Algebra lineal

Espacios vectoriales

Integrantes
Ariel Seas
Bladdimir Seña Romero
Robert Daniel Jiménez Macoñó
Jorge Villarroel Castedo
Espacios vectoriales

 Un espacio vectorial E=(V,F)

 Es un conjunto de elementos llamados
vectores sobre un campo F donde
 x+y=y+x y pertenece a V
 x+(y+z)=(x+y)+z
 Existe el vector 0, tal que 0+x=x+0=x
 Para cada vector x existe el –x, tal que x-x=0
Espacios vectoriales

 Cada elemento dol campo es llamado un

escalar
 µ(x+y)= µx+µy
 µx= xµ
 (µ1+ µ2)x= µ1(x)+ µ2(y)
 1x=x  1 la unidad multiplicativa del campo
Espacios vectoriales

 ejemplos
Espacios vectoriales

 Teorema
 0v=v0=0
 0v=0v+0v-0v=(0+0)v-0v=0v-0v=0
 (-1)v=-v
 v+(-1)v=1v+(-1)v=(1-1)v=0v=0
 Agregando –v a ambos lados se tiene el
resultado
Subespacio

 Sea (V,F) un espacio, entonces (S,F) es

un subespacio de (V,F) si preserva todas
las características de espacio y S es un
subconjunto de V
Subespacio

 ejemplos
Creación de espacios

 Teorema.
 Espacio vectorial (V,F)
 S subconjunto de V
 Si v1,…vn están en S, entonces también 1v1+…
+nvn, donde i son elementos del campo
 (S,F) es un subespacio
 Demo en clase por los alumnos
Creación de espacios

 Preguntas importantes
 ¿En qué condiciones dos conjuntos S1, S2
crean el mismo espacio vectorial?
 ¿Cúal es la cardinalidad mínima de QS tal
que Q y S crean el mismo espacio vectorial?
 ¿Cúando S crea el mismo espacio que
contiene a los vectores de S?
Dependencia e independencia
lineal
 Definición. Sea S={v1,v2,...vn} un
conjunto de vectores. El vector
y=1v1+2v2+...+nvn donde los
coeficientes son escalares será llamada
combinación lineal de S.
Dependencia e independencia
lineal
 Definición. Sea S={v1,v2,...vn} un
conjunto de vectores. S es linealmente
independiente si 1v1+2v2+...
+nvn=0 tiene como única solución la
trivial. De lo contrario se llamarán
linealmente dependientes.
Dependencia e independencia
lineal
 Definición. Sea S={v1,v2,...vn} un
conjunto de vectores. Si S es linealmente
independiente, entonces el espacio
creado por S será llamado espacio
generado por S.
Dependencia e independencia
lineal
 Sea S={v1,v2,...vn} un conjunto de
vectores. Para mostrar si es linealmente
independiente se resuelve la ecuación:
1
2
 [v1 v2 ... vn] ... =0
n
Dependencia e independencia
lineal
 Entonces ya podemos aplicar Gauss para
resolver el sistema y ver su solución
 Si la matriz [v1 ...vn] es de rango n entonces
tiene solución única
 Si la matriz [v1 ... vn] es de rango menor a
n, entonces tiene más de una solución.
Dependencia e independencia
lineal
 Ejemplos en clase
Bases, Dimensión y
coordenadas
 Definición. Sea (V,F) un espacio vectorial,
entonces el conjunto S={v1, v2, ...vn}
será una base para (V,F) si S genera
(V,F).
 S es linealmente independiente
 S genera (V,F)
Bases, Dimensión y
coordenadas
 ejemplos de bases en diferentes espacios
Bases, Dimensión y
coordenadas
 Notita. Si z es una C.L. (combinación lineal) de
los vectores x1,...,xr; y xi es una C.L. de los
vectores y1,...,ys. Entonces z es una C.L. de los
vectores y1,...,ys.
 z=a1x1+...+arxr
 z=a1(b11y1+...+b1sys)+...+ar(br1y1+...+brsys)
 Es una propiedad de transitividad
Bases, Dimensión y
coordenadas
 Notita. Si algunos vectores x1,...,xn son
linealmente dependientes (L.D.) entonces
todo el sistema x1,...,xn son L.D.
 Suponer que x1,...,xk (k<n) son L.D. 
a1x1+...+akxk=0 con ai diferente de nulo.
 a1x1+...+akxk+0xk+1+...+0xn=0 es
solución y el sistema es L.D.
Bases, Dimensión y Coordenadas

coordenadas
 La base B={v1, ..., vn} es un conjunto,
pero tiene un orden para facilitar trabajos
futuros. 1
 Representación. Un vector v se puede 2
reescribir en términos de una base.
 v=1v1+2v2+...+nvn, a donde ...
Es la representación del vector
n
Bases, Dimensión y
coordenadas
 Ejemplos de representación de vectores
Bases, Dimensión y
coordenadas
 Teorema. La representación del vector es
única
 v=1v1+2v2+...+nvn=
1’v1+2’v2+...+n’vn
 (1-1’)v1+...+ (n-n’)vn=0
  base  L.I. entonces la única solución
es cero (i-i)=0  i=i’
Bases, Dimensión y
coordenadas
 Notita. El teorema anterior es cierto si
dice que z=a1x1+...+akxk los ai son únicos
ssi los xi son L.I.
Bases, Dimensión y
coordenadas
 Definición. Sea (V,F) un espacio vectorial.
Dos subespacios de (V,F); (V1,F) y (V2,F)
se dicen equivalentes si los vectores de
uno se pueden escribir como C.L. del otro
y viceversa.
Bases, Dimensión y
coordenadas
 Teorema. Suponer que B={v1, ...,vp} es
una base para (V,F) y suponer que
D={u1,...,uq} es un subconjunto L.I. en
(V,F), entonces qp
 Demostración.
 Como B es una base, entonces uiD,
(V,F) se puede expresar como una C.L.
de B 
Bases, Dimensión y
coordenadas
 S1={u1,e1,...,ep} es L.I.  Existe un vector que
es C.L. de los anteriores, digamos que es ei.
 Por transitividad el resto {u2,...,uq} es una C.L.
de S1-{ei} y se puede aplicar el mismo
procedimiento
 Como se observa el procedimiento no puede
eliminar todos los vp vectores antes de que los ui
vectores se hayan agotado y qp.
Bases, Dimensión y
coordenadas
 Teorema. Número de vectores en la base.
Suponer que para un espacio (V,F) se tiene una
base con p vectores. Entonces todas las bases
tienen p vectores.
 Demo. Aplicar teorema anterior suponiendo que
se tiene otra base con q vectores.  qp.
Aplicar partiendo de la base con q vectores 
pq  q=p.
Bases, Dimensión y
coordenadas
 Definición. Al número de vectores en la base de un
espacio (V,F) se le llama dimensión de (V,F).
 En especial, todos los subespacios equivalentes también
tienen un conjunto de vectores que lo generan (ya que
son un espacio en sí) y se tiene una base y por tanto
también tienen su dimensión. En tal caso es más
adecuado hablar de rango que de dimensión, ya que
podemos hablar de un subespacio en R3, pero de rango 2.
 A su vez, a la dimensión del espacio completo se le puede
llamar rango, pero es mejor hablar de dimensión.
Bases, Dimensión y
coordenadas
 El espacio Rn tiene timensión n.
 Si la dimensión de un espacio es p 
cualquier conjunto con s vectores s>p es
L.D.
 En efecto, la base tiene p vectores y el
resto será una C.L. de la base.
Bases, Dimensión y
coordenadas
 Teorema. Un espacio tiene dimensión finita k ssi
k es el maximo número de vectores que se
pueden obtener en el espacio.
 Demo. Si la dimensión es k la base tiene k
vectores  son L.I. y cualquier otro es una C.L.
de la base (ya no es L.I.).
 Si el máximo número de vectores L.I. es k 
estos generan todo el espacio y por tanto es
una base  k es la dimensión.
Bases, Dimensión y
coordenadas
 Ok, regresemos a la representación de
vectores
B1={ 1 0 }
0 1

4 1 0
=4 +4
4 0 1
Bases, Dimensión y
coordenadas
 El mismo vector en otra base
B2={ 1 0 }
1 1

4 1 0
=4 +0
0 1 1
Bases, Dimensión y
coordenadas
 Si el mismo vector se puede representar
en diferentes bases, ¿se podrá
transformar de una en otra?

1 0 4 1 0 4
=
0 1 4 1 1 0
Bases, Dimensión y
coordenadas

-1
1 0 1 0 4 4
=
1 1 0 1 4 0

Matriz de cambio de base de B1 a B2

Bases, Dimensión y
coordenadas
• El concepto fácilmente se puede
generalizar a cualquier par de bases
• Lo que es más chido...

• (P[x]2,R) una posible base es B={1, x, x2}

1
• v1=1  en la base
0
0
Bases, Dimensión y
coordenadas
• v2=x  en la base 0
1
0
0
• v3=x2 0
1
Bases, Dimensión y
coordenadas
• v4=1-x
• v5=3+x
• v6=-2+2x+x2
• v7=2+3x+7x2
• ¿Son L.I.?

 ¡¡¡Todo cambia a matrices!!!

Espacios vectoriales
 Kernel, imagen, espacio columna y espacio fila de una
matriz
 Ecuaciones lineales y espacios vectoriales
 Cambio de base
 Espacio cociente
 Sumas y sumas directas
Pausa: Cosas de una Matriz
 Kernel.
 Todos los x tales que Ax=0
 Kernel={x|Ax=0}
 Se puede hablar de dos kerneles, el
izquierdo y el derecho
 KerI={y|yTA=0}
 KerD={x|Ax=0}
Pausa: Cosas de una Matriz
 Imagen
 Todos los y que son obtenidos de A
multiplicado por un vector
 Imagen={y|Ax=y}
Pausa: Cosas de una Matriz
 Teorema (operaciones columna y dependencia
lineal). Suponer que una secuencia de
operaciones elementales por renglón transforma
la matriz A en la matriz B, entonces:
 Una colección de columnas de A es linealmente
dependiente (independiente) ssi la collección
correspondiente de columnas de B es linealmente
dependiente (independiente).
 Una matriz renglón puede ser escrita como una
combinación lineal de (esto es linealmente dependiendte
de) todos los renglones de A ssi puede ser escrita como
una combinación lineal de todos los renglones de B.
Pausa: Cosas de una Matriz
 Demostración caso 1.-
 Sea F=E1E2...En la secuencia de matrices elementales que
realizan las operaciones elementales que transforman a A
en B.
  F tiene inversa=no singular
  FA=B
 Fx=0  x=0 (solución única)
 Si las columnas de A son L.D. entonces
  1a1+2a2+...+nan=A[]
 FA[ ]=B[ ]
  Si A es LD hay muchas combinaciones 
Pausa: Cosas de una Matriz
 que dan cero  esas mismas combinaciones en B
dan cero y sus columnas son LI.
 Si A tiene una sola combinación que da cero,
entonces en B será la única posibilidad de dar cero,
ya que sólo es este caso FA[]=0
 Apliquemos esto a cualquier colección de columnas
de A y se tendrá la demostración de la primera parte.
 Demostración caso 2.-
 Un matriz renglón y es una CL de los renglones de A
ssi y=xA para alguan matriz renglón x, pero y=xF-
1FA=x’B, para x’=xF-1
Pausa: Cosas de una Matriz
 como FA=B; y y=x´B ssi y es una CL de
los renglones de B.
Pausa: Cosas de una Matriz
 Veamos más a fondo el método de Gauss

1 -1 2 3 1 -1 2 3
-1 1 1 2 0 0 3 5
1 2 4 1 0 3 2 -2
1 3 1 2 0 4 -1 -1
Pausa: Cosas de una Matriz
 Veamos más a fondo el método de Gauss

1 -1 2 3 1 -1 2 3
0 3 2 -2 0 1 2/3 5/3
0 0 3 5 0 0 2 -2
0 4 -1 -1 0 0 -11/3 -23/3
 Pausa: Cosas de una Matriz
 Veamos más a fondo el método de Gauss

1 -1 2 3 1 -1 2 3
0 1 2/3 -5/3 0 1 2/3 5/3
0 0 1 -1 0 0 1 -1
0 0 -11/3 -23/3 0 0 0 1
Pausa: Cosas de una Matriz
Columnas dominantes

2 3 1 1.5

1 1 0 1

Matriz Forma de Gauss

Pausa: Cosas de una Matriz
Columnas dominantes

1 -1 1 -1

-1 1 0 0

Matriz Forma de Gauss

Pausa: Cosas de una Matriz
Columnas dominantes

0 -1 0 1

0 1 0 0

Matriz Forma de Gauss

Matrices

1. Por intercambio de renglones hacer que

el elemento (1,1) sea diferente de cero.
2. Si no es posible es porque toda la
columna 1 es igual a cero, tacharla y
tratar de hacer lo mismo para la
submatriz generada
3. El proceso se repite hasta tener un
elemento diferente de cero.
Matrices

4. Todo el renglón se divide entre el

elemento diferente de cero y se procede
a hacer cero el resto de los elementos
de esta columna de acuerdo al método
de Gauss
Matrices

5. Una vez hecho esto se tacha el renglón

y se obtiene una nueva submatriz
6. Con esta nueva submatriz se procede
desde el punto 1)
7. El resultado es la matriz en la forma de
Gauss
Matrices

 Si se tiene un renglón diferente de cero,

entonces a la primer columna diferente
de cero se le llamará dominante o líder.
Pausa: Cosas de una Matriz
 Teorema (matrices reducidas y dependencias)
Suponer que G es una matriz en la forma de
Gauss y de rango k
 a) El conjunto de las k columnas líderes es
linealmente independiente
 b) Cualquier columna a la izquierda de la
primera columna líder es una columna cero.
Cualquier columna a la izquierda de la i-ésima
columna líder es combinación lineal de las
anteriores columnas líderes.
Pausa: Cosas de una Matriz
 Definición.- Sea A una matriz de p*q
 a) El espacio columna de A es el
subespacio que es generado por el
conjunto de columnas de A
 b) El espacio renglón de A es el
subespacio generado por los renglones
de A.
Pausa: Cosas de una Matriz
 Poner ejemplos
 Dar las condiciones para que el sistema
tenga solución.
 Ax=b
Pausa: Cosas de una Matriz
 Teorema. Sea una matriz A de rango k.
Entonces
 a) El espacio columna de A tiene diemnsión k.
Una base son las columnas líderes.
 b) El espacio renglón es de dimensión k, una
base son los renglones diferentes de cero.
 c) Una matriz p*p es no singular si sus
columnas son LI  rango p
 d) Una matriz p*p es no singular si sus
renglones son LI  rango p
Matrices
 Corolario
 Rango por columnas = rango por filas
 Teorema (espacios renglón iguales). Sea
A1 y A2 matrices de tamaño r*q y s*q
respectivamente. El espacio renglón de
A1 es igual al espacio rengloón de A2 ssi
los renglones no cero de las matrices de
Gauss coinciden.
El maldito Kernel otra vez
 Definición: Sea f:XY una función de X a Y.
Con f se asocia una relación de equivalencia
llamada equivalencia kernel de f y se denota por
Ker f y está definida como sigue:
x1,x2X, x1~x2 ssi f(x1)=f(x2)

(mostrar que sí es una relación de equivalencia y por

tanto particiona a X)
Por qué se le llama
equivalencia kernel
 Sucede que en el caso de homomorfismos si
f(x1)=f(x2)  f(x1)-f(x2)=0  f(x1-x2)=0, i.e.
x1-x2 está en el kernel de f.
 Claramente una matriz A puede ser considereda
como una función (y aún más, un
homomerfismo, chequen en clase esto y verán
que si la hace). Entonces el kernel que
definimos de A es consistente con el kernel en
homomerfismos y sucede que:
Por qué se le llama
equivalencia kernel
 El kernel de A es un subespacio
 La imagen de A es un subespacio
 Ya qué no saben qué, A/ker A es un
espacio y se le llama espacio cociente.
Entendamos bien esto, que
está demasiado fácil, salvo la
primera vez
 Encontrar Kernel, imagen (range, no
rank), A/Ker A de la siguiente matriz A.

1 -1
-1 1
 Sistemas Lineales III:
Control Geométrico-1.8

Sean X y Y dos conjuntos cualesquiera. Sea A:XY una

función cualquiera. Entonces se puede definir la relación
Ker A de la siguiente forma:
x1~x2 ssi A(x1)=A(x2)
Note que la relación Ker A es una relación de
equivalencia.
Como es una relación de equivalencia, entonces diremos
que x1x2 (mod Ker A) –x1 es equivalente a x2 módulo
Ker A- -También se dice que x1 es congruente a x2 vía
Ker A o que la relación Ker A es una congruencia-
Significado geométrico de esta relación
X Y
clusters

x1 y1
x2

x3 y2

x4
x5 y3
y4
x6
Imagen de A
Observe que hay tantos clusters como imágenes de A
Podemos hacer el conjunto de los clusters
Significado geométrico de esta relación
clusters
A este conjunto lo llamaremos X/Ker A,
o conjunto cociente X/Ker A

c1={x1, x2, x3}

c2={x4}

c3={x5, x6}

(A menudo yo le llamo conjunto de clustercillos)

Significado geométrico de esta relación
X/Ker A

Noten que la relación Ker A está dando

c1={x1, x2, x3} una medida de la inyectividad de A. Si
el número de clusters es igual al
número de elementos en X, entonces A
es inyectiva.
c2={x4}

c3={x5, x6}

A los clusters se les llama coconjuntos (cosets) y son justamente los

subconjuntos de X sobre los cuales A tiene diferente valor. También se
les suele llamar las “fibras” de A.
Significado geométrico de esta relación
Ejem. A(x)=x módulo 4 -es el residuo de la división, no la congruencia
X
1 5 9
0 4 8 3 7 Aquí está A
2 6

X/Ker A Y

c2=[1 5 9] 1 3
0
c1=[0 4 8] c4=[3 7]
c3=[2 6] 2

Como X/Ker A y la imagen de A tienen la misma cantidad de elementos,

entoces hay un isomorfismo entre X/Ker A y Im(A) [X/Ker AIm(A)]
Significado geométrico de esta relación
Proposición. Sea A:XY y sea PA:XX/Ker A su proyección canónica,
entonces g:X/ker Aim(A) tal que A=gPA, donde g es un isomorfismo.

X
1 5 9
0 4 8 3 7 Aquí está A
2 6
PA

X/Ker A Y

c2=[1 5 9] 1 3
c1=[0 4 8] 0
c4=[3 7]
c3=[2 6] 2
 Demostración
 Definir g(z)=A(x) ssi z=PA(x). Se afirma que g(z) es
función
 Cubre todo X. Como A es función, entonces a cubre todo X, y
por la definición anterior, g también cubrirá todo X
 Un valor de X/Ker A no está asociado a dos valores de Y.
Suponer que si es así, (z,y1), (z,y2)g.
 Entonces y1y2. Por la definición de g se tiene:
 z= PA(x1), y1=A(x1) y además
 z= PA(x2), y2=A(x2)
 Como PA(x1),= PA(x2) implica que A(x1)= A(x2)
 Entonces y1=y2, una contradicción, entonces
 Un valor de X/Ker A no está asociado a dos valores de Y
 Por tanto g(z) si es función.
 Demostración
 Ahora veremos que g es un isomorfismo.
 g es inyectiva. Suponer que no es así, i.e. (z,y),(z’,y)g
 Entonces zz’
 Entonces z=PA(x) y z’=PA(x’)
 Además A(x)=A(x’)=y.
 Como tienen la misma y, entonces PA(x)=PA(x’), una
contradicción. Por tanto es inyectiva.
 g es sobre. Como g:X/Ker AIm(A), sólo abarca las imágenes
de A. Por definición de g, cualquier imagen de A tiene una
preimagen en X/Ker A. Por lo tanto g es sobre.
 Como es inyectiva y sobre, es un isomorfismo.
 Demostración
 Por definición A=g PA
o
Significado geométrico de esta relación
Estamos en los límites...

Si los conjuntos tienen estructura matemática, p.e. X, Y son espacios

vectoriales y la función A resulta ser un operador lineal.
Ax1=Ax2 es la relación Ker A. Un caso particular es para la imagen
cero.
En este caso todos los x, tales que Ax=0 formarán una clase de
equivalencia. Las demás clases de equivalencia las obtendremos al
estudiar las otras imágenes de A.
Sin embargo, este proceso puede resultar muy lento, sobre todo porque Y
tiene un número infinito de elementos. Una forma más adecuada es
estudiarlos a través de la clase de equivalencia del 0 [0].
Significado geométrico de esta relación
Estamos en los límites...
Por ejemplo, si queremos estudiar el caso para la imagen y, entonces
debemos encontrar todos los x tales que Ax=y.
x1, x2 [x], Ax1=Ax2=y, entonces A(x1-x2)=0. Entonces si x1[x], se
tiene que x2[x] ssi (x1-x2)[0].
Como la clase [0] es un subespacio de X
De hecho si Ax=0 y Ay=0, entonces A(x+y)=0 y por tanto es
un subespacio
entonces (x1-x2) span[0], o (x1-x2) = 1e1+2e2+...+nen
Si x1 está fijo, entonces x2= x1-1e1-2e2-...-nen.............................(1)
Como con la clase de equivalencia [0] se generan todas las demás, a está
clase la llamaremos genéricamente Kernel de A.
Significado geométrico de esta relación
Estamos en los límites...

Como se observa, la ecuación (1) es un método para calcular todas las

clases de equivalencia [x2].
Se puede ver que es un un espacio vectorial (el del Kernel) desplazado
por x1 (cualquier vector de la clase).
A esta clase de equivalencia, y sólo cuando hablamos de operadores
lineales en espacios vectoriales, le llamaremos una variedad lineal. No es
un espacio, ya que en general, el cero no está incluído en dicha variedad,
pero si será un espacio vectorial vía módulo algún vector de la clase.

Ejemplos
Significado geométrico de esta relación
Estamos en los límites...

A:22 tal que A([x y]T)=[x–y y-x]T. Claramente A es un operador

lineal y un vector de la forma [k k]T está en la clase de equivalencia [0] o
Kernel de A.
El vector [2 1]T no está en la clase [0], pero si está en la clase [[2 1]T].
Los vectores que pertenecen a esta clase, de acuerdo a la ecuación (1)
son:

X=[2 1]T-[1 1]T

Significado geométrico de esta relación
Estamos en los límites...

Clase [0]

Clase [2 1]T
Significado geométrico de esta relación
Estamos en los límites...

En realidad, cada clase forma una

línea paralela al Kernel de A.
Significado geométrico de esta relación

Si tenemos un operador lineal A:VW, entonces el Kernel de A será un

subespacio de V, y cada una de las clases de equivalencia será una
variedad lineal paralela al Kernel de A.

Más aún, el conjunto de las clases de equivalencia se denotará en la

forma común V/Ker A y será llamado el espacio cociente V/Ker A.

Proposición. Sea un operador lineal A:VW, entonces el conjunto

V/Ker A es un espacio vectorial.

Demo. En este espacio, el vector nulo es la clase [0]. De hecho se tiene

Significado geométrico de esta relación

[v1]=[v1]+[0] para cualquier v1V. De la ecuación (1) x2= v1-1e1-

2e2-...-nen se observa que esto es cierto, ya que x2[v1].

Los escalares, son los del campo definido en V.

La suma de vectores [v1]+[v2]=[v3] se define como x1[v1], x2[v2] y

x1+x2[v3]. Note que está bien definida ya que cualquier x1[v1] y
x2[v2] sirven. De hecho v1- 1[0]+v2- 2[0]=v1+v2- [0]=[v3]

Todas las propiedades se pueden demostrar y resulta un espacio vectorial

Significado geométrico de esta relación
,... Pero hay más cosas

Claramente, Im(A)V/Ker A. Vimos que esto se cumple aún en el caso

que no sean espacios vectoriales.

Ahora volvamos a los conjuntos.

Vimos que si A:XY, entonces Ker A es una relación de equivalencia.

Por la definición, cualquier función deja una relación de equivalencia en
su dominio. Pero, además, nosotros sabemos que una relación de
equivalencia sobre un conjunto X es equivalente a una partición de X
Espacios vectoriales con producto interno
Espacios vectoriales con producto
interno

 5.1 Producto interno

 5.2 Desigualdad de Cauchy-Schwarz
 5.3 Ortogonalidad
 5.4 Procedimiento de Gram-Schmidt
 5.5 Espacios normados
Norma
 Definición.- Una norma (o norma
vectorial) en (V,F) es una funcional que
asigna a cada vector v un número real no
negativo, llamado norma del vector v, y
es denotado por ||v|| y satisface:
 ||v||>0 para v0, y ||0||=0
 ||v||=|| ||v||  escalar y v vector
 ||u+v||||u||+||v||
Norma
 Definición.- Para vectores x=[x1 x2 ...
xp]T, las normas ||||1, ||||2, |||| son
llamadas norma 1, norma 2 y norma
infinito respectivamente y se definen
como:
 ||||1=|x1|+|x2|+...+|xp|
 ||||2=(|x1|2+|x2|2+...+|xp|2)1/2
 ||||=max{|x1|, |x2|, ...,|xp|}
Norma
 Definición.- Sea |||| una norma en (V,F). Una
secuencia de vectores vi se dice que converje al
vector v ssi la secuencia de número reales ||vi-
v|| Para vectores x=[x1 x2 ... xp]T, las normas ||
||1, ||||2, |||| son llamadas norma 1, norma 2 y
norma infinito respectivamente y se definen como:
 ||||1=|x1|+|x2|+...+|xp|
 ||||2=(|x1|2+|x2|2+...+|xp|2)1/2
 ||||=max{|x1|, |x2|, ...,|xp|}
 Norma
 Teorema: Sean x, y dos vectores. Entonces |xTy|
||x||2||y||2
 Demostración.
 sabemos 0||x+y||=(x+y)T(x+y)=||x||22+ 2 ||y||22+2
 |xTy|
 si =-||x||22/xTy, entonces
 0-||x||22+(||x||24||y||22/xTy|2)
 Despejando se llega a la desigualdad
 Producto interno

 Definición. El producto interno en (V,F) sobre un

par de vectores (u,v) que satisface:
 (u,v)=(v,u)
 (u+v,w)= (u,w)+ (v,w)
 (w,u+v)= (w,u)+ (w,v)
 (u,u)>0, y es igual a cero si u es cero.
 Producto interno
 El producto interno (u,v)1/2 induce una norma en el espacio
vectorial.
 Definición. Sean el producto interno (,)
 u, v son ortogonales ssi (u,v)=0
 Un conjunto de vectores son ortogonales ssi cada par de vectores (u,v)
son ortogonales
 Si un vector u es usado para producir u/||u|| tal que ||v||=1, entonces
u se dice ser normalizado para producir el vector normalizado v
 Un conjunto de vectores se dice ortonormal ssi es ortogonal y ||v||=1
para todo vector v
 Producto interno

 Diferentes productos internos

 (u,v)=uTv
 si f y g son funciones real valuadas continuas en 0t1,
entonces (f,g)=  f (t ) g (t )dt
0
 Proyecciones ortogonales
 Teorema. Sea (V,F) un espacio vectorial. Sea (V0,F) un
subespacio generado por los vectores ortogonales
S={v1,...,vq}. Defínase la proyección ortogonal como
sigue. Para cualquier vector v
 P0v=1v1+...+qvq, donde i=(vi,v)/(vi,vi)
 entonces
 v-P0v es ortogonal a todo vector v en (V0,F)
 P0(u+v)=P0u+P0v
 P0(v)= P0v
 Proyecciones ortogonales

 Demostración
 (vi,v-P0v)=(vi,v)-1(vi,v1)-...-q(vi,vq)=(vi,v)- i(vi,vi)=0
 Los otros puntos salen de la definición de los
coeficientes .
v

v-P0v

vi
P0v= vi
 Proyecciones ortogonales
 Teorema. Sea (V,F) un espacio vectorial con
producto interno y con su norma inducida por el
producto interno ||||. Sea (V0,F) un subespacio
generado por los vectores ortogonales
S={v1,...,vq}. Entonces para cualquier v, P0v es el
único punto más cercano en (V0,F) a v, y ||v-P0v||
es la distancia de v a (V0,F)
 ||v-P0v||<||v-v0|| para todo v0 diferente de P0v en (V0,F)
 Proyecciones ortogonales
 Demostración.
 ||v-v0||2=(v-v0,v-v0)=(v-P0v+P0v-v0, v-P0v+P0v-v0)= (v-P0v, v-
P0v )+(v-P0v, P0v-v0)+(P0v-v0,v- P0v)+(P0v-v0, P0v-v0)
 Sabemos que v- P0v es ortogonal a los vectores en (V0,F), entonces
se obtiene que:
 ||v-v0||=||v- P0v||+|| P0v-v0||
 entonces ||v-v0||>||v- P0v|| a menos que v0= ||v-v0||=||v- P0v||
+||
 Proyecciones ortogonales

 Sea S={v1,...,vq} un conjunto de vectores

ortogonales, entonces estos vectores son
linealmente independientes.
 si se toma el vector 0=c1v1+...+cqvq, tenemos
que saber el valor de cada ci.
 0=(vi,0)=(vi,c1v1+...+cqvq)=ci(vi,vi)
 como (vi,vi)>0  ci=0 y son L.I.
 Proyecciones ortogonales

 Se sigue que si el vector proyectado v está en el

espacio (V0,F), entonces P0v será el mismo v y los
valores de las i será la representación del vector
en la base seleccionada S.
 Proyecciones ortogonales

 Teorema. Sea B={v1,...vq} una base ortogonal. La

representación del vector v se calcula como
 v=1v1+...+qvq, donde
 i=(vi,v)/(vi,vi)
 Note que si la base es ortonormal, entonces los i se
calculan fácilmente
 Proyecciones ortogonales

 Si tenemos S={v1,...,vq} un conjunto de vetores

que genera (V,F)
 Tomar u1=v1,
 desde 2 hasta q, ui=vi-Pi-1vi
Transformaciones lineales
Transformaciones lineales

 6.1 Definición
 6.2 Propiedades
 6.3 Kernel e imagen de una transformación lineal
 6.4 Representación matricial de una transformación lineal
 6.5 Isomorfismos
 6.6 Operaciones con transformaciones lineales
 6.7 Algebra de transformaciones lineales
  
Transformaciones lineales

 Definición. Sean (V,F) y (W,G) dos espacios vectoriales.

Una transformación lineal T de (V,F) a (W,G) es una
correspondencia que asigna a cada vector v en V un
vector w en W tal que:
 T(v1+v2)=T(v1)+T(v2)
 T(v)= T(v)

 Se sigue que T(0)=0, ya que T(v)=T(v+0)=T(v)+T(0) lo

que implica que T(0) debe ser el cero de W.
Transformaciones lineales

 El espacio imagen
 Todos los vectores w en (W,G) tal que w=T(v)
 Solución. Si w es fijo, entonces existe v en (V,F) tal que
T(v)=w ssi w está en la imagen de T.

 Se aplica Sobre

 Claramente el problema Solución tiene solución si T es

onto.
Transformaciones lineales

 Otro problema es si la solución es única.

 T(v1)=T(v2)=w

 Se aplica Inyectividad

 Claramente la solución es única si w esta en la imagen de

T y T es inyectiva.

 T(v1)=T(v2)  T(v1)-T(v2)=0  T(v1-v2)=0

 También T tiene kernel.

Transformaciones lineales

 Más propiedades de las transformaciones lineales

 T(u-v)=T[u+(-1)v]=T(u)+T[(-1)v]=T(u)+(-1)T(v)=T(u)-T(v)
 T(1v1+...+nvn)= 1v1+...+nvn
 Esto se puede ver por asociatividad e inducción

 Teorema. Sea (V,F) un espacio vectorial de dimensión finita con

base B={v1,...vn} y T1, T2 dos transformaciones lineales. Si
T1(vi)=T2(vi) para todo vi en B, entonces T1(v)=T2(v) para v en
(V,F).
 Demo, como cualquier vector de (V,F) se escribe como v=
1v1+...+nvn, entonces T1(v)=T1(1v1+...+nvn)= T1(1v1)+...
+T1(nvn)=T2(1v1)+...+T2(nvn)=T2(v)
Transformaciones lineales

 Teorema. Sea (V,F) un espacio vectorial de dimensión

finita con base B={v1,...vn} y (W,G) un espacio vectorial
que contiene a los vectores w1,...,wn, entonces existe una
única transformación lineal tal que T(vi)=wi, para vi en B.
 Demo. Como cualquier vector de (V,F) se escribe como v=
1v1+...+nvn, entonces T se define como T(v)=1w1+...
+nwn
 T será una transformación lineal T(u+v)=T[(1v1+...+nvn)
+(1v1+...+  nvn)]=
 =T[(1+1) v1+...+( n+n) vn] Por la definición de T,
 = (1+1) w1+...+( n+n) wn=T(u)+T(v)
Transformaciones lineales

 De igual forma
 T(u)=T[(1v1+...+ nvn)] Por la definición de T,
 1w1+...+ nwn= T(u)
 Por teorema anterior se tiene la unicidad

 Tarea: Sean (V,F) y (W,G) dos espacios vectoriales y T:

(V,F)(W,G) una transformación lineal. Demsotrar que el
kernel de T es un subespacio de (V,F) y que la imagen de
T es un subespacio de (W,G).
Transformaciones lineales

 Definición. Sean (V,F) y (W,G) dos espacios vectoriales y

T:(V,F)(W,G) una transformación lineal.
 Nulidad de T = (T) =dim (Ker (T))
 rango de T = (T) = dim (Im (T))

 Teorema. Sean (V,F) y (W,G) dos espacios vectoriales y

T:(V,F)(W,G) una transformación lineal.
 (T)+ (T) = dim (V,F)
 Demo. Suponer que (T)=r y que {v1,...vr} es una base
para el kernel; además (T)=k y {w1,...wk} es una base
para la imagen de T.
 Entonces hay que demostrar que B={v1,...,vr,u1,...,uk}
Transformaciones lineales

 Sea un v que pertenece a (V,F). Como T(v)= 1w1+...+kwK

 Al Vector v lo podemos escribir como
 v= 1u1+...+kuK-v’  v´= 1u1+...+kuK-v
 T(v’)=T(1u1+...+kuK-v)= 1T(u1)+...+kT(uk)-T(v)
 = 1w1+...+kwK-T(v)=0  v’ está en el kernel de T

 Como {v1,...vr} es una base de Kernel de T, existen escalares 1

,.., r tal que v’= 1v1+ ... +rvr=1u1+...+kuK-v
 Por tanto v= 1u1+...+kuK- 1v1- ... -rvr
 y {u1,...,uk, v1,..., vr} genera (V,F)
 Ahora hay que ver que sean L.I.
Transformaciones lineales

 Sea un vector 1u1+...+ kuK+ 1v1+ ... + rvr=0

 Entonces T(1u1+...+ kuK+ 1v1+ ... + rvr)=0
 Como los vi están en el kernel 
 0= 1w1+...+ kwK, como los wi son una base de la
magen, entonces son L.I. y la única solución es i=0
 Entonces el vector se reescribe como
 1v1+ ... + rvr=0 , como los vi son una base para el kernel
son L.I., entonces la única solución i=0 y los vectores
son L.I.
 y por lo tanto es una base y la dimensión de (V,F) es
 (T)+ (T) = dim (V,F)
Transformaciones lineales

 Sean (V,F) y (W,G) dos espacios vectoriales y T:

(V,F)(W,G) , entonces existe una única matriz A
(dim(v), dim(W)) tal que T(x)=Ax
 A est la matriz de transformación correspondiente a T.
 Demo
 sea B={e1,...,en} la base canónica en (V,F)
 T(ei)=wi
 Se puede formar la matriz A=[w1 wn]
 entonces Aei=wi (T(ei)=wi)
 En general T(x)=T(1e1+ ... +nen)= 1w1+ ... +nwn
 También Ax=A[1e1+ ... +nen]= 1w1+ ... +nwn =T(x)
Transformaciones lineales

 Suponer que T(x)=Ax=Bx  (A-B)x=0,

 para x=ei (A-B)ei=0  que la i-ésima columna de (A-B)
es cero, por lo que las matrices son iguales y A es única.

 Teorema Sea A la matriz de transformación

correspondiente a T, entonces

 i) Im T  Im A, pero isomorfo
 ii)(T)=(A)
 iii)Ker TKer A, pero isomorfo
 iv)(T)=(A)
Transformaciones lineales

 Teorema. Sean (V,F), (W,G) dos espacios vectoriales de

dimensiones n y m respectivamente. Sea T(V,F)(W,G)
una transformación lineal. Sean B1={v1,...,vn} y
B2={w1,...,wm} las bases de los espacios
respectivamente. Entonces existe una única matriz A
(m,n) tal que:
 [T(x)]B2=A(xB1)
 [T(x)]B2la representación de T(x) en B2
 T(x)= 1w1+ ... +mwm  [T(x)]B2=[1 ... m]T
 xB1 es la representación del vector en B1
 La matriz A se conoce como la matriz de transformación
correspondiente a T con respecto a las bases B1 y B2
Transformaciones lineales

 Considere los vectores T(v1, ...,T(vn), escríbase

 A=[[T(v1)]B2 ... [T(vn)]B2]
 Como AviB1=Aei= [T(vi)]B2
 y xB1 es la representación del vector en B1, i.e. [1 ... n]T
 entonces
 A xB1=[[T(v1)]B2 ... [T(vn)]B2] xB1= 1[T(v1)]B2+...+[T(vn)]B2]n
 Por otro lado
 T(xB1)=T(1v1+...+nvn)= 1T(v1)+...+nT(vn)
 Al poner cada uno de estos vectores en la representación
 de la base B2 se obtiene que:
 A xB1= T(xB1)
 La unicidad es similar al teorema anterior
Transformaciones lineales

 Teorema.- Sea A (m,n) la matriz de transformación

correspondiente a T:(V,F)(W,G) con respecto a las
bases B1={v1,...,vn} y B2={w1,...,wm} respectivamente.
 Suponga que hay otras bases B1’={v1’,...,vn’} y
B2’={w1’,...,wm’} de los espacios respectivos.
 Entonces la matriz A’ correspondiente a la misma
transformación T con respecto a las bases B1’ y B2’ está
dada por:
 A’=P-1AQ
 P es la matriz de transición (de paso) de la base B2’ en B2
 Q es la matriz de transición (de paso) de la base B1’ en
B1
Transformaciones lineales

 Demo.
 Sabemos que [T(x)]B2=AxB1
 Ahora,
 xB1=QxB1’ y [T(x)]B2=P[T(x)]B2’
 Por tanto
 P[T(x)]B2’=A QxB1’
 [T(x)]B2’=P-1A QxB1’
 A’=P-1AQ es la matriz de transformación
Transformaciones lineales

 En especial, si (V,F) y (W,G) son los mismos, entonces

 A’=P-1AP
 Definición. Se dice que dos matrices cuadradas A y B son
similares si existe una matriz P no singular (determinante
diferente de cero) tal que
 B=P-1AP
Transformaciones lineales

 Transformaciones T
 Inyectiva  Kernel T = {0}
 Sobre

 Teorema. T:VW una transformación lineal y dim v=n y

dim w=m
 i) si n>m,  T no es inyectiva
 ii) si m>n  T no es sobre

 Demo. Tarea.
Transformaciones lineales

 Definición. Una T.L es un Isomorfismos ssi es inyectiva y sobre.

 La matriz de un isomorfismo es invertible.
 Definición. Se dice que (V,F) y (W,G) son isomorfos ssi existe un
isomorfismo entre ambos
 Teorema. Sean (V,F) y (W,G) dos espacios vectoriales de
dimensión finita. Entonces (V,F) y (W,G) son isomorfos si dim
(V,F)=dim (W,G)
 Demo. Obtener bases para cada uno. Entonces quedan
representados en (Rn,R). Como son bases en el mismo espacio,
existe una matriz de cambio de base A. por teoremas anteriores
existe una T.L. asociada a A que es un isomorfismo.
 Si existe el isomorfismo entre las representaciones, lo existe
entre los espacios.
Transformaciones lineales

 Corolario. Cualquier espacio de dimensión n es isomorfo a (Rn,R)

 Teorema. Si T:(V,F)(W,G) es un isomorfismo
 i) Si {v1,...vn} genera (V,F), entonces {T(v1),...,T(vn)} genera
(W,G)
 ii) Si {v1,...vn} son L.I., entonces {T(v1),...,T(vn)} son L.I.
 iii) si {v1,...vn} es una base, entonces {T(v1),...,T(vn)} es una
base.
 Demo.
 i) v=1v1+ ... +nvn  T(v)=w=1T(v1)+ ... +nT(vn)  {T(v1),...,T(vn)}
genera (W,G)
 iii) Suponga que 0=T(v)=w=1T(v1)+ ... +nT(vn) , entonces T(1v1+ ...
+nvn)=0, como T es isomorfismo T(0)=0 es el único. Entonces 1v1+ ...
+nvn=0, pero como son L.I.  i=0 y por tanto {T(v1),...,T(vn)} son L.I.
 iii) se sigue de anteriores.
Transformaciones lineales

 Prop. Si T:(V,F)(W,G) es un isomorfismo, entonces para todo

vector wW existe un único vector v V tal que
T-1(w)=v, donde T-1:(W,G)(V,F) es conocida como la
transformación inversa de T.
 Demo. 2 partes T-1 es T.L. y T-1(w)=v único
 T(v1)=w1;  T-1(w1)=v1; T(v2)=w2 T-1(w2)=v2
 T(v1+v2)=T(v1)+T(v2)=w1+w2  T-1(w1+w2)=v1+v2
 T(v1)= T(v1)= w1  T-1(w1)= v1
 Como T es isomorfiso, la definición de T-1 hace que exista un
único valor de regreso.
 Nota. T es T.L.  A es su operador
 T-1 es la inversa de T, entonces A-1 es el operador de T-1
Transformaciones lineales

 Operaciones con transformaciones lineales

 Sean (V,F) y (W,F) dos espacios vectoriales sobre el
mismo campo F. Hom(V,W) es el conjutno de todas las
transformaciones lineales entre (V,F) y (W,F).
 Sean T1 y T2 dos T.L. entre (V,F) y (W,F)
 Se define la suma T1+T2 como
 T1+T2:VW (T1+T2)(v)=T1(v)+T2(v)
 para todo F, T1 es
 (T1)(v)=T1(v)
Transformaciones lineales

 El conjunto Hom(V,W) definido anteriormente es un

espacio vectorial sobre el campo F.
 Demo. Tarea.
Algebra de Transformaciones
lineales

 Definición. Un álgebra A sobre un campo F es un espacio

vectorial sobre F en el que se tiene definida una
operación producto que satisface para todos los
elementos T1, T2, T3  A y  F:
 T1(T2+T3)=T1T2+T1T3
 (T2+T3)T1=T2T1+T3T1
 (T1T2)=(T1)T2=T1(T2)
 Si además se cumple que
 (T1T2)T3=T1(T2T3)
 entonces A es un álgebra asociativa
Algebra de Transformaciones
lineales

 Definición. Sean V, U y W espacios vectoriales sobre el mismo

campo F. Sean T1:VU y T2:UW dos transformaciones
lineales.
 Se define la composición de T2 seguida de T1 T2T1 como la
función de V a W (T2T1) :VW tal que (T2T1)(v)=T2(T1(v))
 Proposición. Si T1 y T2 son TL, entonces T2T1 también lo es.
 Demo. Sean u,v V y ,  F, entonces
 (T2T1)(v+u)=T2(T1(v+u))=T2(T1(v)+T1(u))
 =  (T2T1)(v)+ (T2T1)(u)
 (T2T1) es T.L.

 Puede verse que Hom(V,V) con la composición es un álgebra

asociativa.
 Adicional de Transformaciones
lineales

 Sean A, B dos matrices de qxn y nxp con coeficientes en

el mismo campo.
 Entonces (A)+(B)-n  (AB)  min((A), (B))
 Demo

(A) R(A) R(AB)

(B) R(B)
d
p n
n(A)
n(B)
 Adicional de Transformaciones
lineales
 De la figura (AB)min((A), (B)).
 También (AB)= (B)-d (la intersección de R(B) y n(A).
 La dimensión de n(A)=n- (A)  d n+ (A)
 y se sigue que (AB) (A)-n+ (B)

 Si B es no singular
 (A)+(B)-n = (A)  (AB)  min((A),n) = (A)

(A) R(A) R(AB)

(B) R(B)
d
p n
n(A)
n(B)
4. Valores y vectores propios
Valores y vectores propios
 Definición y propiedades
 Teorema de Cayley-Hamilton
 Diagonalización de matrices
Valores y vectores propios
 Definición. Sea V un espacio vectorial y
T:VV una transformación lineal del
espacio en sí mismo. Sea vV un vector
diferente de cero pa el cual existe un
escalar  tal que T(v)=v,
 entonces se dice que  es un valor propio
de T y que v es un vector propio de T
asociado a .
Valores y vectores propios
 Cuando V es un espacio de dimensión finita, la
transformación T la podemos representar como
una matriz A de n,n. Entonces podemos redefir
los valores y vectores propios de la siguiente
forma.
 Definición. Sea A una matriz de n,n. El escalar 
se denomina valor propio de A si existe un
vector x diferente del nulo, tal que Ax= x
 nuevamente x es el vector propio asociado a .
Valores y vectores propios
 Teorema. Sea A una matriz de n,n. Entonces 
es un valor propio de A ssi det(I-A)=0
 Demo.
 Sólo si. Suponga que  es un valor propio de A;
entonces existe un vector x diferente de cero tal
que Ax= x 
 (I-A)x=0, como x diferente de cero  (I-A)
es singular  det(I-A)=0
Valores y vectores propios

 (si). Si det( I-A)=0  ( I-A) es singular


 ( I-A)x=0 tiene soluciones diferentes de
cero, entonces existe x diferente de cero
tal que Ax= x.
Valores y vectores propios
 Definición. La ecuación det(I-A)=0 se conoce como
ecuación característica de A, y el polinomio p()=det(I-A)
 Observe que p()=(det(I-A)=a0+a1+...+an
  por el teorema fundamental del álgebra, cualquier
polinomio de grado n tiene n raíces (contando
multiplicidades).
 p()=(det(I-A)=a0+a1+...+an=
 (- 1)r1...(- m)rm
 Los número ri son la multiplicidad algebraica de los valores
propios de 1,..., m.
Valores y vectores propios

 Teorema. Sea  un valor propio de A y

E={x|Ax= x}. Entonces E es un
subespacio vectorial de Cn
 Nótese que E son las soluciones de (I-
A)x=0, es decir el kernel de un operador
lineal  es un subespacio vectorial.
Valores y vectores propios
 Definición. Sean  un valor propio de A.
Entonces E se denomina espacio propio de A
correspondiente a .
 Definición. Sea E el espacio propio de A debido
a . A la dimensión de E se le conoce como
multiplicidad geométrica de .
 Multiplicidad geométrica de =dim E=dim{Ker
(I-A)}
Valores y vectores propios

 Ejemplos y procedimientos de cálculo.

4 -2 2 -1 1 -1
1 1 -4 2 2 -1
Valores y vectores propios

 Teorema. Sea  un valor propio de A.

Entonces se cumple que la multiplicidad
geométrica de multiplicidad algebraica
de 
Valores y vectores propios
 Teorema. Sean 1, 2, ..., m valores propios diferentes
de A (n,n), donde mn y sean x1, x2,..., xm sus vectores
propios correspondientes. Entonces x1, x2, ..., xm son
linealmente independientes.
 Demostración.
 Suponga que {x1,...,xm} son L.D. y que xs es el primer
vector L.D. de los previos
 xs=1x1+2x2+...+s-1xs-1
 Multiplicando por A
 Axs= 1Ax1+2Ax2+...+s-1Axs-1
Valores y vectores propios
 sxs= 1 1 x1+2 2 x2+...+s-1 s-1 xs-1
 Restando ecuaciones y multiplicando por s se tiene
 0=1(1-s)x1+2 (2-s) x2+...+s-1 (s-1-s)xs-1
 Como xs es el primer vector L.D. entonces
 1(1-s)=2 (2-s)=...=s-1 (s-1-s)=0
 como is  i=0  xs=0, lo cual contradice la
suposición  las vectores son L.I.

Valores y vectores propios
 Teorema. La matriz A (n,n) tiene n
vectores propios L.I. ssi la multiplicidad
geométrica de cada valor propio es igual
a su multiplicidad algebraica.
 Tarea (Grossman, pag 545)
Valores y vectores propios
 Definición. Sea F(x)=a0+a1x+a2x2+...+anxn un polinomio
y A una matriz cuadrada
 Se define el polinomio f(x) en la matriz A como:
 F(A)=a0I+a1A+a2A2+...+anAn
 Sy f(A) es igual a la matriz cero, entonces se dice que A
es raíz (o cero) del polinomio f(x).
 Sea F() (n,n) una matriz polinomial en la variable , i.e.
 F()=F0+F1+...+Fmm= F()=F0+F1+...+mFm
 donde F0, F1,...,Fm son matrices cuadradas reales.
Valores y vectores propios
 Se dice que F() es de orden n; y si Fm0, entonces F()
es de grado m. Además F() se dice regular si det(Fm)0
 Definicion. Sean F() y G() matrices polinomiales de
orden n., y G() es regular. Las matrices polinomiales
Q() y R() se conocen como cociente derecho y residuo
derecho respectivamente de F() dicidida por G() si
 F()= Q() G() + R()
 y si el grado de R() es menor que el grado de G() [R()
puede ser cero]
Valores y vectores propios
 De manera similar se pueden definir el
cociente izquierdo y residuo izquierdo
 Sea A (n,n) y denota F(A) la evaluación por
la derecha de A en la matriz polinomial
F() , esto es, si
 F()=F0+F1+...+Fmm=
 F()= F0+F1A+...+FmAm
Valores y vectores propios
 Teorema. Si la matriz polimial F() es dividida por
la derecha por la matriz (I-A) entonces el residuo
es F(A), y si es dividida por la izquierda por (I-A)
entonces el resiudo es F’(A) (por la izquierdA).
 Demostración. Tarea.
 (teorema generalizado de Bezout, Grantmatcher,
pag 81)

Valores y vectores propios
 Corolario. La matriz polinomial F() es divisible por la
derecha por la matriz (I-A) sin residuo (R()=0) ssi
F(A)=0
 (De manera similar se puede hacer por la izquierda)

 Teorema (Cayley-Hamilton). Toda matriz A (n,n) es

raíz de su polinomio característico.
 Demostración. P()=det(I-A)=a0+a1+...+n
 Hay que mostrar que P(A)=0
Valores y vectores propios
 de teoremas previos
 (I-A)adj(I-A)=det(I-A)I=[adj(I-A)](I-A)
 Lo cual puede verse como
 P()=(I-A)Q()=Q()(I-A)
 donde Q()=adj(I-A) es una matriz polinomial en  y
 P()=det(I-A)I=a0I+a1I+...+nI
 como P() es divisible por la derecha y por la izquierda
por (I-A) sin residuos, entonces
 P(A)=a0I+a1AI+...+AnI
Valores y vectores propios
 Definición. Se dice que el polinomio F() es
un polinomio aniquilador de la matriz A
(n,n) si F(A)=0
 (p.e. el polinomio característico de A)
 Definición. Al polinomio aniquilador mónico
Q() de A de menor grado se le conoce
como polinomio mínimo de A.
Diagonalización de matrices

 Definición. Se dice que A (n,n) es

diagonalizable (bajo similaridad) si existe
una matriz no singular P tal que P-1AP es
diagonal
Diagonalización de matrices
 Teorema. La matriz A (n,n) es diagonalizable ssi
tiene n vectores propios linealmente
independientes
 Si 1, 2, ..., n son los valores propios de A y los
vectores propios x1, x2, ..., xn correspondientes a
estos valores propios son linealmente
independientes, entonces P-1AP=diag{1, 2, ...,
n}, donde P=[x1 x2 ... Xn]
Diagonalización de matrices
 Demostración.
 (si) Suponga que A tiene n vectores propios L.I. x1 x2 ... xn
correspondientes a los valores propios 1, 2, ..., n (algunos
pueden ser repetidos).
 Sea P la matriz [x1 x2 ... xn], entonces
 AP= [Ax1 Ax2 ... Axn]= [1x1 2x2 ... nxn]
 = [x1 x2 ... xn]diag{1, 2, ..., n}
 =Pdiag{1, 2, ..., n}
 Como P es no singular  tiene inversa
 P-1AP=diag{1, 2, ..., n}
Diagonalización de matrices
 Demostración.
 (sólo si) Suponga que existe una matriz no singular P
tal que
 P-1AP=diag{1, 2, ..., n}
 AP=Pdiag{1, 2, ..., n}
 Para cada xi de P se tiene que:
 Axi= ix
  xi es vector propio de A i es valor propio de A
 P es no singular  A tiene n vectores propios L.I.
Diagonalización de matrices

 Corolario. La matriz A (n,n) es

diagonalizable ssi la multiplicidad
geométrica de cada valor propio es igual a
su multiplicidad algebraica. En particular A
es diagonalizable si todos sus valores
propios son distintos
Diagonalización de matrices

 Teorema. Si A y B son similares, entonces

tienen el mismo polinomio característico, y
por consiguiente los mismos valores
propios.
 Demo. det(I-B)=det(I-P-1AP)=det(P-1P-
P-1AP)=det(P-1(I-A)P)=det(P-1)det(I-
A)det(P)=det(I-A)
Diagonalización de matrices

 Teorema. Si A y B son similares, i.e. existe

una matriz no singular tal que B=P-1AP.
Entonces:
 i) Bk=P-1AkP
 ii)Si f(x)=a0+a1x+...+anxn es un polinomio
cualquiera, entonces f(B)=P-1f(A)P
 Diagonalización de matrices

 Demo
 Bk=(P-1AP)k= =(P-1AP)(P-1AP)...(P-1AP)=
 P-1AkP
 ii)Si f(B)=a0I+a1(P-1AP)+...+an(P-1AnP)=
 =P-1(a0+a1A+...+anAn)P=P-1f(A)P
Diagonalización de matrices

1 1 2
0 1 3
0 0 2
 Diagonalización de matrices

 Tiene dos propio valores 1=1, 2=2 con

multiplicidades algebraicas 2 y 1 y
geométricas 1 y 1 respectivamente  no es
posible diagonalizar A, pero ¿es posible
encontrar una bse donde A sea casi
diagonal?
 Diagonalización de matrices

 Definición.- Un vector v es llamado un vector

propio generalizado de rango k de A asociado
con  iff
 (A- I)kv=0
 (A- I)k-1v0
 Note que si k=1 coincide con vector propio
 Diagonalización de matrices

 Definición.-
 vk=v  vector propio generalizado
 vk-1=(A-I)v=(A-I)vk
 vk-2=(A-I)2v=(A-I)vk-1
 ...
 v1=(A-I)k-1v=(A-I)v2
 Diagonalización de matrices
 ...
 vk-2=(A-I)2v=(A-I)vk-1
 ...
 Entonces para 1ik vi es un vector propio
generalizado de rango i, por ejemplo
 (A-I)k-2vk-2=(A-I)k-2(A-I)2v=(A-I)kv=0
 (A- I)k-1vk-2=(A-I)k-1v0
 Diagonalización de matrices

 Definición.- Lleamaremos a los vectores {v1,

v2,...,vk} una cadena de vectores propios
generalizados si vk es un vector propio
generalizado que dio origen a todos los
demás vectores
 Diagonalización de matrices
 Teorema. El conjunto de vectores propios
generalizados v1, v2, ..., vk definidos anteriormente es
L.I.
 Demostración.-
 Suponer que v1, v2, ..., vk son L.D., entonces existen
soluciones diferentes de la trivial a:
 1v1+2v2+...+kvk=0
 Multiplicando por (A-I)k-1 y observando que
 vi=vk-(k-i)=(A-I)k-iv  por definición
 Diagonalización de matrices
 entonces
 (A-I)k-1vi=(A-I)2k-(i+1)v=0
 para i=1,2,...,k-1
 k(A-I)k-1vk=0
 y sabiendo de la def. de vector propio generalizado que
(A-I)k-1vk0,  k=0
 Aplicando ahora (A-I)k-2 se demuestra que k-1=0
 Siguiendo esto se tiene que i=0, lo que contradice la
suposición.  son L.I.
 Diagonalización de matrices
 Teorema: Los vectores propios generalizados de A asociados
con diferentes propio valores son L.I.
 Demostración.
 Sea v vector propio generalizado  1
 vi=(A-1I)vi+1=(A-1I)k-iv
 Sea u vector propio generalizado  2
 ui=(A-2I)ui+1=(A-2I)l-iu

 Del teorema anterior los vi son L.I. y los ui son L.I, falta ver que
{ui}, {vi} son L.I.
 Diagonalización de matrices
 Suponer que vi es L.D. en {u1,...,ul}
 vi=1u1+2u2+...+lul
 Aplicando (A-1I)i
 0= (A-1I)i [1u1+2u2+...+lul ]
 Ahora aplicando (A-2I)l-1 y observando que
 (A-2I)l-1 (A-1I)i = (A-1I)i (A-2I)l-1
 y el hecho de que (A-2I)l-1 uj=0, j=1,2,..., l-1
 0=l(A-1I)i(A-2I)l-1ul=l(A-1I)iu1
 Como (A-2I)u1=0 o Au1=2u1, la ecuación anterior se reduce a
 l(2-1)iu1=0
 Diagonalización de matrices
 se reduce a
 l(2-1)iu1=0
 lo cual implica que l=0.
 Un procedimiento similar llega a la conclusión
de que todos los i=0, lo que contradice la
suposición y los vectores son L.I.
 Diagonalización de matrices
 Teorema. Sean u y v propio vectores de
rango o y l respectivamente, asociados con el
mismo valor propio .
 vi=(A-I)vi+1=(A-1I)k-iv
 ui=(A-I)ui+1=(A-2I)l-iu
 Si u1 y v1 son L.I.  las cadenas son L.I.
 Diagonalización de matrices
 El tratar de construir la forma casi diagonal (diagonal por
bloques o forma de Jordan) se convierte en un proceso
iterativo.
 1.- se calculan propio valores y propio vectores de la forma
tradicional.
 2.- Si la multiplicidad algebraica es mayor que la geométrica
 tratar de encontrar una cadena lo suficientemente larga
de vectores generalizados para construir los vectores L.I.
independientes faltantes, de lo contrario construir cadenas
más pequeñas hasta completarlos
 Matrices unitarias
 Si P es no singular  B=P-1AP transformación de
similaridad
 Sirven para cambio de bases
 Más conveniente si las bases son ortogonales y
ortonormales
 Si {x1,...,xp} es un conjunto ortonormal  xiTxi=1 y
xiTxj=0
 Si hacemos que P=[x1,...,xp]  PTP=I o PT=P-1
 Matrices unitarias
 Definición. Una matriz P (de reales) para la cual PT=P-1
tal que PTP=I, se dice ser unitaria.
 Teorema.
 a) P unitaria  el conjunto de vectores columna es
ortonormal
 b) P unitiaria  |det(P)|=1
 c) P unitaria  <PX,Py>=<x,y>
 d) P unitaria  si  valor propio de P  ||=1
 Demo. Clara
 Matrices unitarias
 Teorema.
 Si B=P-1AP donde P es unitaria (se dice
transformación de similaridad unitaria) 
todo lo que se vió de propiedades de
similaridad sigue valiendo.
 Matrices unitarias
 Teorema.
 Si A es una matriz de pxp.
 a) A es similar unitaria a una matriz triangular superior T; T=P-
1AP con P unitaria y con los propiovalores de A en su diagonal

principal. T es llamada la forma de Shur de A y la

descomposición A=PTP-1= PTPT es la descomposición Shur de A.
 Demo.
 Si p=1 ya terminamos.
 Suponer que para p=k es cierto
 Para p=k+1 tenemos.
 Matrices unitarias
 1 es el propio valor asociado a x1, podemos
normalizar este vector para que ||x1||2=1
 Entonces x1 entra a la base que ya teníamos de
propiovectores ortonormalizados {w1,...,wk} si no es
otronormal a esta base, aplicamos Gram-Schmidt y
tenemos la nueva base {x1,w1,...,wk}
 U= [x1,w1,...,wk]=[x1,W]
 A’=UTAU=[x1,W]TA[x1,W]=[x1,W]T[Ax1 AW]=
1 x1TAW 1 bT
=
0 WTAW 0 C
 Matrices unitarias
 Definición. Una matriz A de pxp es normal si
ATA=AAT
 Teorema. A normal  D=PTAP, D es
diagonal, y P es unitaria.
 Por tanto los propio vectores de A son p
linealmente independientes
 Matrices unitarias
 Veamos ahora el caso en que A=UVT, con U
y V unitarias de pxp y qxq,  es pxq casi
cero, excepto en la diagonal que vale ii=i
que es un real no negativo.
4 0
2 0 0 3 0 0 0 6
0 0 0 0 2 0
0 0

Así son 
 Matrices unitarias
 Claramente se tendría AV=U  Avi=iui para 1imin(p,q),
dende los ui, vi son las columnas de U y V respectivamente.
 Además
 ATA= (UVT)T (UVT)=VTUTUVT=V(T)VT
 donde T=D=VTATAV es diagonal de qxq
  que los propio vectores de ATA sirven para construir V y D
tiene los valores propios D=T
 Similarmente para el caso
 AAT=U(T)UT  en este caso D= T
 Matrices unitarias
 Definición. A la descomposición que hemos venido manejando,
A=UVT, se le conoce como descomposición en valores
singulares de A.
 Viendo lo que hicimos para la descomposición de Schur,
podemos ver que la descomposición en valores singulares
siempre existe.
 Los valores singulares de A son los i, y el número de valores no
cero es el rango de A. Los ui son los vetores singulares izquierdos
y los vi los vectores singulares derechos relacionados con i.
 1 1
9 9
A= 2 2 ATA
2 2 9 9

propiovalores 18 y 0.  1=18(1/2) y 2=0

Un par de vectores propios de ATA normalizados son

v1=[1.71/2 1.71/2]T y v2=[1.71/2 -1.71/2]T

Entonces V=[V1 v2]

 1 1 2 4 4
A= 2 2 AAT= 4 8 8
2 2 4 8 8

propiovalores 18 y 0.  1=18 y 2=0

Vectores propios de AAT normalizados son

u1=[1/3 2/3 2/3]T u2=[(-2)51/2/5 51/2/5 0]T u3 =[(2)51/2/15 (4)51/2/15 (-1)51/2/3 ]T

Entonces U=[u1 u2 u3]
 1 1 2 4 4
A= 2 2 AAT= 4 8 8
2 2 4 8 8

3(2)1/2 0
0 0
0 0
 Mínimos cuadrados
 Suponer que A=UVT, es la descomposición en valores singulares,
donde A es de rango k. El problema es minimizar ||Ax-b||2 con
respecto a x.
 ||Ax-b||2=||UVTx-b||2=||y-UTb||2
 y=VTx  ||Ax-b||2 es mínimo cra x ssi ||y-UTb||2 es mínimo cra y.
 ||y-b’||22=|1y1-b1’|2+...+|kyk-bk’|2+|bk+1’|2+...+|bp’|2
 b’=UTb
 Es minimizado si yi=bi’/i
 Mínimos cuadrados
 Entonces para ||Ax-b||2 con respecto a x.
 Encontrar A=UVT
 Calcular b’=UTb
 Calcular yi=bi’/i para 1ik, yi=0 otro caso
 x0=Vy
 y=VTx  ||Ax-b||2 es mínimo cra x ssi ||y-UTb||2 es mínimo cra y.
 ||y-b’||22=|1y1-b1’|2+...+|kyk-bk’|2+|bk+1’|2+...+|bp’|2
 b’=UTb
 Es minimizado si yi=bi’/i