Algebra

ALGEBRA LINEAL
Mg. Euclides Moreno Jara
Euclides Moreno Jara 1

CONTENIDO
 Introducción
 Geometría del álgebra en el espacio
 Rectas y planos
 Espacios Vectoriales
 Transformaciones Lineales
 Valores y vectores propios de una matriz.
 Formas bilineales y cuadráticas.

3
Rectas en el espacio
Definición(1) .- Sea la recta L que pasa por los puntos p0 , q0
Esta recta es paralela al vector u  p0 q0 . si p  ( x, y, z )  L
se tiene:
L : p  p0  t u, t 
Denominada ecuación vectorial de la recta.
Aplicaciones:
1.- Halle la ecuación paramétrica, simétrica y cartesiana
de la recata L que pasa por los puntos.
p0  (1, 3,  2), q0  (2, 1,  2)

Definición (2). Consideremos dos recta en el espacio
L1: P  p0  t u, L2 : Q  q0   v, t ,  
1) L1 L2 si sólo si u v
2) L1  L2 si sólo si u  v
3) El ángulo entre L1 y L2 es igual al ángulo entre u y v
Ejemplo. Intersección de dos rectas en el espacio. Para calcular

la intersección entre L1 y L2 igualamos sus ecuaciones

p0  t u  q0   v
 La solución del sistema es:
tu1   v1  q1  p1
tu2   v2  q2  p2
tu3   v3  q3  p3
 Nos da el o los puntos de intersección entre L1 y L2. Como el
sistema es lineal se tiene:
 Si hay solución única: Las rectas se intersecan en un solo
punto.
 Si hay infinitas soluciones: Las rectas coinciden.
 Si no hay solución: Las rectas no se intersecan

Proposición(1).- Sean las rectas en el espacio tridimensional.
L1 : P  p0  t u, L2 : Q  q0   v, t ,  
Si L1  L2    det( p0  q0 , u , v )  0

Aplicaciones.
1) Sean las rectas
L1: p  (1,3,1)  t (4,1, 0) L2 : q  (13,1, 2)   (12, 6,3)
se intersecan ?
2.- Determine la relación de la recta L1 con las rectas L2, L3,L4.

x 1 y  2
L1:   z 1 L2 : p  (1,3, 2)  t (6, 4, 2)
3 2
L3: q  (0, 2, 1)  t (1,0,3) L4 : r  (0,0,1)  t (1, 2,1)
3.- Halle la ecuación de la recta que pasa por P(1,-1,2) y es

paralela a la recta
L1: 2 x  2  2  y  z  3

Distancia de un punto a una recta
Sea la recta L : p  p0  tu, t  , u  0, q0  L entonces la
distancia de q0 a L es:
(q0  p0 )  u
d (q0 , L) 
u

Aplicaciones
1) Halle la distancia desde el punto P(1, 3, -2) a la recta
L : x  2  3t , y  1  t , z  1  2t , t 
2) Determine la distancia desde el punto P(1, 2, 3) a la recta.

x 2 y 3 z 4
L:  
4 4 2
Nota: Ecuación simétrica de la recta L:

x  x0 y  y0 z  z0
   t , a1  0, a 2  0, a 3  0
a1 a2 a3
y  y0 z  z0
si a1  0, x  x0 , 
a2 a3

Producto Vectorial
Sean los vectores A  (a1 , a2 , a3 ), B  (b1 , b2 , b3 ) definimos
1) A  B  ( a2b3  a3b2 , a3b1  a1b3 , a1b2  a2b1 )
i j k
2) A  B  det a1 a2 a3
b1 b2 b3
) A  ( x, y , z )  x i  y j  zk
Ejemplo.

Propiedades
Sean los vectores A, B, C en espacio tridimensional, entonces tenernos:
1) A  B   B  A
2) A  B  A  A B  B
3) ( A)  B   ( A  B ),  
4) A  ( B  C )  A  B  A  C
A B  A  ( A.B ) 2
2 2 2
5) B
6) A B  A B sen ,   ( A, B )
A.B
7) cos( )  , 0  
A B

Aplicaciones
Sean los vectores A, B, C no nulos en el espacio tridimensional se tiene.
1.- Área de un paralelogramo cuyos lados son los vectores A, B
ap  A  B  A B sen( )
2.- Área del triángulo como consecuencia del resultado anterior.
1
aT  A B
2
3.- Volumen del paralelepípedo formada por los vectores A, B, C.
Vp   A B C   C.( A  B)
4.- Volumen del tetraedro formado por los vectores A, B, C.
1
VT   A B C
6

Distancia entre dos rectas paralelas
La distancia entre dos rectas paralelas L1, L2 es la distancia
desde un punto cualquiera de L1 a L2. Ver grafico
B L1
u
A L2
u
u  AB
d ( L1, L 2)  d ( A, L1) 
u

Distancia entre dos rectas que se cruzan
Esta distancia se mide sobre la perpendicularidad común.

Sean ( A, u), ( B, v) las determinaciones lineales de las rectas L1,
L2.
Los vectores AB, u, v determinan paralelepípedo cuya altura es
la distancia entre las dos rectas.
Volumen de un paralelepípedo es V  Ab .h teniendo en cuenta
el volumen es el valor absoluto del producto mixto de los tres
vectores y el área de la base es el producto vectorial de los
vectores directores de las rectas, la altura, es decir, la distancia
entre los dos puntos e igualo a.
 AB, u, v 
V  
d ( L1, L 2)  h  
Ab uv

Aplicaciones
1) Halle la distancia entre las rectas

x  8 y  10 z  6 x 1 y 1 z 1
L1:   L2 :  
2 3 1 2 2 4
Solución.
A= (-8, 10, 6) u = ( 2, 3, 1) AB = (9, -9, 5) v = (-1, 2, 4)
9 9 5
V   AB, u, v   2 3 1  136, u  v  (10, 9, 7)
1 2 4
Ab  u  v  102  (9) 2  7 2  230

136 68 230
h 
230 115

Ejercicios
1.- Halle la ecuación de la recta que pasa por A( 3, 1, - 2 ) e intercepta en
forma perpendicular a la recata. x + 1 = y + 2 = z + 1.
2.- Sean las rectas L1: P = ( 1, 0, - 1) + t ( 1, 1, 0 ), t

L2: Q = ( 0, 0, 1) + s ( 1, 0, 0 ), s
Halle la ecuación de la recta que intercepta a L1, y L2 , perpendicularmente.
Observación.- Se puede determinar la ecuación de una recta si.
1.- Si tenemos dos puntos diferentes.
2.- Se tiene un punto y un vector dirección.
3.- Intersectando dos planos

PLANOS EN EL ESPACIO TRIDIMENSIONAL.
Definición.- Un plano esta determinado por tres puntos no

coloniales.
1.- Ecuación normal del plano π.
Sean p0 , p   y N vector normal al vector p0 p en el
plano π. De aquí se tiene.
 : ( p  p0 ).N  0
2.- Ecuación cartesiana o general del plano se obtiene operando
la ecuación anterior.
Ax  By  Cz  D  0
3.- Ecuación vectorial de π.
 : P  p0  t p0 q0   p0 r0 , t ,  

Aplicaciones.-
1.- Dodo los puntos no colineales P(1,1,2), Q(2,1,2) y R(0,2,-1)
determine las tres ecuaciones del plano.
2.-Consideremos tres puntos P(0,0,-1), Q(1,2,1), R(1,4,4) no
colineales. Para obtener un punto D tal que los cuatro puntos
conformen un paralelogramo, debemos escoger D de la
siguiente manera. R D
P Q
D = P + (Q - P) + (R – P) = Q + R – P esto es así por que D
debes estar en el plano que contiene a P, Q, R

Relación entre recta y planos
Consideremos una recta y dos planos
L : P  p0  t u, t 
 1 : a1 x  b1 y  c1 z  d1  0, N1  (a1 , b1 , c1 )
 2 : a2 x  b2 y  c2 z  d 2  0, N 2  (a2 , b2 , c2 )
1)  1 //  2 si sólo si N1 N2
2)  1   2 si sólo si N1  N 2
3) L1 //  1 si sólo si N1  u
4) L1   1 si sólo si N1 / / u
El ángulo entre dos planos es el ángulo entre sus normales

Relación de un plano con respecto a los planos coordenados y
los ejes coordenados en el espacio tridimensional
Se tienen las siguientes relaciones:
1) a x  b y  d  0   XY : z  0
2) a x  cz  d  0   XZ : y  0
3) by  cz  d  0   YZ : x  0
4) ax  d  0  Eje : X  0
5) by  d  0  Eje : Y  0
6) cz  d  0  Eje : Z  0

Apicaciones.-
1) Halle la ecuación cartesiana del plano que sea paralelo ,
simultáneamente, a las rectas.
L1 : P  (1, 2,1)  t (0, 2,3), L2: P  (1, 0,1)  t (5, 0, 0)
y que contenga al punto A(1,1,1).
2) Determine la ecuación cartesiana del plano que contenga a la
recta L : P  (1, 2,1)  t (0, 2,3) y al punto (0,0,-1)
3)

Distancia de punto a un plano.
1) Sea la ecuación cartesiana de un plano.

 : Ax  By  Cz  D  0, q0  ( x0 , y0 , z0 )
Ax0  By0  Cz0  D
d (q0 ,  ) 
A2  B 2  C 2
2) Si se tiene la ecuación normal del plano

 : N ( p  p0 )  0
d (q0 ,  )  Proy N p0 q0

Espacios Vectoriales.
Sea K  o conjunto de números reales o complejos.
A) El conjunto ( K, + ) tiene las siguientes propiedades.
1. a,b  K: a + b = b + a
2. a,b,c  K: (a + b) + c = a + (b+ c)
3. a,0  K: a + 0 = 0 + a
4. a,b  K: a + (- a) = 0
.
B) El conjunto ( K, ) cumple las siguientes propiedades.
1. a, ,  K: ( )a =  ( a)
2. a,b,  K:  (a + b) =  a +  b
3.  , ,a  K: ( + ) a =  a +  a
4. 1, a  K: 1.a = a
El conjunto ( K, +, .) con las propiedades descritas se denomina
sistema de números reales o complejos.
Nota.- En lo que sigue denotaremos con K el cuerpo de números
reales o complejos.
Espacios vectoriales sobre un cuerpo K
Definición.- Llamaremos espacio vectorial (e.v) sobre el cuerpo
K al conjunto.(V , , .) . Donde (A) V   , tal que  :V V  V
satisface las siguientes propiedades.
1. u, v  V: u + v = v + u
2. u, v, w  V : (u + v) + w = u + (v + w)
3. u  V, 0  V : u + 0 = 0 + u
4. u  V,  -u  V : u + (- u) = 0

(B) El conjunto ( .: K V  V ), satisface las siguientes propiedades
5. u,v  V,   K:  .(u + v) =  .u +  .v
6. u V ,  ,  K: ( +  ).u =  .u +  .u
7. u V ,  ,  K: ( . ).u =  .( .u)
8. u V , 1  K: 1.u = u
Resumen el conjunto (V , , ) con las propiedades descritas en

(A) y (B) se denomina espacio vectorial sobre el cuerpo K.
Ejemplos. 1.- Si V es un K e.v, denotemos por F(X, V) al
conjunto formado por todas las funciones tal que
F ( X ,V )   f : X  V , f es una funcion  , Pruebe que (F(X,V),+,)
es un espacio vectorial sobre K.

Ejemplo. 2.- Como consecuencia del ejemplo (1) los siguientes conjuntos
tienen estructura de espacio vectorial respecto de las operaciones
consideradas en la misma.
a) El conjunto F(R, R) de las funciones reales de variable real
b) El conjunto F(C, C) de las funciones complejas de variable compleja.
c) El conjunto ( M mn ( K ), , ) de las matrices rectangulares

Subespacios Vectoriales
Definición.- Si V es un K –e.v y H  V , se dice que H es un
subespacio vectorial de V si:
1. H  
2. u,v  H: u + v  H
3.   K , u  H :  u  H
Notación. H V indica que H es subespacio vectorial de V
Proposición.- Sea V un K – e.v, H  V . Se dice que H V si

sólo si.
1. 0  H
2. u,v  H,  ,  K : ( u+ v)  H

Ejemplos:
1.- Si H V , necesariamente 0  H
2.- Cualquier plano de 3 que pasa por (0, 0, 0) es un subespacio vectorial
3
de
3.- Cualquier recta de 3 que pasa por (0, 0, 0) es un subespacio vectorial
3
de
son: 0 ,
2 2
4.- Los únicos subespacios de y las rectas que pasan por
(0, 0)
son: 0 ,
3 3
5.- Los únicos subespacios de , las rectas que pasan por
(0, 0, 0) y los planos que pasan por (0, 0, 0)
6.- Sea Pn ( ) conjunto de polinomios con coeficientes en de grado  n
Entonces Pn ( ) [ x] ( verificar)
n
7.- Las matrices triangulares superiormente , T ( K ) , inferiormente Tn ( K )
y diagonales Dn ( K ) son subespacios vectoriales de M n ( K )

Dependencia e independencia lineal
Definición.- Si V es un K – e.v. y  u1 , u2 , un  es un sistema

de vectores de V, diremos que v V es combinación lineal de
n
 u1 , u2 , un  si (1 ,  2 , ,  n )  K n tal que v   u
i 1
i i
Proposición.- Sean V un K –e.v. y A  V se verifica que:
1. L( A) V
2. A  L( A)
3. B V ( A  B  L(A)  B )

Definición.-Si V es un K – e.v y u1 , u2 , , un es un sistema de
vectores de V, al subespacio victorial H  L(u1 , u2 , , un ) se le
denomina subespacio vectorial generado por el sistema u1 , , un
Observación.- Si todo vector de V se puede expresar como una
combinación lineal de u1 , u2 , , un , resulta que el subespacio
vectorial generado por u1 , u2 , , un es H  L(u1 , u2 , , un )  V , es
un subespacio vectorial de V.
Definición.- Siendo V un K –e.v, se dice que el sistema u1 , u2 , , un
de vectores de V es linealmente independiente ( l.i) si se verifica que
n
(1 , ,  n )  K :  i ui  0  (1 ,
n
,  n )  (0, , 0)
i 1
En caso contrario se dice que el sistema es linealmente dependiente ( l.d)

Proposición.- Si V es un K – e.v y n, r, m , se verifica:
1. u V  u  0  u es l.i
2. Si u1 , , un es l.i r  n  u1 , , ur es l.i
3. Si u1 , , un es tal que i  1, ,n , ui  0  u1, , un , es l.d
4. Si u1 , , un es l.d  v1 , ,v m  V,el sistema ui , , un ,v1, , vm  es l.d
Ejemplos:
1.- En P2 ( x), determine si los polinomios x  2 x2 , x2  4 x,  7 x  8x2
son l.i. ó l.d.
2. En P3 ( x) determine si los polinomios  1, x, x2 , x3  son l.i o l.d
3.- Las matrices son l.i o l.d en M 22 ( )
 1 0  0 1  0 1  2 3
 ,  ,  ,  
 0 0   0 0   1 0   5 0 

BASES Y DIMENSIÓN
Definición.- Dado un K – e.v V y H V, se dice que un sistema
u1 , u2 , , un de vectores de H es una base de H si u1 , u2 , , un , es l.i y
v  H se verifica que v es combinación lineal de u1 , u2 , , un
Ejemplos.
Definición.- Se dice que un K – e.v V es de dimensión finita si
n  , y u1 , , un sistema de vectores de V tal que u1 , u2 , , un es
una base de V.
Ejemplos.-
Proposición.- Sean V un K – e.v,  u1 , u2 , un  una base de V y
 v1 , v2 , vm  un sistema de vectores de V con m > n. En estas condiciones
el sistema  v1 , v2 , vm  es l.d

Definición.- Si V es un K – e.v de dimensión finita y (u1 , u2 , , un ) V n
es una base de V, diremos que la dimensión de V es n y escribiremos
dim(V )  n
Ejemplos.
1. Como 1 es una base del - e.v. resulta que dim( )  1
2. Teniendo en cuenta que n tiene “n” elementos, resulta que
dim( n )  n
3. Puesto que (1, x, x 2 , , x n )  ( Pn ( )) n1 es una base de Pn ( )
de aquí tenemos que dim( Pn ( ))  n  1, denominado base
usual de Pn ( )
4. Verificar que el sistema { 1, 1+ x, x 2 } es una base de P2 ( )

Nota.- Dado un K – e.v. V, y H V se tiene:
a) Si dim(H) = 1 se dice que H es una recta de V.
b) Si dim(H) = 2, se dice que H es un plano de V.
c) Si dim(V) = n, dim(H) = n-1, se dice que H es un hiperplano
de V
Ejemplo.- Como dim( 3
)  3, si H 3
, H  3
se tiene:
dim(H) = 0, 1, 2
a) Si dim( H) = 0, H = {(0,0,0)}
b) Si dim( H) = 1, u  ( x, y, z)  H , u  (0,0,0) , se tiene
H  L({u})  {v  3 /   : v   u} recta
c) Si dim(H) = 2, (u, v) es una base de H, de aquí resulta que
H  w  3 / ( ,  )  2 : w   u   v plano de
3

Teoremas.-
1.- Si H, W son subespacios vectoriales de un e.v. V, entonces
a) H W  v V : v  H  v W  es subespacio vectorial de V.
b) H  W  u  v tal que u  H , v W  V
2.- Si V es un e.v. de dimensión finita y H, W son subespacios
vectoriales de V, entonces dim( H  W )  dim( H )  dim(W )  dim( H W )
3.- Sea H un subespacio vectorial de dimensión finita V. Entonces H tiene
dimensión finita y dim( H )  dim(V )
4.- Un conjunto de vectores l.i en contiene a lo sumo “n”
n
vectores
5.- Cualquier conjunto de “n” vectores l.i en n genera a n
6.- Sea Ann una matriz. Entonces det( A)  0 si sólo si las
columnas de A son l.i.

EJERCICIOS.
1.- Analizar cuales de los siguientes subconjuntos de 3 son subespacios
vectoriales y para aquellos que lo son halle una base y su dimensión.
a) H  ( 5 x, x, 6 x) / x  
b) H  ( x, y, z ) / x  y  z  0, x  y  z  0
c) H  ( x, y, z ) / x  y  z  1
2.- Analizar cuales de los siguientes conjuntos son subespacios vectoriales de
M 33 ( ) para aquellos que lo sean halle una base y su dimensión.
a) W  M  M 33 ( ) / det( M )  0
b) W  M  M 3 3 ( ) / M  M T 
c) W  M  M 33 ( ) / M es diagonal

3.- Analizar cuales de los siguientes conjuntos son subespacios vectoriales de
P2 ( ) para aquellos que lo sean halle una base y su dimensión.
a) W  P( x)  P2 ( ) / 3P(0)  P(1)  1
b) W  P( x)  P2 ( ) / P '(0)  P ''(0)  0
c) W  P( x)  P2 ( ) / P(0)  0, P '(0)  0
4.- Determine m, n para que (1, 1, 0, m), (3, -1, n, -1),(-3, 5, m, -4) sean l.d
5.- Si u = (1,2,1), v = (1, 3, 2), x = (1,1, 0), y = (3, 8, 5), pruebe que
L({x, y})  L({u, v})
6.- Sean
H  ( x, y, z, t )  4
/ x  y  z  t  0 , W  L 1,1, 2, 2),(1,0, 1,0)
Halle ecuaciones paramétricas, implícitas y base para

H , W , H W , H  W

Espacios vectoriales Euclídeos
Producto escalar ( producto interior)
Notación.- u, v  u.v  (u, v)  u1.v1  u2 .v2   un .vn
Definición(1).- Si V es un - e.v. diremos que la función
 : V  V 
(u, v)  u, v
Es un producto escalar real ( o producto interior real) si u, v, w V ,  
Se cumple: 1) (u, v)  (v, u ) (simetria, o conmutativa)
2) (u, v  w)  (u, v)  (u, w) (lineal, o distributiva)
3)  (u, v)  ( v, u ) ( asociativa)
4) (u, u )  0 y (u, u )  0  u  0 ( positividad)
Luego ( V, < > ) se denomina espacio vectorial euclídeo (e.v.e)

Ortogonalidad en un espacio Euclídeo
Definición.- Si ( V, < > ) es un e.v.e. Para todo u, v en V se cumple:
1) u   u, u  norma euclídea
2)  u , v   u v desigualdad de Cauchy - Schwarz
3) u  v  u  v desigualdad triangular
 u, v 
4) cos( ) = ángulo entre los vectores u,v.   [0, ]
u .v
5) Si <u,v > = 0 u,v son ortogonales o perpendiculares
6) Un conjunto ortogonal se denomina ortonormal si cada uno
de sus elementos tiene norma 1


Definición.- Sean ( V, < > ) un e.v.e. y B  u1 , u2 ,..., un  una base de V.

a) Se dices que B es una base ortogonal si el sistema u1 , u2 ,..., un  es
ortogonal.

b) B es una base ortonormal si el sistema u1 , u2 ,..., un  es ortonormal

Teorema.- Sean ( V, < > ) un e.v.e. y u1 , u2 ,..., um  sistema l.i de V

en estas condiciones existe un sistema ortogonal v1 , v2 ,..., vm  tal que
L(v1 , v2 ,..., vi )  L(u1 , u2 ,..., ui ), i  1, 2,3,..., m

Nota.- 1) Si S  u1 , u2 ,..., uk  es un conjunto ortogonal de vectores
diferente de cero, entonces S es linealmente independiente.
2) Cualquier base en n se puede convertir en una base ortonormal.
3) Todo conjunto euclídeo de dimensión finita tiene una base
ortonormal

Método de ortogonalización de Gram - Schmidt
Teorema.- Proceso de ortonormalización de Gram – Schmidt. Sea H un
n
subespacio de dimensión m de . Entonces H tiene una base

ortonormal. Sea el sistema u1 , u2 ,..., um  l.i con m ≤ n
v1  u1
 u2 , v1 
v2  u2  .v1
 v1 , v1 
 u3 , v1   u3 , v2 
v3  u3  .v1  .v2
 v1 , v1   v2 , v2 
 um , v1   um , vm 1 
vm  um  .v1   .vm 1
 v1 , v1   vm 1 , vm.1 

Resumen:
1) Del método anterior se obtiene un sistema ortogonal además satisface la
condición.
L(v1 , v2 ,..., vi )  L(u1 , u2 ,..., ui ), i  1, 2,3,..., m
vi
2.- Si definimos wi  , i  1, 2, ,m
vi
Se obtiene un sistema ortonormal. w , w ,..., w 
1 2 m
Ejemplos.

TRANSFORMACIONES LINEALES
Definición.-Sean (V , , ) y (W , , ) dos espacios vectoriales
sobre el mismo cuerpo K . Diremos que la función f : V  W es lineal ( o
también, es un homomorfismo de K – e.v), si f satisface las siguientes
propiedades:
1. u, v V , f (u  v)  f (u)  f ( v)
2. u V ,   K , f(  u )    f (u )
Proposición(1).- Siendo V y W K – e.v., se verifica que la función
f : V  W es T. Lineal si y sólo si u, v V ,  ,   K :
f ( u   v)   f (u)   f (v)
Ejemplos.- 1.-La función identidad. IdV : V  V Es T. L.

2.- Sea el conjunto C ([a, b], ), de la funciones continuas se tiene.
b b b
a
( f   g )    f    g
a a

Propiedades de las transformaciones lineales
T :V  W
1. T es transformación lineal
 u, v V ,  ,   K : T ( u   v)  T (u)   T (v)
2. Transformaciones lineales preservan combinaciones lineales es decir:

T (a1v1   an vn )  a1T (v1 )   anT (vn ), ai  K , vi V
3. T ( 0V )  0W
4. T ( v)   T (v)
5. T ( u  v)  T (u )  T (v)

NÚCLEO E IMAGEN DE UNA TRANSFORMACIÓN LINEAL
Definición.- Sean V, W K – e.v. T : V  W Una transformación lineal.
N (T )  Ker (T )  T  1 ( 0 )  v V : T (v)  0

Im(T )  w W , v V : T (v)  w 
Además se verifica: Ker (T ) V Im(T ) W son subespacios vectoriales.
Definición.- Sean V, W K – e.v. T : V  W Una transformación lineal.

Entonces a la dimisión del imagen de T se denomina rango de T.
Y a la dimensión del núcleo de T se denomina nulidad de T.
Teorema (1). De la definición si dim(V )  
dim( KerT )  dim(Im T )  dim(V )  nulidad (T )  rango(T )

Definición (1).- Una función entre dos conjuntos. g : A  B
a) g es inyectiva si a, b  A, g (a)  g (b)  a  b
b) g es sobreyectiva si  b  B, a  A : b  g (a)
c) La función g es biyectiva si g es a la vez inyectiva y sobreyectiva.
Teorema (1).- Sean V, W K – e.v. T : V  W Una transformación lineal.

Se verifica:
a) T es inyectiva  Ker(T) = 0

b) T es sobreyectiva  Im(T) = W

Espacios Vectoriales Isomorfos
Definición (1).- Sean V y W dos K – e.v. se dice que V y W son isomorfos si
existe una función g : V  W tal que g es lineal y biyectiva.
Si g : V  W es lineal y biyectiva, se dice que g es un isomorfismo
Proposición.- Si g : V  W es un isomorfismo g : W  V
1
es también un
isomorfismo.
1) Si g es una transformación lineal

g es invertible   g  1 : W  V / g 1 g  IV , g g 1  IW
Si g es invertible se dice que es un isomorfismo
2) Si g : V  W es un isomorfismo, se dice que los dos espacios vectoriales

son isomorfos

Teorema(1).- Sean V y W dos K – e.v. Sea  v1 , v2 , vn  una base de V y
w1 , w 2 , wn  W un conjunto de n vectores arbitrarios. Entonces existe
una única transformación lineal
T : V  W / T (vi )  wi i =1, 2, n
Esta transformación T aplica cualquier elemento x de V como sigue
x  1v1  2 v2   n vn
T ( x)  1T (v1 )  2T (v2 )   nT (vn )
=1w1  2 w2   n wn
Corolario (1).- Si V y W son dos K – e.v. finitamente generados ( de
dimensión finita), entonces.
V y W son isomorfos  dim(V) = dim(W)

Ejemplos.

Matriz asociada a una transformación lineal
Teorema(1).- Sean V y W dos K – e.v. Sea T : V  W , transformación
lineal sean  v1 , v2 , vn  , w1 , w 2 , w m  bases ordenadas de V y W
respectivamente. Entonces la matriz asociada a la transformación lineal T
es A  (ti k )m n donde los elementos de la matriz A están determinados
por las ecuaciones. m
T (vk )   ti k wi , k  1, 2, n
i 1
Ejemplos.
1.- Sean 3 , 2  e.v. sobre . Sea T: 3  2 T.L sean sus bases
canónicas ordenadas. B1   e1 , e2 , e3 , B2   e1 , e2  Donde T define:
T (1, 0, 0)  (1, 2), T (0,1, 0)  (0,1), T (0, 0,1)  (3, 2)
a) Halle la matriz asociada a T respecto a las bases canónicas.

b) Encuentre la matriz asociada a T respecto a la base.
B  (1,1,1), (0,1,1), (0, 0,1)
2.- Construir una transformación lineal a partir de la matriz

3 1 2 
A
1 0 4  23
3.- Sea T: 2  2 una transformación lineal tal que T (i)  i  j

T ( j )  2i  j
a) Calcule T (3i  4 j ) y T 2 (3i  4 j ) en función de i y j.
b) Determine la matriz de T , T 2

Isomorfismos entre transformaciones lineales y
matrices.
1) Teorema de isomorfismo.- Sean T , S  L(V ,W ), y m(T ), m(S ) las
n m
matrices relativa a las bases dadas y todos los escalares λ , se tiene:

m(T  S )  m(T )  m(S ) y m(T )  m(T )
además si m(T) = m(S) implica T = S
2) Sean T : U  V , S : V  W transformaciones lineales su composición

ST : U  W es una transformación lineal. Entonces tenemos:
a) ST(x) = S( T(x) )
b) Elegida unas bases fijas, las matrices de S, T, ST están relacionadas por:

m(ST )  m(S )m(T )

Autovalores y autovectores
Introducción.
Los conceptos de valores propios de vectores propios de transformaciones

lineales o de matrices son de importancia en:
Aplicaciones de matemáticas como:
 Diagonalización de matrices
 Rotación de ejes coordenados
 Solución de sistemas de ecuaciones diferenciales lineales con coeficientes

constantes.
 Solución de sistemas de ecuaciones lineales.
 Solución de sistemas de relación de recurrencia lineales.

Autovalores y autovectores
Definición. Sean V e.v. sobre un cuerpo K y T : V  V una transformación

lineal.
  K se llama valor propio de T, si  v  V, v  0V , tal que T(v) = v
cada vector v  V, v  0V , que satisface T(v) = v se llama vector

propio de T, asociado al valor propio de λ
Nota.- Los valores propios también se denominan valores característicos,
autovalores o eigenvalores.
Si λ es valor propio de la transformación lineal T, el conjunto

W  v V : T (v)  v es subespacio vectorial de V llamado espacio
propio de T asociado al valor propio de λ

Definición(2). Sea A  M nn ( K ), K  o ,   K se llama valor
propio de A si  v  K n , v  0, tal que Av = v
Cada vector v, v  0, que satisface Av = v, se llama vector propio

de A, asociado al valor propio de λ.
Nota.- Los vectores propios también se denominan vectores característicos,
autovectores o eigenvectores.

Si λ es valor propio de una matriz A, el conjunto W  v  K n : Av  v
 
n
Es subespacio vectorial de K llamado espacio propio se A asociado al
valor propio de λ ( autoespacio)
( observar que 0 W pero que 0 no es vector propio de A )

El conjunto de todos los valores propios de A se denomina espectro de A

Independencia lineal de autovectores
correspondiente a autovalores distintos.
Teorema(1).- Si dim( V ) = n. toda transformación lineal T : V  V tiene por

los menos n autovalores distintos. Si T tiene exactamente n autovalores
distintos, entonces los autovectores correspondientes forman una base para V
y la matriz relativa a esa base es una matriz diagonal con los autovalores como
elementos diagonales. (demostración. Apóstol. T – Calculus )

Polinomio característico. Ecuación característica de
una matriz.
Sea A  M nn ( K ). Entonces:
 es valor propio de A  Av =  v
 Av = ( I n )v, con v  0 K n
 (A -  I n )v  0 K n , v  0 K n
 det(A -  I n )v  0
a11   a12 a1n

 a21 a22   a2 n = 0
an1 an 2 anm  
Los valore de  que satisfacen esta ecuación, son los valores propios de A

Valores propios de la transformación lineal T, son
los vectores no nulos del núcleo de T.
Sea
T : V  W , T.L. Entonces:
  K es valor propio de T  v  V , v  0V , T (v)   v
 v  V , v  0V , (T   IV )(v)  0V
 v  Ker (T   IV ), v  0V
 v  Ker (T   IV )  0V 
Teorema.- Si A es una matriz cuadrada el determinante p( )  det( A   I n )

Se denomina polinomio característico de A. Las raíces del polinomio
característico son números complejos alguno de los cuales puede ser real.

Definición.- Si λ es un autovalor de una matriz cuadrada A, al espacio Ker ( A   I n )
de las soluciones del sistema de ecuaciones lineales homogéneo ( A   I n ) X  (0)
se le denomina autoespacio asociado a λ y su dimensión es la
multiplicidad geométrica de λ
A la multiplicidad de λ como raíz del polinomio característico de la matriz A
se le denomina multiplicidad algebraica de λ

Propiedades de valores y vectores propios de una
matriz cuadrada.
Sea A  M n n ( K ) y P( ) = det(A -  In ) polinomio característico de A
entonces:
1.- P( ) = det(A -  In )  c0  c1  c2   cn polinomio de grado n
2 n
2.- Los valores propios de la matriz A son las raíces de la ecuación

característica de A
3.- Para determinar los valores propios de A, debemos encontrar las raíces de
su ecuación característica P( ) = 0 que tiene n raíces reales o complejas.
4.- Una matriz real, esto es todos sus elementos son reales , es tal que su
ecuación característica podría no tener raíces reales sino complejas.

5.- Sean 1 , 2 , , n todos los valores propios de la matriz A. Entonces
a) La suma de los valores propios de la matriz A es igual a su traza:
1  2   n  trA, con trA  a11  a22  ann
b) El producto de los valores propios de la matriz A es igual al

determinante de A:      n  det A
1 2
6.- A es una matriz no invertible ( singular)    0 es valor propio de
A basta considerar:
  0 es valor propio de A  detA = 0  A es no invertible o singular
Ejemplos:

Ejemplos: Determine los autovalores, los autovectores,
espectro de A, los subespacios propios. En cada caso:
2 1 1  2 1 1
1) A  
2 3 4  2) B  
0 3 1


 1 1 2 
 
2 1 3
2 1 1 1 0 1
3) C  
2 3 2
 4) D  
0 1 2 

3 3 4
 
0 0 2 


Matrices Semejantes o Similares.
Definición.- Sean
A, B  M nn ( ) son semejantes si P invertible tal que
B  P 1 AP
1.- La semejanza de matrices es una relación de equivalencia en M n n ( )

# A es semejante a A
# Si B es semejante a A, entonces A es semejante a B
# Si A es semejante a B y B es semejante a C, entonces A es
semejante a C.
2.- Como: B  P1 AP  PB  AP entonces.
A y B son semejantes  existe P matriz invertible de orden n tal que
PB = AP ( a la matriz P se llama matriz de paso)

3.- Sean A y B matrices semejantes orden de n entonces.
A y B tienen el mismo polinomio característico y los mismos valores
propios.
4.- Sea V n un espacio vectorial sobre un cuerpo K, y sean A, B dos matrices

de orden n sobre K. Entonces
A, B son semejantes si y solo si A, B representan a la misma
transformación lineal T : V  V relativo a bases diferentes de V.
5.- El reciproco de (3) No es necesariamente es cierto. Existen matrices con el
mismo polinomio característico pero que no son semejantes.

Aplicaciones:
1.- Demostrar que las matrices. Siguientes tienen los mismos autovalores pero
que no son semejante.
1 1 1 0 
A  B 
 0 1  0 1 
2.- Halle los subespacios propios de A, B indicando sus dimensiones.
1 0 1  2 0 3 
A  0 1 2  B   3 2 9
0 0 2  1 2 6 

DIAGONALIZACIÓN DE MATRICES
Definición.- Diremos que una matriz cuadrada A de orden n es
diagonalizable, si existe una matriz de paso invertible P de orden n tal

1
que la matriz. D  P AP es diagonal
1.- Sea dice que A es diagonalizable si es semejante a una matriz diagonal
2.- Si A es diagonalizable, entonces existe D matriz diagonal de orden n tal
que A y D son semejantes.
3.- Si A es diagonalizable, entonces A es semejante a una matriz diagonal
cuyos elementos en la diagonal principal, son los valores propios de A
Nota.- No toda matriz es diagonalizable

4.- A es diagonalizable, si, sólo si A tiene n vectores propios linealmente
independientes ( formada por matrices columna de n filas )
5.- Si A tiene n valores distintos, entonces A es diagonalizable.
6.- El reciproco de (5) es falso.
Una matriz puede ser diagonalizable y tener valores propios repetidos.
7.- A es diagonalizable si, sólo si para todo autovalor λ de A se verifica

dim( Ker ( A   I n ))  m( )
Es decir, si la multiplicidad geométrica de λ es igual a su multiplicidad
algebraica.

TRANSFORMACIÓN LINEAL DIAGONALIZABLE
Definición.- Sea T : V  V Una transformación lineal se dice que T es

n n
diagonalizable si existe alguna base B de V, de modo que la representación

matricial de T en dicha base, es una matriz diagonal.
1.- T es diagonalizable si, sólo si existe una base B de V de vectores propios
de T
2.- Si D es la matriz diagonal de T, entonces los elementos de la diagonal de
D son los valores propios de T.
3.- Dos matrices de orden n son semejantes si, sólo si representan la misma
transformación lineal.

Aplicaciones:
1
1.- Halle en cada caso una matriz invertible P tal que P AP sea una matriz
diagonal o justifique por que tal matriz P no existe.
1 0 1 2  2 1  2 1
a) A    b) A    c) A    d)A   
1 3   5 4   1 4   1 0 

TRIANGULACIÓN DE MATRICES
Teorema(1).- Si A es una matriz cuadrada de orden n con coeficientes
complejos, existe una matriz semejante a ella T, que es triangular
inferiormente.
Ejemplo.- Triangular por semejanza y halle la matriz de paso correspondiente
para cada matrices.
 2 0 3   1 1 1 0 0 1 
a) A   3 2 9  b) A   1 3 1  c) A  0 1 0 
 1 2 6   1 1 1  1 0 0 

Formas bilineales
n
Sea V un e.v -
Definición.- una aplicación B : V n V n  es bilineal si cumple:
1) B(u  v, w)  B(u , w)  B(v, w)

2) B( u, v)   B(u, v)
3) B(u,  v)   B(u, v)
4) B(u, v  w)  B(u, v)  B(u, w)
Ejemplos:
B: n
 n
 se tienen los siguientes ejemplos
1) B(u, v)  B(( x1 , x2 , x3 ), ( y1 , y2 , y3 ))  2 x1 y2  3 x2 y2  x3 y1  4 x3 y3
2) B(u, v)  B(( x1 , x2 , x3 ), ( y1 , y2 , y3 ))  5 x1 y2  81x1 y3  48 x2 y3  89 x3 y1  102 x3 y3

¿ Los ejemplos anteriores son forma bilineales ? Respuesta:
1) Para responder, se puede verificar las 4 propiedades de la definición 0
2) Utilizando matrices se puede escribir de la siguiente manera.
Del ejemplo (1)

0 2 0   y1 
  
B(u, v)  ( x1 , x2 , x3 )  0 3 0   y2 
1 4   y3 
 0
Del ejemplo (2)
 0 5 81  y1 
  
B(u, v)  ( x1 , x2 , x3 )  0 0 48   y2 
 89 102   y3 
 0

Observaciones:
1) Los ejemplos anteriores se pueden reproducir de la siguiente matriz.
 a11 a12 a13 

 
M=  a21 a22 a23 
a a33 
 31 a32
2) Construcción de forma bilineal a partir de los ejemplos anteriores.
 a11 a12 a13   y1 

  
3
B(u,v) =(x1 ,x 2 ,x 3 )  a21 a22 a23   y2    aij xi y j
a    i . j 1
 31 a32 a33   y3 

3) Extensión al caso de n. Sea M  M nn ( ) tal que M = (a ij )
n
construcción de forma bilineal sobre
B : n  n  . Los vectores los tomamos como matrices filas.
n
B(u,v) = uMv  T
a
i . j 1
ij xi y j
Que verifica las 4 propiedades de la definición.
n
4) Toda forma bilineal sobre procede de una matriz cuadrada de orden n.
luego se obtiene una aplicación biyectiva, entre M nn y el conjunto de las
formas bilineales sobre n
5) Si se tiene una forma bilineal B sobre n , se obtiene la matriz M
definiendo sus items usando la fórmula. ai j  B(ei , e j ) 1  i, j  n

6) En general si se tiene una forma bilineal B : V n V n  y se toma
cualquier base B  u1 , u2 , , un  entonces podemos definir la matriz
M cuyos elementos son:
ai j  B(ui , u j ) 1  i, j  n
Conclusión tenemos expresión matricial u, v matrices fila.
B(u,v) = uMvT
Ejemplos:

Aplicaciones:
1.- En el espacio vectorial bidimensional, halle las formas bilineales que en la
base canónica vienen representadas, por las siguientes matrices.
 4 2 1 0  0 1   4 2
M1    M2    M3    M4   
 2 1   0 1  1 0   8 4 
2.- En el espacio vectorial tridimensional, se considera la forma bilineal
definida por. B(u, v)  B(( x1 , x2 , x3 ),( y1 , y2 , y3 ))  x1 y1  x2 y2  x3 y3
a) Halle la matriz que representa en la base canónica.
b) Determine la matriz que representa en la base

B   x1  (1,1,1), x2  (1, 1,1), x3  (1, 0, 4)

Formas Cuadráticas
n
Definición (1).- Sea el espacio vectorial sobre los reales (V , B) donde B es
un forma bilineal entonces definimos la aplicación.
Q : V n  / Q(u)  B(u, u), u V n
A esta aplicación le llamaremos la forma cuadrática asociada con la
forma bilineal B.
PROPIEDADES
1.- Diferentes formas bilineales pueden tener asociadas la misma forma
cuadrática.
a) B(( x1 , x2 , x3 ), ( y1 , y2 , y3 ))  x1 y2  2 x2 y1  x1 y3  2 x3 y1  x2 y3  2 x3 y2
b) B(( x1 , x2 , x3 ), ( y1 , y2 , y3 ))  3x1 y2  3x1 y3  3x2 y3
Verificar que la forma cuadrática de ambas F.B. es Q(u)  3x1 x2  3x1 x3  3x2 x3

2.- Formas cuadráticas derivadas de formas bilineales.
a) Q(0)  0
b) Q( u )   2Q(u ),   , u V n
c) Q(u  v)  Q(u )  Q(v)  B(u, v)  B(v, u ), u, v V n
3.- Si B es una forma bilineal, y Q, su forma cuadrática, entonces se puede

sumar a B cualquier forma bilineal antisimétrica, a, para obtener otra forma
bilineal, B + a cuya forma cuadrática sigue siendo Q.
4.- Si una forma bilineal se descompone, en su parte simétrica y su parte
antisimétrica, B  Bs  Ba entonces la forma cuadrática de la forma
bilineal original es la asociada a su parte simétrica.
5.- Si la forma bilineal se restringe a formas bilineales simétricas entonces se
convierte en biyectiva. Es decir
Q(u  v)  Q(u  v, u  v)  B(u, u )  B(u , v)  B(v, u )  B(v, v)
1
usando simetría de B:Q(u  v)  (Q(u  v)  Q(u )  Q(v))
2
6.- Para cualquier matriz M, n x n, y cualquier matriz fila u, 1xn, se tiene la
forma cuadrática Q(u) = uMuT  uNuT en donde N es la matriz
1
simétrica N  ( M  M T ) ( Teo. Ver Apostol – p159 Calculus)
2
Definición (2).- Sea V un e.v.e. con base ortonormal e1 , e2 , , en 

y sea M  (aij ) cualquier matriz nxn de escalares. Ahora para cada
n
elemento x   xi ei de V. definimos la forma cuadrática por.
i 1
n n
Q(x) =  a
i 1 j 1
ij xi x j
7.- Sea una forma cuadrática Q(u) = uMuT donde M es simétrica real, y
sea C una matriz ortogonal que convierte a M en una matriz diagonal
D  C T M C . Tenemos entonces
n
Q(u) = uMu  YDYT T
  i yi2 , i autovalores de M
i 1

Aplicaciones a la Geometría Analítica.
La reducción de una forma cuadrática a forma diagonal puede utilizarse para
identificar conjunto de puntos del plano que satisface una ecuación cartesiana
de la forma:
ax 2  bxy  cy 2  dx  ey  f  0 (1)
Observaciones.
1.- El tipo de cónica viene caracterizado por la forma cuadrática
 a b / 2
ax  bxy  cy
2 2
cuya matriz es M =  
 b / 2 c 
2.- Expresado en forma cuadrática es.
Q( x)  xMxT  ax12  bx1 x2  cx22

3.- Si 1 , 2 son los autovalores de M la ecuación (1) representa una
cónica, esto es:
a ) Elipse si 12  0
b) Hipérbola si 12  0
c) Parábola si 12  0
4.- En otros casos degenerados de (1) puede ser: conjunto vacío, solo un punto,
una recta o dos rectas.
Ejemplos.
En cada una de los ejercicios halle:
1) Una matriz simétrica M 2) Los autovalores de M
3) conjunto ortonormal de autovectores
4) Una matriz diagonalizante ortogonal C
a ) Q(x) = 2x12  4 x1 x2  5 x22
b) Q(x) = 4x12  4 x1 x2  x22
c) Q(x) = x12  x1 x2  x1 x3  x2 x3

Algebra

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

Algebra

Загружено:

Авторское право:

Доступные форматы

ALGEBRA LINEAL

Mg. Euclides Moreno Jara

Euclides Moreno Jara 1

Euclides Moreno Jara 2

Euclides Moreno Jara 3

3) El ángulo entre L1 y L2 es igual al ángulo entre u y v

Ejemplo. Intersección de dos rectas en el espacio. Para calcular

Euclides Moreno Jara 4

 Si no hay solución: Las rectas no se intersecan

Euclides Moreno Jara 5

Euclides Moreno Jara 6

2.- Determine la relación de la recta L1 con las rectas L2, L3,L4.

3.- Halle la ecuación de la recta que pasa por P(1,-1,2) y es

Euclides Moreno Jara 7

Euclides Moreno Jara 8

2) Determine la distancia desde el punto P(1, 2, 3) a la recta.

Nota: Ecuación simétrica de la recta L:

Euclides Moreno Jara 9

1) A  B  ( a2b3  a3b2 , a3b1  a1b3 , a1b2  a2b1 )

Euclides Moreno Jara 10

Euclides Moreno Jara 11

Euclides Moreno Jara 12

Euclides Moreno Jara 13

Esta distancia se mide sobre la perpendicularidad común.

Euclides Moreno Jara 14

1) Halle la distancia entre las rectas

Ab  u  v  102  (9) 2  7 2  230

Euclides Moreno Jara 15

forma perpendicular a la recata. x + 1 = y + 2 = z + 1.

2.- Sean las rectas L1: P = ( 1, 0, - 1) + t ( 1, 1, 0 ), t

Euclides Moreno Jara 16

Definición.- Un plano esta determinado por tres puntos no

Euclides Moreno Jara 17

Euclides Moreno Jara 18

Euclides Moreno Jara 19

Euclides Moreno Jara 20

Euclides Moreno Jara 21

1) Sea la ecuación cartesiana de un plano.

2) Si se tiene la ecuación normal del plano

Euclides Moreno Jara 22

Euclides Moreno Jara 24

Resumen el conjunto (V , , ) con las propiedades descritas en

Euclides Moreno Jara 25

b) El conjunto F(C, C) de las funciones complejas de variable compleja.

c) El conjunto ( M mn ( K ), , ) de las matrices rectangulares

Euclides Moreno Jara 26

Proposición.- Sea V un K – e.v, H  V . Se dice que H V si

Euclides Moreno Jara 27

Euclides Moreno Jara 28

Definición.- Si V es un K – e.v. y  u1 , u2 , un  es un sistema

Proposición.- Sean V un K –e.v. y A  V se verifica que:

Euclides Moreno Jara 29

En caso contrario se dice que el sistema es linealmente dependiente ( l.d)

Euclides Moreno Jara 30

Euclides Moreno Jara 31

Euclides Moreno Jara 32

Euclides Moreno Jara 33

Euclides Moreno Jara 34

Euclides Moreno Jara 35

Euclides Moreno Jara 36

Halle ecuaciones paramétricas, implícitas y base para

Euclides Moreno Jara 37

Luego ( V, < > ) se denomina espacio vectorial euclídeo (e.v.e)