Professional Documents
Culture Documents
LGEBRA LINEAL
NOTAS DE CLASE
Profesores de la asignatura
CONTENIDOS
6.1 Introduccin.
6.2 Forma de Jordan de matrices de orden dos y tres.
6.3 Teorema de clasificacin de Jordan.
6.4 Algoritmo para obtener la forma de Jordan de una matriz.
Ejercicios tema 6.
Soluciones ejercicios tema 6.
Bibliografa
Tema 1
1.1.1 Introduccin.
Definicin. La matriz de Emxn que tiene todos sus elementos nulos se denomina matriz
nula, y se la representa por (0)mxn.
Definicin. Se llama matriz lnea la matriz que consta de una sola lnea. Si est formada
por una sola fila se llama matriz fila y si est formada por una sola columna matriz
columna.
Definicin. Los elementos aii de una matriz cuadrada se dice que pertenecen a la
diagonal principal y se llaman elementos principales.
Definicin. Se llama matriz diagonal a toda matriz cuadrada cuyos trminos situados
fuera de la diagonal principal son todos nulos.
Un caso particular de matriz diagonal es la matriz escalar en la que todos los elementos
de la diagonal principal son iguales.
1 0 ... 0
0 1 ... 0
I= = ( ij ) = 1 si i = j
. . ... . 0 si i j
0 0 ... 1
Definicin. Una matriz cuadrada se dice triangular superior si todos los trminos
situados por debajo de la diagonal principal son ceros. Anlogamente, se dice triangular
inferior si todos los trminos situados por encima de la diagonal principal son ceros.
Ejemplo.
1 0 0 0
1 2 3
2 3 0 0
0 5 6 4 5 6 0
0 0 8
matriz triangular superior
7 8 9 10
matriz triangular inferior
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 3
1- (A + B) = A + B A, B Emxn
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 4
2- (+)A=A+A , A Emxn
3- ( ) A = ( A ) , A Emxn
4- 1A=A 1 A Emxn
p
cij = a ik b kj i = 1, 2,..., m j = 1, 2,..., n
k =1
p
cij = a i1b1j + a i2 b 2j + ... + a ip b pj = a ik b kj
k =1
Ejemplo.
0
4 2 5 12 c11 = 4 0 + 2 1 + 5 2 = 12
. 1 =
3 1 2 2x3 2 5 2x1 c 21 = 3 0 + 1 1 + 2 2 = 5
3x1
A B = C
1 2 2 1
Ejemplo. Sean las matrices A= B=
0 3 1 0
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 5
1 2 2 1 0 1
AB = =
0 3 1 0 3 0
2 1 1 2 2 7
B A = =
1 0 0 3 1 -2
Propiedades.
3- Asociatividad
Observaciones
1 0 0 0 0
0 0 0
A B = 0 0 = 0 0 0
1 0 1 1 0 0 0 0
1 0
0 0 1 0 0 1
Ejemplo. Sean A = 0 0 , B = y C= , entonces
1 0 1 0 0 0 1 0
A B = A C, A (0) y BC
Definicin. Una matriz cuadrada A se dice regular si existe otra matriz cuadrada A-1, a
la que llamaremos inversa de A, tal que A A-1 = A-1 A = I. En caso contrario se dice
que A es singular.
Ap = (A A A ... A)
p veces
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 7
Propiedades.
3- A = A p p N
p
A-p = (A-1)p
Propiedades.
3- A -p = A p N A regular
-p
1 0 0 1 0 0 1 0 0 12 0 0
A = 0 2 0 A = A A = 0 2
2
0 0 2 0 = 0
2
2 0 ,
0 0 3 0 0 3 0 0 3 0 0 32
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 8
y, en general,
1p 0 0
Ap = 0 2p 0 p N
0 0 3p
1 0 0 1-1 0 0 1 0 0 1-1 0 0
0 2 0 0 2-1
0 = 0 1 0 A = 0 2
1 -1
0
0
0 3 0 0 3-1 0 0 1 0
0 3-1
y, en general,
1-p 0 0
A p
= 0
-p
2 0 p N A regular.
0 0 3-p
Estos resultados podran inducir a pensar que todos los clculos del lgebra matricial son
anlogos a los del lgebra elemental, pero esto no es cierto.
(A+B)(A-B) = A2 + BA - AB - B2 A2 - B2
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 9
1 8
1 2 7
Ejemplo. A= , A = 2 5
t
8 5 4 7 4
Propiedades.
1- (At)t = A A Emxn
2- A, B Emxn (A + B)t = At + Bt
En general:
Definicin. Una matriz cuadrada se dice que es simtrica si coincide con su traspuesta, es
decir A = At ( aij = aji i, j = 1, 2,..., n).
1 2 3 0 2 4
2 0 5
Ejemplo.
2 5 6
3 6 8 4 5 0
matriz simtrica matriz antisimtrica
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 10
1.3. DETERMINANTES.
Definicin.
Asociado a cada matriz cuadrada existe un escalar que es el valor del determinante y se
calcula de la forma siguiente:
a n1 a n2 ... a nn
Para hacer esto de modo ms simple se ordenan por filas los elementos de cada trmino,
es decir, el primer factor ser el correspondiente a la primera fila, el segundo el de la
segunda fila,...,el n-simo el de la n-sima fila, es decir, cada trmino es de la forma
a1j1 a 2j2 a 3j3 ... a njn ; en total hay n! sumandos.
Cada uno de estos trminos llevar el signo + o - segn que el nmero de inversiones
de la permutacin (j1,j2,...,jn) respecto del orden natural (1,2,...,n) sea par o impar. El
nmero total de sumandos para calcular un determinante es n! pues ste es el nmero
total de posibles formas de tomar un elemento de cada una de las n columnas.
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 11
Ejemplos.
1. Si el trmino es a12 a23 a31 llevar el signo + , pues en este caso (2,3,1) tiene el
siguiente nmero de inversiones:
luego (2,3,1) tiene dos inversiones, que es un nmero par El trmino llevar
signo +.
a11 a12
A = = a11 a 22 a12 a 21.
a 21 a 22
Cuando el orden de la matriz cuadrada es mayor que 3 no tiene sentido el plantear una
expresin como las obtenidas para orden 2 y 3, ya que sera difcil usarlas en la prctica
para resolver los problemas que se nos van a presentar durante el curso. En su lugar
vamos a plantear un mtodo general que nos permita obtener dicho determinante
reduciendo el orden de la matriz con la que trabajamos. Para ello, vamos a repasar antes
algunos conceptos que nos van a ser tiles en la aplicacin de dicho mtodo:
Definicin. Cuando un menor de un determinante est formado por las q primeras filas
y las q primeras columnas se denomina menor principal de orden q.
los productos de los elementos de una lnea (fila o columna) por los adjuntos de los
mismos. En general se elige la lnea que tenga mayor nmero de elementos nulos.
Desarrollando el determinante por la i-sima fila se obtiene que
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 13
3 5 2 4
1 0 2 3
Ejemplo. Calcular D =
0 4 0 1 2 elementos nulos
6 1 2 3
5 2 4 3 2 4 3 5 4 3 5 2
D = 0 0 2 3 4 1 2 3 + 0 1 0 3 1 1 0 2 = 6
1 2 3 6 2 3 6 1 3 6 1 2
Dichas transformaciones deben tener en cuenta siempre las siguientes propiedades de los
determinantes:
1- El valor de un determinante no se altera cuando se cambian las filas por las columnas.
6- Sea el determinante
a11 + b11 a12 + b12 ... a1n + b1n a11 a12 ... a1n b11 b12 ... b1n
a 21 a 22 ... a 2n a a 22 ... a 2n a 21 a 22 ... a 2n
= 21 +
... ... ... ... ... ... ... ... ... ... ... ...
a n1 a n2 ... a nn a n1 a n2 ... a nn a n1 a n2 ... a nn
En general: Si todos los elementos de una fila (o columna) de un determinante son sumas
de p nmeros, se puede descomponer dicho determinante en suma de p determinantes que
tienen comunes todas las filas (o columnas) excepto la considerada, la cual viene
sustituda por el primer sumando en el primer determinante, por el segundo sumando en
el segundo determinante,..., por el p-simo sumando en el p-simo determinante.
8- Si una fila (o columna) tiene todos sus elementos nulos, el determinante es cero.
10- A B = A B A, BEnxn ( ).
Definicin. Se llama rango de una matriz A al orden del mayor menor no nulo que puede
extraerse de ella. Tambin, teniendo en cuenta las propiedades de los determinantes, es el
mayor nmero de filas o columnas que son linealmente independientes en A.
2 2 0
Ejemplo. Hallar la adjunta de A = 0 3 1 .
1 0 1
2 0 1
Su traspuesta es A t = 2 3 0 y su adjunta
0 1 1
3 0 2 0 2 3
1 1 0 1 0 1
0 3 2 2
2 0
= 1 2 2 .
1 2 1
Aa =
1 1 0 1 0 1
3 2 6
0 1
2 1 2 0
3 0 2 0 2 3
La inversa de una matriz regular existe y es nica, y una posible forma de calcularla es la
siguiente.
1
A 1 = Aa .
A
2 2 0
Ejemplo. Calcular la inversa de A = 0 3 1
1 0 1
A = 2 3 1 + 1 2 1 = 8 0 A 1
2 0 1 3 -2 2 3/8 1/ 4 1/ 4
A = 2 3 0 , A = 1 2 -2 y A = 1/ 8
t a -1
1/ 4 1/ 4 .
0 1 1 3 / 4
-3 2 6 3/8 1/ 4
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 16
Propiedades.
Demostracin. Multiplicando a la izquierda por A-1, que existe por ser A regular
A-1AB = IB = B = (0)
1
3- El determinante de A-1 es el inverso del determinante de A: A 1 =
A
A Enxn ( ) ( A regular).
1
Demostracin. A A 1 = A A 1 = I = 1 A 1 =
A
AA-1 =I (A-1)-1 = A.
AA-1 = I
trasponiendo
(AA-1)t = (A-1)t At = I
(A B) B1 A 1 =A A 1 = I
I
En ciertos casos se supondr que una matriz A est formada por submatrices
denominadas bloques de A, dicindose que A es una matriz por bloques. Naturalmente
una matriz puede particionarse en bloques de formas diferentes.
Las operaciones sobre matrices por bloques se pueden realizar efectuando el clculo con
los bloques como si stos fueran componentes de las matrices. Para que se pueda operar
con los bloques es preciso que las particiones se hagan de modo que las operaciones
tengan sentido.
2 0 1 1 1 2 3 1
Eiemplo. Sea A = 3 2 1 0 y B = 2 3 1 0 , entonces
0 0 2 4 1 1 1 1
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 18
2 0 1 1 2 3 1 1 3 2 4 2
+ +
A + B = 3 2 1 2 3 1 0 0 = 5 5 2 0
( 0 0 2 ) + (1 1 1) ( 4 ) + (1) 1 1 3 5
Producto de un Escalar por una Matriz por Bloques. Sea A una matriz definida
sobre particionada en bloques. Para multiplicar A por el escalar se multiplica
cada bloque de A por .
2 0 1 1
Ejemplo. Sea A = 3 2 1 0 y = 7 ,entonces
0 0 2 4
2 0 1 1 14 0 7 7
7 7
7A = 3 2 1 0 = 21 14 7 0
7 ( 0 0 2 ) 7 ( 4 ) 0 0 14 28
es decir, de forma que el nmero de columnas de cada bloque Aik de A sea igual al
nmero de filas de cada bloque Bkj de B, entonces
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 19
1 2 0
3 0 1 2 0 1 1
Eiemplo. Sea A = 1 4 2 y B= 3 2 -1 0 hallar AB trabajando con
0 0 2 4
5 1 1
2 1 3
matrices particionadas.
2 0 1 1
B= 3 2 -1 0
0 0 2 4
2 0 1 1 2 0 1 1 2 0 1 1
3 2 1 0 , 3 2 -1 0 3 2 1 0
0 0 2 4 0 0 2 4 0 0 2 4
2 0 1 1
Si se elige como particin de B = 3 2 1 0 entonces
0 0 2 4
A11 A12 B11 B12 A11 B11 + A12 B21 A11 B12 + A12 B22
A B =
3x1 2x3 2x1
= =
3x2 3x3 3x1
A2x221 A 22 B21
B22 A 21 B11 + A 22 B21 A 21 B12 + A 22 B22
2x1 1x3 1x1 2x3 2x1
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 20
1 2 0 1 2 0 4 4 3 1
2 0 1 1
+ 1 ( 0 0 2) 0 + 1 ( 4) 6
0
3 2 1 3 0 5 7
3 0
= 1 4 2
1
4 2 = 10 8 1 7
5 1 2 0 1 1 5 1 1 1 13 2 6 9
2 + ( 0 0 2) + ( 4 )
1 3 2 1 3 2 1 0 3 5 10
7 2
Las matrices cuadradas suelen particionarse de manera que los bloques diagonales sean
tambin cuadrados.
A A12
A =
11 rxt rxu / r+s=n
t+u=n
A 21 sxt A 22
sxu
X Y r+s=n
A -1 = txr txs
/
Z T t+u=n
uxr uxs
Las dimensiones de los bloques de A-1 han de ser sas ya que se tiene que cumplir, para
poder calcular AA-1 :
A11X + A12 Z = I
A11Y + A12 T = (0)
A 21X + A 22 Z = (0)
A 21Y + A 22 T = I
Una de las particiones ms interesantes es aqulla en que los bloques diagonales son
cuadrados, pues entonces la particin en A-1 es idntica a la de A (es decir, los bloques de
A-1 tienen las mismas dimensiones que sus homlogos en A). De la misma manera es
interesante la bsqueda de bloques nulos o bloques unidad, ya que de esta manera se
simplifican los clculos notablemente.
2 1 1 0 0
3 1 0 1 0
Ejemplo. Calcular la inversa de A = 0 2 0 0 1 , aplicando la teora de bloques.
1 3 0 0 0
1 4 0 0 0
2 1 1 0 0
3 1 0 1 0 A11 A12 2x3
X Y
1 =
3x3
A = 0 2 0 0
3x2
, A =
-1 2x2
A2x221 A 22 3x3
Z T
1 3 0 0 0 2x3 3x2
1 4
0 0 0
3x3
I (0)
1
A A = I= 3x2
(0) I
2x3 2x2
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 22
A11X + Z = I
A11X + A12 Z = I A11Y + T = (0)
A11Y + A12 T = (0) A 21X = (0) X = (0)
A 21
A 21X + A 22 Z = (0) regular
A 21Y + A 22 T = I 4 3
A 21Y = I Y=(A 21 ) 1 =
1 1
Z = I
0 0 0 4 3
0 0 1 1
2 1 7 5 0
4 3 1
T = A11 Y = 3 1 =
1 1 13 10 A = 1 0 0 7 5
0 2 2 2
0 1 0 13 10
0
0 1 2 2
Definicin. Se dice que dos ecuaciones son equivalentes cuando tienen la misma
solucin.
Definicin. Se dice que dos sistemas de ecuaciones son equivalentes cuando tienen las
mismas soluciones.
1) Si r r el sistema es incompatible.
Para estudiar los rangos de las matrices que aparecen en este teorema, podemos utilizar la
definicin de rango y calcular el orden del mayor menor no nulo de ellas. Otra posible
forma es transformar el sistema inicial en otro equivalente en el que el estudio de los
rangos de las matrices de coeficientes y ampliada sea fcil de ver. Para realizar esta
transformacin vamos a utilizar lo que se conoce como transformaciones elementales
sobre una matriz.
Definicin. Se dice que se ha realizado una transformacin elemental de filas sobre una
matriz A Emxn( ) si se ha realizado una de las operaciones siguientes:
Fi~Fj
Fi+Fj donde 0 .
Cuando las operaciones se realizan sobre las columnas de la matriz se dice que se ha
realizado una transformacin elemental de columnas sobre A.
Teorema. Sea A una matriz de dimensiones mxn y sea P una matriz de tamao mxm
obtenida al aplicar una determinada transformacin elemental de filas a la matriz unidad
de orden m. Si la misma operacin elemental se aplica a la matriz A se obtiene la matriz
PA.
Ejemplo:
1 2 0 1 2 0
A= < F2
F1
> =B
4 0 6 3 -2 6
1 0 1 0
I2 = < F2 F1 > =P
0 1 1 1
1 0 1 2 0 1 2 0
PA = = =B
1 1 4 0 6 3 -2 6
Teorema. Sea A una matriz de dimensiones mxn y sea Q una matriz de tamao nxn
obtenida al aplicar una determinada transformacin elemental de columnas a la matriz
unidad. Si la misma operacin elemental se aplica a la matriz A se obtiene la matriz
AQ.
Ejemplo:
1 2 0 1 6 0
A= < 3C2 > =B
4 0 6 4 0 6
1 0 0 1 0 0
I3 = 0 1 0 < 3C2 > 0 3 0 = Q
0 0 1 0 0 1
1 0 0
1 2 0 1 6 0
AQ = 0 3 0 = =B
4 0 6 4 0 6
0 0 1
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 27
Ejemplos:
x + y + z = 2
x + y + z =
x + y + 2 z = 2
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 28
1 1 1 1 | 2
Las matrices A y (A | b) son A = 1 1 (A | b) = 1 1 |
1 1 2 1 1 2 | 2
Se tiene que | A |= ( 1) | A |= 0 = 0 = 1 .
2 1 1
1
2 1 2 3 2 2 + 3 2 2 + 2
x= = =
|A| ( 1)
2 1
1
1 2 2 3 2 2 + 2 2 + 2
y= = =
|A| ( 1)
1 2
1 1
1 1 2 2 + 3 2 2
z= = =
|A| ( 1)
0 1
rango(A) = 2 pues 0
0 1 1 | 0 1 1
Si = 0 (A | b) = 1 1 0 | 0 1 1 0
1 1 0 | 2 rango(A | b) = 3 pues 1 0 0 0
1 0 2
sistema incompatible.
1 1 1 | 1 1 1
rango(A) = 2 pues 0
Si = 1 (A | b) = 1 1 1 | 1 1 2
1 1 2 | 2 rango(A | b) = 2
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 29
x + y + z =1 x + z = 1 y
(Re s tan do) z = 1 x = y
x + y + 2z = 2 x + 2z = 2 y
x1 + 10 x3 = 5
3x1 + x2 4 x3 = 1
4 x1 + x2 + 6 x3 = 1
1 0 10 | 5 F2 3F1 1 0 10 | 5 1 0 10 | 5
F3 4F1 F3 F2
3 1 4 | 1 0 1 34 | 16 0 1 34 | 16
4 1 6 | 1 | 3
0 1 34 | 19 0 0 0
EJERCICIOS TEMA 1
1 2
a) Conmuten con la matriz A =
3 4
b) Cumplan la ecuacin A B = (0) .
c) Cumplan la ecuacin A B = I .
2. Probar que las matrices escalares de orden n conmutan con cualquier otra matriz
cuadrada de orden n .
1 2
A= ?
3 4
A + B = C 1 2 3
A + A = (0) donde C = 4 5 6 .
t
7 8 9
B Bt = (0)
0 9
A + A 1 = 4
9 0
2
0 6
A + A =
t
6 0
0 17
t 1 4
A + A =
5 0
2
XA + B = C
0 2 0
4 2 1 1 3 5
siendo: A = 3 0 3 , B = , C= .
0 1 2 5 1 3 2 4 6
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 32
X + A Y t = B
t
X + Y C = D
1 0 4 3 1 2 2 9
siendo: A= , B = , C = y D= .
1 1 4 6 3 0 6 6
11. Demostrar que el determinante de una matriz antisimtrica de orden impar es nulo.
16. Sabiendo que A y B son dos matrices simtricas invertibles comprobar si se cumple o
no la siguiente igualdad
(( B A ) (A B ) ) (( A B)
t t 1 1
)
(A B1 ) t = I A 2 (B1 A 1 ) 2 + (B1 ) 2
1 6 9 1 1 1 1 6 9
1 8 2+ 5 6 8 =1 8 2
0 4 1 4 9 2 1 9 5
18. Sea A una matriz cuadrada de orden n cuyo determinante vale . Sea realizan las
siguientes transformaciones:
1. Se multiplica por la matriz A.
2. Se cambian entre si las dos primeras filas de A .
3. Se cambian entre si las dos primeras columnas de A.
4. Se divide entre 0 una de las filas y se multiplica por una de las columnas.
5. Desde i = 1 hasta (n 1) sustituimos cada fila Fi de A por Fi + Fi+1 .
6. Trasponemos la matriz.
Obtener el valor del determinante de la matriz obtenida en cada uno de los apartados.
19. Sea A una matriz singular cunto vale A A a ( A a : matriz adjunta de A)? Y si A es
una matriz regular?.
1+ x 1 1 1
1 1 x 1 1
1 1 1+ z 1
1 1 1 1 z
n 1 1 1 1
1 n 1 1 1
1 1 1 n1
23. Calcular el valor del determinante de la matriz de orden n cuyo elemento genrico es:
x si i = j
a ij =
a si i j
2 0 0 1 2 0
a) M = 0 2 0 ,
b) P = 2 1 0
1 0 2 1 1 3
I A
25. a) Calcular la inversa, M 1 , de la de la matriz por bloques M = n . Es
(0) I m
necesario que A sea regular para que exista M 1 ?.
B (0)
b) Hallar la inversa de P= , donde B y C son matrices regulares de
(0) C
rdenes respectivos n y m.
3 1
I B 2 4
26. Dada la matriz M = , donde A= y B = 1 5 . Calcular
(0) A 1 3 2 6
M 1 .
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 35
1 2 0
2 0 4
27. Realiza sobre la matriz A= las transformaciones elementales
0 2 2
1 1 1
siguientes, as como sus inversas:
2 1 1
28. Dada la matriz A = 6 4 5 , encontrar tres matrices elementales P1, P2, P3 tales
4 1 3
que P3P2P1A = U, siendo U una matriz triangular superior.
29. Discutir, y resolver cuando sea posible, los siguientes sistemas de ecuaciones:
x + y + 2z = 1 x + 2y + 3z + t = 2
x + 2y + z = 1 x y+ z t =0 x + y + z = 1
a) b) c) x + 2y + 2z = 0
2x + y + z = 1 x + 3y z + 2t = 2 x + 2y + 3z = k
2x + 3y + 3z = 2 3x + y + z =2
x + 2y + z =1 1 1 1 3
3x 2y + z = 2 2x + y + x
3z = 4 2 a 3 4
d) x y + z = 1 e) f ) y =
x + y + kz = 2 x y + (a + 2)z = 3a 5 3 3 4 7
z
4x + 2y + (a + 6)z = 3a 8 5 (a + b) 8 + b
2
7
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 36
a 2c
1. a) B = 3 a,c
c a+ c
b) B = (0)
2 1
c) B = A 1 = 3
1
2 2
3.
0 1 2 1 3 5
4. A = 1 0 1
B = 3 5 7
2 1 0
5 7 9
0 2
5. A =
4 0
3 1 1
6. X = 4 2
4 7 5
3
1 2 3 2
7. X = Y=
3 4 1 1
9. a) Cierto b) Cierto
10. a) Cierto
12. a) Antisimtrica.
b) Antisimtrica.
13. a) X E nxn ( )
b) X = (0) E nxn ( )
18. 1) n
2)
3)
4)
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 37
5)
6)
19. (0) ; A I
20. x 2 z 2
21. n !
22. 0
1 0 0
2 1 2 0
1
24. M = 0
1 1 0 1
P = 2 1 0
2 3
1 0
1 1 1 1
4 2
In A
25. a) M 1 = . No es necesario que A sea regular.
(0) I m
B1 (0)
1
b) P = 1
(0) C
1 0 0 5 4
0 1 0 1 3
0 1 0 2
26. M 1 = 0
0 0 0 3 2
2
0 0 0 1 1
2
0 2 2 0 2 1
2 0 4 4 0 2
27. a) F13 ( A) = C13 ( A) =
1 2 0 2 2 0
1 1 1 1 1 1
1 2 0 1 6 0
6 0 12 2 0 4
b) 3F2 ( A) = 3C 2 ( A) =
0 2 2 0 6 2
1 1 1 1 3 1
I. lgebra Matricial y Sistemas de Ecuaciones Lineales 38
1 2 0 1 2 0
2 4 8 2 8 4
c) (F2 2 F3 )(A) = (C 2 2C3 )(A) =
0 2 2 0 2 2
1 1 1 1 1 1
1 0 0 1 0 0 1 0 0
28. P1 = 3 1 0
P2 = 0 1 0
P3 = 0 1 0
0 0 1 2 0 1 0 1 1
1
29. a) Sistema compatible determinado: x = y = z = .
4
b) Sistema incompatible.
3 3 k 3
d) k 3 : Sistema compatible determinado: x = , y= , z=
k+ 3 k+ 3 k+ 3
k = 3 : Sistema incompatible.
e) a 0 y a 1 : Incompatible.
5
a = 0 : compatible indeterminado: x = 3 , y =2+ , z =
3 3
a = 1 : compatible determinado: x = 2, y = 1, z = -3
8 7z 1 z
f) a = 4, b = 3 : compatible indeterminado: x = , y = + , z
3 6 3 6
a = 4, b 3 : compatible determinado: x = 12, y = 1, z = 8
a 4, b = 3 : compatible determinado: x = 5, y = 0, z = 2
a 4, b 3 : Incompatible.
Tema 2
ESPACIOS VECTORIALES
Puesto que un segmento viene determinado por dos puntos A y B, el vector quedar
perfectamente definido si nos dan estos dos puntos y un cierto orden. El primer punto se
llama origen y el segundo recibe el nombre de extremo.
Definicin. Definida una unidad de medida, se llama mdulo del vector AB, a la longitud
del vector AB, lo cual se representa por AB .
Definicin. Se dice que dos vectores tienen la misma direccin si estn situados sobre la
misma recta o en rectas paralelas.
Definicin. Se define como sentido del vector AB el que determinan sobre la recta rAB
los puntos A y B tomados en este orden.
Esta relacin de equivalencia efecta en el conjunto de todos los vectores una particin
en clases de equivalencia. Como representante de cada clase de equivalencia se elige el
II. Espacios Vectoriales 40
vector con origen en el origen de coordenadas, el cual recibe el nombre de vector libre. A
partir de ahora trabajaremos con el conjunto de los vectores libres, que se denota por V.
v u+v v u-v
u u u, < 0 u u, > 0
4.- Denotando por - u =BA al vector opuesto o simtrico del u =AB, es fcil
deducir que u V, (- u )V / u +(- u )=(- u )+ u = 0 .
5.- u , v V, u + v = v + u .
1.- u , v V R ( u + v )= u + v .
2.- u V , R (+) u = u + u .
3.- u V , R ( ) u =( u ).
II. Espacios Vectoriales 41
4.- u V 1 R / 1 u = u .
Con estas propiedades se puede afirmar que (V,+,) tiene estructura de espacio vectorial
real.
Las propiedades que acabamos de ver no slo las cumplen los vectores geomtricos, hay
una familia muy numerosa de conjuntos que las verifican, denominndose a stos
espacios vectoriales.
Definicin. Sea E un conjunto no vaco cuyos elementos se llaman vectores (x, y, z,...), y
un cuerpo ( por ejemplo o ) cuyos elementos se denominan escalares (, ,
,...). Definimos en E dos leyes de composicin: una interna, que denotaremos por (+) y
denominaremos Suma o adicin de vectores de E, y otra externa, a la que llamaremos
Producto de un vector por un escalar. En estas condiciones, se dice que E es un espacio
vectorial sobre si se verifican las siguientes condiciones:
I) Para la ley interna Suma de vectores de E, el par (E,+) es un Grupo Abeliano, por lo
que cumple las propiedades siguientes:
II) Para la ley de composicin externa, Producto de un vector por un escalar, que asocia
a cada escalar , y a cada vector x de E un vector nico, llamado producto de y x, y
que se representa por x o x, se satisfacen las siguientes propiedades:
1) x, y E (x+y) = x + y
2) x E , (+) x = x + x
3) x E , () x = (x)
4) x E, 1x = x (siendo 1 el elemento neutro del producto en ).
II. Espacios Vectoriales 42
c) n es el espacio vectorial real de todas las matrices columna nx1 reales, siendo
la suma de vectores en este caso la suma de matrices, y el producto el producto por
un escalar el usual para matrices.
n
d) es el espacio vectorial complejo de todas las matrices columna nx1
complejas, con las operaciones definidas como en n .
suma de polinomios:
II. Espacios Vectoriales 43
p( x) = an x n + an 1x n 1 + ... + a1x + a0
q( x) = bn x n + bn1x n1 + ... + b1x + b0
p( x) = an x n + an 1x n1 + ... + a1x + a0
R
p(x) = (an) xn + (an-1) xn-1 + ... + (a1) x + a0 n
1) x E 0x = 0 (vector nulo).
3) 0 = 0.
3)
1 x = 1 0 = 0 x = 0 .
5) i) 0 x = y x=y
ii) x 0 x = x =
Muchos espacios vectoriales estn relacionados entre s, por ejemplo cada polinomio de
grado 3 es a su vez un polinomio de grado 4, 5,..., y a la vez una funcin continua
definida sobre R , siendo las operaciones de cada uno de estos espacios vectoriales las
mismas. Esta situacin es muy comn y muy importante en nuestro estudio de los
espacios vectoriales.
Teorema. Sea E espacio vectorial sobre . La condicin necesaria y suficiente para que
un subconjunto F (no vaco) de E sea subespacio vectorial sobre es que contenga al
vector nulo de E y sea estable para las operaciones suma de vectores y producto por un
escalar; es decir
Observaciones:
Ejemplos.
x
2.-El conjunto F = 0 / x, z R es un subespacio vectorial del espacio vectorial
z
real R3 .
Definicin. Sea E espacio vectorial sobre K . Sea S = {e1, e2, ..., eq}* un sistema finito de
vectores de E, se dice que el vector x E es combinacin lineal de los vectores de S si
existen q escalares 1, 2,..., q K tales que:
x = 1 e1 + 2 e2 + ... + q eq.
Proposicin. Sea S= {e1 , e2 , ..., eq } E . Todos los vectores que se pueden formar por
combinacin lineal de los vectores e1, e2, ..., eq pertenecen a E y, adems, forman un
subespacio vectorial de E denominado subespacio generado por S, y se representa como
Span(S)
Span(S) = { x = 1 e1 + 2 e2 + ... + q eq / i K , i = 1,2,...,q }E.
Tambin se dice que S es un sistema generador de Span(S), y es el menor subespacio
vectorial de E que contiene a S.
*
S es un conjunto de vectores dado en un cierto orden.
II. Espacios Vectoriales 48
Cuando S engendra a todo el espacio vectorial E se dice que S es una familia total de
vectores para E.
Ejemplo.
Definicin. Sean S = {e1, e2, ..., eq} y T = {u1, u2, ..., uq} dos sistemas de vectores del
espacio vectorial E, se dice que S y T son sistemas equivalentes si engendran el mismo
subespacio, o sea, si Span(S) = Span(T).
Ejemplo.
Definiciones. Sea E un espacio vectorial sobre K y sea S = { e1, e2, ..., en } un sistema
finito de vectores de E. Se dice que S es una familia o sistema libre de vectores o
tambin que los vectores e1, e2, ..., en son linealmente independientes si la relacin
1 e1 + 2 e2 + ... + n en = 0
se cumple slo cuando 1 = 2 = ... = n = 0.
Se dice que un vector depende linealmente de otros si aqul es igual a una combinacin
lineal de stos.
1 0 0 1
0 2 1 0
Ejemplo. Estudiar si S = e1 = , e 2 = , e3 = , e4 = , , es o no familia libre
0 0 1
2
0 6 3 0
de vectores en R 4.
Solucin. Para ver si la familia S es libre hay que considerar la combinacin lineal
1 e1 + 2 e2 + 3 e3+ 4 e4 = 0.
II. Espacios Vectoriales 50
1 + 4 =0
22 + 3 =0
3 - 24 = 0
62+ 33 =0
1 0 0 1
0 2 1 0
cuya matriz de coeficientes A = tiene rango tres. Por lo tanto, al
0 0 1 2
0 6 3 0
1 = - 4, 2 = - 4 3 = 2 4 , 4 R .
4En general, si se forma una matriz cuyas columnas son las componentes de los q
vectores de un sistema S de vectores de R n, el rango r de dicha matriz nos indica el
nmero de vectores independientes del conjunto S. Si r = q, entonces S es una familia
libre de vectores. Mientras que si r < q, entonces existen q-r vectores dependientes de
los r y el conjunto S no es libre. Esta propiedad es vlida utilizando componentes de los
vectores de R n o coordenadas de vectores de cualquier otro espacio vectorial de
dimensin finita (concepto que se definir ms adelante).
a) Supongamos que
1 1 + 2 x + 3 x2 = 0,
donde 0 es la funcin que vale cero cualquiera que sea x. Esta igualdad se ha de cumplir
para todo x real, en particular se ha de cumplir para x = 0, x = 1 y para x = -1, de donde
se obtienen las ecuaciones:
1 + 2 (0) + 3 (0) 2 = 0 1 =0
1 + 2 (1) + 3 (1) = 0 1 + 2 + 3 = 0
2
+ (1) + (1) 2 = 0 + = 0
1 2 3 1 2 3
1 1 + 2 x + 3 x2 + ... + n xn-1 = 0
donde 0 es la funcin que vale cero cualquiera que sea x. Esta igualdad se ha de
verificar para todo x real, lo cual implica que 1 = 2 = ... = n = 0 (esto se puede
demostrar cogiendo puntos y resolviendo el sistema, teniendo en cuenta que el
nico polinomio de grado n-1 que vale cero en todo R es el polinomio nulo). Luego
U es libre.
Observaciones:
o sea Span (S) = Span (T), s y slo si todo vector de uno de los sistemas depende
linealmente de los vectores del otro y recprocamente.
independiente.
Demostracin.
e1 = 2 e2 + ... + p ep
o equivalentemente
II. Espacios Vectoriales 53
por tanto {e1, e2, ..., ep} es linealmente dependiente, pues los coeficientes no son
todos nulos.
1
e1 = (2 e2 + ... + pep).
1
...,p ,11, 12,..., 1p, 21, 22,..., 2p ,..., q1, q2,..., qp en K tales que
p q
w = 1 e1 + 2 e2 + ... + qep = iei y ej = jk v k para j=1,2,...,p,
i =1 k =1
de donde
p
q p q
w = 1 e1 + 2 e2 + ... + qep = i ik v k = i ik vk =
i =1 k =1 i =1 k =1
q
p
= iik v k .
k =1 i =1
4. Sea S = {u1, u2, ..., up} linealmente independiente y sea v un vector que no
depende de u1, u2, ..., up. Suponiendo que
av + b1u1 + b2 u2 + ... + bp up = 0
hay que probar que todos los coeficientes son nulos. Si alguno fuera distinto de
cero, por ejemplo a, resultara
b b2 bp
v = 1 u1 + u2 + ... + up v Span {S}
a a a
lo que es falso, ya que v no depende linealmente de u1, u2, ..., up, y por tanto, a
ha de ser cero, y en consecuencia, se verifica que
b1u1 + b2 u2 + ... + bp up = 0.
Ahora bien, como {u1, u2, ..., up } es linealmente independiente de esta ltima
relacin se deduce que b1 = b2 = ... = bp = 0, con lo que se concluye la
demostracin.
1) Espacios vectoriales en los que no es posible formar una familia que sea infinita y libre
como, por ejemplo, el formado por los vectores usuales (pues una familia libre no
puede contener ms de tres vectores), R n, Emxn , ...
Nos vamos a ocupar aqu de aquellos espacios vectoriales que estn generados por un
nmero finito de vectores; esto es, tales que todos sus vectores son combinaciones
lineales de un nmero finito de ellos. Estos espacios se llamarn de dimensin finita
aunque, de momento y hasta que hayamos definido el concepto de dimensin, los
denominaremos de tipo finito. En estos espacios vectoriales no pueden formarse familias
infinitas y libres.
Definicin. Un espacio vectorial E sobre K se dice que es de tipo finito si est generado
por un nmero finito de vectores.
As, por ejemplo, el conjunto {1, x, x2, ...} es una base del espacio vectorial real de todos
los polinomios.
Ejemplos.
1. Tres vectores libres usuales {e1, e2, e3}, paralelos a las tres direcciones de un
triedro, constituyen una base del espacio usual de los vectores libres.
Teorema (Representacin nica en una base). Sea B = {e1, e2, ..., en} una base de un
espacio vectorial E sobre K . Entonces, todo vector x E se puede expresar nicamente
de una forma como combinacin lineal de los vectores de B.
x = x1 e1 + x2e2 + ... + xn en
x = x1 e1 + x2 e2 + ... + x n en
de donde
xi = x i i=1,2,,n.
A los escalares x1, x2, ..., xn se les denomina coordenadas del vector x en la base B.
x1
x2
x = x1 e1 + x2 e2 + ... + xn en CB ( x) = x B = .
.
x
n
Observamos que para cada vector x de E hay un nico vector coordenado con respecto a
la base B y para cada xB de K n hay exactamente un x de E tal que CB (x) = xB .
Representar vectores abstractos usando una base es una herramienta fundamental en las
aplicaciones. Todos los clculos con vectores abstractos de E pueden equivalentemente
efectuarse con sus coordenadas en K n. Tambien podemos verificar la independencia
lineal y la generacin de vectores trabajando con las coordenadas.
Ejemplos.
1 0 0
0 1 0
1.- Probar que el conjunto de vectores e1 = , e 2 = ,..., e n = , es una base
... ...
...
0 0 1
de R n.
u1
u2
Solucin. Veamos primero que generan R . Dado el vector u = . de R n, se
n
.
u
n
tiene
u = u1 e1 + u2 e2 + ... + un en
luego u es combinacin lineal de los vectores {e1, e2, ..., en} y adems los
coeficientes de la combinacin lineal son los elementos del vector u (nicos).
1 e1 + 2 e2 + ... + n en = 0
II. Espacios Vectoriales 58
con lo cual es fcil ver que 1, 2, ..., n son las soluciones de un sistema lineal
homogneo, cuya matriz de coeficientes es la matriz identidad. Por tanto
1 = 2 = ...= n = 0
As pues, el conjunto {e1, e2, ..., en} es una base de R n. Esta base recibe el nombre
de base cannica de R n.
Teorema (Existencia de bases). Todo espacio vectorial E de tipo finito, distinto de {0},
tiene alguna base.
Demostracin. Supongamos que E = Span { u1, u2, ..., um }. Si los vectores u1, u2, ..., um
son linealmente independientes, entonces son una base de E.
Si no son linealmente independientes habr al menos uno de ellos que sea combinacin
lineal de los restantes. Si suprimimos todos estos vectores, obtendremos un conjunto
linealmente independiente que sigue siendo total, pues los vectores suprimidos no
desempeaban papel alguno en la obtencin de vectores de E. Es decir, se obtiene una
base de E.
2.4.2. Dimensin.
Este resultado pone de manifiesto que todas las bases de un espacio vectorial E de tipo
finito tiene el mismo nmero de vectores. El nmero de vectores de una base no es, por lo
tanto, una propiedad de ella sino del espacio vectorial. As, es natural dar la siguiente
definicin.
Ejemplo.
Ya se ha visto que el espacio vectorial real R n, tiene una base formada por n
vectores; por tanto dim R n = n.
Ejemplo.
Comprobar que {1, x, x2} es una base del espacio vectorial P 2 de los polinomios de
grado menor o igual que dos (en consecuencia, dim P 2 = 3). Comprobar tambin que
la dimensin del espacio vectorial P n de los polinomios de grado menor o igual que
n, es n+1.
Solucin. El espacio vectorial P 2 est generado por {1, x, x2}. Por otro lado, si
a + bx + cx2 = 0
identificando los coeficientes de las variables del mismo grado se obtiene que x,
a = b = c = 0, con lo que el conjunto de polinomios {1, x, x2} es linealmente
independiente.
Generalizando el razonamiento anterior se obtiene que {1, x, x2, ..., xn} es una base
de P n, y por tanto dim P n = n+1.
Sea E un espacio vectorial de dimensin finita n y supongamos que S= { u1, u2, ..., up }
es un sistema de vectores de E, entonces se verifica que:
Demostracin.
1. Sabemos que S, por ser un sistema de generadores, incluye una base de E y, por
ello, la dimensin de E, que es el nmero de vectores de una de sus bases, no
puede ser mayor que el nmero p de vectores de S, es decir , ha de ser p dimE
3. Como S ={ u1, u2, ..., up }es un sistema de generadores de E sabemos que incluye
una base de E; que ser el propio sistema S, ya que en caso de tener que eliminar
alguno de sus vectores (si no fuera familia libre) obtendramos una base de E con
menos vectores que p, y p = dimE, lo cual es un absurdo. Luego entonces S es
base de E
Observaciones:
es una base de E.
Demostracin. Si n > p , como E Span {u1, u2,..., up }, existe un vector up+1 de E que
no est en Span{u1, u2,..., up }. Por ello, el conjunto {u1, u2,..., up, up+1} es linealmente
independiente. Despus de repetir este razonamiento n - p veces, obtendremos un
conjunto linealmente independiente con n vectores
Puesto que un espacio vectorial de dimensin finita tiene infinitas bases, en este apartado
nos vamos a interesar por conocer cual es la relacin que existe entre las coordenadas de
un vector respecto a dos bases distintas.
B = {e1 , e2 ,..., en } dos bases de E, de forma que cada vector de la base B se puede
e1 = a11 e1 + a 21 e2 + ... + a n1 e n
e = a e + a e + ... + a e
2 12 1 22 2 n2 n
...
en = a1n e1 + a 2n e2 + ... + a nn en
con lo que
Si x es un vector cualquiera del espacio vectorial E, por ser B una base de E, existirn n
escalares en K x1, x2, ..., xn tales que x = x1 e1 + x2 e2 + ... + xn en.
que x = x1 e1 + x 2 e2 + ... + x n en .
+ (a n1x1 + a n 2 x 2 + ... + a nn x n ) e n .
De donde, teniendo en cuenta que las coordenadas de un vector en una base son nicas,
se deduce
es decir
de donde,
a a a
11 12 1n
a a a
P = 21 22 ... 2n .
... ... ...
a n1 a n2 a nn
C (e ) C (e ) C (e )
B 1 B 2 B n
A la matriz P, que tiene por columnas las coordenadas de los vectores de la base B en la
base B, se la denomina matriz de paso de la base B a la base B, es una matriz regular de
orden n ya que los vectores e1 , e2 ,..., en forman la base B y, por la tanto, son
independientes.
II. Espacios Vectoriales 64
Ejemplo.
{ e1 =
1 1 0 2
Sean B = , e2 = } y B = { e1 = , e2 = } dos bases del
1 2 1 1
espacio vectorial R 2. Obtener las coordenadas en la base B del vector x que tiene
3
por coordenadas respecto de la base B.
4
1 0
BC = { u1 = , u2 = }
0 1
0 1 1
e1 = = 1 + 2
1 1 2
de donde
0 = 1 + 2
1 = 1 y 2 = 1 ; luego e'1 = e1 + e 2 .
1 = 1 + 2 2
2 1 1
e2 = = 3 + 4
1 1 2
2 = 3 + 4
3 = 3 y 4 = 1 ; luego e'2 = 3e1 e 2 .
1 = 3 + 2 4
3
Por tanto, las coordenadas en B del vector cuyas coordenadas en B son se
4
obtendrn haciendo:
x1 3 -1 3 3 9
= P = = .
x2 4 1 1 4 1
II. Espacios Vectoriales 65
Sea E un espacio vectorial sobre K de dimensin n y sea B = {e1, e2, ..., en} una base
de E.
u = x1 e1 + x2 e2 + ... + xn en,
x1
x2
CB (u) = . .
.
x
n
Las coordenadas de u van a estar ligadas por alguna o algunas relaciones lineales que van
a caracterizar al subespacio. Es decir, todo subespacio U va a venir caracterizado por una
serie de restricciones lineales homogneas (han de serlo para as garantizar la estabilidad
respecto a la suma y al producto por un escalar) del tipo:
estas restricciones (no idnticamente nulas) son las ecuaciones cartesianas o implcitas
del subespacio.
Otro tipo de ecuaciones que caracterizan un subespacio son las ecuaciones paramtricas,
donde aparecen las coordenadas de los vectores del subespacio expresadas en funcin de
II. Espacios Vectoriales 66
unos parmetros. Hay tantos parmetros libres como sea la dimensin del subespacio U.
Es decir, son ecuaciones de la forma:
donde: 1, 2, ..., n-r K son parmetros libres (es decir, el rango de la matriz de
elementos cij es n-r).
Ejemplos.
- Sea ahora el subespacio nulo: dim {0} = 0; luego, el subespacio {0} tiene n
x1 = 0
x =0
2
ecuaciones implcitas , que tambin pueden considerarse como
....
x n = 0
ecuaciones paramtricas.
Ejemplo.
1/ 2 1/ 2 1
1 0 0
Hallar las ecuaciones del subespacio U generado por
,
,
.
0 1 0
0 0 1
x1 1/ 2 1/ 2 1
1 0 0
x
Si u U R 4 u = 2 = + +
x3 0 1 0
x4 0 0 1
1 1
x1 = 2 2
x 2 = , , , R
x3 =
x 4 =
x1
x
subespacio, por lo que si u U R y u = 2 y si formamos la matriz que tiene
4
x3
x4
por columnas las coordenadas de dichos vectores y las de u,
1 2 1 2 1 x1
1 0 0 x 2
0 1 0 x3
0 0 1 x4
1 2 1 2 1 x1
1 0 0 x2
= 0,
0 1 0 x3
0 0 1 x4
de donde
2 x1 - x2 + x3 + 2 x4 = 0
Si despejamos
x2 = 2 x1 + x3 + 2 x4
x1 = t, x3 = s, x4 = r
x1 = t
x 2 = 2t + s + 2r
,r,s,t R
x3 = s
x4 = r
donde t, s y r son los parmetros. Luego hay tres parmetros libres, que es la
dimensin del subespacio.
Ejemplo.
1/ 2 1/ 2
1 0
Hallar las ecuaciones del subespacio V generado por , .
0 1
0 0
1 1
x1 1/ 2 1/ 2 x1 = 2 2
1 0
Si u V R u =
4 x2
= + x 2 = , , R
x3 0 1
x =
x4 0 0 3
x 4 = 0
2 x x 2 + x 3 = 0
obtienen las ecuaciones cartesianas de V: 1 .
x4 = 0
II. Espacios Vectoriales 69
x1
x
subespacio, por lo que si u V R y u = 2 y si formamos una matriz con las
4
x3
x4
coordenadas de dichos vectores y con las de u, el rango de dicha matriz ha de ser dos:
1 2 1 2 x1
1 0 x 2
rango = 2.
0 1 x3
0 0 x4
Por lo que todo menor de orden tres extrado de esta matriz ha de tener determinante
2 x x 2 + x 3 = 0
nulo, de donde obtenemos: 1 , que son las ecuaciones cartesianas
x4 = 0
de V.
Si hacemos
x2 = 2 x1 + x3
x1 = t, x3 = s, x4 = 0
x1 = t
x 2 = 2t + s
,s,t R
x3 = s
x4 = 0
donde t y s son los parmetros. Luego hay dos parmetros libres, que es la
dimensin del subespacio.
II. Espacios Vectoriales 70
I) x,y F G, x + y F G?.
Sean x,y F G, entonces
x F G x F y x G
y F G y F y y G
luego
adems
de donde
x+y F G
II) K x F G x F G?.
F+G = { z = x + y E / x F y G }
El vector 0 F+G, dado que puede escribirse como suma de 0+0, siendo 0 de F y 0 de
G.
Sea z = x1 + y 1 / x1 F, y 1 G x1 + x 2 F
z + t = (x1 + x 2 ) + (y 1 + y 2 ) /
sea t = x 2 + y 2 / x 2 F, y 2 G y1 + y 2 G
z + t F + G
Sea z = x + y / x F y G
z = x + y donde x F y G
sea K
II. Espacios Vectoriales 72
z F+G.
Por ejemplo: En el espacio vectorial E de las matrices 2x2, consideremos los subespacios
F y G de matrices triangulares superiores e inferiores respectivamente. Entonces, F G
es el conjunto de todas las matrices triangulares; sin embargo F+G = E. Luego es claro
que F G es distinto de F+G = E.
E = F+G
F G = {0}
En este caso se dice que E es suma directa de los subespacios F y G y se denota E=FG.
z = x + y / x F y G siendo x e y nicos.
z = x 1 + y 1 = x2 + y 2 / x1, x2 F y1,y2 G
Por ser
x1 + y 1 = x 2 + y 2 x1 - x 2 = y 2 - y 1
x1 - x 2 = y 2 - y 1 F G
Al ser E = FG suma directa, F G = {0}, luego
x1 - x 2 = y 2 - y 1 = 0
de donde
x1 = x 2
y1 = y 2
Ejemplo.
Es fcil probar que dados dos subespacios vectoriales F y G de E, espacio vectorial sobre
K de dimensin finita, se cumple que
Definicin. Sea E un espacio vectorial real. Se llama norma sobre E, a una aplicacin
: E R+
x x
tal que a cada vector x de E le asigna un nmero real no negativo, llamado norma de x
que se denota x , y que verifica los siguientes axiomas:
(a) x 0, x E x =0 x=0
de .
n
Norma del valor absoluto: x 1
= x1 + x 2 + ... + x n = x
i =1
i
(x )
n
x
12
Norma eucldea: x 2
= 2
1 + x 22 + ... + x n2 = 2
i
i =1
Ejemplo.
5
Sea x = 3 . Entonces
2
x 1
= -5 + 3 + -2 = 10
( (-5) )
12
x 2
= 2
+ (3)2 + (-2) 2 = 381/2
x
= max { -5 , 3 , -2 }=5.
Puesto que las normas miden la magnitud de los vectores, proporcionan la herramienta
para describir precisamente lo que queremos decir, por ejemplo, al hablar de que una
sucesin de vectores xi tiende a 0; queremos decir que xi tienden a 0.
d : ExE R+
(x,y) d (x,y) = x y
Que verifica los axiomas correspondientes que hacen de d una distancia definida sobre E,
que se denomina distancia inducida por la norma .
n
d1 ( x , y ) = x y 1
=
i =1
x i yi
n
d2 ( x , y ) = x y 2
= (x
i =1
i yi ) 2 ( distancia eucldea )
d ( x , y ) = x y
= max { x1 y1 , x 2 y2 , ... , x n y n }.
II. Espacios Vectoriales 76
II. Espacios Vectoriales 77
EJERCICIOS TEMA 2
1.- Se considera el conjunto de todos los polinomios de grado menor o igual que n, en
variable real x, n = { p(x) = a n x n + a n-1x n 1 + ... + a1x + a 0 / ai }. Demostrar que
x1 x1 a
x2 x2 b
a) U = / x1 + x2 + x3 = 1 b) V = / x1 N c) W = / a + b = 0 .
x3
x3
0
x4
x4
0
3.- Sea V= E nxn (K ) el espacio vectorial de todas las matrices cuadradas de orden n sobre
a) W= {A E nxn (K ) / A = A t }
4.- En el espacio vectorial real de de todos los polinomios de grado menor o igual que 3,
en x, 3 se consideran los conjuntos U y V:
5- Sea V= E 2x 2 (R) el espacio vectorial de todas las matrices cuadradas de orden 2 sobre
3 1
9 2
6.- Determinar si el vector v = pertenece al subespacio generado por u1 = ,
4 0
2 3
2 2
3 1
u2 = y u3 = .
0 2
1 1
3 1 1 1
7.- Escribir la matriz E = como combinacin lineal de las matrices A = ,
1 1 1 0
0 0 0 2
B= y C= .
1 1 0 1
0
1 , 3 1 , 1 ?.
2 0
10.- Sea V= E 2x2 (R) el espacio vectorial de todas las matrices cuadradas de orden 2 sobre
2 3
el cuerpo R . Hallar las coordenadas de la matriz A = V en la base
4 7
1 1 0 1 1 1 1 0
B= , , , .
1 1 1 0 0 0 0 0
II. Espacios Vectoriales 79
v1 = 2e1
v 2 = e 2 + 2e3 .
v = 3e3
3
1
1
12.- Dado el vector u, cuyas coordenadas en la base B = {e1 , e 2 , e3 , e 4 } son , calcular
0
1
sus coordenadas en la base B = {e1 , e2 , e3 , e4 } , relacionada con la anterior por las
siguientes ecuaciones:
e1 = e1 + e 2
e2 = e3
.
e3 = e2 + e4
e4 = e 2 e3
1
ii) Sea x un vector cuyas coordenadas en la base B son 1 .Completar S para formar una
2
1
base B en la que las coordenadas de x sean 1 .
1
II. Espacios Vectoriales 80
14.- En el espacio vectorial real de todos los polinomios en x de grado menor o igual
que 3, 3 { 1
}
se considera el subespacio F= p(x) = a+bx+cx 2 +dx 3 / p(x) dx = 0 . Hallar
0
15.- Sea V= E 2x2 (R) el espacio vectorial de todas las matrices cuadradas de orden 2 sobre
16.- En V= E 2x2 (R ) el espacio vectorial de todas las matrices cuadradas de orden 2 reales
-a 0
se considera el subconjunto N= A = / a, b R .
b a+ b
17.- En el espacio vectorial real de de todos los polinomios en x de grado menor o igual
que 3, 3 , hallar la dimensin y una base de los siguientes subespacios:
1 5 1 2
i) A= ii) A= .
5 5 2 4
19.- En el espacio vectorial real de de todos los polinomios en x de grado menor o igual
e1 = x 2 1
que 2, 2 se considera el subespacio M generado por e 2 = x + 1 . Hallar una base
e3 = x 7 x 10
2
1 2 3
2 4 6
20.- Demostrar que el subespacio generado por u1 = , u2 = y u3 = y el
1 1 3
3 2 7
1 2
2 4
generado por v1 = y v 2 = son iguales.
4 5
11 14
2 1 0
21.- Dados los vectores x = 2 , y = 2 , z = 6 . Hallar la dimensin, las ecuaciones
1 1
0
cartesianas y las ecuaciones paramtricas del subespacio que generan.
x1 + x2 x3 = 0
son: . Se elige como nueva base B= {u1 u 2 , u 2 u3 , u3 u 4 , u 4 } .
x1 + x2 + x3 + x4 = 0
0 x1
0 x 2
V= + / , R y W = / x1 + x 2 + x 3 = 0 .
0 0 x 3
0 x 4
a a
b b
U= / b+ c+ d = 0 y W= / a+ b = 0 c = 2 d .
c
c
d d
28.- Sea V= E nxn (K ) el espacio el espacio vectorial de todas las matrices cuadradas de
a b c
se considera el conjunto U = 0 a+ c 0 / a, b, c R .
c b a
U= Span {x 3 + 2 x 2 - x+1, 2 x 3 + x 2 + 5, x 3 - x 2 + x 1} y
V= {x 3 + ( + ) x + / , R}
en la base B.
31.- Sea V= Enxn (K ) el espacio el espacio vectorial de todas las matrices cuadradas de
a) U+V=E y U V= {0} .
b) x E y U z V / x = y + z siendo y y z nicos .
c) x E y U z V / x = y + z siendo y y z no nicos .
d) U y V son suplementarios.
e) dim(U+V)=dim(U)+dim(V).
f) dim(U)+dim(V)=0.
II. Espacios Vectoriales 85
: C [ 0,1] R / f
= max x[0,1] f(x) . Es esta aplicacin una norma? Indicar que
axiomas fallan.
a) 1 : E nxn ( R ) R / A 1 = det(A).
{ }
b) 2 : E nxn ( R ) R / A 2 = nmax a ij / i, j = 1, 2,..., n .
II. Espacios Vectoriales 86
3
9
6.- v = =1 u1 +3 u 2 -2 u3 , luego s pertenece.
4
2
3 1
7.- E = = 3A- 2 B- C .
1 -1
4
9.- Para = 0, = 1 y = dejan de formar base los vectores de R3
3
0
1 , 3 1 , 1 .
2 0
7
2 3 11
10.- CB = .
4 7 21
30
2
11.- CB' (4e1 + e 2 5e3 ) = 1 .
1
II. Espacios Vectoriales 87
1
1
12.- CB' (u) = .
1
1
1 1 1 1 1 1
14.- Base de F= x , x 2 , x 3 . Base de 3 = 1, x , x 2 , x 3 .
2 3 4 2 3 4
1 5 1 1
15.- La dimensin de W es 2 y una base de W es , .
4 2 1 5
1 0 0 0
16.- ii) La dimensin de N es 2 y una base de N es , 1 1 .
0 1
2 3
1 5 1 2
18.- i) CB = 1 ii) A= CB = 1 .
5 5 1 2 4 2
19.- M coincide con 2 , luego cualquier base de 2 contiene una base de M, por ejemplo
{1, x, x } .
2
x1 = s
ecuaciones paramtricas x 2 = 2s 6 t , t,s R .
x = t
1
II. Espacios Vectoriales 88
22.- a) F; b) F, c) F, d) V.
x1 = r
x = s
F: 2 r,s, t R .
x3 = t
x 4 = r s+ t
2 x x = 0
24.- i) Ecuaciones de W en B: 2 3 .
x4 = 0
1 1
1 0
ii) CB ( v ) = C B (u1 u 2 ) = , CB' ( v ) = C B' (u1 u 2 ) = .
0 0
0 0
iii) S pertenece.
x2 x1 = 0
25.-a) V W : dim( V W )=1, BV W = {u 4 } , ecuaciones de V W: x3 = 0 .
x + x + x = 0
1 2 3
c) a+b+c=0, d cualquiera.
1 0 0 1 0
0 1 1 1 0
26.- i) dim(U)=3, BU = , , , ii) dim(W)=2, BW = , ,
0 1 0 0 2
0 0 1 0 1
3 1 0 0 0
3 0 1 0 0
iii) dim(U W)=1, BU W = , iv) dim(U+W)=4, BU +W = , , , .
2 0 0 1 0
1 0 0 0 1
27.- 2 dim(U W) 4.
II. Espacios Vectoriales 89
1 0 0 0 1 0 0 0 1
29.- ii) Dim(U)=3 y BU = 0 1 0 , 0 0 0 , 0 1 0 .
0 0 1 0 1 0 1 0 0
1 0 0 0 0 1
iii) Dim(U W)=2, BU W = 0 1 0 , 0 1 0 .
0 0 1 1 0 0
Dim(U+W)=7,
0 1 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
BU+W = 0 0 0 , 0 0 0 , 1 0 0 , 0 0 0 , 0 1 0 0 0 1 0 0 0
0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1
1 a a 2 a3
0 1 2a 3a 2
30.- a) P = .
0 0 1 3a
0 0 0 1
a + a a = 0
de V en la base B: 0 1 3 .
a 2 = 0
a 0 + a 2 + a 3 = 0
implcitas de V en la base B: .
a 2 + 3a 3 = 0
32.- a) V. b) V. c) F. d) V. e) V. f) F.
II. Espacios Vectoriales 90
{ }
b) 2 : E nxn ( R ) R / A 2 = nmax a ij / i, j = 1, 2,..., n , s es norma.
Tema 3
Definicin. Sea E un espacio vectorial real. Se llama producto escalar a toda aplicacin
de E x E en :
ExE
(x, y) < x,y >
verificando:
43. < x, (ay+bz) > = a< x,y > + b< x,z > " x,y,z E " a, b
(Bilinealidad).
Para denotar el producto escalar de dos vectores x e y, adems de < x,y > se suele poner
tambin x y o ( x | y ).
Ejemplos.
1. El producto escalar usual entre los vectores libres del espacio, definido de forma
que dados dos vectores libres u y v , les asocia el producto de sus mdulos por el
coseno del ngulo que forman,
< u, v > = u v cos ( u , v )
III. Espacios con producto escalar 92
Fx I Fy I
GG x JJ GG y JJ
1 1
2 2
y asocia < x,y > = x1 y1 + x2 y2 + ... +xn yn
GG ... JJ GG ... JJ
Hx K
n Hy K
n
b
< f , g >= f (x) g(x) dx
a
Demostracin.
" x,y E < x,y > = < (x+0) , y > = < x,y > + < 0,y > < 0,y > = 0 " y E.
Demostracin.
< x, y > 2 < x, x > < y , y > < x, y > < x, x > < y , y >
1. x 0 xE x = 0 x=0.
2. x = x x E
3. x +y x + y x, y E
= < (x + y),(x + y) > = < x, x > + < x, y > + < y, x > + < y, y > =
2
x +y
< x, y > x y
+ y = ( x + y )2
2 2 2
x+y x y + 2 x
x+y x + y .
Ejemplos.
n
es: x = < x , x >1 2 = x
i=1
2
i
Se puede definir el ngulo formado por dos vectores x e y no nulos de la forma siguiente:
Notar que por la desigualdad de Schwarz, este cociente siempre es un nmero real
comprendido entre -1 y 1.
III. Espacios con producto escalar 95
Definicin. Sea E un espacio vectorial eucldeo. Se dice que dos vectores x e y no nulos
de E son ortogonales si < x , y > = 0 (se denota por x ^ y).
Proposicin. Sea E un espacio eucldeo, y sea S = {u1, u2, ...,up} un sistema de vectores
de E. Si S es un sistema ortogonal o, en particular, si es un sistema ortonormal, entonces
es un sistema libre.
Demostracin. Supngase que existen a1, a2, ..., ap escalares de , tales que
a1 u1 + a2 u2 + ... + ap up = 0
a1 = a2 =...= ap = 0
Ejemplos.
< f, g > =
f (x) g(x) dx
las funciones {1, sen(x), cos(x), sen(2x), cos(2x), ..., sen(px), cos(px)} forman un
sistema ortogonal.
Existen varios mtodos para obtener bases ortogonales en un espacio de dimensin finita
n; uno de ellos es el mtodo de Gram-Schmidt, el cual se expone a continuacin.
Sea E un espacio vectorial de dimensin finita n, y sea B = {e1, e2 ,...,en} una base de E;
a partir de ella se obtiene la base ortogonal B = { e'1 , e'2 ,..., e'n } de la forma siguiente:
e'1 = e1
e'3 = e3 + a e'2 + b e'1 donde a, b / < e'3 , e'2 >= 0 < e'3 , e'1 > = 0,
...
e'n = en + g e'n-1 + ... + y e'1 donde g,..., y / < e'n , e'k > = 0 " k = 1, 2,..., n-1
De esta forma se obtiene una base ortogonal. Si lo que se requiere es una base ortonomal
basta con tomar B* = {u1, u2,..., un }, siendo
III. Espacios con producto escalar 97
e'i
ui = para i = 1, 2 ,...,n.
e'i
Este mtodo tambin se puede aplicar para obtener una familia ortonormada a partir de
una familia de vectores linealmente independiente cualquiera.
Sea E un espacio vectorial eucldeo de dimensin finita n y sea B = {e1 ,e2 ,...,en} una
base de E. Sean dos vectores cualesquiera x e y E que se expresan en la base B en la
forma:
x = x1 e1 + x 2 e2 + ... + x n en , y = y1 e1 + y 2 e 2 + ... + y n en
Si se considera en el espacio vectorial E otra base B = { e'1 , e'2 ,..., e'n }, siendo P la
matriz de paso de la base B a la base B, teniendo en cuenta la relacin existente entre las
III. Espacios con producto escalar 98
G B' = P T G B P
y sigue teniendo por elementos los productos escalares de los vectores e'i de la base B,
< e'1 , e'1 > < e'1 , e'2 > ... < e'1 , e'n >
< e'2 , e'1 > < e'2 , e'2 > ... < e'2 , e'n >
esto es: G B' = .
... ... ... ...
< e'n , e'1 > < e'n , e'2 > ... < e'n , e'n >
Observaciones.
3. Las matrices G asociadas a un producto escalar son todas regulares, pues segn
se ha comentado en las observaciones anteriores, todas son congruentes con la
matriz identidad, es decir, pueden expresarse en la forma G = P T I n P , entonces
III. Espacios con producto escalar 99
4. Por la positividad del producto escalar sabemos que se cumple <x,x> > 0 "x E,
x0, lo que significa, teniendo en cuenta la expresin matricial que acabamos de
establecer, que:
g11 g1i
i =
g i1 g ii
tambin sern positivos todos los elementos de la diagonal principal de G: g22 > 0,
, gnn > 0, ya que representan los productos escalares < ei , ei > .
U^ = U* = {x E/ < x, y >= 0 y U}
Demostracin.
Ejemplos.
1. En el espacio de los vectores libres del espacio de dimensin 3, los ejes X y Y son
ortogonales entre s, pero el subespacio ortogonal del eje X es todo el plano YZ,
es decir, el plano de ecuacin x=0.
EJERCICIOS TEMA 3
3 1 0
escalar por la matriz G B = 1 2 0 .
0 0 1
a) Demostrar que 3 es un espacio vectorial eucldeo.
b) Calcular la norma del vector e1 + e 3 .
{ }
G B' , siendo B ' = u1 = ( 2 0 ) , u 2 = ( 0 3 / 2 ) , donde los vectores u1 y u 2
t t
1 1 1
4. Sea G = 1 2 2 la matriz que define el producto escalar en la base
1 2 3
5. Sea E un espacio vectorial eucldeo tridimensional y sea B = {e1 , e2 , e3 } una base del
1
< u, e1 >= 4 cos ( e2 , e 3 ) =
6
< e1, e1 >=< e2, e2 > < e 3, e 3 >= 3
{
S1 = u = ( x y z ) 3 / x y z = 0 2x 2y + 3z = 0
t
}
{
S2 = v = ( x y z ) 3 / x + y z = 0
t
}
III. Espacios con producto escalar 103
1 1 0
define un producto escalar mediante la matriz G B = 1 2 0 . Construir una base
0 0 16
ortonormal de E respecto de dicho producto escalar.
e1 = 1, e2 = 3, e3 = 2
ang(e1 , e 2 ) = , ang(e1 , e 3 ) = , e 2 y e 3 son ortogonales
2 3
c) Hallar la matriz GB del producto escalar en la base B ' = {e'1 , e'2 , e'3 } , siendo
e'1 = e1
e'2 = e1 + e 2
e'3 = e1 + e 2 + e3
10. a) Sea E un espacio vectorial real de dimensin 3 y B una base de E. Alguna de estas
matrices puede estar asociada a un producto escalar?
III. Espacios con producto escalar 104
1 2 3 1 1 1
G1 = 2 2 3 , G 2 = 1 2 2 .
3 3 3 1 2 3
i) E = P2 ( x ), BE = {1, x, x 2 }
< x 2 ,1 + 2 x >
ii) {
E = 3 , BE = e1 = (0 1 0)t , e2 = (1 0 0)t , e 3 = (0 0 1)t }
< e 3 , e 1 + 2e 2 >
a b 1 0 0 1 0 0
iii) E = E2x2 ( ) / a, b, c , BE = , ,
b c 0 0 1 0 0 1
0 0 1 2
0 1, 2 0
12. En el espacio vectorial real de los polinomios de grado 2 con coeficientes reales,
3
P 2, se considera el producto escalar < p, q > = p(k) q(k) . Se pide:
k =1
III. Espacios con producto escalar 105
13. Indicar razonadamente cules de las siguientes matrices pueden estar asociadas a un
producto escalar:
1 1 0 1 0 3 1 2 4
1 1 0
A= B= 1 10 2 C= 1 4 3 D= 2 5 1
1 2 5 0 2 1 2 4 1 4 1 2
15. En el espacio vectorial 4 con el producto escalar usual, se consideran los vectores
a=(0 1 -1 4)t y b=(2 1 1 0)t.
a) Hallar el subespacio V 4 formado por todos los vectores que son ortogonales a
a y a b y tienen iguales sus dos ltimas componentes.
1
1. b) e1 + e 3 = 2 ; c) B* U = (1 0 0) t , (0 0 1) t ; d) B = {(0 0 1) t }
3
16 3
4 1
2. a) G B = ; b) e1 = 2, e 2 = 1, = ; c) G B' =
9 ; d) < x, y >= 9
1 1 3 3
4
3 3 5 5 7 2 3
3. b) = ; c) a = ; d) , t, t
2 5 2 2 2 2 5
4. a) u1 = 1, u 2 = 2, u3 = 3
2 3 6
b) cos(u1 , u 2 ) = , cos(u1 , u 3 ) = , cos(u 2 , u 3 ) =
2 3 3
2 1 0 y1
5. a) < x, y > B = (x1 x 2 x 3 )B 1 2 1 y2
0 1 3 y
B 3 B
1
t
1 2
t
1 2 3
t
b) B =
'
0 0 , 0 ,
2 6 3 21 21 7
1 1 1
2 6 21
2 2
c) P = 0
3 21
3
0 0
7
1 0 0 y1
d) < x, y > B' = (x1 x 2 x 3 )B' 0 1 0 y2 .
0 0 1 ' y '
B 3 B
III. Espacios con producto escalar 107
1 1 t
6. B'' = (1 1 0 ) , ( 1 1 0 ) , ( 0 0 1)
t t
2 2
3 2 1
1
t t
t 2
7. a) G B = 2 2 1 ; b) B' = (1 0 0 ) , 1 0 , 0 1
1 1 1 3 2
t 1
t
8. B'' = (1 0 0 ) , ( 1 1 0 ) , 0 0
t
4
1 0 1
9. a) G B = 0 9 0 .
1 0 4
1 1 2
c) G B' = 1 10 11 .
2 11 16
i) < x 2 ,1 + 2 x >= 5
0 0 1 2
,
iii) = 5
0 1 2 0
3 6 14 3 6 14 b 0
12.- a) G= 6 14 36 , < p, q >= ( a 0 a1 a 2 ) 6 14 36 b1 , siendo
14 36 98 14 36 98 b
2
p(t) = a 0 + a1t + a 2 t 2 y q(t) = b 0 + b1t + b 2 t 2 .
95
b) = arc cos .
129 73
APLICACIONES LINEALES
f :E F
x f ( x)
es una aplicacin o transformacin lineal si verifica las dos condiciones siguientes:
i) x, y E f ( x + y ) = f ( x) + f ( y )
ii) x E y K f ( x ) = f ( x )
La condicin i) indica que la aplicacin conserva la suma de vectores. Hay que
sealar que la suma x+y y la suma f(x)+f(y) se realizan en los espacios vectoriales
E y F respectivamente, por tanto pueden ser operaciones suma distintas. La
condicin ii) mantiene el producto por un escalar. Otra vez hay que sealar que el
producto x puede ser distinto del producto f (x) ya que estn definidos en
espacios vectoriales distintos.
Nota:
Como consecuencia inmediata de las condiciones i) y ii) se cumple:
f ( x + y ) = f ( x) + f ( y ) x, y E , K (Caracterizacin que tambin
puede utilizarse para comprobar que una aplicacin es lineal).
Por extensin, la propiedad puede generalizarse a combinaciones lineales de
cualquier nmero de sumandos. Esto es:
x1 , x2 , , x n E y 1 , 2 , , n K,
f ( 1x1 + 2 x 2 + + n xn ) = 1 f ( x1 ) + 2 f ( x 2 ) + + n f ( x n )
IV. Aplicaciones Lineales 110
Definicin:
Una aplicacin lineal de un espacio vectorial en s mismo recibe el nombre de
endomorfismo.
f :E E
x f ( x)
Ejemplos:
1. Se define la aplicacin :
f : 3 2
x1
x1 + x 2
x = x2 f ( x) =
x x3
3
Probar que f es aplicacin lineal.
x + y = ( x1 x 3 ) + ( y1 y3 ) = ( x1 + y1 x 3 + y3 )
t t t
x2 y2 x 2 + y2
se tiene que:
f (x + y ) = ( x1 + y1 + x 2 + y 2 x 3 + y 3 ) = ( x1 + x 2 x 3 ) + ( y1 + y 2 y3 ) =
t t t
= f ( x) + f ( y )
x 3 y K x = ( x1 x 3 ) = ( x1 x 2 x 3 ) ,
t t
ii) x2 por
tanto,
f ( x ) = ( x1 + x 2 x 3 ) = ( x1 + x 2 x 3 ) = f ( x)
t t
2. Se define la aplicacin :
f : 3 2
x1
x1 + x 2
x = x2 f ( x) =
x x 3 +1
3
Veamos si f es una aplicacin lineal.
IV. Aplicaciones Lineales 111
x = ( x1 x3 ) e y = ( y1 y3 )
t t
Sean x2 y2 dos vectores de 3 .
x + y = ( x1 x 3 ) + ( y1 y3 ) = ( x1 + y1 x 2 + y2 x 3 + y3 )
t t t
x2 y2
f (x + y ) = ( x1 + y1 + x 2 + y 2 x 3 + y3 +1)
t
se tiene que,
= ( x1 + y1 + x 2 + y 2 x 3 + y3 + 2 )
t
con lo que,
x1 + y1 x1 y1
x 2 + y2 x 2 y 2
CB (x + y ) = = + = C B ( x) + C B ( y )
x n + yn x n y n
es decir,
f ( x + y ) = f (x) + f ( y )
Por otro lado,
x = ( x1u1 + x 2u 2 + + x n un ) = x1u1 + x 2u 2 + + x n un
luego,
x1 x1
x x
C B ( x) = 2 = 2 = C B ( x )
x n xn
y as
f ( x) = f ( x)
En consecuencia, f es una aplicacin lineal.
Esta propiedad se sigue verificando si se cambia n por K n .
f ( 0E ) = f ( 0 x ) = 0 f ( x ) = 0F
independiente.
IV. Aplicaciones Lineales 114
{
B = (1 0 0 ) ,
t
(0 1 0) ,
t
(0 0 1)
t
} de 3 que es libre. Calculemos
f (B) :
{
f (B) = (1 0 ) ,
t
(1 0) ,
t
( 0 1)
T
} que es un conjunto linealmente dependiente
en 2 .
{
que f (U) = (1 0 ) ,
t
( 0 1) } es un conjunto linealmente independiente en
t
2 .
Definicin: Sea f una aplicacin lineal definida entre los espacios vectoriales E y
F ( f : E F ). Se llama ncleo de f al subconjunto de E
Ker f = {x E / f (x) = 0F }
f ( x + y ) = f ( x) + f ( y ) = 0F + 0F = 0F x + y Ker f
f lineal xKer f , yKer f
Definicin: Sea f una aplicacin lineal definida entre los espacios vectoriales E y
F. Se llama imagen de f al subconjunto de F:
Im f = { f (x) F / x E}
Im f {}
ii) y 1 , y 2 Im f y 1 + y 2 Im f
f ( x1 ) = y 1 f (x 2 ) = y 2
iii) y Im f K y Im f
Sean y Im f K , luego, existe un vector x en E tal que
y = f (x) = f (x) y Im f
f lineal
es un subespacio vectorial de F.
El subespacio imagen ms importante es f(E), es decir la imagen de todo el espacio
vectorial E, que se denota, tal y como hemos visto como Im f .
de E. Entonces, x = x1e1 + x 2e 2 + + x n en y
Como consecuencia de este teorema se tiene que:
dim Im f dim E = n
f : 3 2
x1
x + x2
x = x2 f ( x) = 1
x x1 - x 2
3
siendo x = ( x1 x 3 ) . Se pide:
t
x2
v = (1 1 2 ) cumplen: f (u) = f ( v ) = ( 2 0 )
t t
f ( x ) = ( x1 + x 2 x1 - x 2 ) = ( x 1 x1 ) + ( x 2 -x 2 ) = x1 (1 1) + x 2 (1 -1)
t t t t t
Luego, Im f = Span (1 1) { t
(1 -1) .
t
}
Puesto que {(1 1) ,
t
(1 -1)
t
} es un conjunto linealmente independiente, es una
una base del Ker f, luego dim Ker f = p. Se probar que dim Im f = n p .
Por el Teorema de la Base Incompleta, (ya estudiado en el Tema 2), se puede
encontrar una base de E de la forma
{e ,
1 e 2 , , ep , ep+1 , ep+2 , , en }
f (bp+1ep+1 + bp+2ep+2 + + bn en ) = 0F
O equivalentemente
a1e1 a2e 2 ap ep + bp+1ep+1 + bp+2ep+2 + + bn en = 0E
construyendo una base de Ker f por no existir, sino que se partira de una base B
arbitraria de E y todo el razonamiento sera el mismo.
IV. Aplicaciones Lineales 119
condicin necesaria y suficiente para que f sea inyectiva es que Ker f = {0E } , esto
Demostracin:
Supngase que f : E F es una aplicacin lineal inyectiva.
x = y . Luego, f es inyectiva.
De acuerdo con las propiedades vistas al comienzo del tema, las aplicaciones
lineales conservan la dependencia lineal. Sin embargo, en general, no conservan la
IV. Aplicaciones Lineales 120
{ f (e ),
1 f (e 2 ), f (ep )} son tambin linealmente independientes en F.
sobreyectiva.
dim E dim F .
Este resultado se cumple siempre que tengamos un endomorfismo, esto es, una
aplicacin lineal definida de un espacio vectorial E en s mismo, f : E E y la
dimensin de E sea finita, es decir, en este caso, se verifica:
a) f es biyectiva es inyectiva ( Ker f = {0E } ).
tambin una base de F. Con la ayuda de estas bases se obtendrn las coordenadas
de f ( x ) como el producto de una matriz por las coordenadas del vector x .
IV. Aplicaciones Lineales 122
respectivamente. Si x E entonces :
x1
x
x = x1u1 + x 2u 2 + + x n u n luego, C U (x) = 2 son las coordenadas de x en la
xn
base U.
Consideremos su imagen, f (x) F , que se expresar como:
y1
y
f (x) = y1 v1 + y 2 v 2 + + y m v m , es decir, CV ( f (x) ) = 2 son las coordenadas
ym
de f(x) en la base V.
Por ser f una aplicacin lineal:
f (x) = f (x1u1 + x 2u 2 + + x n u n ) = x1 f (u1 ) + x 2 f (u 2 ) + + x n f (un )
Por tanto
CV ( f (x) ) = x1C V ( f (u1 ) ) + x 2 CV ( f (u 2 )) + + x n CV ( f (un ) )
Es decir,
y1 x
1
y 2 = C ( f (u ) ) C ( f (u ) ) C ( f (u ) ) x 2
V 1 V 2 V n
y x
m n
Abreviadamente:
CV ( f (x) ) = M VU ( f ) C U (x)
Del resultado anterior se deduce que todas las aplicaciones lineales entre espacios
vectoriales de dimensin finita reales o complejos son equivalentes a la
multiplicacin matricial de los vectores coordenados. Esquemticamente:
f
E F
x E y = f ( x ) F
A
xU y V = Ax U
siendo:
E y F dos espacios vectoriales de dimensin finita sobre un mismo cuerpo K y U y
V dos bases de E y F respectivamente;
x U : vector coordenado de x referido a la base U, es decir, x U = C U (x) .
imagen Im f = f(E). Por tanto, para obtener una base de Im f hay que extraer de
dicho conjunto los vectores que sean linealmente independientes.
Teniendo en cuenta que las coordenadas, en una cierta base de F, de los vectores
f (u1 ), f (u 2 ), , f (u n ) son las columnas de la matriz A (matriz de f respecto
de las bases consideradas en E y en F), y que el rango de dicha matriz es el nmero
de columnas (o de filas) linealmente independientes, es inmediata la siguiente
conclusin
IV. Aplicaciones Lineales 124
Ejemplos.
1. Sea la aplicacin:
f: P2 P1
p(t)-p(0)
p(t) f (p(t)) =
t
V= {1+t, 1-t} de P1 .
(
M VU (f )= C V ( f (1+t) ) CV ( f (t+t 2 ) ) CV ( f (t 2 +1) ) )
Calculemos CV ( f (1+t) ) . Obsrvese que f (1+t)=1 y este vector se expresa en
0.5
luego, CV ( f (t 2 +1) ) = C V ( t ) =
0.5
Por tanto la matriz de f respecto a las bases U y V es:
0.5 1 0.5
M VU (f ) =
0.5 0 0.5
(ii) Sea 1+t+t 2 , que se expresa en la base U como:
1+t+t 2 =0.5(1+t)+0.5(t+t 2 )+0.5(t 2 +1)
IV. Aplicaciones Lineales 125
0.5
luego, C U (1+t+t 2 ) = 0.5
0.5
Por lo tanto:
0.5
1
CV ( f (1+t+t 2 ) ) = M VU (f ) C U (1+t+t 2 ) =
0.5 1 0.5
0.5 =
0.5 0 -0.5 0.5 0
y como consecuencia f (1+t+t 2 ) = t +1 .
Segn la notacin comentada anteriormente:
0.5
0.5 1 0.5
M VU ( f ) C U (1 + t + t ) = A x =
2
0.5 =
0.5 0 0.5
0.5
1
= = y = C V ( f (1 + t + t 2 ) )
0
{
(i) Sea B= e1 = (1 0 ) , e 2 = ( 0 1)
t t
} la base cannica de . Entonces:
2
M BB (f )= ( C B ( f (e1 ) ) CB ( f (e2 ) ) )
f (e1 ) = ( 1 0 ) = C B ( f (e1 ) ) f (e 2 ) = ( 0 1) = CB ( f (e 2 ) )
t t
Como
1 0
se tiene que, M BB ( f ) = .
0 1
(ii) Como CB ( f (z ) ) = M BB ( f ) C B (z ) , entonces
1 0 2 2
CB ( f (z ) ) = = = f (z ) .
0 1 3 3
IV. Aplicaciones Lineales 126
Obsrvese que, fijadas las bases, la matriz de una aplicacin lineal es nica.
Ahora bien, una aplicacin lineal puede representarse por distintas matrices si
se usan bases diferentes, estando tales matrices relacionadas entre s, tal y como
veremos en el siguiente apartado.
Sea f una aplicacin lineal definida entre E y F, siendo estos espacios vectoriales
sobre K de dimensin n y m respectivamente.
Sean U = {u1 , u 2 , , un } y V = { v1 , v 2 , , v m } bases de E y F
Esquemticamente:
f
E ( dim n ) F (dim m)
M VU
Base U Base V
P R
M VU
Base U Base V
y V = A1 x U
y V' = A 2 x U'
se llega a que A 2 =R -1 A1 P
o lo que es lo mismo:
M V' U' ( f ) = R -1 M VU (f ) P
Esta es la relacin que verifican las matrices asociadas a una misma aplicacin
lineal f cuando se cambian las bases en E y en F.
f
E ( dim n ) E (dim n)
M UU
Base U Base U
P P
M UU
Base U Base U
As, la relacin entre las matrices del endomorfismo f al cambiar de base en E es:
M U'U' ( f ) = P -1 M UU ( f ) P
A 2 = P -1 A1 P
Esta es la relacin que verifican las matrices asociadas a un mismo endomorfismo f
cuando se cambia la base en E.
EJERCICIOS TEMA 4
b) g : 3 3 / g ( x1 , x 2 , x 3 ) = ( 0, x 2 , x 3 )
2.- Dada la aplicacin lineal f : 4 3 que en las bases cannicas viene dada
por la expresin:
f ( x1 , x2 , x3 , x4 ) = ( x1 , x2 , x1 + x2 + x3 ) .
x y
4.- En el espacio vectorial E = A = / x, y, z, t se define la
z t
transformacin T de E en si mismo:
T: E
E
A
T (A) = M A A M
1 2
siendo M =
0 1
a) Es la transformacin T lineal?
b) Ecuacin matricial de la transformacin.
IV. Aplicaciones Lineales 130
5.- Sean B = {e1 , e2 , e 3 , e4 } y B' = {e '1 , e '2 , e '3 } las bases cannicas de 4 y
f ( e 2 ) = e'1 + e'3
7.- En el espacio vectorial de los polinomios de grado menor o igual que tres:
a) Demostrar que {1, (x + 1), (x + 1)2 , x 3 } es base.
8.- Sea V el espacio vectorial de las funciones reales de variable real con las
operaciones usuales. Si f : 3 V , es la aplicacin que a cada terna
9.- En el espacio E 3 , de vectores libres del espacio, se define una aplicacin que
transforma un vector en su simtrico respecto del plano horizontal Z=0. Se pide:
a) Ecuacin matricial de la transformacin lineal y naturaleza de la misma.
b) Dimensin, base y ecuaciones cartesianas del subespacio imagen.
c) Idem para el ncleo de la aplicacin.
11.- Sean P3 y P2 los espacios vectoriales de los polinomios de grado menor o igual
que 3 y 2 respectivamente. Se define una aplicacin:
T: P2 P3
p ( x ) T (p ( x )) = p(t)dt
x
Se pide:
a) Hallar la matriz de la transformacin.
b) Hallar T (2x 2 + 4x) y el vector vectores originales de x 3 2x 2 + 2x
respecto de la transformacin lineal T.
- T ( v ) = v v x1 - x 2 - x 3 = 0
- El vector (0, 1, 1) pertenece al ncleo.
Se pide:
a) Transformados de los vectores de la base usual.
b) Ecuacin matricial de la transformacin y naturaleza de la misma.
c) Dimensin, bases y ecuaciones de los subespacios ncleo e imagen.
13.- Sea P 2 el espacio vectorial real de los polinomios de grado menor o igual que
2. Se considera la aplicacin lineal f : P 2 P 2 dada por:
f (t + 1) = 1
f (t 2 + 1) = t + 1
{
Ker f = Span t 2 - t - 1 }
Se pide:
{
a) Hallar la expresin matricial de f respecto de la base B = 1, t, t 2 . }
b) Calcular la dimensin, una base y ecuaciones de los subespacios Ker f e
Im f.Es f sobreyectiva ? Razona la respuesta.
{
c) Hallar f(T), donde T = Span t 2 + 1, 3t - 2 . }
14.- Se considera el espacio vectorial V2 de las matrices cuadradas de orden 2
15.- Sea P2 (x) el espacio vectorial real de los polinomios de grado menor o igual
que 2 y E 2 x 2 () el conjunto de matrices cuadradas reales de orden 2. Se define la
aplicacin lineal:
IV. Aplicaciones Lineales 133
T : P2 (x)
E 2x2 ()
p(0) p'(1)
p(x)
T (p(x)) =
p'(1) p(0)
Se pide:
a) Matriz de la aplicacin T.
b) Ecuacin implcita del ncleo, as como una base y su dimensin.
c) Ecuacin implcita del subespacio imagen, as como una base y su
dimensin.
d) Son los subespacios ncleo e imagen suplementarios? Razona la respuesta.
- T (e 3 ) = (1 1 1)
t
e '1 = e1 + e2 + e3
e '2 = e1 - e2 .
e '3 = e1
IV. Aplicaciones Lineales 134
1 0 0 0
2.- A = 0 1 0 0
-1 1 1 0
No es inyectiva.
Es sobreyectiva.
f (x) = ( 3, 4, 3)
3.- b)
{
BIm f = ( -2 1 -1) ,
t
(2 -2 1)
t
}
= {( 0) }
t
BKer f 2 1
4.- a) Si
y1 0 0 2 0 x
y -2 0 0 2
y
b) 2 =
y3 0 0 0 0 z
y4 0 0 -2 0 t
1 0 0 1
b) dim Ker T = 2, BKer T = ,
0 1 0 0
0 -1 1 0
c) dim Im T = 2, BIm T = ,
0 0 0 -1
d) Endomorfismo no inyectivo y no sobreyectivo.
0 1 -3 0
5.- a) A = 0 0 0 1
0 1 -3 0
b) Rang f = rang A = 2
{
c) F = Span (1 0 -1 2 ) ,
t
(2 6 -3 2 )
t
}
IV. Aplicaciones Lineales 135
6.- a) Es lineal.
b) No es lineal.
0 1 0 0 0 1 0 3
0 0 2 0 0 0 2 -6
c) A B = ; A B' =
0 0 0 3 0 0 0 3
0 0 0 0 0 0 0 0
{
8.- BKer f = (1 1 -1)
t
} ; BIm f = {sin 2 (x), cos 2 (x)}
f no es inyectiva. f no es sobreyectiva.
y1 1 0 0 x1
9.- a) y 2 = 0 1 0 x 2 ; endomorfismo biyectivo.
y 0 0 -1 x
3 3
b) Im T = E 3 ; una base de Im T ser cualquier base de E 3 (no hay ecuaciones
cartesianas o implcitas para Im T).
c) Ker T = {0} ; sus ecuaciones cartesianas son x1 = x 2 = x 3 = 0 .
Im F = {B M n n / B simtrica }
0 0 0
1 0 0
1
11.- a) A = 0 0
2
1
0 0
3
b) T ( 2x 2 + 4x ) = 2x 2 + x 3
2
; el vector original de x 3 - 2x 2 + 2x es
3
2 - 4x + 3x 2 .
IV. Aplicaciones Lineales 136
1 0 0
1 0 0
1 1 1
A B* = 0 1 0 ; AB = -
0 0 0 2 2 2
1 1 1
-
2 2 2
b) No es sobreyectiva y por lo tanto (por ser endomorfismo) no es inyectiva
c) dim Imf=2; Ecuacin: y1 - y 2 - y3 = 0 ;
1 1
t
1 1
t
BIm f = 1 , 0
2 2 2 2
x1 = 0
dim Ker f = 1 ; Ecuaciones
x 2 - x3 = 0
; BKer f = ( 0 1 1)
t
{ }
y 0 0 0 x
1 1
13.- a) y2 = 0 -1 1 x 2
y3 1 1 0 x 3
a =
Ecuaciones paramtricas: b = /
c =
a + b = 0
Ecuaciones implcitas:
a + c = 0
a = 0
BIm f = {1,t} dim (Im f ) = 2 ; Ecuaciones paramtricas b = / ,
c =
Ecuacin implcita: a = 0
f no es sobreyectiva.
c) B f (T) = {t + 1, 3 - 5t }
IV. Aplicaciones Lineales 137
0 0 0 0
1 0 0 0
14.- b) A =
0 1 1 0
0 0 0 1
0 1
BIm f = {x, x 2 , x 3 } BKer f =
-1 0
2 b
c) B =
1- b 1
1 0 0
0 1 2
15.- a) Matriz respecto a las bases cannicas: A =
0 1 2
1 0 0
a0 = 0
b) BKer f = {-2x + x 2 } dim(Ker f ) = 1, ecuaciones implcitas:
a1 + 2a2 = 0
1 0 0 1
c) BImf = , dimImf = 2
0 1 1 0
x - t = 0
Ecuaciones implcitas: .
y - z = 0
d) Es imposible que sean subespacios suplementarios porque pertenecen a
espacios vectoriales distintos.
y1 1 -1 1 x1
16.- a) y 2 = 1 -1 1 . x 2 ; T no es inyectiva ni sobreyectiva.
y 1 -1 1 x
3 3
y1 = y 2
b) BIm T = {(1 1 1)} ; Ecuaciones
y 2 = y3
{
c) T (S)=Span ( 2 2 2 ) ,
t
( -1 }
-1 -1) Im T
t
y1 1 2 1 x1
d) y 2 = 0 0 0 x 2
y 0 0 0 x
3 3
IV. Aplicaciones Lineales 138
Tema 5
base B'E .
De forma esquemtica:
V. Diagonalizacin por transformaciones de semejanza 140
f
E ( dim n ) E (dim n)
A = M BB ( f )
BE BE
P P
A1 = M BB ( f )
B'E B'E
Es evidente que cuanto ms sencilla sea la estructura de una matriz, ms fcil ser
obtener informacin acerca del endomorfismo al que representa. Entre las matrices ms
sencillas se encuentran las diagonales, las cuales nos ofrecen muchas facilidades de
clculo.
o lo que es lo mismo,
matriz diagonal D, es decir, si existe una matriz P inversible tal que P -1AP sea diagonal.
Hay que tener en cuenta que no se puede esperar diagonalizar todos los endomorfismos
( lo que es lo mismo, sus matrices correspondientes). Sin embargo, s es posible
1 n
Esta afirmacin se basa en que existe una aplicacin lineal biyectiva (isomorfismo) entre E y K , que es
la aplicacin coordenada ( x E C B ( x) ).
V. Diagonalizacin por transformaciones de semejanza 141
base dada de K n .
Se dice que el vector x K n , x 0 (no nulo), es un autovector o vector propio de A (
del endomorfismo f ) si existe K tal que
Ax=x (es decir , f (x) = x)
El escalar , as asociado a x (no puede haber ms que uno) se llama autovalor o
valor propio de A ( de f ) asociado a x .
V( ) = Ker (A I) = {x K n / A x = x} = {x K n / (A I) x = 0}
se llama subespacio propio de A asociado a ; sus vectores no nulos son los vectores
propios asociados a .
V. Diagonalizacin por transformaciones de semejanza 142
igual a cero: A I = 0 .
As podemos comenzar por encontrar los autovalores deA, es decir, aquellos valores
de K que hacen A I = 0 , y a continuacin, para cada autovalor as obtenido,
a a12
Sea A = 11 , entonces su polinomio caracterstico es :
a 21 a 22
a11 a12
p A ( ) = A I = = (a11 )(a 22 ) a12 a 21 = 2 ( a11 +a 22 ) + a11a 22 a12 a 21 =
a 21 a 22
= 2 tr( A ) + A
V. Diagonalizacin por transformaciones de semejanza 143
Si A fuera de orden n:
0 -1
. Su polinomio caracterstico es p A ( ) = + 1 , y su ecuacin
2
Ejemplo. Sea A=
1 0
caracterstica 2 + 1 = 0 , que no se anula para ningn valor real. Luego, la matriz A
considerada como una matriz real, no tiene valores propios. Pero si se considera A como
una matriz sobre el cuerpo de los nmeros complejos, sus autovalores son +i y i.
= (1)n n ( 1+ 2 + + n ) n-1 + + ( 1) n ( 1 2 n )
A = 1 2 n
en la base cannica de R 2 .
y1 0 2 x1
=
y2 2 0 x 2
0 2
Luego, la matriz asociada en la base cannica de R 2 es A = .
2 0
Los autovalores de A son las soluciones de la ecuacin caracterstica de la matriz A :
2
p A ( ) = A I = 0 = = 2 4 = 0 1= 2 2 = 2
2
x1 x1 x1
V( 1)= x = R 2 / A = 1 =
x 2 x2 x 2
x1 x1 0 x1 -2 2 x1 0
= x = R 2 / (A 1I) = = x = R 2 / = =
x2 x 2 0 x2 2 -2 x 2 0
x1 x1
= x = R 2 / 2x1 +2x 2 =0 x1 = x 2 = x = R 2 / x1
x2 x1
V. Diagonalizacin por transformaciones de semejanza 145
x1 x1 x1
V( 2 )= x = R 2 / A = 2 =
x 2 x2 x 2
x1 x1 0 x1 2 2 x1 0
= x = R 2 / (A 2 I) = = x = R 2 / = =
x2 x 2 0 x2 2 2 x 2 0
x1 x1
= x = R 2 / 2x1 +2x 2 =0 x1 = x 2 = x = R / x1
2
x2 x1
A = 4 = 1 2
Los autovalores de una matriz cuadrada pueden ser repetidos no. Lo que da lugar a las
siguientes definiciones:
7 0 0 0 0
0 7 1 0 0
Ejemplo. Sea la matriz A = 0 0 4 2 0 . Fcilmente se obtiene que el polinomio
0 0 0 4 0
0 0 0 0 4
En segundo lugar, para cada autovalor se calculan los vectores propios, es decir, los
subespacios propios:
V( ) = Ker (A I) = {x 3 / A x = x} = {x 3 / (A I) x = 0}
V(1) = Ker (A I) = {x 3 / (A I) x = 0}
2 x 2 - x 3
V(1) = x / x = x 2
3
, x2 , x3 ,
x
3
2 1
De donde una base de autovectores de V(1) es 1 y 0 . As,
0 1
1 = dim V(1) = 2 .
Parar 2 = 5 se tiene :
3 2 1 x1 0 3x1 + 2x 2 + x 3 = 0
x = x
( A 5I ) x = 0 1 2 1 x 2 = 0 x1 2x 2 + x 3 = 0 2 1
x 3 = x1
1 2 3 x 3 0 x1 + 2x 2 3x 3 = 0
Estas son las dos ecuaciones implcitas del subespacio V(5) , luego
dim V(5) = n rang(A 5I) = 3 2 = 1
x1
V(5) = x / x = x1 , x1
3
x
1
1
De donde una base de autovectores de V(5) est formada por el vector 1 .
1
Luego, 2 = dim V(5) = 1 .
Para hallar sus autovalores se emplea su ecuacin caracterstica (al tratarse del
determinante de una matriz triangular es igual al producto de los elementos diagonales:
A I = 0 = (a11 )(a 22 ) (a nn )
Es decir, los polinomios caractersticos de A y B son iguales. Dado que los autovalores
son las races de la ecuacin caracterstica, queda demostrada la proposicin.
V. Diagonalizacin por transformaciones de semejanza 149
mientras que
V. Diagonalizacin por transformaciones de semejanza 150
de donde
AP = PD
Como P es una matriz inversible ya que sus columnas son los autovectores deA, que son
linealmente independientes, entonces D = P 1AP , es decir, A es diagonalizable.
encontrar una matriz inversible P tal que D = P 1AP sea una matriz diagonal,
equivalentemente AP = PD . Empleando las expresiones (1) y (2), se obtiene:
[ A x1 A x 2 A xn ] = 1x1 2 x 2 n xn (3)
Observaciones.
1.- Este Teorema se puede enunciar en otros trminos como sigue:
Una matriz A E n xn (K ) es diagonalizable si y slo si existe una base de K n formada
2.- Para terminar, dados n autovectores cualesquiera x1 , x 2 , ..., xn , los colocamos como
columnas de P y situamos los autovalores asociados 1 , 2 , , n sobre la diagonal de
V. Diagonalizacin por transformaciones de semejanza 151
1 0 0
0 2 0
D, es decir, D = . Segn (1), (2) y (3) se tiene que AP = PD . Hasta
0 0 n
aqu, este resultado no exige ninguna condicin a los autovectores. Pero si los
autovectores son linealmente independientes, P es inversible y AP = PD conlleva a
D = P 1AP .
3 1 2
Ejemplo. Diagonalizar, si es posible, la matriz A = 2 0 2 ( A E 3 x 3 ( )).
2 1 1
Dicho de otra forma, encontrar una matriz inversible P y una matriz diagonal D tales
que D = P 1AP .
Solucin. Hace falta pasar por cuatro etapas para realizar lo que se describe en el
Teorema precedente.
2 1 2 x1 0 2x1 x 2 2x 3 = 0
( A I ) x = 0 2 1 2 x 2 = 0 2x1 x 2 2x 3 = 0 x 2 = 2x1 2x 3
2 1 2 x 3 0 2x1 x 2 2x 3 = 0
entonces, el subespacio propio asociado a 1= 1 es:
V. Diagonalizacin por transformaciones de semejanza 152
x1
V(1) = x / x = 2x1 2x 3 , x1 , x 3
3
x3
1 0
De donde una base de autovectores de V(1) es BV (1) = 2 , 2 .
0 1
x1
V(0) = x / x = x1 , x1
3
x
1
1
y una base de autovectores de V(0) es BV(0) = 1 .
1
decir, D = P 1AP .
1 0 0
D = 0 1 0
0 0 0
Es conveniente comprobar si P y D las hemos calculado bien. Para ello, basta con,
evitando calcular P 1 , comprobar que AP = PD , lo que es equivalente a D = P 1AP
cuando P es inversible. (Hay que asegurarse a pesar de todo que P es inversible!).
3 1 2 1 0 1 1 0 0
AP = 2 0 2
2 2 1 = 2 2 0
2 1 1 0 1 1 0 1 0
1 0 1 1 0 0 1 0 0
PD = 2 2 1 0 1 0 = 2 2 0
0 0 0 0 0
1 1 1 0
Como vamos a ver a continuacin, las matrices simtricas reales son matrices que tienen
la propiedad de ser siempre diagonalizables. Adems, va a existir una base ortonormada
formada por autovectores.
V. Diagonalizacin por transformaciones de semejanza 155
Teorema. Sea A una matriz simtrica real de orden n. Entonces A tiene n autovalores
reales (teniendo en cuenta la multiplicidad algebraica de cada uno).
Teorema. Sea A una matriz simtrica real de orden n. Entonces, los autovectores
asociados a autovalores distintos son ortogonales (respecto del producto escalar usual en
n ).
El teorema anterior indica que los autovectores asociados a autovalores distintos son
ortogonales, sin embargo no indica nada respecto a los autovectores asociados a un
autovalor mltiple. Por lo tanto, los autovectores asociados a un autovalor mltiple no
necesariamente son ortogonales; si se quiere ortogonalizarlos, se emplear, por ejemplo,
el mtodo de Gram-Schmidt. Por lo tanto, una base ortonormal de autovectores de la
matriz simtrica real A, para el espacio vectorial n , se puede obtener uniendo bases
ortonormales de cada subespacio propio, obtenidas por el mtodo de Gram-Schmidt.
Para diagonalizar ortogonalmente una matriz cuadrada de orden n hace falta disponer
de n autovectores ortonormados y linealmente independientes. Cundo es esto
posible? Si A es diagonalizable ortogonalmente entonces
A t = (PDP t ) t = (P t ) t D t P t = PDP t = A
Teorema. Si A es una matriz simtrica real, entonces existe una base ortonormal de
n formada por n autovectores de A.
0 1 1
Ejemplo. Diagonalizar ortogonalmente la matriz A = 1 0 1 .
1 1 0
Solucin. La ecuacin caracterstica de A es:
1 1
p A ( ) = A I = 1 1 = (1 ) 2 (2 + ) = 0
1 1
1 1 1 x1 0
1 1 1 x 2 = 0 x1 x 2 + x 3 = 0
1 1 1 x 0
3
Por tanto, el subespacio propio asociado a 1= 1 es:
x1
V(1) = x / x = x1 + x 3 / x1 , x 3
3
x
3
V. Diagonalizacin por transformaciones de semejanza 157
1 0
Siendo una base de autovectores de V(1) : BV(1) = u1 = 1 , u 2 = 1 ,
0 1
2 1 1 x1 0
x 2 = x1
1 2 1 x 2 = 0 x = x
1 1 2 x 0 3 1
3
Por tanto, el subespacio propio asociado a 2 = 2 es:
x1
V(2) = x / x = x1 , x1
3
x
1
1
y una base de autovectores de V(2) es BV( 2) = u 3 = 1 . En este caso,
1
Para construir una matriz P ortogonal tal que P t AP sea una matriz diagonal, D, se
necesita una base ortonormal formada por autovectores de A. El subconjunto {u1 , u 2 }
0 1
v 2 = u 2 + v1 = 1 + 1 = 1 + , tal que < v1 , v 2 >= 0
1 0 1
V. Diagonalizacin por transformaciones de semejanza 158
1
2
< v1 , v 2 >= 1 + 2 = 0 =
1
y v2 = 1
.
2 2
1
0 0 2
es la matriz diagonal D que es semejante a la matriz A.
V. Diagonalizacin por transformaciones de semejanza 159
EJERCICIOS TEMA 5
3 2 3 2
a) A () = b) A () =
1 1 2 3
0 2 1 1 2 5
c) A () = 0 0 3 d) A () = 0 6 0
0 0 0 2 7 1
3.- Para cada matriz del ejercicio 1, obtener una matriz diagonal D que sea semejante a
la matriz A, as como la matriz regular P tales que D = P 1AP .
4.- Estudiar si las siguientes matrices son diagonalizables, y obtener, si es posible, una
matriz diagonal D que sea semejante a la matriz A, as como la matriz regular P tales
que D = P 1AP .
1 0 0 0 3 1
a) A = 1 0 1 b) A = 2 1 1
1 1 0 2 1 1
1 0 0 0
a 1 0 0
5.- Sea A = . Discutir las condiciones que deben cumplir a, b, c, d, e y f
b d 1 0
c e f 1
m 0
6.- Sea A = 0 1 0 una matriz donde y m (m 0) . Obtener los autovalores
0 0 2
y autovectores de A. En qu casos la matriz A es diagonalizable?.
V. Diagonalizacin por transformaciones de semejanza 160
a 1 d
7.- Dada A = b 0 e , hallar a, b, c, d, e, f sabiendo que los autovectores de A son:
c 1 f
0 1 2
v1 = 1 , v2 = 2 , v3 = 0 .
1 0 1
2 1 1
8.- Sea A = 0 1 3 . Demostrar (sin utilizar el polinomio caracterstico) que
0 2 2
5
v = 9 es un vector propio de A y encontrar el correspondiente valor propio.
6
1 0
9.- Supngase que A = PDP 1 , siendo D = 2
. Demostrar que B=2I+3A es
0 5
diagonalizable y encontrar una matriz diagonal semejante a B.
1 1 0
11.- Dada la matriz A = 1 2 1 , se pide:
0 1 1
1 a 0
A = a 1 0 a 0 .
0 0 1
3 0 0 0
0 1 1 1
A=
0 1 1 1
0 1 1 1
2 2
1.- a) 1= 2 + i , BV( 1) = ; 2 = 2 i , BV( 2) =
1 + i 1 i
1 1
b) 1= 5, BV( 1) = ; 2 = 1, BV( 2 ) =
1 1
1 1
c) 1= 0 (Triple) , BV( ) 1
= 0 ; d) 1= 6 , BV( 1) = 1
0 1
2.- a) Diagonalizable.
b) Diagonalizable.
c) No es diagonalizable.
d) No es diagonalizable.
2+i 0 2 2
3.- a) D = ; P=
0 2-i 1 + i 1 i
5 0 1 1
b) D = ; P=
0 1 1 1
1 0 0 1 1 0
4.- a) D = 0 1 0 ;
P = 1 0 1
0 0 1 0 1 1
b) No es diagonalizable.
5.- a = 0, f = 0 b, c, d, e .
6.- Autovalores de A: 1= ; 2 = 1 ; 3 = 2
Si = 1 , entonces A no es diagonalizable. En cualquier otro caso, s lo es.
5
7.- a = ; b = 1 ; c = 2 ; d = 1 ; e = 2 ; f = 1 .
2
8.- Valor propio = -1.
V. Diagonalizacin por transformaciones de semejanza 163
5 0
9.- La matriz diagonal semejante a B es D = .
0 77
11.- a) S por ser A una matriz simtrica real (Ver Teora para dar justificacin).
b) Valores propios de A: 0, 1 y 3.
1
2 1 3 1 6
Base ortonormal de vectores propios de A = 0 , 1 3 , 2 6 .
1
1 2 3 1 6
1 1
0
2 2 1 0 0
1 1
13.- P = 0 D = 0 1 + a 0 .
2 2
1 a
1 0 0 0 0
TRIANGULARIZACIN POR
TRANSFORMACIONES DE SEMEJANZA
6.1. INTRODUCCIN
El siguiente Teorema permite caracterizar las matrices que son triangularizables por
semejanza.
Existen distintas formas de triangularizar por semejanza una matriz A . Nosotros vamos
a estudiar en este tema la llamada forma cannica de Jordan de una matriz A , que se
representa por J , y es una matriz diagonal por bloques, cuyos bloques diagonales son
bloques elementales de Jordan.
Es decir, en este tema se resuelve el problema de reducir por semejanza una matriz
cuadrada A de orden n , con n autovalores (repetidos no), a la forma cannica de
Jordan, mediante una matriz regular P , tal que:
J = P -1 A P
equivalentemente
A = P J P -1
Las columnas de P forman la llamada base de Jordan base de K n formada por
cadenas de autovectores generalizados de A .
VI. Triangularizacin por transformaciones de semejanza 166
Es conveniente observar que an cuando los elementos de A sean reales, las matrices J
y P pueden ser complejas (es decir, si es necesario se considera K = ).
Sean V1 ( ) = Ker ( A I ) y
x1 x1 0
V2 ( ) = Ker ( A I ) 2 = x = K 2 / ( A I )2 = K 2
x2 x 2 0
haciendo: u1 = ( A I ) u 2 .
(A I) u1 = 0 A u1 = u1
(A I) u 2 = u1 A u 2 = u1 + u 2
con lo que, la matriz de la transformacin lineal f en esta nueva base es:
1
0
Esta matriz no es una matriz diagonal, pero es casi diagonal, y es, en este caso, la forma
reducida de Jordan de la matriz A .
0 0 1
, o / ,
0 0 0
y una matriz P E 2 x 2 (K ) regular, tal que
J = P -1 A P ( A = P J P -1 )
La matriz J se denomina matriz de Jordan de A .
VI. Triangularizacin por transformaciones de semejanza 168
0 2
Ejemplo. Obtener la forma reducida de Jordan de la matriz A = .
-2 4
Solucin. La ecuacin caracterstica de A es:
- 2
pA ( ) = = (4 - )(-) + 4 = 2 - 4 + 4 = ( - 2) 2 = 0
-2 4 -
cuyos autovalores son = 2 (doble).
Para = 2 se tiene:
x
V1 (2) = Ker ( A 2I ) = x = 1 R 2 / ( A 2I ) x = 0
x2
2 2 x 1 0
2 2 x = 0 x 1 = x 2
2
de donde
x1 1
V1 (2) = Ker ( A 2I ) = = x1 / x1 R .
x1 1
A partir del Lema anterior se sabe que V2 (2) = Ker ( A 2I )2 2 , es decir
dim V2 (2) = 2.
1
u 2 V2 (2) V1 (2) , por ejemplo u 2 = . Entonces
0
2 2 1 2
u1 = ( A 2I ) u 2 = = V1 ()
2 2 0 2
2 1
La matriz de Jordan es J = y la matriz de paso de la base cannica de
0 2
2 1
R 2 a la nueva base {u1 , u 2 } es P = .
2 0
As pues, se debe verificar J = P -1 A P equivalentemente P J = A P ,
siendo P regular:
2 1 2 1 0 2 2 1
= , P regular
2 0 0 2 2 4 2 0
VI. Triangularizacin por transformaciones de semejanza 169
A continuacin se realizarn varios ejemplos que servirn para comprender mejor los
resultados necesarios para la obtencin de la forma de Jordan de matrices que
representan aplicaciones entre espacios vectoriales de cualquier dimensin.
0 3 1
Ejemplo 1. Obtener la forma reducida de Jordan de la matriz A = 2 1 1 .
2 1 1
2 3 1 x1 0 0 0 0 x1 0
2x1 3x 2 x 3 = 0
2 3 1 x =
0 2 3 1 x =
0
2 2
2 1 3 x 0 0 4 4 x 0 4x 2 4x 3 = 0
3 3
x = x2
1
x3 = x 2
de donde:
x1 1
V1 (2) = Ker ( A 2I ) = x1 = x1 1 / x1 R dim V1 (2) = 1 .
-x 1
1
1
Entonces, u1 = 1 es un autovector asociado a = 2 .
1
VI. Triangularizacin por transformaciones de semejanza 170
2 3 1 x1 0 2 3 1 x1 0 2 3 1 x1 0
2 1 1 x 2 = 0 2 1 1 x 2 = 0 0 2 2 x 2 = 0
2 1 1 x 0 0 0 0 x 0 0 0 0 x 0
3 3 3
de donde
1
V1 (2) = x1 -1 / x1 R dim V1 (2) = 1 .
1
Luego, dim V1 (2) = 1 < multiplicidad algebraica de = 2 . Esto implica que
A no es diagonalizable. La matriz ms sencilla posible semejante a la matriz A
es su forma reducida de Jordan.
todo el espacio vectorial 3 , entonces se puede asegurar que no existe una base de
autovectores de A . Es necesario en este caso recurrir al procedimiento realizado en el
caso de races iguales de matrices de orden 2.
todo el espacio vectorial 3 , se puede elegir una base de 3 tal que la matriz de Jordan
de A sea bastante sencilla en esta base. La forma de elegir esta base es la siguiente:
VI. Triangularizacin por transformaciones de semejanza 171
0
Sea u 3 = 0 un vector de V2 (2) que no pertenece a V1 (2) , y se toma:
1
0 2 3 1 0 1
u 2 = (A + 2I) u 3 = (A + 2I) 0 = 2 1 1 0 = 1
1 2 1 11 1
Se comprueba fcilmente que {u1 , u 2 , u 3 } es una base de 3 formada por
f (u1 ) = A u1 = 2 u1
f (u 2 ) = A u 2 = 2 u 2
f (u 3 ) = A u 3 = u2 2 u 3
2 0 0
De donde la matriz de Jordan de A es J = 0 2 1 , y la matriz de paso es
0 0 2
1 1 0
P = 1 1 0 . Se cumple que J = P -1 A P , es decir, P J = A P ( P regular):
1 1 1
1 1 0 2 0 0 0 3 1 1 1 0
1 1 0 0 2 1 = 2 1 1 1 1 0
1 1 1 0 0 2 2 1 1 1 1 1
2 1 1
Ejemplo 2. Obtener la forma reducida de Jordan de la matriz A = 1 1 0 .
0 1 3
de donde = 2 (triple).
1
se obtiene que V1 (2) = Ker(A + 2I) = x1 1 / x1 R
1
0 1 1 x1 0 1 0 1 x1 0
2
1 1 0 x 2 = 0 1 0 1 x 2 = 0 x1 = x 3
0 1 1 x 0 1 0 1 x 0
3 3
1 0
V2 (2) = Ker ( A + 2I ) = x1 0 + x 2 1 / x1 , x 2 R
2
1
0
Pero dim V2 (2) = 2 < 3 = multiplicidad algebraica de = 2 . Luego, el subespacio
1
y se elige un vector u 3 V3 (2) = R , tal que u 3 V2 ( 2) ; por ejemplo, u 3 = 0 .
3
0
Se toma u 2 = (A + 2I)u 3 y u1 = (A + 2I)u 2 . Entonces, se tiene:
VI. Triangularizacin por transformaciones de semejanza 173
0 1 1 1 0 0 1 1 0 1
u 2 = (A + 2I)u 3 = 1 1 0 0 = 1 ; u1 = (A + 2I)u 2 = 1 1 0 1 = 1
0 1 1 0 0 0 1 1 0 1
En esta base:
f (u1 ) = A u1 = 2 u 1
f (u 2 ) = A u 2 = u1 2 u 2
f (u3 ) = A u 3 = u2 2 u 3
2 1 0
De donde la forma reducida de Jordan de A es J = 0 2 1 , que es la matriz
0 0 2
1 0 1
asociada al endomorfismo en la nueva base B' , y P = 1 1 0 es la matriz de paso
1 0 0
de la base cannica a la base B' . Se comprueba fcilmente que J = P -1 A P .
2 0 1
Ejemplo 3. Obtener la forma reducida de Jordan de la matriz A = 0 1 0 .
1 0 0
1 0
se obtiene que V1 (1) = Ker(A + I) = x1 0 + x 2 1 / x1 , x 2 R
1
0
1 0 1 x 1 0 0 0 0 x 1 0
2
0 0 0 x2 = 0 0 0 0 x2 = 0
1 0 1 x 0 0 0 0 x 0
3 3
1
por ejemplo, u 3 = 0 .
0
Se toma ahora u 2 = (A + I)u 3 , luego
1 0 1 1 1
u2 = 0 0 0 0 = 0 .
1 0 1 0 1
Como V1 (1) es un subespacio de dimensin 2, se puede elegir an un vector
u1 V1 (1) de manera que B' = {u1 , u 2 , u 3 } sea una base de 3 . Por ejemplo,
0
u1 = 1 . En esta base B' :
0
f (u1 ) = A u1 = u 1
f (u 2 ) = A u 2 = u2
f (u 3 ) = A u 3 = u2 u 3
VI. Triangularizacin por transformaciones de semejanza 175
1 0 0
Entonces la forma reducida de Jordan de A es J = 0 1 1 , que es la matriz
0 0 1
0 1 1
asociada al endomorfismo en la nueva base B' , y P = 1 0 0 es la matriz de paso
0 1 0
de la base cannica de 3 a la base B' . Se comprueba fcilmente que J = P -1 A P .
1 0 0
1 0
1 0 1 0
J1 () = ( ) J 2 ( ) = J 3 () = 0 1 J 4 ( ) =
0 0 0 0 0 1
0 0 0
r1 + r 2 + + rm = n .
a la base
Bp () = (A I) p 1 (Fp ) (A I)(Fp ) Fp ,
Las imgenes sucesivas de cada uno de estos vectores mediante la matriz (A I) nos
dan un conjunto de vectores linealmente independientes, Bp-1 ( ) , con respecto a los
6) Se repiten los pasos del 2) al 5) con cada uno de los autovalores j ; la matriz de
1 0 2 6
0 1 1 3
Ejemplo 4. Obtener la matriz de Jordan de A = , y una matriz P
0 0 1 3
0 0 0 2
tal que AP = PJ .
0 0 2 6 x 1 0 1 0
0 1
0 1 3 x 2 0 x 3 = 0 0
= V1 (1) = Span ,
0 0 0 3 x3 0 x 4 = 0 0 0
0
0 0 0 1 x 4 0 0
En este ejemplo dim V1 (1) = 2 < 3 = multiplicidad algebraica de 1= 1 . Esto implica que
no existe una base de autovectores de A , luego A no es diagonalizable. Entonces
vamos a calcular una base de autovectores generalizados, en la cual la matriz ms
sencilla posible semejante a la matriz A sea su forma reducida de Jordan.
1 0 0
1 0
0
de donde V2 (1) = Span , ,
0 0
1
0 0 0
0
0
u 3 = V2 (1) V1 (1)
1
0
y
VI. Triangularizacin por transformaciones de semejanza 180
0 0 2 6 0 2
0 0 1 3 0 1
u 2 = (A I)u 3 = = V1 (1)
0 0 0 3 1 0
0 0 0 1 0 0
1
0
Luego se elige u1 = de modo que pertenezca a V1 (1) y sea linealmente
0
0
independiente con el vector u 2 .
1 0 2 6 x 1 0
x1 + 2x 3 6x 4 = 0 x1 = 0
0 1 1 3 x 2 = 0 x x + 3x = 0 x = 0
0 0 1 3 x 3 0
2 3 4
2
x 3 + 3x 4 = 0 x 3 = 3x 4
0 0 0 0 x4 0
de donde
0
0
V1 (2) = Span .
3
1
0
0
Si se toma u 4 = , se tiene una base del espacio vectorial 4 : B ' = {u1 ,u 2 ,u 3 ,u 4 } .
3
1
Luego, la matriz de paso de la base cannica de 4 a la nueva base B ' es :
1 2 0 0 1 0 0 0
0 1 0 0 0 1 1 0
P= , y la forma de Jordan de A es la matriz J = .
0 0 1 3 0 0 1 0
0 0 0 1 0 0 0 2
VI. Triangularizacin por transformaciones de semejanza 181
1 2 3 0 0
0 1 2 0 0
Ejemplo 5. Obtener la matriz de Jordan de A = 0 0 1 2 0 , y una matriz P tal
0 0 0 2 1
0 0 0 0 1
que AP = PJ .
0 2 3 0 0 x1 0
2x 2 + 3x 3 = 0
0 0 2 0 0 x2 0
2x 3 = 0
0 0 0 2 0 x3 = 0 x 2 = x3 = x 4 = x5 = 0
2x 4 = 0
0 0 0 1 1 x 4 0
x 4 + x 5 = 0
0 0 0 0 0 x 5 0
1
0
V1 (1) = Span 0
0
0
0 0 4 6 0
0 0 0 4 0
(A I) = 0
2
0 0 2 2 , de donde el sistema que resulta al operar es:
0 0 0 1 1
0 0 0 0 0
1 0
3x 3 + 6x 4 = 0 0 1
x 4 = 0 V2 (1) = Span 0 , 0
x 5 = 0 0
0
0 0
Luego se calcula V3 (1) = Ker(A I)3 :
0 0 0 14 6
0 0 0 4 4
(A I) = 0
3
0 0 2 2 , de donde las ecuaciones resultantes son x 4 = x 5 = 0 .
0 0 0 1 1
0 0 0 0 0
1 0 0
0 1 0
Luego, V3 (1) = Span 0 , 0 , 1
0
0 0
0 0
0
0 0 0 14 14
0 0 0 4 4
(A I) = 0
4
0 0 2 2 , de donde las ecuaciones son x 4 = x 5 .
0 0 0 1 1
0 0 0 0 0
1 0 0 0
0 1 0 0
Entonces, V4 (1) = Span 0 , 0 , 1 , 0
0
0 0 1
0 0
0
1
VI. Triangularizacin por transformaciones de semejanza 183
0 0
0 0
u 4 = 0 V4 (1) V3 (1) , u 3 = (A I)u 4 = 2 ,
1 0
1 0
6 8
4 0
u 2 = (A I)u 3 = 0 , u1 = (A I)u 2 = 0 .
0 0
0 0
1 2 3 0 0 x1 0 14
x1 + 2x 2 + 3x 3 = 0
0 1 2 0 0 x2 0
x 2 + 2x 3
= 0
4
0 0 1 2 0 x3 = 0 V1 (2) = Span 2
x 3 + 2x 4 = 0 1
0 0 0 0 1 x 4 0
x5
= 0
0 0 0 0 1 x 5 0 0
Por tanto,
1 1 0 0 0 8 6 0 0 14
0 1 1 0 0 0 4 0 0 4
J = 0 0 1 1 0 y P = 0 0 2 0 2 .
0 0 0 1 0 0 0 0 1 1
0 0 0 0 2 0 1 0
0 0
VI. Triangularizacin por transformaciones de semejanza 184
VI. Triangularizacin por transformaciones de semejanza 185
EJERCICIOS TEMA 6
1 0 1 0 2 -2 -4 9
1 0 0
-1 -1 4 0 0 0 -4 -10
1.- A = 1 0 -1 2.- A = 3.- A =
1 -1 0 -1 0 3 0 0 1 4 5
-1 0 4 -1 0 0 0 2
1 0 1 0 0
-1 1 0 0
-1 1 0
0 0 1 0 1 0
4.- A = 5.- A = 0 0 1 0 1
-1 1 0 0
0 0 0 1 0
-1 1 0 0 0
0 0 0 1
b) n1 = 3, n 2 = 6, n 3 = 9 y n 4 = 10
c) n1 = 2, n 2 = 4, n 3 = 6, n 4 = 8 y n 5 = 10
4 6 -2
A = -1 -1 1
0 0
VI. Triangularizacin por transformaciones de semejanza 186
2 1 0
8.- Dada la matriz A = 1 2 1 :
0 0 k
2 1 0 0 0 0 0
0 2 1 0 0 0 0
0 0 2 0 0 0 0
10.- Sea J= 0 0 0 2 0 0 0 la forma de Jordan de una matriz A .
0 0 0 0 5 1 0
0 0 0 0 0 5 1
0 0 0 0 0 0 5
b) Obtener la dimensin de los subespacios Vk( ), siendo Vk( ) =Ker (A- I)k.
5 1 0 0 0 0 0
0 5 1 0 0 0 0
0 0 5 0 0 0 0
J = 0 0 0 5 1 0 0 la matriz de Jordan asociada al mismo endomorfismo en
0 0 0 0 5 0 0
0 0 0 0 0 6 1
0 0 0 0 0 0 6
la base B* = {u 1, u 2 , u 3 , u 4 , u 5 , u 6 , u 7 } .
i) multiplicidad algebraica
d) La base B* est compuesta por siete vectores. Cules son vectores propios? A qu
valores propios estn asociados?
VI. Triangularizacin por transformaciones de semejanza 188
1 0 0 1 1 0
1. J = 0 1 0 P = 1 0 1
0 0 -1 0 1 1
2 1 0 0 -1 1 0 0
0 2 0 0 -1 0 1 0
2. J= P=
0 0 -1 0 -1 0 0 0
0 0 0 -1 -1 0 0 1
2 1 0 0 -2 0 9 0
0 2 0 0 -2 1 -10 0
3. J= P=
0 0 2 1 1 0 5 0
0 0 0 2 0 0 0 1
0 0 0 0 0 0 1 0
0 0 0 0 0 0 1 1
4. J= P=
0 0 0 1 0 1 1 0
0 0 0 0 1 0 1 0
1 1 0 0 0 1 0 0 0 0
0 1 1 0 0 0 0 0 1 0
5. J = 0 0 1 0 0 P = 0 1 0 0 0
0 0 0 1 1 0 0 0 0 1
0 0 0 0 1 0 1 0 0
0
VI. Triangularizacin por transformaciones de semejanza 189
1 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0
6.a) J=
0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 1 0 0 0 0
6.b) J=
0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0
6.c) J=
0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 1
0 0 0 0 0
0 0 0 0
0 0 1 1 0 2 0 0
7.- a) 1, 2 D = 0 1 0 b) = 1 J = 0 1 0 c) = 2 D = 0 2 0
0 0 2 0 0 2 0 0 1
VI. Triangularizacin por transformaciones de semejanza 190
8.-
k 1,3 A diagonalizable 3 0 0 1 1 1
a) k = 1 A no es diagonalizable , b) J = 0 1 1 , P = 1 -1 0
k = 3 A no es diagonalizable 0 0 1 0 0 -2
1 0 0 0 0
0 1 0 0 0
0 0 0 0 0
9.- a) J = .
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
1 0 0 0 0
0 0 0 0 0
0 0 1 0 0
b) J =
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
10.- a) 1 = 2, m1 = 4, 1 = 2 ; 2= 5, m 2 = 3, 2 = 1.
11.-
d) Los vectores propios son los vectores de subespacios propios, es decir, de V1 ( ) . Por
lo tanto, hay tres vectores propios: dos asociados al valor propio 1 = 5 y uno asociado