Álgebra Lineal - Clara Mejía PDF

lgebra Lineal Elemental y
Aplicaciones
Clara E. Meja Laverde
Primera edicin, febrero de 2006

Todos los derechos reservados. No se permite la reproduccin, archivo o transmisin total o parcial de este texto mediante
ningn medio, ya sea electrnico, mecnico, ptico, de fotorreproduccin, memoria o cualquier otro sin permiso de los
editores Ude@.
Impreso en Medelln, Colombia.
Imagen de la portada
Fotografa de la escultura Fuente ceremonial
La Fuente ceremonial fue la obra ganadora del concurso promovido por el municipio de Medelln para la celebracin de los
200 aos de la Universidad. Esta pieza en ferroconcreto, enchapada en granito, est inspirada en los sitios rituales y hace
parte de una serie que su autor, el maestro Germn Botero Giraldo, viene trabajando desde 1990 con el tema de lo prehispnico.
La forma circular invita a la reunin y a la comunin csmica presente en las culturas indgenas. El elemento vertical es un
hacha de la cual fluye agua, convirtindola en fuente. El agua est presente como elemento refrescante, de sonido, brillo
y vida, as como los rboles dentro de la escultura, que crecern y crearn sombra; ms que una escultura, es un espacio
escultrico, un sitio para que la gente lo habite, dice su autor.
La Fuente ceremonial, situada junto a la entrada occidental de la calle Barranquilla, forma parte de las grandes obras que
embellecen el campus universitario y refuerza el ideal de hacer de ste un espacio abierto a la cultura, la ciencia y el
conocimiento.
Autora
Acerca de la
autora
Clara E. Meja Laverde
Clara Elena Meja Laverde

Ingeniera industrial (1977) de la Universidad Nacional y magster (1996) en
Educacin (Pensamiento Lgico-Matemtico) de la Universidad de
Antioquia. Actualmente es profesora titular del Departamento de Matemticas de la Universidad de Antioquia.
Como estudiante del programa Ude@, usted es el centro del modelo educativo y puede controlar el proceso de aprendizaje
mediante la organizacin del tiempo alrededor de sus intereses. La autonoma, la disciplina, la creatividad y el trabajo en
equipo son caractersticas que le ayudarn en su formacin, para solucionar problemas reales de la sociedad, recurriendo al
mtodo de la ingeniera.
La Universidad de Antioquia, a travs del programa Ude@, ha puesto
a su disposicin contenidos acadmicos en diferentes medios con el
fin de facilitarle el aprendizaje mediante las tecnologas de informtica y telecomunicaciones clsicas y
modernas:
Radio
Televisin
Impresos
Web
Multimedia
Videoconferencias
El texto Ude@
En el modelo Ude@ los conocimientos son aportados por cada medio en igualdad de importancia y con las
fortalezas propias de cada uno de ellos, pero el texto desempea un papel fundamental en el aprendizaje ya
que es el que ms diversidad ofrece en trminos de funcionalidad y cantidad de contenidos. El texto Ude@
no slo permite analizar con ms detalle y profundidad los contenidos de cada curso, sino que facilita en
mayor medida la realizacin de ejercicios, tareas y autoevaluaciones.
Estructura del texto Ude@

La estructura del texto es lineal, con una progresin gradual de cada tema, lo cual hace ms fcil la transmisin del contenido
de una manera lgica.
La divisin del texto est dada por captulos que, a su vez, agrupan mdulos (sesiones de clase). Al empezar cada captulo
se encuentra un Contenido breve en la columna externa, que incluye una lista del nmero y el ttulo de los mdulos que
componen el captulo. Por su parte cada mdulo contiene, en su primera pgina, un ndice temtico del contenido, objetivos
especficos, preguntas bsicas y una introduccin, que le guiarn en el proceso de aprendizaje sobre el tema en particular
de cada sesin de clase.
Cmo usar este libro
Los iconos y la interrelacin de medios

El material Ude@ ha sido producido de manera integral, teniendo como objetivo primordial el autoestudio. Por tanto, la
produccin de los contenidos se desarrolla en los diferentes formatos (radio, televisin, web, multimedia, videoconferencias),
con enlaces entre los mismos. La esencia de este enlace est dada por los iconos Ude@.
Los iconos, como representaciones grficas de la realidad, sern los elementos grficos que le
ayudarn a guiarse en su navegacin por los diferentes medios. El espacio grfico de cada pgina
del texto est dividido en dos columnas: en la interior, ms ancha, podr observar todo lo relacionado con el desarrollo del contenido y las correspondientes figuras (grficas, fotos, etc.), mientras que
en la exterior encontrar las llamadas a otros medios. Estas llamadas permiten que haya interrelacin
y retroalimentacin entre los mismos.
Los iconos de radio, televisin, multimedia, mapa conceptual,

videoconferencia o web le indicarn la ruta a seguir. Por ello es importante que sepa que sobre el
tema que est estudiando en el mdulo impreso, tambin hay material disponible en otros medios,
y que ese material representa valor agregado puesto que el contenido de los diferentes formatos no
se repite sino que se complementa.
El mapa conceptual
Al comienzo del texto Ude@ usted encontrar un mapa conceptual del
curso, que lo orientar en el universo temtico de la disciplina. Esta herramienta pedaggica hace posible la integracin conceptual, jerrquica y
funcional, en forma grfica y espacial, de todos los contenidos.
Sugerencias para el estudiante Ude@

Es importante que durante su proceso de aprendizaje se pregunte constantemente si de verdad comprendi el significado de los trminos y su
uso. Una buena manera de comprobarlo es explicndole el concepto a otra persona. No dude en
solicitar ayuda a su tutor.
Antes de iniciar el estudio de un captulo lea el contenido breve y la presentacin.
Las preguntas bsicas de cada mdulo le ayudarn a valorar la comprensin de los nuevos
conceptos presentados y de la temtica tratada a lo largo del mismo.
El estudio de los ejemplos intercalados en los bloques de texto y la solucin de los ejercicios
incrementarn sus habilidades en la solucin de problemas reales.
Tome apuntes, plantese preguntas y trate de resolverlas.
lgebra Lineal
Contenido
Captulo 1: Espacios vectoriales

Mdulo 1
Definicin y propiedades del espacio vectorial
21
Ejercicios
Captulo 1, mdulo 1
33
Mdulo 2
Subespacios
35
Ejercicios
Captulo 1, mdulo 2
40
Mdulo 3
Combinacin lineal y subespacio generado
43
Ejercicios
Captulo 1, mdulo 3
49
Mdulo 4
Independencia lineal
51
Ejercicios
Captulo 1, mdulo 4
58
Mdulo 5
Bases y dimensin
61
Ejercicios
Captulo 1, mdulo 5
69
Mdulo 6
Subespacios asociados con una matriz
71
Ejercicios
Captulo 1, mdulo 6
80
Mdulo 7
Coordenadas y cambio de base
83
Ejercicios
Captulo 1, mdulo 7
93
Captulo 2: Ortogonalidad
Mdulo 8
Bases ortonormales y proyecciones en \
99
n
Ejercicios
Captulo 2, mdulo 8
113
Mdulo 9
Mtodo de aproximacin por mnimos cuadrados
115
Ejercicios
Captulo 2, mdulo 9
123
Mdulo 10
Espacios con producto interno
125
Ejercicios
Captulo 2, mdulo 10
135
Captulo 3: TTransformaciones
ransformaciones lineales
Mdulo 11
Definiciones, ejemplos y lgebra de las transformaciones lineales
139
Ejercicios
Captulo 3, mdulo 11
150
Mdulo 12
Propiedades de las transformaciones lineales. Ncleo e imagen
153
Ejercicios
Captulo 3, mdulo 12
161
Mdulo 13
El problema de la representacin matricial de las transformaciones lineales
163
Ejercicios
Captulo 3, mdulo 13
178
Mdulo 14
Isomorfismos o transformaciones lineales invertibles
183
Ejercicios
Captulo 3, mdulo 14
193
Mdulo 15
Isometras
195
Ejercicios
Captulo 3, mdulo 15
203
Tabla de contenido
Captulo 4: Valores cara

ctersticos, vectores
caractersticos,
caractersticos
caractersticos,, diagonalizacin y formas cannicas
Mdulo 16
Valores y vectores caractersticos
207
Ejercicios
Captulo 4, mdulo 16
225
Mdulo 17
El problema de la diagonalizacin
227
Ejercicios
Captulo 4, mdulo 17
233
Mdulo 18
Aplicaciones de la teora de valores y vectores cartactersticos
235
Ejercicios
Captulo 4, mdulo 18
248
Mdulo 19
Forma cannica de Jordan
251
Ejercicios
Captulo 4, mdulo 19
260
Captulo 5: Diagonalizacin ortogonal. Formas

cuadrticas y aproximacin de valores y vectores
caractersticos
Mdulo 20
Diagonalizacin ortogonal
265
Ejercicios
Captulo 5, mdulo 20
271
Mdulo 21
Formas cuadrticas y secciones cnicas
273
Ejercicios
Captulo 5, mdulo 21
288
Mdulo 22
Aproximacin de valores y vectores caractersticos
289
Ejercicios
Captulo 5, mdulo 22
299
Apndice
301
Respuestas
305
lgebra Lineal
Prlogo
El objetivo al redactar este texto ha sido desarrollar las ideas

bsicas del lgebra lineal y mostrar algunas aplicaciones
interesantes, haciendo un balance para no recargar demasiado el desarrollo terico y mantener un equilibrio entre la
abstraccin y la aplicacin. As, algunas demostraciones de
teoremas que resultan fcilmente accesibles a los estudiantes se dejan propuestas como ejercicios, y otras, demasiado
dificiles para el nivel de un curso introductorio, no se presentan.
El hilo conductor en la presentacin de los temas ha sido la
solucin de los problemas bsicos del lgebra lineal, enunciados por el profesor William Perry, as:
1. El problema de la solucin de un sistema de ecuaciones
lineales.
2. El problema de la construccin de una base para un espacio vectorial.
3. El problema de la construccin de una matriz que represente una transformacin lineal.
4. El problema de los valores y los vectores caractersticos.
5. El problema de la diagonalizacin.
De stos, el problema de la solucin de un sistema de

ecuaciones lineales ya fue tratado en el texto de Geometra
Vectorial, en el cual se hace una introduccin al lgebra
lineal. Es importante entonces hacer notar que en este texto
no hay un desarrollo completo del lgebra lineal bsica, sino
que contina la exposicin de los temas ya comenzada en el
curso anterior y por este motivo no se tratan los temas de
sistemas de ecuaciones lineales y determinantes.
El problema de la construccin de una base para un espacio vectorial se trata en el captulo 1 sobre espacios
vectoriales, y en el captulo 2, ortogonalidad, donde se introduce un algoritmo para la construccin de una base
ortonormal en un espacio vectorial.
El tercer problema, la construccin de una matriz que represente una transformacin lineal, se resuelve en el captulo
3 sobre transformaciones lineales, y los problemas de valores y vectores caractersticos y diagonalizacin son
tratados en los captulos 4 y 5.
En la actualidad existen muchos programas de computador

que permiten desarrollar una amplia variedad de tpicos y
resolver gran cantidad de problemas que de otra forma consumiran mucho tiempo y probablemente induciran a cometer errores, dada la magnitud de los clculos que se tienen
que realizar. El lenguaje de computacin MATLAB es un
excelente programa, fcil de usar, y calificado para trabajar
problemas de lgebra lineal. Este libro no ensea el manejo
de ese programa; sin embargo, en la multimedia disponible
para el curso se plantean algunos ejercicios utilizando esta
herramienta.
Agradezco cualquier sugerencia que pueda contribuir a
mejorar posteriores ediciones de este texto. Todas ellas pueden enviarse a:
clame@matematicas.udea.edu.co.
La autora
Captulo 1
Espacios
vectoriales
Mdulo 1
Definicin y propiedades del
espacio vectorial
Ejercicios
Mdulo 1
El poder lanzar al espacio un trasbordador es el fruto de aos de trabajo y un triunfo de la

ingeniera de sistemas de control. Matemticamente, las seales de entrada y de salida de un
sistema de control son funciones y es importante que estas seales puedan sumarse y multiplicarse
por escalares. Estas dos operaciones con funciones tienen propiedades algebraicas anlogas a las
operaciones de sumar vectores en \ n y multiplicar un vector por un escalar. Por esta razn, el
conjunto de todas las posibles entradas (funciones) se llama espacio vectorial.
Mdulo 2
Subespacios
Ejercicios
Mdulo 2
Mdulo 3
Combinacin lineal y subespacio generado
Ejercicios
Mdulo 3
En el desarrollo de la geometra vectorial hemos identificado los vectores con los

elementos de \ 2 y \ 3 escribindolos como parejas o ternas ordenadas de nmeros reales, respectivamente; una vez hecho esto surge el problema de generalizar
este concepto y tener vectores como n-tuplas, conjuntos ordenados de n componentes en un espacio de n dimensiones. Ahora, por qu querramos hacer esto?
La respuesta puede ser tan simple como decir que la mayora de los problemas de la
vida real involucran ms variables que slo dos o tres.
Es claro que cuando generalizamos el concepto de vector a n dimensiones ya no
tenemos la intuicin geomtrica que desarrollamos para el plano ( \ 2 ) y el espacio
(\3 ), pero podemos conservar las propiedades algebraicas.
Nos proponemos definir una estructura algebraica llamada espacio vectorial, donde se pueden reunir los conjuntos \2 , \3 y, en general, \n , adems de otros conjuntos tales como las matrices y los polinomios. Con esta abstraccin podemos
Mdulo 4
Ejercicios
Mdulo 4
Mdulo 5
Bases y dimensin
Ejercicios
Mdulo 5
Mdulo 6
Subespacios asociados con una
matriz
Ejercicios
Mdulo 6
identificar los vectores como los elementos de un espacio vectorial y en esta forma
tratar las matrices o los polinomios como vectores.
Mdulo 7
Dentro de los espacios vectoriales podemos reconocer conjuntos que guardan en

su interior la estructura de espacio vectorial, llamados subespacios. Una vez establecida la estructura desarrollamos los conceptos de combinacin lineal, independencia lineal, base y dimensin, los cuales constituyen los ladrillos para la construccin de espacios vectoriales. Ubicamos como problema central en este captulo la determinacin de una base para un espacio vectorial. Otros elementos que
aportan a la solucin de este problema bsico se presentan en el estudio de los
subespacios asociados con una matriz y en el establecimiento de coordenadas y
cambio de base.
Ejercicios
Mdulo 7
20
Definicin y propiedades del

espacio vectorial
Contenidos del mdulo
El matemtico y lingista alemn Hermann
Grassmann (1809-1877) fue el primero en
definir un espacio vectorial n dimensional y
la independencia lineal.
1.1 Ejemplos introductorios

1.1.1 Las fuerzas que pueden actuar sobre un punto
1.1.2 Las parejas de nmeros reales ( \ 2 )
1.2 Definicin
1.3 Ejemplos
1.4 Propiedades
Objetivos del mdulo

1. Construir la estructura de espacio vectorial.
2. Identificar como vectores todos aquellos elementos de conjuntos que con las
operaciones dadas verifiquen los axiomas de la estructura.
3. Aprender el manejo algebraico dentro de un espacio vectorial.
Preguntas bsicas
1. Qu es un espacio vectorial?
2. Qu propiedades deben cumplir las operaciones definidas de suma y producto
por un escalar?
3. Cules son los espacios vectoriales ms usuales?
4. Qu propiedades tienen el mdulo del espacio y el inverso aditivo de cada vector?
5. Qu otras propiedades algebraicas se desprenden de la definicin de espacio vectorial?
Introduccin
Iniciamos este mdulo presentando algunos ejemplos en los cuales observamos
propiedades comunes que sern los puntos de partida o axiomas para la definicin
de espacio vectorial. Una vez establecido este concepto se ilustra con otros ejemplos y se extraen las principales propiedades algebraicas de los espacios vectoriales.
Vea el mdulo 1 del programa
de televisin lgebra Lineal
lgebra Lineal Elemental y Aplicaciones
21
1.1 Ejemplos introductorios

1.1.1 Las fuerzas que pueden actuar sobre un punto
Vea en su multimedia de lgebra

Lineal el cdigo fuente en MATLAB
para ilustrar Propiedades de los
espacios vectoriales
Consideremos un punto material P y las fuerzas que pueden actuar sobre l. Si

F1 y F2 son dos fuerzas que actan sobre P, se puede encontrar una fuerza F
resultante de F1 y F2 con la propiedad de ejercer sobre P la misma accin que

F1 y F2 actuando simultneamente. As que tenemos una fuerza F, que resulta de
sumar F1 y F2 ( F = F1 + F2 ) .
Veamos qu propiedades tiene esta operacin.
Escuche la biografa de Hermann
Grassmann en su multimedia de
lgebra Lineal
Representemos F1 y F2 por vectores cuya direccin y sentido corresponden a los

de las fuerzas dadas y su longitud (en una escala determinada) mide la magnitud;
entonces, la resultante queda determinada por la diagonal del paralelogramo, dos de
cuyos lados son los segmentos correspondientes a F1 y F2 (figura 1.1).
Figura 1.1
Sea T el conjunto de todas las fuerzas que actan sobre P; entonces, podemos decir
que:
i.
Si F1 y F2 pertenecen a T, F1 + F2 pertenece a T.
Si sobre P tenemos tres fuerzas distintas F1 , F2 y F3 , podemos calcular su
resultante de dos formas distintas: ( F1 + F2 ) + F3 o bien F1 + ( F2 + F3 ). Es
decir, calculando primero F = F1 + F2 y luego la resultante de F con F3 , o
bien calculando primero F = F2 + F3 y luego la resultante de F1 y F .
Una representacin geomtrica nos muestra que (figura 1.2):
ii.
22
( F1 + F2 ) + F3 = F1 + ( F2 + F3 ).
Mdulo 1: Definicin y propiedades del espacio vectorial
Figura
1.2
Por otra parte, existe una fuerza de magnitud cero, fuerza nula, que podemos designar 0 y tiene la propiedad de que:
iii.
F + 0 = 0 + F = F.
Ahora, si llamamos la opuesta de F a una fuerza F que tiene la misma

magnitud y direccin que F pero sentido contrario, encontramos que la
resultante de F y F es cero, es decir:
iv.
Para cada F existe F , tal que F + F = 0. Esta F se llamar F .

Por ltimo, es claro que el orden en que se consideran las fuerzas no altera la
resultante, esto es:
v.
F1 + F2 = F2 + F1 .
Veamos ahora otra operacin: si F es una fuerza y un nmero real, llamamos F la fuerza que tiene la misma direccin de F, su magnitud es
veces la de F y su sentido es el mismo de F si es positivo, y opuesto a F
si es negativo.
Hemos entonces definido una operacin cuyos factores son una fuerza y
un nmero real y su resultado es otra fuerza. Esta operacin se dice que es
externa ya que hace intervenir un elemento (el nmero ) que no pertenece al conjunto T.
Veamos algunas propiedades de esta operacin:
vi.
Si es un nmero real y F T , entonces F T .

Razonando geomtricamente, podemos verificar que (figura 1.3):
23

vii.
( F1 + F2 ) = F1 + F2 .
Figura 1.3
Aplicando la definicin, se puede comprobar que:

viii.
( + ) F = F + F .
ix.
( F ) = ( ) F .
x.
1 F = F .
1.1.2 Las parejas de nmeros reales ( \2 )

Definimos en \ 2 una operacin binaria interna (es decir, los elementos que intervienen en la operacin pertenecen a \ 2 ) que llamaremos suma, as:
( x1 , y1 ) + ( x2 , y2 ) = ( x1 + x2 , y1 + y2 ) ,
o sea que la suma de dos parejas de \ 2 es otra pareja de \ 2 ; se cumple entonces

que:
i.
Si ( x1 , y1 ) y ( x2 , y2 ) \ 2 , entonces ( x1 , y1 ) + ( x2 , y2 ) \ 2 .
Hay tambin una ley asociativa, es decir,
(( x1 , y1 ) + ( x2 , y2 )) + ( x3 , y3 ) = ( x1 + x2 , y1 + y2 ) + ( x3 , y3 )
= ( x1 + x2 + x3 , y1 + y2 + y3 ).
Por otra parte,

( x1 , y1 ) + [( x2 , y2 ) + ( x3 , y3 )] = ( x1 , y1 ) + ( x2 + x3 , y2 + y3 )
= ( x1 + x2 + x3 , y1 + y2 + y3 ),
24

luego
ii.
(( x1 , y1 ) + ( x2 , y2 )) + ( x3 , y3 ) = ( x1 , y1 ) + (( x2 , y2 ) + ( x3 , y3 )).
Existe, adems, un elemento de \ 2 que es el (0, 0) tal que:

iii.
( x, y ) + (0, 0) = ( x, y ) para todo ( x, y ) en \ 2 .
As mismo, para cada par ( x, y ) podemos tomar el par ( x, y ), de modo que:

iv.
( x, y ) + ( x, y ) = (0, 0).
Finalmente, hay una ley conmutativa, puesto que:

( x1 , y1 ) + ( x2 , y2 ) = ( x1 + x2 , y1 + y2 ) = ( x2 + x1 , y2 + y1 ) = ( x2 , y2 ) + ( x1 , y1 ).
Entonces,
v.
( x1 , y1 ) + ( x2 , y2 ) = ( x2 , y2 ) + ( x1 , y1 ).
Definimos ahora una segunda operacin, externa, entre un nmero real y un

par as:
( x, y ) = ( x, y ),
2
cuyo resultado es un elemento de \ ; con esta operacin se verifican las
siguientes propiedades:
vi.
Si \ y ( x, y ) \ 2 , entonces ( x, y ) \ 2 .
Veamos ahora que:
vii.
(( x1 , y1 ) + ( x2 , y2 )) = ( x1 , y1 ) + ( x2 , y2 ).
Demostracin
(( x1 , y1 ) + ( x2 , y2 )) = ( x1 + x2 , y1 + y2 ) = ( ( x1 + x2 ), ( y1 + y2 ))
= ( x1 + x2 , y1 + y2 ).
De otro lado,
( x1 , y1 ) + ( x2 , y2 ) = ( x1 , y1 ) + ( x2 , y2 ) = ( x1 + x2 , y1 + y2 ).
viii.
( + )( x, y ) = ( x, y ) + ( x, y ).
25

Demostracin
( + )( x, y ) = (( + ) x, ( + ) y ) = ( x + x, y + y) y
( x, y) + ( x, y) = ( x, y) + ( x, y) = ( x + x, y + y).
ix.
( ( x, y)) = ( )( x, y).
Demostracin
( ( x, y)) = ( x, y) = ( x, y) y
( )( x, y ) = ( x, y ).
x.
1( x, y ) = ( x , y ).
Demostracin
1( x, y ) = (1x,1 y ) = ( x, y ).
1.2 Definicin
Los ejemplos anteriores nos sirven para obtener un conjunto de propiedades comunes a ellos. Todos los resultados que podamos deducir a partir de dichas propiedades sern vlidos en los ejemplos realizados y en cualquier otro que goce de las
mismas propiedades.
A estas propiedades comunes las llamamos axiomas en la siguiente definicin.
Un espacio vectorial V es un conjunto de objetos llamados vectores con dos operaciones, suma y producto por un escalar, que satisface los siguientes axiomas:
26
i.
Si a y b son elementos de V, entonces a + b pertenece a V; o de otra forma,

la suma es una operacin cerrada en V.
ii.
(a + b) + c = a + (b + c) para todo a, b, c V .
iii.
Existe un elemento 0 en V tal que a + 0 = 0 + a = a para toda a V .
iv.
Para cada a V existe un elemento a V tal que a + (a) = 0.
v.
a + b = b + a para todo a, b en V .
vi.
Si a V y es un escalar ( \ o C), entonces a V . Es decir,

V es cerrado bajo la operacin producto por un escalar.
vii.
(a + b) = a + b para todo escalar y para todo a y b V .

viii.
( + )a = a + a para todo , escalares y a V .
ix.
( a) = ( ) a para todo , escalares y a V .
x.
1a = a para todo a V .
Nota: cuando los escalares son nmeros reales, decimos que se trata de un espacio
vectorial real, y en caso de que sean nmeros complejos hablamos de un espacio
vectorial complejo.
En el axioma viii debe notarse que el signo + al lado izquierdo de la igualdad se
refiere a la suma en el conjunto de escalares, y el signo + al lado derecho denota la
suma en el conjunto de vectores V.
1.3 Ejemplos
1.
2.
\n , con las operaciones de suma y producto por un escalar definidas usualmente, tiene estructura de espacio vectorial.
n
n 1
Sea V = Pn = { P / p ( x ) = an x + an 1 x + ... + a1 x + a0 , ai \} el conjunto
de los polinomios de grado menor o igual que n.

El elemento 0 (neutro) en Pn es 0( x ) = 0 x n + 0 x n 1 + ... + 0 x + 0.
Si P ( x) = an x n + an 1 x n 1 + ... + a1 x + a0 y
Q ( x ) = bn x n + bn 1 x n 1 + ... + b1 x + b0 ,
entonces
( P + Q) ( x) = P ( x) + Q( x) =
( an + bn ) x n + (an 1 + bn 1 ) x n 1 + ... + ( a1 + b1 ) x + (a0 + b0 ).
Se ve claramente que la suma de dos polinomios de grado menor o igual que

n es otro polinomio de grado menor o igual que n. Se pueden comprobar las
propiedades ii y v a x con:
( p ) ( x) = ( p ( x))
= an x n + an 1 x n 1 + ... + a1 x + a0 , p Pn .
p ( x) = an x n an 1 x n 1 + ... a1 x a0
p( x) + ( p( x)) = 0 ( x).
3.
Si V = M m , n (conjunto de matrices m por n) con la suma y la multiplicacin

escalar usuales, es fcil verificar que M m , n es un espacio vectorial con 0
27

como la matriz cero de M m , n . Si A = ( aij ) ( m , n ) , entonces A = ( aij ) ( m , n ) ,
A M m,n .
4.
Sea S3 el conjunto de matrices invertibles de 3 3 . Se define la suma
A B por A B = AB. Si A y B son invertibles, entonces AB es invertible

y se cumple i.
El axioma ii es la ley asociativa para la multiplicacin de matrices. Los
axiomas iii y iv se satisfacen con 0 = 3 y A = A1 . Sin embargo, AB BA y
el axioma v no se cumple. Por tanto, S3 no es un espacio vectorial.
5.
Sea V = C[a, b] = conjunto de funciones continuas de valores reales definidas en el intervalo [a, b] . Se define
( f + g ) ( x) = f ( x) + g ( x) y ( f )( x) = [ f ( x)].
Como la suma de funciones continuas es continua, el axioma i se cumple; de

la misma forma el producto de un escalar por una funcin continua tambin
es una funcin continua (propiedad vi). Los otros axiomas se verifican
fcilmente con 0, la funcin 0 y (f)(x) = f (x). Luego C[a, b], con las
operaciones definidas, tiene estructura de espacio vectorial.
6.
Sea V el conjunto de los nmeros reales ( \) con las operaciones

x y = x y ( es la resta ordinaria) y la multiplicacin por un escalar
como la multiplicacin ordinaria. Veamos si V es un espacio vectorial.
x y y x son nmeros reales, lo cual verifica las condiciones i y vi

de la definicin.
Veamos qu pasa con la propiedad conmutativa.
Sea x = 2 e y = 3.
x y = 2 3 = 1,
y x = 3 2 = 1,
luego
x y y x.
Adems las propiedades ii, iii y iv tampoco se cumplen. Las propiedades
vii, ix y x se cumplen, pero la propiedad viii no; veamos por qu:
Sea = 2, = 3, x = 4.
( + ) x = (2 + 3)4 = 5 4 = 20,
28

pero
x x = 2 4 3 4 = 8 12 = 4.
7.
Sea V = {( x, y, z ): ax + by + c z = 0, a, b, c \} .
Esto es, V es el conjunto de puntos en \ 3 que estn en el plano con vector
normal (a, b, c) y que pasa por el origen.
Veamos si se cumplen las dos propiedades de cerradura, es decir, i y vi.
Sean ( x1 , y1 , z1 ) y ( x2 , y2 , z2 ) elementos de V; veamos si
( x1 + x2 , y1 + y2 , z1 + z2 ) V .
Como ( x1 , y1 , z1 ) V ,
(1)
ax1 + by1 + cz1 = 0.
De igual forma,
ax2 + by2 + cz2 = 0.
(2)
Sumando y factorizando (1) y (2) obtenemos

a( x1 + x2 ) + b( y1 + y2 ) + c( z1 + z2 ) = 0.
Esta expresin significa que ( x1 + x2 , y1 + y2 , z1 + z2 ) V .

Ahora observemos qu sucede con ( x1 , y1 , z1 ), \.
a x1 + b y1 + c z1 = 0,
(a x1 + b y1 + c z1 ) = 0 = 0,
a x1 + b y1 + c z1 = 0.
Por tanto,
( x1 , y1 , z1 ) V ,
esto es,
( x1 , y1 z1 ) V .
Adems, si = 0, se tiene que (0, 0, 0) V , y con = 1 tenemos
que
( x1 , y1 z1 ) V ,
29

con lo cual verificamos las propiedades iii y iv. Las dems propiedades se
comprueban fcilmente aplicando las propiedades de los nmeros reales.
8.
El siguiente ejemplo nos muestra que no necesariamente la suma vectorial

ha de estar relacionada con la suma ordinaria, y que el vector cero, 0, no
tiene que relacionarse con el nmero real 0.
Sea V = {x / x\, x > 0} . La suma y la multiplicacin escalar se definen as:
xy = xy
y : x = x , \.
Veamos que V, junto con estas operaciones, es un espacio vectorial. Comprobemos inicialmente las dos propiedades de cerradura i y vi.
Sean x, y V ; entonces, x y = x y V . El producto de dos reales positivos es un real positivo.
Ahora, sean \ y x V ; entonces, : x = x . Como x es un real
positivo, al elevarlo a cualquier potencia real se obtiene un nmero real
positivo.
Ejemplifiquemos algunas sumas y multiplicaciones escalares en V.
2
3 4 = 3 4 = 12
4 8 = 32...
Escalar
Vector
1
2
4 = 41 2 =
Escalar
3 = 32 = 9
1
1
=
12
4
2
Vector
Comprobemos la propiedad asociativa. Sean x, y, z, en V. Entonces,

(x y ) z = (x y )z = x(y z ) = x (y z ).
Definicin de
Propiedad asociativa
la operacin
del producto entre reales
Idntico aditivo:
Encuentre 0 V tal que
x 0 = x,
x 0 = x.
Luego 0 = 1. Es decir, el nmero real positivo 1 es el idntico aditivo o cero
para este espacio.
30
Inverso aditivo.
Para todo xV , x debe satisfacer que
x (x) = 0,
luego x(x) = 1.
As que x =
Como x > 0,
1
.
x
1
> 0 y, por tanto,
x
x V .
Las dems propiedades las dejamos como ejercicio.
1.4 Propiedades
Teorema 1
Sea V un espacio vectorial. Entonces:
i.
El elemento neutro, 0, de V es nico.
ii.
Para todo x V existe un nico x V tal que x + x = 0.
iii.
0 = 0 para todo escalar .
iv.
0 x = 0 para todo x V .
v.
Si x = 0, entonces = 0 x = 0 (o ambos).
vi.
( 1) x = x para todo x V .
Demostremos las partes i, iii y vi del teorema.

i.
Supongamos que 0 y 0 son elementos neutros de V; entonces,

0 + 0 = 0 y 0 + 0 = 0 ,
propiedad iii
luego 0 = 0 + 0 = 0 + 0 = 0.
propiedad v
31
iii.
vi.
0 + 0 = 0,
propiedad iii
( 0 + 0) = 0,
multiplicando por
0 + 0 = 0,
propiedad vii
( 0 + 0) + ( 0) = 0 + ( 0),
(suma a ambos lados 0)
0 + ( 0 + ( 0)) = 0,
propiedades ii y iv
0 + 0 = 0,
0 = 0.
propiedad iv
propiedad iii
1 + (1) = 0,
0 = 0 x = [1 + ( 1)]x = 1x + ( 1) x = 0,
1x + ( 1) x + ( x ) = x ,
( x + ( x )) + ( 1) x = x ,
0 + ( 1) x = x ,
( 1) x = x.
Qu propiedades se aplican en los pasos de la demostracin?
32
Mdulo 1
1.
Verifique con detalle que \ n es un espacio vectorial.
2.
Verifique con detalle que Pn es un espacio vectorial.
3.
En el ejemplo 7, verifique los axiomas ii, v, vii, viii, ix y x de la definicin de espacio vectorial.
4.
Verifique con detalle que M mn es un espacio vectorial.
5.
En el ejemplo 8 verifique el cumplimiento de los axiomas v, vii, viii, ix y x de la definicin de espacio vectorial.
En los ejercicios 6 a 16 determine si el conjunto dado, junto con las operaciones dadas, es un espacio vectorial. Si no lo es,
mencione al menos un axioma de la definicin que no se cumple.
6.
3
Sea V = {( x, y , z ) \ / z = 0, x, y \} con las operaciones usuales de \ 3 .
7.
Sea V = \, con las operaciones ordinarias de suma y multiplicacin en \.
8.
Sea V el conjunto de matrices simtricas reales de n n con las operaciones matriciales usuales.
9.
Sea V el conjunto de matrices antisimtricas reales de n n con las operaciones matriciales usuales.
10.
Sea V el conjunto de matrices invertibles n n con las operaciones matriciales ordinarias.
11.
Sea V el conjunto de matrices no invertibles n n con las operaciones matriciales ordinarias.
12.
Sea V = { Ann / AC = 0, C es una matriz constante de n n} con las operaciones matriciales ordinarias.
13.
Sea V el conjunto de todos los pares ordenados de nmeros reales ( x, y ) con x 0, con las operaciones usuales
en \ 2 .
14.
Sea V = {C} (un conjunto con un solo elemento) con las operaciones de suma y producto por un escalar definidas
por C + C = C y C = C para todo \.
15.
Sea V el conjunto \ 3 con la operacin de suma usual y la operacin producto por un escalar definida por:
: ( x, y, z ) = ( x,1, z ), \.
Captulo 1: Espacios
vectoriales
lgebra Lineal Elemental
y Aplicaciones 33
16.
Sea V el conjunto \ 3 con la operacin de suma dada por ( x1 , y1 , z1 ) ( x2 , y2 , z2 ) = ( x2 , y1 + y2 , z2 ) y la operacin

producto por un escalar usual.
17.
Demuestre las partes ii, iv y v del teorema 1.
18.
Si x e y son vectores de un espacio vectorial V, demuestre que existe un vector nico z V tal que x + z = y .
Ejer
cicios del mdulo 1
Ejercicios
34
Subespacios

2.1 Definicin y criterio de subespacio
2.2 Ejemplos
2.3 Propiedades
En \ las rectas y los planos que pasan

por el origen son subespacios.
3
Objetivos del mdulo

1. Reconocer en V aquellos subconjuntos que tienen estructura de espacio vectorial.
2. Aplicar el criterio de subespacio para determinar subespacios en un espacio
vectorial V.
3. Aplicar las propiedades de los subespacios.
Preguntas bsicas
1. Qu es un subespacio?
2. Si H es un subespacio de V, el elemento neutro de V pertenece a H?
3. Es la interseccin de subespacios de V un subespacio de V? Lo es la unin?
4. En todo espacio vectorial hay subespacios?
Introduccin
En muchas aplicaciones es necesario emplear subconjuntos de espacios vectoriales,
que son a su vez espacios vectoriales. En el mdulo 1 vimos que el conjunto de
ternas ordenadas que forman un plano que pasa por el origen es un espacio vectorial, as que tanto \ 3 como este subconjunto son espacios vectoriales.

35
2.1 Definicin y criterio de subespacio

Sea H un subconjunto no vaco de un espacio vectorial V y supngase que H en s
mismo es un espacio vectorial con las operaciones de suma y multiplicacin por un
escalar definidas en V. Entonces se dice que H es un subespacio de V.
El siguiente teorema nos mostrar un resultado que simplificar notablemente el
trabajo para determinar si un subconjunto de V es o no un subespacio de V.
Teorema 1: Criterio de subespacio
Un subconjunto no vaco H del espacio vectorial V es un subespacio de V si se
cumplen las dos reglas de cerradura. Esto es:
1.
Si x H e y H , entonces x + y H .
2.
Si x H , entonces x H para todo escalar .
La demostracin del teorema consiste en verificar que al darse las dos reglas de
cerradura se verifican los dems axiomas de la definicin de espacio vectorial.
Como los vectores de H tambin estn en V, las leyes de asociatividad, conmutatividad,
de distribucin y de identidad multiplicativa (axiomas ii, v, vii, viii, ix y x) se cumplen.
Ahora, si x H , entonces 0x H por (2) y 0 x = 0 (teorema 1, mdulo 1). De igual
manera, (1)x H y ( 1) x = x (teorema 1, mdulo1), verificndose el axioma iv.
Con esto queda completa la demostracin.
El teorema anterior establece que para probar si un conjunto H, H V, es o no un
subespacio de V, basta con probar las dos reglas de cerradura.
Como consecuencia del teorema podemos expresar lo siguiente:
i.
Todo subespacio de un espacio vectorial V contiene el 0.
ii.
Todo espacio vectorial tiene dos subespacios triviales: el mismo espacio

(V V) y el conjunto que tiene como nico elemento el mdulo. Por qu?
Los subespacios distintos a V y {0} se llaman subespacios propios.
2.2 Ejemplos
1.
Sea H = {( x, y) / y = mx, m es un real fijo y x\} .

H \ 2 y H .
Sean (x1 , y1 ) y (x2 y2 ) elementos de H; entonces,
36
Mdulo 2: Subespacios
(x1 , y1 ) = ( x1 , m x1 ) y (x2 , y2 ) = ( x2 , m x2 ).
( x1 + x2 , y1 + y2 ) = ( x1 + x2 , mx1 + mx2 )
= (( x1 + x2 , m( x1 + x2 )).
Luego
( x1 + x2 , y1 + y2 ) H .
Ahora, sea ( x , y ) H y veamos si ( x , y ) H .

( x, y ) = ( x, m x),
( x, y ) = ( x, mx) = ( x, mx) = ( x, m( x) ) ,
( x, m( x)) H .
Por tanto,
( x, y ) H .
En consecuencia, el conjunto de puntos del plano que estn sobre una recta
que pasa por el origen forma un subespacio de \2 .
2.
2
2
Sea H = {( x, y ) \ / y = mx + b} , H \ , H
Veamos si H es un subespacio de \2 .
H est formado por los puntos sobre una recta de pendiente m e intercepto
con el eje y igual a b. Es decir, una recta que no pasa por el origen.
Sean (x1 , y1 ) y (x2 , y2 ) elementos de H. Veamos si (x1 , y1 ) + (x2 , y2 ) H .
(x1 , y1 ) = ( x1 , m x1 + b), (x2 , y2 ) = ( x2 , m x2 + b).
(x1 , y1 ) + (x2 , y2 ) = ( x1 + x2 , y1 + y2 ) = (x1 + x2 , m x1 + b + mx2 + b)
= (x1 + x2 , m ( x1 + x2 ) + 2b).
Luego (x1 , y1 ) + (x2 , y2 ) H y, por tanto, H no es un subespacio de \2 .

3.
3
Sea H = {( x, y, z ) \ / x = at , y = bt , z = ct ; a, b, c, t \} .
H es el conjunto de puntos de \ 3 que estn sobre una recta del espacio que
pasa por el origen. Comprobemos para H las dos reglas de cerradura.
Sean ( x1 , y1 , z1 ) y ( x2 , y2 , z2 ) H ; entonces,
( x1 , y1 , z1 ) = (at1 , bt1 , ct1 ) ,
( x2 , y2 , z2 ) = (at2 , bt2 , ct2 ) ,
37

( x1 , y1 , z1 ) + ( x2 , y2 , z2 ) = (at1 + at2 , bt1 + bt2 , ct1 + ct2 )
= (a(t1 + t2 ), b(t1 + t2 ), c(t1 + t2 )), (t1 + t2 ) \.
Luego (( x1 , y1 , z1 ) + ( x2 , y2 , z2 )) H y
( x1 , y1 , z1 ) = ( (at1 ), (bt1 ), (ct1 ))

= (a ( t1 ), b( t1 ), c( t1 ) H , ( t1 \).
As que H es un subespacio de \3 .
En \ 2 tenemos los siguientes subespacios: los subespacios triviales \ 2 y
{0} , y un subespacio propio, las rectas que pasan por el origen.

Los subespacios propios de \ 3 son las rectas y los planos que pasan por el
origen.
4.
Sabemos que todo polinomio es una funcin continua, as que el conjunto

de polinomios de grado menor o igual que n en el intervalo cerrado
[ a, b], Pn [ a, b] es un subconjunto del conjunto de funciones continuas
dentro del mismo intervalo.
Pn [a, b] C [a, b].
Como Pn es un espacio vectorial para todo entero n, entonces es un

subespacio de C[a, b] .
5.
Sea C [a, b] el conjunto de funciones con primera derivada continua,

definidas en [a, b] .
Como toda funcin derivable es continua, entonces C [a, b] C [ a, b]. Adems, la suma de funciones diferenciables es una funcin diferenciable, y un
mltiplo constante de una funcin diferenciable es diferenciable. Se ve
entonces que C [a, b] es un subespacio propio de C [a, b] , ya que no toda
funcin continua es diferenciable.
2.3 Propiedades
Teorema 2
Sean H1 y H 2 subespacios de un espacio vectorial V. Entonces H1 H 2 es un
subespacio de V.
38
Mdulo 2: Subespacios
Demostracin
H1 H 2 ya que 0 H1 H 2 .
Sean x1 y x2 elementos de H1 H 2 , luego x1 H1 y x1 H 2 . Igualmente,

x 2 H1 y x 2 H 2 . Como H1 y H 2 son subespacios, se cumple que
(x1 + x 2 ) H1 y (x1 + x 2 ) H 2 .
Es decir,
(x1 + x2 ) H1 H 2 .
Ahora, x1 H1 y x1 H 2 , ya que x1 H1 y x1 H 2 .
Luego
x1 H1 H 2 .
Por tanto, se cumplen las dos reglas de cerradura y H1 H 2 es un subespacio.
La interseccin de subespacios es un subespacio, pero la unin ( H1 H 2 ) no
necesariamente es un subespacio.
Ejemplo
H1 = {( x, y )\ 2 / y = x} .
H 2 = {( x, y )\ 2 / y = 2 x} .
(1, 1) H1 y (1, 2) H 2 .
Entonces
(1, 1) ( H1 H 2 ) y (1, 2) H1 H 2 .
Pero (1, 1) + (1, 2) = (2, 3) ( H1 H 2 ) ya que (2, 3) H1 y (2, 3) H 2 . As que

H1 H 2 no es cerrado bajo la suma y, por tanto, no es un subespacio.
39
Mdulo 2
En los ejercicios 1 a 12 se dan un espacio V y un subconjunto W. Determine si W es un subespacio.
1.
V = \2 , W = {( x, y) : x = y} .
2.
V = M nn , W = { A M nn : A es simtrica} .
3.
V = \ 3 , W = {( x, y, z ) \ 3 : ( x, y, z ) es perpendicular a ( a, b, c)} .
4.
V = P4 , W = { p P4 : p(0) = 0} .
5.
V = P4 , W = { p P4 : p(0) = 1} .
6.
V = P4 , W = { p P4 : grado de p = 4} .
7.
La traza de una matriz An n se define como:

tr A = a11 + a22 + ... + ann .
Sean V = M nn y W = { A M nn : tr A = 0} .
8.
a 0
V = M 22 , W = A M 22 : A =
.
0 b
9.
a b
V = M 23 , W = A M 23 : A =
d e
10.
a b c
V = M 23 , W = A M 23 : A =
, donde b = a + c .
d
0
0
11.
V = C [0, 1], W = { f C [0, 1] : f (0) = f (1) = 0} .
12.
V = C[0, 1], W = { f C[0, 1] : f (0) = 1} .
13.
0 b
Sean V = M 23 , W1 = A M 23 : A =
d e
, donde a = 2c + 1 .
f
c
a b c
con b = a + c .
y W2 = A M 23 : A =
d e 0
a.
Demuestre que W1 y W2 son subespacios.
b.
Describa el subconjunto W = W1 W2 y demuestre que es un subespacio.
40
14.
Sea W = {x \ n : AX = 0, con A M m n } .
Demuestre que W es un subespacio de \ n . W se llama espacio nulo de la matriz A.
15.
Sean x = (1, 2, 4) e y = (3, 2, 0) dos vectores en \ 3 y sea

W = {u \ 3 : u = x + y , con , \} .
Demuestre que W es un subespacio de \ 3 .

16.
Sean W1 y W2 subespacios de un espacio vectorial V.

Sea W1 + W2 = { v : v = v1 + v 2 con v1 W1 y v 2 W2 } .
Demuestre que W1 + W2 es un subespacio de V.
Ejercicios
delElemental
mdulo
241
lgebra Lineal
y Aplicaciones
42
Combinacin lineal y subespacio

generado
3.1 Definicin y ejemplos de combinacin lineal
3.2 Conjunto generador de un espacio vectorial
3.3 Espacio generado por un conjunto de vectores
Objetivos del mdulo

1. Definir una combinacin lineal.
2. Generar un subespacio de un espacio vectorial a partir de un conjunto.
3. Diferenciar un conjunto generador del subespacio generado por l.
La grfica representa los subespacios

generados por
{( )}
1
{x }
2
Preguntas bsicas
1. Qu es una combinacin lineal?
2. Cundo un conjunto genera un espacio vectorial?
3. Cmo se genera un subespacio de V a partir de un subconjunto de V?
Introduccin
Iniciamos el mdulo definiendo lo que es una combinacin lineal, concepto ste
necesario para la construccin de subespacios a partir de subconjuntos finitos del
espacio vectorial V. Al subconjunto dado lo llamamos conjunto generador, y al
subespacio construido, subespacio generado.

43

Lineal el cdigo fuente en
MATLAB para ilustrar Combinacin lineal
3.1 Definicin y ejemplos de combinacin lineal

Definicin 1
Sean v1, v2,..., vn vectores en un espacio vectorial V. Decimos que x es una combinacin lineal de los vectores v1, v2,..., vn si existen escalares a1 , a2 ,..., an , tales que:
x = a1 v1 + a2 v 2 + ... + an v n
n
= ai v i .
i =1
Observaciones
1.
Toda combinacin lineal de vectores de un espacio dado es otro vector del

mismo espacio.
2.
El mdulo de un espacio vectorial es combinacin lineal de cualquier conjunto de vectores del mismo espacio.
0 = 0 v1 + 0v2 + ... + 0vn .
3.
Todo vector es combinacin lineal de s mismo.

x1 = 1x1 .
4.
Todo vector es combinacin lineal del conjunto que contiene dicho vector.
v1 = 1 v1 + 0 v 2 + ... + 0 v n .
Ejemplos
1.
La figura 3.1 muestra un vector v en \ 2 o \ 3 como combinacin lineal de

los vectores v1 y v2 .
Figura
2.
3.1
Si a y b son vectores libres, Pr ( a / b ), la proyeccin de a sobre b, es una
combinacin lineal de b, y Pr ( b/ a ) es una combinacin lineal de a.
44
Mdulo 3: Combinacin lineal y subespacio generado
3.
5

En \3 , 2 es una combinacin lineal de los vectores
7

4
1

1
y

0 ya
2
1

5
4
1
que 2 = 2 1 + 3 0 .
7
2
1

4.
En \ 2 , sean v1 = (2, 1) y v 2 = (4, 2). Veamos si v = (6, 3) es una

combinacin lineal de v1 y v2 .
Debemos entonces determinar si existen escalares a1 y a2 tales que
v = a1 v1 + a2 v 2 .
(6, 3) = a1 (2,1) + a2 (4, 2)
Luego
6 = 2a1 4 a2 ,
3 = a1 2a2 ,
2 4 a1 6
1 2 a = 3 .
La matriz aumentada es:

2
4
2
6 operaciones elementales 1

se reduce a
3
0
2
0
3
0
El sistema tiene infinitas soluciones dadas por a1 = 3 + 2 a2 y a2 \. Por

ejemplo, si a2 = 1, a1 = 5 y (6, 3) = 5(2, 1) + (4, 2); pero si hacemos
a2 = 0, a1 = 3 y (6, 3) = 3(2, 1) + 0(4, 2), etc.
De modo que v es una combinacin lineal de v1 y v2 de muchas maneras.

Podemos entonces observar que si un vector v es una combinacin lineal
de v1, v2,..., vk , entonces esa combinacin lineal puede no ser nica.
5.
En P3 , sea A = {1 + x, 1 + x 2 , 2 x + x 3 } . Veamos si Q ( x ) = 3 + x 2 + x 3 es
una combinacin lineal de A.
Expresemos a Q ( x ) como una combinacin lineal de los polinomios de A.
45

3 + x 2 + x 3 = a1 (1 + x ) + a2 (1 + x 2 ) + a3 (2 x + x 3 ).
Igualando los coeficientes de los trminos del mismo grado en ambos lados
de la igualdad tenemos:
(1)
3 = a1 + a2 .
(2)
0 = a1 + 2a3 .
(3)
1 = a2.
(4)
1 = a3.
Con el valor a2 = 1 en (1), 3 = a1 + 1, entonces a1 = 2.

Con a1 = 2 y a3 = 1, la ecuacin (2) se expresa como 0 = 2 + 2(1).
Por tanto, hemos determinado escalares a1 , a2 , a3 tales que:
3 + x 2 + x 3 = 2( 1 + x ) + (1 + x 2 ) + (2 x + x 3 ).
3.2 Conjunto generador de un espacio vectorial

Definicin 2
Sean v1, v2,..., vn vectores en un espacio vectorial V, y suponga que todo vector
v V se puede expresar como una combinacin lineal de estos vectores. Entonces

se dice que { v1, v2 ,..., vn} es un conjunto generador de V, o que los vectores v1, v2,..., vn
generan a V.
Es decir, para todo v V , existen a1 , a2 ,..., an reales, tales que:
v = a1 v1 + a2 v 2 + ... + an v n .
Ejemplos
6.
1
0
2
Los vectores y generan \ .
0
1

2
1 0
Por ejemplo, 4 = 2 0 + 4 1 ,

1

y los vectores 0 ,
0

46
0 0

3
1 , 0 generan \ .
0 1

Mdulo 3: Combinacin lineal y subespacio generado

7.
En Pn todo polinomio se puede expresar como combinacin lineal de los

monomios 1, x, x 2 ,..., x n ; luego generan a Pn .
8.
a b
1 0
0 1
0 0
0 0
En M 22 :
=a
+ b
+ c
+d
.
c d
0 0
0 0
1 0
0 1
1 0 0 1 0 0 0 0
Entonces,
,
,
,
generan M 22 .
0 0 0 0 1 0 0 1
3.3 Espacio generado por un conjunto de vectores

Definicin 3
Sean v1, v2, ..., vn n vectores en un espacio vectorial V. El espacio generado por
{v1, v2,..., vn} es el conjunto de las combinaciones lineales de
v1, v2,..., vn . Esto es:
gen { v1 , v 2 ,..., v n } = { v : v = a1 v1 + a2 v 2 + ... + an v n } , donde a1, a2 ,..., an son escalares.

Del conjunto { v1, v2,..., vn} se dice que es generador.
Teorema 1
Si v1, v2,..., vn son n vectores en un espacio vectorial V, el gen{ v1, v2 ,..., vn} es un
subespacio de V.
La demostracin del teorema se deja como ejercicio.
Ejemplos
9.
En \, sea A = {1} .
gen A = { x x = a 1, a \} = \.
{1} es generador para \.

10.
En \3 , sea A = {(1, 2, 0), (3, 1, 1)} .
gen ( A) = {( x, y, z ) / ( x, y, z ) = a1 (1, 2, 0) + a2 (3, 1, 1); a1 , a2 \} .

Determinemos una relacin entre x, y , z.
( x, y , z ) = (a1 + 3a2 , 2a1 + a2 , a2 ),
x = a1 + 3a2 ,
y = 2a1 + a2 ,
z = a2 .

MATLAB para ilustrar Mezcla
de concreto
47
1 3 x
1
R R + 2 R
2
1 0
1 y 2
2
R3 R3
0 1 z
0
3
7
1
1
1
R2 R2
y + 2x
7
0
z R3 R3 R2
0
3
1
0
y + 2x
7
y + 2 x
z
7
x
Luego los elementos de gen (A) deben satisfacer

z
( y + 2 x)
= 0,
7
o sea
2 x + y + 7 z = 0.
gen ( A) = {( x, y, z ) / 2 x + y + 7 z = 0} (plano que pasa por el origen).
Nota: el espacio generado por dos vectores no nulos en \ 3 y que no sean paralelos
es un plano que pasa por el origen.
Teorema 2
Sean v1, v2,..., vn , v n +1 , n + 1 vectores que estn en un espacio vectorial V. Si v1, v2,..., vn
genera a V, entonces v1 , v2 ,..., vn , vn+1 tambin genera a V. Esto es, la adicin de uno
o ms vectores a un conjunto generador de V da por resultado otro conjunto generador de V.
Demostracin
Sea v V ; como { v1 , v2 ,..., v n } genera a V , entonces existen escalares a1 , a2 ,..., an
tales que v = a1 v1 + a2 v 2 + ... + an vn .
As que v tambin puede expresarse como
v = a1 v1 + a2 v 2 + ... + an v n + 0 v n +1 ,
lo cual muestra que { v1 , v2 ,..., vn , vn+1} tambin genera V.

Ejemplo
1 0
El espacio vectorial \ 2 puede ser generado por el conjunto A = , . Tam 0 1
1 0 1
bin puede ser generado por un conjunto mayor A = , , .
0 1 1
48
Mdulo 3
En los ejercicios 1 a 3 determine si el vector dado w es combinacin lineal de v1 y v2 . Si lo es, encuentre a1 y a2 tales que
w = a1 v1 + a2 v 2 .
1.
2.
3.
4.
v1 = (2, 1) y v 2 = (4, 2) .
a.
w = (6, 3).
b.
w = (1, 1).
c.
w = (0, 0).
v1 = (1, 3) y v 2 = ( 2, 6).
a.
w = (3, 9).
b.
w = (3, 6).
c.
w = (0, 3).
1 2
3 2
v1 =
, v 2 = 1 1 .
2
1
a.
1 0
w=
.
0 1
b.
3 2
w=
.
4 1
c.
13 6
w=
.
1 3
Sean p1 = x + x 2 , p2 = x + x 3 y p3 = x + x 2 + x 3 .
Determine cul o cules de los siguientes polinomios son combinacin lineal de p1 , p2 y p3 .
a.
2x + x 2
b.
c.
d.
2 3x + 4 x 2 + x 3
0
x
Ejercicios
delElemental
mdulo
349
lgebra Lineal
y Aplicaciones
En los ejercicios 5 a 10 describa el espacio generado por los vectores dados.

1
v = .
1
5.
6.
7.
2
v1 = 1 ,
0
1
v2 = 3 .
0
3
v1 = 0 ,
1
6
v 2 = 0 ,
1
7
v3 = 0 .
2
2 0
B=
.
0 1
8.
3 0
A=
,
0 1
9.
p1 = 2 x + 3, p2 = 3 x 5.
10.
p1 = 3 x + 4 x 2 , p2 = 2 x 5 x 2 , p3 = x + x 2 .
En los ejercicios 11 a 14 determine si el conjunto dado de vectores genera el espacio vectorial dado.
11.
1 2
En \ 2 ; , .
3 0
12.
1
En \ 2 ; ,
2
13.
1 2 0

En \ ; 2 , 3 , 1 .
0 5 3

14.
1
En \ ; 1 ,

1

15.
Muestre que un conjunto de dos vectores de \ 3 no puede generar a \ 3 .
16.
Demuestre que si u y v estn en gen { v1 , v2 ,..., vk } , entonces u + v y u estn en gen { v1 , v2 ,..., vk } .
2 3
, .
4 6
2

4,
1

5

9.
3

50
4.1 Definicin y ejemplos de conjuntos linealmente independientes (LI) y linealmente

dependientes (LD)
4.2 Interpretacin geomtrica de la dependencia lineal en \ 3
4.3 Propiedades
Si v1 y v2 son dos vectores no paralelos se

dice que son LI o sea que uno no es mltiplo
escalar del otro y generan un plano.
Si los vectores son paralelos ya no pueden
generar un plano, sino slo una recta, en
este caso son LD.
Objetivos del mdulo

1. Establecer los conceptos de dependencia e independencia lineal.
2. Interpretar geomtricamente el significado de la dependencia lineal en \ 3 .
3. Vincular la teora de espacios vectoriales con los sistemas de ecuaciones lineales
y los determinantes.
Preguntas bsicas
1. Cundo un conjunto es LD?
2. Cundo un conjunto es LI?
3. Qu significa que un subconjunto de tres vectores de \ 3 sea LD?
4. Tiene sentido hablar de un vector LI?
5. Por qu los conceptos de independencia y dependencia lineal se vinculan con la
solucin de sistemas homogneos de ecuaciones lineales?
Introduccin
En el mdulo anterior vimos que pueden tenerse infinitud de conjuntos generadores de un espacio vectorial. Es claro, por razones de economa, que lo que se desea
es hallar los conjuntos generadores ms pequeos posibles para los espacios
vectoriales. Para lograr esto se requiere el concepto de independencia lineal.
Mostraremos el significado de independencia lineal y su relacin con la teora de
sistemas homogneos de ecuaciones y determinantes.
51
4.1 Def
inicin y ejemplos de conjuntos linealme
nte
Definicin
linealmente
iin
ndependientes (LI) y linealmente dependientes (LD)
Definicin 1
Sean v1 , v2 ,..., vn , n vectores diferentes de un espacio vectorial V. Se dice que los
vectores son linealmente dependientes, LD, si existen n escalares c1 , c2 ,..., cn , no
todos cero, tales que:
c1 v1 + c2 v2 + ... + cn vn = 0.
(1)
Si los vectores no son linealmente dependientes, se dice que son linealmente independientes, LI, es decir, la ecuacin:
c1 v1 + c2 v 2 + ... + cn vn = 0
es vlida slo si c1 = c2 = ... = cn = 0.

Si los vectores v1 , v2 ,..., vn son distintos y formamos el conjunto A = { v1 , v2 ,..., vn } ,
entonces tambin decimos que el conjunto A es LD o LI segn el caso.
Es claro que la ecuacin (1) siempre se satisface si elegimos todos los escalares
c1 , c2 ,..., cn iguales a cero. Lo importante es ver si es posible satisfacer la ecuacin
con al menos uno de los escalares diferente de cero.
Ejemplos
1.
En \3 , sea A = {(1, 7, 2), (1, 1, 0), (3, 5, 2)} y veamos si A es LD o LI.

Solucin
Comenzamos planteando la ecuacin
c1 (1, 7, 2) + c2 (1, 1, 0) + c3 (3, 5, 2) = (0, 0, 0),
la cual, igualando los componentes en ambos lados de la ecuacin, nos lleva

al siguiente sistema homogneo de ecuaciones:
c1 c2 + 3c3 = 0
7c1 + c2 + 5c3 = 0
2c1
2c3 = 0
A x = 0,
c1
x = c2 .
c3
1 1 3
7 1 5
se reduce por medio de
La matriz de coeficientes del sistema
2 0 2
52
Mdulo 4: Independencia lineal
1 0 1
0 1 2
. El sistema equivalente es
operaciones elementales a
0 0 0
c1 = c3 .
c2 = 2c3 .
c3 = c3 .
La fila nula de esta matriz nos indica que el sistema tiene infinitas soluciones, es decir, hay soluciones con x 0 (c3 0) y, por tanto, A es LD.
2.
En P2 , sea B = {1 + x 2 , 2 + x, x 2 } . Es B LD o LI?
Solucin
Dada la ecuacin
c1 ( 1 + x 2 ) + c2 (2 + x ) + c3 x 2 = 0 + 0 x + 0 x 2 ,
veamos cmo son c1 , c2 , c3 .

(1) c1 + 2c2 = 0.
(2) c2 = 0.
(3) c1 + c3 = 0.
(2) en (1), c1 = 0, o sea c1 = 0 (4).
(4) en (3), c3 = 0.
Luego c1 = c2 = c3 = 0 y, por tanto, B es LI.
Proposiciones
1.
Dos vectores en un espacio vectorial V son LD si y slo si uno de ellos es un

mltiplo escalar del otro.
2.
Todo conjunto que tenga como elemento el mdulo de un espacio vectorial

es LD.
3.
Todo conjunto unitario cuyo elemento no sea el mdulo es LI.
4.2 Interpretacin geomtrica de la dependencia lineal

en \ 3
Suponga que u, v, w son tres vectores LD en \ 3 ; entonces existen escalares
c1 , c2 , c3 , no todos cero, tales que:
c1u + c2 v + c3 w = 0.
53

Suponga que c3 0 ; entonces w =

MATLAB para ilustrar Conjunto
de vectores coplanares
con =
c1
c3
y =
c1
c
u 2 v = u + v,
c3
c3
c2
.
c3
Veamos entonces que u, v y w son coplanares:

w (u v ) = ( u + v ) (u v )
= (u (u v )) + ( v (u v))
= 0 + 0 = 0.
Recuerde que tres vectores del espacio son coplanares si y slo si su producto
triple es igual a cero.
Por qu u (u v) y v (u v) son iguales a cero?
3
En conclusin: si u, v, w son tres vectores LD en \ , ellos son coplanares.
Ser cierta la recproca de esta implicacin? Es decir, si u, v, w son tres vectores

coplanares de \ 3 , entonces u, v, w son LD
4.3 Propiedades
Teorema 1
Un conjunto de n vectores de \m siempre es LD si n > m.
Demostracin
Sean v1 , v2 ,..., vn n vectores en \m.
Examinemos la ecuacin
c1 v1 + c2 v 2 + ... + cn vn = 0 ,
a11
a12
a1n
a21
a
a
, v 2 = 22 ,..., v n = 2 n .
donde v1 =
#
#
#
am1
am 2
amn
Entonces la ecuacin se convierte en:

a11c1 + a12 c2 + ... + a1n cn = 0
a21c1 + a22 c2 + ... + a2 n cn = 0
#
#
#
am1c1 + am 2 c2 + ... + amn cn = 0.
54
Como n > m (n de incgnitas > n de ecuaciones), el sistema tiene infinitas solu-
ciones. Por tanto, existen escalares c1 , c2 ,..., cn , no todos cero, que satisfacen la
ecuacin y { v1 , v2 ,..., vn } es LD.
Corolario
Un conjunto de vectores LI en \ n contiene a lo ms n vectores.
Teorema 2
a11
a
21
Sea A =
#
am1
a12
a22
#
am 2
" a1n
" a2 n
.
#
" amn
Entonces las columnas de A consideradas como vectores son LD si y slo si el

sistema A x = 0 tiene soluciones no triviales (diferentes a x = 0 ).
Teorema 3
Sean v1 , v2 ,..., vn , n vectores en \ n , y sea A una matriz n n cuyas columnas son
v1 , v2 ,..., vn . Entonces v1 , v2 ,..., vn son LI si y slo si la nica solucin al sistema
homogneo A x = 0 es la trivial x = 0 .
Teorema 4
Sea A una matriz n n . Entonces det A 0 si y slo si las columnas de A son LI.
Teorema 5
Todo conjunto de n vectores LI en \ n genera \n .
Demostracin
a11
a12
a1n
x1

a21 , v = a22 ,..., v = a2 n son LI y sea v = x2
v
=
Suponga que 1
2
n
#
#
# un
#

an1
an 2
ann
xn
vector de \ n .
Veamos que existen escalares c1 , c2 ,..., cn tales que v = c1 v1 + c2 v 2 + ... + cn v n .
x1 = c1 a11 +
x2 = c1a21 +
#
Luego xn = c1an1 +
c2 a12 +
"+
cn a1n
c2 a22 +
"+
cn a2 n
#
c2 a n 2 +
#
"+
cn ann
c1

c
C= 2
#

cn

MATLAB para ilustrar Verificacin de independencia lineal
55

El sistema A C = v tiene matriz nA
, tal que det A 0 ya que las columnas de A son
n
LI. Por tanto, el sistema tiene solucin nica C y el teorema queda establecido.
Teorema 6
Sea S = {v1 , v2 ,..., vn } V .
S es LD si y slo si existe al menos un vector de S que pueda expresarse como
combinacin lineal de los vectores restantes de S.
Demostracin
i.
Supongamos que S es LD.

Existen a1 , a2 ,..., an escalares, no todos nulos, tales que:
a1 v1 + a2 v 2 + ... + ai v i + ... an v n = 0.
Sea ai 0, entonces,
vi =
a
a1
a
v1 2 v 2 ... n v n .
ai
ai
ai
Luego v i es una combinacin lineal de los restantes n 1 vectores de S.

ii.
Si v i es una combinacin lineal de los restantes vectores de S, entonces

vi = 1v1 + 2 v2 + ... + 1 vi 1 + i +1 vi +1 + ... + n vn .
Por tanto,
1 v1 + 2 v 2 + ... + 1 v i 1 + (1) v i + i +1 v i +1 + ... + n v n = 0.

En esta combinacin lineal de los vectores de S igualada a cero, al menos el
coeficiente de v i (1) es diferente de cero y por tanto S es LD.
Observacin
Si un conjunto S LD genera un espacio vectorial V, el conjunto que resulta de
eliminar en S un vector que sea combinacin lineal del resto de vectores de S
tambin genera el espacio vectorial V.
Ejemplo 3
Sea el conjunto de vectores S = { v1 , v2 , v3 , v4 } \4
56

1
1
0
2
1
0
1
1
con v1 = , v 2 = , v3 = y v 4 = ,
0
1
1
1

0
0
0
0
y sea W = gen S . Como v4 = v1 + v2 , entonces W = gen S1 , donde S1 = { v1 , v2 , v3} .
57
Mdulo 4
En los ejercicios 1 a 4 muestre por inspeccin que los vectores son linealmente dependientes, LD.
1.
u1 = (2, 3), u 2 = ( 4, 6), en \ 2 .
2.
u1 = (5, 2, 3), u 2 = (0, 3, 1), u 3 = (1, 4, 0), u 4 = (5, 7, 2), en \ 3 .
3.
P1 = 1 + 4 x, P2 =
4.
1 2
A1 =
,
0 1
1
2 x, en P1 .
2
0 1
A2 =
,
4 2
1 3
A3 =
, en M 22 .
4 1
En los ejercicios 5 a 11 determine si el conjunto de vectores dado es LI o LD.

5.
(2, 1, 3), (3, 4, 1), (2, 3, 4), en \ 3 .
6.
(3, 1, 4, 1), (1, 1, 0, 0), (0, 0, 2, 2), en \ 4 .
7.
(3, 0, 2, 2), (5, 0, 3, 1), (1, 2, 1, 1), (0, 4, 1, 1), en \ 4 .
8.
P1 ( x ) = 1 + x + x 2 , P2 ( x ) = 2 x + 3 x 2 , P3 ( x) = 1 + 5 x 3 x 2 , en P2 .
9.
P1 ( x ) = 1 + x, P2 ( x) = x 2 + x 3 , P3 ( x) = 2 2 x + 3 x 2 + 3 x 3 , en P3 .
10.
1 3 2
A1 =
,
0 0 0
11.
1 0 0 1 1 1 1 1
3 1 , 1 0 , 0 6 , 1 2 , en M 22 .
12.
Si {u1 , u2 , u3 } es un conjunto LI, demuestre que {u1 , u 2 } , {u1 , u3 } , {u1} , {u2 } son LI.
13.
Justifique las proposiciones 1, 2, 3 de este mdulo.
14.
Construya argumentaciones para justificar los teoremas 2, 3 y 4.
15.
Si {u1 ,..., un } es LI, pruebe que cualquier subconjunto no vaco de este conjunto es LI.
16.
Si {u1 ,..., un } es LD, pruebe que {u1 ,..., un , un +1 ,..., uk } tambin es LD.
0 6 4
A2 =
,
4 6 2
1 0 0
A3 =
, en M 23 .
2 3 1
58
17.
Sea A una matriz cuadrada n n cuyas columnas son los vectores v1, v2 ,..., vn . Demuestre que v1 , v2 ,..., vn son LI si
y slo si la forma escalonada reducida por renglones de A no contiene un rengln de ceros.
En los ejercicios 18 y 19 escriba la solucin del sistema homogneo dado en trminos de uno o ms vectores LI.
18.
x1 x2 + 7 x3 x4 = 0
2 x1 + 3 x2 8 x3 + x4 = 0
19.
x1 + 2 x2 x3 = 0
2 x1 + 5 x2 + 4 x3 = 0
20.
Demuestre que cualesquiera cuatro polinomios en P2 son LD.
21.
Demuestre que cualesquiera n + 2 polinomios en Pn son LD.
22.
Demuestre que cualesquiera siete matrices en M 32 son LD.
23.
Sea { v1 , v2 ,..., vn } un conjunto LI.

Demuestre que los vectores v1 , v1 + v2 , v1 + v2 + v3 , ..., v1 + v2 + ... + vn son LI.
24.
Suponga que { v1 , v2 ,..., vk } es un conjunto LI y que vk +1 no est en gen { v1 , v2 ,..., vk } . Demuestre que
{v1, v2 ,..., vk , vk +1}
es un conjunto LI.
25.
Para cules valores de son LD los vectores (1, 0, 1), (2, 1, 2) y (1, 1, ) en \3 ?
26.
Para cules valores de son LD los vectores 3 + x y 2 + 2 + 2 x en P1 ?
27.
Encuentre un conjunto de tres vectores LI en \ 3 que contenga los vectores (1, 2, 4), (1, 0, 2).
28.
3
Si u, v y w son tres vectores coplanares en \ , demuestre que {u, v, w} es un conjunto LD.
Ejer
cicios
mdulo
4 59
lgebradel
Lineal Elemental
y Aplicaciones
Ejercicios
60
Bases y dimensin
5.1
5.2
5.3
5.4
Definicin y ejemplos de bases

Propiedades de las bases
Dimensin. Definicin, ejemplos y propiedades
El problema de la base
2
3
Base estndar {1, x, x , x } de P3 .
Objetivos del mdulo

1. Construir una base para un espacio vectorial.
2. Diferenciar un conjunto generador de una base.
3. Identificar la dimensin del espacio vectorial, con el nmero de vectores en la base
del espacio.
4. Relacionar los conceptos de independencia lineal, generador y dimensin para la
construccin de bases en un espacio vectorial.
Preguntas bsicas
1. Qu es una base para un espacio vectorial?
2. Cmo se construye una base?
3. Cmo se relacionan los conceptos de base y dimensin?
4. Cundo se dice que un espacio tiene dimensin infinita?
5. Un conjunto generador de \ n con n vectores es una base para \ n ?
6. Un conjunto LI de n vectores de \ n es una base para \ n ?
Introduccin
Veamos que si un conjunto S, linealmente dependiente, genera un espacio vectorial,
podemos eliminar en S aquellos vectores que son combinacin lineal del resto,
hasta cuando en S slo quedan los vectores que son LI. Este nuevo conjunto es el
generador del tamao mnimo para el espacio vectorial. Dicho conjunto de vectores
es una base para el espacio y el nmero de elementos del conjunto, su dimensin.
Llegamos ac al punto central del captulo de espacios vectoriales; las nociones
anteriores nos permitirn definir estos dos conceptos a partir de los cuales podemos construir espacios vectoriales.

61
5.1 Definicin y ejemplos de bases

Definicin 1

MATLAB para ilustrar Bases
Un conjunto finito de vectores { v1 , v2 ,..., vn } es una base para un espacio vectorial

V si:
i.
{v1 , v2 ,..., vn } es linealmente independiente.
ii.
{v1 , v2 ,..., vn } genera a V.
Ejemplos
1.
Los vectores e1 = (1, 0) y e2 = (0,1) forman una base de \2 . Los vectores

3
e1 = (1,0,0), e2 = (0,1,0), e3 = (0, 0,1) forman una base de \ y, en general, los vectores
1
0
0
0

0
1
0

0
#
0
#
#
e1 = , e2 = ,..., ei = ,..., en =
#
#
1
#
#
#
#
0

0
0
0
1
forman una base para \n . Cada uno de estos conjuntos recibe el nombre de
base natural, estndar o cannica para \ 2 , \ 3 y \ n , respectivamente.
Ya sabemos que todo conjunto de n vectores LI en \n genera a \n . Por
tanto, todo conjunto de n vectores LI en \n es una base de \n .
2.
3.
2
n
En Pn la base estndar est formada por el conjunto {1, x, x ,..., x } . Por qu?
1 0 0 1 0 0 0 0
En M 22 el conjunto de matrices 0 0 , 0 0 , 1 0 , 0 1 es una

base para el espacio vectorial M 22 . sta es la base estndar o cannica.
4.
Sea = y : 3 x 2 y + z = 0 un subespacio de \3 . Vamos a determinar

z
una base para .
x

y z = 3x + 2 y.
z

62
Mdulo 5: Bases y dimensin
As que los vectores de tienen la forma

y ,
3x + 2 y
siendo x e y valores arbitrarios.
1
0

,
y
= x 0 + y1
3x + 2 y
3
2

lo que muestra que estos dos vectores generan . Adems, son LI ya que
uno no es un mltiplo escalar del otro.
1 0

0 , 1
Es decir, es una base para .
3 2

5.2 Propiedades de las bases

Teorema 1
Si { v1 , v2 ,..., vn } es una base de V y si v V , entonces existe un nico conjunto de
escalares c1 , c2 ,..., cn tales que v = c1v1 + c2 v2 + ... + cn vn .
Demostracin
Suponga que v pudiera expresarse de dos formas diferentes como combinacin
lineal de los vectores de la base.
v = c1 v1 + c2 v 2 + ... + cn v n = d1 v1 + d 2 v 2 + ... + d n v n ,
(c1 d1 ) v1 + (c2 d 2 ) v 2 + ... + (cn d n ) v n = 0.
Como { v1 , v2 ,..., vn } es LI, entonces

c1 d1 = c2 d 2 = ... = cn d n = 0 ci = di , i.
Contienen todas las bases de un espacio vectorial el mismo nmero de vectores?

El siguiente teorema nos da la respuesta a esta pregunta.
Teorema 2
Si {u1 , u 2 ,..., u m } y { v1 , v2 ,..., vn } son bases en un espacio vectorial V, entonces
m = n.
63

Demostracin
Sean S1 = {u1 , u 2 ,..., u m } y S 2 = { v1 , v 2 ,..., v n } dos bases para el espacio vectorial
V. Suponga que m n, entonces m > n o n > m.
Si m > n, veamos que S1 es LD.
Cada vector de S1 se puede expresar como combinacin lineal de los vectores de la
base S 2 .
u1 = a11 v1 +
u2 = a21 v1 +
a12 v 2 +
a22 v 2 +
"+
"+
a1n v n
a2 n v n
"+
#
amn v n .
um = am1 v1
am 2 v 2
Para demostrar que S1 es LD veamos que en la combinacin lineal

c1u1 + c2 u 2 + ... + cm u m = 0
(1)
existe ci 0.
c1 (a11 v1 + a12 v 2 + ... + a1n v n ) + c2 (a21 v1 + a22 v 2 + ... + a2 n v n ) + ...
+cm (am1 v1 + am 2 v 2 + ... + amn v n ) = 0.
Reagrupamos los trminos de la ecuacin as:

(c1a11 + c2 a21 + ... + cm am1 ) v1 + (c1a12 + c2 a22 + ... + cm am 2 ) v 2 + ...
+(c1a1n + c2 a2 n + ... + cm amn ) v n = 0.
Como { v1 , v2 ,..., vn } es LI, entonces

a11c1 +
a12 c1 +
a21c2 +
a22 c2 +
"+
"+
#
a1n c1 +
#
a2 n c2 +
"+
am1cm = 0
am 2 cm = 0
#
am n cm = 0,
el cual es un sistema homogneo de n ecuaciones con m incgnitas, con m > n,

luego tiene infinitas soluciones y, por tanto, existen escalares c1 , c2 ,..., cm , no todos
cero, que verifican (1), y en consecuencia S1 es LD.
De forma anloga se razona para el caso en que n > m.
64
5.3 Dimensin. Definicin, ejemplos y propiedades
Definicin 2
La dimensin de un espacio vectorial no nulo es el nmero de vectores en una base
para V. Como el conjunto {0} es linealmente dependiente, se dice que el espacio
vectorial {0} tiene dimensin cero.
Cuando la base del espacio vectorial V es un conjunto finito de vectores, se dice
que V es de dimensin finita. Sin embargo, existen muchos espacios vectoriales
para los cuales no hay una base con un nmero finito de vectores; estos espacios
son de dimensin infinita, por ejemplo el espacio vectorial P de todos los polinomios y el espacio C[a, b] de funciones continuas en [a, b] .
La dimensin de V se denota por dim V.
Ejemplos
5.
dim \ n = n.
6.
dim Pn = n + 1.
7.
dim M mn = mn.
Teorema 3
Si dim V = n y {u1 , u 2 ,..., u m } es un conjunto LI de m vectores de V, entonces
m n.
La dimensin de un espacio vectorial es el mximo nmero de vectores LI que hay

en el espacio vectorial.
Teorema 4
Sea H un subespacio del espacio vectorial V de dimensin finita; entonces,
dim H dim V .
Demostracin
Sea { v1 , v2 ,..., vn } una base para V, es decir, dim V = n. Cualquier conjunto LI de
vectores de V tiene a lo ms n vectores. Como H V , todo conjunto LI de H
tambin es LI en V. Luego H es de dimensin finita y dim H n.
Ejemplos
8.
Sea P [0,1] el conjunto de polinomios definidos en el intervalo [0,1] . Como

todo polinomio es una funcin continua, entonces P [0, 1] C[0, 1] (funciones continuas en el intervalo [0, 1] ). Si C[0, 1] fuese de dimensin finita,
65

entonces P [0, 1] tendra tambin dimensin finita, pero no existe un conjunto finito de polinomios que genere P [0, 1], luego C[0, 1] es de dimensin infinita.
Todo espacio vectorial que contenga un subespacio de dimensin infinita
es de dimensin infinita.
9.
n
Sea A una matriz m n y sea S = {x R : Ax = 0} .
Suponga que x1 S y x2 S, entonces A(x1 + x 2 ) = Ax1 + Ax 2 = 0 + 0 = 0

y A( x1 ) = ( Ax1 ) = 0 = 0. Luego S es un subespacio de \n y dim S n .
A S se le llama espacio solucin del sistema homogneo Ax = 0 o ncleo
de la matriz A.
10.
Determinemos una base para el espacio solucin del sistema homogneo
x y z = 0,
2x y + z = 0.
1 1 1
1 1 1
1 0 2 .
2 1 1 0
0 1 3
1
3
Luego,
x = 2 z,
y = 3 z.
z = 1z.
2

Todo vector del espacio solucin es mltiplo escalar del vector 3 .
1

Por tanto,
2

B = 3 .
1

Un conjunto de vectores en un espacio vectorial V es una base para V si genera

a V y es LI. Ahora, si se sabe que la dimensin del espacio es n, basta verificar una
de las dos condiciones.
Teorema 5
Sea V un espacio vectorial de dimensin n y sea S = { v1 , v2 ,..., vn } un conjunto de
n vectores en V.
66

a.
Si S es LI, entonces es una base para V.
b.
Si S genera a V, entonces es una base para V.
Demostracin
a.
Como S es LI, debemos demostrar que S genera a V.

Si S no genera a V, existe un v n +1 V tal que v n +1 gen { v1 , v 2 ,..., v n } , luego
{v1 , v 2 ,..., v n , v n+1}
es subconjunto de V, LI con n + 1 vectores; por tanto,
dim V > n, lo cual es absurdo.

Para determinar si un subconjunto S de \n es una base para \ n , primero contamos el nmero de elementos de S. Si S tiene n elementos, cualquiera de las partes del
teorema 5 nos permite determinar si S es base. Si S no tiene n elementos, no es base
para \ n . De la misma forma se procede en cualquier espacio o subespacio vectorial
cuya dimensin sea conocida.
Teorema 6
Si S es un conjunto LI de vectores en un espacio vectorial V de dimensin finita,
entonces existe una base B para V, que contiene a S.
El teorema nos dice que un conjunto LI de vectores en un espacio vectorial V se
puede extender a una base para V.
5.4 El problema de la base

Este problema puede presentarse en una de estas dos formas:
1.
Construir una base para V, tomando los vectores de V. Si puede escoger un

conjunto de vectores que genere a V, puede eliminar los vectores LD, si los
hay, y obtener una base para V.
2.
Dado un conjunto S de vectores de V, construir una base para V aadiendo,

o bien eliminando, algunos vectores de S, o ambas cosas.
Si S genera a V, se procede como en el caso anterior. Si no, se aumenta S
hasta obtener un generador y luego se procede como en el caso anterior.
Ejemplo
Sea S = {(1, 1, 1), (0, 1, 1)} . Obtenga una base de \ 3 que contenga a S.
Solucin
Como \ 3 tiene dimensin tres, la base para \ 3 debe contener tres vectores.
67

El conjunto S es LI, ya que los vectores de S no son uno un mltiplo escalar del otro,
luego lo que hace falta es aadir otro vector v tal que v gen S.
gen S = {x / x = a(1, 1, 1) + b(0, 1, 1)}

= {x / x = (a, a + b, a b)} .
Si v = ( x1 , x2 , x3 ) perteneciera a gen S , entonces:
x1 = a,
x2 = a + b,
x3 = a b,
y por tanto
0
1
1
1
1 1
1 0
x1
operaciones
x2
elementales
0 1
0 1
x3
x1 1 0
x1 + x2 0 1
x3 x1 0 0
x1
.
x1 + x2
x3 x1 + x1 + x2

x3 + x2
As que si x3 + x2 = 0, v gen S , entonces tomamos v de tal manera que x3 + x2 0;

por ejemplo, v = (0, 1, 0) .
Una base para \ 3 ser B = {(1, 1, 1), (0, 1, 1), (0, 1, 0)} .
Otra forma de solucin
Si v = ( x1 , x2 , x3 ) es tal que {(1, 1, 1), (0, 1, 1), ( x1 , x2 , x3 )} fuera LD, entonces:
0
x1
1
x2
1 = 0
x3
1( x3 + x2 ) + x1 (1 1) = 0 x3 + x2 = 0.
Luego para que el conjunto sea LI, lo que se requiere es que x3 + x2 0 .

Otra manera podra ser probar los vectores de la base cannica hasta que uno de
ellos funcione.
68
Mdulo 5
En los ejercicios 1 a 4 explique mediante inspeccin por qu los vectores dados no forman una base del espacio vectorial
dado.
u 2 = (1, 2) , u 3 = (2, 4), para \2 .
1.
u1 = (3, 2),
2.
w1 = (8, 3, 5, 4), w 2 = (0, 5, 7, 1) , w 3 = (1, 3, 2, 0), para \4 .
3.
P1 = 1 + 2 x + 3 x 2 , P2 = 2 x + x 2 , P3 = 5 3 x, P4 = 3 5 x + x 2 , para P2.
4.
3 0
5 7
9 7
M1 =
, M2 =
, M3 =
, en M 22 .
0 2
1 0
2 5
En los ejercicios 5 a 11 determine cundo los vectores dados forman una base del espacio vectorial dado.
5.
u1 = (3, 5), u 2 = (4, 8), en \2 .
6.
u1 = (1, 1), u 2 = (2, 2), en \2 .
7.
u1 = (1, 1, 1), u 2 = (1, 1, 0), u3 = (1, 0, 0), en \3 .
8.
u1 = (2, 1, 2), u 2 = (1, 2, 3), u3 = (5, 0, 1), en \3 .
9.
P1 = 1 + x, P2 = 3 x, para P
1.
10.
q1 = 1 + x + x 2 , q2 = x + 2 x 2 , q3 = 3 x 2 , para P2.
11.
1 0
M1 =
,
0 0
1 1
M2 =
,
0 0
1 1
M3 =
,
1 0
1 1
M4 =
, en M 22 .
1 1
En los ejercicios 12 a 17 encuentre una base del espacio vectorial dado y determine su dimensin.
12.
Todos los vectores en \ 2 cuyas componentes suman cero.
13.
Todas las matrices simtricas de 3 3.
Captulo 1: Espacios
lgebra Linealvectoriales
Elemental y Aplicaciones 69
14.
Todas las matrices antisimtricas de 3 3.
15.
Todos los vectores de \ 3 que estn en el plano 2x y z = 0.
16.
3
Todos los vectores de \
que estn en la recta x = 3t , y = 2t , z = t.
17.
Todos los polinomios de P2 de la forma a0 + a1 x + a2 x 2 , con a0 = a2 a1 .
18.
3
Determine una base para \
que incluya los vectores
a.
(1, 1, 2),
b.
(1, 1, 2),
(3, 0, 1).
19.
Determine una base para \ 4 que incluya a los vectores (1, 0, 1, 0) y (0, 1, 1, 0).
20.
2
Determine todos los valores de a para los cuales {( a , 0, 1), (0, a, 2), (1, 0, 1)} es una base para \3 .
21.
Proporcione un ejemplo de un subespacio de dimensin dos de \4 .
En los ejercicios 22 a 25 encuentre una base para el espacio solucin del sistema homogneo dado.
x+ yz =0
22.
2x y + 2z = 0
x y =0
23.
3x + 3 y = 0
24.
x 3y + 2z = 0
2 x + y + 3 z = 0
3x 4 y + 5 z = 0
25.
x + 3 y 2z = 0
3 x + 9 y 6 z = 0
2x 6 y + 4z = 0
26.
Elabore una argumentacin que justifique el teorema 3.
27.
Elabore una argumentacin que justifique el teorema 5b.
28.
Elabore una argumentacin que justifique el teorema 6.
Ejercicios del mdulo 5
70
Subespacios asociados con una

matriz
6.1
6.2
6.3
6.4
Espacios nulo, rengln y columna de una matriz A

Propiedades
Relaciones con el espacio nulo o ncleo de una matriz A
Relaciones con el rango de una matriz A
Subespacios asociados a la matriz
3
A = 3
4
Objetivos del mdulo
1 , R
5
C
0 1
0
0
N A : eje x2
A
: plano x1 x3
: plano de ecuacin
x1 x2 = 0
1. Determinar los subespacios asociados con una matriz.

2. Establecer las diferentes relaciones que existen entre estos subespacios.
3. Utilizar estos subespacios para determinar bases de subespacios generados por
un conjunto de vectores.
4. Utilizar el rango de una matriz para determinar cundo un sistema de ecuaciones
lineales no homogneo tiene solucin.
Preguntas bsicas
1. Cules son los subespacios asociados con A?
En las siguientes preguntas, la matriz B es la matriz escalonada equivalente por
renglones a A.
2. Cmo son los espacios nulo y rengln de las matrices A y B?
3. Qu relacin existe entre los espacios rengln y columna de A?
4. Cmo se relacionan los espacios nulo y rengln de A?
5. Qu es el rango de una matriz?
6. Cmo se relacionan los rangos de A y B?
7. Qu condicin debe cumplir el trmino b en la ecuacin matricial Ax = b para
que el sistema tenga solucin?
8. Cmo se relacionan el rango y la nulidad de A con el nmero de columnas de A?
Introduccin
En esta seccin se darn tcnicas que nos permiten determinar una base para un
espacio vectorial que surge como generado por un conjunto de vectores que no
son linealmente independientes. Adems, asignaremos a cada matriz A un nmero
que nos informa acerca del nmero de renglones o columnas LI de A. Este nmero
ser el rango de la matriz.

71
6.1 Esp
acios nulo, rengln y columna de una matri
Espacios
matrizz A
Definicin 1

MATLAB para ilustrar Base para
el espacio nulo de A
Sea A una matriz m n . El conjunto

N A = {x \ n Ax = 0}
se llama espacio nulo de A o ncleo de A y se denota por NA. En el ejemplo 9 del

mdulo 5 mostramos que este conjunto es un subespacio de \n .
A la dimensin de N A se le llama nulidad de A y se denota ( A) .
Ejemplo 1
1
1
Sea A =
3
2
.
0
Determine el espacio nulo de A.

Solucin
La matriz A es la matriz de coeficientes del sistema homogneo Ax = 0 . Hacemos
operaciones elementales de rengln para hallar las soluciones de este sistema.
1
3
2
1
R2 R2 3R1
0
0
1
R1 R1 + R2
0
1 2
N A = gen 3 2
, ( A) = 1.
1
Definicin 2
a11
a
21
Sea mA n =
#
am1
72
a12
a22
#
am 2
" a1n
" a2 n
.
#
" amn
1
4
2
1 1
R2 R2
6
4 0
1
x1 = x3
2
3
x2 = x3
2
x3 = x3
1
1
2
3 2
Mdulo 6: Subespacios asociados con una matriz

i.
El espacio generado por los renglones de A,

r1 = (a11 , a12 ,..., a1n ), r2 = (a21 , a22 ,..., a2 n ) ,..., rm = (am1 , am 2 ,..., amn ),
es un subespacio de \ n llamado espacio rengln de A y se denota RA.

ii.
El espacio generado por las columnas de A

a11
a12
a1n
a
a
a
c1 = 21 , c 2 = 22 ,..., c n = 2 n
#
#
#

am1
am 2
amn
es un subespacio de \ m llamado espacio columna de A y se denota C A .
6.2 Propiedades
Teorema 1
Si A y B son matrices m n equivalentes por renglones, entonces los espacios
generados por los renglones de A y de B son iguales.
Demostracin
Si A y B son equivalentes por renglones, entonces B se obtiene de A por operaciones elementales de rengln. Es claro que la operacin de intercambio de renglones
no afecta el espacio rengln. Las otras operaciones CRi y R j + CRi son combinaciones lineales entre los renglones de A, las cuales pertenecen al espacio rengln A.
Por tanto, el espacio generado por los renglones de B est contenido en el espacio
generado por los renglones de A, RB RA .
De forma anloga se ve que RA RB . En consecuencia, RA = RB .
Este resultado nos permite determinar una base para un espacio vectorial generado
por un conjunto de vectores dado de \n .
Ejemplo 2
2

3
Sea S = 4 ,
1

2
4

6
5 ,

3
4

10
15
14 ,
3
7
Determine una base para gen S.
12
10 .
4
9

MATLAB para ilustrar Espacio
de renglones y columnas
73

Solucin
Tomamos los vectores de S como renglones de una matriz A y por medio de operaciones elementales obtenemos una matriz equivalente B en forma escalonada. Los
renglones no nulos de B sern LI y formarn una base para RB que es el mismo RA.
Estos vectores tomados como columnas sern una base para gen S.
2
4
A=
10
2
1
0
6 5 3 4 operaciones elementales
B =
0
15 14 3 7
12 10 4 9
0
4
1
3
2
Base para gen S = 2 ,

1
2
0
1 ,
1
3
8
3
0
0
0
0
1
0
2
3
3
.
1
10
0
8
0

0
0 .

1
1
10
Observacin
Si B es una matriz escalonada, entonces dim RB es igual al nmero de pivotes de B.
Teorema 2
Sea B una matriz m n en la forma escalonada por renglones. Las columnas de B
que contienen los pivotes forman una base para CB y, por tanto, dim CB es igual al
nmero de pivotes de B.
Demostracin
Las columnas de B que contiene n pivotes son LI porque sus entradas distintas de
cero estn en forma escalonada (en el ejemplo 2 las columnas 1, 3 y 4 son LI) .
Veamos que estas columnas generan CB . Sea el nmero de pivotes de B. Los
primeros renglones de B son diferentes de cero y los ltimos m son todos
cero.
Sea b CB , b es combinacin lineal de las columnas de B, luego los ltimos m
componentes de b son todos cero.
Formemos una matriz Tm ( : # de renglones de B diferente de cero) tomando las
columnas de B que contienen los pivotes y las colocamos ordenadamente,
74
Tm
* " "
0 * "
#
=
0 0 " *
# #
0 0 " 0
Las entradas sealadas con * son los pivotes de B y por tanto diferentes de cero.
Por la forma especial de T y b, la ecuacin T x1 = mb1 puede resolverse por sustitucin regresiva. Luego b es combinacin lineal de las columnas de T y, por tanto, de
las columnas de B que contienen pivotes.
Teorema 3
Sea mA n y mBn la matriz que resulta al reducir A a su forma escalonada. Los vectores
columna de B que contienen los pivotes forman una base para CB , entonces los
vectores columna correspondientes de A formarn una base para C A y, en consecuencia,
dim C A = dim CB .
Podemos ahora reunir los siguientes resultados:

RA = RB .
: nmero de pivotes de B.
dim RB = dim RA = .
dim CB = .
dim CB = dim C A .
Luego dim RA = dim CA = .

Definicin 3
El rango de A, denotado por ( A), es la dimensin de los espacios fila y columna
de A.
6.3 Relaciones con el espacio nulo o ncleo de una

matriz A
Consulte el apndice Una

aplicacin interesante de los
espacios vectoriales al final de
este texto.
Sea mA n y mB n la matriz que resulta al reducir A a su forma escalonada.
75

Sabemos que:
N A = NB .
RA = RB .
La dimensin de N A es igual al nmero de parmetros en la solucin del sistema

equivalente reducido B x = 0.
La dimensin del espacio rengln de B es igual al nmero de variables principales
del sistema Bx = 0.
El nmero de variables principales ms el nmero de parmetros es n. De todos
estos hechos se deduce el siguiente teorema.
Teorema 4
Si A es una matriz m n , entonces:
dim RA + dim N A = n
dim C A + dim N A = n
o ( A) + ( A) = n.
Teorema 5
Sea mA n . Cada vector del espacio rengln de A, RA es ortogonal a todo vector del
espacio nulo de A, N A .( RA N A ).
Demostracin
Consideremos la ecuacin A x = 0 .
r1 a11
r2 a21
#
rm am1
a12
a22
#
am 2
" a1n x1 0
" a2 n x2 0
=
# # # .

" amn xn 0
Si x N A , Ax = 0. Por tanto, si ri es el i-simo rengln de A, ri x = 0, para
i = 1,..., m .
Ahora, si y R A , entonces
y = C1r1 + C 2 r2 + ... + C m rm y
y x = C1r1 x + C2 r2 x + ... + Cm rm x = 0,
luego todo vector del espacio rengln es ortogonal a todo vector del espacio nulo.
76

Ejemplo 3
0
Sea A = 0
0
2 3
4 6
3
6
2
.
1
7
Determinemos N A , C A , A , A .
Solucin
0
0
2 3
2 3
1
3
operaciones elementales
0
0
7
2
1
1
0
4 .
0
Solucin del sistema homogneo:

Variables principales x2 y x4 .
3
x4 = x5 ,
4
x2 =
3
1
x3 x4 x5 .
2
2
Aplicando sustitucin regresiva:
x2 =
3
1 3
3
5
x3 x5 x5 = x3 x5 .
2
2 4
2
8
Parmetros: x1 , x3 y x5 .
Entonces:
x1 = x1 ,
x2 =
x3 =
x4 =
x5 =
3
5
x3 x5 ,
2
8
x3 ,
3
x5 ,
4
x5 .
x1
x1
1
0
0

3
5
x2
x2
0
2
8
x3 N A x3 = x1 0 + x3 1 + x5 0 .

3
x4
x4
0
0
4
0
0
1
x
x

5
5
77

1 0 0
3 5
0 2 8
N A = gen 0 , 1 , 0 , A = 3.
0
0 3
4

0 0 1
Escuche la biografa de Richard

Hamming en su multimedia de
lgebra Lineal
Observamos que la nulidad de A es igual al nmero de parmetros en la solucin del

sistema homogneo Ax = 0.
3 1
3
RA = gen 0, 1, , , 1 , 0, 0, 0, 1, .
2
2
4
Los pivotes se encuentran en la 2. y 4. columnas de la matriz escalonada equivalente a A, luego en A las columnas 2. y 4. son LI y constituyen una base para C A .
2

C A = gen 2 ,
4

1

3 ,
6

A = 2.
El rango de A es el nmero de variables principales en la solucin del sistema

homogneo Ax = 0.
Podemos comprobar que cada vector de RA es ortogonal a cualquier vector de NA.
6.4 Relaciones con el rango de una matriz A

Teorema 6
Sea A . A es invertible si y slo si
n n
a.
( A) = 0.
b.
( A) = n.
Teorema 7
Sea mA n . El sistema Ax = b tiene solucin si y slo si b CA .
Demostracin
A x = b tiene solucin si y slo si
x1
x
[c1 , c 2 ,..., c n ] 2 = b tiene solucin.
#

xn
78
Esto es: c1 x1 , c 2 x2 + ... + c n xn = b (ci : columna i de A) tiene solucin.
De modo que b es combinacin lineal de las columnas de A. Es decir que b CA .

Nota: el teorema anterior establece que para que A x = b tenga solucin
es necesario y suficiente que
( A ) = [ A# b ]
( A ) = [ A# b ] b C A
( A ) [ A# b ] b C A y el sistema ser inconsistente.
Ejemplo 4
Veamos si el sistema
x+ yz = 7
6 x + y + 3 z = 20
4 x y + 5z = 4
tiene solucin.
Solucin
1
6
4
0
0
1
7
20 0
0
4
1
1
0
1
9
1
7
22 0
0
24
22
2
5 ( A) = 2
, b CA
1 ( A# b) = 3
22
y el sistema no tiene solucin.
79
Mdulo 6
En los ejercicios 1 a 3 se da una matriz en forma escalonada. Encuentre una base para su espacio rengln, una base para su
espacio columna y determine su rango.
1.
1 5 3 0 1
0 0 1 7 3
0 0 0 0 1
2.
1
0
4
0
0
0
5
1
0
3.
1
0
4 0 5
1 3 0
0 1 0
0 0 1
En los ejercicios 4 a 9 encuentre bases para los espacios nulo, rengln y columna de la matriz dada. Determine adems el
rango y la nulidad y verifique en cada caso que A + A = n.
4.
3
4
7.
0 2 3 1 2
0 2
3 3 1
0 4 6 6 7
2 5
3 2
7 8
6 1
5.
1 2 3
2 4 5
3 6 0
6.
2 4 0 0
1 0 3 5
2 6 4 0
8.
1 4 1
2 2 3
1 6 0
2 8 9
9.
1 1 0
0 0 2
4 0 2
3 1 0
0
1
2
En los ejercicios 10 a 12 encuentre una base para el espacio generado por los conjuntos de vectores dados.
10.
(2, 3, 5), (1, 0, 2), (5, 6, 12), (2, 1, 0).
11.
2
1
,
2

1
12.
(2, 6, 4, 1), (1, 0, 3, 5), (0, 4, 2, 1).
80
3
2
,
3

2
1
2
,
1

2
1
1
,
1

1
5
3
.
5

3
0
3
1
En los ejercicios 13 a 15 determine si el sistema dado tiene solucin.

13.
x+ yz = 2
x + 2 y + 2 z = 3
2x + 3y + z = 1
14.
x+ yz = 2
15.
x + 2 y + 2 z = 3
2 x + 3 y + z = 1
x 2y + z + w = 2
+ 2 z 2w = 8
3x
4y z w =1
5x
+ 3z w = 3
16.
Sea A una matriz diagonal. Demuestre que ( A) es el nmero de componentes diferentes de cero en la diagonal.
17.
Demuestre que para cualquier matriz A, ( A) = ( At ).
18.
Sea A una matriz triangular n n con ceros en la diagonal. Demuestre que ( A) < n.
19.
n
Sea A una matriz n n . Demuestre que ( A) < n si y slo si existe un vector x \
tal que x 0 y Ax = 0.
20.
Son los siguientes enunciados verdaderos o falsos? Justifique su respuesta.

a.
Si A es una matriz de m n, entonces \ A = C A .
b.
c.
Si A es una matriz 5 3, entonces las columnas de A deben ser LI.

Si A es una matriz 3 5 , las columnas de A no pueden ser LI.
Si A es una matriz de m n y las columnas de A son LI, entonces Ax = b puede o no tener solucin. Pero si
tiene solucin, sta es nica.
d.
21.
Sea A una matriz m n.

a.
Si las columnas de A son LI, cul es el rango de A y cul es la relacin entre m y n?
b.
m
Si las columnas de A generan \ , cul es el rango de A y cul es la relacin entre m y n?
c.
m
Si las columnas de A forman una base de \ , cul es la relacin entre m y n?
Ejer
cicios
mdulo
681
lgebra del
Lineal Elemental
y Aplicaciones
Ejercicios
82

7.1 Vectores coordenados
7.2 Matrices de transicin y cambio de base
7.3 Vectores coordenados e independencia lineal
5.5
B 1 = v1 , v 2 , v B =
1
4.5
2
B2 = v1 , v 2 , v B =
2
2
Objetivos del mdulo
Coordenadas con respecto a diferentes

bases.
1. Introducir bases ordenadas para los espacios vectoriales.

2. Expresar los vectores como vectores de coordenadas.
3. Establecer el manejo algebraico de los vectores de coordenadas.
4. Determinar la matriz de transicin de una base a otra en un espacio vectorial.
5. Deducir un algoritmo que permita pasar la expresin de un vector de una base a otra.
6. Utilizar la expresin de un vector como vector coordenado para determinar cundo un conjunto de vectores es LI.
Preguntas bsicas
1. Cmo se expresa un vector como vector coordenado en una base B?
2. Cmo se realizan las operaciones de suma y producto por un escalar entre los
vectores de coordenadas de un espacio V?
3. Cmo estn formadas las columnas de la matriz de transicin de una base B1 a
una base B2 ?
4. Cmo se relacionan las matrices de transicin de B1 a B2 y de B2 a B1 ?
5. Cmo se realiza el cambio de la expresin de un vector de una base B1 a una base B2 ?
6. Cmo se emplean los vectores coordenados para determinar si un conjunto es LI?
Introduccin
Hemos introducido las llamadas bases estndar o cannicas que, por lo general,
son ms fciles de usar. Sin embargo, hay muchos problemas de la fsica y la ingeniera donde es ms adecuado el uso de otras bases. En este mdulo veremos la
manera de pasar la expresin de un vector de una base a otra.

83
7.1 Vectores coordenados

Definicin 1
Sean V un espacio vectorial de dimensin n y B = { v1 , v2 ,..., vn } una base para V.
Entonces, para cada v V existen escalares nicos a1 , a2 ,..., an tales que:
v = a1 v1 + a2 v 2 + ... + an vn .
El vector cuyos componentes son los escalares a1 , a2 ,..., an se llama vector de

coordenadas o vector coordenado de v con respecto a B y se escribe:
[ v ]B
a1
a
= 2
# .

an
Es importante observar que [ v ]B depende del orden de los elementos de B. Luego

al dar la base B debe siempre asumirse sta como una base ordenada.
Un vector de coordenadas es una n-tupla ordenada.
Ejemplo 1
1
0
2
En \ , la base cannica est compuesta por los vectores e1 = y e 2 = ,
0

1
2
pero dos vectores de \ 2 LI tambin forman una base para \ , as: los vectores
1
3
v1 = y v 2 = forman otra base de \ 2 .
2
5
1
Sea x = ; entonces, x = 1e1 1e 2 .
1
1
Si B1 = {e1 , e 2 } ; entonces, (x) B1 = .
1
Cuando no se dice explcitamente en qu base est expresado x, se asume que el

vector est en la base estndar.
1 3 x =
Sea B2 = , ,
2 5
x=
1 3
2 1
2 5
2 v1 1v 2
2
luego (x) B2 = (figura 7.1).
1
84
Mdulo 7: Coordenadas y cambio de base
Figura
7.1
Ejemplo 2
En P2 , consideremos el polinomio P ( x ) = 3 + 2 x + x 2 , el vector de coordenadas de
P( x) :
i.
En la base estndar, B1 = {1, x, x
ii.
En la base B2 = {1 + x, 1 x 2 , 1 + x + x 2 } es ?
} , es: [ P( x)]
B1
3

= 2 .
1

Debemos calcular las constantes c1 , c2 , c3 tales que:

P ( x ) = c1 (1 + x ) + c2 (1 x 2 ) + c3 (1 + x + x 2 ),
lo cual no es ms que un problema de combinacin lineal. Entonces,

3 + 2 x + x 2 = (c1 + c2 + c3 ) + (c1 + c3 ) x + (c2 + c3 ) x 2 ,
c1 + c2 + c3 = 3 ,
c1 + c3 = 2,
c2 + c3 = 1.
85

1
1
0
1
0
0
1
0
1
1
0
1
1
0
3
1
20
0
1
2
1
1 0
0
2
1 1
1 0
0
0
1
0
0
1
,
2
1
2
luego c1 = 0, c2 = 1 y c3 = 2,
as que:
3 + 2 x + x 2 = 0(1 + x ) + (1 x 2 ) + 2(1 + x + x 2 ),
[ P ( x ) ]B
0
= 1 .
2
Teorema 1
Sea B una base de un espacio vectorial V, u y v dos vectores de V y un escalar,
entonces:
[u]B + [ v ]B = [u + v]B ,
[u]B = [ u]B .
Observacin
Con los vectores de coordenadas se opera en la misma forma que en \ n .
7.2 Matrices de transicin y cambio de base

Dado un espacio vectorial V con base B1 , podemos expresar cualquier v V en B1 .
Si se tiene una segunda base B2 para V, puede calcularse ( v ) B2 empleando ( v) B1 ?
Veamos el problema en \3 . Sean B1 = { v1 , v2 , v3 } y B2 = {w1 , w2 , w3 } dos bases
c1

para \ . Si v \ , entonces ( v) B1 = c2 , es decir,
c
3
3
v = c1v1 + c2 v2 + c3 v3 .
MATLAB para ilustrar Cambio
2
de base por rotacin en \
86
(1)

Ahora, cada uno de los vectores v1 , v2 , v3 podemos expresarlo en la base B2 , as:
v1 = a11w1 + a21w 2 + a31w3 .
v 2 = a12 w1 + a22 w 2 + a32 w3 .
(2)
v3 = a13 w1 + a23 w 2 + a33 w3 .
Sustituyendo (2) en (1), tenemos:

v = c1 (a11w1 + a21w 2 + a31w 3 ) + c2 (a12 w1 + a22 w 2 + a32 w 3 )
+ c3 (a13 w1 + a23 w 2 + a33 w 3 ).
= (c1a11 + c2 a12 + c3 a13 )w1 + (c1a21 + c2 a22 + c3 a23 )w 2
+(c1a31 + c2 a32 + c3 a33 )w 3 .
Luego
( v ) B2
c1a11 + c2 a12 + c3 a13 a11

= c1a21 + c2 a22 + c3 a23 = a21
c a +c a +c a a
1 31 2 32 3 33 31
a12
a22
a32
a13 c1

a23 c2
a33 c3
( v1 ) B2 ( v 2 ) B2 ( v 3 ) B2
= ( v1 ) B2 ( v 2 ) B2 ( v 3 ) B2 ( v ) B1
= PB2 B1 ( v ) B1 .
Definicin 2
La matriz PB2 B1 cuyas columnas son los vectores de la base B1 expresadas en la
base B2 recibe el nombre de matriz de transicin de la base B1 a la base B2.
Si B1 = { v1 , v2 ,..., vn } y B2 = {w1 , w2 ,..., wn } ,
PB2 B1
a11
a
= 21
#
an1
( v1 ) B2
" a1n
a22 " a2 n
#
#
an 2 " ann
( v 2 ) B2 ( v n ) B2
a12
Teorema 2
Sean B1 y B2 bases de un espacio vectorial V. Sea PB2 B1 la matriz de transicin de
B1 a B2 ; entonces, para todo x V ,

MATLAB para ilustrar Cambio
3
de base por rotacin en \
87
(x)B2 = PB2 B1 (x)B1 .

Es importante resaltar que la matriz de transicin PB2 B1 es invertible. Por qu?
Teorema 3
Si P es la matriz de transicin de B1 a B2 , entonces P 1 es la matriz de transicin de
B2 a B1.
Demostracin
Sabemos que (x) B2 = P(x) B1 .
Como P es invertible, multipliquemos por P 1 a la izquierda, en cada lado de la
ecuacin.
P 1 (x) B2 = P 1 P (x) B1
= I (x) B1 = (x) B1 ,
1
luego (x) B1 = P (x) B2 .
Este teorema proporciona una forma simple de encontrar la matriz de transicin,
PB2 B1 , cuando B1 es la base estndar de \n . Si B2 = { v1 , v2 ,..., vn } es otra base

cualquiera, la matriz de transicin PB1 B2 es la matriz cuyas columnas son los vectores de B2 expresados en B1 ; como los vectores de B2 estn dados en la base
estndar, entonces
PB1 B2 = [ v1 v 2 ... v n ],
o sea que PB1 B2 se forma escribiendo la base B2 como una matriz. Luego, aplicando el teorema,
PB2 B1 = ( PB1 B2 )1.
Ejemplo 3
1 0 0
1 1 1

En \ , sean B1 = 0 , 1 , 0 y B2 = 0 , 1 , 1 .
0 0 1
0 0 1

3
x
Expresemos el vector y \ 3 en trminos de la base B2 .
z

88

Solucin
1 1 1
La matriz de transicin de B2 a B1 , PB1 B2 , est dada por PB1 B2 = 0 1 1 .

0 0 1
Encontremos PB2 B1 aplicando el algoritmo para la obtencin de la inversa, as:
1 1 1
0 1 1
0 0 1
1 0 0
1
0 1 0 0
0
0 0 1
0
1
0
0
1
0
1 0
1 1
0 1
PB2 B1
x
x

y = PB2 B1 y
z
z
B2
B1
1 1 0 x x y
= 0 1 1 y = y z .
0 0 1 z z
Ejemplo 4
Escribamos el polinomio a0 + a1 x + a2 x 2 de P2 en trminos de la base
B2 = {1, x 1, x 2 1} .
2
Empleando la base estndar, B1 = {1, x, x } , se tiene:
1

(1) B1 = 0 ,
0

1

( x 1) B1 = 1 ,
0

1

( x 1) B1 = 0 .
1

2
La matriz de transicin PB1 B2 es:
PB1 B2
1 1 1
= 0 1 0 .
0 0 1
Determinemos PB2 B1
89
0
0
1
1
0
1
0
1
1
0
0
0
1
0
0
0
1
1

0
0
0 0
1 0
0 1
1
0
0
1
1
0
0
1
PB B
2 1
a0

a0 + a1x + a2 x expresado como vector coordenado en la base B1 es: a1
a
2
2
a0
1 1 1 a0 a0 + a1 + a2

0 1 0 a =
=
a
a1
1
1
.
a
0
0
1
a
a
2
2 B2
2
Podemos verificar el resultado as:

a0 + a1 x + a2 x 2 = ( a0 + a1 + a2 ) + a1 ( x 1) + a2 ( x 2 1).
Ejemplo 5
1 2
2
En \ 2 supongamos que (x) B1 = 1 , donde B1 = 1 , 3 ; expresemos x en

0 5
trminos de la base B2 = , .
3 1
(x) B2 = PB2 B1 (x) B1 .

Las columnas de PB2 B1 son los vectores de B1 expresados en B2 .
1
0
5
= a11 + a21 ,
1
3

1
2
0
5
= a12 + a22 .
3
3
1
A cada una de estas ecuaciones vectoriales la llevamos a un sistema de dos

ecuaciones lineales, as:
5a21 = 1
3a11 1a21 = 1
5
1
5a22 = 2
3a12 1a22 = 3
5
1
Estos dos sistemas poseen la misma matriz de coeficientes y por tanto podemos
formar una sola estructura con la matriz de coeficientes al lado izquierdo y los
trminos independientes al lado derecho.
90
5
1
2 operaciones elementales 1

3
0
1
1
0
1
2
1
5
5
17
15
1 2

1 B2 3 B2
Luego
25
PB2 B1 =
15
Entonces,
17
2
.
5
15
2 5 17 15 2
(x) B2 =

1 5 2 5 1
13
= .
0
Podemos observar que para obtener la matriz de transicin de B1 a B2 , hacemos lo

siguiente:
B2
B1
I
PB2 B1 .
7.3 Vectores coordenados e independencia lineal

Teorema 4
Sea B1 = { v1 , v2 ,..., vn } una base del espacio vectorial V. Supongamos que
a11
a12
a1n

a
a
a
(x1 ) B1 = 21 , (x 2 ) B1 = 22 ,..., (x n ) B1 = 2 n .
#
#
#

an1
an 2
ann
a11
a
Sea A = 21
#
an1
a12 " a1n

a22 " a2 n
.
#
#
an 2 " ann
Entonces {x1 , x 2 ,..., x n } es LI si y slo si det A 0.

Este teorema se desprende fcilmente del hecho de que los vectores en coordenadas son n-tuplas ordenadas o sea elementos de \n , y del teorema 4 del mdulo 4, el
cual dice que det A 0 si y slo si las columnas de A son LI.
91

Ejemplo 6
En P3 , determine si los polinomios 1 + x 2 , 1 3 x + 4 x 2 + 5 x 3 , 2 + 5 x 6 x 3 ,
4 + 6 x + 3x 2 + 7 x3 son LD o LI.
2
3
Usando la base estndar de P3 , B1 = {1, x, x , x } , se tiene:
1

0
(1 + x 2 ) B1 = ,
1

0
1

3
(1 3 x + 4 x 2 + 5 x 3 ) B1 = ,
4

5
2

5
(2 + 5 x 6 x 3 ) B1 =
y
0

6
4

6
(4 + 6 x + 3 x 2 + 7 x 3 ) B1 = .
3

7
Entonces
1 1 2
0 3 5
det A =
1 4
0
0 5 6
Luego los polinomios son LI.
92
4
6
0.
3
7
Mdulo 7
En los ejercicios siguientes, todas las bases son bases ordenadas.
En los ejercicios 1 a 7 calcule el vector coordenado de v con respecto a la base B dada para el espacio vectorial V.
V es \2 ,
1 0
B = , ,
0 1
V es \ ,
1 0 0

B = 0 , 1 , 0 ,
0 0 1

V es \ ,
1 0 1
2

B = 1 , 1 , 0 , v = 3 .
0 0 2
1

4.
V es P1 ,
B = {1 + x, 1 + 2 x} ,
v = 3 + 4 x.
5.
V es P2 ,
B = {1, x 1, x 2 1} ,
v = 1 + 2x x2 .
6.
V es P2 ,
7.
V es M 22 ,
1.
2.
3.
3
v = .
1
4

v = 1 .
0

B = {1 x + x 2 ,1 + x,1 + x 2 } ,
v = 3 2x + 4x2 .
1 0 1 1 1 1 1 1
B =
,
,
,
0 0 0 0 1 0 1 1
2 0
v=
.
1 3
En los ejercicios 8 a 10, sean
1 2
1
B1 = , , B2 = 1 2 ,
3 1
2

2 1
, B3 = , , B4 =
2
1 3
3
1
1 2
, 3
2
bases para \ .
2
8.
Halle las matrices de transicin

a.
de B1 y B2 .
b.
de B2 y B3 .
c.
de B1 y B3 .
Multiplique las matrices de a y b en ambas formas. Est alguno de estos productos relacionado con la matriz de c?
Captulo 1: Espacios
vectoriales
y Aplicaciones 93
9.
1
Sea x = . Exprese ( x ) B1 . Usando las matrices del ejercicio 8, calcule ( x) B2 , ( x) B3 .
1
10.
Calcule las matrices de transicin de B2 a B4 y de B4 a B2 .
En los ejercicios 11 a 13 calcule el vector v si el vector de coordenadas [ v ]B est dado con respecto a la base B de V.
11.
V es \ 2 ,
2
B = ,
1
1
,
1
12.
V es P2 ,
B = {1 x, 1, 1 + x + x 2 } ,
1
( v) B = .
2
1
( v) B = 1 .
2
B = {1 + x 2 , 2 + 2 x + x 3 , 1 + 2 x x 2 + 3 x 3 , 2 x 2 + 3 x 3 } ,
2
1
( v)B = .
1

3
13.
V es P3 ,
14.
2
Sean B1 = {(1, 3), (1, 2) } , B2 = {(0, 1), (2, 3) } bases para \ , y sean v = (3, 4), w = (4, 5) .
a.
Determine los vectores de coordenadas de v y w con respecto a la base B2 .
b.
Determine la matriz de transicin PB1 B2 de la base B2 en la base B1 .
c.
Determine los vectores de coordenadas de v y w con respecto de B1 utilizando PB1 B2 .
d.
Determine los vectores de coordenadas de v y w con respecto de S de manera directa.
e.
Determine la matriz de transicin PB2 B1 de la base B1 en la base B2 .
f.
Determine los vectores de coordenadas de v y w con respecto de B2 utilizando PB2 B1 . Compare las respuestas
con las del literal a.
15.
2
2
2
Sean B1 = {1 + x , 2 + x, 3 + x} y B2 = { x + 2 x , 3 + x + x, x} bases para P2. Sean v = 6 4 x + 8 x 2 y
w = 9 x + 7 x 2 . Responda los literales del ejercicio 14.
16.
Sean B1 = { v1 , v2 } y B2 = {w1 , w 2 } bases para P1 , donde w1 = x , w2 = 1 + x . Si la matriz de transicin de B1 a B2 es

2 3
1 2 , determine B1 .
17.
Sean B1 = { v1 , v2 , v3 } y B2 = {w1 , w 2 , w3 } bases para \ 3 , donde v1 = (1, 0, 1), v 2 = (1, 1, 0), v 3 = (0, 0, 1). Si la
1 1 2
matriz de transicin de B2 en B1 es 2 1 1 , determine B2 .
1 1 1
94
Ejer
cicios del mdulo 7
Ejercicios
18.
2
Sean B1 = { v1 , v2 } y B2 = {w1 , w 2 } bases para \ , donde v1 = (1, 2), v 2 = (0, 1). Si la matriz de transicin de B2 en
2 1
B1 es 1 1 , determine B2 .
19.
Suponga que los ejes x e y en el plano se rotan un ngulo en sentido antihorario generando nuevos ejes x, y.
a.
Determine las coordenadas x, y de los vectores i y j rotados.
b.
cos
Demuestre que la matriz de cambio de coordenadas est dada por sen
sen
.
cos
En los ejercicios 20 a 24 determine si el conjunto de vectores dado es LI o LD.

20.
En P2 : 3 + 2 x, 1 x + x 2 , 2 x x 2 .
21.
En P2 : 2 + 2 x, 2 x + x + 12 x 2 , x + 4 x 2 .
22.
2 3 0 7 1 0 1 1
En M 22 :
,
,
,
.
4 1 9 6 4 2 0 3
23.
En Pn : { p1 , p2 ,..., pn +1 : pi (0) = 0, i = 1,..., n + 1} .
24.
En M mn : { A1 , A2 ,..., Amn : la primera componente de cada matriz es cero}.
Captulo 1: Espacios
vectoriales
y Aplicaciones 95
Captulo 2
Ortogonalidad
Mdulo 8
Bases ortonormales y proyecciones en \ n
Ejercicios
Mdulo 8
Mdulo 9
Mtodo de aproximacin por
mnimos cuadrados
El experimentador desea comprobar la relacin existente entre la fuerza aplicada al resorte y su
deformacin. Para ello elabora una tabla donde registra el peso aplicado y la deformacin sufrida
por el resorte, y obtiene una nube de puntos que ajusta a una recta mediante el mtodo de
mnimos cuadrados.
Ejercicios
Mdulo 9
Mdulo 10
Ejercicios
Mdulo 10
En este captulo trabajamos con el producto escalar definido en \ n para construir

bases ortonormales de sus subespacios, las cuales tienen la ventaja de su fcil
manejo algebraico. Empleando estas bases desarrollamos el concepto de proyeccin ortogonal de un vector sobre un subespacio, y como una aplicacin importante se presenta el mtodo de aproximacin por mnimos cuadrados.
Para hacer una ampliacin de estos temas, tratados en \ n , a otros espacios
vectoriales, introducimos la operacin producto interno. En aquellos espacios
vectoriales donde se define producto interno se pueden construir bases ortonormales
y proyecciones ortogonales.
n
El producto escalar corresponde al producto interno en \ .
98
Bases ortonormales y proyecciones

en \ n
8.1 Conjuntos ortonormales
8.2 Otra forma del problema de la base. Proceso de ortonormalizacin de GramSchmidt
8.3 Proyecciones ortogonales
8.4 Complemento ortogonal
8.5 Desigualdad de Cauchy-Schwarz en \ n
Objetivos del mdulo

1. Construir bases ortonormales en los subespacios de \ n .
2. Encontrar la proyeccin ortogonal de un vector sobre un subespacio de \ n .
3. Descomponer un vector de \ n como suma de dos vectores, uno en un subespacio
El matemtico dans Jrgen Pedersen Gram

(1850-1916) es conocido por el mtodo
de ortogonalizacin, aunque se presume
que no fue l quien primero lo utiliz.
Aparentemente fue ideado por Pierre Simon
de Laplace y utilizado tambin por Augustin
Louis Cauchy en 1836. Gram muri
arrollado por una bicicleta a la edad de 61
aos.
El matemtico alemn Erhard Schmidt
(1876-1959) fund el primer instituto de
matemticas aplicadas de Berln. Alumno
de David Hilbert, Schmidt hizo sus mayores
contribuciones en ecuaciones integrales y
teora de funciones en el espacio de Hilbert.
de \ n y otro en su complemento ortogonal.

4. Establecer propiedades relativas a las magnitudes de los vectores en \ n .
Preguntas bsicas
1. Qu es un conjunto ortogonal?
2. Qu propiedades tienen los conjuntos ortogonales?
3. Cmo se construye una base ortonormal para un subespacio de \ n ?
4. Cmo se calcula la proyeccin ortogonal de un vector sobre un subespacio?
5. Cmo se encuentra el complemento ortogonal de un subespacio H de \ n ?
6. Cmo se relacionan un subespacio H y su complemento ortogonal H en \ n ?
7. En la descomposicin de un vector a \ n , como a = p + q con p H y
q H , a qu son iguales p y q?
8. Cul es la mejor aproximacin de un vector a \ n a los vectores de un subespacio

H de \ n ?
Introduccin
En \ n la base estndar B = {e1 , e 2 ,...e n } tiene la propiedad de que ei e j = 0

para i j y adems ei = 1, i = 1,..., n .

99
Hemos podido apreciar lo cmoda que resulta esta base en el manejo algebraico de
los vectores de \n . En este mdulo mostraremos la forma de dotar los subespacios
de bases con las caractersticas de la base estndar de \n . A estas bases las llamaremos bases ortonormales. Adems veremos el concepto de proyeccin ortogonal
de un vector de \n sobre un subespacio de ste, concepto que nos ser de gran
utilidad cuando se trata de aproximar la solucin de un sistema inconsistente y = Ax
de manera que se minimice el error cometido.
100
8.1 Conjuntos ortonormales
Mdulo 8: Bases ortonormales y proyecciones en \ n
Definicin 1
Sea S = {u1 , u 2 ,..., u k } un subconjunto de \n .
Se dice que S es un conjunto ortonormal si
1.
u i u j = 0 para i j.
2.
ui = 1.
Cuando se cumple la condicin 1, se dice que el conjunto es ortogonal.

Como los vectores de S son de magnitud unitaria, se dice que son vectores normalizados. De ah que un conjunto que cumpla las dos condiciones se llame ortonormal.
Recordemos que si x \n , x = ( x1 ,x2 ,...,xn ) y la magnitud de x, x , est dada por:
x = x x = x12 + x22 + ... + xn2 .

Si ui = 1, entonces ui ui = 1.
Nota: los conceptos de ortogonalidad y magnitud de los vectores de \ n estn
dados en trminos del producto escalar. Es importante, antes de seguir adelante,
recordar las propiedades del producto escalar.
Ejemplo 1
Sean a = (1, 3, 0) , b = (3, 1, 1) y c = (3, 1, 10) ; entonces {a, b, c} es un conjunto ortogonal en \ 3 ya que a b = a c = b c = 0.
a = 10 , b = 11 y c = 110 .
Los vectores
u1 =
a
1
b
1
c
1
=
(1, 3, 0), u 2 =
=
(3, 1, 1) y u 3 = =
(3, 1, 10)
a
b
c
10
11
110
son vectores unitarios en las direcciones de a, b y c, luego {u1 , u 2 , u 3 } es un

conjunto ortonormal.
Adems, gen {a, b, c} = gen {u1 , u 2 , u3 } .
lgebra Lineal Elemental y Aplicaciones 101
Teorema 1
Sea S = {u1 , u 2 ,..., u k } un conjunto ortogonal de vectores no nulos de \n . Entonces S es linealmente independiente.
Demostracin
Planteamos la ecuacin
c1u1 + c2u 2 + ... + ci ui + ... + ck u k = 0.
A ambos lados de la igualdad multiplicamos escalarmente por u i , i = 1,..., k

(c1u1 + c2 u 2 + ... + ci ui + ... + ck u k ) u i = 0 u i = 0.
Aplicando la propiedad de distribucin del producto escalar tenemos,

c1 (u1 ui ) + c2 (u 2 u i ) + ... + ci (ui u i ) + ... + ck (u k ui ) = 0.
Ahora, u i u j = 0 para i j , luego el lado izquierdo de la ecuacin se reduce a

ci (u i u i ), de donde ci ui = 0.
2
Como ui 0, entonces ci = 0, i = 1,..., k .

Corolario 1
Un conjunto ortonormal de vectores en \ n es linealmente independiente.
8.2 Ot
ra forma del problema de llaa base. Proceso de
Otra
ortonormalizacin de Gram-Schmidt
Dada una base S = { v1 , v 2 ,..., v k } para un subespacio de \n , hallar una base
ortonormal B = {u1 ,u2 ,..., uk } . La solucin a este problema nos la brinda el siguiente teorema, conocido como proceso de ortonormalizacin de Gram-Schmidt.
Teorema 2
Sea H un subespacio de dimensin k de \n ; entonces H tiene una base ortonormal.
Demostracin
Supongamos que { v1 , v2 ,..., vk } es una base para H.
102

Paso 1
Construccin de un vector unitario en la direccin de v1, v1 0, ya que
{v1 , v2 ,..., vk } es linealmente independiente.

Sea u1 =
v1
.
v1
Paso 2
Construccin de un vector ortogonal a u1.
Sea
v2 = v2 proyu1 v2 .
proyu1 v 2 =
( v 2 u1 )
u1
u1 ;
como u1 = 1,
v 2 = v 2 ( v 2 u1 )u1 .
Veamos que v 2 es ortogonal a u1 :

v 2 u1 = v 2 u1 ( v 2 u1 ) u1 u1 = 0.
N
1
Lo anterior se representa en la figura 8.1.
Figura
8.1
Paso 3
Construccin de un vector unitario en la direccin de v2 .
Sea u 2 =
v 2
.
v 2
Entonces, {u1 , u 2 } es un conjunto ortonormal.

Supongamos que se ha construido {u1 , u 2 ,..., u p } ; p < k un conjunto ortonormal.

para ilustrar Proyeccin sobre
el plano en R 3
Veamos cmo agregar un nuevo vector al conjunto de modo que siga siendo
ortonormal.
Paso 4
Construccin de un vector ortogonal a {u1 , u 2 ,..., u p } .
Sea v p +1 = v p +1 ( v p +1 u1 )u1 ... ( v p +1 u i )u i ... ( v p +1 u p )u p .
v p + 1 se construye quitndole al vector v p+1 sus proyecciones ortogonales sobre
los vectores del conjunto ortonormal construido. Este vector es ortogonal a todos
los vectores del conjunto. Vemoslo.
v p +1 u i = v p +1 ui ( v p +1 u1 ) (u1 u i )... ( v p +1 u i ) (ui u i ) ... ( v p +1 u p ) (u p u i )

= 0.
Paso 5
Construccin de un vector unitario en la direccin de v p +1 .
Sea u p +1 =
v p +1
v p +1
El proceso contina hasta completar los k vectores de la base ortonormal.
8.3 Proyecciones ortogonales

Definicin 2
n
Sea H un subespacio de dimensin k de \ con base ortonormal {u1 , u2 ,..., uk } y v
un vector de \n . Entonces la proyeccin ortogonal de v sobre H, denotada proyH v,

es un vector de H dado por:
proy H v = ( v u1 )u1 + ( v u 2 )u 2 + ... + ( v u k )u k .
Ejemplo 2
x
Sea W = y : x y + 2 z = 0 un subespacio en \3 .
z
i.
104
Determine una base y la dimensin de W.

ii.
Determine una base ortonormal para W.
iii.
2

Si a = 1 \3 , determine proyW a.
1

Solucin
i.
x
x y 2z

y W y = y =
z
z z

1 2

y 1 + z 0 .
0 1

1 2

W = gen 1 , 0 . Como los vectores son LI, entonces
0 1

1
2

v
=
v
=
1
,
1
2
0 es una base para W . dim W = 2.
0
1

A partir de esta base, podemos construir una base ortonormal para W.

ii.
Designemos {u1 , u 2 } la base ortonormal.
1.
2.
1
v1
1
1 .
u1 =
=
v1
2
0
v 2 = v 2 ( v 2 u1 ) u1
2 2 1 2 1 2 1
1 1
= 0 0 . 2 2 = 1 .

1 1 0 0 1
3.
u2 =
1
v 2
1
=
1 .
v 2
3
1
1 2 1

Base ortonormal de W = 1 2 , 1
1
0
.
3
3
3
iii.
proyW a = (a u1 )u1 + (a u 2 )u 2 .
2 1 2 1 2 2 1
1 1 1
= 1 . 2 2 + 1 .
1 0 0 1 1
1
1
3
1
3
3
13 6
5
3 = 6 .
2
3 3
3
Figura 8.2
Los vectores u1 y u 2 forman una base ortonormal para el plano generado por los
vectores v1 y v2 (figura 8.2).
Calcular las coordenadas de un vector relativas a una base puede ser un problema
relativamente difcil; ahora, si la base es ortonormal, esto es bastante sencillo, como
se ve en el siguiente teorema.
Teorema 3
n
Sea B = {u1 , u 2 ,..., u n } una base ortonormal de \ n y sea v \ . Entonces,
v = ( v u1 )u1 + ( v u 2 )u 2 + ... + ( v u n )u n .
Es decir, el vector v es la suma de las proyecciones ortogonales sobre los vectores

de la base ortonormal de \n :
v = proy Rn v.
Demostracin
Ya que B es una base de \ n , v se puede expresar de manera nica como:
v = c1u1 + c2 u 2 + ... + ci ui + ... + cn u n .
106

Multiplicando escalarmente por ui , i = 1,..., n, a ambos lados de la igualdad tenemos:
v ui = c1 (u1 ui ) + c2 (u 2 ui ) + ... + ci (ui ui ) + ... + cn (u n ui )

= ci .
Como esto es vlido para todo i, la demostracin queda completa.
Ejemplo 3
Sea
2
1
1
2
B = u1 =
, 0,
, 0,
, u2 =
, u 3 = (0, 1, 0)
5
5
5
5
una base
ortonormal para \3 . Expresemos el vector v = (2, 3, 1) como una combinacin

lineal de los vectores de B.
v = c1u1 + c2 u 2 + c3u3 tal que : c1 = v u1 = 4 / 5,
c2 = v u 2 = 3 / 5 ,
c3 = v u 3 = 3.
(2, 3, 1) =
4 1
2 3 2
1
, 0,
, 0,
3(0, 1, 0).
5 5
5
5 5
5
El siguiente teorema establece la unicidad de la proyeccin ortogonal de v sobre el

subespacio H.
Teorema 4
Sean H un subespacio de \n y v en \ n . Suponga que se tienen en H dos bases
ortonormales B1 = {u1 , u 2 ,..., u m } y B2 = {t1 , t 2 ,..., t m } ; entonces
proy H v = ( v u1 )u1 + ( v u 2 )u 2 + ... + ( v u m )u1
= ( v t1 )t1 + ( v t 2 )t 2 + ... + ( v t m )t m .
8.4 Complemento ortogonal

Definicin 3
Sea H un subespacio de \ n . Un vector u en \n es ortogonal a H si es ortogonal
n
a todo vector de H. El conjunto de todos los vectores de \ que son ortogonales
a H se llama complemento ortogonal de H en \n y se denota H .
H = {u \ n : u h = 0 , para todo h H } .
Ejemplo 4
Sea W = {( x, y, z ) ( x, y, z ) = t (1, 2,3), t \} .
W est formado por todos los vectores ortogonales a (1, 2, 3); se puede mostrar
que W es el plano que pasa por el origen con vector normal (1, 2, 3).
Teorema 5
n
Sea H un subespacio de \ ; entonces
a.
H es un subespacio de \n .
b.
H H = {0} .
c.
dim H = n dim H .
Demostracin
a.
H , (0, 0,..., 0) H ya que h H

(0, 0,..., 0) h = 0.
Sean x1 , x 2 H , x1 h = 0 y x 2 h = 0, h H .
Luego
(x1 + x 2 ) h = x1 h + x 2 h = 0 + 0 = 0.
Ahora,
x1 h = (x1 h) = 0 = 0,
lo que prueba que H es un subespacio de \n .
b.
{(0, 0,..., 0)} H H .

Probemos que H H {(0, 0,..., 0)} .
Supongamos que x H H , x H x H ; entonces x x = 0.
Luego
x = (0, 0,..., 0)
y, por tanto,
H H = {(0, 0,..., 0)} .

c.
Sea {u1 , u 2 ,..., u k } una base ortonormal de H. Esta base puede ampliarse
hasta formar B, una base para \n , B = {u1 , u2 ,..., uk , v k +1 ,..., v n } . Mediante
108

el proceso de Gram-Schmidt, B se puede transformar en una base ortonormal de \n .
B1 = {u1 , u2 ,..., uk , uk +1 ,..., un } .

Debemos demostrar que {u k +1 ,..., u n } es una base para H .
Como los vectores son LI, debe mostrarse que generan H .
Sea x H ; entonces x \ n y
x = (x u1 )u1 + ... + (x u k )u k + (x u k +1 )u k +1 + ... + (x u n )u n .
Como los vectores u1 , u 2 ,..., u k estn en H, x ui = 0 , i = 1,..., k , entonces

x = (x u k +1 )u k +1 + ... + (x u n )u n .
Luego {u k +1 ,..., u n } es una base para H y dim H = n k .

Cualquier vector de \ n se podr expresar de manera nica como suma de un
vector de H con un vector de H .
Teorema 6: Teorema de la proyeccin
n
Sean H un subespacio de \ n y v \ .
Entonces existe un par nico de vectores p y q tales que

p H y q H y v = p + q,
donde p = proy H v y q = proy H v.

Ejemplo 5
En el plano del ejemplo 2, determinamos la base ortonormal
1 2 1

B = 1 2 , 1
1
0
3
3
13 6
2

y para a = 1 encontramos proyW a = 5 6 .
2
1
3

Podemos expresar a como la suma de dos vectores p y q tales que:
p = proyW a y q = proyW a,
a = p + q q = a p = a proyW a,
2 13 6 1 6

q = 1 5 6 = 1 6 = proyW a,
1 2 3
3 3
x
W = y : x y + 2 z = 0 .
z
dim W = 2; como dim W + dim W = 3, entonces dim W = 1 . Luego el vector

q
q puede ser una base para W y q una base ortonormal para W.
q=
1
6
entonces
1 6 1
q

= 6 16 = 1
q
1 2
3
.
6
6
6
Base ortonormal de W = 1
2
.
6
6
6
No es necesario averiguar el valor de q para determinar la base de W . De la ecua-
cin de W sabemos que (1, 1, 2) es un vector normal a W, y por tanto pertenece a W.

1
1
Luego una base de W puede ser 1 y una base ortonormal de W = 1

2
2

.
6
Teorema 7: Teorema de aproximacin de la norma

n
Sea H un subespacio de \ . Entonces para cualquier vector v \n , el vector de H
ms cercano a v es proyH v . Es decir, si h es cualquier vector de H, v h es mnima

cuando h = proy H v .
Demostracin
Sea h un vector cualquiera de H. Entonces
v h = ( v proy H v) + (proy H v h).
110

Ahora,
( v proy H v ) H y (proy H v h) H ,
y entonces
(v proy H v) (proy H v h) = 0.
v h = ( ( v proy H v) + (proy H v h) ) ( ( v proy H v ) + (proy H v h) )
2
= v proy H v + proy H v h .
2
Si h proy H v ,
proy H v h > 0 y v h > v proy H v
2
y por tanto
v h > v proy H v .
As que proyH v es el vector que minimiza v h .
2
13 6

5
En el ejemplo 5, p = proyW a = 6 es el vector en W ms cercano a a = 1 .
1
2

3
8.5 Desigualdad de Cauchy-Schwarz en \ n

Finalizamos el captulo con un resultado importante relativo a las magnitudes de los
vectores, la desigualdad de Cauchy-Schwarz en \ n , a partir de la cual puede deducirse la desigualdad triangular en \ n .
Teorema 8: Desigualdad de Cauchy-Schwarz en \ n
Sean a y b vectores en \ n . Entonces
i.
ab a b .
ii.
a b = a b si y slo si a = 0 o b = a para algn real .
Demostracin
i.
Tomemos dos vectores a y b de \ n tales que uno no es mltiplo escalar

del otro, o sea que estn sobre rectas en distintas direcciones (figura 8.3).
a b
La proyeccin ortogonal de b sobre a est dada por proy b a = 2 a .
a
Figura
8.3
La distancia (al cuadrado) del punto b a la recta que lleva la direccin de a es:
2
a b
2(a b) 2 a b 2
2
b 2 a = b
+ 2 a
2
a
a
a
b a (a b) 2
2
Como esta distancia es mayor que cero, entonces el numerador en la expresin

anterior debe ser positivo, luego
b a (a b ) 2 > 0,
2
b a > (a b)2 .
2
Extrayendo raz cuadrada a ambos lados tenemos que:
b a > ab .
Cuando a y b tienen la misma direccin, o sea que b = a para algn escalar , la
distancia calculada ser igual a cero y por tanto se tendr que
ab = a b .
Luego, en general, tenemos que a b a b .
112
Mdulo 8
1.
2.
Verifique que las siguientes son bases ortogonales para \ 3 . Obtenga bases ortonormales a partir de ellas.
a.
{(0, 0, 1), (1, 1, 0), (1, 1, 0)} .
b.
{(0, 1, 1), (1, 1 2, 1 2), (1, 1, 1)} .
Utilice el proceso de Gram-Schmidt para transformar la base de un subespacio de \ 3 , dada por {(1, 1, 1), (0, 1, 1)} , en
una base ortonormal.
3.
Igual que en el ejercicio 2, con la base {(1, 1, 0), (2, 0, 1)} .
4.
Utilice el proceso de Gram-Schmidt para determinar una base ortonormal para el subespacio de \ 4 con base
{(1, 1, 0, 1), (0, 0, 1, 0), (2, 0, 0, 1)} .

5.
1
1
1 1
2
1 1
1
3
,
,
,
,
, 0,
Sea S =
,
,
una base ortonormal de \ . Escriba el vector
3
3
6
6
6
2
2
3
(1, 2, 1) en esta base.
6.
2
1
, 0,
. Escriba el vector v = (1, 2, 1) como
Sea W el subespacio de \ 3 con base ortonormal (0, 1, 0),
5
5
p + q con p W y q W .
7.
Determine la distancia del punto (2, 3, 1) al plano 3x 2 y + z = 0. (Sugerencia: encuentre la proyeccin ortogonal
de (2, 3, 1) sobre el plano.)
8.
Construya una base ortonormal para el espacio solucin del sistema homogneo:
x + 3 y 5z = 0
2x y + z = 0
3x + 2 y 4 z = 0
Captulolgebra
2: Lineal
Ortogonalidad
Elemental y Aplicaciones 113
2
1
, 0,
Encuentre una base ortonormal en \ 3 que incluya los vectores u1 =
y u 2 = (0, 1, 0).
5
5
9.
En los ejercicios 10 a 12 se dan un subespacio H y un vector v.

a.
Calcule proyH v.
b.
Encuentre una base ortonormal para H .
c.
Escriba v = p + q con p H y q H .
10.
3
x
H = \ 2 : 2 x y = 0 ; v = .
y
5

11.
3
H = y \ : 3x 2 y + 6 z = 0 ; v = 1 .
z
12.
1
y
H = \ 4 : x = 2 y, w = y ; v = .
2
z
13.
Si a y b son vectores de \ n tales que a = 0 o b = a para \ , demuestre que a b = a b .
14.
Usando la desigualdad de Cauchy-Schwarz pruebe la desigualdad triangular a + b a + b .
Ejer
cicios del mdulo 8
Ejercicios
114
Mtodo de aproximacin por

mnimos cuadrados
Un avin que toma fotografas infrarrojas
utiliza un detector que registra la imagen
electrnicamente; esta imagen sufre
distorsiones que deben corregirse y as
obtener las coordenadas reales; para ello
se utiliza el mtodo de mnimos cuadrados.
9.1 Aproximacin por una recta

9.2 Aproximacin cuadrtica
Objetivos del mdulo

1. Ilustrar una aplicacin interesante de la proyeccin ortogonal de un vector sobre
un subespacio.
2. Aprender a calcular el error cometido en un resultado obtenido experimentalmente.
Preguntas bsicas
1. En qu consiste el mtodo de aproximacin por mnimos cuadrados?
2. Cundo se aplica este mtodo?
3. Por qu cuando se da y = Ax, decimos que y C A ?
4. Por qu el vector x que minimiza el error cometido es tal que Ax es igual a la
proyeccin ortogonal de y sobre C A ?
5. Cmo se determina el error cometido en el clculo?
Introduccin
Muchos experimentos relacionados con ciencias fsicas, biolgicas o sociales se
proponen encontrar la relacin existente entre las variables presentes en un determinado fenmeno por medio de una ley matemtica.
En estos procesos se trata de ajustar una curva a los diversos puntos obtenidos
experimentalmente. En general, el resultado obtenido es un sistema de ecuaciones
Ax = y inconsistente. El problema entonces es encontrar un x en R n tal que Ax
sea tan cercano a y como sea posible.

9.1 Aproximacin por una recta

Supongamos que se busca la recta y = b + mx que mejor se ajusta a los n datos
( x1 , y1 ), ( x2 , y2 ),..., ( xn , yn ) (figura 9.1).
Figura
9.1
La grfica ilustra la ubicacin de algunos puntos obtenidos del experimento y sus

distancias (errores i ) a los respectivos puntos sobre la recta y = b + mx . El problema puede plantearse as: encontrar m y b de la recta tal que el error cometido sea
mnimo.
Una forma de minimizar los errores es hacer mnima la suma de los cuadrados de los
errores (12 + 22 + ... + n2 ) .
1 = y1 (b + mx1 )
2 = y2 (b + mx2 )
.
.
.
.
n = yn (b + mxn ).
Un enunciado ms preciso del problema es: encuentre m y b tales que:

( y1 (b + mx1 )) 2 + ( y2 (b + mx2 )) 2 + ... + ( yn (b + mxn )) 2 sea mnima.
Desarrollaremos un mtodo matricial para encontrar esta aproximacin de mnimos

cuadrados.
Si los puntos ( x1 , y1 ), ( x2 , y2 ),..., ( xn , yn ) estuvieran sobre la recta y = b + mx , se
cumplira que:
y1 = (b + mx1 )
y2 = (b + mx2 )
#
#
yn = (b + mxn )
116
o Y = AX
Mdulo 9: Mtodo de aproximacin por mnimos cuadrados
y1

y2
con Y = ,
#

yn
1
1
A=
#
x1
x2
#
xn
b
y X = .
m
Si los puntos no estn todos sobre la recta, el sistema Y = AX es inconsistente, es

decir, Y AX 0 , y el problema ser:
encontrar un vector X tal que Y AX sea mnima.
( Y AX) es un vector de R n cuyas componentes son los errores cometidos en la
obtencin de los n datos experimentales.
1

Y AX = 2 ,
#

n
Y AX = 12 + 22 + ... + n2 .
As que hacer mnima Y AX equivale a minimizar 12 + 22 + ... + n2 .
Si Y = AX , entonces Y es una combinacin lineal de las columnas de A, o sea que

Y CA ; como Y = AX es inconsistente, Y C A . Por el teorema de aproximacin
de la norma en R n , Y AX es mnimo cuando
AX = proyCA Y.
Sea X el vector, tal que AX = proyCA Y.
Podemos hacer una representacin geomtrica en R 3 .
El espacio columna de A, CA, puede ser un plano o una recta que pasa por el origen.
Representemos C A como un plano que pasa por el origen (figura 9.2).
Figura
9.2
Y A X es un vector ortogonal a C A , o sea que para todo AX C A se tiene:
AX (Y AX) = 0,
( AX)T (Y AX) = 0,
XT AT (Y AX) = 0 ,
XT ( AT Y AT AX) = 0
X R 2 .
Luego AT Y AT AX = 0,
AT AX = AT Y.
Esta ecuacin matricial representa dos ecuaciones con dos incgnitas, que frecuentemente se denominan ecuaciones normales.
Si AT A es invertible (se puede demostrar que esto sucede cuando los n datos no
son colineales), X tiene solucin nica dada por:
X = ( AT A) 1 AT Y.
Ejemplo 1
Encuentre la recta que da el mejor ajuste para los datos (2, 1), (3, 2), (4, 3), (5, 2).
En este caso:
1
1
A=
1
2
1
2
3
, Y = ,
3
4

5
2
AT AX = AT Y
118
b
X=
m

1
1 1 1 1 1
=
2 3 4 5 1
2
1

3
1 1 1 1 2
X=
.
4
2 3 4 5 3

5
2
4 14 b 8
14 54 m = 30

4 14 8 operaciones elementales 1 0

14 54 30
0 1
.
2
5
3
3 2
Ecuacin de la recta: y = + x.
5 5
El error cometido est dado por (figura 9.3):

1 1

2
1
Y AX =
3 1

2 1
2
1 75

3 3 5 2 9 5
=
4 2 5 3 11 5

5
2 13 5
2 5
1
5
Y AX = =
45
3
5
4 + 1 + 16 + 9
=
25
6
1.1.
5
Figura 9.3
9.2 Aproximacin cuadrtica

Si lo que se busca es una curva cuadrtica y = a + bx + cx que sea el mejor ajuste
2
en el sentido de mnimos cuadrados a n datos ( x1 , y1 ), ( x2 , y2 ),..., ( xn , yn ), el procedimiento que se debe seguir es exactamente anlogo al mtodo desarrollado

MATLAB para ilustrar Crecimiento de poblacin
anteriormente para el ajuste lineal (figura 9.4).
Figura
9.4
Si los n puntos estuvieran sobre la parbola y = a + bx + cx 2 , la ecuacin se verificara as:
y1 = a + bx1 + cx12
y2 = a + bx2 + cx22
#
Y = AX
yn = a + bxn + cx
2
n
con
y1

y
Y = 2 ,
#

yn
1
A=
#
x1
x2
#
xn
x12
x22
#
xn2
a

X = b .

c
Como los puntos no satisfacen las ecuaciones, el sistema Y AX es inconsistente

y, por tanto, el problema ser encontrar un vector X en R3 tal que Y AX tenga
un valor mnimo; luego AX = proyC A Y. Si llamamos X el vector minimizador, entonces
AT Y = AT AX.
Ejemplo 2
El mtodo de ajuste cuadrtico se puede usar para hacer estimaciones de las constantes fsicas. Vemoslo:
120

Un cubito se desliza sin friccin sobre el plano inclinado de la figura 9.5 y partiendo
del punto 0.
Figura
9.5
Su ley de movimiento est dada por: x(t ) = v0 t +
g 2
t .
4
Se tienen las siguientes mediciones:
t = 1s
x = 12.4 m
t = 2s
t = 3s
t = 4s
x = 29.8 m
x = 52.0 m
x = 79.21 m
A partir de estos datos podemos hacer estimaciones para los valores de v0 y g y

adems calcular el error cometido.
Sean
12.4
29.8 ,
Y = 52.0
79.21
1 1
A = 23 94 ,
4 16
( )
X = vg 0 .
4
12.4
2 3 4 29.8 = 544.84 ,
AT Y = 1
1 4 9 16 52.0 1866.96
79.21
1 1
4 2 4 = 30 100 .
AT A = 11 24 93 16
3 9 100 354
4 16
Resolvemos ahora el sistema ( AT A ) X = AT Y.
30 100
100 354
544.84 operaciones elementales 1 0 9.96 .

0 1 2.46
1866.96
( ) ( )
v0
X = 9.96
2.46 = g 4 .
g 9.84 m/s 2 .
El error cometido est dado por Y AX .
1 1
12.42
4 9.96 = 29.76 .
AX = 2
9 2.46 52.02
3
4 16
79.2
12.4 12.42
0.02
79.21 79.2
0.01
29.8 29.76 = 0.04 = (0.02) 2 + (0.04) 2 + (0.02) + (0.01) 2

= 52.0
0.02
52.02
= 0.05.
122
Mdulo 9
En los ejercicios 1 a 4 determine la recta de mnimos cuadrados para los datos dados.
1.
(2, 1), (3, 2), (4, 3), (5, 2).
2.
(1, 4), (2, 5), (3, 1), (4, 1).
3.
(2, 2), (1, 0), (0, 2), (1, 0).
4.
(0, 2), (1, 2), (2, 0).
En los ejercicios 5 y 6 determine el polinomio cuadrtico de mnimos cuadrados para los puntos dados.
5.
(7, 3), (2, 8), (1, 5).
6.
(0, 3.2), (0.5, 1.6), (1, 2), (2, 0.4), (2.5, 0.8), (3, 1.6), (4, 0.3), (5, 2.2).
7.
1 2
3
1 2

e y = 1 .
Sean A =
0 3
4

2 5
2
a.
b.
Encuentre una solucin por mnimos cuadrados de Ax = y.

Calcule el error de mnimos cuadrados asociado a la solucin encontrada en a.
8.
Encuentre el mejor ajuste cuadrtico para los datos del ejemplo 2. Qu tipo de ajuste ocasiona el menor error?
9.
Se tienen dos magnitudes relacionadas cuadrticamente x e y, es decir, existen constantes a, b y c tales que y = a + bx + cx 2 .
En las mediciones experimentales de estas magnitudes se obtuvieron los siguientes datos:
x
y
0
3.2
0.5 1
2
2.5
3
1.6 2 0.4 0.8 1.6
4
5
0.3 2.2
Encuentre la parbola que mejor ajuste estos datos.
Captulo lgebra
Lineal Elemental y Aplicaciones 123
2: Ortogonalidad
124
10

10.1
10.2
10.3
10.4
Una aplicacin interesante de los espacios

con producto interno es la aproximacin
mediante series de Fourier a funciones
continuas. La grfica ilustra aproximaciones
de Fourier de rdenes 3 y 4 a la funcin
f (t) = t.
Producto interno
Norma y ortogonalidad en un espacio vectorial con producto interno
ltima forma del problema de la base
Proyeccin ortogonal en espacios vectoriales con producto interno
Objetivos del mdulo

1. Determinar magnitudes de vectores en espacios vectoriales donde hay definido
un producto interno.
2. Construir bases ortonormales en espacios vectoriales con producto interno.
Preguntas bsicas
1. Qu es un producto interno?
2. Por qu es importante definir un producto interno en un espacio vectorial?
3. Cmo se construye una base ortonormal en un subespacio vectorial con producto
interno?
Introduccin
En el mdulo 8 vimos cmo los conceptos de ortogonalidad, base ortonormal y
proyecciones en \ n se construyen con base en el producto escalar. En esta seccin se har una generalizacin de estos conceptos a otros espacios vectoriales,
para lo cual es necesario definir una operacin en ellos llamada producto interno. Se
podr comprobar que el producto escalar corresponde al producto interno en \n .


MATLAB para ilustrar Espacios
con producto interno
10.1 Producto interno

Definicin 1
Sea V un espacio vectorial real o complejo.
Un producto interno sobre V es una funcin tal que a todo par de vectores x e y de
V asocia un nico nmero real o complejo (x, y ) que satisface las siguientes propiedades:
Si x, y , z estn en V y es un escalar, entonces:
Escuche la biografa de JeanBaptiste Joseph Fourier en su

multimedia de lgebra Lineal
i.
(x, x) 0.
ii.
( x, x ) = 0 x = 0.
iii.
(x, y + z ) = (x, y ) + (x, z ).
iv.
(x + y , z ) = (x, z ) + (y , z ).
v.
(x, y ) = ( y , x ).
vi.
( x, y ) = (x, y ).
vii.
(x, y ) = (x, y ).
Del espacio vectorial V se dice que es un espacio con producto interno.

Nota: en las condiciones v y vii la barra indica conjugacin compleja.
Si (x, y ) es un nmero real, ( x, y ) = (x, y ) .
Ejemplo 1
En \ n el producto escalar entre n-tuplas es un producto interno. Veamos.
Sean: x = ( x1 , x2 ,..., xn ) e y = ( y1 , y2 ,..., yn ).
x y = x1 y1 + x2 y2 + ... + xn yn .
El producto escalar satisface la siguientes condiciones:

i.
x x 0.
ii.
x x = 0 si y slo si x = 0.
iii.
x (y + z ) = x y + x z.
iv.
v.
(x + y ) z = x z + y z.
x y = y x.
vi.
x y = x y = (x y ).
Las propiedades i a iv del producto escalar corresponden a las propiedades del

producto interno.
126
Mdulo 10: Espacios con producto interno

La propiedad v del producto escalar se convierte en propiedad conmutativa ya que
( y x ) = (y x) debido a que el producto escalar es un nmero real.
Del mismo modo la propiedad vii del producto interno queda integrada con la
propiedad vi ya que los escalares son nmeros reales y (x y ) = (x y ) .
Ejemplo 2
En ^n , espacio vectorial de n-tuplas ordenadas de nmeros complejos, puede
definirse un producto interno como (x, y ) = x1 y1 + x2 y2 + ... + xn yn , con
x = ( x1 , x2 ,..., xn ) e y = ( y1 , y2 ,..., yn ) .
La propiedad i se satisface ya que

(x, x) = x1 x1 + x2 x2 + ... + x j x j + ... + xn xn
(a j + b j i) (a j b j i)
a 2j b 2j i 2 (i 2 = 1)
a 2j + b 2j = x j
= x1 + x2 + ... + x j + ... + xn 0.
2
ii.
(x , x) = 0 x = 0.
Las condiciones iii y iv se deducen del hecho de que z1 ( z2 + z3 ) = z1 z2 + z1 z3 para

cualesquier nmeros complejos z1 , z2 , z3 .
Veamos la condicin v.
( y , x ) = y 1 x1 + y 2 x2 + .... + yn xn
= y1 x1 + y2 x2 + .... + yn xn
= y1 x1 + y2 x2 + .... + yn xn
= y1 x1 + y2 x2 + .... + yn xn
= x1 y1 + x2 y2 + .... + xn yn = (x, y ).
La condicin vi se deduce inmediatamente.
Para vii tenemos:
( x, y ) = ( y , x) = ( y , x ) = ( y , x ) = ( x, y ).
v)
vi )
v)
Ejemplo 3
En M 3 2 si
a11
A = a21
a31
a12
b 11 b21
a22 y B = b12 b22 ,

b13 b32
a32
entonces puede definirse un producto interno como:

( A, B ) = a11b11 + a12 b12 + a21b21 + a22 b22 + a31b31 + a32 b32 .
Ejemplo 4
En C[ a ,b] , espacio de funciones continuas de variable real en el intervalo [ a, b] , se
define:
( f , g) =
b
a
f (t ) g (t ) dt.
El anterior es un producto interno ya que:

i.
(f, f) =
b
a
f 2 (t ) dt 0. Del clculo sabemos que si h C[ a ,b] y h 0
sobre [a, b], entonces
b
a
h(t ) dt 0. Ahora, si
b
a
h(t ) dt = 0, entonces
h = 0 sobre [a, b] . Con esto se prueban i y ii.

Las propiedades de las integrales definidas permiten deducir iii a vii.
En este espacio trabajamos con escalares reales, luego las propiedades se dan en la
misma forma que cuando se trabaja con el producto escalar.
Ejemplo 5
En ^ 2 sean x = (3 + 2i, 7 4i ) e y = (1 i, 2 + i ); entonces
(x, y ) = (3 + 2i )(1 + i ) + (7 4i )(2 i )
= 3 + 5i + 2i 2 + 14 15i + 4i 2
= 17 10i + 6i 2
= 17 10i 6
= 11 10i.
128
(i 2 = 1)

Ejemplo 6
En C[ 0,1 ] , sean:
f (t ) = t 2 + 3,
g (t ) = 2t 2 t.
Entonces
( f , g) =
(t 2 + 3)(2t 2 t ) dt
(2t 4 t 3 + 6t 2 3t ) dt
1
= 2
t5 t 4
t3
t2
13
+6 3 =
.
5
4
3
2 0
20
10.2 Norma y ortogonalidad en un espacio vectorial

Definicin 2
Sea V un espacio vectorial con producto interno y suponga que x e y estn en V;
entonces:
i.
La norma (longitud) de x se denota por x y se define como:

x =
ii.
(x, x).
Si x e y son diferentes de cero, se dice que son ortogonales cuando:

(x, y) = 0.
Ejemplo 7
En ^ 2 , sea x = (2 + i, 1 + 3i ). Calculemos x .
x =
( x, x) ,
(x, x) = (2 + i )(2 i ) + (1 + 3i )(1 3i ) = 15,

x =
15 .
Ejemplo 8
En ^ [0, 2 ] las funciones sen t y cos t son ortogonales. Vemoslo.
(sen t , cos t ) =
2
0
sen t cos t dt =
1 2
cos 2t
sen 2t dt =
0
2
4
= 0.
0
Ejemplo 9
En ^ [0, 2 ] encontremos cos t .
2
(cos t , cos t ) = cos 2 t dt
0
cos t =
2
1
sen 2t
= t +
2
2 0
2 (1 + cos 2t )
dt
=
2
0
Los teoremas dados en el mdulo 8 para \ n se extienden a cualquier espacio

vectorial con producto interno.
Definicin 3
{u1 , u 2 ,..., uk } V .
Sea V un espacio vectorial con producto interno y sea
{u1 , u2 ,..., uk }
es un conjunto ortonormal si:
i.
(u i , u j ) = 0 para i j.
ii.
ui = 1.
Si slo se cumple la condicin i se dice que el conjunto es ortogonal.
10.3 ltima forma del problema de la base

Dada una base S = { v1 , v 2 ,...., v k } para un subespacio de un espacio vectorial
con producto interno, hallar una base ortonormal B = {u1 , u 2 ,..., u k } para el
subespacio.
El problema se resuelve aplicando el proceso de Gram-Schmidt, teniendo en cuenta
la definicin particular del producto interno en ese espacio vectorial.
Ejemplo 10
Construyamos una base ortonormal en P2 [1, 1]. Podemos partir de la base
2
estndar {1, x, x } ; como todo polinomio es una funcin continua, P2 [1, 1] es
un subespacio de C [1, 1] y por tanto emplearemos el producto interno definido

en funciones continuas.
Sea u1 =
1
.
1
1 =
130
(1, 1) =
( 1 dx )
1
= ( x 1 )
1
= 2
2.
u1 =
1
2
1 1
v 2 = v 2 ( v 2 , u1 )u1 = x x,
.
2 2
x,
=
2
1 x2
x dx =
= 0.
2
2 2 1
1
1
1
v2 = x.
x
,
u2 =
x
=
x =
( x, x ) =
1
1
x dx
x3 1
=
3 1
2
.
3
3
x.
2
v 3 = v 3 ( v 3 , u1 )u1 ( v 3 , u 2 )u 2
1 1
3 3
= x2 x2 ,
x 2 ,
x
x.
2 2
2 2
2 1
x ,
=
2
2
x ,
3
x =
2
1
1
x2 .
1
1
1
2
dx =
1 x3
=
2 3 1
3
x dx =
2
2
,
3
3 x4
= 0.
2 4 1
Luego
v 3 = x 2
2 1
1
= x2 .
3 2
3
1 2 1 2
1
v3 = x
= x dx
3
3
1
2
3 5 2 1
3 5 ( 3x 1)
u3 =
=
x =
3
3
8
8
8
3 5
5
8
(3 x 2 1).
Por tanto, una base ortonormal en P2 [1, 1] es:

1
B =
,
2
3
x,
2
5 2
(3 x 1) .
8
10.4 Proyeccin ortogonal en espacios vectoriales

Definicin 4
Sea H un subespacio de un espacio V con producto interno y {u1 , u 2 ,..., u k } una
base ortonormal de H. Si v V , entonces la proyeccin ortogonal de v sobre H,
denotada proyH v, est dada por:
proy H v = ( v, u1 ) u1 + ( v, u 2 ) u 2 + .... + ( v, u k ) u k .
Definicin 5
Sea H un subespacio de un espacio V con producto interno. El complemento
ortogonal de H, denotado por H , est dado por:
H = {x V : (x, h) = 0 para todo h H } .

Nota: los teoremas referentes a dim H , teorema de la proyeccin y teorema de
aproximacin de la norma, tienen restricciones cuando V es un espacio de dimensin infinita. Veamos qu sucede en cada caso, cuando V es de dimensin infinita.
Si H es un subespacio de V de dimensin finita k, entonces:
i.
H es un subespacio de V de dimensin infinita.
ii.
Todo vector v V se puede expresar de manera nica como suma de dos
vectores p y q tales que p H y q H ; p ser proy H v pero q no es
proy H v ya que sta no est definida debido a que H tiene dimensin

infinita.
iii.
El teorema de aproximacin de la norma debe tener la restriccin de que H sea

de dimensin finita para poder construir proy H v como la mejor aproximacin del vector v de V al subespacio H.
Ejemplo 11
2
Sea H P3 [0, 1] tal que H = gen {1, x } .
Encontremos una base para H .

Sea p ( x ) = a0 + a1 x + a2 x 2 + a3 x 3 un elemento de H .
Como p ( x) debe ser ortogonal a los vectores de la base de H, entonces
( p ( x ), 1) = 0 y ( p ( x ), x 2 ) = 0.
132

( p( x), 1) =
1
0
(a0 + a1 x + a2 x 2 + a3 x 3 ) dx
1
x2
x3
x4
= a0 x + a1
+ a2
+ a3
2
3
4 0
= a0 +
( p( x), x 2 ) =
1
0
a1 a2 a3
+
+
= 0.
2
3
4
(1)
(a0 x 2 + a1 x3 + a2 x 4 + a3 x5 ) dx
1
= a0
=
x3
x4
x5
x6
+ a1
+ a2
+ a3
3
4
5
6 0
a0 a1 a2 a3
+
+
+
= 0.
3
4
5
6
(2)
Debemos resolver simultneamente las ecuaciones (1) y (2) para determinar la base
de H .
a1 a2 a3
+
+
= 0,
2
3
4
a0 a1 a2 a3
+
+
+
= 0.
3
4
5
6
a0 +
1
1
3
1
1
2
4
1
1
3
5
1
1
operaciones elementales 1 0

6
0 1
4
1
16
15
4
.
1
1
1
a2 + a3 ,
5
4
16
a1 = a2 1a3 ,
15
a2 = 1a2 + 0a3 ,
Luego a0 =
a3 = 0a2 + 1a3 .
15
16
15
Por tanto, los vectores
1
14

1 forman una base para H .
0

1
Escribiendo los vectores como polinomios de P3 , tenemos:
1
1 16
base para H = x + x 2 , x + x3 .
4
5 15
134
Mdulo 10
1.
x1
y1
2
En \ , si x = , y = , sea ( x, y ) = 2 x1 y1 + 2 x2 y2 .
x
2
y2
Demuestre que ( x , y ) es un producto interno.

2.
1
2
Con el producto interno definido en el ejercicio 1, sea x = e y = . Calcule (x, y ) y x .
1
3
3.
Considere una forma de normar el ascenso a una montaa. Los ndices de dificultad son como se muestra:
Categora
ngulo de ascenso
ndice de dificultad
0 < 10
10 < 25
25 < 45
1
2
3
1
2
4
Una norma de dificultad para un viaje de x1 millas en la categora 1, x2 millas en la categora 2 y x3 millas en la categora
2
2
2
3 es ( x1 , x2 , x3 ) = x1 + 2 x2 + 4 x3 , la cual se genera mediante el producto interno
(( x1 , x2 , x3 ), ( y1 , y2 , y3 )) = x1 y1 + 2 x2 y2 + 4 x3 y3 .
De los ascensos siguientes, cul es el ms difcil?

Viaje
4.
Categora 1
Categora 2
Categora 3
T1
T2
T3
(en millas)
Sea Dn el conjunto de matrices diagonales de n n con componentes reales, si A y B Dn ; entonces se define

( A, B) as: ( A, B) = a11b11 + a22 b22 + ... + ann bnn .
Pruebe que Dn es un espacio con producto interno.
5.
Encuentre una base ortonormal para Dn .
6.
Encuentre una base ortonormal para P2 [0, 1] .
7.
En ^ 2 encuentre una base ortonormal comenzando con la base (1, i ), (2 i, 3 + 2i ).
8.
Si A = ( aij ) es una matriz real de n n, la traza de A, que se escribe tr A, es la suma de los componentes de la diagonal
de A : tr A = a11 + a22 + ... + ann . En M nn se define ( A, B) = tr ( ABt ) .
Demuestre que con esta operacin M nn es un espacio con producto interno.
9.
Encuentre una base ortonormal para M 22 .
10.
En P3 [0, 1], sea W el subespacio de P3 con base B = { x, x 2 } . Determine una base ortonormal para W.
136
Captulo 3
Transformaciones
lineales
Mdulo 11
Definiciones, ejemplos y lgebra
de las transformaciones lineales
Ejercicios
Mdulo 11
Un caricaturista emplea computadores y lgebra lineal para transformar la imagen y dar la sensacin
de movimiento a la figura que dibuja. En la figura, la imagen de la izquierda se trasforma en la de
la derecha, haciendo una transformacin que consiste en multiplicar cada punto (vector) de la
figura inicial por una matriz A: (T ( x ) = Ax ).
Mdulo 12
Propiedades de las transformaciones lineales. Ncleo e imagen
Ejercicios
Mdulo 12
Mdulo 13
El problema de la representacin
matricial de las transformaciones lineales
El concepto de funcin es uno de los ms importantes en matemticas. En particular, uno de los objetos principales del lgebra lineal es el anlisis de las funciones
lineales definidas entre espacios vectoriales de dimensin finita. Estas funciones
reciben el nombre de transformaciones lineales y son de gran aplicacin en mltiples problemas de las ciencias fsicas, naturales y sociales y en economa.
Nuestros ejemplos principales van a ser funciones de
das con matrices.
en
que estn asocia-
Como resultado fundamental del captulo vamos a asociar a cada transformacin

lineal definida entre espacios vectoriales de dimensin finita una matriz de transformacin; este hecho lo hemos destacado como el tercer problema bsico del lgebra
lineal.
La asociacin de las transformaciones lineales con sus respectivas matrices de
transformacin nos permite estudiar estas funciones a travs del lgebra matricial.
Ejercicios
Mdulo 13
Mdulo 14
Isomorfismos o transformaciones lineales invertibles
Ejercicios
Mdulo 14
Mdulo 15
Isometras
Ejercicios
Mdulo 15
138
11
Definiciones, ejemplos y lgebra

de las transformaciones lineales
11.1 Definicin y ejemplos de transformaciones lineales
11.2 lgebra de las transformaciones lineales
11.2.1 Suma y producto por un escalar
11.2.2 Composicin de transformaciones lineales
Para una matriz fija Amn , a cualquier vector

n
x de
, le corresponde un vector Ax de
m
. Esta correspondencia definida por el

producto matricial Ax es el principal ejemplo
de una transformacin lineal, cuya definicin
actual se debe al matemtico italiano
Giusseppe Peano (1858-1932).
Objetivos del mdulo

1. Establecer funciones entre espacios vectoriales que preservan las operaciones
de suma y producto por un escalar.
2. Ilustrar las transformaciones lineales en los espacios vectoriales ms usuales:
R n , Pn , M mn y C[a,b] .
3. Aprender el manejo algebraico de las transformaciones lineales.
Preguntas bsicas
1. Qu es una transformacin lineal?
2. Toda funcin lineal es una transformacin lineal?
3. Cualquier transformacin T : R n R m tal que T ( x) = Ax es lineal?
4. Cmo se suman transformaciones lineales?
5. Cmo se realiza la operacin producto por escalar con transformaciones lineales?
6. Son las operaciones de suma y producto por un escalar cerradas en el conjunto
de transformaciones de V en W?
7. Cmo se realiza la composicin de transformaciones lineales?
Introduccin
De los cursos anteriores de matemticas sabemos que una funcin f consta de dos
conjuntos A y B y una regla f ( x) que asigna a cada elemento de A un nico
elemento de B. El conjunto A se llama dominio de f y B codominio de f . Escribimos
f : A B para indicar que f es una funcin del conjunto A en el conjunto B.
Por lo general, se ha trabajado con funciones donde el dominio es el conjunto de

nmeros reales
y el codominio es algn subconjunto de . Un tipo especial de
estas funciones son las llamadas funciones lineales , ya que la grfica de la funcin
es una lnea recta.

Captulo 3: Transformaciones lineales

Queremos destacar dos propiedades que poseen algunas funciones lineales, las
rectas que pasan por el origen, esto es, f :
pendiente de la recta. Veamos que:
, f ( x) = mx, donde m es la
1.
f ( x1 + x2 ) = m( x1 + x2 ) = mx1 + mx2 = f ( x1 ) + f ( x2 ).
2.
f ( x) = m( x) = (mx) = f ( x).
Es decir, la funcin f transforma sumas en sumas y productos por escalares en

productos por escalares. Geomtricamente esto se ve en la siguiente figura:
Nos proponemos hacer una generalizacin algebraica de este tipo de funciones,

donde tanto el dominio como el codominio son espacios vectoriales. A estas funciones las llamamos transformaciones lineales. Mostraremos adems que el conjunto
de las transformaciones lineales de un espacio vectorial V en un espacio vectorial W
es cerrado a la suma y al producto por un escalar. Es decir, el conjunto de transformaciones lineales de V en W tiene estructura de espacio vectorial.
140
Mdulo 11: Definiciones, ejemplos y lgebra de las transformaciones lineales
11.1 Definicin y ejemplos de transformaciones

lineales
Definicin 1
Sean V y W espacios vectoriales y sea T una funcin cuyo dominio es V y cuyo
codominio es W (T : V W ). Se dice que T es una transformacin lineal si:
a.
Para todo x, y elementos de V

T ( x + y ) = T (x) + T ( y ).
b.
Para todo x V y
(o )
T ( x) = T (x).
A las transformaciones lineales tambin se les llama operadores lineales.

Una transformacin lineal es, entonces, una funcin entre dos espacios vectoriales
que preserva las operaciones de espacio vectorial. Es decir, la imagen de la suma
de dos vectores del dominio es la suma de las imgenes de cada uno de los vectores
y la imagen del producto de un vector del dominio por un escalar es el producto de
la imagen del vector por el escalar. Grficamente es como se representa en la figura
11.1.
Escuche la biografa de Giusseppe

Peano en su multimedia de
lgebra Lineal
Figura 11.1
Ejemplo 1
La funcin f : , tal que f (x) = mx analizada en la introduccin, es una
transformacin lineal.

para ilustrar Grfica de una
transformacin lineal

Ejemplo 2
Sea T : tal que T (x) = mx + b, donde m y b son nmeros reales y b 0.
Demostremos que T no es una transformacin lineal.
Solucin
Veamos si se cumple el primer requisito:
T ( x + y ) = m ( x + y ) + b = mx + my + b.
(1)
T (x) + T ( y ) = ( m x + b) + ( my + b) = mx + my + 2b.
(2)
Podemos observar que (1) (2) y, por tanto, no se verifica la condicin a de la

definicin. En consecuencia, T no es lineal.
Las funciones correspondientes a los ejemplos 1 y 2 son lneas rectas. Sin embargo,
la recta dada en el ejemplo 2 no es una transformacin lineal; la diferencia entre ellas
es el trmino constante; en el ejemplo 1, donde el b es cero, hay linealidad; si b 0
como en el ejemplo 2, no hay linealidad. En conclusin, las nicas rectas que representan transformaciones lineales son las rectas que pasan por el origen.
Ejemplo 3
Sea A una matriz m n y T :
T es lineal.
una funcin tal que T (x) = Ax. Veamos que
a.
T (x + y ) = A(x + y ) = Ax + Ay = T (x) + T (y ).
b.
T ( x) = A( x) = ( Ax) = T (x).
De a y b concluimos que T es una transformacin lineal.

A la funcin f A : n
funcin inducida por A.
tal que f A ( x ) = Ax con A una matriz m n se le llama
Ms adelante veremos que no slo T ( x ) = Ax es una transformacin lineal, sino

que toda transformacin lineal entre espacios vectoriales de dimensin finita se
puede representar mediante una matriz.
Ejemplo 4
3 2 1
Sea A =
, T :
1 0 2
x
3
T y =
1
z
142
2
0
tal que
x
1 y es la funcin inducida por A.

2
z
x
3x + 2 y z
T y =
es una transformacin lineal.
x 2 z
z
Ejemplo 5
cos
Sea A =
sen
sen
.
cos
Entonces fA gira el plano

por qu:
alrededor del origen un ngulo (figura 11.2). Veamos
Figura 11.2
x
Sea v = un vector en el plano xy. Supongamos que v se gira un ngulo en
y
x
sentido antihorario. Sea v ' = el vector rotado, el cual no cambia su magnitud al
y
ser transformado, v = v' = r. Entonces
x = r cos ,
x ' = r cos ( + ).
y = r sen ,
y ' = r sen ( + ).
cos
Calculando f A ( v ) = Av = sen
x cos
Av =
xsen
sen
cos
x
y ,

y sen r cos cos

=
y cos r cos sen
r sen sen
+ r sen cos
r cos ( + ) x
=
= = v.
r sen ( + ) y

Ejemplo 6
Un fabricante produce tres artculos diferentes para lo cual requiere dos materias
primas. La tabla 11.1 nos muestra el nmero de unidades de cada materia prima que
se requieren para la elaboracin de cada artculo.
Tabla 11.1
Si se necesita producir cierta cantidad de los artculos A1, A2, A3 debemos preguntarnos: cuntas unidades de las materias primas M1 y M2 se requieren?
a1
Se define un vector de produccin p = a2 , donde a1, a2, a3 denotan las cantidades
a3
que se deben producir de los artculos A1, A2, A3, respectivamente.
m1
Similarmente, definimos m = , donde m1 y m2 denotan las cantidades de las
m2
materias primas M1 y M2 requeridas para la produccin. Luego
m1 = 2a1 + a2 + 2a3 ,
m2 = a1 + 2a2 + 3a3 ,
lo cual en forma matricial lo escribimos como
a1
2 1 2 m1
1 2 3 a2 = m ,
2
a3
o tambin
Ap = m.
La funcin inducida por A es tal que dado un vector de produccin p, lo transforma
en un vector de materia prima m. As que m = T (p).
La ecuacin matricial planteada tiene la forma Ax = b, que es la expresin matricial de
un sistema de ecuaciones lineales, donde A es una matriz m n, x n y b m .
Cuando se trata de resolver el sistema de ecuaciones lineales, debe hallarse x conocidos A y b. En el ejemplo, el enfoque es diferente; ac la ecuacin Ax = b dice: si
se tiene un x de
144
podemos encontar b
tal que b = T (x).

Ejemplo 7
Sea D : Pn Pn 1 tal que para f Pn , D ( f ) = f . Como ( f + g ) = f + g y
( f ) = f , ya que f y g son funciones polinmicas, las cuales son diferenciables,
entonces D es una transformacin lineal y se llama operador diferencial.

Ejemplo 8
Sea L : C[a, b]
definida por L ( f ) =
b
a
f ( x ) dx. Entonces, si f y g estn en
C[a, b] :
a.
b
a
( f + g )( x) dx =
b
a
( f ( x) + g ( x)) dx =
b
a
f ( x) dx + g ( x) dx
a
L( f + g ) = L( f ) + L( g ).
b.
b
a
( f )( x) dx =
b
a
( f ( x)) dx = f ( x) dx
b
L ( f ) = L( f ).
Por tanto, L es lineal y se llama operador integral.

Ejemplo 9
Sean V y W espacios vectoriales y T : V W una transformacin tal que T ( v ) = 0
para todo v que pertenece a V.
Entonces
T ( v1 + v 2 ) = 0 = 0 + 0 = T ( v1 ) + T ( v 2 ) y T ( v ) = 0 = 0 = T ( v).
Luego la transformacin es lineal y se llama transformacin cero.

Ejemplo 10
Sea V un espacio vectorial. Definamos I : V V una transformacin tal que
I ( v ) = v para todo v en V. Es evidente que esta transformacin es lineal y se
denomina transformacin identidad u operador identidad.
Ejemplo 11
Sea T : M mn M nm tal que para A , T ( A) = AT . Como ( A + B )T = AT + BT y
m n
( A) = A , T es lineal y se llama operador de transposicin.

T

Ejemplo 12
Sea T : M 22 M 22 definida por:
a b 1 0 a b
T
=
.
c d 1 2 c d
Veamos que T es una transformacin lineal.
i.
a b e
T
+
c d g
f
a + e b + f
= T
h
c + g d + h
1 0 a + e b + f 1 0 a b
e f
=
+
1 2 c + g d + h 1 2 c d
g h
1 0 a b
1 0 e
=
+
1 2 c d
1 2 g
a b
e f
=T
+ T
.
c d
g h
ii.
a b
a b 1 0 a
T
= T
=
c d
c d 1 2 c
1 0 a b
1
=
1 2 c d
1
f
h
b
d
0 a b
2 c d
a b
= T
.
c d
11.2 lgebra de las transformaciones lineales

11.2.1 Suma y producto por un escalar
Sean T1 y T2 transformaciones lineales del espacio vectorial V en el espacio vectorial
W; entonces
i.
La suma de T1 y T2 est dada por (T1 + T2 ) v = T1 ( v ) + T2 ( v) para todo
v V ; es claro que T1 ( v ) + T2 ( v ) es un elemento de W. Luego la suma es

una transformacin de V en W.
ii.
Sea un escalar; el mltiplo escalar T1 de T1 por es la transformacin
T1 : V W definida por ( T1 )( v ) = (T1 ( v)).
146

Teorema 1
Sean T1 y T2 transformaciones lineales entre los espacios vectoriales V y W;
entonces, T1 + T2 y T1 son transformaciones lineales de V en W.
Demostracin
Sean v1 , v 2 V y sean 1 y 2 . Entonces
(T1 + T2 )( v1 + v 2 ) = T1 ( v1 + v 2 ) + T2 ( v1 + v 2 )
= T1 ( v1 ) + T1 ( v 2 ) + T2 ( v1 ) + T2 ( v 2 )
= (T1 ( v1 ) + T2 ( v1 )) + (T1 ( v 2 ) + T2 ( v 2 ))
= (T1 + T2 )( v1 ) + (T1 + T2 )( v 2 ).
Ahora,
(T1 + T2 )( v1 ) = T1 ( v1 ) + T2 ( v1 )
= T1 ( v1 ) + T2 ( v1 )
= (T1 ( v1 ) + T2 ( v1 ))
= ((T1 + T2 ) v1 ).
Luego T1 + T2 es una transformacin lineal.

La demostracin de que T1 es una transformacin lineal se deja como ejercicio.
11.2.2 Composicin de transformaciones lineales

Sean U, V y W espacios vectoriales, T2 : U V y T1 : V W transformaciones
lineales. La composicin de T1 con T2 es la transformacin T1 o T2 : U W
definida por T1 o T2 ( v ) = T1 (T2 ( v)) para todo v U (figura 11.3).
Figura
11.3

Teorema 2
Sean U, V, W espacios vectoriales, T2 : U V y T1 : V W transformaciones
lineales; entonces, la transformacin T1 o T2 : U W es una transformacin
lineal.
Demostracin
. Entonces
Sean v1 y v 2 elementos de U y
i.
T1 o T2 ( v1 + v 2 ) = T1 (T2 ( v1 + v 2 ))
= T1 (T2 ( v1 ) + T2 ( v 2 ))
= T1 (T2 ( v1 )) + T1 (T2 ( v 2 ))
= T1 o T2 ( v1 ) + T1 o T2 ( v 2 ).
ii.
T1 o T2 ( v1 )
= T1 (T2 ( v1 ))
= T1 ( T2 ( v1 ))
= T1 (T2 ( v1 ))
= (T1 o T2 ( v1 )).
De i y ii concluimos que T1 o T2 es una transformacin lineal.

La composicin T o T suele escribirse T2. En forma semejante, se escribe T3 en
vez de T 2 o T . Tambin se define T 1 como T y T 0 como I, la transformacin
identidad.
Ejemplo 13
Sean T1 : P2 P1 definida por T1 (a + bx + cx 2 ) = b + cx, T2 : P2 P1 definida
por T2 ( a + bx + cx 2 ) = c ax. Evale T1 + T2 y 5T1 .
(T1 + T2 )(a + bx + cx 2 ) = T1 (a + bx + cx 2 ) + T2 (a + bx + cx 2 )
= (b + cx) + (c ax)
= (b + c) + (c a ) x.
(5 T1 )(a + bx + cx 2 ) = 5 (T1 (a + bx + cx 2 ))
= 5 (b + cx) = 5b + 5cx.
148

Ejemplo 14
Sean T2 :
y T1 :
x+ y
x
T2 = x y
y

2x
transformaciones lineales definidas por:
x y
x
x+ y

T1 y =
.
x+ z
z

2z
2
x
Determine T1 o T2 , T1 o T2 .
4
y
8
6

2
4
2

T1 o T2 = T1 T2 = T1 2 =
10
4
4
4

8
x+ yx+ y
x+ y
x
x+ y+ x y
x
T1 o T2 = T1 T2 = T1 x y =
x + y + 2x
y
y
2x
4x
y
2
x
2
.
=
3x + y
4x
Mdulo 11
En los ejercicios 1 a 4 determine cules de las siguientes transformaciones T :
1.
T ( x, y) = 3x + y.
2.
T ( x, y ) = x 2 y.
3.
T ( x, y) = y.
4.
T ( x, y) = 2.
En los ejercicios 5 a 8 determine cules de las siguientes transformaciones T :

5.
T ( x, y) = ( x, 0).
6.
T ( x, y) = (1, y).
7.
T ( x, y ) = ( x 2 , y 2 ).
8.
T ( x, y) = ( xy, x + y).
son lineales.
son lineales.
En los ejercicios 9 a 11 determine cules de las siguientes transformaciones T : P

2 P
3 son lineales.
9.
T (a0 + a1 x + a2 x 2 ) = a0 + a1 x 2 + a2 x3 .
10.
T (a0 + a1 x + a2 x 2 ) = (a0 + a1 ) x (2a1 + a2 ) x 3 .
11.
T (a0 + a1 x + a2 x 2 ) = a1a2 + 3a0 a2 x 2 x3 .
Determine si las transformaciones dadas en los ejercicios 12 a 20 son lineales.
12.
T : M 22
a b
dada por T
= ad bc.
c d
13.
T : M 22
a b
dada por T
= a + b + c + d.
c d
14.
T : M nn
dada por T ( A) = a11 + a22 + ... + ann .
15.
T : M nn
dada por T ( A ) = a11 a 22 ... a nn .
16.
T : M nn
dada por T ( A) = det A.
17.
T:
dada por T ( x1 , x2 ,..., xn ) = a1 x1 + a2 x2 + ... + an xn , con a1, a2 ,..., an constantes dadas.
18.
T : C [0, 1]
dada por T ( f ( x)) = f ( x 1).
19.
T : C [0, 1]
dada por T ( f ( x)) = f ( x) + 1.
20.
T : C [0, 1]
dada por T ( f ) = f (1).
En los ejercicios 21 y 22 se describe geomtricamente una transformacin T :

macin y muestre que es lineal.
. Defina analticamente la transfor-
21.
Figura 1
Figura 2
22.
Figura 3
Figura 4
23.
Sea B una matriz cuadrada de orden n. Considere la transformacin T : M nn M nn dada por T ( A) = AB BA

(B es una matriz fija de orden n). Demuestre que T es una transformacin lineal.
24.
Si T : V W es una transformacin lineal, demuestre que T tambin es una transformacin lineal de V en W.
25.
Sean T1 y T2 transformaciones lineales de

a.
(T1 + T2 )(x).
b.
(T1 T2 )(x).
dadas por T1 (x) = Ax y T2 (x) = Bx. Determine:
Ejer
cicios del mdulo 11
Ejercicios
26.
Sean T1 y T2 transformaciones lineales de
x
x y + z
T1 y =
x + y
z
en
dadas por:
x
x + y
.
T2 y =
2 x y z
Calcule T1 + T2 , 4T1.
27.
Sean T1 :
x
x y + z
tal que T y =
y T2 :
x + 2 z
x+ y
x
tal que T2 = x 4 y .
y
x y
Determine (T1 T2 ) y (T2 T1 ).
152
12
Propiedades de las
transformaciones lineales.
Ncleo e imagen
El ncleo y la imagen de una transformacin

lineal nos muestran los ceros de la
transformacin y el conjunto de valores que
ella toma.
12.1 Propiedades de las transformaciones lineales

12.2 Ncleo e imagen de una transformacin lineal
Objetivos del mdulo

1. Estudiar las propiedades de las transformaciones lineales.
2. Determinar para cada transformacin lineal dos subespacios: uno en el dominio,
llamado ncleo, y otro en el codominio, llamado imagen.
Preguntas bsicas
Sea T : V W una transformacin lineal:
1. Cmo se transforma el cero de V?
2. Cmo se calcula la transformacin de una combinacin lineal de vectores de V?
3. Si {v1, v2 ,..., vn} es una base de V, cmo se calcula T ( v) para cualquier v V ?
4. Cmo se determina el ncleo de T?
5. Cmo se determina la imagen de T?
6. Qu son la nulidad y el rango en una transformacin lineal?
Introduccin
Cuando establecemos una funcin entre dos conjuntos nos interesa saber qu
caractersticas particulares tiene, cules son los ceros de la funcin y cul es el
conjunto de valores que ella toma. En esta seccin estudiaremos estas propiedades
para las transformaciones lineales.

12.1 Propiedades de las transformaciones lineales

Teorema 1
Sea T : V W una transformacin lineal; entonces
a.
T (0) = 0.
b.
T (x y ) = T (x) T (y ) para todo x, y en V.
c.
T (1 v1 + 2 v 2 + ... + n v n ) = 1 T ( v1 ) + 2 T ( v 2 ) + ... + n T ( v n ), siendo
{1 , 2 ,..., n }
y { v1 , v1 ,..., vn } conjuntos cualesquiera de escalares y ele-
mentos de V, respectivamente.
Demostracin
a.
T (0) = T (0x) = 0 T (x) = 0.
b.
T (x y ) = T (x + (1) y ) = T (x) + T ((1) y )

= T (x) + (1) T (y ) = T (x) T (y ).
c.
Razonemos por induccin sobre n:

Si n = 2, T (1 v1 + 2 v 2 ) = T (1 v1 ) + T ( 2 v 2 )
= 1 T ( v1 ) + 2 T ( v 2 ).
Supongamos que la proposicin se cumple para n = k y veamos que se
verifica para n = k + 1.
T (1 v1 + 2 v 2 + ... + k v k + k +1 v k +1 ) =
T ((1 v1 + 2 v 2 + ... + k v k ) + k +1 v k +1 ) =
T (1 v1 + 2 v 2 + ... + k v k ) + T ( k +1 v k +1 ) =
1 T ( v1 ) + 2 T ( v 2 ) + ... + k T ( v k ) + k +1 T ( v k +1 ),
aplicando la suposicin establecida y el hecho de que la transformacin es
lineal.
Observacin
Es importante notar que en la parte a del teorema anterior, el cero del lado izquierdo
de la igualdad es el cero de V y el del lado derecho es el de W. Adems la parte c del
teorema es una generalizacin de las partes a y b.
En general, cuando se define una funcin de V en W, sta se especifica mediante una
regla que asigna a cada elemento de V un nico elemento de W, ya que sera imposible decir para cada uno de los elementos de V cul es el asignado en W debido a que
se trata de la asignacin de una infinidad de elementos. Sin embargo, cuando se
trata de una transformacin lineal, es posible saber cmo est definida T en todo el
espacio vectorial V, conociendo lo que hace T a una base de V. As que en un espacio
de dimensin finita, es posible describir T proporcionando slo las imgenes de un
conjunto finito de vectores.
154
Mdulo 12: Propiedades de las transformaciones lineales. Ncleo e imagen

Teorema 2
Sea T : V W una transformacin lineal de un espacio vectorial V de dimensin n
en un espacio vectorial W. Sea B = { v1 , v1 ,..., vn } una base para V; entonces, para
v V, T (v) est completamente determinada por { T ( v1 ), T (v2 ),..., T (vn )} .
Demostracin
Sea v V, v = 1 v1 + 2 v 2 + ... + n v n con i , i = 1, 2,..., n.
T ( v ) = T (1 v1 + 2 v 2 + ... + n v n ), y por el teorema 1c,
T ( v ) = 1 T ( v1 ) + 2 T ( v 2 ) + ... + n T ( v n ).
Ejemplo 1
Sea T :
una transformacin lineal tal que:
1
0
1
2
T = 0 y T = 2 .
2 2
1 1

1
2
2
, luego la transformacin est
Los vectores 2 y 1 forman una base de

completamente determinada en todo el espacio vectorial.
x
Veamos cmo est dada T .
y
x
1
2 1 2
= C1 + C2 ;
y
2
1 2 1
=
1
x operaciones elementales
y
0
0
1
2y x
3
2x y
3
2y x 1
2x y 2
+
.
3 2
3 1
x
2 y x 1 2x y 2
T =
T +
T
y
3 2 3 1

1
0
2 y x 2x y 1
=
0 +
2 =
3 3 3
2
1
x 2y
4x 2 y .
4 x + 5 y

En particular,
2
0 1
T = 2 .
1 3
5
Teorema 3
Sea V un espacio vectorial de dimensin finita con base B = { v 1 , v 2 , ..., v n } y
sean w1 , w2 ,..., wn n vectores en un espacio vectorial W. Entonces existe una nica
transformacin lineal T : V W tal que T (vi ) = wi para i = 1, 2, ..., n.
La demostracin de este teorema se deja como ejercicio.
12.2 Ncleo e imagen de una transformacin lineal

Definicin 1
Sean V y W espacios vectoriales y T : V W una transformacin lineal; entonces:
a.
El ncleo de T, denotado nu T, est dado por nu T = { v V / T (v) = 0} .
b.
La imagen de T, denotada imagen T, est dada por:

imagen T = {w W / w = T ( v ), para algn v V } .
Teorema 4
Si T : V W es una transformacin lineal, entonces:
a.
El ncleo de T es un subespacio de V.
b.
La imagen de T es un subespacio de W.
Demostracin (figura 12.1)

a.
nuT ya que T (0) = 0.

Sean x, y elementos de nu T; entonces, T (x) = 0 y T (y) = 0,
T (x + y ) = T (x) + T (y ) = 0 + 0 = 0, luego (x + y ) nu T .
Ahora, T ( x) = T (x) = 0 = 0. Por tanto, x nu T .

En consecuencia, nu T es un subespacio de V.
b.
156
Sean w1 y w2 elementos de imagen T, luego existen v1 y v2 elementos de V

tales que T (v1) = w1 y T (v2) = w2; entonces, T (v1 + v2 ) = T (v1) + T (v2) =
w1 + w2.

Por tanto, (w1 + w2 ) imagen T.
Adems, w1 = T ( v1 ) = T ( v1 ), es decir, w1 imagen T y, en consecuencia, imagen T es un subespacio de W.
Figura
12.1
Definicin 2
Sea T una transfomacin lineal de V en W; entonces:
a.
La dimensin del ncleo de T, denotada (T ) , se denomina nulidad de T.
b.
La dimensin de la imagen T, denotada (T ) , se denomina rango de T.
Ejemplo 2
3
Sea T :
dada por:
x
x + 2y + z
T y =
.
z x + 3y + z

Determine nu T, imagen T, (T ) y (T ).
Solucin
Para hallar el conjunto de vectores (x, y, z) de
debemos resolver el sistema homogneo
tales que T (x, y, z) = (0, 0),
x + 2y + z = 0
x + 3y + z = 0
1 2 1 operaciones elementales 1 0 1/ 5
1 3 1
0 1 2 / 5
x = 1/ 5 z
y = 2 / 5 z
z=z
si z = 5, x = 1, y = 2 .

1

Luego una base para nu T = 2 y nu T = gen
5

1

2 .
5

La dimensin de nu T es 1; (T ) = 1 .
a
Sea
b
a
tal que imagen T, luego
b
a x + 2y + z
=
b x + 3y + z
1
1
1
a operaciones elementales
b
0
3a 2b
5
a+b
5
3a 2b 1
z
5
5
a+b 2
y=
z
5
5
z=z
x=
1
(3a 2b z ),
5
1
y = (a + b 2 z ),
5
z = z.
x=
a
As que para cualquier elemento de
b
3
x

y
se puede encontrar una terna de
z

dando a z cualquier valor y determinando x e y como se indica en la solucin del
sistema. Luego imagen T =
y (T ) = 2.
Una forma de ver la accin de una transformacin lineal consiste en hallar las imgenes determinadas por T sobre figuras geomtricas tales como polgonos o crculos.
Ejemplo 3
x 1 1 x
Sea T definida por T =
. Halle la imagen debida a T, del cuadrado
y 2 0 y
de vrtices (0, 0), (0, 1), (1, 0), (1, 1).
Solucin
Se hallan las transformaciones de los vrtices. Como los lados del cuadrado son
segmentos de recta, la imagen del cuadrado resulta de unir las imgenes de los
vrtices mediante segmentos de recta.
158

0 0
0 1
1 1
1 0
T = , T = , T = , T = .
0 0
1 0
0 2
1 2
Grficamente podemos ilustrar esto as (figura 12.2):
Figura 12.2
Ejemplo 4
Muestre que T :
y =
z
definida por:
a 0 0 x
0 b 0 y a, b, c > 0,

0 0 c z
transforma la esfera x 2 + y 2 + z 2 = R 2 en un elipsoide.

Solucin
x
ax
x '

T y = by = y '
z
cz
z'

(ax ) 2 (by ) 2 (cz ) 2

+
+ 2 = x2 + y 2 + z 2 = R2 .
a2
b2
c
Al dividir entre R 2 se obtiene

x '2
y '2
z '2
+
+
= 1,
2
2
( aR )
(bR )
(cR ) 2
que es la ecuacin del elipsoide que se ilustra en la figura 12.3:
Figura
12.3
Ejemplo 5
Sea T : M nn M nn tal que T (A) = AT + A. Pruebe que T es una transformacin
lineal y determine ncleo e imagen.
Solucin
T es lineal ya que:
T ( A + B ) = ( A + B )T + ( A + B )
= AT + BT + A + B = ( AT + A) + ( BT + B ) = T ( A) + T ( B ).
T ( A) = ( A)T + A = AT + A = ( AT + A) = T ( A).
Determinemos el ncleo de T.
nu T = A : AT + A = 0( n n )
n n
AT + A = 0( n n ) AT = A.
Por tanto, nu T = A : A es una matriz antisimtrica .

n n
La imagen T est dada por:

imagen T =
{ C : C = A + A}.
T
nn
Veamos qu conjunto constituye la imagen T.

C T = ( AT + A)T = ( AT )T + AT = A + AT = AT + A = C .
Esto es, imagen T = nC n : C es una matriz simtrica .
160
Mdulo 12
En los ejercicios 1 a 7 encuentre ncleo, imagen, rango y nulidad de la transforrmacin lineal dada:
x x + y
T =
.
y x y
x+ y
x
T = 5x + 5 y .
y x y
x x + y
T y = x + z .
z y + z
T:
T:
3.
T:
4.
2
3
2
T : P
3 P2 , T ( a0 + a1 x + a2 x + a3 x ) = a0 + a1 + a2 x + a3 x .
5.
T : P2 P3 , T ( p) = xp.
6.
T : M 33 , T ( A) = tr A.
7.
T : C [0, 1] , T ( f ) = f (1).
8.
Sea D : P P (P es el espacio vectorial de todos los polinomios) dada por D( p) = p ' (la derivada del polinomio
p). Describa el ncleo de D.
9.
Sea T : 2 2 la transformacin lineal tal que T (1, 1) = (0, 0) y T (0, 1) = (1, 1). Demuestre que tanto el ncleo
como la imagen de T son rectas en el plano xy que pasan por el origen. Encuentre las ecuaciones de estas rectas.
10.
Sea T :
1.
2.
una transformacin lineal tal que T (1, 1, 0) = T (0, 2, 1) = (0, 0) y T (1, 2, 4) = v 0. Demuestre
que el ncleo de T es un plano en

11.
que pasa por el origen. Encuentre su ecuacin.
Sea T : n m la transformacin lineal T (X) = AX, donde A es una matriz m n. Qu relacin guardan el ncleo
de T y el espacio solucin del sistema homogneo de ecuaciones lineales AX = 0?
Captulo 3: Transformaciones
lgebra Lineal Elementallineales
y Aplicaciones 161
12.
0 1
Sea T : M 22 M 2 2 la transformacin lineal T ( A) = AB BA en donde B =
. Describa el ncleo de T.
0 0
13.
Encuentre una transformacin lineal T de
14.
Demuestre el teorema 3.
15.
Muestre que T :
tal que nu T = {( x, y, z ) : 2 x y + z = 0} .
x 2 0 x1
2
2
, definida por T 1 =
x , transforma el crculo unitario x1 + x2 = 1 en una
x
0
3
2
2
elipse.
Ejer
cicios del mdulo 12
Ejercicios
162
13
El problema de la representacin
matricial de las transformaciones
lineales
Podemos estudiar las transformaciones

lineales a travs de sus matrices de
transformacin.
13.1 Tercer problema bsico del lgebra lineal

13.2 Matrices similares y cambio de base
Objetivos del mdulo

1. Hallar una matriz Am n que represente la transformacin lineal T : V W , con
dimV = n y dimW = m .
2. Establecer la relacin existente entre diferentes representaciones matriciales de
una transformacin lineal.
3. Mostrar las principales caractersticas de las matrices similares o semejantes.
4. Estudiar las transformaciones lineales a travs de sus matrices de transformacin.
Preguntas bsicas
1. Cmo est formada la matriz de una transformacin lineal referida a un par de
bases?
2. Si AT es la matriz de una transformacin referida a un par de bases B1 y B2 ,
cmo se obtiene (T (x))B2 ?
3. Qu procedimiento se sigue para hallar la matriz de una transformacin lineal
T : V W referida a las bases B1 y B2 de V y W, respectivamente?
4. Si A y B son representaciones matriciales de la transformacin lineal T, qu
relacin hay entre A y B?
5. Qu propiedades tienen las matrices similares?
Introduccin
En el ejemplo 3 del mdulo 11 vimos que una matriz mAn induce una transformacin
lineal de n en m dada por T (x) = Ax . Cuando T tiene esta forma, el ncleo
de T es el ncleo de A, y la imagen de T, formada por los vectores y = Ax para algn


x n , ser el espacio columna de A, ya que y es una combinacin lineal de las
columnas de A. Estas coincidencias entre el ncleo y la imagen de T con el ncleo y el
espacio columna de A permiten estudiar la transformacin a travs de la matriz A.
En esta seccin veremos que cualquier transformacin lineal definida entre espacios vectoriales de dimensin finita se puede expresar en la forma T (x) = Ax,
donde A es la matriz que representa la transformacin.
164
Mdulo 13: El problema de la representacin matricial de las transformaciones lineales
13.1 TTer
er
cer problema bsico del lgebra lineal
ercer
Dada una transformacin T : V W , con dim V = n y dim W = m, hallar una
matriz A de m n que represente a T.
Resolveremos primero el problema para T : n m y luego lo extenderemos a
espacios V y W de dimensiones n y m, respectivamente.
Teorema 1
Sea T :
una transformacin lineal; entonces, existe una nica matriz A
de m n tal que T (x) = Ax, para x en

c1
c
Sea x = 2 un vector de

cn
; entonces
x = c1 e1 + c2 e 2 + ... + cn en ,
de modo que:
T (x) = c1 T (e1 ) + c2 T (e 2 ) + ... + cn T (e n ).
(1)
Si A es la matriz cuya j-sima columna es T (e j ) con j = 1, ..., n, entonces:

c1
c
Ax = [T (e1 ) T (e 2 ).. . T (e n )] 2

cn
= c1 T (e1 ) + c2 T (e 2 ) + ... + cn T (en ) = T ( x).
(2)
De (1) y (2) tenemos que

T ( x) = A x .
Ahora mostraremos que T es nica. Suponga que Bm n tambin cumple que

T (x) = B x para x
0
0

Si x = ei = ,
1

0


T (ei ) = A ei = Coli ( A)
= B ei = Coli ( B )
luego las columnas de A y B coinciden, por lo cual A = B.

La matriz A = [T (e1 ) T (e 2 ).. . T (e n )] es la matriz de la transformacin referida a la
base estndar o cannica.
Ejemplo 1
Sea T =
una transformacin lineal definida por:
x
x+ y
T y =
.
z y 2z

Encontremos la matriz A que representa la transformacin referida a las bases estndar
1
1 + 0 1
T (e1 ) = T 0 =
= = Col1 ( A),
0 0 2.0 0

0
0 + 1 1
T (e 2 ) = T 1 =
= = Col2 ( A),
0 1 2.0 1

0
0+0 0
T (e 3 ) = T 0 =
= = Col3 ( A).
1 0 2.1 2

Por tanto,
1 1 0
A=
.
0 1 2
As que:
x
1 1 0
T y =
z 0 1 2

x
y = x + y .
y 2z

Teorema 2
Sea T : V W una transformacin lineal de un espacio vectorial V de dimensin
n en un espacio vectorial W de dimensin m y sean B1 = { v1 , v2 ,..., vn } y
B2 = {w1 , w2 ,..., wm } bases de V y W respectivamente; entonces, existe una nica

matriz AT mn tal que:
166
(T (x)) B2 = AT (x) B1 .
Demostracin
c1
c
2
Si x V , x = c1 v1 + c2 v 2 + ... + cn v n , o sea que (x) B1 = .

cn
Sean: T ( v1 ) = y 1 , T ( v 2 ) = y 2 ,..., T ( v n ) = y n y
AT = [(y1 ) B2 (y 2 ) B2 ... (y n ) B2 ].
Ahora,
( v1 ) B1
1
0

0
0
=
,..., ( v n ) B1 = .

0
1
Entonces,
AT ( v i ) B1 = (y i ) B2 ,
AT (x) B1
c1
c
= [(y 1 ) B2 (y 2 ) B2 ... (y n ) B2 ] 2

cn
= c1 (y1 ) B2 + c2 (y 2 ) B2 + ... + cn (y n ) B2 .
(1)
De otro lado,
T (x) = T (c1 v1 + c2 v 2 + ... + cn v n )
= c1 T ( v1 ) + c2 T ( v 2 ) + ... + cn T ( v n )
= c1 y1 + c2 y 2 + ... + cn y n ,
de manera que
[T (x)]B2 = c1 (y1 ) B2 + c2 (y 2 ) B2 + ... + cn (y n ) B2 .
(2)
De (1) y (2) concluimos que:
[T (x)]B2 = AT (x) B1 .
La unicidad de la matriz AT se demuestra igual que en el teorema 1.

Definicin 1
B1 = { v1 , v2 ,..., vn }
Sean V y W espacios vectoriales con bases
B2 = {w1 , w2 ,..., wm } , respectivamente, y T : V W una transformacin lineal tal

que [T (x)]B2 = AT (x)B1 . A la matriz AT la denominamos matriz de la transformacin referida a B1 y B2 o representacin matricial de T con respecto a B1 y B2 .
La solucin al tercer problema bsico del lgebra lineal est dada en el procedimiento desarrollado en la prueba del teorema 2.
Procedimiento para hallar la matriz de una transformacin lineal T : V W

referida a las bases B1 de V y B2 de W
Sean: B1 = { v1 , v2 ,..., vn } y B2 = {w1 , w2 ,..., wm } .
Paso 1.
Encontrar T ( v1 ), T ( v 2 )...T ( v n ).
Paso 2.
Expresar T ( v1 ), T ( v 2 )...T ( v n ) en B2 .
Para ello hacemos lo siguiente:
[ w1 , w 2 ,...w m
T ( v1 ) T ( v 2 ),..., T ( v n )]
(T ( v1 )) B2 (T ( v 2 )) B2 ... (T ( v n )) B2 .
La matriz AT = [(T ( v1 )) B2 (T ( v 2 )) B2 ... (T ( v n )) B2 ].
Paso 3.
Figura 13.1
La figura 13.1 proporciona una interpretacin grfica de la ecuacin
(T (x)) B2 = AT (x) B1 , donde se muestra que las transformaciones lineales

podemos trabajarlas con matrices.
Ejemplo 2
Sea T :
la transformacin lineal definida en el ejemplo 1 y sean:
B1 = { v1 , v 2 , v 3 } y B2 = {w1 , w 2 } bases de
1
v1 = 0 ,
1
168
0
v 2 = 1 ,
1
1
v 3 = 1 ,
1
1
w1 = ,
2
, respectivamente, con
2
w2 = .
0

Determinemos la matriz de T con respecto a B1 y B2 .
Solucin
1
T ( v1 ) = ,
2
1
T (v2 ) = ,
1
2
T ( v3 ) = .
1
Ahora expresemos estos vectores en B2:
1
1
2
T ( v1 ) = = a1w1 + a2 w 2 = a1 + a2 ,
2
2

0
1
1
2
T ( v 2 ) = = b1w1 + b2 w 2 = b1 + b2 ,
1
2
0
2
1
2
T ( v 3 ) = = c1w1 + c2 w 2 = c1 + c2 .
1
2
0
Es decir, resolvemos tres sistemas lineales cuya matriz de coeficientes es la misma,
los vectores de la base B2 . Entonces formamos la matriz:
1 2
1 2 1
2 0 2 1 1
1 0 1
0 1
1
1
3
1
5
Luego la matriz AT de T con respecto a B1 y B2 es:

1
1
1
3
1
5
, y
1
(T (x)) B2 =
1
1
3
1
5
(x) B1 .
1
Ahora, si x = 2 ,
3
1
1
1 1 0
3
T 2 =
2 = ,
0 1 2 3
4
3

empleando la matriz de la transformacin referida a las bases estndar, encontrada
en el ejemplo 1.
Expresemos x en la base B1
1 0 1 1
0 1 1 2
1 1 1 3
(T (x)) B2
1
=
1
1
3
1
5
1 0 0 1
0 1 0 2 .
0 0 1 0
1
2
2 = 5 .
0 2

Entonces,
1
T ( x) = 2 +
2
2 3
0 = 4 ,

lo cual coincide con el valor encontrado utilizando la matriz de T referida a las bases
estndar.
Las matrices halladas en los ejemplos 1 y 2 son diferentes, aunque T es la misma en
ambos casos. Ms adelante veremos que estas dos matrices estn vinculadas por
una relacin de semejanza o similaridad.
Ejemplo 3
Sea T : P2 P1 , tal que T (1) = 6, T ( x ) = x y T ( x 2 ) = x + 1. Determine:
a.
La matriz de T con respecto a las bases estndar en P2 y P1 .
b.
2
2
2
La matriz de T con respecto a las bases B1 = {1 + x , x + x , 1 + x + x } y
B2 = {1 + x, 2 x} de P2 y P1 , respectivamente.
c.
Si P ( x ) = 2 + 3 x + x 2 , calcule T ( P ( x)) utilizando las matrices halladas

en a y b.
Solucin
a.
Expresemos las transformaciones de 1, x y x 2 como vectores coordenados

de P1 .
6
0
1
T (1) = , T ( x) = , T ( x 2 ) = ,
0
1
1
luego
6 0 1
CT =
.
0 1 1
T (a0 + a1 x + a2 x 2 ) = a0T (1) + a1T ( x) + a2T ( x 2 )

6
0
1
= a0 + a1 + a2
0
1

1
170
6 a + a2
= 0
a1 + a2
= 6a0 + a2 + (a1 + a2 ) x.
b.
Hallemos las transformaciones de los vectores de B1 .

T (1 + x 2 ) = 6(1) + 1 + (0 + 1) x = 7 + x,
T ( x + x 2 ) = 6(0) + 1 + (1 + 1) x = 1 + 2 x,
T (1 + x + x 2 ) = 6(1) + 1 + (1 + 1) x = 7 + 2 x.
Ahora expresemos estas transformaciones en B2 .

1 2 7 1 7
1 1 1 2 2
1 0 3
0 1 2
.
3
11
5
Entonces la matriz de T con respecto a B1 y B2 es:

3
AT =
2
c.
.
3
11
5
Si P( x) = 2 + 3x + x 2 ,
2
P = 3 ,
1
T ( P ( x)) = A( P ( x))
2
6 0 1
13
=
3 =
0 1 1 1
4

= 13 + 4 x.
Ahora expresemos ( P( x)) B1
1 0 1 2
0 1 1 3
1 1 1 1
(T ( P( x))) B2
3
=
2
1 0 0 2
2
0 1 0 1 , ( P( x)) = 1 ,
B1

0 0 1 4
4
2
7
1 = ,
5
3
3
4
11
T ( p ( x)) = 7(1 + x) + 3(2 x) = 13 + 4 x.

Teorema 3
Sean V y W espacios vectoriales de dimensin finita con dim V = n y T : V W
Escuche la biografa de Benoit
Mandelbrot en su multimedia de
lgebra Lineal
una transformacin lineal con representacin matricial AT ; entonces

i.
ii.
iii.
(T ) = ( AT ).
(T ) = ( AT ).
(T ) + (T ) = n.

El siguiente teorema muestra otra forma de calcular la matriz de una transformacin
lineal. Aplicando este mtodo la matriz se obtiene como un producto de tres matrices.
Teorema 4
Sean V y W espacios vectoriales de dimensiones n y m, respectivamente, y
T : V W una transformacin lineal.
Si C es la matriz de la transformacin con respecto a las bases cannicas S n y Sm
de V y W, respectivamente, P1 la matriz de transicin de B1 a Sn en V, P2 la matriz
de transicin de B2 a Sm en W y AT la matriz de la transformacin con respecto a
B1 y B2 , entonces
AT = P21 C P1 .
Figura 13.2

Sea (x) B1 ; entonces, P1 (x) B1 = (x) Sn , C (x) Sn = (T (x)) Sm .
Ahora, como P2 hace la transicin de B2 a Sm, P21 hace la transicin de Sm a B2.
1
Luego (T (x)) B2 = P2 (T (x)) Sm , y reemplazando
172

= P21 C P1 (x) B1 .
Como la matriz de transformacin de B1 a B2 es nica,

AT = P21 C P1 .
Ejemplo 4
En la transformacin T : P2 P1 tal que T (1) = 6, T ( x) = x y T ( x 2 ) = x + 1
planteada en el ejemplo 3 encontramos:
6 0 1
CT =
la matriz de la transformacin referida a las bases estndar,
0 1 1
3
AT =
2
la matriz de T con respecto a B1 y B2 ,

3
11
5
2
2
2
con B1 = {1 + x , x + x , 1 + x + x } y B2 = {1 + x, 2 x} . Hallemos ahora AT
empleando el producto matricial establecido en el teorema 4 (figura 13.3).
Figura
13.3
1 1 2
1 1 2
=
P21 =
,
3 1 1
3 1 1
AT
1 0 1
3
1 1 2 6 0 1
0 1 1 =
=
3 1 1 0 1 1
2
1 1 1
.
3
11
5
Vea la animacin Fractales

en su multimedia de lgebra
Lineal
13.2 Matrices similares y cambio de base

Al construir una representacin matricial A para una transformacin T podemos
analizar T trabajando con A. Tendremos una ventaja en este hecho si A es una matriz
sencilla, esto es, que simplifique la manipulacin algebraica. Como bases diferentes dan por resultado matrices diferentes, la eleccin correcta de una base para
obtener una matriz A sencilla es importante.
Ejemplo 5
Sea T =
x 2 x 2 y
definida por T =
.
y 5 x + y
La matriz de T referida a la base estndar se obtiene as:

1 2
0
2
T = y T = ,
0
5
1

1
entonces
2 2
CT =
.
5 1
1
Sea B1 = ,
1
2
5 otra base para

y obtengamos la matriz de T referida a la
base B1 .
1 2
AT = T T ,
1 B1 5 B1
1 4
T = ,
1 4
2
6
T =
.
5
15
Expresemos estas transformaciones en B1:

6
1 2 4
1 5 4 15 operaciones elementales
1 0 4 0
.
0 1
0 3
La matriz de T referida a B1 es
4 0
AT =
.
0 3
Por el lgebra matricial sabemos que, en ciertas operaciones, los clculos son ms
fciles si las matrices son diagonales, por ejemplo: hallar inversas, calcular determinantes, hacer potencias. Estas consideraciones son relevantes cuando se trabaja
con matrices de gran tamao.
174

No es evidente cul es la base que debemos escoger para que AT sea una matriz
diagonal. Este problema lo resolveremos cuando abordemos el problema de la
diagonalizacin en el siguiente captulo.
La pregunta que podemos resolver en este momento es la siguiente: qu relacin
existe entre las diferentes representaciones matriciales de una transformacin lineal
dada? Vemoslo para el caso en que la transformacin lineal est definida de V en V.
Teorema 5
Sea T : V V una transformacin lineal con matriz AT respecto a una base B1
y matriz BT respecto a una base B2 . Si P es la matriz de transicin de la base B2 a
la base B1 , entonces:
BT = P 1 AT P .
Figura
13.4
(x) B1 = P (x) B2 ,
(T (x)) B1 = AT (x) B2 = AT P (x) B2 ,
(T (x)) B2 = P 1 (T (x)) B1 = P 1 AT P (x) B2 .
Como BT es la matriz de la transformacin respecto a la base B2 , entonces:

BT = P 1 AT P.
Definicin 2
Dos matrices A y B de n n son similares o semejantes si existe una matriz invertible
P tal que B = P 1 A P.

Del teorema 5 y la definicin 2 podemos establecer la siguiente proposicin: sea
T : V V una transformacin lineal. Dos matrices cualesquiera que representen
a T son similares.
Teorema 6
Sean A, B y C matrices similares de n n. Entonces:
a.
A es similar a A.
b.
Si A es similar a B, entonces B es similar a A.
c.
Si A es similar a B y B es similar a C, entonces A es similar a C.
d.
Si A es similar a B, entonces det A = det B.
e.
Si A es similar a B, entonces Am es similar a B m para cualquier entero positivo m.
f.
Si A es similar a B, entonces A es invertible si y slo si B es invertible. En ese

caso A 1 es similar a B 1 .
Demostracin
a.
Como A = I A I = I 1 A I , A es similar a A.
b.
Si A es similar a B, B = P 1 A P, luego
P B P 1 = P ( P 1 A P ) P 1 = ( PP 1 ) A ( PP 1 ) = A,
y entonces
A = ( P 1 ) 1 B ( P 1 )
y, por tanto, B es similar a A.

d.
Si A es similar a B, B = P 1 A P , entonces
det B = det ( P 1 A P) = det P 1 det A det P = det( P 1 P ) det A
= det I det A = det A.
e.
Si A es similar a B, entonces B = P 1 A P.
B 2 = ( P 1 A P )( P 1 A P) = P 1 A( PP 1 ) A P = P 1 A I A P
= P 1 A2 P.
Luego A 2 es similar a B 2 .
176

Aplicando induccin, supngase que A k es similar a B k , esto es, B k = P 1 Ak P
y veamos que la propiedad se cumple para k + 1, o sea: B k + 1 = P 1 Ak + 1 P.
B k + 1 = B k B = ( P 1 Ak P ) B = ( P 1 Ak P)( P 1 A P)
= P 1 Ak ( PP 1 ) A P = P 1 Ak I A P = P 1 Ak + 1 P.
Luego Ak + 1 es similar a B k + 1 y la proposicin queda demostrada para todo entero

positivo m.
Las partes c y f se dejan como ejercicio.
Mdulo 13
1.
Sea T :
definida como T ( x, y ) = ( x 2 y, x + 2 y ) . Sean B1 la base estndar de
y B2 = {(1, 1), (0, 1)} .
Determine la matriz que representa a T con respecto a:
2.
a.
B1
b.
B1 y B2
c.
B2 y B1
d.
B2
e.
Calcule T (2, 1) empleando la definicin de T y las matrices obtenidas en a, b, c y d.

3
Sea T :
definida como T ( x, y, z ) = ( x + 2 y + z , 2 x y, 2 y + z ) . Sea B1 la base natural para
B2 = {(1, 0, 1), (0, 1, 1), (0, 0, 1)} otra base para
3.
B1
b.
B1 y B2
c.
B2 y B1
d.
B2
e.
Calcule T (1, 1, 2) empleando la definicin de T y las matrices obtenidas en a, b, c, d.
x
x + y
definida como T y =
. Sean B1 y B2 las bases naturales de
y z
1

adems, sean B1 1 ,
0

0

1 ,
0
1
1

1 y B2 1 ,

1
1
2 bases para

, respectivamente;
, respectivamente. Determine la matriz
de T con respecto a:
a.
B1 y B2
b.
B1 y B2
c.
1
Calcule T 2 utilizando la definicin de T y las matrices obtenidas en a y b.
3
Captulo 3: TTransformaciones
ransformaciones lineales
178
. Determine la matriz de T con respecto a:
a.
Sea T :
4.
Sea T : P1 P2 definida por T ( p( x)) = xp( x) + p(0) .

Sean B1 = {1, x} y B1 ' = {1 + x, 1 + x} bases para P1 .
2
2
Sean B2 = {1, x, x } y B2 = {1 + x , 1 + x, 1 + x} bases para P2 .
Determine la matriz de T con respecto a:
5.
a.
B1 y B2
b.
B1 y B2
c.
Determine T (3 3x) utilizando la definicin de T y las matrices obtenidas en a y b.
Sea T : P1 P3 definida por T ( p ( x )) = x 2 p ( x). Sean B1 = {1, x} y B1 = { x, 1 + x} bases para P1 . Sean

B2 = {1, x, x 2 , x 3 } y B2 = {1 + x, x, 1 + x 2 , x 3 } bases para P3 .
Determine la matriz de T con respecto a:
6.
a.
B1 y B2
b.
B1 y B2
1 2
Sea C =
y sea T : M 22 M 22 la transformacin lineal definida por T ( A) = AC CA para A en M 22 . Sean
3 4
1 0 0 1 0 0 0 0
1 1 0 1 0 0 1 0
B1 =
,
,
,
y B2 =
,
,
,
bases para M 22 . Determine
0 0 0 0 1 0 0 1
0 0 0 0 1 1 0 1
la matriz de T con respecto a:
7.
a.
B1
b.
B2
c.
B1 y B2
d.
B2 y B1
Sea T : R 3 R 3 la transformacin lineal cuya matriz con respecto a las bases naturales para R 3 es:
1 3 1
1 2 0
0 1 1
Ejercicioslgebradel
13 179
Linealmdulo
Elemental y Aplicaciones
Determine:
a.
1
T 2
3
b.
0
T 1
1
1 2 1
Suponga que la matriz de T : R 3 R 2 con respecto a las bases B1 = { v1 , v2 , v3 } y B2 = {w1 , w 2 } es A =
,
1 1 0
8.
1
0
1
1
1

donde v1 = 1 , v 2 = 1 , v 3 = 0 , w1 = , w 2 = .
2
1
0
1
0
9.
a.
Calcule (T ( v1 )) B2 , (T ( v 2 )) B2 , (T (v3 ))B2 .
b.
Calcule T ( v1 ), T ( v2 ) y T ( v3 ).
c.
2
Calcule T 1 .
1
d.
x
Calcule T y .
z
Sea T :
una transformacin lineal. Suponga que la matriz de T con respecto a la base B1 = { v1 , v2 } es
2 3
1
1
A=
, donde v1 = , v2 = .
1 4
2
1
a.
Calcule [T ( v1 )]B1 y [T ( v 2 )]B1 .
b.
Calcule T ( v1 ) y T ( v2 ).
c.
2
Calcule T = .
3
B1 = { v1 , v2 } y
Sea T : P
1 P
2 una transformacin lineal. Suponga que la matriz de T con respecto a las bases
10.
1 0
B2 = {w1 , w 2 , w 3 } es A = 2
1 , donde v1 = 1 + x, v2 = 1 + x, w1 = 1 + x 2 , w 2 = x, w 3 = 1 + x.
1 2
180
a.
Calcule [T ( v1 )]B2 y [T ( v 2 )]B2 .
b.
Calcule T ( v1 ) y T ( v2 ).
c.
Calcule T (1 + 2 x).
d.
Calcule T (b + ax).
11.
En las transformaciones lineales definidas en los ejercicios 1, 3, 5 y 7 describa su ncleo y su imagen por medio de
alguna de sus matrices asociadas.
12.
Demuestre las partes c y f del teorema 6.
13.
Se dan parejas de matrices A y B. En cada caso mustrese que A y B no son similares.
a.
1 0
A=
2 3
b.
9 3 7
A = 0 5 6
0 0 0
c.
2 0
A=
1 2
3 1
B=
.
3 2
1 2 3
B = 4 5 6 .
7 8 9
2 0
B=
.
0 2
Ejercicios
delElemental
mdulo
lgebra Lineal
y Aplicaciones13
181
182
14
Isomorfismos o transformaciones
lineales invertibles
14.1 Transformaciones lineales uno a uno y sobreyectivas
14.2 Isomorfismos
Una transformacin lineal y su inversa.

El espacio P3 es isomorfo a
4.
Objetivos del mdulo

1. Determinar cundo una transformacin lineal es uno a uno.
2. Determinar cundo una transformacin lineal es sobreyectiva.
3. Determinar cundo una transformacin lineal es un isomorfismo.
4. Estudiar a travs de n las propiedades de otros espacios vectoriales de dimensin n.
5. Caracterizar los isomorfismos entre espacios vectoriales de dimensin finita por
medio de su matriz de transformacin.
Preguntas bsicas
Sea T : V W una tranformacin lineal:
1. Cundo T es uno a uno?
2. Cundo T es sobreyectiva?
3. Cundo T es un isomorfismo?
4. Si dim V = n y dim W = m, cundo T no puede ser uno a uno? Cundo T no
puede ser sobre?
5. Si dim V = dim W = n , qu condicin ser suficiente para que T sea un isomorfismo?
6. Si T es un isomorfismo, qu propiedades de V se trasladan a W?
7. Si T es un isomorfismo entre espacios vectoriales de dimensin finita, cmo es la
matriz de transformacin de T?
Introduccin
En este mdulo se caracteriza un tipo especial de transformacin lineal llamada
isomorfismo. Esta transformacin T : V W reproduce fielmente la estructura
de V en W, ya que establece una correspondencia biyectiva entre los elementos de


V y W y por otra parte T traslada sumas y productos por escalares las operaciones
de espacio vectorial de los elementos de V a sumas y productos por escalares de
los correspondientes elementos de W. As pues, desde el punto de vista del lgebra
lineal, cuando entre V y W hay un isomorfismo, esto es, cuando son espacios
vectoriales isomorfos, V y W son indistinguibles.
Demostraremos que los espacios vectoriales de dimensin finita n son isomorfos,
es decir, prcticamente todos ellos son en esencia
184
Mdulo 14: Isomorfismos o transformaciones lineales invertibles
14.1 TTransfor
ransfor
maciones lineales uno a un
o y
ransformaciones
uno
sobreyectivas
Definicin 1
Sea T : V W una transformacin lineal. T es uno a uno (1 - 1) o inyectiva si

T ( v1 ) = T ( v 2 ) v1 = v 2 ,
o bien, en forma equivalente,

v1 v2 T ( v1 ) T ( v2 ).
Figura 14.1
La figura 14.1a muestra una trasformacin lineal inyectiva y la 14.1b una transformacin lineal no inyectiva.
Definicin 2
Sea T : V W una transformacin lineal. T se llama sobre W o sobre, si para todo
w W existe al menos un v V tal que T ( v) = w. En otras palabras, T es sobre si
la imagen de T es todo el espacio W.
imagen T = W.
El teorema siguiente dice que para demostrar si una transformacin lineal es uno a
uno slo se necesita examinar qu vectores se transforman en 0.
Teorema 1
Sea T : V W una transformacin lineal. T es uno a uno si y slo si nu T = {0} .
Demostracin
a.
Suponga que T es 1 - 1 y sea x nu T ; entonces T (x) = 0. Como

T (0) = 0 y T es 1 - 1, se concluye que x = 0, luego nu T = {0} .
b.
Suponga que nu T = {0} y sea T ( v1 ) = T ( v 2 ); entonces T ( v1 ) T ( v 2 ) = 0,
Vea la animacin Transformaciones uno a uno y sobre en

su multimedia de lgebra Lineal
esto es, T ( v1 v 2 ) = 0, es decir, ( v1 v 2 ) nu T y, por tanto, v1 v 2 = 0,


de donde v1 = v2 y la transformacin es 1 - 1.
Ejemplo 1
x x + y
definida por T y = x y . Para determinar si T es 1 - 1,

encontramos nu T. Sea
Sea T :
x 0
T = ,
y 0
x + y 0
= .
x y 0
x+ y =0
Resolvemos el sistema lineal
x y =0
0
La nica solucin es x = 0 e y = 0, de modo que nu T = , y por el teorema 1, T
0
es 1 - 1.
Ejemplo 2
Sea T :
x
x 2y
definida por T y =
.

y + z
La matriz de la transformacin referida a las bases estndar es:

1 2 0
.
AT =
1 1
0
Entonces para determinar si T es 1 - 1 hallamos NA.

1 2 0 operaciones elementales 1 0 2
0
.
1 1
0 1 1
x = 2z
La solucin al sistema homogneo es : y = z

z=z
2

T
=
N
=
nu
gen
Luego
1 .
A
1

Por tanto, T no es 1 - 1.
186

Veamos si T es sobre:
Examinando las columnas de AT, vemos que cualesquiera dos columnas son LI, de
modo que C A =
y, por tanto, imagen AT =
. En consecuencia, T es sobre.
Ejemplo 3
3
Sea T :
x
T y =
z
definida por:
x+ y
yz
z+ x .
y + 2x
La matriz de T referida a las bases estndar es:

1 1 0
1 0 0
0 1 1
0 1 0

AT =

1 0
0 0 1
1
2 1 0
0 0 0
x=0
y=0
z=0
0

nu T 0 ;
0

luego T es 1 - 1.
En la forma escalonada reducida de AT podemos observar tres pivotes, luego las
tres columnas de AT son LI.
Entonces,
1

0
imagen T = C A = gen ,
1
2
1
1
,
0

1
0
1
,
1

0
el cual es un subespacio de dimensin 3 de
y, por consiguiente, T no es sobre.
En los ejemplos podemos observar que una transformacin lineal puede ser 1 - 1 y
no ser sobre, o ser sobre y no ser 1 - 1. El siguiente teorema muestra que cada una
de estas propiedades implica la otra si los espacios V y W tienen la misma dimensin.

Teorema 2
Sea T : V W una transformacin lineal y sea dim V = dim W .
a.
Si T es 1 - 1, entonces T es sobre.
b.
Si T es sobre, entonces T es 1 - 1.

Teorema 3
Sea T : V W una transformacin lineal. Suponga que dim V = n y dim W = m;
entonces
a.
Si n > m, T no es 1 - 1.
b.
Si m > n, T no es sobre.
Demostracin
a.
Sea { v1 , v2 ,..., vn } una base para V. Sea w i = T ( vi ) para i = 1, 2,..., n. Puesto

que n > m, entonces {w1 , w 2 ,..., w n } es LD, o sea que en la combinacin
lineal C1w1 + C2 w 2 + ... Cn w n = 0 existe al menos un Ci 0. Por tanto el
vector v V tal que v = C1 v1 + C2 v2 + ... Cn v n es diferente de 0 y:
T ( v ) = T (C1 v1 + C2 v 2 + ... Cn v n )
= C1T ( v1 ) + C2T ( v 2 ) + ... CnT ( v n )
= C1w1 + C2 w 2 + ... Cn w n .
Luego T ( v) = 0, v nuT y, por tanto, nu T {0} , es decir, T no es 1 - 1.

b.
Suponga que m > n y sea v V , con

v = a1 v1 + a2 v 2 + ... + an v n
T ( v ) = a1T ( v1 ) + a2T ( v 2 ) + ... + anT ( v n ),
luego {T ( v1 ), T ( v 2 ),..., T ( v n )} es un generador de imagen T; entonces
(T ) n , y como m > n, (T ) < m . Luego imagen T es un subespacio de W

diferente a W, esto es, T no es sobre.
Los ejemplos 2 y 3 ilustran el teorema anterior.
188
14.2 Isomorfismos
Definicin 3
Sea T : V W una transformacin lineal. Entonces T es un isomorfismo si T es
1 - 1 y sobre. Se dice que los espacios vectoriales V y W son isomorfos si existe un
isomorfismo T de V sobre W. Esto se denota como V W .
Observacin
Es importante notar en la definicin anterior que la condicin para que dos espacios
vectoriales V y W sean isomorfos es que exista entre ellos una transformacin lineal
que sea isomorfismo. As, entre espacios vectoriales isomorfos podemos definir
transformaciones lineales que no sean isomorfismos.
El siguiente teorema nos muestra la similitud existente entre dos espacios vectoriales
isomorfos. La palabra isomorfismo viene del griego isomorphos, que significa
de igual forma.
Teorema 4
Sea T : V W un isomorfismo.
a.
Si { v1 , v2 ,..., vn } genera V, entonces {T ( v1 ), T ( v2 ),..., T (vn )} genera a W.
b.
Si { v1 , v2 ,..., vn } es LI en V, entonces {T ( v1 ), T ( v2 ),..., T (vn )} es linealmente independiente en W.
c.
Si { v1, v2 ,..., vn } es base de V, entonces {T ( v1 ), T (v2 ),..., T (vn )} es base de W.
d.
Si V es de dimensin finita, entonces W es de dimensin finita y

dim V = dim W .
Demostracin
a.
Supongamos que { v1, v2 ,..., vn } genera V.

Sea w W . Como T es sobre w = T ( v) para algn v V,
v = c1v1 + c2 v2 + ... + cn vn y T (v) = c1T (v1 ) + c2T (v2 ) + ... + cnT (vn ) ,
luego
w = c1T ( v1 ) + c2T ( v 2 ) + ... cnT ( v n ),
y por tanto,

para ilustrar Isomorfismos
{T ( v1 ), T ( v 2 ),..., T ( v n )} genera a W.

b.
Supongamos que { v1 , v2 ,..., vn } es LI.

Sea c1T ( v1 ) + c2T ( v2 ) + ... cnT ( vn ) = 0. Entonces,
T (c1 v1 + c2 v2 + ... cn vn ) = 0,
es decir,
(c1 v1 + c2 v2 + ... cn vn ) nu T .
Como T es 1 - 1, c1 v1 + c2 v2 + ... cn vn = 0, y como { v1 , v2 ,..., vn } es LI, entonces

c1 = c2 = ... = cn = 0 y, en consecuencia,
{T (v1 ), T (v2 ),..., T (vn )} es LI.

c.
Se deduce de a y b.
d.
Se deduce de c.
Cuando se trata con espacios vectoriales reales de dimensin finita, el problema de

saber si son o no isomorfos es bastante simple: slo es necesario observar si tienen
la misma dimensin, como se ver en el siguiente teorema.
Teorema 5
Sean V y W dos espacios vectoriales reales de dimensin finita con dim V = dim W .
Entonces V W .
Demostracin
Dos espacios vectoriales son isomorfos si entre ellos existe una transformacin
lineal que sea un isomorfismo. Luego la demostracin consiste en construir dicha
transformacin lineal.
Sean { v1 , v2 ,..., vn } y {w1 , w2 ,..., wn } bases para V y W, respectivamente.
Definimos T : V W por T ( vi ) = w i para i = 1,..., n. Entonces por el teorema 3,
mdulo 12, existe una nica transformacin lineal que satisface la condicin dada.
Suponga que v V y T ( v ) = 0; entonces
v = c1v1 + c2 v2 + ... + cn vn ,
T (v) = c1T (v1 ) + c2T (v2 ) + ... + cnT (vn ),
c1w1 + c2 w2 + ... + cn wn = 0.
Como {w1 , w2 ,..., wn } es base para W , c1 = c2 = ... = cn = 0 y, por tanto, v = 0; en

consecuencia, nu T = {0} y la transformacin es 1 - 1. Como dim V = dim W , entonces T es sobre por el teorema 2. Luego T es un isomorfismo.
190

Teorema 6
Sean V y W espacios vectoriales reales de dimensin n y T : V W , tal que
T (x) = Ax es una transformacin lineal. Entonces A es invertible si y slo si
T (x) = Ax es un isomorfismo.
T es un isomorfismo si y slo si T es 1 - 1, ya que como dim V = dim W , T tambin

ser sobre.
T es 1 - 1 si y slo si nu T = {0} , es decir, v (T ) = 0 , y esto es equivalente a la
proposicin A es invertible.
Este teorema caracteriza los isomorfismos como transformaciones lineales cuya
matriz de transformacin es invertible, proporcionndonos una forma de determinar
cules transformaciones lineales son isomorfismos examinando su matriz de transformacin.
Ejemplo 4
Sea T : Pn Pn tal que T ( p) = p + p '. Veamos que T es un isomorfismo.
Encontremos la matriz AT de la transformacin lineal con respecto a la base estndar.
T (1) = 1+ (1)' = 1+ 0 = 1
T ( x) = x + ( x)' = x +1
T ( x 2 ) = x 2 + ( x 2 )' = x 2 + 2 x
T ( x n ) = x n + ( x n )' = x n + nx n 1 .
( n +1) ( n +1)
1
0
1 0
1 2
0
0
0
0
, det A = 1 0.
A es invertible, luego T es un isomorfismo.

Ejemplo 5
, P3 y
Los espacios vectoriales M
2 2
son isomorfos ya que todos tienen dimen-
sin 4. Establezcamos entre ellos transformaciones lineales que sean isomorfismos.

T1 : M P3 definida por:
2 2

a b
2
3
T
= a + bx + cx + dx .
c
d
1 0
2
.3
T
= 1 + 0x + 0x + 0x .
0
0
0 1
2
3
T
= 0 + 1x + 0 x + 0 x .
0 0
1
0
AT =
0
0 0
2
3
T
= 0 + 0 x + 1x + 0 x .
1
0
det AT = 1
0 0 0
1 0 0
= I4
0 1 0
0 0 1
0 0
2
3
T
= 0 + 0 x + 0 x + 1x .
0
1
a
b
2
3
T2 : P3 R 4 definida por T (a + bx + cx + dx ) = .
c

d
Entonces AT = I4 (matriz identidad de orden 4). Por tanto, T2 es un isomorfismo.

Las transformaciones T1 y T2 definidas en el ejemplo nos muestran que estos espacios vectoriales son en esencia el mismo; en ambas la matriz de transformacin es
la identidad.
192
Mdulo 14
1.
D un ejemplo de una TL T : V W que sea

a.
b.
c.
Uno a uno pero no sobre.

Sobreyectiva pero no uno a uno.
Uno a uno y sobreyectiva.
2.
T
Demuestre que T : M
mn M
nm definida por T ( A) = A es un isomorfismo.
3.
Encuentre un isomorfismo entre Dn , matrices diagonales de orden n, y
x 1 0 1 x
definida como T y = 0 1 1 y . Determine si T es un isomorfismo.

z 1 0 2 z
4.
Sea T :
5.
Para cada una de las siguientes transformaciones determine si es un isomorfismo a partir de la informacin dada.
T:
T = 4.
b.
T:
(T ) = 2.
c.
(T ) = 1.
T : P
2 P
2,
d.
T : P3 P3 , T = 4.
a.
6.
Sea V = P4 y W = { p P5 : p(0) = 0} . Demuestre que V W .
7.
Sea T : Pn Pn tal que Tp ( x) = xp '( x). Determine si T es un isomorfismo.
8.
Demuestre que si T : V W es un isomorfismo, entonces existe un isomorfismo L : W V tal que L(T ( v)) = v. A
L se le llama transformacin inversa de T y se denota T 1 .
9.
Demuestre que si T : R n R n est definido por T ( x) = Ax y T es un isomorfismo, entonces T 1 est dado por
T 1 ( x ) = A 1 x .
lgebra Lineal Elemental ylineales
Aplicaciones 193
10.
Sea T :
x 2 x + 4 y 6 z
una TL dada por T y = 5 y 2 z .

9z
Demuestre que T es un isomorfismo y determine T 1 .

Sea T : M
n n M
n n la transformacin lineal dada por T ( A) = BA, donde B es una matriz fija de orden n. Demues-
11.
tre que T es un isomorfismo si y slo si B es una matriz invertible. En tal caso, describa T 1 .
Ejer
cicios del mdulo 14
Ejercicios
194
Isometras
15

15.1 Matrices ortogonales
15.2 Isometras
15.3 Isometras en
Una rotacin igual a un ngulo alrededor

del origen es una transformacin lineal que
conserva la magnitud de los vectores
Objetivos del mdulo

1. Mostrar un tipo de transformacin lineal que conserva la magnitud de los vectores.
2. Caracterizar las isometras por medio de las matrices ortogonales.
3. Caracterizar las isometras en el plano.
4. Mostrar que conservar la magnitud de los vectores en una transformacin en
es equivalente a conservar el producto escalar.
Preguntas bsicas
1. Cundo una matriz es ortogonal?
2. Cmo son las columnas en una matriz ortogonal?
3. Qu es una isometra?
4. Qu operacin se conserva en una isometra?
5. Cmo es la matriz de la transformacin T, cuando T es isometra?
6. Cmo son las transformaciones en 2 que son isometras?
7. Qu relacin existe entre los isomorfismos y las isometras?
Introduccin
La palabra isometra significa igual medida. De esto se trata en esta seccin: de
transformaciones lineales que conservan la magnitud de los vectores.
Antes de iniciar el estudio de las isometras, definiremos las matrices ortogonales y
veremos algunas propiedades de estas matrices. Adems deduciremos una propiedad del producto escalar cuando en uno de los factores hay una matriz A. Estos
resultados nos sern de gran utilidad en el tratamiento de las isometras.
15.1 Matrices ortogonales

Definicin 1
Una matriz Q de n n se llama ortogonal si Q es invertible y Q1 = QT .
Si Q 1 = QT , entonces QT Q = I n .
En el mdulo 8 estudiamos la forma de constituir bases ortonormales en n . El
siguiente teorema nos da una relacin entre las matrices ortogonales y las bases
n
ortonormales de
Teorema 1
La matriz Q n n es ortogonal si y slo si las columnas de Q forman una base
ortonormal de
Demostracin
Sea
a11
a
21
Q=
an1
a12
a22
an 2
a1 j
a2 j
anj
a1n
a2n
ann
a11
a
12
QT =
a1i
a1n
a21
a22
a2i
a2n
an1
an 2
ani
ann
Sea B = (bij ) = QT Q.
bij = a1i a1 j + a2i a2 j + ... + ani anj = ci c j ,
(1)
donde ci y cj son las columnas i y j de Q.

Si las columnas de Q son ortonormales, entonces, de (1)
bij = 0 si i j ,
bij = 1 si i = j.
Es decir, B = I y entonces QT = Q 1 , y por tanto Q es ortogonal.

Recprocamente, si Q es ortogonal QT = Q 1 , entonces B = I, de modo que
bij = c i c j = 0 si i j y c i c j = 1 si i = j.
Luego las columnas de Q son ortonormales.
196
(2)
Mdulo 15: Isometras

Ejemplo 1
Los vectores
2 / 3
1/ 3 ,
2 / 3
1/ 3
2/3 ,
2 / 3
2 / 3
2/3
forman una base ortonormal de

1/ 3
(verifquelo),
2 / 3 1/ 3 2 / 3
as que la matriz Q = 1/ 3 2 / 3 2 / 3 es ortogonal.

2 / 3 2 / 3 1/ 3
Podemos verificarlo haciendo QT Q:
2 / 3 1/ 3 2 / 3
Q Q = 1/ 3 2 / 3 2 / 3
2 / 3 2 / 3
1/ 3
T
1/ 3 2 / 3 1 0 0
2 / 3
1/ 3 2 / 3 2 / 3 = 0 1 0 .
2 / 3 2 / 3
1/ 3 0 0 1
15.2 Isometras
Antes de abordar el tema, veamos una propiedad interesante del producto escalar.
Teorema 2
Sea A una matriz de m n con componentes reales. Entonces para cualesquier dos
vectores x
e y
(Ax) y = x ATy.
Demostracin
A x y = ( A x ) T y = ( x T AT ) y = x T ( AT y ) = x AT y .
El teorema nos dice que cuando en uno de los factores de un producto escalar hay
una matriz, sta puede pasar al otro factor transponindola. Este resultado puede
generalizarse para cuando se tiene un producto interno en un espacio vectorial
diferente a
; en este caso el teorema se expresa as:
(Ax, y) = (x, ATy).

Definicin 2
Una transformacin lineal T :
T (x) = x ,
es una isometra si para todo x en

para ilustrar Isometras

n
esto es, una isometra en

en
es una transformacin lineal que conserva la longitud
Si hay una transformacin lineal que sea una isometra, entonces:
T ( x) T ( y ) = T ( x y ) = x y .
En las isometras se conserva la magnitud de los vectores; recordemos que la magn
nitud de un vector en
est definida en trminos del producto escalar, el cual es
el producto interno en
el producto escalar.
. Es entonces esperable que en las isometras se conserve
Teorema 3
n
Sea T una isometra de
y sean x e y en
; entonces
T (x) T (y) = x y.
Demostracin
T (x) T (y ) = (T (x) T (y )) (T (x) T (y ))
2
= T (x) 2T (x) T (y ) + T (y ) .
2
xy
(1)
= (x y ) (x y )
(2)
= x 2x y + y .
2
En (1) y (2) sabemos que T ( x ) = x , T ( y ) = y

2
T (x) T (y ) = x y .
2
Entonces,
2T (x) T (y) = 2 x y,
T (x) T (y) = x y.
El siguiente teorema relaciona las isometras con las matrices ortogonales.
Teorema 4
Una transformacin lineal T : n
cin matricial de T es ortogonal.
198
es una isometra si y slo si la representa-
Mdulo 15: Isometras

Demostracin
a.
Supongamos que T es una isometra y que A es su representacin matricial;

entonces para x e y en
x y = T (x) T (y ) = Ax Ay = x AT Ay,
T .3
T .2
x y = x AT Ay ,
x y x AT Ay = 0,
x (y AT Ay ) = 0, para todo x
( y A Ay )
T
; entonces
(ver definicin de complemento ortogonal),
y A Ay = 0, y = AT Ay ,
T
y por tanto, AT A = I , de modo que AT = A1 y A es ortogonal.

b.
Supongamos que T ( x) = Ax es una transformacin lineal tal que A es

ortogonal; entonces T ( x) T ( y ) = Ax Ay = x AT Ay = x I y = x y
2
2
En particular, si x = y T (x) T (x) = x x, o sea T ( x) = x , o T (x) = x ,
de donde T es una isometra.

Observaciones
En el teorema anterior hemos mostrado que las isometras se caracterizan porque su
representacin matricial es ortogonal. Como toda matriz ortogonal es invertible, se
desprende como consecuencia la siguiente proposicin:
Toda isometra es un isomorfismo.
Ahora, las columnas de AT son las transformaciones de los vectores de la base, y
como stas forman una base ortonormal de
, para constituir isometras los
vectores asignados a una base de n deben ser vectores que formen una base
ortonormal. El siguiente teorema nos muestra cmo hacer esto.
Teorema 5
Sean {u1 , u2 ,..., un } y {w1 , w2 ,..., wn } dos bases ortonormales de
y sea
T : n n una transformacin lineal tal que T (ui) = wi para i = 1,..., n;

entonces T es una isometra.
Demostracin
Sea
, x = c1u1 + c2 u 2 + ... + cn u n ; entonces

x = x x = (c1u1 + c2 u 2 + ... + cn u n ) (c1u1 + c2 u 2 + ... + cn u n ) .
2

Como {u1 , u 2 ,..., u n } es una base ortonormal,
u i u j = 0 para i j y
= u i u i = 1,
ui
entonces
x = c12 + c2 2 + ... + cu 2 .
2
(1)
T (x) = c1T (u 1 ) + c2T (u 2 ) + ... + cnT (u n )

= c1w1 + c2 w 2 + ... + cn w n .
T (x) = T (x) T (x) = (c1w1 + c2 w 2 + ... + cn w n ) (c1w1 + c2 w 2 + ... + cn w n ).
2
Como {w1 , w2 ,..., wn } es una base ortonormal,

T (x) = c12 + c2 2 + ... + cn 2 .
2
(2)
De (1) y (2) concluimos que x = T ( x )

2
x = T ( x ) y, por tanto, T es una
isometra.
El recproco del teorema anterior tambin se verifica, como veremos en el siguiente
teorema.
Teorema 6
Sea T :
ortonormal de
una isometra; entonces, si
{u 1 , u 2 , ..., u n } es
, {T (u1 ), T (u 2 ),..., T (u n )} es una base ortonormal de
una base
n
Demostracin
Sea
{ u 1 , u 2 , ..., u n }
una base ortonormal de
; entonces, ui u j = 0 para
i j y ui = 1.
Como T es una isometra,
T (ui ) T (u j ) = ui u j = 0 para i j y
T (ui ) = ui = 1.
Luego {T (u1 ), T (u 2 ),..., T (u n )} es una base ortonormal.
15.3 Isometras en
Sea T una isometra de
200
1
0
. Sean u1 = T y u 2 = T . Los vecto0
1
Mdulo 15: Isometras

1
0
res 0 y 1 forman una base ortonormal en

, luego u1 y u2 tambin for-
man una base ortonormal; u1 = u 2 = 1 y u1 u 2 = 0 (u1 u 2 ) (figura 15.1).
Figura
cos
u1 =
,
sen
15.1
cos ( 2 )
u2 =
.
sen ( 2 )
Entonces
cos ( 2 ) sen
cos ( + 2 ) sen
u2 =
u2 =
=
o
=
.
sen ( 2 ) cos
sen ( + 2 ) cos
Luego la representacin matricial de T es:

cos
Q1 =
sen
sen
cos
o Q2 =
cos
sen
sen
.
cos
Si T ( x ) = Q1 x , entonces la transformacin es una rotacin un ngulo en sentido antihorario.

Si T ( x ) = Q2 x ,
cos
Q2 =
sen
sen
cos
=
cos
sen
sen 1 0
.
cos 0 1
Entonces Q2 es la representacin matricial de una reflexin respecto al eje x, seguida de una transformacin de rotacin.
Estos resultados los consignamos en el siguiente teorema.

Teorema 7
2
Sea T :
una isometra. Entonces T es:
a.
Una transformacin de rotacin, o
b.
Una reflexin respecto al eje x seguida de una transformacin de rotacin.
El concepto de isometra puede extenderse a espacios vectoriales de dimensin

finita, donde haya definido un producto interno; ac las isometras sern las transformaciones lineales que conservan la norma de los vectores y, por tanto, el producto interno.
Ejemplo 2
3
Sea T :
una transformacin definida por T (x) = Ax, donde
sen
A = cos
0
cos
sen
0
0
0 .
1
Veamos que T es una isometra. Para esto basta con demostrar que A es una matriz
ortogonal y esto lo comprobamos realizando el producto A AT.
sen
cos
cos
sen
0
0
0
1
sen
cos
cos
sen
0
0 1 0 0
0 = 0 1 0
.
1 0 0 1
Ejemplo 3
Sea T :
vectores
Sean x e y en
una isometra. Veamos que T preserva los ngulos entre los
1
ngulo entre x e y = cos
xy
,
x y
1
ngulo entre T ( x) y T ( y ) = cos
(1)
T (x) T (y )
.
T ( x) T (y )
Como T es isometra, x y = T (x) T (y ) y x = T ( x) , y = T ( y ) .

Por tanto, (1) = (2).
202
(2)
Mdulo 15
1.
Sea T :
una transformacin lineal tal que:
1 1
1
1
T
,
,
=
,
2 2
2
2
1 1
1
1
T
,
,
=
.
2
2 2
2
Demuestre que T es una isometra.

2.
Considere la transformacin lineal T : M

2 2 M
2 2 para la cual
1 0 1 2 1 2
T
=
,
0 0 1 2 1 2
0 1 1 2 1 2
T
=
,
0 0 1 2 1 2
0 0 1 2 1 2
T
=
,
1 0 1 2 1 2
0 0 1 2 1 2
T
=
.
0 1 1 2 1 2
Compruebe que T es una isometra.

3.
Determine el vector (a, b)
tal que la transformacin T :
para la cual T (1, 0) = 1
2, 1
2 ,
T (0,1) = (a, b) sea una isometra.
4.
Sea B = { v1 , v2 , v3 } una base ortonormal de
. Determine una isometra T :
para la cual
1
1
( v1 v 2 ).
T ( v1 ) = (2v1 + v 2 + 2 v 3 ), T ( v 2 ) =
3
2
5.
D un ejemplo de una transformacin lineal de
6.
Sea T :
en
que preserve los ngulos y no sea una isometra.
una isometra y sea T ( x ) = A x. Demuestre que S ( x ) = A 1 x es una isometra.
lgebra Lineal Elementallineales

y Aplicaciones 203
Captulo 4
Valores
caractersticos,
vectores
caractersticos,
diagonalizacin
y formas
cannicas
Un ingeniero trata de que las frecuencias naturales de su puente, valores caractersticos de la

estructura, estn alejadas de las del viento para evitar que el puente comience a oscilar y se
desplome. Los valores caractersticos son los rasgos ms importantes de cualquier sistema
dinmico.
Mdulo 16
Muchos problemas relacionados con ciencias e ingeniera estn planteados en la

forma T (x) = Ax, donde A es una matriz n n que representa una transformacin
lineal. En el anlisis de estos problemas es importante determinar aquellos vectores
x que se transforman paralelamente a s mismos, T (x) = x, es decir, los vectores
Ejercicios
Mdulo 16
Mdulo 17
que conservan la direccin al transformarse. Estos vectores x, x 0 , reciben el

nombre de vectores caractersticos de A y son los que describen las direcciones
principales o ejes principales del sistema estudiado. El escalar que acompaa a x
Ejercicios
Mdulo 17
en la ecuacin T (x) = x se denomina valor caracterstico de A correspondiente

a x y muestra la magnitud de la transformacin en la direccin de x.
Mdulo 18
Aplicaciones de la teora de valores y vectores cartactersticos
En este captulo resolveremos dos problemas bsicos del lgebra lineal. En primer
lugar abordaremos el problema de la determinacin de los valores y vectores carac, y en segundo trmino el problema de la diagonalizacin
tersticos de una matriz nA
n
de una matriz, esto es: encontrar una matriz diagonal que sea similar a una matriz
dada A. Este problema est ntimamente relacionado con el primero.
Ejercicios
Mdulo 18
Mdulo 19
Ejercicios
Mdulo 19
Por ltimo, como no toda matriz es diagonalizable, determinamos para cualquier

matriz nA
su forma cannica de Jordan, la cual es una matriz mucho ms simple
n
que la matriz A. Estos procedimientos tendientes a determinar matrices similares a A
ms simples responden a la necesidad de simplificar el manejo algebraico cuando
A es una matriz de tamao grande.
En el desarrollo del captulo se dar gran importancia a aplicaciones tales como los
sistemas dinmicos descritos por un sistema de ecuaciones en diferencias y procesos de Markov.
206
16

16.1 Valores y vectores caractersticos
16.2 El problemas de los valores y vectores caractersticos
16.2.1 El polinomio caracterstico de An n
16.2.2 Proceso para encontrar los valores y vectores caractersticos en una
matriz An n
16.2.3 Espacio caracterstico de A
16.3 Propiedades
Fue el matemtico francs Augustin Louis

Cauchy (1789-1857) quien, en 1840, us
por primera vez los trminos valores
caractersticos y ecuacin caracterstica
para indicar los valores propios y la ecuacin
polinominal bsica que satisfacen.
Objetivos del mdulo

1. Caracterizar en una transformacin lineal T : V V aquellos vectores que se
transforman paralelamente a s mismos y encontrar la magnitud de la transformacin.
2. Desarrollar un algoritmo para encontrar los valores y vectores caractersticos de
una matriz Ann .
3. Establecer una condicin suficiente y necesaria para que una matriz An n tenga
n vectores caractersticos linealmente independientes.
4. Relacionar los valores caractersticos de A con los valores caractersticos de AT,
A , Am y A 1 (cuando A 1 existe).
Preguntas bsicas
Sea T : V V una transformacin lineal y An n una representacin matricial de T.
1.
2.
3.
4.
5.
6.
Qu es un vector caracterstico de A?
Qu es un valor caracterstico de A?
Cmo se encuentra el polinomio caracterstico de A?
Cmo se determinan los valores y vectores caractersticos de A?
Qu es el espacio caracterstico de un valor caracterstico?
Qu son las multiplicidades algebraica y geomtrica de un valor caracterstico?
7. Cmo se relacionan las multiplicidades algebraica y geomtrica de cada valor
caracterstico?
8. Qu condiciones deben cumplir los valores caractersticos de A para que A sea
invertible?
9. Cundo la matriz An n tiene n vectores caractersticos linealmente independientes?

Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas

10. Si 1 , 2 ,..., k son los valores caractersticos de A, cules son los valores
caractersticos de AT, A , Am y A 1 (cuando A1 existe)?
Introduccin
Iniciamos nuestro estudio definiendo los valores y vectores caractersticos de una
transformacin lineal T : V V o de la matriz A correspondiente a dicha transformacin. Ilustramos con una matriz A22 lo que sucede cuando referimos la transformacin a la base formada con dos vectores caractersticos, y vemos que la matriz de
la transformacin en este caso es diagonal; esto hace que el efecto de la transformacin se evidencie sobre las direcciones de los vectores caractersticos.
Se desarrolla un algoritmo para la obtencin de los valores y vectores caractersticos y se establece una condicin necesaria y suficiente para que una matriz tenga n
vectores caractersticos linealmente independientes, es decir, para tener una base
del espacio compuesta por vectores caractersticos.
208
Mdulo 16: Valores y vectores caractersticos
16.1 Valores y vectores caractersticos

Definicin 1
Sea A una matriz de n n con componentes reales. El vector x 0, x en
tal que
Ax = x,
se llama vector caracterstico de A, y al escalar (real o complejo) se le llama valor
caracterstico de A correspondiente al vector caracterstico x.
n
Nota: los vectores caractersticos se toman en

n-tuplas ordenadas de nmeros
complejos, ya que stos pueden tener componentes imaginarios, cuando es un
nmero complejo.
En la definicin se dice que el valor caracterstico corresponde al vector caracterstico x. Tambin se puede expresar al contrario: el vector caracterstico x corresponde al valor caracterstico . .
A los valores y vectores caractersticos tambin se les llama valores y vectores
propios o autovalores y autovectores.
16.2
El problema de los valores y vectores caractersticos
Dada una matriz A de n n con componentes reales, hallar todos los escalares y
todos los vectores x, x 0, en
tales que Ax = x.
Ejemplo 1
3 2
Sea A =
.
3 4
Entonces
1 3 2 1 1
A =
= .
1 3 4 1 1
As, = 1 es un valor caracterstico de A correspondiente al vector caracterstico

1
1 .

Similarmente,
2 3 2 2 12
2
A =
= = 6 .
3 3 4 3 18
3

Entonces = 6 es un valor caracterstico de A correspondiente al vector caracte 2
rstico 3 .

3 2
La matriz A =
es la representacin matricial de la transformacin lineal
3 4
T:
x 3 2 x 3 x + 2 y
definida por T =
=
.
y 3 4 y 3 x + 4 y
1
2
1 y 3 son vectores caractersticos de A correspondientes a los valores

caractersticos 1 = 1 y 2 = 6.
Estos vectores son LI, luego forman una base B1 de
transformacin referida a esta base.
. Encontremos la matriz de la
1 1
1
2 1
1
T = = 1 + 0 , T =
1 1
1
3 1 B1 0
2 12
1
2 2
0
T = = 0 + 6 , T = .
3
18
1
3
3

B1 6
1 0
Luego BT, matriz de la transformacin referida a la base B1, es BT =
, la cual
0 6
es una matriz diagonal.
1 2
Geomtricamente, podemos describir la situacin as: 1 y 3 determinan un

sistema coordenado. Referida a este sistema la transformacin T tiene el efecto de
1
dejar invariantes los vectores a lo largo de la direccin definida por 1 , ya que

1 = 1 , y aumentar con un factor de 6 los vectores a lo largo del eje definido por
2
3 .

Si x es un vector cualquiera de
1
T (x) =
0
210
a
b
, el cual referido a esta base es , entonces
0 a
a
= (figura 16.1).
6 b
6b

Ejemplo 2
Sea A = I; entonces, Iv = v para todo v
, luego todo v 0 es un vector
caracterstico de I con valor caracterstico = 1 .
Figura 16.1
Ejemplo 3
4 2
.
Sea A =
1
1
Determinemos los valores caractersticos de A y sus correspondientes vectores

x
asociados. Debemos encontrar los escalares y los vectores no nulos x =
y
tales que:
4 2 x
x
1 1 y = y ,
luego
4x 2 y = x
x + y = y
(4 ) x 2 y = 0
x + (1 ) y = 0

Resolvemos el sistema homogneo de dos ecuaciones con dos incgnitas. Este
sistema tiene solucin no trivial x 0, si y slo si el determinante de su matriz de
coeficientes es cero; esto es:
4
= 0.
Entonces,
(4 )(1 ) + 2 = 0,
2 5 + 6 = 0 = ( 3)( 2).
Luego los valores caractersticos de A son 1 = 3 y 2 = 2 .
Para encontrar los vectores caractersticos asociados a los valores de 1 = 3 y
2 = 2 resolvemos
Ax = 3x
Ax = 2x
4 2 x
x
= 3
1
1 y
4 2 x
x
= 2
1
1 y
4 x 2 y = 3x
4x 2 y = 2x
x + y = 3y
x + y = 2y
(4 3) x 2 y = 0
(4 2) x 2 y = 0
x + (1 3) y = 0
x + (1 2) y = 0
x 2y = 0
2x 2 y = 0
x 2y = 0
x y=0
cuyas soluciones estn dadas

por:
x= y
x = 2y
2
x1 = , (

las soluciones al sistema estn

dadas por:
{0} )

x 2 = , ( {0} ) .

x1 y x2 estn expresando, cada uno, un subespacio compuesto por todos los vectores
2 1
mltiplos de 1 y 1 , respectivamente. O dicho de otra forma, los vectores carac
212

2
tersticos asociados con 1 = 3 son todos los mltiplos escalares del vector ;
1
similarmente, los vectores caractersticos correspondientes a 2 = 2 son todos los

1
mltiplos escalares del vector .
1
Teorema 1
Sea A una matriz n n . es un valor caracterstico de A si y slo si det ( A I ) = 0 .
Demostracin
Si es un valor caracterstico de A existe x 0 tal que
Ax = x = Ix ,
( A I ) x = 0 .
El sistema homogneo ( A I )x = 0 tiene solucin para x 0 cuando ( A I )
es no invertible, o sea det ( A I ) = 0 .
Recprocamente, si det ( A I ) = 0, el sistema ( A I )x = 0 tiene soluciones
no triviales y es un valor caracterstico de A. Si det ( A I ) 0, entonces la
nica solucin del sistema es x = 0 y, por tanto, no es un valor caracterstico de A.
16.2.1 El polinomio caracterstico de A n xn

Definicin 2
Sea A una matriz n n . El determinante de la matriz ( A I ), denotado P ( ), se
denomina polinomio caracterstico de A.
P( ) = det ( A I ).
La ecuacin P( ) = 0 es la ecuacin caracterstica de A.

P ( ) = det ( A I ) = 0.
P ( ) es un polinomio de grado n en .

a11
a
A = 21
a31
a12 a1n
a22 a2 n
,
a32 ann
det ( A I ) =
a11
a21
a12
a22
a1n
a2 n
a31
a32
ann
P ( ) = n + bn 1 n 1 + ... + b1 + b0 = 0.
Esta ecuacin tiene n races, varias de las cuales pueden repetirse. Si 1 , 2 ,..., m
son las races diferentes de la ecuacin con multiplicidades 1 , 2 ,..., m , entonces
P ( ) puede factorizarse como:
P( ) = ( 1 )1 ( 2 ) 2 ...( m ) m = 0.
Los nmeros 1 , 2 ,..., m se llaman multiplicidades algebraicas de los valores
caractersticos 1 , 2 ,..., m , respectivamente.
O sea que si contamos multiplicidades, cada matriz n n tiene exactamente n valores caractersticos.
16.2.2 Proceso para encontrar los valores y vectores

caractersticos en una matriz An x n
i.
Halle P ( ) = det ( A I ) .
ii.
Halle las races de P ( ) = 0
iii.
Resuelva el sistema homogneo ( A i I ) x = 0 correspondiente a cada
(1 , 2 ,..., m ) .
valor caracterstico i .
La solucin del sistema homogneo ( A i I )x = 0 no es nica, ya que x 0 . El
sistema tiene infinitas soluciones, luego al determinar los vectores x que satisfacen
el sistema, se sacan los vectores que formen una base para el subespacio generado;
es claro que todas las combinaciones lineales, diferentes de cero, que se realicen
con estos vectores tambin son vectores caractersticos correspondientes al mismo
valor .
Teorema 2
Sea A una matriz n n y sea E = {x : Ax = x} . Entonces E es un subespacio
de
214

Demostracin
Si Ax = x , entonces ( A I )x = 0.
Luego E es el ncleo de ( A I ), y por tanto E es un subespacio de
16.2.3 Espacio caracterstico de A

Definicin 3
Sea un valor caracterstico de A. El subespacio E se llama espacio caracterstico de A, correspondiente al valor caracterstico .
Ejemplo 4
1 2 1
Sea A = 1 0 1 . Encontremos para A los valores y vectores caractersticos.
4 4 5
Vamos a seguir los pasos dados en el proceso.
1
det ( A I ) = 1
4
1
1 =0
4 5
= 3 + 6 2 11 + 6 = 0
= ( 1)( 2)( 3) = 0.
Entonces los valores caractersticos de A son 1 = 1, 2 = 2, 3 = 3.

Para determinar E1, formamos el sistema ( A I )x = 0.
1 x
1 1 2
1 1 1 y =

4 4 5 1 z
0
0

0
0 2 1 x
1 1 1 y =

4 4 4 z
0 2 1
1 0
1 1 1
0 1
0 0
4 4 4
0
0

0
2 .
0
La solucin al sistema est dada por:
1
x= z
2
1
y=
z
2
1z
z=
1

E1 = gen 1 ;
2

1

1 es un vector caracterstico asociado con = 1 .
2

Determinemos E2.
( A 2 I )x = 0 .
1 2 1
1 0
1 2 1
0 1
4 4 3
0 0
4 .
0
La solucin es:
1
x= z
2
1
y=
z
4
z=
1z
2

E2 = gen 1 ;
4

2

4

Similarmente, encontremos E3 .
( A 3I ) x = 0
2 2 1
1 0
1 3 1
0 1
4 4 2
0 0
La solucin es:
1
x= z
4
1
y=
z
4
z=
1z
216
4 .
0

1

E3 = gen 1 ;
4

1

4

Ejemplo 5
1 1 0
Sea A = 1 2 1 . Determinemos los valores y vectores caractersticos de A.

0 1 1
1
det ( A I ) = 1
0
1
2
0
1
= 3 + 4 2 3 = 0
= ( 1)( 3) = 0.
Los valores caractersticos de A son 1 = 0, 2 = 1, 3 = 3.

Ahora encontremos los espacios caractersticos correspondientes a cada valor de .
E0 ,
( A 0 I )x = 0 .
1 1 0
1 0 1
1 2 1
0 1 1 , entonces
0 1 1
0 0 0
x = 1z
y = 1z
z = 1z
1

E0 = gen 1 .
1

E1 ,
( A I )x = 0 .
0 1 0
1 0 1
1 1 1
0 1 0 , entonces
0 1 0
0 0 0
x = 1z
y = 0z
z = 1z

1

E1 = gen 0
.
1

E3 ,
( A 3I ) x = 0 .
2 1 0
1 0 1
x = 1z
1 1 1
0 1 2 , entonces
y = 2z
0 1 2
0 0 0
z = 1z
1

E3 = gen 2
.
1
Ejemplo 6
0 1 0
0 0 1 ,
A
=
Sea
entonces
1 3 3
det( A I ) = 0
1
0
1
=0
3 3
3 3 2 + 3 1 = 0,
( 1)3 = 0.
Luego = 1 es el nico valor caracterstico de A con multiplicidad algebraica de 3.

Ahora veamos cul es el espacio caracterstico de = 1 . Resolvemos ( A I )x = 0 .
1 1 0
1 0 1
E1 : 0 1 1
0 1 1 , entonces
1 3 2
0 0 0
1

E1 = gen 1 .
1

218
x=z
y=z
z=z

Ejemplo 7
3 2 4
Sea A = 2 0 2 ; entonces,
4 2 3
3
det ( A I ) =
2
4
2 =0
2 3
det ( A I ) = 3 + 6 2 + 15 + 8 = ( + 1) 2 ( 8) = 0.
Luego 1 = 1 con multiplicidad algebraica de 2 y 2 = 8 .

Determinemos ahora los espacios caractersticos.
E1 : ( A + I )x = 0.
4 2 4
1
2 1 2
0
4 2 4
0
0
0
1
0 ,
entonces
0
x=
1
yz
2
y= y
z=z
x
1 2 1

y = y 1 + z 0 .
z
0 1

-1 2 1

E1 : gen 1 , 0 .
0 1

E8 : ( A 8I )x = 0.
5 2 4
1 0 1
2 8 2
0 1 1 2 , entonces
4 2 5
0 0 0
x=
1z
1
z
2
z = 1z
y=
1

E8 : gen 1 2 .
1

Observacin: la factorizacin del polinomio caracterstico de A, en general, no es

obvia. El lgebra nos brinda dos resultados que pueden ser tiles a este respecto:

(1).
El producto de todas las races del polinomio

n
P ( ) = n + bn 1 n 1 + ... + b1 + b0 = 0 es (1) b0.
(2).
Si bn1 ,..., b1 , b0 son enteros, entonces P ( ) no puede tener una raz racional que no sea un entero. Luego las posibles races racionales de P ( )
sern factores enteros de b0. Por supuesto, P ( ) podra tener races
irracionales. Adems, P ( ) tambin podr tener races complejas; si esto
sucede, stas ocurren en pares conjugados.
Ejemplo 8
2 1
Sea A =
. Determinemos los valores y vectores caractersticos de A.
5 2
det ( A I ) =
= 0, entonces 2 + 1 = 0.
De donde, 2 = 1 y = 1, o sea = i, 1 = i y 2 = i.
Veamos los espacios caractersticos.
Ei : ( A iI )x = 0.
1 x 0
2 i
, luego (2 i ) x y = 0
=
5
2 i y 0
(2 i ) x = y
Entonces, si x = 1, y = 2 i.
1
Por tanto, x1 =
es un vector caracterstico correspondiente a = i y
2i
1
Ei : gen
.
2 i
Ahora, E i resulta de resolver ( A + iI )x = 0.

1 x 0
2 + i
=
, lo cual lleva a (2 + i ) x y = 0.
5
2 + i y 0
1
Ahora, si x = 1, y = (2 + i ), y entonces x 2 =
.
2+i
Observacin: note que 2 = i es el conjugado complejo de 1 = i , y adems los

componentes de x 2 son conjugados complejos de los componentes de x1. Este
220

hecho no es casual y se puede demostrar que los valores caractersticos de una
matriz real ocurren en pares conjugados complejos y los vectores caractersticos
correspondientes son conjugados complejos entre s.
16.3 Propiedades
Teorema 3
Sea A una matriz n n y sean 1 , 2 ,..., m valores caractersticos diferentes de A
con sus correspondientes vectores caractersticos x1 , x 2 ,..., x m . Entonces
x1 , x 2 ,..., x m son LI.
Demostracin
Razonamos por induccin sobre m.
1.
m = 2. Suponga que C1x1 + C2 x2 = 0.
(1)
Hagamos (1) A : C1 Ax1 + C2 Ax 2 = 0.

Como x1 y x 2 son vectores caractersticos correspondientes a valores
caractersticos 1 y 2 , entonces Axi = i xi , i = 1, 2.
Luego C11x1 + C2 2 x 2 = 0.
(2)
Multiplicamos (1) por 2 y se resta de (2).
C1 (1 2 ) x1 + C2 2 2
)x
= 0,
C1 (1 2 )x1 = 0.
En esta igualdad x1 0 ya que es un vector caracterstico; (1 2 ) 0

porque 1 2 , entonces C1 = 0. Sustituimos este valor en (1) y se
obtiene C2 x 2 = 0 ; por tanto, C2 = 0 y concluimos que x1 y x 2 son LI.
2.
Supongamos que para m = k se cumple que x1 , x 2 ,..., x k son LI y veamos

para m = k +1.
3.
Sea C1x1 + C2 x 2 + ... + Ck x k + Ck +1x k +1 = 0.
(3)
Hagamos (3) A:
C1 Ax1 + C2 Ax 2 + ... + Ck Ax k + Ck +1 Ax k +1 = 0,

y aplicando el hecho de que Axi = i xi , i = 1,..., k + 1, tenemos:
C11x1 + C2 2 x 2 + ... + Ck k x k + Ck +1k +1x k +1 = 0.
(4)
Multiplicamos (3) por k + 1 y lo restamos de (4).

C1 (1 k +1 )x1 + C2 (2 k +1 )x 2 + ... + Ck (k k +1 )x k
+ Ck +1 k +1 k +1
)x
k +1
= 0.
C1 (1 k +1 )x1 + C2 (2 k +1 )x 2 + ... + Ck (k k +1 )x k = 0.
Como segn la hiptesis de induccin x1 , x 2 ,..., x k son LI, entonces

C1 (1 k +1 ) = C2 (2 k +1 ) = ... = Ck (k k +1 ) = 0.
Como los valores de i , i = 1,..., k +1 son diferentes, entonces

C1 = C2 = ... = Ck = 0.
Llevamos estos valores a (3) y obtenemos Ck +1x k +1 = 0, de donde Ck+1 = 0.

Concluimos entonces que x1 , x 2 ,..., x m , x m+1 son LI, completando la prueba
para todo m.
El teorema anterior establece que vectores caractersticos correspondientes a
valores caractersticos diferentes son linealmente independientes.
El resultado del teorema puede verificarse en los ejemplos desarrollados. Adems se
observa que en algunos casos se encuentran tantos vectores caractersticos
linealmente independientes como la multiplicidad algebraica del valor (ejemplos
4, 5 y 7). En el ejemplo 7 el valor = 1 tiene una multiplicidad algebraica 2 y se
determinan dos vectores en la base del espacio caracterstico correspondiente, esto
es, dos vectores caractersticos LI. Sin embargo, esto no siempre es as; en el ejemplo 6 el valor caraterstico =1 tiene una multiplicidad algebraica 3 y un solo vector
caracterstico LI asociado con l.
Definicin 4
Sea un valor caracterstico de A. Entonces la multiplicidad geomtrica de es
la dimensin del espacio caracterstico correspondiente a (nulidad de la matriz
A I ).
Para cada valor caracterstico debe haber asociado al menos un vector caracterstico. Si la multiplicidad algebraica de es mayor que 1, por ejemplo si A es una matriz
3 3 con dos valores caractersticos 1 y 2 con multiplicidades algebraicas 1 y
2, respectivamente, entonces para 1 habr asociado un vector caracterstico y
222
para 2 podr haber uno o dos vectores caractersticos LI. Es claro que no podrn
ser ms de dos ya que en el caso de que fueran tres vectores, se completaran cuatro
vectores LI en un espacio vectorial de dimensin 3, lo cual es absurdo.
Estas consideraciones quedan expresadas en el siguiente teorema.
Teorema 4
Sea un valor caracterstico de A. Entonces,
multiplicidad geomtrica de multiplicidad algebraica de .
Teorema 5
Sea A una matriz n n. A tiene n vectores caractersticos LI si y slo si la multiplicidad geomtrica de todo valor caracterstico es igual a la multiplicidad algebraica.
En particular, A tiene n vectores caractersticos LI si todos sus valores caractersticos son diferentes.
La deduccin del teorema resulta evidente de los resultados establecidos en los
teoremas 3 y 4.
Teorema 6
Los valores caractersticos de una matriz triangular son las componentes diagonales
de la matriz.
En el ejemplo 5 la matriz A tena un valor caracterstico igual a 0, o sea que
det ( A 0 I ) = 0, luego det A = 0, lo cual significa que A no es invertible.
Teorema 7
A es invertible si y slo si = 0 no es un valor caracterstico de A.
Finalizamos esta seccin destacando algunas relaciones entre los valores caractersticos de A y los valores caractersticos de matrices relacionadas con A.
Teorema 8
Sea An n una matriz que tiene valores caractersticos 1 , 2 ,..., k ; entonces:
a.
Los valores caractersticos de AT son 1 , 2 ,..., k .
b.
Los valores caractersticos de A son 1 , 2 ,..., k .
c.
Los valores caractersticos de Am son 1m , 2 m ,..., m k para m = 1, 2, 3...
d.
Si A1 existe, los valores caractersticos de A1 son
1 2
,...,
Vea en su multimedia de
lgebra Lineal el cdigo fuente
en MATLAB para ilustrar
Valores y vectores
caractersticos

Demostracin
a.
Si i es valor caracterstico de A, det( A i I ) = 0.

Ahora, det ( A i I ) = det ( A i I )T
= det ( AT i I T )
= det ( AT i I ).
Luego i , i = 1,..., k, es un valor caracterstico de AT.
c.
Razonemos por induccin.

Para m = 2. Si i es un valor caracterstico de A,
Av = i v.
(1)
Multiplicando (1) por A,

A Av = A i v,
A2 v = i Av.
Aplicando (1), tenemos:

A 2 v = i i v = i 2 v .
Esta ltima ecuacin significa que i 2 es un valor caracterstico de A2.

Supongamos que para m = k se cumple que Ak v = i k v.
(2)
Veamos para m = k + 1.
Multiplicando (2) por A,
A Ak v = Ai k v,
(3)
Ak +1 v = i k Av.
Aplicando (1) en (3),

Ak +1 v = i k i v = i k +1 v.
Luego i k +1 es un valor caracterstico de A

Los literales b y d se dejan como ejercicio.
224
k +1
y esto completa la prueba.
Mdulo 16
1.
2 2
Sea A =
. Determine cules de los siguientes vectores de
2 2
serlo, determine el valor caracterstico asociado.
(2, 1)
(2, 2)
(3, 3)
a.
b.
c.
d.
e.
f.
son vectores caractersticos de A; en caso de
(4, 4)
( 6, 6)
( 1, 2)
En los ejercicios 2 a 12 encuentre los valores y vectores caractersticos de la matriz dada.
2.
0 1
1 0
5.
1 1 0
0 1 1
0 0 2
8.
3 7 5
2 4 3
1 2 2
11.
a
0
13.
b
a
0
0
0
c
a
0
0
0
; bc 0
0
3.
1 0
1 1
6.
1 1 4
3 2 1
2 1 1
9.
a
0
0 0 0
a 0 0
0 a 0
0 0 a
12.
a
0
b
a
0
0
4.
0 1
1 0
7.
0
1
1 0
0 0
0 1
0 2
10.
a
0
0
0
1
0 0
a 0 0 ; b 0
0 a 0
0 0 a
0 0
c 0
; bcd 0
a d
0 a
Sea A una matriz diagonal de orden n cuyos elementos de la diagonal principal son 1 , 2 ,..., n . Determine el
polinomio caracterstico de A y sus valores caractersticos.
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin

y formas
cannicas
y Aplicaciones
225
14.
Sea A una matriz triangular de orden n. Determine el polinomio caracterstico de A as como sus valores caractersticos.
15.
Suponga que 1 es un valor caracterstico de la matriz A, y 2 es un valor carcterstico de la matriz B. Es 1 + 2 un

valor caracterstico de A + B?
16.
Realice una demostracin del teorema 7.
17.
Demuestre las partes b y d del teorema 8.
18.
Sea A una matriz real de n n. Demuestre que si 1 es un valor caracterstico complejo de A con vector caracterstico
v1, entonces 1 es un valor caracterstico de A con vector caracterstico v1 .
226
17
17.1 Diagonalizacin
17.2 Condicin necesaria y suficiente para que una matriz An n sea diagonalizable
El problema de la diagonalizacin consiste
en encontrar una matriz D tal que D = P-1AP.
Objetivos del mdulo

1. Establecer una condicin necesaria y suficiente para que una matriz sea diagonalizable.
2. Utilizar las propiedades de las matrices semejantes para trabajar algebraicamente
con A a travs de su matriz diagonal equivalente.
Preguntas bsicas
1. Cundo una matriz An n es diagonalizable?
2. Si A y B son matrices semejantes, cmo son sus polinomios caractersticos y sus
valores caractersticos?
Introduccin
El problema de la diagonalizacin puede enunciarse de la siguiente forma: Dada
una matriz A de n n encontrar, si es posible, una matriz D diagonal, similar o
semejante a la matriz A.
Este problema est ntimamente relacionado con el problema de la determinacin de
los valores y vectores caractersticos de A, como veremos en el desarrollo siguiente.

17.1 Diagonalizacin
Definicin 1
Decimos que la matriz An n es diagonalizable si es similar a una matriz diagonal D.
Es decir, si existe una matriz invertible P tal que
D = P 1 AP.
Ejemplo 1
3 2
La matriz A =
dada en el ejemplo 1 del mdulo 16 es diagonalizable ya que A
3 4
1 0
es similar a BT =
. Ambas matrices son representaciones de la transforma0 6
x 3 x + 2 y
cin lineal T : R 2 R definida por T y = 3 x + 4 y . La matriz A est referida

a la base estndar y la matriz BT est referida a la base formada por los vectores
1
2
caractersticos LI y . Estos vectores forman las dos columnas de la
1
3
matriz P.
Podemos verificar que:

1
1 0 1 2 3 2 1 2
0 6 = 1 3 3 4 1 3 .
Teorema 1
Si A y B son matrices similares de n n, entonces A y B tienen la misma ecuacin
caracterstica y por consiguiente los mismos valores caractersticos.
Demostracin
1
Si A y B son similares entonces existe una matriz P tal que B = P AP, y por tanto
det ( B I ) = det ( P 1 AP I ) = det ( P 1 AP P 1 IP ) = det ( P 1 ( A I ) P )
= det P 1 det ( A I ) det P = det ( P 1 P ) det ( A I ) = det I det ( A I )
= det ( A I ).
228
Mdulo 17: El problema de la diagonalizacin
17.2 Condicin necesaria y suficiente para que una

matriz A n n sea diagonalizable
Teorema 2
Una matriz A de n n es diagonalizable si y slo si tiene n vectores caractersticos

1
LI. En este caso, A es similar a una matriz diagonal D, con P AP = D, cuyos elementos en la diagonal son los valores caractersticos de A. P es una matriz cuyas
columnas son respectivamente los n vectores caractersticos LI de A.
Demostracin
1
0
Supongamos que A es similar a D, con D =
0
0
; entonces
D = P 1 AP, de modo que PD = AP. Sea P la matriz cuyas columnas son x1, x2,..., xn
P = x1 , x 2 ,..., x j ,..., x n ,
AP = Ax1 , Ax2 ,..., Ax j ,..., Ax n .
Ahora,
1
0
PD = x1 , x 2 ,..., x j ,..., x n
0
0
,
= 1x1 , 2 x 2 ,..., j x j ,..., n x n .
Luego
Ax1 , Ax 2 ,..., Ax j ,..., Ax n = 1x1 , 2 x 2 ,..., j x j ,..., n x n , de donde
Ax j = j x j
j = 1,..., n.
Como P es invertible, sus columnas son LI y x j 0 para j = 1,..., n. Por tanto, j es

un valor caractersticos de A y x j un vector caracterstico correspondiente. Entonces A tiene n vectores caractersticos LI.
Recprocamente, supongamos que A tiene n vectores caractersticos LI x1, x2,..., xn
con valores caractersticos correspondientes 1, 2 ,..., n . Sea P = [x1 , x 2 ,..., x n ] la
matriz cuyas columanas son los n vectores caractersticos LI; entonces P es invertible.

Como Ax j = j x j para j =1,..., n,
[ Ax1 , Ax 2 ,..., Ax n ] = [1x1 , 2 x 2 ,..., n x n ],
AP = PD .
Multiplicando a ambos lados por P 1 , tenemos:
P 1 AP = D,
lo cual significa que A es diagonalizable.

Corolario
Si nA
tiene n valores caractersticos distintos, entonces A es diagonalizable.
n
Observacin
El teorema 5 del mdulo 16 establece la siguiente equivalencia:
1.
A tiene n vectores caractersticos LI multiplicidad geomtrica de i es

igual a la multiplicidad algebraica de i , i = 1,..., m , y el teorema anterior
dice que:
2.
A es diagonalizable A tiene n vectores caractersticos LI.
De 1 y 2 tenemos que:
A es diagonalizable multiplicidad geomtrica de i es igual a la multiplicidad
algebraica de i , i = 1,..., m, siendo m el nmero de races diferentes del polinomio
P().
Ejemplo 2
3 2 4
En el ejemplo 7 del mdulo16 determinamos para A = 2 0 2 sus valores y
4 2 3
vectores caractersticos as: det ( A I ) = ( + 1) 2 ( 8) = 0 con vectores ca-
1
1 2 1
1
ractersticos 1 y 0 correspondientes a = 1 y 2 correspondiente a

1
0 1
= 8.
230
Mdulo 17: El problema de la diagonalizacin

Luego A tiene tres vectores caractersticos LI y por tanto A es diagonalizable, siendo
1 0 0
D = 0 1 0 .
0 0 8
La matriz P que diagonaliza la matriz A es:
1 2 1 1
P = 1 0 1 2 .
0 1 1
Entonces,
P 1 AP = D .
P ( P 1 AP ) P 1 = PDP 1 ,
( PP 1 ) A( PP 1 ) = A = PDP 1 .
En el teorema 6 del mdulo 13 demostramos que si A es similar a B, An es similar a

Bn . Para nuestro ejemplo, A n es similar a Dn , o sea:
An = PD n P 1 ,
n
1 2 1 1 (1)
= 1 0 1 2 0
0 1 1 0
0
(1)
0
0
1
0
9
(8) n
2 8 2
4 2 5 .
4 2 4
20
En particular, si se desea obtener A , bastara hacer el producto indicado con n = 20,
en lugar de multiplicar 20 veces por la matriz A.
Ejemplo 3
Las matrices de los ejemplos 1, 3, 4, 5, 7 y 8 del mdulo 16 son diagonalizables ya
que para cada una de ellas se determinaron n vectores caractersticos LI. En el
ejemplo 2, mdulo 16, se plante la matriz identidad que ya es diagonal, y en el
ejemplo 6 del mismo mdulo se obtuvo un valor caracterstico de multiplicidad
algebraica 3, al cual slo iba asociado un vector caracterstico LI, luego la matriz
propuesta en el ejemplo 6 no es diagonalizable.
Cuando estudiamos las propiedades de las matrices similares (teorema 6, mdulo 13)
vimos que si A y B son matrices similares entonces det A = det B.
Ahora, si A es similar a una matriz diagonal D, det A = det D.

para ilustrar Diagonalizacin de
matrices

La matriz diagonal similar a A tiene sobre la diagonal los valores caractersticos de A;
entonces,
det A = 1 2 ,..., n .
Tambin establecimos que las distintas representaciones de una misma transformacin lineal son matrices similares (teorema 5, mdulo 13), luego con cualquier representacin matricial que trabajemos obtendremos los mismos valores y vectores
caractersticos.
232
Mdulo 17
En los ejercicios 1 a 6 determine si la matriz dada A es diagonalizable; en caso de serlo, determine las matrices P, D y P 1 tales
que A = P D P 1 .
2.
2 2 4
2 3 2
3 2 5
3.
2
0
1 0 0
4 0 0
0 2 1
0 1 2
5.
0 i
i 0
6.
i 1
0 i
1.
0 1 0
1 0 0
0 0 2
4.
1 2
2 2
7.
1
Diagonalice A =
0
8.
Si A es invertible y diagonalizable, es A 1 diagonalizable?
9.
Si A y B son diagonalizables con A = P 1 D1P y B = Q 1 D2Q, es A B una matriz diagonalizable, con D1 D2 su matriz
diagonal equivalente? Es A + B diagonalizable, con D1 + D2 su matriz diagonal equivalente?
1
12
y emplee la diagonalizacin hallada para calcular A .
2
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin

y formas
cannicas
y Aplicaciones
233
234
18
Aplicaciones de la teora de
valores y vectores caractersticos
Una de las aplicaciones ms interesantes
de los valores caractersticos es poder
determinar el comportamiento de un
sistema que pasa por varios estados, donde
el estado siguiente slo depende de su
estado anterior en una etapa avanzada del
proceso. El mtodo para hacerlo se debe al
matemtico y lingista ruso Andrei
Andreyevich Markov (1856-1922) y se
conoce como cadenas de Markov.
18.1 Ecuaciones en diferencias

18.1.1 Un modelo de crecimiento poblacional
18.2 Procesos de Markov
18.2.1 Modelo de funcionamiento de una mquina
Objetivos del mdulo

1. Mostrar aplicaciones a la ingeniera de la teora de valores y vectores caractersticos.
2. Estudiar sistemas dinmicos en crecimientos poblacionales y procesos de Markov.
Preguntas bsicas
1. Cmo se conforma la matriz de transicin de un proceso en un sistema dinmico?
2. Analizando los valores caractersticos de la matriz de transicin A en el estudio de
una poblacin, cmo se sabe si la poblacin crece o decrece?
3. Qu es un proceso de Markov?
4. Qu es una matriz de probabilidad?
5. Cundo un proceso de Markov alcanza su estado estacionario?
Introduccin
En esta seccin presentaremos algunas de las aplicaciones ms importantes de la
teora de valores y vectores caractersticos. stas son: ecuaciones en diferencias y
procesos de Markov.

18.1 Ecuaciones en diferencias

Un proceso que va pasando a travs de diferentes estados cada cierto intervalo de
tiempo, esto es, un proceso discreto en el tiempo, se describe usualmente como un
sistema de ecuaciones en diferencias.
18.1.1 Un modelo de crecimiento poblacional

Estudiaremos un modelo de crecimiento poblacional para una especie de venados
donde se han determinado las siguientes condiciones:
1.
El nmero de hembras es igual al nmero de machos.
2.
La poblacin se considera dividida en dos grupos de edad que son:

Pj , n 1 : poblacin juvenil (inmadura) de hembras en el ao n 1.
Pa , n 1 : poblacin adulta de hembras en el ao n 1.
La poblacin juvenil es aquella entre 0 y 1 ao, y la poblacin adulta es la que

tiene ms de un ao de edad.
El crecimiento de esta poblacin se estudia a travs de las hembras, y haciendo uso de la primera condicin podemos saber cmo va la poblacin en
cualquier periodo.
3.
Hay una tasa de supervivencia de los venados jvenes que sobrevivirn

para ser adultos en el ao siguiente.
Para los adultos tambin hay una tasa de supervivencia de los adultos
sobrevivientes para el periodo siguiente.
4.
Cada hembra adulta produce, en promedio, k hembras jvenes para el periodo siguiente.
Haciendo uso de la informacin suministrada podemos expresar las poblaciones de

hembras jvenes y adultas en el periodo n, as:
Pj , n = kPa , n 1 .
Pa , n = Pj , n 1 + Pa , n 1 .
Pj , n
0
o Pn = APn 1 , donde Pn = , A =
P
a,n
Pj , n 1
, Pn 1 =
.
Pa , n 1
Entonces, si P0 es la poblacin inicial de hembras jvenes y adultas, podemos

expresar las poblaciones en los periodos siguientes as:
P1 = AP0 , P2 = AP1 = A( AP0 ) = A2 P0 , P3 = AP2 = A( A2 P0 ) = A3 P0 .
Luego la poblacin en el periodo n est dada por:
236
Mdulo 18: Aplicaciones de la teora de valores y vectores caractersticos

Pn = An P0 .
Determinemos para A sus valores y vectores caractersticos:

det ( A I ) =
= 0.
+ 2 k = 0, entonces 2 k = 0, de donde
=
1 =
2 + 4 k
2
+ 2 + 4 k
2
, con , y k cantidades positivas.

y 2 =
2 + 4 k
2
Analizando estas expresiones podemos afirmar que:
1 > 0, 2 < 0 y 1 > 2 .

A cada valor de va asociado un vector caracterstico. Si v1 y v2 son los vectores
caractersticos correspondientes a 1 y 2 , respectivamente, entonces v1 y v2
son LI.
La poblacin inicial P0 se puede expresar como combinacin lineal de v1 y v2 as:
P0 = a1v1 + a2 v2 .
Como Pn = An P0 , entonces
Pn = An (a1 v1 + a2 v 2 ) = a1 An v1 + a2 An v 2
= a11n v1 + a2 2 n v 2 , ya que An v1 = 1n v1 y An v 2 = 2n v 2 (teorema 8,
parte c, mdulo 16)
n

= 1n a1 v1 + a2 2 v 2 .
2
Como 1 > 2 , tiende a cero cuando n es grande, entonces
1
Pn 1n a1v1.
(1)
A largo plazo la distribucin de edades se estabiliza y es proporcional a v1. Cada

grupo de edad cambiar por un factor 1 cada ao.

Es importante notar toda la informacin que podemos obtener del clculo de los
valores y vectores caractersticos:
Una pregunta importante de resolver es: la poblacin crecer o decrecer? Aumenta si 1 > 1, y esta condicin se verifica cuando
+ 2 + 4 k
2
2 + 4 k > 2 .
> 1,
Elevando al cuadrado,
2 + 4 k > 4 4 + 2 ,
4 k > 4 4 ,
k>
Supongamos ahora que en esta poblacin de venados se tienen:

k = 1, = 0.6,
100
= 0.8 y P0 =
.
200
Entonces,
1
0
A=
,
0.6 0.8
luego
det ( A I ) =
0.6 0.8
= 2 0.8 0.6 = 0,
0.8 (0.8) 2 + 4 0.6

, 1 = 1.27, 2 = 0.47.
2
Sabemos que a la larga la poblacin se estabiliza y se calcula de acuerdo con la

ecuacin (1). En consecuencia, la poblacin crecer por un factor aproximado de 1.27.
Los granjeros y otras personas del rea no quieren que la poblacin crezca. Pueden
controlar la poblacin cosechndola (permitiendo la caza de venados adultos); si
h es la proporcin de poblacin cosechada en cada periodo, entonces la proporcin
de supervivencia de la poblacin adulta se disminuye en h y la matriz A para el
modelo ser:
1
0
A=
.
0.6 0.8 h
238

Veamos qu pasa si h = 0.6. En este caso
1
0
A=
,
0.6
0.2
y 1 =
det ( A I ) =
0.6 0.2
= 2 0.2 0.6 = 0
0.2 + 0.04 + 4 0.6

= 0.88.
2
As que 1 < 1 y la poblacin decrecer, luego h = 0.6 es una cosecha demasiado

grande que terminar por extinguir la especie.
Si queremos que la poblacin permanezca estable, esto es, que no crezca ni desaparezca, el valor caracterstico mayor (1 ) debe ser igual a 1.
Entonces
1 =
+ 2 + 4 K
2
= 1,
(0.8 h) + (0.8 h) 2 + 4 0.6

= 1,
2
h = 0.4.
As que una proporcin de caza igual a 0.4 mantendr estable la poblacin.
Ejemplo 1
Una especie animal est clasificada en dos etapas de vida: juvenil (hasta un ao de
edad) y adulta. Suponga que las hembras adultas paren una vez al ao un promedio
de 1.6 hembras juveniles. Cada ao sobrevive 30% de los juveniles para transformarse en adultos y sobrevive 80% de los adultos.
Veamos cmo estara dada la poblacin de esta especie en un periodo cualquiera k.
Pj , k = 1.6 Pa , k 1
Pj , k
Pk =
Pa , k
de donde
Pa , k = 0.3Pj , k 1 + 0.8 Pa , k 1
Pj , k 0 1.6 Pj , k 1
P =
,
a , k 0.3 0.8 Pa , k 1
Pk = APk 1.
Veamos cmo se comporta este sistema, analizando sus valores y vectores caractersticos.
det ( A I ) =
1.6
0.3 0.8
= 2 0.8 0.48 = 0,

para ilustrar Aplicaciones valores
y vectores propios
0.8 0.64 + 4 0.48 0.8 1.6

=
.
2
2
Luego 1 = 1.2 y 2 = 0.4.

La poblacin crece porque el mayor valor caracterstico de A es 1.2 cuya magnitud
es mayor que 1.
Determinemos los vectores caractersticos asociados a 1 = 1.2 y 2 = 0.4.
Para 1 = 1.2, resolvemos (A 1.2I) x = 0.
0.3x 0.4 y = 0
1.2 1.6
0.3 0.4 , entonces
3x = 4 y
4
Si x = 4 e y = 3, entonces x1 = .
3
Para 2 = 0.4,
(A + 0.4 I) x = 0.
0.4 1.6
0.3 1.2 , entonces
0.4 x + 1.6 y = 0
4 x = 16 y o x = 4 y
4
Si x = 4, y = 1 y x 2 = .
1
Si la poblacin inicial P0 la expresamos en trminos de x1 y x2, entonces

P0 = a1x1 + a2 x2 ,
Pn = An P0 = An (a1x1 + a2 x 2 ),
= a1 An x1 + a2 An x 2 = a11n x1 + a2 2 n x 2 .
2 = 0.4 < 1. Cuando n es grande, 2 n 0 y Pn a11n x1 .

La poblacin crece con un factor constante igual a 1.
La tasa de crecimiento final es de 1.2, que es un 20% anual. El vector caracterstico
4
x1 = muestra que habr cuatro juveniles por cada tres adultos.
3
En los modelos estudiados se describe un proceso que est determinado por medio
de la matriz A. El vector P0 se llama estado inicial del proceso y el vector Pn para
n N se llama n-simo estado del proceso.
240

A la matriz A se le conoce como la matriz de transicin del proceso y a la ecuacin
Pn = An Pn 1 se le llama ecuacin matricial en diferencias o sistema dinmico.
Teorema 1
Sea A una matriz diagonalizable n n con vectores caractersticos linealmente
independientes v1, v2 ,..., vn y sus correspondientes valores caractersticos
1, 2,..., n . La solucin del sistema dinmico X k = A X k 1 se expresa as:

Xk = c11k v1 + c2 2k v 2 + ... + cn n k v n ,
donde los coeficientes c1 , c2 ,..., cn son tales que:

Xo = c1 v1 + c2 v2 + ... + cn vn .
Demostracin
Los vectores v1, v2 ,..., vn forman una base del espacio V (R n o C n ), luego X0 se
puede expresar en esta base como Xo = c1 v1 + c2 v2 + ... + cn v n .
Como X k = AX k 1 , entonces
X1 = AX 0 , X 2 = AX1 , X 2 = A2 X 0 ,..., X k = Ak X 0 .
Luego
Xk = Ak (c1 v1 + c2 v 2 + ... + cn v n )
= c1 Ak v1 + c2 Ak v 2 + ... + cn Ak v n .
Aplicando el teorema 8, mdulo 16, donde se establece que si i es un valor

caracterstico de A, in es un valor caracterstico de An, tenemos:
Xk = c11k v1 + c2 2k v 2 + ... + cn n k v n .
18.2 Procesos de Markov

Sean S1, S2 ,..., Sn los estados posibles de un sistema S. Supongamos que S se
observa en los tiempos dados T1,T2 ,..., Tn . Una cadena de Markov es un proceso en
el cual la probabilidad emprica de que S se halle en un estado particular al tiempo
Tk depende solamente del estado en que se halle S en el tiempo Tk 1 .
La matriz de transicin en un proceso de Markov es una matriz de probabilidad.
Escuche la biografa de Andrei

Andreyevich Markov en su
multimedia de lgebra Lineal

Definicin 1
Sea A una matriz n n. A es una matriz de probabilidad si se cumple que:
i.
ii.
aij 0 para toda i y j.

La suma de las componentes en cada columna es 1.
Antes de plantear modelos de procesos de Markov veremos una propiedad importante de las matrices de probabilidad.
Teorema 2
Sea An n una matriz de probabilidad; entonces, = 1 es un valor caracterstico de A.
.
Demostracin
= 1 es un valor caracterstico de A si det ( A 1I ) = 0,

a11 1 a12
a
a22 1
A I = 21
an 2
an1
a1n
a2 n
.
ann 1
Como A es una matriz de probabilidad,

n
a
i =1
ij
= 1, para j =1,..., n (la suma sobre cada columna es 1).

n
En la matriz A I , la suma sobre cada columna ser

a11 1
a12
a1n
a21
a22 1
a2 n
an1
an 2
ann 1
ai 2 1
a21
a22 1
a2n
an1
an 2
ann 1
i =1
i =1
ij
1 = 0.
R1 + ( R2 + ...+ Rn )
ai1 1
i =1
a
i =1
in
0
=
a21 a22 1
an1
an 2
0
a2n
= 0.
ann 1
18.2.1 Modelo de funcionamiento de una mquina

Suponga que una mquina est siempre en alguno de estos tres estados: (1) parada
sin reparacin (P), (2) en necesidad de ajustes (N), (3) trabajando bien (T).
242

Sea:
P N
1
A = 0
0
1
1
1
4
2
4
T
P
8 N
18
9 T
18
1
18
con aij : probabilidad de que una mquina que se encuentre en el estado j pase al
estado i en el periodo siguiente.
Asumimos que la probabilidad de estar en uno cualquiera de los estados al final de
un periodo depende slo del estado en que se encontraba la mquina al principio
del periodo, o sea, el final del periodo anterior.
X1,t
Sea Xt = X 2,t , donde X i ,t es la probabilidad de que la mquina est en el estado

X 3,t
i al principio del periodo t.

Entonces AX t -1 = X t .
Si X0 es la distribucin de probabilidad inicial,
AX 0 = X1 , AX1 = X 2 , AAX 0 = A2 X 0 ...
X n = An X 0 , n 1.
Por ejemplo, si la mquina est trabajando bien al principio del periodo, entonces
0
1
X 0 = 0 , X1 = 0
1
0
1
1
1
0 9 18
8 0 = 8 .
18
18
9 1
9 18
18
1
18
4
2
4
Si consideramos una factora donde cada mquina se comporta con una distribucin de probabilidad como muestra X1 , podemos esperar que 1/18 de las mquinas
estn paradas, 4/9 necesiten ajustes y 1/2 estn trabajando bien.
El comportamiento de la mquina est dado por la matriz A. La secuencia de vectores
X1 , X2 ,..., Xn se llama cadena de Markov.
Veamos, si A es diagonalizable, cmo calcular A n como el producto PD n P 1 .
1
det ( A I ) = 0
0
1
1
1
18
8
9
18
18
= 0,

2
1
8 1
(1 ) = 0,
2
18 4
(1 ) 2 + = 0,
36
1
5
(1 ) = 0,
6
6
1
6
5
6
1 = 1, 2 = , 3 = .
1
Para = 1, resolvemos ( A I ) v = 0, de donde v1 = 0 .
0
1
Para = 1/ 6, se determina v2 = 4 .
3
7

Para = 5 / 6, se encuentra v 3 = 4 (verifquelo).
3
Luego
1 1 7
1
P = 0 4 4 , P 1 = 0
0 3 3
0
1
1
1
1
1
, D = 0
6
1
0
6
1
0
0 .
5
6
0
1
Si se quiere saber el estado del proceso despus de cinco periodos, habiendo

comenzado con las mquinas trabajando bien, entonces
0
X5 = A X0 = A 0 ,
1
5
0
1 1 7 1
1
A = PD P = 0 4 4 0 ( 6 )5
0 3 3 0
0
5
0 1
0 0
( 5 6 )5 0
1 0.648 0.531
= 0 0.201 0.268 ,
0 0.151 0.201
1 0.648 0.531 0 0.531
y X5 = 0 0.201 0.268 0 = 0.268 .
0 0.151 0.201 1 0.201
244
1
1
1
6
1
6

Despus de cinco periodos la probabilidad de que las mquinas estn trabajando
bien es de aproximadamente 0.2, esto es, aproximadamente 20%; poco menos del
27% necesita ajuste y aproximadamento 53% estn paradas.
Se quiere saber si existe alguna distribucin que se mantenga de un periodo a otro,
esto es, si Xt +1 = Xt , Xt +1 = AXt = Xt .
Vemos que el vector de probabilidad correspondiente a = 1 verifica esta condicin.
Cuando el proceso se comporta de acuerdo con esta distribucin, se dice que ha
1
0
alcanzado su estado estacionario. Este vector es ; esto es, cuando todas las
0
mquinas estn en el estado (1), o sea, paradas sin reparacin, ya no ocurre ningn
cambio de estado de un periodo a otro. A esta situacin se llega cuando han transcurrido n periodos con n grande.
El objetivo del anlisis de Markov es calcular la probabilidad de que un sistema se
encuentre en un estado en particular en un tiempo futuro y determinar el comportamiento del sistema a largo plazo.
Teorema 2
Sea un proceso de Markov dado por la matriz A y la cadena X1, X2 ,..., Xk ,... . Si A es
diagonalizable y todo valor caracterstico de A distinto de 1 posee mdulo menor
que, 1 entonces:
a.
La sucesin X1, X2 ,..., Xk ... cuando k tiende a infinito converge al lim X k = X .
b.
X es un vector del espacio caracterstico de A asociado con = 1, es
decir, AX = X .
Demostracin
a.
Como A es diagonalizable, la solucin X k de la ecuacin en diferencias o

sistema dinmico X k = AX k 1 est dada por
Xk = C11k v1 + C2 2k v 2 + ... + Cr rk v r + Cr +1rk+1 v r +1 + ... + Cn nk v n (teorema 1).
Supongamos que el valor caracterstico = 1 tiene multiplicidad algebraica

r, y que r +1 , r + 2 ... n son menores que 1; entonces:
Xk = C1 v1 + C2 v 2 + ... + Cr v r + Cr +1rk+1 v r +1 + ... + Cn nk v n .
Ahora, para cada i = r + 1,..., n tenemos que:


lim ik = 0 ya que i < 1.
Luego
lim Xk = C1 v1 + C2 v 2 + ... + Cr vr ... = X .
b.
Los vectores v1, v2,..., vr son vectores caractersticos asociados con = 1.

Por tanto, X es un vector del espacio caracterstico de A asociado con = 1.
X se conoce como el estado estacionario del sistema.
Ejemplo 2
Cada ao 5% de la poblacin de la ciudad se muda a los suburbios y 3% de la
poblacin de los suburbios se muda a la ciudad. Suponga que inicialmente 60% de
la poblacin vive en la ciudad y 40% en los suburbios (figura 18.1).
Veamos cul es la distribucin de la poblacin despus un ao.
Figura 18.1
Sean Pc , n y Ps , n las poblaciones de la ciudad y los suburbios en el ao n.

0.6 Pc ,0
P0 = =
0.4 Ps ,0
Pc ,1
P1 =
Ps ,1
Pc ,1 = 0.95Pc ,0 + 0.03Ps ,0
Ps ,1 = 0.05Pc ,0 + 0.97 Ps ,0
0.95 0.03 0.6 0.582

P1 =
=
.
0.05 0.97 0.4 0.418
Despus de un ao, aproximadamente, 58% de la poblacin vive en la ciudad y 42%

en los suburbios.
Se quiere conocer la distribucin de poblacin que permanezca a travs del tiempo.
Pk +1 = Pk = APk .
Pk es un vector caracterstico correspondiente a = 1.
0.95 1 0.03 0.05 0.03
0.05 0.97 1 = 0.05 0.03 , entonces
3
Si x = 3, y = 5 , entonces v = .
5
246
0.05 x = 0.03 y
5x = 3 y

Se debe determinar dentro de los vectores de E1 un vector de probabilidad (la suma
de sus componentes debe ser 1).
3/ 8
v1 = es un vector de estado estacionario.
5 / 8
Se quiere conocer la poblacin despus de k aos. Averigemos los valores caractersticos de A.

0.95
0.05
0.03
= (0.95 )(0.97 ) 0.0015 = 0,
0.97
2 1.92 + 0.92 = 0,
( 1)( 0.92) = 0,
1 = 1, 2 = 0.92.
Determinemos un vector caracterstico correspondiente a 2 = 0.92.

0.03 0.03 0.03
0.95 0.92
=
,
0.05
0.97 0.92 0.05 0.05 entonces
0.03x = 0.03 y
x = y
Luego
1
v2 = .
1
P0 = a1v1 + a2 v2 ,
0.6
3
1
0.4 = a1 5 + a2 1 ,

3 1 0.6 1 0 1/ 8
5 1 0.4 0 1 9 / 40 .
Pk = a11k v1 + a22k v2 ,
1
1 3 9
= + (0.92)k .
8 5 40
1
Cuando k ,
3/ 8
(0.92) k 0 y Pk .
5/ 8
A largo plazo la poblacin alcanza el estado estacionario que es el vector de probabilidad correspondiente a = 1.
La poblacin se estabiliza cuando 3/8 de ella vive en la ciudad y 5/8 en los suburbios.
Mdulo 18
1.
La poblacin de una cierta variedad de peces aumenta de manera que el crecimiento en cualquier ao es el doble del
crecimiento en el ao anterior. Si inicialmente se tenan 50 peces y despus del primer ao se contabilizaron 70 peces:
a.
b.
c.
2.
Suponga que hay tres centros principales de camiones mdese usted mismo. Cada mes, la mitad de los que estn
en Boston y en Los ngeles van a Chicago, la otra mitad permanece donde est y los camiones de Chicago se
dividen igualmente entre Boston y Los ngeles. Si inicialmente la compaa tena x0, y0, z0 camiones en Boston,
Chicago y Los ngeles, respectivamente,
a.
b.
3.
d.
Encuentre, para el k-simo ao, el tamao de la poblacin que vive fuera (dentro) de California.
Puede modelar este problema como un proceso de Markov?
Encuentre la probabilidad de que un individuo de Estados Unidos, elegido al azar, viva fuera (dentro) de
California en el k-simo ao.
Encuentre la distribucin de la poblacin americana a largo plazo.
Suponga que hay una epidemia en la que cada mes se enferma la mitad de los que estn sanos y muere la cuarta parte
de los que estn enfermos. Suponga que inicialmente haba s0 y e0 individuos sanos y enfermos, respectivamente, y
ningn individuo haba muerto.
a.
b.
c.
5.
Encuentre la distribucin de camiones de la compaa en las tres ciudades, para cada mes.
Determine cul ser a largo plazo la distribucin de camiones de la compaa.
Cada ao 1/10 de la gente de Estados Unidos que vive fuera de California se muda dentro y 2/10 de la gente que vive
dentro de California se muda fuera. Si inicialmente y0 y z0 eran los tamaos de las poblaciones fuera y dentro de
California:
a.
b.
c.
4.
Encuentre el tamao de la poblacin de peces en cualquier ao.

Encuentre el tamao de la poblacin despus del quinto ao.
Encuentre el ao en que la poblacin de peces alcanza 2800 individuos.
Encuentre la distribucin de la poblacin para el k-simo mes y diga cul es la probabilidad en ese mes, para
cada uno de los siguientes eventos: estar sano, estar enfermo, estar muerto.
Puede modelar este problema como un proceso de Markov?
Encuentre la distribucin de la poblacin a largo plazo.
Un curso de Qumica se imparte en dos secciones. Si cada semana dejan el curso 1/ 4 de los que estn en la seccin
A y 1/ 3 de los que estn en la seccin B, y 1/6 de cada seccin se transfiere a la otra:/
a.
b.
A largo plazo, cul ser la distribucin de alumnos?

Puede modelar el problema como un proceso de Markov?

248
Para resolver a y b suponga que inicialmente tenan x0 e y0 estudiantes en las secciones A y B y ningn estudiante
fuera del curso.
6.
El crecimiento de un cultivo de bacterias en un medio nutritivo se observa cada dos horas y cada vez se encuentra
que la poblacin ha crecido 30% con respecto a la vez anterior.
a.
b.
7.
Denote por Pn la poblacin de bacterias despus de 2n horas y describa este proceso de crecimiento por
medio de una ecuacin.
Dado que la poblacin inicial es 1000 bacterias, determine P2 y P4.
En un estudio de enfermedades infecciosas se mantiene un registro de brotes de sarampin en un colegio particular.

Se estima que la poblacin Pn infectada en la n-sima semana est dada por la ecuacin Pn+ 2 = Pn+1 1/ 5 Pn . Si
P0 = 0 y P1 = 1000:
a.
b.
c.
8.
Encuentre la poblacin de infectados en la n-sima semana.

Se puede modelar el problema como un proceso de Markov?
Cuntos infectados se tendrn despus de transcurridas seis semanas?
Una poblacin de conejos criados en un laboratorio tiene las siguientes caractersticas:
La mitad de los conejos sobrevive el primer ao. De stos, la mitad sobrevive el segundo ao. La duracin de
la mxima vida es tres aos.
Durante el primer ao los conejos no producen descendencia. El nmero medio de descendencia es seis durante
el segundo ao y ocho durante el tercer ao.
Clase de primera edad
Clase de segunda edad
Clase de tercera edad
0 < edad < 1

1 < edad < 2
2 < edad < 3
Si actualmente la poblacin consta de 24 conejos en la clase de la primera edad, 24 en la clase de la segunda edad y
20 en la tercera edad, cul ser la distribucin de conejos cuando hayan transcurrido diez aos?
9.
Una compaa de robtica quiere fabricar un brazo que deber recoger partes de una banda transportadora para
colocarlas en otra banda. Ocasionalmente el brazo falla, pero el robot est diseado para que en caso de falla se
activen circuitos secundarios. En las observaciones se descubre que si el brazo falla en una ocasin, tendr xito la
siguiente vez 97% de las veces. Si el brazo tiene xito en cierto intento, los circuitos secundarios se desactivarn
y el brazo fallar la siguiente vez apenas 2% de las veces. Cumplir el brazo con el requerimiento del cliente de que
trabaje exitosamente 98% de las veces?
10.
En un da dado, un estudiante est sano o bien est enfermo. De los estudiantes que estn sanos hoy, 95% estar
sano maana. De los estudiantes que estn enfermos hoy, 55% estar enfermo maana.
a.
b.
c.
d.
Cul ser la matriz para esta situacin?

Suponga que el lunes 20% de los estudiantes est enfermo. Qu fraccin o porcentaje de los estudiantes
es probable que est enfermo el mircoles?
Si un estudiante est bien hoy, cul ser la probabilidad de estar bien dentro de dos das?
Cul es la probabilidad de que despus de muchos das una persona dada est enferma?
Ejer
cicioslgebradel
18249
Linealmdulo
Ejercicios
250
19

19.1 Matriz de Jordan
19.2 Forma cannica de Jordan
19.3 Procedimiento para obtener la forma cannica de Jordan de A22 .
19.4 Generalizacin del procedimiento para obtener la forma cannica de Jordan
de An n .
Los procedimientos expuestos en este

mdulo aparecieron por primera vez en el
trabajo del matemtico francs Camille
Jordan (1838-1922) titulado Tratado sobre
sustitucin y ecuaciones algebraicas ,
publicado en 1870.
Objetivos del mdulo

1. Determinar para cualquier matriz An n , diagonalizable o no, una matriz semejante
J que es su forma cannica de Jordan.
Preguntas bsicas
1.
2.
3.
4.
Qu es una matriz bloque de Jordan?

Qu es una matriz de Jordan?
Cmo est formada la diagonal en una matriz de Jordan?
Qu es un vector caracterstico generalizado?
5. Cmo se conforma la matriz P que permite llevar A22 a su forma cannica de

Jordan?
6. Si A es una matriz 3 3, cmo se obtiene la matriz P que lleva a A a su forma
cannica de Jordan?
Introduccin
La idea de la diagonalizacin de una matriz An n es poder encontrar una matriz ms
sencilla semejante a la matriz A con la cual se pueda operar ms fcilmente. Sin
embargo, no todas las matrices tienen n vectores caractersticos LI, es decir, no son
semejantes a una matriz diagonal; en este caso se puede encontrar semejanza con
otra matriz, no diagonal pero s ms sencilla que la matriz original. Veremos la forma
de obtener estas matrices.

19.1 Matriz de Jordan

Escuche la biografa de Camille
Jordan en su multimedia de
lgebra Lineal
Comenzamos el proceso definiendo una matriz cuadrada N k , as:
0
0
Nk =
0
0
1 0
0 1
0 0
0 0
0
0
.
1
0
N k es una matriz con unos arriba de la diagonal principal y ceros en las dems
posiciones.
Ahora formamos una nueva matriz B ( ) = I + N k ; a esta matriz la llamamos matriz

de bloques de Jordan.
1 0
0 1
B ( ) =
kxk
0 0 0
0 0 0
0
0
.
1
0
0
0
B ( ) es una matriz que tiene un valor fijo sobre la diagonal, unos encima de la
diagonal y ceros en las dems posiciones.
Podemos considerar que una matriz bloque de Jordan de 1 1 (orden 1), ser
B( ) = ( ).
Con las matrices de bloques de Jordan se forma la matriz de Jordan J, la cual tiene la
siguiente forma:
0
B1 (1 )
0
B2 (2 )
J =
0
0
0
.
Br (r )
0
J es una matriz que tiene en la diagonal matrices de bloques de Jordan y ceros en las
dems posiciones.
252
Mdulo 19: Forma cannica de Jordan

Ejemplos
1.
2
0
0
0
0 0 0 0
2 1 0 0
0 2 1 0
0 0 2 0
0 0 0 3
3 1 0
0 3 0 .
0 0 4
Las anteriores son matrices de Jordan; los bloques de Jordan se han

marcado con lneas punteadas.
2.
Veamos las posibles matrices de Jordan de 3 3 .
1 0
0 1
formada por un bloque de Jordan de orden 3.

0 0
1 1 0
0 1 0 formada por un bloque de Jordan de orden 2 y uno de orden 1.

0 0
2
1 0 0
0
1
2
formada por un bloque de Jordan de orden 1 y uno de orden 2.

0 0 2
1 0
0
2
0 0
0
0
formada por tres bloques de Jordan de orden 1.
3
1 , 2 , 3 no necesariamente son distintos.
19.2 Forma cannica de Jordan

Para cualquier matriz A, real o compleja, se puede demostrar la existencia de una
matriz de Jordan J semejante a A, tal que
J = P 1 AP .
Este hecho es uno de los resultados ms importantes del lgebra lineal, aunque su
demostracin va ms all del alcance de un curso inicial.
La matriz J tiene sobre la diagonal los valores caractersticos de A. Esta matriz es
nica excepto por el orden en que aparecen los bloques de Jordan.
Escuche el audio El puente de

Tacoma en su multimedia de
lgebra Lineal

Ejemplo 3
1
0
0
Si A es similar a J1 =
0
0
1 0 0 0 0
1 1 0 0 0
0 1 0 0 0
tambin es similar a:
0 0 3 0 0
0 0 0 4 1
0 0 0 0 4
3
0
0
J2 =
0
0
0 0 0 0 0
4 1 0
0 4 0
1 1 0 0 0
0 1 1 0 0
0 0 1
, J3 =
0 0 1 0 0
0 0 0
0 0 0 4 1
0 0 0
0 0 0 0 4
0 0 0
4
0
0
J4 =
0
0
1 0 0 0 0
4 0 0 0 0
0 3 0 0 0
0 0 1 1 0
0 0 0 1 1
0 0 0 0 1
0 0 0
0 0 0
1 0 0
,
1 1 0
0 1 0
0 0 3
y otras dos matrices de Jordan.

La matriz J se llama forma cannica de Jordan de A. Si A es diagonalizable, la forma
cannica de Jordan de A ser la matriz diagonal D equivalente a A, donde los bloques de Jordan sern los valores caractersticos de A, 1 , 2 ,..., n no necesariamente distintos.
A continuacin veremos cmo obtener la forma cannica de Jordan para una matriz
A22 . Si A es diagonalizable ya sabemos cmo obtener su matriz diagonal equivalen-
te. Slo resta analizar el caso en el cual A tiene un solo valor caracterstico de
multiplicidad algebraica 2 y multiplicidad geomtrica 1. Bajo estas condiciones, si v1
es un vector caracterstico correspondiente al valor caracterstico , entonces existe un vector v2 que satisface la ecuacin
( A I )v2 = v1.
254
19.3 Procedimiento para obtener la forma cannica

de Jordan de A2x2
Definicin 1
Sea A una matriz de 2 2 con un solo valor propio con multiplicidad algebraica 2
y multiplicidad geomtrica 1. Si v1 es un vector caracterstico correspondiente a ,
entonces al vector v2 tal que ( A I ) v2 = v1 se le llama vector caracterstico generalizado de A correspondiente al valor caracterstico .
El siguiente teorema nos muestra la necesidad de encontrar el vector v2 como un
vector caracterstico generalizado.
Teorema 1
Sea A2 2 con un nico valor caracterstico y un nico vector caracterstico v1
linealmente independiente.
Sea v2 un vector caracterstico generalizado de A correspondiente al valor caracterstico , y P la matriz cuyas columnas son los vectores v1 y v2 . Entonces
1
P 1 AP = J , donde J =
es la forma cannica de Jordan de A.
0
Demostracin
Como v2 no es un vector caracterstico de A, v2 v1 , es decir, v1 y v2 son LI,

entonces P es invertible.
AP = A [ v1 , v 2 ] = [ Av1 , Av 2 ] = [ v1 , Av 2 ].
Como ( A I ) v2 = v1 , Av2 v2 = v1 , Av2 = v1 + v2 , entonces

AP = [ v1 , v1 + v 2 ].
Ahora,
1
PJ = [v1 , v2 ]
= [ v1 , v1 + v2 ].
0
Luego
AP = PJ ,
de donde P1 AP = J .

Ejemplo 4
10 7
Transforme la matriz A =
a su forma cannica de Jordan.
4
7
Solucin
det ( A I ) =
10
=0,
2 + 6 + 9 = 0 ( + 3) 2 = 0.
Luego = 3 es el nico valor caracterstico de A, con multiplicidad algebraica 2.

Determinemos los vectores caractersticos correspondientes a = 3 .
( A + 3I )x = 0,
7 7 x 0
7 7 y = 0 ,
entonces
7 x 7 y = 0
7 x = 7 y
x = y
Por tanto,
1
E3 = gen .
1
1
Si v1 = , el vector v2 debe encontrarse como un vector caracterstico generali1
zado.
Para esto resolvemos ( A + 3I )v2 = v1.

7 7 x 1
,
=
7
7 y 1
Si x = 0,
entonces
7 x 7 y = 1
7 x + 7 y = 1
x+ y =
1
7
y = 1/ 7,
0
luego v 2 = 1 .
7
1
P=
1
0
0
1 7 0 1
, P 1 = 7
=
,
1
7
1 1 7 7
0 10 7 1
1
J = P 1 AP =
4 1
7 7 7
256
0 3 1
= 0 3 .
7
19.4 Generalizacin del procedimiento para obtener

la forma cannica de Jordan de Anxn
El mtodo descrito puede generalizarse para obtener la forma cannica de Jordan de
cualquir matriz. Es posible determinar el nmero de unos arriba de la diagonal en la
forma cannica de Jordan de una matriz A de n n.
Sea i un valor caracterstico de A con multiplicidad algebraica ri y multiplicidad
geomtrica ti . Si 1 , 2 ,..., k son los valores caractersticos de A, entonces el nmero de unos arriba de la diagonal de la forma cannica de Jordan de A es:
(r1 t1 ) + (r2 t2 ) + ... + (rk tk )
k
i =1
i =1
i =1
= ri ti = n ti .
Si se conoce la ecuacin caracterstica de A, entonces se pueden determinar las
posibles formas cannicas de Jordan de A.
Ejemplo 5
Si el polinomio caracterstico de A es ( 3)3 ( + 4), entonces las posibles formas
cannicas de Jordan de A son:
1.
1 = 3 con multiplicidad geomtrica 3 y 2 = 4.

3
0
J =D=
0
2.
0 0
0 0
.
3 0
0 4

3
0
J =
0
3.
0
3
0
0
0
0
.
0 3 0
0 0 4
0 0
3 1

3
0
J =
0
1
3
0
0
0 0
1 0
.
3 0
0 4
Generalizando el procedimiento para hallar el vector caracterstico generalizado v2

de la matriz A2 2 no diagonalizable, podemos describir el proceso para encontrar

los vectores caractersticos generalizados en una matriz A33 no diagonalizable.
Sea A una matriz 3 3 . Suponga que es un valor caracterstico de A con multiplicidad algebraica 3 y multiplicidad geomtrica 1 y sea v1 el vector propio corresponVea en su multimedia de lgebra
para ilustrar La forma cannica
de Jordan
diente. Se puede demostrar que existe un vector v2 tal que ( A I ) v2 = v1 con

v1 y v2 linealmente independientes. Una vez obtenido v2 puede determinarse v3
resolviendo ( A I ) v3 = v2 tal que v1, v2 y v3 son linealmente independientes. Las

columnas de la matriz P sern los vectores v1, v2 y v3 y la forma cannica de Jordan
1 0
ser J = 0 1 .
0 0
Ejemplo 6
En el ejemplo 6 del mdulo 16, para la matriz
0 1 0
A = 0 0 1
1 3 3
con ecuacin caracterstica ( 1)3 = 0, determinamos un solo vector caractersti-
1
co correspondiente a = 1, v1 = 1 .
1
Encontremos los vectores caractersticos generalizados v2 y v3 , para determinar la
matriz P = [ v1 , v 2 , v 3 ] tal que P 1 AP = J .
Resolvamos ( A I ) v2 = v1.
1 1 0 x 1
0 1 1 y = 1

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

,
1 3 2 1 0 0 0 0
2

v
=
Si z = 0, x = 2 e y = 1, entonces 2 1 .
0
258
x = 2 + z
y = 1 + z
z=
z

Ahora encontremos v3 , resolviendo ( A I )v3 = v2 .
1 1 0 x 2
0 1 1 y = 1 ,

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

,
1 3 2 0 0 0 0 0
x = 3+ z
y = 1+ z
z=
z
3

=
v
Si z = 0, entonces 3 1 .
0
Luego
1 2 3
P = 1 1 1 ,
1 0 0
0 0 1
P = 1 3 2 .
1 2 1
1
0 0 1 0 1 0 1 2 3 1 1 0
J = 1 3 2 0 0 1 1 1 1 = 0 1 1 .
1 2 1 1 3 3 1 0 0 0 0 1
Mdulo 19
En los ejercicios 1 a 9 determine si la matriz dada es de Jordan.
1.
3 1
0 1
5.
3 1
0 1
9.
a
0
0
0
2.
3 0
0 1
6.
1 0 0
0 3 1
0 0 4
3.
1 0
0 0
7.
1 0 0
0 3 1
0 0 3
4.
1 2
0 1
8.
1
0
0
0
0 0 0 0
3 1 0 0
0 3 1 0
0 0 3 0
0 0 0 3
0 0 0 0
b 1 0 0
0 b 1 0
0 0 c 0
0 0 0 c
En los ejercicios 10 a 12 encuentre una matriz invertible P que transforme la matriz de 2 2 a su forma cannica de Jordan.
10.
13.
14.
15.
2 7
7 12
11.
7
4
7 10
12.
2 1
1 4
2 1 0
2 1 1 .
Reduzca la matriz a su forma cannica de Jordan:

1 1 2
0
Haga lo mismo que en el ejercicio anterior con A = 1 2
6
0
1
8
0 .
0
Escriba todas las matrices de Jordan de 4 4 posibles.

260
En los ejercicios 16 a 19 se da el polinomio caracterstico de una matriz A. Escriba todas las posibles formas cannicas de
Jordan de A.
16.
2 ( 1) 2
17.
( + 3) 2 ( 4)3
18.
( 2)( + 3) 2
19.
( 7)3
20.
Usando la forma cannica de Jordan, demuestre que para cualquier matriz A de n n, det A = 1 2 ,..., n , donde
1 , 2 ,..., n son los valores caractersticos de A.
Ejer
cicioslgebradel
19261
Lineal mdulo
Ejercicios
Captulo 5
Diagonalizacin
ortogonal.
Formas
cuadrticas y
aproximacin
de valores y
vectores
caractersticos
Segn Morris Kline1, los valores caractersticos se originaron en el contexto de formas cuadrticas y en la mcanica celeste (el movimiento de los planetas), conocindose como races caractersticas de la ecuacin escalar.
En el captulo anterior tratamos el problema general de la diagonalizacin de una

matriz. Ahora veremos un caso especfico importante que se presenta cuando la
matriz An n es simtrica y es que estas matrices siempre son diagonalizables, de tal
forma que la matriz P que diagonaliza a A es una matriz ortogonal. Este hecho tiene
una aplicacin relevante en la reduccin de formas cuadrticas en \ 2 y \ 3 .
Finalizamos el captulo presentando el teorema de las circunferencias de Gershgorin,
el cual proporciona un intervalo donde se pueden acotar los valores caractersticos
cuando no se precisa conocerlos con exactitud. Adems se desarrolla un mtodo
iterativo para calcular el valor caracterstico y el vector caracterstico dominante de
una matriz. Estos procedimientos se hacen necesarios debido a que cuando A es
una matriz de orden grande, el clculo de los valores caractersticos por medio de la
ecuacin caracterstica se transforma en un problema algebraico difcil.
Mdulo 20
Diagonalizacin ortogonal
Ejercicios
Mdulo 20
Mdulo 21
Formas cuadrticas y secciones
cnicas
Ejercicios
Mdulo 21
Mdulo 22
Aproximacin de valores y
vectores caractersticos
Ejercicios
Mdulo 22
En Mathematical thought from ancient to modern times (Fair Lawn, NJ.: Oxford University
Press, 1972).
264
20
Diagonalizacin ort
ogonal
ortogonal
20.1 Diagonalizacin ortogonal

20.2 Procedimiento para encontrar n vectores caractersticos ortonormales de una
El movimiento horizontal del sistema de
masas y resortes en el cual todas las masas
son iguales y todos los resortes son iguales
se puede analizar diagonalizando la matriz
simtrica
matriz simtrica An n
Objetivos del mdulo

1. Caracterizar las matrices simtricas como aquellas que son diagonalizables
ortogonalmente.
2. Desarrollar un algoritmo para determinar la matriz ortogonal que diagonaliza una
matriz simtrica A.
A=
2 1
1 2 .
Preguntas bsicas
1. Cmo son los valores caractersticos de una matriz simtrica real A?
2. Cmo son los vectores caractersticos que corresponden a valores caractersticos diferentes?
3. Qu significa que una matriz es diagonalizable ortogonalmente?
4. Qu se puede decir de una matriz que es diagonalizable ortogonalmente?
Introduccin
Estudiaremos varias propiedades importantes de las matrices simtricas, tales como
que siempre tienen n vectores caractersticos LI y todos sus valores caractersticos
son nmeros reales. Ahora, no slo se garantiza su diagonalizacin, sino que adems se puede comprobar que se puede formar una base ortonormal con sus vectores
caractersticos.

Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores y vectores caractersticos
20.1 Diagonalizacin ortogonal

Teorema 1
Escuche la biografa de Leonhard
Euler en su multimedia de lgebra
Lineal
Si nA
n es una matriz simtrica con elementos reales, entonces:
a.
Sus valores caractersticos son reales.
b.
Los vectores caractersticos correspondientes a distintos valores caractersticos son ortogonales.
Demostracin
a.
Sea un valor caracterstico de A con vector caracterstico u; entonces

Au = u, u ^ n y u 0.
El producto interno entre el vector Au y u est dado por:

( Au, u) = ( u, u) = (u, u) (Prop. VI, definicin de producto interno),
( Au, u) = (u, At u) = (u, Au) ya que A = At (teorema 2, mdulo 15)
= (u, u) = (u, u) (Prop. VII, definicin de producto

interno),
luego (u, u ) = (u, u ),
(u , u ) = u
0 , entonces = .
Si = a + bi, = a bi ,
a + bi = a bi
b = 0.
Luego = a ; por tanto, es un nmero real.
b.
Sean 1 y 2 valores caractersticos distintos correspondientes a vectores

caractersticos u 1 y u 2 . Entonces,
Au1 u 2 = 1u1 u 2 = 1 (u1 u 2 ),
Au1 u 2 = u1 At u 2 = u1 Au 2 = u1 2 u 2 = 2 (u1 u 2 ),
luego 1 (u1 u 2 ) = 2 (u1 u 2 ).
266
Mdulo 20: Diagonalizacin ortogonal

Como 1 2 , entonces u1 u2 = 0, lo cual significa que u1 y u2 son
ortogonales.
Observacin: note que en la parte b del teorema se plantea el producto escalar
entre Au1 y u 2 ; esto se puede hacer as ya que en la parte a del teorema se ha
demostrado que los valores caractersticos son nmeros reales, y como A es una
matriz real, los vectores caractersticos sern elementos de \n .
Teorema 2
Sea A una matriz simtrica real de n n; entonces A tiene n vectores caractersticos
ortonormales.
La demostracin del teorema excede el alcance de este curso; sin embargo, podemos verificarlo siempre que trabajamos con matrices simtricas.
Del teorema se desprende, como consecuencia, que toda matriz simtrica real es
diagonalizable y sus vectores caractersticos no slo son LI sino que son
ortogonales. Si estos vectores se normalizan, se tienen n vectores caractersticos
ortonormales de modo que la matriz P que diagonaliza la matriz simtrica A es
ortogonal.
Definicin 1
Una matriz An n es diagonalizable ortogonalmente si existe una matriz ortogonal
P tal que
PT A P = D,
donde D es la matriz diagonal que tiene sobre la diagonal los valores caractersticos
de A.
Teorema 3
Sea A una matriz real de n n. Entonces A es diagonalizable ortogonalmente si y
slo si A es simtirca.
Demostracin
Si A es simtrica, el teorema 2 y la definicin anterior nos permiten concluir que A es
diagonalizable ortogonalmente.
Recprocamente, si A es diagonalizable ortogonalmente, existe P ortogonal tal que
PT A P = D, luego A = P D PT ; entonces,
AT = ( P D PT )T = ( PT )T DT PT = P D PT .
De donde A = AT , es decir, A es simtrica.

Si An n es una matriz simtrica con n valores caractersticos diferentes, sus vectores
caractersticos sern ortogonales. Ahora, si hay valores caractersticos con multiplicidades mayores que 1, los vectores caractersticos que se obtienen al resolver el
espacio caracterstico correspondiente no necesariamente son ortogonales; si aplicamos el proceso de Gram-Schmidt, obtendremos vectores ortonormales, pero sern todava vectores caractersticos? La respuesta es s, ya que al aplicar el proceso
de Gram-Schmidt slo se toman combinaciones lineales particulares de los vectores
de la base del espacio caracterstico y por tanto los vectores ortonormales obtenidos sern tambin vectores caractersticos correspondientes al mismo valor caracterstico .
20.2 Procedimiento para encontrar n vectores

caractersticos ortonormales de una matriz
simtrica An xn
a.
Encontrar los valores caractersticos de A.
b.
Encontrar una base para cada espacio caracterstico.
c.
Aplicar el proceso de Gram-Schmidt para obtener una base ortonormal de

cada espacio caracterstico. De esta forma todos los vectores obtenidos
forman un conjunto de n vectores caractersticos ortonormales.
Ejemplo 1
1 1 0
En el ejemplo 5 del mdulo 16, dada A = 1 2 1 , determinamos sus valores
0 1 1
caractersticos 0, 1 y 3 con sus correspondientes vectores caractersticos
1 1

1 , 0 ,
1 1

1

2 .
1

La matriz A es simtrica. Veamos que sus vectores caractersticos son ortogonales.
1 1

,
1 . 0 = 0
1 1

1 1

1 . 2 = 0 ,
1 1

1 1

0 . 2 = 0.
1 1

Para tener una base ortonormal de \ 3 slo se necesita normalizar cada uno de estos
vectores.
268
Mdulo 20: Diagonalizacin ortogonal
La base ortonormal est dada por
1
1
0 ,
2
1
1
1
1 ,
3
1
1
1
2
6 .
1
Luego la matriz P cuyas columnas son estos vectores es una matriz ortogonal, de
modo que P T A P = D.
1
1
3
2
6
0
2
1
1
1 1 0 1
1 2 1 1
2
0 1 1 1
6
3
3
3
0
1
1
2
0 0 0
= 0 1 0
6
.
0 0 3
6
6
Ejemplo 2
0 1 1
Sea A = 1 0 1 . Diagonalicemos la matriz A ortogonalmente.
1 1 0
Resolvemos el polinomio caracterstico de A as:
det( A I ) = 1
1
1
= 3 + 3 + 2 = 0
= 3 3 2 = 0
( + 1)2 ( 2) = 0
Los valores caractersticos de A son 1 = 1 con multiplicidad algebraica de 2 y
2 = 2 .
Para determinar E1 , resolvemos (A + I )x = 0.
1 1 1
1 1 1
1 1 1 0 0 0 , luego
1 1 1
0 0 0
Entonces E1
x = y z
y= y
z=
1
1

= gen v1 = 1 , v 2 = 0 .
0
1

Ahora, v1 y v 2 no son mutuamente ortogonales, aunque s son linealmente independientes. Aplicamos a esta base el proceso de Gram-Schmidt.

para ilustrar Diagonalizacin
ortogonal
u1 =
1
v1
1
1 .
=
v1
2
0
Sea v 2 = v 2 ( v 2 u1 )u1
1 1 2 1 2
1
1 2
1 1

= 0 0 . 2 2 = 1 2 ,
1
1 0 0

1
1
1 2
2 1
1
=
u2 =
2 =
6
v 2
2
1
v 2
v 2 =
6
.
2
.
6
6
6
E2 lo encontramos resolviendo ( A 2 I )x = 0.
2 1 1
1 0 1
1 2 1 0 1 1 ; entonces
1 1 2
0 0 0
1
, v 3 = 1 .
1

x= z
y= z
z= z
Luego
1

E2 = gen 1 .
1

Para completar la base ortonormal, dividimos v 3 por su magnitud y obtenemos
u3 =
1
1
1
3 .
3
3
1 2
La matriz P = 1 2
0
1
1
2
6
6
6
1
1
1
es la matriz ortogonal que diagonaliza la matriz

3
3
3
simtrica A.
As que:
1 0 0
P A P = D = 0 1 0 .
0 0 2
T
270
Mdulo 20
En los ejercicios 1 a 7 diagonalice ortogonalmente las matrices simtricas dadas, determinando la matriz diagonal D y la
matriz diagonalizante ortogonal P.
1.
2 2
2 2
5.
0 0 0
0 2 2
0 2 2
2.
1 1
1 1
6.
1 2 2
2 1 2
2 2 1
3.
1 2 2
2 1 2
2 2 1
7.
0 1 1
1 0 1
1 1 0
4.
0 0 1
0 0 0
1 0 0
8.
Suponga que An n es una matriz simtrica real para la que todos sus valores caractersticos son cero. Demuestre que
A es la matriz nula n n.
9.
Demuestre que si una matriz real A de 2 2 tiene vectores propios ortogonales, entonces A es simtrica.
10.
Muestre que si A es invertible y ortogonalmente diagonalizable, entonces A1 es ortogonalmente diagonalizable.
11.
Sea A una matriz real antisimtrica. Demuestre que todo valor propio de A es de la forma bi, donde b \ e i es la
unidad imaginaria.
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de

272
21
Formas cuadrticas y secciones

cnicas
21.1 Secciones cnicas
La expresin de una forma cuadrtica en

trminos de una matriz simtrica permite
utilizar las propiedades de las matrices
simtricas para reducir las ecuaciones de
las secciones cnicas representadas a sus
ejes principales.
21.2 Formas cuadrticas en \ 2

21.3 Teorema 1: Teorema de los ejes principales en \ 2
21.4 Formas cuadrticas en ms de dos variables
Objetivos del mdulo

1. Mostrar una aplicacin de la diagonalizacin ortogonal.
2. Completar el estudio de la ecuacin general de segundo grado cuando la ecuacin
corresponde a una cnica rotada y/o trasladada con respecto a su posicin
cannica.
3. Extender el estudio de las formas cuadrticas a las superficies cuadrticas en \3.
Preguntas bsicas
1. Qu es una forma cuadrtica en \ 2 y cmo se relaciona con la ecuacin general
de segundo grado?
2. Cmo se expresa matricialmente una forma cuadrtica?
3. Cmo se emplea la diagonalizacin ortogonal de la matriz A de la forma cuadrtica,
para llevar sta a sus ejes principales?
4. Cmo se determina el ngulo que deben rotar los ejes x e y para llevar la
cnica a nuevos ejes xy y expresarla en su forma cannica?
5. Cmo debe ser la matriz ortogonal P que diagonaliza la matriz A para que corresponda a una matriz de rotacin?
6. En la ecuacin de segundo grado, eliminado el trmino en xy, cmo se puede
saber qu tipo de cnica representa?
Introduccin
En este mdulo presentamos una aplicacin de la diagonalizacin ortogonal.
Las propiedades de las matrices simtricas estudiadas en la seccin anterior nos
proporcionan una herramienta importante en la reduccin de las ecuaciones de
segundo grado cuando en ellas hay un trmino cruzado, es decir, un trmino en xy.

21.1 Secciones cnicas

En el estudio de las secciones cnicas en el plano realizado en el texto de Geometra
vectorial y analtica se han asociado estas secciones con la ecuacin general de
segundo grado
Ax2 + Bxy + Cy2 + Dx + Ey + F = 0,
donde A, B, C, D, E y F son constantes reales.
(1)
La grfica de esta ecuacin es una seccin cnica o un caso degenerado de stas

como un punto, una recta, un par de rectas o el conjunto vaco.
Cuando la constante B es cero, o sea cuando la ecuacin no tiene trmino en xy, los
ejes de simetra de la cnica son paralelos a los ejes coordenados.
Las cnicas no degeneradas estn en posicin cannica si sus grficas y ecuaciones
son como se indica en la figura 21.1. La ecuacin est en forma cannica.
274
Mdulo 21: Formas cuadrticas y secciones cnicas
Figura
21.1
Se puede observar que las ecuaciones de las secciones cnicas cuyas grficas
estn en posicin cannica no tienen el trmino xy o trmino mixto; cuando ste
aparece en la ecuacin, la grfica es una seccin cnica que ha sido rotada desde su
posicin cannica. Adems, en las ecuaciones cannicas correspondientes a crculos, elipses e hiprbolas las variables x e y aparecen siempre al cuadrado; cuando la
ecuacin contiene trminos cuadrticos y lineales en las variables x e y y la ecuacin no tiene trmino mixto, la grfica es una seccin cnica trasladada desde su
posicin cannica; finalmente, si aparece trmino en xy y trminos lineales en x o en
y, la grfica es una seccin cnica rotada y trasladada (figura 21.2).
Figura 21.2
21.2 Formas cuadrticas en \2

En la ecuacin general de segundo grado (1) consideremos nicamente los trminos cuadrticos, o sea, Ax2 + Bxy + Cy2 . A esta expresin la llamamos forma
cuadrtica asociada con la ecuacin (1) y la denotamos por F ( x, y ). Tenemos
entonces que:
F ( x, y) = Ax2 + Bxy + Cy 2 .
(2)

Esta forma cuadrtica la podemos representar matricialmente as:
F ( x, y ) = XT R X,
(3)
x
donde X = y R es la matriz simtrica que tiene sobre la diagonal principal los
y
coeficientes de los trminos cuadrados puros y sobre la otra diagonal se reparte
simtricamente el coeficiente del trmino cruzado.
A
F ( x, y ) = ( x y )
B 2
x
= Ax 2 + Bxy + Cy 2 .
C y
Por ejemplo, si F ( x, y ) = 3 x 2 + 2 xy + y 2 , entonces
3 1 x
F ( x, y ) = [ x y ]

1 1 y
x
= [3 x + y x + y ]
y
2
= 3 x + xy + xy + y 2 = 3x 2 + 2 xy + y 2 .
Inversamente, si R es una matriz simtrica, entonces la ecuacin (3) define una forma
cuadrtica.
Se puede representar F ( x, y ) por muchas matrices, pero slo por una matriz sim3 a
trica. En el ejemplo dado, cualquier matriz R =
, donde a + b = 2, verifica que
b 1
3 3
XT R X = F ( x, y); entonces, si R =
, se cumple que
1 1
3 3 x
[ x y]

1 1 y
x
= [3x y 3 x + y ]
y
2
= 3x xy + 3 xy + y 2 = 3 x 2 + 2 xy + y 2 .
Ahora, si a la matriz R se le exige adems que a = b, entonces slo habr una matriz
P que satisfaga simultneamente las dos condiciones a + b = 2 y a = b.
Consideremos entonces la forma cuadrtica F ( x, y ) = XT R X con R una matriz
simtrica. Por el teorema 3 del mdulo 20, R es diagonalizable ortogonalmente, esto
es, existe una matriz ortogonal P tal que R = P D PT , donde D es la matriz diagonal
276

que tiene sobre la diagonal los valores caractersticos de R.
Entonces X T R X se puede escribir como XT ( P D PT ) X, y asociando, como
( X T P ) D ( P T X ).
x
Sea X = tal que X = P T X; entonces,
y
( X ) T = ( P T X ) T = X T P .
Luego la forma cuadrtica expresada en las nuevas variables x , y ser:
F ( x , y ) = XT D X = [ x y ] 1
0
0 x
= x2 + 2 y 2 .
2 y 1
Es decir, F ( x, y ) es una forma cuadrtica en la que no figura el trmino xy.

Ejemplo 1
Sea la forma cuadrtica 3 x 2 + 2 xy + y 2 y expresmosla en nuevas variables x e y
donde no figure un trmino en xy.
3 1 x
F ( x, y ) = [ x y ]
.
1 1 y
Diagonalicemos ortogonalmente la matriz R.

det ( R I ) =
= 0,
2 4 + 2 = 0
1 = 2 + 2, 2 = 2 2
( R (2 + 2) I ) X = 0,
1 2
x 0
= .
1 2 y 0
1
Entonces
(1 2)x = y si x = 1, y = 2 1,
luego
1
v1 =
2 1
v1 = 1 + ( 2 1)2 = 4 2 2.

u1 =
.
4 2 2 2 1
1
Despus resolvemos ( R (2 2) I ) X = 0.
1 + 2
x 0
= (1 + 2)x = y;
1 + 2 y 0
1
entonces, si x = 1, y = 1 + 2.
As que
1
v 2 =
1 + 2
v 2 = 1 + (1 + 2) 2 = 4 + 2 2 .
u2 =
42 2
Sea P =
2 1
4 2 2
2 + 2
con D =
0
.
4 + 2 2 1 + 2
1
4+2 2
la matriz ortogonal tal que PT R P = D,
1 + 2
4 + 2 2
2 2
0
En las nuevas variables x e y la forma cuadrtica se puede expresar como
(2 + 2) x2 + (2 2) y 2 = F ( x, y),
en la cual no hay un trmino en x y .
La matriz P que diagonaliza la matriz simtrica R es real y ortogonal, o sea, PT = P 1 ,
entonces 1 = det PP 1 = det PPT = det P det PT = (det P ) 2 .
Por tanto, det P = 1. Si det P = 1, se pueden intercambiar las columnas de P
para hacer el determinante de esta nueva matriz igual a 1; esto equivale a intercambiar 1 y 2 .
Veamos ahora que cuando P es real y ortogonal con determinante 1,
278

cos sen
P=
para algn nmero , con 0 2 , lo cual significa que
sen cos
P es una matriz de rotacin.
a c
Sea P =
real y ortogonal con P = 1.
b d
a c
Por el teorema 1 del mdulo 15, los vectores b y d forman una base ortonormal

a
de \2, es decir, son vectores unitarios y ortogonales. Luego b se puede expre
cos
sar como sen , siendo el ngulo que forma el vector con el eje x positivo.
a
c
El vector d est formando un ngulo de / 2 con el vector b; entonces,

c
d =

cos ( 2 )
sen ( ) (figura 21.3).
2
Figura
c
Si d =

21.3
cos ( + 2 ) sen
sen ( + ) = cos , entonces
2
cos
P=
sen
sen
y
cos
P = 1.
c cos ( 2 ) sen
Ahora, si d = sen ( ) = cos ,
2


cos
entonces P =
sen
sen
P = 1.
cos y
Luego la matriz ortogonal P que tiene determinante 1 es una matriz de rotacin.

Por tanto, se ha demostrado el siguiente teorema.
21.3 Teorema 1: TTeorema

eorema de los ejes principales
para ilustrar Formas cuadrticas
y secciones cnicas
en \2
Sea F ( x, y) = Ax2 + Bxy + Cy 2 una forma cuadrtica en las variables x e y. Entonces
existe un nico nmero en [0, 2 ] tal que F ( x, y ) se puede escribir en la forma
1 x2 + 2 y 2 = F ( xy ) ,
donde x e y son los ejes obtenidos al rotar los ejes x e y un ngulo en sentido
contrario a las manecillas del reloj.
A
1 y 2 son los valores caractersticos de la matriz R = B
.
C
Si la forma cuadrtica F ( x, y ) est igualada a un trmino independiente F, tenemos

una ecuacin cuadrtica, y de la ecuacin F ( x, y ) = F = 1 x2 + 2 y 2 se dice que
ha sido expresada en sus ejes principales.
Ejemplo 2
Tomemos la ecuacin cuadrtica 3 x 2 + 2 xy + y 2 = 4.
En el ejemplo 1 se encontr que la forma cuadrtica en sus ejes principales es
(2 + 2) x2 + (2 2) y2 , luego la ecuacin es (2 + 2) x2 + (2 2) y 2 = 4, la
cual en su forma cannica es:
x 2
y 2
+
= 1.
4
4
2+ 2
2 2
2
Esta ecuacin representa una elipse con a =
4
2 2
, esto es, su eje mayor est
sobre el eje y.
b2 =
280
4
2+ 2
y c2 = a 2 b2 =
4
(2 2)
4
2+ 2
= 4 2.

1
42 2
Como P =
2 1
4 2 2
cos =
1
42 2
4+2 2
tiene det P = 1, entonces
1 + 2
4 + 2 2
, y sen =
2 1
42 2
Como ambos son positivos, est en el primer cuadrante.

Usando la calculadora, determinamos que 22.5 . Por tanto, se trata de una
elipse centrada en el origen y rotada un ngulo de 22.5 (figura 21.4).
Figura 21.4
Ejemplo 3
Identifique la seccin cnica cuya ecuacin es 3 x 2 2 xy y 2 = 4.
Solucin
En el ejemplo 2 vimos que la forma cuadrtica 3 x 2 + 2 xy + y 2 en sus ejes principales se puede expresar como (2 + 2) x2 + (2 2) y 2 , luego la ecuacin dada se
puede escribir como:
(2 + 2) x2 (2 2) y2 = 4.
Como para cualesquier nmeros reales x e y, (2 + 2) x2 (2 2) y2 0, no
existen nmeros reales x e y que satisfagan la ecuacin dada. Luego la seccin
cnica definida se llama seccin cnica degenerada.

Ejemplo 4
Identifique y trace la grfica de la ecuacin 9 x 2 + y 2 + 6 xy 10 10 x + 10 10 y + 90 = 0.
Escriba la ecuacin en forma cannica.
Solucin
La forma matricial de la ecuacin dada es:
9 3 x
x
[ x y]
+ [10 10 10 10] + 90 = 0.
3 1 y
y
9 3
Determinemos los valores caractersticos de R =
.
3 1
det ( R I ) =
= 2 10 = 0
( 10) = 0
1 = 0 y 2 = 10
El vector caracterstico asociado a 1 = 0 se obtiene resolviendo
9
3
3 x 0
=
; entonces
1 y 0
1
3 x = y , v1 = .
3
Para 2 = 10 tenemos
1
3
3 x
0
= ;
9 y
0
entonces,
3
x = 3 y, v 2 = .
1
Normalizamos estos vectores para obtener la matriz ortogonal
P=
1
10
3
10
3
10
, det P = 1. Luego P es una matriz de rotacin.
1
10
0 0
PT R P = D =
.
0 10
282

La forma cuadrtica en los ejes xy es 10 y2 .
T
Ahora, como X = P X, entonces X = PX , luego la ecuacin cuadrtica en las
variables xy es:
10 y 2 + [10 10 10 10]
1
10
3
10
3
10 x
= 90.
1 y
10
Realizando los productos se obtiene

10 y 2 40 x 20 y = 90,
y 2 4 x 2 y = 9,
( y 2 2 y + 1) = 9 + 4 x + 1,
( y 1) 2 = 4( x 2).
Esta ecuacin corresponde a una parbola rotada y trasladada.

Sea y = y 1 y x = x 2; entonces la ecuacin es y 2 = 4 x.
El ngulo de rotacin lo conocemos con la primera columna de P, as:
cos =
1
10
, sen =
3
10
Luego es un ngulo del cuarto cuadrante: = 360 71.56 = 288.44 (figura 21.5).
Figura
21.5

MATLAB para ilustrar Formas
cuadrticas

Identificamos la grfica de una ecuacin cuadrtica dada en x e y mediante la ecuacin obtenida despus de rotar los ejes. En trminos generales esta ecuacin es:
1 x2 + 2 y2 + Dx + Ey + F = 0.
Teorema 2
Dada la ecuacin de segundo grado 1 x2 + 2 y2 + Dx + Ey + F = 0, entonces:
a.
Si 1 y 2 son ambos positivos, o ambos negativos, la grfica es una elipse,

una circunferencia (si 1 = 2 ) o una seccin cnica degenerada.
b.
Si 1 y 2 son de signo opuesto, la grfica es una hiprbola o dos rectas

que se cortan.
c.
Si 1 = 0 o 2 = 0 , la grfica es una parbola, dos rectas paralelas o una

seccin cnica degenerada.
La demostracin se deja como ejercicio.
21.4 Formas cuadrticas en ms de dos variables

Los mtodos descritos se pueden usar para analizar las ecuaciones cuadrticas en
ms de dos variables. Veamos un ejemplo:
Ejemplo 5
Sea la ecuacin cuadrtica en tres variables dada por x 2 2 xy + 2 y 2 2 yz + z 2 = 27.
1 1 0
x
Si R = 1 2 1 y X = y , entonces la ecuacin se puede escribir en la

0 1 1
z
forma X T R X = 27.
0 0 0
Del ejemplo 1 del mdulo 20, P R P = D = 0 1 0 ,

0 0 3
T
donde P = 1
1
3
3
3
0
1
.
6
1
6
2
2
En consecuencia, X T R X = X T P D P T X = ( X )T D X , siendo X = P T X. Por

tanto, la ecuacin cuadrtica en sus ejes principales se puede escribir como:
284

y 2 + 3 z 2 = 27 ,
y 2 z 2
+
= 1.
27 9
La seccin transversal del grfico en el plano xy obtenida al hacer
z = 0 es y = 27 = 3 3, es decir, dos rectas paralelas.

La seccin transversal en el plano xz , haciendo y = 0 , es z = 3 (dos rectas
paralelas).
La seccin transversal en el plano y z , haciendo x = 0, es la elipse
y 2 z 2
+
= 1.
27 9
El grfico de la superficie cuadrtica en \ 3 es un cilindro elptico (figura 21.6).
Figura
21.6

Finalmente extendemos el concepto de forma cuadrtica a cualquier nmero de
variables.
Definicin 1
x1

x2
Sea X = y R una matriz simtrica de n n.
#

xn
Una forma cuadrtica en x1 , x2 ,..., xn es una expresin de la forma

F ( x1 , x2 ,..., xn ) = XT R X.
Ejemplo 6
1 3
3 2
Sean A = 5 0
2 1
4 3
4
x1

3
x2
4 0 6 y X = x3 ; entonces

0 1 5
x4
x
6 5 2
5
5 2
0 1
XT R X = [ x1 x2 x3 x4 x5 ] 1 3
3 2
5 0
2 1
4 3
5
0
4
0
6
4 x1
1 3 x2
0 6 x3 .

1 5 x4
5 2 x5
2
Luego
F ( x1 , x2 , x3 , x4 , x5 ) = x12 + 6 x1 x2 + 10 x1 x3 + 4 x1 x4 + 8 x1 x5 + 2 x22 2 x2 x4
+6 x2 x5 + 4 x32 + 12 x3 x5 + x42 10 x4 x5 + 2 x52 .
Ejemplo 7
Sea la forma cuadrtica
5 x12 + 3 x1 x2 5 x1 x3 + 6 x1 x4 + 4 x22 + 9 x2 x3 + 7 x32 + 8 x3 x4 + 3 x42 .
286

La matriz R que corresponde a esta forma cuadrtica es:
5
3
2
R=
5 2
7
4
3
0
.
4
Mdulo 21
En los ejercicios 1 a 5 escriba cada forma cuadrtica como XT R X, donde R es una matriz simtrica.
1.
2 x 2 + 5 xy 9 y 2
2.
3 x 2 3 xy + 6 xz 9 y 2 + 7 yz z 2
3.
4 x 2 + 6 xy 3 y 2 + 7 xz
4.
xy = a;
5.
6 x 2 + 5 xy 6 y 2
a >0
En los ejercicios 6 a 12 escriba la ecuacin cuadrtica en la forma XT R X = d y elimine el trmino xy rotando los ejes un ngulo
. Escriba la ecuacin en trminos de las nuevas variables, identifique la seccin cnica obtenida y realice una representacin grfica cuando esto sea posible.
6.
4 x 2 + 4 xy + y 2 = 9
7.
4 x 2 + 4 xy y 2 = 9
8.
xy = a; a > 0
9.
x 2 + 2 xy y 2 = 0
10.
x 2 3 xy + 4 y 2 = 1
11.
6 x 2 + 5 xy 6 y 2 = 7
12.
9 x 2 + y 2 + 6 xy = 4
En los ejercicios 13 a 15 identifique la grfica de la ecuacin y escriba sta en forma connica.

13.
5 x 2 + 12 xy 12 13x = 36
14.
5 x 2 + 5 y 2 6 xy 30 2 x + 18 2 y + 82 = 0
15.
x 2 y 2 + 2 3xy + 6 x = 0
En los ejercicios 16 y 17 escriba la forma cuadrtica en trminos de las nuevas variables x, y , z de manera que se eliminen
los trminos de productos cruzados (xy, xz, yz).
16.
x 2 2 xy + 2 y 2 2 yz + z 2
17.
x 2 2 xy + y 2 2 xz 2 yz + z 2
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de

288
22
Aproximacin de valores y vectores

caractersticos
22.1 El teorema del crculo de Gershgorin
22.2 Clculo numrico de valores y vectores caractersticos
22.2.1 El mtodo de la potencia
22.2.2 El mtodo de la potencia con normalizacin
Al matemtico ruso Semyon Gershgorin

(1901-1933) se debe el teorema del crculo,
publicado en 1931, el cual proporciona una
aproximacin de los valores caractersticos
cuando no se requiere su clculo exacto o
cuando la ecuacin caracterstica es un
polinomio difcil de factorizar.
Objetivos del mdulo

1. Determinar un intervalo de valores donde se puedan acotar los valores caractersticos de una matriz sin necesidad de hacer muchos clculos.
2. Proporcionar un mtodo numrico para el clculo del vector caracterstico dominante de Ann , sin resolver el polinomio caracterstico.
Preguntas bsicas
1. Cmo se construye un crculo de Gershgorin?
2. Qu dice el teorema del crculo de Gershgorin?
3. Cundo una matriz An n tiene un valor caracterstico dominante?
4. Cmo se define la secuencia de iteraciones para calcular el valor y el vector
caracterstico dominante de A?
5. En qu consiste el mtodo de la potencia con normalizacin?
6. Cmo se calcula el error relativo que se comete al calcular el valor caracterstico
dominante?
Introduccin
En el captulo anterior desarrollamos un algoritmo para calcular el polinomio caracterstico de A, y a partir de l, extrayendo sus races, obtener los valores caractersticos de A. Esta forma de solucin presenta algunos problemas. Uno de ellos tiene
que ver con el condicionamiento del polinomio caracterstico y es que cuando ste
est mal condicionado, errores pequeos de redondeo en los coeficientes del
polinomio pueden conducir a errores grandes en las races. Otro problema es que
incluso si los coeficientes del polinomio fueran exactos, es difcil encontrar todas
las races del polinomio. Estas dificultades han motivado el diseo de mtodos
numricos para el clculo directo de los valores y vectores caractersticos.

22.1 El teorema del crculo de Gershgorin

Escuche la biografa de Semyon
Gershgorin en su multimedia de
lgebra Lineal
El siguiente teorema nos proporciona una aproximacin de los valores caractersticos de A con un mnimo de operaciones algebraicas.
Antes de presentar el teorema definiremos algunos trminos que figuran en su
enunciado.
Sea A una matriz n n de componentes reales o complejas.
a11 a12 " a1n
a
" a2 n
a
A = 21 22
.
n n
#
#
#
an1 an 2 " ann
Se define el nmero
1 = a12 + a13 + ... + a1n =

2 = a21 + a23 + ... + a2 n =
a
j =2
1j
a
j =1
2j
j 2
y en general,
i = ai1 + ai 2 + ... + ai , i 1 + ai , i +1 + ... + ain =
a
j =1
ij
j i
Esto es, i es la suma de los valores absolutos de las componentes del i-simo
rengln de A, excepto la componente que est sobre la diagonal principal.
Sea Di = { z ^ : z aii i } . Di es un crculo en el plano complejo con centro
en aii y radio i , con i = 1,..., n.
El crculo Di est compuesto por todos los puntos del plano complejo, sobre y
dentro de las circunferencias Ci = { z ^ : z aii = i }. A estas circunferencias se les llama circunferencias de Gershgorin.
Teorema 1: Teorema del crculo de Gershgorin

Sea A un matriz de n n y Di el conjunto definido anteriormente; entonces, cada
valor caracterstico de A est contenido en al menos uno de los Di. Esto es, si los
valores caractersticos de A son 1 , 2 ,..., k , entonces
290
Mdulo 22: Aproximacin de valores y vectores caractersticos
{1 , 2 ,..., k }
UD .
i =1
Demostracin
x1

x2
Sea un valor propio de A con x = un vector caracterstico correspon #

xn
diente. Sea x i la componente de x de mayor valor absoluto,

xi x j , j =1,..., n, xi > 0, ya que x 0 .
Ahora, Ax = x.
x
x1
a12 " a1n 1
x
x
2
#
# 2
#
#
ai 2
ain =
.
xi
xi
#
#
#
#
an 2 " ann
xn
xn
a11
#
ai1
#
an1
La componente i de esta ecuacin es:

ai1 x1 + ai 2 x2 + ... + aii xi + ... + ain xn = xi .
Restando aii xi a ambos lados de la ecuacin tenemos:

n
a x
j =1
ij
= xi aii xi = ( aii ) xi .
j i
Tomando valor absoluto a ambos lados, y aplicando la desigualdad de Cauchy
Schwarz aij x j aij x j , se obtiene:

n
( aii ) xi =
j =1
ij
xj
j =1
j i
aij x j ,
j i
y dividiendo a ambos lados por xi obtenemos:

( aii )
j =1
j i
aij
xj
xi
j =1
aij
= i , ya que x j xi .
j i
De la ltima expresin concluimos que Di , y esto concluye la prueba.

para ilustrar Circunferencia de
Gershgorin

Ejemplo 1
1 3 1 4
2 5 0 7
; entonces, a = 1, a = 5, a = 6, a = 4.
Sea A =
11
22
33
44
3 1 6 1
0 2 3 4
1 = 3 + 1 + 4 = 8,
2 =
2 + 7
= 9,
3 = 3 + 1 + 1 = 5,
4 =
2+ 3
= 5.
Los valores caractersticos de A se encuentran dentro de los crculos descritos por:

D1 =
{z^:
z 1 8} ,
D2 =
{z^:
z 5 9} ,
D3 =
{z^:
z 6 5} ,
D4 =
{z^:
z 4 5} .
Grficamente podemos ilustrar esta situacin dentro del plano complejo as (figura
22.1):
Figura
292
22.1

Todos los valores caractersticos de A se encuentran dentro de estas cuatro circunferencias.
Examinando la grfica anterior, resulta evidente que si es un valor caracterstico
de A, entonces 14 y 7 \e 14 ( \e : parte real de ).
Ejemplo 2
2
1
2
A
=
Sea
1 3
1
4
5
2
4
1
.
2
Aplicando el teorema del crculo de Gershgorin podemos demostrar que los valores
caractersticos de A son nmeros reales positivos.
Demostracin
Como A es una matriz simtrica, los valores caractersticos de A son reales (teorema
1, mdulo 20).
Acotemos los valores caractersticos de A por medio de los crculos de Gershgorin
(figura 22.2).
{z^:
= {z^:
= {z^:
= {z^:
}.
D1 =
z2
D2
z 3 2}.
D3
D4
13
12
z 5
17
z4
13
}.
}.
Figura 22.2

El extremo izquierdo de D4 sobre el eje x es 4 13 / 4 = 3 / 4 .
Luego 3 / 4 . Por tanto, los valores caractersticos de A son reales y positivos.
22.2 Clculo numrico de valores y vectores

caractersticos
22.2.1 El mtodo de la potencia
Definicin 1
Sean 1 , 2 ,..., n los valores caractersticos de una matriz A de n n y suponga que
1 > i para i = 2,..., n.

Entonces se dice que 1 es el valor caracterstico dominante de A. Si v1 es un
vector caracterstico de A correspondiente a 1 , entonces v1 se denomina vector
caracterstico dominante.
Sea A una matriz diagonalizable de n n tal que 1 es el valor caracterstico dominante y sean u1 , u2 ,..., un n vectores caractersticos linealmente independientes de
n
A,correspondientes a 1 , 2 ,..., n . Si x 0 es un vector de \ , entonces
x 0 = c1u1 + c2 u 2 + ... + cn u n con ci \

.
Se puede, sin prdida de generalidad, hacer c1 0.

Definimos una secuencia de iteraciones, tales que:
x n +1 = A x n .
Entonces:
x1 = Ax 0
x 2 = Ax1 = A 2 x 0
#
x k = Ax k -1 = Ak x 0
x k = Ak (c1u1 + c2u 2 + ... + cn u n )
= c1 Ak u1 + c2 Ak u 2 + ... + cn Ak u n
= c11k u1 + c2 2 k u 2 + ... + cn n k u n
k
k

= 1k c1u1 + c2 2 u 2 + ... + cn n u n .
1
1
294

k
i
Como 1 > i para i = 2,..., n,
se acerca a cero a medida que k aumenta. Por
1
tanto, x k = Ak x 0 1k c1u1 .
xk es entonces un mltiplo escalar de u1 y ser un vector caracterstico correspon-
diente a 1 .
1k c1a1
a1
k
a
ca
Si u1 = 2 , entonces 1k c1u1 = 1 1 2 .
#
#
k

1 c1an
an
Escojemos dentro de las componentes de x k , a j 0 y formamos el cociente
kj +1 =
k +1
j -sima componente de Ak+1 x0 1 c1a j
=
= 1 .
j -sima componente de Ak x0
1k c1a j
De este modo calculamos 1 . Es decir, calculamos el cociente de la j -sima componente de x k +1 y x k y dejamos que k crezca. Una vez determinado 1 , se tiene xk
como el vector caracterstico correspondiente a 1 .
Ejemplo 1
Use el mtodo de la potencia para encontrar el valor caracterstico y el vector
caracterstico dominante de
1 3
A=
.
2 2
Solucin
1
Sea x0 = .
0
Calculemos
1 3 1 1
x1 = Ax 0 =
=
2 2 0 3
1(1) = = 1
1 3 1 10
x 2 = Ax1 =
=
2 2 3 8
1(2) =
1
1
10
= 10
1
2(2) =
8
3

1 3 10 34
x 3 = Ax 2 =
=
2 2 8 36
1(3) =
34
= 3.4
10
2(3) =
36
= 4.5
8
Si continuamos de esta manera obtenemos la tabla 22.1, donde los resultados estn
redondeados a cuatro cifras decimales.
Tabla
22.1
Iteracin
x k (como vector rengln)
1k
k2
[1, 0]
[1, 3]
[10, 8]
10
2.6667
[34, 36]
3.4
4.5
[142, 140]
4.17
3.8889
[562, 564]
3.9578
4.0286
[2254, 2252]
4.0107
3.993
[9010, 9012]
3.9973
4.0018
[36046, 36044]
4.0007
3.9996
Los valores de 1( k ) y 2( k ) convergen a 4, que es el valor caracterstico de A que

puede obtenerse por desarrollo del polinomio caracterstico. Ahora el vector
36046
v1 =
es aproximadamente igual a un vector caracterstico correspondiente
36044
a = 4 . Para simplificar este vector lo dividimos por la componente de mayor

1
magnitud y obtenemos v1 =
, el cual es muy aproximado a
0.9999
vector caracterstico correspondiente a = 4 .
1
1 que es el
En este caso el mtodo ha funcionado bien, pero vale la pena decir algo acerca de
los casos en los cuales el mtodo falla. Puede suceder que:
1.
Se aplica el mtodo a una matriz no diagonalizable.
2.
A no tiene un valor caracterstico dominante o el valor caracterstico dominante 1 es apenas un poco mayor que 2 en trminos absolutos, esto es,
1 / 2 es apenas menor que 1 y las potencias de 1 / 2 no tienden a cero

rpidamente.
296

3.
A veces cuando los elementos de A han tenido que calcularse hay errores de
redondeo que cuando se calcula Am se convierten en errores considerables.
22.2.2 El mtodo de la potencia con normalizacin

En el ejemplo anterior podemos observar que el tamao de las componentes del
vector x k crecen rpidamente; esto lo podemos evitar normalizando o graduando
el vector o sea dividindolo por la componente de mayor magnitud cada vez que se
hace una iteracin. Esta modificacin sobre el mtodo anterior se llama mtodo de
potencias con normalizacin.
Al aplicar este procedimiento se obtiene un vector caracterstico u cuya mayor
componente es 1 y entonces es posible obtener el valor caracterstico dominante
resolviendo la ecuacin Au = 1u para 1.
Ejemplo 2
Determinemos el vector y el valor caracterstico dominante para la matriz del ejemplo anterior, aplicando el mtodo de la potencia con normalizacin.
Solucin
1
Si x 0 = , entonces
0
1
13
x 1 = y x 1 = .
3
1
1 3 1 3 10 3
x 2 = Ax1 =
= ,
2 2 1 4 3
3 10 3 1 1
x 2 = = =
10 4 3 4 10 0.4
La tabla 22.2 muestra ms iteraciones.

El vector caracterstico se puede tomar como x k = [1, 0.9998] , el cual es una buena
aproximacin del vector [1 1], y el valor caracterstico 1 se obtiene de:
0.9991 3.9991
0.9991
Au = A
=
= 1
,
1 3.9982
1
de donde 18 = 4.0027 y 28 = 3.9982 son las aproximaciones para 1 = 4.

Al resolver problemas mediante mtodos iterativos, siempre nos hacemos la pregunta: cundo hay que parar? Una buena forma de resolver esta duda es parar
cuando el error relativo es suficientemente pequeo.

Tabla
22.2
Iteracin
xk
x k (normalizado)
[1, 0]
[1, 0]
[1, 3]
[0.3333, 1]
[3.3333, 1.3333]
[1, 0.4]
[2.2, 2.8]
[0.7857, 1]
[3.7857, 3.5714]
[1, 0.9434]
[3.8302, 3.8868]
[0.9854, 1]
[3.9854, 3.9709]
[1, 0.9964]
[3.9892, 3.9928]
[0.9991, 1]
[3.9991, 3.9982]
[1, 0.9998]
Si x es la solucin exacta y x la aproximacin, el error relativo, Er , est dado por:
Er =
x ' x
.
x
Ahora bien, no conocemos la solucin exacta, pero si el mtodo converge a ella, el

valor calculado en la n-sima iteracin est ms cerca al valor exacto que el calculado en la iteracin n1. Podemos hacer una estimacin del error relativo as:
Er =
x ( n ) x ( n 1)
.
x(n)
En el ejemplo dado, el valor de calculado al hacer la sptima iteracin era 3.9892 y

al hacer la octava sera
3.9991
= 4.0027,
0.9991
Er =
4.0027 3.9892
= 0.0033.
4.0027
Esto es, Er = 0.33% .
298
Mdulo 22
En los ejercicios 1 a 3 dibuje las circunferencias de Gershgorin para la matriz dada A y encuentre una cota para si es
un valor caracterstico de A.
1.
4.
3 1 0
A = 1 2 4 2
2 0 5
2
1
2
Sea A = 1
3
1
4
2.
3
1
2
1
A =
0
1
2
4
1
3
4
0
1
0
3.
2 3 1 0
1 5 0 2
A =
3 1 6 1
1 2 0 4
4
1
. Demuestre que los valores propios de A son nmeros reales positivos.
1
5.
3 1 2 1 4 1
1 5 1
2
2
. Demuestre que los valores propios de A son nmeros reales negativos.
Sea A = 1
4 1 4 1
1 2 1 6
6.
Se dice que la matriz A de n n tiene diagonal estrictamente dominante si aii > i para i = 1, 2, ..., n, donde
i =
a
j =1
ij
. Demuestre que si An n es una matriz con diagonal estrictamente dominante, entonces A es invertible.
j i
En los problemas 7 a 9 calcule el valor caracterstico dominante y el vector caracterstico correspondiente mediante el
mtodo de potencias con normalizacin.
7.
2 2
5 1
8.
1 1 4
3 2 1
2 1 1
9.
3 2 4
2 0 2
4 2 3
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores

y vectores caractersticos
1 7
Use el mtodo de la potencia para estimar el valor caracterstico dominante de A =
.
6 3
a.
Redondee a cinco cifras significativas y contine las iteraciones hasta que el error relativo estimado
10.
b.
Er ( n) < 0.001.
Calcule el valor caracterstico dominante en forma exacta. Cul es el valor exacto de Er?
3 5
Demuestre que las iteraciones del mtodo de potencias no convergen para la matriz A =
. Explique por qu.
2 3
11.
300
Apndice I
Una aplicacin interesante de los espacios vectoriales
1.1 TTeora
eora de la codificacin
En la sociedad moderna, la comunicacin digital mediante las computadoras o va
satlite ha penetrado los ms variados mbitos de la actividad humana. La comunicacin digital se refiere a transmisin de la informacin por medio de ceros y unos.
Estas cadenas se llaman mensajes binarios y estn codificados de modo que se
pueda recibir la informacin tal como fue enviada. Estos mensajes que se reciben de
un satlite estn sujetos a errores que pueden ser producidos por la esttica o
cualquier otro tipo de interferencia. Por consiguiente, es importante poder codificar
un mensaje de manera que despus de haberse sometido a interferencia pueda
decodificarse correctamente.
Se han desarrollado muchas formas de codificar los mensajes. Una de ellas consiste
en aumentar un dgito extra, 0 o 1, dependiendo de que el nmero de unos del
mensaje sea par o impar; esta tcnica se llama control de paridad. Con este procedimiento se puede detectar cundo hay un error en el mensaje, pero no se puede
saber dnde, y adems tampoco puede saberse si han ocurrido 1, 3 o 5 errores.
Adems, cuando el nmero de errores es par, stos no se detectan.
Los cdigos de correccin de errores generalizan el control de paridad de modo que
se puedan ubicar los errores y as poder corregirlos. Richard Hamming introdujo
estas teoras a principios de 1950 cuando trabajaba en Laboratorios Bell.
Describiremos un cdigo de Hamming que corrige errores nicos en mensajes formados por cuatro ceros y unos. Pero antes de desarrollar este ejemplo, introduciremos algunos conceptos.
Una palabra es una n-tupla de ceros y unos, a la que tambin se le llama cadena de
longitud n.
Definimos un espacio vectorial denotado por Z 2n , compuesto por todas las palabras de longitud n. La suma y la multiplicacin por un escalar se definen en la misma
n
forma que se hace en \ , slo que ac los escalares se definen en Z 2 = {0, 1} que
son los enteros mdulo 2.

Las operaciones de suma y multiplicacin en Z 2 estn dadas por las siguientes
tablas:
+ 0 1
0 0 1
1 1 0
0 1
0 0 0
1 0 1
Richard Hamming
Aplicando conceptos elementales de los
espacios vectoriales, Richard Hamming
cre un ingenioso mtodo para codificar
y decodificar mensajes detectando la
ocurrencia de un posible error en su
transmisin.
Con estas dos operaciones, y tomando los escalares en Z 2 , el conjunto Z 2n satisface todos los axiomas de un espacio vectorial. En conclusin, Z 2n es un espacio
vectorial sobre Z 2 .
La base cannica de
\ n : e1 = (1, 0, 0... 0), e 2 = (0, 1, 0... 0),..., e n = (0, 0,..., 0, 1)
tambin es una base para Z 2n y, por tanto, Z 2n tiene dimensin n.

Todos los conceptos, como subespacios, base, dependencia lineal, conjunto generado v, espacio rengln, espacio columna, ncleo, rango y nulidad, se aplican a
Cleve Moler
Con 66 aos y mltiples reconocimientos en el mundo de las ciencias y las
matemticas, Cleve Moler es el
presidente y cofundador de MathWorks,
compaa fundada en 1984 y dedicada
a desarrollar y suministrar software para
el trabajo cientfico y de ingeniera.
Antes de unirse tiempo completo a la
compaa en 1989, Moler se dedic a
ensear matemticas y ciencias de la
computacin en universidades de
Michigan, Stanford y Nuevo Mxico
durante casi 20 aos y permaneci
cinco aos en dos compaas de
hardware (la organizacin Intel
Hypercube y Ardent Computer).
Adems de ser el autor de la primera
versin de MATLAB, Moler es uno de
los autores de las bibliotecas cientficas
de los programas LINPACK y EISPACK
y es coautor de tres libros de texto de
mtodos numricos.
Su ltimo libro, El cmputo numrico
con MATLAB , es un texto de
introduccin a mtodos numricos,
MATLAB y tcnicas de computacin.
espacios vectoriales sobre Z 2 y a matrices cuyos elementos son de Z 2 .

Una base de Z 2n tiene n vectores, B = { v1 , v2 ... vn } .
Un vector v de Z 2n es una combinacin lineal c1v1 + c2 v2 + ... + cn vn con ci = 0 1, de
modo que se pueden producir 2 n combinaciones distintas, esto es, el espacio
vectorial Z 2n tiene 2 n elementos.
Cmo codificar un mensaje de modo que si ocurre un solo error en la transmisin
ste pueda ser detectado y corregido en la recepcin final? Veamos una forma de
hacerlo:
Se toman todas las palabras de longitud 4 y se aaden tres controles de
paridad. De esta forma se producen palabras de longitud 7, es decir, nos
situamos en Z 27 .
Definimos sobre Z 27 un cdigo de correccin de un solo error de Hamming,
denotado c7,4 , as:
Sea H la matriz sobre Z 2 dada por:
0 0 0 1 1 1 1
H = 0 1 1 0 0 1 1
1 0 1 0 1 0 1
Las columnas de H son la representacin binaria de los nmeros del 1 al
8, los cuales son los vectores de Z 23 distintos de cero.
Las columnas 1, 2 y 4 de H son linealmente independientes, luego (H ) = 3,
y como ( H ) + ( h ) = 7, ( h) = 4.
302
El espacio nulo de H se llama cdigo (7, 4) de Hamming. Una base B para el espacio nulo de H es:
{u1 = (1, 0, 0, 0, 0, 1, 1),
u 2 = (0, 1, 0, 0, 1, 0, 1), u3 = (0, 0, 1, 0, 1, 1, 0), u 4 = (0, 0, 0, 1, 1, 1, 1)} .
nu H es un subespacio de dimensin 4 de Z 27 que tiene 24 = 16 vectores.

Como H(ei) = hi (columna i de H, i = 1, 2, ..., 7), entonces los vectores de la base estndar Z 27 no pertenecen al ncleo de H.
Sea v nu H ; entonces ( v + ei ) nu H para i = 1,..., 7. Si Hv = h j , entonces ( v + e j ) nu H , adems
( v + ei ) nu H , para i j . Es decir, si se cambia alguna coordenada a un vector de nu H, el vector resultante no

pertenece a nu H. Ahora, si Hv es la j-sima columna de H, al cambiar la j-sima componente de v el vector resultante
estar en nu H.
1.2 Codificacin y decodificacin

Veamos cmo codificar un mensaje y decodificar su recepcin distorsionada. Suponga que la palabra por codificar corresponde a la cadena binaria 0101 y que hubo una alteracin de un dgito.
Para codificar 0101, se expresa la combinacin lineal v en la base del cdigo de Hamming (7, 4), as:
v = 0 u1 + 1u 2 + 0 u3 + 1u 4 = u 2 + u 4
= (0, 1, 0, 0, 1, 0, 1) + (0, 0, 0, 1, 1, 1, 1)
= (0, 1, 0, 1, 0, 1, 0).
La palabra codificada v est en nu H.

Suponga que el mensaje recibido es 1101010. Sea v = (1, 1, 0, 1, 0, 1, 0). Para decodificar, calculamos Hv :
1
1

0 0 0 1 1 1 1 0 0

Hv = 0 1 1 0 0 1 1 1 = 0 .
1 0 1 0 1 0 1 0 1
1
0

Como Hv es la primera columna de H, entonces ( v + e1 ) nu H y ningn v + ei , i 1, est en nu H. Por tanto, ( v + e1 ) = v
es el mensaje corregido que coincide con el originalmente codificado, y as se recupera el mensaje correcto 0101.
Ejemplo
Suponga que v = 0111011 es un mensaje codificado con C7,4 . Si a lo sumo hay un error en la transmisin, cul fue el
mensaje original?
Solucin
Calculemos Hv
0
1

0 0 0 1 1 1 1 1 1

Hv = 0 1 1 0 0 1 1 1 = 0 .
1 0 1 0 1 0 1 0 0
1
1

Hv es la cuarta columna de H, entonces v + e4 ser el mensaje corregido y v + e4 se obtiene cambiando la cuarta componente
de v. El vector corregido es entonces 0110011 y el mensaje correcto es 0110.
Ejercicios
1.
Haga una lista de los 16 vectores de C7, 4.
2.
Sea v = (1, 1, 0, 0, 1, 1, 1) un mensaje codificado en C7, 4, donde a lo sumo se ha cometido un error. Determine si v
est en C7, 4. Si lo est, decodifquelo; si no, corrjalo y decodifique el mensaje correcto.
3.
304
1
0
1
Sean u = 1 , v = 1 , w = 1 . Efecte las operaciones indicadas Z 23 .

0
0
1
a.
u + v.
b.
u w.
c.
u + v w.
d.
1 0 1
Sea A = [u, v, w ] = 1 1 1 . Calcule A2 y A3 sobre ] 2 .
0 0 1
e.
Es {u, v} LI sobre ] 2 ? Y cmo son {u, w} y {u, v, w} ?
f.
Determine una base y los vectores del espacio nulo de A sobre ]2. ( A = [u, v, w ]).
Respuestas
Respuestas de los ejercicios impares

Captulo 1
Mdulo 1
7.
S.
9.
S.
11.
No, no se cumple el axioma i.
13.
No, no se cumple el axioma vi.
15.
No, no se cumple el axioma vii.
Mdulo 2
1.
S.
3.
S.
5.
No.
7.
S.
9.
No.
11.
S.
13.
W1 W2 = A M 23 : A =
0 b c
d e 0 con b = c .
Mdulo 3
1.
a. S, 3, 0.
b. No.
c. S, 0, 0.
3.
a. No.
b. S, 3, 2.
c. S, 2, 5.
5.
1
gen = {( x, y ) } \ 2 : x = y . Bisectriz del 1. y 3.er cuadrantes.
1
7.
El plano xz en \ 3 = y \ 3 y = 0 .
z
9.
P1 : conjunto de polinomios de grado menor o igual que 1.
11.
S.
13.
S.
Mdulo 4
5.
LI.
7.
LI.
9.
LD, P3 = 2p1 + 3p2.
11.
LI.
19.
13

x3 = 6 .
1

25.
= 1.
27.
{(1, 2, 4), (1, 0, 2), (1, 0, 0)} .
Mdulo 5
5.
S.
7.
S.
lgebra Lineal
9.
S.
11.
S.
13.
1 0 0
0 0 0 ,
0 0 0
15.
0

1 ,
1

17.
{ 1 + x ,
19.
{(1, 0, 1, 0),
21.
El conjunto de todos los vectores de la forma (a, a b, 2a + b, a + 3b), con a y b \.
23.
1
.
1
25.
3

1 ,
0

0 1 0 0 0 0
1 0 0 , 0 1 0 , etc , 6
.
0 0 0 0 0 0
1

0 .
2

1 + x 2 }.
(0, 1, 1, 0), (1, 0, 0, 0), (0, 0, 0, 1)} .
2

0 .
1

Mdulo 6
1.
1 3 1
{(1, 5, 3, 0, 1), (0, 0, 1, 7, 3), (0, 0, 0, 0, 1)} ; 0 , 1 , 3 ; = 3.
0 0 1

3.
Todos los renglones, todas las columnas, = 4 .
5.
2

1 , {(1, 2, 0), (0, 0, 1)} ,
0

1

2 ,
3

3

5 , = 2, v = 1 .
0

7.
1

0

0 ,
0

0
9.
1

1
3 , {(1, 0, 0, 1), (0, 1, 0, 1), (0, 0, 2, 3)} ;
2
1
11.
1

0
,
1
0
13.
No.
15.
S.
21.
a. n, m n.
0
3
2
1 ,

0
0

0
5
8
0 , {(0, 2, 3, 1, 2), (0, 0, 0, 4, 3)} ;
3
4
1

2

2 ,
4

1

0
,
4
3
1

0 ,
0

1
1

3 , = 2, v = 3.
6

0

2 , = 3, v =1.
2

0
0

1 .
0

1
b. m, m n.
c. m = n.
52
11
2 .
1
2
2
2
.
1
Mdulo 7
1.
3
1 .

11.
0
.
3
13.
1 + 9 x 2 + 7 x 3 .
15.
a.
3.
( v ) B2
3

= 2 ,
7

(w ) B2
lgebra Lineal
5.
2

= 3 .
3

7.
2
1

4 .

3
9.
3 7 0 2 7
2 , , 3 .
7 2 7
2
1
b.
0
3
5 .
2
5
1
2
2
c.
8

( v ) B1 = 2 ,
2

d.
Lo mismo que en c.
e.
13
1
3
1 3
2
2
7

(w ) B1 = 1 .
0

1 .
3
2
f.
Lo mismo que en a.
17.
3

2 ,
0

2

1,
0

19.
JG cos
ir =
,
sen
21.
Linealmente dependiente (LD).
23.
Linealmente dependiente (LD).
3

1.
3

JJG sen
jr =
.
cos
Captulo 2
Mdulo 8
1.
a.
3.
{(
5.
2
3
7.
{(0, 0, 1), (
1
2
( 13 ,
1
14
1
2
1
3
1
2
, 0), (
, 0), ( 13 ,
1
3
1
3
)+
1
2
4
6
1
6
1
2
1
2
, 0) .
{(0,
b.
1
2
1
2
), (
2
6
1
6
1
6
), ( 13 ,
1
3
1
3
) .
1
3
) .
2
6
1
6
2
2
1
2
, 0,
1
2
).
9.
{(
11.
a.
1
5
, 0,
2
5
), (0, 1, 0), (
2
5
, 0,
1
5
) .
186
1
75 .
49
118
3
1
b.
2 .
7
6
186
3
1
13
c. v =
75 +
2 .
49
49
118
6
Mdulo 9
1.
y = 0.4 x + 0.6 .
3.
y=
5.
y 2.61 + 2.08 x + 0.31x 2 .
7.
43
i. .
1 3
9.
y = 3.4627 3.1314 x + 0.5718 x 2 .
2
4
x .
5
5
ii. 2 5.
Mdulo 10
3.
5.
T2.
1
0
#
0 0 " 0 0
0 0 " 0 0
0 0 " 0 , 0

# #
# #
0 0 " 0 0
0 0 " 0 0
1 0 " 0 0
0 0 " 0 , 0

# #
# #
0 0 " 0 0
7.
1
,
i i
1
,
,
.
2 2
2
9.
1 0 0 1 0 0 0 0
,
,
,
.
0 0 0 0 1 0 0 1
lgebra Lineal
0 0 " 0
0 0 " 0
0 1 " 0 ,...
# #
#
0 0 " 0
0
0
#
0
0 0 " 0
0 0 " 0
0 0 " 0 .
# #
#
0 0 " 1
Captulo 3
Mdulo 11
1.
S.
3.
S.
5.
S.
7.
No.
9.
S.
11.
No.
13.
S.
15.
No.
17.
S.
19.
No.
21.
T ( x y ) = ( x, y ).
25.
(T1 + T2 )(x) = ( A + B )x,
27.
(T1 o T2 )( x, y ) = ( x + 4 y, 3 x y ).
(T1 o T2 )(x) = ABx.
(T2 o T1 )( x, y, z ) = (2 x y + 3 z , 3 x y 7 z , y z ).
Mdulo 12
1.
nu T = {0} , imagen T = \ 2 ; (t ) = 2; vt = 0.
3.
nu T = {0} , imagen T = \3 ; ( t ) = 3; vt = 0.
5.
nu T = {0} , imagen T = gen { x, x 2 , x 3 } ; (t ) = 3; vt = 0.
7.
nu T = { f C[0, 1] : f (1) = 0} , imagen T = \; ( t ) = 1; el ncleo es un espacio de dimensin infinita, luego vT = .
9.
nu T = imagen T = {( x, y) : x = y} .
11.
El ncleo de T es el espacio solucin del sistema homogneo de ecuaciones lineales Ax = 0.
13.
2 1 1
T (x) = A(x) con A = 2 1 1 .
2 1 1
Mdulo 13
2
.
0
1.
1
a.
1
2
.
2
1
a.
0
3.
5.
0
0
a.
1
0
0
.
0
7.
10
a. 5 .
5
4
b. 2 .
2
9.
2 3
a. , .
1 4
1 1
b. ,
.
5 10
11.
0
En 1. nu T = ; imagen T = \2 .
0
0
.
1
1
b.
2
1
b.
1
0
0
b.
0
3
c.
1
1
2
3
d.
2
3
c. .
1
1
1
.
1
1

2
En 3. nu T = gen 1 ; imagen T = \ .
1

lgebra Lineal
0
.
0
2
.
2
2
c. .
25
2
.
0
e. (4, 0).
2
3
En 5. nu T = {0} ; imagen T = gen { x , x } .
2
1

nu
T
=
gen
1
;
imagen
T
=
gen

1 ,
En 7.
1
0

3

2 .
1

Mdulo 14
1.
Solucin posible:
T : \ 2 \ 3 , T ( x, y ) = ( x y , 2 x + y, y ).
T : \ 3 \ 2 , T ( x, y, z ) = ( x + y z , y + z ).
T : \ 2 \ 2 , T ( x, y ) = (2 x + y, x y ).
3.
a11
0
T : Dn \ n , T
#
5.
a. S.
7.
No.
11.
T 1 ( A) = B 1 A.
b. No.
0 a11
0 a22
=
.
% # #

" " ann ann
0
"
a22 "
c. No.
d. S.
Mdulo 15
3.
1
1
,
.
2
2
5.
x
x
T : \ 2 \ 2 tal que T = , 1.
y
y
Captulo 4
Mdulo 16
1.
a. No.
3.
= 1,
5.
b. S, = 4 .
c. S, = 0 .
d. S, = 4 .
e. S, = 0 .
f. No.
0
v = .
1
1
1
1

1 = 1 con v1 = 0 , 2 = 1 con v 2 = 2 , 3 = 2 con v 3 = 1 .
0
0
3

7.
1
1
0
0

1
1
0
0
1 = 1 con v1 = , 2 = 1 con v 2 = , 3 = 3 con v 3 = , 4 = 2 con v 4 = .
0
0
1
1

0
0
2
1
9.
1
0
0
0

0
1
0
0
= a mult. alg 4, v1 = , v 2 = , v3 = , v 4 = .
0
0
1
0

0
0
0
1
11.
1
0

0
0
= a mult. alg 4, v1 = , v 2 = .
0
0

0
1
13.
P ( ) = ( 1 )( 2 )...( n ) , valores caractersticos: 1 , 2 ,..., n .
15.
No. Para que 1 + 2 sea un valor caracterstico de A + B , es necesario que el vector caracterstico de A correspondiente a 1 sea el mismo que el de B correspondiente a 2 lo que, en general, no se cumple.
Mdulo 17
1.
i 0 0
D = 0 i 0 ,
0 0 2
i i 0
P = 1 1 0,
0 0 1
lgebra Lineal
i 2
P 1 = i 2
0
1
1
2
2
0 .
1
3.
0
D=
0
0 0 0
3 0 0
,
0 2 0
0 0 1
5.
i 0
D=
,
0 i
7.
1 2 1
A = PDP 1 =
0 1 0
2
P=
0
1 1
P=
,
1 1
p 1 =
2
.
0
1
2
1
1 1 1
.
2 1 1
0 1 2
.
1
20
1 2 1
A12 = PD12 P 1 =
0 1 0
9.
1 1 0
0 0 12
P 1 =
2 1 0
0 0 12
0 1 0
,
1 0 1
1 0 1
0 1
0 1 2 1 2 1 211
.
=
12
( 1 2 ) 0 1 0 1 212
D1 D2 no es necesariamente una diagonalizacin de AB, AB = P 1 D1 PQ 1 D2 Q. Esto se dara en el caso en que P = Q y
as AB = P 1 D1 PP 1 D2 P y entonces AB = PD1 D2 P 1 .
1 1 0 0
Si A y B son matrices diagonalizables, A + B no necesariamente es diagonalizable; por ejemplo: 1 0 y 1 1
1 1
son diagonalizables, pero su suma 0 1 no es diagonalizable.
Mdulo 18
1.
a.
Pn = 20(2n ) + 30 cualquiera sea n ` .
b.
El nmero de peces despus de cinco aos es P5 = 20(25 ) + 30 = 640 + 30 = 670.
c.
n 7.11 aos.
a.
2 z y0 7 y0 + z0
Dentro: 0
10 + 3 .
3
3.
y 2 z0 7
y0 + z0
Fuera: 0
10 + 2 3 .
3
1 8 1
.
10 2 9
b.
S. Matriz de transicin:
c.
Probabilidad de vivir dentro:
(2 z0 y0 ) 7 1
+ .
3( y0 + z0 ) 10 3
k
( y0 2 z0 ) 7 2
+ .
3( y0 + z0 ) 10 3
k
Probabilidad de vivir fuera:
5.
d.
1
2
Dentro: ( y0 + z0 ); fuera: ( y0 + z0 ).
3
3
a.
A largo plazo la distribucin de alumnos es 0 , el cual es un vector propio correspondiente a = 1 . El

x0 + y0
0

vector de probabilidad correpondiente ser 0 .
1

b.
7.
a.
b.
c.
9.
7 2 0
1
S. Matriz de transicin:
2 6 0 .
12
3 4 12
5 + 5 n 5 5 n
Pn = 1000 5

; n `.
10 10
No
5 + 5 6 5 5 6
P6 = 1000 5

.
10 10
El brazo trabaja exitosamente 97.97% de las veces, muy cerca al 98% exigido por el cliente, as que es muy
probable que se acepte.
Mdulo 19
1.
No.
3.
S.
5.
No.
7.
S.
9.
No.
11.
1 0
P=
.
1 1 7
13.
1 1 0
P = 0 1 2 ,
1 0 3
0 1 0
J = 0 0 1 .
0 0 0
lgebra Lineal
15.
0
0
0
1
0
2
0
0
3
1
0
1
1
0
0
0
0
,
0
1
1
0
0
0
0
,
0
1
0
1
1
0
0
,
0
1
0
1
0
0
2
0
0
,
1
0
0
1.
Los i no necesariamente son distintos. Adems los bloques de Jordan pueden permutarse sobre la diagonal.
17.
19.
3 0
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 0 0 ,
0 4 0
0 0 4
3 1
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 0 0 ,
0 4 0
0 0 4
3 0
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 1 0 ,
0 4 0
0 0 4
3 0
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 1 0 ,
0 4 1
0 0 4
3 1
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 1 0 ,
0 4 0
0 0 4
3 1
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 1 0 .
0 4 1
0 0 4
7 0 0
0 7 0 ,
0 0 7
7 1 0
0 7 0 ,
0 0 7
7 1 0
0 7 1 .
0 0 7
Captulo 5
Mdulo 20
1.
3.
1
0 0
0 4 ; P = 1
1
2
2
.
2
2
0
0
3
0 ;
0 1+ 2 2
0
1 2 2
0
1 2
P = 1 2
0
1
1
2
2
1
2
2 .
1
2
1
5.
7.
0 0 0
0 0 0 ;
0 0 4
P = 0
0
2 0 0
0 1 0 ;
0 0 1
P=1
1
1
.
2
1
2
0
1
2
1
2
1
3
1
2
.
6
6
6
Mdulo 21
1.
2 52 x
[ x y]
.
5 2 9 y
3.
4 3
[ x y z ] 3 3
7 2 0
5.
6 52 x
[ x y]
.
5 2 6 y
7.
4 2 x
[ x y]
= 9;
2 1 y
9.
1 1 x
[ x y]
= 0;
1 1 y
11.
6 52 x
[ x y]
= 7;
5 2 6 y
x
0 y .
0 z
x 2
y 2
= 1; hiprbola; 19.33.
18 18
41 + 3 41 3
y 2 = 0; recta que pasa por el origen; = / 4 = 45.
y 2
14
13
x 2
14
= 1; hiprbola; 11.31.
13
x2 y 2
= 1.
4
9
13.
Hiprbola;
15.
Hiprbola;
17.
1 1 1 x
( x y z) 1 1 1 y , x2 + 2 y2 + 2 z2 .
1 1 1 z
x2 y 2
= 1.
9
9
8
8
lgebra Lineal
Mdulo 22
1.
7
1 12 \ 7
3.
11
2 \ 11
5.
Como A es una matriz simtrica, sus valores caractersticos son nmeros reales. Al trazar las circunferencias de
Gershgorin stas quedan completamente contenidas a la izquierda del eje y, con lo cual se establece que los valores
caractersticos son negativos.
7.
1
4, .
1
9.
1

8, 0.5 .
1

11.
1 2 1 2 1 2
1
Comenzando con x0 = y sin normalizacin, se obtiene 1 , 1 , 1 , 1 , 1 , 1 ,... . Por tanto, el mtodo

1
no converge. La razn de esto es que A no posee un valor caracterstico dominante.
lgebra Lineal
320
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
Bibliografa
Florey F. 1980. Fundamentos de lgebra lineal y aplicaciones. Mxico:

Prentice Hall.
Grossman SI. 1997. lgebra lineal. Colombia: McGraw-Hill.
Hill R. 1997. lgebra lineal elemental con aplicaciones. Mxico: Prentice
Hall Hispanoamericana.
Kolman B. 1999. lgebra lineal con aplicaciones y matlab. Mxico: Prentice
Hall.
Lay DC. 1999. lgebra lineal y sus aplicaciones. Mxico: Addison Wesley
Longman.
Nakos G, Joyner D. 1999. lgebra lineal con aplicaciones. Mxico:
International Thomson Editors.
Perry W. 1990. lgebra lineal con aplicaciones. Mxico: McGraw-Hill.
Pita Ruiz C. 1991. lgebra lineal. Mxico: McGraw-Hill.
Restrepo P et al. 1997. lgebra lineal con aplicaciones. Medelln: Universidad Nacional de Colombia, sede Medelln.
Strang G. 1982. lgebra lineal y sus aplicaciones. Estados Unidos: Fondo
Educativo Interamericano.
Villamayor O. 1981. lgebra lineal. Washington, D.C. Secretara General de
la O.E.A.

Álgebra Lineal - Clara Mejía PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Álgebra Lineal - Clara Mejía PDF

Загружено:

Авторское право:

Доступные форматы

lgebra Lineal Elemental y

Primera edicin, febrero de 2006

Clara E. Meja Laverde

Clara Elena Meja Laverde

Estructura del texto Ude@

Cmo usar este libro

Los iconos y la interrelacin de medios

Los iconos de radio, televisin, multimedia, mapa conceptual,

Sugerencias para el estudiante Ude@

Captulo 1: Espacios vectoriales

Captulo 4: Valores cara

Captulo 5: Diagonalizacin ortogonal. Formas

El objetivo al redactar este texto ha sido desarrollar las ideas

De stos, el problema de la solucin de un sistema de

En la actualidad existen muchos programas de computador

El poder lanzar al espacio un trasbordador es el fruto de aos de trabajo y un triunfo de la

En el desarrollo de la geometra vectorial hemos identificado los vectores con los

Dentro de los espacios vectoriales podemos reconocer conjuntos que guardan en

Definicin y propiedades del

1.1 Ejemplos introductorios

Objetivos del mdulo

lgebra Lineal Elemental y Aplicaciones

Captulo 1: Espacios vectoriales

1.1 Ejemplos introductorios

Vea en su multimedia de lgebra

Consideremos un punto material P y las fuerzas que pueden actuar sobre l. Si

resultante de F1 y F2 con la propiedad de ejercer sobre P la misma accin que

Representemos F1 y F2 por vectores cuya direccin y sentido corresponden a los

Mdulo 1: Definicin y propiedades del espacio vectorial

Ahora, si llamamos la opuesta de F a una fuerza F que tiene la misma

Para cada F existe F , tal que F + F = 0. Esta F se llamar F .

Si es un nmero real y F T , entonces F T .

Captulo 1: Espacios vectoriales

Aplicando la definicin, se puede comprobar que:

1.1.2 Las parejas de nmeros reales ( \2 )

o sea que la suma de dos parejas de \ 2 es otra pareja de \ 2 ; se cumple entonces

Por otra parte,

Mdulo 1: Definicin y propiedades del espacio vectorial

Existe, adems, un elemento de \ 2 que es el (0, 0) tal que:

( x, y ) + (0, 0) = ( x, y ) para todo ( x, y ) en \ 2 .

As mismo, para cada par ( x, y ) podemos tomar el par ( x, y ), de modo que:

Finalmente, hay una ley conmutativa, puesto que:

Definimos ahora una segunda operacin, externa, entre un nmero real y un

lgebra Lineal Elemental y Aplicaciones

Captulo 1: Espacios vectoriales

Si a y b son elementos de V, entonces a + b pertenece a V; o de otra forma,

Existe un elemento 0 en V tal que a + 0 = 0 + a = a para toda a V .

Para cada a V existe un elemento a V tal que a + (a) = 0.

Si a V y es un escalar ( \ o C), entonces a V . Es decir,

(a + b) = a + b para todo escalar y para todo a y b V .

Mdulo 1: Definicin y propiedades del espacio vectorial

( + )a = a + a para todo , escalares y a V .

( a) = ( ) a para todo , escalares y a V .

de los polinomios de grado menor o igual que n.

Se ve claramente que la suma de dos polinomios de grado menor o igual que

Si V = M m , n (conjunto de matrices m por n) con la suma y la multiplicacin

Captulo 1: Espacios vectoriales

Sea S3 el conjunto de matrices invertibles de 3 3 . Se define la suma

A B por A B = AB. Si A y B son invertibles, entonces AB es invertible

Como la suma de funciones continuas es continua, el axioma i se cumple; de

Sea V el conjunto de los nmeros reales ( \) con las operaciones

x y y x son nmeros reales, lo cual verifica las condiciones i y vi

Mdulo 1: Definicin y propiedades del espacio vectorial