Algebra

Apuntes de lgebra
Tabla de Contenidos.
TABLA DE CONTENIDOS. ................................................................................................. 1
CAPTULO 1. ESPACIOS VECTORIALES ....................................................................... 6 1. DEFINICIN......................................................................................................................... 6 2. SUBESPACIO VECTORIAL .................................................................................................... 7 3. TEOREMA DE CARACTERIZACIN DE SUBESPACIOS VECTORIALES. ................................. 7 4. SISTEMA DE VECTORES....................................................................................................... 7 5. COMBINACIN LINEAL DE VECTORES ................................................................................ 7 6. VARIEDAD LINEAL VECTORIAL .......................................................................................... 7 7. SISTEMAS LIBRES Y LIGADOS ............................................................................................. 8 DETERMINACIN ...................................................................................................................... 8 INTERPRETACIN GEOMTRICA DE LA DEPENDENCIA LINEAL EN #3........................................... 8 8. SISTEMA DE GENERADORES................................................................................................ 9 9. SISTEMAS EQUIVALENTES .................................................................................................. 9 10. BASE DE UN ESPACIO VECTORIAL..................................................................................... 9 11. DIMENSIN DE UN ESPACIO VECTORIAL ........................................................................ 10 12. SUMA DE SUBESPACIOS VECTORIALES ........................................................................... 10 13. INTERSECCIN DE SUBESPACIOS VECTORIALES ............................................................ 10 14. RELACIN ENTRE DIMENSIONES DE LOS SUBESPACIOS SUMA E INTERSECCIN. .......... 10 15. SUMA DIRECTA. ESPACIOS SUPLEMENTARIOS ............................................................... 10 16. RANGO DE UN SISTEMA DE VECTORES ........................................................................... 11 17. TEOREMA DE LA BASE INCOMPLETA .............................................................................. 11 CAPTULO 2 ....................................................................................................... MATRICES 12 1. DEFINICIONES ................................................................................................................... 12 2. ALGUNOS TIPOS PARTICULARES DE MATRICES ............................................................... 12 3. SUMA DE MATRICES .......................................................................................................... 13 4. EL GRUPO ABELIANO (MM,N , +)........................................................................................ 14 5. PRODUCTO DE UN ELEMENTO DE K POR UNA MATRIZ .................................................... 14 6. EL ESPACIO VECTORIAL MM,N (K) .................................................................................... 15 7. PRODUCTO DE MATRICES ................................................................................................. 15 8. LEY ASOCIATIVA DE LA MULTIPLICACIN MATRICIAL ................................................... 16 9. LEY DISTRIBUTIVA DE LA MULTIPLICACIN MATRICIAL ................................................ 16 10. EL ANILLO DE LAS MATRICES CUADRADAS DE ORDEN N................................................ 16 11. MATRICES INVERSIBLES O REGULARES ......................................................................... 17 12. CAMBIO DE BASE EN UN ESPACIO VECTORIAL ............................................................... 17 13. RANGO DE UNA MATRIZ .................................................................................................. 20 14. OPERACIONES ELEMENTALES EN UNA MATRIZ.............................................................. 20 15. CLCULO DEL RANGO DE UNA MATRIZ .......................................................................... 20 16. CLCULO DE LA MATRIZ INVERSA MEDIANTE TRANSFORMACIONES ELEMENTALES ... 21 CAPTULO 3. DETERMINANTE DE UNA MATRIZ CUADRADA .............................. 22
Apuntes de lgebra
2 e 77
1. DEFINICIN....................................................................................................................... 22 2. PROPIEDADES ................................................................................................................... 22 3. MENOR COMPLEMENTARIO Y ADJUNTO DE UN ELEMENTO............................................. 23 4. MENOR COMPLEMENTARIO Y ADJUNTO DE UN MENOR DE UNA MATRIZ ........................ 23 5. CLCULO PRCTICO DE DETERMINANTES ....................................................................... 23 6. DETERMINANTE DE VANDERMONDE ................................................................................ 24 7. CARACTERIZACIN DE LAS MATRICES REGULARES ........................................................ 24 8. CLCULO DE LA MATRIZ INVERSA MEDIANTE DETERMINANTES..................................... 24 9. RANGO DE UNA MATRIZ MEDIANTE DETERMINANTES ..................................................... 25 10. DETERMINANTE DE LA MATRIZ PRODUCTO DE OTRAS DOS ........................................... 25 CAPTULO 4. APLICACIONES LINEALES ................................................................... 27 1. DEFINICIN....................................................................................................................... 27 2. CARACTERIZACIN .......................................................................................................... 27 3. PRINCIPALES PROPIEDADES ............................................................................................. 27 4. IMAGEN DE UNA APLICACIN LINEAL .............................................................................. 28 5. NCLEO DE UNA APLICACIN LINEAL .............................................................................. 28 6. DETERMINACIN DE UNA APLICACIN LINEAL. MATRIZ ................................................ 30 7. RANGO DE UNA APLICACIN LINEAL ............................................................................... 32 8. APLICACIONES LINEALES INYECTIVAS ............................................................................ 32 9. ISOMORFISMOS................................................................................................................. 33 10. CARACTERIZACIN DE ENDOMORFISMOS BIYECTIVOS................................................. 34 11. CONJUNTO DE LAS APLICACIONES LINEALES ENTRE DOS ESPACIOS E Y F ................... 35 12. EL ANILLO /(E) DE LOS ENDOMORFISMOS DE E............................................................ 35 13. MATRICES ASOCIADAS A UN ENDOMORFISMO EN DOS BASES DISTINTAS ...................... 36 CAPTULO 5. SISTEMAS DE ECUACIONES LINEALES ............................................ 37 1. DEFINICIONES ................................................................................................................... 37 2. ENFOQUE VECTORIAL ...................................................................................................... 37 3. EQUIVALENCIA DE SISTEMAS ........................................................................................... 38 4. TEOREMA DE ROUCH-FROBENIUS ................................................................................. 38 5. RESOLUCIN DE ECUACIONES LINEALES ......................................................................... 38 A) MTODO GENERAL............................................................................................................. 38 B) SISTEMA DE CRAMER ......................................................................................................... 39 C) MTODO DE GAUSS ........................................................................................................... 39 D) MTODO DE LA MATRIZ INVERSA ....................................................................................... 39 6. SISTEMA HOMOGNEO ASOCIADO ................................................................................... 39 7. ECUACIONES PARAMTRICAS E IMPLCITAS DE UN SUBESPACIO VECTORIAL ................ 40 8. CLCULO DE LAS ECUACIONES DE UN SUBESPACIO VECTORIAL ..................................... 40 CAPTULO 6. ESPACIO AFN .......................................................................................... 41 1. ESPACIO AFN ................................................................................................................... 41 2. REFERENCIA AFN............................................................................................................. 41 3. ECUACIONES DE UNA RECTA ............................................................................................ 41 4. POSICIONES RELATIVAS DE DOS RECTAS EN E2 ................................................................ 42 5. HAZ DE RECTAS DE VRTICE P ......................................................................................... 43 6. ECUACIONES DE UN PLANO............................................................................................... 44
Apuntes de lgebra
3 e 77
7. POSICIONES RELATIVAS DE DOS PLANOS EN E3 ............................................................... 44 8. ECUACIN DE UNA RECTA COMO INTERSECCIN DE PLANOS ......................................... 45 9. HAZ PROPIO DE PLANOS DE EJE LA RECTA R ................................................................... 45 10. HAZ DE PLANOS PARALELOS A UNO DADO ..................................................................... 46 11. POSICIN RELATIVA DE TRES PLANOS EN E3 ................................................................. 46 CAPTULO 7. VARIEDADES LINEALES VECTORIALES .......................................... 47 1. INTRODUCCIN ................................................................................................................. 47 2. VARIEDADES LINEALES..................................................................................................... 47 3. TEOREMA.......................................................................................................................... 48 4. CARACTERIZACIN DE VARIEDADES LINEALES MEDIANTE ECUACIONES PARAMTRICAS .............................................................................................................................................. 50 5. MTODOS DE ELIMINACIN ............................................................................................. 51 MTODO MATRICIAL............................................................................................................... 51 MTODO DE IGUALACIN ....................................................................................................... 53 MTODO DE SUSTITUCIN ...................................................................................................... 53 MTODO DE REDUCCIN ........................................................................................................ 53 CAPTULO 8. PROGRAMACIN LINEAL..................................................................... 54 1. CONJUNTOS CONVEXOS: DEFINICIONES .......................................................................... 54 COMBINACIN CONVEXA........................................................................................... 54 A) ) CONJUNTO CONVEXO ................................................................................................ 54 B SEGMENTO DE EXTREMOS A Y B ............................................................................... 54 C) EXTREMO ................................................................................................................. 54 D) VARIEDAD CONVEXA................................................................................................. 54 E) CONVEXO DE SOLUCIONES ......................................................................................... 55 F) 2. DESIGUALDADES LINEALES .............................................................................................. 55 3. SISTEMAS DE DESIGUALDADES LINEALES ........................................................................ 56 4. EL PROBLEMA DE LA PROGRAMACIN LINEAL ............................................................... 57 5. SOLUCIONES DEL PROBLEMA ........................................................................................... 58 6. MTODO DE RESOLUCIN ................................................................................................ 58 MTODO GRFICO ..................................................................................................... 58 A) MTODO DEL SMPLEX ............................................................................................. 61 B) CAPTULO 9. EL ESPACIO EUCLDEO......................................................................... 62 1. PRODUCTO ESCALAR ........................................................................................................ 62 2. ESPACIO EUCLDEO .......................................................................................................... 62 3. ORTOGONALIDAD ............................................................................................................. 63 4. ORIENTACIN DE UNA REFERENCIA EN E3 ....................................................................... 63 5. PRODUCTO VECTORIAL .................................................................................................... 63 6. VECTOR DIRECCIN DE UNA RECTA EXPRESADA COMO INTERSECCIN DE PLANOS ...... 64 7. PRODUCTO MIXTO DE TRES VECTORES ............................................................................ 64 8. CONDICIN PARA QUE DOS RECTAS SE CORTEN EN E3 .................................................... 65 9. APLICACIONES GEOMTRICAS ......................................................................................... 65 1. DISTANCIAS............................................................................................................... 65 2. NGULO DE DOS VECTORES....................................................................................... 66 3. REAS Y VOLMENES ............................................................................................... 68
Apuntes de lgebra
4 e 77
CAPTULO 10. DIAGONALIZACIN DE MATRICES ................................................. 69 1. INTRODUCCIN ................................................................................................................. 69 2. VALORES Y VECTORES PROPIOS DE UNA APLICACIN LINEAL........................................ 69 3. VALORES Y VECTORES PROPIOS DE UNA MATRIZ CUADRADA ......................................... 69 4. ECUACIN CARACTERSTICA ........................................................................................... 69 5. SUBESPACIOS PROPIOS ..................................................................................................... 70 6. SEMEJANZA DE MATRICES ................................................................................................ 70 7. DIAGONALIZACIN DE MATRICES .................................................................................... 70 8. PROCESO DE DIAGONALIZACIN. SU CLCULO ............................................................... 70 9. MATRICES SIMTRICAS .................................................................................................... 72 10. MATRIZ ORTOGONAL ..................................................................................................... 72 11. DIAGONALIZACIN ORTOGONAL ................................................................................... 72 12. FORMAS BILINEALES SOBRE UN ESPACIO VECTORIAL ................................................... 73 13. EXPRESIN MATRICIAL DE UNA FORMA BILINEAL ........................................................ 73 14. CAMBIO DE BASE EN UNA FORMA BILINEAL .................................................................. 74 15. MATRICES CONGRUENTES .............................................................................................. 75 16. VECTORES CONJUGADOS RESPECTO A UNA FORMA BILINEAL SIMTRICA. NCLEO ... 75 CAPTULO 11. FORMAS CUADRTICAS...................................................................... 76 1. DEFINICIN....................................................................................................................... 76 2. FORMA POLAR ASOCIADA A UNA FORMA CUADRTICA ................................................... 76 3. PROPIEDADES DE LAS FORMAS CUADRTICAS ................................................................. 76 4. FORMAS CUADRTICAS DEFINIDAS .................................................................................. 76 5. EXPRESIN MATRICIAL DE UNA FORMA CUADRTICA .................................................... 76 6. CAMBIO DE BASE EN UNA FORMA CUADRTICA .............................................................. 77 7. DIAGONALIZACIN DE UNA FORMA CUADRTICA ........................................................... 77 8. RANGO Y SIGNATURA DE UNA FORMA CUADRTICA........................................................ 77 9. PROCESO DE DIAGONALIZACIN...................................................................................... 78 10. CLASIFICACIN DE LAS FORMAS CUADRTICAS ............................................................ 78
Apuntes de lgebra
5 e 77
Captulo 1
Espacios vectoriales
1. Definicin
Sea K un cuerpo conmutativo. Se llama espacio vectorial sobre K, o tambin K-espacio vectorial, a la terna (E, +, ), donde E es un conjunto, + es una ley interna que confiere a E estructura de grupo abeliano1, y es una ley externa definida: K E E, y denotada (, u) u, que verifica las siguientes propiedades: (u) = ()u; (u + v) = u + v; u E, , K , K u, v E, K
( + )u = u + u; u E,
El elemento unidad 1 K es tal que 1u = u, u E. Los elementos de E se llaman vectores y los de K escalares. Si K (cuerpo de escalares) es # (nmeros reales), (nmeros complejos), " (nmeros racionales); el espacio vectorial E se dice, respectivamente, real, complejo o racional. Los elementos de E se representarn con una raya encima, u E . Son espacios vectoriales de cierto inters: Todo cuerpo K es espacio vectorial sobre si mismo. El conjunto (nmeros complejos) es un espacio vectorial sobre #. El conjunto producto cartesiano E1 E2 de espacios vectoriales sobre K, es tambin espacio vectorial sobre el mismo K, para las operaciones: (u1 , u2) + (v1 , v2) = (u1 + v1 , u2 + v2)
(u1 , u2) = (u1 , u2) En particular: #2, #3, ..., #n son espacios vectoriales sobre #, con esas operaciones.
1
Definicin. Se llama grupo (Concepto y nombre debidos a Evaristo GALOIS, genial matemtico francs nacido en 1811, muerto en duelo a la edad de 21 aos.) todo conjunto no vacio, G, dotado de una ley de composicin interna, asociativa, con elemento neutro, y tal que cada uno de sus elementos admite un simtrico. En otras palabras: si las variables x, y, z, , x', tienen G como dominio de definicin, la estructura de grupo se rige por los cuatro axiomas: 1 2 3 4 (x) (y) (x y) (x) (y) (z) (e) (e G) (x) (x) (x') : : : : (x y) G; (x y) z = x (y z); e x = x e = x; x x' = x' x = e.
Los grupos para los que la ley es conmutativa se denominan abelianos (Niels Henrik ABEL 1802-1829, gran matemtico noruego).
Apuntes de lgebra 6 e 77
El conjunto Pn[x] de los polinomios en una variable de grado menor o igual a n y coeficientes en K, es espacio vectorial sobre K, con las operaciones usuales de suma de polinomios y de producto por un K.
2. Subespacio vectorial
Sea E un K-espacio vectorial. Toda parte S no vaca de E, que sea un K-espacio vectorial para las mismas leyes que E, se llama subespacio vectorial de E.
3. Teorema de caracterizacin de subespacios vectoriales.

La condicin necesaria y suficiente para que un subconjunto S de E, sea un subespacio vectorial suyo, es que se verifique: u , v S ; u + v S y u S; u S
4. Sistema de vectores
Se llama sistema, o familia de vectores de E, cualquier subconjunto finito suyo. Se indica F = {u1, u2 ,
, u }
n
u1 E
5. Combinacin lineal de vectores

Toda expresin del tipo 1u1 + + nun con 1 K se llama combinacin lineal de vectores de la familia F = {u1, u2 , , un } . Toda combinacin lineal de vectores de E es un vector de E.

se dir u combinacin lineal de u1, u2 ,
, u .
n
u = 1u1 + + n un
6. Variedad lineal vectorial

Dado un sistema F de vectores de E; el conjunto de todos los vectores combinacin lineal de vectores de F es un subespacio vectorial. Se denota L(F) y se llama variedad lineal generada por F. Ser: F = {u1,
, u } ;
n
L( F ) = { 1u1 + + n un ; i K }
Apuntes de lgebra
7 e 77
7. Sistemas libres y ligados

Un sistema de vectores F = {u1, u2 , te, si
, u } es libre, o linealmente independienn
1u1 + + n un = 0
1 = 2 = ... = n = 0
Un sistema no libre, se llama ligado, o linealmente dependiente y en l existe al menos un vector que puede ponerse como combinacin lineal de los restantes. F = {u1, tal que
, u } ligado
n
ui F
ui = 1u1 + + i 1ui 1 + i +1ui +1 + + n un Determinacin
Si un sistema dado F = {u1, , un } de vectores es linealmente dependiente, el vector cero debe poderse expresar como combinacin lineal de ellos, por tanto: c1u1 + c2u2 + + cn un = 0 Esto nos lleva a un sistema homogneo de ecuaciones. Los vectores sern linealmente dependientes si y slo si el sistema tiene soluciones no triviales. El sistema se escribe empleando una matriz aumentada y luego se reduce por filas. Si el resultado es del tipo: 1 0 0 0 0 1 0 0 0 0 1 0 el sistema no tiene soluciones distintas de la trivial (c1 = 0; c2 = 0; ... cn = 0) y en consecuencia los vectores dados son linealmente independientes. Si por el contrario el resultado es del tipo: 1 a b 0 0 1 c 0 0 0 0 0 el sistema tiene un nmero infinito de soluciones y al menos un vector es combinacin lineal de los dems. Interpretacin geomtrica de la dependencia lineal en #3 Supngase que u , v y w son tres vectores linealmente dependientes en Entonces existen constantes c1, c2 y c3, no todas cero, tales que c1u + c2 v + c3w = 0
#3.
Supngase que c3 0 (se obtiene un resultado similar si c1 0 si c2 0). Entonces ambos lados de la ecuacin se pueden dividir por c3 y acondicionar los trminos a fin de obtener
Apuntes de lgebra
8 e 77
w=
c1 c u 2 v = Au + Bv c3 c3
donde A = c1 /c3 y B = c2 /c3. A continuacin se demuestra que u , v y w son coplanares. Se calcula w ( u v ) = ( Au + Bv ) ( u v ) = A[ u ( u v )] + B[ v ( u v )] = A 0 + B 0 = 0 ya que tanto u como v son ortogonales a u v . Sea n = u v . Entonces u y v se encuentran en un plano que consiste en todos los vectores que pasan por el origen y que son ortogonales a n . Pero w est en el mismo plano, porque w n = w ( u v ) = 0. Esto muestra que u , v y w son coplanares. Se llega as a la conclusin siguiente: Tres vectores en #3 son linealmente dependientes si y slo si son coplanares. (Ver 9.7 Producto mixto de tres vectores)
8. Sistema de generadores
Dado un subespacio vectorial S, se dice que el sistema F de vectores genera, o es un sistema de generadores de S, si L(F) = S
9. Sistemas equivalentes
Dos sistemas F1 , F2 son equivalentes si generan el mismo espacio vectorial. Es decir, si L(F1) = L(F2) Si a un sistema F se le aade un vector combinacin lineal de los de F, se obtiene un sistema equivalente. De la misma forma, si F es un sistema ligado, el sistema resultante de eliminar en F el vector combinacin lineal de los restantes, es equivalente a F.
10. Base de un espacio vectorial

Se llama base de un espacio vectorial todo sistema libre de generadores. En todo espacio vectorial existe al menos una base. En un espacio vectorial, todas las bases tienen el mismo nmero de vectores. Sea E un espacio vectorial y B = {e1, , en } una base de E y u E . Los escalares 1 , ..., n tales que u = 1e1 + + nen , se llaman coordenadas de u en B, siendo stas nicas en esta base.
11. Dimensin de un espacio vectorial

Se llama dimensin de un espacio vectorial, al nmero de vectores de cualquiera de sus bases.
Si E es un espacio vectorial de dimensin n: Todo sistema de generadores de E con n vectores, es una base de E. Todo sistema libre de E tiene un nmero de vectores n. Todo sistema de E con ms de n vectores, es ligado.
12. Suma de subespacios vectoriales

Si S1 y S2 son subespacios vectoriales de E(K), el conjunto suma: S1 + S2 = {x = u + v ; u S1, v S2 } Verifica: S1 + S2 es un subespacio vectorial de E. Si F1 y F2 son sistemas de E tales que S1 = L(F1) y S2 = L(F2), S1 + S2 = L(F1 F2) Si S1 + S2 = S entonces x S , u S1 , v S2 / x = u + v . Es decir, todo vector de S puede descomponerse como suma de uno de S1 y otro de S2.
13. Interseccin de subespacios vectoriales

Si S1 y S2 son subespacios vectoriales de E, el conjunto S1 S2 es tambin subespacio vectorial de E.
14. Relacin entre dimensiones de los subespacios suma e interseccin.

Se verifica: dim (S1 + S2) + dim (S1 S2) = dim S1 + dim S2
15. Suma directa. Espacios suplementarios

La suma S1 + S2 de subespacios vectoriales de E es directa si su interseccin es nula. Se denota S1 S2. As, si S = S1 + S2 siendo S1 S2 ={0}, se dice que S es suma directa de S1 y de S2. En este caso, los subespacios S1 y S2 se llaman suplementarios en S. En el caso particular de ser E = S1 S2, los subespacios S1 y S2 se llaman suplementarios. S1 y S2 son suplementarios; todo vector de E puede descomponerse, de manera nica ahora, como suma de un vector de S1 y otro de S2. E = S1 S2. x E , u1 S1 ( u1 nico), u2 S2 ( u2 nico)
tal que x = u1 + u2 .
16. Rango de un sistema de vectores

Se llama rango de un sistema F de vectores a la dimensin del subespacio S generado por F. Se denota rg(F). Esta definicin es pues, equivalente a: rango de un sistema de vectores, es el mayor nmero de vectores independientes contenidos en l.
17. Teorema de la base incompleta
Si E es un espacio vectorial de dimensin n y F = {u1, , ur } (r < n) un sistema libre de E, existen n - r vectores de E que aadidos a F forman una base de E. Consecuencia: El espacio vectorial generado por los n - r vectores aadidos a F son base del subespacio suplementario del L(F).
Apuntes de lgebra
11 e 77
Captulo 2
Matrices
1. Definiciones
Sean I = {1, 2, ..., m} y J = {1, 2, ..., n} dos conjuntos finitos. Se llama matriz de m filas y n columnas la imagen de una aplicacin del conjunto I J en el cuerpo K. Una matriz de tamao, u orden, m por n o (m, n), sobre un cuerpo K es, por tanto, una familia de elementos de K con ndice en I J. Se denota: A:IJK (i, j) aij Para escribirla, se colocan los elementos aij en una tabla rectangular de m filas y n columnas, de modo que el elemento aij est colocado en la fila i y en la columna j. a 11 a 12 a 21 a 22 A = [aij] = ... ... am1 am 2 ... a 1n ... a 2 n ... ... ... amn
2. Algunos tipos particulares de matrices

Si m n la matriz A se dice rectangular. Si m = n la matriz se dice cuadrada de tamao u orden n. La matriz A de orden (1, n) se dice matriz fila. La matriz de orden (m, 1) se dice matriz columna. Si A es una matriz de orden (m, n) la matriz A, de orden (m, n) cuyos elementos son los opuestos de los correspondientes de A, se llama opuesta de A. Si A = [aij];
A = [bij] tal que bij = aij
Si A es de orden (m, n), se llama matriz traspuesta de A y se designa At la matriz de orden (n, m) tal que: At = [bij] tal que bij = aji es la matriz que resulta de A al cambiar filas por columnas. Si A = [aij]; Matriz nula de orden (m, n) se designa [0] y es tal que: [0] = [aij]; aij = 0 ij Matriz diagonal es la que tiene los elementos aij = 0 y es cuadrada; se designa por D. D = [aij]; D diagonal aij = 0 i j Slo tiene elementos distintos de cero las aii (se llama diagonal de la matriz).
Apuntes de lgebra
12 e 77
Matriz escalar es la matriz diagonal con todos los elementos de la diagonal iguales. Matriz unidad de orden n es la matriz escalar con elementos 1 en la diagonal. (La matriz unidad o matriz identidad puede multiplicarse por la derecha o por la izquierda con cualquier matriz cuadrada del mismo orden, dejndola inalterada: AIn = InA = A) Matriz simtrica es la matriz cuadrada que coincide con su traspuesta. Tiene iguales los elementos simtricos respecto a la diagonal A simtrica aij = aji A = At Matriz antisimtrica o hemisimtrica es la matriz cuadrada que coincide con la opuesta de su traspuesta. Tiene ceros los elementos de la diagonal y los elementos situados encima son opuestos a sus simtricos respecto de la diagonal. A antisimtrica Teorema: Toda matriz cuadrada es la suma de una matriz simtrica y de otra antisimtrica; esta descomposicin es nica. Admitiendo una descomposicin A = S + T, con S simtrica y T antisimtrica, se tiene que At = S T; por consiguiente, S= 1 1 ( A + At ) , T = ( A At ) 2 2 aii = 0 y aij = -aji si i j A = -At.
Matriz elemental es la matriz que se puede obtener a partir de la matriz identidad, efectuando una sola operacin elemental sobre sus filas. Toda matriz elemental es inversible. La inversa de una matriz elemental es otra matriz del mismo tipo. Una matriz cuadrada es inversible, si y solo si, es el producto de matrices elementales. Si A es una matriz inversible, existe una serie finita de matrices elementales E1, E2, ..., En, tales que En En-1 ... E2 E1 A = I. Matriz triangular superior y matriz triangular inferior es la matriz cuadrada que tiene todos los elementos situados debajo (encima) de la diagonal principal iguales a cero.
3. Suma de matrices
Sea Mm, n el conjunto de matrices con m filas y n columnas, con elementos en un cuerpo K. Se define suma de matrices de Mm,n otra matriz de Mm,n obtenida de la siguiente manera: A = [aij], B = [bij] Mm,n ; A + B = C = [cij] Mm,n tal que cij = aij + bij
Apuntes de lgebra
13 e 77
Es decir, matriz suma de dos matrices dadas, es la matriz cuyos elementos son la suma de los elementos de las matrices sumandos que ocupan el mismo lugar. Teorema: La traspuesta de una suma es la suma de las traspuestas. (A + B)t = At + Bt.
4. El grupo abeliano (Mm,n , +)

El par (Mm,n , +), donde Mm,n es el conjunto de las matrices de orden (m, n) y + es la operacin de suma de matrices, es grupo abeliano, donde: La matriz nula de orden (m, n) es el elemento neutro. La matriz opuesta de A, es ele elemento opuesto de la matriz A.
5. Producto de un elemento de K por una matriz

Dada la matriz A Mm,n ; A = [aij], y el escalar , se define matriz producto de A, y se designa por A, la matriz:
A = [aij] Es decir, la matriz cuyos elementos son los productos de por los elementos de A que ocupan el mismo lugar.
Ejercicio: Determnense dos matrices, X e Y, cuadradas y de orden 2, que verifiquen el sistema lineal: 1 2 2 1 2 X 5Y = , X + 3Y = 3 0 0 1 Solucin: x11 Siendo X = x 21 x12 y11 e Y = y x 22 21 y12 , resulta: y 22
2 x11 5 y11 = 1 2 x 5 y = 2 12 12 2 x 21 5 y 21 = 0 2 x 22 5 y 22 = 1 x11 + 3 y11 = 2 x12 + 3 y12 = 1 x 21 + 3 y 21 = 3 x 22 + 3 y 22 = 0
Apuntes de lgebra
14 e 77
resolviendo este sistema tenemos: 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 0 0 0 0 2 0 0 0 1 5 0 0 0 3 0 0 0 0 5 0 0 0 3 0 0 0 0 5 0 0 0 3 0 0 1 1 0 0 0 2 0 1 0 0 0 0 0 1 5 1 0 0 0 0 2 0 0 0 0 1 0 0 0 0 3 0 0 0 3 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 13 1 15 3 5 0 6 1
13 1 X = 15 3
5 0 Y= 6 1
6. El espacio vectorial Mm,n (K)

El producto de un elemento de K por una matriz es una operacin externa f : K Mm,n Mm,n que verifica las propiedades de una ley externa en los espacios vectoriales. Consecuencia de ello es que Mm,n (K) es un espacio vectorial con las operaciones suma de matrices y producto de un elemento de K por una matriz. El conjunto 1 0 ... 0 0 1 ... 0 0 0 ... 0 B = ... ... ... ... , ... ... ... ..., ... ... ... ... ... 0 0 ... 0 0 0 ... 0 0 0 ... 1 de las matrices que van teniendo 1 en un elemento y los dems cero de forma alternativa en todos los aij, es una base del espacio vectorial, es la llamada base natural o cannica. La dimensin de Mm,n (K) es, por tanto, m n. En particular, el conjunto Mn de matrices cuadradas de orden n es un K-espacio vectorial de dimensin n2 .
7. Producto de matrices
Dadas las matrices sobre el mismo cuerpo K: A = [aij] Mm,n , B = [bij] Mn,p es decir, que la primera tiene el mismo nmero de columnas que filas la segunda, se define matriz producto de A y B, y se designa A B la matriz C = [cij] Mm,p (de orden m, p) tal que el elemento ij-simo de C es igual al producto escalar de la i-sima fila de A y la j-sima columna de B. Si se desarrolla, se obtiene:
Apuntes de lgebra
15 e 77
cij = ai1b1j + ai2b2j + ... + ainbnj =
a
k =1
ik kj
para todo i = 1, ..., m ; j = 1, ..., p. Dos matrices se pueden multiplicar solamente si el nmero de filas de la primera es igual al nmero de columnas de la segunda. En general, los productos de matrices no son conmutativos. Es ms, puede ocurrir que el producto AB est definido pero que BA no lo est. Teorema: Se obtiene la traspuesta de un producto multiplicando en orden inverso las traspuestas de los diferentes factores: (A.B)t = Bt.At
8. Ley asociativa de la multiplicacin matricial

Sea A = [aij] una matriz m n, B = [bij] una matriz de n p y C = [cij] de m p. Entonces es vlida la ley asociativa A(BC) = (AB)C
9. Ley distributiva de la multiplicacin matricial

Si todas las sumas y productos que siguen estn definidos, entonces: A(B + C) = AB + AC (A + B)C = AC + BC
10. El anillo de las matrices cuadradas de orden n

El producto de matrices es una operacin interna slo en el conjunto Mn de matrices cuadradas de orden n. La estructura algebraica (Mn , + , ) donde + es la suma de matrices y el producto es un Anillo unitario2; donde el elemento unidad es la matriz unidad In del mismo orden.
ESTRUCTURA DE ANILLO
Dado un grupo abeliano A, que denotaremos aditivamente, definimos sobre A una estructura de anillo dotando a este conjunto de una segunda ley interna, llamada multiplicacin, asociativa y doblemente distributiva con relacin a la adicin. Los axiomas de la estructura de anillo son los siguientes: I. 1. 2. 3. 4. 5. Grupo abeliano aditivo.- Sean x, y, z elementos cualesquiera de A. Existe una ley que denotaremos por + (x) (y) : (x + y) A. (x) (y) : x + y = y + x. (x) (y) (z) : (x + y) + z = x + (y + z). (0) (0 A) (x) : 0 + x = x + 0 = x. (x) (x) : (x) + x = x + (x) = 0.
II. Segunda ley interna: multiplicacin. 1. Existe una ley denotada por , o , o incluso por la ausencia de signo. (x) (y) : (xy) A. 2. (x) (y) (z) : (xy)z = x(yz).
Apuntes de lgebra
16 e 77
11. Matrices inversibles o regulares

Una matriz cuadrada de tamao n sobre un cuerpo K, se llama regular o inversible si en el anillo (Mn , + , ) tiene elemento inverso. Es decir: A = (aij ) Mn -1 A regular A Mn tal que A A-1 = A-1 A = In Esta matriz A-1 se llama Matriz inversa de A. El conjunto de las matrices regulares de orden n, Mrn tiene con la suma y producto estructura de cuerpo. (MRn , + , ) Una matriz cuadrada es inversible, si y solo si, su determinante es distinto de cero.
12. Cambio de base en un espacio vectorial

1 0 En #2 los vectores se escriben en trminos de la base cannica i = , j = . 0 1 n En # se define la base cannica {e1, e2 , , en } . En Pn se utiliza la base cannica {1, x, x2, ..., xn}. Estas bases son las que se utilizan ms comnmente porque es relativamente fcil trabajar con ellas. No obstante, sucede que a veces existen bases ms convenientes. Hay un nmero infinito de bases de donde escoger, ya que en un espacio vectorial de n dimensiones, n vectores cualesquiera, linealmente independientes, forman una base. A continuacin se ver cmo cambiar de una base a otra mediante el clculo de cierta matriz.
1 0 Empezaremos con un ejemplo sencillo. Sean u1 = y u2 = . Entonces B1 = 0 1 1 1 {u1 , u2} es la base cannica en #2. Sean v1 = y v2 = . Como v1 y v2 son li3 2 nealmente independientes B2 = {v1, v2} es una segunda base de vector en
# . Esto significa que

2
#2.
x Sea x = 1 un x2
x1 1 0 x = = x1 + x2 = x1u1 + x2u2 0 1 x2
III. Axiomas que ligan las dos leyes. 1. 2. (x) (y) (z) : x(y + z) = xy + xz. (x) (y) (z) : (y + z)x = yx + zx.
OBSERVACIONES. Cuando la multiplicacin es conmutativa, el anillo se llama conmutativo. Existen, en efecto, anillos no conmutativos, de los que el ms importante es el de las matrices cuadradas. Para un anillo que no sea de integridad, existen ciertos elementos no nulos cuyo producto es nulo: los llamados divisores de cero.
Apuntes de lgebra
17 e 77
Es decir, x est escrito en trminos de la base B1. Con objeto de recalcar este hecho, se escribe x1 ( x ) B1 = x2 2 , existen escalares c1 y c2 tales que x = c1v1 + c2 v2
Como B2 es otra base de
Una vez que se ha determinado estos escalares, se escribe c1 ( x ) B2 = c2 a fin de identificar que ahora x est expresado en trminos de los vectores de B2. Para hallar los nmeros c1 y c2, los vectores de la base original ( u1 y u2 ) se escriben en trminos de los vectores de la nueva base ( v1 y v2 ). Es fcil verificar que 1 2 1 3 1 2 3 u1 = = = v1 v2 5 0 5 3 5 2 5 0 1 1 1 1 1 1 u2 = = + = v1 + v2 5 1 5 3 5 2 5 Es decir, 2 1 5 (u1 ) B2 = 3 y (u2 ) B2 = 5 1 5 5 Entonces 3 1 2 1 x = x1u1 + x2u2 = x1 v1 v2 + x2 v1 + v2 = 5 5 5 5 1 1 2 3 x1 + x2 v1 + x1 + x2 v2 5 5 5 5 y 2 1 x1 + x2 5 5 3 1 c2 = x1 + x2 5 5 c1 = o bien 1 2 2 c1 5 x1 + 5 x 2 5 ( x ) B2 = = 3 = c2 x + 1 x 3 5 1 5 2 5 3 Por ejemplo, si ( x ) B1 = , entonces 4 1 5 x1 1 x2 5
Apuntes de lgebra
18 e 77
2 ( x ) B2 = 53 5 Comprobacin:
1 2 3 5 5 1 4 = 13 5 5
2 13 0 2 1 13 1 5 + 5 3 1 2 13 v1 v 2 = = 6 26 = = 3 4 = 3u1 4u2 0 4 5 3 5 2 5 5 1 5 5 2 1 La matriz A = 53 5 recibe el nombre de matriz de transicin de B1 a B2, y se 1 5 5 ha mostrado que ( x ) B2 = A ( x ) B1 . Generalizacin: Sea E un K-espacio vectorial de dimensin n y sean B1 = {e1, e2 ,
, e } ;
n
B2 = {v1, v2 ,
, v }
n
bases de E, donde los vectores de B2 en B1 son:
v1 = a11e1 + a12e2 + + a1n en v2 = a21e1 + a22e2 + + a2 nen ... v n = an1e1 + an2e2 + + annen Sea un vector u E que en cada base tiene de coordenadas: u = (x1, x2, ..., xn) en la base B1 u = (y1, y2, ..., yn) en la base B2 La relacin existente entre ambos sistemas de coordenadas es: ... a1n y1 ... a 2 n y 2 ... ... ... ... a nn y n Esta expresin se llama ecuacin matricial del cambio de base. Llamando de forma simplificada: UB1 = matriz columna que expresa las coordenadas de u en B1 UB2 = matriz columna que expresa las coordenadas de u en B2 M B2, B1 = matriz cuyas columnas son las coordenadas de los vectores de B2 en B1 (se llama matriz de paso). Ser UB1 = M B2, B1 UB2 Dado que la matriz M B2, B1 es regular, tiene inversa y se verifica: a12 a 22 ... an2

x1 a11 x a 2 = 21 ... ... x n a n1
M 1 B2, B1 = M B1, B2 Y con ello la otra expresin del cambio de base: UB2 = M 1 B2, B1 UB1 Procedimiento para hallar la matriz de transicin de la base cannica a la base B2 = {v1, v2 , , vn } 1. Escribir la matriz C cuyas columnas son v1, v2 ,
1
, v
2. Calcular C . Esta es la matriz de transicin requerida.
13. Rango de una matriz

Dada una matriz A = (aij ) con aij K, se llama: Rango de las filas de la matriz el rango de los vectores fila de la matriz, o el mayor nmero de vectores fila que son linealmente independientes. Rango de las columnas de la matriz el rango de los vectores columna, o el mayor nmero de vectores columna que son linealmente independientes. Para cualquier matriz, el rango de sus filas es igual al rango de sus columnas y se llama rango de la matriz. Proposicin: Una matriz cuadrada de orden n es regular si, y slo si, su rango es n.
14. Operaciones elementales en una matriz

Las siguientes operaciones en un sistema de vectores {u1, u2 ,
, u } .
n
a) Permutar entre s dos vectores cualesquiera. b) Sustituir uno de ellos por el mismo ms una combinacin lineal de los restantes ui = ui + 1u1 + + n un (j = escalares) c) Multiplicar uno de ellos por un escalar. Se llaman operaciones elementales, y el sistema obtenido al realizarlas es equivalente al primero. Pues bien, si se efectan estas operaciones en las filas (o columnas) de una matriz, se obtendr otra con el mismo rango. Para efectuar una operacin elemental de fila en la matriz A de m n, A se multiplica por la izquierda por la matriz elemental apropiada.
15. Clculo del rango de una matriz

Existen distintos procedimientos que suponen el clculo del rango de los vectores que forman las filas (o columnas) de la matriz; entre ellos:
Apuntes de lgebra
20 e 77
1. Calculando el mximo nmero de filas (o columnas) independientes mediante la propia definicin de sistema libre o ligado de vectores. 2. Mediante transformaciones elementales en las filas (o columnas) de la matriz eligiendo un 1 en la matriz y haciendo cero los elementos de su misma fila o columna. 3. Mediante determinantes: El clculo de determinantes ofrece una tcnica muy operativa para hallar el rango de una matriz.
16. Clculo de la matriz inversa mediante transformaciones elementales

Puede calcularse la inversa de una matriz dada A de la siguiente forma: Se escribe la matriz A y a su derecha la matriz unidad I, con lo que se obtiene la matriz [A | I ] de doble nmero de columnas y en ella se realizan sucesivas operaciones elementales sobre sus filas hasta conseguir la matriz [I | B ] (es decir, transformar A en la unidad I). Si A puede reducirse a la matriz identidad, entonces B ser la matriz inversa de A. Si la reduccin por filas de A lleva a una fila de ceros a la izquierda de la barra vertical, entonces A no es inversible.
Apuntes de lgebra
21 e 77
Captulo 3
Determinante de una matriz cuadrada
1. Definicin
Sea (aij) = A, una matriz cuadrada de orden n sobre un cuerpo K. Se llama determinante de A el escalar que resulta de sumar algebraicamente n! sumandos, de tal forma que cada sumando es el producto de n factores siendo cada factor un elemento de la matriz perteneciente a fila y columna distinta de los restantes. Cada sumando estar afectado del signo + o , segn que la permutacin que indica las filas y la que indica las columnas sean del mismo o distinto orden respectivamente. Se designa |A| . As, si n = 2 |A| = a11 a12 = a11a22 a12a21 a 21 a 22
El sumando a11a22 est precedido del signo + , porque las permutaciones que indican filas y columnas: 1,1 y 2,2 son del mismo orden. El sumando a12a21 est precedido del signo , porque las permutaciones ahora: 1,2 y 2,1 son de distinto orden. Si n = 3 a11 a12 |A| = a 21 a 22 a 31 a 32 a13 a23 = a33
a11a22a33 + a12a23a31 + a13a21a32 a13a22a31 a12a21a33 a11a23a32 Consecuencias: El determinante de una matriz unidad es siempre el elemento unidad del cuerpo al que pertenecen los elementos de la matriz. |I| = 1 El determinante de una matriz diagonal es el producto de los elementos de la diagonal. El determinante de una matriz triangular es el producto de los elementos de la diagonal.
2. Propiedades
a) El determinante de una matriz cuadrada A es igual al determinante de su traspuesta. b) Si se permutan entre si dos lneas (filas o columnas) paralelas, el determinante cambia de signo. c) Si en una lnea, se multiplican todos los elementos por un mismo escalar , el determinante queda multiplicado por . d) Si en una matriz se expresa una de sus lneas como suma de dos nuevas, el determinante es igual a la suma de los dos determinantes que se obtienen de sustituir la lnea por cada una de las lneas sumandos.
Apuntes de lgebra
22 e 77
a11 ... a1 + b1 a21 ... a2 + b2 ... ... ... an1 ... an + bn
a1n a11 ... a1 ... a 2 a2 n a = 21 ... ... ... ... ann an1 ... a n
a1n a11 ... b1 a1n ... b2 a 2 n a 2n a + 21 ... ... ... ... ... a nn an1 ... bn a nn
e) El determinante de una matriz cuadrada es nulo si, y solo si, los vectores que indican las filas (o las columnas) son linealmente dependientes. En particular: Si existe una lnea con todos ceros, el determinante es cero. Si existe una lnea combinacin lineal de otras paralelas, el determinante es cero. Si dos filas o columnas son iguales, el determinante es cero. f) Si en una matriz se sustituye una lnea por ella misma ms una combinacin lineal de otras paralelas, el determinante de la matriz obtenida coincide con el de la primera matriz. g) El determinante de una matriz triangular (superior o inferior) es igual al producto de los elementos situados en su diagonal.
3. Menor complementario y adjunto de un elemento

Se llama menor complementario del elemento aij de la matriz A = (aij), de orden n, el determinante de orden n 1 que resulta de eliminar en A la fila i y la columna j, sin alterar las dems. Se denomina ij y como se deduce de la definicin no depende del valor del elemento sino de su posicin en la matriz. Se llama adjunto del elemento aij al menor complementario si i + j = par, y al menor complementario cambiado de signo si i + j = impar. Se designa por Aij y ser: Aij = (1)i + j ij Propiedad: La suma de los productos de los elementos de una lnea de un determinante por los adjuntos de una paralela, es cero. ar1Ak1 + ar2Ak2 + ... + arnAkn = 0
4. Menor complementario y adjunto de un menor de una matriz

Es una generalizacin de los conceptos anteriores. Se llama menor complementario de un menor de orden p, de una matriz cuadrada de orden n, al determinante de orden n p que resulta de eliminar en A las filas y columnas a las que pertenece el menor. El adjunto del menor ser el menor complementario con el mismo o distinto signo segn que la suma de los nmeros que indican las filas y columnas que ocupa el menor sea par o impar respectivamente.
5. Clculo prctico de determinantes

Existen varios mtodos de clculo, aparte de la definicin.
1. Mediante aplicacin de las propiedades. Consiste en aplicar reiteradamente y de forma acertada las distintas propiedades para obtener determinantes ms sencillos de calcular de algunas matrices especficas (triangular, diagonal, etc.). Para ello se elige en una fila o columna un elemento pivote y se hacen ceros los elementos de su misma columna, hasta conseguir, procediendo repetidas veces, un determinante conocido. 2. Desarrollar por los elementos de una lnea. El determinante de una matriz A es igual a los elementos de una lnea, por sus adjuntos correspondientes. |A| = a1jA1j + a2jA2j + ... + anjAnj De esta forma, se reduce a calcular determinantes de un orden menos. 3. Desarrollar por los menores de un conjunto de lneas paralelas (Regla de Laplace). El determinante de una matriz cuadrada A de orden n, es igual a la suma de todos los productos posibles de los menores de orden p (p < n) que se pueden formar con p filas (o columnas) prefijadas, por sus correspondientes adjuntos.
6. Determinante de Vandermonde
Se denomina as al siguiente determinante: 1 a1 2 Dn = a1 ... a1n1
n
1 a2 2 a2 ...
n a 2 1
... 1 ... a n 2 ... an ... ... n ... a n 1 significa producto).
y su valor es: Dn = (a j ai ) , (donde

i =1 j >i
7. Caracterizacin de las matrices regulares

Una matriz cuadrada es regular si, y solo si, su determinante es distinto de cero. Es decir, dada una matriz cuadrada de orden n: A Mn ; A regular |A| 0 En caso contrario se dice singular.
8. Clculo de la matriz inversa mediante determinantes

Sea A una matriz regular (|A| 0). Llamando: A = Matriz adjunta de A (matriz que resulta de sustituir en A cada elemento por su adjunto). Se verifica
Apuntes de lgebra
24 e 77
A 1 =
1 ( A)t A
Esta frmula ofrece los pasos a seguir para calcular la matriz inversa de una matriz cuadrada regular A: Se calcula la matriz adjunta de A. Se halla la traspuesta de la matriz adjunta. Se calcula el determinante de A. Se divide cada elemento de la matriz A t por el valor |A|.
ADVERTENCIA Algunos autores denominan matriz adjunta a la traspuesta de la matriz que resulta de sustituir cada elemento de la matriz por su adjunto, con lo cual en esta formula, resultara la matriz inversa igual al cociente de la matriz adjunta por el determinante de la matriz.
9. Rango de una matriz mediante determinantes

Definicin: El rango de una matriz es el mayor de los rdenes de sus menores no nulos. Esta definicin permite calcular el rango de una matriz hallando todos sus menores y observando cual o cuales son los de mayor orden, no nulos. Para ello es conveniente seguir el siguiente camino que simplificar el proceso. Primero es aconsejable observar si hay lneas iguales a otras, o combinacin lineal de varias paralelas. En este caso se eliminan, obteniendo matrices ms simples. Despus se toma un menor de orden 2 no nulo (si es que el rango es al menos 2) y se le amplia con una fila fija y se forman los determinantes de tercer orden resultantes de ampliar las columnas una a una. Si todos son cero el rango de la matriz es 2. Si alguno de tercer orden es distinto de cero, se amplia ste de la misma forma y as sucesivamente.
10. Determinante de la matriz producto de otras dos

El determinante de la matriz producto de dos matrices cuadradas es igual al producto de los determinantes de las matrices factores. |A B| = |A| |B| Consecuencia: Recordando que |A| = |At| se verifica: |A B| = |A| |B| = |At| |Bt| = |At Bt| Es decir, el determinante del producto de dos matrices es igual al del producto de sus traspuestas.
Apuntes de lgebra
25 e 77
Captulo 4
Aplicaciones lineales
1. Definicin
Dados dos espacios vectoriales E y F sobre el mismo cuerpo de definicin K, una aplicacin f : E F se llama aplicacin lineal u homomorfismo entre E y F si para cualquier par de vectores u , v E y todo escalar K se verifica: f ( u + v ) = f (u ) + f ( v ) f (u ) = f ( u )
2. Caracterizacin
Estas dos propiedades son equivalentes a: f : E F ; f lineal , K, u , v E es f (u + v ) = f ( u ) + f ( v ) Tipos: Si f biyectiva, la aplicacin lineal es isomorfismo. Si f : E E la aplicacin se dice endomorfismo. Si f no es inyectiva ni sobreyectiva, se dice aplicacin en. El endomorfismo biyectivo se dice automorfismo. La aplicacin lineal de un espacio sobre su cuerpo de escalares; f : E(K) K se dice forma lineal.
3. Principales propiedades
Si f : E F es aplicacin lineal, se verifica: a) f( 0 ) = 0 b) u E; f ( u ) = f ( u ) c) S E, S subespacio vectorial de E f(S) subespacio vectorial de F.
, u } sistema de generadores de E, entonces: f ( L ) = { f (u ), , f ( u )} es sistema de generadores de f(E). e) Si L = {u , , u } es un sistema ligado de E, entonces: f ( L ) = { f (u ), , f ( u )} es sistema ligado de f(E).
d) Si L = {u1,
1 n n 1 n 1 n
Apuntes de lgebra
26 e 77
4. Imagen de una aplicacin lineal

Dada una aplicacin lineal f : E F, el conjunto f(E) F que es tambin espacio vectorial, se llama imagen de f. Se denomina Im(f) = f(E). La aplicacin lineal f : E F ser sobreyectiva si f(E) = F. Los vectores v1 , v2 , ..., v n generan a E, los vectores f( v1 ), f( v2 ), ..., f( v n ) F generan Im(f). Supongamos que u Im(f); entonces f( v ) = u para algn vector v E. Como los vi generan a E y v E, existen escalares a1, a2, ..., an tales que v = a1 v1 + a2 v2 + ... + an v n . En consecuencia, u = f ( v ) = f ( a1v1 + a2 v2 +
+ a v ) = a f (v ) + a f (v ) + + a f (v )
n n 1 1 2 2 n n
y por tanto los vectores f( v1 ), f( v2 ), ..., f( v n ) generan a Im(f).
5. Ncleo de una aplicacin lineal

Dada una aplicacin lineal f : E F, se llama Ncleo de f , y se denota Ker(f) o bien N(f), el conjunto de vectores de E que se aplican en el vector nulo de F. Es decir, es la imagen inversa del vector nulo de F. N(f) = { x E, tal que f( x ) = 0 } = f -1( 0 ) N(f) es subespacio vectorial de E, y se verifica: dim(N(f)) + dim(Im(f)) = dim E Ejemplo: Dada la aplicacin lineal f :
# #
4
definida por:
f(x, y, s, t) = (x y + s + t, x + 2s t, x + y + 3s 3t) Se trata de hallar una base y la dimensin de: 1) la imagen U de f y 2) el ncleo W de f. Solucin: 1) Las imgenes de los siguientes generadores de
generan la imagen U de f:
f(1, 0, 0, 0) = (1, 1, 1) f(0, 1, 0, 0) = (-1, 0, 1) f(0, 0, 1, 0) = (1, 2, 3) f(0, 0, 0, 1) = (1, -1, -3) Formamos la matriz cuyas filas son los generadores de U y la reducimos por filas a la forma escalonada
Apuntes de lgebra
27 e 77
1 1 1 1 1 1 1 1 1 1 0 0 1 0 1 2 1 2 a a 0 1 0 0 0 1 2 3 2 1 1 3 0 2 4 0 0 0 Luego {(1, 1, 1), (0, 1, 2)} es una base de U; por tanto dimU = 2. 2) Buscamos el conjunto de los (x, y, s, t) tales que f(x, y, s, t) = (0, 0, 0, 0), esto es f(x, y, s, t) = (x y + s + t, x + 2s t, x + y + 3s 3t) = (0, 0, 0) Igualando las componentes correspondientes, forman el siguiente sistema homogneo cuyo espacio solucin es el ncleo W de f. x y + s +t +2 s t x x + y +3s 3t =0 =0 =0 x y + s +t y + s 2t 2 y +2 s 4t =0 =0 =0
x y + s +t = 0 y + s 2t = 0 Las variables libres son s y t; luego dimW = 2. Hacemos a) s = -1, t = 0 para obtener la solucin (2, 1, -1, 0), b) s = 0, t = 1 para obtener la solucin (1, 2, 0, 1). Luego {(2, 1, -1, 0), (1, 2, 0, 1)} es una base de W. (Obsrvese que dimU + dimW = 2 + 2 = 4, que es la dimensin del dominio 4 de f.)
Ejemplo: Dada la aplicacin lineal f :
# #
3
definida por:
f(x, y, z) = (x + 2y - z, y + z, x + y -2z) Se trata de hallar una base y la dimensin de: 1) la imagen U de f y 2) el ncleo W de f. 1) Las imgenes de los generadores de 3 generan la imagen U de f:
f(1, 0, 0) = (1, 0, 1) f(0, 1, 0) = (2, 1, 1) f(0, 0, 1) = (-1, 1, -2) Formamos la matriz cuyas filas son los generadores de U y la reducimos por filas a la forma escalonada 1 0 1 1 0 1 1 0 1 2 1 1 a 0 1 1 a 0 1 1 1 1 2 0 1 1 0 0 0 Luego {(1, 0, 1), (0, 1, -1)} es una base de U, y, por tanto dimU = 2. 2) Buscamos el conjunto de los (x, y, z) tales que f(x, y, z) = (0, 0, 0), esto es, f(x, y, z) = (x + 2y - z, y + z, x + y -2z) = (0, 0, 0)
Apuntes de lgebra
28 e 77
Igualando las componentes correspondientes formamos el sistema homogneo cuyo espacio solucin es el ncleo W de f. x +2 y z = 0 y +z = 0 x + y 2 z = 0 x +2 y z = 0 y +z = 0 y z = 0
x +2 y z = 0 y +z = 0 La nica variable libre es z; luego dimW = 1. Sea z = 1; entonces y = 1 y x = 3. Luego {(3, -1, 1)} es una base de W. (Obsrvese que dimU + dimW = 2 + 1 = 3, que es la dimensin del dominio 3 de f.)
6. Determinacin de una aplicacin lineal. Matriz

Una aplicacin lineal f : E F queda determinada conociendo las imgenes de los elementos de una base de E. Sea n la dimensin del espacio vectorial E, y sea B = {e1, e2 , , en } una base de E. Sea m la dimensin del espacio vectorial F, y sea B' = {v1, v2 , , vm} una base de F. Una aplicacin lineal queda determinada conociendo f ( e1 ) , ..., f ( en ) , es decir, las imgenes por f de los vectores de la base de E. Si u E tiene de coordenadas (x1, x2, ..., xn) en la base B y su imagen f ( u ) tiene de coordenadas (y1, y2, ..., ym) en la base B'. Se verifica la siguiente ecuacin matricial:

y1 a11 a 21 ... a n1 x1 y a ... a n 2 x 2 ; Y = AX 2 = 12 a 22 ... ... ... ... ... ... y m a1m a 2 m ... a nm x n donde las columnas de la matriz A son las coordenadas de los vectores f ( e1 ) , ..., f ( en ) en la base B' de F. As: f ( e1 ) = (a11, a12, ..., a1m) en la base B' ... f ( en ) = (an1, an2, ..., anm) en la base B' La expresin matricial puede resumirse: YB' = M(f,B,B')XB y se llama expresin matricial de f en las bases B y B'.
Apuntes de lgebra
29 e 77
Conocida M(f,B,B') queda determinada la aplicacin, y elegidas previamente las bases, cada matriz determina una aplicacin lineal, esa matriz se llama matriz de f en las bases B y B'. Las ecuaciones deducidas al resolver la expresin matricial de f, se llaman ecuaciones de f. Ejemplo 1: Hallar una aplicacin lineal f : (1, 2, 0, 4) y (2, 0, 1, 3).
#,
4
cuya imagen es generada por
Mtodo 1. Consideremos la base usual de 3: e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1). Hacemos f(e1) = (1, 2, 0, 4), f(e2) = (2, 0, 1, 3) y f(e3) = (0, 0, 0, 0). La aplicacin lineal f existe y es nica, adems la imagen de f es generada por los f(ei). Hallamos un formula general para f(x, y, z): f(x, y, z) = f(xe1 + ye2 + ze3) = xf(e1) + yf(e2) + zf(e3) = x(1, 2, 0, 4) + y(2, 0, 1, -3) + z(0, 0, 0, 0) = (x + 2y, 2x, y, 4x3y) Mtodo 2. Formamos una matriz A43, cuyas columnas son los vectores dados, por ejemplo: 2 0 1 2 0 0 A= 0 1 0 4 3 0 Recordamos que A determina una aplicacin lineal A : 3 4 cuya imagen es generada por las columnas de A. Luego A satisface las condiciones requeridas.
Ejemplo 2: Hallar el ncleo y la imagen de la aplicacin lineal f:
# #
4
tal que:
f(1, 0, 0, 0) = (1, 1, 2) f(0, 1, 0, 0) = (2, 1, 1) f(0, 0, 1, 0) = (4, 1, 5) f(0, 0, 0, 1) = (-1, 5, 4) En concreto, se piden sendas bases del ncleo y la imagen. Resolucin: Respecto de las bases cannicas de aplicacin lineal es: y1 y = 2 y3
# y # , la ecuacin matricial, Y = AX, de la

4 3
x1 1 2 4 1 1 1 1 5 x 2 x 2 1 5 4 3 x 4
30 e 77
Apuntes de lgebra
El ncleo lo forman las soluciones de f( x ) = 0 , que si se usan coordenadas se pone en la forma AX = 0. Para resolver este sistema lineal homogneo, realizando operaciones elementales en las filas de su matriz A, se obtienen sucesivamente las matrices: 1 2 4 1 0 3 3 6 0 3 3 6 1 2 4 1 0 1 1 2 0 0 0 0 = 2 3 = + 2 luego = = 3 1 0 2 0 1 1 2 0 0 0 0
Por tanto, los vectores del ncleo son los que cumplen (para , x1 x2 x3 x4
#):
(-2, -1, 1, 0) y (-3, 2, 0, 1) forman una base de N(f). La imagen es el espacio de R3 que engendran las cuatro columnas de A. Realizando operaciones elementales en las columnas de A se obtienen sistemas de columnas equivalentes al dado; al proceder de este modo, se obtiene sucesivamente: 1 0 0 0 1 3 3 6 2 3 3 6 1 0 0 0 1 1 0 0 2 1 0 0 1 0 0 0 1 1 0 0 0 1 0 0
Por tanto, los dos vectores columna no nulos de la ltima matriz, generan la imagen y, como son independientes, son base de ella; esto es: (1, 1, 0) y (0, 1, -1) forman una base de Im(f).
7. Rango de una aplicacin lineal

Se llama rango de una aplicacin lineal f : E F la dimensin del espacio vectorial imagen. Se denota rg(f). rg(f) = dim(Im(f)) = dim(f(E)) Propiedad: El rg(f) coincide con el rango de la matriz asociada a f en cualquier base: rg(f) = rg(Mf)
8. Aplicaciones lineales inyectivas

Las aplicaciones lineales inyectivas son de especial inters. 1. Una aplicacin lineal f : E F es inyectiva si, y solo si, su ncleo contiene slo el vector nulo. Es decir: f : E F , f inyectiva N(f) = { 0 }
Apuntes de lgebra
31 e 77
2. Una aplicacin lineal f : E F es inyectiva si, y solo si, un sistema libre de E se aplica en un sistema libre de F. Es decir, si la imagen de una base de E es una base de f(E). f inyectiva [B base de E f(B) base de f(E)] 3. Si E tiene dimensin finita, entonces f es inyectiva si y solo si dim E = dim f(E) o tambin rg(Mf) = dim E. Ejemplo: La aplicacin lineal f:
# #
3
definida mediante
f(x, y, z) = (x, x + y, y + z, x + y + z) es inyectiva ya que las imgenes de los vectores de la base cannica de 3 son los vectores: f(1, 0, 0) = (1, 1, 0, 1) f(0, 1, 0) = (0, 1, 1, 1) f(0, 0, 1) = (0, 0, 1, 1) que forman una base de la imagen, ya que son linealmente independientes. La inyectividad de f tambin se poda haber comprobado viendo que N(f) = 0; as es, ya que:
x x + y N ( f ): y + z x + y + z
=0 =0 =0 =0
x = 0 N ( f ): y = 0 N ( f ) = 0 z = 0
9. Isomorfismos
Cuando se dispone de una aplicacin lineal, entre dos espacios vectoriales E y F, que adems es biyectiva, puede considerarse que E y F son iguales, se pueden identificar. Desde el punto de vista de los espacios vectoriales, no hay nada que permita diferenciar a E de F. Estas aplicaciones lineales y biyectivas se llaman isomorfismos. Un isomorfismo f:E E, de un espacio en s mismo, recibe el nombre de automorfismo. 1. La composicin de dos isomorfismos es, tambin, un isomorfismo. 2. Una aplicacin lineal f:E F es isomorfismo si y slo si: Im(f) = F y N(f) = 0 3. Si E tiene dimensin finita, una aplicacin lineal f:E F es un isomorfismo si y slo si: dim E = dim f(E) = dim F 4. Si E tiene dimensin finita, una aplicacin lineal f:E E es un automorfismo si y slo si es inyectiva o sobreyectiva. 5. Si f:E F es un isomorfismo, entonces f 1:F E tambin es un isomorfismo.
Apuntes de lgebra
32 e 77
6. Dos espacios vectoriales de dimensin finita (sobre el mismo cuerpo K) son isomorfos si y slo si tienen la misma dimensin.
Ejemplo 1:
El espacio vectorial n es isomorfo al espacio vectorial V de los polinomios de grado menor que n. Un isomorfismo entre ellos lo es la aplicacin f:V n dada por f(a0 + a1x + a2x2 + ... + an-1xn-1) = (a0 + a1 + a2 + ... + an-1).
Ejemplo 2: Sea V el espacio vectorial de los polinomios reales de grado menor o igual que 2 y considrese la aplicacin lineal f:V 3 definida por
Hallar h para que f no sea un isomorfismo. Para dicho valor de h, hallar una base de la imagen Im(f). Solucin: El valor buscado de h es aquel que hace singular a la matriz A de f (en la base usual de V y en la cannica de 3); realizando, pues, operaciones elementales en las columnas de A, se tiene sucesivamente:
f(a + bx +cx2) = (a + b 2c, 2a + b + c, 2a + 3b + hc)
1 1 2 1 0 1 0 0 0 5 2 1 0 A = 2 1 1 2 1 2 3 h 2 1 h + 4 2 1 h + 9 La matriz A es singular para h = 9. Para este valor, el rango de A vale 2, la dimensin de Im(f) es 2 y una base de este espacio la forman las dos columnas no nulas de la ltima matriz, es decir, los vectores (1, 2, 2) y (0, 1, -1) de 3.
10. Caracterizacin de endomorfismos biyectivos

Las aplicaciones lineales f : E E son endomorfismos. La matriz de f en una base ser cuadrada. Si el endomorfismo es biyectivo el rango de la matriz ser la dimensin de E, es decir, su determinante ser distinto de cero f : E E biyectivo |Mf| 0
Apuntes de lgebra
33 e 77
11. Conjunto de las aplicaciones lineales entre dos espacios EyF

El conjunto de todas las aplicaciones lineales entre E y F, espacios vectoriales sobre el mismo cuerpo K, se denota (E,F).
Si f, g son dos aplicaciones lineales entre E y F; f, g
/(E,F), se define:
Aplicacin suma de f y g, a la aplicacin f + g : E F tal que: u E; ( f + g )( u ) = f ( u ) + g( u ) La suma as definida es interna: (f + g)
/(E,F) /(E,F), se define aplica-
Si B y B' son dos bases de E y F respectivamente, y M(f, B, B') y M(g, B, B') son las matrices de f y g en esas bases, se verifica: M(f + g, B, B') = M(f, B, B') + M(g, B, B') Aplicacin producto por un escalar. Si K y f cin f : E F la aplicacin tal que, u E , (f )u = f ( u ) . La aplicacin f es aplicacin lineal, y se verifica: M(f, B, B') = M(f, B, B') El conjunto K-espacio vectorial.
/(E,F) con las operaciones suma y producto por un escalar es un
12. El anillo
/(E) de los endomorfismos de E

/
En el conjunto (E) de las aplicaciones lineales sobre E, adems de las operaciones suma y producto por un escalar, es posible definir otra operacin interna, el producto, que ser la propia composicin de aplicaciones. Dados f : E E y g : E F endomorfismos en E, se llama producto de f y g la aplicacin g f : E E
u E; ( g f )( u ) = g( f ( u ))
La aplicacin as definida es aplicacin lineal; g f
/(E).
Si B es una base de E, se verifica la relacin entre matrices: M(g f, B) = M(g, B) M(f,B) El conjunto ( (E), + , ) es anillo unitario. Si f
/(E) tiene aplicacin inversa f , tambin f /(E) y su matriz

-1 -1
M ( f 1 , B ) = M (f1, B )
Apuntes de lgebra
34 e 77
13. Matrices asociadas a un endomorfismo en dos bases distintas

Sea E un K-espacio vectorial de dimensin n y sean: B1 = {e1, e2 , , en } ; B2 = {v1 , v2 ,
, v }
m
bases de E, donde los vectores de B2 en B1 son: v1 = a11e1 + a12e2 +
+ a
1n en
............................................ v n = an1e1 + an 2e2 + + annen Sea una aplicacin lineal f : E E de matrices M ( f , B1 ) y M ( f , B2 ) en las bases B1 y B2 respectivamente. La relacin existente entre ambas matrices es: M ( f , B2 ) = C 1 M ( f , B1 ) C donde C = Matriz de cambio de base ... a1n ... a 2 n = M ( B2 , B1 ) ... ... ... a n2 ... a nn la matriz que tiene por columnas las coordenadas de los vectores de la base B2 expresados en B1. Recordando que a12 a 22
1 M ( B2 , B1 ) = M (B1 , B2 )
a11 a 21 C = ... a n1
la expresin M ( f , B2 ) = C 1 M ( f , B1 ) C quedar
1 M ( f , B2 ) = M ( B1 , B2 ) M ( f , B1 ) M (B1 , B2 )
Apuntes de lgebra
35 e 77
Captulo 5
Sistemas de ecuaciones lineales
1. Definiciones
Se llama sistema de m ecuaciones lineales con n incgnitas a un conjunto de ecuaciones de la forma: a11x1 + a12x2 + ... + a1nxn = b1 a21x1 + a22x2 + ... + a2nxn = b2 ............................................... am1x1 + am2x2 + ... + amnxn = bm en las que aij y bi son escalares de un cuerpo Ki y x1, x2, ..., xn son las incgnitas. Se llama solucin del sistema la n-upla (1, 2, ..., n) de elementos de K, tales que sustituidos en (x1, x2, ..., xn) verifican todas las ecuaciones. Un sistema de ecuaciones lineales en el que bi = 0 se llama homogneo.
2. Enfoque vectorial
Un sistema de ecuaciones tal como el del apartado 1, puede expresarse en forma matricial: AX = B donde: a11 a12 ... a1n b1 x1 a b x a 22 ... a 2 n 2 2 ; A = 21 ; B= X= ... ... ... ... ... ... a m1 a m2 ... a mn bn xn Por tanto, un sistema de m ecuaciones con n incgnitas puede interpretarse como la expresin de una aplicacin lineal: f : E F, de matriz asociada A donde E es un K-espacio vectorial de dimensin n y F un K-espacio vectorial de dimensin m y tal que la bsqueda de soluciones equivale a hallar vectores u = (x1, x2, ..., xn) E que se aplican en el vector b = (b1, b2, ..., bm) F. La discusin del sistema puede realizarse segn que b pertenezca o no al conjunto Im(f), de la siguiente forma: a) b Im(f). En este caso no existe u = (x1, x2, ..., xn) tal que f( u ) = b . El sistema no tiene solucin (sistema incompatible). b) b Im(f). Existen vectores u tales que f( u ) = b . El sistema tiene solucin (sistema compatible).
Apuntes de lgebra
36 e 77
Cabe ahora investigar si la solucin es o no nica (sistema determinado o indeterminado, respectivamente). En el caso particular de un sistema homogneo (AX = 0), la bsqueda de soluciones equivale al clculo del N(f), es decir, el ncleo de la aplicacin lineal de matriz A. En este caso, al ser N(f) 0, un sistema homogneo tiene al menos la solucin u = (0, 0, ..., 0). El problema de inters ahora es buscar si existen o no ms soluciones, lo que equivale a analizar si la aplicacin es o no inyectiva.
3. Equivalencia de sistemas
Dos sistemas de ecuaciones son equivalentes si tienen los mismos sistemas de soluciones. Proposicin: Sea un sistema de ecuaciones lineales de matriz A. Si en A se efectan operaciones elementales con las filas, la matriz obtenida corresponde a un sistema de ecuaciones equivalente al primero.
4. Teorema de Rouch-Frobenius
Empleando notacin matricial AX = B para un sistema de ecuaciones lineales, se verifica: La condicin necesaria y suficiente para que el sistema AX = B sea compatible es que coincidan los rangos de la matriz A y de la matriz A|B que resulta de ampliar A con la columna matriz de los trminos independientes B. Es decir, Sistema AX = B compatible r(A) = r(A|B) Consecuencias: Si n = nmero de incgnitas del sistema, y el sistema es compatible: I) Si r(A) = r(A|B) = n el sistema es determinado. II) Si r(A) = r(A|B) < n el sistema es indeterminado. En el caso de sistema homogneo (AX = 0), al ser r(A) = r(A|0) es sistema es compatible. Ser: I) = n determinado (solucin nica u = (0, 0, ..., 0)). II) < n indeterminado.
5. Resolucin de ecuaciones lineales

Se presentan algunos mtodos de inters: a) Mtodo general Sea el sistema AX = B de m ecuaciones con n incgnitas, compatible. Si r = r(A), existe una submatriz cuadrada de orden r obtenida de A, cuyo determinante es distinto de cero. Suponiendo que sea la matriz correspondiente a las r primeras filas y r primeras columnas (si no fuese as, se intercambiaran ecuaciones para ponerlas de esta forma).
En ese supuesto, el sistema dado es equivalente al siguiente: a11x1 + ... + a1rxr = b1 (a1r+1xr+1 + ... + a1nxn) a21x1 + ... + a2rxr = b2 (a2r+1xr+1 + ... + a2nxn) .......................................................................... ar1x1 + ... + arrxr = br (ar r+1xr+1 + ... + ar nxn) donde se han pasado al segundo miembro las incgnitas que no intervienen en la matriz regular de orden r, y se han eliminado las ecuaciones que tampoco intervienen en la misma matriz. Este nuevo sistema, llamando parmetros a las incgnitas xr+1, ..., xn, es determinado. Se resolvera por cualquiera de los mtodos clsicos de reduccin o eliminacin. b) Sistema de Cramer Un sistema de ecuaciones se dice de Cramer si tiene igual nmero de ecuaciones que de incgnitas y la matriz del sistema es regular. Un sistema determinado puede reducirse a uno de Cramer siguiendo el procedimiento general indicado en el apartado anterior. Dado un sistema de Cramer AX = B, con A regular, su solucin es nica: xi = Ai A i = 1, 2, ..., n
donde Ai es la matriz que resulta de sustituir en A la columna i por el vector columna B de los trminos independientes. c) Mtodo de Gauss Es un mtodo de fcil programacin y por tanto de sencilla resolucin con ayuda informtica. La idea del mtodo es aplicar a la matriz ampliada A|B del sistema, transformaciones elementales de las filas hasta conseguir una matriz A triangular, cuyo sistema asociado es fcilmente resoluble. d) Mtodo de la matriz inversa Expresado el sistema en su forma matricial AX = B, podemos multiplicar ambos trminos de la igualdad por A1, resultando A1AX = A1B, o lo que es lo mismo, IX = A1B, luego X = A1B, que nos da la solucin del sistema, calculando la inversa de la matriz de los coeficientes y multiplicndola por la matriz de los trminos independientes.
6. Sistema homogneo asociado

Dado un sistema lineal de ecuaciones AX = B, se denomina sistema homogneo asociado al resultante de hacer cero la matriz de trminos independientes AX = 0. Supngase que x1 y x2 son soluciones del sistema no homogneo. Entonces su diferencia, x1 x2, es una solucin del sistema homogneo asociado. A(x1 x2) = Ax1 Ax2 = B B = 0
Apuntes de lgebra
38 e 77
Sean x e y dos soluciones particulares del sistema no homogneo, entonces existe una solucin h del sistema homogneo asociado tal que y = x + h. (Siendo x e y soluciones del sistema no homogneo, entonces h = y x es solucin del sistema homogneo asociado y por tanto y = x + h) Para hallar todas las soluciones de un sistema no homogneo, basta con hallar una solucin y todas las soluciones del sistema homogneo asociado.
7. Ecuaciones paramtricas e implcitas de un subespacio vectorial

El conjunto de soluciones de un sistema homogneo es un subespacio vectorial (es el ncleo de una aplicacin). Las ecuaciones de dicho sistema se llaman ecuaciones implcitas o no paramtricas del subespacio vectorial solucin. En el caso de que el sistema tenga infinitas soluciones, dichas soluciones, en funcin de los parmetros correspondientes, se llaman ecuaciones paramtricas del subespacio vectorial. Al ser el nmero de parmetros a utilizar en la resolucin del sistema AX = 0, igual al nmero de incgnitas menos el rango de la matriz A, se verifica la siguiente relacin: Dimensin del subespacio = Nmero de incgnitas Nmero de ecuaciones independientes.
8. Clculo de las ecuaciones de un subespacio vectorial

Las ecuaciones paramtricas e implcitas de un subespacio vectorial, y el paso de un tipo a otro de ecuaciones se efecta de la siguiente manera: a) Conocida las ecuaciones implcitas; AX = 0 Se halla el rango de la matriz A, que sera el nmero de ecuaciones independientes. Se resuelve el sistema. Esa solucin en funcin de parmetros sern las ecuaciones paramtricas. b) Conocidas las ecuaciones paramtricas del subespacio Se eliminan los parmetros hasta obtener un nmero de ecuaciones independientes igual al nmero de incgnitas menos el nmero de parmetros.
Apuntes de lgebra
39 e 77
Captulo 6
Espacio Afn
1. Espacio afn
Sea E un conjunto E = {P, Q, R, ...} cuyos elementos se llamarn puntos y sea V un K-espacio vectorial. Se dice que E es un espacio afn asociado a V, si se define una aplicacin: f:EEV tal que a cada par de puntos (P, Q) le haga corresponder un vector v V que se le denominar v = PQ (es decir: f(P,Q) = v = PQ ) y que verifique: 1 P E, v V ; Q E tal que f(P,Q) = v = PQ ) 2 f(P,Q) = 0 P = Q 3 P, Q, R E, tales que PR = PQ + QR f(P, R) = f(P, Q) + f(Q, R) La dimensin del espacio afn es la dimensin del espacio vectorial asociado. Se denota E2 el espacio de puntos en el plano asociado al espacio vectorial sobre .
De igual forma, E3 es el espacio de puntos asociado al espacio vectorial el cuerpo .
sobre
2. Referencia afn
Sea E un espacio afn asociado al espacio vectorial V, de dimensin n. El conjunto R = {O, u1, u2 , , un } , donde O E y B = {u1, u2 , , un } es una base de V, se llama referencia afn de E.
Un punto P E tiene de coordenadas en R las que el vector OP tiene en la base vectorial B. Es decir: P(p1, p2, ..., p3) en R OP = (p1, p2, ..., p3) en B En E2 la referencia usual es: R = {O, u1 , u2} ; donde O = (0,0); u1 = (1,0); u2 = (0,1) En E3 ser: R = {O, u1, u2 , u3} ; donde O = (0,0,0); u1 = (1,0,0); u2 = (0,1,0); u3 = (0,0,1);
3. Ecuaciones de una recta

Una recta es un subespacio de dimensin 1 en un espacio afn. Se determina por: a) Un punto y una direccin (vector de direccin de la recta). b) Dos puntos no coincidentes. Cada caso se hallara de la siguiente manera. Supongamos E2.
a) Si el punto es P = (a, b) y la direccin d = (d1, d2), la recta r puede expresarse de las siguientes formas: Ecuacin vectorial: OX = OP + d ; donde x = (x, y) r. Ecuaciones paramtricas: x = a + d1 y = b + d2 Ecuacin continua: xa yb = d1 d2 Ecuacin cartesiana: Ax + By + C = 0; donde A = d2; B = d1; C = d2a d1b b) La recta que contiene los puntos P = (a, b) y Q = (c, d) es la recta que tiene como direccin d = PQ = (c a, d b). Se reduce al caso anterior. Si el espacio afn es E3 las ecuaciones sern similares con tres coordenadas. No tendra una expresin la ecuacin cartesiana, su correspondiente es la expresin de una recta como interseccin de dos planos.
4. Posiciones relativas de dos rectas en E2

Sean las rectas r y s de direcciones respectivas d r = (u1, u2) y d s = (v1, v2): 1. Si d r = k d s u1 v1 = r y s paralelas. u2 v2
2. Si d r = k d s y adems P r es P s r y s coincidentes. 3. Si d r k d s r y s se cortan en un punto solucin del sistema de ecuaciones cartesianas de ambas. Si las rectas vienen expresadas por su ecuacin cartesiana, se verifica: Interseccin de dos rectas: Dadas dos rectas r y s cuyas ecuaciones generales son r : a1x + a2y + a0 = 0 y s : b1x + b2y + b0 = 0, y llamando M y M' a las matrices: a1 M= b1 a2 a1 y M'= b2 b1 a2 b2 a0 b0
rg[M] = 2 r s consta de un solo punto (r y s son secantes). rg[M] = 1 y rg[M'] = 2 r s = y las rectas son paralelas. rg[M] = rg[M'] = 1 las rectas coinciden (son la misma). Interseccin de tres rectas: Dadas las siguientes rectas r, s y t, y llamando M y M' a las matrices que abajo se sealan r : a1x + a2y + a0 = 0 s : b1x + b2y + b0 = 0
Apuntes de lgebra
41 e 77
t : c1x + c2y + c0 = 0 a1 M = b1 c1 a1 a2 b2 y M ' = b1 c1 c2 a2 b2 c2 a0 b0 c0
rg[M'] = 3 r s t = y forman tringulo o dos son paralelas. rg[M] = rg[M'] = 2 r s t consta de un solo punto. rg[M] = 1 y rg[M'] = 2 r s t = (son paralelas y no coinciden las tres) rg[M] = rg[M'] = 1 las tres rectas coinciden (son la misma).
5. Haz de rectas de vrtice P

Si las rectas r y s se cortan en un punto P = (a, b), la ecuacin
r + s = 0 ; ,
donde r y s representan las ecuaciones cartesianas respectivas, es la del conjunto de rectas de E2 que pasan por P (haz de rectas de vrtice P). Para cada valor de y real se obtiene una recta del haz. r P s
Ejercicio: Hallar la recta t que es paralela a r y pasa por la interseccin de s1 y s2, siendo r, s1 y s2 las rectas de ecuaciones generales r : 3x + 2y + 5 = 0; s1 : x + 2y +1 = 0; s2 : 2x + y = 7 Solucin: La recta t, como pasa por la interseccin de s1 y s2, pertenece al haz que estas definen, luego: t : (x + 2y +1) + (2x + y 7) = 0 para un cierto 1 + 2 2 + = , luego = 4 y t : 3x + 2y = 9. 3 2
Dado que t y r son paralelas, tendrn proporcionales los coeficientes de x e y:
Apuntes de lgebra
42 e 77
6. Ecuaciones de un plano
Un plano es un subespacio de dimensin 2 en un espacio afn. Puede determinarse por: a) Un punto y dos vectores contenidos. b) Tres puntos no alineados. c) Un punto y un vector perpendicular (vector director o direccin del plano). Se hallara de la siguiente manera: a) Si el punto es P = (a, b, c), y los vectores contenidos: u = (u1, u2, u3) y v = (v1, v2, v3); el plano puede expresarse por las siguientes ecuaciones: Ecuacin vectorial: OX = OP + u + v ; donde X Ecuaciones paramtricas: Si X = (x, y, z) x = a + u1 + v1 y = b + u2 + v2 z = c + u3 + v3 Ecuacin cartesiana: x a u1 y b u2 z c u3 v1 v2 = 0; A(x a) + B(y b) + C(z c) = 0 v3 u2 u3 v2 u ; B= 1 v3 u3 v1 u ;C= 1 v3 u2 v1 v2
#.
donde A, B, C sern los menores: A=
b) El plano que contiene los tres puntos: P1 = (a1, b1, c1); P2 = (a2, b2, c2); y P3 = (a3, b3, c3) ser el plano que contiene como vectores, por ejemplo, PP2 y 1 PP , y contiene a un punto cualquiera de los tres dados. 1 3 c) El plano que contiene al punto P = (a, b, c) y tiene como vector de direccin d = (A, B, C) tiene la ecuacin cartesiana A(x a) + B(y b) + C(z c) = 0 Las restantes ecuaciones pueden hallarse eligiendo tres puntos cualesquiera y procediendo como en el caso b) anterior.
7. Posiciones relativas de dos planos en E3

Sean los planos 1 y 2 de ecuaciones: 1 = A1x + B1y + C1z + D1 = 0; 2 = A2x + B2y + C2z + D2 = 0 Analizando las soluciones del sistema formado por ambas, utilizando el teorema de Rouch se obtiene: A1 B1 [M | N] = A2 B2
Apuntes de lgebra
C1 | D1 C2 | D2
43 e 77
1. Si r[M] = r [M | N] = 1 Planos coincidentes Esto sucede cuando: A1 B1 C1 D1 = = = A2 B2 C2 D2 2. Si r[M] = 1; r[M | N] = 2 Planos paralelos Esto sucede cuando: A1 B1 C1 = = A2 B2 C2 Es decir, cuando el vector de direccin coincide en ambos planos. 3. Si r[M] = r[M | N] = 2 Los planos se cortan segn una recta.
8. Ecuacin de una recta como interseccin de planos

Toda recta en E3 puede expresarse como interseccin de dos planos. La recta: r x a y b z c = = d1 d2 d3
resolviendo dos de las tres igualdades, resulta: d2 ( x a ) d1 ( y b) = 0 r d3 ( x a ) d1( z c ) = 0 que es la ecuacin de dos planos cuya interseccin es la recta r.
9. Haz propio de planos de eje la recta r

Dados los planos: A1x + B1y + C1z + D1 = 0 A2x + B2y + C2z + D2 = 0 que se cortan segn la recta r, la ecuacin:
(A1x + B1y + C1z + D1) + (A2x + B2y + C2z + D2) = 0; ,
representa el conjunto de planos que contienen a r. Para cada par de valores , se obtiene uno de ellos. Ese conjunto se llama haz propio de planos de eje r.
Apuntes de lgebra
44 e 77
10. Haz de planos paralelos a uno dado

Dado un plano de ecuacin: Ax + By + Cz + D = 0 La ecuacin Ax + By + Cz + = 0, representa para cada R, un plano paralelo a . El conjunto de todos ellos se llama haz impropio de planos paralelo a .
11. Posicin relativa de tres planos en E3

Dados tres planos 1, 2, 3 de ecuaciones: 1 A1x + B1y + C1z + D1 = 0 2 A2x + B2y + C2z + D2 = 0 3 A3x + B3y + C3z + D3 = 0 Sus posiciones relativas se obtendrn del anlisis del sistema de matrices: A1 B1 C1 | D1 [M | N] = A2 B2 C2 | D2 A B C | D 3 3 3 3 a) Si r[M] = r[M | N] = 1 Los tres planos son coincidentes. b) Si r[M] = 1; r[M | N] = 2 Tres planos paralelos o dos planos coincidentes y el otro, paralelo. c) Si r[M] = r[M | N] = 2 Se cortan segn una recta r (forman haz propio). d) Si r[M] = 2; r[M | N] = 3 Se cortan dos a dos (forman prisma) o dos paralelos cortados por el otro. e) Si r[M] = r[M | N] = 3 Se cortan en un solo punto (forman triedro).
Apuntes de lgebra
45 e 77
Captulo 7
1. Introduccin
Variedades lineales vectoriales
Al trabajar con subespacios vectoriales se suelen encontrar expresiones del tipo: L = {(x1, x2, x3) 3 / x1 x2 + x3 = 0}
Esta expresin significa que L es el subconjunto de los vectores de 3 cuyas coordenadas verifican la relacin x1 x2 + x3 = 0; a esta frmula la llamamos ecuaciones implcitas del subespacio vectorial. Resulta menos frecuente pero es as mismo muy interesante ver expresiones de un subespacio vectorial escrito de la siguiente forma: L = {(x1, x2, x3) 3 / (x1, x2, x3) = (1, 1, 0) + (0, 1, 1)}
o lo que es lo mismo: L = {(x1, x2, x3)
/ x1 = , x2 = + , x3 = }
esta ltima expresin constituye las ecuaciones paramtricas del subespacio vectorial L. Es interesante observar que la ltima de las tres expresiones se dedujo de la segunda, desarrollando la igualdad vectorial y que dicha expresin quiere decir que cualquier vector de L se puede escribir como combinacin lineal de dos vectores de 3 notables, (1, 1, 0) y (0, 1, 1) que pertenecen a L y tienen la propiedad de que a la vez de ser generadores de L, son linealmente independientes por lo que constituyen una base de L. Por tanto, B = {(1, 1, 0), (0, 1, 1)} son una base de L y la expresin (x1, x2, x3) = (1, 1, 0) + (0, 1, 1) es la ecuacin que expresa el conjunto de todos los vectores de L para los diferentes valores de los parmetros y . Es obvio pues que la dimensin de ese espacio es de dos y que el nmero de parmetros utilizados en la expresin es dos y que a su vez, considerada la ecuacin implcita del subespacio como un sistema de ecuaciones lineales homogneo de una ecuacin con tres incgnitas, su rango ser uno y, por tanto, el nmero de incgnitas a determinar sern dos, que es la diferencia entre el nmero de incgnitas, tres en este caso, y el rango de la matriz, uno en esta ocasin.
2. Variedades lineales
Hemos considerado hasta ahora el espacio vectorial n como el conjunto de las n-uplas con nmeros reales de la forma (x1, x2, ..., xn) con xi para i = 1, 2, ..., n. A este espacio tan notable como til le llamaremos Vn y escribiremos Vn = n, n 2.
A los subespacios vectoriales de Vn les llamaremos variedades lineales. Cuando n = 2 nos queremos referir al plano vectorial V2, cuando n = 3, llamaremos a V3 el espacio vectorial o espacio, para no interferir con el concepto genrico. Es evidente que V2 y V3 tienen dimensiones 2 y 3 respectivamente por lo que pueden darse las siguientes situaciones:
En el plano V2, consideremos L V2 una variedad lineal propia (es decir, L V2), entonces: Si dim L = 0, L = { 0 }. Si dim L = 1, L es una recta vectorial del plano V2. En el plano V3, consideremos L V3 una variedad lineal propia, entonces: Si dim L = 0, L = { 0 }. Si dim L = 1, L es una recta vectorial del espacio V3. Si dim L = 1, L es un plano vectorial del espacio V3. Dada una base {e1, e2 } de V2. Si L es una recta vectorial del plano V2 y v L con v 0 , entonces cualquier vector de L es de la forma v para todo que pertenece a . Sea B = {e1, e2 , e3} una base de V3 a) Si L es una recta vectorial del espacio V3 y v L con v 0 , se tiene que u = v para cualquier que pertenece a .
b) Si L es un plano vectorial y v1, v2 L son linealmente independientes, se tiene que u = v1 + v2 para cualquier pareja (, ) 2.
3. Teorema
El conjunto de soluciones de un sistema homogneo de ecuaciones lineales con n incgnitas es un subespacio vectorial de n, de dimensin igual a n menos el rango de la matriz de los coeficientes del sistema.
En efecto, consideremos el sistema de la forma vectorial Ax = 0 . Ser A una matriz m n donde m es el nmero de ecuaciones y n el de incgnitas y x es un vector n 1, es decir de n filas y una columna. Consideremos x1 y x2 dos soluciones del sistema. Evidentemente cualquiera que sea , se verifica que:
A(x1 + x2 ) = Ax1 + Ax2 = 0 pues Ax1 = 0 y Ax2 = 0 luego si x1 y x2 son soluciones, x1 + x2 es solucin, luego el conjunto de soluciones del sistema es una variedad lineal de n.
Veamos si la dimensin de la variedad lineal de la soluciones es n r, siendo n el nmero de incgnitas y r el rango de la matriz A de los coeficientes del sistema. En efecto, si el rango de la matriz A de los coeficientes del sistema es r, eso significa que existen r ecuaciones del sistema (eventualmente puede coincidir con m) que son linealmente independientes y que podemos escribir: a11x1 + a12x2 + ... + a1rxr = a1r+1xr+1 ... a1nxn ............................................................................... ar1x1 + ar2x2 + ... + arrxr = arr+1xr+1 ... arnxn
Apuntes de lgebra
47 e 77
Si consideramos los valores: xr+1 = 1, xr+2 = 0, ..., xn = 0 xr+1 = 0, xr+2 = 1, ..., xn = 0 ............................................ xr+1 = 0, xr+2 = 0, ..., xn = 1 Obtenemos las soluciones x1, x2 , , xr correspondientes, que son linealmente independientes y evidentemente, cualquier otra solucin ser combinacin lineal de ellas, pues la solucin asociada a los valores: xr+1 = 1, xr+2 = 2, ..., xn = nr ser 1x1 + 2 x2 + + n r xr por lo que la dimensin de la variedad lineal de las soluciones del sistema es n r como queramos demostrar. Se puede demostrar que recprocamente, dada una variedad lineal de dimensin r, si x1, x2 , , xr es una base de la variedad lineal y x es un vector de dicha variedad, se verificar: rango L( x1, x2 , , xr , x ) = r
ya que x necesariamente tendr que ser una combinacin lineal de los vectores de la base. Tambin podemos escribir: x1 x2 =r ... xn Donde evidentemente el determinante de las r primeras filas y columnas es no nulo, pues los vectores x1, x2 , , xr son linealmente independientes. La condicin para que la matriz anterior tenga rango r es que con cada una de las n r filas restantes obtenemos al primer determinante aludido aadiendo as mismo la ltima columna y todos los determinantes as obtenidos iguales a uno, llegaremos as a n r ecuaciones homogneas que se denominan ecuaciones cartesianas del subespacio. x12 x 22 ... x n2 ... x1r ... x 2 r ... ... ... x nr x11 x 21 rango ... x n1
Ejemplo: Consideremos una variedad lineal L de 4 que tiene por base los vectores (1, 2, 0, 3) y (1, 3, 1, 0), si (x1, x2, x3, x4) es otro vector de la variedad lineal, ser combinacin lineal de los vectores de la base, y se verificar:
1 2 rango 0 3 y adems
1 x1 3 x2 = 2 1 x3 0 x4
1 1 0 2 3
Apuntes de lgebra
48 e 77
Por lo tanto, la condicin para que el rango de la matriz considerada sea 2, es que los dos menores que resultan de orlar el anterior determinante con las filas tercera y cuarta sean iguales a cero, es decir: 1 1 x1 1 1 x1 2 3 x2 = 0 ; 2 3 x2 = 0 0 1 x3 3 0 x4 y desarrollando ambos determinantes obtenemos: 2 x1 + x2 5 x3 = 0 9 x1 3x2 + 5x4 = 0 que son las ecuaciones cartesianas de la variedad lineal y quieren decir que si (x1, x2, x3, x4) L tendrn que verificar dichas ecuaciones.
4. Caracterizacin de Variedades Lineales mediante ecuaciones paramtricas

Sea un espacio vectorial V de dimensin n y un subespacio L de dimensin r que tiene como base los vectores B = {e1, e2 , , er } cuyas coordenadas sern: ei = ( ei1, ei 2 , los vectores de la variedad lineal L se caracterizan por que si x L existirn r escalares 1, 2, ..., r tales que x = 1e1 + 2e2 + + r er bien su expresin desarrollada: x1 = 1e11 + 2e21 + ... + rer1 x2 = 1e12 + 2e22 + ... + rer2 ............................................... xn = 1e1n + 2e2n + ... + rern ecuaciones que caracterizan al subespacio L y se denominan ecuaciones paramtricas de la variedad lineal L. Resulta evidente que el nmero de parmetros de las ecuaciones paramtricas coincide con la dimensin del subespacio vectorial de procedencia. Como resumen podemos establecer que, dado un subespacio vectorial o variedad lineal L de dimensin r contenido en un espacio vectorial V de dimensin n, el subespacio vectorial est caracterizado por sus ecuaciones cartesianas, que sern n r ecuaciones homogneas linealmente independientes. Resolveremos el sistema, y la solucin consistir en expresar n r variables como combinacin de las restantes r variables. Si igualamos estas a r parmetros, obtenemos n variables como combinacin lineal de r parmetros que son las ecuaciones paramtricas. Recprocamente, para calcular las ecuaciones cartesianas o implcitas de la variedad lineal, a partir de las paramtricas, hay que llevar a cabo un proceso que se llama de eliminacin de parmetros. Eliminar los parmetros 1, 2, ..., r de un sistema de ecuaciones lineales, es hallar las relaciones que deben cumplir los coeficientes para que el
, e )
in
i = 1, 2, ..., r
sistema tenga solucin. O expresado de otra forma, considerando la expresin paramtrica como solucin de un sistema de ecuaciones lineales homogneas, buscar este sistema.
Ejemplo: Sea el subespacio L de
cuya ecuacin matricial es:
x1 1 2 0 0 Ax = x2 = = 0 1 3 2 0 x3 Como el rango de la matriz A es dos, y el nmero de incgnitas es tres, resulta: x1 + 2 x2 = 0 x1 + 3x2 + x3 = 0 que son las ecuaciones implcitas de la variedad lineal. Haciendo x2 = , es decir, parametrizando la coordenada x2 (como cualquier otra, pero solo una, pues n r es igual a uno en este caso), ser: x1 = 2 x2 = x3 = que son las ecuaciones paramtricas de la variedad lineal.
5. Mtodos de eliminacin
Mtodo matricial Las ecuaciones paramtricas de una variedad lineal son un conjunto de ecuaciones lineales de la forma: x1 = x1(1, 2, ..., r) x2 = x2(1, 2, ..., r) ................................ xn = xn(1, 2, ..., r) cuya expresin matricial es A = x , donde
t = ( 1, 2 ,
y A es una matriz n r. Considerando el sistema de ecuaciones lineales en las incgnitas 1, 2, ..., r con los trminos independientes x1, x2, ..., xn, aplicando el teorema de Rouch-Frbenius, la condicin de compatibilidad resulta ser: rg[ A] = rg[ A x ] siendo [A| x ] la matriz ampliada de A con los trminos independientes x . Si rg[A] = r, existir una submatriz Ar r tal que |Ar r| 0, entonces la condicin analtica de la expresin rg[A| x ] = r la obtendremos obligando a que todos los menores obtenidos orlando a
, )
r
y x t = ( x1 , x2 ,
, x )
n
Ar r con una fila y una columna sean iguales a cero, como podemos adjuntar n r filas distintas, podemos enunciar: Si n ecuaciones paramtricas contienen r parmetros, la eliminacin de stos produce n r ecuaciones cartesianas. Veamos un ejemplo de este mtodo que es el ms seguro. El resto de los procedimientos constituyen artificios de clculo interesantes y podrn ser usados, cuidando de interpretar correctamente los resultados. Ejemplo: Sean las ecuaciones paramtricas: x1 = 1 + 2 x2 = 1 2 x3 = 21 2 x4 = 1 + 22 Escribindolas en forma matricial sern: 1 1 x1 1 1 1 = x2 = x A = 2 1 2 x 3 x4 1 2 es evidente que A es de rango 2 y que una submatriz de 2 2 tiene por determinante A2 2 = 1 1 = 2 0 1 1
luego la condicin de compatibilidad ser: 1 1 x1 1 1 x 2 rg[A] = 2 = rg[A| x ] = rg 2 1 x 3 1 2 x 4 y eso implica: 1 1 x1 1 1 x1 1 1 x2 = 0 y 1 1 x 2 = 0 2 1 x 3 1 2 x4 que desarrolladas sern: x1 + 3x2 2 x3 = 0 3x1 x2 2 x4 = 0 ecuaciones cartesianas implcitas de la variedad.
Apuntes de lgebra
51 e 77
Mtodo de igualacin Ejemplo: Sean las ecuaciones paramtricas x1 = 1 2 x2 = 1 + 2 x3 = 21 + 2 Despejamos uno de los parmetros, por ejemplo 1, ser: 1 1 = x1 + 2 = x2 2 = (x3 2) 2 que podemos escribir: 1 2 = ( x2 x1 ) 2 2 = 2 x2 x3 que no contiene 1. Por tanto, igualando ambas expresiones tenemos: 1 (x2 x1) = 2x2 x3 2 y operando, resulta: x1 3x2 2x3 = 0 que es la ecuacin cartesiana implcita de la variedad lineal. Mtodo de sustitucin Consiste en despejar un parmetro de la primera ecuacin e introducirlo en las restantes. Si eran n ecuaciones y r parmetros, tendremos ahora n 1 ecuaciones con r 1 parmetros. Continuando el proceso llegamos a tener n r ecuaciones sin parmetros. Estas ltimas serian las ecuaciones implcitas cartesianas de la variedad. Mtodo de reduccin Consiste en aplicar el mtodo de Gauss al sistema de ecuaciones en los parmetros, hasta conseguir un nuevo sistema de ecuaciones sin parmetros. x1 + 2 = x2 2 o tambin 1 x 2 2 = ( x 3 2 ) 2
Apuntes de lgebra
52 e 77
Captulo 8
Programacin lineal
1. Conjuntos convexos: Definiciones

Sea E un espacio afn real de n-dimensiones, asociado a un espacio vectorial V. a) Combinacin convexa Se dice que un punto P de E es combinacin convexa de los puntos A1, A2, ..., Am de E si existen nmeros reales positivos 1, 2, ..., m tales que para un punto O de E: OP = 1 OA1 + 2 OA2 + ... + m OAm ; 1 + 2 + ... + m = 1 Esta definicin es independiente del punto O elegido. Puede abreviarse P = 1A1+ 2A2+ ... + mAm; 1 + 2 + ... + m = 1 b) Conjunto convexo Un conjunto F de E se dice convexo si para todo par de puntos A, B, de F, toda combinacin convexa de A y B pertenece a F. F convexo A, B F ; P = 1A + 2B F con 1 + 2 = 1 De una manera sencilla: Un conjunto es convexo cuando para todo par de puntos, el segmento que los une est incluido en dicho conjunto. c) Segmento de extremos A y B Dados dos puntos A y B de E, se llama segmento de extremos A, B al conjunto: [A, B] = {P E tales que P = A + (1)B, R, 0 1} De esta definicin se deduce que: Proposicin 1: Un punto P E es combinacin convexa de A y B si P pertenece al segmento de extremos A y B. Proposicin 2: Un subconjunto F E es convexo si para todo par A, B de puntos de F, el segmento [A, B] tambin pertenece a F. d) Extremo Un punto P de un conjunto convexo F de E recibe el nombre de extremo, si P no puede ser expresado como combinacin convexa de otros dos puntos de F distintos de P. Es decir, si P no pertenece a ningn segmento que tenga por extremos dos puntos distintos de P. e) Variedad convexa Dado un conjunto S de puntos de E, el conjunto de todas las combinaciones convexas de puntos de S se llama variedad convexa de S. Es el conjunto convexo ms pequeo que contiene a S. Se representa por V(S).
Apuntes de lgebra
53 e 77
f) Convexo de soluciones Es el recinto del plano que satisface simultneamente cada una de las desigualdades lineales del sistema.. Un convexo de soluciones es de rea finita cuando la poligonal que lo delimita es cerrada y es de rea infinita cuando dicha poligonal es abierta.
2. Desigualdades lineales
En general, los puntos que satisfacen una desigualdad lineal a11x1 + a12x2 + ... + a1nxn b1 definen un semiespacio en el espacio n-dimensional. As, la desigualdad a11x1 + a12x2 b define un semiplano en el espacio afn E2. El conjunto de puntos solucin del sistema de desigualdades: a11x1 + a12x2 + ... + a1nxn b1 ................................................ am1x1 + am2x2 + ... + amnxn bm es un conjunto convexo.
Ejemplo: Graficar el conjunto de puntos que satisfacen la desigualdad x + y 3. Comenzamos por graficar x + y = 3. Los puntos del plano que la satisfacen son los que se hallan sobre la recta correspondiente, pero tambin estamos buscando los puntos que cumplen la desigualdad x + y > 3, o lo que es lo mismo, y > x + 3, por lo que el conjunto solucin de la desigualdad dada es el semiplano que est por encima de la recta incluyndola. y
3
Ejemplo: Graficar el conjunto de puntos que satisfacen la desigualdad 2x - 3y > 6. 2 x 2 . Luego el conjunto de 3 puntos que satisfacen la desigualdad debe estar por debajo de la recta. La desigualdad dada es equivalente a y <
y
3 2
Para trazar una desigualdad de las mencionadas, es conveniente tener en cuenta las siguientes reglas: 1. Dibujar la recta ax + by = c, empleando lnea continua si se incluye la igualdad y discontinua si no se la incluye. 2. Elegir un punto del plano, que no pertenezca a la recta. Si dicho punto satisface la desigualdad, entonces el conjunto buscado es el semiplano que lo contiene. Si no la satisface, la solucin corresponde al otro semiplano.
3. Sistemas de desigualdades lineales

Mediante un ejemplo analizaremos el procedimiento a seguir para hallar el conjunto solucin de un sistema de desigualdades lineales.
Ejemplo: Consideremos el sistema xy 3x + y 6 y 5 x7 Para mostrar su conjunto solucin, graficaremos en un sistema de coordenadas cartesianas ortogonales el semiplano solucin de cada desigualdad. La interseccin de estos semiplanos nos dar una regin del plano que ser el conjunto del sistema de desigualdades lineales. Puntualicemos los pasos a seguir para llegar al conjunto de desigualdades dado. 1. Numeraremos cada una de las desigualdades del sistema dado. 2. Transformaremos cada desigualdad del sistema en ecuacin, a efectos de poder graficar la frontera del semiplano solucin de cada desigualdad. 3. Para cada inecuacin buscaremos un semiplano solucin, sealndolo mediante una flecha apoyada en la frontera con sentido orientado hacia el conjunto solucin, para simplificar el grfico.
Apuntes de lgebra
55 e 77
4. Sealaremos mediante un sombreado, el subconjunto del plano que es solucin del sistema. x y 1) 2) 3x + y 6 y 5 3) 4) x7 y
3 6 5
x=y 1) 2) 3x + y = 6 y=5 3) 4) x=7
x
1 2 4
4. El problema de la programacin lineal

El problema de la programacin lineal consiste en encontrar los valores de ciertas variables x1 , x 2 , , x n que optimicen una funcin lineal de ellas dada: c1x1 + c2x2 + ... + cnxn, de forma que todas ellas sean positivas y que verifiquen a su vez un sistema de desigualdades lineales. La funcin lineal a optimizar se llama funcin objetivo (o econmica) y las ecuaciones se llaman restricciones o ligaduras del problema. Se puede escribir: Optimizar: (funcin objetivo) z = c1x1 + c2x2 + ... + cnxn sujeta a a11x1 + a12x2 + ... + a1nxn = b1 ................................................ (restricciones o ligaduras) am1x1 + am2x2 + ... + amnxn = bm Se supone que las ecuaciones ligaduras son independientes, ya que en caso contrario se sustituirn por otro sistema equivalente que lo fuese. Si las restricciones se dan en forma de desigualdades a11x1 + a12x2 + ... + a1nxn b1 ................................................ am1x1 + am2x2 + ... + amnxn bm
Apuntes de lgebra
56 e 77
puede ser transformado en igualdades sumando a cada desigualdad un nmero positivo desconocido. Estos nmeros se llaman variables de holgura. El sistema anterior quedara: a11x1 + a12x2 + ... + a1nxn + xn + 1 = b1 ......................................................... am1x1 + am2x2 + ... + amnxn + xn + m = bm Como problema matemtico, el problema de programacin lineal puede ser descrito as: Sea un conjunto convexo definido por un sistema lineal de desigualdades (ligaduras). De todos los puntos del convexo, determinar aquel o aquellos para los cuales se optimice una cierta funcin lineal (funcin objetivo).
5. Soluciones del problema

Sea el problema de programacin lineal con n variables y m restricciones independientes. Se llama: Solucin posible: Todo punto x = (x1, x2, ..., xn) cuyas coordenadas son todas positivas y verifica las restricciones. Se llama tambin solucin factible. Solucin posible bsica: Es la solucin posible que no posee ms de m coordenadas positivas. Solucin posible ptima: Es la solucin posible que optimiza la funcin econmica. Proposicin 3: El conjunto de todas las soluciones posibles al problema de programacin lineal es un conjunto convexo. Proposicin 4: Toda solucin posible ptima se alcanza en un punto extremo del conjunto convexo de las soluciones posibles. Proposicin 5: Cuando existan dos o ms soluciones optimas, cualquier combinacin convexa de ellas es tambin solucin ptima.
6. Mtodo de resolucin
a) Mtodo grfico El problema de programacin lineal consiste en encontrar el punto del conjunto convexo determinado por las ecuaciones restriccin que optimice la funcin objetivo. Para ilustrar este mtodo, consideraremos el espacio bidimensional. La funcin objetivo z = c1x1 + c2x2 representa un conjunto de rectas al variar z, todas ellas paralelas y cuya interseccin con el conjunto convexo de soluciones representan puntos que corresponden cada uno de ellos a un determinado valor de z. En la figura, la zona sombreada representa el convexo de soluciones y las rectas z las correspondientes a la funcin objetivo. Al encontrarse el ptimo en uno de los extremos O, A, B, C, D del poliedro convexo de las restricciones basta con hallar los valores de z en cada punto y el ptimo (mximo o mnimo) ser el buscado.
x2
z B
C A
x1
Ejemplo: Maximizar la funcin z = 2x + y sujeta a las condiciones: 1) 2) 3) 4) 5) x0 y0 x + y 200 x 150 y 100
1. Buscamos el convexo de soluciones del sistema de desigualdades dado: y

200 4
100 1
C D
150 200
E
3
2. A continuacin buscaremos los cinco vrtices de la poligonal que delimita nuestro recinto; cada uno de ellos resulta de las intersecciones de un par de lados de la poligonal; as A se obtiene de la interseccin de y ; B se obtiene de y ; C resulta de y ; D resulta de intersecar y y finalmente E se obtiene de intersecar y , con lo que se obtiene: A(0, 0); B(0, 100); C(100, 100); D(150, 50); E(150, 0) Nuestro problema concreto ahora es determinar para que punto del interior, o de la frontera, del convexo de soluciones se alcanza el ptimo y cunto vale ste. Para resolver esta situacin:
? C
A C @ B
? @ A B
Apuntes de lgebra
58 e 77
3. Construimos una tabla de valores en la que calculamos para las coordenadas de los vrtices pertenecientes al convexo de soluciones, los valores de la funcin objetivo; procuraremos con esto desarrollar un criterio de clculo que nos permita elegir el punto para el cual la funcin objetivo alcanza su valor mximo.
Vrtice A(0, 0) B(0, 100) C(100, 100) D(150, 150) E(150, 0)
z = 2x + y 0 100 300 350 300
4 Observamos que el mximo valor alcanzado para z es z = 350 y las coordenadas para las cuales se alcanza dicho valor mximo corresponden al vrtice D(150, 50). Si una funcin objetivo alcanza un mximo (o un mnimo), lo hace en alguno de los vrtices del convexo solucin. Esto nos indica que no hace falta que especifiquemos en la funcin objetivo las coordenadas de puntos que no son vrtices del convexo, pues tales puntos nunca podrn optimizar dicha funcin. Buscamos ahora un mtodo para determinar el vrtice en el que se alcanza el mximo, sin recurrir al reconocimiento analtico precedente. La teora de la convexidad nos proporciona el criterio grfico para lograr tal reconocimiento. Debemos graficar la recta que resulta de hacer, en la funcin objetivo, la sustitucin de z por un valor numrico arbitrario. As pues si hacemos z = 0, obtendremos la recta 2x + y = 0 cuya representacin grfica agregamos a la de la solucin del sistema de inecuaciones. y
2x + y = 0
C D
Apuntes de lgebra
59 e 77
La recta 2x + y = 0, que contiene el vrtice A del convexo de soluciones, deja a ste en un mismo semiplano respecto a dicha recta tomada como frontera. Desde su posicin inicial desplazaremos la recta paralelamente a si misma en el sentido indicado por la flecha que es el de barrido del convexo de soluciones; en su traslacin, la recta alcanza los distintos vrtices B, C, E y finalmente D. Pero B, C y E no pueden corresponder a la posicin en que la funcin alcanza el mximo, pues el convexo no queda incluido en su totalidad en un mismo semiplano respecto de la recta 2x + y = 0 tomada como frontera. D es el vrtice para el que se cumple la inclusin del convexo en el semiplano inferior respecto a dicha recta. Por tanto, en D se alcanza el mximo de la funcin objetivo. La condicin necesaria para que una funcin objetivo pueda optimizarse en un cierto vrtice V, es que todo el convexo de soluciones quede incluido en el mismo semiplano respecto de la recta representativa de dicha funcin que pasa por dicho vrtice. Si grficamente vemos que existen dos vrtices, A y D que cumplen que la recta 2x + y = c que pasa por ellos, deja al convexo en el mismo semiplano, sin embargo, de los dos, solo uno cumple con la condicin de maximizar la funcin, ocurriendo pues que hay vrtices para los que se cumple la condicin de inclusin, pero que no optimizan la funcin. El sentido correcto de desplazamiento de la recta representativa de la funcin objetivo es el que corresponde al aumento de su valor, cuando dicha funcin debe ser maximizada, o aquel en que disminuye, cuando debe ser minimizada.
Si una funcin objetivo alcanza su ptimo valor en dos vrtices del convexo, tambin los alcanzar en los infinitos puntos que son combinacin convexa de los anteriores. b) Mtodo del Smplex El mtodo del Smplex es un procedimiento que selecciona de manera ordenada, de entre las soluciones posibles un conjunto que converge en la solucin ptima. Mediante este procedimiento, partiendo de una solucin posible bsica y en un nmero finito de iteraciones, se alcanza la solucin ptima.
Apuntes de lgebra
60 e 77
Captulo 9
El espacio eucldeo
1. Producto escalar
Sea V un espacio vectorial sobre . Una aplicacin f : V V f(u,v) = u v, se llama producto escalar si verifica: 1. u u 0 , u V y u u = 0 u = 0 2. u v = v u , u , v V 3. ( u ) v = ( u v ) , R , u , v V 4. u ( v + w ) = u v + u w Sea u = ( u1, u2 , , un ) y v = ( v1, v2 , , v n ) dos vectores que necesariamente deben tener el mismo nmero de componentes, el producto escalar de u y v es un escalar y su valor viene dado por: u v = u1v1 + u2 v2 + + un vn
# definida
Ntese que no existe una ley asociativa del producto escalar. La expresin ( u v ) w = u ( v w ) no tiene sentido porque ninguno de los dos lados de la ecuacin estn definidos, ya que ( u v ) y ( v w ) son escalares.
2. Espacio eucldeo
Un espacio eucldeo es un espacio vectorial provisto de un producto escalar (se llama tambin Espacio vectorial eucldeo). Un espacio afn provisto de un producto escalar se llama Espacio afn eucldeo. Generalizando le llamaremos espacio eucldeo a este ltimo. En un espacio eucldeo E se define: Norma de un vector como la raz cuadrada del producto escalar del vector por si mismo u E ; u = u u Se denota E2 el espacio eucldeo de los vectores libres del plano con producto escalar definido de la siguiente forma: u v = u v cos( u , v ) Anlogamente, E3 es el espacio eucldeo de los vectores libres del espacio de tres dimensiones con el mismo producto escalar. En E2 y E3, la norma de un vector coincide con su mdulo u = u u = Se verifica: u + v u + v (desigualdad triangular) u v u v (desigualdad de Schwartz) u u cos 0 = u
Apuntes de lgebra
61 e 77
3. Ortogonalidad
En un espacio eucldeo, dos vectores u , v se dicen ortogonales ( u v ) cuando su producto escalar es cero. u v u v = 0 En E2 y E3, dos vectores no nulos son ortogonales si son perpendiculares u v u v = 0 u v cos( u , v ) = 0 cos( u , v ) = 0 u perpendicular a v Una base vectorial {u1, u2, ..., un} se dice: Ortogonal ui uj, i j Ortonormal Ortogonal y ui = 1, i Una referencia afn R = {0, u1, u2 , u3} en E3 en que la base vectorial {u1 , u2 , u3} es ortogonal, se dice referencia ortonormal. En E3 la base ortonormal se denota {i , j , k } . En ella, el producto escalar de dos vectores que tienen de coordenadas u = (x1, x2, x3); v = (y1, y2, y3) es u v = x1y1 + x2y2 + x3y3 y el mdulo de un vector u = (x1, x2, x3)
2 2 u = x12 + x2 + x3
El vector unitario (de mdulo unidad), de la misma direccin que el u , se obtiene dividiendo cada coordenada por el mdulo de u . As, si u = (x1, x2, x3); el unitario de la misma direccin es: x1 x 2 x 3 |u | , |u | , |u| Anlogamente sera en E2.
4. Orientacin de una referencia en E3

En E3 una referencia R = {0, u1, u2 , u3} ortonormal es de direccin positiva si u11 u 21 u 31 u12 u 22 u 32 u13 u 23 > 0 u 33
donde (ui1, ui2, ui3) son las coordenadas del vector ui en la base ortonormal usual {i , j , k } . De otra forma {u1 , u2 , u3} es de orientacin positiva si la direccin de u3 es la de avance de un sacacorchos que se mueve de u1 a u2 .
5. Producto vectorial
En el espacio eucldeo E3 se llama producto vectorial de dos vectores u , v la aplicacin:
Apuntes de lgebra
62 e 77
f: definida f( u , v ) = u v tal que: 1 u v = u v sen( u , v ) .
# # #
3 3
2 u v perpendicular a ambos. Y por tanto, perpendicular al plano determinado por ambos vectores. 3 Si {u , v , u v } es libre, es de orientacin positiva. Adems verifica: 1. u u = 0(u ) v 2. (u ) v = ( u v ) = u (v ) 3. Si v = u u v = 0 4. u ( v + w ) = ( u v ) + ( u v ) Geomtricamente, el mdulo del producto vectorial de dos vectores, es el rea del paralelogramo construido sobre ellos A h 0 ya que: u v = u v sen = u h = rea del paralelogramo 0ACB Si u = (x1, x2, x3); v = (y1, y2, y3) en la base {i , j, k } es: i u v = x1 y1 j x2 y2 k x3 y3 C
6. Vector direccin de una recta expresada como interseccin de planos

Si la recta r viene expresada como interseccin de los planos 1 y 2; la direccin de r es el producto vectorial de la direccin de ambos planos. d r = d1 d 2
7. Producto mixto de tres vectores

En E3, se define producto mixto de tres vectores u , v , w como el producto escalar de u por el vectorial de v y w . Se denota [ u , v , w ] .
[ u, v, w ]
= u (v w )
Si en (i , j , k ) son u = (u1, u2, u3), v = (v1, v2, v3), w = (w1, w2, w3)
Apuntes de lgebra
63 e 77
u1 u2 u , v , w ] = v1 v2 w1 w2
u3 v3 w3
Sus propiedades fundamentales: 1. [ u , v , w ] = [ u , w , v ] = [ v , w , u ] =
2. [ u , v , w ] = 0 si u = 0 , v = 0 , w = 0 3. [ u , v , w1 + w2 ] = [ u , v , w1 ] + [ u , v , w2 ] 4. [ u , v , w ] = [ u , v , w ] 5. Tres vectores son coplanarios si, y solo si, su producto mixto es cero.
8. Condicin para que dos rectas se corten en E3

La condicin necesaria y suficiente para que dos rectas en E3 se corten es que el producto mixto de los vectores de direccin de ambas y un vector que una dos puntos cualesquiera de ellas, sea cero r corta a s dr , d s , AB , donde A r, B s r
dr A
ds
9. Aplicaciones geomtricas
1. Distancias a) Entre dos puntos: P = (x1, x2, x3); Q = (y1, y2, y3), la distancia es el mdulo del vector que determinan; por lo tanto, resulta d(P,Q) = | PQ | = ( y 1 x1 ) 2 + ( y 2 x 2 ) 2 + ( y 3 x 3 ) 2 | AP d r | donde A r |dr |
b) Entre un punto y una recta: P = (x1, x2, x3); y recta de direccin d r d(P, r) =
c) Entre un punto y un plano: P = (x1, x2, x3); Ax + By + Cz + D Ax 1 + Bx 2 + Cx 3 + D d(P, ) = |dn | d) Entre dos rectas que se cruzan:
Apuntes de lgebra
64 e 77
d(r, s) = 2. ngulo de dos vectores
[d r , ds , AB] ; donde A r, B s |dr d s |
Sean u y v dos vectores diferentes de cero. Si es el ngulo entre ellos, entonces cos = Demostracin: Segn la ley de los cosenos, en el tringulo de la figura B c A a C b u v u v
c2 = a2 + b2 2ab cosC Ahora se colocan las representaciones de y con sus puntos iniciales en el origen de modo que u = (a1, b1) y v = (a2, b2). y (a1, b1)
(a2, b2)
0 x
Entonces, por la ley de los cosenos, v u = v + u 2 v u cos . Pero, por otra parte v u = ( v u ) ( v u ) = v v 2 v u + u u = v 2v u + u
2 2 2
As, despus de simplificar, se obtiene 2 v u = 2 v u cos , de donde sigue la obtencin de la formula del ngulo formado por los dos vectores.
Apuntes de lgebra
65 e 77
a) ngulo de dos rectas r y s, con vectores directores (u1, v1, w1) y (u2, v2, w2) respectivamente, es el mismo que determinan sus vectores directores, luego resulta: cos = dr ds = |d r | | d s | u1 u2 + v1v 2 + w1 w2
2 2 2 u12 + v12 + w12 u2 + v 2 + w2
r dr ds s
b) ngulo de recta r y plano . cos( d d ) = r 2 |d r | | d |
c) ngulo de dos planos: El de sus vectores de direccin. d) Vectores paralelos en 2: Dos vectores u y v diferentes de cero, son paralelos si el ngulo entre ellos es cero . Advirtase que los vectores paralelos pueden tener direcciones iguales u opuestas. e) Vectores ortogonales en 2: A los vectores u y v diferentes de cero, se les llama ortogonales (o perpendiculares) si el ngulo entre ellos es /2. Los vectores u y v diferentes de cero, son ortogonales si y solo si u v = 0. Sea v un vector diferente de cero. Entonces, si u es un vector cualquiera, el vector uv w=u 2 v v
es ortogonal a v , como se demuestra en el siguiente desarrollo: (u v ) v = w v = u v = 2 v 2 (u v ) v ( u v )( v v ) u v = u v = u v u v = 0 2 2 v v f) Proyeccin en 2: Sea u y v vectores diferentes de cero. Entonces la proyeccin de u sobre v es un vector, denotado por proy v u , que se define por proy v u = uv v
2
v u v v
La componente de u en la direccin de v es
Apuntes de lgebra
66 e 77
g) Direccin de un vector v = (x, y, z) diferente de cero en v un vector unitario u = . |v |
se define como
De cualquier manera, resulta conveniente definir la direccin de un vector en trminos de ciertos ngulos. Se definen como el ngulo entre v y la parte positiva del eje x, como el ngulo entre v y la parte positiva del eje y y como el ngulo entre v y la parte positiva del eje z. Los ngulos , y reciben el nombre de ngulos de direccin o ngulos directores del vector. Y su valor se puede calcular mediante las siguientes frmulas: x y z cos = cos = cos = v v v Los cosenos de estos ngulos reciben el nombre genrico de cosenos directores del vector v y satisfacen la igualdad:
2 2 2 cos2 + cos2 + cos2 = x + y 2 + z = 1
3. reas y volmenes a) rea del tringulo de vrtices A, B, C. 1 rea = | AB AC | 2 b) Volumen de un paraleleppedo de lados concurrentes AB, AC y AD. Volumen = [ AB, AC , AD ] c) Volumen de un tetraedro de vrtices A, B, C, D. Volumen =
1 [ AB, AC , AD ] 6
Apuntes de lgebra
67 e 77
Captulo 10
Diagonalizacin de matrices
1. Introduccin
En este captulo se analizan las expresiones analticas de un mismo endomorfismo respecto de diferentes bases, en este caso las matrices correspondientes son semejantes entre si, y todas ellas pertenecen a una clase de equivalencia. Se busca que en esta clase exista una matriz diagonal y en su caso la matriz asociada al cambio de base, respecto a la cual la expresin analtica del endomorfismo es diagonal. Como se ver, no siempre todas las matrices de una clase son semejantes a una matriz diagonal. En este captulo se estudian las condiciones necesarias y suficientes para que una matriz sea diagonalizable.
2. Valores y vectores propios de una aplicacin lineal

Sea f : V V una aplicacin lineal sobre el espacio vectorial V. Se define: Autovalor o valor propio de f es todo escalar tal que existe un vector u V no nulo para el que f( u ) = u . Autovector o vector propio de f, correspondiente al autovalor es todo vector u no nulo de V tal que f( u ) = u .
3. Valores y vectores propios de una matriz cuadrada

Al ser toda matriz cuadrada A representante de una aplicacin lineal f : V V, se define valor y vector propio de A el valor y vector propio de la aplicacin asociada. En forma matricial: autovalor de A X 0 tal que AX = X X 0, X autovector de A R tal que AX = X
4. Ecuacin caracterstica
Para una matriz cuadrada A, los vectores propios asociados al valor , son las soluciones de la ecuacin matricial: (A I)X = 0 La ecuacin: | A I | = 0 se llama ecuacin caracterstica de A, sus soluciones son los autovalores de A. El polinomio en : | A I | se llama polinomio caracterstico de A.
Apuntes de lgebra
68 e 77
5. Subespacios propios
Para cada autovalor de de A, el conjunto X de autovectores asociado se obtiene resolviendo el sistema resultante de la ecuacin: (A I)X = 0. Para cada ese conjunto es un subespacio vectorial que se llama subespacio propio asociado a . Se denota L, y su dimensin es: dm L = n rg(A I) donde n = orden de A. Proposicin: Si 1, 2, ..., p son autovalores de una matriz de orden n, distintos dos a dos, el sistema {X1, X2, ..., Xn}, donde Xi es vector propio asociado a i, es un sistema libre. Si adems p = n, el sistema es una base del espacio vectorial V de definicin de la aplicacin asociada a A.
6. Semejanza de matrices
Dos matrices A y B son semejantes si existe una matriz P regular, tal que: B = P-1AP (P = matriz de paso) Algunas propiedades de inters: Si A y B son semejantes |A| = |B|. Si A y B son semejantes, tambin lo son An y Bn. Las matrices asociadas a un endomorfismo en diferentes bases, son semejantes. Si A y B son semejantes, tienen la misma ecuacin caracterstica y, con ello, los mismos autovalores con el mismo orden de multiplicidad en ella.
7. Diagonalizacin de matrices
Una matriz cuadrada A de orden n se dice diagonalizable si, y solo si, es semejante a una matriz D diagonal. Es decir, si existe una matriz P, regular, tal que D = P-1AP. Diagonalizar una matriz es el proceso de encontrar la matriz D diagonal semejante y la matriz P de paso. Teorema de caracterizacin de matrices diagonalizables: Una matriz A de orden n, con nmeros reales, es diagonalizable si, y solo si, admite n vectores propios linealmente independientes. Esto sucede cuando: 1. La ecuacin caracterstica tiene n races reales (iguales o no). 2. El orden de multiplicidad de cada autovalor en la ecuacin caracterstica coincide con la dimensin del subespacio propio asociado.
8. Proceso de diagonalizacin. Su clculo

Sea A matriz de orden n diagonalizable. Si 1, 2, ..., r, son los autovalores con ordenes de multiplicidad 1, 2, ..., r, respectivamente (1 + 2 + ... + r = n), entonces
Apuntes de lgebra
69 e 77
la aplicacin lineal f, de matriz asociada A, tiene tambin asociada en una cierta base la matriz diagonal D cuya diagonal principal es
( , , , , , , , , , )
1 2 r
1 1 2 2 r r
La matriz de paso P es la que tiene por columnas: Las 1 primeras, los vectores de una base del subespacio asociado a 1. Las 2 siguientes, los vectores de una base del subespacio propio asociado a 2, y as sucesivamente. Ese conjunto de vectores propios que forman las columnas de P son la base donde f tiene asociada la matriz D. Este proceso de diagonalizacin se llama por semejanza. Ejemplo: Dada la matriz 3 1 0 A = 1 2 1 0 1 3 calcularemos los valores propios, los vectores propios correspondientes, la matriz diagonal y la matriz de paso. La ecuacin caracterstica ser: 3 |A I| = 1 0 1 0 2 1 = (3 )[2 5 + 4] 1 3
cuyos autovalores son 1 = 1, 2 = 3, 3 = 4. Para calcular los vectores propios correspondientes a cada un de ellos, tenemos la ecuacin matricial (A I) = 0 , y siendo u1 u = u2 u3 resultar, para 1 = 1: 2 1 0 u1 0 2u1 u2 = 0 2u1 u2 = 0 1 1 1 u2 = 0 u1 + u2 u3 = 0 u2 + 2u3 = 0 0 1 2 u3 0 u2 + 2u3 = 0 u1 = , u2 = 2, u3 = ; o bien escribiendo L1 = {(, 2, ), }. La base de L1 ser (1,2,1).
Para 2 = 3: 0 1 0 u1 1 1 1 u2 = 0 1 0 u3
Apuntes de lgebra
0 u2 = 0 0 u1 + u2 + u3 = 0 0
70 e 77
u1 = , u2 = 0, u3 = ; La base de L2 ser (1,0,1). Para 3 = 4:
# o bien escribiendo L
= {(, 0, ),
#}.
1 1 0 u1 0 u1 + u2 = 0 u1 + u2 = 0 1 2 1 u2 = 0 u1 + 2u2 + u3 = 0 u2 + u3 = 0 0 1 1 u3 0 u2 + u3 = 0 u1 = , u2 = , u3 = ; La base de L3 ser (1,1,1).
# o bien escribiendo L
= {(, , ),
#}.
La matriz diagonal se compone colocando los autovalores en la diagonal de una matriz, con el resto de los trminos igual a 0, y la matriz de paso formando una matriz cuyas columnas son los las bases de cada uno de los vectores propios: 1 0 0 D = 0 3 0 0 0 4 1 1 1 P = 2 0 1 1 1 1
Para comprobar la correccin de la solucin debera verificarse que D = P-1AP.
9. Matrices simtricas
Si la matriz A es simtrica, en la diagonalizacin existen ciertas caractersticas: a) Los autovalores son todos reales. b) Verifican el teorema de caracterizacin de matrices diagonalizables. c) La base de vectores propios es ortogonal.
10. Matriz ortogonal

Dividiendo cada vector de la base ortogonal por su mdulo se obtiene una base ortonormal (ortonormalizacin). La matriz cuadrada que tiene por columnas (o filas) un sistema ortogonal se llama Matriz ortogonal y verifica: A ortogonal A' = A-1
11. Diagonalizacin ortogonal

Toda matriz real y simtrica es ortogonalmente diagonalizable, es decir: A simtrica P ortogonal tal que D = P-1AP es diagonal
Apuntes de lgebra
71 e 77
12. Formas bilineales sobre un espacio vectorial

Sea V un espacio vectorial sobre un cuerpo K. Una forma bilineal sobre V es una aplicacin f : V V K, tal que: 1. f (u1 + u2 , v ) = f ( u1, v ) + f ( u2 , v ) 2. f ( u ,v1 + v2 ) = f ( u , v1 ) + f ( u , v2 ) Si el cuerpo K = R (reales), la forma bilineal se dice real. Una forma bilineal se dice simtrica si f ( u , v ) = f ( v , u ) , u , v V . Una forma bilineal se dice alternada si f ( u , u ) = 0 , u V . (Esta definicin es equivalente a: f ( u , v ) = f ( v , u ) , u , v V ). Ejemplo:
La aplicacin f: 2 y = ( y1, y2 ) le asigna el valor
# #
2
#,
que a cada par de vectores x = ( x1, x2 ) ,
f ( x , y ) = f [ ( x1 , x2 ),( y1 , y2 )] = 3x1 y1 6 x1 y2 + 5x2 y1 + 4 x2 y2 es una forma bilineal sobre cialmente poniendo:
# . Ntese que esta forma bilineal se puede expresar matri-
3 6 y1 f ( x , y ) = [ x1 x2 ] 5 4 y2
13. Expresin matricial de una forma bilineal

Sea f : V V una forma bilineal sobre V de dimensin n, y sea B = {e1, e2 , , en } una base de V. Si u = ( x1, x2 , , x n ) , v = ( y1, y2 , , yn ) son las coordenadas de ambos vectores en la base B, la imagen f ( u , v ) puede expresarse: f ( u , v ) = [ x1 x 2
a11 a 21 xn ] a n1
a y a y = X AY a a y
a12 a 22
1n 1 2 2n
n2
nn
donde: Xt = matriz fila de las coordenadas de X en B. Y = matriz columna de las coordenadas de Y en B. A = matriz asociada a f en la base B. Cada aij de A en la base B verifica aij = f ( ei , e j ) ; i, j = 1, 2, ..., n Por tanto, una forma bilineal f en una base B queda determinada conociendo la imagen por f de cada par de vectores de B.
Apuntes de lgebra
72 e 77
Se dice que A es la matriz (de Gram) de la forma bilineal f en la base B. La correspondencia f A es un isomorfismo del espacio vectorial (V), de las formas bilineales sobre el espacio V de dimensin n, en el espacio vectorial Mn, de las matrices cuadradas n x n. Consecuencia: Una forma bilineal f de matriz asociada A es: Simtrica si A simtrica Alternada si A es antisimtrica.
Ejemplo: Sea f:
3
# # # la forma bilineal definida por

3
f((x1,x2,x3),(y1,y2,y3)) = 2x1y1 3x1y2 + x2y1 + 6x1y3 + 4x3y2 x3y3 La expresin matricial de f en la base cannica de
es:
f((x1,x2,x3),(y1,y2,y3)) = x1
x2
2 3 6 y1 x 3 1 0 0 y 2 = XtAY 0 4 1 y 3
La matriz A' de f en la nueva base ( u1, u2 , u3 ) , donde u1 = (2,0,0), u2 = (1,2,0) y u3 = (-3,1,1), ser: f (u1 , u1 ) A' = f (u2 , u1 ) f (u3 , u1 ) f (u1 , u2 ) f ( u2 , u 2 ) f ( u 3 , u2 ) f (u1 , u3 ) f ( u2 , u3 ) = f ( u3 , u3 ) 8 8 6 2 9 8 10 21 9
14. Cambio de base en una forma bilineal
Sea f : V V una forma bilineal y B = {e1, e2 , , en } ; B' = {e '1 , e '2 , dos bases de V, tales que: e '1 = a11e1 + a12e2 + + a1n en = (a11, a12, ..., a1n) en B
, e ' }
n
................................................................................ e ' n = an1e1 + an2e2 +
+ a
nnen =
(an1, an2, ..., ann) en B
Si A y A' son las matrices de f en las bases B y B', respectivamente, se verifica: A' = P tAP donde P es la matriz que tiene por columnas las coordenadas de los vectores de B' expresadas en B. Es decir,
Apuntes de lgebra
73 e 77
a11 a 12 P= ... a1n
a 21 a 22 ... a2n
... a n1 ... a n 2 ... ... ... a nn
15. Matrices congruentes

Dos matrices A y B cuadradas del mismo orden se dicen congruentes si existe una matriz regular P tal que: A = PtBP Las matrices A y A' de una forma bilineal sobre dos bases diferentes, son congruentes.
16. Vectores conjugados respecto a una forma bilineal simtrica. Ncleo

Dos vectores u , v son conjugados respecto una forma bilineal simtrica f, si: f (u , v ) = 0 Un vector u es conjugado con un subespacio S respecto de f si lo es con todos los vectores de S. u conjugado con S u conjugado con S f ( u , v ) = 0; v S
Si B es base de S, la anterior definicin es equivalente a: f ( u , v ) = 0; v B siendo B = base de S f:VV
Se llama ncleo de una forma bilineal simtrica vectores de V conjugados con todos los de V.
#, el conjunto de
N(f) = { u V tal que f ( u , v ) = 0; v V } Al ser f ( u , v ) = X t AY = 0 N(f) = {Y tal que AY = 0} Una forma bilineal simtrica se dice degenerada si N(f) = 0, es decir, cuando: rg(A) < n (n = dm V)
Apuntes de lgebra
74 e 77
Captulo 11
1. Definicin
Formas cuadrticas
Sea V un espacio vectorial real y f : V V una forma bilineal sobre V. Se llama forma cuadrtica asociada a f, la aplicacin q : V definida por
q( u ) = f ( u , u ) para todo u V
2. Forma polar asociada a una forma cuadrtica

De la definicin de forma cuadrtica se deduce que existe una sola forma cuadrtica asociada a una forma bilineal dada. El recproco no es cierto, existen diferentes formas bilineales asociadas a una forma cuadrtica. De todas ellas una sola es simtrica y se llama Forma polar de la forma cuadrtica. es una forma cuadrtica, su forma polar est definida: As, si q : V
f:VV
# tal que
f (u , v ) =
1 [ q( u + v ) q( u ) q( v )] 2
3. Propiedades de las formas cuadrticas

Si q : V
# es la forma cuadrtica asociada a f : V V #;
a) q( u ) = f ( u , u ) = 2 f ( u , u ) = 2 q( u ) b) q( q( 0 ) = 0 ) = 0 c) q( u + v ) = f ( u + v , u + v ) = q(u ) + q( v ) + f ( u , v ) + f ( v , u )
4. Formas cuadrticas definidas

En toda forma cuadrtica es q( 0 ) = 0 . Ahora bien, podra haber otros vectores u V tales que q( u ) = 0 . Una forma cuadrtica, q : V q definida
[ q( u ) = 0 u = 0]
# se dice definida si
5. Expresin matricial de una forma cuadrtica

Si f : V V
# es una forma bilineal de matriz A en una base B, ser:

f ( u , v ) = X t AY
75 e 77
Apuntes de lgebra
La forma cuadrtica asociada a f, en la misma base de V ser: q( u ) = f (u , u ) = X t AX Ahora bien, al existir diferentes formas bilineales asociadas a q, se define: Matriz de una forma cuadrtica la matriz de su forma polar asociada. Esta matriz ser, por lo tanto, simtrica.
6. Cambio de base en una forma cuadrtica

Si q( u ) = X t AX es la expresin de una forma cuadrtica en la base B, y es P la matriz que expresa en columnas las coordenadas de los vectores de una nueva base B' en B, la expresin de q en B' ser: q( u ) = X t AX siendo A' = P tAP Las dos matrices A y A' son, por tanto, congruentes. Por tanto, dos matrices cuadradas del mismo orden con congruentes si lo son de una misma forma cuadrtica en dos bases distintas.
7. Diagonalizacin de una forma cuadrtica

Diagonalizar una forma cuadrtica consiste en encontrar una base respecto de la cual la matriz sea diagonal. Su expresin, en esa nueva base, quedar reducida a una suma de cuadrados
2 q( u ) = a11x12 + a22 x2 +
Proposicin: En toda forma cuadrtica q : V la matriz asociada a q es diagonal.
+a
# existe alguna base de V donde
2 nn xn
8. Rango y signatura de una forma cuadrtica

El rango de una forma cuadrtica es el rango de su matriz rg(q) = rg(A) se llama al par (p, m) donde p es Signatura de una forma cuadrtica q : V el nmero de elementos positivos que posee la diagonal de la matriz diagonal asociada a q, y m los negativos. Se designa sg(q) y se verifica: p + m = rg(q) Teorema de Silvester: El nmero de elementos positivos que hay en la matriz diagonal de cualquiera de las matrices diagonales asociadas a una forma cuadrtica dada, es el mismo. Tanto el rango como la signatura de una forma cuadrtica son invariantes expresada la forma en cualquier base.
Apuntes de lgebra
76 e 77
9. Proceso de diagonalizacin
Hay diversas formas de diagonalizar una forma cuadrtica e incluso la misma matriz asociada diagonal no es nica. Las formas distintas son las mismas de la diagonalizacin de matrices simtricas.
10. Clasificacin de las formas cuadrticas

Sea q : V ser: 1. Definida positiva. Si q( u ) > 0; u V , u 0. 2. Definida negativa. Si q( u ) < 0; u V , u 0. 3. Semidefinida positiva. Si q( u ) 0; u V , u = 0 tal que q(u ) = 0 . 4. Semidefinida negativa. Si q( u ) 0; u V , u 0 tal que q(u ) = 0 . 5. Indefinida. Si u1, u2 V tal que q( u1 ) > 0; q( u2 ) < 0 . Una forma cuadrtica puede clasificarse haciendo uso de su diagonalizacin y recordando que tanto el rango como la signatura son invariantes. As: 1. Definida positiva: sg(q) = (n, 0); rg(q) = n o bien, cuando todos los autovalores son positivos. 2. Definida negativa: sg(q) = (0, n); rg(q) = n o bien, cuando todos los autovalores son negativos. 3. Semidefinida positiva: sg(q) = (r, 0); rg(q) = r < n los autovalores son mayores que cero, con alguno de ellos cero. 4. Semidefinida negativa: sg(q) = (0, r); rg(q) = r < n los autovalores son negativos, con alguno de ellos cero. 5. Indefinida: Restantes casos. Los autovalores son positivos y negativos.
forma cuadrtica, donde dmV = n. La forma cuadrtica puede
Apuntes de lgebra
77 e 77

Algebra

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algebra

Uploaded by

Copyright:

Available Formats

Apuntes de lgebra

3. Teorema de caracterizacin de subespacios vectoriales.

5. Combinacin lineal de vectores

se dir u combinacin lineal de u1, u2 ,

6. Variedad lineal vectorial

7. Sistemas libres y ligados

, u } es libre, o linealmente independienn

ui = 1u1 + + i 1ui 1 + i +1ui +1 + + n un Determinacin

10. Base de un espacio vectorial

11. Dimensin de un espacio vectorial

12. Suma de subespacios vectoriales

13. Interseccin de subespacios vectoriales

14. Relacin entre dimensiones de los subespacios suma e interseccin.

15. Suma directa. Espacios suplementarios

16. Rango de un sistema de vectores

17. Teorema de la base incompleta

2. Algunos tipos particulares de matrices

A = [bij] tal que bij = aij

4. El grupo abeliano (Mm,n , +)

5. Producto de un elemento de K por una matriz

2 x11 5 y11 = 1 2 x 5 y = 2 12 12 2 x 21 5 y 21 = 0 2 x 22 5 y 22 = 1 x11 + 3 y11 = 2 x12 + 3 y12 = 1 x 21 + 3 y 21 = 3 x 22 + 3 y 22 = 0

6. El espacio vectorial Mm,n (K)

cij = ai1b1j + ai2b2j + ... + ainbnj =

8. Ley asociativa de la multiplicacin matricial

9. Ley distributiva de la multiplicacin matricial

10. El anillo de las matrices cuadradas de orden n

11. Matrices inversibles o regulares

12. Cambio de base en un espacio vectorial

# . Esto significa que

Como B2 es otra base de

bases de E, donde los vectores de B2 en B1 son:

x1 a11 x a 2 = 21 ... ... x n a n1

2. Calcular C . Esta es la matriz de transicin requerida.

13. Rango de una matriz

14. Operaciones elementales en una matriz

15. Clculo del rango de una matriz

16. Clculo de la matriz inversa mediante transformaciones elementales

Determinante de una matriz cuadrada

a11 ... a1 + b1 a21 ... a2 + b2 ... ... ... an1 ... an + bn

3. Menor complementario y adjunto de un elemento

4. Menor complementario y adjunto de un menor de una matriz

5. Clculo prctico de determinantes

... 1 ... a n 2 ... an ... ... n ... a n 1 significa producto).

y su valor es: Dn = (a j ai ) , (donde

7. Caracterizacin de las matrices regulares

8. Clculo de la matriz inversa mediante determinantes

9. Rango de una matriz mediante determinantes

10. Determinante de la matriz producto de otras dos

4. Imagen de una aplicacin lineal

y por tanto los vectores f( v1 ), f( v2 ), ..., f( v n ) generan a Im(f).

5. Ncleo de una aplicacin lineal

Ejemplo: Dada la aplicacin lineal f :

6. Determinacin de una aplicacin lineal. Matriz

cuya imagen es generada por

Ejemplo 2: Hallar el ncleo y la imagen de la aplicacin lineal f:

# y # , la ecuacin matricial, Y = AX, de la

7. Rango de una aplicacin lineal

8. Aplicaciones lineales inyectivas

f(a + bx +cx2) = (a + b 2c, 2a + b + c, 2a + 3b + hc)

10. Caracterizacin de endomorfismos biyectivos

11. Conjunto de las aplicaciones lineales entre dos espacios EyF

Si f, g son dos aplicaciones lineales entre E y F; f, g

Aplicacin suma de f y g, a la aplicacin f + g : E F tal que: u E; ( f + g )( u ) = f ( u ) + g( u ) La suma as definida es interna: (f + g)

/(E,F) /(E,F), se define aplica-

, u } es libre, o linealmente independienn