Tarea 1 2004

Ejercicios Resueltos de Algebra Lineal para Computaci on Cient ca I
Indice general
Introducci on Agradecimientos Parte 1. Introducci on a MATLAB Parte 2. Recapitulaci on de la Geometr a Vectorial Elemental Vectores y Planos en el Espacio Tridimensional Parte 3. Recapitulaci on del Algebra Lineal Elemental Parte 4. Recapitulaci on de la Teor a Elemental de Matrices Parte 5. Espacios Vectoriales en General Parte 6. Teor a Espectral Elemental de Matrices Parte 7. Formas Can onicas (Schur y Jordan) Bibliograf a iii v 1
7 31 49 63 103 119 137
Introducci on
Este libro es el resultado del esfuerzo y dedicaci on de de los alumnos, ayudantes y profesor del ramo Computaci on Cient ca, dictado en el primer semestre de 2004, en las aulas y laboratorios de la Universidad T ecnica Federico Santa Mar a. Gracias a la motivaci on del profesor, el Doctor Ingeniero Luis Salinas, y al entusiasmo presente en los alumnos de la asignatura, se edit o este texto como legado para los compa neros de las generaciones venideras. El estudio del Algebra Lineal es una tarea insoslayable. Sus evidentes aplicaciones en las Ciencias Naturales e incluso en las Ciencias Sociales, hacen de esta disciplina una herramienta fundamental para todo Ingeniero. Particularmente en las Ciencias de la Computaci on, el Algebra Lineal Num erica marca las pautas y resultados para la compleja tarea de computar. El Procesamiento de Se nales, el Reconocimiento de Patrones y la Computaci on Gr aca, son tan s olo algunas de las tantas aristas que denotan el alcance del Algebra Lineal Num erica. Este libro es tan s olo un apoyo a la extensa bibliograf a existente sobre Algebra Lineal y An alisis Num erico, ofreciendo una recopilaci on de 85 ejercicios y tareas propuestas con sus respectivos resultados. Dadas las caracter sticas del ramo que motiva este documento, algunos problemas y soluciones est an orientados a las Ciencias de la Computaci on; sin embargo, el alcance de los problemas propuestos son competencia de multiples areas de la Ingenier a. Se dividi o el texto en 7 secciones: La primera propone 6 ejercicios simples para realizar en Matlab; el objetivo es que el lector obtenega destreza y conocimiento en esta poderosa herremienta y as poder comparar, corroborar o calcular los resultados obtenidos durante todo el texto. Todo estudio de Algebra Lineal tiene como pivote inicial la Geometr a Vectorial. En la segunda secci on se presentan 18 ejercicios de Vectores y Planos en el espacio tridimensional, con el n de aclarar conceptos y establecer el lenguaje a utilizar. En la secci on tres se realiza una recapitulaci on del Algebra Lineal Elemental mediante 7 ejercicios de Espacios Vectoriales. Para poder utilizar aplicaciones lineales, es necesario conocer y dominar la Teor a de Matrices como representaci on de transformaciones y vectores. Este es el objetivo de los 10 ejercicios la secci on cuatro. Luego, se presentan 29 ejercicios de Espacios Vectoriales en General, que es tema tratado en la secci on cinco. La secci on seis ahonda en la Teor a Espectral de Matrices mediante una recopilaci on de 10 ejercicios propuestos. Por u ltimo, la secci on siete presenta 5 ejercicios de Formas Can onicas, especicamente en las formas de Shur y Jordan.
IV
Algebra Lineal
Esperamos que nuestro trabajo sea de utilidad para los alumnos de futuras generaciones, y los invitamos a que contin uen con nuestra obra, ampliando o corrigiendo este libro, o colaborando con un legado propio para los alumnos venideros, tal como hicimos nosotros. Los autores.
Agradecimientos
Agradecemos a nuestros compa neros, que desarrollaron la mayor parte de este texto, a nuestro profesor y a nuestro ayudante, por encaminar este esfuerzo, y a todos los que directa o indirectamente participaron de la creaci on de este libro. La lista de todas las personas involucradas, en orden alfab etioco, son: Marcelo Aliquintuy, Andrea Appel, Ignacio Araya, Mauricio Araya, Paola Arce, Luis Ar evalo, Alejandro Arrieta, Jaime Arroyo, Rodrigo Avila, Enzo Badillo, Nicolas Barriga, Jaime Barros, Roberto Bonvallet, Juan Brunet, Alberto Calder on, Jaime Carmi, Mar a Jos e Carmona, Juan Cataldo, Francisco Coca, Jorge Constanzo, Jorge Cornejo, Claudio Corval an, Felipe Cruz, Hector Cruz, Jorge Delgado, Cristian Dur an, Ren e Fuentes, Katherine Gallardo, Cristina Garc a, Pablo Garrido, Juan Gonz alez, Marcela Gonz alez, Jorge Guerrero, Leonel Hern andez, Bernardo Jerez, Christopher Jervis, Andy Larr azabal, Roberto Le on, Daniela Le on, Fernando Mancilla, Marcelo Manr quez, Claudia Mart nez, Carolina Mellings, Roberto Navarro, Marco N un ez Guillermo Oyarz un, Gregorio Paz, Fernando Perez, Johanna Pino, Marcos Quezada, Veronica Ramirez, Cristian Rogel, V ctor Rojas, Erika Rosas, Richard Rossel, Luis Salinas, Cristian San Martin, Ronnie Sanchez, Pablo Sep ulveda, Omar Soto, Jos e Subiabre, Natalia S anchez, Claudio Torres, Eduardo Torres, Gonzalo Vald es, Ver onica Valencia, Igor Venegas, Diego Vicencio, Werner Voss, F elix V asquez.
Parte 1
Introducci on a MATLAB
1. (a)[8, P. 39,1.1] Inicie MATLAB. En la ventana de comandos inserte x=-1:0.1:1, luego ejecute una a una las siguientes instrucciones, escribi endolas y apretando cada vez la tecla de return o enter (denotando esta acci on por el s mbolo ): sqrt(x) cos(x) sin(x) x.^2 plot(x, sin(x.^3)) plot(x, cos(x.^4)) Examine cuidadosamente el efecto de cada instrucci on. sqrt(x) :Retorna un vector con la ra z cuadrada de cada coeciente original. cos(x) :Retorna un vector con el coseno de cada coeciente original. sin(x) :Retorna un vector con el seno de cada coeciente original. x.^2 :Retorna un vector con el cuadrado de cada coeciente original. plot(x, sin(x.^3)) :Graca cada coeciente de x v/s el seno de su cubo. plot(x, cos(x.^4)) :Graca cada coeciente de x v/s el coseno del coeciente a la cuarta. (b)Ejecute las siguientes instrucciones y explique los resultados: x=[2 3 4 5] y=-1:1:2 x.^y x.*y x./y x=[2 3 4 5] :Crea el vector la x y=-1:1:2 :Crea un vector la y con coecientes que van desde -1 a 2 inclusives, en intervales de 1 (i.e. y=[-1 0 1 2]). x.^y :Crea un nuevo vector la cuyos coecientes son el coeciente correspondiente de x elevado al coeciente correspondiente de y. x.*y :Crea un nuevo vector la cuyos coecientes son la multiplicaci on de los correspondientes coecientes de x e y x./y :Crea un nuevo vector la cuyos coecientes son la divisi on de los correspondientes coecientes de x e y t 2. (a)[8, P. 39,1.2]Ingrese la matriz [1 5 8;84 81 7;12 34 71] en la ventana de comandos y examine el contenido de A(1,1), A(2,1), A(1,2), A(3,3), A(1:2,:), A(3,:), A(:,2:3).
A(1, 1) = A(2, 1) = A(1, 2) = A(3, 3) = A(1 : 2, :) =
1 84 5 71
1 5 8 84 81 7 1 A(:, 1) = 84 12 A(3, :) =
12 34 71 5 8 A(:, 2 : 3) = 81 7 34 71
(b)Qu e resultados producen los siguientes comandos? x=1:1:10, z=rand(10), y=[z;x], c=rand(4), e=[c eye(size(c)); eye(size(c)) ones(size(c))],
Ejercicios Resueltos
d=sqrt(c), t1=d*d, t2=d.*d. x = 1 : 1 : 10 = z = rand(10) = y = [z; x] = c = rand(4) = e = d = sqrt(c) = t1 == d d = t2 = d. d = 1 2 3 4 5 6 7 8 9 10

a1,1 . . . a10,1 a1,1 a2,1 . . . a9,1 a10,1 1 a1,1 . . . a4,1 a1,1 . . . . . . a4,1 1 0 0 0 b1,1 . . . b4,1 ... .. . ... a1,10 . . . a10,10 ...
,
a1,9
0 < aij < 1

a1,10 a2,10 . . .
a1,2 .. .
..
. .. .
0 < aij < 1
a10,2 2 ... .. . ... ... .. .
... ...
a10,9 9
a9,10 a10,10 10
a1,4 . . . a4,4 ...
,
a1,4 . . . . . . a4,4 0 0 0 1
0 < aij < 1

1 0 0 0 1 1 1 1 0 1 0 0 1 1 1 1 0 0 1 0 1 1 1 1 0 0 0 1 1 1 1 1
... 0 1 0 0 ... .. . ...
. ... 0 0 1 0 b1,4 . . . b4,4
..
0 < aij < 1
, bij =
... .. . ...
aij
b1,1 b1,1 + . . . + b1,4 b4,1 . . . b4,1 b1,1 + . . . + b4,4 b4,1 b2 1,1 . . . 2 b4,1 ... .. . ... b2 1,4 . . . 2 b4,4
b1,1 b1,4 + . . . + b1,4 b4,4 . . . b4,1 b1,4 + . . . + b4,4 b4,4
3. [8, P. 39,1.4]Resuelva el sistema de ecuaciones: 2x + 2y + 5z = 5 2x + 2y + 4z = 7 x + 3y + 3z = 6 usando la funci on inv de MATLAB y tambi en usando los operadores \ y / en la ventana de comandos. Verique la correcci on de sus resultados mediante multiplicaci on de matrices A=[2 1 5;2 2 3;1 3 3] b=[5 7 6] x=inv(A)*b x=A\b b=b A=A y=b*inv(A) y=b/A
Algebra Lineal
t 4. [8, P. 39,1.12] Un metodo iterativo para resolver la ecuaci on x2 x 1 = 0 viene dado por xr+1 = 1 + (1/xr ), r = 0, 1, 2, . . . ; escriba un script de MATLAB que, partiendo de un x0 dado, por ejemplo x0 = 2, resuelva esa ecuaci on. Como criterio de detenci on use abs(xr+1 xr ) <0.0005; incluya una vericaci on de la soluci on. Codigo: x ant=input(Ingrese numero inicial: ); x new = 1 + 1/x ant; while abs(x new - x ant) > 0.0005 x ant=x new; x new= 1 + 1/x ant; end disp(La soluci on encontrada es: ) x new disp(La comprobaci on es: ); Comprobacion=x new2 -x new-1 Salida por pantalla: Ingrese numero inicial: 2 La soluci on encontrada es: x new = 1.6180 La comprobaci on es: Comprobacion= -1.2625e-004 t 5. [8, P. 39,1.17]Escriba una funci on de MATLAB que resuelva la ecuaci on cuadr atica ax2 + bx + c = 0. La funci on debe usar como par ametros de entrada a, b, c R y como valores de salida debe entregar las dos ra ces. Debe Ud. considerar los tres casos cl asicos: (i) ninguna raiz real (ra ces complejas), (ii) raices reales diferentes, y (iii) raices iguales. Zusatz : repita este ejercicio con a, b, c C. Para este problema se cre o el siguiente c odigo MATLAB, con valores de entrada a, b, c que correspond an a los coecientes de la ecuaci on. Este c odigo reconoce seg un los coecientes y el discriminante de la ecuaci on, el tipo de soluci on que va a resultar. El c odigo es el siguiente: function []=cuadratica(a,b,c) x=(-b+sqrt(b^2-4*a*c))/2*a; y=(-b-sqrt(b^2-4*a*c))/2*a; disp( ); if (imag(a)==0 & imag(b)==0 & imag(c)==0) disp(strcat(num2str(a),x^2+,num2str(b),x+,num2str(c),=0)); else disp(strcat((,num2str(a),)x^2+(,num2str(b),)x+(,num2str(c),)=0)); end if (b^2-4*a*c<0) disp( ); disp(Esta ecuaci on admite dos soluciones complejas, las cuales son:); disp( ); disp(strcat(X1=,num2str(x), y X2=,num2str(y))); disp( ); end if (b^2-4*a*c>0) disp( ); disp(Esta ecuaci on admite dos soluciones reales diferentes, las cuales son:); disp( ); disp(strcat(X1=,num2str(x), y X2=,num2str(y))); disp( );
end if (b^2-4*a*c==0) disp( ); disp(Esta ecuaci on admite una soluci on real que es:); disp( ); disp(strcat(X=,num2str(x))); disp( ); end t 6. [8, P. 39,1.18] Escriba una funci on simple para denir f (x) = x2 cosx x y graque la funci on en el rango de 0 a 2. Use este gr aco para hallar un valor inicial aproximado a la ra z y luego aplique la funci on fzero para hallar la ra z con una tolerancia de 0, 0005. % Esta funcion sirve para calcular y graficar f(x) = x^2 - cos(x) - x function ejercicio6 count = fprintf(\nLa funcion es f(x) = a^2 - cos(b) - c \n \n); a = input (Ingresa un valor para a ); b = input (Ingresa un valor para b ); c = input (Ingresa un valor para c ); r = (a^2 - cos(b) - c); z = fzero(x.^2-cos(x)-x, 1); fplot (x.^2-cos(x)-x, [0 2]); count = fprintf(\nLa solucion es %g \n, r ); count = fprintf(La funcion fzeros entrega %g \n, z); end t
Parte 2
Recapitulaci on de la Geometr a Vectorial Elemental Vectores y Planos en el Espacio Tridimensional
7. [3, P. 793]Sea OA = 35i 27j + k , OB = 15i + 11k . Hallar: (a)las coordenadas del punto medio de AB ; (b)las coordenadas del punto P que est e sobre la prolongaci on AB y que cumpla con AP : BP = 19 : 9. (a)Coordenadas del punto medio AB: AB = OB OA (15i + 11k ) (35i 27j + k ) = AB (20i + 27j + 10k ) = AB Las coordenadas del punto medio est an dadas por AB 2 (b)Coordenadas del punto P que est a sobre la prolongaci on de AB y adem as AP : BP = 19 : 9 AP BP AP supongamos P = (x, y, z ) (x 35, y + 27, z 1) = x 35 = y + 27 = Desarrollando cada ecuaci on se tiene: x 35 = 10 3 3 = =
19 9 x
= =
19 9 19 BP 9
19 (x 15, y, z 11) 9 19 (x 15) 9 19 (z 11) 9

19 9 y 10 9 y
95 3
y + 27 = 27
243 10
z1 =
200 9
19 9 z
209 9
10 9 x
= =
= =
10 9 z
20
P = (3, 243 10 , 20)
8. [3, P. 794] Si los dos vectores OA y OB del problema 7. se multiplican por el escalar 1 7 8 1 (menos uno siete octavos), en qu e tanto % aumenta el m odulo del vector M N , siendo OM = 2 OA 2 y ON = 3 OB ? Del enunciado tenemos que: M N = ON OM La expresi on para el m odulo de M N es: MN = ON OM ON OM
Sea: = 1 7 a lo 8 . Si los vectores OA y OB son amplicados por el mismo escalar , resultar mismo con los vectores OM y ON (por la propiedad asociativa de la multiplicaci on de vectores). En
consecuencia, el m odulo del vector M N es amplicado por el valor absoluto de este escalar como se demostrar a a continuaci on.
MN
amplicado
= =
amplicado
ON OM ON OM ON OM ON OM
MN MN
amplicado
= =
amplicado amplicado
2 ON OM ON OM 2 ON OM ON OM
MN MN MN
amplicado
= || M N 15 MN 8 = 1,875 M N =
MN
amplicado
Por lo tanto, el m odulo del vector M N aument o en un 87.5 %. 9. [3, P. 802]Calcular el angulo formado por los vectores i + 2j 2k e i + j + k .
Zusats 2003 : (a) Descomponga ambos vectores en t erminos de los vectores unitarios correspondientes a las diagonales de los octantes {x 0, y 0, z 0},{x 0, y 0, z 0},{x 0, y 0, z 0}. (b) Determine la respectiva proyecci on de cada vector sobre el otro. Sabemos que
|U V | = U V cos() |U V | = 1 + 2 2 = 1 U V cos() = 1 U = 1+4+4= 9=3 V = 1+1+1= 3 1 cos() = 3 3 1 = arc cos( ) = 78, 9o 3 3
10 (a)Descomposici on: u = diagonal en el cuadrantex 0, y 0, z 0 1 u = (i + j k ) 3 v = diagonal en el cuadrantex 0, y 0, z 0 1 v = (i j + k ) 3 w = diagonal en el cuadrantex 0, y 0, z 0 1 w = (i + j + k ) 3 1 = (i j k ) 3 3 3 3 u+ 3 v + 2 3w i + 2j 2k = 2 2 i + j + k = 3w
Algebra Lineal
(b)Proyecci on:
A proyB = A cos() =
|A B | B
Como ya se vi o, cos() =
1 . 3 3
A = i + 2j 2k sobre B = i + j + k : A = 12 + 22 + (2)2 = 3 1 1 A cos() = 3 = 3 3 3
A = proyB =
B = i + j + k sobre A = i + 2j 2k : B = 12 + 12 + 12 =
B = proyA =
3 1 1 3 = 3 3 3 t
B cos() =
10. [3, P. 804] Determinar un n umero tal que los vectores 3i 4j + 5k y 8i 9j + k sean perpendiculares entre s . (a)Existen valores de para los cuales el angulo entre los vectores precedentes 3 es 11 [radianes]? Si existen, determ nelos todos. (b)Existen valores de tales que la proyecci on del vector dependiente de sobre el otro es el 29 % de la longitud euclidiana de este u ltimo? Si tales existen, determ nelos todos. Para encontrar un que haga que ambos vectores sean perpendiculares entre si, nos basamos en que: uv =0 Siendo u y v los vectores dados, tenemos que:
11
(3, 4, 5) (8, 9, ) = 3 8 + 4 9 + 5 60 + 5 5
= = = =
0 0 60 12
(a)Sabemos que cos(u, v ) =
u v u v
. Usando esta ecuaci on, tenemos que: cos 3 11 = (3, 4, 5) (8, 9, ) 5 2 2 + 145 5 + 60 5 2 2 + 145 + 12 22 + 290
0,65 = 0,65 =
0,65 22 + 290 = + 12 0,842 + 121,8 = 2 + 24 + 144 0,162 + 24 + 22,2 = 0 Resolviendo la ecuaci on de segundo grado, tenemos que los valores de para los cuales se cumple la condici on son: 1 = 0,93 2 = 149,06 (b)Lo que se nos pide es encontrar un tal que:
v proyu = 0,29 u
= 0,29 5 2
Como la proyecci on es un resultado vectorial, utilizaremos la norma del vector, y por lo tanto, el valor absoluto de : (3, 4, 5) (8, 9, ) (3, 4, 5) (5 2)2 5 + 60 5 2 (5 2)2 + 12 | |5 2 10 + 12 | | 10 Con esto tenemos que: 0,29 + 12 2,9 14,9
+12 10
= 0,29 5 2 = 0,29 5 2 = 0,29 5 2 = 0,29
0,29 + 12 2,9 9,1 t
+12 10
12
Algebra Lineal
11. [3, P. 805] Para que valor de c el vector j c(i + k ) es perpendicular al vector 5k c(2i + j )? 4 Zusatz 2003 : (a)Existen valores de c para los cuales el angulo de los vectores precedentes es 11 [radianes]? Si existen determ nelos todos. (b)Existen valores de c tales que la proyecci on del mayor de ellos sobre el menor es el 13 % de la longitud euclidiana de este u ltimo? Si tales c existen, determ nelos todos. V1 = ci + j ck V2 = 2ci cj + 5k V1 V2 = V1 V2 cos(), (c, 1, c) (2c, c, 5) = 0 2c2 6c = 0 c1 = 0 c2 = 3 (a) =
4 11 [radianes]
cos() = 0
V1 V2 = 2c 6c = 2c2 6c = (b)
2
V1
V2 cos() (2c)2 + (c)2 + 52 cos()
(c)2 + (1)2 + (c)2
10c4 + 55c2 + 25 cos()
V1 proyV 2
= 0,13 V 2 = V 1 cos() V1 V2 cos() V1 cos()
V1 V2 = 0,13 V2 =
0,13(2c2 ) = 2c2 + 6C 1,74c2 6c 0,13 = 0 X1 = 2 X2 = 1,45 t 12. [3, P. 808] Determinar el vector 3a 5b 4a + 7b , sabi endose que a b = i + 2j 3k . Primero que todo es necesario aclarar que el producto cruz entre un vector y el mismo da como resultado 0.
=0 =0
3 a 5b 4 a + 7b
= 12 a a +21a b 20b a + 35 b b = 21a b + 20a b = 41a b
3a 5b 4a + 7b
= 41i + 82j 123k t
13. [3, P. 809] Si a b = 1, cu anto vale euclideana del vector v Sean 2 vectores a, b R3 cualesquiera:
8a + b 8a b
? Nota: v denota la norma
13
a = Ax i + Ay j + Az k b = Bx i + By j + Bz k Por la denici on del producto cruz
i j k a b = Ax Ay Az Bx By Bz = (Ay Bz By Az )i (Ax Bz Bx Az )j + (Ax By Bx Ay )k
Tambi en sabemos que:
ab = En nuestro caso tenemos:
(Ay Bz By Az )2 + (Ax Bz Bx Az )2 + (Ax By Bx Ay )2
i j k (8a + b) (8a b) = 8Ax + Bx 8Ay + By 8Az + Bz 8Ax Bx 8Ay By 8Az Bz = (8Ay + By )(8Az Bz ) (8Ay By )(8Az + Bz ) i (8Ax + Bx )(8Az Bz ) (8Ax Bx )(8Az + Bz ) j + + (8Ax + Bx )(8Ay By ) (8Ax Bx )(8Ay + By ) k = 16(Az By Ay Bz )i 16(Az Bx Ax Bz )j + 16(Ay Bx Ax By )k Entonces:
(8a + b) (8a b) (8a + b) (8a b) (8a + b) (8a b)
= = 16
162 (Az By Ay Bz )2 + 162 (Az Bx Ax Bz )2 + 162 (Ay Bx Ax By )2 (Az By Ay Bz )2 + (Az Bx Ax Bz )2 + (Ay Bx Ax By )2
= 16 a b = 16 t
14. [3, P. 810] Sea a = 17i j + k , b = 5i + 6j 7k . Determinar: (a)un n umero c tal que a + cb b + ca = 0; (b)un n umero x tal que el vector a b sea perpendicular al vector xi + 25j + 6k . Zusatz 2003 : (c)todos los n umeros t tales que la proyecci on del vector a b sobre el 3 2 2 vector t i 5t j + (6 2t + 5t )k equivale al 3,141592653 de la longitud euclideana de a b.
14 (a)Sean los vectores a = (17, 31, 1), b = (5, 6, 7) y c un escalar. a + cb b + ca = 0 (17, 31, 1) + c(5, 6, 7) (5, 6, 7) + c(17, 31, 1) = 0 (17, 31, 1) + (5c, 6c, 7c) (5, 6, 7) + (17c, 31c, c) = 0 17 + 5c, 31 + 6c, 1 7c 5 + 17c, 6 31c, 7 + c = 0 Producto cruz de los vectores: i j k 17 + 5c 31 + 6c 1 7c 5 + 17c 6 31c 7 + c i 31 + 6c 1 7c 6 31c 7 + c j 17 + 5c 1 7c 5 + 17c 7 + c +k 17 + 5c 31 + 6c 5 + 17c 6 31c
Algebra Lineal
= 0
= 0
(31 + 6c)(7 + c) (1 7c)(6 31c) i (17 + 5c)(7 + c) (1 7c)(5 + 17c) j + + (17 + 5c)(6 31c) (31 + 6c)(5 + 17c) k = 0 (217 31c 42c + 6c2 ) (6 31c 42c + 217c2 ) i (119 + 17c 35c + 5c2 ) (5 + 17c 35c 119c2 ) j + + (102 527c + 30c 155c2 ) (155 527c + 30c + 102c2 ) k = 0 217 31c 42c + 6c2 6 + 31c + 42c 217c2 i+ + 5 + 17c 35c 119c2 + 119 17c + 35c 5c2 j + + 102 527c + 30c 155c2 + 155 + 527c 30c 102c2 k = 0 211c2 + 211 i + 124c2 + 124 j + 257c2 + 257 k = 0i + 0j + 0k
Igualando los componentes de i, j y k , se obtienen las siguientes ecuaciones: 211c2 + 211 = 0 124c2 + 124 = 0 257c2 + 257 = 0 Luego se despeja el valor de c, obteniendo los valores: c = 1 y c = 1. (b)Para que los vectores a b y xi + 25j + 6k sean perpendiculares, se debe cumplir que el producto punto entre ambos sea igual a 0. Primero se obtiene el producto cruz entre los vectores a y b. ab = i j k 17 31 1 5 6 7
= i(217 6) j (119 5) + k (102 + 155) = 211i + 124j + 257k
15
Luego, se hace el producto punto, para que se cumpla la perpendicularidad. (211, 124, 257)(x, 25, 6) = 0 211x + 25 124 + 6 267 = 0 Se despeja x: 4642 211 x = 22 x = Por lo tanto, para que los vectores sean perpendiculares, x debe ser igual a -22. (c)Sean los vectores v1 = t3 i 5t2 j + (6 2t + 5t2 )k y v2 = a b = 211i + 124j + 257k . La proyecci on de v2 sobre v1 es: proyv1 v2 cos v2 v1 v2 v2 v1 v2 v1 v2 Los m odulos respectivos de los vectores son: v1 v2 = v2 125946 = = t6 + 25t4 + (6 2t + 5t2 )2 = t6 + 50t4 20t3 + 64t2 24t + 36 2112 + 1242 + 2572 = 44521 + 15376 + 66049 = % v2 = % v2 = % v2 = % v1 v2
Ahora, se reemplazan los datos en la ecuaci on: (t3 , 5t2 , 6 2t + 5t2 )(211, 124, 257) = % (211t3 + 665t2 514t + 1542) = % Elevando la ecuaci on al cuadrado, se obtiene: (211t3 + 665t2 514t + 1542)2 = %2 (t6 + 50t4 20t3 + 64t2 24t + 36)(125946) 44397t6 + 280630t5 + 219102t4 + 30416t3 + +2307120t2 1582200t + 2373300 = 0 Las siguientes ra ces de la ecuaci on fueron obtenidas por MATLAB: t1 t2 t3 t4 t5 t6 = = = = = = 4, 5166 3, 8293 0, 5425 + 1, 2444i 0, 5425 1, 2444i 0, 4700 + 1, 2068i 0, 4700 1, 2068i t t6 + 50t4 20t3 + 64t2 24t + 36 125946 t6 + 50t4 20t3 + 64t2 24t + 36 125946
16
Algebra Lineal
15. [3, P. 812] Sea a = i + 2j + 3k , b = 4i 5j + k . Determinar un vector v tal que se cumplan las relaciones v a = 0 y v b = a b. Sea v = xi + y j + z k , entonces v a = (x + 2y + 3z ) = 0 Si x = y = 1 z = 1 Por lo tanto:
v =i+jk Sea v = xi + y j + z k , v b = a b. y + 5z = 17 4z - x = 11 - 5x - 4y = -13 Efectuando reducci on por las a la matriz correspondiente al sistema anterior obtenemos el sistema: x - 4z = -11 y + 5z = 17 0 = 0 Entonces: x = -11 + 4z y = 17 - 5z z=z Finalmente:
v = (11 + 4z, 17 5z, z ) (i, j, k ) = (11, 17, 0) (i, j, k ) + z (4, 5, 1) (i, j, k ) = (11, 17, 0)(i, j, k ) + z b
La soluci on est a compuesta por los puntos de la recta paralela a b y que pasa por el punto (11, 17, 0) (i, j, k ). t 16. [3, P. 820] Si a = 5i + 3j , b = 11i + 7j determinar un vector v que cumpla con las condiciones v a = 0 y v a = a + b. Sea v = (x, y, z )
v a = 0 (x, y, z ) (5, 3, 0) = 5x + 3y + 0z = 0 Adem as:
17
va = a+b i j k = (6, 10, 0) x y z 5 3 0 i(3z ) j (5z ) + k (3x + 5y ) =
Del determinante se obtiene: 3x + 5y = 0 z = 2
Del producto punto obtenemos: 5x + 3y + 0z = 0 Finalmente x = y = 0. Por lo tanto, el vector v es (0, 0, 2) o 2k t
17. [3, P. 824] Sea: a = i + j k , b = 2i j + 4k , c = 7i + 2j + 3k . Determinar dos escalares y tales que c = a + b. Tenemos: a = (1, 1, 1) b = (2, 1, 4) c = (7, 2, 3) Resolviendo (7, 2, 3) = (1, 1, 1) + (2, 1, 4) obtenemos que: = 5/ 3 = 11/3 t 18. [3, P. 836] Que angulo forman entre s los planos con las ecuaciones z = 2 6x 7y , z = 1 8x + 7y ? Sean E1 : 6x + 7y + z = 2 y E2 : 8x 7y + z = 1. Sean n 1 y n 2 las normas para los respectivos vectores: n 1 = (6, 7, 1) n 2 = (8, 7, 1)
18 Por lo tanto tenemos que: ( n1 n 2) n 1 n 2 (6, 7, 1)(8, 7, 1) 36 + 49 + 1 64 + 49 + 1
Algebra Lineal
cos() = =
:0 + 48 49 1 =
86 114
= 0 Por lo tanto
cos = 0 = = 2 t 19. [3, P. 837] Si A = (4, 1, 1), B = (1, 4, 5), qu e vector es la proyecci on del vector AB sobre el plano con ecuaci on 3x 12y + 4z = 4? 3 12 + 4 4 16 + 4 4 3 2 9 1 + 16 + 25 9 42 n n 1 (3, 12, 4) 13
AL = = BL = = n = = Luego la longitud
= AL BL 9 9 = 18 42 0, 73 Por lo tanto multiplicando el vector unitario n por la longitud 0, 73 (3, 12, 4) 13 0, 056(3, 12, 4)
n =
Luego por suma de vectores
19
AB proyL = AB n = (3, 3, 4) 0, 056(3, 12, 4) = (3,16, 3,67, 3,77)
t 20. [3, P. 841] Una recta L est a dada como intersecci on de dos planos con las ecuaciones: 3xy +4z = 8, 24x + 5y 3z = 6. Determinar la proyecci on de la recta L sobre el plano z = 0. Zusatz 2003 : (a)Determinar la proyecci on de la recta L sobre el plano x 2y + 3 3z = 5. (b)Los planos dados, son subespacios vectoriales de R3 ? Los respectivos vectores normales corespondientes a P1 y a P2 son los siguientes: N 1 = (3i 1j + 4k ) N 2 = (24i + 5j 3k ) Haciendo el producto cruz entre los vectores normales se obtiene el vector director de la recta L v = N1 N2 = i j k 3 1 4 24 5 3
= i(3 20) j (9 96) + k (15 + 24) = 17i + 105j + 39k Ahora, considerando z = 0, se puede determinar el punto del plano por donde pasa la recta. Haciendo un sistema de ecuaciones determinaremos x e y . 3x y = 8 24x + 5y = 6 58 13
= x =
46 39 e
y=
58 Por lo tanto, el punto P0 = 46 on de la recta 39 , 13 , 0 es un punto que pertenece a la recta. La ecuaci est a denida por: x = P0 + tv con t R
x = (x, y, z ) 46 58 = , , 0 + t(17,105,39) 39 a3 (a)Se tiene el vector normal N3 = (1, 2, 3) y el vector director de la recta v (17, 105, 39). Haciendo el producto cruz entre ambos vectores se obtiene un vector que resulta paralelo al plano: N4 = N3 v i j k = 1 2 3 17 105 39 = i(39 2 105 3) j (39 + 17 3) + k (105 17 2)
20
Algebra Lineal
Podemos tomar este vector como el vector normal de un plano 4 (que adem as contiene a la recta) y que es perpendicular al plano 3 . La ecuaci on del plano est a dada por: 4 = (x, y, z ) 46 58 , ,0 39 13 (39 2 105 3, 39 17 3, 105 17 2)
Teniendo estos planos con sus respectivos vectores normales N3 y N4 puede sacarse la proyecci on de la recta en el plano 3 = x 2y + 3z = 5 de la siguiente manera: i j k 2 3 1 39 2 105 3 39 + 17 3 105 17 2 = i(105 2 + 34) j (420 17 2 + 39 6) + k (39 + 17 3 78 105 6)
v2 = N3 N4 =
y realizando un sistema de ecuaciones entre 3 y 4 se puede despejar el punto P0 contenido en la recta. Por lo tanto queda de la forma: L = P0 + tv2 cont R (b)Para que sean subespacios vectoriales debe cumplirse que: 1. n = 2. u + v n con , R; u, v n Evaluando estas condiciones en n no se cumple la primera condici on ya que el (0, 0, 0), no pertenece a ninguno de los planos. Por lo tanto los planos dados no son subespacios vectoriales. t 21. [3, P. 842] Los planos con las ecuaciones: 4x + 2y + z = 8, x + y 10z = 0, tienen una recta de intersecci on. Calcular el angulo de inclinaci on de esta recta con respecto al plano 9x 5y 3z = 1. Se tienen los planos (2.1) (2.2) 4x + 2y + z = 8 x + y 10z = 0
Para obtener la intersecci on despejamos z de (2.2) z= y reemplazamos en (2.1) 4x + 2y + Luego, la recta de intersecci on es: 41x + 21y 80 = 0 Debemos buscar el angulo entre la recta anterior y el plano 9x 5y 3z = 1. Para esto utilizamos los vectores directores de la recta y el plano respectivamente. Sean v = (41, 21, 0), vector director de la recta, y w = (9, 5, 3), vector director del plano. Entonces, el angulo entre estos, esta dado por: x+y =8 10 x+y 10
21
cos() = = = = = Entonces:
vw w w (41, 21, 0) (9, 5, 3) (41, 21, 0) (9, 5, 3) 41 9 + 21 (5) 2 41 + 212 92 + (5)2 + (3)2 264 244030 ,5344
= arc cos(,5344) Finalmente, se tiene que = 57,69. t
22. [3, P. 847] Con cuales condiciones han de cumplir los seis coecientes a, b, c, f, g, h (todos y0 x0 z0 distintos de cero) para que la recta con las ecuaciones x = y = z sea perpendicular al a b c y z x plano con la ecuaci on f + g + h = 1? Tnemos que: x x0 y y0 z z0 = = =k a b c De esto sale su forma param etrica. La recta queda descrita por:
x = ka + x0 y = kb + y0 z = kc + z0 Y de esto obtenemos la forma vectorial, dada por: (x0 , y0 , z0 ) + k (a, b, c) Signica que nuestra recta es paralela con el vector (a, b, c). El plano est a descrito por la ecuaci on 1 1 1 a dado por los coecientes que f x + g y + h z = 1. El vector normal (perpendicular) al plano est 1 1 1 acompa nan a x, y y z , esto es, el vector ( f , g , h ). Para que la recta sea perpendicular al plano, debe ser paralela a la normal del plano. En otras palabras, los vectores unitarios que se obtienen dividiendo el vector directriz de la recta (hablamos de (a, b, c)), y el vector normal del plano ( este 1 1 1 es ( f , g , h )) por sus respectivas normas, deben ser iguales. (a, b, c) = 2 a + b2 + c2
1 1 1 (f , g, h) 1 f2
1 g2
1 h2
Entonces, las condiciones necesarias para los coecientes est an dadas por las siguientes ecuaciones, que se obtienen de igualar por coordenada:
22
Algebra Lineal
a2
a + b2 + c2
= f = g = h
1
1 f2
+ 1
1 g2
1 h2
b a2 + b2 + c2 a2 c + b2 + c2
1 f2
+ 1
1 g2
1 h2
1 f2
1 g2
1 h2
Elevando al cuadrado y reagrupando, se obtienen las condiciones: a2 + b2 + c2 1 1 + g12 + h 2 f2 a2 + b2 + c2 1 1 + g12 + h 2 f2 a2 + b2 + c2 1 1 + g12 + h 2 f2 t 23. [3, P. 875] Si A y B son dos matrices cuadradas del tipo n n (y con determinante = 0), determinar un n umero c tal que (cIn )2 + A(B A1 ) = (B 1 A1 )1 . (cIn )2 + A(B A1 ) = (B 1 A1 )1 (cIn )2 + A(B A1 ) = AB (cIn )2 + AB AA1 = AB (cIn )2 + AB I = AB (cIn )2 = I
2 c2 In = In
a2 f 2 = b2 g 2 = c2 h2 =
c2 In In c2 In c2 c
= = = =
In In 1 1 t
24. En estos ejercicios seguiremos la convenci on de escribir los vectores x Rn , n N, como vectores columna, esto es de la forma: x1 . n x = [x1 , . . ., x2 ]T = . . R , xn lo que, de paso, dene la operaci on [. . .]T de transposici on para vectores. Sean u = [1, 2, 1]T R3 , v = [1, 1, 3]T R3 , w = [ 2, 5, 1]T R3 . Describa gr acamente los siguientes conjuntos:
1 1 3 (a)P = 1 (b)Q = 3 v+4 v. 2 v + 2 v. (d)T = {(1 t)u + tv : 0 t 1}. (f)E = {u + w : , R}. 2 (c)R = 7 5v 5. (e)L = {(1 t)u + tv : t R}. (g)A = u + {v + w : , R}.
23
Adem as estudie las siguientes cuestiones: (h)Constituye {u, v, w} una base para R3 ? (i)De los conjuntos de la lista (a)-(g) Cu ales son espacios vectoriales? Para aquellos que lo sean, determine su dimensi on. (j)Para todos los espacios vectoriales de dimensi on 2 que aparezcan en la lista (a)-(g), determine una base ortonormal. (k)Como el lector sabe, la base can onica de R3 es {e1 , e2 , e3 }, con e1 = [1, 0, 0]T , e2 = [0, 1, 0]T , e3 = [0, 0, 1]T . Sea x = x1 e1 + x2 e2 + x3 e3 R3 un vector tal que tambi en se puede escribir en la forma x = 1 u + 2 v + 3 w R3 . Los n umeros xi , j se llaman coordenadas del vector x. Admite todo vector x R ambas representaciones? son u nicas? Cu ales son las reglas de transformasi on entre los xi y los j ?, esto es, cu ales son las expresiones de los j en t erminos de los xi y, rec procamente, de los xi en funci on de los j ? (a)Este conjunto est a conformado por el vector v . Tanto la suma, como el vector v son reejados en la g. 1.
1 Figura 1. P = 1 2v + 2v
(b)Este conjunto est a conformado por el vector v . Tanto la suma, como el vector v son reejados en la g. 2. (c)Este conjunto est a conformado por el vector v . Tanto la suma, como el vector v son reejados en la g. 3. (d)Este conjunto est a formado por el vector u, el vector v y todos los vectores que se ubiquen sobre la recta determinada por el vector resta v u. Esto se ve reejado en la g. 4. (e)Este conjunto est a formado por el vector u, el vector v y todos los vectores que se ubiquen sobre la recta determinada por el vector resta v u. Adem as lo conforman todas la amplicaciones del vector resta v u, es decir, la recta vectorial dada por v u. Esto se ve reejado en la g. 5 (f)Este conjunto est a formado por todos los vectores que forman el plano uw. Este plano y algunos de sus vectores se ven reejados en la g. 6
24
Algebra Lineal
3 Figura 2. Q = 1 3v + 4v
7 Figura 3. R = 5 v
2 5
(g)Este conjunto est a formado por todos los vectores que formen el paralelep pedo determinado por el plano vw y de grosor determinado por el vector u. Todo aquel vector que est e dentro de este paralelep pedo pertenece al conjunto A. Este paralelep pedo se ve reejado en la g. 7 (h)Se comprueba primero si estos vectores son linealmente independientes. Para esto se debe cumplir: u + v + w = (0, 0, 0), [1, 2, 1] + [1, 1, 3] + w[ 2, 5, 1]T = (0, 0, 0)
T
con , , R, y = = = 0
lo que genera el siguiente sistema de ecuaciones: + 2 = 0
2 + 5 = 0 + 3 = 0
25
Figura 4. T = {(1 t)u + tv : 0 t 1}
Figura 5. L = {(1 t)u + tv : t R} Al resolver este sistema se llega a la conclusi on de que = = = 0, lo que indica que los vectores u, v, w son linealmente independientes. La segunda condici on para que estos vectores sean base de R3 es que generen el espacio R3 , es decir que pueda obtener cualquier vector del espacio R3 a trav es de la combinaci on lineal de los vectores u, vyw. Sea t R3 , sean , , R: t = u + v + w lo que es verdadero. Concluyendo, {u, v, w} si constituye una base para R3 . (i)En los casos (a), (b) y (c) el conjunto resultado es el vector v . Este vector no es un espacio vectorial, ya que no cumple con ninguna de las condiciones: no contiene al vector cero, ni la suma ni la multiplicaci on de vectores es cerrada. En el caso (d) que es el conjunto T = {(1 t)u + tv : 0 t 1} tampoco existe el vector cero, es decir [0, 0, 0]T = (1 t)u + tv no se cumple. Para que se entienda mejor: [0, 0, 0]T = t(v u) + u
26
Algebra Lineal
Figura 6. E = {u + w : , R}
Figura 7. A = u + {v + w : , R} No hay ning un t entre 0 y 1 que cumpla con esta condici on, por lo que tampoco es un espacio vectorial. En el caso (e) que es el conjunto L = {(1 t)u + tv : t R} se verica que, al igual que en los casos anteriores, no existe el vector cero. Analizando, se debe cumplir: [0, 0, 0]T = t(v u) + u, es decir t(v u) = u Pero no existe t R que cumpla con esta condici on. Al reemplazar con los vectores dados, se elimina la primera componente en la resta v u y la igualdad queda como sigue: t[0, 1 es decir [0, t(1 2, 3 + 1]T = [1, 2, 1]T , 2), t( 3 + 1)]T = [1, 2, 1]T ,
27
lo que presenta la contradicci on: 0 = 1 Con lo que queda comprobado que no existe el vector cero en el conjunto y por lo tanto no es espacio vectorial. En el caso (f) que es el conjunto E = {u + w : , R} se verica que existe el vector cero, para = = 0. Ahora se debe comprobar si el conjunto es cerrado en la suma y en la multiplicaci on de vectores.Sean x, y E , sean , , , R, tal que: x = u + w y = u+ w Entonces se debe cumplir que (x + y ) E , con , R: x + y = (u + w) + ( u + w) x + y = u + w + u + w) x + y = ( + )u + (w + )w Lo que comprueba que el conjunto E es cerrado en la suma y en la multiplicaci on, por lo tanto si es un espacio vectorial, el espacio del plano vw. En el caso (g) que es el conjunto A = u + {v + w : , R} se verica que existe el vector cero, para (v + w) = u, lo que se cumple. Ahora se debe comprobar que el conjunto A es cerrado en la suma y en la multiplicaci on de vectores. Sean x, y A, sean , , , R, tal que: x = u + v + w y = u+v+ w Entonces se debe cumplir que (x + y ) A, con , R x + y = (u + v + w) + (u + v + w) x + y = ( + )u + ( + )u + (w + )w Esto se cumple s olo si + = 1, lo que indica que A no es cerrado en la suma ni en la multiplicaci on, por lo tanto el conjunto A no es un espacio vectorial. (j)El u nico espacio vectorial de dimensi on 2 en la lista, es el conjunto E. Dos vectores ortonormales son dos vectores unitarios y ortogonales entre si. Para encontrar dos vectores ortonormales que sean base del espacio, primero se busca dos vectores x, y E que sean perpendiculares entre si. Luego, los vectores tienen la forma: x = 1 u + 2 v y = 1 u + 2 v,
con 1 , 2 , 1 , 2 R
Para que x e y sean perpendiculares el producto punto entre ellos debe ser cero, lo que se expresa: xy = (1 u + 2 v )(1 u + 2 v ) = 0 1 1 uu + 1 2 uv + 2 1 vu + 2 2 vv = 0 1 1 uu + (1 2 + 2 1 )uv + 2 2 vv = 0 Supongamos ahora que x = u, es decir 1 = 1 y 2 = 0. Remplazando estos valores en la ecuaci on anterior:
28
Algebra Lineal
1 uu + 2 uv = 0 1 (1, 2, 1)(1, 2, 1) + 2 (1, 2, 1)( 2, 5, 1) = 0 1 (1 + 2 + 1) + 2 (1 2 10) = 0 ( 2 + 10 1) 1 = 2 4 De esta manera, si nos damos en valor 2 = 4, obtenemos 1 = 2 + 10 1. Luego: y = 1 u + 2 v = ( 2 + 10 1)(1, 2, 1) + ( 2, 5, 1) = ( 10 1 3 2, 2 2 2 5, 2 10 3) De este modo, ya tenemos u, y E , dos vectores perpendiculares entre si. Veamos ahora si son linealmente independientes: u + y = (0, 0, 0), (1, sqrt2, 1) + ( 10 1 3 2, 2 2 2 5, 2 10 3) = (0, 0, 0) de lo que se obtiene el sistema de ecuaciones: + ( 10 1 3 2) = 0 (sqrt2) + (2 2 2 5) = 0 + ( 2 10 3) = 0 de lo que se concluye que = = 0, por lo que u, y son linealmente independientes. Lo u nico que falta para que u, y constituyan una base ortonormal, es que ambos sean unitarios. Esto se obtiene como sigue: u = = y = = u u con , R
(1, 2, 1) 2 y y ( 10 1 3 2, 2 2 2 5, 2 10 3) ( 10 1 3 2)2 + (2 2 2 5)2 + ( 2 10 3)2
Por lo tanto la base ortonormal de E es {u , y }. (k)Si, todo vector x R3 admite ambas representaciones, ya que tanto {u, v, w} como {e1 , e2 , e3 } son bases de R3 , es decir, generan cualquier vector x R3 . Claro que son u nicas, una combinaci on lineal determinada de los vectores de alguna base del espacio vectorial, da origen s olo a un vector. Cada vector est a un vocamente determinado por una combinaci on lineal de los vectores de una de las bases; otra combinaci on lineal de los vectores de la misma base no puede generar el mismo vector. Se est a pidiendo hacer un cambio de base, de modo que encontremos: x = x1 e1 + x2 e2 + x3 e3 = 1 u + 2 v + 3 w x1 [1, 0, 0] + x2 [0, 1, 0]T + x3 [0, 0, 1]T = 1 [1, 2, 1]T + 2 [1, 1, 3]T + 3 [ 2, 5, 1]T
T
De esto se obtiene el siguiente sistema de ecuaciones:
29
x1 = 1 + 2 23 x2 = 21 + 2 53 x3 = 1 + 32 3 que son las expresiones de los xi en funci on de los j . De estas mismas ecuaciones despejamos los j en t erminos de los xi , de lo que se obtiene: x1 x2 + ( 2 5)3 1 = (1 2) x1 + x3 + (1 + 2)3 2 = (1 + 3) Reemplazando estos valores en una de las ecuaciones se llega al valor de 3 en funci on de x1 , x2 yx3 : 6)x1 + (1 + 3)x2 (1 2)x3 3 = (2 3 + 2 5 15) Reemplazando a su vez esto en las expresiones de 1 y 2 obtenemos las expresiones de estos en funci on de x1 , x2 y x3 . (1
x1 +(1+ 3)x2 (1 2)x3 x1 x2 + ( 2 5)[ (1 6) ] (2 3+2 5 15) (1 2) (16)x1 +(1+3)x2 (12)x3 x1 + x3 + (1 + 2)[ ] (2 3+2 5 15) (1 + 3)
1 =
2 =
Parte 3
Recapitulaci on del Algebra Lineal Elemental
25. [1, cf. P. 5] Sean U = {(x, y, z ) R3 : x y + z = 0}, V = {(x, y, z ) R3 : 2x y 2z = 0}, ambos equipados con la estructura de espacio vectorial can onica. Determine U V y U + V := {u + v : u U, v V }. Son U V y U + V := {u + v : u U, v V } espacios vectoriales? Primero diremos que: W = U V = x 3z = 0 E = U +V = 3x 2 y z = 0
Ahora falta demostrar que W y E son espacios vectoriales, y lo haremos demostrando el caso general donde F = {(x, y, z ) R : x + y + z = 0}. En efecto: (0, 0, 0) F , luego F = . Sean u = (x, y, z ), v = (x , y , z ) F luego x + y + z = 0 x + y + z = 0 por lo tanto u + v = (x + x , y + y , z + z ) F Por otra parte si R, u = (x + y + z ) = 0. Luego, (x) + (y ) + (z ) = (x + y + z ) = 0 y en consecuencia Ru E, con u F t
= (x + x ) + (y + y ) + (z + z ) = 0
Por lo tanto F , y obviamente W y E , son espacios vectoriales. 26. [11, P. 110,10] Cu ales de los siguientes subconjuntos de R3 son subespacios vectoriales?
(a)El conjunto de los vectores (b1 , b2 , b3 ) R3 con b1 = 0. (b)El conjunto de los vectores (b1 , b2 , b3 ) R3 con b1 = 1. (c)El conjunto de los vectores (b1 , b2 , b3 ) R3 con b1 b2 b3 = 0. (d)El conjunto de los vectores (b1 , b2 , b3 ) R3 con b1 + b2 + b3 = 0. (e)El conjunto de los vectores (b1 , b2 , b3 ) R3 con b1 b2 b3 = 0. (f)Todas las combinaciones lineales de los vectores v = (1, 4, 0) y w = (2, 2, 2). (g)Todas los vectores u ortogonales (perpendiculares)a los vectores v y w precedentes.Qu e forma tienen todos estos vectores u?. (a)Sea W = {(b1 , b2 , b3 ) R3 /b1 = 0 } Tomamos 2 vectores pertenecientes a W y comprobamos si se cumple (W,+,). Sea v = (0, 1 , 2 ) y w = (0, 1 , 2 ) W , v + w = (0, 1 + 1 , 2 + 2 ). Este vector v + w W . Por lo tanto se cumple la (+). v = (0, 1 , 2 ). Tambi en W , por lo que tambi en se cumple la (). Por la tanto W es un subespacio vectorial de R3 .
33
(b)Sea W = {(b1 , b2 , b3 ) R3 /b1 = 1 }. Tomamos 2 vectores pertenecientes a W y comprobamos si se cumple (W,+,). Sea v = (1, 1 , 2 ) y w = (1, 1 , 2 ) W , v + w = (2, 1 + 1 , 2 + 2 ). Este vector v +w W . Por lo tanto no se cumple la (+). v = (1, 1 , 2 ). v W , por lo que se cumple la (). Por la tanto W no es un subespacio vectorial de R3 . (c)Sea W = {(b1 , b2 , b3 ) R3 /b1 b2 b3 = 0}. Tomamos 2 vectores pertenecientes a W y comprobamos si se cumple (W,+,). Sea v =(1 , 2 , 3 ) y w=(1 , 2 , 3 ) W v + w = (1 + 1 , 2 + 2 , 3 + 3 ), (1 + 1 )(2 + 2 )(3 + 3 ) = 0.
Como se puede observar este vector v + w W porque la multiplicaci on de los elementos del vector no da 0. Por lo tanto no se cumple la (+). En concecuencia, W no es un subespacio vectorial de R3 . (d)Sea W = {(b1 , b2 , b3 ) R3 /b1 + b2 + b3 = 0}. Tomamos 2 vectores pertenecientes a W y comprobamos si se cumple (W,+,) Sea v =(1 , 2 , 3 ) y w=(1 , 2 , 3 ) W v + w = (1 + 1 , 2 + 2 , 3 + 3 ). Como podemos observar (1 + 1 + 2 + 2 + 3 + 3 ) = 0 . El vector v + w W . Por lo tanto se cumple la (+). v = (1 , 2 , 3 ). Como podemos observar (1 + 2 + 3 ) = (1 + 2 + 3 ) = 0, entonces v W , por lo que se cumple la (). Finalmente, se puede decir que W es un subespacio vectorial de R3 . (e)Sea W = {(b1 , b2 , b3 ) R3 / b1 b2 b3 }. Tomamos 2 vectores pertenecientes a W y comprobamos si se cumple (W,+,) Sea v =(1 , 2 , 3 ) y w=(1 , 2 , 3 ) W v + w = (1 + 1 , 2 + 2 , 3 + 3 ). Como podemos observar 1 + 1 2 + 2 , puesto que 1 1 2 + 2 2 2 2 2 3 + 3 3 3 .
Entonces este vector v + w W . Por lo tanto se cumple la (+). v = (1 , 2 , 3 ). Como podemos observar (1 2 3 ). Si dividimos por obtenemos 1 2 3 . Entonces v W , por lo que se cumple la (). Por la tanto W es un subespacio vectorial de R3 .
34
Algebra Lineal
(f)Sea v =(1,4,0) y w=(2,2,2) . Si analizamos la dependencia lineal de estos vectores tenemos que: 1 v + 2 w = 0. Desarrollando obtenemos el siguiente sistema: 1 + 2 2 = 0 4 1 + 2 2 = 0 2 2 = 0 Lo que arroja que 21 = 0 y 22 = 0. Por lo tanto los vectores son L.I entre si, por lo que podemos decir que es un subespacio vectorial de R3 . Por la tanto v = (1, 4, 0) y w = (2, 2, 2) son un subespacio vectorial de R3 . (g)Sea v = (1, 4, 0) y w = (2, 2, 2) . Sea u = (a, b, c). Para que v y w sean ortogonales el producto interno tiene que ser 0. uv = 0 uw = 0 Esto es (a, b, c) (1, 4, 0) = 0. En otras palabras a + 4b = 0. Por otro lado (a, b, c) (2, 2, 2) = 0, esto es 2a + 2b + 2c = 0. Si juntamos el sistema y lo dejamos en funci on de un par ametro t obtenemos: a = t; b = t/4; c = 3t/4 Por lo tanto los vectores u, son todos aquellos que tienen la forma u = (t, t/4, 3t/4) con t Por la tanto u es un subespacio vectorial de R3 de dimensi on 1. t 27. [11, P. 110,11] Describa el subespacio vectorial m as peque no de M (2 2, R) que contiene las 1 0 0 1 1 1 1 0 1 0 matrices: (a) y ; (b) ; (c) y (d) . 0 0 0 0 0 0 0 0 0 1 (a)Sean , R. Sumando matrices de este tipo: a b c d + 0 0 0 0 = a+c b+d 0 0 1 0 0 1 + 0 0 0 0 = 0 0
donde a, b, c, d R, por lo tanto a + c, b + d R. Luego, multiplicando por un escalar x R: x a b 0 0 = xa xb 0 0
donde a y b R, por lo tanto xa, xb R. Con todo esto se verica que el resultado de las operaciones de suma de matrices y producto por escalar se mantienen dentro del mismo conjunto (cerradura). Por lo tanto W = 1 0 0 1 + M (2 2, R) , R 0 0 0 0
es el subespacio vectorial m as peque no que contiene las matrices 1 0 0 0 y 0 1 0 0
35
(b)Sea R. Sumando matrices de este tipo: a a b b + 0 0 0 0 = a+b a+b 0 0 1 1 0 0 = 0 0
donde a, b R, por lo tanto a + b R. Luego, multiplicando por un escalar x R: x a a 0 0 = xa xa 0 0
donde a R, por lo tanto x a R. Con todo esto se verica que el resultado de las operaciones de suma de matrices y producto por escalar se mantienen dentro del mismo conjunto (cerradura). Por lo tanto V = 1 1 M (2 2, R) R 0 0 1 1 0 0
es el subespacio vectorial m as peque no que contiene la matriz (c)Sean y R. Sumando matrices de este tipo: a+b 0 c+d 0 + 0 b 0 d = = 1 0 1 0 + 0 0 0 1 =
+ 0 0
a+b+c+d 0 0 b+d (a + c) + (b + d) 0 0 (b + d)
donde a, b, c, d R, por lo tanto a + c, b + d R. Luego, multiplicando por un escalar x R: x a+b 0 0 b = = x (a + b) 0 0 xb (x a) + (x b) 0 0 (x b)
donde a y b R, por lo tanto x a y x b R. Con todo esto se verica que el resultado de las operaciones de suma de matrices y producto por escalar se mantienen dentro del mismo conjunto (cerradura). Por lo tanto Y = 1 0 1 0 + M (2 2, R) , R 0 0 0 1
es el subespacio vectorial m as peque no que contiene las matrices 1 0 0 0 y 1 0 0 1 t
36
Algebra Lineal
28. [11, P. 110,17,18] Cu ales de los siguientes subconjuntos de M (3 3, C) son subespacios vectoriales? (a)El conjunto de las matrices A invertibles . (b)El conjunto de las matrices A singulares (i.e.,tales que A1 no existe). (c)El conjunto de las matrices sim etricas (i.e., tales que AT = A) (d)El conjunto de las matrices antisim etricas (i.e., tales que AT = A). (e)El conjunto de las matrices asim etricas (i.e., tales que AT = A). (a)No es un subespacio porque no contiene a puesto que: | | = 0 (b)No es un subespacio porque no es cerrado con respecto a la suma, dado que A que pertenece a ese conjunto detA = 0 Contraejemplo: Sean A, B conjunto, A + B = C y C el conjunto. 1 0 0 0 0 0 1 0 0 A = 0 1 0 ; B = 0 0 0 ; C = 0 1 0 0 0 1 0 0 1 0 0 1 |C | = 1, C no pertenece al conjunto. (c)Dada dos matrices cualesquiera A y B que sean sim etricas, su suma tambi en debe ser sim etrica. a b c d e f + g h i a d g b e h + c f i j k l a+j m n o = d+m p q r g+p j m p a+j k n q = b+k l o r c+l b+k c+l e+n f +o h+q i+r d+m g+p e+n h+q f +o i+r
a d g
b e h
c f i
=
b=d c= g f =h
a b c
d e f
g h i
j m p
k n q
l o r
=
k =m l =p o=q
j k l
m n o
p q r
a+j d+m g+p
b+k e+n h+q
c+l f +o i+r
a+j b+k c+l
d+m e+n f +o
g+p h+q i+r
b+k=d+m c+ l = g + p f +e=h+q
Como se puede observar, la suma de dos matrices sim etricas tambi en es sim etrica. Para cualquier C, A debe ser sim etrica si A lo es. Sea A =
a b c b e f c f i
, entonces:
37
a b c A = b e f y c f i T a b c a b c b e f = b e f c f i c f i Por lo tanto, el las matrices sim etricas son un sub-espacio Vectorial. (d)En forma an aloga al caso anterior, la suma de dos matrices antisim etricas debe ser antisim etricas. 0 b b 0 c f Si A =
0 b c b 0 f c f 0
c 0 k l 0 b+k c+l f + k 0 o = b k 0 f +o 0 l o 0 c l f o 0
, entonces: 0 b b 0 A = c f c f 0 t
Por lo tanto, las matrices antisim etricas son un sub-espacio vectorial. (e)No es subespacio porque no existe ,dado que T = .
29. [1, cf. P. 6] Sea E un espacio vectorial sobre un cuerpo K y = M E .Considere la intersecci on D de todos los subespacios V de E tales que M V . Demuestre que: (a)D es un espacio vectorial un vocamente denido. (b)D es un espacio vectorial m as peque no (con respecto a la inclusi on) que contiene a M . (c)D coincide con el conjunto de todas las combinaciones linelaes(nitas) de elementos de M . El espacio vectorial D se denota habitualmente por link (M ) y se denomina espacio vectorial generado o engendrado por el conjunto M .Las propiedades (a),(b) y (c) quedan resumidas en:
n
linK (M ) =
k=1
ak xk : n N, ak K, xk M
V subespacio vectorial de E tal que M V linK (M ) V.
Sea p el polinomio p(x) = 1 x + 3x3 ,y sea q el polinomio q (x) = 2 + 5x2 x3 , r el polinomio r(x) = x + x3 , s el polinomio s(x) = 2 x2 , donde x es una variable real,i.e.,x R.Determine: (d)linR (p, r); (e)linR (q, r, s); (f)linr (p, q, r, s). (a)Sea E espacio vectorial sobre K, y M E . Sea la intersecci on D de todos los subespacios de V de E , tales que M V . Por demostrar: D es un espacio vectorial un vocamente denido? Por denici on, la expresi on n u se llama una Combinaci on Lineal (CL) de los vectores ui con i i i=1 escalares i . Se sabe tambi en que 0 = X V y consideremos := {W/W V, X W }. La intersecci on de todos los W se llama SubEspacio Vectorial generado por X y se denota por G(X ). Por lo tanto D es el SEV generado por las CL de los xk M . Como D M , M V , y V E D es un SEV de V , cumpliendo las propiedades o axiomas de la suma de vectores y la multiplicaci on por un escalar, este es a su vez un Espacio Vectorial un vocamente Denido. (b)Por demostrar: D es el espacio vectorial m as peque no que contiene a M ? El problema de encontrar los conjuntos generadores mas peque nos para un espacio vectorial depende de la noci on de independencia lineal. Por lo tanto hay que probar que:
38
Algebra Lineal
a1 x1 + a2 x2 + + an xn = 0 tiene al menos una soluci on. De esta manera a1 = a2 = = an = 0. Por lo tanto, como existe una u nica soluci on igual a cero, los vectores xk son Linelamente Idependientes. Adem as D = G(m), por lo tanto D es una base de M , por lo que es el conjunto de vectores m as peque no que contiene a M . (c)Sea D todas las posibles combinaciones lineales de M .Por demostrar que D = G(M ), D E , M D, entonces G(M ) D Sea D, es una combinaci on lineal de elementos de M , y pertenece a V , G(M ) entonces D G(M ) entonces G(M ) = D (d)linR (p, r) Son li? (1 x + 3x3 ) + (x + x3 ) = 0 = = 0 = 0 Por lo tanto los vectores son li. Combinaci on Lineal= a 2bx + 4dx3 (e)linR (q, r, s) Son li? (2 + 5x2 x3 ) + (x + x3 ) + (2 x2 ) = 0 = 2 + 2 5 +
= = = =
0 0 0 0
Entonces se tiene = 0, = 0, = 0 Por lo tanto los vectores son li. Combinaci on lineal: bx + 4cx2 (f)linr (p, q, r, s) Son li? (1 x + 3x3 ) + (2 + 5x2 x3 ) + (x + x3 ) + (2 x2 ) = 0 = 2 + 2 5 2 3 + Se tiene que: = 0, = 0, = 0, = 0 Combinaci on lineal: a 2bx + 4cx2 + 3dx3 30. [9, cf. P. 28] El cuerpo de los n umeros complejos. Dena:
= = = =
0 0 0 0 t
E=
1 0 0 1 , I= , C := 0 1 1 0
kl E k I l : kl R, n, m N0
k=0 l=0
Considere el conjunto C equipado con la suma y la multiplicacion usuales de matrices con E 0 = I 0 = I . Evidentemente C M (2 2, R). (a)Para u, v C y , R, se cumple u + v C, uv C ? (b)Determine C en cuanto espacio vectorial real. En particular, cu al es la dimensi on del espacio 2 vectorial real C ? Hint: Verique que L = E . (c)Para w, z C cualesquiera, se cumple wz zw? (d)Si z C no es la matriz nula de M (2 2, R), puede Ud. determinar z 1 ? (e)Puede Ud. denir un isomorsmo de espacios vectoriales (resp., de cuerpos) : C C (a)u, v C; , R
39
u + v =
h=0 t=0 n m
aht E I +
h=0 t=0 n m
k t
bht E k I t bht E k I t dht E k I t cht , dht
=
h=0 t=0 n m
aht E k I t +
h=0 t=0 n m
=
h=0 t=0 n m
cht E k I t +
h=0 t=0
=
h=0 t=0 n m
(cht + dht )E k I t eht E k I t

h=0 t=0 n m
=
h=0 t=0
eht C
eht E k I t
(b)Vericaci on de I 2 = E . 0 1 0 1 1 0 1 0 = 1 0 0 1
Tomando esta ecuaci on podemos hacer la similitud con los numeros complejos i2 = 1. Dicho podemos suponer q la parte real de las matrices pertenecientes a C ser an todas aquellas q el resultado incluya solo a la matriz E . Y tomando la matriz E (identidad), sabemos q dicha matriz elevada a cualquier numero es la misma matriz, por lo tanto solo hay q observar el comportamiento de L. I1 I2 I3 I4 = = = = I; E ; I ; E
Siguiendo con los potencias se observa que se rigen por este patr on (I,-E,-I,E). Por lo tanto para obtener solo la parte real de C debemos redenirla, tomando las potencias pares de L.
n m
C : =
k=0 l=0
kl E k I 2l : kl R, n, m N0
Ahora bien, sabiendo q los resultado de esta conjunto de matrices sera E o -E podemos decir q todas las matrices resultantes pueden generarse a partir de: E = 1 0 0 1
Esto implica q la dimension del espacio generado por C es 1, dim(C ) = 1 (c)Tomando cualesquiera w, z C ,
n m x y
w=
h=0 l=0
ahl E k I l ;
z=
h=0 l=0
ahl E k I l
40
Algebra Lineal
zw = (a00 E 0 I 0 + a01 E 0 I 1 + . . . + a10 E 1 I 0 + a11 E 1 I 1 + . . . + an0 E n I 0 + an1 E n I 1 + . . . + anm E n I m ) (a00 E 0 I 0 + a01 E 0 I 1 + . . . + a10 E 1 I 0 + a11 E 1 I 1 + . . . + ax0 E x I 0 + ax1 E x I 1 + . . . + axy E x I y ) = (a00 I + a01 I + . . . + a10 E + a11 EI + . . . + an0 E n + an1 E n I + . . . + anm E n I m ) (a00 I + a01 I + . . . + a10 E + a11 EI + . . . + ax0 E x + ax1 E x I + . . . + axy E x I y ) = (a00 I + a01 I + . . . + a10 I + a11 I + . . . + an0 I + an1 I + . . . + anm I m ) (a00 I + a01 I + . . . + a10 I + a11 I + . . . + ax0 I + ax1 I + . . . + axy I y ) wz = (a00 I + a01 I + . . . + a10 I + a11 I + . . . + ax0 I + ax1 I + . . . + axy I y ) (a00 I + a01 I + . . . + a10 I + a11 I + . . . + an0 I + an1 I + . . . + anm I m )
Sean todas combinaciones posibles I i I j
I iI j
= = = = = = = =
I I = I 2 = E = I I (I ) = I 2 = E = I EE =I E (E ) = I EI =I E (I ) = I I E =I I (E ) = I
Lo anterior sabiendo que I 1 = I ; I 2 = E ; I 3 = I ; I 4 = E . Como
E = I E = I I i I j = I I I I wz queda solo en terminos de I , I , I , I al igual que zw, por lo tanto wz = zw

T a b (Adj(Z )) Z 1 = det(Z ) c d No considerando la matriz nula para Z , sabemos que Z va a quedar en funci on de I , I , I + I o generado a partir de ellos y como:
(d)Sea Z =
det(I ) det(I ) det(I + I ) = 0 Por lo tanto siempre podemos calcular Z 1 . (e)Denici on del isomorsmo de espacios vectoriales ( : C C). Partiendo de la relaci on comprobada I 2 = E ,
41
T (I ) = i T (I 2 ) = 1 = T (E ) T (I 3 ) = i = T (I ) T (I 4 ) = 1 = T (E ) . . . i T (E ) = T (E ),
i = 1 : n
Ahora para comprobar si estos espacios son isomorfos debemos demostrar que T es una transformaci on 1-1 y que ImT = C. Tomando u, v C ,
n m x y k l
T (u + v ) = T (
h=0 l=0 n m
ahl E I + ahl E k I l ) + T (
h=0 l=0
bxy E x I y )
h=0 l=0 y x
= T (
bxy E x I y )
h=0 l=0
= T (u) + T (v ) El espacio C lo genera {I, I 2 }, entonces ahora vemos el ker(T ): I + I 2 = 0 T (I + I ) = 0 T (I ) + T (I 2 ) = 0 i + 1 = 0 = = 0. 0 0 0 0

2
/T
ker(T ) =
dim ker(T ) = 0
T es 1 1.
dim Im(T ) = dim C dim ker(T ) = 2 0 = 2 Luego Im(T ) = C C = C (son isomorcos). t 31. [9, cf. P. 28] El anillo de los Cuaterniones. A partir de las matrices E , I del ejercicio 30. dena ahora las siguientes matrices de orden 4: e= Dena:
R S T U
E 0 0 E
,i =
0 E E 0
,j =
I 0 0 I
,k =
0 I I 0
Q :=
r =0 s=0 t=0 u=0
rstu er is j t k u : rstu R, R, S, T, U N0 ]
42
Algebra Lineal
Considere el conjunto C equipado con la suma y multiplicaci on usuales de matrices con e0 = i0 = 0 0 j = k = e. Evidentemente Q M (4 4, R) y e es la matriz identidad de 4 4. (a)Para u, v Q y , R, se cumple u + v Q, uv Q?. (b)Determine Q en cuanto espacio vectorial real. En particular, cu al es la dimensi on del espacio 2 vectiral real Q? Hint: Verique que i j= k = -j i, j k = i = -k j, k i = j = -i k, i = j 2 = k 2 = -e. (c)Que forma espec ca tienen todas las matrices A Q? (d)Para w, z Q cualesquiera, se cumple wz= zw? (e)Si z Q no es la matriz nula de M(44, R), puede usted determinar z 1 ? Los cuaterniones fueron inventados por Sir William Rowan Hamilton (1805 - 1865), c elebre matem atico y f sico irland es. Poseen numerosas e interesantes propiedades matem aticas que han sido aplicadas con exito a variados problemas de la F sica y la Ingenier a. Recientemente los cuaterniones han permitido optimizar ciertos m etodos de la Computaci on Gr aca. Explore la www al respecto! A un a riesgo de revelar la soluci on de las preguntas precedentes, 1conviene notar que un cuaterni on cualquiera se puede escribir de la forma: q = e + i + j + k. El n umero real N (q ) = 2 + 2 + 2 + 2 se llama norma del cuaterni on q . El cuaterni on: q = e i j k. se denomina conjugado de q . Es claro que q = q . (f)Compruebe que q q = q q = N (q )e y concluya que q 1 = (g)Vericar que N (pq ) = N (p) N (q ) para todo p, q Q. 1 0 e= 0 0 0 1 j= 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 i= 1 0 0 0 k= 0 1
1 N (q ) q ,
siempre que q = 0.
1 0 0 0 0 0 0 1
0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 0 0 0
Haciendo las multiplicaciones pertinentes se observa que: e0 = e1 = e2 = ... = er = e
Matriz i i0 = e i1 = i i2 = e i3 = i i4 = e
Matriz j j0 = e j1 = j j 2 = e j 3 = j j4 = e
Matriz k k0 = e k1 = k k 2 = e k 3 = k k4 = e
1Con el consiguiente riesgo de arruinar la aplicaci on del antiqu simo principio de pedag ogico (el gran S ocrates,
490-399 AC, ya lo aplicaba!) que privilegia el aprendizaje por el descubrimiento activo y personal, muy lejos por encima de las execrables pero lamentablementa populares paltas.
43
Q :=
r =0 s=0 t=0 u=0
rstu er is j t k u : rstu R, R, S, T, U N0
(a)Sea
R S T U
u: =
r=0 s=0 t=0 u=0 R S T U
rstu er is j t k u : rstu R, R, S, T, U N0 rstu er is j t k u : rstu R, R, S, T, U N0

r=0 s=0 t=0 u=0 R S T U R S T U
v: =
u + v =
R r =0 s=0 t=0 u=0 S T U
rstu e i j k +
R r=0 s=0 t=0 u=0 S T U
r s t u
rstu er is j t k u rstu er is j t k u
u + v =
r=0 s=0 t=0 u=0 R S T U
rstu er is j t k u +
r =0 s=0 t=0 u=0
u + v =
r=0 s=0 t=0 u=0
( rstu + rstu )er is j t k u
Denotamos rstu = ( rstu + rstu )

R S T U
u + v =
r =0 s=0 t=0 u=0
rstu er is j t k u
(b) ae+bi+cj+dk =0
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
+b
0 0 1 0
0 0 0 1
1 0 0 0
0 1 0 0 0 6 0 6 =4 0 0 2
+c
0 0 0 0 0 0 0 0 3 0 0 7 7 0 5 0
0 1 0 0
1 0 0 0
0 0 0 1
0 0 1 0
+d
0 0 0 1
0 0 1 0
0 1 0 0
1 0 0 0
a c b d 0 0 c a 0 0 d b b d a c = 0 0 d b c a 0 0
0 0 0 0
0 0 0 0
= a = 0; b = 0; c = 0; d = 0 e, i, j, k son l.i. e.v = R4 dim = 4. Vericaci on de multiplicaciones:
44
Algebra Lineal
ij
ji
jk
kj
ki
0 0 1 0 0 0 0 1 = 1 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 = 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 0 = 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 = 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 0 = 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 1 = 1 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 = 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 1 = 1 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 = 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 0 = 0 0 0 1 0 0 1 0
0 1 0 1 0 0 0 0 0 0 0 1 =k 0 0 1 0 = k 0 0 0 0 0 1 1 0 =i 0 1 0 1 0 0 0 0 0 0 0 1 = i 0 0 1 0 =j
0 0 1 0
0 1 0 0 0 1 0 0 0 1 0 0
0 1 1 0 0 0 0 0
0 0 1 0
0 1 0 0 0 1 0 0 0 1 0 0
45 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 ik = 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 0 = 0 0 0 1 = j 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 i2 = 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 1 0 0 = e = 0 0 1 0 0 0 0 1 0 1 0 0 0 1 0 0 1 0 1 0 0 0 0 0 2 j = 0 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0 1 0 0 0 0 1 0 0 = e = 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0 k2 = 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 = e = 0 0 1 0 0 0 0 1
(c)Dadas las propiedades explicadas anteriormente, es decir:
ij = = jk = = ki = = 2 i = = =
j i k k j i i k j j2 k2 e
deducimos que todo elemento de u Q, se puede escribir de la forma:
46
Algebra Lineal
u=ae+bi+cj+dk
a c b d c a d b b d a c d b c a
(d)No, ya que para w = i y z = j , no cumple ya que w z = k y z w = k . (e)z es de la forma: a c b d c a d b , z =ae+bi+cj+dk = b d a c d b c a por lo tanto el determinante es:
a c b d c a d b b d a c d b c a
= a
a d b d a c b c a c a b b d c d b a
+c
c d b b a c d c a c a d b d a d b c
= b
+d
= a a (a2 + c2 ) d (da cb) b (dc ab) + +c c (a2 + c2 ) d (ba cd) b (bc ad) b c (da bc) a (ba cd) b (b2 + d2 ) + +d c (dc ba) a (bc ad) + d (b2 + d2 ) = a a3 + ac2 + d2 a + ab2 + c ca2 + c3 + d2 + b2 c b bc2 a2 b b3 bd2 + d dc2 + a2 d + db2 + d3
= a4 + a2 c2 + d2 a2 + a2 b2 + c2 a2 + c4 + c2 d2 + b2 c2 + +b2 c2 + a2 b2 + b4 + b2 d2 + d2 c2 + a2 d2 + d2 b2 + d4 = a2 a2 + c2 + d2 + b2 + c2 a2 + c2 + d2 + b2 + +b2 c2 + a2 + b2 + d2 + d2 c2 + a2 + b2 + d2 = = a2 + b2 + c2 + d2 a2 + b2 + c2 + d2
2
a2 + b2 + c2 + d2
Por lo tanto, z es invertible, ya que a2 + b2 + c2 + d2 (f)Sea q = e + i + j + k y q = e i j k Entonces:
siempre es positivo.
47
q q =
e + i + j + k
e i j k
= 2 e2 ei ej ek + ie 2 i2 ij ik + je ji 2 j 2 jk + ke ki kj 2 k 2 = 2 e + 2 e + 2 e + 2 e k + +j + k i j + i = (2 + 2 + 2 + 2 )e = N (q )e De la misma manera:
q q =
e i j k
e + i + j + k
= 2 e2 + ei + ej + ek ie 2 i2 ij ik je ji 2 j 2 jk ke ki kj 2 k 2 = 2 e + 2 e + 2 e + 2 e k + +j + k i j + i = (2 + 2 + 2 + 2 )e = N (q )e Por lo tanto q q = q q = N (q )e, de lo que se deduce:
q q = N (q )e
/q 1 /e q 1 = q 1
q = N (q )e q 1 q = N (q ) q 1 1 q 1 = q N (q )
Esto es cierto para todo q Q tal que q = 0, ya que para q = 0 no existe q 1 . (g)Sean p = e + i + j + k y q = ae + bi + cj + dk . Calculemos p q :
pq =
e + i + j + k
ae + bi + cj + dk
= ae2 + bei + cej + dek + aie + bi2 + +cij + dik + aje + bji + cj 2 + +djk + ake + bki + ckj + dk 2 = e a b c d + i b + a + d c + +j c + a + b d + +k d + a + c b
48 Ahora calculemos N (pq ): N (pq ) = a b c d

2
Algebra Lineal
+ b + a + d c
2
+
2
+ c + a + b d
+ d + a + c b
= 2 a2 + 2 b2 + 2 c2 + 2 d2 + +2 ab ac ad + +bc + bd + cd + +2 b2 + 2 a2 + 2 d2 + 2 c2 + +2 ab + bd bc + +ad ac cd + +2 c2 + 2 a2 + 2 b2 + 2 d2 + +2 ac + bc cd + +ab ad bd + +2 d2 + 2 a2 + 2 c2 + 2 b2 + +2 ad + cd bd + +ac ab bc = 2 a2 + 2 b2 + 2 c2 + 2 d2 + +2 b2 + 2 a2 + 2 d2 + 2 c2 + +2 c2 + 2 a2 + 2 b2 + 2 d2 + +2 d2 + 2 a2 + 2 c2 + 2 b2 = a2 2 + 2 + 2 + 2 + +b2 2 + 2 + 2 + 2 + +c2 2 + 2 + 2 + 2 + +d2 2 + 2 + 2 + 2 = 2 + 2 + 2 + 2 a2 + b2 + c2 + d2 )
= N (p) N (q ) Queda esto demostrado. t
Parte 4
Recapitulaci on de la Teor a Elemental de Matrices
32. [4, P. 39, 1] Sean dadas las siguientes matrices: A, B M (4 5, R), C M (5 2, R), D M (4 2, R), E M (5 4, R). Determine cuales de las siguientes matrices est an bien denidas y, en estos casos, indique sus n umeros de las y de columnas: (a)BA, (b)AC + D, (c)AE + B , (d)AB + B , (e)E (A + B ), (f)E (AC ), (g)E T A, (h)(AT + E )D. (a)BA no esta denida (4 5)(4 5). (b)AC + D(4 5)(5 2) + (4 2) = (4 2) + (4 2) = (4 2). Est a bien denida. (c)AE + B (4 5)(5 4) + (4 5) = (4 4) + (4 5). No est a denida. (d)AB + B (4 5)(4 5) + (4 5). No esta denida. (e)E (A + B )(5 4)((4 5) + (4 5)) = (5 4)(4 5) = (5 5). Est a bien denida. (f)E (AC )(5 4)((4 5)(5 2)) = (5 4)(4 2) = (5 4). Est a bien denida. (g)E T A(5 4)T (4 5) = (4 5)(4 5). No est a denida. (h)(AT + E )D((4 5)T + (5 4))(4 2) = ((5 4) + (5 4))(4 2) = (5 4)(4 2) = (5 2). Est a bien denida. t 3 2 7 6 2 4 33. [4, P. 40, 8, 10] Sean A = 6 5 4 , B = 0 1 3 . Escriba, si ello es posible: 0 4 9 7 7 5 (a)las columnas de AB como c.l.2 de las columnas de A, respectivamente, de B , (b)las columnas de BA como c.l. de las columnas de A, respectivamente, de B , (c)las las de AB como c.l. de las las de A, respectivamente, de B , (d)las las de BA como c.l. de n as las de A, respectivamente, de B . En cada caso, si la tarea es imposible explique por qu e. Tenemos que: 67 41 41 AB = 64 21 59 63 67 57 6 6 70 BA = 6 17 31 63 41 122
(a)Como c.l de las columnas de A 67 3 2 7 64 = 6 6 + 0 5 + 7 4 63 0 4 9 41 3 2 7 21 = 2 6 + 1 5 + 7 4 67 0 4 9 41 3 2 7 59 = 4 6 + 3 5 + 5 4 0 4 9 57
2c.l. = combinaci on lineal.
51
como combinacion lineal de las columnas de B 67 6 2 4 64 = 4, 3976 0 2, 4157 1 + 22, 1386 3 63 7 7 5 41 6 2 4 21 = 3, 1807 0 + 1, 8253 1 + 6, 3916 3 67 7 7 5 41 6 2 4 59 = 6, 1205 0 + 0, 2831 1 + 19, 5723 3 57 7 7 5 (b)Como c.l de las columnas de B 6 6 2 4 6 = 3 0 + 6 1 + 0 3 63 7 7 5 6 6 2 4 17 = 2 0 + 5 1 + 4 3 41 7 7 5 70 6 2 4 31 = 7 0 + 4 1 + 9 3 122 7 7 5 como c.l. de las columnas de A 6 6 = 6, 2231 63 6 17 = 3, 1818 41 70 31 = 4, 9311 122 3 6 + 4, 7603 0 3 6 + 5, 5455 0 3 6 + 1, 9752 0 2 7 5 + 4, 8843 4 4 9 2 7 5 + 2, 0909 4 4 9 2 7 5 + 12, 6777 4 4 9
(c)Nota: las las las voy a escribir como vectores columna. como c.l de las las de A 67 3 6 4 41 = 1, 9642 2 + 10, 1846 17 1, 4986 3 41 7 31 5 64 3 6 4 21 = 5, 8898 2 + 7, 7218 17 1, 4573 3 7 31 5 59 63 3 6 4 67 = 1, 1653 2 + 4, 0826 17 + 2, 3140 3 57 7 31 5
52 como c.l de las las de B 67 6 0 7 41 = 1, 9642 2 + 10, 1846 1 1, 4986 7 41 4 3 5 64 6 0 7 21 = 5, 8898 2 + 7, 7218 1 1, 4573 7 59 4 3 5 63 6 0 7 67 = 1, 1653 2 + 4, 0826 1 + 2, 3140 7 57 4 3 5 (d)Como c.l de las las de A 6 3 6 6 = 6 2 2 17 4 70 7 31 6 3 6 17 = 0 2 + 1 17 + 3 31 7 31 63 3 6 41 = 7 2 + 7 17 + 5 122 7 31 como c.l. de las las de B 6 6 0 7 6 = 4, 2892 2 + 22, 3133 1 2, 8193 7 70 4 3 5 6 6 0 7 17 = 0, 2651 2 + 8, 8795 1 + 1, 0843 7 31 4 3 5 63 6 0 7 41 = 6, 0301 2 + 26, 2410 1 + 3, 8313 7 122 4 3 5 4 3 5 4 3 5 4 3 5
Algebra Lineal
t 34. [4, P. 41, 15] Sean A y B dos matrices particionadas en submatrices (no necesariamente cuaA11 A12 B11 B12 dradas ni todas iguales!) de modo que A = yB= . Entonces se tiene: A21 A22 B21 B22 A11 B11 + A12 B12 A11 B12 + A12 B22 A21 B11 + A22 B21 A21 B12 + A22 B22
(4.3)
AB =
bajo la hip otesis que las dimensiones de las submatrices permiten las multiplicaciones y las sumas se naladas. Este m etodo se denomina multiplicaci on por bloques. (a)Demuestre (4.3) y luego, usando esta f ormula, calcule los productos (b) y (c). Compruebe sus resultados mediante multiplicaci on directa.
53
. . . 4 . 3 5 . . 2 ....................... . 7 1 . . 5 . . 0 3 . 3 2 1
(c)A =
. . 1 2 1 . 5 ............................ . 0 3 4 . . 2 . . 1 5 6 . 1
, ... ... .. . ...
(b)A =
. . . 1 5 . . 0 3 . 4 2 ............................ . 1 5 . . 6 1 2
. . . 4 . 3 5 . . 2 . . 7 1 . 5 ....................... . 0 3 . . 3 2 1
las matrices A(m n) =
A11 A21 . . .
A12 A22 . . .
... ... .. .
A1n A2n . . .
y B (n r) =
B11 B21 . . .
B12 B22 . . .
B1r B2r . . . Bnr
Am1 Am2 . . . Amn
Bn1 Bn2
Particionemos A y B por las las i y j para A, y j y k para B: A(m n) =
A1 A2 A3 A4
, donde:
A1 (i j ) = A2 (i (n j )) = A3 ((m i) j ) = A4 ((m i) (n j )) = b(n r) = B1 (j k ) = B2 (j (r k )) = B3 ((n j ) k ) =
A11 A12 . . . A1j A21 A22 . . . A2j . . . .. . . . . . . . Ai1 Ai2 . . . Aij
, , ,
A1(j +1) A1(j +2) . . . A1n A2(j +1) A2(j +2) . . . A2n . . . .. . . . . . . . Ai(j +1) Ai(j +2) . . . Ain
A(i+1)1 A(i+1)2 . . . A(i+1)j A(i+2)1 A(i+2)2 . . . A(i+2)j . . . .. . . . . . . . Am1 Am2 . . . Amj
A(i+1)(j +1) A(i+1)(j +2) . . . A(i+1)n A(i+2)(j +1) A(i+2)(j +2) . . . A(i+2)n . . . .. . . . . . . . Am(j +1) Am(j +2) . . . Amn B1 B2 B3 B4 , , , ,
B11 B12 . . . B1k B21 B22 . . . B2k . . . .. . . . . . . . Bj 1 Bj 2 . . . Bjk
B1(k+1) B1(k+2) . . . B1r B2(k+1) B2(k+2) . . . B2r . . . .. . . . . . . . Bj (k+1) Bj (k+2) . . . Bir
B(j +1)1 B(j +1)2 . . . B(j +1)k B(j +2)1 B(j +2)2 . . . B(j +2)k . . . .. . . . . . . . Bn1 Bn2 ... Bnk
54 B4 ((m i) (n j )) = B(j +1)(k+1) B(j +1)(k+2) . . . B(j +1)r B(j +2)(k+1) B(j +2)(k+2) . . . B(j +2)r . . . .. . . . . . . . Bn(k+1) Bn(k+2) ... Bnr
Algebra Lineal
Seg un la f ormula propuesta por el ejercicio se debe cumplir que: A1 B1 + A2 B3 A1 B2 + A2 B4 A3 B1 + A4 B3 A3 B2 + A4 B4
AB = Hagamos las operaciones: A1 B1 + A2 B3 = A1 B2 + A2 B4 = A3 B1 + A4 B3 = A3 B2 + A4 B4 =
A11 B11 + . . . + A1j Bj 1 A21 B11 + . . . + A2j Bj 1 . . . Ai1 B11 + . . . + Aij Bj 1
A11 B12 + . . . + A1j Bj 2 A21 B12 + . . . + A2j Bj 2 . . . Ai1 B12 + . . . + Aij Bj 2
... ... .. . ...
A11 B1k + . . . + A1j Bjk A21 B2k + . . . + A2j Bjk . . . Ai1 B1k + . . . + Aij Bjk ... ... .. . ... ... ... .. . ...
A1(j +1) B(j +1)1 + . . . + A1n Bn1 A2(j +1) B(j +1)1 + . . . + A2n Bn1 . . . Ai(j +1) B(j +1)1 + . . . + Ain Bn1 A11 B1(k+1) + . . . + A1j Bj (k + 1) A21 B1(k+1) + . . . + A2j Bj (k + 1) . . . Ai1 B1(k+1) + . . . + Aij Bj (k + 1)
A1(j +1) B(j +1)2 + . . . + A1n Bn2 A2(j +1) B(j +1)2 + . . . + A2n Bn2 . . . Ai(j +1) B(j +1)2 + . . . + Ain Bn2 A11 B1(k+2) + . . . + A1j Bj (k+2) A21 B1(k+2) + . . . + A2j Bj (k+2) . . . Ai1 B1(k+2) + . . . + Aij Bj (k+2) ... ... . . . ...
A1(j +1) B(j +1)k + . . . + A1n Bnk A2(j +1) B(j +1)k + . . . + A2n Bnk . . . Ai(j +1) B(j +1)k + . . . + Ain Bnk A11 B1r + . . . + A1j Bjr A21 B2r + . . . + A2j Bjr . . . Ai1 B1r + . . . + Aij Bjr
A1(j +1) B(j +1)(k+1) + . . . + A1n Bn(k+1) A2(j +1) B(j +1)(k+1) + . . . + A2n Bn(k+1) . . . Ai(j +1) B(j +1)(k+1) + . . . + Ain Bn(k+1) A(i+1)1 B11 + . . . + A(i+1)j Bj 1 A(i+2)1 B11 + . . . + A(i+2)j Bj 1 . . . Am1 B11 + . . . + Amj Bj 1
A1(j +1) B(j +1)r + . . . + A1n Bnr A2(j +1) B(j +1)r + . . . + A2n Bnr . . . Ai(j +1) B(j +1)r + . . . + Ain Bnr ... ... .. . ...
A(i+1)1 B12 + . . . + A(i+1)j Bj 2 A(i+2)1 B12 + . . . + A(i+2)j Bj 2 . . . Am1 B12 + . . . + Amj Bj 2 ... ... . . . ... ... ... . . . ...
A(i+1)1 B1k + . . . + A(i+1)j Bjk A(i+2)1 B2k + . . . + A(i+2)j Bjk . . . Am1 B1k + . . . + Amj Bjk
A(i+1)(j +1) B(j +1)1 + . . . + A(i+1)n Bn1 A(i+2)(j +1) B(j +1)1 + . . . + A(i+2)n Bn1 . . . Am(j +1) B(j +1)1 + . . . + Amn Bn1 A(i+1)1 B1(k+1) + . . . + A(i+1)j Bj (k + 1) A(i+2)1 B1(k+1) + . . . + A(i+2)j Bj (k + 1) . . . Am1 B1(k+1) + . . . + Amj Bj (k + 1)
A(i+1)(j +1) B(j +1)k + . . . + A(i+1)n Bnk A(i+2)(j +1) B(j +1)k + . . . + A(i+2)n Bnk . . . Am(j +1) B(j +1)k + . . . + Amn Bnk A(i+1)1 B1r + . . . + A(i+1)j Bjr A(i+2)1 B2r + . . . + A(i+2)j Bjr . . . Am1 B1r + . . . + Amj Bjr ... ... . . . ...
A(i+1)(j +1) B(j +1)(k+1) + . . . + A(i+1)n Bn(k+1) A(i+2)(j +1) B(j +1)(k+1) + . . . + A(i+2)n Bn(k+1) . . . Am(j +1) B(j +1)(k+1) + . . . + Amn Bn(k+1)
A(i+1)(j +1) B(j +1)r + . . . + A(i+1)n Bnr A(i+2)(j +1) B(j +1)r + . . . + A(i+2)n Bnr . . . Am(j +1) B(j +1)r + . . . + Amn Bnr
Luego al concatenar las 4 u ltimas matrices se ve claramente que la matriz resultante es igual a la multiplicaci on por forma directa.Esto concluye la desmotraci on. Tenemos que la matriz A y B que se subdividen en bloques generando A1 , A2 , A3 , A4 y B1 , B2 , B3 , B4 : A1 = 1 2 0 3 ; A2 = 1 5 4 2 ;A3 = 1 5 ;A4 = 6 1
55 4 2 7 1 0 3 5 3
B1 =
2 1 3 5
;B2 =
;B3 =
;B4 =
Luego tenemos la multiplicaci on entre estas matrices AB , por lo tanto: A1 B1 + A2 B3 = A3 B1 + A4 B3 = 1 23 37 13 29 23 ; A1 B2 + A2 B4 = ; A3 B2 + A4 B4 = 41 10 8
Finalmente: 1 23 10 8 AB = 37 13 29 23 41 Ahora se comprueba a trav es de multiplicaci on directa: 2 1 4 1 2 1 5 3 5 2 0 3 4 2 y B = A= 7 1 5 1 5 6 1 0 3 3 2 6 + 7 1 + 10 1 + 15 4 + 4 5 15 9 + 28 15 4 + 6 6 + 20 6 AB = 2 15 + 42 1 + 25 6 + 3 4 + 10 + 30 3 Finalmente: 1 23 10 8 AB = 37 13 29 23 41 t 35. [4, P. 42, 23] La traza tr(A) de una matriz cuadrada A se dene como la suma algebraica de los coecientes de su diagonal principal. No se dene la noci on de traza para matrices no cuadradas. Si n T 2 a A= ij M(mxn, ), demuestre que tr(AA )=tr(AT A)= m i=1 j =1 aij . Puede Ud. obtener una f ormula similar para tr(AA ) si A= aij M(mxn,C ), donde A*= a es la matriz trasij puesta conjugada o conjugada Herminiana de A denida por aij = aji ? Sean A = a11 a21 . . . a12 a22 . . . .. . a1n a2n . . . amn a11 a12 . . . a21 a22 . . . .. . am1 am2 . . . amn
y AT =
am1 am2 Determinando AAT :
a1n am2
a11 a11 + . . . + a1n a1n . T .. . AA = . . am1 a11 + . . . + amn a1n Puede observarse que:
a11 am1 + . . . + a1n amn . . . am1 am1 + . . . + amn amn
56
Algebra Lineal
tr(AA ) =
j =1
a1 j +
j =1
a2 j + +
j =1
am j 2
De lo anterior se demuestra que

m n T
tr(AA ) =
i=1 j =1
ai j 2
Ahora, determinando AT A: a11 a11 + . . . + am1 am1 . T .. . A A= . . a1n a11 + . . . + amn am1 Entonces, ahora puede observarse que:
m m m
a11 a1n + . . . + am1 amn . . . a1n a1n + . . . + amn amn
tr(AT A) =
i=1
ai 12 +
i=1
ai 22 + +
i=1
ai n2
De lo cual, se encuentra la relaci on:

n m T
tr(A A) =
j =1 i=1
ai j 2
Por lo tanto, queda demostrado que:

m n
tr(AAT ) = tr(AT A) =
i=1 j =1
a2 ij
Ahora, por encontrar una f ormula similar para tr(AA ): Tenemos que: A= a11 + ib11 a21 + ib21 . . . a12 + ib12 a22 + ib22 . . . .. . a1n + ib1n a2n + ib2n . . . amn + ibmn
am1 + ibm1 am2 + ibm2
Sea A = B + iC , donde B es la parte real de A y C es la parte imaginaria. Buscando una relaci on: Se calcula la transpuesta de A: AT = (B + iC )T = B T + iC T Ahora se calcula la traspuesta conjugada :
57
A = ((B + iC )T ) = B T iC T Calculando AA : AA = (B + iC ) (B T iC T ) = BB T + CC T Entonces, buscando tr(AA ) tr(AA ) = tr(BB T + CC T ) = tr(BB T ) + tr(CC T )

m n m n
=
i=1 j =1
a2 ij
+
i=1 j =1
b2 ij
El u ltimo paso se deriva de la denici on de traza.

m n 2 a2 ij + bij i=1 j =1
tr(AA ) = Es la f ormula que dene tr(AA ).
t 36. [4, P. 54, 11] Calcule la matriz inversa, si existe, de: (a) cos sin sin cos (b) cos cos sin sin sin sin cos cos sin sin sin 0 cos Desarrollo (a) Primero debemos revisar que el determinante sea distinto de 0 para comprobar si realmente la matriz tiene inverso cos sin A= =1 sin cos La matriz tiene inversa Mediante operaciones y la matriz extendida con la matriz identidad, tenemos: cos sin | 1 0 sin cos | 0 1
sin 1 | cos sin cos | 1 cos
0 1
58
Algebra Lineal
1 0 1 0
sin cos 1 cos sin cos
| |
1 cos sin cos
0 1
1 | cos 0 | sin cos
1 0 | cos sin 0 1 | sin cos la matriz inversa es: A 1 = cos sin sin cos
(b) Primero debemos revisar que el determinante sea distinto de 0 para comprobar si realmente la matriz tiene inverso cos cos sin sin sin B = sin cos cos sin sin = 1 sin 0 cos La matriz tiene inversa Usando Matlab para obtener la matriz identidad tenemos que corresponde a: cos cos sin sin sin B 1 = sin cos cos sin sin sin 0 cos Que corresponde exactamente a B T t 37. [4, P. 54, 12] (a) De un ejemplo de matrices A,B M(2x2,C) tales que (A+B )2 = A2 +2AB +B 2 . (b) Demuestre o refute: Si A,B M(nxn,C), (A + B )2 = A2 + 2AB + B 2 si y s olo si AB = BA. Soluci on: a)Sea A = 1 0 i i yB= 0 i sin 1 i
Se tiene que: (A + B )2 =
i (1 + i) sin i sin 1 + i (i + 1) sin
Mientras que: A2 + 2AB + B 2 =
1 i sin i(2 sin 1) 3i + 1 sin 1 (i + 2) sin
b) Se sabe que: (A + B )2 = A2 + AB + BA + B 2 , Y como en ciertos conjuntos de elementos la propiedad de la multiplicaci on es conmutativa entonces AB = BA .
59
Luego nos queda que: (A + B )2 = A2 + 2AB + B 2 . Sin embargo en las matrices la multiplicaci on no es conmutativa, es decir AB = BA por lo tanto se concluye que la armaci on es falsa y que la condici on para que: (A + B )2 = A2 + 2AB + B 2 es que AB = BA . t 38. [4, P. 55, 19] La ecuaci on a2 = 1 tiene exactamente dos soluciones en R. Determine a lo menos 8 (ocho!) matrices diferentes A M (3 3, R) que satisfagan la ecuaci on A2 = I . Soluci on: 2 a + bc ab + db 0 a b 0 a b 0 1 0 0 c d 0 c d 0 = ac + dc cb + d2 0 = 0 1 0 0 0 e 0 0 e 0 0 1 0 0 e2 Esto implica: a2 + bc ab + db ac + dc cb + d2 e2 = = = = = 1, 0 0 1 1, c = d = 0!
e= 1 c = 0
Por consiguiente tenemos c(a + d) = 0 a = d a2 = d2 . Adem as tenemos b = 0, Finalmente obtenemos a a + 1 0 a 0 , a R {0} A= a+1 0 0 1 Ahora, solo basta con instanciar a con distintos valores reales. 2 2 1 0 3 2 0 3 0 0 1 0 3 2 0 3 4 3 0 4 0 0 1 0 Y as sucesivamente. 1 0 4 3 2 + 2 0 2 0 = 6 6 3 + 4 0 0 1 0 0 1 2 0 9 8 6 + 6 = 12 12 8 + 9 3 0 0 0 0 1 1 0 0 = 0 1 0 0 0 1 0 1 0 0 = 0 1 1 0 0 0 0 1
t 39. [4, P. 55, 21] Una matriz real cuadrada A se dice sim etrica si AT = A y anti sim etrica si AT =A.
60 Demuestre que para cualquier matriz real cuadrada B: (a) BB T y B + B T son sim etricas (b) B B T son antisim etricas Respuesta: (a)
Algebra Lineal
Si multiplicamos una matriz cuadrada por su matriz transpuesta obviamente obtenemos una matriz en la cual las columnas son iguales a las las puesto que por ejemplo en la casilla Aij , se obtendra lo mismo que para la casilla Aji . Lo mismo ocurre si multiplicamos la matriz transpuesta por la matriz inicial. Generalmente estos productos no son conmutativos vale decir que AAT = AT A, pero AAT y AT A son sim etricos Sea B una matriz cuadrada de n n. Si nos damos cuenta las las de la matriz y las columnas de la matriz transpuesta coinciden, lo que hace que al multiplicarlas obtengamos una matriz con las y columnas iguales. Por lo tanto BB T es sim etrica al igual que B T B , pero ojo que generalmente T T B B = BB . Para ilustrar lo dicho anteriormente tomemos las matrices de 2 2 ab cd ac bd a2 b2 abcd abcd c2 d2 Claramente se aprecia que BB T es sim etrica ya que AT = A. Ahora al sumar la matriz con su matirz transpuesta tambi en se observa claramente que las las y columnas que se obtendr an son iguales puesto que por ejemplo en la casilla Aij se obtendra lo mismo que para la casilla Aji . En la suma, esto se puede apreciar con mayor claridad que en la multiplicaci on. (b) El primer detalle en el que nos jamos es que para tenemos que la diagonal esta compuesta de puros 0 (debido a que B y B T tienen la misma diagonal) y esto es una de las caracteristicas de las matrices asim etricas. La otra observaci on es que se puede ver que al realizar la resta de B con B T en la casilla Bij se obtiene una resta que es exactamente opuesta a la resta que se obtiene en la casilla Bji . Es decir, Bij =Bji . De aqui concluimos que B B T es asim etrica. t 40. [4, P. 56, 1.5] Se dice que E M (n n, C) es una matriz elemental si resulta de la matriz identidad In M (n n, ) mediante una u nica operaci on elemental de las. Las operaciones elementales de las son: (i) multiplicaci on de una la por una constante; (ii) permutaci on de dos las (diferentes); (iii) suma de un m ultiplo de una la por otra. (a)Sean E, A M (n n, C), donde E es una matriz elemental. Demuestre que, entonces, EA es la matriz que resulta de A aplicando a A la misma operaci on elemental de las que permite obtener E a partir de A. (b)Determine las inversas de las matrices elementales. Son nuevamente matrices elementales? = BB T =B T =B
61
Ya que es solo una la operaci on la que se debe realizar, esta solo modica una la de la matriz original, por esta raz on la demostraci on se har a para solo matrices de 2 2, lo cual puede ser ampliado a matrices n n La demostraci on para la multiplicaci on de una la por una constante. Sea fi() la operaci on la que multiplica la la i por una constante . Al aplicar esta operaci on a una matriz I (identidad ), transformar a el valor 1 de la la i a , por lo que esta matriz resultante (E ) multiplicar a a A i.e.: EA = f1() (I )A = f1() (IA) = f1() A 0 0 1 A B C D = A B C D = 0 A B C D
La demostraci on de permutaci on de las de una matriz. Sea fnm la operaci on la que intercambia los valores de la la n con la m. Esta operaci on afectar a a solo dos las de las matriz I , por lo que al multiplicarla con A, las las se intercambiaran. EA = f12 (I )A = f12 (IA) = f12 (A) 1 0 0 1 A B C D 0 1 1 0 A B C D C D A B
f12
La suma de un m ultiplo de una la por otra. Sea fnm() (A) la operaci on la que multiplica la la m y la suma a la la n de la matriz A. Esta operaci on afectar a solo a una la de la matriz A EA = f21() (I )A = f21() (IA) = f21() (A) 1 0 1 A B C D A B A + C B + D t 41. [4, P. 82, 22] Demuestre: (a)Si A es antisim etrica e invertible, A1 tambien es antisim etrica. (b)Si A,B son antisim etricas, AT , A + B y A, un escalar, tambien son antisim etricas. (c)Toda matriz cuadrada puede escribirse como suma de una matriz sim etrica y otra antisim etrica. (a)Sabemos que A = AT y que det(A) = 0. Por lo tanto: A = AT A1 = (AT )1 A1 = (A1 )T Demostraci on de la conmutaci on de operadores: (AT )1 = (A1 )T (AT )(AT )1 = (AT )((A1 )T ) I = (AT )T ((A1 )T )T I = (A)(A1 ) (b)Como es resultado anterior, el operador de transposici on lo supondremos una transformaci on lineal y por lo tanto: (A)T = (AT )
62
Algebra Lineal
A = AT AT = (AT )T AT = (AT )T Como es resultado anterior, el operador de transposici on lo supondremos una transformaci on lineal y por lo tanto: (A + B )T = AT + B T A = AT B = B T A + B = (AT ) + (B T ) A + B = (AT + B T ) A + B = (A + B )T Como es resultado anterior, el operador de transposici on lo supondremos una transformaci on lineal y por lo tanto: (A)T = (AT ) A = AT A = AT A = (A)T (c) A B C C C = = = = = AT BT A+B AT + B T B T AT
Podemos entonces denir los elementos de C como cij : cij cij cji cji = = = = aij + bij bji aji aji + bji bij aij
Entonces concluimos que los aij y bij estan denidos para cualquier M at(n n, C) como: aij bij = (cij cji )/2 = (cij + cji )/2 t
Parte 5
Espacios Vectoriales en General
42. [11, P. 110, 19] Describa los espacios de columnas y los espacios de las de las siguientes matrices: 1 0 0 1 0 0 ; (b)B = 2 0 0 0 2 0 T T det(AB ), det(AB ), det(B C ), det(B T C T ). (a)A =
T T
; (c)C =
1 2 0 0 0 0
. (d)Calcule, si es posible,
(a)Los espacios columnas de una matriz, son todas las combinaciones lineales de las columnas y se denomina Col(M ) Para la matriz A se tiene que: 1 2 A= 0 0 0 0 Siendo la combinacion lineal la suma de: 1 2 x1 0 + x2 0 0 0 Entonces, el espacio columna de la matriz A es para todos los vectores de la forma (, 0, 0), dado que todas sus combinaciones lineales se encuentran el el eje X . (b)Para B se tiene: la matriz 1 0 B= 0 2 0 0 Siendo su combinaci on lineal la suma de: 1 0 y1 0 + y 2 2 0 0 Entonces, el espacio columna de la matriz B es para todos los vectores de la forma (, , 0), dado que todas sus combinaciones lineales se encuentran el el eje XY . (c)Para C se tiene: la matriz 1 0 B= 2 0 0 0 Siendo su combinaci on lineal la suma de: 1 0 z1 2 + z2 0 0 0 Entonces, el espacio columna de la matriz C es para todos los vectores de la forma (, 2, 0), dado que todas sus combinaciones lineales se dan por la primera columna. (d) det(AB T ) = 1 4 0 0 0 0 =0 0 0 0 1 2 1 0 AB = 0 0 0 2 0 0 0 0
Ambas matrices son de 3x2, lo que implica que el det(AB ) no se puede calcular. 1 0 4 0
det(B T C ) = BT C T =
=0 1 2 0 0 0 0
1 0 0 0 2 0
65
Ambas matrices son de 2x3, lo que implica que el det(B T C T ) no se puede calcular. t 43. [11, P. 111, 27] Sea A M (mxn, C). Examine la veracidad de las siguientes proposiciones. Para las verdaderas, proporcione demostraciones; para las falsas, exhiba contraejemplos y estudie condiciones adicionales que podri an hacerlas verdaderas. (a) El conjunto de los vectores b Cm que no est an en el espacio de columnas R(A) de A es un subespacio vectorial de Cm . Verdadero. Sabemos que el espacio vectorial Cm est a formado por Column(A) y Left-Null(A), esto implica dado el enunciado que si los vectores no est an en el Column(A) pertenecen entonces, al Left-Null(A). Sabido esto basta comprobar que Left-Null(A) es un espacio vectorial. Left-Null(A) = Null(AT ) N (AT ) = {x Cm , AT x = 0} Necesitamos comprobar las 3 propiedades de subespacios vectoriales. 1.- Que el 0 (cero) N ull(AT ) 2.- Que la suma de 2 vectores N ull(AT ) 3.- Que un vector por un escalar N ull(AT )
Vericaci on: 1.- Por denici on el 0 pertenece al espacio, ya que el O siempre lleva a cualquier matriz a 0. 2.- Se tiene u y v Cm : AT (u + v ) = 0 ...por algebra de matrices AT u + AT v = 0 entonces la suma pertenece a N ull(AT ). 3.- Se tiene u Cm , AT (u) = 0 (AT u) = 0 multiplicar por un escalar tambien pertenece a N ull(AT ). N ull(AT ) es un Subespacio Vectorial. Lef t-N ull(A) es un S.E.V :
(b) Verdadero.Lo que entrega el Column(A) son las bases con las que se genera dicho espacio,
66
Algebra Lineal
por lo tanto si el Column(A) con tiene solo el 0 la unica matriz A que se puede generar es la Matriz nula.
(c) Verdadero, ya que los espacios de columnas tanto de A como de 2A pueden ser formados solo por el Column(A), dado que solo es un escalar. Esto podria considerarse como: Column(A) = Column(A) , .
(d) Falso, tomemos el siguiente contraejemplo: A= 0 1 1 0 , el Column(A) = 0 1 , 1 0
Ahora tomemos A I 1 1 1 1 1 1
AI =
el Column(A I ) =
El Column(A) = Column(A I ). t 44. [11, P. 111, 28] Construya una matriz A M (3 3, R), tal que su espacio de columnas contenga los vectores(1, 1, 0)T y (1, 0, 1)T pero que no contenga el vector (1, 1, 1)T . Sean los vectores A1 = (1, 1, 0)T y A2 = (1, 0, 1)T , luego el tercer vector que contenga la matriz debe ser linealmente dependiente ya que s olo A1 y A2 pertenecen al espacio columnas, entonces si realizamos la suma entre estos vectores formaremos el tercer vector deseado y distinto a (1, 1, 1)T : A1 + A2 = (2, 1, 1)T Por lo tanto la matriz buscada ser a: 1 1 2 A= 1 0 1 1 1 1 t 1 2 3 4 de la matriz A = 2 4 8 10 3 6 11 14 4 2 0
45. Determine el espacio nulo N (A) y el espacio de las F (A) Mediante Operaciones Filas 1 2 3 4 1 f21(2) 0 0 2 2 f31(3) 0 3 6 11 14 0 1 2 3 4 N (A) = 0 0 2 2 0 0 0 0 +2+3+4 =0 2+2 =0 2 3 4 1 2 3 0 2 2 f21(1) 0 0 2 0 2 2 0 0 0 0 = 0 0
67
2 N (A) = 1 0 0 1 0 0 2 0 0 2 0 0 2 AT = 3 2 0 3 2 0 = 3 + 2 4 2 0 4 2 0 4+2 2 F (A) = 3 + 2 4+2 t 46. [11, P. 123, 21-27] Construya (si es posible) matrices reales A tales que: (a) el espacio nulo N (A) de A consiste en todas las combinaciones lineales de los vectores (2, 2, 1, 0)T y (3, 1, 0, 1)T . (b) el espacio nulo N (A) de A consiste en todos los m ultiplos del vector (4, 3, 2, 1)T . (c) el espacio de columnas R(A) de A contiene los vectores (1, 1, 5)T y (0, 3, 1)T y, simult anemaente, el espacio nulo N (A) contiene el vector (1, 1, 2)T . (d) el espacio de columnas R(A) de A cntiene los vectores (1, 1, 0)T y (0, 1, 1)T y, simult aneamente T T el espacio nulo N (A) contiene los vectores (1, 9, 1) y (0, 0, 1) . (e) el espacio de columnas R(A) de A contiene el vector (1, 1, 1) y, simult aneamente el espacio nulo N (A) es la recta de los m ultiplos del vector (1, 1, 1, 1). (f) el espacio nulo N (A) coincide con el espacio de columnas R(A), cuando A M (2 2, R). Es esto posible siquiera? (g) el espacio nulo N (A) coincide con el espacio de columnas R(A), cuando A M (3 3, R). Es esto posible siquiera? Qu e diferencia fundamental observa Ud. entre los casos (f) y (g)? (adem as, desde luego, que unas son matrices de 2 2 y las otras de 3 3!) (a) Se puede observar que el espacio N (A) es de dimensi on dos, con lo que basta que la matriz A tenga dos las. 2 + 3 2 + a11 a12 a13 a14 = 0 A.N (A) = . a21 a22 a23 a24 0 Luego a11 (2 + 3 ) + a12 (2 + ) + a13 () + a14 ( ) a21 (2 + 3 ) + a22 (2 + ) + a23 () + a24 ( ) (2a11 + 2a12 + a13 ) + (3a11 + a12 + a14 ) (2a21 + 2a22 + a23 ) + (3a21 + a22 + a24 ) 2a11 + 2a12 + a13 3a11 + a12 + a14 2a21 + 2a22 + a23 3a21 + a22 + a24 = = = = = = = = 0 0 0 0 0 0 0 0
68
Algebra Lineal
Parametrizando a11 = u, a12 = t, a21 = v y a22 = w obtenemos: a13 = 2(u + t), a14 = (3u + t), a23 = 2(v + w) y a24 = (3v + t) Por lo tanto cumplir an con (a) todas aquellas matrices de la forma: u t 2(u + t) (3u + t) v w 2(v + w) (3v + w) y todas aquellas formadas por las que dependan linealmente de las dos las de esta matriz. b) a11 a12 a13 a14 a21 a22 a23 a24 4k 3k . 2k = 0 k
4ka11 + 3ka12 + 2ka13 + ka14 = 0 4ka21 + 3ka22 + 2ka23 + ka24 = 0 Parametrizamos a11 = t1 , a12 = t2 , a13 = t3 , a21 = t4 , a22 = t5 , a23 = t6 Entonces nuestra matriz nos queda: A= t1 t2 t3 (4t1 + 3t2 + 2t3 ) t4 t5 t6 (4t4 + 3t5 + 2t6 )
c) 1 0 a1 k 1 3 a2 . k = 0 5 1 a3 2k 1 2 k + 3k + 2ka2 = 0 a2 = 2 5k + k + 2ka3 = 0 a3 = 3 1 0 1 2 A = 1 3 2 5 1 3 k + 2ka1 = 0 a1 =
d) 1 0 a1 1 1 a2 . 9 = 0 0 1 a3 + + + 9 + 9 + a2 ( + ) = 0 a2 = + 9 9 + a3 ( + ) = 0 a3 = + 1 0 + +9 A = 1 1 + 5 1 9 + + a1 ( + ) = 0 a1 =
69
e) k 1 a12 a13 a14 k 1 a22 a23 a24 . = k 1 a32 a33 a34 k k + ka12 + ka13 + ka14 = k + ka22 + ka23 + ka24 = k + ka32 + ka33 + ka34 = a12 = (1 + t1 + t2 ) a22 = (1 + t3 + t4 ) a33 = (a + t5 + t6 ) Y nuestra matriz que satisface e), es: 1 (1 + t1 + t2 ) t1 t2 1 (1 + t3 + t4 ) t3 t4 1 (1 + t5 + t6 ) t4 t6
0 0 0 0
Parametrizamos con a13 = t1 , a14 = t2 , a23 = t3 , a24 = t4 , a33 = t5 y a34 = t6 . Luego nos queda
f)Supongamos: A= nos dicen que: R(A) = Como A.N (A) = 0: a b c d , R a(a + b) + b(c + d) = 0 c(a + b) + d(c + d) = 0 (a2 + bc) + (ba + bd) = 0 (ac + cd) + (bc + d2 ) = 0 Como y puede tomar el valor de cualquier numero real, la u nica forma en que se cumpla la igualdad es que los valores que est an dentro de los par entesis sean iguales a cero. a2 + bc = 0 a2 = bc b(a + d) = 0 a = d b = 0 c(a + d) = 0 a = d c = 0 bc + d2 = 0 d2 = bc Si b = 0 y a = d entonces a = b = d = 0: A= 0 0 c 0 . a + d c + d =0 a c , b d = a c + b d = N (A) a b c d
70 Si b = 0 y c = 0 entonces a = b = c = d = 0: A= Si a = d y c = 0 entonces a = c = d = 0: A= Si a = d y a = d entonces a = t1 , b = t2 : A= g) a11 a12 a13 x a21 a22 a23 . y = 0 a31 a32 a33 z Luego: Column(A) = a11 a12 a13 a21 , a22 , a23 a31 a32 a33 t1 (t1 )2 t2 t2 t1 0 b 0 0 0 0 0 0
Algebra Lineal
a11 x + a12 y + a13 z = 0 a21 x + a22 y + a23 z = 0 a31 x + a32 y + a33 z = 0 Pero x = a11 + a12 + a13 , y = a21 + a22 + a23 y z = a31 + a32 + a33 Con lo que nalmente quedan 9 ecuaciones muy parecidas: a2 11 + a12 a21 + a13 a31 a11 a12 + a12 a22 + a13 a32 a11 a13 + a12 a23 + a13 a33 a21 a11 + a22 a21 + a23 a31 a21 a12 + a2 22 + a23 a32 a21 a13 + a22 a23 + a23 a33 a31 a11 + a32 a21 + a33 a31 a31 a12 + a32 a22 + a33 a32 a31 a13 + a32 a23 + a2 33 = = = = = = = = = 0 0 0 0 0 0 0 0 0 t 47. Considere la Matriz Hilbertiana (i) Escriba un programa en MATLAB que calcule la matriz B. Los datos de entrada son n,p. %Esta funcion construye una Matriz Hilbertiana dados n y p. function [A,B]=hi(n,p) for i=1:n for j=1:n A(i,j)= 1/(i+j-1);
71
end end B=0; for k=1:p B=B + fact(p,k)*fact((2*p+1),(2*k+1))*A^(p-k); end A B %Funcion que calcula la combinatoria de n sobre k function [f]= fact(n,k) f = factorial(n)/(factorial(n-k)*(factorial(k)));
(ii) Escriba u programa en MATLAB que dados n,p , calcule los determinantes de las matrices A y B. %Esta funcion calcula el determinante de la matriz A y B %dados n y p.Primero se hace a ambas una matriz triangular superior, %y luego se multiplican los factores de la diagonal. function [A,B]=de(n,p) [A,B]=hi(n,p); tempA=A; tempB=B; [a]=size(A); [b]=size(B); A=triup(A); B=triup(B); detA=1; for i=1:a detA= detA*A(i,i); end detB=1; for j=1:b detB= detB*B(j,j); end A=tempA; B=tempB; detA detB %Esta funcion convierte una matriz en triangular superior function [A]=triup(A) [m,n]=size(A); for i=1:m if A(i,i)==0 A=swap(A,i); end for w=i+1:m
72 A(w,:)=-A(w,i)/A(i,i)*A(i,:)+A(w,:); end end %Esta funcion hace un swap entre una columna que tenga %la casilla de la diagonal = 0 con otra que no. function A=swap(A,i) [m,n]=size(A); for j=i:n if A(i,j)~=0 temp=A(:,j) A(:,j)=A(:,i) A(:,i)=temp end end
Algebra Lineal
(iii) Escriba un programa en MATLAB que cualcule los valores propios de A y B dados n y p. La idea es la siguiente: construir la matriz triaungular superior de A con la funci on triup(A) y se obtiene como primer resultado para los valores propios la diagonal de A, una vez por supuesto obtenido la matriz A y B con la funci on hi(n,p). Luego teniendo mis primeros valores propios despejo de Av=lv el vector propio v y comienzo a iterar utilizando el m etodo Power Iteration v (0) for k= 1,2,3 . . . w=Av (k1) v (k) =w/norm(w) l(k) =v (k) Av (k) Y luego se cambia el v (0) despejando v desde Av=lv sac ando un l de la diagonal de la matriz triangular superior de A. Y los l(k) ser an los valores propios de la matriz A. t 48. Sea A = [aij ] M (nxn, K). Sea Aij la matriz que resulta de A al eliminar si i - esima la y su j - esima columna. Evidentemente, Aij M((n 1)x(n 1), K). a) Desmuestre que:
n n
(1)i+j aij det(Aij ) =

j =1 i=1
(1)i+j aij det(Aij )
para todo 1 i, j n Entonces el determinante detA de A puede denirse recursivamente mediante:

n n
det[aij ] = a, (n = 1); detA =

j =1
(1)
i+j
aij detAij =
i=1
(1)i+j aij detAij , 2 n N
73
para cualquier i o j , 1 i, j n. Estas F ormulas corresponden al llamado Desarrolo de LaPlace para el determinante. N otese que [a] M (1x1, K). Para n = 1,n = 2,n = 3,el algoritmo precedente conduce a las conocidas f ormulas: det[aij ] = aij , det a11 a12 a21 a22 = a11 a22 a21 a12
a11 a12 a13 det a21 a22 a23 = a11 a22 a33 a11 a23 a32 + a13 a21 a32 a13 a22 a31 + a12 a23 a31 a12 a21 a33 a31 a32 a33 Observando las f ormulas precedentes varios astutos terr aqueos del siglo XIX llegaron a conjeturar:
n
detA =
n
sgn
i=1
ai(i)
Donde n es el conjunto (es un grupo!) de las n! permutaciones de 1, 2, ..., n y el sgn es el signo de la permutaci on , i.e., +1 si el menor n umero de transposiciones (intercambio de pares adyacentes) necesarios para llegar de 1, 2, ..., n a (1), (2), ..., (n) es par, y -1 en caso que este menor n umero sea impar. Soluci on:
n n
(1)
j =1
i+j
aij det(Aij ) =
i=1
dado que det(A) =
det(AT )
n
det(A) =
j =1
y dado tambi en:

n
det(AT ) =
j =1
(1)j +i aji det(Aji )
y dado que al cambiar los subindices de i en esta ecuaci on son las columnas y j las las volviendo a que i son las y j columnas se llega la ecuacion que:
n
det(A ) =
i=1
y volviendo ala igualdad de det(A) = det(AT ) llegamos a que:

n n
det(A) = det(A ) =
j =1
(1)
i+j
aij det(Aij ) =
i=1
b) Demuestre la f ormula (det). Soluci on:

n
detA =
n n
sgn
i=1
ai(i)
(sgn )
n i=1
ai(i) =
n
(sgn )a1(1) a2(2) ...an(n)
74
Algebra Lineal
|A| =
(sgn )a1j1 a2j2 ...anjn
dado que los subindices que proceden de las las mantienen un orden natural1, 2, .., n y como los factores que provienen de columnas diferntes , la sucesion de los segundos subindices contituyen una permutacion = j1 ..jn dado que A es la multiplicacion de los aij en forma diagonal por denicin la permutacion logra realizar esto ya que para la primera permutacion se obtendra a1j1 a2j2 ..anjn para j1 = 1, j2 = 2, .., jn = n que seria la diagonal principal luego se recorreria a la otra diagonal siendo j1 = n, j2 = 1, ..., jn = (n 1) y asi seguiran las permutaciones posibles de los ji lograndose la suma de los productos delas diagonales y cuando las diagonales sean en el otro sentido de la diagonal principal secundaria y las qu estan en ese sentido se restarias. c) Demuestre que det(AB ) = detAdetB, A, B M (nxn, K). Soluci on: Si A es singular , AB tambi en lo es y |AB | = 0 = |A||B |. Por otra parte, si A es no singular, A = En ...E2 E1 , producto de matrices elementales. Haciendo uso de la matriz elemental, que en tal caso para toda matriz A, |EA| = |E ||A| y de la inducci on obtenemos: |AB | = |En ...E2 E1 B | = |En |...|E2 ||E1 ||B | = |A||B | d) Considere detA como funci on de las columnas (resp., de las las)de la matriz A M(nxn, K), i.e. A detA=det(a1 ,. . . ,an ) (A detA= det(a1 , . . ., an )), A M(nxn,K), donde aj = j - esima columna de A,1jn Verique que el funcional det:M(nxn,K) K: i) es multilineal ii) es alternante iii)est a normalizado Demuestre que si f f (A)=f (a1 ,. . . ,an ) (f f (A)= f (a1 , . . ., an )), es una aplicaci on que posee las propiedades i),ii),iii), entonces f coincide con la funci on determinante. e)Escriba programas para MATLAB que permita calcular , a brutaf orza ,tanto mediante el desarrollo de Laplace como por medio de la f ormula combinatorial (det), determinantes de matrices de hasta 10 x 10. Determine las complejidades de sus programas. M as adelante veremos estrategias m as astutas para calcular determinantes.
d)
i) Una funci on D: M(nxn,K) K es multilineal si es lineal en cada uno de sus argumentos, o sea: 1. Si Ai=B+C D(A)=D(..,B+C,..)=D(..,B,..)*D(..,C,..) 2. Si Ai=B con K D(A)=D(..,B,..)=D(..,B,..) ii) Una funcion D: M(nxn, K) K es alternada si D(A)=0 siempre que A tenga 2 elementos iguales, o sea: D(A1,A2,..,An)=0 siempre que Ai=Aj, i=j iii) D(I)=1
Demostraciones:
75
Sea D la funci on determinante. Se desea probar que D satisface i), ii) y iii) y que es la u nica funci on que lo hace.
ii) y iii) Sea A una matriz cuadrada: Si A posee una la (columna) de ceros, entonces D(A)=0. 0 0 0 det 1 1 1 = 0 1 1 1 Si A posee dos las (columnas) iguales, entonces D(A)=0. 1 1 1 det 1 1 1 = 0 0 1 0 Si A es triangular, o sea, con ceros por encima o por debajo de la diagonal, entonces D(A) es igual al producto de los elementos. 1 1 1 det 1 1 0 = 1 1 0 0 i) Si la la i- esima de A=(aij ) es de la forma (bi1 + ci1 , bi2 + ci2 , .., bin + cin ). En este caso: D(A)=D(A1 , . . ., Bi + Ci , . . ., An )=
(sgn)a11 . . .ai1i1 (bii +cii ). . .ann =D(A1 , . . ., Bi , . . ., An ) + D(A1 , .
As mismo, D(A1 , . . ., Ai , . . ., An )= (sgn)a1i1 . . .ajij . . .anin = (sgn)a1i1 . . .ajij . . .anin = |A| Unicidad Si (e1 , . . ., en ) es la base usual de n , D(e1 , . . ., en )=D(I )=1 y tambi en D(e1 , . . ., en )=sgn , donde = i1 , . . ., in . Supongamos que A= (aij ) . Se observa que la la k - esima Ak=(ak1 , . . ., akn ) =ak1 e1 + . . . + akn en de modo que D(A)=D(a11 e1 + . . . + a1n en , a21 e1 + . . . + a2n en , . . ., an1 e1 + . . . + ann en ) Utilizando la multinealidad de D podemos escribir D(A) como una suma de t erminos de la forma D(A)= D(a1i1 ei1 , . . .anin ein ) = (a1i1 a2i2 . . .anin ) D(ei1 , . . ., ein ) donde la suma se extiende a todas las sucesiones i1 . . .in con ik 1, . . ., n. Si dos de los ndices
76 son iguales, digamos ij =ik pero j=k, entonces D(ei1 , . . ., ein )=0
Algebra Lineal
En consecuencia solo es necesario efectuar la suma sobre todas las permutaciones =i1 . . .in . Finalmente, D(A)= (a1i1 a2i2 . . .anin ) D(ei1 , . . ., ein ) = (sgn)a1i1 . . .anin donde =i1 . . .in Por lo tanto, D es la funci on determinante.
e) Programa para calcular el determinante de una matriz A usando el M etodo de Laplace: function y=detcof(A) n=size(A,1); if n==1 y=A(1,1); elseif n==2 y=A(1,1)*A(2,2)-A(1,2)*A(2,1); else isign=1; y=0; for i=1:n y=y+isign*A(1,i)*detcof(A(2:n,[1:i-1 i+1:n])); isign=-isign; end end Este m etodo tiene una complejidad de n! por lo que no resulta un procedimiento pr actico. t 49. [6, 0.4.5-6, P. 13] Demuestre: (a) rankA m nm, n para toda matriz A M (m n, K ) El rank de una matriz cualquiera, por denici on, corresponde al n de las linealmente independientes. Esta denici on se aplica tambi en a las columnas de la matriz, por lo tanto, el rank es el n umero de las Y columnas l.i. Siguiendo esta denici on, el rank no puede corresponder al n umero mayor entre columnas y las, porque entonces sobrar an bases, y generar an otro espacio. Por lo tanto, para matrices no cuadradas, en donde el n de columnas es mayor al n de las, o viceversa, el rank corresponder a a lo m as al n umero de las en el primer caso, o columnas, en el segundo. (b) El rango rank de la matriz resultante de eliminar las y/o columnas de una matriz dada, no puede ser mayor que el rango de la matriz original. Si eliminamos las y/o columnas mediante operaciones las/columnas, el rango no puede incrementarse, ya que si eliminamos exitosamente una la o una columna, esto quiere decir que esa la o columna era l.d. con respecto a las otras, y por lo tanto, el rank disminuye, y si es imposible eliminar las o columnas por medio de este proceso, entonces el rank se mantendr a. En ning un caso, el rango de una matriz aumentar a mediante el proceso de eliminar las o columnas. (c) rankA + rankB k rankAB min{rankA, rankB }, A M (mxk, K), B M (kxn, K) Primero demostraremos rankAB min{rankA, rank }B : Cada columna de AB es una combinaci on de las columnas de A, lo que implica que R(AB ) R(A) rank (AB ) rank (A). Cala la de AB es una combinaci on de las las de B espaciof ila(AB ) espaciof ila(B ), pero la dimensi on del espaciola=dimensi on del espacio columna=rank, ya que rank (AB ) rank (B ). Entonces
77
rank (AB ) min{rank (A), rank (B )} Ahora demostraremos que rank (A) + rank (B ) k rank (AB ). Sea rB = rank (B ) rA = rank (A) KB = dim(N (B )) = nullity de B = n rB KA = nullity de A = n rA , mxn nxp donde A C ,B B . Ahora, hagamos que {v1 , ..., vrB } sea una conjunto base de R(B ), y agregamos n rB vectores linealmente independientes {w1 , ..., wnrB } a la base para abarcar todo Cn , {v1 , v2 , ..., vn , w1 , ..., wnrB }. Sea M = (v1 |v2 ...vrB |w1 |...wnrB ) = (V W ) Supongamos x C , entonces x = M para algun Cn .
n
I)R(A) = R(AM ) = R(|AV |AW |). i) Sea x (R) Ay = x para algun y Cn . Pero y puede ser escrita como una combinaci on lineal de vectores base de Cn , ya que y = M para alg un Cn . Entonces, Ay = AM = x x R(AM ) R(A) R(AM ). ii) Sea x R(AM ) AM y = x para alg un y C n , pero M y = z Cn Az = x x R(A) R(AM ) R(A). Por esto, R(A) = R(AM ) = R(|AV |AW |). II)R(AB ) = R(AV ). un Cp ya que las i) Sea x R(AV ) AV y = x para alg un y CrB . Pero V y = B para alg columnas de V y B abarcan el mismo espacio. Esto implica que AV y = AB = x x R(AB ) R(AV ) R(AB ). ii) Sea x R(AB ) (AB )y = x para alg un y Cp . Pero de nuevo By = V para alg un rB C ABy = AV = x x R(AV ) R(AB ) R(AV ). Por esto, R(AV ) = R(AB ). Usando I), vemos que el n umero de columnas linealmente independientes de A es menor o igual que el n umero de columnas linealmente independientes de AV + el numero de columnas linealmente independientes de AW , esto signica que rank (A) rank (AV ) + rank (AW ) Usando II) vemos que rank (AV ) = rank (AB ) rank (A) rank (AB ) + rank (AW ) pero solo hay n rB columnas en AW . Entonces (AW ) n rB rank (A) rank (AB ) rank (AW ) n rB rA (n rB ) rAB Esto completa la demostraci on. (d) rank (A + B ) rankA + rankB, A, B M (mxn, K) Ver A y B como mapas lineales: Rn Rm . Entonces Im(A + B ) ImA + ImB
78 ya que (A + B )v = Av + Bv . Usando la formula de dimension dim(U1 + U2 ) = dim(U1 ) + dim(U2 ) dim(U1 U2 ) donde tomamos U1 = ImA y U2 = ImB .
Algebra Lineal
(e) rank(AB )+rank(BC ) rankB +rank(ABC ), A M (m k ,K), B M (k p,K), C M (p n,K) Respuesta: El rank de la matriz AB M enor(m, p), el rank de la matriz BC B M enor(k, p) y el de la matriz ABC M enor(m, n). Podemos escribir la expresi on anterior de la forma: rank (AB )+rank (BC ) M enor(m, p)+M enor(k, n) rankB +rank (ABC ) M enor(k, p)+M enor(m, n) Podremos convertir parte de la inecuaci on en igualdades.: rank (AB )+rank (BC ) = M enor(m, p)+M enor(k, n) tenemos: M enor(m, p) + M enor(k, n) M enor(k, p) + M enor(m, n) como caso especial podemos decir que todas las matrices tienen menor o igual cantidad de las que columnas, es decir m k p n y ahora tenemos: m+k k+m Queda demostrado, ya que cualquier combinaci on de valores que se le asignen a m, k, p y n tendran resultados similares. =rankA, A M (m n, C) (f) rankA =rankAT =rankA El conjugar una matriz solo cambia los signos de los valores imaginarios, por lo tanto no afecta el rank que tiene una matriz, es decir: rankA =rankAT =rankA rankA Por lo que solo basta con demostrar que: rankAT =rankA El rank de una matriz puede calcularse contando la cantidad de pivotes que tiene la matriz en cuesti on. La cantidad de pivotes en la matriz A es igual a la cantidad de pivotes en la matriz AT , por lo que tienen igual rank. (g)Si A M (m m, k ) y C M (n n, k ) son no singulares, y B M (m n, k ) entonces rank (AB ) = rank (B ) = rank (BC ) = rank (ABC ). Si m > n entonces B a lo m as tiene rank (B ) = n. Si el rank (B ) = r (puedes ser n), entonces si realizamos AB donde el resultado va a ser una matriz de m n la cual tiene r columnas L.I. con lo cual rank (AB ) = r, analogamente ocurre para los casos rank (BC ) y rank (ABC ). Al realizar la multiplicaci on de matrices de diferente rank, el rank de la matriz resultante sera el menor de las dos matrices. (h) Si A, B M (m n, K ), entonces rank (A) = rank (B ) si y solo si existen matrices no singulares X M (m m, K ) Y M (n n, K ) tales que B = XAY Se sabe que es posible expresar la matriz B como XAY , esta factorizaci on es conocida como f ullSV D donde la matriz A contiene todos los valores propios de la matriz B en las posiciones donde la la i coincide con la columna j , si m < n entonces el rango de la matriz B a lo mas puede ser n. En caso que de las n columnas r fueran L.I.en la descomposici on se el rango de la matriz B ser ia r, y en la rankB +rank (ABC ) = M enor(k, p)+M enor(m, n) M enor(k, n), el de la matriz
79
matriz A quedar in r valores propios, los cuales formarian r columnas L.I. con lo cual el rank (A) = r por lo tanto rank (A) = rank (B ). (i) rank (A A) = rank (A), A M (m n, C ) Si m > n entonces la matriz A tiene como m aximo rank = n, ahora al realizar A A el resultado va a ser una matriz de m m donde van a existir n columans L.I por lo cual rank (A A) = rank (A). El multiplicar una matriz por su traspuesta conjugada no altera su rango, pues aunque la matriz ahora posee m columnas adicionales estas columnas solo son combinaciones lineales de las n columnas L.I. de la matriz original A. (j) Si A M (m n, K) tiene rango rankA = k , entonces existen matrices X M (m k, K), Y M (k n, K) y B M (k k, K), con B no singular, tales que A = XBY . En particular, toda matriz A de rango rankA = 1, puede escribirse siempre en la forma A = xy T con x Km e y Kn . Esta forma de expresar la matriz A es muy similar a la factorizaci on SVD. Las matrices X e Y vendr an a ser las matrices ortogonales de los espacios asociados, mientras que B, la matriz con coecientes de correspondencia. Si ahondamos m as en la factorizaci on SVD, tenemos que A = U W V T con: 1. W M (k k, K) an aloga a B . 2. U M (n k, K) matriz con columnas ortonormales, an aloga a X . 3. V M (k n, K), matriz ortogonal an aloga a Y T . La factorizaci on SVD se estudia m as adelante en el ramo y se profundiza m as. Existe un(os) m etodo(s) para encontrar estas matrices. t 1 2 5 0 5 50. Para qu e valores de las constantes c y d la matriz 0 0 c 2 2 tiene rango 2 ? 0 0 0 d 2 Soluci on: Para mayor comodidad escribamos en este ejercicio los vectores de R5 como vectores-las. Sea fk = [fk,1 , fk,2 , fk,3 , fk,4 , fk,5 ] R3 la k- esima la de la matriz dada, k = 1, 2, 3. Puesto que f1,1 = 1, f1,2 = 2 y f2,1 = f2,2 = f3,1 = f3,2 = 0, es claro que f1 / E23 := f2 , f3 R = espacio vectorial real generado por f2 y f3 . Luego para que la matriz dada tenga rango 2 es encesario y suciente que f2 y f3 sean l.d. Para que esto ocurra, en vista de f3,1 = 0, es necesario y suciente que c = 0 y d = 2. t 51. [6, 0.5, P. 14] Sea A M (n n, K). Demuestre que las siguientes propiedades son equivalentes: a) A es no singular i.e, Ax = 0 si y solo si x = 0 Kn . b) A1 existe, i.e , A es invertible: AA1 = A1 A = I donde I M (n n, K) es la identidad. c)rank A = n. d)Las las de A son linealmente independientes. e)Las columnas de A son linealmente independientes. f)det A = 0. g)La dimensi on del espacio range A = {Ax : x Kn } es n. h)La dimensi on del n ucleo ker A = {x Kn : Ax = 0} es n. Se puede vericar la equivalencia de las propiedades al ver lo siguiente:
80
Algebra Lineal
A Es no singular, i.e, Ax = 0 si y solo si x = 0 Kn Las columnas de A son linealmente independientes. Ya que Ax es la combinacion lineal de las columnas de A y si Ax = 0 solo cuando x = 0, entonces las columnas de A son LI. Las columnas de A son linealmente independientes rank A = n. Esto debido a la denicion de rank A y el hecho de que A M (n n, K). A es no singular, i.e, Ax = 0 si y solo si x = 0 Kn la dimensi on del n ucleo ker A = {x Kn : Ax = 0} es n. Esto se cumple ya que: ker A = {0} dim(kerA) = 0 la dimensi on del n ucleo ker A = {x Kn : Ax = 0} es n la dimensi on del espacio range A = n {Ax : x K } es n. Ya que dim (ker A) + dim(range A) = n 0 + dim(rangeA) = n dim(rangeA) = n Las columnas de A son linealmente independientes las las de A son linealmente independientes. Las propiedades v alidas para las columnas son v alidas para las las y vice-versa. A1 existe, i.e , A es invertible: AA1 = A1 A = I donde I M (n n, K) es la identidad detA = 0. Ya que si A1 =
1 det A
t 52. Demuestre o refute: la inversa de una matriz triangular superior cuadrada tambi en es una matriz triangular superior cuadrada cuyos coecientes de la diagonal son los rec procos de los coecientes de la diagonal de la matriz original. Sea A una Matriz triangular superior cuadrada de orden n con valores no nulos en la diagonal y I la Matriz Identidad de orden n. Como Solamente nos interera demostrar que lo valores de la diagonal de la inversa de A, son los reciprocos de la diagonal de A, mostraremos un algoritmo para calcular la inversa, pero solo iremos mostrando los valores de la diagonal y c omo se podrian calcular los otros valores. Porque seria muy engorroso listarlos todos. n Utilizada: Notacio aij : elemento de la Fila i- esima y columna j - esima. Fi : la i- esima de la matriz. EN C : elemento no calculado. Como ya sabemos que la Matriz A es triangular superior, eso implica que los elementos aij en donde i > j son 0. La idea del algoritmo a utilizar es aplicar una serie de operaciones las a la matriz A concatenada por la derecha con la matriz identidad, hasta lograr que en la matriz concatenada en la parte donde estaba la matriz A quede la matriz identidad y en donde estaba la matriz Identidad I va a quedar la matriz A1 , con lo cual vericariamos si los componentes de la diagonal son los reciprocos de los de la matriz A.
Concatenacion(A, I )
a11 a12 0 a22 . . . . . . 0 0
a1n a2n . . . ann
1 0 0 1 . . . . . . 0 0
0 0 . . . 1
81
Fi = 1 0 . . . 0
a12 a11
1 Fi aii
1 a11
1in
1 . . . 0
a 1n a11 a 2n a22
0
1 a22
. . . 1
0 . . . 0
. . . 0
0 0 . . .
1 ann
kni [Fi = Fi Fi ai,i+k ]1 1in1 1 a11
1 0 0 1 . . . . . . 0 0
0 0 . . . 1
0 . . . 0
EN C 1 a22 . . . 0
EN C EN C . . .
1 ann
En resumen, al aplicarle Operaciones Fila a la matriz concatenacion(A,I ) podemos calcular la inversa de A o A1 . Osea la matriz I se convierte en A1 , en la cual se puede apreciar que en la diagonal se encuentran los reciprocos de la diagonal de la matriz A.
1 a11
0 . . . 0
EN C 1 a22 . . . 0
EN C EN C . . .
1 ann
Por lo tanto queda demostrado que la inversa de una matriz triangular superior cuadrada tambi en es una matriz triangular superior cuadrada cuyos coecientes de la diagonal son efectivamente los reciprocos de los coecientes de la matriz original. t 53. Sea A M (n x n, K). Considere A particionada en la forma: A= A11 A12 A21 A22 , Aii M (ni ni , K) (i = 1, 2) con n1 + n2 = n
Suponga que A, A11 y A22 son invertibles. Demuestre:
A 1 =
1 1 A A11 A12 A 11 A12 22 A21 1 1 1 A21 A A21 A 11 11 A12 A22
1 A21 A 11 A12 A22 1 A22 A21 A 11 A12
1 1
donde se supone que las submatrices [...] tambi en son invertibles. Por denici on: A 1 = a b c d = A11 A22 A12 A21
1
A22 A12 A21 A11
As , para el primer componente queda:
82
Algebra Lineal
a = a = a =
A11 A22 A12 A21

1 A11 A12 A 22 A21
A22
1
1 A22 (A11 A12 A 22 A21 ) 1
A22
Para el segundo componente:

1
b =
A11 A22 A12 A21
(A12 )
1 1 1
b = A12 b = A12
A21 A12 A22 A11
1 A11 (A21 A 11 A12 A22 ) 1 A21 A 11 A12 A22
1 b = A 11 A12
Para el tercer componente:

1 1
c = c = c = c =
A11 A22 A12 A21 A21 A12 A22 A11

1 A21 A 11 A12 A22
(A21 ) A21
1
1 (A21 A 11 A12 A22 )A11 1
A21
1 A21 A 11
Para el cuarto componente:

1
d = d = d =
A11 A22 A12 A21

1 A21 A 11 A12
A11
1
1 A11 (A22 A21 A 11 A12 )
A11
A22
Por lo tanto:
1 1 A A11 A12 A 11 A12 22 A21 1 1 1 A21 A11 A21 A11 A12 A22 1 1 A21 A 11 A12 A22 1 A22 A21 A 11 A12 1 1
A 1 =
a b c d
que corresponde con el resultado al que se quer a llegar. t 54. Las Matrices de Vandermonde Vmn de m n se denen mediante V = xj i
0j n1 1im
, donde
xi C, 1 i m. Calcule el determinante det Amm y determine una condici on general que garantice que Amm es invertible. Escriba un mini-programa de MATLAB que permita calcular el referido determinante.
83
El determinante de la matriz de Vandermonde: 2 1 X1 X1 1 X2 X 2 2 2 V = 1 X3 x3 . . . . . . . . . 2 1 Xm Xm Esta dado por la siguiente expresion:

m m
... ... ... ...
m1 X1 m1 X2 m1 X3 . . . m1 Xm

mm
detV =
i=1 j =i+1
(Xj Xi )
Para que la matriz V sea invertible detV

m m
= 0
(Xj Xi ) = 0
i=1 j =i+1
(Xj Xi ) = 0, i, j Xj = Xi , i, j
Entonces la condici on para que la matriz V sea invertible es Xj = Xi , i, j El codigo del mini-programa de MATLAB para calcular el discriminante es el siguiente: n=input(Ingresa el numeros de filas que va a tener la matriz de Vandermonde: vandermonde=0:n:0; for i=1:n sprintf(Ingrese el valor de V(%d,%d) : ,i,2) vandermonde(i)=input( ) ; end determinante =1; for i=1:(n-1) for j=(i+1):n determinante=determinante*(vandermonde(j)-vandermonde(i)); end end determinante );
t 55. Demuestre o refute: Toda matr z triangular unitaria es diagonal. Sea A una matriz cuadrada, se dice que una matriz es una matriz diagonal si ai j = 0 Para todo i distinto de j:
84 A= a11 0 0 0 0 a22 0 0 . . . .. . . . . . . . 0 . . . . . . ann triangular triangular triangular triangular
Algebra Lineal
Condiciones para que una matriz sea triangular: Matriz Matriz Matriz Matriz superior: Sea B = (bij ), bij = 0, con i < j inferior: Sea B = (bij ), bij = 0, con i > j estrictamente superior: Sea B = (bij ), bij = 0, con i <= j estrictamente inferior: Sea B = (bij ), bij = 0, con i >= j
Para que una matriz sea unitaria, su diagonal principal debe ser igual a 1 y el resto de los valores deben ser igual a 0. Por lo tanto, podemos concluir que una matriz triangular unitaria es un caso especial donde bij = 1, para todo i = j y que todos los otros valores son igual a cero cumpliendo as con las reglas de una matriz diagonal. t 56. Sea S M (m m, C) una matriz hermitiana. Un vector propio de A es un vector no nulo x Cm tal que Ax = x para alg un escalar C; tal escalar se llama entonces valor propio de A. Demuestre o refute: a)todos los valores propios de A son reales. Partiendo de la igualdad: A.x = .x /.x x .A.x = x x = x x / (x Ax) = x Ax = x x x x = x x ( )(x x) = 0 como x = 0 = R b) si x y y son vectores propios correspondientes a valores propios distintos de A, entonces x e y son ortogonales. Ya que x e y son valores propios de la matriz A: Ax = x, Ay = y Si el producto punto entre los vectores es igual a cero entonces los vectores son ortogonales. (4.4) (4.5) y .Ax = y x = y x x Ay = x y = x y
Ocupando un poco de algebra desde (2):
(x Ay ) = (x y ) = y x = y A x = y Ax
A partir de lo anterior, y ya que (1) es igual al u ltimo resultado obtenido: y x = y x = y x ( )y x = 0 Ya que = esto implica que y x = 0 Bajo esta hip otesis los vectores propios son ortogonales. t
85
57. Sea A M (m m, C) una matiz anti-hermitiana (skew-hermitian), i.e., S = S . Demuestre o refute: a) Los valores propios de S son n umeros imaginarios (puros). Primero tengamos claro que este tipo de matriz s11 s12 s21 s22 S= . . . . . . tiene la forma (matriz n n): ... s1n ... s2n . .. . . .
sn1 sn2 ... snn donde los componentes de la diagonal sii son imaginarios puros, y en el resto de los componentes de la matriz se cumple que Re(sij ) = Re(sji ) y Im(sij ) = Im(sji ). Para demostrar que los valores propios de la matriz anti-hermitiana son imaginarios puros, tomaremos un valor propio arbitrario de esta matriz (que denominaremos ) y su respectivo vector propio (que denominaremos x = (x1 , x2 , ..., xn )) y demostraremos que se cumple la propiedad S x = x. Entonces tenemos: Sx=x = b11 i a12 + b12 . . . a12 + b12 i b22 i . . . Sxx=0 (S I ) x ... a1n + b1n i ... a2n + b2n i . .. . . . ... bnn i (S I ) x = 0 x1 x2 . . . xn 0 0 . . . 0 0 0 . . . 0 0 0 . . . 0
a1n + b1n a2n + b2n b11 i a12 + b12 . . .
0 ... 0 0 ... 0 . . .. . . . . . . . . 0 0 ... x1 x2 . . . xn
a12 + b12 i b22 i . . .
... a1n + b1n i ... a2n + b2n i . .. . . . ... bnn i
a1n + b1n a2n + b2n (b11 i )x1 (a12 + b12 )x1 . . .
(a12 + b12 i)x2 (b22 i )x2 . . .
... (a1n + b1n i)xn ... (a2n + b2n i)xn . .. . . . ... (bnn i )xn
(a1n + b1n )x1 (a2n + b2n )x2
Tras esta igualdad, podemos sacar n ecuaciones para , de las cuales deduciremos su valor: (b11 i )x1 + (a12 + b12 i)x2 + ... + (a1n + b1n i)xn = 0 (a12 + b12 )x1 + (b22 i )x2 + ... + (a2n + b2n i)xn = 0 . . . . . . . . . (a1n + b1n )x1 + (a2n + b2n )x2 + ... + (bnn i )xn = 0 (1) (2) . . . (n)
Ahora multiplicaremos la primera ecuaci on por x1 , la segunda por x2 , la tercera por x3 y as hasta que la n - esima ecuaci on la multiplicaremos por xn . Luego sumaremos estos productos: x1 (1) + x2 (2) + ... + xn (n): (b11 i )x2 1 + (a12 + b12 i)x1 x2 + ... + (a1n + b1n i)x1 xn + (a12 + b12 i)x1 x2 + (b22 i )x2 2 + ... + (a2n + b2n i)x2 xn + ... + (a1n + b1n i)x1 xn + (a2n + b2n i)x2 xn + ... + (bnn i )x2 n =0
86
Algebra Lineal
Como se puede observar, de esta suma, se cancelan todos los t erminos de la forma ajk , con j = k . Por lo tanto esta ecuaci on nos queda:
2 2 (b11 i )x2 1 + (b22 i )x2 + ... + (bnn i )xn + 2b12 i x1 x2 + ... + 2b(n1)n i xn1 xn = 0 2 2 2 2 2 (b11 x2 1 + b22 x2 + ... + bnn xn + 2b12 x1 x2 + ... + 2b(n1)n xn1 xn )i (x1 + x2 + ... + xn ) = 0
2 2 b11 x2 1 +b22 x2 +...+bnn xn +2b12 x1 x2 +...+2b(n1)n xn1 xn 2 2 x1 + x2 2 +...+xn
Claramente se observa que es imaginario puro. Como tomamos un valor propio arbitrario, podemos concluir que esto se cumplir a para cualquier otro valor propio. Los valores propios de una matriz anti-hermitiana son de la forma imaginaria pura.
b) I S es no singular. Que una matriz sea no singular signica que tiene inversa. Para que una matriz A tenga inversa es necesario que |A| = 0. Supongamos que |I S | = 0. Sabemos que |kA| = k n |A|, donde k es una constante, A es una matriz y n es el orden de A. Tenemos: |I S | = (1)n |S I | = 0 |S I | = 0 denotemos = 1, nos queda: |S I | = 0 ...por lo tanto, es un valor propio. Pero = 1 y seg un el ejercicio anterior los valores propios son s olo imaginarios puros. Se concluye entonces que |I S | = 0. c) La llamada transformada de Cayley de S , denida mediante Q = (I S )1 (I + S ), es una matriz unitaria. Nota: esta transformaci on es el an alogo matricial de la transformaci on de de 1+s de An a lisis Complejo, que transforma el semi-plano izquierdo de C sobre el M obius s 1 s disco unitario D. Consideremos S= s11 s12 ... s 1n s21 s22 ... s2n . . . . . . .. . . . . sn1 sn2 ... snn
donde sjj = bjj i, sjk = ajk + bjk , j < k y skj = ajk + bjk , j < k . 1 b11 i a12 b12 i ... a1n b1n i a12 b12 1 b22 i ... a2n b2n i (I S ) = . . . . . . .. . . . . a1n b1n a2n b2n ... 1 bnn i 1 + b11 i a12 + b12 i ... a1n + b1n i a12 + b12 1 + b22 i ... a2n + b2n i (I + S ) = . . . . . .. . . . . . a1n + b1n a2n + b2n ... 1 + bnn i
87
Calculemos (I S ) , (I + S ) : 1 b11 i a12 b12 (I S ) = . . . =
a12 b12 i ... a1n b1n i 1 b22 i ... a2n b2n i . . .. . . . . . a1n b1n a2n b2n ... 1 bnn i 1 + b11 i a12 + b12 i ... a1n + b1n i a12 + b12 1 + b22 i ... a2n + b2n i = (I + S ) . . . . . . . . . . . . a1n + b1n a2n + b2n ... 1 + bnn i
(I + S ) = 1 b11 i a12 b12 = . . . a1n b1n
1 + b11 i a12 + b12 . . .
a12 + b12 i 1 + b22 i . . .
... a1n + b1n i ... a2n + b2n i . .. . . . ...
a1n + b1n a2n + b2n
1 + bnn i a12 b12 i ... a1n b1n i 1 b22 i ... a2n b2n i = (I S ) . . .. . . . . . a2n b2n ... 1 bnn i
Tenemos que (I S ) = (I + S ) y (I + S ) = (I S ). Adem as Q = (I S )1 (I + S ), entonces nos queda: (a) Q = (I S )1 (I + S ) /(I S ) Q (I S ) = (I + S ) / (b) Q (I S ) = (I + S ) Multiplicando (a) (b): Q Q (I S ) = (I S )1 (I + S ) (I + S ) /(I S ) Q Q (I S ) (I S ) = (I + S ) (I + S ) Q Q (I + S ) (I S ) = (I + S ) (I S ) Q Q = I Queda esto demostrado. t 58. Una matrix de Hadamard es una matriz cuadrada cuyos coecientes son todos 1 y cuya transpuesta es igual a un m ultiplo de su inversa. Se sabe que si A es una matriz de Hadamard de dimensi on m > 2, entonces m debe ser un m ultiplo de 4. Todav a (hasta el a no 2000) no se sabe si para todo m ultiplo de 4 existe una matriz de Hadamard. Se ha podido vercar cumputacionalmente que para todo m ultiplo de 4 menor o igual que 424 existen matrices de Hadamard. Verique que el siguiente algoritmo recursivo permite construir matrices de Hadamard para cualquier dimensi on m = 2k , k N:
88
Algebra Lineal
H0 = [0], Hk+1 =
Hk Hk Hk Hk
Intente escribir un programa para MATLAB que permita construir matrices de Hadamard de cualquier dimensi on m = 4k con k < 10. Cu al ser a la complejidad de su programa en funci on de m?. %Una matriz de hadamard es aquella cuyos coeficientes son solo 1 o -1 %y cuya transpuesta es igual a su inversa function H = ejercicio58(n) [f,e] = log2([n n/12 n/20]); k = find(f==1/2 & e>0); if min(size(n)) > 1 | isempty(k) error(["n" debe ser 1, 2 o multiplo de 4]); end e = e(k) - 1; if k == 1 H = 1; elseif k == 2 H = [ones(1,12); ones(11,1)... toeplitz([-1 -1 1 -1 -1 -1 1 1 1 -1 1], [-1 1 -1 1 1 1 -1 -1 -1 1 -1])]; elseif k == 3 H = [ones(1,20); ones(19,1)... hankel([-1 -1 1 1 -1 -1 -1 -1 1 -1 1 -1 1 1 1 1 -1 -1 1],... [1 -1 -1 1 1 -1 -1 -1 -1 1 -1 1 -1 1 1 1 1 -1 -1])]; end for i = 1:e H = [H H ;H -H]; end end t 59. Considere las bases {u1 , u2 , u3 } y {v1 , v2 , v3 , v4 , v5 } de C3 y C5 , respectivamente. Considere, adem as, la transformaci on lineal T : C3 C5 determinada por: T (u1 + 2u2 + 3u3 ) = v1 + v3 + v5 , T (3u2 2u3 ) = v2 v4 , y T (u3 ) = v1 v2 + v3 v4 + v5 . a) Obtenga la matriz A de la transformaci on lineal T con respecto a las bases indicadas. Es invertible T , respectivamente, A? Cu al es el rank A de la matriz A? b) Determine range(T ):= {T (x) : x C3 } C5 y ker(T ):= {x C3 : T (x) = 0} C3 . c) Determine el espacio de las y el espacio nulo de A (ambos subespacios de C3 en este ejercicio). Obtenga las dimensiones de estos espacios. Verique que son ortogonales y que su suma directa es C3 . d) Determine el espacio de columnas y el espacio nulo izquierdo de A (ambos subespacios de C3 en este ejercicio). Obtenga las dimensiones de estos espacios. Verique que son ortogonales y que su suma directa es C5 . desarrollo a) Como estamos trabajando con una transformaci on lineal podemos separar en funci on de la transformada de cada una de sus bases: (4.1) (4.2) (4.3) T (u1 ) + 2T (u2 ) + 3T (u3 ) = v1 + v3 + v5 3T (u2 ) 2T (u3 ) = v2 v4 T (u3 ) = v1 v2 + v3 v4 + v5
89
Luego de (2) y (3): 3T (u2 ) 2(v1 + v2 v3 + v4 v5 ) = v2 v4 2v1 + 3v2 2v3 + v4 2v5 (4.4) T (u2 ) = 3 Y de (1), (3) y (4): 2v1 + 3v2 2v3 + v4 2v5 T (u1 ) + 2( )+ 3 +3(v1 + v2 v3 + v4 v5 ) = v1 + v3 + v5 16v1 + 16v3 11v4 + 16v5 5v2 (4.5) T (u1 ) = 3 La matriz A asociada a la transformaci on lineal T es: 16 3 2 3 1 5 1 1 16 2 3 1 A= 3 1 11 1 3 3 16 2 3 3 1 Para que T sea invertible, se tiene que cumplirse que: (i) (ii) x1 = x2 T (x1 ) = T (x2 ) y C5 x C3 / T (x = y )
T T
Para comprobar si se cumple (i), creamos dos vectores, x1 = u1 u2 u3 y x2 = v1 v2 v3 con x1 = x2 . Supondremos entonces que T (x1 ) = T (x2 ) para as llegar a una contradicci on. 16 16 2 2 3 u 1 + 3 u 2 1u 3 3 v1 + 3 v2 1v3 5u1 + 1u2 + 1u3 5v1 + 1v2 + 1v3 16 16 2 2 (4.6) T (x1 ) = 3 u1 + 3 u2 1u3 = T (x2 ) = 3 v1 + 3 v2 1v3 . 11 1 11 1 v1 + v2 + 1v3 3 u 1 + 3 u 2 + 1u 3 3 3 16 16 2 2 3 u1 + 3 u2 1u3 3 v1 + 3 v2 1v3
Luego con las las 1 y 3 de ambos vectores: 16 2 16 2 (4.7) u1 + u2 1u3 = v1 + v2 1v3 3 3 3 3 16 2 16 2 (4.8) u1 + u2 1u3 = v1 + v2 1v3 3 3 3 3 Multiplicando por 1 en (7) y sum andolo con (8), obtenemos: 32 32 (4.9) u1 = v1 u1 = v1 3 3 Ahora la ecuaci on (7) nos queda: 2 2 (4.10) u2 1u3 = v2 1v3 3 3 Tomemos ahora la cuarta la de ambos vectores (no tomaremos en cuenta los componentes u1 y v1 , ya que son iguales): 1 1 (4.11) u 2 + 1u 3 = v2 + 1v3 3 3 Sumando (10) y (11) obtenemos: 1 1 (4.12) u2 = v2 u2 = v2 3 3 Luego, claramente u3 = v3 , con lo que llegamos a una contradicci on, ya que hab amos dicho que x1 y x2 eran distintos. Por lo tanto, nuestra suposici on estaba equivocada, necesariamente T (x1 ) = T (x2 ),
90
Algebra Lineal
con lo que se cumple (i). Para ver si se cumple (ii), nos jaremos en el espacio generado al aplicar la transformacion T a un vector cualquiera x, para eso podemos utilizar la misma matriz de la ecuaci on (6): 16 2 2 3 u1 + 3 u 2 1u 3 16 1 3 3 1 1 5u1 + 1u2 + 1u3 5 16 2 16 2 + u2 + u3 1 Tx = 3 u1 + 3 u2 1u3 = u1 3 3 11 1 1 1 11 3 u1 + 3 u2 + 1u3 3 3 16 2 16 2 1 3 3 u1 + 3 u2 1u3 3 Aqu se puede ver que el espacio generado por la transformaci on lineal consta de 3 dimensiones en vez de 5, con lo que no se cumple el punto (ii), por lo tanto la transformaci on T no es invertible, y su matriz asociada A tampoco. Para obtener el rank A, escalonaremos la matriz A utilizando MatLAB: 16 3 2 1 0 0 3 1 5 1 1 0 1 0 16 2 3 1 0 0 1 A= 3 1 11 1 0 0 0 3 3 16 0 0 0 2 3 3 1 el rank A es 3. b) La denici on del range(T ), es el espacio generado por la transformaci on lineal T al conjunto de las x que pertenecen a C3 . Anteriormente ya se observ o que la transformaci on T , generaba un espacio de dimensi on 3. range(T ) = C3 C5 El ker(T ) es el espacio generado por todos aquellos vectores que al aplicarse la transformaci on T , son iguales al vector nulo: 1 0 0 0 0 1 0 x1 0 0 0 1 x2 = 0 (4.13) 0 0 0 x3 0 0 0 0 0 ker(T ) = 0 C5 1 0 0 c) El espacio las de A: 0 , 1 , 0 0 0 1 0 El espacio nulo de A: 0 0 Claramente el espacio de las de A es de dimensi on 3, y el espacio columnas dimensi on 0. , para ver si son ortogonales basta con probar que el producto punto entre los componentes del espacio las y el espacio nulo es igual a cero(0), lo que se cumple, ya que el espacio nulo de A es el vector nulo. La denici on de suma directa es: U + V = {u + v/u U v V } Debido a que N (A) = 0 : Row(A) + N (A) = Row(A) = C3 . d)Column(A) = Row(AT ) 16 3 T A = 2 3 1 5 16 11 3 3 2 1 1 3 3 1 1 1
16 3 2 3
91 2 16 3 3 5 1 16 2 , Column(A) = 3 3 11 1 3 3 16 2 3 3 , 1 1 1 1 1
El espacio nulo por izquierda de A es :Lef tN (A) = N (AT ), lo que Y que cumplen con AT . Y = 0 y1 16 16 11 y2 3 5 16 3 3 3 T 1 2 2 2 y A .Y = 3 1 3 3 3 3 1 1 1 1 1 y4 y5 Diagonalizando la matriz AT nos queda:
3 1 0 0 16 0 1 0 1 0 0 1 29 16
equivale a encontrar los vectores
= 0
0 0 1
y1 y2 y3 y4 y5
= 0
y1 +
3 y4 = 0 16 y2 y4 = 0
y3 +
29 y4 + y5 = 0 16
Parametrizaremos y1 = t e y3 = v , con lo que obtenemos: y4 = y2 = 16 t 3 16 t 3 29 t 3
y5 = v + Lef tN (A) = { t
16 3 t
16 3 t
v +
29 3 t
/t, v C}
La dimensi on del espacio de columnas es 3, y la del espacio nulo izquierdo 2 (debido a sus dos par ametros). Luego, la vericaci on de ortogonalidad ya est a hecha, basta con darse cuenta que al extraer el espacio nulo de AT hemos multiplicado cada componente transverso del espacio de columnas de A con el vector nulo, e igualado el resultado a 0, lo que es la denici on de producto punto (el producto punto de dos espacios ortogonales debe ser 0). Como los dos espacios son ortogonales y contienen al vector nulo, su suma directa es igual al espacio generado por los 3 componentes del Column(A) y los 2 que conforman el Lef tN (A), es decir C5 . t
1 2 3 4 60. Determine el espacio nulo N (A) y el especio de las F (A) de la matriz A = 2 4 8 10 . 3 6 11 14
92 Soluci on: El espacio nulo N (A) consiste de x1 0 1 2 3 4 1 x2 0 = 2 4 8 10 0 x3 0 3 6 11 14 0 x4 0
Algebra Lineal
los vectores-columna [x1 , x2 , x3 , x4 ]T 4 tales que: x1 0 x1 s 2 0 1 x2 0 t x2 = 0 1 1 x3 = 0 x3 s + 2t 0 0 0 x4 0 x4 s + 2t }; evidentemente, dim N (A) = 2.
Luego, N (A) = {[s, t, s + 2t, s 2t]T : s, t
Por su parte, el espacio de las F (A) de la matriz A consiste en todos los vectores-la que pueden escribirse como combinaciones lineales de las las de A. Luego, si la matriz A se obtiene a partir de A mediante operaciones de las, esto es, mediante combinaciones lineales de las las de A, el espacio de las no se altera, i.e.: 1 2 0 1 F (A) = F (A), donde A = 0 0 1 1 0 0 0 0 Por consiguiente, el espacio de las de F (A) de A es generado por la primera y la segunda la de la matriz A, i.e., F (A) = {[s, 2s, t, s + t] : s, t }. Nota: Usualmente los vectores del espacio de las F (A) una matriz A M (m n, K ), se escriben como vectores-columnas, de modo que la denici on m as com un es F (A) = {AT x : x K m } K n . t 1 1 1 61. Estudie el problema de diagonalizar la matriz A = 1 1 1 . 1 1 1 Soluci on para Polinomio Caracter stico de A: 1 1 1 1 1 = 2 (3 ) p() = det 1 1 1 1 Como resultado de igualar el polinamio caracter stico a cero, las raices obtenidas son = 0 y = 3 C alculo de vectores propios: Para = 0 tenemos que: 10 1 1 x1 1 1 1 x1 1 10 1 x2 = 1 1 1 x2 = 0 1 1 10 x3 1 1 1 x3 De aqu obtenemos que x1 + x2 + x3 = 0 x3 = x1 x2
Por lo tanto, el Espacio Vectorial Asociado con el valor propio = 0 est a dado por E0 = {[x1 , x2 , x1 x2 ]T : x1 , x2 } Para = 3 tenemos que: 13 1 1 y1 2 1 1 y1 1 0 1 y1 1 13 1 y2 = 1 2 1 y2 = 0 1 1 y2 = 0 1 1 13 y3 1 1 2 y3 0 0 0 y3
93
Y debido a este u ltimo paso, se encuentra que y1 = y3 e y2 = y3 . Por lo tanto, el Espacio Vectorial Asociado con el valor propio = 3 est a dado por E3 = {[y1 , y1 , y1 ]T : y1 } Si seleccionamos 3 vectores l.i., dos del espacio E0 (porque tiene dimensi on 2) y uno del espacio E3 (porque tiene dimensi on 1), se construye una matriz P que diagonaliza A. Eligiendo los vectores [a1 , b1 , a1 b1 ]T ,[a2 , b2 , a2 b2 ]T E0 [c1 , c1 , c1 ]T E3 a1 a2 c1 b1 b2 c1 con det(P ) = 3c1 (a1 b2 a2 b1 ) = 0 tenemos que se forma la matriz P := a1 b1 a2 b2 c1 Calculando la inversa de la matriz, obtenemos: a2 c1 + 2b2 c1 2a2 c1 b2 c1 a2 c1 b2 c1 1 a1 c1 2b1 c1 2a1 c1 + b1 c1 a1 c1 + b1 c1 P 1 := det(P ) a2 b1 + a1 b2 a2 b1 + a1 b2 a2 b1 + a1 b2 Y P verica que: 0 0 0 P 1 AP = 0 0 0 0 0 3 Apareciendo en la diagonal los valores propios, 0 y 3 (La multiplicidad de cero es dos, igual que la dimensi on del espacio que genera. Lo mismo para la multiplicidad de tres.). t 62. Considere el operador de transposici on T sobre el espacio M (2x2, ) de las matrices de 2 x 2 con coeientes reales. 1. Es T una transformaci on lineal? 2. Se puede expresar el opreador T mediante una matriz?. En otra palabras existe una matriz MT M (2x2, ) tal queAT = MT A para toda matriz A M (2x2, ) Soluci on: 1. Evidentemente, (A + B )T = AT + B T , para todo , M (2x2, ). Luego,el operador T es una transormaci on lineal soberM (2x2, ) u v 2. Si se considera MT M (2x2, ), la respuesta debe ser negativa. En efecto, si MT = w x y u v A= , entones dever ia cumplirse AT = MT A, i.e., w x a c 0 0 u a 0 0 a c v b a b va + vc ub + vd = , i.e.: b d 0 0 w c c d wa + xc wb + xd d 0 0 b d x a c 0 0 0 0 a c 2 donde, det b d 0 0 = (bc ad) . 0 0 b d Cuando el determinante de este sistema es distinto de cero se tiene: u= ad c2 a(b + c) d(b c) ad c2 , v= , w= , x= ad bc ad bc ad bc ad bc
94
Algebra Lineal
Luego, u, v, w, x son funciones no constantes de los coecientes a, b, c, dde la ,Matriz A. Dado que los coecientes a, b, c, d deben recorrer libremente el conjunto , no puede existir una ( unica) T matriz MT M (n n, ) tal que A = MT A para toda matriz A M (n n, ). a a b b No Obstante, si se identica M (2 2, ) con 4 mediante el isomorsmo c c d d , es inmediato que hay una matriz de permutaci on P que realiza la transposici on matricial.En efecto: a 1 0 0 0 a a b 0 0 1 0 b b a b a b T A= c 0 1 0 0 c = c A = c d = A Luego, c d d 0 0 0 1 d d con la identicaci on aludida, la transposici on queda representada por la matriz de permutaci on P M (4, ) precedente. t 63. Sean B1 = {v1 , v2 , v3 } y B2 ={w1 , w2 , w3 } bases de 3 . Sea T: 3 3 una tranformaci on lineal tal que T (v1 ) = w1 3w3 , T (v2 ) = w1 2w2 , T (v3 ) = 2w2 3w3 . Determine la matriz AT de la transformaci on T con respecto a las bases B1 y B2 de 3 . Soluci on: Para todo , , se tiene:
T (v1 + v2 + v3 ) = (w1 3w3 ) + (w1 2w2 ) + (2w2 3w3 ) T (v1 + v2 + v3 ) = ( + )w1 + (2 + 2 )w2 + (3 3 )w3 1 1 0 Luego, AT = 0 2 2 3 0 3 t 64. Sean E, F espacios vectoriales de dimensiones nitas n, m respectivamente sobre un cuerpo k. Sea L(E, F ) el conjunto de todas las aplicaciones (funciones) lineales : E F . (a) Dena una estructura de espacio vectorial sobre L(E, F ). (b) Determine la dimensi on de L(E, F ). Soluci on: (a) La denici on usual es: (4.14) (a + b )(x) := a(x) + b (x), x E, , L(E, F ), a, b k
Tambi en como es usual, se hace notar que las operaciones lineales en el segundo miembro de la ecuaci on anterior se efect uan en el espacio vectorial F , de modo a + b : E F est a bien denida. La vericaci on de a + b L(E, F ) es inmediata. (b) Consideremos bases {x1 , . . . , xn } e {y1 , . . . , ym } de E y F , respectivamente. Para = 1, . . . , n y = 1, . . . , m denamos las aplicaciones : E F mediante:
(4.15)
(xv ) :=
y , si = v 0, si = v

v =1
av xv
:=
v =1
av (xv ) = a y ,
av k.
95
Obviamente es lineal de modo que L(E, F ) para todo = 1, . . . , n y = 1, . . . , m. m Sea ahora L(E, F ) una aplicaci on lineal cualquiera. La expresi on (x ) = =1 y , = 1, . . . , n, dene un vocamente los mn coecientes . Entonces, para todo = 1, . . . , n, se tiene:
v v (x ) = (x )
n v v (xv )
=1 v =1 m
=1 v =1 m y =1 =1 y = 0.
(4.16)
m =1 v n v =1 v ,
Luego, =
i.e., el sistema de funciones genera el espacio vectorial L(E, F ).
La vericaci on que el sistema de aplicaciones lineales es linealmente independiente sigue el mismo v n esquema. En efecto, suponiendo que m v = 0 para ciertos coecientes v k, entonces =1 v =1 v m n m para cada x se tiene 0 = =1 v=1 v (x ) = =1 y , de donde resulta = 0 para todo = 1, . . . , m pues los y son l.i. Luego, = 0 para todo = 1, . . . , m y todo = 1, . . . , n, i.e., es n sistema de funciones u es l.i. Por consiguente , {v : = 1, . . . , m; v = 1, . . . , n} es una base de L(E, F ) y dim L(E, F ) = mn = dim E dim F. Notas: (i) La base {v } de L(E, F ) se llama base inducida por las bases E y F . (ii) Una demostraci on alternatica del resultado obtenido en la u ltima ecuaci on recurre al isomorsmo trivial entre L(E, F ) y M (m n, k). En efecto, la aplicaci on lineal v , con referenm n cia a las bases {xv }v=1 e {ym }=1 de E y F respectivamente, queda representada por la mav = j triz M i v i,j l e4s el conocido s mbolo de Kronecker. Esta iden M (m n, k), donde k
ticaci on dene, evidentemente, un isomorsmo L(E, F ) M (m n, k). Dado que las matri j ces i v constituyes obviamente una base del espacio vectorial M (m n, k), se tiene que
i,j
dim L(E, F ) = dim M (m n, k) = mn. t 65. (Ref.: Prof. Dr. H. Wimmer, Nachklausur zur Einf urung in die lineare Algebra, Aufgabe 1. Mathematisches Institut, Universit at W urzburg, April 2003.) (i) Sea T un tetraedro regular de lado a. Calcule la longitud de una altura de T . Qu e angulo forman dos alturas cualesquiera de T ? (ii) Sean x,y 3 dos vectores de norma unitaria y sea el angulo que subtienden. Demuestre que x y =2|sin(/2)|. Respuesta: (i) Consideremos tres aristas del tetraedro, representados por tres vectores diferentes, dos de los vectores se situan en el mismo plano (A y B ). A = (Ax , Ay , 0) y B = (a, 0, 0) y C = (Cx , Cy , Cz ) -Un tetraedro esta formado por cuatro tringulos equilateros, adem as nuestro tetraedro es de lado a, por lo que se cumplen las siguientes condiciones: A B = |A||B |cos() , con = 60
96 A C = |A||C |cos() B C = |B ||C |cos() |A| = |B | = |C | = a

1 (1)A B = |A||B |cos(60)=(Ax , Ay , 0) (a, 0, 0)=a2 2
Algebra Lineal
(2)A C = |A||C |cos(60)=(Ax , Ay , 0) (Cx , Cy , Cz )=a2 1 2

1 (3)B C = |B ||C |cos(60)=(Ax , Ay , 0) (Cx , Cy , Cz )=a2 2
De las tres ecuaciones anteriores aAx = a2 1 2 Ax Cx + Ay Cy = a2 1 2

1 aCx = a2 2
Ax = a 2 Cx = a 2 Ay Cy = a 4
2
Entonces A = (a/2, Ay , 0) , pero como |A|=a Ay = Tambi en Ay Cy = a 4 , con Ay =

a por lo que C =( a 2 , 2 3 , 2/3a) 3 2 a
3 2 a
a Cy = 2 como |C | = a , Cz = 3
2/3a
Los tres vectores quedan: A=(a/2,
3 2 a,0)
a , B = (a, 0, 0) y C =( a 2 , 2 3 , 2/3a)
La altura (h) del Tetraedro es la longitud euclideana del vector formado por la suma del tercio de los vectores A, B, C
1 3A 1 + 1 3 B + 3 C = 2/3a ,o simplemente la componente Cz del vector C
1 Bh siendo el V olumen del teraedro Lo anterior es comprobable porque V = 3
2 3 12 a
y el area basal
B=
3 2 4 a
Qu e angulo forman dos alturas de T ?
Dados los vectores A=(a/2,
3 2 a,0)
a , B = (a, 0, 0) y C =( a 2 , 2 3 , 2/3a)
1 1 Un vector en la direcci on de una altura est a dado por: 1 3A + 3B + 3C
Tambien estos vectores: B = U = (a, 0, 0) , A-B = V =(-a/2,
3 2 a,0)
a y B -C = W =(-a/2, 2 , 2/3a) 3
1 1 Otro vector en la direcci on de una altura est a dado por: 1 3U + 3V + 3W Entonces el angulo entre estos dos vectores alturas esta dado por: 1 1 H1 = 1 3A + 3B + 3C 1 1 H2 = 1 3U + 3V + 3W
97
arc cos
H1 H2 H1 H2
1 =arc cos( 3 )= 1,91063
(ii) Dos vectores

3:
x = Ax i + Ay j + Az k y y = Bx i + By j + Bz k
Se sabe que < x, y >=|x||y |cos() Como son vectores unitarios |x| = |y |=1 por lo tanto Ax Bx + Ay By + Az Bz = cos() Desarrollando x y (Ax Bx )2 + (Ay By )2 + (Az Bz )2
2 2 2 2 2 A2 x 2Ax Bx + Bx + Ay 2Ay By + By + Az 2Az Bz + Bz 2 2 2 2 2 A2 x + Ay + Az + Bx + By + Bz 2(Ax Bx + Ay By + Az Bz ) 2 2 2 2 2 Como x y y son vectores unitarios A2 as por el producto x + Ay + Az =1 y Bx + By + Bz = 1 adem interno < x,y > se tiene que Ax Bx + Ay By + Az Bz = cos() entonces queda
2 2cos() con la identidad trigonom etrica |sin(x/2)| = xy = 2 2cos() = 2|sin( 2 )| t 66. (Ref.: Prof. Dr. H. Wimmer, Nachklausur zur Einf urung in die lineare Algebra, Aufgabe 2. Mathematisches Institut, Universit at W urzburg, April 2003.) Sea A una matriz ortogonal de 3 x 3 con coecientes reales y determinante positivo. Demuestre o refute: 1 (A), donde (A) denota el spectrum o conjunto de los valores propios de A. Suponga que 1 (A). Determine 1 , 2 , 3 tales que det(sI A) = (s 1 )(s 2 )(s 3 ). 1. Demuestre o refute: 1 (A), donde (A) denota el spectrum o conjunto de los valores propios de A. Suponga que 1 (A). Cualquier matriz ortogonal se puede transformar mediante operaciones la en una matriz diagonal, por lo que utilizaremos una matriz diagonal para la siguiente demostraci on. x 0 0 A= 0 y 0 0 0 z det(A In ) = 0 x 0 0 y 0 =0 det 0 0 0 z (x )(y )(z ) = 0 3 2 + (x + y + z ) (xy + yz + xz ) = 0 Si 1 = 1 entonces: 1 + xy + yz + xz + x + y + z = 0 Si suponemos que 2 = 1 entonces: 1 xy yz xz + x + y + z = 0
1cos(x) 2
nalmete se demuestra
98 xy + yz + xz = 1 x + y + z = 0
Algebra Lineal
Por lo tanto 1 = 1, 2 = 1, 3 = 0 q.e.d. 2. Determine 1 , 2 , 3 tales que det(sI A) = (s 1 )(s 2 )(s 3 ). Como cualquier matriz ortogonal se puede transformar mediante operaciones la en una matriz diagonal, utilizaremos una matriz diagonal. x 0 0 A= 0 y 0 0 0 z det(sI A) = (s x)(s y )(s z ) Por lo tanto 1 = x, 2 = y, 3 = z . t 67. (Ref.: Prof. Dr. H. Wimmer, Nachklausur zur Einf urung in die lineare Algebra, Aufgabe 3. Mathematisches Institut, Universit at W urzburg, April 2003.) Sean E1 = {x = [x1 , x2 , x3 ]T : 5x2 12x3 = 0}, E2 = {x = [x1 , x2 , x3 ]T : x1 + 2x2 2x3 = 15}, dos planos en R, y G = {r[2, 1, 1]T : r R} una recta. Determine todas las esferas S tangentes a E1 y E2 , cuyos centros yacen en la recta G. Para que una esfera S centrada en x sea tangente a E1 y E2 , la distancia de x a cada uno de estos planos debe coincidir; esta distancia es igual al radio de la esfera. Para que x se encuentre sobre la recta G, es preciso que x = (2r, r, r) para alg un r R. La distancia d(x, E ) del punto x = (2r, r, r) a un plano E se obtiene calculando la norma de la proyecci on sobre el vector normal a E de un vector que va desde x a un punto cualquiera del plano. Consideremos x G, n = (n1 , n2 , n3 ) E y z = (z1 , z2 , z3 ) E : d(x, E ) = = = proyn z x 1 |(z1 2r, z2 + r, z3 r) (n1 , n2 , n3 )| n 1 |(z1 2r)n1 + (z2 + r)n2 + (z3 r)n3 | 2 2 n1 + n2 2 + n3
En particular, consideremos el plano E1 : 5x2 12x3 = 0. Un vector normal es n = (0, 5, 12) y un punto en el plano es z = (0, 0, 0). Luego, 1 d(x, E1 ) = |(2r) 0 + (r) 5 + (r) (12)| 02 + 52 + 122 1 17 = |17r| = |r|. 13 13 Para el plano E2 : x1 + 2x2 2x3 = 15, tomemos n = (1, 2, 2) y z = (15, 0, 0). Luego, 1 d(x, E2 ) = |(15 2r) 1 + (r) 2 + (r) (2)| 2 1 + 22 + 22 1 = |15 + 2r|. 3 Entonces, para que S centrada en x Q sea tangente a E1 y E2 : 17 1 |r| = |15 + 2r|. 13 3 Para resolver esta ecuaci on, consideremos dos casos, dependiendo del signo de los argumentos de los valores absolutos:
99
Caso r < 15 2 r > 0: : 1 17 r = (15 + 2r) 13 3 17 2 r = 5+ r 13 3 25 r = 5 39 39 39 = r = 5 25 5 39 39 39 Por lo tanto, la esfera S1 centrada en x = (2 5 , 5 , 5 ) con radio R = 51 2 es tangente tanto a E1 como a E2 . Caso 15 2 < r < 0: : 17 2 r = 5+ r 13 3 77 r = 5 39 39 r = 5 77
17 39 13 5
1 3
15 + 2
39 5
195 77
17 195 13 77
195 195 Luego, la esfera S2 centrada en x = (2 195 77 , 77 , 77 ) con radio R = 255 en es tangente tanto a E1 como a E2 . 77 tambi
1 3
15 + 2
39 77
La descripci on anal tica de ambas esferas es: S1 = S2 = (x1 , x2 , x3 ) R3 : (x1 , x2 , x3 ) R3 : x1 x1 + 78 5 390 77

2
+ x2 +
2
39 5
+ x3
2
39 5
= 195 77
2
51 2 =
+ x2
195 77
+ x3 +
255 77
t 68. (Ref.: Prof. Dr. H. Wimmer, Nachklausur zur Einf urung in die lineare Algebra, Aufbage 4. Mathematische Intitut, Universit at W urzburg, April 2003.) Considere el conjunto M = {k N : 1 k 11} 1. Encuentre todas las permutaciones de de M tales que (3) = 10, (10) = 3, (7) = 7, y poseen exactamente 3 orbitas. Sea xi {1, 2, 4, 5, 6, 8, 9, 11} y = 1 2 3 4 5 6 7 8 9 10 11 x1 x2 10 x3 x4 x5 7 x6 x7 3 x8
En esta permutaci on se puede ver que los valores num ericos entregados forman dos orbitas, por lo tanto la tercera orbita debe estar formada por combinaciones de los restantes 8 valores xi . Esto se puede realizar mediante la permutaci on de estos xi , pero hay que considerar que: (y1 , ..., yj ) = (y2 , ..., yj , y1 ) = ... = (yj , y1 , ..., yj 1 ) Por lo tanto si se realiza la permutaci on nP r(n, n) en este caso se obtienen 8 tuplas que son iguales, entonces tenemos que las permutaciones necesarias son: nP r(n, n) n! = = (n 1)! = 7! = 5040 n n Entonces es: = (3, 10)(7)(xi , (nP r(x2 , ..., x8 )))
100
Algebra Lineal
2. Sea una permutaci on de M con exactamente 5 orbitas. Sea = (2, 5, 11) = (2, 5)(2, 11). Demuestre o refute: el n umero de orbitas de es 5, 3 o 7. t 69. (Ref.: Prof. Dr. H. Wimmer, Nachklausur zur Einf urung in die lineare Algebra, Aufgabe 5. Mat1 2 3 4 5 hematisches Institut, Universit at W urzburg, April 2003.) Considere la permutaci on = 3 4 5 2 1 T T 5 Sean e1 = [1, 0, 0, 0, 0] , ..., e5 = [0, 0, 0, 0, 1] , los vectores unitarios de R . Sea A una matriz denida por A.ei = e(i) . Determine el polinomio caracter stico de A.
A.e1 A.e2 A.e3 A.e4 A.e5
= e3 = e4 = e5 = e2 = e1
a b c d e
c d e b a
A=
0 0 1 0 0
0 0 0 1 0
0 0 0 0 1
0 1 0 0 0
1 0 0 0 0
pA () = det(A I5 )
A I5 =
0 0 0 1 0 0 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 0 0 + 0 0 1 0 0 1 0 0 0 1 0 0 0 0 0 0 + 0 0 0 0
1 +
A I5 =
1 +
A I5 =
0 0 1 1 0 + 0 0
A I5 =
0 +
1 2
101
pA () = det(A I5 ) = 0 1 1 = 3 ( + )( + 2 ) = 0 1 1 3 2 = ( 1 + 3 ) = 0 5 3 2 = + 1 = ( + 1)( 1)(3 1) = 0 t 70. (Ref.: Prof. Dr. H. Wimmer, Nachklausur zur Einf urung in die lineare Algebra, Aufgabe 6. Mathematisches Institut, Universit at W urzburg, April 2003.) (Sean a, b, c R3 .Demuestre o refute: a b, (b c) (c a) = (det[a|b|c])2 ) (Sean los vectores: a = 1 i + 1 j + 1 k b = 2 i + 2 j + 2 k c = 3 i + 3 j + 3 k Luego a b = (1 2 2 1 ) i (1 2 2 1 ) j + (1 2 2 1 )k b c = (2 3 3 2 ) i (2 3 3 2 ) j + (2 3 3 2 )k c a = (3 1 1 3 )i (3 1 1 3 )j + (3 1 1 3 )k Luego tenemos que (b c) (c a) = [(3 1 1 3 )(3 2 2 3 ) + (3 1 1 3 )(2 3 3 2 )] i [(2 3 3 2 )(3 1 1 3 ) (3 1 1 3 )(2 3 3 2 )] j +[(2 3 3 2 )(1 3 3 1 ) + (3 1 1 3 )(2 3 3 2 )]k 2 2 + ] = [3 1 2 3 2 1 3 1 3 3 2 + 1 2 3 3 + 3 2 1 3 1 2 3 3 3 1 2 1 3 3 2 i 2 2 [1 2 3 3 2 3 1 3 1 3 3 2 + 3 1 2 3 2 1 + 2 3 3 1 + 1 3 2 3 1 2 3 3 ] j 2 + + 2 + ]k +[3 1 2 1 3 3 2 2 3 1 3 1 2 3 3 1 3 2 3 1 2 3 3 2 3 3 1 3 2 1 Al sumar y factorizar tenemos que: 2 ( )] (b c) (c a) = [1 3 (2 3 3 2 ) + 2 3 (3 1 1 3 ) + 3 1 2 2 1 i 2 [1 3 (2 3 3 2 ) + 2 3 (3 1 1 3 ) + 3 (1 2 2 1 )] j 2 ( )]k +[1 3 (2 3 3 2 ) + 2 3 (3 1 1 3 ) + 3 1 2 3 2 Luego procedemos a realizar el producto interno entre a b y (b c) (c a):
2 ( a b, (b c) (c a) = (1 2 2 1 )[1 3 (2 3 3 2 ) + 2 3 (3 1 1 3 ) + 3 1 2 2 2 1 )] (1 2 2 1 )[1 3 (2 3 3 2 ) + 2 3 (3 1 1 3 ) + 3 (1 2 2 1 )] + (1 2 2 1 )
2 2 + ) = 1 3 (1 2 2 3 2 2 3 1 2 1 3 1 3 2 2 2 + ) + 2 ( )2 +2 3 (1 3 1 2 2 1 3 1 2 1 3 2 1 1 2 3 3 1 2 2 2 + ) +1 3 (1 2 2 3 2 1 3 1 3 2 2 3 1 2 2 2 + ) + 2 ( )2 +2 3 (1 3 1 2 2 3 1 1 2 1 3 2 1 1 2 1 2 3 3 2 2+ ) +1 3 (1 2 2 3 2 1 3 1 3 2 2 3 1 2 2 2 + ) + 2 ( )2 +2 3 (1 3 1 2 2 3 1 1 2 1 3 1 2 2 1 1 2 3 3
102
Algebra Lineal
= 21 3 1 2 2 3 +21 3 2 3 1 2 +22 3 1 2 1 2 +22 3 1 2 1 3 +21 2 1 3 2 3 +21 2 2 3 1 3 2 2 2 2 2 2 2 22 22 +( 21 3 2 1 3 1 3 1 3 2 2 3 2 3 1 2 3 1 2 3 3 1 2 2 1 3 1 3 1 2 3 2 3 3 2 1 )2 + (3 1 2 2 3 1 )2 + (1 2 3 2 1 3 )2
= (3 1 2 3 2 1 )2 + (3 1 2 2 3 1 )2 + (1 2 3 2 1 3 )2 +2(1 2 3 2 1 3 )(3 1 2 3 2 1 ) +2(3 1 2 3 2 1 )(2 3 1 1 3 2 ) +2(1 2 3 2 1 3 )(2 3 1 1 3 2 )
= (1 2 3 + 2 3 1 + 3 1 2 2 1 3 1 3 2 3 2 1 )2 Por otro lado tenemos las siguientes matrices: 1 2 3 A = 1 2 3 1 2 3
A1 =
2 3 2 3
A2 =
1 3 1 3
A3 =
1 2 1 2
por lo tanto:det[A] = 1 det[A1 ] 2 det[A2 ] + 3 det[A3 ] det[A] = 1 2 3 + 2 3 1 + 3 1 2 2 1 3 1 3 2 3 2 1 Finalmente podemos comprobar que: a b, (b c) (c a) = (det[a|b|c])2 ) t
Parte 6
Teor a Espectral Elemental de Matrices
71. [10, P. 397, ex. 7] Sea C M (n x n, R) y f (x) = (xT Cx)/(xT x) para tofo x Rn 0. Demuestre T que x Rn es un punto estacionario de f si (y s olo si?) x es un vector propio de 1 2 (C + C ) con valor propio f (x). Este problema se dene como an alisis de valores propios extremos para matrices SIMETRICAS. Un punto estacionario, de la ecuaci on f (x), es aquel x para el que f (x) comienza a estabilizarse (esto es, cuando x, se acerca a un valor propio con una precisi on tan arbitrariamente grande como se quiera, con una cota m axima dada por dicho valor propio). Sea un valor propio de A y V , su vector propio asociado. As , se cumple que: f (V ) =
T C V V T V V
T V V T V V
T V V T V V
= ,
lo que es un valor propio (para cualquier otro x,el valor se aproxima a, pero no es exactamente un valor propio). Asi, si , es valor propio de Y si A es sim etrica
1 2 1 2 1 2
(A + AT ), A DEBE, ser sim etrica. AT =

1 2
A+
A+
1 2
A = A.
O sea, es un valor propio de A y as , es un punto estacionario. t 72. [5, P. trices: 1 (a) 1 0 305, exs. 7, 8] Encuentre (si es que existen) matrices unitarias que diagonalizan las ma 4 1 0 0 1 0 4 1 0 0 2 4 1 2 0 0 1 0 , (b) 1 4 0 , (c) (d) 2 0 8 . 0 0 3 1 , 0 1 0 0 4 4 8 0 0 0 1 3
Existen varios m etodos para diagonalizar matrices. Entre ellos podemos encontrar el m etodo de Jacobi, el cual es aplicable a matrices sim etricas o herm ticas. Como sabemos, toda matriz S es diagonalizable si es posible encontrar una matriz P tal que P 1 S P = D donde D es la matriz diagonal asociada a nuestra matriz S .Pero el hecho de que S sea sim etrica permite demostrar que la matriz P es unitaria, es decir la inversa de P es igual a su transpuesta. Entonces queda: PT S P = D Utilizando Matlab es posible encontrar estas matrices P , asociadas a una matriz diagonal con gran facilidad. (a) Ingresamos la matriz A: 1 1 0 A = 1 1 0 0 0 1 Como puede apreciarse la matriz A es sim etrica Ingresamos el comando [U, V, D] = svd(A). Los resultados son los siguientes:
105
0,7071 0 0,7071 U = 0,7071 0 0,7071 0 1 1 2 0 0 D= 0 1 0 0 0 0 0,7071 0 0,7071 V = 0,7071 0 0,7071 0 1 1 La matriz U es igual a V,donde U (o V)corresponde a la matriz unitaria asociada a A, por lo tanto inversa(U ) V debe ser igual a la matriz identidad. Ingresamos inv (U ) V 1 0 0 ans = 0 1 0 0 0 1 Con esto se cumple que U AU =D . Este procedimiento es an alogo para las dem as matrices ya que todas son matrices sim etricas. (b)Ingresamos la siguiente matriz 4 1 0 B= 1 4 0 0 0 4 Matriz unitaria 0,7071 0 0,7071 U = 0,7071 0 0,7071 0 1 1 U es igual a la matriz unitaria de A de la parte (a), ya que A y B son iguales. (c)Ingresamos la siguiente matriz 4 1 C= 0 0 Matriz unitaria 0,9239 0 0 0,3827 0,38270 0 0 0,9239 U = 0 0,7071 0,7071 0 0 0,7071 0,7071 0 1 0 0 2 0 0 0 3 1 0 1 3
106 (d)Ingresamos la siguiente matriz 0 2 4 D= 2 0 8 4 8 0
Algebra Lineal
En este caso las matrices U y V son distintas. U y V no poseen las propiedades de una matriz unitaria. Es decir, no existe matriz unitaria para esta matriz. 0,3993 0,1932 0,8963 U = 0,6255 0,6573 0,4203 0,6703 0,7285 0,1416 0,3993 0,1932 0,8963 0,4203 V = 0,6255 0,6573 0,6703 0,7285 0,1416 En este caso la inversa de U es distinta a la transpuesta de U. Esto no implica que la matriz no sea diagonalizable. t A11 0 con Aii M (mi 0 A22 mi , C ) , i=1,2 . Demuestre que los valores propios de A son los valores propios de A11 junto con los valores propios de A22 . 73. [6, P. 37, ex. 4] Considere la matriz diagonal por bloques A = Lo anterior es cierto puesto que A11 y A12 est an desacoplados en la matriz A. Sea A = A11 + A12 con A11 = A11 0 0 0 , A22 = 0 0 0 A22
Encontramos los valores propios de la matriz A11 : A11 I = Entonces det A11 0 1 0 A11 0 - = 0 0 0 1 0 A11 0 = 0 , y tenemos (A11 ) = O 0
Luego = 0 y = A11 Ahora para encontrar el valor propio de la matriz diagonal por bloques A: AX = X como A11 X = 1 X y adem as A22 X = 2 X entonces (A11 + A22 )X = (1 + 2 )X Por lo tanto podemos generalizar: A X = X 1 + 2 = (A11 + A22 ) y 1 + 2 = 0 Con lo anterior hemos demostrado que los valores propios de A son los valores propios de A11 junto con los valores propios de A22 t 74. [6, P. 42, ex. 2] Considere matrices A M (mxn, C) y A M (nxm, C). Demuestre que trAB = trBA, donde tr es el operador de traza. Use este resultado para probar que para A M (nxn, C)
107
cualquiera y S M (nxn, C) no singular, se tiene trS 1 AS = trA. Se dice que la transformaci on A S 1 AS es una transformaci on de similitud y que la matriz S 1 AS es similar a la matriz A. el resultado precedente dice, entonces, que la traza es un invariante de similitud. El determinante es, obviamente, un invariante de similitud (Why, dear student? ). e denido el operador de traza. En primer lugar, las matrices deben ser cuadradas para que est Se demostrar a que tr(AB ) = tr(BA) Si A = {aij }i,j =1..n B = {bij }i,j =1..n Ahora sean: A B = cij = n k=1 aik bkj B A = dij = n k=1 bik akj Entonces tr(A B ) = n i=1 cii = a11 b11 + a12 b21 + . . . + a1n bn1 + a21 b12 + a22 b22 + . . . + a2n bn2 + . . . an1 b1n + an2 b2n + . . . + ann bnn y tr(B A) = n i=1 dii = b11 a11 + b12 a21 + . . . + b1n an1 + b21 a12 + b22 a22 + . . . + b2n an2 + . . . bn1 a1n + bn2 a2n + . . . + bnn ann
pero obviamente son iguales, ya que se parecia claramente que la suma de cada la de sumandos de tr(A B ) corresponde a la suma de la correspondiente columna de sumandos de tr(B A) Con esto la demostraci on es trivial tr(A) = tr(A I ) = tr(A P P 1 ) = tr((A P ) P 1 ) = tr(P 1 A P ) P no singular, evidente. Desde luego que el determinante es un invariante de similitud, because : det(A B ) = det(B A) una ley de los determinantes. Y claro det(A) = det(P 1 A P ) obvio. t 75. [6, P. 43, ex. 4] Sea A M (n n, C) y sea Ai de A obtenida al eliminar la la i y la columna i de A, 1 i n. Sean pA y pAi los polinomios caracter sticos de las matrices A y Ai , respectivamente. Demuestre: n d pA (t) = pAi (t) dt d det(A tI ) = dt
i=1 n
det(Ai tI )
i=1
108 Si d det(A tI ) = dt y
n1
Algebra Lineal
ii ti1
i=1
det(Ai tI ) =
j =1
aji tj
Entonces
n n n1
ii t
i=1
i1
=
i=1 j =1
aji tj
Lo que quiere decir que los coecientes de los polinomios deben coincidir, es decir
n1
ii =
j =1
aji t
76. [6, P. 43, ex. 7] Mediante puro pensamiento (ayud andose quiz as de papel y l apiz), obtenga el polinomio caracter stico de matrices tridiagonales de nxn de la forma: Tn = 1 1 0 . . . 0 0 0 1 1 1 . . . 0 0 0 0 1 1 . . . 0 0 0 . . . 0 . . . 0 . . . 0 . . . . . . 1 . . . 1 . . . 0 0 0 0 . . . 1 1 1 0 0 0 . . . 0 1 1
Para comenzar se busca el polinomio caracter stico mediante : p() = DET (Tn I ) = 0 As , se obtiene busca el determinante de la matriz: 1 1 0 1 1 1 0 1 1 . . . . . . . . . 0 0 0 0 0 0 0 0 0 . . . . . . . . . 0 0 0 0 0 0 0 0 0 . . . . . . . . . . . . 1 1 0 . . . 1 1 1 . . . 0 1 1
p() =
=0
Ahora, si tomamos un n = 0, la matriz T0 es de 0x0, luego: p0 () = 1 Con n = 1, T1 es una matriz de 1x1, entonces: p1 () = DET ([1 ]) = 1
109
Con n = 2, T2 es de 2x2, as : p2 () = 1 1 1 1 = (1 )2 1 = (1 )p1 () p0 ()
Con n = 3, T3 es de 3x3, as : 1 1 0 1 1 1 0 1 1
p3 () =
= (1 )[(1 )2 1] 1(1 ) = (1 )3 2(1 )
= (1 )p2 () p1 () Con n = 4, T4 es de 4x4, as : 1 1 0 0 1 1 1 0 0 1 1 1 0 0 1 1
p4 () =
= (1 )[(1 )3 2(1 )] 1[(1 )2 1]
= (1 )4 3(1 )2 + 1 = (1 )p3 () p2 () Resumimos entonces: p0 () = 1 p1 () = (1 ) p2 () = (1 )p1 () p0 () p3 () = (1 )p2 () p1 () p4 () = (1 )p3 () p2 () . . . pn () = (1 )pn1 () pn2 () n 2 Es el polinomio caracter stico de matrices tridiagonales de nxn de la forma estipulada. t 77. [9, P. 60, 3.1] Sea A = [aij ] M (n n, K), donde K = Z, K = Q, K = R o K = C son opciones populares. Como el lector sabe, el polinomio pA () = det(I A), C, donde I M (n n, K es la matriz identidad, es el llamado polinomio caracter stico de la matriz A cuyo estudio da origen a la teor a espectral de matrices y a los m etodos espectrales, que juegan un papel crucial en la Ingenier a. (a) i) deg pA = n Sea A = a11 . . . an1 . . . a1n . . ( I A ) = . . . . ann ( a1,1 ) ( a2,2 ) . . . an,1 .. . ( an1,n1 ) ... ( an,n ) . . . ... a1,n
110
Algebra Lineal
Sea ui,j la menor principal del elemento ai,j , es la submatriz que queda de eliminar la la i y la columna j de A. Calculamos det(I A) seg un la fomula de Laplace por la la 1 det(I A) = ( a1,1 ) |u1,1 | ( a2,2 ) |u1,2 | + + ( a1,n )(1)1+n |u1,n |
(#)
= ( a1,1 ) (( a2,2 ) |u2,2 |

(#)
= ( a1,1 )( a2,2 ) . . . ( an2,n2 ) [( an1,n1 )( an,n ) (an,n1 an1,n )]

Hay n s multiplic andose en este t ermino, los otros se suman a este
Finalmente, tenemos deg(pA ) = n. ii) Coeciente de n = 1, n1 = trA, Tenemos nuevamente que 0 = det(A).
det(I A) = ( a1,1 ) |u1,1 | ( a2,2 ) |u1,2 | + + ( a1,n )(1)1+n |u1,n | = a1,1 ) a2,2 ) . . . ( an1,n1 ) [( an1,n1 )( an,n ) (an,n1 an1,n )] = . . . . . . a1,1 . . . an,n + + (a1,1 a2,2 . . . an,n )(1)n
n veces n1 veces n1 veces
Se tienen las siguientes proposiciones elementales:

n i=1 ai,i = tr (A) n i1 ai,i = |A|
Esto implica que n n1 (a1,1 + + an,n ) + (1)n (a1,1 an,n ) = b) i) Reexividad es reexiva A, (A A) / det() X
1 1
n tr(A)lambdan1 + (1)n det(A)
A = X 1 AX |A| = AX
|A| = X |A| |X | |A| = |A| es reexiva ii) Transitividad es transitiva A, B, C, (A B B C A C ) |A| = |B | |B | = |C | |A| = |C | es transitiva iii) Sim etrica es sem etrica A, B, (A B B A) |A| = |B | |A| = |B | es sem etrica Finalmente, como i),ii),iii) se cumple, entonces es una relaci on de equivalencia.
111
c) i) rank(A) = rank(B ) Si A B , entonces cumplen con la igualdad A = X 1 BX . Sea A M (n n, K), con rank(A) = n. Sea X M (n n, K) X 1 M (n n, K), con rank(X ) = rank X 1 = n
1 B X Xn,n l,k n,n = An,n Para que X 1 y B puedan multiplicarse es necesario que l = n 1 Luego Xn,n Bl,k Xn,n = An,n Zn,k
Ahora Zn,k Xn,n = An,n , para que puedan multiplicarse es necesario que k = n, adem as, como l = n y k = n tenemos nalmente: rank(A) =rank(B ). ii) pA () = pB () pa () = det(A I ) = |X 1 BX I | = |X 1 BX X 1 X | = = = = |X 1 (BX X )| |B I | det(B I ) pB ()
iii) Como pA () = pB () los valores propios de A son iguales a los de B . iv) det(A) = det(B )
det(A I )
= =
(1 )(2 ) (n ) 1 2 n + + (1 + 2 + n )()n1 + ()n , Si = 0 det(A) = 1 2 n det(A) es el producto de i , de iii) se sabe que A y B tienen los mismos i det(A) = det(B )
v) tr(A) = tr(B )
det(A I ) = (a1 e1 ) (a2 e2 ) (an en ) = a1 a2 an + () [e1 a2 an + a1 e2 an + + a1 a2 en ] + + ()n1 [a1 e2 en + e1 a2 en + + e1 e2 an ] + ()n e1 e2 en Comparando los coecientes de obtenemos: 1 2 n = a1 a2 an y adem as 1 + 2 + + n = a1 e2 en + + e1 a2 en + + e1 e2 an
112 Sin embargo: a1 e2 en = (a11 e1 + a21 e1 + + an1 en ) e2 en = a11 e1 e2 en = a11 . = . . = e1 a2 en = a22 , etc.
Algebra Lineal
De donde se tiene que: 1 + 2 + + n = a11 + a22 + + ann = tr(A), de iii) se sabe que A y B tienes los mismo valores propios, luego tr(A) = tr(B ). d) pA (A) = 0 Si () = |I A| = n + p1 n1 + pn1 + pn (A) = An + pa An1 + + pna A + pa I = 0 a11 . . . a1n 1 ... 0 . . . . =A . (A) = |AI A|, AI = . . . . . 1 . . an1 . . . ann 0 ... 1 Por lo tanto (A) = |AI A| = |A A| = 0. e) ma () = n + (1)n n1 (1 + + n ) + (1 n ) pA () = (1 ) (n ) Finalmente, pA = (1)n , si todos los valores propios son distintos mA () f) pA () = |A I | = (1 )(2 ) (n ) = 1 2 n + + (1 + 2 + + n )()n1 + ()n = (1)n n + (1)n n1 (1 + 2 + + n ) + 1 n
mA ()
g) Se sabe que: Ax = x /k , con EW= 1 , . . . , n kAx = kx , los EW de kA son k Ap x = p x , los EW de Ap son p t 78. [11, P. 301, exs. 17, 18, 20] Verdadero o falso, dando s olidas razones: 1. 2. 3. 4. 5. 6. 7. Una matriz invertible no puede ser similar a una matriz singular. Una matriz sim etrica no puede ser similar a una matriz no sim etrica. A no puede ser similar a A, a menos que A = 0. A no puede ser similar a A + I . Si B es invertible, entonces AB y BA tienen los mismos valores propios. Si A es similar a B , entonces A2 es similar a A2 . A2 y B 2 pueden ser similares (a un) cuando A y B no lo son.
113
3 0 3 1 3 0 3 1 es similar a pero no es similar a . 0 4 0 4 0 3 0 3 9. Si en una matriz A permutamos sus las 1 y 2 y luego permutamos las columnas 1 y 2, entonces los valores propios permanecen inalterados. 8. 1. Sean A y B matrices M (nxn, K ). Si A es similar a B entonces se cumple que |A| = |B |. Supongamos que A y B son similares. Una matriz se dene como singular si su determinante es igual a cero. Al ser A una matriz invertible, entonces |A| = 0. Como los determinantes de A y B son distintos se inere que A y B no pueden ser similares. Por lo tanto, la propuesta es verdadera. 2. Una Matriz sim etrica si puede ser similar a una no sim etrica. Para ejemplicar esto, y como contraejemplo al enunciado: Sean : A= 1 2 5 9 B=
no simetrica
4 5 5 6
simetrica
Entonces A B ssi existe T invertible, tal que A=T 1 BT con T= 0 1 1 1 1 1 1 0 y T 1 = 4 5 5 6 = = 1 2 5 9 1 1 1 0 1 1 4 5 =A AB
T 1 B = (T 1 B) T =
1 1 4 5 Por lo tanto la propuesta es falsa.
0 1 1 1
3. Si una matriz A es similar a una matriz B entonces se cumple que la traza de A es igual a la traza de B . Supongamos que A y A son similares. Entonces deber a cumplirse que T raza(A) = T raza(A). Ya que T raza(A) = T raza(A), a excepci on de que A = 0, entonces las matrices A y A no pueden ser similares. Por lo tanto la propuesta es verdadera. 4. Si una matriz A es similar a una matriz B entonces se cumple que el polinomio caracter stico de A es igual al polinomio caracter stico de B . Sea B = A + I y supongamos que A y B son similares. Dado que pA () = pA+I (), y adem as T raza(A) = T raza(A + I ), entonces las matrices A y A + I no pueden ser similares. Por lo tanto la propuesta es verdadera. 5. Una matriz A es similar a una matriz B si existe una matriz invertible X tal que A = X 1 BX . Denamos C = BA. Entonces: C = BA/.B 1 B 1 C = A/.B B 1 CB = AB Como AB es similar con C entonces AB y C poseen los mismos polinomios caracter sticos por lo que tambi en poseen los mismos valores propios. Dado que C = BA entonces se concluye que la propuesta es verdadera. 6. Se tiene que si AB entonces A=T 1 BT. A A=T 1 BT A A A=T 1 BT T 1 BT A A=T 1 B(T T 1 )BT , T 1 T=IM atrizIdentidad
114 A A=T 1 B(I)BT , IM atrizIdentidad B=B A A=T 1 BBT A2 =T 1 B 2 T A2 B 2 Por lo tanto se comcluye que la propuesta es verdadera.
Algebra Lineal
7. Haciendo la misma relaci on que en el punto anterior se demuestra que A2 B 2 AB. Por lo tanto se concluye que la propuesta es falsa. 8. Debemos encontrar una matriz X tal que Sea A = 3 0 ,B= 0 3 3 1 0 3 yX= 3 0 3 1 = X 1 0 3 0 3 x y . Entonces: z w X.
x y z w
A = X 1 BX/.X XA = BX 3 0 3 1 x y = 0 3 0 3 z w
3x 3y . Dado que |X | = 0 esto 0 0 signica que estamos frente a una contradicci on ya que X debe ser invertible. Por lo tanto se concluye que la propuesta es verdadera. Al realizar los c alculos necesarios se obtiene que X = 9. Las operaciones en donde se permutan las (transformaciones de similitud) no producen ning un cambio en los los valores propios. De la misma forma cualquier permutaci on sobre las columnas no alterar a el polinomio caracter stico y por ende no afectar a a los valores propios. Por lo tanto se concluye que la propuesta es verdadera. t 79. Encuentre los polinomios caraster sticos, los polinomios minimales, los valores propios y los vectores propios de las siguientes matrices: 1. 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0
Para obtener el polinomio caracter stico se usa la f ormula: Det(A I ) = 0 Utilizando las herramientas del MatLab, se tiene que: A = [0 ,1 ,0 ,0 ,0; 0 ,0 ,1 ,0 ,0; 0 ,0 ,0 ,1 ,0; 0 ,0 ,0 ,0 ,1; 1 ,0 ,0 ,0 ,0 ] p = round (poly(A)); roots(A); , donde el polinomio caracter stico es:
115
[ 1 0 0 0 0 1 ] p() = 5 1 Polinomio minimal (mA ()) se dene como el polinomio de menor grado y coeciente principal (el coeciente n ) igual a 1. mA () = 5 Para obtener los valores propios utilizamos: [V,D] = eigs(A); Donde la matriz V , tendr a los vectores propios en sus columnas, y los valores propios en la diagonal de la matriz D. 0, 44 0, 44 0, 44 0, 44 0, 44 0, 44 0, 14 0, 43i 0, 14 + 0, 43i 0, 36 0, 26i 0, 36 + 0, 26i 0, 14 0, 43i V = 0, 44 0, 36 0, 26i 0, 36 0, 26i 0, 14 + 0, 43i 0, 44 0, 36 + 0, 26i 0, 36 + 0, 26i 0, 14 0, 43i 0, 14 + 0, 43i 0, 44 0, 14 + 0, 43i 0, 14 0, 43i 0, 36 + 0, 26i 0, 36 0, 26i 1 0 0 0 0 0 0, 31 0, 95i 0 0 0 0 0, 31 + 0, 95i 0 0 D= 0 0 0 0 0, 81 0, 59i 0 0 0 0 0 0, 81 + 0, 59i 2. Para la matriz: 0 1 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 Via Matlab tenemos que el polinomio caracter stico es: [ 0, 5 + 0, 866i 0, 5 0,866i 1 1 ] Polinomio minimal: mA () = 1 Los vectores propios y los valores propios representados en la matriz V y 0 0 0, 58 0, 29 + 0, 5i 0, 29 0, 5i 0 0 0, 58 0, 58 0, 58 0 0 0, 58 0, 29 0, 5i 0, 29 + 0, 5i V = 0, 71 0, 71 0 0 0 0, 71 0, 71 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 D= 1 3 i 0 0 0 0 2 4 3 0 0 0 0 1 + i 2 4 3. Para la matriz 1 1 1 1 0 3 3 1 1 0 0 1 2 1 0 3 3 0 1 0 0 0 0 1 1 D, respectivamente:
116 Via Matlab tenemos que el polinomio caracter stico es: [ 2 1 1 ] p() = 22 + 1 Polinomio minimal: mA () =
Algebra Lineal
Los vectores propios y los valores propios representados en la matriz V y D, respectivamente: V = 0, 71 0 0, 62 0 0 0, 71 0, 58 0, 62 0, 58 0, 58 0 0, 58 0 0, 58 0, 58 0 0, 58 0, 21 0, 58 0, 58 0 0 0, 42 0 0 D= 4. Para la matriz 2 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
1 3 3 1 0 0 0 0 1 0
0 0 0 0 0 0 1 0 0 2 0 0 0 0 2
Via Matlab tenemos que el polinomio caracter stico es: [ 1 1 6 6 8 8 ] p() = 5 4 63 + 62 + 8 8 Polinomio minimal: mA () = 5 Los vectores propios y los valores propios representados en la matriz V y D, respectivamente: V = 0, 84 0, 38 0, 48 0, 66 0 0 0 0 0, 25 0, 65 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0
D=
2 0 0 0 0 2 0 0 0 0 2 0 0 0 0 2 0 0 0 0
117
80. [6, P. 43, ex. 7] Mediante puro pensamiento (ayud andose quiz as de papel y l apiz), obtenga los polinomios caracter stico y minimal de las matrices tridiagonales Tk de k k de (4.17). Tk = 1 1 0 ... 1 1 1 ... 0 1 1 ... . . . . . . . . . 0 0 0 ... 0 0 0 ... 0 0 0 ... 0 0 0 0 0 0 0 0 0 . . . . . . ; J ( ) = k . . . 1 1 0 1 1 1 0 1 1 1 0 ... 0 1 ... 0 0 ... . . . . . . . . . 0 0 0 ... 0 0 0 ... 0 0 0 0 0 0 . . . . . . 1 0
(4.17)
Una matriz de la forma de la matriz Jk () se llama c elula o bloque de Jordan. Denominaremos pk () al polinomio caracter stico de Tk . Desarrollando el determinante |Tk Ik | por la primera la, y luego por la primera columna, se llega a una recurrencia en k : 1 1 1 1 1
pk () =
1 .. . 1 1 1 1 .. . 1
k k
= (1 )
1 1 1 1 1
1 1 1
(k1)(k1)
1 1 1
1 .. . 1 1 1
(k1)(k1)
= (1 )pk1 ()
1 1 1 1 1
1 .. . 1 1 1
(k2)(k2)
= (1 )pk1 () pk2 () La recurrencia obtenida es de tipo lineal homog enea de segundo orden. Luego, podemos asumir una soluci on del tipo pk = Crk . Reemplazando en la recurrencia: pk+2 = (1 )pk+1 pk rk+2 = (1 )rk+1 rk r2 = (1 )r 1 r2 (1 )r + 1 = 0 1 (1 ) r = 2 1 = (1 ) 2 1 = (1 ) 2 (1 )2 4 2 2 3 ( 3)( + 1)
La soluci on general es una combinaci on lineal de la soluci on propuesta para los dos valores posibles de r: pk = A (1 ) + ( 3)( + 1)
k
+ B (1 )
( 3)( + 1)
118
Algebra Lineal
Para obtener los valores de A y B , consideremos las condiciones iniciales p0 = | | = 1 y p1 = |1 | = 1 . (4.18) (4.19) p0 = A + B 1 = A+B p1 = (A + B )(1 ) + (A B ) ( 3)( + 1) 1 = (A + B )(1 ) + (A B ) ( 3)( + 1) La ecuaci on (4.19) es v alida para todo valor de ; en particular, consideremos = 1: 0 = (A B ) 4 (4.20) 0 = AB A partir de (4.18) y (4.20), se deduce que A = B = 1 on general. Para vericar 2 , y se tiene la soluci que esta es realmente un polinomio, expandiremos la expresi on elevada a k seg un el teorema del binomio: k k 1 1 1 + ( 3)( + 1) + 1 ( 3)( + 1) pk () = 2 2 k j 1 k j = (1 ) ( 3)( + 1) + 2 j
0 j k
+ =
1 2
0 j k
k (1 )j j
( 3)( + 1)
k j
(1)kj
k j
0j k, kj
par par
k (1 )j j
( 3)( + 1)
=
0mk, m
k (1 )km ( 3)m/2 ( + 1)m/2 m
Como m/2 N0 , pk () es un polinomio. El polinomio caracter stico de la c elula de Jordan se obtiene f acilmente, ya que el determinante de una matriz diagonal es el producto de los elementos de su diagonal principal. Luego, pk (x) = ( x)k . t
Parte 7
Formas Can onicas (Schur y Jordan)
n Unitaria de Schur. 81. El Teorema de Triangularizacio Teorema 1 (Schur). Sea A M (n n, C) con valores propios 1 , 2 , . . . , n en cualquier orden prescrito. Entonces existe una matriz unitaria U M (n n, C) tal que U AU = T = [tij ] es una matriz triangular superior con diagonal tii = i , i = 1, 2, . . . , n. En otras palabras, toda matriz cuadrada A es unitariamente equivalente a una matriz triangular superior cuyos coecientes en la diagonal principal son los valores propios de A en un orden que se puede prescribir. Si A M (nn, R) y si todos los valores propios a A son reales, entonces U puede elegirse de modo que sea real y ortogonal. Demo. 0) La demostraci on es algor tmica y recurre a una sucesi on de reducciones del mismo tipo. 1) Sea x1 un vector propio normalizado de A asociado al valor propio 1 . El vector no nulo x1 puede ser extendido a una base x1 , y2 , . . . , yn de Cn . Aplicando el procedimiento de ortogonalizaci on de GramSchmidt a esta base se obtiene una base ortonormal x1 .z2 , . . . , zn de Cn . Ahora interpretamos estos vectores ortonormales, ordenados de izquierda a derecha, como las columnas de una matriz z = , lo que implica que U U = I . unitaria U1 , ya que debido a la relaci on de ortonormalidad, zi j ij Puesto que la primera columna de AU1 es 1 x1 , un c alculo r apido revela que x1 z 2 (4.21) U1 AU1 = . A x1 z2 . . . zn . .
zn
= = (4.22) = =
x 1 z2 . . .
zn
1 x1 Az2 . . . Azn
1 x 1 x1 x1 Az2 . . . x1 Azn x 1 z2 1 z2 Az2 . . . z2 Azn . . . .. . . . . . . . 1 zn x1 zn Az2 . . . zn Azn
1 0 . . . 0 1 0 A1
x 1 Az2 . . . x1 Azn Az z2 2 . . . z2 Azn . . .. . . . . . Az Az zn . . . z 2 n n
2) La matriz A1 M (n n, C) tiene valores propios 2 , 3 , . . . , n ya que, seg un la ecuaci on (4.22), A1 = Z AZ , donde Z es la matriz de columnas ortogonales cuyo range es el espacio ortogonal a x1 , y (4.23) A1 x = Z AZx = x A(Zx ) = (Zx ),
es decir, los valores propios de A1 son los mismos de A (salvo x1 , evidentemente). Sea x2 Cn1 un vector propio normalizado de A1 correspondiente al valor propio 2 , y repitamos el mismo procedimiento descrito en 1. de modo que obtenemos una matriz unitaria U2 M ((n 1) (n 1), C) tal que:
U2 A1 U2 =
2 0 A2
121
Sea V2 =
1 0 0 U2
. Entonces las matrices V2 y U1 V2 son unitarias y: 1 V2 U1 AU1 V2 = 0 2 , 0 0 A2
donde la matriz A2 M (n n, C) tiene valores propios 3 , 4 , . . . , n . La justicaci on en este caso es an aloga a la ecuaci on (4.23). V2 es unitaria por construcci on, y U1 V2 es unitaria por ser el producto de dos matrices unitarias. 3) Continuando este proceso de reducci on, generamos matrices Ui M ((n i +1) (n i +1), C), i = 1, 2, . . . , n 1 y matrices unitarias Vi , i = 2, 3, . . . , n 1. La matriz U = U1 V2 V3 . . . Vn1 es unitaria, y U AU tiene la forma deseada. Esto se puede demostrar por inducci on, considerando la etapa 1 del algoritmo como la base, y la etapa 2 como el paso inductivo. 4) Si todos los valores propios de A M (n n, R) (note que ahora el cuerpo es R y no C como en los pasos previos) son reales, entonces los vectores propios correspondientes pueden ser elegidos reales y todos los pasos precedentes se pueden llevar a cabo en aritm etica real. Para justicar esto, tomemos un vector propio complejo v de A, con valor propio real . Si consideramos los coecientes de v en su forma polar, i.e. v = [vk eik ]k=1:n , entonces, a partir de la identidad v1 ei1 . . (A I ) =0 . i n vn e es posible llevar v a los reales mediante sucesivas postmultiplicaciones por matrices de la forma I . k = eik I n. 1) En la demostraci Observacio on del Teorema 1, se puede reemplazar la frase triangular superior por triangular inferior y el resultado sigue siendo v alido. Obviamente se obtendr a una matriz unitaria U diferente. Para ello, bastar a cambiar la matriz U1 de la ecuaci on (4.21) de modo que el vector propio x1 ahora apareciera en la u ltima columna como xn , y haciendo lo mismo subsecuentemente en los pasos siguientes. 2) Las matrices U y T del Teorema 1 no son u nicas. No solamente los coecientes de la diagonal principal de T (los valores propios de A) pueden aparecer en cualquier orden sino que, adem as, los coecientes sobre la diagonal principal pueden ser muy diferentes. Por ejemplo, las siguientes matrices T1 y T2 son unitariamente equivalentes (similares) por intermedio de la matriz unitaria U : 1 1 0 2 1 3 1 1 4 2 1 0 , T1 = 0 2 2 , T2 = 0 1 2 , U = 1 1 2 0 0 3 0 0 2 0 0 3 como se puede vericar en una sesi on de Gnu/Octave: octave:1> octave:2> octave:3> octave:4> ans = t1 = [1 1 4; 0 2 2; 0 0 3]; t2 = [2 -1 3*sqrt(2); 0 1 sqrt(2); 0 0 3]; u = (1/sqrt(2)) * [1 1 0; 1 -1 0; 0 0 sqrt(2)]; u * t2 * u
1.00000 -0.00000 0.00000
1.00000 2.00000 0.00000
4.00000 2.00000 3.00000
122
Algebra Lineal
En general, muchas matrices triangulares superiores bien diferentes pueden estar en la misma clase de equivalencia de similitud unitaria. Una versi on estrictamente real del Teorema 1 est a contenida en el siguiente Teorema 2. Si A M (n n, R), entonces existe una matriz ortogonal Q M (n n, R) tal que: QT AQ = A1 0 A2 . . . . . . 0 0 . . . Ak M (n n, R), 1 k n,
donde cada Ai es una matriz real de 1 1 cuyo u nico coeciente es un valor propio de A, o bien una matriz real de 2 2 con un par de valores propios complejos conjugados (i.e., no reales) de A. Los bloques diagonales pueden estar en cualquier orden prescrito. En general, no se debe esperar que se pueda reducir toda matriz real A a una matriz triangular superior real mediante transformaciones de similitud reales (ni menos mediante similitudes ortogonales reales) pues si ello fuera siempre posible, los coecientes de la diagonal principal, que tendr an que ser los valores propios de A, ser an siempre reales y, como se sabe, ello no es as : los valores propios de matrices reales pueden no ser reales. Tarea. Demuestre el Teorema 2 modicando convenientemente la demostraci on del Teorema 1, como se sugiere a continuaci on. Si R es un valor propio real de la matriz A, entonces existe un correspondiente vector propio real que se puede usar para desinar A tal como en la demostraci on del Teorema 1. Si = + i C es un valor propio no real de A y si Ax = x, x = u + iv = 0 x con u, v Rn , demuestre que Au = u b, Av = v + u, Ax = , y que {x.x } es un conjunto linealmente independiente. Deduzca que {u, v } tambi en es un conjunto linealmente independiente y aplique el procedimiento de GramSchmidt para obtener un conjunto ortonormal real {w, z }. Si Q1 es una matriz ortogonal real cuyas primeras dos columnas son w y z , demuestre que M ((n 2) (n 2), R), , A QT 1 AQ1 = 0 0 A de modo que se puede desinar dos columnas de A de un solo paraguazo. Observe que los bloques diagonales Ai correspondientes a cada valor propio real o a cada par de valores propios no reales complejos conjugados, se pueden ordenar a voluntad. Note, adem as, que los bloques diagonales Ai no tienen nada que ver conceptualmente con los bloques de Jordan que se estudian en otro ejercicio de esta tarea. Tarea. Programe la triangularizaci on unitaria de Schur, tanto para el caso complejo como para el caso real. Verique sus programas con algunos ejemplos no triviales. n del Teorema 2. Si es un valor propio real de A, se procede de la misma manera Demostracio que en el paso 1 del Teorema 1. Consideremos el caso C R, con vector propio x Cn . Primero, demostraremos los resultados intermedios se nalados en el enunciado del ejercicio. Escribamos = + i con , R, y x = u + iv con u, v Rn : A.x A.(u + iv ) A.u + iA.v A.u + iA.v A.u = (u v ) = = = = x ( + i )(u + iv ) u + iv + iu v (u v ) + i(v + u) A.v = (v + u)
123
La aplicaci on de la transformaci on A sobre el vector propio conjugado x es: A.x = A.(u + iv ) = (u v ) i(v + u) = (u v ) + i(v + u) = = = A.x x x
Para vericar que {x, x } es un conjunto linealmente independiente, tomemos una combinaci on lineal arbitraria de sus elementos e igual emosla a 0: c1 x + c2 x = 0 c1 (u + iv ) + c2 (u iv ) = 0 (c1 + c2 )u + (c1 c2 )iv = 0
(4.24)
Para que se cumpla la igualdad (4.24), las partes real e imaginaria del t ermino de la izquierda deben ser nulas, por lo que c1 = c2 = 0, lo que implica que el conjunto {x, x } es linealmente independiente, como se quer a demostrar. A partir de este resultado, se puede demostrar que {u, v } tambi en es un conjunto linealmente independiente; para ello, escribimos sus elementos en funci on de x y x : x = u + iv x = u iv = u = v =
1 x 2 ( i ( 2 x
+ x) x).
Igualando a cero una combinaci on lineal arbitraria de {u, v }: (4.25) (4.26) c1 u + c2 v 1 i c1 2 ( x + x) + c2 2 ( x x) 1 i i + 1 2 c1 + 2 c2 x 2 c1 2 c2 x = 0 = 0 = 0.
Como x y x son vectores linealmente independientes, para que la igualdad (4.26) se cumpla, es necesario que 1 i 2 c1 + 2 c2 = 0 ; 1 i 2 c1 2 c2 = 0 al tratarse de un sistema homog eneo con determinante no nulo, la u nica soluci on es c1 = c2 = 0, lo que implica que {u, v } es un conjunto linealmente dependiente. A partir de {u, v } obtengamos un conjunto ortonormal {w, z } mediante el procedimiento de Gram vT u Schmidt, por ejemplo, haciendo w = u, z = v u T u u, y luego normalizando. Claramente w, z u, v . Construyamos la matriz ortogonal Q1 de modo que sus dos primeras columnas sean w y z : (4.27) Q1 = w z y3 yn .
Consideremos el producto A.w: A.w = A.(c1 u + c2 v ) = c1 (u v ) + c2 (v + u) = (c1 + c2 )u + (c1 + c2 )v
(4.28)
Luego, Aw u, v . An alogamente, Az u, v . Por lo tanto, para cualquier columna y3 , , yn T T Az son iguales a 0, por la condici de Q1 , los productos yj Aw e yj on de ortonormalidad entre las
124 columnas en la ecuaci on (4.27). Ahora podemos hacer el producto QT 1 AQ1 :
Algebra Lineal
(4.29) QT 1 AQ1 = (4.30) = (4.31) =
wT zT T y3 . . .
T yn
Aw Az Ay3 Ayn
wT Aw wT Az wT Ay3 z T Aw z T Az z T Ay3 T Aw T Az T Ay y1 y1 y1 3 . . . . . . . . . T Ay T Aw T Az yn yn yn 3 0 0 A
.. .
wT Ayn z T Ayn T Ay y1 n . . .
T Ay yn n
n del Teorema de Triangularizacio n de Schur [6, P. 90]. La siguiente 82. Una Extensio extensi on de Teorema de Schur juega un papel importante en la obtenci on de la forma can onica de Jordan de una matriz cuadrada dada. Teorema 3 Sup ongase que A M (n n, C) tiene valores propios i con multiplicidades ni , i = 1, 2, . . . , k , y que los i s son distintos de a pares. Entonces A es similar a una matriz de la forma
T1 0 . . . 0 T2 . . . . . . . . . 0 0 ...
0 0 . . . Tk
donde Ti M (ni ni , C) es una matriz triangular superior cuyos coecientes de la diagonal son todos iguales a i , i = 1, 2, . . . , k . Si A M (n n, R) y todos los valores propios de A son reales, entonces el resultado sigue siendo v alido y las matrices de similitud pueden escogerse reales. Demo 1) Primeramente apliquemos el Teorema de Schur 1. para exhibir una similitud unitaria de A con una matriz triangular superior T = [trs ], y supongamos que hemos ordenado los valores propios de A a lo largo de la diagonal principal de T de modo que t11 = 1 , t22 = 2 . . . . , tnn = n . 2) A continuaci on aplicamos a T una sucesi on de transformaciones de similitud simples (no unitarias) que introducen los 0s por sobre la diagonal principal, sin alterar la diagonal principal ni la estructura triangular superior de T . 3) Sea Ers = [rs ] M (n n, C), donde rs es el conocido s mbolo de Kronecker, i.e., Ers es la matriz de n n cuyos coecientes son todos nulos excepto aquel de la r- esima la y la s- esima columna, que es 1. N otese que para r = s y cualquier escalar, la matriz I + Ers es no singular y (I + Ers )1 = I Ers . 4) Por otro lado, un c alculo directo demuestra que la transformaci on de similitud inducida por I + Ers con r < s viene dada por:
125
= (I + Ers )1 T (I + Ers ) = (I Ers )T (I + Ers ) T t1 , 1 . . . . . . 0 ... 0 ... . = . . 0 ... 0 ... . . . 0 ... t1,s1 . . . t1,r + t1,s . . . t1,s+1 . . . ... t1,n . . . tr1,n tr,n ts,n . . . ts1,n ts,n . . . tn,n
tr1,s1 tr1,r + tr1,s tr1,s+1 ... tr,s1 (tr,r ts,s ) + tr,s tr,s+1 ts,s+1 . . . . . . . . . . . . ts1,s1 0 . . . 0 ts1,s ts,s . . . 0 ts1,s+1 ts,s+1 . . . 0 ... ... ...
es una matriz triangular superior id Notese que T entica a T excepto por los coecientes ti,j con (i) i = r y j = r, r + 1, . . . , n, i.e., los coecientes de la la r a partir de la columna s; y (ii) j = s e i = 1, 2, . . . , r 1, i.e., los coecientes de la columna s por encima de la la r. El coeciente tr,s de r,s = tr,s + (tr,r ts,s . Luego, si tr,r = ts,s , t r,s se puede hacer 0 eligiendo T queda reemplazado por t = tr,s /(tr,r ts,s ) sin alterar de ning un modo la estructura relevante 5)Ahora consideremos la siguiente sucesi on de entradas de la matriz T : (n 1, n); (n 2, n 1), (n 2, n); (n 3, n 2), (n 3, n 1), (n 3, n); (n 4, n 3), (n 4, n 2), (n 4, n 1), (n 4, n); . . . Hagamos 0 cada una de estas entradas mediante las similitudes indicadas en 4), si tr,r = ts,s . Notese que ninguna entrada previamente anulada resulta perturbada por las transformaciones discutidas. La matriz resultante es similar a A y tiene la forma deseada. Tarea. Estudie la posibilidad de automatizar el algoritmo impl cito en la demostraci on del Teorema 3. Verique la operaci on de su programa con algunos ejemplos concretos.
La automatizaci on al algoritmo impl cito en la demostraci on se realiz o mediante un programa hecho en matlab. %Se realizo un programa en matlab debido a la facilidad de definicion de %matrices como: Matriz unitaria, inversa, triangular, entre otras.
n=input(Ingrese la dimension de la matriz: [X,D]=eig(randn(n));
);
%D es una matriz diagonal en la cual se %encuentran sus valores propios. Esta %se genera aleatoriamente.
Y=randn(n)+ randn(n)*i; for i=1:n for j=1:n if i==j Y(i,j)=0; end end end
%Con Y y D se formara la diagonal.
126 T=triu(D+Y); disp(La matriz triangular es: ), T V=randn(n);
Algebra Lineal
%T es una matriz triangular superior cuya diagonal %tiene los valores propios. %Matriz arbitraria para aplicar la transformacion %de similitud simple a T.
flag=1; while flag T=inv(V)*T*V; %Aplicamos la transformacion de similitud simple for i=1:n %sobre T hasta que se agreguen unos 0s por sobre for j=i+1:n %la diagonal. if T(i,j)<0.005 && T(i,j)<0.005i flag=0; %Se verifica que el valor de alguna entrada end %superior a la diagonal sea cercano a cero. end end end I=eye(n); %Se crea la matriz identidad. flag1=1; while flag1 r=input(Ingrese el valor de r: ); %Se ingresan valores de r y s que hacen s=input(Ingrese el valor de s: ); %referencia a una posicion en la matriz Ers if r<=n && s<=n && r>=1 && s>=1 %creada posteriormente. flag1=0; else disp(Valores de r y s deben ser menores o iguales que); n disp(Y mayores o iguales que 1); end end a=input(Ingrese el valor de alfa: ); Ers=zeros(n); Ers(r,s)=1; Ers1=I+a*Ers; Ers2=I-a*Ers; Tprim=Ers2*T*Ers1; if Tprim(r,s) == T(r,s) Tprim(r,s)=0; for i=1:n for j=i+1:n A(i,j)=0; end end end Tprim, T
%Se crea una nueva matriz Tprim
%Si las entradas Tprim(r,s) y T(r,s) son iguales, %Tprim(r,s) se hace 0, al igual que todas sus %entradas por sobre la diagonal principal.
%Se chequean Tprim y T para ver similitudes.
127
83. La Forma Can onica de Jordan. [6, P. 121, 3.1]. Una matriz de Jordan J M (n n; K) es una suma directa de bloques de Jordan: i 1 . . . 0 0 0 ldots 0 Jn1 (1 ) 0 i . . . 0 0 ( ) ldots 0 0 J n2 2 . . . . . . . . (4.32) J = , Jni (i ) = . . . . . . . . . . . . . 0 0 . . . i 1 0 0 . . . Jnk (k ) 0 0 . . . 0 i con Jni (i) M (ni ni , C) y n1 + n2 + . . . + n2 = n, donde los ordenes ni pueden ser iguales y los i no necesariamente son diferentes. N otese que Jni (i ) es una matriz cuadrada bidiagonal superior cuyos coecientes son todos nulos excepto los de la diagonal principal y los de la primera diagonal superior, que son iguales al valor propio i y a 1, respectivamente. Si ni = 1 para todo i y k = n, entonces J es diagonal. Si para alg un bloque de Jordan Jni (i ) se tiene ni > 1, entonces Jni no s olo no es diagonal sino que ni siquiera es diagonalizable y, por ende, J no puede ser diagonalizable. En efecto, si Jni (i ) fuera diagonalizable, i.e., si existiera una matriz invertible S tal que Jni = S S 1 , Jni con diagonal, entonces necesariamente = diag(i , i , . . . , i ) = i I (Why, dear student?).
Jni (i ) = S S 1 = SIS 1 = i I = diag (i ) = i I |Jni (i )| = ni i |S S 1 | = || = ni i Luego, Jni (i ) i I = S S 1 i I = S ( i I )S 1 = 0, lo que no puede ser v alido si ni > 1 (Why, dear student?). Jni (i ) i I = S S 1 i I = S ( i I )S 1 0 1 . 0 0 .. . . . . . . 0 0 0 0 0 0 . . . . . . 0 0 0 0 0 0 0 0 . . . . . . 0 0 0 0
Jni (i ) i I = 0 0 0 0
0 0 1 = .. . , luego S ( I ) S . . . 0 1 0 0
Jni (i ) i I = S ( I )S 1 Por lo tanto, Jni no es diagonalizable. El principal resultado de esta secci on es que toda matriz compleja es similar a una matriz de Jordan que es esencialmente u nica. Llegaremos a esta conclusi on en tres pasos: Paso 1. Observar que toda matriz compleja es similar a una matriz triangular superior cuyos valores propios aparecen en la diagonal principal en un orden prescrito. Este es el Teorema de Triangularizaci on de Schur 1. Paso 2. Demostrar que toda matriz triangular superior, mediante transformaciones de similitud puede ser llevada a la forma de una matriz diagonal por bloques en la cual los coecientes de la diagonal princial de cada bloque diagonal individual son iguales (como el bloque de Jordan Jk () en (4.32) Este es el Teorema 3.
128
Algebra Lineal
Paso 3. Finalmente, demostrar que toda matriz triangular superior cuyos coecientes en la diagonal principal son todos iguales es similar a una suma directa de bloques de Jordan del tipo Jk () de (4.32). Lema 1. Sea k 1 y considere el bloque de Jordan 0 1 0 0 0 1 . . . . . Jk (0) = . . . . 0 0 0 0 0 0
T (0)J (0) = Entonces, Jk k
... 0 0 ... 0 0 . . . . . . ... 0 1 ... 0 0
0 0 y Jk (0)p = 0 si p k . Adem as, Jk (0)ei+1 = ei para i = 0 Ik1 1, 2, . . . , k 1 y [I Jk (0)p Jk (0)]x = (xT e1 )e1 , donde Ik1 M ((k 1) (k 1), C) es la matriz identidad, ei es el i- esimo vector de la base est andar de Cn , y x Cn . Demo. C alculos directos. Por favor, h agalos!
T (0)J (0) = Demostraci on de Jk k
0 0 0 Ik1
: 0 1 . 0 0 .. . . . . . . 0 0
Jk (0) = 0 0 0 0 0 0 1 0 . . . .. Jk (0)T = . 0 0 ... 0 0 Luego, Jk (0)T Jk (0) = Demostraci on de Jk (0)p = 0 si p k . 0 1 . 0 0 .. . . . . . . 0 0 0 1 . 0 0 .. . . . . . . 0 0 0 0 0 1 . . . . . . 0 0 0 0
0 0 .. . . . . 0 1 0 0 0 0 0 0 . . . . . . 0 0 1 0
0 0 0 0 . . . . = . . 1 0 0 1
0 0 0 Ik1
0 0
0 0 0 0
0 0 .. . . . . 0 0 0 1 0 0 0 0
0 0 .. . = . . . 0 1 0 0
0 0 0 . . . . . . 0 0 0 0
.. . . . . 0 0
0 . . . 1 0 0
Al multiplicar sucesivamente por la misma matriz, la diagonal con unos se va corriendo a la derecha. Si se multiplica k veces los unos se correr an k posiciones, lo que implica que la matriz quedara nula. p Por lo tanto Jk = 0.
129
Demostraci on de Jk (0)ei+1 = ei para i = 1, 2, . . . , k 1. Jk (0) ei+1 = e1 0 0 0 . . . 0 . . . . . 0 1 . = 1 0 0 . . . 1 . . . 0 0 0
0 1 0 0 . . . . . . 0 0 0 0 0 0
0 0 . . . 1 0 0
Al multiplicar Jk (0) por ei+1 , el u nico valor no nulo en ei+1 est a en la posici on i + 1, por lo cual al multiplicar por Jk (0), la columna i + 1 tiene un valor no nulo en la posici on i, lo que dar a como resultado un vector con un u nico valor no nulo en la posici on i. Por lo tanto el resultado ser a ei . Demostraci on de [I Jk (0)p Jk (0)]x = (xT e1 )e1 , donde Ik1 M ((k 1) (k 1), C) es la matriz identidad. 0 0 0 Ik1 x = (xT e1 ) e1
Sea x = [x1 , x2 , . . . , xk ]T , multiplicando se obtiene: 1 0 0 0 x = (x e1 ) e1 =

T
x1 0 . . . 0
x1 0 . . . 0
Teorema 4. Sea A M (n n, C) estrictamente triangular superior (i.e., A tiene diagonal nula). Entonces existe una matriz no singular S M (n n, C) y existen enteros n1 n2 . . . nm 1 con n1 + n2 + . . . + nm = n tales que: Jn1 (0) 0 ... 0 0 Jn2 (0) . . . 0 1 (4.33) A=S S . . . . . . . . . 0 0 . . . Jnm (0) Si A es real, entonces la matriz S puede escogerse real. Demo. A) Si n = 1, A = [0] y el resultado es trivial. Ahora procedemos por inducci on con respecto a n. Suponemos que n > 1 y que el resultado ya ha sido probado para todas la matrices estrictamente triangulares superiores de orden menor que n. B) Particionemos A en la forma A = 0 aT , donde a Cn1 y A1 M (n n, C) es estrictamente 0 A1 triangular superior. Por la hip otesis inductiva, existe una matriz no singular S1 M ((n 1) (n 1 1), C) tal que S1 A1 S1 tiene la forma deseada (4.33), esto es: 1 (4.34) S1 A1 S 1 = Jn1 (0) 0 ... 0 0 Jn2 (0) . . . 0 . . . . . . . . . 0 0 . . . Jnm (0) = Jk1 0 0 J
Jk2 (0) . . . 0 . . . . ,J = . . 0 . . . Jk2 (0)
130
Algebra Lineal
donde k1 k2 . . . ks 1, k1 + k2 + . . . + ks = n 1 = Jk1 (0), J M ((n 1 k1 ) (n 1 k1 ), C). N otese que (por la hip otesis inductiva) ning un bloque diagonal de Jordan tiene orden mayor que k1 , k 1 de modo que J = 0 por el Lema 1. C) Un simple c alculo (h agalo por favor!) demuestra que: (4.35) Demostraci on: 1 0 0 S1 1 1 0 0 S1 1 A A 1 0 0 S1 1 0 0 S1 = = = = 0 aT S1 1 0 S 1 A1 S 1 1 0 0 S1 1 0 aT 0 S 1 1 A1 0 aT S1 0 S 1 1 A1 S 1 0 aT 0 A1 1 0 0 S1 1 0 0 S1 1 0 1 0 S1 A 1 0 0 S1 = 0 aT S1 1 0 S 1 A1 S 1
T D) La submatriz aT S1 M (1 (n 1), C) en (4.35) se puede particionar en la forma aT S1 = [aT 1 a2 ], k n 1 k 1 , de modo que (en vista de (4.34)) podemos escribir (4.35) en la donde a1 C 1 y a2 C forma: 0 aT aT 1 2 1 0 1 0 (4.36) A = 0 Jk1 0 1 0 S1 0 S1 0 0 J
(Por favor, verif quelo!). 1 0 0 S1 1 1 0 0 S1 a1 T a2 T 0 a1 T = 0 Jki 0 0 , S 1 1 A1 S 1 = a2 T 0 J a2 T 0 J Jk1 0 0 J :
Usando las siguientes identidades, aT S1 = aT S
0 1 0 S1 1 A1 S1
0 a1 T = 0 Jki 0 0
E) Ahora consideremos la siguiente relaci on de similitud (que le rogamos encarecidamente vericar) de la matriz del lado derecho de (4.36): (4.37) T T T T T JT 0 aT aT 1 aT 1 aT 0 aT 0 (aT 1 2 1 Jk1 0 1 Jk1 0 1 (I Jk1 Jk1 ) a2 1 e1 )e1 2 T 0 0 0 J k1 0 I 0 0 Jk I 0 = 0 Jk1 0 0 1 0 0 J 0 0 I 0 0 I 0 0 J 0 0 J
T J )x = (xT e )e del Lema 1. Hay dos posibilidades que donde hemos usado la identidad (I Jk 1 1 1 k1 T examinar dependiendo de si se cumple a1 e1 = 0 o no.
Vericaci on: 1 a1 T Jk1 T 0 I 0 0 0 a1 T 0 0 0 Jk1 0 0 I a2 T 1 a1 T Jk1 T 0 0 I J 0 0 0 0 = I
131 0 a1 T (I = 0 0 0 a1 T (I = 0 0 1 a1 T Jk1 T Jk1 T Jk1 ) a2 T I Jk1 0 0 0 0 0 J T T Jk1 Jk1 ) a2 Jk1 0 0 J 0 0 I
Aqu se uso la identidad siguiente: (I Jk1 T Jk1 )x = (xT e1 )e1 = x(I Jk1 T Jk1 ) = (xe1 )e1 T F.1) Si aT 1 = 0, (1/aT 1 e1 ) 0 0 0 (a1 T e1 )e1 T = 0 Jk1 0 0 a2 T 0 J
entonces: T 0 0 0 (1/aT 1 e1 )e1 I 0 0 Jk1 0 0 0 (1/aT e ) I 1 1 T a1 e1 0 0 aT 2 I 0 0 0 J 0 0 aT 1 e1 I 0 eT aT 1 2 0 Jk1 0 0 0 J = = e1 aT J 2 0 J
0 eT 1 = Jk1 +1 (0) es un bloque de Jordan de orden k1 + 1 con diagonal principal 0 Jk1 nula (Verique (4.38)!). = donde J (1/a1 T e1 ) 0 0 0 (a1 T e1 )e1 T 0 0 I 0 Jk1 T 0 0 0 0 (1/a1 e1 )I 0 e1 T = 0 Jk1 0 0 0 e1 T = 0 Jk1 0 0 T a1 e1 0 0 a2 T = I 0 0 0 T J 0 0 (a1 e1 )I
T (a2 T /a1 T e1 ) a1 e1 0 0 0 0 I 0 T T (1/a1 e1 )J 0 0 (a1 e1 )I T a2 0 J
i+1 = ei para i = 1, 2, . . . , k1 se puede demostrar f F.2) Usando la propiedad Je acilmente (Please, do it! Never believe the word f acilmente) que: I e2 aT 2 0 I e1 aT J 2 0 J I e2 aT 2 0 I = Je 2 aT + e1 aT + e2 aT J J 2 2 2 0 J = J e2 aT 2J 0 J
y, luego, se puede calcular recursivamente la sucesi on de similitudes:

i1 I ei+1 aT 2J 0 I
ei aT J i1 J 2 0 J
i1 I ei+1 aT 2J 0 I
ei+1 aT J i J 2 0 J
, i = 2, 3, . . .
Puesto que J k1 = 0, observamos que despu es de a lo m as k1 pasos en esta sucesi on de similitudes los t erminos fuera de la diagonal se har an nulos. Conclu mos entonces que A es similar a la matriz 0 J , que es una matriz estrictamente triangular superior como se quer a probar. (Verique 0 J todo esto!).
132
Algebra Lineal
I e2 a2 T 0 I
e1 a2 T J 0 J
I e2 a2 T 0 I
= = = =
J 0 J 0 J 0 J 0
I e2 a2 T e1 a2 T + e2 a2 T J 0 I J 2 a2 T + e1 a2 T + e2 a2 T J Je J e1 a2 T + e1 a2 T + e2 a2 T J J e2 a2 T J J
Calculando para recursion de similitudes, I 0 J 0 J 0 J 0 J 0 ei+1 a2 T J i1 I ei a2 T J i1 J 0 J I ei+1 a2 T J i1 0 I
= = = =
I ei+1 a2 T J i1 ei a2 T J i1 + ei+1 a2 T J i 0 I J i+1 a2 T J i1 + ei a2 T J i1 + ei+1 a2 T J i Je J ei a2 T J i1 + ei a2 T J i1 + ei+1 a2 T J i J ei+1 a2 T J i J
G) Si aT 1 e1 = 0, entonces (4.37) muestra que: Jk1 0 0 aT 2 (4.38) A 0 Jk1 0 0 0 0 J 0
0 0 0 aT 2 0 J
donde denota la relaci on de similitud de matrices. N otese que la segunda de las similitudes de (4.38) es una similitud de permutaciones, esto es, la matriz S involucrada es una matriz de permutaciones de las, resp. de columnas. Por la hip otesis inductiva existe una matriz no singular S2 M ((n k1 ) (n k1 ), C) tal que:
1 S2
0 aT 2 0 J
M ((n k1 ) (n k1 ), C) S2 = J
es una matriz de Jordan con diagonal prinipal nula. Luego, la matriz (4.38) y, por lo tanto A, Jk1 0 es similar a la matriz , que es una matriz de Jordan de la forma requerida, excepto 0 J posiblemente por el hecho de que los bloques de Jordan diagonales pudieran no estar ordenados seg un orden no creciente. En tal caso, un bloque de similitudes de permutaci on producir a la forma deseada (Verique todo esto!). H) Finalmente, observamos que si A es real, entonces todas las similitudes utilizadas en esta demostraci on se pueden elegir reales, de modo que A es similar a la matriz de Jordan requerida mediante similitudes reales (Verique esto!). Ello concluye la demostraci on. t 84. Sea J = J () M (nn, C) un bloque de Jordan con valor propio . (a)Calcule J k para k = 2, 3, 4 (s olo tres potencias) (b)Calcule p(A), donde p es un polinomio cualquiera.
133
(c)Calcule f (A), donde f es una funci on entera. En particular, calcule eA . (d)Calcule r(A), donde r es una funci on racional para la cual no es un polo. Sea una matriz de Jordan: 1. C alculo de J 2 : 2 1 2 1 1 0 0 2 2 0 2 2 J = . . . . 2 . . n1 2 0 0 0 2 n 2. C alculo de J 3 : 3 1 3 2 3 1 0 1 0 3 3 2 1 0 2 3 J = . . . . 3 2 . . n1 3 1 0 0 0 0 3 n 3. C alculo de J 4 : 4 2 1 4 3 4 1 0 1 6 0 4 43 62 4 0 2 J4 = . . . 3 6 2 . . . 4 4 n1 0 0 0 0 0 4 n 4. C alculo de P (A): Sea A una matriz de n n; entonces un polinomio cualquiera, en este caso el polinomio minimal de la matriz es: (u) = 0 + 1 u + + m1 um1 + um con (A) = 0 teniendo la propiedad del grado m as peque no A M at(n n) con eigenvalues 1 k y la forma normal de Jordan y: (u) =
1j P (i )
1 1 0 2 . . . . . . 0 0
0 0 1 n nn
m ax
Vj
(i)
es el polinomio minimal de A. Luego, divide todo el polinomio X (u) con X (A) = 0. 85. Muy importante!. El c alculo de la forma normal de Jordan de una matriz no es un problema popular de la Computaci on Cient ca pues los algoritmos disponibles no son muy estables. Investigue si Matlab puede obtener la forma de Jordan de una matriz dada. Experimente con matrices mal condicionadas. Investigue en la red para ver si otros paquetes standard resuelven mejor este problema y, adem as, para ver si en alguna parte hay otro software conable que resuelva mejor este problema. En la actualidad existen varios programas que pueden resolver el problema del c alculo de la forma normal de Jordan. Algunos de estos programas son: Mathematica, Matlab, Maple, Mathcad, etc. Mathematica calcula de forma f acil y r apida la forma normal de Jordan de cualquier matriz. Sin embargo, con matrices mal condicionadas entrega valores err oneos o inexactos. Esto ocurre a partir aproximadamente con las matrices de 10*10. En la red es posible encontrar algunos algoritmos que resuelven el problema para Matlab. Uno de ellos es el siguiente: %----------------------------------------------------------------------% Find the Jordan normal (canonical) form
134
Algebra Lineal
% Instructor: Nam Sun Wang %----------------------------------------------------------------------% Start fresh ---------------------------------------------------------clear all global V J done % Program Header disp(Find disp( disp( A= disp( disp( ) ------------------------------------------------------the Jordan normal form of the following matrix) [ 3 -1.5 3]) [ 0 2 2]) [ 0 -0.5 4])
% Provide matrix A-----------------------------------------------------A= [ 3 -1.5 3 0 2 2 0 -0.5 4 ]; % Output results-------------------------------------------------------expat(A,0); disp(Jordan normal form is:) disp(J) disp(Similarity transform matrix is:) disp(V) disp(Check: V*J*V^(-1):) disp(V*J*V^(-1)) disp(It should be identical to A:) disp(A) %----------------------------------------------------------------------% Example of the use of exp(A*t) in solvind dx/dt=exp(A*t)*x0 % Initial condition x0=[1; 2; 0.5]; % Integrate dxdt=A*x for i=1:100 t(i)=0.01*i; x(:,i)=expat(A,t(i))*x0; end % Plots----------------------------------------------------------------% plot x vs. t subplot(2,2,1) % plot(t,x(1,:), t,x(2,:), t,x(3,:)) %OK plot(t,x) xlabel(Time), ylabel(States), title(Dynamic States) legend(x_1, x_2, x_3, 2) % plot x1 vs. x2 subplot(2,2,2) plot(x(2,:),x(1,:))
135
xlabel(x_2), ylabel(x_1), title(Phase Diagram) % plot x1 vs. x3 subplot(2,2,3) plot(x(3,:),x(1,:)) xlabel(x_3), ylabel(x_1), title(Phase Diagram) % plot x2 vs. x3 subplot(2,2,4) plot(x(3,:),x(2,:)) xlabel(x_3), ylabel(x_2), title(Phase Diagram)
function B=expAt(A,t) %----------------------------------------------------------------------% Find exp(A*t) in the correct mathematical sense. % Note that Matlabs exp(A*t) is an element-wise operation. % Variables: % A ... nxn square matrix % t ... time (scalar) % done ... keep track of calculation of Jordan normal form % V ... similarity transform matrix: A*T=T*J % J ... Jordan normal form % expJt ... nxn matrix of exp(J*t) % B ... exp(A*t) % Algorithm: similarity transform A*T=T*J exp(A*t)*T=T*exp(J*t) % Instructor: Nam Sun Wang %----------------------------------------------------------------------global V J done % Find the Jordan normal form J and similarity transform matrix V if (isempty(done) == 1 | done==0) [V,J] = jordan(A); done=1; end % Diagonal elements of exp(J*t) for i = 1 : size(J,1) expJt(i,i)=exp(J(i,i)*t); end % Off-diagonal elements of exp(J*t) for i = 1 : size(J,1)-1 if J(i,i+1)~=0 expJt(i,i+1)=t*exp(J(i,i)*t); end end % Form exp(A*t) B=V*expJt*V^(-1);
Bibliograf a
[1] M Ca nas-Cohen. Algebra Lineal para MAT 023. Departamento de Mat ematica, Universidad T ecnica Federico Santa Mar a, Valpara so, Chile, 2002. [2] J. Dieudonn e. Abr eg e dhistoire des math ematiques,, volume I et II. Hermann, Paris, 1978. Avec la collaboration de P. Dugac, W. J. et F. Ellison, J. Gu erindon, M. Guillaume, G. Hirsch, C. Houzel, P. Libermann, M. Lo` eve, J. L. Verley. [3] R. Frucht and C. Gonz alez. Ejercicios de Matem aticas. Editorial Universitaria, S.A., Santiago de Chile, January 1960. Universidad T ecnica Federico Santa Mar a, Federaci on de Estudiantes, Valpara so. [4] H.Anton. Elementary Linear Algebra. John Wiley and Sons, New York, January 2000. Paperback Edition, US$ 34.36; hardcover, US$ 116.00. [5] F. E. Hohn. Elementary Matrix Algebra. Collier-MacMillan, London-New York, 1964. [6] R. A. Horn and C. R. Johnson. Matrix Analysis. Cambridge University Press, Cambridge, 1985 (reprinted 1994). [7] E. Isaacson and H. B. Keller. Analysis of Numerical Methods. John Wiley and Sons, New York, 1966. There is a more recent editionby Dover, New York, 1994. [8] G. Lindeld and J. Penny. Numerical Methods using MATLAB. Prentice Hall, Upper Saddle River, NJ 07458, 2000. [9] A. I. M altsev. Fundamentos del Algebra Lineal. Editorial Mir, Mosc u, 1972. [10] J. Stoer and R. Bulirsch. Introduction to Numerical Analysis. Springer Verlag, Berlin-Heidelberg, 1993. A rather advanced but very good book indeed! [11] G. Strang. Introduction to Linear Algebra. Wellesley-Cambridge Press, Wellesley MA 02181 USA, 1993. A very good elementary book indeed! [12] L.N. Trefethen and D. Bau III. Numerical Linear Algebra. Society for Industrial and Applied Mathematics (SIAM), Philadelphia, 1997. A very god book indeed! More advanced than Strangs book.

Tarea 1 2004

Cargado por

Copyright:

Formatos disponibles

Tarea 1 2004

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tarea 1 2004

Cargado por

Copyright:

Formatos disponibles

Ejercicios Resueltos de Algebra Lineal para Computaci on Cient ca I

7 31 49 63 103 119 137

A(1, 1) = A(2, 1) = A(1, 2) = A(3, 3) = A(1 : 2, :) =

d=sqrt(c), t1=d*d, t2=d.*d. x = 1 : 1 : 10 = z = rand(10) = y = [z; x] = c = rand(4) = e = d = sqrt(c) = t1 == d d = t2 = d. d = 1 2 3 4 5 6 7 8 9 10

0 < aij < 1

0 < aij < 1

a10,2 2 ... .. . ... ... .. .

a1,4 . . . a4,4 ...

0 < aij < 1

... 0 1 0 0 ... .. . ...

. ... 0 0 1 0 b1,4 . . . b4,4

0 < aij < 1

b1,1 b1,4 + . . . + b1,4 b4,4 . . . b4,1 b1,4 + . . . + b4,4 b4,4

Recapitulaci on de la Geometr a Vectorial Elemental Vectores y Planos en el Espacio Tridimensional

19 (x 15, y, z 11) 9 19 (x 15) 9 19 (z 11) 9

P = (3, 243 10 , 20)

|U V | = U V cos() |U V | = 1 + 2 2 = 1 U V cos() = 1 U = 1+4+4= 9=3 V = 1+1+1= 3 1 cos() = 3 3 1 = arc cos( ) = 78, 9o 3 3

10 (a)Descomposici on: u = diagonal en el cuadrantex 0, y 0, z 0 1 u = (i + j k ) 3 v = diagonal en el cuadrantex 0, y 0, z 0 1 v = (i j + k ) 3 w = diagonal en el cuadrantex 0, y 0, z 0 1 w = (i + j + k ) 3 1 = (i j k ) 3 3 3 3 u+ 3 v + 2 3w i + 2j 2k = 2 2 i + j + k = 3w

A = i + 2j 2k sobre B = i + j + k : A = 12 + 22 + (2)2 = 3 1 1 A cos() = 3 = 3 3 3

(a)Sabemos que cos(u, v ) =

= 0,29 5 2 = 0,29 5 2 = 0,29 5 2 = 0,29

0,29 + 12 2,9 9,1 t

V2 cos() (2c)2 + (c)2 + 52 cos()

(c)2 + (1)2 + (c)2

10c4 + 55c2 + 25 cos()

= 0,13 V 2 = V 1 cos() V1 V2 cos() V1 cos()

= 12 a a +21a b 20b a + 35 b b = 21a b + 20a b = 41a b

= 41i + 82j 123k t

? Nota: v denota la norma

a = Ax i + Ay j + Az k b = Bx i + By j + Bz k Por la denici on del producto cruz

i j k a b = Ax Ay Az Bx By Bz = (Ay Bz By Az )i (Ax Bz Bx Az )j + (Ax By Bx Ay )k

Tambi en sabemos que:

ab = En nuestro caso tenemos:

(Ay Bz By Az )2 + (Ax Bz Bx Az )2 + (Ax By Bx Ay )2

(8a + b) (8a b) (8a + b) (8a b) (8a + b) (8a b)

162 (Az By Ay Bz )2 + 162 (Az Bx Ax Bz )2 + 162 (Ay Bx Ax By )2 (Az By Ay Bz )2 + (Az Bx Ax Bz )2 + (Ay Bx Ax By )2

= i(217 6) j (119 5) + k (102 + 155) = 211i + 124j + 257k

v a = 0 (x, y, z ) (5, 3, 0) = 5x + 3y + 0z = 0 Adem as:

va = a+b i j k = (6, 10, 0) x y z 5 3 0 i(3z ) j (5z ) + k (3x + 5y ) =

Del determinante se obtiene: 3x + 5y = 0 z = 2

Del producto punto obtenemos: 5x + 3y + 0z = 0 Finalmente x = y = 0. Por lo tanto, el vector v es (0, 0, 2) o 2k t

18 Por lo tanto tenemos que: ( n1 n 2) n 1 n 2 (6, 7, 1)(8, 7, 1) 36 + 49 + 1 64 + 49 + 1

Luego por suma de vectores

AB proyL = AB n = (3, 3, 4) 0, 056(3, 12, 4) = (3,16, 3,67, 3,77)

= arc cos(,5344) Finalmente, se tiene que = 57,69. t

lo que genera el siguiente sistema de ecuaciones: + 2 = 0

Figura 4. T = {(1 t)u + tv : 0 t 1}

(1, 2, 1) 2 y y ( 10 1 3 2, 2 2 2 5, 2 10 3) ( 10 1 3 2)2 + (2 2 2 5)2 + ( 2 10 3)2

De esto se obtiene el siguiente sistema de ecuaciones:

Recapitulaci on del Algebra Lineal Elemental

donde a, b, c, d R, por lo tanto a + c, b + d R. Luego, multiplicando por un escalar x R: x a b 0 0 = xa xb 0 0

es el subespacio vectorial m as peque no que contiene las matrices 1 0 0 0 y 0 1 0 0

(b)Sea R. Sumando matrices de este tipo: a a b b + 0 0 0 0 = a+b a+b 0 0 1 1 0 0 = 0 0

donde a, b R, por lo tanto a + b R. Luego, multiplicando por un escalar x R: x a a 0 0 = xa xa 0 0

donde a, b, c, d R, por lo tanto a + c, b + d R. Luego, multiplicando por un escalar x R: x a+b 0 0 b = = x (a + b) 0 0 xb (x a) + (x b) 0 0 (x b)

es el subespacio vectorial m as peque no que contiene las matrices 1 0 0 0 y 1 0 0 1 t

a+j d+m g+p

b+k e+n h+q

a+j b+k c+l

d=sqrt(c), t1=dd, t2=d.d. x = 1 : 1 : 10 = z = rand(10) = y = [z; x] = c = rand(4) = e = d = sqrt(c) = t1 == d d = t2 = d. d = 1 2 3 4 5 6 7 8 9 10