Professional Documents
Culture Documents
Definicin
Dos matrices se dice que son iguales si tienen el mismo tamao y los mismos elementos en las mismas
posiciones. A la entrada de una matriz que se encuentra en la fila sima y la columna sima se le
llama entrada o entrada -simo de la matriz. En estas expresiones tambin se consideran
primero las filas y despus las columnas.
Se denota a las matrices con letra mayscula, mientras que se utiliza la correspondiente letra en
minsculas para denotar a las entradas de las mismas, con subndices que refieren al nmero de fila y
columna del elemento. Por ejemplo, al elemento de una matriz de tamao que se encuentra
en la fila sima y la columna sima se le denota como , donde y .
Cuando se va a representar explcitamente una entrada la cual est indexada con un o un con dos
cifras se introduce una coma entre el ndice de filas y de columnas. As por ejemplo, la entrada que est
en la primera fila y la segunda columna de la matriz de tamao se representa
como mientras que la entrada que est en la fila nmero 23 y la columna 100 se representa como
.
Adems de utilizar letras maysculas para representar matrices, numerosos autores representan a las
matrices con fuentes en negrita para distinguirlas de otros objetos matemticos As es una matriz,
mientras que es un escalar en esa notacin. Sin embargo esta notacin generalmente se deja para
libros y publicaciones, donde es posible hacer esta distincin tipogrfica con facilidad. En otras notaciones
se considera que el contexto es lo suficientemente claro como para no usar negritas.
Otra notacin, en s un abuso de notacin, representa a la matriz por sus entradas, i.e. o
incluso .
Como caso particular de matriz, se definen los vectores fila y los vectores columna. Un vector
fila o vector rengln es cualquier matriz de tamao mientras que un vector columna es
cualquier matriz de tamao .
A las matrices que tienen el mismo nmero de filas que de columnas, , se les llama matrices
cuadradas y el conjunto se denota
Es una matriz de tamao . La entrada es 7.
La matriz
Matriz Cuadrada: Es aquella que tiene igual nmero n de filas que de columnas (n=m). En ese
caso se dice que la matriz es de orden n. Por ejemplo, la matriz
1 3 2
A 0 3 3
4 0.2
1
Es cuadrada de orden
3.
Ejemplo A M 3.
anterior,
Los elementos de la diagonal principal de una matriz cuadrada son aquellos que estn situados
en la diagonal que va desde la esquina superior izquierda hasta la inferior derecha. En otras
palabras, la diagonal principal de una matriz A=( aij ) est compuesta por los elementos
a11 , a22 ,..., ann . En el ejemplo anterior la diagonal principal est compuesta por los elementos:
a11 1 , a22 3, a33 1.
Matriz Nula: Una matriz es nula si todos sus elementos son iguales a cero. En el siguiente ejemplo
se muestra la matriz nula de orden 32.
0 0
O 0 0
0
0
Matriz Diagonal: Una matriz cuadrada, A= ( aij ), es diagonal aij =0, para i j . Es decir, si
si
Todos los elementos situados fuera de la diagonal principal son cero. Por ejemplo, la siguiente
matriz es diagonal:
0 0 0
D 0 6 0
0 0 3
Matriz Unidad: Es una matriz diagonal cuyos elementos de la diagonal son todos 1. A
continuacin mostramos la matriz unidad de orden 2.
1 0
I
0 1
Ms adelante veremos que la matriz unidad, respecto a la multiplicacin de matrices, juega un papel
similar al nmero 1 respecto a la multiplicacin de nmeros reales.
Matriz triangular: Es una matriz cuadrada en la que todos los elementos situados por debajo (o
por encima) de la diagonal principal son cero. Por ejemplo, la siguiente matriz es triangular:
2 1 1
3
T 0 6 4
0 0 1
Este tipo de matrices tambin se conoce como matriz escalonada. En algunos casos se hace la
distincin entre las matrices triangulares superiores o inferiores en dependencia de los elementos
nulos de la matriz; los que estn por debajo o por encima de la diagonal principal.
Segn se puede ver en el Math-block sobre sistemas de ecuaciones lineales, el concepto de matriz
triangular (o escalonada) es de vital importancia en el estudio de los sistemas de ecuaciones
lineales.
Ms adelante, despus de estudiar las operaciones con matrices, veremos algunos tipos
importantes de matrices como es el caso de las simtricas y las ortogonales.
O Adicin de matrices
Sean A, B M nm . La matriz C (cij ) M nm Es la suma de las A (aij) y
matrices
Ejemplo
2 4 4 4 1 3 4
A 1 3 B 2 4 M 2 0 2
2 1 0 1 3 5
0
Las matrices A y B son de orden 32, mientras la matriz M es cuadrada de orden 3. Por tanto, no
podemos calcular la suma de A y M y tampoco la suma de B y M, en cambio, s podemos sumar A
y B ya que tienen el mismo orden. Esto es,
2 4 4 4 2 4 4 4 6 8
A B 1 3 2 4
(1) 3 4 1 7
02 2
2 1 0 (1) 2 0 1
0
Conmutativa: A B B A, A, B M nm
1
Asociativa: A (B C) (A B) C, A, B, C M nm
1
: Cuantificador universal. Se lee Para todo. : Cuantificador existencial. Se lee Existe
Elemento neutro (la matriz nula): O M nm A M nm : A O O A A
Elemento opuesto: A M nm ( A) M nm : A ( A) ( A) A O
En virtud de las propiedades anteriores de la adicin de matrices, +, (ley interna) resulta que
M nm , tiene estructura de grupo conmutativo. (Ver [8] para profundizar en la estructura de
Grupo)
Es decir, la matriz producto, B, es la que se obtiene multiplicando el nmero por cada uno de
los elementos de A. De aqu en adelante consideraremos que es un nmero real.
Ejemplo
2 0 1
5 7 0
Por
es:
2 0 1 10 0 5
A 5 2 0 4 10 0 20
5 7 0
25 35 0
El producto de una matriz por un nmero es una ley de composicin externa que cumple las
siguientes propiedades (Ver [8] para profundizar en leyes de composicin):
(A B) A B R, A, B M nm
Distributiva mixta del producto respecto a la suma de nmeros reales
( ) A A A , R, A M nm
Asociativa mixta
( ) A (A) , R, A M nm
2
En esta definicin damos por supuesto que se cumple la propiedad conmutativa de la multiplicacin
del nmero por los elementos de A.
1A A A M nm y 1 R
En virtud de estas propiedades y de las anteriores de la suma de matrices, resulta que el conjunto
M nm de las matrices de orden nm, respecto a la ley de composicin interna, +, y a la ley de
composicin externa, producto de una matriz por un nmero, tiene estructura de espacio vectorial
sobre el cuerpo de los nmeros reales (Ver [W7] y [2] para profundizar en la estructura de espacio
vectorial).
O Multiplicacin de matrices
Es decir, los elementos que ocupan la posicin ik, en la matriz producto, se obtienen sumando
Los productos que resultan de multiplicar los elementos de la fila i en la primera matriz por los
elementos de la columna k de la segunda matriz. Observemos en detalle cmo se obtiene el
elemento c23 en el siguiente ejemplo:
1 3 7 2 14
1 2 5
AB 2 1 3 0 4 7 C
2 0 8 0 12
0 4
Dos matrices se pueden multiplicar slo cuando el nmero de columna de la primera matriz sea
igual al nmero de filas de la segunda. En ese caso se dice que las matrices son enlazadas.
En el siguiente ejemplo podemos ver adems cul es el orden del matriz producto.
2 2
2 3 4 4
1 1
A 1 2 2 1 B
0 1 0 6 0 2
34
3 2 42
4
0
2 AB 1 3 4
2 2 1 2 2
1 23
1 0 34 1 6 1 9
0
2 10
13
342 2 7 3
1 2
4=4
9
Ntese, adems, que no podemos calcular BA.
2 2
2 3 4 4
1 1
BA 1 2
2
2 1
0 0 1 0 6
34
3 2 42
Hay casos, como veremos en el siguiente ejemplo, en los que se pueden calcular ambos
productos aunque se obtienen resultados diferentes.
0 2
4 3 2 9 17
1
AB 2 3 3
1 3 0 11 8
y por otro lado,
0 2 2 4 6
4 3 2
BA 1 3
7 9 11
1 2 3 12 9 6
3 0
Segn se pudo comprobar a travs de los ejemplos anteriores, para la multiplicacin de matrices
no se cumple la propiedad conmutativa. Veamos algunas propiedades de esta operacin:
Asociativa
A (BC) (AB) A, B, C: A M nm, B M mk , C M k p
C,
Distributiva (mixta) A C
A (B C) AB , A, B, C:
A M nm B, C M
mk
Composicin interna, + y , tiene estructura de anillo unitario no conmutativo (Ver [8] para
profundizar en la estructura de anillo).
1 0 0 0 0 0
.
2 0 8 1 0 0
1 01 0 1 01 0
2 0 8 1 2 0 5 3
O Matriz invertible
Una matriz cuadrada A es invertible si existe una matriz, que denotaremos por A1 , que cumple
AA1 A1 A I ,
3 31
4 7
31 31
A1 13 7 11
31
31 31
9 12 10
31 31 31
Ya
que
2 4 3 31
3
31
4 7 1 0 0
31
4
11
AA1 1 3 13
31 7
31 31
0 1 0 I.
1 9
12 10 0 0 1
3 0
31 31 31
Para un estudio detallado sobre matriz inversa recomendamos el math-block titulado Matriz
Inversa.
O Matriz traspuesta
Propiedades:
AT AT , con R
AB T BT AT
A A
1 T T 1
A es simtrica AT A
1 9 3
A 9 2 1 AT .
3 1 5
Las matrices simtricas tienen ese nombre debido a que presentan simetra respecto a la
Diagonal principal. En otras palabras, una A (aij ) M n Es simtrica si cumple
matriz
Matriz anti simtrica: Es una matriz igual a la opuesta de su traspuesta. En otras palabras,
A es anti simtrica A.
AT
1 9 3
A 9 2 1
3 1 5
Matriz ortogonal: Es aquella cuya traspuesta es igual a su inversa. Es decir, es aquella que
multiplicada por su traspuesta da como resultado la matriz unidad. Esto es,
A es ortogonal AAT I AT A1
cos x senx
A b A b
A o A ,
B a b a
A es involutiva A2 I
1 0 2 1 0 1 0 1 0
A , A
0 1 0 1 0 1 0 1
A es idempotente A2 A.
1 0
A
1 0
Matriz nilpotente: Si A es una matriz cuadrada y Ak 0 Para algn nmero natural k, se dice
0 8 0
A 0 0 0,
0 0 5
0 0 0
A2 0 0 0
0 0 0
Definicin de determinante
Dados los nmeros 1, 2,3,....n existen n! formas distintas de ordenarlos. Cada una de dichas
ordenaciones se llama permutacin. El conjunto de todas las permutaciones se representa por
Pn y la permutacin (1, 2, 3,..., n) se llama permutacin principal.
Por ejemplo, el conjunto {(1 2 3), (1 3 2), (2 1 3), (2 3 1), (3 1 2), (3 2 1)} contiene las 6
permutaciones diferentes de la terna (1 2 3).
Diremos que dos elementos de una permutacin forman una sucesin si estn colocados en el
mismo orden que en la permutacin principal. En caso contrario, diremos que forman una
inversin.
Se define el determinante de una matriz cuadrada A, denotado por A o por det(A), como:
a11 a12 a1n
a 21 a 22 a 21
Si A A a 11 a 2 2 a n n signatura (1 2 n)
(1 2 n )Pn
a n1 an2 a nn
[W2]
Clculo de determinantes
Cuando A es una matriz 2x2 hay 2! = 2 permutaciones del par (1 2); estas son:
{(1 2), (2 1)}. Entonces, el determinante de A contendr los dos trminos:
Ejemplo:
2 5
2. (4) 5.3 8 15 23
3 4
Ejemplo:
1 4 3
3 2 1 1. (2).5 3. (1). (3) 4.4.1 (3). (2).4 1.(1).1 3.4.5
4 1 5
10 9 16 24 (1) 60 15 83 68
Determinantes de orden superior a 3 (asociados a matrices nxn con n>3)
Primero de todo, fijmonos en la disposicin de signos siguientes (similar a las casillas blancas y
negras en un tablero de ajedrez):
1. Elegir aquella fila o columna que tenga el mayor nmero de ceros (si ninguna lnea tiene
ceros, se coge una lnea cualquiera).
2. Cada uno de los elementos de la lnea dar lugar a un sumando, el cual se obtendr
como se explica en el paso siguiente.
4 7 2 1 3 2 1 3 2 1 3 2
1 2 9 1 (2) 2 9 1 3 4 7 2 (1) 4 7 2 ... 15
3 1 1 3 1 1 3 1 1 2 9 1
Ejemplo matriz 5x5:
2 2 2 1 1 2 2 2 1 1
0 0 0 1 1 + - -
- +
0 0 0 1 1
1 1 1 1 1 {desarrollamos por la 2 fila} 1 1 1 1 1
1 1 1 1 2 1 1 1 1 2
3 3 3 4 4 3 3 3 4 4
2 2 1 1 2 2 1 1 2 2 1 1 2 2 2 1 2 2 2 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
0 0 0 1 1
1 1 1 2 1 1 1 2 1 1 1 2 1 1 1 2 1 1 1 1
3 3 4 4 3 3 4 4 3 3 4 4 3 3 3 4 3 3 3 4
= {al multiplicar por 0, los 3 primeros sumandos se eliminan; el ltimo determinante tambin se
anula} =
2 2 2 1
1 1 1 1
{desarrollamos por la 2 lnea}
1 1 1 2
3 3 3 4
2 2 1 2 2 1 2 2 1 2 2 2
(1) 1 1 2 1 1 1 2 1 1 1 2 1 1 1 1
3 3 4 3 3 4 3 3 4 3 3 3
= {los dos primeros determinantes se anulan mutuamente, pues son iguales pero de signo
cambiado; el ltimo determinante tambin se anula} =
2 2 1
1 1 2 2.1.4 1.3. (1) 2.2.3 (1).1.3 2.2.3 4.2.1
3 3 4
8 3 12 (3 12 8) 17 17 0
Propiedades de los determinantes [W3]
Para el clculo de algunos determinantes, puede ser muy til recurrir a algunas de las siguientes
propiedades:
Por ejemplo,
1 2 3 1 1 0
1 0 0 2 0 0 2
0 0 1 3 0 1
Por ejemplo,
1 2 3 1 2 3 1 2 3 1 2 3
0 0 1 1 0 0 en efecto: 0 0 1 2 y 1 0 0 2
1 0 0 0 0 1 1 0 0 0 0 1
3. Un determinante que tiene dos lneas paralelas (filas o columnas) iguales vale 0.
Por ejemplo,
1 2 3
1 2 3 0
1 0 0
4. Si un determinante tiene todos los elementos de una lnea nulos, el determinante vale 0.
Por ejemplo,
1 2 3
0 0 0 0
1 4 3
Por ejemplo,
1 2 3 1 2 3 2
2 0 0 1 0 0 1 2
1 0 0 1 0 02
Dada una matriz A de tamao nxn, y un n real , esta propiedad implica que:
A n A
6. Si todos los elementos de una fila o columna estn formados por dos sumandos, dicho
determinante se descompone en la suma de dos determinantes.
Por ejemplo,
2 45 3 2 4 3 2 5 3
0 3 3 2 0 3 2 0 3 2
0 1 2 5 0 1 5 0 2 5
7. Si los elementos de una lnea son combinacin lineal de las otras, entonces, el determinante
vale 0.
Por ejemplo,
1 3 2 1 3
2 0 22 0 0 (la 2 columna es combinacin lineal de la 1 y 3 columna).
3 1 23 1
8. Si a los elementos de una lnea se le suman los elementos de otra paralela multiplicados
previamente por un n real el valor de la determinante no vara.
Por ejemplo,
1 5 2 1 3 1 5 3
2 3 22 0 2 3 0
3 4 23 1 3 4 1
Definicin 1.1 Un espacio vectorial es una terna (V, +, ), donde V es un conjunto no vaco y +,
son dos operaciones del tipo +: V V R, : R V V a las
Que llamaremos suma de vectores y producto por escalares respectivamente y con las siguientes
propiedades: denotando +(u, v) = u + v y (, v) = v,
1. u + (v + w) = (u + v) + w, u, v, w V (asociativa).
2. u + v = v + u, u, v V (conmutativa).
5. (v) = () v, v V, , R (seudo-asociativa).
6. (u + v) = u + v y ( + ) v = v + v, u, v V y , R (distributiva).
7. 1v = v,v V (unimodular).
1. El elemento neutro es
nico. Se denotara por 0.
1. 0 = 0, R.
2. 0v = 0, v V.
3. () v = (v), R, v V.
4. Si v = 0, entonces = 0 o v = 0.
A continuaci
n, damos algunos ejemplos de espacios vectoriales:
n
m ero natural, se considera el espacio eucldeo R
1. Si n es un n = {(x1 , . . . , xn ); xi
n
Siempre se supondrque R tiene esta estructura vectorial y que llamaremos
Usual.
2
2. Sea V = {(x, y) R ; x y = 0} con la suma y producto por escalares como antes.
i=1
Abreviaremos p(X ) = n ai X i , donde por convenio X 0 = 1 y en vez de
i=1
escribir a0 1 = a0 . Dos polinomios p(X ) = n ai X i y q(X ) = ni=1 b X i se
i
diran iguales si ai = bi para cada i. El conjunto de polinomios de grado n
7. Sea X = {a1 , . . . , an } un conjunto con n elementos. Se define una palabra formada por el
conjunto X como una expresi n del tipo x1 a1 + . . . + xn an ,
Entonces V es un espacio vectorial. Como ejemplo, el conjunto de palabras definidas por {1,
X, . . . , X n } constituyen el espacio Pn [X ].
A continuaci
n definimos estructuras de espacio vectorial a partir de la teora de conjuntos.
Concretamente, a partir del producto cartesiano, aplicaciones biyectivas, espacios cocientes y
subconjuntos.
(v1 , v2 ) = (v1 , v2 ).
Con esta suma y producto por escalares, V1 V2 es un espacio vectorial y se llama espacio
producto.
2
Como caso particular, se tiene R = R R (comprobad que ambos espacios vecto- riales
n m
coinciden!). De la misma forma, se puede definir el espacio vectorial R R .
de espacio vectorial:
1 1 1
u + v = f (f (u ) + f (v )). v = f (f (v )).
f (x1 , . . . , xn ) = x1 a1 + . . . + xn an .
n
Entonces la estructura vectorial inducida en V de R (con la estructura usual) y de la biyeccion
f coincide con la estructura de espacio vectorial que ya se haba definida en el conjunto de
palabras definidas por X .
+
3. Se considera R con su estructura usual y R el conjunto de los n
m eros reales positivos. Se
+ x
considera la siguiente biyeccion: f : R R , f (x) = e .
+
Entonces la estructura de espacio vectorial inducida en R es:
x + y = xy x = x .
2 Subespacio vectorial
1. Si u, v U , entonces u + v U .
2. Si R y u U , entonces u U .
1. Si u, v U, entonces u + v U .
2. Si R y u U , entonces u U .
estas son suficientes para probar todas las propiedades de espacio vectorial. Todas
estas son ciertas de forma trivial, excepto dos: la existencia de elemento neutro y opuesto. Pero
para ello basta con probar que el elemento neutro de V se encuentra en U y lo mismo sucede
con el elemento opuesto de un vector de U .
(1u) = u U .
En particular, todo subespacio vectorial debe contener el elemento neutro del espacio ambiente,
ascomo los elementos opuestos de todos los vectores del sube- espacio.
tambi
n es subespacio vectorial.
Subespacio vectorial de U2 .
2 2
2. U = {(x, y) R ; x y = 0} es un subespacio vectorial de R .
3. En general, si a1 , . . . , an son n
m eros reales, no todos nulos, el conjunto U =
y so
lamente si b = 0.
4. Si V1 y V2 son espacios vectoriales, entonces V1 {0} y {0}V2 son subespacios vectoriales del
espacio producto V1 V2 .
U + W = {u + w; u U, w W }.
1. U + W = W + U .
2. U + U = U .
3. U U + W .
Con el concepto de subespacio vectorial podemos definir una estructura de espacio vectorial
en un conjunto cociente.
vRw si v w U.
[v] = v + U = {v + u; u U }.
(v + U ) = (v) + U.
w + U , v v U , w w U y por tanto, (v + w) + U = (v + w ) + U .
Definicion 3.1 Sean X = {v1 , . . . , vn } un conjunto de vectores de un espacio vec torial V . Una
combinacion lineal de X es una suma del tipo
a1 v1 + . . . + an vn , ai R
i=1
2
2. R =< (1, 1), (0, 2) >.
n
3. R =< (1, 0, . . . , 0), . . . , (0, 0, . . . , 1) >.
4. Si X es Y son dos conjuntos finitos de vectores, entonces < X > + < Y >=< X Y >.
Definicion 3.2 Un espacio vectorial V se llama finitamente generado si existe un conjunto finito
de vectores X tal que < X >= V . A X se llama un sistema de generadores de V .
Definicin 3.3 Un conjunto de vectores {v1 , . . . , vn } se dice que es linealmente in- dependiente
(o que forman un conjunto de vectores libre) si la unica combinacion lineal nula de ellos es la
trivial, es decir, si siempre que se tenga i=1 i vi = 0, entonces i = 0 para cada i. En
caso contrario, se dice que son linealmente depen- dientes.
3
1. {(1, 0, 1), (0, 1, 1)} R son linealmente independientes.
n
2. {(1, 0, . . . , 0), . . . , (0, 0, . . . , 1)} R es linealmente independientes.
3
1. {(1, 0, 1), (0, 1, 1)} R no es base.
n
La base usual de R .
2. {(1, 0, . . . , 0), . . . , (0, 0, . . . , 1)} Rn es base. Se llamar
3. {1, 1 + X, 1 + X 2 } P2 [X ] es base.
A partir de ahora vamos a demostrar que en un espacio vectorial dado, el cardinal de las
bases de dicho espacio es siempre el mismo. Primero resolvemos el problema de la existencia
de bases en un espacio finitamente generado.
Proposicion 3.5 Sean X e Y dos conjuntos finitos de un espacio vectorial, tales que X Y
, X es linealmente independiente e Y es un sistema de generadores. Entonces existe una
base B de V tal que X B Y .
Como consecuencia
Corolario 3.3 En todo sistema de generadores, existe un subconjunto suyo que es base.
Teorema 3.1 (de la base) Sea V un espacio vectorial finitamente generado. En- tonces
todas las bases de V tienen el mismo cardinal, al que se llamara dimension de V .
3. La dimension de Pn [X ] es n + 1.
TRANSFORMACIONES LINEALES
Definicin: Sean V y W espacios vectoriales. Una transformacin lineal T de V en W (T: VW) es
una funcion que asigna a cada vector v V un vector unico T(v) W y que satisface:
A.1) v1 , v2
V [T (v1 v2 ) T (v1 ) T (v2 )]
A.2) Rv V [T (v) T (v)]
Ejemplo:
A) Probar que T sea una transformacin lineal:
V C[ a , b ] W
T :V W
b
T ( f ) f ( x)dx
a
1. f , g V ; T ( f g ) T ( f ) T ( g ) 1
b b
T ( f ) f ( x)dx T ( g ) g ( x)dx
a a
( f g )( x) f ( x) g ( x)
b
T ( f g ) ( f g )( x)dx
a
b
T ( f g ) [ f ( x) g ( x)]dx
a
b b
T ( f ) T ( g ) f ( x)dx g ( x)dx
a a
2. R, f V ; T (f ) T ( f ) 1
(f )( x) f ( x)
b b
T ( f ) f ( x)dx T (f ) f ( x)dx
a a
b b
f ( x)dx f ( x)dx T ( f )
a a
T X T(X )
Demostracin:
V es un E.V . X V X 1. X ( sabemos que)
entonces :
T ( X ) T (1. X ) 1.T ( X )
T(X )
C) La transformada de la combinacin lineal es la combinacin lineal de la transformada.
T (1V1 2V2 ... NVN ) 1T (V1 ) 2T (V2 ) ... NT (VN )
Demostracin:
Induccin matemtica
paso basico : P(1) 1
P(n)
paso inductivo : P( K ) P( K 1)
Suponer: P(K) 1
T ( 1V1 2V2 ... K V K ) 1T (V1 ) 2 T (V2 ) ... K T (V K )
X
P( K 1) 1
P( K ) P( K 1) 1
AP (n) N
X Nu(T ) / T ( X ) 0W
2 2
X1 X 2 T ( X1 X 2 ) T ( X1) T ( X 2 )
ii) , X Nu(T ) X Nu(T)0W 0W
0W
X Nu(T ) T ( X ) 0W
T (X ) .T ( X ) .0W 0W
Nu(T ) es un subespacio de V .
2. La imagen de T es un subespacio de V.
Demostracin:
i) Y1 , Y2 Im(T ) Y1 Y2 Re(T )
Y1 Im( T ) Y1 W / T ( X 1 ) Y1 para a lg un X 1 V
Y2 Im( T ) Y2 W / T ( X 2 ) Y2 para a lg un X 2 V
Y1 Y2 T ( X 1 X 2 ) Y1 Y2
pero X 1V X 2 V
( X 1 X 2 ) V luego Y1 Y2 Re(T )
ii) , Y Im(T ).Y Re(T )
Y Im( T ) Y W / Y T ( X ) para a lg un X V
.Y T ( X )
T (X ) donde X V
Y Im( T )
Im(T) es un subespacio de V.
3. Sea T : V W una transformacin lineal, se cumple:
i ) Nu(T ) V
ii ) Im( T ) W
iii ) dim( V ) dim Nu(T ) dim Im( T )
4. Sea T : V W una transformacin lineal
Nu(T ) { } T Es inyectiva.
Nu(T ) { } T Es inyectiva T es sobreyectiva.
Demostracin:
T es inyectiva si, T (u ) T (v)
u v
i) :
Sean u , v V talque:
T (u ) T (v)
T (u ) T (v) 0
T (u v) 0
(u v) Nu(T )
uv 0
u v
ii) :
T es inyectiva, Nu(T ) { }?
{ } Nu (T ) (Afirmacin)
Nu (T ) { } (Probar)
Sea u Nu(T ) T (u ) 0
T ( 0) 0
T (u ) T (0) u 0
u { } Nu (T ) { }
Nu (T ) { }
iii) :
dim( V ) dim Nu(T ) dim Im( T ); dim Nu(T ) 0
Im( T ) V
dim Im( T ) dim V Im( T ) V
T Es sobreyectiva.
Ejemplo:
Determine si la transformacin dada es inyectiva, sobreyectiva, o ambas.
x x y
T : 2 2 T
y 2x y
Solucin:
x x y 0 x y 0 y0
Nu(T ) /
y 2 x y 0 x y
0
Nu(T ) T es inyectiva.
0
dim Nu(T ) 0 dim Im( T ) x
Im( T ) 2 T es sobreyectiva.
Representacin matricial:
Sea T : una transformacin lineal finita. Entonces existe una matriz nica de mxn AT tal
n m
que T(x)=AT.x , x .
n
Ejemplo:
Sea T :
3 3
x x 2y z
T : y 2 x y z ; Determine A(T), Nu(T), Im(T), dim Nu(T ) , dim Im( T ) :
z x 3y 2z
x 1 2 1 x 1 2 1
T : y 2 1 1 y A(T ) 2 1 1
z 1 3 2 z 1 3 2
1 2 1 0 1 2 1 0
Nu (T ) 0 5 3 0 0 5 3 0
0 5 3 0 0 0 0 0
5 y 3z 0
3
y z
5
x 2y z 0
3
x 2 z z
5
z
x
5
z / 5
Nu(T ) 3z / 5 / z
z
dim Nu(T ) 1
a x a x
Im( T ) b / T y b para a lg un y
c z c z
1 2 1 x a 1 2 1 a
2 1 1 y b 2 1 1 b
1 2 z c 1 2 c
3 3
1 2 1 a
0 5 3 b 2a c a
0 0 c a
0
a
Im( T ) b / a, b dim Im( T ) 2
a
Autovalores y autovectores
Diagonalizacion
Una matriz cuadrada A, de orden n, se dice que es diagonalizable si existe una matriz invertible P, de
orden n, y una matriz diagonal, tal que 1 = .
Otra manera de decirlo es: Una matriz cuadrada A es diagonalizable si es semejante a una matriz
diagonal.
Caso 1. Cuando todos los autovalores son distintos y pertenecen a los
reales:
Si una matriz cuadrada A, de orden n, tiene n autovalores reales distintos diferentes de cero,
entonces el conjunto {1 , 2, , . , } es linealmente independiente. Luego, la matriz A es
diagonalizable.
Puede observarse que si {1 , 2, , . , } son L.i la matriz P={1 , 2, , . , } es
inversible. Luego puede escribise que 1 = .
Ejemplos:
3 1 0
1. Diagonalizacin de 1 = [1 2 1]
0 1 3
3 1 0
|1 I| = [ 1 2 1 ] = 0 ( 3)( 1)( 4) = 0
0 1 3
= 0 =
= 0 =0
= 0 =
1
1 = [ 0 ]
1
Si = 1,
2 1 0 0
(1 I) = 0 [1 1 1] [] = [0]
0 1 2 0
2 = 0 =
+ = 0 = 2
+ 2 = 0 =
1
2 = [2]
1
Si = 4,
1 1 0 0
(1 I) = 0 [1 2 1] [] = [0]
0 1 1 0
= 0 =
2 = 0 =
= 0 =
1
3 = [ 1 ]
1
1 1 1 3 0 3
1
La matriz = [ 0 2 1] 1 = 6 [ 1 2 1 ]
1 1 1 2 2 2
3 0 0
1 1 = = [0 1 0]
0 0 4
3 0 2
2. Diagonalizacin de 2 = [ 1 2 3]
2 5 1
3 0 2
|2 I| = [ 1 2 3 ] = 0 ( + 6.341)( + 2.251)( 2.592) = 0
2 5 1
3.341 + 2 = 0 = 0.598
+ 4.341 3 = 0 = 0.828
2 5 + 5.341 = 0 =
0.598
1 = [ 0.828 ]
1
Si = 2.251,
0.749 0 2 0
(2 I) = 0 [ 1 0.251
3 ] [ ] = [0]
2 5 1.251 0
0.749 + 2 = 0 = 2.669
+ 0.251 3 = 0 = 1.317
2 5 + 1.251 = 0 =
2.669
2 = [1.317]
1
Si = 2.592 ,
5.592 0 2 0
(2 I) = 0 [ 1 4.592 3 ] [] = [0]
2 5 3.592 0
5.592 + 2 = 0 = 0.357
4.592 3 = 0 = 0.575
2 5 3.592 = 0 =
0.357
3 = [0.575]
1
= 6.341 0 0
1 2 = = [ 0 2.251 0 ]
0 0 2.592
4 1 1
3. Diagonalizacin de 3 = [2 5 2]
1 1 2
4 1 1
|3 I| = [ 2 5 2 ] = 0 ( 3)2 ( 5) = 0
1 1 2
Autovalores: = 3; multiplicidad=2
= 5; multiplicidad=1
Si = 3,
1 1 1 0
(3 I) = 0
[2 2 2] [ ] = [0]
1 1 1 0
+ =0 = =0
2 + 2 2 = 0 =0 =
+ =0 = =
1 0
1 = [0] 2 = [1]
1 1
( = 3) = multiplicidad = 2 Si es diagonalizable
Si =5,
1 1 1 0
(3 I) = 0 [ 2 0 2] [] = [0 ]
1 1 3 0
+ = 0 =
2 2 = 0 = 2
+ 3 = 0 =
1
3 = [2]
1
1 0 1 1 1 1
1
La matriz = [0 1 2] 1 = 2 [2 0 2]
1 1 1 1 1 1
3 0 0
1 3 = = [0 3 0]
0 0 5
3 1 1
4. Diagonalizacin de 4 = [7 5 1]
6 6 2
4 1 1
|4 I| = [ 2 5 2 ] = 0 ( + 2)2 ( 4) = 0
1 1 2
Autovalores: = -2; multiplicidad=2
= 4; multiplicidad=1
Si = -2,
1 1 1 0
(4 I) = 0 [7 7 1] [] = [0 ]
6 6 0 0
+ =0 =
7 + 7 = 0 =
6 + 6 = 0 =0
1
1 = [1]
0
( = 2) multiplicidad No es diagonalizabe
Si =4,
7 1 1 0
(4 I) =
0 [7 1 1] [] = [0]
6 6 6 0
7 + = 0 =0
7 + = 0 =
6 + 6 6 = 0 =
0
2 = [1]
1
4 2
, , , 4
1 5 4
|5 I| = [ 1 1 3 ]=0
3 4 1
( 7.228)( + 2.114 0.308)( + 2.114 + 0.308) = 0
Si = 7.228,
6.228 5 4 0
(5 I) = 0 [ 1 6.228
3 ] [ ] = [0]
3 4 6.228 0
6.228 + 5 + 4 = 0 = 1.181
6.228 + 3 = 0 = 0.671
3 + 4 6.228 = 0 =
1.181
1 = [0.671]
1
Si = 2.114 0.308,
3.114 + 0.308 5 4 0
(5 I) = 0 [ 1 3.114 + 0.308 3 ] [] = [0]
3 4 3.114 + 0.308 0
0.374 0.424
2 = [1.059 + 0.241 ]
1
Si = 2.114 + 0.308 ,
3.114 0.308 5 4 0
(5 I) = 0 [ 1 3.114 0.308 3 ] [] = [0]
3 4 3.114 0.308 0
0.374 + 0.424
3 = [1.059 0.241 ]
1
7.228 0 0
1 5 = = [ 0 2.114 0.308 0 ]
0 0 2.114 + 0.308
1 1 1
6. Diagonalizacin de 6 = [1 2 1]
1 1 3
1 1 1
|6 I| = [ 1 2 1 ]=0
1 1 3
( + 2)( + (2 + 2))( (2 + 2)) = 0
Si = 2,
1 1 1 0
(6 I) =
0 [1 0 1 ] [] = [0]
1 1 1 0
+ =0 =
= 0 =0
=0 =
1
1 = [0]
1
Si = (2 + 2),
(2 + 2) 1 1 0
(6 I) = 0 [ 1 (2 + 2) 1 ] [] = [0]
1 1 (2 + 2) 0
1
(2 + 2) + = 0 = 3 (1 22)
1
+ (2 + 2) + = 0 = 3 (2 + 2)
+ (2 + 2) = 0 =
1
(1 22)
3
2 = [1 (2 + 2) ]
3
1
Si =(2 + 2),
(2 + 2) 1 1 0
(6 I) =
0 [ 1 (2 + 2) 1 ] [] = [0]
1 1 (2 + 2) 0
1
(2 + 2) + = 0 = 3 (1 + 22)
1
(2 + 2) + = 0 = 3 (2 + 2)
(2 + 2) = 0 =
1
(1 + 22)
3
3 = [ (2 + 2)]
1
3
1
1 1
1 (1 22) (1 + 22)
3 3
La matriz = [0 1
(2 + 2) 3 (2 + 2))]
1
3
1 1 1
1 1
1
2 2
1 1 1 1
= ( + 2) 4 (2 + 2) (1 2)
4 4
1 1 1
[ 4 ( + 2) 4
(2 + 2)
4
(1 + 2)]
2 0 0
6 = = [ 0 (2 + 2)
1 0 ]
0 0 (2 + 2)
2 3 5
|7 I| = [ 0 3 0 ]=0 ( 3)( 17) = 0
6 9 15
2 + 3 + 5 = 0 = 5
3 = 0 =0
6 + 9 + 15 = 0 = 2
5
1 = [ 0 ]
2
Si = 3,
1 3 5 0
(7 I) = 0 [ 0 0 0 ] [] = [0]
6 9 12 0
+ 3 + 5 = 0 = 3
0=0 = 14
6 + 9 + 12 = 0 = 9
3
2 = [14]
9
Si = 17,
15 3 5 0
(7 I) = 0 [ 0 12 0 ] [] = [0]
6 9 2 0
15 + 3 + 5 = 0 =
12 = 0 =0
6 + 9 2 = 0 = 3
1
3 = [0]
3
3 1
17 0
5 3 1 17
1
La matriz = [ 0 14 0] 1 = 0 14 0
2 9 3 2 3 5
[ 17 14 17]
0 0 0
1
7 = = [0 3 0]
0 0 17
CONCLUSIONES:
- En matrices aprendimos conceptos generales sobre dicho arreglo
matemtico, as como sus propiedades y aplicaciones.
- Se estudi la determinante como una funcin que le asigna a una matriz de
orden n, un nico nmero real de la matriz. As como sus aplicaciones y
propiedades.
- Podemos decir que un espacio vectorial es una estructura algebraica creada
a partir de un conjunto no vaco y se estudi sus propiedades a partir de los
vectores que contena.
- En las transformaciones lineales estudiamos el cambio que sufre un vector al
ser representado en otro espacio vectorial. Tambin los mtodos de
conversin y propiedades de las matrices de transicin que representan a la
transformacin lineal.
BIBLIOGRAFA:
Capitulo3..espacios vectoriales