Main 1 PDF
Main 1 PDF
Main 1 PDF
Vı́ctor M. Bautista-Ancona
Prefacio vii
Capı́tulo 2. Determinantes 43
§2.1. Definición y propiedades 44
§2.2. Cálculo de determinantes 47
§2.3. Matrices invertibles y determinantes. Regla de Cramer 50
§2.4. Exercises 55
v
vi Índice general
El álgebra lineal es una herramienta básica para casi todas las ramas
de la matemática ası́ como para disciplinas afines tales como la fı́sica, la
ingenierı́a y la computación, entre otras.
Estas notas, basadas en la materia Álgebra Lineal I destinada a alumnos
de la Licenciaturas en: actuarı́a, enseñanza de las matemáticas, matemáticas,
ciencias de la computación, ingenierı́a en computación y ingenierı́a de soft-
ware de la Facultad de Matemáticas de la Universidad Autóma de Yucatán,
pretenden, entre tantos buenos textos de álgebra lineal existentes, ser sólo
una introducción básica al tema que se ajusta a los contenidos curriculares
del curso y, al mismo tiempo, una guı́a de estudios para los alumnos.
Las notas no presuponen ningún conocimiento previo de álgebra lineal,
aunque sı́ de algunas propiedades básicas de polinomios con coeficientes
en un campo y de números complejos, y en algunos ejercicios se utilizan
estructuras que provienen de la aritmética elemental.
Si el lector tiene algún comentario, corrección, sugerencias, etc., por favor
envı́ale un correo electrónico al autor.
—————————
—————————
vii
Capı́tulo 1
Sistemas de ecuaciones
lineales
1
2 1. Sistemas de ecuaciones lineales
x C7 H8 + y HNO3 −→ z C7 H5 O6 N3 + w H2 O
7x = 7z
8x + 1y = 5z + 2w
1y = 3z
3y = 6z + 1w
a1 x1 + a2 x2 + a3 x3 + · · · + an xn
3x1 + 2x2 = 7
−x1 + x2 = 6
x1 + x2 = 5
8x1 + 16x2 = 48
x1 + x2 = 5
16x1 + 16x2 = 48
Como podemos ver, las dos lı́neas rectas son paralelas. Intuitivamente, podrı́amos
suponer que no existe solución del sistema.
4 1. Sistemas de ecuaciones lineales
5x1 + 7x2 = 9
−x2 = 3
3x3 = 9
x1 + 5x2 − 2x3 = 2
1
x1 + 2x2 = 3
3
Reescribamos el sistema intercambiando la fila 1 con la fila 3, en lo siguiente,
a esta transformación le llamaremos del tipo I
1
x1 + 2x2 = 3
3
x1 + 5x2 − 2x3 = 2
3x3 = 9
x1 + 6x2 = 9
x1 + 5x2 − 2x3 = 2
3x3 = 9
Ejemplo 1.15.
0 0 0 0
0 0 0
0 1 0 0 0 0
E212 = , E333 = 0 0 0 , E432 = .
0 0 0 1 0 0
0 0 1
0 0 0 0
Definición 1.16. Una matriz elemental es una matriz cuadrada que tenga
alguna de las siguientes formas:
Tipo I. I − E rr − E ss + E rs + E sr , con r 6= s;
Tipo II. I − E rr + aE rr para algún a ∈ K, a 6= 0;
Tipo III. I + aE rs con a ∈ K, a 6= 0 y i 6= j.
Ejemplo 1.17. Del tipo I:
0 1 0 0 0 1 1 0 0
1 0 0 , 0 1 0 , 0 0 1 .
0 0 1 1 0 0 0 1 0
Del tipo II:
7 0 0 1 0 0 1 0 0
0 1 0 , 0 1 0 , 0 5 0 .
0 0 1 0 0 −8 0 0 1
Del tipo III:
1 2 0 1 0 −7 1 0 0
0 1 0 , 0 1 0 , 0 1 0 .
0 0 1 0 0 1 0 9 1
Recuerde la siguiente:
Definición 1.18. Sea A una matriz de n × m. Una operación elemental de
renglones (o también llamada operación elemental de filas) de A es una de
las tres siguientes operaciones:
Tipo I. (Intercambio) Intercambiar los renglones r-ésimo y s-ésimo, con r 6=
s.
Tipo II. (Escalamiento) Reemplazar el renglón r-ésimo por a veces el renglón
i-ésimo, con a 6= 0. Coloquialmente, decimos que multiplicamos el
renglón r-ésimo por a.
Tipo III. (Reemplazo) Reemplazar el renglón s-ésimo de A por la suma del
renglón s-ésimo más a veces el renglón r-ésimo, con s 6= r y a 6= 0.
Coloquialmente, decimos que le sumamos al renglón s-ésimo a veces
el renglón r-ésimo.
8 1. Sistemas de ecuaciones lineales
ahora es claro el teorema para las matrices del tipo I. Para las matrices del
tipo II, i.e., [(I − E rr + aE rr ) A]ij :
rr rr Aij si i 6= r
[A − E A + aE A]ij =
Arj − Arj + aArj = aArj si i = r
1.1. Sistemas de ecuaciones lineales y la inversa de una matriz 9
y vemos que el teorema se sigue para matrices del Tipo II. Finalizar el
teorema requiere de un analisis similar y se deja al lector.
1 2 0 1
A= ,B =
3 8 1 2
(A−1 )−1 = A.
Si A ∈ Mn (K) es invertible, entonces la matriz AT también es in-
vertible, y
(A | I) → · · · → I | A−1 .
1 2 −1
A= 2 2 4
1 3 −3
si existe.
18 1. Sistemas de ecuaciones lineales
Solución: La eliminación de
Gauss-Jordan produce
1 2 −1 1 0 0
(A | I) = 2 2 4 0 1 0
1 3 −3 0 0 1
1 2 −1 1 0 0
R2 ↔ (−2)R1 +R2
0 −2 6 −2 1 0
R3 ↔ (−1)R1 +R3
−−−−−−−−−−−−−−→ 0 1 −2 −1 0 1
1 2 −1 1 0 0
R2 ↔ (−2)R 0 1 −3 1 − 21 0
−−−−−−−−−→2 0 1 −2 −1 0 1
1 0 5 −1 1 0
R1 ↔ (−2)R2 +R1
0 1 −3 1 − 21 0
R3 ↔ (−1)R2 +R3 −2 1 1
−−−−−−−−−−−−−−→ 0 0 1 2
3
1 0 0 9 − 2 −5
R1 ↔ (−5)R3 +R1
0 1 0 −5 1 3
R2 ↔ (3)R3 +R2 1
−−−−−−−−−−−−−−→ 0 0 1 −2 2 1
De aquı́,
9 − 32
−5
A−1 = −5 1 3 .
−2 21 1
Ejemplo 1.58. Encuentra la inversa de
2 1 −4
A = −4 −1 6
−2 2 −2
si existe.
Solución: La eliminación de Gauss-Jordan produce
2 1 −4 1 0 0
(A | I) = −4 −1 6 0 1 0
−2 2 −2 0 0 1
2 1 −4 1 0 0
R2 ↔ (2)R1 +R2
0 1 −2 2 1 0
R3 ↔ (1)R1 +R3
−−−−−−−−−−−−−→ 0 3 −6 1 0 1
2 1 −4 1 0 0
R3 ↔ (−3)R2 +R3 0 1 −2 2 1 0
−−−−−−−−−−−−−→ 0 0 0 −5 −3 1
En este punto se ve que no es posible reducir A a I, pues existe un renglón
de ceros en el lado izquierdo de la matriz aumentada. De aquı́, A no es
invertible.
1.1. Sistemas de ecuaciones lineales y la inversa de una matriz 19
0 1 1 −1
√ √
2
√ √ 0 2 2 0
−4 2 2 0 0
11. .
0 0 1 0
0 0 3 1
1 0 0 0
0 1 0 0
12.
0 0 1 0 .
a b c d
20 1. Sistemas de ecuaciones lineales
0 0 0 0 0
Es claro que las columnas 1,2 y 4 son las pivotales y por lo tanto, las columnas
básicas de A son:
−2 −5 0
1 , 3 , 1
3 11 7
1 7 5
1.2. Rango y consistencia 21
Lema 1.67. Sea A ∈ Mn×m (K) escalonada reducida por renglones. Enton-
ces
1. Si xi no es una variable libre, entonces xi aparece una única vez con
coeficiente no nulo en el sistema AX = 0, y dicho coeficiente es un
pivote de A.
2. Todas las soluciones del sistema homogéneo AX = 0 se obtienen
asignando valores arbitrarios a las variables libres y luego encon-
trando los valores (que estarán determinados de forma única) de las
variables no libres.
3. El sistema AX = 0 tiene al menos una solución no trivial si y sólo
si A tiene al menos una variable libre.
Al despejar A obtenemos:
A = E3−1 E2−1 E1−1 U
y por el Teorema 22 (de las notas sobre Matrices Elementales), tenemos
1 0 0 1 0 0 1 0 0
−1 −1
E1 = 2 1 0 , E2 =
0 1 0 , E3 = 0 1 0
0 0 1 −1 0 1 0 −2 1
Por lo tanto,
1 0 0
E3−1 E2−1 E1−1 = 2 1 0 = L.
−1 −2 1
Y por lo tanto:
2 1 3 1 0 0 2 1 3
A = 4 −1 3 = 2 1 0 0 −3 −3 = LU.
−2 5 5 −1 −2 1 0 0 2
2 1 3
Ejemplo 1.79. Use una factorización LU de A = 4 −1 3 para
−2 5 5
1
resolver el sistema AX = b donde b = −4 .
9
Para
resolver
el sistema AX = b primero resolvemos el sistema LY = b para
y1
Y = y2 . Este es justamente sistema de ecuaciones lineales:
y3
y1 = 1
2y1 + y2 = −4
−y1 − 2y2 + y3 = 9
y1 = 1,
y2 = −4 − 2y1 = −4 − 2 = −6,
y3 = 9 + y1 + 2y2 = 9 + 1 + 2 (−6) = −2.
Por lo tanto,
1
y = −6 .
−2
Y
ahora,
resolvemos el sistema de ecuaciones lineales U X = Y para X =
x1
x2 . Este sistema de ecuaciones lineales es
x3
2x1 + x2 + 3x3 = 1
−3x2 − 3x3 = −6
2x3 = −2
1.3. Uso de la factorización P A = LU para resolver el sistema Ax = b 29
y la sustitución hacia atrás (esto es, trabajamos de abajo para arriba) pro-
duce:
x3 = −1,
−6 + 3x3 −6 + 3 (−1) −9
x2 = = = = 3,
−3 −3 −3
1 − x2 − 3x3 1 − (3) − 3 (−1) 1
x1 = = = .
2 2 2
Por lo tanto, la solución del sistema de ecuaciones lineales dado es
1
2
X = 3 .
1
L−1
1 (LU ) U
−1
= L−1
1 (L1 U1 ) U
−1
,
−1 −1 −1 −1
L1 L U U = L1 L1 U1 U ,
L−1
1 L = U1 U
−1
.
1.4. Exercises
1.1 Calcule el conjunto solución de cada uno de los siguientes sistemas
de ecuaciones lineales usando números reales (es decir, el campo es
K = R):
a)
x + 2y − 3z = 4
x + 3y + z = 11
2x + 5y − 4z = 13
b)
x1 + x2 − 2x3 + x4 = 0
3x1 − 2x2 + x3 + 5x4 = 0
x1 − x2 + x3 + 2x4 = 0
c)
{x + 2y − 3z = 4
d)
x + 2y − 3z = 4
x + 3y + z = 11
1.2 Dado el sistema:
2x1 − x2 + x3 = a
3x1 + x2 + 4x3 = b
−x1 + 3x2 + 2x3 = c
AC + CB 6= (A + B)C.
1.14 Dado un entero positivo p, construya una matriz cuadrada A tal que
Ap−1 6= 0 y Ap = 0.
1.15 Usando solamente la definición, demuestre que la matriz
α β
A=
0 γ
3x + 5y + 3z =0
e) 3x − 5y + 3z =0
3x + 5y + 3z =0
3x + 5y + 3z =3
f) 3x − 5y + 3z =3
3x + 5y + 3z =3
AX = Y
1.37 Encuentre
la factorización
LU de la matriz dada.
2 2 −1
a) 4 0 4
3 4 4
2 2 2 1
−2 4 −1 2
b)
4 4 7 3
6 9 5 8
1.38 Encuentre
una factorización
P T LU de la de la matriz dada.
0 1 4
a) −1 2 1
1 3 3
0 0 1 2
−1 1 3 2
b)
0
2 1 1
1 1 −1 0
LU de la siguiente matriz:
1 2 0 −1 1
−2 −7 3 8 −2
.
1 1 3 5 2
0 3 −3 −6 0
1.41 Determina si los siguientes enunciados son verdadero o falso. (Justifi-
que su respuesta exhibiendo una prueba o dando un contraejemplo.)
a) El producto de matrices triangulares inferiores unitarias es una
matriz triangular inferior unitaria.
b) Toda matriz triangular inferior unitaria es invertible.
c) Existen n! matrices permutación de n × n.
1.42 Sea P es una matriz permutación. Demuestre que P −1 = P T .
1.43 Resuelve los siguientes sistemas de ecuaciones lineales reduciendo la
matriz aumentada en su forma escalonada reducida:
x1 + x2 − x3 + 2x4 = 10 −3x1 + x2 + x3 + x4 = 0
a) 3x1 − x2 + 7x3 + 4x4 = 1 x1 − 3x2 + x3 + x4 = 0
c)
−5x1 + 3x2 − 15x3 − 6x4 = 9 x + x2 − 3x3 + x4 = 0
1
x2 + x3 − 3x4 = 0.
3x − y + 7z = 0 x 1 +
1
2x − y + 4z = 2
b)
x−y+z =1
6x − 4y + 10z = 3
3 −4 0 a 0
a)
−6 8 d) b 0 c
1 a 0 d 0
b) √ √
−a 1 √2 √0 2 2 0
−4 2
1 1 0 2 0 0
e)
c) 1 1 1 0 0 1 0
0 1 1 0 0 3 1
1.46 Encuentre los valores de α para los cuales las siguientes ecuaciones
tienen solución, y encuentre las soluciones
x − 3y + 2z = 4
2x + y − z = 1
3x − 2y + z = α
1.48 Para qué valores de α el siguiente sistema no tiene soluci on? Exac-
tamente una solución? Infinidad de soluciones?
x + 2y − 3z = 4
3x − y + 5z = 2
4x + y + α2 − 14 z = α + 2
1.51 Halla los valores de t para los cuales el siguiente sistema es consis-
tente y resuelve el sistema para estos valores de t.
x+y =1
tx + y = t
(1 + t) x + 2y = 3
Determinantes
43
44 2. Determinantes
De igual modo,
d −b a b 1 0
= (ad − bc) .
−c a c d 0 1
Dado que ad − bc 6= 0, podemos multiplicar ambos lados de la ecuación por
1
ad−bc , de donde se sigue el primer enunciado. Por el contrario, suponga que
ad − bc = 0. Consideraremos dos casos, cuando a 6= 0 y cuando a = 0. Si
a 6= 0, entonces d = bc
a , de modo que la matriz A se puede escribir
a b a b a b a b
A= = = =
c d c bc
a
ac
a
bc
a ka kb
donde k = ac . En otras palabras, el segundo renglón de A es un múltiplo del
primero y se sigue que A no es invertible. Si a = 0, entonces ad − bc = 0
implica que bc = 0, y por lo tanto b = 0 o c = 0. En consecuencia A es de la
forma
0 0 0 b
o .
c d 0 d
Y por el Ejercicio de la Lista 03 (discutido lineas arriba) la matriz no es
invertible y se sigue el resultado completo.
Observe que el Teorema 2.1 nos dá una fórmula explı́cita para el cálculo
de inversas de 2 × 2.
1 2 12 −15
Problema 2.2. Halle las inversas de A = yB= .
3 4 4 −5
Problema 2.3. Resuelva el siguiente sistema lineal
x + 2y = 3
3x + 4y = −2
det : Mn (K) −→ K.
Aunque esta función parece trivial, no lo es. Como vimos en la sección pre-
via, el determinante de una matriz de 2 × 2 codifica el número de pivotes, el
intercambio de filas y por supuesto, la inversibilidad de la matriz. Curiosa-
mente, esto es también es cierto para matrices más generales, por ejemplo,
de n × n.
Existen distintas formas de calcular el determinante de una matriz de
tamaño n (como discutiremos más adelante). Sin embargo, para matrices de
tamaño 3 tenemos la llamada regla de Sarrus.
Por ejemplo, para calcular el determinante de una matriz de 3 × 3, te-
nemos la siguiente fórmula nemotécnica es la siguiente:
es
0 2 1 2 1 0
det A = 5 det − (−3) det + 2 det
−1 3 2 3 2 −1
= 5 (0 − (−2)) + 3 (3 − 4) + 2 (−1 − 0)
= 5 (2) + 3 (−1) + 2 (−1) = 5.
Dado que C (i, j) = (−1)i+j det A (i, j) cada cofactor es más o menos
el correspondiente menor, donde (−1)i+j proporciona el signo correcto. Una
forma rápida de determinar si el signo es + o − es recordar que los signos
forman un patrón de “tablero de ajedrez”:
+ − + − ···
− + − + ···
+ − + − ···
− + − + ···
.. .. .. .. . .
. . . . .
Ejemplo 2.11. Calcule el determinante de la matriz
2 −3 0 1
5 4 2 0
A= 1 −1
.
0 3
−2 1 0 0
Notemos que el Teorema de expansión de Laplace nos permite calcular el
determinante usando cualquier renglón o columna. ¿Que renglón o columna
nos reduce los cálculos? Observe que la tercera columna sólo tiene una en-
trada distinta de cero; por lo tanto, es deseable que expandamos a lo largo
de dicha columna. Esto es,
det A = a13 C (1, 3) + a23 C (2, 3) + a33 C (3, 3) + a43 C (4, 3)
= 0 · C (1, 3) + 2 · C (2, 3) + 0 · C (3, 3) + 0 · C (4, 3)
Ası́ que solo es necesario calcular el cofactor-(2, 3) de A. Por definición:
C (2, 3) = (−1)2+3 det A (2, 3)
2 −3 1
= (−1)5 det 1 −1 3
−2 1 0
2 −3 1
Ahora, para hallar el det 1 −1 3 podemos usar la Regla de Sarrus
−2 1 0
pero si usamos el Teorema de expansión de Laplace a lo largo de tercer
renglón (o columna) reducimos los cálculos, ası́
2 −3 1
−3 1 2 1
det 1 −1 3 = −2 det −det = −2 (−8)−(5) = 11
−1 3 1 3
−2 1 0
De aquı́,
C (2, 3) = −11
y
det A = −22.
2.2. Cálculo de determinantes 49
0 0 0 −1
(se omitieron todos los cofactores correspondientes a las entradas cero.) Aho-
ra expanda nuevamente a lo largo de la primera columna:
1 6 0
det A = 2 · 3 · det 0 5 2
0 0 −1
Al seguir expandiendo a lo largo de la primera columna, se completa el
cálculo:
5 2
det A = 2 · 3 · 13 · det
0 −1
= 2 · 3 · 13 · (5 (−1) − 2 (0))
= 2 · 3 · 13 · 5 · (−1) = −30
habrá n! sumandos, cada uno con n−1 multiplicaciones, y luego n!−1 sumas
y restas. El número total de operaciones es por lo tanto
T (n) = (n − 1) n! + n! − 1 > n!
Incluso la más rápida de las supercomputadoras no puede calcular el deter-
minante de una matriz moderadamente grante con el uso de la expansión
por cofactores. Para ilustrar: suponga que necesita calcular un determinante
de 50 × 50 (matrices mucho más grandes que 50 × 50 se usan para almacenar
los datos de las imágenes digitales como las que se transmiten en internet o
las que se toman con una cámara digital.) Calcular el determinante direc-
tamente requerirı́a, en general, más de 50! operaciones y 50! ≈ 3 × 1064 . Si
tuviera una computadora capaz de realizar 1012 operaciones por segundo,
tardarı́a aproximadamente 3 × 1052 segundos o casi 1045 años en terminar
los cálculos. Para poner esto en perspectiva, considere que los astrónomos
estiman la edad del universo en al menos 10 mil millones de años. Por ende,
incluso en una supercomputadora muy rápida, ¡calcular el determinante de
una matriz de 50 × 50 mediante expansión por cofactores tardarı́a mas de
1030 veces la edad del universo!
Por fortuna, existen métodos mejores y más efectivos para calcular de-
terminantes.
det A = 0
Por lo tanto,
2 3 −1
det 0 5 3 = 0.
−4 −6 2
Entonces
0 2 −4 5 1 0 −1 2
3 0 −3 6 0 −1 2 −9
det
2 4
= 3 det
0 0 15 −33
5 7
5 −1 −3 1 0 0 0 −13
= 3 (1) (−1) (15) (−13) = 585.
2.4. Exercises
2.1 Si
a b c
det d e f = 4.
g h i
Hallar:
2a 2b 2c
a) det d e f .
g h i
a b c
b) det 2d − 3g 2e − 3h 2f − 3i
g h i
56 2. Determinantes
2.2 Halle todos los valores de k para los cuales la siguiente matriz es
invertible
k −k 3
0 k+1 1
k −8 k − 1
2.3 a) Si B es invertible, demuestre que det B −1 AB = det(A) .
Espacios Vectoriales
v + u = u + v.
(v + u) + w = v + (u + w).
57
58 3. Espacios Vectoriales
a0 + a1 x + · · · + an xn ,
n
X
ui = bj,i vj
j=1
Una propiedad de las bases es que cualquier vector del espacio vectorial
considerado se puede expresar como combinación lineal de los elementos
de la base de manera única. Como veremos más adelante, aplicando esta
propiedad se trabajará en un K-espacio vectorial de dimensión n arbitrario
como si fuese K n .
y
T = x ∈ R3 | x1 + x2 + x3 = 0 .
es decir,
Col(AT ) = F il(A).
Vamos ahora a dar una interpretación del subespacio Col(A) que es útil tener
en cuenta. Para ello necesitamos la siguiente definición -que es equivalente a
T
la usual- del producto de una matriz por un vector: si x = x1 x2 · · · xm ∈
K m , el producto de A por x es igual a la siguiente combinación lineal de las
columnas de A:
x1
x2
Ax = A1 A2 · · · Am . = x1 A1 + x2 A2 + · · · + xm Am .
..
xm
T
Ejemplo 3.89. Si A es la matriz del ejemplo 3.87 y 1 −2 ,
1 2 1 2 −3
1
Ax = 1 1 = 1 1 + (−2) 1 = −1
−2
1 0 1 0 1
lo cual coincide, por supuesto, con el producto calculado empleando la regla
usual para la multiplicación de matrices.
Pero, como luego de eliminar las columnas que son linealmente dependientes
del resto lo que obtenemos es una base de Col(A), tenemos que
rango(A) = dim (Col(A)) .
Por otra parte, como rango(A) tambin es el número de filas de A que quedan
luego de eliminar aquellas que son linealmente dependientes del resto, por
los mismos motivos que antes, también resulta
rango(A) = dim (F il(A)) .
Otro subespacio que puede asociarse a la matriz A es el espacio nulo de A,
denotado N ul(A), y definido por
N ul(A) = {x ∈ K m | Ax = 0}.
Los subespacios N ul(A) y Col(A) están ı́ntimamente relacionados con la
ecuación lineal
Ax = b,
donde A ∈ Mn×m (K), b ∈ K n y x ∈ K m .
En efecto, N ul(A) es el conjunto de soluciones de la ecuación lineal
homogénea Ax = 0. Por otra parte, teniendo en cuenta la interpretación de
Col(A) como conjunto formado por todos los posibles productos Ax,
Ax = b tiene solución si y solamente si b ∈ Col(A).
De esto último se desprende que la ecuación Ax = b tiene solución para b
arbitrario si y sólo si Col(A) = K n :
Ax = b tiene solución para toda b ∈ K n si y solamente si Col(A) = K n
si y solamente si rango(A) = n.
la relación
dim N ul(AT ) = n − dim (F il(A)) .
0 0 0 0 0
Una base del espacio Col(A) es:
−2 −5 0
1 , 3 , 1 .
3 11 7
1 7 5
4 1 6 1 3
Helle bases para cada uno de los espacios fundamentales de A: Col(A),
F il(A), N ul(A) y N ul(AT ).
Pt
de donde − k=r+1 γk uk ∈ S ∩ T . Luego, existen δ1 , . . . , δr ∈ K tales que
t
X r
X
− γk uk = δl vl
k=r+1 l=1
o, equivalentemente,
t
X r
X
γk uk + δl vl = 0.
k=r+1 l=1
Suma directa
Un caso de especial importancia de suma de subespacios se presenta
cuando S ∩ T = {0} .
Definición 3.101. Sea V un K-espacio vectorial, y sean S y T subespacios
de V . Se dice que V es suma directa de S y T , y se denota V = S ⊕ T , si:
1. V = S + T ,
2. S ∩ T = {0} .
Ejemplo 3.102. Sean S = x ∈ R3 | x1 + x2 + x3 = 0 y T = h(1, 1, 1)i. Se
Teorema 3.108. [Teorema de Kronecker-Capelli] Un sistema de ecuaciones
lineales Ax = b es consistente si y sólo si el rango de la matriz del sistema
es igual al rango de la matriz aumentada.
3.8. Exercises
3.1 Sea V un Q-espacio vectorial donde Q es el campo de racionales. Sea
v ∈ V . Calcule lo siguiente:
a) v + v
b) v − v + 3v − 12v
c) 1 − 3 + 25 + 0 v − 34 v
3.2 Cuál es el vector cero en K n ? En Mn×m (K)? En K [x]? En K C ? En
K N?
3.3 Sean V = Q2 y S = 2a, − 13 a | a ∈ Q . Demuestre que S es un
subespacio de V sobre Q.
3.4 En cada caso, diga si el conjunto de vectores dado genera a Q3 sobre
Q:
92 3. Espacios Vectoriales
a) (1, 0, 0) y (0, 1, 0) .
b) (1, 0, 0), (1, 0, 0) y (0, 0, 1).
c) (1, 0, 0), (0, 0, 1) y (0, 1, 0).
d) (1, 1, 0), (0, 0, 1) y (0, 1, 0) .
e) (2, 0, 0), (0, 0, 3) y (0, 4, 0).
f) (1, 2, 3), (−2, 4, 6) y (4, 5, 6) .
3.5 Determina si los siguientes enunciados son verdadero o falso. (Justifi-
que su respuesta exhibiendo una prueba o dando un contraejemplo.)
a) R es un Q-espacio vectorial.
b) M3×2 (C) es un Q-espacio vectorial.
c) Q [x] es un R-espacio vectorial.
d ) Sea V un K-EV y sea v ∈ V . Si v + v = 0, entonces v = 0.
e) Para cualquier v ∈ V , 0 − v = −v.
f ) El conjunto vacı́o es un subespacio de cualquier espacio vectorial,
pues es vacuamente cerrado bajo sumas y bajo multiplicación
por escalares de cualquier campo.
g) Sean v1 , . . . , v vectores en un espacio vectorial V . Entonces cada
uno de los vi es una combinación lineal de v1 , . . . , vn .
h) Considere a C como Q-espacio vectorial. Entonces R es un subes-
pacio vectorial de C sobre Q.
3.6 Sea a un escalar cualquiera y 0 el vector cero. Demuestre que a0 = 0.
3.7 Sea V un K-espacio vectorial, y sean v ∈ V, a ∈ K. Demuestre que
si av = 0, entonces a = 0 o v = 0.
3.8 Sean K un campo, V un K-espacio vectorial, y v ∈ V un vector no
nulo. Demuestre que son equivalentes las siguientes afirmaciones:
a) El campo K es tal que 1 + 1 = 0 en K.
b) 1 = −1.
c) v + v = 0.
d ) −v = v.
3.9 Sea V un K-espacio vectorial, y sea v ∈ V . Sea S = {av | a ∈ K},
es decir, S es el conjunto de todos los múltiplos escalares del vector
v. Demuestre que S es un subespacio de V . Usualmente denotamos
a este subespacio Kv, y lo llamamos el subespacio generado por el
vector v .
3.10 Sea K un campo y considere a K como un espacio vectorial sobre sı́
mismo. Demuestre que los únicos subespacios de K sobre sı́ mismo
son el subespacio cero y el subespacio total.
3.11 *Sean V un K-espacio vectorial y C1 , . . . , Cn una familia de sub-
conjuntos no vacı́os de V . Definimos la suma de los subconjuntos
3.8. Exercises 93
Pn
C1 , . . . , Cn denotada C1 + · · · + Cn o i=1 Ci , como el conjunto
C1 + · · · + Cn = {x1 + · · · + xn | xi ∈ Ci } .
Demuestre que si S1 , . . . , Sn son subespacios de V , entonces su suma
S1 + · · · + Sn es un subespacio de V .
3.12 Sea A una matriz de n × m con entradas en un campo K. Demuestre
que las columnas de la matriz A generan a K n si y sólo si para todo
vector columna Y en K n el sistema AX = Y es consistente.
3.13 En cada caso, determine si el subconjunto de R3 dado es linealmente
independiente sobre R o no.
a) {(1, 0, 0) , (0, 1, 0) , (0, 0, 1)}
b) {(1, 0, 0) , (0, 1, 0) , (0, 0, 1) , (1, 2, 3)}
c) {(1, 0, 0) , (0, 1, 0)}
d ) {(1, 1, 0) , (2, 2, 0)}
e) {(1, −2, 3) , (4, 5, −1) , (6, 1, 5)}
f ) {(1, −2, 3) , (4, 5, −1) , (6, 1, 6)}
3.14 Sea K un campo arbitrario, y sea V = 0 el K espacio vectorial nulo.
Calcule todos los subconjuntos de V que sean linealmente indepen-
dientes.
3.15 Sea K un campo arbitrario, y sea V = K. Calcule todos los subcon-
juntos de V que sean linealmente independientes.
3.16 Determina si los siguientes enunciados son verdadero o falso. (Justifi-
que su respuesta exhibiendo una prueba o dando un contraejemplo.)
a) Sea V un K-espacio vectorial. Entonces el conjunto vacı́o es un
subconjunto linealmente independiente de V .
b) Sea V un K-espacio vectorial. Entonces V es un subconjunto
linealmente independiente de V .
c) Sea V un K-espacio vectorial, y sea C un subconjunto finito de
V . Entonces C es linealmente independiente sobre K.
3.17 Sea V un K-espacio vectorial, y sea C un subconjunto de V que
contiene al vector cero. Demuestre que C es linealmente dependiente.
3.18 Sea C = {1, i} subconjunto de C. Demuestre que C es linealmente
dependiente sobre C, pero que C es linealmente independiente sobre
R.
3.19 Sea V un K-espacio vectorial, y sean C un subconjunto de V y D
un subconjunto de C.
a) Demuestre que si D es linealmente dependiente sobre K, enton-
ces C es linealmente dependiente sobre K.
b) Demuestre que si C es linealmente independiente sobre K, en-
tonces D es linealmente independiente sobre K.
94 3. Espacios Vectoriales
(x, y) +(2,1) x0 , y 0 = x + x0 − 2, y + y 0 − 1
c) Determinar si S ⊂ x ∈ R4 : x1 − x2 − x3 = 0 .
Transformaciones
Lineales
Las transformaciones lineales son las funciones con las que trabajaremos
en Álgebra Lineal. Se trata de funciones entre K-espacios vectoriales que son
compatibles con la estructura (es decir, con la operación y la multiplicación)
de estos espacios.
101
102 4. Transformaciones Lineales
función:
D : D −→ F
D (f ) = f 0
Muestre que D es lineal.
Problema 4.11. Sea C [a, b] el espacio de las funciones continuas sobre el
intervalo [a, b]. Defina
S : C [a, b] −→ R
Z b
S (f ) : f (x) dx
a
Demuestre que S es lineal.
Es fácil verificar que f es lineal y satisface las condiciones pedidas (se deja
como ejercicio al lector). Supongamos ahora que g : V −→ W es P una trans-
formación lineal tal que g (vi ) = wi para i = 1, . . . , n. Como v = xi vi y g
es lineal, tenemos que
n n n
!
X X X
g (v) = g xi vi = xi g (vi ) = xi wi = f (v) .
i=1 i=1 i=1
Observe que en los Ejemplos , y , siempre se tiene que la suma del rango
y la nulidad es igual a la dimensión del dominio. Este es un fenómeno que
siempre ocurre y que se conoce como el teorema del rango-nulidad2.
Teorema 4.36. (El teorema del rango-nulidad) Sea f : V −→ W una
transformación lineal con V de dimensión finita. Entonces
dim V = rango (f ) + nulidad (f ) .
2También conocido como El Teorema de la dimensión o la Regla de la dimensión.
110 4. Transformaciones Lineales
= at + bt2 + ct3 |a = b = c = 0
= {0} .
Esto es, el ker(f ) es el espacio cero y de aquı́, nulidad(f ) = 0. Por el Teorema
del rango-nulidad, tenemos que rango(f ) = dim R [t]2 − dim nulidad(f ) =
3 − 0 = 3. Observe quetambién pudimos haber calculado primero rango(f ),
es claro (¿lo es?) que t, t2 , t3 es una base para Im(f ) y por lo tanto, el
rango(f ) = 3 y la nulidad(f ) = 0 por el Teorema rango-nulidad.
Más aún,
λ1 f (v1 ) + · · · + λk f (vk ) = 0.
f (λ1 v1 + · · · + λf vk ) = 0
Problema 4.44. Bajo la notación del Corolario 4.43, muestre que f (S)
genera a Im f.
4.7. Exercises
4.1 Para cada fi : R2 −→ R2 , diga si es o no una transformación lineal
sobre R. (Entrega solamente los 3 incisos que escojas).
a) f1 (x, y) = (x, 0)
b) f2 (x, y) = (0, y)
c) f3 (x, y) = (y, 0)
d ) f4 (x, y) = (y, x)
e) f5 (x, y) = (ax + by, cx + dy) con a, b, c, d ∈ R constantes.
f ) f6 (x, y) = x2 , y 2
g) f7 (x, y) = (x, 1)
h) f8 (x, y) = (xy, 0)
i ) f9 (x, y) = (1, 0)
Matrices
115
116 A. Matrices
Demostración. Las dimensiones de las matrices nos asegura que los pro-
ductos y sumas están definidas. Ahora,
Xm
[A(B + C)]i,j = ai,k (B + C)k,j
k=1
Xm
= ai,k (bk,j + ck,j )
k=1
m
X
= (ai,k bk,j + ai,k ck,j )
k=1
m
X m
X
= ai,k bk,j + ai,k ck,j
k=1 k=1
= (AB)i,j + (AC)i,j
= (AB + AC)i,j .
0 0 0 0
es nipotente, ya que A4 = 0. Por otro lado, la matriz
0 1
.
1 0
es idempotente.
A.2. Operaciones con matrices 119
Problema A.14. Si
1 1
A= .
1 1
Demuestre que, para k > 0
2k−1 2k−1
Ak = .
2k−1 2k−1
AT = (Aj,i )
Sean A ∈ Mm×n (K), j ∈ {1, . . . , n}. Denotemos por A∗,j a la j-ésima co-
lumna de la matriz A. Formalmente, A∗,j ∈ Mm×1 (K) y
(A∗,j )i = Ai,j .
Definición A.22. Sean A ∈ Mm×n (K) y B ∈ Mn×p (K). Consideremos la
fórmula del producto AB:
m
X
(AB)i,j = ai,k bk,j .
k=1
Si dejamos fijo el renglón i obtenemos una fórmula muy conveniente para el
i-ésimo renglón del producto, a saber,
(AB)i,∗ = Ai,∗ B.
Si dejamos fijo la columna j obtenemos una fórmula muy conveniente para
el j-ésima columna del producto, a saber,
(AB)∗,j = AB∗,j .
Apéndice B
Funciones
Sean X, Y, Z conjuntos.
123
124 B. Funciones