} ,ya que GY DES=U +5926 90,» 0)46,0,)e5% 5: }.42(1,0, 1968, 0 2a, los dos vetoes son un $8.6. de, y adem, Li 243,11 subespacio senerado por ambos conjunto de wectows esl plano /cuya ecuacion es Wty +22=0, 2.44 Una base I(s *).(0 h(? | sla dimension es 2445. Una base dees { (2,1) (24 } .y ln dimensiones 2 2-46. Sno. un subespacio ya que no es cerrado pare la sume, 8, y wna base del mismo esTRABAJO PRACTICO 268 propuesto en 1.25, (1#%-2) . 1H8,$ 65 l plano de ecuscién y =O, Una base de Sestéformada (0,0, D. T puede ser yer CL. devi, ¥95- 64% Lego, probar que { vs.¥25..¥p | es um sistema de generadores de V. 251, Considerar dos bases: una en Sy y otra on Sp, y tener en cuenta ol gjtccio 131TRABAJO PRACTICO Il ' F211 2m. 3a 0, 322.1. 20 3s. 4.0, 323, Aplicat la definiién de T-L. a f(x +y), $24, Usr a definicién de .L, Probar que Fes biyctva.featscttiza la simete del pany respecto dal origen 3-25, Expresar los veetores (3,3) y (0, 1a definicion de TLL, Resulta f(3, 3 1) como CL, do(1,2)y de (2, 1). Aplicardespus he D¥fO,--(2.2.28 4-26, Considerar F (+ Vy F(ay), 327, Se obtiene el parlotogramo de vertices (1, 1), (0, 3),(-1, 2)y(0,0). 3-28. 8. 2.Fs inyectiva, pero no sobreyectva;g es vobreycctva, pero no inyectiva, BW, y= (AED D YY aM tat bath tee) 730, Anca a dfiiciin de imagen, el hesho deque {v1.¥s...4%q | €98G.de V,yh definicign de TL. 994, Fes trastormacién lineal biyectiva, #32, Aplcar ta defnicién de T.L. Et Gnivo wetor cuya imagenes a matele nla e5(0, 0, 333, Considerar 1.8.2, la definicidn de peimagen y de T.L, FHANO)= | (0,4 8) /keR] . Una base deN Yes | (0,1, -1)} su dimensiones 1 1ghesR?. 2.NQ={ (2h, 8)/4ER ]. Una base de NG) es | (2,1) } , y au dimension es L LOD=R, y su dimensién es 1 335.1 Se define f: R* +R? mediante 1G 30899 %4)= Oey May ~ yyy xy 4),‘TRABAJO PRACTICO ML i Probar quo es TL. N= | & 0,4) /keR} Una base es ((1, 1,0, 1)] ydimNQ)=1 ale) 10-2 . Be | . : G ) 337.1. ND 1 O, 0) ] ;ditN G)=0.1 0) = [(x, y, 2) 3x —y— 22-0} sume base de la imagen esté formada por los vectores (1, 3, 0) y (0, ~2, 1); su dimension es 2 1 ‘ ae i Ss | 338, Multiplicando A por el vector columna de componentes genéricas x,, x3 y X5, se deduce que #1, 2,43)" G1 tx2 —¥5,.3e1 Beg —Bey, Diy 44ty +205) NO) [6 0,4) [KER] ;NG) o5 le bisctre del plano xa; dimension es 1.1 () sel plano do eouacién.: ~ y 20, au dimensiones 2 1110-11000 ‘| 439, La matrices la traspuesta de sa 000 oo1o014 1 - sa.ts=| 0 0 0 2 ae a 22 10 base dada, 3, 47 e 43x, 3y 45 HL FOr xara) (Say Hay t3ang, Say tSacg 42 9) fe Det ie 2 2 2 as vaisSee ereererereeer ears aaa 368 RESPUESTAS A LOS TRABAJOS PRACTICOS. 342. 22 343. Hallar las imgenes de los vectores de la base candnica de R?; se obtiene ( cos son 8 sen cos 0 344, Considerar que 1a matrix de Ia composicin de dos trasformacioneslineles es ¢ producto de las correspondientes matrices. En el segundo css0, compro So Fo =F ° fo =i, donde {denota la funcién identidad 345. Probar que { fisSis-ouefn | 08 un stoma de goneradores de V considers sualquier elemento ge Vy definindo a= (2) tea entoncesg= $a, rob después In independencia nea a partir del lain Tine af, = donde e dent a funci6n nula; obteniendo ta imagen de cada vj, se pricba que ay #=1,2,.. 4m Ambos espacios, V y su dual, tienen la misma dimensién, 346.1. Probar que se cumple la definiciGn de trasformecién lineal, y tener en cuenta « ejeteicio 1-31, 1 para toda 2. Utilizar a definiciGn de composicién de fenciones. 3. Aplicar las definiciones de suma de funciones y de proyecciones; I denot la furncibe identided en V.TRABAJO PRACTICO IV ° : wen (S ‘ 9.x waane(2 2), 4-25,4) A? ii) A? — AB + BA —B?, 4-26, A? es la matriz nula, 427, BF = 1. 20 (2 1) gs2(3 2) gei(5 3 (28, A= sae = jat= ete, = ( :) “ G ) (5 2) 429, Considerar, por ejemplo, que A, By C son do los tipos mxp, pxq_y gxm, respectivamente; expresar la fila i de A,y la columna j de BC, para formar el elemento (i) de A (BC). Proceder andlogamente con el segundo miembxo, 430. Demostrar que la propiedad se cumple para n=1, y que si se verfica para n= 7, entonces se verifica para n= + 1. 431, Demostrarlo por inducei6n completa, como ol ejecicio anterior, 432. X21, 433, Demostrar por induecién sobre k: +434, Considerar X=X 1. 435, Plantearel sistema de ecuaciones no lineaes, 436, Aplicar le definicién de producto de matrices y la conmutatividad del producto en K. 437, Usiizar le definici6n de trasposicion y de producto de matrices 438, Partir do (A BY,370 [RESPUESTAS A LOS TRABAJOS PRACTICOS 439.0 Se dn Wk Andlogamente se pricbs que la columns gg gh Ir eer lo, 4-40, Efectuar (B' A BY. 44 Peas A+B pry enol por | 4-42. Como en el ejercicio anterior, | 443, Determinar el eundrado de cada una de las custo matrices y aplicar ls hipstevsy | ‘propiedades de la trasposicion 444, Verifcar que se cumple la definici6n de matiz simétrica, 445, Para la condicién necesaria, considerar AB=(AB)'. Para a condicién sficient, partir de(A BY. 4-46, Desarrolla e producto indicado, 447, Desareellas (A ~-a1)(B ~5 = 1,23 =—4, El sistoma 2, tone infinits soluciones,dadas poex=3 + 2k,» ok 615,148 dimensiones de los espacios soluciones de Ios sistemas homogéneos, son, respectivamente: 2, 1, 0,2, 0 {,,1),@,1,)} 2 {dL 0) 4.( (11,0610) 617, 1. Una base de Ses { (1 i,j, 1) } ya dimension es 1. 2. Una base de Ses | (U,-3-+4,-1 ~2/)] y la dimensiones 1 ~& 616. 618, Una base es {(1,1,1)} 619. Como p(A)=2, et sistema tiene solvcién Gnica. El conjumto soluciéa es T= {C1,-2)} £620, Teneren cuenta que X= 621.T={k(2,3)/keR]. 622, El sistema tiene infinitas soluciones, dadas por sea web xySl-a 28 xe=-3a-26 conaeR peR *. 6.24, 1. p(A)= P(A) =2-< 5. Hl sistema tiene infnitas soluciones, dadas por376 RESPUBSTAS 4 LOS TRABAJOS PRACTICOS *=6 xen Xs=8-Sat 36—2ycona,b,yeR, 2, Como p(A)=3 y p(A')=4, el conjunto solucion es vacto, 3-P(A)=9(A))=3 <5, Existeminfiita sluctones, dl tipo Mats x0 x4=6 xe22atp 625 H sit ey campatie porn B(A)~p(W)=2. Les onento dcojne stucisnson ( $3.) ber 626, Las raices de la eeuacidn son: 2 Soluciones son del tipo x; = —a, x, Pora hy = ~1,s0 obtiene x A. Para Ny =A = tas infinites 627, Determinar tos valores de k que anulan al determinante d #=0 0 k=~3, Para estos valores de & se obi fi } fambas situsciones, Pata k= xy tx; tx 6-28, i view 24. Después de efectur opericiones,eliminar donomsinadces y redvir ‘érminos, se resuelve el sistema homogéneo resultante,y se obtione 4 ME Dh ek, maak : ad‘TRABAJO PRACTICO VI 7 4430. Trasponer al segundo imiembro los téminos en zy aplicar el teorema de Cramer, i los ‘10s delerminantes son no nules, puede escribirse eee eve oes by es] far ea| Jn Oy bs ea] [aa ea] [aa ba ‘al. Procoder como en 6-27. Para a distinto de 2-y de 3, se obtiene solucién nica. Para ‘a= Zexisten infnitas soluciones y para a=3 no existe solueién, (632,Para a #4 L existe solucién iinica, Para a= 1 el conjunto solucion es infinito y para a= 1 el conjunto solucién es vacio. 4633. Analizar qué relacion vincula aa y a b para que exista solucién tniea, ninguna solueién ‘infinitas soluciones. (634, Un sistema lineal y homogéneo es 74x + 1x, — 25x3 =0. £635, Analizas el doterminante de los eooficientes, La solucién tinica es Batt atte ot at ay 2be 2eb 636, La solucion esx = AyTRABAJO PRACTICO Vil 7-25. So verfican los tres primeros axiomas de la definici6n, pero no el euarto, El vector de componentes -~-y eno nulo, pero (X,X) <0, 7-26, No se vetifica el axioma de simetria 7.27, Tener en cuenta la def de los tres vectors, 7-28, Esl teorema del coseno; despejat x y considerr el producto interior (x , x) 729. ars 'acondicién necentiapropones una combinacién Kineal dex ey que sa gua Wear Rilo y considerar el producto intsvor ene dicha combinacinlinea'y vit ‘misma, Suponer que ambos vectores son no nulos, Tagy Probar Is condsiénsufcent, siendo los dos vectores no mus, expres uno de silos como miltiplo esalar del oto, por ejemplo y=a x, Considerar 1xI Il 7:30, Pattic de la desigualdad de Schwarz y eleva sl cuadrado. 731s sfcente proba que son Ll. Considerar el producto interior ene unt CL ques {gual al vector nulo y cualquier w, ‘nde ortogonaidad y exprosar av como combinacién ny, 752 Tener en cuenta que una distancia en V os una funcién d': V¥ +R que satis: O) de y= da). 2) d%YKARD+Y). Bdge no y dxy)=08 7-33, Probas que f es una exsCormacion lineal 734, Probar que salistace Jos sxiomas de producto interior, sabiendo que fe una Urasformaci6n lineal 7-35. Uuilzar Is definicibn de N. 76 tlamando x y a dos lados del rombo que sean consecutivos, las diagonales son Dax tyy d=x—y. Considerar el producto interior, y tener en cuenta la definition de rombo, o sea Lxt= yl 737, Demostiat 3. haciendo x — y =; despejarxy aplicar 7.5, ar, Probar I. vr que es sufilente demostrar quo IxI - Lyi 0, sendo D=(T')' AT". En consevensia (A) > 0. Vaciondo x_~0, f se convierte en una forma cuadrética respecto de 1 ~ Ique sigue siendo definida positiva; Ia correspondiente matiz se obliene prescindiendo de ta Sitima filay de la tktima columna de A. Reiterar el provedimiento, Para la suficiencia, utilizar ef método de Lagrange, que consiste en completar cuadrades. Siendo ay; >0, existe una trasformaciGn no singular, triangular superior, ‘con determinante igual a1, que Ia reduce a au t+ E300 Probat que bya >0, haciendo xy dimiento, para (=2,3,...% ¥ reiterar el proce. Por sor f efinida postive, vegin 9.124. existe una trasformacion de coodenadas X=PY que la reduce aa forma, 7? Se tione PEAP=1, 0 sea A=(PPA*. La trasfomacion aplicada a x es tal que X'BX=Y'PEBP)Y, donde P'BP es simétrica, En consecuencia, existe una ‘asformacién ortogonal Y=QZ que ta reduce a una suma de cuadrados euyos ccoeficientes son lo valores propios de PY B P. X'BX=2! (POY BOPMZ=E Nat Fista trasformacién aplicada a Y41¥ la reduce a J; 2} . La composicion de las dos trasformeciones: X-=(P Q) Z, reduee ambas formas. Demostrarlo por inducci6n sobre n fim V.TRABAJO PRACTICO x 10-6, Frontera de As et conjunto Ueuaa)eR*/ lj li» ixgls2) U {(1,29} {3 unin ent el contorn del rectngulo de vices (1 -2,.0,-9,(1,2, (1.2) el conjuntoeuyo unico elemento er, 1) Fi derado de A ext etingutocuyosvrties solos nombradon 107.1, Wes ta eclipse de centeo (0, 0) y sem 2..y su intetior, La frontera stil? Los puntos cuyas coordenadas verfican Is dengralicn stricta, son interiors, Puntos extetiores a A som los que eatisfacen El derivado de Aes A; 0 sea, A es cortado, 2 fos puntos frontera de B tienen coordenadas que verfican MA lom=2h omtera de Bes la unin de un par de semirrectas commadan Puntos inerotes de B somos que saistacen xy Ty s0 > 9, eos les puntos de acumulackn de pertenecena D9 se, Bey ‘cerrado, Adem, fodos los elementos de B son puntos de acumulacion de B M1 S2 v BO y wot 108, 1. Seu A corado, Consider un punto a.€A*; recta que a no osde cumulaelon de A, Lucgo, existe $ (@,€) /S (a, 6) A= ¢, En wonsecuencia, $ a, €) CA® y por lo tanto, A esabierto, 2 2h Abierto, Soponer que exito un punto de acuneacién de A ‘que pertenece « A®. Se llega a una contradicceibn, 109, Sean: el hiperlano m da eeuacién NX k,n ey la sforaabierta $ (a,c), en € Considerando b=a4+S Ns veren que beS (ae), pues base hora bea we BESG.8), pues b—a=Ek,y porlo tanto, Be. Oa, tode punto de res frontora den,TRABAIOPRACTICOX 209 10-10. BL conjunto del gjercicio 1046 no es convexo, Los tres con tos de 10-7 son 10-11, Probar primero que el conjunto vacio es abietto. Sea { Ay/feN } una famiia ‘numerable de abiertos. Siesta familia e vata, entonces A= 4Ay esl conjunto vac, ¥y en consecuencia et abierto, Sila familia no es vacfe, eada abierto de la misma es una ‘unién de esferas abiertas, De esto modo, A es la unidn de tales esferas abiertas,y por lo {tanto es un conjunto abiorto, Se hi uliizado la siguiente propiedad: un subconjunto C CR" es abierto si y so si es tuna unin do esforasubiertas. 10-12, Sea | A:/i€ly | oa familia finita de abiortos. Si esta familia es vacia, ent 1A; es el espacio total, que 8 abierto (probarlo). Supongamos ahora que ta familie es no vacéa;si A es vacfo, entonces es abierto, Consideremos entonces que A es no vacioy sean e A. Se tione aeA>a€A, Vim 36,15 (0,6) C Ay, para cada Sea e el minimo del conjunto | €,€,-.. Gy |. Entonces para cada ise vertica que S(@gCS@,«) en consecuencis, pars cada ies SOC por lo tanto $ (a,€) € A. Luego, A es ablerto. 1013, Aplicas 10-11, 10-12 y las eyes de De Morgan. 10-14, BI casco convexo genetado por los puntos dados, es el pentégono convexo de vertices C1,-D, C1, 2), (3), (2,3), (1, =i). Ademés, (0, 0) es combinacion convexa de 1 1, Dy C1), donde += GD y C1, D, donde t= 10-15, Aplicar la dofinici6n de convexidad y dea funcién dada, 1016, Vener en cuenta que et conjunto soluci6n det sistema ¢6 la interseesién de 1 hiperplanos do R", y que étos son convexcs, 10-17, Consideree que yeCy=axdondoa>0,xeA. Multipicar por 630. 10-18. El cono genetado por Ia interseecion de los dos conjuntos esti caractedizado por [4x2 Hay? 27 <0 { 220 10-19, Utiliza la definicibn de cone y deSoe a ey RESPUESTAS 4 LOS TRABAIOS PRACTICOS 10-20, Aplicas la defincién de C* y mutviplicar por a> 0, 102k Usileat a definicién de cono ortogonay Ia condi suficiente de sbespuci, 10-22, Considerar un vector 2 €C, muleiplicar Por a> 0,y teneren cuenta que Cy Cy son 10-23. Sea xy la cantidad de litos de licor i que se dest °1,2,3.8e tiene: ‘la mezeiaj, doade 12,3y Diopontitidades | Coste por en tos Tira Xn Xn oy 6.000 Fa tn Xa 7.500 Xa kn xy 3.600 68 S745 Objetivo: maximizer BS Seis ~ Griz — 181s + 23 + [Deep +32kn1 + 2layy + Sey Suyjeta tas ros Bu He bis < 6000 Ya bean tas 7.500 4a xa +33 3.600 | Xu 206 (44 bxn tx) 40 $0261; tan ty) Hn $06 Oy +2 4425) P0158 G2 bn tm) 93 S05 Gein tor95 tx55) : xy 30 123, /=1,2,3, 10-24 Detullando tos tipos de corte de cada rollo, y denotando Gon xy Ia variable que ‘specific el nimero de rollos de corte j, se obteie la siguiente abla“TRABAJO PRACTICOX oo time dorolos ancho ai | xa | xs| x4 | x] Xe] 27 | ¥6| #0 | 00 | xu | 58 1/1} o[olof[ojofololololo 26 ofo|3}2j2frfrlrjojo}oloa m rJofolasol2]rjola}2}rfo 23 ofifo]ofafo}af2zfoli}2 fa Desperdiio encn ofaf4l 6] 7s] 9 jo io far fiz fos Minimizar Beng +445 + 6g + Tits + 8g +r, + 10k 10K, Nyy + ey, + 13g Sujeta a las restriceZones xy tx, 260 Sy + Dae Dg ag Hy ty BBS wy tag b2Ne ty bh 3ay + Dow ta PBS i tas $7 $2K5 tx + Pu + 3a PSO 20, 1,2, 2,Adjunta de una matriz, 170 ‘Angulo entre voctores, 223, Anillo de matsces, 109 ‘Automorfismo, 69 Base, 53, $4, 98 cambio do, 146 fan, 280 ‘ortoponal, 303 cortonormal, 228, 304 toorema de extension, 56 ‘Cambio de base, 146, 295 Casco convexo, 338 ‘Chio, vega de, 174 Clausura, 329 Combinacién lineal, 30, 217 convexa, 336 Composicisn de trasfomnactones, 92 Complemiento ortogonal, 229 Condiciones de vineulo, 352 de no nogatvidad, 352 CCongruencia de formas eundrétieas, 314 de matrices, 295 Conjunto abiesto, 328 acotado, 329 eorrado, 328 ceonvoxe, 336 de combinaciones lineales, 34 éerivado, 328 INDICE Jinealmente dependiente, 45, 78 linealmente independiente, 42, 79 ‘maximal, 65 ortogonal, 225 solucin de un sistema, 189 Cono, 356 ortogonal, 357 Convexidad en R”, 376 Coordenadas, 44 cestfricas, 179 ‘rasformacién de, 145 Cramer, weorema de, 187 ‘Curvas, 246 Dependencia lineal, 45, 78, 160 Doscomposicién especteal, 311 Desigualdad de Schwarz, 222 triangular, 223 Determinante, 155 Ge la traspucsta, 166 dal producto, 169 de Vandesmonde, 168, 178 cxistoncia de, 161 propiedades de, 157 unicidad do, 163 DingonalizaciGn de matuices, 308, de operadores simétricos, 307 Dimension, $7, $9 do Ia imagen, 80234 INDICE de la suma, 60 del nfcloo, 80 Fan, 279 Forma bilineal, 289, 291 cuaddtica, 294, 305, 314, 318 hhermitiana, 293, lineal, 101, 257 Funcional, 101 Funcién objetivo, 349, 352 GaussJordan, método de, 135, 186 Gram Schmidt, 228 Hamilton-Cayley, teorema de, 282 Ustice circular, 248 Heticoide recto, 261 Hiporplano, 233, Soportante, 343, ‘Imagen de una trasfosmacién lineal, 74, 80 ropiedades de, 75 Independencia lineal, 42, $8 Indice de positivided, 305 de nulidad, 305 Inversién de matrices, 138, 141, 172 Investigacion Oporativa, 346 Isomorfisino, 69 Jacobiano, 178 Matrices equivalentes, 133 Producto de, 85,96, 106 permutables, 107 semejantes, 147, 275, ‘tiangulacién de, 279 Matriz, 11,33, 71 adjuata, 170 ampliada, 182 antisimétrica, 29, 112 compleje conjugada, 118 Aefinida positiva, 310 do pasaje, 144 de una forma, 291, 293 do traze nus, 19, 38, 65 de una T.L., 86, 146 den sistema lineal, 182 lemental, 114 forma ean nica de, 133 ‘hermitiana, 120 idempotente, 115 identided, 108, fnversa, 116, 141, 172 invotutiva, 115, 274 no singular, 134 articionada, 121 rango de, 126, 138, sango columna de, 124 tango fila de, 125 siméttice, 29, 112 traspuesta do, 110 traza de, 19, 152, 286 ttiangutar, 28, 114 Método de Gauss Jordan, 135, 138 de Gauss reducido, 210 de la raia cuadrada, 202 del ortado, 205 Menotes principales, 319 Modulo, 218 Monomortismo, 69,77 Nora, 218 Niicleo de una T.L., 72, 80, 189, deun monomorfismo, 77 Operaciones elementales, 129 Operadores adjuntos, 298 autozdjuntos, 299 hormitianos, 299) cortogonaes, 300 simétricos, 399, 307 traspuestos, 298 ‘unitatios, 300 Ortogonatidad, 219, 225, Ortonormal, base, 225, complement, 229ParticiGn de matrices, 121 Permutaciones, 163 Plano, 239 Polinomio caracteristico, 270, 277 Producto interior, 214 hermitiano, 259 Programacion Lineal, 346 ProyecciGn, 105, 232 de una curva, 253, de un subespacio, 281 Punto de acumulacién, 327 extromo, 344 frontera, 326 interior, 326 Rango colurna, 124 de una matriz. 126, 135, 184 dol producto, 127 fila, 124 Recta, 236, 330 Rotacién, 268) Rouche-Frobenius, 188 Sogmento, 330 Semiespacio, 335 Semejanza, 147 Signatara, 305 Simplex, 355 Sistema de ecuaciones, 181, 190, 198, 202 ‘compatible, 183, 188 incompatibie, 183 Sistoma de gonoradores, 51,58 Schwarz, designaldad de, 222 Suma de subospacios, 23, 29, 60, 231 directa, 25,61, 105 Solucién dptime, 352 posible, 352 ‘Subespacio, 15, 35 ‘Subespacis, interseccién de, 20 suma de, 23 union de, 22 INDICE a Sylvester, toorema de, 306 “TrasformaciOn lineal, 66, 68 biyective, 69 composicién, 96 agonalizacion de, 269, 276 imagen de, 74 inversa, 93, rmatriz de, 86 no singular, 93 rncleo de, 72 ppolinomio caractristico de, 275, ‘Teorema de Cramer, 257 de Hamilton-Cayley, 282 robenius, 188 de Pitégoras, 221 de Sylvester, 306 do extension, 56 fundamental de fas T.L., 83 ‘Trasformacion de coordenadas, 145, 309 de matrices, 279 ‘Trasposicién de matrices, 110 de una permutaciOn, 163 Unign de subespactos, 22 Valoces propios, 263 de un operador hermitiano, 300 de un operador unitario, 303 Voctores, 2 fngule combinacién lineal de, 30 cosenos directores, 240 fijos, 234 Iinoalmente dependientes, 45, 78, 160 mente independiontes, 42, 58 \édulo de, 218 ‘ortogonales, 225 ropios, 263ALGEBRA II Mn '89500'252058

32 ALGEBRA II Armando Rojo-1 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

32 ALGEBRA II Armando Rojo-1 PDF

Uploaded by

Copyright:

Available Formats

You might also like