Вы находитесь на странице: 1из 64

Algebra Lineal

Curso Basico de postgrado en Matematicas


Universidad Surcolombiana
Primer semestre de 2012
2

Indice general
1. ECUACIONES LINEALES 5
1.1. Cuerpos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . 8
1.3. Matrices y operaciones elementales de la . . . . . . . . . . . . . . 11
1.4. Matrices escal on reducidas por las . . . . . . . . . . . . . . . . . . 18
1.5. Multiplicacion de matrices . . . . . . . . . . . . . . . . . . . . . . . 24
2. ESPACIOS VECTORIALES 27
2.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3. Bases y Dimensi on . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4. Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5. Bases y dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6. Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.7. Resumen de equivalencia por las . . . . . . . . . . . . . . . . . . . 34
2.8. C alculo relativos a subespacios . . . . . . . . . . . . . . . . . . . . 34
3. TRANSFORMACIONES LINEALES 35
3.1. Trasformaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2. Algebra de las Trasformaciones Lineales . . . . . . . . . . . . . . . 37
3.3. Isomorsmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4. Representacion de trasformaciones por matrices . . . . . . . . . . . 39
3.5. Funciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.6. El Doble Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.7. Traspuesta de una Trasformaci on Lineal . . . . . . . . . . . . . . . 42
4. Polinomios 43
3
4

INDICE GENERAL
5. Determinantes 45
6. Formas canonicas elementales 47
7. La forma racional y de Jordan 49
8. Espacios con producto interno 51
8.1. Producto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
8.2. Funciones Lineales y Adjuntas . . . . . . . . . . . . . . . . . . . . 57
8.3. Operadores Unitarios . . . . . . . . . . . . . . . . . . . . . . . . . . 57
8.4. Operadores Normales . . . . . . . . . . . . . . . . . . . . . . . . . . 59
9. Operadores sobre espacios producto interno 61
10.Formas bilineales 63
10.1. Formas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Captulo 1
ECUACIONES LINEALES
1.1. Cuerpos
Suponemos al lector familiarizado con el algebra elemental de los n umeros
reales y complejos. En una gran parte de este libro las propiedades algebraicas
de los n umeros que se usaran se deducen facilmente de la siguiente breve lista de
propiedades de la adici on y de la multiplicaci on. Se designa por F el conjunto de
los n umeros reales o el conjunto de los n umeros complejos.
1. La adici on es conmutativa, x +y = y +x, para cualquiera x e y de F.
2. La adici on es asociativa, x + (y +z) = (x +y) +z, para cualquiera x, y, y z
de F.
3. Existe un elemento unico 0 (cero) de F tal que x+0 = x, para todo x en F.
4. A cada x de F corresponde un elemento unico (x) de F tal que x+(x) = 0.
5. La multiplicaci on es conmutativa, xy = yx para cualquiera x e y de F.
6. La multiplicaci on es asocitativa, x(yz) = (xy)z para cualquiera x, y, y z de
F.
7. Existe un elemento no nulo unico de F tal que x 1 = x, para todo x de F.
8. A cada elemento no nulo x de F corresponde un unico elemento x
1
(o 1/x)
de F tal que xx
1
= 1.
9. La multiplicaci on es distributiva respecto de la adici on; esto es, x(y + z) =
xy +xz, para cualesquiera x, y, y z de F.
5
6 CAP

ITULO 1. ECUACIONES LINEALES


Supongase que se tiene un conjunto F de objetos x, y, z, . . . y dos operaciones
sobre los elementos de F como sigue; la primera operaci on, llamada adici on, asocia
a cada par de elementos x, y de F un elemento (x+y) de F; la segunda operaci on,
llamada multiplicaci on, asocia a cada par x, y de F un elemento xy de F; y estas
dos operaciones satisfacen las anteriores condiciones (1)(9). El conjunto F, junto
con estas operaciones, se llama entonces cuerpo. Hablando aproximadamente, un
cuerpo es un conjunto, junto con algunas operaciones sobre los elementos de este,
que se comportan como la adici on, sustraccion, multiplicaci on y division corrien-
tes de los n umeros en el sentido de que obedecen a las nueve reglas del algebra
dadas anteriormente. Con las operaciones comunes de adici on y multiplicaci on, el
conjunto C de los n umeros complejos es un cuerpo, como lo es el conjunto R de
los n umeros reales.
En la mayor parte de este libro los n umerosque se usan pueden ser los ele-
mentos de cualquier cuerpo F. Para permitir esta generalidad se usara la palabra
escalar en vez de n umero. No perdera mucho el lector si siempre presupone
que el cuerpo de los escalares es un subcuerpo del cuerpo de los n umeros comple-
jos. Un subcuerpo de un cuerpo C es un conjunto F de n umeros complejos que es
a su vez un cuerpo respecto de las operaciones usuales de adici on y multiplicaci on
de n umeros complejos. Esto signca que el 0 y el 1 est an en el conjunto F, y que
si x e y son elementos de F, tambien lo son (x + y), x, xy, e x
1
si (x = 0).
Un ejemplo de un subcuerpo semejante es el cuerpo R de los n umeros reales; en
efecto, si se identican los n umeros reales con los n umeros complejos (a+ib) para
los que b = 0, el 0 y el 1 del cuerpo complejo son n umeros reales y si x e y son
reales, tambien lo son (x + y), x, xy, y x
1
(si x = 0). Daremos otros ejemplos
m as adelante. Lo peculiar de los subcuerpos en nuestro estudio es esencialmente
lo siguiente: Si se est a operando con escalares que forman un cierto subcuerpo de
C, entonces la ejecucion de las operaciones de adici on, sustraccion, multiplicaci on
o division con estos escalares no se salen del subcuerpo dado.
Ejemplo 1. El conjunto de los enteros positivos
1
: 1, 2, 3, . . . no es subcuerpo de
C por varias razones. Por ejemplo, 0 no es un entero positivo; para ning un entero
positivo n, es n un entero positivo; para ning un entero positivo n, excepto 1, es
1/n un entero positivo.
1
El autor llama enteros positivoslos enteros 1, 2, 3, . . . y excluye el 0. Hoy no es esto as,
pues se incluye el 0 entre los enteros positivos ( naturales)
1.1. CUERPOS 7
Ejemplo 2. El conjunto de los enteros: . . . , 2, 1, 0, 1, 2, . . ., no es un subcuerpo
de C, porque para un entero n, 1/n no es entero al menos que n sea 1 o 1. Con
las operaciones usuales de adicion y multiplicaci on, el conjunto de los enteros
satisface todas las condiciones (1) (9), con excepcion de la condici on (8).
Ejemplo 3. El conjunto de los n umeros racionales, esto es, n umeros de la
forma p/q, donde p y q son enteros y q = 0, es un subcuerpo del cuerpo de los
complejos. La division que no es posible en el conjunto de los enteros es posible en
el conjunto de los n umeros racionales. El lector interesado debera vericar que
cualquier subcuerpo de C debe contener a todo n umero racional.
Ejemplo 4. El conjunto de todos los n umeros complejos de la forma x + y

2,
donde x e y son racionales, es un subcuerpo de C. Se deja al lector la comproba-
cion.
En los ejemplos y ejercicios de este libro el lector deber a suponer que el cuerpo
considerado es un subcuerpo de los n umeros complejos, a menos que expresamente
se establezca que es un cuerpo m as general. No queremos volver sobre este punto;
sin embargo, se debe indicar por que se adopta tal supuesto. Si F es un cuerpo, es
posible a veces sumar la unidad 1 a s misma un n umero nito de veces y obtener
0 (vease el ejercicio 5 de la siguiente secci on 1.2):
1 + 1 +. . . + 1 = 0
Esto no sucede en el cuerpo de los n umeros complejos (ni en ning un subcuerpo
suyo). Si ellos sucede en F, entonces el menor n, tal que la suma de los n unos es 0,
se llama caracterstica del cuerpo F. si ello no sucede en F, entonces (por alguna
extra na raz on) F se llama un cuerpo de caracterstica cero. A menudo, cuando
se supone que F es un subcuerpo de C, lo que quiere garantizar es que F es un
cuerpo de caracterstica cero; pero, en una primera exposici on el algebra lineal, es
preferible no preocuparse mucho con respecto a caractersticas de cuerpos.
8 CAP

ITULO 1. ECUACIONES LINEALES


1.2. Sistemas de ecuaciones lineales
Supongase que F es un cuerpo. Se considera el problema de encontrar n esca-
lares (elementos de F) x
1
, . . . , x
n
que satisfagan las condiciones
A
11
x
1
+ A
12
x
2
+ . . . + A
1n
x
n
= y
1
A
21
x
1
+ A
22
x
2
+ . . . + A
2n
x
n
= y
2
.
.
.
.
.
.
.
.
.
.
.
.
A
m1
x
1
+ A
m2
x
2
+ . . . + A
mn
x
n
= y
m
(1.1)
donde y
1
, . . . , y
m
y A
ij
, 1 i m, 1 j n, son elementos de F. A 1.1 se le
llama un sistema de m ecuaciones lineales con n incognitas. Todo n - tuple
(x
1
, . . . , x
n
) de elementos de F que satisface cada una de las ecuaciones de 1.1 se
llama una soluci on del sistema. Si y
1
= y
2
= . . . = y
m
= 0, se dice que el sistema
es homogeneo, o que cada una de las ecuaciones es homogenea.
Tal vez, la tecnica fundamental para encontrar las soluciones de un sistema de
ecuaciones lineales, es la tecnica de eliminaci on. Se puede ilustrar esta tecnica en
el sistema homegeneo
2x
1
x
2
+ x
3
= 0
x
1
+ 3x
2
+ 4x
3
= 0
Si sumamos (2) veces la segunda ecuaci on a la primera, se obtiene
7x
2
7x
3
= 0
o sea, x
2
= x
3
. Si se suma tres veces la primera ecuaci on a la segunda, se obtiene
7x
1
+ 7x
3
= 0
o sea, x
1
= x
3
. As, se concluye que si (x
1
, x
2
, x
3
) es una soluci on entonces
x
1
= x
2
= x
3
. A la inversa, se puede facilmente vericar que toda terna de esa
forma es una soluci on. As, el conjunto de soluciones consta de todas las ternas
(a, a, a).
Se han encontrado las soluciones de este sistema de ecuaciones eliminando
inc ognitas, esto es, multiplicando las ecuaciones por escalares y sumandolas lue-
go para producir ecuaciones en las cuales algunas de las x
j
no est an presentes.
Deseamos formalizar ligeramente este proceso de modo que se pueda entender por
1.2. SISTEMAS DE ECUACIONES LINEALES 9
que opera y para as poder llevar a cabo los calculos necesarios para resolver un
sistema de manera sistematica.
Para el sistema general 1.1 supongase que seleccionamos m escalares c
1
, . . . , c
m
,
que se multiplica la j-esima ecuaci on por c
j
y que luego se suma. Se obtiene la
siguiente ecuaci on
(c
1
A
11
+. . . +c
m
A
m1
)x
1
+. . . + (c
1
A
1n
+. . . +c
m
A
mn
)x
n
= c
1
y
1
+. . . +c
m
y
m
A tal ecuaci on se la llama combinaci on lineal de las ecuaciones 1.1. Eviden-
temente, cualquier soluci on de todo el sistema de ecuaciones 1.1 ser a tambien
soluci on de esta nueva ecuaci on. Esta es la idea fundamental del proceso de elimi-
naci on. Si se tiene otro sistema de ecuaciones lineales
B
11
x
1
+ . . . + B
1n
x
n
= z
1
.
.
.
.
.
.
.
.
.
.
.
.
B
k1
x
1
+ . . . + B
kn
x
n
= z
k
(1.2)
en cada una de las k ecuaciones sea combinaci on lineal de las ecuaciones de 1.1,
entonces toda soluci on de 1.1 es soluci on de este nuevo sistema. Evidentemente
puede suceder que algunas soluciones de 1.2 no sean soluciones de 1.1. Esto, claro
est a, no sucede si cada ecuaci on en el sistema original es combinaci on lineal de
las ecuaciones en el nuevo sistema. Se dir a que dos sistemas de ecuaciones linea-
les son equivalentes si cada ecuaci on de cada sistema es combinaci on lineal de
las ecuaciones del otro sistema. Podemos entonces establecer formalmente estas
observaciones como sigue:
Teorema 1.2.1. Sistemas equivalentes de ecuaciones lineales tienen exactamente
las mismas soluciones.
Si se quiere que el proceso de eliminaci on para encontrar las soluciones de un
sistema como 1.1 sea efectivo, entonces se debe buscar, formando combinaciones
lineales de las ecuaciones dadas, como se obtiene un sistema equivalente de ecua-
ciones que sea m as facil de resolver. En la pr oxima secci on se estudiara un metodo
para hacerlo.
Ejercicios
1. Vericar que el conjunto de n umeros complejos descritos en el Ejemplo 4 es
un subcuerpo de C.
10 CAP

ITULO 1. ECUACIONES LINEALES


2. Sea F el cuerpo de los n umeros complejos. Son equivalentes los dos sistemas
de ecuaciones lineales siguientes? Si es as, expresar cada ecuaci on de cada
sistema como combinaci on lineal de las ecuaciones del otro sistema.
x
1
x
2
= 0
2x
1
+ x
2
= 0
3x
1
+ x
2
= 0
x
1
+ x
2
= 0
3. Examine los siguientes sistemas de ecuaciones como en el Ejercicio 2.
x
1
+ x
2
+ 4x
3
= 0
x
1
+ 3x
2
+ 8x
3
= 0
1/2x
1
+ x
2
+ 5/2x
3
= 0
x
1
x
3
= 0
x
2
+ 3x
3
= 0
4. Examine los siguientes sistemas como en el Ejercicio 2.
2x
1
+ (1 +i)x
2
+ x
4
= 0
3x
2
2ix
3
+ 5x
4
= 0
(1 +i/2)x
1
+ 8x
2
ix
3
x
4
= 0
2/3x
1
1/2x
2
+ x
3
+ 7x
4
= 0
5. Sea F un conjunto que contiene dos elementos, 0 y 1. Se dene una adici on
y multiplicaci on por las tablas:
+ 0 1
0 0 1
1 1 0
0 1
0 0 0
1 0 1
Vericar que el conjunto F, juntamente con estas dos operaciones, es un
cuerpo.
6. Demostrar que si dos sistemas homogeneos de ecuaciones lineales con dos
inc ognitas tiene las mismas soluciones, son equivalentes.
7. Demostrar que todo subcuerpo del cuerpo de los n umeros complejos contiene
a todo n umero racional.
8. Demostrar que todo cuerpo de caracterstica cero contiene una copia del
cuerpo de los n umeros racionales
1.3. MATRICES Y OPERACIONES ELEMENTALES DE FILA 11
1.3. Matrices y operaciones elementales de la
No se puede menos de advertir que en la formacion de combinaciones lineales de
ecuaciones lineales no hay necesidad de seguir escribiendo las inc ognitasx
1
, . . . , x
n
,
ya que realmente solo se opera con los coecientes A
ij
y los escalares y
i
. El sistema
1.1 se abreviar a ahora as:
AX = Y
donde
A =
_

_
A
11
. . . A
1n
.
.
.
.
.
.
A
m1
. . . A
mn
_

_
X =
_

_
x
1
.
.
.
x
n
_

_
y Y =
_

_
y
1
.
.
.
y
n
_

_
A se llama matriz de los coecientes del sistema. Estrictamente hablando,
la disposici on rectangular expuesta no es una matrix, sino una representacion de
una matrix. Una matrix mn sobre el cuerpo F es una funcion A del conjunto
de los pares de enteros (i, j), 1 i m, 1 j n, en el cuerpo F. Los ele-
mentos de la matriz A son los escalares A(i, j) = A
ij
, y, con frecuencia, suele
ser m as conveniente describir la matriz disponiendo sus elementos en un arreglo
rectangular con m las y n columnas, como antes. As, X (anteriormente) es, o
dene, una matriz n 1, e Y una matriz m 1. Por el momento, AX = Y no es
m as que una notaci on abreviada del sistema de ecuaciones lineales. Mas adelante,
cuando se haya denido una multiplicaci on de matrices, querr a decir que Y es el
producto de A y X.
Deseamos ahora considerar operaciones sobre las las de la matriz A que co-
rrespondan a la formacion de combinaciones lineales de las ecuaciones del sistema
AX = Y . Se limitar a nuestra atenci on a tres operaciones elementales de las
en una matriz mn, sobre el cuerpo F:
1. Multiplicacion de una la de A por un escalar c no nulo;
2. Remplazo de la r-esima la de A por la la r m as c veces la la s, donde c
es cualquier escalar y r = s;
12 CAP

ITULO 1. ECUACIONES LINEALES


3. Intercambio de dos las de A.
Una operaci on elemental de la es, pues, un tipo especial de funcion (regla) e que
asocia a cada matriz m n, A, una matriz m n, e(A). Se puede describir e en
forma precisa en los tres casos como sigue:
1. e(A)
ij
= A
ij
si i = r, e(A)
rj
= cA
rj
2. e(A)
ij
= A
ij
si i = r, e(A)
rj
= A
rj
+cA
sj
3. e(A)
ij
= A
ij
si i es diferente de r y s, e(A)
r
j = A
sj
, e(A)
sj
= A
rj
En la denicion de e(A) no es realmente importante cu antas columnas tenga
A, pero el n umero de las de A s que es decisivo. Por ejemplo, se debe prestar
atenci on a lo que signifca intercambiar las las 5 y 6 de una matriz 5 5. Para
evitar esta clase de complicaciones, convendremos en que una operaci on elemental
de las las e est a denida en la clase de todas las matrices m n sobre F, para
alg un m jo, pero para cualquier n. En otras palabras, una e particular est a de-
nida en la clase de todas las matrices sobre F que tienen m las.
Una raz on por la que nos limitamos a solo estos tres tipos de operaciones
con las, es que efectuada una operaci on e es una matriz A, se puede volver a A
efectuando una operaci on semejante en e(A).
Teorema 1.3.1. A cada operaci on elemental de las e corresponde una operaci on
elemental de las e
1
, del mismo tipo de e, tal que e
1
(e(A)) = e(e
1
(A)) = A para
todo A. Es decir, existe la operaci on (funcion) inversa de una operaci on elemental
de las y es una operaci on elemental de las del mismo tipo.
Demostraci on. (1)Supongase que e es la operaci on que multiplica la r-esima la
de una matriz por un escalar no nulo c. Sea e
1
la operaci on que multiplica la la r
por c
1
. (2) Supongase que e sea la operaci on que remplaza la la r por la misma
la r a la que se le sumo la la s multiplicada por c, r = s. Sea e
1
la operaci on
que remplaza la la r por la la r a ka que se le ha sumado la la s multiplicada
por (.c). (3) Si e intercambia las las r y s, sea e
1
= e. En cada uno de estos casos
es claro que e
1
(e(A)) = e(e
1
(A)) = A para todo A.
Denicion 1.3.1. Si A y B son dos matrices m n sobre el cuerpo F, se dice
que B es equivalentes por las a A si B se obtiene de A por una sucesi on nita
de operaciones elementales de las.
1.3. MATRICES Y OPERACIONES ELEMENTALES DE FILA 13
Usando el teorema 2, el lector encontrar a facil vericar lo siguiente: Cada
matriz es equialente por las a ella mismo; si B es equivalente por las a A,
entonces A es equivalente por las a B; si B es equivalente por las a A y C es
equivalente por las a B, entonces C es equivalente por las a A. O sea, que la
equivalencia por las es una relaci on de equivalencia (vease Apendice).
Teorema 1.3.2. Si A y B son matrices equivalentes por las, los sistemas ho-
mogeneos de ecuaciones lineales AX = 0 y BX = 0 tienen exactamente las mismas
soluciones.
Demostraci on. Supongase que se pasa de A a B por una sucesion nita de opera-
ciones elementales de las:
A = A
0
A
1
. . . A
k
= B
Basta demostrar que los sistemas A
j
X = 0 y A
j+1
X = 0 tienen las mismas so-
luciiones, es decir, que una operaci on elemental por las no altera el conjunto de
soluciones.
Asi, supongase que B se obtiene de A por una sola operaci on elemental de
las. Sin que importe cu al de los tres tipos (1), (2) o (3) de operaciones sea, cada
ecuaci on del sistema BX = 0 ser a combinaci on lineal de las ecuaciones del sistema
AX = 0. Dado que la inversa de una operaci on elemental de las es una operaci on
elemental de las, toda ecuaci on de AX = 0 ser a tambien combinaci on lineal de
las ecuaciones de BX = 0. Luego estos dos sistemas son equivalentes y, por el
teorema 1, tienen las mismas soluciones.
Ejemplo 5. Sup ongase que F es el cuerpo de los n umeros racionales
A =
_

_
2 1 3 2
1 4 0 1
2 6 1 5
_

_
Se efectuara una sucesi on nita de operaciones elementales de las en A, indican-
do con n umeros entre los parentesis el tipo de operaci on realizada.
_

_
2 1 3 2
1 4 0 1
2 6 1 5
_

_
(2)

_
0 9 3 4
1 4 0 1
2 6 1 5
_

_
(2)

14 CAP

ITULO 1. ECUACIONES LINEALES


_

_
0 9 3 4
1 4 0 1
0 2 1 7
_

_
(1)

_
0 9 3 4
1 4 0 1
0 1
1
2

7
2
_

_
(2)

_
0 9 3 4
1 0 2 13
0 1
1
2

7
2
_

_
(2)

_
0 0
15
2

55
2
1 0 2 13
0 1
1
2

7
2
_

_
(1)

_
0 0 1
11
3
1 0 2 13
0 1
1
2

7
2
_

_
(2)

_
0 0 1
11
3
1 0 0
17
3
0 1
1
2

7
2
_

_
(2)

_
0 0 1
11
3
1 0 0
17
3
0 1 0
5
3
_

_
La equivalencia por las de A con la ultima matriz en la sucesi on anterior nos
indica en particular que las soluciones de:
2x
1
x
2
+ 3x
3
+ 2x
4
= 0
x
1
+ 4x
2
x
4
= 0
2x
1
+ 6x
2
x
3
+ 5x
4
= 0
y
x
3

11
3
x
4
= 0
x
1
+
17
3
x
4
= 0
x
2

5
3
x
4
= 0
son exactamente las mismas. Queda de maniesto en el segundo sistema que, si
asignamos a x
4
un valor racionnal c cualquiera, se obtiene una soluci on (
17
3
c,
5
3
c,
11
3
c, c),
con lo que toda solucion es de esta forma.
Ejemplo 6. Sup ongase que es F el cuerpo de los n umeros complejos y
A =
_

_
1 i
i 3
1 2
_

_
Al efectuar operaciones con las es conveniente a menudo combinar varias opera-
ciones del tipo (2). Teniendo esto presente:
1.3. MATRICES Y OPERACIONES ELEMENTALES DE FILA 15
_

_
1 i
i 3
1 2
_

_
(2)

_
0 2 +i
0 3 + 2i
1 2
_

_
(1)

_
0 1
0 3 + 2i
1 2
_

_
(2)

_
0 1
0 0
1 0
_

_.
Con lo que el sistema de ecuaciones
x
1
+ ix
2
= 0
ix
1
+ 3x
2
= 0
x
1
+ 2x
2
= 0
tiene solamente la solucion trivial x
1
= x
2
= 0.
En los Ejemplos 5 y 6 obviamente no se estaban haciendo operaciones con
las al azar. La eleccion de las operaciones con las estaba motivada por el deseo
de simplicar la matriz coeciente de una manera an aloga a la eliminaci on de
inc ognitas en el sistema de ecuaciones lineales. Daremos ahora una denicion
formal del tipo de matriz a la que est abamos tratando de llegar.
Denicion 1.3.2. Una matriz mn, R, se llama reducida por las si:
(a) el primer elemento no nulo de cada la no nula de R es igual a 1;
(b) cada columna de R que tiene el primer elemento no nulo de alguna la tiene
todos sus otros elementos 0.
Ejemplo 7. Un ejemplo de matriz reducida por las es la matriz identidad
mn (cuadrada) I. Esta es la matriz n n denida por
I
ij
=
ij
=
_
_
_
1, si i = j
0, si i = j
Esta es la primera de muchas ocasiones en que se usara la delta de Kronecker
()
En los Ejemplos 5 y 6 las matrices nales obtenidas son matrices reducidas
por las. Dos ejemplos de matrices no reducidas por las son:
_

_
1 0 0 0
0 1 1 0
0 0 1 0
_

_,
_

_
0 2 1
1 0 3
0 0 0
_

_.
La segunda matriz no satisface la condici on (a), porque el primer elemento no nulo
del primer rengl on no es 1. La primera matriz s satisface la condici on (a), pero
16 CAP

ITULO 1. ECUACIONES LINEALES


no la condici on (b) en la columna 3.
Demostraremos ahora que se puede pasar de cualquier matriz dada a una ma-
triz reducida por las, por medio de un n umero nito de operaciones elementales
de la. Esto, junto con el Teorema 3, proporcionara un instrumento efectivo para
la resolucion de sistemas de ecuaciones lineales.
Teorema 1.3.3. Toda matriz m n sobre el cuerpo F es equivalente por las a
una matriz reducida por las.
Demostraci on. Sea A una matriz mn sobre F. Si todo elemento de la primera
la de A es 0, la condici on (a) se cumple en lo que concierne a la la 1. Si la la
1 tiene un elemento no nulo, sea k el menor entero positivo j para el que A
ij
= 0.
Multiplicando la la 1 por A
1
1k
, la condici on (a) se cumple con respecto a esa la.
Luego, para todo i 2, se suma (A
ik
) veces la la 1 a la la i. Y ahora el primer
elemento no nulo de la la 1 est a en la columna k, ese elemento es 1, y todo otro
elemento de la columna k es 0.
Considerese ahora la matriz que resulto de lo anterior. Si todo elemento de la
la 2 es 0, se deja tal cual. Si alg un momento de la la 2 es diferente de 0, se
multiplica esa la por un escalar de modo que el primer elemento no nulo sea 1.
En el caso de que la la 1 haya tenido un primer elemento no nulo en la colum-
na k, este primer elemento no nulo de la la 2 no puede estar en la columna k;
supongase que este en la columna k
r
= k. Sumando m ultiplos apropiados de la la
2 a las otras las, se puede lograr que todos los elementos de la columna k, sean 0,
excepto el 1 en la la 2. Lo que es importante observar es lo siguiente: Al efectuar
estas ooperaciones, no se alteran los elementos de la la 1 en ls columnas 1, . . . , k,
ni ning un elemento de la columna k. Es claro que, si la la 1 era identicamente
nula, las operaciones con la la 2 no afectan la la 1.
Si se opera, como se indic o, con una la cada vez, es evidente que despues de
un n umero nito de etapas se llegar a a una matriz reducida por las.
Ejercicios
1. Hallar todas las soluciones del sistema de ecuaciones
(1 i)x
1
ix
2
= 0
2x
1
+ (1 i)x
2
= 0
1.3. MATRICES Y OPERACIONES ELEMENTALES DE FILA 17
2. Si
A =
_

_
3 1 2
2 1 1
1 3 0
_

_
hallar todas las soluciones de AX = 0 reduciendo A por las
3. Si
A =
_

_
6 4 0
4 2 0
1 0 3
_

_
hallar todas las soluciones de AX = 2X y todas las soluciones de AX = 3X
(el smbolo cX representa la matriz, cada elemento de la cual es c veces el
correspondiente elemento de X).
4. Hallar una matriz reducida por las que sea equivalente por las a
A =
_

_
i (1 +i) 0
1 2 1
1 2i 1
_

_
5. Demostrar que las siguientes dos matrices no son equivalentes por las
_

_
2 0 0
a 1 0
b c 3
_

_ ,
_

_
1 1 2
2 0 1
1 3 5
_

_
6. Sea
A =
_
a b
c d
_
una matriz 22 con elementos complejos. Supongase que A es reducida por
las y tambien que a + b + c + d = 0. Demostrar que existen exactamente
tres de estas matrices.
7. Demostrar que el intercambio de dos las en una matriz puede hacerse por
medio de un n umero nito de operaciones elementales con las de los otros
dos tipos.
18 CAP

ITULO 1. ECUACIONES LINEALES


8. Considerar el sistema de ecuaciones AX = 0, donde
A =
_
a b
c d
_
es una matriz 2 2 sobre el cuerpo F. Demostrar lo siguiente:
(a) Si todo elemento de A es 0, entonces cada par (x
1
, x
2
) es una soluci on
de AX = 0.
(b) Si ad bc = 0, el sistema AX = 0 tiene solamente la solluci on trivial
x
1
= x
2
= 0.
(c) Si ad bc = 0 y alg un momento de A es diferente de 0, entonces existe
una soluci on (x
0
1
, x
0
2
) tal que (x
1
, x
2
) es una soluci on si, y s olo si, existe
un escalar y tal que x
1
= yx
0
1
, x
2
= yx
0
2
1.4. Matrices escal on reducidas por las
Hasta el momento, el operar con sistemas de ecuaciones estaba motivado por
tratar de encontrar las soluciones de tal sistema. En la secci on 1.3 se estableci o un
metodo normal de encontrar esas soluciones. Queremos ahora adquirir alguna in-
formacion algo m as teorica, y para tal proposito es conveniente profundizar un
poco m as en las matrices reducidas por la.
Denicion 1.4.1. Una matriz mn, R, se llama mariz escal on reducida por
la si:
(a) R es reducida por las;
(b) toda la de R que tiene todos sus elementos 0 esta debajo de todas las las
que tienen elementos no nulos;
(c) si las las 1, . . . , r son las las no nulas de R, y si el primer elemento no
nulo de la la i esta en la columna k
i
= 1, . . . , r, entonces k
1
< k
2
< . . . < k
r
Se puede describir tambien una matriz escal on R reducida por las como sigue.
Todo elemento de R es 0, o existe un n umero positivo r, 1 r m, y r enteros
positivos k
1
, . . . , k
r
con 1 k
i
n y
(a) R
ij
= 0 para i > r, y R
ij
= 0 si j < k
i
1.4. MATRICES ESCAL

ON REDUCIDAS POR FILAS 19


(b) R
ik
=
ij
, 1 i r, 1 j r
(c) k
1
< . . . < k
r
Ejemplo 8. Dos ejemplos de matrices escalon reducidas por las son la matriz
identidad n n y la matriz cero m n, 0
m,n
, cuyos elementos son todos 0. El
lector no tendr a dicultad en hallar otros ejemplos, pero quisieramos dar otro no
trivial:
_

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

_
Teorema 1.4.1. Toda matriz m n, A, es equivalente por las a una matriz
escalon por las.
Demostraci on. Sabemos que A es equivalente por las a una matriz reducida por
las. Todo lo que se necesita observar es que, efectuando un n umero nito de in-
tercambios de las en una matriz reducida por las, se la puede llevar a la forma
escal on reducida por las.
En los Ejemplos 5 y 6 se vio la importancia que tienen las matrices reducidas
por las en la resolucion de sistemas homogeneos de ecuaciones lineales. Sea ahora
examinar brevemente el sistema RX = 0, donde R es una matriz escal on reducida
por las. Sean las las 1, . . . , r las no nulas de R, y supongase que el elemento
principal no nulo de la la i est a en la columna k
i
. El sistema RX = 0 consta
entonces de r ecuaciones no triviales. Ademas, la inc ognita x
k
i
aparecera (con
coeciente no nulo) solamente en la i-esima ecuaci on. Si u
1
, . . . , u
nr
representan
las (n r) inc ognitas que son diferentes de x
k
1
, . . . , x
kr
, entonces las r ecuaciones
no triviales de RX = 0 son de la forma
x
k
1
+
nr

j=1
C
1j
u
j
= 0
.
.
.
.
.
.
x
kr
+
nr

j=1
C
rj
u
j
= 0
(1.3)
Todas las soluciones del sistema de ecuaciones RX = 0 se obtienen dando valo-
res arbitrarios a u
1
, . . . , u
nr
, y calculando entonces los correspondientes valores
20 CAP

ITULO 1. ECUACIONES LINEALES


de x
k
1
, . . . , x
kr
de 1.3. Por ejemplo, si R es la matriz del Ejemplo 8, entonces
r = 2, k
1
= 2, k
2
= 4 y las dos ecuaciones no triviales del sistema RX = 0 son
x
2
3x
3
+
1
2
x
5
= 0 o x
2
= 3x
3

1
2
x
5
x
4
+2x
5
= 0 o x
4
= 2x
5
As, podemos asignar cualquier valor a x
1
, x
3
y x
5
, digamos x
1
= a, x
3
=
b, x
5
= c, y obtener la soluci on (a, 3b
1
2
c, b, 2c, c)
Observemos una cosa m as, en relaci on con el sistema de ecuaciones RX = 0.
Si el n umero r de las no nulas de R es menor que n, entonces el sistema RX = 0
tiene una soluci on no trivial, esto es, una soluci on (x
1
, . . . , x
n
) en que no todo
x
j
es 0. En efecto, como r < n, se puede elegir alg un x
j
que no este entre las r
inc ognitas x
k
1
, . . . , x
kr
, y se puede entonces construir una soluci on como antes, en
que este x
j
es 1. Esta observacion nos lleva a uno de los hechos m as fundamentales
sobre sistemas homogeneos de ecuaciones lineales.
Teorema 6. Si A es una matriz m n con m < n, el sistema homogeneo de
ecuaciones lineales AX = 0 tiene unasoluccion no trivial.
Demostraci on. Sea R una matriz escal on reducida por la que sea equivalente
por la a A. Entonces los sistemas AX = 0 y RX = 0 tienen las mismas soluciones
por el Teorema 3. Si r es el n umero de ilas no nulas de R, entonces ciertamente
r m, y como m < n tenenmos que r < n. Se sigue inmediatamente de las
observaciones anteriores que AX = 0 tiene una soluci on no trivial.
Teorema 7. Si A es una matriz n n (cuadrada), A es equivalente por las
a la matriz identidad n n, si, ys olo si, el sistema de ecuaciones AX = 0 tiene
solamente la solucion trivial.
Demostraci on. Si A es equivalente por las a I, entonces Ax = 0 e IX = 0
tienen las mismas soluciones. Recprocamente, supongase que AX = 0 tiene so-
lamente la soluci on trivial X = 0. Sea R una matriz escal on reducida por las
n n, que es equivalente por las a A, y sea r el n umero de las no nulas de R.
Entonces RX = 0 carece de soluci on no trivial. Con lo que r n. Pero como R
tiene n las, ciertamente r n. Con lo que r = n. Como esto requiere decir que
R tiene un 1 como primer elemento no nulo en cada una de sus n las y como
1.4. MATRICES ESCAL

ON REDUCIDAS POR FILAS 21


estos 1 est an en las diferentes columnas de n, R debe ser la matriz identidad nn.
Preguntemonos ahora que operaciones elementales de la hay que hacer para
resolver un sistema de ecuaciones lineales AY = Y no homogeneo. De entrada
cabe observar una diferencia b asica con el caso homogeneo; y es que mientras el
sistema homogeneo siempre tiene la soluci on trivial x
1
= . . . = x
n
= 0, un sistema
no homogeneo no tiene necesariamente soluci on.
Se construye la matriz aumentada A

del sistema AX = Y Esta es la matriz


m (n + 1) cuyas primeras n columnas son las columnas de A y cuya ultima
columna es Y; m as precisamente,
A

ij
= A
ij
, si j n
A

i
(n + 1) = y
i
Supongase que se efect ua en A una sucesion de operaciones elementales con
las, para llegar a una matriz escal on reducida por las R. Si se efect ua esta
misma sucesion de operaciones de la en la matriz aumentada A

, se llegar a a
una matriz R

cuyas primeras columnas son las de R y cuya ultima columna tie-


ne ciertos escalares z
1
, . . . , z
m
. Los escalares z
i
son los elementos de la matriz m1
Z =
_

_
z
1
.
.
.
z
m
_

_
que resulta de laa aplicaci on de la sucesion de operaciones de la a la matriz
Y . Para el lector es claro que, al igual que en la demostracion del Teorema 3,
los sistemas AX = Y y RX = Z son equivalentes y, como consecuencia, tienen
las mismas soluciones. Es muy facil determinar cu ando el sistema RX = Z tiene
alguna soluci on y encontrar todas las posibles soluciones si es que exiten. En
efecto, Si R tiene r las no nulas, con el primer elemento no nulo en la la i y
en la columna k
i
, i = 1, . . . , r, entonces las r ecuaciones de RX = Z expresar an
efectivamente las x
k
1
, . . . , x
kr
por las (nr) restantes x
j
y los escalares z
1
, . . . , z
r
.
Las ultimas (mr) ecuaciones son
0 = z
r+1
.
.
.
.
.
.
0 = z
m
22 CAP

ITULO 1. ECUACIONES LINEALES


y, por tanto, la condici on para que el sistema tenga una soluci on es z
i
= 0 para
i > r. Si se cumple esta condici on todas las soluciones del sistema se encontrar an,
del mismo modo que en el caso homogeneo, dando valores arbitrarios a (n r) de
las x
j
, calculando luego x
k
i
en la i-esima ecuaci on.
Ejemplo 9. Sea F el cuerpo de los n umeros racionales y
A =
_

_
1 2 1
2 1 1
0 5 1
_

_
Se trata de resolver el sistema AX = Y para ciertos y
1
, y
2
e y
3
. Efectuando
una sucesi on de operaciones de la en la matriz aumentada A

, que reduzca por


las a A:
_

_
1 2 1 y
1
2 1 1 y
2
0 5 1 y
3
_

_
(2)

_
1 2 1 y
1
0 5 1 (y
2
2y
1
)
0 5 1 y
3
_

_
(2)

_
1 2 1 y
1
0 5 1 (y
2
2y
1
)
0 0 0 (y
3
y
2
+ 2y
1
)
_

_
(1)

_
1 2 1 y
1
0 1
1
5
1
5
(y
2
2y
1
)
0 0 0 (y
3
y
2
+ 2y
1
)
_

_
(2)

_
1 0
3
5
1
5
(y
1
+ 2y
2
)
0 1
1
5
1
5
(y
2
2y
1
)
0 0 0 (y
3
y
2
+ 2y
1
)
_

_
La condici on para que el sistema AX = Y tenga una soluci on es, pues,
x
1
=
3
5
c +
1
5
(y
1
+ 2y
2
)
x
2
=
1
5
c +
1
5
(y
2
2y
1
).
Una observacion nal respecto al sistema AX = Y . Supongase que los ele-
mentos de la matriz A y los escalares y
1
, . . . , y
m
pertenecen a un subcuerpo F
1
del
cuerpo F. Si el sistema de ecuaciones AX = Y tiene una soluci on con x
1
, . . . , x
n
en
F, tiene tambien una soluci on x
1
, . . . , x
n
en F
1
. En efecto, sobre cualquier cuerpo,
la condici on para que el sistema tenga una soluci on es que se cumplan ciertas re-
laciones entre los y
1
, . . . , y
n
en F
1
(las relaciones z
i
= 0 para i > r anteriores). Por
1.4. MATRICES ESCAL

ON REDUCIDAS POR FILAS 23


ejemplo, si AX = Y es un sistema de ecuaciones lineales, en el cual los escalares y
k
y A
ij
son n umeros reales, y si existe una soluci on en que x
1
, . . . , x
n
son n umeros
complejos, entonces existe una soluci on en que los x
1
, . . . , x
n
son n umeros reales.
Ejercicios
1. Hallar, mediante reduccion por las de la matriz de coecientes todas las
soluciones del siguiente sistema de ecuaciones:
1
3
x
1
+ 2x
2
6x
3
= 0
4x
1
+ 5x
3
= 0
3x
1
+ 6x
2
13x
3
= 0

7
3
x
1
+ 2x
2

8
3
x
3
= 0
2. Hallar una matriz escal on reducida por las que sea equivalente a
A =
_

_
1 i
2 2
i 1 +i
_

_
Cuales son las soluciones de AX = 0?
3. Describir explicitamente todas las matrices escal on 22 reducidas por las.
4. Considerese el sistema de ecuaciones
x
1
x
2
+ 2x
3
= 1
2x
1
+ 2x
3
= 1
x
1
3x
2
+ 4x
3
= 2
Tiene este sistema soluci on? Si es as, determinar todas sus soluciones.
5. Dar un ejemplo de un sistema de dos ecuaciones lineales con dos inc ognitas
que no tenga soluci on.
6. Mostrar que el sistema
x
1
2x
2
+ x
3
+ 2x
4
= 1
x
1
+ x
2
x
3
+ x
4
= 2
x
1
+ 7x
2
5x
3
x
4
= 3
24 CAP

ITULO 1. ECUACIONES LINEALES


no tiene soluci on.
7. Hallar todas las soluciones de
2x
1
3x
2
7x
3
+ 5x
4
+ 2x
5
= 2
x
1
2x
2
4x
3
+ 3x
4
+ x
5
= 2
2x
1
4x
3
+ 2x
4
+ x
5
= 3
x
1
5x
2
7x
3
+ 6x
4
+ 2x
5
= 7
8. Sea
A =
_

_
3 1 2
2 1 1
1 3 0
_

_
Para cu ales ternas (y
1
, y
2
, y
3
) tiene uan soluci on el sistema AX = Y ?
9. Sea
A =
_

_
3 6 2 1
2 4 1 3
0 0 1 1
1 2 1 0
_

_
Para cu al (y
1
, y
2
, y
3
) tiene soluci on el sistema de ecuaciones AX = Y ?
10. Supongase que R y R

son matrices escal on 2 3 reducidas por las y que


los sistemas RX = 0 y R

X = 0 tienen exactamente las mismas soluciones.


Demostrar que R = R

.
1.5. Multiplicacion de matrices
Es evidente (o debera serlo, en todo caso) que el proceso de formar combi-
naciones lineales con las las de una matriz es fundamental. Por esta raz on es de
provecho introducir un esquema sistematico que indique que operaciones se han de
realizar; m as precisamente, supongase que B es una matriz n p sobre el cuerpo
F, con las
1
, . . . ,
n
y que a partir de B se construye una matriz C con las

1
, . . . ,
m
efectuando ciertas combinaciones lineales

i
= A
i1

1
+A
i2

2
+. . . +A
in

n
(1.4)
1.5. MULTIPLICACI

ON DE MATRICES 25
Las las de las columnas C quedan determinadas por los mn escalares A
ij
, que
son los elementos de una matriz mn, A. Se desarrolla 1.4.
(C
i1
. . . C
ip
) =
n

r=1
(A
ir
B
r1
. . . A
ir
B
rp
se ve que los elementos de C vienen dados por
C
ij
=
n

r=1
A
ij
B
rj
Denicion 1.5.1. Sea A una matriz mn sobre el cuerpo F y sea B una matriz
n p sobre F. El producto AB es la matriz mp, C, cuyos elementos i, j son
C
ij
=
n

r=1
A
ij
B
rj
Ejemplo 10. He aqui algunos productos de matrices de elementos racionales.
(a)
_
5 1 2
0 7 2
_
=
_
1 0
3 1
_ _
5 1 2
15 4 8
_
Donde

1
= (5 1 2) = 1 (5 1 2) + 0 (15 4 8)

2
= (0 7 2) = 3(5 1 2) + 1 (15 4 8)
(b)
_

_
0 6 1
9 12 8
12 62 3
3 8 2
_

_
=
_

_
1 0
2 3
5 4
0 1
_

_
_
0 6 1
3 8 2
_
Donde

1
= (9 12 8) = 2(0 6 1) + 3(3 8 2)

2
= (12 62 3) = 5(0 6 1) + 4(3 8 2)
26 CAP

ITULO 1. ECUACIONES LINEALES


Captulo 2
ESPACIOS VECTORIALES
2.1. Espacios vectoriales
En varias partes de la matem aticas se presentan conjuntos donde tiene sen-
tido y resulta interesante considerar las combinaciones linealesde los elementos
de dichos conjuntos. Por ejemplo, en los sistemas de ecuaciones lineales, se en-
contr o natural el considerar combinaciones lineales de las las de una matriz. Es
probable que el lector ya haya estudiado calculo y haya tenido que ver con combi-
naciones lineales de funciones; sobre todo si ha estudiado ecuaciones diferenciales.
Tal vez el lector haya tenido experiencia con vectores en el espacio euclidiano tri-
dimensional, y en particular con combinaciones lineales de tales vectores.
Hablando en forma simple, el algebra lineal es aquella rama de la matem atica
que trata de las propiedades comunes de los sistemas algebraicos, que constan de
un conjunto m as una nocion razonable de combinaci on linealde los elementos del
conjunto. En esta secci on se deniran los objetos matem aticos que la experiencia
ha mostrado ser las m as utiles abstracciones de este tipo de sistemas algebraicos.
Denicion 2.1.1. Un espacio vectorial (o espacio lineal) consta de lo siguiente:
1. un cuerpo F de escalares;
2. un conjunto V de objetos llamados vectores;
3. una regla (u operaci on) llamada adicion, que asocia a cada par de vectores
, de V un vector + de V , que se llama suma de y , de tal modo
que:
27
28 CAP

ITULO 2. ESPACIOS VECTORIALES


(a) la condici on es conmutativa, + = +;
(b) la adicion es asociativa, + ( +) = ( +) +;
(c) existe un unico vector 0 de V , llamado vector nulo, tal que + 0 = ,
para todo de V ;
(d) para cada vector de V , existe un unico vector de V , tal que
+ () = 0;
4. una regla (u operaci on), llamada multiplicaci on escalar, que asocia a cada
escalar c de F y cada vector de V a en un vector c en V , llamado producto
de c y , de tal modo que:
(a) 1 = para todo de V ;
(b) (c
1
c
2
) = c
1
(c
2
);
(c) c( +) = c +c;
(d) (c
1
+c
2
) = c
1
+c
2

Es importante observar, como la denicion establece, que un espacio vectorial


es un objeto compuesto que consta de un cuerpo, de un conjunto de vectores
y de dos operaciones con ciertas propiedades especiales. El mismo conjunto de
vectores puede ser parte de distintos espacios vectoriales (vease ejemplo 5, m as
adelante). Cuando no hay posibilidad de confusi on, se har a referencia simplemente
al espacio vectorial V , y cuando se desee especicar el cuerpo, se dir a que V es un
espacio vectorial sobre el cuerpo F. El nombre vector se da a los elementos
del conjunto V m as bien por conveniencia. El origen del nombre se encontrar a en
el Ejemplo 1, pero no se debe dar mucha importancia al nombre mismo, ya que la
variedad de objetos que pueden ser vectores en V puede no parecerse gran cosa a
alg un concepto de vector que el lector ya tenga. Se tratar a de ilustrar esta variedad
en una serie de ejercicios que ser a ampliada considerablemente cuando se comience
el estudio sistematico de los espacios vectoriales.
Ejemplo 11. El espacio de n - tuples, F
n
. Sea F cualquier cuerpo y sea V
el conjunto de todos los n-tuples = (x
1
, x
2
, . . . , x
n
) de escalares x
i
de F. si
= (y
1
, y
2
, . . . , y
n
) con y
i
de F, la suma de y se dene por
+ = (x
1
+y
1
, x
2
+y
2
, . . . , x
n
+y
n
).
El producto de un escalar c y el vector se dene por
c = (cx
1
, cx
2
, . . . , cx
n
)
2.2. SUBESPACIOS 29
Que esta adicion vectorial y multiplicaci on escalar cumplen las condiciones (3) y
(4) es facil de vericar, usando las propiedades semejantes de la adici on y multi-
plicaci on de los elementos de F.
Denicion.
Un vector de V se dice combinacion lineal de los vectores
1
,
2
, . . . ,
n
en
V si existen escalares c
1
, c
2
, . . . , c
n
de F tales que
= c
1

1
+c
2

2
+ +c
n

n
=
n

i=1
c
i

i
Otras extensiones de la propiedad asociativa de la adici on vectorial y las pro-
piedades distributivas 4(c) y 4(d) de la multiplicaci on escalar se aplican a las
combinaciones lineales:
n

i=1
c
i

i
+
n

i=1
d
i

i
=
n

i=1
(c
i
+d
i
)
i
c
n

i=1
c
i

i
=
n

i=1
(cc
i
)
i
.
2.2. Subespacios
Denicion.
Sea V un espacio vectorial sobre el cuerpo F. Un subespacio de V es un sub-
conjunto W de V que, con las operaciones de adicion vectorial y multiplicaci on
escalar sobre V , es el mismo un espacio vectorial sobre F.
Teorema 1.
Un subconjunto no vacio W de V es un subespacio de V si, y solo si, para todo
par de vectores , de W y todo escalar c de F, el vector c + esta en W.
30 CAP

ITULO 2. ESPACIOS VECTORIALES


Lema.
Si A es una matriz mn sobre F, y B, C son matrices n p sobre F, entonces
A(dB +C) = d(AB) +AC
para todo escalar d de F.
Teorema 2.
Sea V un espacio vectorial sobre el cuerpo F. La intersecci on de cualquier colecci on
de subespacios de V es un subespacio de V .
Denicion
Sea S un conjunto de vectores de un espacio vectorial V . El Subespacio generado
por S se dene como interseccion W de todos los subespacios de V que contienen
a S. Cuando S es un conjunto nito de vectores, S = {
1
,
2
, . . . ,
n
} se dice
simplemente que W es el subespacio generado por los vectores
1
,
2
, . . . ,
n
.
Teorema 3.
El subespacio generado por un subconjunto S no vacio de un espacio vectorial V
es el conjunto de todas las combinaciones lineales de los vectores de S.
Denicion
Si S
1
, S
2
, . . . , S
k
son subconjuntos de un espacio vectorial V , llamado el conjunto
de todas las sumas

1
+
2
+ +
k
de vectores
i
de S
i
se llama suma de los subconjuntos S
1
, S
2
, . . . , S
k
y se repre-
senta por
S
1
+S
2
+ +S
k
o por
k

i=1
S
i
.
2.3. BASES Y DIMENSI

ON 31
Si w
1
, W
2
, . . . , W
k
son subespacios de V , entonces la suma
W = W
1
+W
2
+ +W
k
como es facil ver, es un subespacio de V que contiene cada uno de los subespa-
cios W
i
. De esto se sigue, como en la demostracion del Teorema 3, que W es el
subespacio generado por la uni on de W
1
, W
2
, . . . , W
k
2.3. Bases y Dimension
Denicion.
Sea V un espacio vectorial sobre F. Un subconjunto S de V se dice lineal-
mente dependiente (o simplemente, dependiente) si existen vectores distintos

1
,
2
, . . . ,
n
de S y escalares c
1
, c
2
, . . . , c
n
de F, no todos nulos, tales que
c
1

1
+c
2

2
+ +c
n

n
Denicion.
Sea V un espacio vectorial. Una Base de V es un conjunto de vectores linealmente
independientes de V que genera el espacio V . El espacio V es de dimension
nita si tiene una base nita.
Corolario 1.
Si V es un espacio vectorial de dimensi on nita, entonces dos bases cualesquiera
de V tienen el mismo n umero (nito) de elementos.
Corolario 2.
Sea V un espacio vectorial de dimensi on nita y sea n = dimV . Entonces
(a) cualquier subconjunto de V que contenga m as de n vectores es linealmente
dependiente;
(b) ning un subconjunto de V que contenga menos de n vectores puede generar
V .
32 CAP

ITULO 2. ESPACIOS VECTORIALES


Lema.
Sea S un subconjunto linealmente independiente de un espacio vectorial V . Suponga-
se que es un vector de V que no pertenece al subespacio generado por S. Entonces
el conjunto que se obtiene agregando a S, es linealmente independiente.
Teorema 5.
Si W es un subespacio de un espacio vectorial de dimension nita V , todo sub-
conjunto linelamente independiente de W es nito y es parte de una base (nita)
de W.
Corolario 1.
Si W es un subespacio propio de un espacio vectorial de dimensi on nita V , en-
tonces W es de dimensi on nita y dimW < dimV
2.4. Subespacios
En esta secci on se introduciran algunos de los conceptos b asicos en el estudio
de los espacios vectoriales.
Denicion 2.4.1. Sea V un espacio vectorial sobre el cuerpo F. Un subespacio
de V es un subconjunto W de V que, con las operaciones de adici on vectorial y
multiplicaci on escalar sobre V , es el mismo un espacio vectorial sobre F.
Una comprobacion directa de los axiomas para un espacio vectorial, demuestra
que el subconjunto W de V es un subespacio si, para todos los y de W, el
vector + est a tambien en W; el vector 0 est a en W; para todo de W, el
vector () est a en W; para todo de W y todo escalar c, el vector c est a en
W. La conmutatividad y asociatividad de la adici on vectorial y las propiedades
(4)(a), (b), (c) y (d) de la multiplicaci on escalar no necesitan ser comprobadas, ya
que estas son propiedades de las operaciones en V . Se pueden simplicar a un m as
las cosas.
Teorema 2.4.1. Un subconjunto no vaco W de V es un subespacio de V si, y
solo si, para todo par de vectores , de W y todo escalar c de F, el vector c+
esta en W.
2.4. SUBESPACIOS 33
Demostraci on. Supongase que W sea un subconjunto no vaco de V tal que c+
pertenezca a W para todos los vectores , de W y todos los escalares c de F.
Como W no es vaco, existe un vector p en W, y, por tanto, (1)p +p = 0 est a en
W. Ahora bien, si es cualquier vector de W y c cualquier escalar, el vector
c = c + 0 est a en W. En particular, (1) = est a en W. Finalmente, si
y est an en W, entonces + = 1 + est a en W. As, W es un subespacio de
V .
Algunos preeren usar la propiedad c + del Teorema 1 como denicion
de un subespacio, lo que es apenas diferente. Lo importante es que, si W es un
subconjunto no vaco de V tal que c + est a en W para todos los , de W
y todo c de F, entonces W (con las operaciones heredadas de V ) sea un espacio
vectorial. Esto da lugar a muchos nuevos ejemplos de espacios vectoriales.
Ejemplo 12. (a) Si V es cualquier espacio vectorial, V es un subespacio de V ;
el subconjunto que consta solo del vector nulo es un subespacio vectorial de
V , llamado subespacio nulo de V .
(b) En F
n
, el conjunto de los n - tuples (x
1
, x
2
, . . . , x
n
) con x
1
= 0 es un subes-
pacio, pero el conjunto de las n - tuples con x
1
= 1 +x
2
no es un subespacio
(n 2).
(c) El espacio de todas las funciones polinomios es un subespacio del espacio de
todas las funciones de F en F.
(d) Una matriz (cuadrada) n n, sobre el cuerpo F es simetrica si A
ij
= A
ji
para todo i y j. Las matrices simetricas forman un subespacio del espacio de
las matrices n n sobre F.
(e) Una matriz (cuadrada) nn, A, sobre el cuerpo C de los n umeros complejos
es hermtica (o autoadjunta) si A
jk
= A
kj
para todo j, k, donde la barra
indica conjugaci on compleja. Una matriz 2 2 es hermtica si, y solo si,
tiene la forma
_
z x +iy
x iy w
_
donde x, y, z y w son n umeros reales. El conjunto de todas las matrices
hermticas no es un subespacio del espacio de todas las matrices nn sobre C.
34 CAP

ITULO 2. ESPACIOS VECTORIALES


En efecto, si A es hermtica, sus elementos en la diagonal A
11
, A
22
, . . . , A
nn
son n umeros reales, pero los elementos diagonales de iA, en general, no son
reales. Por otro lado, es facil ver que el conjunto de las matrices hermticas
n n es un espacio vectorial sobre el campo de los n umeros reales (con las
operaciones usuales).
2.5. Bases y dimension
2.6. Coordenadas
2.7. Resumen de equivalencia por las
2.8. Calculo relativos a subespacios
Captulo 3
TRANSFORMACIONES
LINEALES
3.1. Trasformaciones Lineales
Denicion 3.1.1 (Trasformaci on Lineal). Sean V y W dos espacio vectoriales
sobre el cuerpo F. Una trasformacion lineal de V en W, es una funcion T
de V en W tal que
T(v +w) = (Tv) + (Tw)
para todos los vectores v, w de V y todos los escalares de F.
Teorema 3.1.1. Sean V un espacio vectorial de dimensi on nita sobre el cuerpo
F, {
1
, . . . ,
n
} una base ordenada de V y W un espacio vectorial sobre el
mismo cuerpo F.
1
, . . . ,
m
vectores cualquiera de W. Entonces existe una
unica trasformacion lineal de T de V en W tal que
T
j
=
j
, j = 1, . . . , n.
Demostraci on. Para demostrar que existe una trasformaci on lineal T tal que
T
j
=
j
se procede como sigue. Dado de V , existe una unica n-tuple
(x
1
, . . . , x
n
) tal que
= x
1

1
+. . . +x
n

n
.
Para ese vector se dene
T = x
1

1
+. . . +x
n

n
.
35
36 CAP

ITULO 3. TRANSFORMACIONES LINEALES


Entonces, T es una correspondencia bien denida que asocia a cada vector
de V un vector T de W. De la denicion queda claro que T
j
=
j
para
cada j . Para ver que T es lineal, sea
= y
1

1
+. . . +y
n

n
de V y sea c cualquier escalar. Ahora
c + = (cx
1
+y
1
)
1
+. . . + (cx
n
+y
n
)
n
con lo que, por denicion,
T(c +) = (cx
1
+y
1
)
1
+. . . + (cx
n
+y
n
)
n
.
Por otra parte,
c(T) +T = c
n

i=1
x
i

i
+
n

i=1
y
i

i
=
n

i=1
(cx
i
+y
i
)
i
y as
T(c +) = c(T) +T.
Si U es una trasformaci on lineal de V en W con U
j
=
j
, j = 1, . . . , n,
entonces para el vector =
n

i=1
x
i

i
se tiene
U = U
_
n

i=1
x
i

i
_
=
n

i=1
x
i
(U
i
)
=
n

i=1
x
i

i
con lo que U es exactamente la misma correspondencia T que se denio antes,
lo que demuestra que la trasformaci on lineal T con T
j

j
, es unica.
Denicion 3.1.2 (Espacio Nulo). Sean V y W dos espacios vectoriales sobre
el cuerpo F y T una trasformacion lineal de V en W. El espacio nulo de
T es el conjunto de todos los vectores de V tales que T = 0.
3.2. ALGEBRA DE LAS TRASFORMACIONES LINEALES 37
Denicion 3.1.3 (Rango, Nulidad). Si V es un espacio vectorial de dimenci on
nita, el rango de T es la dimensi on de la imagen de T y la nulidad de T
es la dimensi on del espacio nulo de T.
Teorema 3.1.2. Sean V y W espacios vectoriales sobre el cuerpo F y T
una trasformacion lineal de V en W. Sup ongase que V es de dimensi on nita.
Entonces
rango (T) + nulidad (T) = dimV.
Teorema 3.1.3. Si A es una mtriz m n de elementos en e cuerpo F,
entonces
rango de filas (A) = rango de columnas (A)
3.2. Algebra de las Trasformaciones Lineales
Teorema 3.2.1. Sean V, W espacios vectoriales sobre el cuerpo F y T, U
trasformaciones lineales de V en W. La funcion (T +U) denida por
(T +U)() = T +U
es una trasformacion lineal de V en W. Si c es cualquier elemento de F, la
funcion (cT) denida por
(cT)() = c(T)
es una trasformacion lineal de V en W. El conjunto de todas las trasformaci on
lineal de V en W, junto con la adiccion y la multiplicaci on escar aqu denidas,
es un espacio vectorial sobre el cuerpo F.
Teorema 3.2.2. Sean V un subespacio vectorial de dimensi on nita n sobre el
cuerpo F, y W un espacio vectorial de dimensi on nita m sobre F. Entonces
el espacio L(V, W) es de dimensi on nita y tiene dimensi on mn.
Teorema 3.2.3. Sean V, W y Z espacios vectoriales sobre el cuerpo F, y T
una trasformacion lineal de V en W y U una trasformacion lineal de W en
Z. Entonces la funcion compuesta UT denida por UT() = U(T()) es un
atrasformacion lineal de V en Z.
Denicion 3.2.1 (Operador Lineal). Si V es un espacio vectorial sobre el cuerpo
F, un operador lineal sobre V es una transformaci on lineal de V en V .
38 CAP

ITULO 3. TRANSFORMACIONES LINEALES


Lema 3.2.1. Sea V un espacio vectorial sobre el cuerpo F, y U, T
1
y T
2
operadores lineales sobre V ; y c un elemento de F.
i) IU = UI = U;
ii) U(T
1
+T
2
) = UT
1
+UT
2
; (T
1
+T
2
)U = T
1
U +T
2
U;
iii) c(UT
1
) = (cU)T
1
= U(cT
1
).
Teorema 3.2.4. Sean V y W dos espacios vectoriales sobre el cuerpo F, y T
una trasformacion lineal de V en W. Si T es inversibre, entonces la funcion
recproca T
1
es un atrasformacion lineal de W sobre V .
Teorema 3.2.5. Sea T una trasformacion lineal de V en W. Entonces T
no es singular sin y solo si, T aplica cada subconjunto linealmente independiente
de V sobre un subconjunto linealmente W.
Teorema 3.2.6. Sean V y W espacios vectoriales de dimensi on nita sobre
el cuerpo F tal que dimV = dimW. Si T es una trasformaci on lineal de V
en W, las siguientes armaciones son equivalentes:
i) T es inversible.
ii) T es no singular.
iii) T es sobreyectiva; eso es, la imagen de T es W.
Denicion 3.2.2 (Grupo). Un grupo consta de lo siguiente.
1. Un conjunto G;
2. Una correspondencia (u operaci on) que asocia a cada par de elementos x, y
G, un elemento xy G de tal modo que
i) x(yz) = (xy)z para todo x, y, z G (asocativa);
ii) existe un n umero e G tal que ex = xe = x para todo x G;
iii) a cada elemento x G le corresponde un elemento x
1
G tal que
xx
1
= x
1
x = e.
3.3. ISOMORFISMO 39
3.3. Isomorsmo
Denicion 3.3.1 (Isomorsmo). Si V y W son espacios vectoriales sobre el
cuerpo F, toda trasformacion lineal T de V en W sobreyectiva e inyectiva,
se dice isomorsmo de V sobre W . Si existe un isomorsmo de V sobre
W, se dice que V es isomorfo a W.
Teorema 3.3.1. Todod espacio vectorial de dimensi on n sobre el cuerpo F es
isomorfo al espacio F
n
.
3.4. Representacion de trasformaciones por matrices
Teorema 3.4.1. Sean V, W espacios vectoriales de dimensi on n, m sobre el
cuerpo F y B, B

bases ordenadas de V y W. Para cada trasformaci on lineal


T de V en W, existe una matriz A de mn, cuyos elementos pertenencen
a F, tal que
[T]
B
= A[]
B
para todo vector V . Adem as, T A es una correspondencia biyectiva entre
el conjunto de todas las trasformaciones lineales de V en W y el conjunto de
todas las matrices mn sobre el cuerpo F.
Teorema 3.4.2. Sea V un espacio vectoriald e dimensi on n sobre el cuerpo
F. Para cada par de bases ordenadas B, B

de V y W, respectivamente,
la funcion que asigna a un trasformacion lineal T su matriz respecto a B, B

es un isomorsmo entre el espacio L(V, W) y el espacio de todas las matrices


mn sobre el cuerpo F.
Teorema 3.4.3. Sean V, W y Z espacios vectoriales de dimensi on nita sobre
el cuerpo F y T una trasformacion lineal de V en W, U una trasformaci on
lineal de W en Z. Si B, B

y B

son las bases ordenadas de los espacios


V, W y Z, respectivamente, y si A es la matriz de T respecto al par B, B

y
B es la mtriz de U respecto al par B

, B

, entonces la matris de la composici on


UT respecto al par B, B

, es la matriz producto C = BA.


Teorema 3.4.4. Sean V un espacio vectorial de dimensi on nita sobre el cuerpo
F, y
B = {
1
, . . . ,
n
} y B

= {

1
, . . . ,

n
}
40 CAP

ITULO 3. TRANSFORMACIONES LINEALES


dos bases ordenadas de V . Sup ongase que T es un operador lineal sobre V . Si
P = [P
1
, . . . , P
n
] es la matriz mn de columnas P
j
= [

j
]
B
, entonces
[T]
B
= P
1
[T]
B
P.
De otra manera, si U es el operador lineal sobre V denido por U
j
=

j
, j =
1, . . . , n, entonces
[T]
B
= [U]
1
B
[T]
B
[U]
B
.
Denicion 3.4.1 (Semejanza). Sean A y B dos matrices (cuadradas) n n
sobre el cuerpo F. Se dice que B es semejante a A sobre F si existe un
amatriz inversibre P de n n, sobre F tal que B = P
1
AP.
3.5. Funciones Lineales
Denicion 3.5.1 (Funciones Lineales). Si V es un espacio vectorial sobre el
cuerpo F, un atrasformacion lineal f de V en el cuerpo de escalares F se
llama tambien un funcional lineal sobre V .
Teorema 3.5.1. Sean V un espacio vectorial de dimensi on nita sobre el cuerpo
F y B = {
1
, . . . ,
n
} una base de V . Entonces existe una unica base dual
B

= {f
1
, . . . , f
n
} de V

tal que f
i
(
j
) =
ij
. Para cada funcional lineal f
sobre V se tiene
f =
n

i=1
f(
i
)f
i
(3.1)
y para cada vector V se tiene
=
n

i=1
f
i
()
i
. (3.2)
Denicion 3.5.2 (Anulador). Si V es un espacio vectorial sobre el cuerpo F y
S es un subconjunto de V , el anulador de S en el conjunto S
0
de funcionales
lineales f sobre V tales que f() = 0 para todo S .
Teorema 3.5.2. Sean V un espacio vetorial de dimensi on nita sobre el cuerpo
F y W un subespacio de V . Entonces
dimW + dimW
0
= dimV.
3.6. EL DOBLE DUAL 41
Corolario 3.5.1. Si W es un subespacio de dimensi on k de un espacio vectorial
V de dimensi on n, entonces W es la interseccion de (n k) hiperespacios
de V .
Corolario 3.5.2. Si W
1
y W
2
son subespacios de un espacio vectorial de
dimensi on nita, entonces W
1
= W
2
si, y solo si, W
0
1
= W
0
2
.
3.6. El Doble Dual
Teorema 3.6.1. Sea V un espacio vectorial de dimensi on nita sobre el cuerpo
F. Para cada vector V se dene
L

(f) = f(), f V

.
La aplicaci on L

es entonces un isomorsmo de V sobre V

.
Corolario 3.6.1. Sea V un espacio vectorial de dimensi on nita sobre el cuerpo
F. Si L es un funcional lineal en el espacio dual V

de V , entonces existe
un unico vector V tal que
L(f) = f()
para todo f de V

.
Corolario 3.6.2. Sea V un espacio vectorial de dimensi on nita sobre el cuerpo
F. Toda base de V

es dual de algun base de V .


Teorema 3.6.2. Si S es cualquier subconjunto de un espacio vectorial de di-
mensi on nita V , entonces (S
0
)
0
es el subespacio generado por S.
Denicion 3.6.1 (Hiperespacio). Si V es un espacio vectorial, un hiperespacio
en V es un subespacio propio maximal de V .
Teorema 3.6.3. Si f es un funcional lineal no nulo sobre el espacio vectorial
V , entonces el espacio nulo de f es un hiperespacio en V . Recprocamente, todo
hiperespacio de V es el espacio nulo de un (no unico) funcional lineal no nulo
sobre V .
Lema 3.6.1. Si f y g son funcionales lineales en el espacio vectorial V ,
entonces g es un m ultiplo escalar de f si, y solo si, el espacio nulo de g
contiene al espacio nulo de f; esto es, si, y solo si, f() = 0 implica que
g() = 0
42 CAP

ITULO 3. TRANSFORMACIONES LINEALES


Teorema 3.6.4. Sean g, f
1
, . . . , f
r
funcionales lineales sobre un espacio vecto-
rial V con espacios nulo N, N
1
. . . , N
r
, respectivamente. Entonces g es una
combinaci on lineal de los f
1
, . . . , f
r
si, y solo si, N contiene la intersecci on
N
1
N
r
.
3.7. Traspuesta de una Trasformacion Lineal
Teorema 3.7.1. Sean V y W espacios vectoriales sobre el cuerpo F. Para
toda transformaci on lineal T de V en W, existe una unica transformaci on
lineal T
t
de W

en V

tal que
(T
t
g)() = g(T)
para todo g de W

y todo de V .
A T
t
se le llama traspuesta de T. Esta transformacion T
t
tambien se
llama a menudo adjunta de T, pero no usaremos esta terminologa.
Teorema 3.7.2. Sean V y W espacios vectoriales sobre el cuerpo F y T
una transformaci on lineal de V en W. El espacio nulo de T
t
es el anulador
de la imagen de T. Si V y W son la dimensi on nita, entonces
i) rango (T
t
) = rango (T)
ii) la imagen de T
t
es el anulador del espacio nulo de T.
Captulo 4
Polinomios
43
44 CAP

ITULO 4. POLINOMIOS
Captulo 5
Determinantes
45
46 CAP

ITULO 5. DETERMINANTES
Captulo 6
Formas canonicas elementales
47
48 CAP

ITULO 6. FORMAS CAN

ONICAS ELEMENTALES
Captulo 7
La forma racional y de Jordan
49
50 CAP

ITULO 7. LA FORMA RACIONAL Y DE JORDAN


Captulo 8
Espacios con producto interno
8.1. Producto Interno
Un ejemplo de producto interno es el producto escalar de vectores en R
3
, el
producto escalar de los vectores.
= x
1
, x
2
, x
3
y = y
1
, y
2
, y
3
en R
3
es el numero real.
( | ) = x
1
y
1
+x
2
y
2
+x
3
y
3
Geometricamente, este producto escalar es el producto de la longuitud de ,
la laonguitd de y el coseno del angulo entre y . Es por tanto, posible denir
los conceptos geometricos de longuitd y angulo en R
3
por la denicion
algebraica de un producto escalar.
Denicion 8.1.1 (Productos Internos). Sea F el cuerpo de los numeros reales, o
de los complejos, y V un espacio vectorial sobre F. un Producto Interno sobre
V es una funcion que asigna a cada par odenado de vectores y de V un escalar
( | ) de F de tal modo que para cualesquirea y y de V y todos los escaleres
c
(a) ( + | ) = ( | ) + ( | )
51
52 CAP

ITULO 8. ESPACIOS CON PRODUCTO INTERNO


(b) (c | ) = c( | )
(c) ( | ) =

( | ), Donde la barra indica la conjugacion compleja;
(d) ( | ) > 0 si = 0
Debe observarse que las condiciones (a),(b) y (c) implican que
(e) ( | c +) = c( | ) + ( | ).
Otra observacion debe hacerse. Si F es el cuerpo R de los numeros reales, los
complejos conjugados que guaran en (c) y (e) estan demas; sin embargo, en el
caso de los complejos son necesarias para la consitencia de las condiciones. sin
estso comlejos conjugados se tendria la contradiccion:
( | ) > 0 y (i | i) = 1( | ) > 0
Denicion 8.1.2 (Espacios Producto Interno). Un Espacio producto interno
es una espacio real i complejo junto con un producto interno denido sobre ese
espacio.
Un espacio producto interno real de dimesion nita se llama a menudo Es-
pacio euclidiano. Un espacio con producto interno complejo se llama a veces
Espacio unitario
Teorema 8.1.1. Si V es un espacio producto interno, entonces para vectores y
cualesquiera de V y cualquier escalar c
(i) c = |c| ;
(ii) > 0, para = 0;
(iii) ( | ) ;
(iv) + + ;
8.1. PRODUCTO INTERNO 53
Demostraci on. Las armaciones (i) y (ii) se desprenden casi inmediatamente de las
varias deniciones vistas. la desigualdad en (iii) es calramente valida para = 0.
Si = 0, hagase
=
( | )

2
.
Entonces | ) = 0 y
0
2
= (
( | )

2
|
( | )

2
)
= ( | )
( | )( | )

2
=
2

|( | )|
2

2
Luego |( | )|
2

2

2
, Ahora usando (c) se tiene que
+
2
=
2
+( | ) + ( | )+
2
=
2
+2Re( | )+
2

2
+2 +
2
= ( + )
2
Con lo que + + .
La desigualdad en (iii) se llama Desigualdad de Cauchy-Schwarz y tiene
una amplia variedad de aplicaciones. La demostracion muestra que si por (ejemplo)
es cero entonces |( | )| a menos que
=
( | )

2

Asi la igualdad se tiene en (iii) si y solo si , y son linealmente dependientes.
Denicion 8.1.3 (Ortogonal). Sean y vectores de un espacio producto interno
V. Entonces es Ortogonal a si ( | ) = 0; como esto implica que es
ortogonal a , a menudo se le dira que y son ortogonales. Si S es un conjunto
de vectores de V, se dice que S es un Conjunto Ortogonal siempre que todos
54 CAP

ITULO 8. ESPACIOS CON PRODUCTO INTERNO


los pares de vectores distintos de S sean ortogonales. Un Conjunto Ortogonal
es un conjunto ortogonal de S con la propiedad ademas de que = 1 para todo
de S.
El vector cero es ortogonal a todo vector en V y es el unico vector con esa
propiedad. es apropiado pensar un conjunto ortogonal como conjun to de vectores
mutuamente perpendiculares que tienen longuitud 1.
Teorema 8.1.2. Un conjunto ortogonal de vectores no nulos es linealmente inde-
pendiente.
Demostraci on. Sea S un conjunto ortogonal nito o innito de vectores no nulos
en un espacio con producto interno dado. Supongase
1
,
2
, .......
m
son vectores
distintos en S y que
= c
1

1
+c
2

2
+....... +c
m

m
Entonces
( |
k
) = (

j
c
j

j
|
k
)
=

j
c
j
(
j
|
k
)
= c
k
(
k
|
k
)
Como (
k
|
k
) = 0, se sigue que
c
k
=
( |
k
)

k

2
1 k m.
Asi, cuando = 0, cada c
k
= 0, de modo que S es un conjunto independiente.
Corolario 8.1.1. Si un vector es combinacion lineal de una sucesion ortogo-
nal de vectores no nulos
1
, ......,
m
, entonces es igual a la combinacion lineal
particular
=
m

k=1
( |
k
)
c
k

2
c
k
8.1. PRODUCTO INTERNO 55
Este colorario se desprende de la demostracion del teorema. Hay otro colorario
que mencionar que es tambien obvio. si {
1
, ......,
m
} es un conjunto ortogonal
de vectores no nulos en uns espacio con producto interno de dimesion nita V,
entonces m dimV . esto dice que el numero de direcciones mutuamente perpen-
diculares en V no pueden exceder la dimesion algebraicamente denidaen V. El
maximo numero de direcciones mutuamente perpendiculares en V es lo que intui-
tivamente se considera como dimesion geometrica de V, y se acaba de ver que esta
no es mayor que la dimesion algebraica. El que estas dos dimensiones sean iguales
es un colorario particular del siguiente resultado.
Teorema 8.1.3. Sea V un espacio con producto interno y sean
1
, ......,
m
vec-
tores independientes cualesuiqrea de V. Entonces se pueden construir vectores or-
togonales
1
, ......,
m
en V tales que para cada K = 1, 2, ......n en el conjunto

1
, ......,
k
Sea una base del subespacio generado por
1
, ......,
k
Corolario 8.1.2. Todo espacio con producto interno de dimension nita tiene
una base ortogonal
Teorema 8.1.4. Sea W un subespacio de un espacio producto interno V y sea
un vector de V.
i El vector de W es una mejor aproximacion a , por vectores de W si y
solo si, es ortogonal a todo vector de W
ii Si existe una mejor aproximacion a por vectores de W es unica.
iii Si W es de dimesion fnita y
1
, ......,
m
es cualquier base ortogonal de W,
entonces el vector
=

k
|
k

k

2

k
es la (unica) mejor aproximacion a por vectores de W
Denicion 8.1.4 (Complemento Ortogonal). Sea V un espacio producto interno
y S cualquier conjunto de vectores en V. El Complemento ortogonal de S es el
conjunto S

de los vectores de V ortogonales a todo vector de S


56 CAP

ITULO 8. ESPACIOS CON PRODUCTO INTERNO


Denicion 8.1.5 (Proyeccion Ortogonal). Siempre que exista e vector en el
teorema 4. se le llama Proyeccion ortogonal de sobre W. Si todo vector de
V tiene proyeccion ortogonal sobre W, la aplicacion que asigna a cada vector de
V su proyecion ortogonal sobre W, se llama Proyeccion ortogonal de V sobre
W
Corolario 8.1.3. Sea V un espacio producto interno, W un subespacio de dimen-
sion nita y E la proyeccion ortogonal de V sobre W. Entonces la aplicacion
E
Es la proyeccion ortogonal de V sobre W

Teorema 8.1.5. Sean W un subespacio de dimension nita de una espacio pro-


ducto interno V y sea E la proyeccion ortogoal de V sobre W. Entonces E es una
transformacion lineal idempotente de V sobre W, W

es el espacio nulo de E y
V = W

Corolario 8.1.4. Bajo las condiciones del teorema, I-E es la proyeccion ortogonal
de V en W

. El es una trasnformacion lineal idempotente de V en W

con espacio
nulo en W
Corolario 8.1.5. Sea {
1
, ......,
n
} un conjunto ortogonal de vectores no nulos
en un espacio producto interno V. Si es cualquier vector de V, entonces
m

k=1
( |
k
)
c
k

2

2
Y la desigualdad vale si y solo si,
=
m

k=1
( |
k
)
c
k

2
c
k
Teorema 8.1.6. Sean V un espacio producto interno de dimesion nita y f un
funcional lineal sobre V. Entonces, existe un unico vector de V tal que f() =
( | ) para todo de V.
Teorema 8.1.7. Para cualquier operador lineal T en un espacio producto interno
de dimensi on nita , existe un unico operador lineal T

sobre V tal que


(T | ) = ( | T

)
(8.14) para todo , de V .
8.2. FUNCIONES LINEALES Y ADJUNTAS 57
Teorema 8.1.8. Sea V un espacio producto interno de dimensi on nita y sea
B= {
1
, . . . ,
n
} una base (ordenado) ortonormal de V . Sea T un operador lineal
sobre V y sea A la matriz de T en la base ordenada B. Entonces A
kj
= (T
j
|
k
).
Corolario 8.1.6. Sea V un espacio producto interno de dimensi on nita y sea T
un operador lineal sobre V . En cualquier base ortogonal de V la matriz de T

es
la conjugada de las transpuesta de la matriz T.
8.2. Funciones Lineales y Adjuntas
Denicion 8.2.1 (Adjunto). Sea T un operador lineal sobre un espacio producto
interno V . Entonces se dice que T tiene un adjunto sonre V si existe un operador
lineal T

sobre V tal que (T | ) = ( | T

) para todo y en V .
Teorema 8.2.1. Sea V un espacio producto interno de dimensi on nita. Si T y
U son operadores lineales sobre V y c es un escalar.
(i) (T +U)

= T

+U

;
(ii) (cT)

= cT

;
(iii) (TU)

= U

;;
(iv) (T

) = T.
8.3. Operadores Unitarios
Denicion 8.3.1. Sean V y W espacios producto interno sobre el mismo cuerpo
y sea T una transformaci on lineal de V en W. Se dice que T preserva produc-
tos internos si (T | T) = ( | ) para todo , de V . Un isomorsmo de
V sobre W es un isomorsmo T de espacio vectorial de V sobre W que tambien
preserva productos internos.
Teorema 8.3.1. Sean V y W espacios producto interno de dimensi on nita sobre
el mismo cuerpo y que tienen la misma dimensi on. Si T es una transformaci on
lineal de V en W , las siguientes armaciones son equivalentes.
(i) T preserva los productos internos.
58 CAP

ITULO 8. ESPACIOS CON PRODUCTO INTERNO


(ii) T es un isomorsmo ( en un espacio producto interno).
(iii) T aplica toda base ortonoraml de V sobre una base ortonormal de W.
(iv) T aplica cierta base ortonormal de V sobre una base ortonormal de W.
Corolario 8.3.1. Sean V y W espacios producto interno de dimensi on nita sobre
el mismo cuerpo. Entonces V y W son isomorfos si, y solo si, tienen la misma
dimensi on.
Teorema 8.3.2. Sean V y W espacios producto interno sobre el mismo cuerpo
y sea T una transformaci on lineals de V en W . Entonces T presenta productos
internos si, y solo si, T = para todo en V .
Denicion 8.3.2 (Operador Unitario). Un operador unitario en un espacio
producto interno es un isomorsmo del espacio sobre s mismo.
Teorema 8.3.3. Sean U un operador lineal sobre un espacio producto interno V .
Entonces U es unitario si, y solo si, el adjunto U

de U existe y UU

= U

U = I.
Denicion 8.3.3 (Matrz Unitaria). Una matriz compleja n n , A, se llama
unitaria si A

A = I
Teorema 8.3.4. Sea V un espacio producto interno de dimensi on nita y sea U
un operador lineal sobre V . Entonces U es unitario si, y solo si, la matriz de U
en alguna ( o toda) base ordenada ortonormal es una matriz unitaria.
Denicion 8.3.4 (Matrz Ortogonal). Una matriz n n real o compleaja , A ,
se dice ortogonal si A

A = I.
Teorema 8.3.5. Para toda matriz compleja nn, inversible, B , existe una unica
matriz triangular inferior M , con elementos positivos en la diagonal principal,
de modo que MB es unitaria.
Denicion 8.3.5 (Equivalentes). Sean A y B matrices complejas n n. Se dice
que B es unitariamente equivalente a A si existe una matriz unitaria n n ,
P, tal que B = P
1
AP. Se dice que B es ortogonalmente equivalente a A si
existe una matriz ortogonal n n , P , tal que B = P
1
AP.
8.4. OPERADORES NORMALES 59
8.4. Operadores Normales
Denicion 8.4.1 (Operador Normal). Sean V un espacio producto interno de
dimensi on nita y T un operador lineal sobre V . Se dice que T es normal si
conmuta con su adjunto ; es decir, TT

= T

T.
Teorema 8.4.1. Sean V un espacio producto interno y T un operador lineal
autoadjunto sobre V . Entonces todo valor propio de T es real y los vectores propios
de T , asociados a valores propios distintos , son ortogonales.
Teorema 8.4.2. En un espacio producto interno de dimensi on nita y positiva
todo operador autoadjunto tiene un vector propio (no nulo).
Teorema 8.4.3. Sea V un espacio producto interno de domension nita y sea
T un operador lineal sobre V . Sup ongase que W es un subespacio de V que es
invariante por T. Entonces el complemento ortogonal de W es invariante por T

.
Teorema 8.4.4. Sea V un espacio producto interno de dimensi on nita y sea T
un operador lineal autoadjunto sobre V . Entonces existe una base ortonormal de
V en la que cada vector es un vector propio de T.
Corolario 8.4.1. Sea A la matriz nn hermitica (autoadjunta). Entonces existe
una matriz unitaria P tal que P
1
AP es diagonal ( A es unitariamente equiva-
lente a una matriz diagonal). Si A es una matriz simetrica real, hay una matriz
ortogonal real P tal que P
1
AP es diagonal.
Teorema 8.4.5. Sean V un espacio producto interno de dimesnsion nita y T
un operador normal sobre V . Sup ongase que es un vector de V . Entonces es
un vector propio de T con valor propio c si, y solo si, es un vector propio para
T

con valor propio c


Denicion 8.4.2 (Matrz Normal). Una matriz compleja n n, A , se llama
normal si AA

= A

A.
Teorema 8.4.6. Sean V un espacio producto interno de dimensi on nita, T un
operador lineal sobre V y B es triangular superior. Entonces T es normal si, y
solo si, A es una matriz diagonal.
Teorema 8.4.7. Sea V un espacio producto interno de dimensi on nita y sea T
un operador lineal sobre V . Entonces existe una base ortonormal de V en la que
la matriz de T es triangular superior.
60 CAP

ITULO 8. ESPACIOS CON PRODUCTO INTERNO


Corolario 8.4.2. Para todo matriz compleja nn , A , existe una matriz unitaria
U tal que U
1
AU es triangular superior.
Teorema 8.4.8. Sean V un espacio producto interno complejo de dimensi on nita
y T un operador noraml sobre V . Entonces V tienen una base ortonormal que
consiste en vectores propios de T.
Corolario 8.4.3. Para toda matriz normal A existe una matriz unitaria P tal
que P
1
AP es una matriz diagonal.
Captulo 9
Operadores sobre espacios
producto interno
61
62CAP

ITULO 9. OPERADORES SOBRE ESPACIOS PRODUCTO INTERNO


Captulo 10
Formas bilineales
10.1. Formas lineales
En este captulo se tratar a de las formas bilineales sobre espacios vectoriales
de dimension nita. El lector observar a probablemente una analoga entre cierto
material y el estudio de los determinantes del Captulo 5 y de los productos in-
ternos y de las formas en los Captulos 8 y 9. La relaci on entre formasbilineales y
productos internos es particularmente estrecha; sin embargo, este capitulo no pre-
supone ning un material de los Captulos 8 o 9. Al lector que no este familiarizado
con los productos internos le ser a provechoso leer la primera parte del Captulo 8
al tiempo que se adentra en el estudio de las formas bilineales.
La primera secci on trata del espacio de las formas bilineales sobre un espacio vec-
torial de dimension n. Se introduce la matriz de una forma bilineal en una base
ordenada y se establece el isomorsmo entre el espacio de las formas y el espacio
de las matrices n n.Se dene el rango de una forma bilineal y se introducen las
formas bilineales no degeneradas.La segunda secci on estudia las formas bilineales
simetricas y su diagonalizaci on.La tercera trata las formas bilineales antisimetri-
cas. La cuarta estudia el grupo que preserva una forma bilineal no degenerada,
con especial atenci on a los grupos ortogonales, a los grupos seudoortogonales y a
un grupo seudoortogonal particular - el grupo de lorentz.
Teorema 10.1.1. Sea V un espacio vectorial sobre el cuerpo F. una forma bilineal
sobre V es una funcion f que asigna a cada par ordenado de vectores , de V
un escalar f(, ) de F, y que satisface
63
64 CAP

ITULO 10. FORMAS BILINEALES


f(c
1
+
2
) = cf(
1
, ) +f(
2
, )
f(, c
1
+
2
) = cf(,
1
) +f(,
2
)
(10.1)