Professional Documents
Culture Documents
didctica
de
lgebra Lineal para cursos
universitarios.
1ra Edicin.
Prefacio
Generales:
La obra que a continuacin se presenta es un compendio de la totalidad de los
temas enunciados en la mayora de los programas para la materia de lgebra
Lineal, que corresponde a los ttulos genricos Matemticas III o Matemticas
IV del tronco comn de todas las ingenieras y de un gran nmero de licenciaturas.
Es imprescindible mencionar que el primer capitulo de la presente obra titulado
Unidad 1: Nmeros complejos, contiene material para un adecuado desarrollo
del curso universitario denominado Variable Compleja.
El desarrollo de la presente obra incluye diversas notas y aclaraciones originales,
hechas para orientar al profesor hacia un adecuado desarrollo de los temas.
Pretendiendo que la secuencia de estos sirva simultneamente al estudiante para
avanzar gradualmente en la adquisicin del conocimiento y el desarrollo de
habilidades para la aplicacin de los conceptos de la materia mencionada.
Uno de los elementos que la presente obra contempla es el enfoque moderno en
la explicacin de los conceptos. Esta tcnica se refiere principalmente a que tanto el
alumno como el profesor relacionen 4 formas de interpretar los conceptos, los
problemas y sus soluciones.
Estas formas de anlisis son:
1)
2)
3)
4)
Numrico.
Algebraico.
Geomtrico.
Verbal.
1) Maple.
Autor y Compilador:
TEMARIO
Unidad 1: Nmeros complejos.
1.1
1.2
1.3
1.4
1.5
1.6
1
7
18
21
33
41
2.5
62
66
70
89
114
3.4
3.5
3.6
3.7
3.3
3.8
3.9
3.10
128
136
151
165
175
181
189
197
202
206
Definicin
de
espacio
vectorial
y
sus
propiedades.
Definicin de subespacio de un espacio vectorial
y sus propiedades.
Propiedades de vectores, combinacin lineal,
dependencia e independencia lineal.
Base y dimensin de un espacio vectorial.
Espacio vectorial con producto interno y sus
propiedades.
Cambio de base, base ortonormal, proceso de
ortonormalizacin de Gram Schmidt.
219
234
241
265
274
276
5.6
5.7
5.2
5.3
5.4
5.5
302
312
325
331
341
344
347
6.6
6.7
6.8
Aplicaciones.
6.2
6.3
6.4
6.5
349
351
361
377
396
409
442
449
- Un poco de historia:
Se cree que al lgebra surge en la india hacia el s. II D. C., de donde pas a Egipto y
Grecia. Diofanto de Alejandria (s. IV) escribi el primer compendio de lgebra de la
antigedad.
El 1er tratado rabe de lgebra fue el del cordobs Mohamed ben Muza (s. IX).
El lgebra como hoy la conocemos (con constantes, variables y signos de
correspondencia), surge hacia 1545 con el Ars Magna de Cardano, que inclua el
mtodo general de Tartalea para resolver ecuaciones. En ese mismo siglo (s. XVI) Stifel
idea los signos + y -, Recorde el signo = y Francisco Vieta introduce las letras para
expresar cantidades, inicindose as el lgebra moderna.
la unidad imaginaria i (i =
3.1415926535897932384626433832795).
1 )
al
nmero
Pi
puesto que los nmeros concebibles son > 0, < 0, = 0; es claro que, n no se
incluyen en los nmeros posibles. En consecuencia debemos decir que son
imposibles y de ordinario imaginarios pues slo existen en la imaginacin
Carl Friedrich Gauss (1777 - 1855). Matemtico alemn el ms notable del siglo 19.
Fue un nio prodigio y a los 10 aos descubri el concepto de sumatoria.
En 1798, a los 20 aos escribi en su disertacin doctoral una demostracin del
teorema fundamental del lgebra.
todo polinomio de grado n tiene, contando multiplicidades, exactamente n
races
Aplicando por primera vez el teorema de valor absoluto para la solucin de
ecuaciones cuadrticas (de 2 grado), demostrando el hecho:
x2 x
Y formalizando su aplicacin (nota del autor):
x2 9 0
x 3
En efecto el polinomio de grado 2, x 9 0 tiene exactamente 2 races (una positiva
y una negativa, ambas reales), x = 3 cuando x > 0 y x = - 3 cuando x < 0.
2
x2 1 0
x 2 1
x 1
Cuya solucin se expreso como:
Entre 1811 y 1837 desarrolla la base de lo que sera la teora de la variable compleja
de Cauchy.
R ...,3,2,1,0,1,2,3,...
Es claro que el intervalo para una variable real es
, .
Las operaciones vlidas para el conjunto de nmeros reales son la suma (resta) y
multiplicacin (divisin), excepto la divisin sobre CERO (n/0), que no est definida.
- Conjunto de los nmeros imaginarios (I):
Conjunto que contiene una variedad de nmeros fuera del campo real (conjunto de los
nmeros reales). Su unidad se denomina unidad imaginaria y es:
i 1
Todo el conjunto esta formado por los mltiplos de i de la forma:
ci c 1
Donde c R,
c .
Son los nmeros que tienen una parte real y otra imaginaria.
Su forma general es:
z a bi
Donde:
z es un nmero que pertenece al conjunto C.
a y b R.
i 1
(Unidad imaginaria)
4y = 12
y=3
Los nmeros reales pueden interpretarse como puntos sobre la recta real.
El nmero
como:
z a bi
Importante:
Sea z = 4 + 3i
Re (4 + 3i) = 4
Im (4 + 3i) = 3
[Parte real de z]
[Parte imaginaria de z]
z a bi .
a bi c di a c b d i
a bi c di a c b d i
Importante:
Note que el lgebra para los nmeros complejos es la misma que para cualquier
binomio.
1) 6 3i 2 4i 6 2 3 4 i 4 7i
2) 3 5i 5 3i 3 5 5 3i 2 8i
3) 5 i 8 2i 3 i 5 8 3 1 2 1i 0
k (a bi ) ka kbi
k R.
Debido a que las operaciones de suma, resta y multiplicacin por un escalar con
2
z (c di)
z c di
3) Sean z1 = a + bi y z 2 = c + di, la resta z1 z 2 es:
z1 z 2 z1 ( z 2 )
z1 z 2 (a bi ) (c di )
z1 z 2 (a c) (b d )i
10
2) 4 5i 1 3i
11
Hasta ahora hemos encontrado un paralelismo entre los nmeros complejos y los
2
vectores en R .
Sin embrago a continuacin se definir la multiplicacin de nmeros complejos, una
2
z1 z 2 es:
1 .
3) Simplifique.
Las siguientes reglas de aritmtica son vlidas para nmeros complejos.
Sean z1 = a + bi y z 2 = c + di, 2 nmeros complejos, tenemos:
z1 z 2 z 2 z1
z1 z 2 z 2 z1
z1 z 2 z 3 z1 z 2 z 3
z1 z 2 z 3 z1 z 2 z 3 z1 z 2 z 3
z1 z 2 z 3 z1 z 2 z1 z 3
0 z z
z ( z ) 0
(1) z z
12
Recuerde: i 2 1 .
Recurso:
a b 2 a 2 2ab b 2
i 2 1
3 5i 5 3i 2 i 3 5i 5 3i 2 i 15 15 9 25i 2 i
0 34i 2 i 34i 2 i 68i 34 341 2i
Son nmeros de la forma a + bi, a bi, que tienen la misma parte real y la parte
imaginaria con signo diferente.
(a + bi) (a bi)
- Notacin:
z se pronuncia z barra.
13
- Interpretacin geomtrica:
1)
2)
zw zw
3)
zw z w
4) Si
z 0 , entones ( w z ) w z .
5) z es real si y slo si z z .
6) z es imaginario puro si y slo si
z z .
zz z
- Demostracin:
Sea z = a + bi, entonces
z z a bi a bi a 2 b 2 ab ab i a 2 b 2 z
14
- Ejemplo demostrativo:
1 2i
3 4i
Solucin:
Multiplicamos el numerador y el denominador por 3 4i 3 4i .
Recurso:
z a bi
z1 z1 z 2
z 2 z 2 z 2
(a bi )(c di ) (ac bd ) (ad bc)i
b 2 a b a b
1 2i 1 2i 3 4i 5 10i 5 10i 1
2 i
2
5
5
3 4i
3 4i 3 4i 3 4
25
Nota: Al igual que en los nmeros reales NO esta definida la divisin sobre cero (n/0).
z1
, debe ser tal que
z2
z1 z 2 z
15
z1 z 2 z
z1 z1 z 2
1
z z
2 1 2
z2 z2 z2
z2
- Demostracin:
z 2 x2 y 2 i .
Sean z x yi , z1 x1 y1i y
z1 z 2 z
x1 y1i
x2 y2i x yi
x2 x y2 y x2 y y2 x i
O bien
x1 y1i
x 2 x y 2 y x1
y 2 x x 2 y y1
Escribiendo el sistema en forma matricial, tenemos
x2
y
2
y2 x x1
x2 y y1
x2 y2
y
2 x2
Como z 2 x2 y2i 0 , hacemos
de modo que el determinante
x1
y1
16
x2
y2
y2
x2
x2 y 2 0
2
Por el teorema de resumen sabemos que el sistema tiene solucin nica, puesto que su
determinante es diferente de CERO.
Resolviendo el sistema por la regla de Cramer, nos queda:
x1
y2
y1
x2
y2
x2
x x y1 y 2 x1 x2 y1 y 2
1 22
2
2
y2
x2 y 2
z2
x2
x2 x1
y y1
x y x y
x y x y
y 2
2 21 1 2 2 2 1 2 1 2
x2 y 2
x2 y 2
z2
y2
x2
Por lo tanto,
z x yi
1
z2
x1 x2 y1 y2 x2 y1 x1 y2 i
z x yi
1
z2
x1 y1i x2 y 2i
z x yi
1
z2
z1 z 2
z1 z1 z 2
z 2 z 2 z 2
1
z z
2 1 2
z2
17
Este tema a pesar de su brevedad y sencillez, es fundamental para realizar TODAS las
operaciones con nmeros complejos.
Como ya sabemos
i 1
[Unidad imaginaria]
Evidentemente
i 2 1
Toda la serie de potencias de i, se desarrolla en un ciclo de longitud 4 y despus los
valores vuelven sobre s mismos.
3
i 0 1 , i i , i 2 1 , i i , y as sucesivamente (ciclo de longitud 4).
- Demostracin:
i0 1
i1 i
[Unidad imaginaria]
i 2 ii 1 1 1
i 3 i 2i ( 1)i i
i 4 i 2i 2 ( 1)(1) 1
i 5 i 4i (1)i i
i 6 i 5i ii 1
i 7 i 6i (1)i i
Y as sucesivamente (1, i, -1, -i,).
18
z a2 b2
Si b = 0, entonces z = a es un nmero real, y
z a2 a
As, el mdulo de z, tambin se llama valor absoluto de z.
- La unidad compleja:
z a2 b2
Para que la unidad compleja EXISTA:
a 2 b2 1
a = Parte real.
b = Parte imaginaria.
a2 b2 1
Usando el plano complejo, y como a y b son variables, la ecuacin
genera una circunferencia con centro en el origen C(0, 0) y radio r = 1.
a2 b2 1
19
Es evidente que 1 a 1 y 1 b 1 .
- Propiedades del valor absoluto para nmeros complejos:
1)
z 0
2)
z z
3)
zw z w
4) Si z 0 , entonces
5)
si slo si
z 0.
1 1
.
z
z
zw z w
20
r0
y (en radianes).
b
r z a 2 b 2 y arctan .
a
21
El ngulo
b
a
arg z arctan
El argumento de z NO est determinado de manera nica, porque se puede sumar o
restar a
Sin embargo, slo existe un valor del argumento de z en radianes (RAD) que satisface:
Esta expresin se llama argumento principal de z y se puede escribir como:
Arg z
b
arg z arctan
a
si
a0
b0
I cuadrante.
b
arg z arctan
a
si
a0
b0
IV cuadrante.
si
a0
b0
(90).
si
a0
b0
(- 90).
si
a0
b0
II cuadrante.
si
a0
b0
III cuadrante.
si
a0
b0
(0).
arg z
arg z
arg z arctan
b
a
arg z arctan
arg z 0
b
a
22
arg z
si
Si z 0 , arg 0
NO est definido.
a0
b0
(180).
12 12
1
45
4
1
arctan
arg z
[II cuadrante]
3
135
4
3
3
3
2 cos i sin
4
4
4
2) z 1 3i
r
12
42
60
3
1
arctan
arg z
[III cuadrante]
2
120
3
2
2
z 2 cos
i sin
3
3
23
La forma polar de los nmeros complejos puede ser utilizada para proporcionar
interpretaciones geomtricas de la multiplicacin y la divisin de nmeros complejos.
Adems de brindarnos un mtodo alternativo para realizar estas operaciones en forma
polar.
Sean
z1 r1 (cos1 i sin 1 )
z2 r2 (cos 2 i sin 2 )
Multiplicando, tenemos:
Recurso:
(a bi )(c di) (ac bd ) (ad bc)i
z1 z2 r1r2cis1 2
Que es una forma polar del nmero complejo con mdulo r1r2 y argumento
tambin se ha demostrado que:
1 2 ,
z1 z 2 z1 z 2
24
z z1 z2 r1r2cis1 2
z z1 z2 r1r2cis1 2
3) 2cis133cis112cis6
Recurso:
z z1 z2 r1r2cis1 2
3 1
z 12cis30 12
i 6 3 6i 6 3 i
2 2
25
- Interpretacin geomtrica:
z2 0
es:
z1 r1
cos1 2 i sin 1 2
z 2 r2
Abreviando:
z1 r1
cis1 2
z 2 r2
Demostrando que:
z
z1
1
z2
z2
Si
z2 0 .
z
arg 1 arg z1 arg z 2
z2
26
En resumen:
El cociente de 2 nmeros complejos se obtiene al dividir sus mdulos y restar sus
argumentos.
1)
6cos51 i sin 51
3cis30
2cos21 i sin 21
Recurso:
z1 r1
cis1 2
z 2 r2
3 1 3 3 3
3
z 3
i
i
2
2
2
2 2
3 i
2cos78 i sin 78
2
cis60 2cis60
2 cos18 i sin 18
2
2)
Recurso:
z1 r1
cis1 2
z2 r2
1
3
2
6
z 2
i
i
2
2
2
2
3)
Recurso:
z z1 z2 r1r2cis1 2
27
z1 r1
cis1 2
z2 r2
105cis184
3cis184 49 3cis135
35cis49
2
2
2
2
3 2 3 2
3 2
1 i
i
2
2
2
90 , por tanto, el
90 mayor
que el de z.
En resumen:
Al multiplicar z por i (iz), z gira en sentido positivo trigonomtrico (sentido
antihorario) un ngulo de 90.
28
z1 r1
cis1 2
z 2 r2
Si
hacemos
z1 1
(y
por
tanto
1 0 )
z2 z
( 2 ),
si
1 1
cos i sin
z r
Recuerde:
cos cos
sin sin
e ix cos x i sin x
[Frmula de Euler]
29
z rei
- Ejemplo demostrativo 1:
r z a2 b2
b
a
arctan
Primero hallamos r, que como sabemos es el mdulo de z.
r z 12 12 2
A continuacin hallamos el argumento de z.
1
1
arctan arctan 1 4
Por lo tanto la forma exponencial de z es:
1 i 2 cos i sin 2e 4
4
4
- Ejemplo demostrativo 2:
a)
e i
b)
2 i
Solucin:
a) Aplicando la Frmula de Euler, tenemos:
e i cos i sin
Realizando las operaciones:
30
z 1
b) Empleando leyes de exponentes y frmula de Euler, tenemos:
2i
e 2e
e 2 cis
4
1
2
1 2
2
2 2 2
1 e2
e2
2 1
e cis e
i
2
2
2
4
2
2e 2
1 i
z
2
2
2e 2
1 i
2
Si
cos cos
sin sin
z r cos i sin re i
31
Entonces si
z re i
Slo MAESTROS.
- Demostracin de la frmula de Euler:
Se demostrar que:
e i cos i sin
Usando las series de potencias se tiene el siguiente desarrollo para
ez .
z 2 z3
e 1 z
...
2! 3!
z
Que converge para todo nmero real z. Adems este desarrollo funciona cuando z es un
nmero complejo.
Las funciones seno y coseno tambin tienen desarrollos en series de potencias:
x3 x5 x7
sin x x
...
3! 5! 7!
x2 x4 x6
cos x 1
...
2! 4! 6!
Si hacemos
z i , donde
e e
z
2
3
4
5
i i i i
1 i
...
2!
3!
4!
i5 i ,
5!
y as sucesivamente,
i 3 4 i 5 6 i 7
...
e 1 i
2!
3!
4!
5!
6!
7!
i
32
2 4 6
3 5 7
e 1
... i
...
2! 4! 6!
3! 5! 7!
e i cos i sin
Este resultado excepcional es conocido como frmula de Euler.
Si n es un entero positivo y
frmula
z1 z 2 r1 r2 cos1 2 i sin1 2
[Producto de 2 nmeros complejos en forma polar]
cuando el nico actor es
de z:
- Teorema de De Moivre:
Si
z r (cos i sin )
z n r (cos n i sin n )
Tambin tenemos que:
zn z
33
arg z n n arg z
En resumen:
El teorema de De Moivre dice que para obtener la n-sima potencia de un
nmero complejo, elevamos su valor absoluto a la n-sima potencia y
multiplicamos su argumento por n.
- Ejemplo demostrativo:
Calcule
1 i 6 :
Solucin:
Sea
z 1 i , tenemos r 2 y arctan 1 45 4
1
[Primer cuadrante].
z 1 i 2 cos i sin
4
4
z 6 1 i
6
2 cos 6 4 i sin 6 4
6
3
3
i sin
z 6 2 3 cos
2
2
3
3
i sin
z 6 8 cos
2
2
z 6 80 i 1 8i
34
1 i , 1 i 2 , , 1 i 6 .
wn z
En forma polar, tenemos que:
w s cos i sin
z r cos i sin
De acuerdo con el teorema de De Moivre, tenemos:
35
sn r
O bien
sr
r
1
n r
Y tambin
cos n cos
sin n sin
Nota:
2 nmeros complejos en forma polar son iguales si y slo si sus mdulos y sus
argumentos son iguales.
Puesto que las funciones seno y coseno tienen cada una un periodo de 2 , estas
ecuaciones implican que n y difieren en un mltiplo entero de 2 , es decir,
n 2k
Donde
2k
n
w scos i sin
1
2k
w r n cos
n
2k
i sin
n
describe las n posibles races n-simas cuando k tomas diferentes valores enteros.
wn z
Y todas las dems elecciones de k producen replicas de estos valores.
36
En resumen:
Sea z r cos i sin y sea n un entero positivo. Entonces z tiene exactamente n
distintas races n-simas dadas por
1
2k
r n cos
n
2k
i sin
Para k = 0, 1, 2, , n 1.
- Interpretacin geomtrica de las n races n-simas de un nmero complejo:
En general, la frmula
2k
2k
n r cos
i sin
n
n
Para k = 0, 1, 2, , n 1.
Implica que las n races n-simas de
una circunferencia de radio
complejo.
De modo que, si podemos encontrar una raz n-sima de z, las n 1 races n-simas
restantes de z pueden ser encontradas haciendo rotar la primera raz a travs de
incrementos sucesivos de 2 radianes.
n
2
n
Importante:
37
- Ejemplo demostrativo 1:
27 27cos i sin
Plano complejo (Diagrama de Argand):
2k
2k
n r cos
i sin
n
n
27 13
1
2k
27 3 cos
3
2k
i sin
3
@ k = 0:
27 13 3cos i sin 3 1
3 3 3 3
i
i
2 2
2
@ k = 1:
27 13 3cos i sin 3 1 0i 3
@ k = 2:
27 13 3cos 5 i sin 5 3 1
Cuidado:
3 3 3 3
i
i
2 2
2
5
300 60 [IV cuadrante].
3
38
3 3 3
i
2
2
z1 z
1
3
z2 z
1
3
z3 z
1
3
3 3 3
i
2
2
- Ejemplo demostrativo 2:
39
1, i,1,i
- Ejemplo demostrativo 3:
1
1
arctan 4 45
Recurso:
[I cuadrante]
1
2k
r n cis
@ k = 0.
z1 2
1
10
cis9
2 2
72
n
5
Por lo tanto:
z2 2
1
10
cis81
40
z3 2
1
10
cis153
z4 2
1
10
cis 225
z5 2
1
10
cis 297
Un polinomio es una funcin p de una sola variable x que puede escribirse en la forma:
p x a0 a1 x a2 x 2 ... an x n
[Polinomio general de 1 variable y grado n]
px a k x k
k 0
41
Monomio:
SI es un polinomio.
b) 2
1
3x 2
2
n
Un polinomio de 1 variable de la forma general ( p x a 0 a1 x a 2 x ... a n x )
NO puede llegar a ser infinito a medida que x tiende a un valor finito,
Lim
xc
Mientras que 2
1
tiende a
3x 2
cuando
p (x)
x 0.
c)
2x 2
Tenemos que
2 x2 2 x
Que es igual a
2 x , cuando x 0 y, 2 x , cuando x 0 .
2 x es el empalme de 2 polinomios.
2x 2 NO es un polinomio.
42
d)
2e5 x
ln 3 x
e
2e 5 x
ln 3 x
e
3
5 x3 3 x
ln 2e 5 x 3 x ln 2 ln e
ln 2 5 x 3 3 x
ln 2 3 x 5 x 3
2
n
Coincide con la forma general ( p x a 0 a1 x a 2 x ... a n x ).
Por lo tanto,
ln 2 3 x 5 x 3
SI es un polinomio.
x 2 5x 6
e)
x2
El dominio de esta funcin es
a
x 2 5 x 6 x 3x 2
x3
x2
x2
x 2 5x 6
Podemos decir que
es un polinomio sobre su dominio.
x2
f)
Por lo tanto,
NO tiene esta
NO es un polinomio.
43
g)
cos2 arccos x
arccos x
, tal que,
cos x .
Recurso:
arccoscos arccos x
h)
ex
x 2 3x 3 ax 2 bx 3
Hay una solucin nica, para los valores de los parmetros:
a 1
b3
- Suma de polinomios:
44
a x a x
1
a3 x 5 b1 x b2 x 2 b3 x 5
a1 b1 x a 2 b2 x 2 a3 b3 x 5
- Ejemplo demostrativo:
2 4 x x 1 2 x x
2
3 x 3 2 1 4 2 x 1 1x 2 3 x 3
3 2 x 3x 3
- Resta de polinomios:
a x a x
1
a3 x 5 b1 x b2 x 2 b3 x 5
a1 b1 x a 2 b2 x 2 a3 b3 x 5
- Ejemplo demostrativo:
3 x 2 x 2 x 3 2 x 3 1 1x 3 3 x 2 1 2 x 2 3
3x 3x 5
2
- Multiplicacin de polinomios:
a x a x b x
3
a1b1 x 3 a 2 b1 a1b2 x 5 a 2 b2 x 7
- Ejemplo demostrativo:
Sean p 2 4 x x 2 y q 1 2 x x 2 3x 3 . Halle
2 4x x 1 2x x
2
3x 3
pq .
45
2 4 x 2 x 2 6 x 3 4 x 8 x 2 4 x 3 12 x 4 x 2 2 x 3 x 4 3 x 5
3 x 5 13 x 4 12 x 3 9 x 2 2
Observe que
Calcule el cociente p .
q
1 2 x x 2 3x 3 p
q
2 4x x 2
, grad q grad p .
3 x 11
x 4 x 2 3x x 2 x 1
2
3 x 3 12 x 2 6 x
11 x 2 4 x 1
11 x 2 44 x 22
40x 21
El proceso se detiene, ya que, el grado del residuo es menor que el del divisor.
El resultado se escribe:
1 2 x x 2 3x 3
40 x 21
3x 11 2
2
2 4x x
x 4x 2
El resultado anterior se generaliza en el algoritmo de la divisin.
46
- Algoritmo de la divisin:
f x g x q x r x
Donde:
f x es el dividendo.
g x es el divisor.
qx es el cociente.
r x es el residuo.
grad r grad g .
pa 0
El nmero a tambin es llamado una raz de la ecuacin polinomial (o polinmica):
f x 0
Es decir, para el polinomio de grado n:
p x a0 a1 x a2 x 2 ... an x n
Tenemos exactamente n races, cada una de las cuales satisface la igualdad (o ecuacin
polinmica).
px 0
a 0 a1 x a 2 x 2 ... a n x n 0
47
La definicin del teorema fundamental del lgebra es muy importante, y nos dice que
TODO polinomio (NO constante), tiene al menos una raz (o CERO), en el conjunto
de los nmeros complejos (C).
Importante:
p x a0 a1 x a2 x 2 ... an x n
Un polinomio con coeficientes enteros y sea a
b
mnimos (reducido a su mnima expresin). Si a
es un CERO de
p , entonces
a 0 es
un mltiplo de a y a n es un mltiplo de b.
- Ejemplo demostrativo 1:
6 x 3 13 x 2 4 0
Solucin:
Si a
a.
a 1,2,4
b 1,2,3,6
48
b
observamos que las posibles races racionales son:
1 1 2 4 1
1,2,4, , , , ,
2 3 3 3 6
Sustituyendo en 6 x 13x 4 0 (uno a la vez) encontramos que 2,
3
2 1
,
3 2
satisfacen la igualdad.
Por lo tanto la ecuacin de grado 3 tiene 3 races racionales que son 2,
2 1
, , pero,
3 2
2 1
, son TODAS las races de la ecuacin polinmica
3 2
(o TODOS los CEROS del polinomio).
como slo tiene 3 races, 2,
f x g x q x
- Teorema del factor:
f x x a q x
ax 2 bx c 0
Se les denomina ecuaciones cuadrticas.
Las ecuaciones cuadrticas (de 2 grado) tienen como sabemos por el teorema
fundamental del lgebra, 2 races.
Sus 2 races estn dadas por la frmula:
49
x1, 2
b b 2 4ac
2a
ax 2 bx c 0
Factorizando
a x 2 x c
a
b
b2
b2
a x 2 x 2 2
a
4a
4a
[Identidad aditiva]
2 b
b2 b2
a x x 2 2 c
a
4a 4a
[Ley asociativa]
2 b
b2 b2
a x x 2
c
a
4a 4a
[Ley distributiva]
b
b2
a x
c
2a
4a
[Productos notables]
b
b2
c
x
2
2a
a
4a
[lgebra elemental]
b
b 2 4ac
x
2a
4a 2
[Fracciones algebraicas]
50
b
b 2 4ac
2a
4a 2
b
0:
2a
b
b 2 4ac
x
2a
4a 2
x
1ra raz: Cuando x
b
b 2 4ac
2a
2a
b b 2 4ac
2a
[1ra raz]
b
0:
2a
b
b 2 4ac
x
2a
4a 2
b
b 2 4ac
2a
4a 2
b 2 4ac
b
x
2a
2a
b b 2 4ac
x
2a
[2da raz]
x1, 2
b b 2 4ac
2a
51
6 x 3 13 x 2 4 0
Supongamos que por el teorema de las races racionales, hallamos que -2 es una raz.
Ahora aplicando el teorema del factor, tenemos:
f x x a q x
Por lo tanto
6 x 3 13 x 2 4 x 2 q x
qx ser obtenido con el algoritmo de la divisin (usando el mtodo de divisin
larga):
6x2 x 2
x 2 6 x 3 13 x 2 4
6 x 3 12 x 2
x2 4
x2 2x
2x 4
2x 4
0
Entonces:
6 x 3 13 x 2 4 x 2 6 x 2 x 2 0
Aplicamos la frmula para resolver ecuaciones de 2 grado y una variable:
ax bx c 0
2
x1, 2
x1, 2
b b 2 4ac
2a
12 46 2
26
52
x1, 2
1 49 1 7
12
12
x1
1
2
x2
2
3
x1
1
2
x2
2
3
x3 2
- Ecuacin bicuadrada:
ax 4 bx 2 c 0
Cuyas 4 races estn dadas por:
x1, 2,3, 4
b b 2 4ac
2a
- Ecuaciones cbicas:
ax 3 bx 2 cx d 0
Cuyas 3 races se determinan como sigue:
La ecuacin
ax 3 bx 2 cx d 0 , se transforma en:
z 3 pz q 0
Mediante el cambio de variable z ax
b
.
3
z1 u v
53
z2
1 i 3
1 i 3
u
v
2
2
z3
1 i 3
1 i 3
u
v
2
2
q
p q
u
2
3 2
3
q
p q
v
2
3 2
3
uv
p
3
xn z
z C
z a bi
Nota: Debe ser claro al lector que cada una de las n races x de x , es compleja, es
decir, NO est exenta de ser un real o un imaginario puro.
Repasemos el teorema de De Moivre:
Sea z r cos i sin [Forma polar de z], y sea n un entero positivo. Entonces, z
tiene exactamente n distintas races n-simas dadas por:
1
2k
2k
r n cos
i sin
n
n
Para k = 0, 1, 2, , n 1.
54
1
2k
r n cis
Donde:
r z a2 b2
b
a
arg z arctan
En efecto el teorema de De Moivre, satisface el teorema fundamental del lgebra.
- Ejemplo demostrativo 1:
Encuentre las 4 races cuartas de la ecuacin polinmica:
x 4 16 0
Escribiendo la ecuacin polinmica en su forma
xn z .
x 4 16
Escribiendo la ecuacin compleja en su forma polar:
1
2k
r n cis
1
0 360k
x 16 4 cis
55
@k=1
0 360
x2 2cis
2cis90 2cos90 i sin 90 20 i 2i
4
@k=2
0 720
x3 2cis
2cis180 2cos180 i sin 180 2 1 0i 2
4
@k=3
0 1080
x4 2cis
2cis270 2cos270 i sin270 20 i 2i
4
x1 2 , x2 2i , x3 2 , x 4 2i
[2 races reales y 2 races imaginarias puras]
- Ejemplo demostrativo 2:
x 3 64 0
Escribiendo en la forma z a bi .
x 3 64
En forma polar:
x 3 64cis180
x 64cis 180
1
3
1
2k
r n cis
56
1
180 360k
x 64 3 cis
1
3
180
x1 4cis
i 2 2 3i
4cis60 4cos60 i sin 60 4
2
2
3
@k=1
180 360
540
x2 4cis
4cis
4cos180 i sin 180 4 1 0i 4
3
3
@k=2
180 720
900
x3 4cis
4cis
4cos300 i sin 300
3
3
Cuidado:
300 = 60 =
arg z
[IV cuadrante]
1
3
i 2 2 3i
4
2 2
x1 2 2 3i , x 2 4 , x3 2 2 3i
[1 raz real y 2 races complejo conjugadas]
- Ejemplo demostrativo 3:
Encuentre TODAS las races de la ecuacin polinmica:
x 3 27i 0
57
Escribiendo en la forma x z a bi .
n
x 3 27i
En forma polar:
x 3 27cis
2
x 27cis
2
1
3
1
2k
r n cis
x 27
1
3
2k
2
cis
x1 3cis
6
Cuidado:
3cos
30
i sin
[4 cuadrante]
3 1 3 3 3
x1 3
i
i
2
2
2 2
@k=1
2
2
x 2 3cis
3
2
2
58
@k=2
4
2
x3 3cis
3
Cuidado: 7
arg z 5
6
6
3cis 7
210 30
[3er cuadrante]
3 1 3 3 3
x3 3
i
i
2
2
2
2
Las races de la ecuacin polinmica x 27i 0 son:
3
x1
3 3 3
3 3 3
i , x2 3i , x3
i
2
2
2
2
[1 raz real y 2 races complejas]
x 4 4 3i 0
Escribiendo en la forma z a bi .
x 4 4 3i
En forma polar:
r 4 2 3 5
2
3
36.87
4
arctan
[IV Cuadrante]
x 4 5cis 36.87
x 5cis 36.87
59
1
2k
r n cis
1
36.87 360k
x 5 4 cis
Sugerencia: Ocupe
2 360
, despus de hallar la primera raz.
n
n
@k=1
.987 .160i
1.495 .987 .160i 1.476 .2393i
x3 5 4 cis 170.7825 5
1
@k=3
.160 .987i
1.495 .160 .987i .2393 1.476i
x4 5 4 cis260.7825 5
1
360
90 .
4
60
x1 1.476 .2393i
x2 .2393 1.476i
x3 1.476 .2393i
x4 .2393 1.476i
Slo MAESTROS, propuesto PUNTO EXTRA/TAREA (labor de investigacin).
Objetivo: A pesar de los problemas del estudiante para hallar las n races n-simas de
una ecuacin polinmica de grado n. Si consigue realizar est actividad ser capaz de
encontrar las n races n-simas de cualquier polinomio de grado n, usando tecnologa.
Maple:
solve(x^4=(4-3*I),{x});
evalf(%);
61
Antecedentes:
Es importante que el lector conozca los orgenes del concepto de recta.
Concepto de recta: Concepto primitivo que describe el comportamiento de un rayo de
luz o un filamento cualquiera sometido a tensin.
Existen muchas y diferentes definiciones geomtricas y matemticas de la recta,
veamos algunas:
Recta general (Geometra): Lnea generada por un punto que
constantemente en la misma direccin.
Recta en el plano (Geometra):
se
mueve
62
m tan
Recuerde:
El ngulo de inclinacin
la variable independiente).
Por lo tanto:
m tan
C.O. y 2 y1 y
C. A. x 2 x1 x
(Si x1 x 2 ).
63
y mx b
Donde m es la pendiente de la recta y b es el valor de y en el que la recta corta
(intersecta) al eje y.
La forma punto - pendiente se puede generar de 2 formas:
a) Conociendo 1 punto y la pendiente.
b) Conociendo 2 puntos.
Y respetando la condicin de que m tan
de x ( y f x ).
y 2 y1
, si la recta es una funcin
x 2 x1
m1m2 1
64
m2
1
m1
R2 .
ax by c
[Rectas]
ax by cz d
[Planos]
ax by cz ... k
[Regin de n dimensiones]
65
Definicin:
Se llama sistema de ecuaciones lineales al conjunto de ecuaciones polinmicas
(varios trminos sumados) de primer grado y 2 o ms variables (incgnitas).
Que pueden tener una solucin comn, es decir, EXISTE un conjunto de
valores para las variables de un sistema de ecuaciones, que satisface
SIMULTNEAMENTE a TODAS las igualdades (ecuaciones) del sistema.
- Ejemplo demostrativo:
2x 3y 6
5 x 4 y 1
- Ejemplo demostrativo:
2 x 4 y 3z 9
4 x 5 y 7 z 23
x 2 y 6 z 2
66
3) Ninguna
solucin:
Ningn
conjunto
de
valores
SIMULTNEAMENTE a todas las ecuaciones del sistema.
satisface
Importante:
a) Un sistema de ecuaciones lineales es consistente, si tiene al menos 1 solucin
(o nmero infinito de soluciones).
b) Un sistema de ecuaciones lineales es inconsistente, si NO tiene solucin.
c) Un sistema de ecuaciones lineales es incompatible, si las variables de sus
ecuaciones son diferentes.
x y 4
zw2
Es imposible hallar un conjunto de
SIMULTNEAMENTE ambas ecuaciones.
valores
que
haga
verdaderas
2 x 4 y 3z w 9
4 x 5 y 7 z 2 w 23
x 2 y 6 z w 2
x 4 y 5 z 3w 12
a11 x a12 y b1
a 21 x a 22 y b2
67
Donde:
1)
- Ejemplo demostrativo:
Sea el sistema de ecuaciones lineales:
1 x y 17
4
4
3 x y 4
2
y 1 x 17
4
4
y 3x 4
Igualando trminos nos queda:
1 x 17 3 x 4
4
4
Resolviendo la ecuacin con lgebra:
11 x 33
4
4
x3
Sustituyendo x 3 en y 3x 4 , tenemos y 5 .
Por lo tanto el punto de interseccin es: P(3, 5).
68
Maple:
plot([(1/4)*x+(17/4),3*x4],x=0..7,y=0..7,scaling=constrained);
69
Sabemos que cada ecuacin representa una recta en R , entonces tenemos 3 casos de
solucin, cuya interpretacin geomtrica es muy simple.
2
Algunos autores dicen que las rectas en R que componen un sistema (de 2
ecuaciones lineales con 2 incgnitas) con nmero infinito de soluciones, son paralelas
coincidentes.
Entonces EXISTE un nmero infinito de puntos de interseccin, es decir un
nmero infinito de soluciones.
cy1 y 2
70
Hecho 1: Si a = b y c = d, entonces a + c = b + d.
Considere el sistema:
L1 x y 7
L2 x y 5
Por el Hecho 1 al sumar L1 y L2 , tenemos:
L1 L2 2 x 12
x6
Sustituyendo en L1 o L2 , tenemos y 1 .
As, el par ordenado (6, -1) es la solucin nica del sistema.
Solucin nica:
x 6 , y 1 .
72
Considere el sistema:
L1 x y 7
L2 2 x 2 y 14
Es claro que las ecuaciones son L1 y L2 son mltiplos escalares 2 L1 L2 .
Por lo tanto ambas ecuaciones representan la misma recta.
x y 7
Es claro que EXISTE un nmero infinito de pares ordenados (x, y), que
satisfacen la ecuacin.
Estos pares ordenados (x, y) generan la recta x y 7 .
Cada combinacin (x, y) que satisface la ecuacin L1 es un punto sobre la recta
y x7.
Por lo tanto el sistema tiene un nmero infinito de soluciones.
El conjunto de soluciones se puede expresar, mediante el par ordenado (x, x 7),
combinacin que representa a TODA solucin para el sistema, para cualquier valor real
de x.
Maple:
implicitplot([x-y=7,2*x-2*y=14],x=0..10,y=-5..5,scaling=constrained);
73
Considere el sistema:
L1 x y 7
L2 2 x 2 y 13
Por el Hecho 2, tenemos:
1 L2 x y 13
2
2
El nuevo sistema de ecuaciones es:
L1 x y 7
1 L x y 13
2 2
2
Ahora tenemos 2 rectas paralelas (NO coincidentes), con pendiente m 1 ,
45 4 , que NO poseen ningn punto en comn.
Esto es claro, puesto que, la recta representada por L1 corta al eje y en (0, -7); y la
recta representada por L2 corta al eje y en (0, - 6.5).
Por lo tanto, el sistema NO tiene solucin.
Ninguna solucin.
Maple:
implicitplot([x-y=7,x-y=6.5],x=0..12,y=4..4,color=[green,blue],scaling=constrained);
74
- Teorema de resumen:
a11 x a12 y b1
a 21 x a 22 y b2
Este sistema tiene necesariamente alguna de las siguientes caractersticas:
1) Solucin nica.
2) Nmero infinito de soluciones.
3) Ninguna solucin
Esto es:
1) Tiene solucin nica, si y slo si:
a11a 22 a 21a12 0
2) Tiene nmero infinito de soluciones o ninguna solucin, si y slo si:
a11a22 a21a12 0
- Ejercicios resueltos (1.2 lgebra lineal, Stanley I. Grossman, Quinta edicin):
13) Encuentre las condiciones sobre a y b , tales que, el sistema tenga una solucin
nica.
ax by c
ax by c
Solucin:
a11a 22 a 21a12 0
ab ab 2ab 0
Las condiciones de a y b , para solucin nica son:
75
a0
b0
14) Encuentre las condiciones sobre a , b y c , tales que, el sistema tenga un nmero
infinito de soluciones.
L1 ax by c
L2 bx ay c
Solucin:
Recurso:
a11a22 a21a12 0
a ba b
a2 b2 0
Usando productos notables:
a ba b 0
Caso 1:
Caso 2:
ab 0
ab 0
a b
ab
Note que tanto el Caso 1 como el Caso 2, satisfacen la ecuacin, pero NO pueden
ocurrir simultneamente.
Ahora sabemos que las condiciones para a y b son:
a b
ab
76
L1 ax ay c
L2 ax ay c
L1 representa a la recta y x c a
L2 representa a la recta y x c a
en 0, c
en 0, c
c 0.
L1 ax ay c
L2 ax ay c
Ambas ecuaciones representan a la
recta:
y x c
77
Importante:
c 0.
a b
ab
c0
L1 ax by c
L2 bx ay d
Solucin:
Recurso:
a11a22 a21a12 0
a 2 b2 0
El nico caso para que 2 nmeros al cuadrado sumados sean CERO es:
78
a0
b0
a 2 b 2
Geomtricamente, para que el sistema tenga ninguna solucin las rectas que
representan L1 y L2 deben ser paralelas NO coincidentes.
Pero en este caso basta con hacer c 0 y d 0 para que las expresiones del sistema,
NO tengan sentido.
Las condiciones de a , b , c y d , para ninguna solucin son:
a0
b0
c0
d 0
6x 7 y 8
Solucin:
Si las rectas se intersectan, con sus ecuaciones podemos generar un sistema con
solucin nica.
L1 3x 4 y 5
L2 6 x 7 y 8
Multiplicando L1 por -2 [Hecho 2]:
2 L1 6 x 8 y 10
L2 6 x 7 y 8
Sumando 2 L1 L2 [Hecho 1]:
2 L1 L2 15 y 2
y 2 0.13333
15
Sustituyendo en L1 [la ecuacin ms simple] tenemos:
79
3x 4 2 5
15
3x 8 5
15
75
3x
8
15 15
3 x 67
15
x 67 1.48888
45
Comprobamos en L2 :
6 67
45
7215 8
14 8
15
402 42 8
45
45
360 8
45
88
402
45
Maple:
implicitplot([3*x+4*y=5,6*x7*y=8],x=1.42..1.5,y=.12...16,color=[green,blue],scaling=constrained);
80
[Taller Maple]
Sabemos que cada una de la ecuaciones de un sistema de 2 ecuaciones lineales
con 2 incgnitas, representa una recta en R 2 .
Y que se tiene solucin nica en el punto de interseccin; nmero infinito de
soluciones cuando las rectas son paralelas coincidentes (mltiplos escalares); y
ninguna solucin cuando las rectas son paralelas NO coincidentes.
Estas situaciones se pueden generalizar a ecuaciones lineales (ecuaciones de primer
grado) y 3 o ms variables (incgnitas).
La grfica de la ecuacin ax by cz d en un espacio de 3 dimensiones ( R ) es
un plano.
3
ax by cz d
ex fy gz h
[Plano 1]
jx ky lz m
[Plano 3]
[Plano 2]
Cada solucin es una regin de 3 dimensiones, ya sea, un punto (x, y ,z) en ( R ) para
3
81
EXISTEN 6 posibilidades:
1) Los 3 planos se intersectan en un solo punto.
Entonces EXISTE, solucin nica para el sistema.
Maple:
plot3d([(-2/7)*x-(5/7)*y+(113/7),(5/4)*x(3/4)*y+(41/4),(1/6)*x(5/6)*y+(91/6)],x=3.5..4.5,y=6..7,axes=boxed,color=x*x*y,sc
aling=constrained,transparency=0.2,grid=[2,2]);
82
Maple:
plot3d([x-2*y+12,(-1/14)*x-(3/14)*y+(103/14),(1/7)*x(4/7)*y+(58/7)],x=0..70,y=10..60,axes=boxed,lightmodel=light4,scaling=constrained,tra
nsparency=0,grid=[2,2]);
83
3) Los 3 planos coinciden [son paralelos coincidentes]. Entonces cada punto sobre
el plano resultante es una solucin y el sistema tiene nmero infinito de
soluciones.
Es claro que las 3 ecuaciones son mltiplos escalares, es decir, representan al
mismo plano.
Maple:
plot3d([(-3/7)*x-(2/7)*y+(47/7),(-6/14)*x(4/14)*y+(94/14),(-9/21)*x-(6/21)*y+(141/21)],x=-10..10,y=10..10,axes=boxed,lightmodel=light4,scaling=constrained,tra
nsparency=0.7,grid=[2,2]);
84
Maple:
plot3d([(-3/7)*x-(2/7)*y+(47/7),(2/3)*x+(15/6)*y-(23/6),(6/14)*x-(4/14)*y+(94/14)],x=-10..40,y=25..25,axes=boxed,color=x*y,scaling=constrained,transparenc
y=0,grid=[2,2]);
85
plot3d([(1/3)*x+(1/9)*y+2,(1/3)*x+(1/9)*y+4],x=0..8,y=4..4,axes=boxed,color=x*y,scaling=constrained,transparency=.3,grid=[2,
2]);
plot3d([(1/3)*x+(1/9)*y+2,(1/3)*x+(1/9)*y+4,(1/3)*x+(1/9)*y+6],x=0..6,
y=3..3,axes=boxed,color=2*x*y,scaling=constrained,transparency=.3,grid=[
2,2]);
86
Maple:
plot3d([(-3/7)*x-(2/7)*y+(47/7),(2/3)*x+(15/6)*y-(23/6),(3/7)*x-(2/7)*y+(94/7)],x=-7.5..7.5,y=5..10,axes=boxed,lightmodel=light4,scaling=constrained,tran
sparency=0,grid=[2,2]);
plot3d([(-3/7)*x-(2/7)*y+(47/7),(4/3)*x+(1/3)*y+(4/3),(3/7)*x-(2/7)*y+(94/7)],x=-6..20,y=13..13,axes=boxed,color=x*y,scaling=constrained,transparenc
y=0,grid=[2,2]);
87
Maple:
plot3d([(-3/7)*x(2/7)*y+(47/7),(4/3)*x+(1/3)*y+(4/3),(181/293)*x+(24/293)*y+(45/293)],x=8..16,y=12..12,axes=none,color=x*y,scaling=constrained,transparency=0,grid=[2,2]);
Importante:
R 2 x, y | x, y R .
88
89
2 x1 4 x 2 6 x3 18
4 x1 5 x 2 6 x3 24
(1)
3x1 x 2 2 x3 4
El mtodo de eliminacin de Gauss Jordan se basa en simplificar las ecuaciones
(aplicando el Hecho 1 y Hecho 2), de manera que al final la solucin del sistema se
pueda identificar de inmediato.
Buscamos 3 nmeros
x1 , x2
x1 2 x 2 3 x3 9
4 x1 5 x 2 6 x3 24
(2)
3x1 x 2 2 x3 4
Aplicando el Hecho 2, multiplicamos ambos lados de la primera ecuacin de (2) por 4
y aplicando el Hecho 1 la sumamos a la segunda ecuacin.
4 x1 8 x 2 12 x3 36
4 x1 5 x2 6 x3 24
3 x2 6 x3 12
Tenemos ahora un nuevo sistema equivalente. Cada vez buscaremos ecuaciones
equivalentes ms simples, hasta que la solucin del sistema sea EVIDENTE.
x1 2 x2 3x3 9
(3)
3 x2 6 x3 12
3x1 x2 2 x3 4
90
3x1 6 x2 9 x3 27
3 x1 x2 2 x3 4
5 x2 11x3 23
Generamos un nuevo sistema equivalente.
x1 2 x2 3x3 9
3 x 2 6 x 3 12
5 x2 11x3 23
(4)
x1 2 x2 3x3 9
x 2 2 x3 4
5 x2 11x3 23
(5)
5 x 2 10 x 3 20
5 x 2 11x 3 23
x3 3
Generamos un nuevo sistema equivalente.
x1 2 x2 3x3 9
x 2 2 x3 4
(6)
x3 3
Aplicando el Hecho 2, multiplicamos ambos lados de la segunda ecuacin de (6) por -2
y aplicando el Hecho 1 la sumamos a la primera ecuacin.
x1 2 x2 3x3 9
2 x 2 4 x 3 8
x1
x3 1
x2
91
x3 1
x1
x 2 2 x3 4
x3 3
(7)
x 2 2 x3 4
2 x 3 6
2
x2
x1
x2
(8)
x3
x 3 3
x1
x3 3
4
x1
x1
x2
x3 3
La solucin nica es: (4, -2, 3).
x1 4
x2 2
x3 3
92
Maple:
plot3d([(-1/3)*x-(2/3)*y+3,(-2/3)*x(5/6)*y+4,(3/2)*x+(1/2)*y-2],x=0..4,y=2..2,axes=boxed,color=[red,blue,yellow,yellow],scaling=cons
trained,transparency=0,grid=[2,2]);
2 x1 4 x 2 6 x3 18
4 x1 5 x 2 6 x3 24
3x1 x 2 2 x3 4
93
2 4 6
A 4 5 6
3 1 2
Fila o rengln
Columna
- Matriz m x n (Importante):
2 4 6 18
4 5 6 24
3 1 2 4
Hasta ahora hemos resuelto sistemas de ecuaciones basndonos en 2 hechos del
lgebra.
Cuando ocupemos notacin matricial usaremos operaciones elementales con
renglones (operaciones vlidas entre renglones).
94
3) Ri Rj :
4) A B :
0 0 1
1 0 0 0
0 1 0 0
0 0 0 1
1 0
0 1
1 0 0 5
0 0 1 2
1 0 2 5
0 1 3 6
0 0 0 0
95
2 x1 4 x 2 6 x3 18
4 x1 5 x 2 6 x3 24
3x1 x 2 2 x3 4
La matriz aumentada es:
2 4 6 18
4 5 6 24
3 1 2 4
9
1 2 3
4 5 6 24
3 1 2 4
R1 1 R1
2
R2 R2 4 R1
R3 R3 3R1
3
9
1 2
0 3 6 12
0 5 11 23
R2 1 R2
3
3
9
1 2
0 1
2
4
0 5 11 23
R1 R1 2 R2
1 0 1 1
0 1 2
4
0 0 1 3
R3 R3
1 0 1 1
0 1 2 4
0 0 1 3
R1 R1 R3
R3 R3 5R2
R2 R2 2 R3
96
1 0 0 4
0 1 0 2
0 0 1 3
Pivote
2 4 6 18
4 5 6 24
3 1 2 4
Seleccionamos el componente con mayor valor absoluto, este ser nuestro primer
pivote y movemos el rengln pivote hasta arriba.
4 5 6 24
2 4 6 18
3 1 2 4
3
1 5
6
4
2
6 18
2 4
3 1 2 4
3
1 5
6
4
2
3
6
0 3 2
11 13
0
14
4
4
97
3
1 5
6
4
2
26
56
0 1
11
11
3
3
6
0
2
y lo sumamos con R1
2
respectivamente.
4
y R3 ,
4
1 0 16
11
11
26
56
0 1
11
11
6
18
0 0
11
11
4
1 0 16
11
11
26
56
0 1
11
11
1
3
0 0
26
y lo sumamos con R1 y R2 ,
y
11
respectivamente.
1 0 0 4
0 1 0 2
0 0 1 3
x 2 2
x3 3
1) El pivote en cualquier rengln est a la derecha del pivote del rengln anterior.
2) El pivote hace CERO a los dems elementos (componentes) de la columna a la
que pertenece.
- Eliminacin gaussiana:
98
Importante:
0 0 0 1
1 2 3
0 1 5
0 0 1
1 0 2 5
0 0 1 2
1 3 2 5
0 1 3 6
0 0 0 0
1 2
0 1
x1 2 x 2 3 x3 11
4 x1 x 2 x3 4
2 x1 x 2 3 x3 10
1 2 3 11
4 1 1 4
2 1 3 10
1
1 1
1
4
4
3 11
1 2
2 1
3 10
99
1
1 1
1
4
4
9
13
10
0
34 7 4
8
0
2
2
1
1 1
4
4
13
1
0
9
3
7
0
2
2
40
9
8
1
4
4
13
1
9
4
0
3
40
9
4
3
1
4
4
1 13
9
0
1
40
9
1
y lo sumamos con R3 .
x3 1
Ahora usamos la sustitucin hacia atrs para hallar el valor de las dems incgnitas.
De R2 (rengln 2) tenemos:
x2 13 x3 40
9
9
x 2 13 1 40
9
9
x 2 27
x 2 3
De R1 (rengln 1) tenemos:
x1 1 x 2 1 x3 1
4
4
100
x1 1 3 1 1 1
4
4
x1 1 3 1
4
4
x1 2
La solucin nica es: (2, -3, 1).
x1 2
x3 1
x 2 3
- Resumen:
- La variable libre:
nm a
Donde
aR
nr a
aR
101
indica el
nm a
m
n
aR
nm
SIEMPRE que el sistema de ecuaciones presente variables libres, tiene
nmero infinito de soluciones.
A las variables libres se asignan generalmente las letras a , b , c , o s , t , v .
Sea el sistema:
2 x1 4 x 2 6 x3 18
4 x1 5 x 2 6 x3 24
2 x1 7 x 2 12 x3 30
Generamos la matriz aumentada:
2 4 6 18 1 2 3 9
4 5 6 24 4 5 6 24
2 7 12 30 2 7 12 30
Reduciremos la matriz aumentada por renglones con pivoteo:
102
4 5 6 24
1 2 3 9
2 7 12 30
3
1 5
6
4
2
3 9
1 2
2 7 12 30
1 5
4
3
0
94
0
2
3
3
2
9 18
1 5
4
0
1
0 3
4
6
2
2 4
3
3
2
1 5
4
0
1
0 0
6
2
2 4
0 0
Hasta
aqu
hemos
realizado
la
eliminacin gaussiana, y podemos usar la
sustitucin hacia atrs.
para hacerlo 1.
6
2
2 4
1 0 1 1
0 1 2 4
1 5
4
0
1
x1
x3 1
x 2 2 x3 4
103
nm a
aR
3 2 1
[1 variable libre]
La variable libre es
x3 a .
x1 1 a
x 2 4 2a
Comprobamos en la primera ecuacin del sistema original.
2 x1 4 x 2 6 x3 18
21 a 44 2a 6a 18
2 2a 16 8a 6a 18
18 18
La solucin es:
x1 1 a
x 2 4 2a
x3 a
Esta solucin se llama solucin general del sistema.
Y representa al conjunto de soluciones del sistema, para cada valor real de
Algunos autores expresan la solucin como:
x3 a .
1 x3 ,4 2 x3 , x3 .
x 1 t
1 x3 ,4 2 x3 , x3 , como:
y 4 2t
zt
Maple:
plot3d([(-1/3)*x-(2/3)*y+3,(-2/3)*x-(5/6)*y+4,(-1/6)*x(7/12)*y+(15/6)],x=0..6,y=3..3,axes=boxed,color=[red,blue,yellow,yellow],scaling=cons
trained,transparency=0,grid=[2,2]);
105
Sea el sistema:
x1 3 x 2 5 x3 x 4 4
2 x1 5 x 2 2 x3 4 x 4 6
Generamos la matriz aumentada:
1 3 5 1 4
2 5 2 4 6
Reduciremos por renglones por pivoteo y eliminacin de Gauss Jordan.
2 5 2 4 6
1 3 5 1 4
1 5
1 2 3
2
1 3 5 1 4
1 5
1 2 3
2
1
0
1
1
para hacerlo 1.
1 5
1 2 3
2
0 1 8 2 2
1 0 19 7 2
0 1 8 2 2
x1
19 x3 7 x 4 2
x 2 8 x3 2 x 4 2
106
nm a
aR
42 2
[2 variables libres]
x3 a y x4 b , a, b R .
La solucin general, que representa a TODO el conjunto de soluciones del sistema es:
x1 2 19a 7b
x 2 2 8a 2b
x3 a
x4 b
Algunos autores expresan el nmero infinito de soluciones como:
2 19 x3 7 x 4 ,2 8 x3 2 x4 , x3 , x4
NOTA (Importante):
En un sistema de ecuaciones con 1 o varias variables libres cualquiera de las
variables puede ser considerada variable libre, pero, por comodidad elegimos las que
sobran despus de reducir la matriz aumentada a su forma escalonada reducida
por renglones.
- Sistemas de ecuaciones lineales SIN SOLUCIN:
Sea el sistema:
2 x 2 3 x3 4
2 x1 6 x2 7 x3 15
x1 2 x 2 5 x3 10
107
0 2 3 4
2 6 7 15
1 2 5 10
Reduciremos por renglones por pivoteo y eliminacin de Gauss Jordan:
2 6 7 15
1 2 5 10
0 2 3 4
1 3 7 15
2
2
1 2 5 10
0 2
3
4
1 3 7 15
2
2
0 1 3 2 5 2
0
2
3
4
1 0 8 15
0 1 3
5
2
2
0 0 0 1
Ahora es EVIDENTE que el sistema NO tiene solucin, puesto que, la expresin
0 x1 0 x 2 0 x3 1 ES IMPOSIBLE 0 1 .
El sistema NO TIENE SOLUCIN, es INCONSISTENTE.
108
Maple:
plot3d([(-2/3)*y+(4/3),(-2/7)*x+(6/7)*y+(15/7),(1/5)*x+(2/5)*y+2],x=0..1,y=.9..0.1,axes=boxed,color=[red,blue,yellow,yellow],scaling=c
onstrained,transparency=0.,grid=[2,2]);
x3
x1
x2
x4
3
x5 20
a m1 x1 a m 2 x 2 ... a mn x n 0
nm
Sea el sistema:
2 x1 4 x 2 6 x3 0
4 x1 5 x 2 6 x3 0
3 x1 x 2 2 x3 0
La matriz aumentada del sistema es:
110
2 4 6 0
4 5 6 0
3 1 2 0
Resolveremos el sistema por eliminacin de Gauss Jordan y pivoteo.
4 5 6 0
3 1 2 0
2 4 6 0
3
1 5
0
4
2
3
1
2
0
2 4
6 0
3
1 5
0
4
2
0 114 13 2 0
3
0
0 3 2
3
1 5
0
4
2
26
0
0 1
11
3
3
0
0
2
y lo sumamos con
2
respectivamente.
R1
y
4
y R3 ,
1 0 16
0
11
0 1 2611 0
0 0 611 0
1 0 16
0
11
0 1 2611 0
0
1
0
0
111
1 0 0 0
0 1 0 0
0 0 1 0
La solucin nica es: (0, 0, 0). La nica solucin del sistema es la solucin trivial.
[Interpretacin geomtrica de la solucin trivial]
Maple:
plot3d([(-1/3)*x-(2/3)*y,(-2/3)*x(5/6)*y,(3/2)*x+(1/2)*y],x=0..10,y=0..10,axes=normal,color=[blue,red,y
ellow],scaling=constrained,transparency=0.6,grid=[2,2]);
Sea el sistema:
x1 2 x2 x3 0
3x1 3x2 2 x3 0
x1 11x2 6 x3 0
112
2 1 0
1
3 3 2 0
1 11 6 0
1 2 1 0
0 9 5 0
0 9 5 0
1 2 1 0
0 9 5 0
1 2 1 0
0 1 5
0
1 0 1
0
9
0 1 5 9 0
x1
1 x3 0
9
x 2 5 x3 0
9
nm a
aR
3 2 1
[1 variable libre]
La variable libre es
x3 a .
19 x , 59 x , x
3
113
x1 1 a
9
x2 5 a
9
x3 a
aR
2.5 Aplicaciones.
- Aplicaciones de los sistemas de ecuaciones lineales (1):
30) En un zoolgico hay aves (de 2 patas) y bestias (de 4 patas). Si el zoolgico
contiene 60 cabezas y 200 patas.
Cuntas aves y cuantas bestias viven en l?
Solucin:
x
y
114
[Condicin cabezas]
[Condicin patas]
x y 60
2 x 4 y 200
(1)
2 x 2 y 120
2 x 4 y 200
(2)
2 y 80
y 40
Sustituyendo en la 1ra ecuacin de (1):
x y 60
x 40 60
x 20
Comprobamos en la 2da ecuacin de (1):
2 x 4 y 200
220 440 200
40 160 200
200 200
En el zoolgico hay:
20 aves.
40 bestias.
34) La compaa Sunrise Porcelain fabrica tazas y platos de cermica. Para cada taza o
plato un trabajador mide una cantidad fija de material y la pone en la maquina que los
forma, de donde pasa al vidriado y secado. En promedio un trabajador necesita 3
minutos para iniciar el proceso de una taza y 2 minutos para un plato. El material para
una taza cuesta 25 c y para un plato 20 c. Se asignan $44 diarios para producir tazas y
platos.
Cuntos deben fabricarse en un da de trabajo de 8 horas en condiciones ideales?
Solucin:
115
x
y
[Condicin tiempo]
[Condicin presupuesto]
(1)
.25 x .2 y 44
3 x 2 y 480
3 x 2.4 y 528
(2)
.4 y 48
y 120
Sustituyendo en la 1ra ecuacin de (1):
3 x 2 y 480
3x 2120 480
3x 240
x 80
.25 x .2 y 44
.2580 .2120 44
20 24 44
44 44
En un da de 8 horas en condiciones ideales se fabrican:
80 tazas.
120 platos.
116
x
y
4 x 3 y 512
x y 160
(1)
4 x 3 y 512
(2)
4 x 4 y 640
Sumando la 1ra y 2da ecuaciones de (2), nos queda:
y 128
y 128
Sustituyendo en la 1ra ecuacin de (1):
4 x 3 y 512
4 x 3128 512
4 x 128
x 32
Comprobamos en la 2da ecuacin de (1):
x y 160
32 128 160
160 160
La tienda vende:
32 helados con soda.
128 malteadas.
117
x1
x2
x3
a13
a 23
a33
Condicin 1
Condicin 2
Condicin 3
a11
a12
a 21
a31
a 22
a32
Condicin m
a m1
xn
Totales
a1n
a2n
a3n
b1
am2
a m3
b2
b3
a mn
bm
a11
a
21
a31
a m1
a12
a 22
a13
a 23
a1n
a2n
a32
a33
a3n
am 2
a m3
a mn
b1
b2
b3
bm
118
x1
x2
x3
x1 3 x 2 2 x 3 25000
[Condicin alimento 2]
x1 4 x 2 x3 20000
[Condicin alimento 3]
2 x1 5 x 2 5 x3 55000
1 3 2 25000
1 4 1 20000
2 5 5 55000
Reduccin por renglones por pivoteo y Gauss Jordan:
2 5 5 55000
1 4 1 20000
1 3 2 25000
1 5
2
1
4
1 3
27500
2
1 20000
2 25000
119
5
1 5
27500
2
2
0 3 2 3 2 7500
1
1
2500
0
2
2
5
1 5
27500
2
2
0 12 12 2500
1 5
2
0 1
para hacerlo 1.
27500
2
1 5000
lo sumamos con R1 .
1 0 5 40000
0 1 1 5000
x1 5x3 40000
x2 x3 5000
Aplicando el concepto de variable libre, tenemos:
nm a
aR
3 2 1
[1 variable libre]
La variable libre es
x3 a .
120
x1 40000 5a
x2 5000 a
aR
x3 a
La solucin general del sistema es:
40000 5 x3 ,5000 x3 , x3
Ahora aplicaremos esta solucin a la REALIDAD.
Las consideraciones para que el conjunto de soluciones aplique en la REALIDAD son:
1) No hay peces NEGATIVOS.
2) No hay peces FRACCIONARIOS.
3) Deben coexistir las 3 especies de peces.
Entonces:
40000 5 x3 0
x1 0
5 x3 40000
x1 40000 5 x3
x3 8000
x2 0
5000 x3 0
x3 5000
x2 5000 x3
5000,8000
5000 x3 8000
10000,1000,6000
Nota:
x1 , x 2 , x3 .
121
ei
a ij
a ij
representa el nmero de
a21
a 21 x1 a 22 x 2 ... a 2 n x n
Al igualar la demanda total a la produccin de cada industria se llega al siguiente
sistema de ecuaciones.
122
O bien:
a n1 x1 a n 2 x 2 .... 1 a nn x n en
Suponga que las demandas externas en un sistema econmico con 3 industrias son 10,
25 y 20, respectivamente.
Suponga que
a11 .2 ,
a12 .5 ,
a13 .15 ,
a 21 .4 ,
a 22 .1 ,
a 23 =.3,
a31 .25 , a32 .5 , a33 .15 . Encuentre la produccin de cada industria de modo que la
oferta sea exactamente igual a la demanda.
Solucin:
1 0 0 110.30442
0 1 0 118.74070
0 0 1 125.81787
Por lo tanto, la produccin necesaria para que la oferta sea (aproximadamente) igual a la
demanda es:
x1 110
x2 119
x3 126
123
x1
x2
x3
30 x1 20 x 2 20 x3 340
20 x1 30 x 2 20 x3 320
10 x1 10 x 2 10 x3 140
3x1 2 x2 2 x3 34
2 x1 3x2 2 x3 32
x1 x 2 x3 14
La matriz aumentada es:
3 2 2 34
2 3 2 32
1 1 1 14
124
34
3
32
14
1 2
3
3
2
1 1
1 2
3
5
0
3
0 13
34
3
28
2
3
3
8
1
3
3
1 2
3
0 1
0 13
34
3
28
2
5
5
8
1
3
3
3
2
1
entre
para hacerlo 1.
y 1 y lo sumamos con R1
3
respectivamente.
3
y R3 ,
114
1 0 6
15
15
28
2
0 1
5
5
4
0 0 15
5
Esta vez emplearemos la eliminacin gaussiana.
El sistema equivalente es:
x1
6 x3 114
15
15
x 2 2 x3 28
5
5
1 x3 4
5
5
Entonces:
x3 4
Usando la sustitucin hacia atrs, tenemos:
x1 114 6 4
15 15
x1 6
125
x 2 28 2 4
5
5
x2 4
La solucin nica es:
6,4,4 .
Respuesta:
x1
Nmero de bombarderos.
x2
2 x1 x 2 60
6 x1 2 x 2 250
2 1 60
3 1 125
126
3 1 125
2 1 60
1 125
3
3
1
60
125
1
3
3
1 70
3
3
En este punto nos es claro que la informacin del agente es FALSA, puesto que, la
cantidad de bombarderos NO puede ser -70.
NOTA: El sistema presenta solucin nica, pero, el problema REAL es inconsistente
(SIN SOLUCIN).
127
Antecedentes:
Vector: Cantidad que tiene asociada una magnitud, direccin y sentido.
Vector en R 2 :
De forma general podemos decir, que cualquier punto en el plano se puede representar
como un par ordenado (Cartesiano rectangular o polar).
a, b
Y este par ordenado es el extremo de un vector de posicin:
r = < a, b >
128
Vector en R 3 :
R3 :
Importante:
En general TODO punto (a, b, c,, n) de R n se puede representar como un vector de
posicin de la forma:
v=
a, b, c,..., n
129
O bien:
a1
a2 an
a1
a2 an
Definicin 2:
- Vector columna de n componentes:
Se define a un vector columna de n componentes como el conjunto ordenado de n
nmeros (reales o complejos) escritos en la forma:
a1
a2
a
n
o bien
a1
a
2
a n
- Componentes de un vector:
En general a1 ser la primera componente, y as sucesivamente hasta a k (k-sima
componente) y a n (n-sima componente).
2
2) 1
5
3) 2 1 0 4
130
0
0
4)
0
0
2 y 2 1
NO son iguales.
30
15
60
10
131
- El espacio
Rn
(Campo real):
Se usa el smbolo
Rn
a1
a
para denotar al conjunto de TODOS los n vectores 2 ,
a n
donde cada
ci
c1
c
para denotar al conjunto de TODOS los n vectores 2 ,
c n
es un nmero complejo.
- Definicin de matriz:
Una matriz A de m x n es un arreglo rectangular de mn nmeros dispuestos en m
renglones (filas) y n columnas.
a11
a
21
A
ai1
am1
a12
a1 j
a 22
a2 j
aij
amj
ai 2
am 2
a1n
a 2 n
ain
a mn
[Matriz general de m x n]
ai1
a1 j
a
2j
El vector columna se llama columna j.
a mj
132
ij
de A, denotado por
la columna j.
Importante:
A menos que se indique lo contrario los componentes de una matriz A, sern
considerados nmeros reales.
- Matriz cuadrada:
Si A es una matriz m x n, donde m = n, entonces A se llama matriz cuadrada.
- Matriz CERO:
Una matriz m x n, cuyos componentes (elementos) son TODOS CERO, se llama
matriz CERO de m x n.
- Orden de una matriz:
El orden (o tamao) de una matriz es una descripcin de los nmeros de renglones y
columnas que tiene.
As el orden de una matriz m x n es, en efecto, m por n, es decir, su tamao es m
renglones por n columnas.
Una matriz cuadrada tiene orden n, puesto que, m = n.
Una matriz de 1 x n se conoce como matriz rengln (o vector rengln).
Una matriz de m x 1 se conoce como matriz columna (o vector columna).
Importante: Los vectores son casos especiales de matrices.
- Ejemplo demostrativo 1: Orden de una matriz.
1 3
a)
4 2
Matriz cuadrada de 2 x 2.
1 3
b) 4
0
1 2
Matriz de 3 x 2.
1 4 1
c)
3 0 2
Matriz de 2 x 3.
133
1 6 2
d) 3 1
4
2 6 5
0 0 0 0
e)
0 0 0 0
Matriz CERO de 2 x 4.
1 6 4
A 2 3 5
7 4 0
Asociemos A con una matriz general de 3 x 3:
a11
a
21
a31
a12
a22
a32
a13
a23
a33
1 6 4
2 3 5
7 4 0
Rengln 1
Columna 2
La componente a31 (rengln 3, columna 1) es 7.
1 6 4
A 2 3 5
7 4 0
Rengln 3
Columna 1
134
1 6 4
A 2 3 5
7 4 0
Rengln 2
Columna 2
- Igualdad de matrices:
2 matrices
bij ).
2 3 0
1
2 3
3 1
B
1 1 4 1 6 6
AB
b)
2 0
A
1 3
0 2
B
1 3
A B
c)
1 0
A
0 1
1 0 0
B
0 1 0
A B
Las matrices y los vectores surgen en muchas situaciones prcticas.
135
5
2
3
7
1
5
2
3
7
1
Si el concesionario tiene 5 sucursales con los mismos productos y diferentes existencias.
Podemos generar una matriz Q que describa las existencias de los 5 productos en las 5
sucursales:
5 10 0 1 0
2 2 3 1 1
Q 3 1 2 2 6
7 0 1 1 7
1 0 1 1 2
Por esta razn los componentes de una matriz tambin se denominan entradas.
3.2 Operaciones con matrices (suma, resta, producto, producto de un escalar por
una matriz).
- Suma de matrices:
Sean
A a ij
B bij
a11 b11
a b
A B aij bij 21 21
am1 bm1
a12 b12
a22 b22
am 2 bm 2
a1n b1n
a2 n b2 n
amn bmn
136
1 0
2 5
4
7
1
2
3
1 2 3
4 5 6
O las matrices:
1
2
Tampoco se pueden sumar las matrices:
1
3
1 3
Se dice que las matrices que NO se pueden sumar son incompatibles (o inconformes)
bajo la suma.
- Ejemplo demostrativo: Suma de matrices.
1 4 2 2 2 3 3 1 2 6 1 3
3 1 0 1 1 5 0 1 4 4 1 9
A a ij es una matriz de m x n y si c
137
cA caij
Es decir, cA ca ij
A a ij por c .
Importante:
Si cA B bij y
bij ca ij
para
i 1,2,..., m
1 3 4 2
A 3
1 4 6
2 3 5 7
2 6 8 4
2A 6
2 8 12
4 6 10 14
4
2
1
1
3
3
3
1 A 1 1 4
2
3
3
3
5
7
2
1
3
3
3
0 0 0 0
0A 0 0 0 0
0 0 0 0
- Resta de matrices:
La matriz 1A se escribe
A.
138
A B A B
- Ejemplo demostrativo: Resta de matrices.
Sean 2 matrices del mismo orden (ambas de m x n):
1 4 0
A
2 6 5
3 1 1
B
3 0 2
1 4 0 3 1 1 1 4 0 3 1 1 4 3 1
A B
2 6 5 3 0 2 2 6 5 3 0 2 5 6 3
El resultado se obtuvo restando las componentes correspondientes de B a A, es decir,
A B aij bij
- Propiedades de la suma (resta) y multiplicacin por un escalar para matrices:
Sean A, B y C matrices de m x n; y a, b y c escalares.
1) A + 0 = 0 + A = A
2) OA = 0
3) A + B = B + A
4) A A = -A + A = 0
5) A + B + C = (A + B) + C = A + (B + C)
6) c(A+ B) = cA + cB
7) (1)A=A
8) (a + b)A = aA + bA
139
Solucin:
0
1
1
0
1
0
1
1
0
1
0
0
1
a11
a
21
a31
a 41
a12
a 22
a13
a 23
a32
a33
a 42
a 43
a14
a 24
a34
a 44
El punto
a34 a43
El punto
a41 a14
aii
a jj
son
140
Solucin:
0
1
1
0
1 0 1 0
0 1 1 0
1 0 0 1
1 0 0 0
0 1 0 0
- Producto de matrices:
B bij es la matriz m x n cuya componente ij es aij bij . Sin embargo para casi todas
las aplicaciones importantes se necesitan otro tipo de productos de matrices.
A continuacin explicaremos 2 diferentes productos de matrices:
1) El producto escalar.
2) El producto matricial.
Sean a
y b 21 2 vectores (matrices).
a m1
bm1
141
a b = a1
a2
b1
b
a n 2 a1b1 a 2 b2 a n bn
bn
Importante:
Sean
1
a = 2
3
3
b = 2
4
a b = 13 2 2 34 19
Sean
a = 2 3 4 6
1
2
b=
0
3
a b = 21 32 40 63 22
Suponga que un fabricante produce 4 artculos. Su demanda est dada por el vector
demanda:
142
d=
30
20 40 1014
p=
20
15
18
40 41
cij
(Rengln i de A) (Columna j de B)
143
m nn p m p
Aclararemos esto con lgebra y despus con ejemplos numricos.
a11
A a21
a31
a12
a22
a32 3 x 2
b
b
B 11 12
b21 b22
b13
b23
b14
b24 2 x 4
Solucin:
m nn p . El resultado AB
Procedimiento:
c11 a11
b
a12 11 a11b11 a12 b21
b21
144
a11
a
21
a31
a12
b
b
a 22 11 12
b
b
a32 3 x 2 21 22
c12 a11
a11
a21
a31
Recuerde:
a12
b
b
a22 11 12
b
b
a32 3 x 2 21 22
b13
b23
3 x 4
c11
b14
b24 2 x 4
b
a12 12 a11b12 a12 b22
b22
b13
b23
c11 c12
b14
b24 2 x 4
3 x 4
Y repetimos en procedimiento:
c13 a11
a11
a
21
a31
a12
b
b
a22 11 12
b
b
a32 3 x 2 21 22
c14 a11
a11
a
21
a31
a12
b
b
a22 11 12
b
b
a32 3 x 2 21 22
b
a12 13 a11b13 a12 b23
b23
b13
b23
c11 c12
b14
b24 2 x 4
c13
3 x 4
b
a12 14 a11b14 a12 b24
b24
b13
b23
c11 c12
b14
b24 2 x 4
c13
c14
3 x 4
b
c23 a21 a22 13 a21b13 a22b23
b23
145
a11
a
21
a31
a12
b
b
a22 11 12
b
b
a32 3 x 2 21 22
b13
b23
c11 c12
b14
c21 c22
b24 2 x 4
c13
c23
c14
3 x 4
b
c34 a31 a32 14 a31b14 a32b24
b24
a11
a
21
a31
a12
b
b
a22 11 12
b
b
a32 3 x 2 21 22
b13
b23
c11 c12
b14
c21 c22
b24 2 x 4
c31 c32
c13
c23
c33
c14
c24
c34 3 x 4
En efecto, la matriz AB es de 3 x 4.
Sean:
1 3
A
2 4
3 2
B
5 6
Halle AB y BA:
1 3 3 2
C1 AB
2 4 5 6
3
c11 1 3 13 35 18
5
2
c12 1 3 1 2 36 16
6
3
c 21 2 4 2 3 4 5 14
5
2
c 22 2 4 2 2 4 6 28
6
146
18 16
C1
14 28
3 2 1 3
C 2 BA
5 6 2 4
98 7
1
3 4
C2
5 12 15 24 7 39
C1 C 2
Importante: Generalmente el producto de matrices NO es conmutativo. Tambin
puede ocurrir que AB este definido, pero, BA NO lo este.
Sean:
2 0 3
A
4 1 5 2 X 3
7 1 4 7
B 2
5 0 4
3 1 2 3 3 X 4
Calcule AB y BA.
7 1 4 7
2 0 3
5
0
4
C1 AB
2
4 1 5 3 1 2 3
cij de C1 AB
EXISTE.
1
c12 2 0 3 5 5
1
147
4
c13 2 0 3 0 2
2
7
c 21 4 1 5 2 15
3
c 23
4
4 1 5 0 26
2
7
c14 2 0 3 4 5
3
c 22
c 24
1
4 1 5 5 6
1
7
4 1 5 4 39
3
23 5 2 5
C1
15 6 26 39 2 X 4
7 1 4 7
2 0 3
5 0 4
C2 BA 2
4 1 5
3 1 2 3
El producto matricial C 2 BA NO EXISTE, puesto que, los productos punto que
definen al componente
ABC ABC AB C
As, ABC es una matriz de m x q.
Suponga que los productos matriciales AB, BC y CD estn definidos. Entonces:
148
Si TODAS las sumas y TODOS los productos siguientes estn definidos, entonces:
AB C AB AC
A B C AC BC
- Ejemplo demostrativo 4: Aplicacin de la multiplicacin de matrices.
Observacin: En el siguiente ejemplo note la importancia de la matriz m x p, resultado
de la multiplicacin de 2 matrices m x n y n x p.
Valeria
Carlos
Manzanas
6
4
Toronjas
3
8
Naranjas
10
5
Manzanas
Toronjas
Naranjas
S Market
.10
. 40
.10
Maushan
.15
.30
.20
Solucin:
149
6 3 10
D
4 8 5 2 X 3
.1 .15
P .4 .3
.1 .2 3 X 2
2.80 3.80
PD
4.10 4.00 2 X 2
La siguiente tabla interpreta la matriz m x p obtenida:
Valeria
Carlos
S Market
2.80
4.10
Maushan
3.80
4.00
Conclusin:
Valeria debe comprar en S Market.
Carlos debe comprar en Maushan.
a m 1 x1 a m 2 x 2 a m 3 x 3 ... a mn x n b m
Como 2 matrices son iguales si y slo si sus elementos correspondientes son iguales,
podemos sustituir al sistema de ecuaciones lineales con la siguiente ecuacin
matricial.
150
a m1 x1 a m 2 x 2 a m3 x3 ... a mn x bm
La matriz m x 1 del lado izquierdo de la ecuacin matricial se puede escribir como el
producto de 2 matrices.
a11
a
21
a m1
a1n x1 b1
a 2 n x2 b2
a mn xn bm
a12
a 22
am 2
Donde
a11
a
A b 21
am1
a12
a 22
am 2
a1n
a2 n
amn
b1
b2
bm
Sea
151
a11
a
A 21
am1
Cada componente
a ij
a12
a22
am 2
a1n
a2 n
amn mXn
son:
a11
a
21
a31
a12
a 22
a32
a13
a 23
a33 3 X 3
[Matriz cuadrada de 3 x 3]
1 0 0
0 3 0
0 0 5 3 X 3
[Matriz diagonal de 3 x 3]
Una matriz diagonal en la que TODAS sus entradas diagonales son iguales, se llama
matriz escalar.
4
0
0 0 0
4 0 0
0 4 0
0 0 4 4 X 4
[Matriz escalar de 4 x 4]
152
1
0
4
0
0 0 0
1 0 0
0 1 0
0 0 1
[Diagonal
Principal]
1
0
I
0
0
1
0
0
0
0
1
0
0
0
0
1 4 X 4
[Matriz identidad de 4 x 4]
In .
I n :
I n bij , donde
bij
1 0 0
I 3 0 1 0
0 0 1 3 X 3
i=j
i j
1
0
I 5 0
0
0
0 0 0 0
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1 5 X 5
In
153
AI n A
Im A A
y
I n se asemeja al 1.
Nota: Las matrices pueden y deberan ser consideradas como formaciones, tanto de
vectores rengln, como de vectores columna, muchas de las convenciones y
operaciones vlidas para vectores lo son para matrices.
Una matriz cuadrada se llama triangular superior (inferior) cuando TODAS sus
componentes abajo (arriba) de la diagonal principal son CERO.
i j
a ij est arriba de la diagonal principal si:
i j
- Ejemplo demostrativo:
2 3 5
U 0 1 6
0 0 2
1 5
V
0 2
0 0
L
5 0
2
5
M
6
0
4
1
0
0
0
2
1
0
0
0
154
A K AA... A
Si k es un entero positivo.
De esta forma
A1 A , y A 0 I n .
Ar As Ar s
2)
r s
A rs
- Matriz idempotente:
A2 A
Nota: La palabra idempotente proviene del latn idem que significa lo mismo y
potere que significa tener potencia.
- Ejemplo demostrativo: 4 matrices idempotentes de 2 x 2.
1 0
0 1
1) I
Comprobacin:
1 0 1 0 1 0 1 0
I I2
0 1 0 1 0 1
0
1
2 2
2)
1 1
155
Comprobacin:
2 2 2 2 2 2 2 2
1 1 1 1 1 1 1 1
3 3
2 2
3)
Comprobacin:
3 3 3 3 3 3 3 3
2 2 2 2 2 2 2 2
5 15
4)
6
2
Comprobacin:
5 15 5 15 5 15 5 15
2
6 2
6 2
6 2
6
A2 A
a11
a
21
a12 a11
a22 a21
a12 a11
a22 a 21
a11
a
21
a12
a22
a 22 a 21a12 a 22
156
- Matriz nilpotente:
AK 0
k>1
Donde:
1)
es la matriz CERO de n x n.
AK 0 .
Nota: La palabra nilpotente proviene del latn nihil que significa nada y potere
que significa tener potencia o poder.
0 2
A
1)
0 0
ndice de nilpotencia = 2
Comprobacin:
0 2 0 2 0 0
A2
0 0 0 0
0
0
0 1 3
2) B 0 0 4
0 0 0
ndice de nilpotencia = 3
Comprobacin:
0 1 3 0 1 3 0 1 3 0 0 4 0 1 3 0 0 0
B 3 0 0 4 0 0 4 0 0 4 0 0 0 0 0 4 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
157
0 0 0
3) C 5 0 0
1 2 0
ndice de nilpotencia = 3
Comprobacin:
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
C 3 5 0 0 5 0 0 5 0 0 0 0 0 5 0 0 0 0 0
1 2 0 1 2 0 1 2 0 10 0 0 1 2 0 0 0 0
0 0
1 0
4)
1 2
3 1
0
0
0
2
0
0
0
ndice de nilpotencia = 4
Comprobacin:
0 0
1 0
1 2
3 1
0 0 0 0
0 0 1 0
0 0 1 2
2 0 3 1
0
0
0
0
2 0
3 4
0 0 0 0
0 0 1 0
0 0 1 2
2 0 3 1
0 0 0
0
0 0 0
0
0 0 2 0
0 0 3 4
0 0 0 0
0 0 1 0
0 0 1 2
2 0 3 1
0 0 0
0 0 0
0 0 0
0 0 0
0 0
0 0
0 0
2 0
0 0 0
0 0 0
0 0 0
0 0 0
Conclusiones:
Sea
se escribe
AT .
158
AT
AT .
columnas de
a11
a
A 21
am1
a12
a22
am 2
sean las
AT a ji .
a1n
a2 n
amn mXn
a11
a
T
A 12
a1n
a21 am1
a22 a m 2
a 2 n amn nXm
Importante:
1) Si A a ij es una matriz de m x n,
AT
es una matriz de n x m.
2) Si A a ij
AT
A.
Suponga que
Entonces:
1)
2)
AB T
B T AT
T T
3) Si A y B son de m x n, entonces A B A B .
T
4) Si A es invertible, entonces
AT
es invertible y
T 1
A 1
2 3
A
1 4
2 3 1
B
1 4 6
1 2 6
2 3 4
C
0 1
2
2 1 5
159
2 1
AT
3 4
2 0 2
1
C T 2 3 1 1
6 4 2 5
AT .
a1
a
2
Sean a = y b =
a n
b1
b
2
2 vectores columna con n componentes.
bn
Ahora bien a es una matriz de n x 1, de manera que a T es una matriz de 1 x n, tal que:
a a1
T
a2
an
Entonces:
a T b = a1
a2
b1
b
a n 2 a1b1 a 2 b2 ... a n bn
bn
ab=a b
T
AT A
Es decir, las columnas de
aij a ji
A.
para TODO i y j.
1 0 0
I 0 1 0
0 0 1
1 2
A
2 3
1
2
C
4
1 4 2
B 4 7 5
2
5 0
2
7
3
5
4 6
3 5
8 0
0 4
- Matriz antisimtrica:
AT A
Es decir,
aij a ji .
Sean:
0 6
A
6 0
1 1
0
B 1 0
2
1 2 0
Tenemos:
161
0 6
AT
6 0
0 1 1
B T 1
0 2
1 2
0
AT A
B B .
T
Importante:
- Matriz compleja:
ij
i
3 i 4 i
A 5
5i 3 5i
i
i
3 6i
Recuerde:
[Matriz compleja]
A , se define como:
A A
162
Sea:
i
0
1 i
A
2 3 2i i
Entonces:
i
0
1 i
A
2 3 2i i
De modo que:
2
1 i
T
A A i
3 2i
0
i
- Propiedades de las matrices transpuestas conjugadas:
1)
2) A B A B
3)
kA k A
4)
AB B A
- Matriz hermitiana:
A A
- Ejemplo demostrativo: Una matriz hermitiana.
Sea:
163
i
1 i
1
A i 5 2 i
1 i 2 i
3
Entonces:
i 1 i
1
5 2 i
A i
1 i 2 i
3
De modo que:
1 i
i
1
A A i 5 2 i
1 i 2 i
3
T
La matriz
es hermitiana, ya que,
A A .
a es su conjugado complejo a .
ij
ji
i
1 i
1
A i 5 2 i
1 i 2 i
3
- Matriz ortogonal:
A 1 AT
Se denomina matriz ortogonal.
Se pueden distinguir, ya que
det A 1 .
164
Si
denomina inversa de
del mismo
es invertible y
se
A.
3 5
2 5
es una inversa de A
.
1 2
1 3
La matriz B
Puesto que:
2 5 3 5 1 0
AB
1 3 1 2 0 1
Definicin:
AB BA I
Entones B se llama la inversa de A y se denota por
A 1 . Entonces se tiene:
AA 1 A 1 A I
Si A tiene inversa se dice que A es invertible.
Una matriz cuadrada que NO es invertible se llama matriz singular.
- Teorema 1:
AB BA I
AC CA I
B AC BAC
165
Entonces:
B BI B AC BAC IC C
BC
La inversa de una matriz es nica.
- Teorema 2:
AB 1 B 1 A 1
ABC 1 C 1 B 1 A 1
- Teorema 3:
La inversa de la matriz identidad, es la matriz identidad.
I I 1
I 1 I I
- Ejemplo demostrativo 1: Clculo de la inversa de una matriz de 2 x 2.
Sea:
2 3
A
4 5
Calcule
A 1 , si EXISTE.
AA1 A1 A I
A 1
Suponemos que
EXISTE y sabemos que tiene el mismo tamao (orden) que A ,
pero NO conocemos ninguno de sus componentes. Entonces:
166
x y
A 1
z w
Solucin:
AA1 I
2 3 x y 1 0
4 5 z w 0 1
2 y 3w 1 0
2 x 3z
4 x 5 z 4 y 5w 0 1
Igualando componentes:
2 x 3z 1
4 x 5z 0
2 y 3w 0
4 y 5w 1
2 3 1
4 5 0
2 3 0
4 5 1
A 1
x, y, z
w.
es invertible.
Como ya vimos
es nica, entonces si
ecuaciones lineales sern inconsistentes.
2 3 1
4 5 0
167
4 5 0
2 3 1
1 5
0
4
2 3 1
1 5
0
4
1
0
1
1 5
0
4
1
2
0
los sumamos a R1 .
1 0 5
2
0 1 2
Ahora conocemos los valores de 2 componentes de
x 5
A 1
( x y z ).
z 2
Resolvemos el sistema restante para hallar y y w .
2 3 0
4 5 1
4 5 1
2 3 0
1
1 5
4
4
0
2 3
1
1 5
4
4
0 12 12
168
1
1 5
4
4
1
1
0
los sumamos a R1 .
1 0 3
2
0 1 1
Los valores para y y w son:
y 3
w 1
Por lo tanto, la matriz inversa es:
3
5
2
A 1 2
1
2
- Ejemplo demostrativo 2: Una matriz de 2 x 2 que NO es invertible.
Sea:
2
1
A
2 4
Determine si A es invertible, si lo es calcule su inversa
A 1 .
Solucin:
Recurso:
AA1 A1 A I
Entonces:
2 x y 1 0
1
2 4 z w 0 1
169
y 2w 0
x 2z 1
2x 4z 0
2 y 4w 1
y 2w 0
x 2z 1
2x 4z 0
2 y 4w 1
0 1
Son inconsistentes (ninguna solucin).
Conclusin:
A 1
A 1 , NO
NO EXISTE.
NO es invertible.
Ax=b
Y suponga que A es invertible. Entonces:
A 1 A x = A1 b
x=
x=
Si A es invertible, el sistema
A1 b
A1 b
A1 b
170
Sea:
2 4 6
A 4 5 6
3 1 2
Calcule
A 1 , si EXISTE.
Solucin:
AI
A 1 A IA 1
I A 1
La notacin matricial describe el procedimiento:
I I
A1
171
2 4 6 1 0 0
4 5 6 0 1 0
3 1 2 0 0 1
4 5 6 0 1 0
2 4 6 1 0 0
3 1 2 0 0 1
3
1 5
0
4
2
6 1
2 4
3 1 2 0
0
4
0 0
0 1
3
1 5
0 1
0
4
2
4
3
1 1 0
0 3 2
2
11 13
3
0
1
0
4
2
4
3
1
1 5
0
0
4
2
4
2
1
1
2
0
0
3
3
11 13
0
0
1
4
2
4
2
1 0 1 5
0
6
3
1
2
0
0 1 2
3
3
5
11
1
0 0 1
6
3
2
1 0 1 5
0
6
3
2
1
0
0 1 2
3
3
5
11
0
0
1
6
3
7
1 0 0 8
1
3
3
13
11
2
0 1 0
3
3
5
1
0 0 1 116
3
Por lo tanto:
172
7
8
1
3
3
11
2
A 1 13
3
3
11
6
3
Comprobamos el resultado:
AA1 A1 A I
16 14 6
1
A 1 26 22 12
6
11 10 6
2 4 6 16 14 6
6 0 0 1 0 0
1
1
AA 4 5 6 26 22 12 0 6 0 0 1 0
6
6
3 1 2 11 10 6
0 0 6 0 0 1
1
Sea:
1 3 4
A 2 5 7
0 1 1
Solucin:
In .
173
1 3 4 1 0 0
2 5 7 0 1 0
0 1 1 0 0 1
2 5 7 0 1 0
1 3 4 1 0 0
0 1 1 0 0 1
7
1 5
0
2
2
4 1
1 3
0 1
1 0
0
2
0 0
0 1
7
1 5
0
0 1
2
2
2
0 1 2 1 2 1 1 2 0
1 0
0 1
0 1
7
1 5
0
2
2
1
1 2
0
0 1
1
0
0
2
1 0
0 1
1 0 1 5 3 0
0 1 1 2 1 0
0 0 0 2 1 1
Tenemos un rengln de CEROS. La matriz A NO puede reducirse a la matriz
identidad.
Por lo tanto, A NO es invertible ( A 1 NO EXISTE).
1 1
174
cA1 1 A 1
c
AB 1 B 1 A 1
4) Si A es una matriz invertible, entonces AT es invertible y:
T 1
A 1
n 1
A 1
Sea:
a
a
A 11 12
a21 a22 2 x 2
Su determinante es:
det A
a11
a12
a21 a22
a11a22 a21a12
175
a11 a12
A
a21 a22
Importante:
a11a 22 a 21a12 0
Es decir, un sistema de ecuaciones lineales n x n, con matriz de coeficientes
A , tiene solucin nica si:
det A 0
[Solucin nica]
det A 0
[Nmero infinito de soluciones o ninguna solucin]
3) La matriz A es invertible si y slo si:
det A 0
El determinante de una matriz de orden n x n, se definir de manera
inductiva (de lo particular a lo general). Se usara lo que sabemos sobre un
determinante de 2 x 2, para definir un determinante de 3 x 3 y esto para definir uno
de 4 x 4, y as sucesivamente.
176
a11
A a 21
a31
a13
a 23
a33
a12
a 22
a32
det A A a11
a22
a23
a32
a33
a12
a21 a23
a31
a33
a13
a21 a22
a31
a32
a 22
a
32
Menor:
a23
a33
a 21
a
31
a21 a23
a
31 a33
M ij
a 22
a32
la matriz de (n 1) x (n 1)
M ij
se llama, menor ij de A .
A3 X 3
como:
* a11
a
A 21
a 31
a 41
a12
a13
a 22
a32
a 23
a33
a 42
a 43
a14
a 24
a34
a 44
El determinante de A es:
177
a22
a23
a24
A a11 a32
a33
a42
a43
a44
a12
a14
son negativos.
a ij det M ij
es:
Cofactor:
Cij 1
i j
C ij
es:
M ij
M ij det M ij
Observe que:
1i j
1
1
i j par
i j impar
A4 X 4
como sigue:
El determinante de A n x n es:
178
det A A a1 j C1 j
j 1
A3 X 3
A4 X 4 ).
A a ij , donde
como:
179
Sea
Sea:
1 3
0 1
A
2 1
3 2
1 5 2
1 3 2
5
3
9
4
2
4
6
1 3 5
det A 2 9 6 3 2 1 6 4 2 1 9
3 4 8
3 2 8
3 2 4
180
9
4
1
4
2
2 9 1 6
2 1
2 6
3
2
3
8
3 8
3 4 2 8
3 2
3 8
9
2 9
2 1
3
5
4
3 4
3 2
6
2 6
72 24 516 18 28 27
38 12 916 18 64 3
44 18 128 27 204 3
48 10 38 12 18 6 56 228 20
160
det A 160
Afortunadamente EXISTEN tcnicas para simplificar los procedimientos. En
algunos casos ser sencillo hallar el determinante de una matriz.
det A 0
2) Si B se obtiene al intercambiar 2 renglones (columnas) de A , entonces
det B det A
181
det A 0
4) Si B se obtiene al multiplicar un rengln (columna) de A por un escalar k ,
entonces
det B k det A
Cuidado: Si lo que busca es
1
det B .
k
1
det B det A . Si busca det A
k
det A k det B
5) Si A , B y C son idnticas excepto que el i-simo rengln (j-sima columna)
de C sea la suma de los i-simos renglones (j-simas columnas) de A y B ,
entonces
det B det A
Adems, tenemos las siguientes operaciones matriciales con determinantes.
1) Si A es una matriz de n x n, entonces
detkA k n det A
2) Si A y B son matrices n x n, entonces
182
3) Si A es invertible, entonces
det A 1
1
det A
det A det AT
- Ejemplo demostrativo 2: Uso de las propiedades de los determinantes para
simplificar los clculos.
Sea:
1 3
0 1
A
2 1
3 2
Halle
5
3
9
4
2
4
6
det A .
1 3 5 2
0 1 3 4
det A A
2 1 9 6
3 2 4 8
5
3
9
4
2
4
6
8
1 3
5
0 1 3
0 5 1
0 7 11
2
4
2
2
183
1 3
5
2
0 1 3
4
0 0 16 18
0 0 32 26
1 3
5
2
0 1 3
4
0 0 16 18
0 0
0
10
det A 160
En efecto obtuvimos el resultado correcto haciendo menos clculos (Vea ejemplo
demostrativo 1).
Calcule
1
3 1
A
2 7
3 7
0
5
3
2
4
2
1
5
2
3
1 0 4
1 5 2
2 7 3 1
3 7 2 5
184
0
1
1 0
1 5
0
6
12
7 3 27
11 7 2 33
1
1
0
1
0
5
0
6
7
12 3 27
7 11 2 33
1
1
0
1
0
0
0
0
7
12 57 99
7 11 57
99
1
1
0
1
0
0
7
0
12 57 99
1
0
0
0
0
0
0
1
1
0
1
0
0
0
7
1
0
0
12 57 99
Sumamos R3 y R4 . (Propiedad 6)
(Vea NOTA)
Intercambiamos R4 y R3 , y multiplicamos el
determinante por 1.
(Propiedad 2)
det A 0
det A 0 , ya que
57 99
57 99 57 99 0
57
99
185
Calcule:
1
2
A 4
3
5
2
0
7
3 5
1 5
7
6
1 2 2 3
1 3
7 9
1 2
2 0
A4 7
3 5 7
1 5 6
3 9 4
3
0
2 2 3
0
0 0
1
0
Por lo tanto
det A 0
- Clculo del determinante de una matriz por permutaciones:
Sea:
3 4 2
A 7 5 3
4 8 6
186
Explicacin:
123
132
1 cambio de orden: 3 2.
213
231
1 cambio de orden: 2 1.
2 cambios de orden: 3 1 y 2 1.
312
2 cambios de orden: 3 1 y 3 2.
321
3 cambios de orden: 3 2, 3 1 y 2 1.
A a ij .
ji1 ji 2 ji 3
Para las i ternas diferentes.
187
Cada conjunto
a1 ji1 a2 ji 2 a3 ji 3
Y la suma de TODOS los productos diferentes usando el signo de la permutacin,
determina la secuencia del determinante.
A continuacin escribimos la secuencia del determinante, como sigue:
a11a22a33
a11a23 a32
a12 a21a33
a12 a23a31
a13 a21a32
a13 a22 a31
a ij
A a11a 22 a33 a12 a 23 a31 a13 a 21a32 a11a 23 a32 a12 a 21a33 a13 a 22 a31
A 35 6 4 34 27 8 3 38 47 6 254
A 90 48 112 72 168 40
A 30
Comprobaremos el resultado
A 30
3 4 2
A 7 5 3
4 8 6
188
3
3
1 5
7 5 3
1 5
7
7
7
7
5
A 3 4 2 7 3 4
2 7 0 13
7
7
30
6
4 8
4 8 6
0 36
7
7
3
1 5
7
7
7
5
A 13 0 1
13 0 1
13
30
0 36
0 0
7
7
1
7
5
13
210
7 13
210
30
det A 13
7
13
Importante:
Si A es invertible, entonces
det A 0 y
det A 1
1
det A
Demostracin:
189
det A 1
1
det A
- Teorema 2:
a i1 A j1 a i 2 A j 2 a in A jn
Note que si
det A
i j
i j
Cambiamos la notacin de C ij 1
i j
M ij a Aij 1
i j
M ij para evitar
i j , haciendo i 1 y j 3
Sea:
1 2 1
A 2 1 3
3 1 2
Para una matriz de 3 x 3 la suma es:
ai1 A j1 ai 2 A j 2 ai 3 A j 3
Haciendo
det A
0
i j
i j
i 1 y j 3 , nos queda:
i j
M ij
15 2 1 1 3 0
00
[Teorema demostrado]
190
A11
A
B 21
An1
A12 A1n
A22 A2 n
An 2 Ann nXn
i j
M ij ).
adjA , es la transpuesta de
A11
A
T
adjA B 12
A1n
B , es decir:
An1
An 2
Ann
A21
A22
A2 n
Sea
a
A 11
a 21
a12
a 22
Entonces:
A
adjA 11
A12
A21 a22
A22 a21
a12
a11
191
Sea:
2 4 3
A 0 1 1
3 5 7
Calcule
adjA
(adjunta de
A ).
Solucin:
A11
1 1
7 5 12
5 7
A21
A31
4 3
5 7
A12
A22
13
3
7
1 1
0 1
3
3 7
2 3
5
3 7
A32
2 3
2
0 1
A13 3
A23 2
A33 2
12 3 3
B 13 5
2
7 2
2
La matriz adjunta es:
12 13 7
adjA B 3 5
2
3 2
2
T
- Teorema 3:
192
0
0
det A
0
det A
0
AadjA 0
0
det A
0
0
0
0
0
0 det AI
det A
a n1
a12
a 22
an2
a1n A11
a 2 n A12
a nn A1n
An1
An 2
Ann
A21
A22
A2 n
Se tiene:
C ij (Rengln i de A ) (Columna j de A )
C ij ai1
As:
ai 2
A j1
A
j2
ain
A jn
C ij a i1 A j1 a i 2 A j 2 a in A jn
Y sabemos:
cij
det A
i j
i j
Note que si
A , es decir,
cij det A .
193
- Teorema 4:
AadjA det AI
Donde det A es un escalar.
A 1
adjA adjA
det A
A
Sea:
2 4 3
A 0 1 1
3 5 7
1
Determine si A es invertible y si lo es calcule A .
Solucin:
194
2 4 3
0 1 1
3 5 7
Multiplicamos R1 por 3.
(Propiedad 4)
Paso 2:
Multiplicamos R1 por 1 y lo sumamos
2
con R3 .
(Propiedad 6)
6 12 9
1
0 1 1
3
3 5 7
Paso 3:
6 12 9
1
0 1 1
3
0 1 5
2
Sumamos R2 con R3 .
(Propiedad 6)
Paso 4:
6 12 9
1
0 1 1
3
0 0 3
2
1
3
A 6 1 3
3
2
Nota: En el Paso 2 (Propiedad 6), es importante que el lector aprenda que el rengln
cRi
R j R j cRi .
2 4 3
A 0 1 1
3 5 7
195
2 3
3 7
2 4
3 5
14 9 10 12 5 2 3
12 13 7
ajdA 3 5
2
3 2
2
A 1
adjA adjA
det A
A
13
12 13 7 4
3
1
1
5
A 3 5
2 1
3
3
3 2
2 1 2
3
7
3
2
3
2
3
Comprobacin:
3 0 0 1 0 0
12 13 7 2 4 3
1
1
I A A 3 5
2 0 1 1 0 3 0 0 1 0
3
3
0 0 3 0 0 1
3 2
2 3 5 7
1
Observaciones:
1
x y
A
z w
196
i 3 i
A
i 5i
3.8 Solucin de un sistema de ecuaciones lineales a travs de la inversa.
A1 b
Resuelva el sistema:
2 x1 4 x 2 3x3 6
x 2 x3 4
3x1 5 x 2 7 x3 7
Recurso:
x=
A1 b
197
2 4 3
A 0 1 1
3 5 7
Emplearemos una matriz aumentada para hallar
I I
A 1 .
A1
2 4 3 1 0 0
0 1 1 0 1 0
3 5 7 0 0 1
Por medio de operaciones entre renglones llevaremos A I .
3 5 7 0 0 1
0 1 1 0 1 0
2 4 3 1 0 0
1 5
3
0 1
2 4
0 0
3
1 0 1
3 1 0
1
3
0
0
7
1 5
0 0 1
3
3
3
1 0 1
0
0 1
0 2
5
1 0 2
3
3
3
1
1 0 4 0 5
3
3
1
0
0 1 1 0
0 0 1 1 2
2
3
3
198
1 0 4 0 5
3
1
0 1 1 0
0 0 1 1 2
3
1
3
0
2
3
7
1 0 0 4 13
3
3
5
2
0 1 0 1
3
3
2
2
0 0 1 1
3
3
Por lo tanto:
A 1
13
5
2
3
3
7
3
2
3
2
3
Sabemos que:
x=
A1 b
Entonces:
13
x1 4
3
x 1 5
2
3
x3 1 2
3
7 6
3
2 4
3
2 7
3
Haciendo operaciones:
x1 25
x 8
2
x3 4
Igualando componentes, tenemos la solucin del sistema de ecuaciones lineales.
x1 25
x2 8
x3 4
199
A1 b
x=
b I
A 1b
Ax=b
Generando una matriz aumentada para el sistema, tenemos:
A
Sabemos que
AA 1 I , entonces:
AA1x A1b
Ix A1b
A 1b
Por lo tanto:
b I
A 1b
200
A 1 .
AA 1 I .
A 1
de n x n, tenemos:
AX=I
Donde X, es una matriz de n x n ( X =
A 1 ).
Generamos una matriz sper aumentada. Se llama as, puesto que, X es una matriz de
n x n, NO de n x 1.
A
Volvemos a ocupar
AA 1 I .
A 1 AX A 1 I
IX A 1
A 1
Por lo tanto
I I
A1
I .
A 1 . Note la
201
a13 x1 b1
a23 x2 b2
a33 x3 b3
a11 a12
a
21 a22
a31 a32
Ahora generamos las matrices especiales
b1
D1 b2
b3
a12
a 22
a32
a13
a 23
a33
a11 b1
D2 a21 b2
a31 b3
a13
a 23
a33
a11
D3 a 21
a31
Es decir,
b.
Dj
D j , como sigue:
a12
a 22
a32
b1
b2
b3
Si el determinante de A
lineales es:
det A 0
202
x1
D1
x2
D2
A
x3
D3
A
Sea el sistema:
x1 x2 x3 7
5 x3 4
2x1
3 x 2 x3 2
1 1 1
A 2 0 5
0 3 1
Obtendremos A det A aplicando propiedades de los determinantes.
1 1
2
1
5
1 1 1
0 2 7
0
1 1 1
20 1 7
0
1 1
20
0
2
1
1
7
19
203
7 1 1
D1 4 0 5
2 3 1
Hallaremos D1 , D2 y
Dj :
1 7 1
D2 2 4 5
0 2 1
1 1 7
D3 2 0 4
0 3 2
D2 2 5 2 4 14 14 10 24
D3 2 2 21 43 46 12 34
Por lo tanto las soluciones son:
x1
D1 123
A
19
x2
D2 24
A 19
x3
D3 34
A 19
204
ix 2 y 1 2i
4 x iy 1 3i
Solucin:
Primero hallaremos la matriz de coeficientes, que es este caso es una matriz compleja.
i 2
A
4 i
Hallamos det A A .
4 i
Recurso:
i 2 1
A 1 8 7
2
1 2i
D1
1 3i i
D1 i1 2i 21 3i i 2 2 6i 7i
i 1 2i
D2
4 1 3i
D2 i 1 3i 41 2i i 3 4 8i 7 7i
Por lo tanto:
D1 7i
i
A
7
Comprobacin en
D2 7 7i
1 i
A
7
ix 2 y 1 2i .
205
i i 21 i 1 2i
1 2 2i 1 2i
1 2i 1 2i
3.10 Aplicacin de matrices y determinantes.
- Teora de grficas:
Ambos grafos representan las conexiones existentes entre los puntos (vrtices) A, B, C
y D.
206
aij
De otro modo.
0
1
A
1
1 1 1
1 1 0
1 0 0
0 0 0
Importante:
207
a ij
Definimos una trayectoria en un grafo como una sucesin de lneas que nos
permiten viajar de un vrtice a otro de manera continua.
La longitud de un trayectoria es el nmero de lneas (aristas) que contiene,
adems haremos referencia a una trayectoria con K lneas como una K trayectoria.
En general una K trayectoria (o K cadena) atraviesa por n aristas (y por lo
tanto por n + 1 vrtices).
Para el grafo:
Tenemos:
1) V1 V3 V2 V1
V1V3V2V1
V3V1V4
208
Es de gran inters poder determinar la trayectoria ms corta (si la hay) que une
2 vrtices de un grafo o digrafo.
Podemos utilizar las potencias de una matriz de adyacencia de un grafo para
obtener informacin acerca de las trayectorias de diversas longitudes entre los vrtices
de un grafo.
0
1
A
1
1
1
1
1
1
0
0
0
1
0
0
Hallemos A 2 :
0
1
2
A
1
1
1
1
0
1
1
0
0
1 0
0 1
0 1
0 1
1
1
1
0
1
1
0
0
1 3
0 2
0 1
0 0
2
3
2
1
1
2
2
1
0
1
1
A
2
23
a2
b1
b
a n 2 a1b1 a 2 b2 a n bn
bn
a 21 a13 a 22 a 23 a 23 a33 a 24 a 43
a2k ak 3
es distinto de CERO.
209
A
2
23
a 21 a13 a 22 a 23 a 23 a 33 a 24 a 43
11 11 10 00
2
Lo que nos dice que EXISTEN, dos 2 trayectorias entre los vrtices 2 y 3, va V1 y
V2 (bucle).
Las trayectorias son:
@ k =1
V3 V1 V2 V2 V1 V3
V2V1V3 V3V1V2
@ k =2
V3 V2 V2 V2 V2 V3
V2V2V3 V3V2V2
Teorema:
210
i, j de A K
2
X
X
X
X
X
X
0
1
A 0
0
0
1 0 0 0
0 1 1 0
1 0 0 1
1 0 0 1
0 1 1 0
0
1
A 2 0
0
0
Notamos que
A
2
15
1 0 0 0 0
0 1 1 0 1
1 0 0 1 0
1 0 0 1 0
0 1 1 0 0
A2
51
1 0 0 0 1
0 1 1 0 0
1 0 0 1 1
1 0 0 1 1
0 1 1 0 0
0 1 1 0
3 0 0 2
0 2 2 0
0 2 2 0
2 0 0 2
211
0
1
A 3 0
0
0
Note que
V5 .
1 0 0 0 0
0 1 1 0 1
1 0 0 1 0
1 0 0 1 0
0 1 1 0 0
A
3
15
A3
51
1 0 0 0 0
0 1 1 0 1
1 0 0 1 0
1 0 0 1 0
0 1 1 0 0
1 0 0 0 0
0 1 1 0 3
1 0 0 1 0
1 0 0 1 0
0 1 1 0 2
3 0 0 2
0 5 5 0
5 0 0 4
5 0 0 4
0 4 4 0
a15 .
Recurso:
a b = a1
b1
b
a 2 a n 2 a1b1 a 2 b2 a n bn
bn
A 3 15 a11 a15 a12 a 25 a13 a35 a14 a 45 a15 a55
0 0 12 0 0 0 0 0 2
2
Como
a1k ak 5 0 , para k 2 .
V1 V2 V3 V5
V1 V2 V4 V5
En general los grafos indican las lneas de comunicacin (o enlace) entre los
elementos (terminales) de una red. Cuando la comunicacin es bidireccional.
En la REALIDAD se requiere alguna veces que la comunicacin ocurra de un
punto a otro, pero, NO en sentido contrario (comunicacin sin retorno o unidireccional).
As las lneas de comunicacin entre las terminales (vrtices) de una red sern lneas
dirigidas.
212
0
0
A
0
1
0
1
1
0
0
0
0
1
1
1
0
1
A 0
1
0
1 1 0 1
0 0 1 0
1 0 0 0
0 1 0 1
1 1 1 0
Solucin:
A
K
42 .
213
A 2 0
1
0
A
2
42
1
0
1
0
1
1
0
0
1
1
0
1
0
0
1
1 0
0 1
0 0
1 1
0 0
1
0
1
0
1
1
0
0
1
1
0
1
0
0
1
1
0
0
1
0
1
0
1 0 1 0 1 1 a 41 a12 a 42 a 22 a 43 a32 a 44 a 42 a 45 a52
0
1
A
2
42
11 0 0 11 0 0 11
3
Como
a4 k ak 2 0 , para k 1 , k 3 y k 5 .
214
Recuerde:
La matriz de adyacencia de un digrafo es simtrica si y slo si, TODAS las lneas de
comunicacin fluyen en ambos sentidos. Entonces el digrafo se puede representar como
un grafo.
a b
. Graficamos en el plano xy los puntos (a, c) y (b, d) y trazamos
c d
Sea A
segmentos de recta de (0, 0) a cada punto. Se supone que estas 2 rectas NO son
colineales. Esto es lo mismo que suponer que (b, d) NO es un mltiplo de (a, c). As
garantizamos det A 0 .
El rea generada por A se define como el rea del paralelogramo con 3 vrtices en
0,0 , a, c y b, d .
215
a2 c2 .
pendiente y mx b .
y y1 mx x1
c
x b
a
c
bc
y x d
a
a
c
ad bc
y x
a
a
det A
c
y x
a
a
yd
216
m1 m2 1
La ecuacin es:
a
x
c
a
c
det A
x x
c
a
a
a c det A
x
a
c a
a 2 c 2 det A
x
a
ac
c det A
x 2
a c2
c det A
x 2
a c2
Entonces:
y
y
a
x
c
a c det A
c a2 c2
a det A
a2 c2
217
c det A a det A
, 2
2
2
2 .
a c a c
El punto de interseccin es Q
c det A a det A
2
OQ 2
2
2
c
a
c
c 2 det A
OQ
2 2
a 2 det A
c2
c2 a2
OQ det A
2
a 2 c 2
2
a2 c2
OQ det A
OQ det A
OQ
c2
1
a2 c2
det A
a2 c2
OQ OA
det A
2
2
a c
A=
En efecto, A =
det A
a2 c2
det A
a1 , a2 , a3 , a4
podan
Rn .
n
- Forma punto vector en R :
n
Una n-ada ordenada a1 , a 2 ,, a n se puede considerar un punto general en R o
n
un vector general definido en n dimensiones (vector en R ), donde a1 , a 2 , , a n son
n
las componentes del vector general en R , en cada uno de los n ejes dimensionales.
r = ai + bj
219
3
Del mismo modo un vector en R , v = <a, b, c> puede expresarse como la
combinacin lineal
v = ai + bj + ck
Donde i, j y k son 3 vectores unitarios ortogonales (vectores de la base normal i, j y
k).
As como denominamos R 2 y R 3 al conjunto de TODOS los pares ordenados y
ternas ordenadas (respectivamente) de nmeros reales.
Denominaremos V 2 al conjunto de vectores con componentes definidos en 2
dimensiones R 2 de la forma general r = <a, b>, que se pueden expresar como una
combinacin lineal de 2 nmeros reales y 2 vectores de 2 dimensiones R 2 tales que,
r = ai + bj, donde el par ordenado (a, b) es el punto final de un vector de posicin r =
<a, b>; e i y j son los vectores de la base normal i y j.
Caso anlogo para V 3 cuyo conjunto de vectores puede representarse como una
combinacin lineal de 3 nmeros reales (escalares) y 3 vectores unitarios ortogonales
entre s, tales que, cualquier vector de V 3 se puede representar como:
v = ai + bj + ck
Entonces podemos decir que V 2 y V 3 son espacios vectoriales, puesto que, TODOS
sus vectores cumplen la ley de composicin interna para la suma y multiplicacin
por un escalar.
Importante:
Cuando el conjunto de vectores V n se expresa como una combinacin lineal de n-adas
y los vectores de la base normal i, j y k, se dice que V n es un espacio vectorial
euclidiano.
Si los vectores de V n tienen componentes sobre un conjunto cualquiera de
n
vectores definidos en R , se dice que V n es un espacio vectorial general o
simplemente espacio vectorial.
n
- Igualdad de 2 vectores en R :
n
Sean 2 vectores u = u1 , u 2 , , u n y v = v1 , v2 ,, vn en R , se denominan iguales
si
u1 v1 , u 2 v2 , , un vn
220
n
- Suma de vectores en R :
n
Sean 2 vectores u = u1 , u 2 , , u n y v = v1 , v2 ,, vn en R , tenemos:
u + v = u1 v1 , u 2 v2 ,, u n vn
n
- Multiplicacin de un vector por un escalar en R :
n
Sea u = u1 , u 2 , , u n un vector en R y k cualquier escalar, tenemos:
k u = ku1 , ku 2 ,, ku n
n
La diferencia de vectores en R se define por:
v u = v + (- u)
O en trminos de sus componentes:
v u = v1 u1 , v2 u 2 ,, vn u n
n
- Elemento neutro para vectores en R :
n
El elemento neutro vlido para vectores en R es la identidad aditiva.
u v = u1v1 u 2 v2 u n vn
Note que cuando n = 2 o 3, el producto interior euclidiano es el producto punto.
221
u = (u u)
1/ 2
u1 u 2 u n
Recuerde: a a = a2.
De manera semejante la distancia entre 2 puntos U u1 , u 2 ,, u n y V v1 , v 2 ,, v n
n
en R se define:
d(u, v) =u - v=
u1 v1 2 u 2 v2 2 u n vn 2
uv=0
Ya que, por la definicin de producto punto, tenemos:
u v = uv cos
Si 90 , cos 0 y u y v son ortogonales (perpendiculares).
- Ley de composicin interna:
Una operacin es vlida para los elementos de un conjunto, si tiene como resultado otro
elemento del mismo conjunto.
222
Nota: Cuando hablamos de un espacio vectorial real significa que los escalares que se
usan son nmeros reales. Entonces un espacio vectorial complejo usar
nmeros complejos.
- Axiomas de un espacio vectorial:
1) Si x V y y V , entonces x + y V (ley de composicin interna).
2) Para TODO x y y en V , (x + y) + z = x + (y + z) (ley asociativa de la suma de
vectores).
3) EXISTE un vector 0 V , tal que, para todo x V , x + 0 = 0 + x = x (identidad
aditiva).
4) Si x V , EXISTE un vector x V , tal que, x + (- x) = 0.
5) Si x y y estn en V , entonces x + y = y + x (ley conmutativa).
6) Si x V y k es un escalar, entonces k v V (ley de composicin interna).
7) Si x y y estn en V y k es un escalar, entonces k (x + y) = k x + k y (primera
ley distributiva).
8) Si x V y a y k son escalares, entonces ( a + k )x = a x + k x (segunda ley
distributiva).
9) Si x V y a y k son escalares, entonces a ( k x) = ( a k )x = a k x (ley
asociativa de la multiplicacin por escalares).
10) Para cada vector x V , 1x = x (identidad multiplicativa).
A continuacin analizaremos diversas colecciones (conjuntos) de objetos y
determinaremos si forman o NO un espacio vectorial.
n
- Ejemplo demostrativo 1: El espacio R .
x1
x2
n
Sea V R : xi R, i 1,2,, n .
x n
223
0
0
0=
x1
x
x = 2
x n
224
x + y x1 , y1 x2 , y 2 x1 , mx1 x2 , mx 2
x1 x2 , mx1 mx 2
x1 x2 , m x1 x2 V
Se cumple la ley de composicin interna para la suma de vectores.
Axioma 4):
x, y V .
Suponga
que
Entonces
x, y x, mx x, m x , de manera que
x, mx x, m x x x, mx x 0,0 0.
y mx
x, y V
y
y
El conjunto de puntos x, y , sobre una recta en R 2 que pasa por el origen, pueden ser
considerados vectores.
Es fcil observar que TODOS los puntos x, y sobre cualquier recta que pasa por el
origen, se puede expresar como un vector de posicin de la forma x y .
Maple:
plot([99999*x,2*x,x,.5*x,.3*x,0],x=-7..7,y=7..7,scaling=constrained,color=[red,green,blue,cyan,brown,yellow]);
225
Demostracin:
Suponga que los vectores x1 , y1 y x 2 , y 2 estn en V . Entonces x1 , y1 + x 2 , y 2 =
x1 x2 , y1 y 2 . Si el vector del lado derecho estuviera en V , se tendra
y1 y 2 2 x1 x 2 1 .
Pero, y1 2 x1 1 y y 2 2 x 2 1 de manera que y1 y 2 2 x1 x 2 2 , que es una
recta diferente a la que define a V .
Por lo tanto x1 x 2 , y1 y 2
si x1 , y1 y x 2 , y 2 estn en V .
226
Es fcil observarlo:
Entonces x1 , y1 , z1 + x 2 , y 2 , z 2 = x1 x 2 , y1 y 2 , z1 z 2 V , porque
se
Maple:
plot3d([(2/12)*x-(.3)*y],x=-1..5,y=3..3,axes=normal,color=[yellow],scaling=constrained,transparency
=0.3,grid=[2,2]);
Donde cada
ai
p x a n x n a n 1 x n 1 a1 x a0
q x = bn x bn 1 x n 1 b1 x b0 , entonces:
n
228
p x q x a n bn x n a n 1 bn 1 x n 1 a1 b1 x a0 b0
Es claro que la suma de 2 polinomios de grado menor o igual a n es otro polinomio de
grado menor o igual a n (ley de composicin interna).
Si se define al polinomio 0 = 0 x n 0 x n 1 0 x 0 , 0 Pn .
Por ltimo, sea p x a n x n a n 1 x n 1 a1 x a 0 .
Por lo tanto, Pn es un espacio vectorial.
- Ejemplo demostrativo 8: El espacio vectorial
M 34 .
Solucin:
V es el conjunto de vectores de 2 dimensiones, tales que, x, y representa a TODO
vector del espacio vectorial.
229
x1 , y1 x2 , y 2 x1 x2 , y1 y2 NO siempre esta en V .
230
yt
zt
231
Maple:
plot3d([[t,t,t],[-1+t,-1+t,-1+t],[-20+t,-20+t,-20+t]],t= -10 ..
10,s=-2..2,axes=normal,scaling=constrained);
10) El conjunto que consiste en un solo vector 0,0 bajo las operaciones usuales en R 2 .
Solucin:
232
0 t 1
0 2t
0 t 1
t 1
t0
t 1
x, y , z ,
233
p
r
V x : x a b 2 , a , b , q 0, s 0; x, a, b, p, q, r , s R
q
s
Sea x1 a1 b1 2 R y x 2 a 2 b2 2 R , x1 x 2 R . 0 = 0 0 2 0 y si
t
k , u 0; k , t , u R , tenemos kx1 k a1 b1 2 ka1 kb1 2 donde ka1 y kb1
u
son nmeros racionales y ka1 kb1 2 sigue siendo real.
Note que tanto la suma como la multiplicacin de nmeros racionales es un nmero
racional.
es un subespacio
234
Teorema 1:
Sea H x, y, z : x at , y bt , z ct; a, b, c, t R .
Entonces H consiste en los vectores en R 3 que estn sobre una recta en R 3 que pasa
por el origen y tiene vector normal n = <a, b, c>.
Sean x = at1 , bt1 , ct1 H y y = at 2 , bt 2 , ct 2 H
x + y = at1 t 2 , bt1 t 2 , ct1 t 2 H
H es un subespacio de R 3 .
236
Sea S x, y, z : ax by cz 0; a, b, c R .
As pertenecen a S el conjunto de puntos sobre el plano en R 3 , con vector normal n =
<a, b, c> y que pasa por P0 0,0,0 .
Entonces S es un espacio vectorial.
Adems S R 3 R 3 , puesto que las ternas ordenadas x, y, z de S estn en R 3 .
Por lo tanto, S es un subespacio de R 3 .
Las rectas y los planos en R 3 que pasan por el origen son los 2 nicos tipos de
subespacios propios de R 3 .
Maple:
plot3d([x,(1/6)*x-(5/6)*y,(-1/6)*x+(5/6)*y],x=-1.5..2,y=1.5..2,axes=normal,color=x*y*x,scaling=constrained,transparency=
0.4,grid=[2,2]);
Nota: TODOS los espacios vectoriales tienen un origen comn, puesto que, el vector
0 pertenece (necesariamente) a cualquier espacio vectorial o subespacio de un
espacio vectorial.
237
- Ejemplo demostrativo 6:
Teorema 2:
2x y z 0
x 2 y 3z 0
238
2 1 1 0
1 2 3 0
2 1 1 0
1 2 3 0
1 1 1 0
2
2
1
2
3
0
1 1 1 0
2
2
5
7
0
0
2
2
1 1 1 0
2
2
7
1
0
0
5
1 0 1 0
5
7
0
0 1
5
nr t
3 2 1
La variable libre es
tR
[1 variable libre]
z t.
x 1 t
5
y 7 t
5
z t
239
Es una recta en R 3 con vector paralelo v = < 1 , 7 ,1 > que pasa por el origen.
5
5
As, el conjunto de ternas ordenadas que la forman pueden considerarse vectores.
Por lo tanto, H 1 H 2 es un subespacio de R 3 .
2) V R , H x, y : x y; x, y R
2
Solucin:
4) V R 2 , H x, y : x 2 y 2 1; x, y R
Solucin:
Cuando una regin est en R 2 o R 3 , la interpretacin geomtrica de esta puede ser
muy til para determinar s los conjuntos de pares o ternas de nmeros reales, pueden
ser considerados vectores y la regin constituye un espacio vectorial (o subespacio).
Si H es un espacio vectorial los pares ordenados x, y en y dentro de la
circunferencia x 2 y 2 1 , con centro C 0,0 y radio r 1 , pueden considerarse
vectores.
H NO es un subespacio de V R 2 .
Note las diferencias entre subconjunto y subespacio.
240
De forma general podemos decir que los hiperplanos en R 4 que pasan por el origen,
son un tipo de subespacio propio de R 4 .
Escalar:
- Vector libre en R 2 :
241
- Vector de posicin en R 2 :
- Igualdad de vectores:
Sean a = < a1 , a 2 , a3 > y b =< b1 , b2 , b3 >, 2 vectores en R 3 . Se dice que a y b son iguales
si y slo si:
a1 b1
a 2 b2
a3 b3
Tambin se cumple a b y a = b.
Note que en conformidad con la definicin de vectores equivalentes, si a y b son
iguales pueden ser paralelos NO coincidentes.
Nota: 2 vectores iguales pueden producir 2 efectos fsicos diferentes.
- Vector unitario:
U a = a/ |a|
- Vectores de la base normal i, j , k:
Tambin llamados vectores bsicos cannicos, son los vectores unitarios denotados
por i, j y k, cuya direccin coincide con la direccin positiva de los ejes coordenados x,
y, z, respectivamente.
Es decir:
i = <1, 0, 0>
j = <0, 1, 0>
k =<0, 0, 1>
242
Importante:
TODOS los vectores en V 3 pueden expresarse como una combinacin lineal de los
vectores i, j, k.
Entienda V 3 como el conjunto de TODOS los vectores en R 3 donde las 3 dimensiones
son de longitud.
Si a R , a x es paralelo a x.
Si:
a =1
ax = x
a > 1
a x = a x > x
a < 1
a x = a x < x
a =0
ax = 0
- Geometra euclidiana:
c=ab
c, SIEMPRE apunta hacia el minuendo.
Note: a = c + b
- Una combinacin lineal en R 2 :
Los llamaremos a y b. Cualquier otro vector c (en R 2 ) puede escribirse como una
combinacin lineal de a y b.
Cualquier vector c expresado como una combinacin lineal de 2 vectores a y b.
x, y R .
- Combinacin lineal:
v = ai + bj + ck
v es una combinacin lineal de los 3 vectores i, j, k.
Definicin 1: Combinacin lineal.
a1v1 a 2 v 2 a n v n
Donde a1 , a 2 , , a n son escalares se llama combinacin lineal de v1 , v2 ,, vn .
- Ejemplo demostrativo 1: Una combinacin lineal en R 3 .
7
En R , 7 es una combinacin lineal de
7
3
1 5
2 y 3 , ya que,
4 1
1 5
7
7 2 2 3
7
4 1
1 9 3
1 1 5
2 3 6
3 2 8
1 0 4 0 1 2
As,
es una combinacin lineal de
y
.
1 9 3
1 1 5 2 3 6
v = a1v1 a 2 v 2 a n v n
As, el conjunto de vectores v1 , v2 ,, v n V es el conjunto generador de V .
- Ejemplo demostrativo 4: Conjunto de vectores que generan R 2 y R 3 .
v = a1 , a 2 = a1 i + a 2 j
As, los vectores i y j son un conjunto generador de R 2 .
246
a = a1 , a2 , a3 = a1 i + a 2 j + a3 k
Por lo tanto, los vectores i, j, k son un conjunto generador de R 3 .
- Ejemplo demostrativo 5: n + 1 vectores que generan a Pn .
a b
1 0 0 1 0 0
0 0
d
c
b
a
0 1
0 0 0 0 1 0
c d
Como
1 0 0 1 0 0 0 0
Los vectores
,
,
,
generan a M 22 (son el conjunto
0 0 0 0 1 0 0 1
generador de M 22 ).
genv1 , v2 ,, vk v : v a1v1 a2 v2 ak vk
genv1 , v 2 ,, v k
4 6
x
y
z
2 4
1 3
2
1 1
2
4
z
y
x
z
4
y
x
1 3
2
0 5 2
0 1
1 3
4
2
y z 0 1
4
5
x z
0
2
2
1 3
2
0 1
5
0
2
4
x z
2
y z
4
4
x z
2
y z
4
z
y lo sumamos con R1
2
respectivamente.
2
y R3 ,
248
3 x z
1 0
2
x z
0 1
5 x y 3 z
0 0
2
2
5 x 2 y 3z 0
Sobre este plano se encuentran y TODOS los vectores que se pueden escribir como una
combinacin lineal de v1 2,1,4 y v 2 4,1,6 .
Teorema 2:
Sean
vn 1 V .
Es decir,
1 2 5
1 2
Si , genera a R 2 , entonces , , , tambin genera a R 2 . Y as para
2 3 2
2 3
1 2 5 2
, , , siempre que los vectores agregados al conjunto generador
2 3 2 1
En este caso el espacio generado, tiene la forma de una regin slida en R 4 [encuentre
la relacin con una recta en R 2 o un plano en R 3 ].
Note que para que un conjunto generador en R 4 , pueda generar a R 4 , requiere de al
menos 4 vectores de 4 dimensiones.
249
Si genera a R 2 , puesto que, todos los vectores del conjunto generador pertenecen a R 2 .
Se requieren al menos 2 vectores diferentes de 2 dimensiones (no cero ni mltiplos
escalares) para generar a R 2 .
1 2 5
3) En R 2 : , ,
1 2 5
1 1 5
4) En R : 2, 2 , 2
3 3 3
3
1 1 5
1
1
5
gen 2, 2 , 2 v : v a1 2 a 2 2 a3 2
3
3
3
3 3 3
Consideramos fijo el punto en R 3 x, y, z y generamos un sistema de 3 ecuaciones con
3 incgnitas.
250
a1 a 2 5a3 x
2a1 2a 2 2a 3 y
3a1 3a 2 3a3 z
La matriz aumentada es:
1 1 5
x
x
3 R R
3
2
2
3 2 2 2
y
y
0 0 0 3 y z
z
2
1 1 5
2 2 2
3 3 3
El sistema slo tiene solucin nica para 3 y z 0 , que es un plano que pasa por el
2
origen y describe al subespacio de R 3 generado.
1 0 0
5) En R : 1, 1, 0
1 1 1
3
1 1 1
x
x
x
1 0 0
1 0 0
y 0 1 0 x y 0 1 0 x y
0 1 1 x z
0 0 1 y z
z
Se puede suponer que los vectores generan R 3 , puesto que son diferentes y se definen
en R 3 .
Nos cercioraremos con la matriz aumentada del sistema de ecuaciones generado a
partir de las combinaciones lineales.
251
2 3 1 7 x
1 2 1 5 z
1
0 1 1 3 y 2 3 1 7 x 0
1 2 1 5 z
0 1 1 3 y
0
5
z
1 2 1
1 2 1
0 1 1
3
y 0 1 1
0 1 1 3 x 2 z
0 0 0
2 1
5
z
1 1 3 x 2 z
1 1
3
y
5
z
3
y
0 x y 2 z
H gen1 1 2, 1 1 2, 0 0 1
v : v a1 1 1 2 a 2 1 1 2 a3 0 0 1
Como sabemos x, y, z H y H R 3 . Considerando x, y, z un punto fijo, tenemos:
a1 a 2 x
a1 a 2 y
2a1 2a 2 a3 z
La matriz aumentada es:
1 1 0
1 1 0
2
2 1
x
x
1 1 0
y 0 0 0 x y
2 2 1
z
z
252
1 0 1 2 4 1 2 5
12) En M 22 :
,
,
,
1 0 0 0 3 0 6 0
El conjunto NO puede generar a M 22 (conjunto de todas las matrices de 2 x 2), ya que,
la componente m22 es SIEMPRE CERO.
Ambos, propuesto EXAMEN.
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
13) En M 23 :
, 0 0 0 , 0 0 0 , 1 0 0 , 0 1 0 , 0 0 1
0
0
0
a b c
Sea v
cualquier matriz en M 23 , v se puede escribir como una
d e f
combinacin lineal del conjunto dado.
1 0 0
0 1 0 0 0 1
0 0 0 0 0 0
v a
b
c
d
0 0 0
0 0 0 0 0 0
1 0 0 0 1 0
0 0 0
f
0 0 1
Donde a, b, c, d , e, f R .
El conjunto SI genera a M 23 .
3v1 2v 2 v3 0
253
v1 , v 2 , v3 .
En los 2 casos se dice que los vectores del conjunto generador, son linealmente
dependientes.
la
ecuacin
Teorema 1:
2 vectores en un espacio vectorial son linealmente dependientes, si y slo si uno es
mltiplo escalar del otro (colineales).
Demostracin:
c
c
c
v1 2 v2 0, v1 2 v 2 , v 2 1 v1
c1
c1
c2
Es decir, v1 es un mltiplo escalar de v 2 . Si c1 0 , entonces c 2 0 y, por lo tanto,
v 2 0 0v1 .
254
6
2
3
1
Los vectores v1 y v 2 son linealmente dependientes, ya que, v 2 3v1 .
0
0
9
3
- Ejemplo demostrativo 2: 2 vectores linealmente independientes en R 3 .
1
Los vectores 2 y
4
escalar c , tal que:
2
5 son linealmente independientes; si NO lo fueran existira un
3
1
2
5 c 2 lo cual es IMPOSIBLE.
4
3
1 2 0
Determine si los vectores 2, 2, 1 son linealmente dependientes o
3 0 7
independientes.
0 0
2
1
0
2c 2c c 0
1
2
3
3c1 7c3 0
255
As, los vectores sern linealmente dependientes, si y slo si, el sistema tiene
soluciones NO triviales.
La matriz aumentada es:
2 0 0
1
2 2 1 0
3
0 7 0
Resolvemos por eliminacin gaussiana y pivoteo.
2 0 0
1
2 2 1 0
3
0 7 0
1 2 0 0
0 2 1 0
0 6 7 0
1 2
0 1
0 6
0 0
1 0
2
7 0
1 0 1 0
0 1 1 0
2
0 0 10 0
c3 0
c2 0
c1 0
256
1
3
11 0
La ecuacin c1 3 c 2 0 c3 6 0 , igualando componentes resulta en el
12 0
4
0
sistema homogneo.
c1 3c 2 11c3 0
3c1 6c3 0
4c 2 12c3
1
3
0
1
0
0
3
0
4
0
1
0
0
1 3 11 0
1 3 11 0
6 0 0 9 27 0 0 1 3 0
0 4 12 0
0 4 12 0
12 0
2 0
1 0 2 0
3 0
0 1 3 0
0 0
11
c1 2t
c2 3t
c3 t
Teorema 2:
257
Corolario:
Teorema 3:
Sea:
a11
a
A 21
a m1
a12 a1n
a 22 a2 n
a m 2 a mn
c n
x1 2 x 2 x3 2 x 4 0
3 x1 7 x 2 x3 4 x 4 0
258
1 2 1 2 0
1 2 1 2 0
1 0 9 6 0
3 7 1 4 0 0 1 4 2 0 0 1 4 2 0
x1 9 x3 6 x 4
x 2 4 x3 2 x 4
x3
x3
x4
x4
Escribiendo el lado derecho de la ecuacin como combinacin lineal, tenemos:
x1
9
6
x
4
2 x x 2
3
x3
1 4 0
0
1
x4
9 6
4 2
Entonces, y son soluciones la sistema homogneo.
1 0
0 1
Los vectores son linealmente independientes, porque NO son mltiplos escalares.
El conjunto de soluciones al sistema es un subespacio en R 4 , generado por los
vectores solucin linealmente independientes.
- Ejemplo demostrativo 7: 3 vectores en R 3 generan R 3 si su determinante es
diferente de CERO.
2 1 3
259
c1
c
Tambin x = 2 y b =
c n
0
0
.
4
4 2 5 0
2
1
0
2
1 0 0
5 0
0
1
1
2
0
2 0
1 0
2
1 0
1 0 1
1 1 4
1 0 2
En M 23 , sean A1
, A2
, A3
.
1 2 1
2 3 0
3 1 1
Determine si A1 , A2 y A3 son linealmente dependientes o independientes.
Suponga que c1 A1 c 2 A2 c3 A3 0 . En este caso 0 es la matriz CERO de 2 x 3.
Entonces:
0 0 0
1 0 2
1 1 4
1 0 1
0 0 0 c1 3 1 1 c 2 2 3 0 c3 1 2 1
c c c3
1 2
3c1 2c2 c3
c2
c1 3c2 2c3
2c1 4c2 c3
c1 c3
260
Solucin:
Si el conjunto es linealmente dependiente existen escalares c1 , c 2 , c3 , tales que:
1
0
1
c1 0 c 2 1 c3 1 0
1
1
0
Definimos A :
1 0 1
A 0 1 1
1 1 0
261
A 1 1 2
A 0
Solucin:
1 0
1 7
1 0
1 7
3 7 1 0
3
3
3
3
4 1 2 0 4 1
25
10
2
0 0
0
3
3
2
2
3
8
0
3 8 0
0 233 26 3 0
1 0
1 7
1 0 9
0
15
3
3
2
2
0
1
0 0 1
0
5
5
176
23
26
0 0
0
0
0
15
3
3
A
1
2 1 3
1 2 1 1
262
5 *
3
0 5 * 1 3
A 2 2 1 3 41 2
3
2 1 1
1 2 1
231 3 5 2 2 4 2 6 3 1 3 5 2 2
212 20 44 12 20 16 16 0
A 0
c1 1 x c 2 1 x c3 x 2 0
Haciendo operaciones:
c1 c1 x c 2 c 2 x c3 x 2 0
Arreglando trminos:
c1 c 2 c1 c 2 x c3 x 2 0
Consideramos x 0 y buscamos escalares c1 , c 2 , c3 diferentes de CERO, tales que
0
c3 x 2
c1 c 2 x 0
c1 c 2 0
263
c1 c 2 0
c1 c 2 0
A 1 1 0 0 0 2 0 0 0 1 0 0 0 1 0 0
0 0 1 0
0 0 1 0
0 0 1 0
0 0 1 0
0 6 3 1 1 2 1 0
Solucin:
1 1
1 0
1 1
0 1 0 0
c2
c3
c4
c1
0 6
3 1
1 2
1 0 0 0
c1 c 2 c3
3c c c
3
4
2
c1 c3 c 4 0 0
6c1 c 2 2c3 0 0
2
6 1
* 1
0
1
1
264
1 1 1 1 1 * 1 0 1
A 3 1 1 * 0 1 1 0 3 1
6 1 0
6
2 0
1 2 0
*0
1 7 6 2 6 1 18 14 8 17 5
A 0
265
- Base cannica:
En R n se define:
1
0
0
0
0
1
0
0
e1 0, e2 0, e3 1, , en 0
0
0
0
1
Los vectores ei son las columnas de una matriz identidad I 1 , e1 , e2 , , en es un
conjunto linealmente independiente, por lo tanto, constituye una base en R n .
Esta base especial se llama base cannica en R n .
1 0 0 1 0 0 0 0
,
,
,
generan a M 22 . Si
0 0 0 0 1 0 0 1
1 0
0 1
0 0
0 0 0 0
c1
c4
c2
c3
, entonces c1 c 2 c3 c 4 0 .
0 1 0 0
0 0
0 0
1 0
As, el conjunto de matrices de 2 x 2 es linealmente independiente y es claro que pueden
generar a TODAS las matrices de M 22 .
Las matrices forman una base para M 22 .
La base se llama base cannica para M 22 .
- Ejemplo demostrativo 2: Una base para un subespacio de R 3 .
V y : 2 x y 3 z 0; x, y, z R
z
Sabemos que el conjunto de vectores sobre un plano en R 3 que pasa por el origen es un
espacio vectorial.
x
Si x y z se escogen arbitrariamente y y V , los vectores de V tienen la forma:
z
266
x x 0
2 x 3 z 2 x 3 z
z 0 z
1
0
x 2 z 3
0
1
1 0
As, 2 y 3 generan a V . Los vectores son linealmente independientes, puesto que,
0 1
NO son mltiplos escalares.
c1 d1 v1 c 2 d 2 v2 cn d n vn
Teorema 2:
267
Observaciones:
Definicin 2: Dimensin.
Teorema 4:
268
Maple:
plot3d([(-2/9)*x-(1/3)*y],x=-6..19,y=6..10,axes=normal,color=x*y,scaling=constrained,transparency=.1,
grid=[2,2]);
gen v1 , v 2 , v3 = R 3
H R
269
Si dim H = 1, entonces H (de una dimensin) tiene una base que consiste en un vector v
= a, b, c . Sea x en H. Entonces x = t a, b, c t R [puesto que a, b, c genera a H].
Si x = x, y, z igualando componentes, tenemos x at , y bt y z ct que son las
ecuaciones paramtricas de una recta en R 3 que pasa por el origen con vector paralelo
v= a, b, c .
Ahora, si dim H = 2 y sea v 1 a1 , b1 , c1 y v 2 a 2 , b2 , c 2 una base para H [de 2
dimensiones]. Si x = x, y, z H , entonces existen nmeros reales s y t tales que
x= s v 1 + t v 2 o bien x, y, z sa1 , b1 , c1 t a 2 , b2 , c 2 .
x sa1 ta 2
y sb1 tb2
z sc1 tc2
Sea v 3 , , = v 1 X v 2 . Entonces v 3 v 1 = v 3 v 2 = 0.
Como x = x, y, z est en el mismo plano que v 1 y v 2 .
v3 x = 0
, , x, y, z = 0
x y z sa1 ta 2 sb1 tb2 sc1 tc 2
x y z a1 b1 c1 s a 2 b2 c2 t
x y z (v 3 v 1 ) s + (v 3 v 2 ) t = 0
x y z 0
As, si x = x, y, z H , entonces x y z 0 , lo que muestra que H es un plano
que pasa por el origen con vector normal v 3 .
Los nico subespacios propios de R 3 son los conjuntos de vectores que estn en
una recta o en un plano que pasa por el origen.
Teorema 5:
270
0 0 0 0 0 6 0 7
Solucin:
3 1 1 4 5 8 1 0 0 0
Solucin:
Como M 22 tiene una base (base cannica) consistente en 4 matrices, sabemos que
cualquier base para M 22 contiene a lo ms 4 matrices, cualesquiera 5 (o ms) matrices
en M 22 son linealmente dependientes.
Nota: Podemos decir que n m .
El conjunto de matrices NO es una base para M 22 .
10) H = x, y R 2 : x y 0; 1,1 3,3 .
Solucin:
Los vectores NO forman una base, puesto que, al ser mltiplos escalares son
linealmente dependientes.
12) Encuentre una base en R 3 para el conjunto de vectores en el plano
3x 2 y 6 z 0 .
Solucin:
x 0
x
y
0 y
1 x 1 y 1 x 1 y
3 2 3
2
x 0
1
2
0
y 1
1
3
Los vectores son linealmente independientes, puesto que, NO son mltiplos escalares.
1 0
Solucin:
x, y, z R
: x 3t , y 2t , z t se define en 1
Entones cualquier vector mltiplo escalar del vector paralelo v = 3,2,1 es una base
para el subespacio H de R 3 .
Slo MAESTROS, propuesto EXAMEN.
16) En R 4 sea H = x, y, z , w : ax by cz dw 0 , donde abcd 0 .
a) Demuestre que H es un subespacio de R 4 .
b) Encuentre una base para H.
c) Cunto vale dim H?
Solucin:
272
x 0
0 y
y
0 0
z
a
x b y c z a x b
d
d d d
d
1
0
x
0
a
d
0
0
y c z
d
0
0
1
0
y
z
0
1
b
c
d
d
1 0 0
0 1 0
,
,
, abcd 0 forman una base
TODOS los vectores de la forma
0 0 1
a b c
d d d
para H.
c) El subespacio H se define con una base de 3 vectores en R 4 .
As, dim H = 3.
18) En R 5 encuentre una base para el hiperplano.
H = x1 , x 2 , x3 , x 4 , x5 : 2 x1 3x 2 x3 4 x 4 x5 0
Si x1 , x 2 , x3 , x 4 varan libremente y x1 , x 2 , x3 , x 4 , x5 H , tenemos:
x1
x1 0 0 0
0 x 0 0
x2
0 0 x3 0
x3
x4
0 0 0 x4
2 x1 3x 2 x3 4 x 4 2 x1 3x 2 x3 4 x 4
1
0
0
0
0
1
0
0
x1 0 x 2 0 x3 1 x 4 0
0
0
0
1
2
3
1
4
273
1 0 0 0
0 1 0 0
As, los vectores 0, 0 , 1, 0 forman una base para el subespacio H de R 5 sobre
0 0 0 1
2 3 1 4
el hiperplano 2 x1 3 x 2 x3 4 x 4 x5 0 .
Un espacio vectorial complejo V se llama espacio con producto interno, si para cada
par ordenado de vectores u y v en V , existe un nmero complejo nico (u, v), llamado
producto interno de u y v, tal que si u, v y w estn en V y C , entonces.
1) (v, v) 0
2) (v, v) = 0 si y slo si v = 0
3) (u, v + w) = (u, v) + (u, w)
4) (u + v, w) = (u, w) + (v, w)
5) (u, v) = (v, u)
6) ( u, v) = (u, v)
7) (u, v) = (u, v)
Recuerde: La barra denota complejo conjugado.
En C n el producto interno (x, y) de x = x1 , x 2 , , x n y y = y1 , y 2 , , y n se define
(x, y) = x1 y 1 x 2 y 2 x n y n
274
Definicin 2:
3,i2,6i 32 i 6i 32 i 6i 6 6 0
Definicin 3: Conjunto ortonormal.
v , v 0
i
para
2) vi
i j.
vi , vi 1
Importante:
Para
i j.
275
2) vi vi vi 1
Si slo 1) se cumple, se dice que el conjunto es ortogonal.
Teorema 1: Cualquier conjunto finito de vectores ortogonales diferentes de CERO en
un espacio con producto interno es linealmente independiente.
Teorema 2: Cualquier conjunto finito linealmente independiente en un espacio con
producto interno se puede convertir en un conjunto ortonormal, mediante
el proceso de Gram Schmidt. En particular, cualquier espacio con
producto interno tiene una base ortonormal.
Sea H un subespacio del espacio con producto interno V con una base ortonormal
u1 , u 2 ,, u k . Si v V , entonces la proyeccin ortogonal de v sobre H denotada por
proy H v , est dada por:
proy H v v, u1 u1 v, u 2 u 2 v, u k u k
Para vectores reales, tenemos:
proy H v v u1 u1 v u 2 u 2 v u k u k
1
0
En R 2 se expresaron vectores en trminos de la base cannica i = , j = . En R n
0
1
se defini la base cannica e1 , e2 , , en . Estas bases se usan ampliamente porque es
sencillo trabajar con ellas, pero en ocasiones es mejor usar otra base.
Existe un nmero infinito de bases a escoger, ya que, en un espacio vectorial de
dimensin n cualesquiera n vectores linealmente independientes forman una base.
Aprenderemos a cambiar de una base a otra mediante el clculo de una matriz.
276
0
1
Sean u1 y u 2 . Entonces, B1 u1 ,u 2 es la base cannica en R 2 . Sean
1
0
1
1
v1 y v 2 . Como v1 y v 2 son linealmente independientes [NO son
3
2
mltiplos escalares], B2 v1 , v 2 es una segunda base en R 2 .
x
Sea x = 1 un vector en R 2 .
x2
x
1
0
x = 1 = x1 x 2 x1u1 x 2 u 2
0
1
x2
En este caso, x = x1
x 2 = x1 i + x 2 j.
Podemos escribir:
x1
x2
x B1
Que quiere decir que x est expresado como una combinacin lineal de los vectores de
la base B1 .
Como B2 es otra base en R 2 , existen escalares c1 y c 2 tales que:
x c1v1 c 2 v 2
c1
c 2
x B 2
277
Es decir,
u1 B 2
2
5
35
u 2 B 2
1
5
15
Entonces:
x = x1u1 x 2 u 2 x1 2 v1 3 v 2 x 2 1 v1 1 v 2
5
5
5
5
x = 2 x1 1 x 2 v1 3 x1 1 x 2 v 2
5
5
5
5
c1 2 5 x1 15 x 2 2 5
c 2 3 5 x1 15 x 2 3 5
x B 2
1 x
5 1
1 x 2
5
3
, entonces
4
Por ejemplo, si x B1
x B 2
2
5
3 5
1 3 2
5
5
1 4 13
5
5
Comprobacin:
2 v1 13 v 2 2 1 13 1 3 31 4 0 3u1 4u 2
0
1
5
5
5 3
5 2 4
2
La matriz A 5
3 5
1
5 se llama matriz de transicin de B a B .
1
2
1
5
x B 2 Ax B1
x = b1u1 b2 u 2 bn u n
x = c1v1 c 2 v 2 c n v n
b1
b
Donde bi y ci son nmeros reales y x B1 2 denota la representacin de x como
bn
una combinacin lineal de los vectores de la base B1 .
c1
c
De igual manera x B 2 2 denota la representacin de x como una combinacin
c n
lineal de los vectores de la base B2 .
Ahora como B2 es una base, cada u j en B1 se puede escribir como una combinacin
lineal de los vectores vi . As, existe un conjunto nico de escalares a1 j , a 2 j ,, a nj , para
j B2
a1 j
a
2j
a nj
Esto es,
a11
a
A 21
a n1
a12 a1n
a 22 a 2 n
a n 2 a nn
u1 B 2 u 2 B 2
u n B 2
279
Teorema 1:
x B1 C x B 2
x B1 CAx B1
280
0 1
2
1 2 6 8 0
2
1
0
2
1
0
0
1
0
0
0
1 3
C 0 1 1
2 0 2
3
0 1 0 0
0
1 0 0
1 3
0 1 0
1 1 0 1 0 0 1 1
0 6 2 2 0 1
0 2 0 0 1
3
0
1
0 0
1
3 0
1 0 3
1 1 0 1 0 0 1 1 0 1 0
0 0 8 2 6 1
6 2 2 0 1
3
3
1 0 0 1
0 3
1
3
0
8
4
4
1 1 0 1 0 0 1 0 1 1 1
4
4
8
3
1
3
1
1
0 1 1
0
0
1
4
4
8
4
4
8
AC
Por ejemplo, si x B1
3
2 6
1 2 2 1
8
2 6 1
1
2
4
281
x B 2
1
3 1
2 6
2 4
1 2 2 1 2 1 2 1
8
8
4
2 6 1 4
14 7
4
Comprobemos:
3
1
1
3
0 14 4 0 1
2 1 0 1 1 7 1 0 1 7 2
4
4
4 4 4
4
2
0
2 1
0 7 4
2
2
- Ejemplo demostrativo 2: Conversin de una base a otra en R 2 .
b1
2 5
3 2
Sean B1 y B2 2 bases en R 2 . Si x B1 , exprese x
b2
4 3
1 1
en trminos de los vectores de B2 .
Solucin:
El primer paso es expresar B1 como una combinacin lineal de los vectores de B2 . Es
decir, deben encontrarse constantes a11 , a 21 , a12 , a 22 , tales que
3
2
5
1 a11 4 a 21 3
2
2
5
1 a12 4 a 22 3
2a12 5a 22 2
4a11 3a 21 1
4a12 3a 22 1
Sistema 1:
1 5
2 5 3
2
4 3 1
4
3
3
3
1 5
2
2
2
1
0
13
5
3
1 0 7
1 5
13
2
2
5
1
0 1 5
0
13
13
282
Sistema 2:
1 5
1 5
2 5 2
1
1
2
2
4 3 1
1
3
0 13 5
4
1 5
1 0 1
1
26
2
5
5
1
0
0 1
13
13
1
14
26 10 10
1 b1 126 14b1 b2
b 10
10
10
b
b
2
26 1 2
x B 2 126
14
7
Por ejemplo, sea x = en base cannica.
4
7
Primero hallaremos .
4 B1
La matriz de transicin de B1 a la base cannica es:
3 2
1 1
Hallaremos su inversa:
1 2
3 2 1 0
3
1 1 0 1
1 1
1 2
3
0 1
1 2
1 0
3
3
5
0
0 1
3
1
1 0
0
3
1 3
0 1
5
5
1
0
3
1 1
3
1
2
5
5
1 3
5
5
283
2
5
3
5
7 1 1 2 7 1 15 3
4 5 1 3 4 5 5 1
B1
7
Ahora expresaremos como una combinacin lineal de los vectores de la base B2 .
4
1 3 4126
7 3
14
1
4 1 26 10 10 1 20
B1 B 2
26
B2
x1 B1
a1n
a12
a11
a
a
a
21
22
2n
, x 2 B1 , , x n B1
a nn
a n 2
a n1
Sea
a11
a
A 21
a n1
a12
a 22
an2
a1n
a 2 n
a nn
x
1 5 Escriba R 2 en trminos de la base dada.
y
2 3
2)
3 2
Solucin:
La matriz de transicin de B1 a la base cannica en R 2 es:
3
2
C
3 2
Recurso: A I I
A 1
1 3
3 1 0
2
2
3 2 0 1
3
2
1 3
2
0 1
1
3
1 3
0
2
2
0 5 2
0 1
3
1
2
1
3
1 0 2
0
5
5
2
2
0 1 3
5
5
5
y 3
3
2
2
y
x
y
5
5 B1
5 5
1 1
C
2 2
Recurso: A I I
A 1
1 1 1 0
1 1 1 0
1 1 1 0
2 2 0 1 2 2 0 1 0 4 2 1
1 1 1
1
0 1
2
1 0 1 1
0
2
4
1 0 1 1
1
4
2
4
1
1
2
4
As,
x 12 14 x 14 2 x y
y 1
2 14 y 14 2 x y B1
x
6 10 Escriba y R 3 en trminos de la base dada.
z
1 0 1
6) 0 0 1
0 1 1
Solucin:
La matriz de transicin de la base B1 a la base cannica en R 3 es:
1 0 1
C 0 0 1
0 1 1
Recurso: A I I
A 1
286
1 0 0 1 1 0
1 0 1 1 0 0
1 0 1 1 0 0
0 0 1 0 1 0 0 1 1 0 0 1 0 1 0 0 1 1
0 0 1 0 1 0
0 0 1 0 1 0
0 1 1 0 0 1
0 1 0
As,
x 1 1 0 x x y
y 0 1 1 y y z
z 0 1 0 z y B1
Solucin:
La matriz de transicin de la base B1 a la base cannica en R 3 es:
1 1 0
C 0 1 1
1 0 1
1 0 1 1 1 0
1 1 0 1 0 0
1 1 0 1 0 0
0 1 1 0 1 0 0 1 1 0 1 0 0 1 1 0 1 0
0 0 2 1 1 1
0 1 1 1 0 1
1 0 1 0 0 1
1 0 1 1
0 1 1 0
0 0 1 1
2
1
1
1
2
1 0 0 1
0
2
0 0 1 0 1
2
1
1
0
0
1
2
2
1
2
1 1
2
2
1
1
2
2
287
1
2
12
1
2
x 12
y 1
2
z 1
2
1
2
1 1
2
2
1
1
2
2
1 x
1 x 1 y 1 z
x yz
2 2
2
2
1 1 y 1 x 1 y 1 z 1 x y z
2
2
2
2
2
2
1
1 z 1 x 1 y 1 z
x y z
2
2
2
2
2
1 2
2
17) En R 2 suponga que x B1 , donde B1 . Escriba x en trminos de
1
1 3
0 5
la base B2 .
3 1
Solucin:
Primero expresaremos los vectores de B1 en trminos de los vectores de B2 .
Buscamos escalares a11 , a 21 , a12 , a 22 , tales que
5
0
1
1 a11 3 a 21 1
5
0
2
3 a12 3 a 22 1
5a 22 2
3a11 a 21 1
3a12 a 22 3
As,
2
17 2 1
15
1 3
2
5
5 0
x B 2 15
288
Es decir,
1
2
1 3
B1 0 B 2
3
2
7
3 a12 1 a 22 2
2a12 3a 22 7
a11 2a 21 5
a12 2a 22 3
Sistema 1:
1 3
1
1 3
2 3 2
1
2
2
1
2 5
0 12 4
1 2 5
1 3
1 0 11
1
2
0 1 8
0 1 8
Sistema 2:
7
1 3
7
1 3
2 3 7
2
2
2
2
1
13
1
2
3
0
1
2
3
2
2
7
1 3
1 0 23
2
2
13
0 1 13
0 1
289
8 13
11 23 4 67
1 45
8
13
x B 2
- Bases ortonormales:
si i j
2) ei ei 1
[Son perpendiculares]
[Son unitarios]
si i j
2) u i u i 1
Si slo 1) se cumple, se dice que el conjunto es ortogonal.
Recordemos algunos hechos bsicos del producto escalar.
Si u , v, w estn en R n y es un nmero real, entonces:
u v v u
u v w u w v w
u v w u v u w
u v u v
u v u v
290
Nota: v v 0 y v v 0 si y slo si v 0.
Un conjunto de vectores es ortonormal si cualquier par de ellos es ortogonal
y cada uno tiene longitud 1
c1 0 c 2 0 ci vi c k 0 ci vi
291
Antes de dar los pasos para esta construccin, se observa que un conjunto de vectores
linealmente independiente NO contiene al vector CERO.
Paso 1: Eleccin del primer vector unitario.
Sea
u1
v1
v1
Entonces
v v
u1 u1 1 21 1
v
1
u1 1
Sabemos que w u
u v
2
v
la proyeccin de u sobre v .
u v
v
v es
v 2 ' v 2 v 2 u1 u1
292
Entonces
v 2 'u1 v 2 u1 v 2 u1 u1 u1 v 2 u1 v2 u1 0
Sea
u2
v2
v2
k m
y que forman un
Sea
vk 1 vk 1 vk 1 u1 u1 vk 1 u 2 u 2 vk 1 u k u k
vk 1 u i v k 1 u i v k 1 u1 u1 u i
v k 1 u 2 u 2 u i v k 1 u i u i u i v k 1 u k u k u i
Pero u j u i 0 si i j y u i u i = 1.
Por lo tanto
vk 1 u i v k 1 u i v k 1 u i 0
293
Sea
u k 1
vk 1
vk 1
294
u1
v1
v1
u2
v 2 v 2 u1 u1
v 2 v 2 u1 u1
u3
v3 v3 u1 u1 v3 u 2 u 2
v3 v3 u1 u1 v3 u 2 u 2
S u1 , u 2 , , u k 1
k 1 m
Comprobacin:
u1 1
u1u 2 0
[Perpendiculares]
u2 1
- Ejemplo demostrativo 1:
Generaremos una base ortonormal partiendo de la base general dada.
Sea
S 5,43,2
Primero verificamos que los vectores del conjunto forman una base.
295
v1 5,4 5
,4
41
41
v1
41
u2
v 2 v 2 u1 u1
v 2 v 2 u1 u1
15
v 2 u1 3,2 5
8
23
,4
41
41
41
41
41
v 2 v 2 u1 u1 3,2 115
v 2 v 2 u1 u1
u2
5
1 115,92 115 , 92
,4
41
41 41
41
41
41
v 2 u1 u1 23
41
, 92
8 41, 10 41
41
8 41 10 41
2
164
41
2 41
41
v 2 v 2 u1 u1 4
, 5
41
41
v 2 v 2 u1 u1
4
, 5
,4
S 5
41
41
41
41
[Base ortonormal]
Comprobacin:
2
41
4
1
u1 5
41
41
41
[Unitarios]
2
41
5
1
u 2 4
41
41
41
4
20
u1u 2 5
,4
, 5
20
0
41
41
41
41
41
41
[Ortogonales]
296
- Ejemplo demostrativo 2:
S 2,1,3, 0,1,5, 0, 1 ,3
2
v1 2,1,3 2
, 1
, 3
14
14
14
v1
14
u2
v 2 v 2 u1 u1
v 2 v 2 u1 u1
1
v 2 u1 0,1,5 2
15
16
, 1
, 3
14
14
14
14
14
14
2
16 , 8 , 24
,1
, 3
7 7
7
14 14
14
14
v 2 u1 u1 16
v 2 v 2 u1 u1 0,1,5 16 , 8 , 24 16 , 1 ,11
7 7
7
7
7 7
16 7 17 117
2
v 2 v 2 u1 u1
v 2 v 2 u1 u1 16
, 1
,11
378
378
378
v 2 v 2 u1 u1
u3
v3 v3 u1 u1 v3 u 2 u 2
v3 v3 u1 u1 v3 u 2 u 2
14
, 1
14
, 3
378
u2
v3 u1 0, 1 ,3
2
17
1
9
14
2 14
14 2 14
297
17 2
17 , 17 , 51
, 1
,3
14
28
28
14
14
14
2 14
34 , 17 , 51
28
28
28
v3 u1 u1
v3 v3u1 u1 0, 1 ,3 34 , 17 , 51 34 , 31 , 33
2
28
28
28
28 28
28
1
33
, 1
,11
v3 u 2 0, 1 ,3 16
2
378
378
378
2 378
378
67
2 378
67 16
536
, 1
,11
, 67
, 737
378
756
756
378
378
378
2 378
, 67
, 737
1072
756
756
756
v3 u 2 u 2
v3 v3u1 u1 v3 u 2 u 2 34
v3 v3u1 u1 v3 u 2 u 2
u3
1
3267
54
v3 v3 u1 u1 v3u 2 u 2 11
, 55
, 11
3267
3267
3267
v3 v3 u1 u1 v3u 2 u 2
16
1
,3
, 1
,11
14 ,
14
378
378
378
14
S
55
11
11
,
,
3267
3267
3267
[Base ortonormal]
Comprobacin:
u1 1
u2 1
u3 1
u1u 2 0
[Unitarios]
u1u 3 0
[Ortogonales]
u 2 u 3 0
298
2
2
0
y
y
z 1 x 1 y 1 x 1 y
3 2 3
2
x 0
1
2
0
y 1
1
3
1 0
1 0
299
u1
1,0, 1
v1
2 2 ,0, 1
5
v1
5
5
2
u2
v 2 v 2 u1 u1
v 2 v 2 u1 u1
1
v 2 u1 0,1, 1 2 ,0, 1
3 5
5 3 5
v 2 u1 u1
1 2
,0, 1 2 ,0, 1
15
15
5
3 5 5
215 1 415
2
1
245
15
v 2 v 2 u1 u1 2
2 5 , 3 5 , 4 5
,15
,4
245
245
245 35
7
35
v 2 v 2 u1 u1
S 2 ,0, 1 2
,15
,4
5
245
245
245
5
[Base ortonormal]
[Unitarios]
u1u 2 0
[Ortogonales]
3 2 20 6 1 0
5
5
6 6
0
5
5
00
300
@ P2 2
,15
,4
245
245
245
215
6 4
0
3 2
245
245
245
00
14
14
14
301
Ejemplo
f (x)
f ( x) x 2
f ( x, y )
f ( x, y ) x 2 y 2
f ( x, y , z )
f ( x1 , x 2 , , x n )
Clase
Funcin de valor real de 1
variable real.
Funcin de valor real de 2
variables reales.
f ( x, y , z )
x y z
f ( x1 , x 2 , , x n )
2
x1 x 2 x n
2
Descripcin
Funcin de
R a R.
Funcin de
R2 a R .
Funcin de
R3 a R .
Funcin de
Rn a R .
302
Asocia un subconjunto de
R con un subconjunto de R .
z f ( x, y ) x 2 y 2
Asocia un subconjunto de R 2
con un subconjunto de R .
w f ( x, y , z ) x 2 y 2 z 2
Asocia un subconjunto de R 3
con un subconjunto de R .
- Funciones de R n a R m :
f : Rn Rm
En la tabla anterior m 1 para todos los ejemplos.
Para el caso especial donde m n , la transformacin f : R n R n se llama operador
sobre R n .
303
Para ilustrar una forma importante en la que pueden surgir las transformaciones,
suponga que f1 , f 2 , , f m son funciones de valores reales de n variables reales.
w1 f 1 x1 , x 2 , , x n
w2 f 2 x1 , x 2 , , x n
wm f m x1 , x 2 ,, x n
x1 , x 2 ,, x n en
Las ecuaciones
w1 x1 x 2
w2 3 x1 x 2
w3 x1 x 2
2
T x1 , x 2 w1 , w2 , w3 x1 x 2 ,3 x1 x 2 , x1 x 2
T 1,2 1,6,3
- Transformaciones lineales de R n a R m :
wm a m1 x1 a m 2 x 2 a mn x n
En notacin matricial:
w1 a11
w a
2 21
wm a m1
a12
a 22
am2
a1n x1
a 2 n x 2
a mn x n
Abreviando:
w = Ax
T A x Ax
O bien
x1
w1 2 3 1 5
w 4 1 2 1 x 2
x
2
w3 5 1 4
0 3
x4
Tambin se usa:
T 1,3,0,2 1,3,8
305
1)
T v Tv
2)
Ejercicios resueltos (8.1, Introduccin al lgebra lineal, Howard Anton, 2da ed.):
T v 2 4,1
306
Solucin:
Como sabemos este tipo de transformacin (transformacin lineal) se obtiene al
multiplicar por una matriz estndar, tal que,
1 a b 1
2 c d 1
4 a b 1
1 c d 0
a 4
c d 2
c 1
a 4, b 5, c 1, d 3
La frmula para una transformacin lineal bajo estas condiciones en forma matricial es:
w 4 5 x1
T x1 , x 2 1
w2 1 3 x 2
O bien:
T x1 , x 2 4 x1 5 x 2 , x1 3x 2
w2 1 3 3 14
T v 2 0,3,5
1 a
2 c
0 e
0 a
3 c
5 e
b
2
d
1
f
b
1
d
3
f
a 3b 0
2c d 2
2e f 0
c 3d 3
e3f 5
Reacomodamos y resolvemos:
2a b 1
a 3b 0
2
1
2
0
2
0
2e f 0
e3f 5
2c d 2
c 3d 3
1 1
3 0
1 1
7 1
2
1
2
0
2
0
1 1
1 1
7
2 0 6
7
0 1
7
1 0 3
7
0 1
7
1 2
3 3
1 2
7 4
1
2
1 4
7
2 0 18
7
0 1
7
1 0 9
7
0 1
7
2 1 0
1 3 5
1 1 0
2
5
1 3
1 1 0
2
7
5
0
2
1 1
0
2
1 10
0
7
1 0 5
7
0 1 10
7
7
5 10
T x1 , x 2 w2 1 9 4 1
7
x
5 10 2
w3
O bien:
T x1 , x 2 3 x1 1 x 2 , 9 x1 4 x 2 , 5 x1 10 x 2
7
7
7
7
7
7
308
Calculemos T 2,3 :
T 2,3 9 , 6 , 20
7
7
7
T v 2 3,0,1
T v3 1,5,1
b
e
h
c 1
f 1
i 1
3 a
0 d
1 g
b
e
h
c 1
f 1
i 0
1 a
5 d
1 g
b
e
h
c 1
f 0
i 0
ab 3
a 1
d e f 1
g hi 4
d e0
g h 1
d 5
g 1
a 1, b 4, c 1, d 5, e 5, f 1, g 1, h 0, i 3
La matriz estndar es:
1 4 1
5 5 1
1
0
3
O bien:
T x1 , x 2 , x3 x1 4 x 2 x3 ,5 x1 5 x 2 x3 , x1 3 x3
309
Calculemos T 2,4,1 :
T 2,4,1 15,9,1
T v 2 1,1
T v3 0,1
1
c
2
f
1
1 a b
1 d e
2
c
9
f
0
0 a b
1 d e
3
c
3
f
4
2a 9b 1
2 d 9e 1
3a 3b 4c 0
3d 3e 4 f 1
d 2e f 0
3d 3e 4 f 1
2 d 9e 1
1 2 1 1
3 3 4 0
2 9 0 1
1 2 1 0
3 3 4 1
2 9 0 1
1
1
1 2
0 3 1 3
0 5 2 3
1
1
1 2
0 1 1
1
3
0 5 2 3
1 0
1 2
0 3 1 1
0 5 2 1
1
0
1 2
0 1 1 1
3
3
0 5 2
1
310
2
1 0 5
3
3
0 1 1 1
3
3
1
0
0
3
3
2
1 0 5
3
3
0 1 13 13
8
1
0 0
1 0 0 14
0 1 0 3
0 0 1 8
1 0 5
1
3
0 1 13 1
0 0 13 8
1 0 5
1
3
0 1 13 1
1
24
0 0
1 0 0 41
0 1 0
9
0 0 1 24
O bien:
T x1 , x 2 , x3 41x1 9 x 2 24 x3 ,14 x1 3 x 2 8 x3
Calculemos T 7,13,7 :
T 7,13,7 2,3
311
w1 x
w2 y
1 0
0 1
312
w1 x
w2 y
1 0
0 1
w1 y
w2 x
0 1
1 0
w1 x
w2 y
w3 z
1 0 0
0 1 0
0 0 1
313
w1 x
w2 y
w3 z
1 0 0
0 1 0
0 0 1
w1 x
w2 y
w3 z
1 0 0
0 1 0
0 0 1
314
w1 kx
w2 ky
k 0
0 k
0 k 1
w1 kx
w2 ky
k 0
0 k
k 1
315
w1 kx
w2 ky
w3 kz
k 0 0
0 k 0
0 0 k
0 k 1
w1 kx
w2 ky
w3 kz
k 0 0
0 k 0
0 0 k
k 1
- Operadores proyeccin:
316
O en forma matricial:
w1 1 0 x
w 0 0 y
2
w1 x
w2 0
1 0
0 0
w1 0
w2 y
0 0
0 1
317
w1 x
w2 y
w3 0
1 0 0
0 1 0
0 0 0
w1 x
w2 0
w3 z
1 0 0
0 0 0
0 0 1
w1 0
w2 y
w3 z
0 0 0
0 1 0
0 0 1
318
- Operadores rotacin:
Un operador que hace girar TODO vector en R 2 hasta describir un ngulo fijo se
denomina operador rotacin sobre R 2 .
Considere el operador rotacin que hace girar en sentido contrario a las manecillas del
reloj (sentido positivo trigonomtrico) cada vector por un ngulo positivo fijo .
Para encontrar ecuaciones que relacionen x y w = T(x), sea el ngulo la abertura
desde el eje x positivo a x, y sea r la longitud comn de x y w.
x r cos
y rsen
w1 r cos
w2 rsen
w1 x cos ysen
w2 xsen y cos
T es un operador lineal, su matriz estndar es:
cos
sen
sen
cos
319
w1 x cos ysen
w2 xsen y cos
cos
sen
sen
cos
x
Si cada vector x = en R 2 se hace girar un ngulo (ngulo de rotacin)
y
6 30 , entonces la imagen w bajo esa transformacin es:
3
w cos 6 sen 6 x 2
w = 1
w2 sen 6 cos 6 y 1
2
1 x 3 x 1 y
2
2
2
3 y
1 x 3 y
2
2
2
[+ Tringulo 30]
1
Por ejemplo, la imagen del vector x = bajo esa transformacin es:
1
3
T 1,1 w = 2
1
2
3 1
1 1
2 2
3 1 1 3
2
2
Ejercicios resueltos (4.2, Introduccin al lgebra lineal, Howard Anton, 2da ed.):
w1 3x1 2 x 2 4 x3
w2 5 x1 8 x 2 x3
Solucin:
El dominio es TODOS los vectores de la forma x1 , x 2 , x3 ( R 3 ), el codominio (o
contradominio) es TODOS los vectores de la forma 3 x1 2 x 2 4 x3 ,5 x1 8 x 2 x3
( R 2 ).
320
w1 2 x1 x 2 x 2
b) w2 x1 3x1 x 2
w3 x1 x 2
b
d x1
f x 2
1
3
1 1
b) T x1 , x 2 , x3 , x 4 7 x1 2 x 2 x3 x 4 , x 2 x3 , x1
Solucin:
Tenemos una transformacin lineal T : R 4 R 3 .
321
x1
w1 7 2 1 1
x
T x1 , x 2 , x3 , x 4 w2 0 1 1 0 2
x
w3 1 0 0 0 3
x4
1 0 0 0
c) T x1 , x 2 , x3 0,0,0,0,0
Solucin:
Tenemos una transformacin CERO, T : R 3 R 5 .
w1 0
w 0
2
T x1 , x 2 , x3 w3 0
w4 0
w5 0
0 0
0 0 x1
0 0 x 2
0 0 x3
0 0
0
0
0
0
0
0
0
0
0
0
0
0
d) T x1 , x 2 , x3 , x 4 x 4 , x1 , x3 , x 2 , x1 x3
Solucin:
Tenemos una transformacin lineal T : R 4 R 5 .
w1 0
w 1
2
T x1 , x 2 , x3 , x 4 w3 0
w4 0
w5 1
1
x1
0
x2
0 1 0
x3
1 0 0
x4
0 1 0
0
0
0
0
322
0
1
0 0
0 0
0 1
1 0
0 1
1
0
0
0
0
b) Plano xz
c) Plano yz
1 0 0 2 2
a) T 2,5,3 0 1 0 5 5
0 0 1 3 3
1 0 0 2 2
b) T 2,5,3 0 1 0 5 5
0 0 1 3 3
1 0 0 2 2
c) T 2,5,3 0 1 0 5 5
0 0 1 3 3
323
b) Plano xz
c) Plano yz
1 0 0 2 2
a) T 2,1,3 0 1 0 1 1
0 0 0 3 0
1 0 0 2 2
b) T 2,1,3 0 0 0 1 0
0 0 1 3 3
0 0 0 2 0
c) T 2,1,3 0 1 0 1 1
0 0 1 3 3
b) 60
3
cos 30 sen30 3 2
a) T 3,4
sen30 cos 30 4 1
2
[tringulo 30]
c) 45
1 3 3 3 2
2
2
3 4
3 2 2 3
2
cos 60 sen 60 3 12
b) T 3,4
sen 60 cos 60 4 3
2
[tringulo 30]
1
cos 45 sen45 3 2
c) T 3,4
sen45 cos 45 4 1
2
d) 90
3 2 3
3 3
2
2
3 3
1 4
2 2
2
7
7 2
3
2
2 2
1 4 1 2
2
2
2
[tringulo 45]
324
cos 90 sen90 3 0 1 3 4
d) T 3,4
sen90 cos 90 4 1 0 4 3
La palabra kernel (ncleo) se deriva de la palabra del ingles antiguo cyrnel, una
forma de corn, que significa semilla o grano.
El kernel es el ncleo de una transformacin lineal, en el sentido que lleva
informacin acerca de muchas de las propiedades de la transformacin.
Observe que nuT en NO vaco porque, T (0) = 0 de manera que 0 nuT para cualquier
transformacin lineal T . Se tiene inters en encontrar otros vectores en V que se
transformen en 0.
De nuevo, observe que cuando escribimos
T (0) = 0
El cero de la izquierda esta en V y el de la derecha en W .
Teorema 1:
T y y 0 0
z 0
0
3
Entonces x y 0 .
As, nuT x, y, z : x y 0 eje z.
Y imT x, y, z : z 0; x, y R = plano xy.
Observe que dim nuT 1 y dim imT 2 .
x
x
w1 0 0 1
y
T y
w2 0 1 0
z
z
326
El ncleo de T es:
x
0
z
T y = 0 =
y
0
z
ker T x, y, z : z y 0 = eje x
dim ker T 1
La imagen es:
imT z , y : z , y R = plano yz
dim Im T 2
T
z w2 0 1 0 1 z
w
w
La matriz estndar es:
1 0 1 0
0 1 0 1
El ncleo de T es:
x
y
x z
0=
T
z y w
w
0
0
nuT x, y, z , w : x z , y w
La imagen de T es:
imT x z , y w; x, y, z , w R
327
sen x 1
3
2
cos y 3
3
2
3 x
2
1 y
sen
3
sen 1
3 2
cos
3
3 2
3
2
1
2
El ncleo es:
x 3y
x w
0
T 1 2 0
y w2 3 x y
0
2
nuT x, y : x 3 y, y 3 x
Como el conjunto anterior NO EXISTE, puesto que, sus condiciones NO pueden ser
simultneas, tenemos:
nuT x, y : x y 0
nuT {0}
La imagen de T es:
x 3 y 3 x
imT
,
2
2
y
: x, y R
328
x cos 2 sen 2 x 0 1 x 0
0
0 1 0 0 x
sen
cos
2
2
x 0
T x R describe el conjunto de vectores (puntos) sobre la recta x 0 .
0 x
Es claro que el conjunto de todas las transformaciones lineales bajo esta condicin es:
x 0 a x
T
; a, b, c R
0 b c 0
O bien:
w1 0
x w
T 1
0 w2
w2 kx
k R
Solucin:
x w1
0
T y w2 0 0
z w3
0
x 2 1 1 x 2 x y z
0
T y 2 1 1 y 2 x y z = 0 0
z 2 1 1 z 2 x y z
0
329
x w1 2 x y z
T y w2 2 x y z
z w3 2 x y z
T x, y, z 2 x y z ,2 x y z ,2 x y z
x
0
Solucin:
x
Buscamos una transformacin lineal que transforme vectores de la forma y R 3 en
z
w1
vectores w2 R 3 sobre el plano 2 x y z 0 .
w3
x 0
0 y
y 2 x y
1
x 0
2
0
y 1
1
1 0
As, 0 y 1 son una base para Im T dim imT 2 .
2 1
1
x 0
2
0
y 1
1
x, y R
As, el conjunto de TODOS los vectores generador por T ( imT ) tiene la forma:
x w1 x
T y w2 y
z w3 2 x
x w1 1 0 0 x x
T y w2 0 1 0 y y
z w3 2 1 0 z 2 x
O bien:
w1 x
T x , y , z x , y , 2 x y
w2 y
w3 2 x y
x
La condicin se cumple, puesto que, para TODO T y , z 2 x y .
z
Es decir, 2 x y z 0 .
El lector atento notar que ya estamos familiarizados con esta notacin, pero, haremos
algunas aclaraciones.
Si A es una matriz de m x n y T : R n R m est definida por T (x) = A x, T es una
transformacin lineal definida por la multiplicacin de x (x R n ) y una matriz.
Hemos llamado a A matriz estndar (o matriz de transformacin).
Ahora se ver que para TODA transformacin lineal de R n en R m existe una matriz A
de m x n, tal que
T (x) = A x
x Rn
As, para evaluar T (x) para cualquier x R n basta una multiplicacin de matrices.
Cualquier transformacin lineal entre espacios vectoriales de dimensin finita se
puede representar con una matriz.
Teorema 1:
[Representacin matricial]
0 0 0
Defina T : R 3 R 4 por
x y
x
y z
T y
2x y z
z
x y 2 z
332
w1 1 1 0
x
x
w2
0 1
1
y
T y
w3 2 1 1
z
z
2
w4 1 1
[Representacin matricial]
2 1 1
2
1 1
sen
cos
sen x
cos y
Teorema 2:
T x B 2 AT xB1
Nota: En este caso la matriz de transformacin AT NO puede llamarse matriz
estndar.
333
Observacin:
Si x V , x c1v1 c 2 v 2 c n v n , entonces
xB1
c1
c1
c
c
2
. Sea c 2 ,
c n
c n
d1
d
entonces AT c es un m vector que se denota d 2 . As,
d m
d1
d
T x B 2 2
d m
Es decir,
T x d1 w1 d 2 w2 d m wm
y x y
1 2
Calcule AT .
Solucin:
Ocuparemos TODO lo aprendido sobre cambio de base (espacios vectoriales) y lo
aplicaremos a transformaciones lineales.
La matriz de transicin de B1 a la base cannica en R 2 es:
1 3
A
1 2
Hallemos C A 1 .
0
1 0 2 3
1 3 1
1 3 1 0
1 3 1 0
1 2 0 1 0 1 1 1 0 1 1 1 0 1 1 1
2 3
C
1 1
As,
x 2 3 x 2 x 3 y
y 1 1 y x y
B1
Y tenemos,
5 x y
x y 2 3 x y 2 x 2 y 3x 3 y
x y 1 1 x y x y x y 2 x
B1
B1
5 x y 2ax 3ay bx by 2a b x 3a b y
2 x 2cx 3cy dx dy 2c d x 3c d y
2c d 2
3c d 0
2 1 5
3 1 1
5
1 1
2
2
3 1 1
5
1 1
2
2
17
1
0
2
2
5
1 1
2
2
0 1 17
1 0 6
0 1 17
2 1 2
3 1 0
1 1 1
2
3 1 0
1 1 1
2
1
3
0
2
1 1 1
2
0 1 6
1 0 2
0 1 6
2 6
335
1 3
Que es la matriz de transformacin de T respecto a la base B1 B2 .
1 2
Teorema 3:
AT A2 CA1
Ms adelante se ver que dada una transformacin de R n en R n
( T : R n R n ), con frecuencia es posible encontrar una base B tal que la matriz de
transformacin de T respecto a B es diagonal.
Hallemos AT :
2
1 1
x
x
T 1 1
y 2 3 y
336
1 1
AT 1 1
2 3
0
0
0
ker T {0}
Hallemos la imagen:
imT x y, x y,2 x 3 y ; x, y R
imT gen1 , 1
2 3
dim imT 2
Hallemos AT :
1 x
x 1 2
T y 2 4 2 y
z 3 6
3 z
AT 2 4 2
3 6
3
Hallemos nuT :
337
x x 2 y z
T y 2 x 4 y 2 z = 0 =
z 3 x 6 y 3z
0
0
0
3 6
3 0
x 2y z 0
Si x y y varan libremente y x, y, z R 3 :
x x x 0
y y 0 y
z x 2 y x 2 y
1
x 0
1
0
y 1
2
Entonces,
1 0
nuT gen0, 1
1 2
nuT x, y, z : x 2 y z 0; x, y, z R
Hallemos imT :
imT x 2 y z ,2 x 4 y 2 z ,3 x 6 y 3 z ; x, y, z R
R3
dim imT 1
338
12) T : R R ; T 2 x y ; B1 ; B2 1 2 2
y y
1 2
0 0 5
Hallemos AT .
Recurso:
1
AT A2 CA1
La matriz de transicin de B1 a S 2 es:
2 1
A1
1 2
La matriz de transicin de B2 a S 3 es:
1 0 0
A2 1 2 2
0 0 5
1 0 0 1 0 0
1 2 2 0 1 0
1 2 2 0 1 0
1 2 2 0 1 0 1 0 0 1 0 0 1 0
0 1 0 0
0 0 5 0 0 1
0 0 5 0 0 1
0 0
5 0 0 1
1 2 2 0 1 0
1 2 2
0 2
1
2 1 1 0 0 1
0 0
0 0
5 0 0 1
5
1 0 0
0 1 1
0 0 5
1
1
2
0
1 0 0
0 0
1 0 0 1 1
2
0 1
0 0 1
1
1
2
0
0
1
2
0
0
1
2
0
1 0
1 0
2
0 1
1 0 0
0
0 0 1 0
1
0 0 1
1
1
2
0
0
0
1 1
2
5
1
0
5
A2
1
2
0
0
0
1 1
2
5
1
0
5
339
x y 1 1
2 x y 2 1 x
y
y 0 1
1 1
C 2 1
0 1
Finalmente AT es:
1
AT 1
2
0
1
0
0 1 1
1
1 1 2 1 2 1 3
1 2 1
1 2 2
5 1 2
2
5
1
1
0
1
0
0
5
5
1
1
AT 14 11
1 5 210
5
5
imT B 2
1 1
gen14 11
5
10
1 2
5 5
340
x x1 , x 2 V 2
Donde
w1 x1 2
2
w2 x1 x 2 2
3
w3 x1 x 2
341
a m1 x1 a m 2 x 2 a mn x n wm
En notacin matricial:
a11
a
21
a m1
a12
a 22
am2
a1n x1 w1
a 2 n x 2 w2
a mn x n wm
Abreviando:
a11
a
21
a m1
a12
a 22
am2
a1n w1
a 2 n w2
a mn wm
a m1 x1 a m 2 x 2 a mn x n wm
5 1 4
0 8
Resolvamos el sistema:
1 5t
1 5t
3
3
1
1
1
2 3 1 1 5t
1
2
2
2
2
2
2
4 1 2 3 t 4
1
7
2 3t 0
4 1 11t
11 25t
3
5 1 4
8
4
8
5 1
0 13
2
2
2
1 5t
3
5
1
1 0
1
7
2
2
2
1 11t
4
0 1 4
1
0
7
7
7
11 25t
0 0 73
0 13
3
2
2
4
2
5
1 0
7
0 1 4
7
0 0
1
Comprobacin:
5t
7
1 11t
7
32 16t
7
5t
365 73t
1 0 0
7
511
1 11t
47 133t
0 1 0
7
73
64 32t
0 0 1 64 32t
73
73
x4 2
x3 0
3
73
73
73
365 732 365 146 511
x1
1
511
511
511
x2
343
A continuacin desarrollaremos
transformaciones lineales.
algunas
propiedades
bsicas
de
las
Teorema 1:
Teorema 2:
- Ejemplo demostrativo 1:
5
T 0 , T 1 y T 0 .
3
4
3
0
1
0
3
Calcule T 4 .
5
Solucin:
3
1
0
0
Se tiene 4 3 0 4 1 5 0 .
5
0
0
1
Entonces
3
1
0
0
T 4 3T 0 4T 1 5T 0
5
0
0
1
3
1 5 6 4 25 35
2
T 4 3 4 5
3
4 3 9 16 15 22
Teorema 3:
345
W y : 2 x y 3 z 0
Solucin:
z z
1
0
x 2 z 3
0
1
1 0
T 2 3 2 x 3 y
y 0 1 y y
346
x
z
Sea T : R R ; T y
y
z
3
ker T x
z : y z 0 = eje x
dim ker T 1
imT z
y : z , y R = plano yz
dim imT 2
347
Interpretacin geomtrica:
Maple:
plot3d([[t,0,0],[0,t,s]],t=-100..100,s=100..100,lightmodel=light2,axes=boxed,scaling=constrained,grid=[2,2],
transparency=.3);
348
Ax = x
El vector v 0 se llama eigenvector de A correspondiente al eigenvalor .
Nota: El adjetivo alemn eigen significa propio o caracterstico de.
Los eigenvalores tambin se llaman valores propios o valores caractersticos.
En este texto usaremos los 3 trminos.
- Interpretacin geomtrica de los eigenvectores:
Si A es una matriz de n x n, se denomina eigenvalor de A si EXISTE un
vector x 0 tal que:
349
Ax = x
o equivalentemente
I A x = 0
T (x) x
Los vectores x 0 se llaman eigenvectores (vectores propios o vectores
caractersticos) de T correspondientes al eigenvalor (valor propio o valor
caracterstico) .
Note que si A es la matriz estndar de c podemos escribir:
Ax = x
De donde se deduce:
1) Los eigenvalores de T son precisamente los eigenvalores de su matriz estndar
A.
2) x es un eigenvector de T correspondiente a si y slo si x es un eigenvector
de A correspondiente a .
Si es un eigenvalor de A y x es su eigenvector correspondiente, entonces A x =
x de modo que la multiplicacin de A transforma x en un mltiplo escalar de s
mismo.
En R 2 y R 3 , esto significa que la multiplicacin por A transforma cada
eigenvector x en un vector A x mltiplo escalar de si mismo.
350
Ax = x
Donde (lambda) es un escalar. Estos sistemas son realmente sistemas lineales
homogneos, ya que podemos escribir:
I A x = 0
- Ejemplo demostrativo 1: Un sistema lineal A x = x.
Sea el sistema:
x1 3 x 2 x1
4 x1 2 x 2 x 2
En forma matricial:
x1
1 3 x1
4 2 x x
2
2
[ A x = x]
Reacomodando trminos:
x 1 3 x
1
1
x 2 4 2 x 2 0
351
1 0 x1 1 3 x1 0
0 1 x 2 4 2 x 2 0
1 0 1 3 x1
0
0 1 4 2 x 2
1 3 x1
4 2 x 0
1 3
I A
4 2
El problema esencial es determinar los valores para los cuales el sistema lineal
NO tiene solucin trivial; ese valor de se llama valor caracterstico o eigenvalor
(valor propio) de A .
Si es un eigenvalor de A , entonces las soluciones NO triviales de
I A x = 0
Se denominan eigenvectores de A correspondientes al eigenvalor .
Como sabemos el sistema homogneo I A x = 0 tiene solucin NO trivial (nmero
infinito de soluciones) si y slo si:
det I A 0
[Ecuacin caracterstica]
1
4
3
0
2
[Ecuacin caracterstica]
2 3 2 12 0
2 3 10 0
[Polinomio caracterstico]
352
2 3 10 0
5 2 0
5
Por definicin
x
x = 1
x2
2
@ 2
3 3 x1 0
4 4 x 0
3 0 1 1 0 1 t
x2 t
tR
@ 5
1 3 x1 0
4 2 x 0
2
4 3 x1 0
4 3 x 0
353
3 0 4 3t 1 3 t
4
x2 t
tR
Ejercicios resueltos (2.3, Introduccin al lgebra lineal, Howard Anton, 2da ed.):
x1 2 x 2 x1
2 x1 x 2 x 2
Recurso: A x = x
x1
1 2 x1
2 1 x x
2
2
1 0 1 2 x1 0
2 1 x 0
0
1
1 2 x1 0
2 1 x 0
b)
2 x1 3 x 2 x1
4 x1 3 x 2 x 2
Recurso: A x = x
354
x1
2 3 x1
x
4 3 x
2
2
1 0 2 3 x1 0
0 1 4 3 x 2 0
2 3 x1 0
4 3 x 0
c)
3x1 x 2 x1
5 x1 3 x 2 x 2
Recurso: A x = x
1 x1
x1
3
5 3 x x
2
2
1 0 3
1 x1 0
0 1 5 3 x 2 0
3 1 x1 0
5
3 x 2 0
det I A 0
1
2
2
0
1
2 2 1 4 0
2 2 3 0
355
3 1 0
Los eigenvalores son:
@ 3
1 2 x1 0
2 1 x 0
2
2 2 x1 0
2 2 x 0
2 0 1 1 0 1 t
x2 t
tR
@ 1
1 2 x1 0
2 1 x 0
2
2 2 x1 0
2 2 x 0
356
2 0 1 1 0 1 t
x2 t
tR
b) Sea
2 3 x1 0
4 3 x 0
det I A 0
2
4
3
0
3
2 5 6 12 0
2 5 6 0
1 6 0
Los eigenvalores son:
@ 1
2 3 x1 0
4 3 x 0
2
3 3 x1 0
4 4 x 0
3 3 0
4 4 0
3 0 1 1 0 1 t
x2 t
tR
@ 6
2 3 x1 0
4 3 x 0
2
4 3 x1 0
4 3 x 0
3 0 1 3
0 1 3 t
4
x2 t
3 t
x= 4
t
tR
c) Sea
3 1 x1 0
5
3 x 2 0
det I A 0
3
5
1
0
3
2 9 5 0
2 4 0
2 4
2
0
2
2
0
2
Los eigenvalores son:
@ 2
3 1 x1 0
5
3 x 2 0
5 1 x1 0
5
1 x 2 0
1 0 1 1 0 1 1 t
5
5
359
x1 1 t
5
tR
@ 2
3 1 x1 0
5
3 x 2 0
1 1 x1 0
5
5 x 2 0
1 0 1 t
x2 t
tR
Importante (Resumen):
I A x = 0
tiene soluciones NO triviales (nmero infinito de soluciones).
3) La ecuacin
det I A 0
Teorema 1:
Teorema 2:
361
Esto es:
Los vectores propios correspondientes a valores propios distintos
son linealmente independientes.
1) Sea encuentra
p det I A 0
i I A x = 0
para cada valor propio i .
- Ejemplo demostrativo 1: Clculo de valores y vectores caractersticos de una
matriz 2 x 2.
4 2
Sea A
determinaremos los valores de tales que
3 3
Ax = x
x1
4 2 x1
3 3 x x
2
2
1 0 4 2 x1 0
0 1 3 3 x 2 0
4 2 x1 0
3 3 x 0
4
3
2
0
3
2 7 12 6 0
362
2 7 6 0
1 6 0
Los eigenvalores son:
@ 1
4 2 x1 0
3 3 x 0
2
3 2 x1 0
3 2 x 0
Resolviendo el sistema:
2 0 1 2
0 1 2 t
3
x2 t
tR
(@ t 3 ).
@ 6
4 2 x1 0
3 3 x 0
2
2 2 x1 0
3 3 x 0
363
Resolviendo el sistema:
1 0 1 t
x2 t
tR
1
Un espacio propio de A es E 6 gen
1
(@ t 1 ).
2
1
Hagamos v1 y v 2 observe que v1 y v 2 son linealmente independientes,
3
1
puesto que, NO son mltiplos escalares.
Sea
1 1 4
A 3 2 1
2 1 1
x3
2 1 1 x3
364
1 0 0 1 1 4 x1 0
0 1 0 3 2 1 x 2 0
0 0 1 2 1 1 x3 0
1
4 x1 0
1
3 2
1 x 2 0
2
1 1 x3 0
det I A 0
12 2 1 3 3 2 43 2 4 0
12 1 3 1 4 8 0
12 1 5 5 0
3 22 1 5 5 0
3 22 5 6 0
Como sabemos la ecuacin polinmica
(grad p 3 ).
@ 1
1
4 x1 0
1
3 2
1 x 2 0
2
1 1 x3 0
365
1 4 x1 0
0
3 1 1 x 0
2
2 1 2 x3 0
0
2 1 2 0
0
4 0
1 4 0
1
1 1
1 0
1
3
3
4
0 1
0 0
3
3
0
0
1
4 0
1 1 0
3
3
1
1
4 0
0
1
4 0
1 1 0
3
3
1
4 0
1
3
1
1 t
1 0 t
3
4t
0 1 4t
x 2 4t
x3 t
(@ t 1 ).
@ 2
1
4 x1 0
1
3 2
1 x 2 0
2
1 1 x3 0
366
3 1 4 x1 0
3 4 1 x 0
2
2 1 1 x3 0
2 1
2 1 1 0
1 1
0
3
3
1 0 0 5
0 5
1 0
3
0
3
5 0
5 0
3
R2 es mltiplo escalar de R3 .
0 5
1 1
0
3
3
5 0
1
0
0
1 0 t
1 0 1 0
3
1 0
0 1 t
0 1 1 0
x2 t
x3 t
Un espacio propio de A es E 2
gen 1
1
(@ t 1 ).
@ 3
1
4 x1 0
1
3 2
1 x 2 0
2
1 1 x3 0
1 4 x1 0
2
3 1
1 x 2 0
2 1 4 x3 0
367
2 1 4 0
R1 es mltiplo escalar de R3 .
1
2 1 4 0
2 1 4t
3 1 1 0 3 1 t
3
1 1 2t
2t
2
2
5
5t
0
1 t
2
2t
1 0 t
2
1 2t
0 1 2t
x3 t
x 2 2t
1
Un espacio propio de A es E3 gen2
1
(@ t 1 ).
Sea
2 1
A
4 2
Determinaremos valores de tales que
Ax = x
368
x1
2 1 x1
x
4 2 x
2
2
1 0 2 1 x1 0
0 1 4 2 x 2 0
1 x1 0
2
4
2 x 2 0
2
4
1
0
2
2 4 4 4 0
2 4 0
4 0
Los eigenvalores son:
@ 0
1 x1 0
2
4
2 x 2 0
2 1 x1 0
4 2 x 0
1 0 1 1
0 1 1 t
2
x2 t
(@ t 2 ).
@ 4
1 x1 0
2
4
2 x 2 0
2 1 x1 0
4 2 x 0
1 0 1 1
0 1 1 t
2
x2 t
(@ t 2 ).
370
Teorema 3:
Los valores propios de una matriz triangular son las componentes diagonales
la matriz.
Demostracin:
a11 a12 a1n
a11 a12
0 a
a 22
a2n
0
22
Si A
entonces I A
0 a nn
0
0
0
como el determinante de una matriz triangular es igual al
componentes de la diagonal.
a1n
a 2 n
y
a nn
producto de los
Sea
2 5 6
A 0 3 2
0 0 5
[Triangular superior]
Ax = x
2 5 6 x1
x1
0 3 2 x x
2
2
x3
0 0 5 x3
1 0 0 2 5 6 x1 0
0 1 0 0 3 2 x 2 0
0 0 1 0 0 5 x3 0
371
6 x1 0
2 5
0
3 2 x 2 0
0
5 x3 0
0
2
0
0
det I A 0
5
6
3 2 2 3 5 0
5
0
7 2
Solucin:
Buscamos valores de tales que
Ax = x
x1
12 7 x1
7 2 x x
2
2
1 0 12 7 x1 0
0 1 7 2 x 2 0
12 7 x1 0
7
2 x 2 0
12
7
7
0
2
372
2 10 24 49 0
2 10 25 0
5 5 0
52 0
El eigenvalor es:
@ 5
12 7 x1 0
7
2 x 2 0
7 7 x1 0
7 7 x 0
7 0 1 1 0 1 t
x2 t
(@ t 1 ).
373
2
2
x3
6 2 3 x3
1 0 0 7 2 4 x1 0
0 1 0 3 0 2 x 2 0
0 0 1 6 2 3 x3 0
4 x1 0
7 2
3
2 x 2 0
6 2 3 x3 0
det I A 0
7 2
3
6
4
2 0
2 3
7 3 4 2 3 3 12 4 6 6 0
7 2 3 4 2 3 9 12 46 6 0
7 2 3 4 2 3 3 24 24 0
7 1 4 6 6 24 24 0
7 1 4 30 30 0
7 1 4 30 1
2 3 28 30 0
2 3 2 0
1 2 0
374
@ 1
4 x1 0
7 2
3
2 x 2 0
6 2 3 x3 0
6 2 4 x1 0
3 1 2 x 0
2
6 2 4 x3 0
Haciendo x1 x , x 2 y y x3 z .
3x y 2 z 0
Si x y z pueden variar y x
z R 3 .
x x
y 3x 2 z
z z
1
0
x 3 z 2
1
0
1 0
Un espacio propio de A es E1 gen3 2 .
0 1
375
@ 2
4 x1 0
7 2
3
2 x 2 0
6 2 3 x3 0
5 2 4 x1 0
3 2 2 x 0
2
6 2 5 x3 0
3 2 2 0 3
4
2
2
2 0 0
0
5
5
6 2 5 0
2
5 0
6
0 2 5 15 0
1 2
4 0
1 0 1 0
5
5
1 0 t
1
0
1 0 0 1 1 0
2
2
0 1 12 t
2
1
0 0
0
0 0
0 5
5
x2 1 t
2
x3 t
2
Un espacio propio de A es E 2 gen1
2
(@ t 2 ).
376
Definicin 1: Diagonalizacin.
Teorema 1:
Pn1
P12
P22
Pn 2
P1n
P2 n
Pnn
1
0
D
0
0
AP 21
Pn1
P12
P22
Pn 2
P1n 1
P2 n 0
Pnn 0
0 1 P11
0 1 P21
n 1 Pn1
2 P12 n P1n
2 P22 n P2 n
2 Pn 2
n Pnn
a n1
a n 2 a nn Pn1
p1
P12 P1n
P22 P2 n
Pn 2 Pnn
p2
pn
378
P11
P
P 21
Pn1
P12
P22
Pn 2
P1n
P2 n
Pnn
Pero
Ap1 1 p1 , Ap 2 2 p 2 ,, Ap n n p n
De modo que
1 P11
P
AP 1 21
1 Pn1
2 P12 n P1n
2 P22 n P2 n
P12
P22
2 Pn 2
Pn 2
P11
P
21
n Pnn Pn1
P1n 1
P2 n 0
Pnn 0
0
0
PD
379
Sea
0 0 2
A 1 2 1
1 0 3
2
x3
1 0 3 x3
1 0 0 0 0 2 x1 0
0 1 0 1 2 1 x 2 0
0 0 1 1 0 3 x3 0
0
2 x1 0
1 2 1 x 0
2
1
0
3 x3 0
det I A 0
1 2
1
2
1 0
2 3 2 2 0
2 3 2 2
380
2 3 2 0
1 2 0
Los valores caractersticos de A son:
@ 1
0
2 x1 0
1 2 1 x 0
2
1
0
3 x3 0
0
2 x1 0
1
1 1 1 x 0
2
1 0 2 x3 0
R1 es mltiplo escalar de R3 .
2 0
1 0
1 1 1 0
1 1 1 0
1 1 1 0 1 0
2 0
1 0 2 0
1 1 1 0
1 0 2 0
1 0 2 0
1 0 2t
0 1 1 0
0 1 1 0
0 1 1 0
0 1 t
Las soluciones del sistema homogneo son:
x1 2t
x3 t
x2 t
(@ t 1 ).
@ 2
0
2 x1 0
1 2 1 x 0
2
1
0
3 x3 0
381
2 0 2 x1 0
1 0 1 x 0
2
1 0 1 x3 0
Haciendo x1 x , x 2 y y x3 z .
2x 2z 0
xz 0
Si x y y pueden variar y x
z R 3 .
x x
y y
z x
1
x 0
1
0
y 1
0
1 0
diagonaliza a A .
Hallaremos P 1 y comprobaremos P 1 AP D .
1 0 0 1 0 2
1 0 2 1 0 0
1 0 2 1 0 0
0 1 1 0 1 0 0 1 1 0 1 0 0 1 0 1 1 1
1 0 1 0 0 1
0 0 1 1 0 1
0 0 1 1 0 1
382
P 1
1 0 2
1 1 1
1 0 1
1 0 2 0 0 2 1 0 2
P AP D 1 1 1 1 2 1 0 1 1
1 0 1 1 0 3 1 0 1
1
2 0 4 1 0 2 2 0 0
2 2 2 0 1 1 0 2 0
1 0 1 1 0 1 0 0 1
Como sabemos A es una matriz triangular. Entonces sus valores propios son:
1
Encontremos
I A x = 0
x1
1 0 0 x1
1 2 0 x x
2
2
x3
3 5 2 x3
1 0 0 1 0 0 x1 0
0 1 0 1 2 0 x 2 0
0 0 1 3 5 2 x3 0
383
0
0 x1 0
1
1 2
0 x 2 0
3
5 2 x3 0
@ 1
0
0 x1 0
1
1 2
0 x 2 0
3
5 2 x3 0
0
0 x1 0
0
1 1 0 x 0
2
3 5 1 x3 0
1
1
1 5
3
1
0
1 5
1 0
3
3
8
0
0 0
3
1 0
3
1
0
1 t
1 0 1 0
1 0
8 1 0
8
3
1
1
1
0
0
0 1 8 t
0 1
8
8
x1 1 t
8
x2 1 t
8
x3 t
@ 2
0
0 x1 0
1
1 2
0 x 2 0
3
5 2 x3 0
384
0 0 x1 0
1
1 0 0 x 0
2
3 5 0 x3 0
3 5 0 0
x2 0
x3 t
0
Un espacio propio de A es E 2 gen0
1
(@ t 1 ).
AP P 1 APP 1 AP P 1 AIAP P 1 A 2 P
2
AP P 1 A k P
k
385
P 1 Ak P P 1 AP D k
k
A k PD k P 1
La ltima ecuacin expresa la k-sima potencia de A en trminos de la k-sima
potencia de D .
Pero calcular D k es fcil; por ejemplo si
d1
0
D
d1 k
0
k
D
0
d2
0
k
d2
0
0
dn
0
k
d n
Sea
0 0 2
A 1 2 1
1 0 3
386
2 0 0
Y que D P 1 AP 0 2 0 .
0 0 1
Recurso:
A k PD k P 1
A13 PD 13 P 1
13
1 0 2 2
0 1 1 0
1 0 1 0
0
213
0
0 1 0 2
0 1 1 1
113 1 0 1
0
0 1 0 2
1 0 2 8192
8192 0 1 1 1
0 1 1 0
1 0 1 0
0
1 1 0 1
2 1 0 2
0
8192
0
8192 1 1 1 1
8192
0
1 1 0 1
0
16382
8190
8191 8192
8191
8191
0
16383
Observacin: Con este mtodo todo el trabajo consiste en diagonalizar A . Una vez
hecho esto, se puede usar para calcular cualquier potencia de A .
Ejercicios resueltos (7.2, Introduccin al lgebra lineal, Howard Anton, 2da ed.):
6 1
Solucin:
Primero, encontraremos valores de tales que
Ax = x
387
x1
1 0 x1
6 1 x 2
2
1 0 1 0 x1 0
0 1 6 1 x 2 0
0 x1 0
1
6 1 x 0
2 1 0
2 1
1
0
1
1
Los eigenvalores son:
0
1
@ 1
0 x1 0
1
6 1 x 0
2
2 0 x1 0
6 0 x 0
388
0 0 1 0 0 1 0
x2 t
(@ t 1 ).
@ 1
0 x1 0
1
6 1 x 0
2
0 0 x1 0
6 2 x 0
Resolviendo el sistema:
2 0 1 1 0 1 1 t
3
3
x2 t
389
1
Un espacio propio de A es E1 gen
3
(@ t 3 ).
3 1
Hallemos P 1 :
1 1 0
1 0 1 0
3 1 0 1
3
3 1 0 1
1 0 1 0
1 0 1
1
0
3
1 3
1 1
1
0 1
3
3
3
0 13 1 13
0
1
1 0 1 0
3
1
0 1 3 1
1 0
P 1
3 1
Entonces
P 1 AP D
1 0 1 0 1 0 1 0 1 0 1 0
3 1 6 1 3 1 3 1 3 1 0 1
Solucin:
Como tenemos una matriz triangular los valores propios son:
390
2 0 2 x1
x1
0 3 0 x x
2
2
0 0 3 x3
x3
1 0 0 2 0 2 x1 0
0 1 0 0 3 0 x 2 0
0 0 1 0 0 3 x3 0
0
2 x1 0
2
0
0 x 2 0
3
0
0
3 x3 0
@ 2
0
2 x1 0
2
0
0 x 2 0
3
0
0
3 x3 0
2 x1 0
0 0
0 1 0 x 0
2
0 0 1 x3 0
Resolviendo el sistema:
2 0
0 0
0 0 1 0
0 1 0 0 0 1 0 0 0 1 0 0
0 0 1 0
0 0 1 0
0 0 1 0
x2 0
x3 0
x = 0
0
391
1
Un espacio propio de A es E 2 gen0
(@ t 1 ).
0
@ 3
0
2 x1 0
2
0
0 x 2 0
3
0
0
3 x3 0
1 0 2 x1 0
0 0 0 x 0
2
0 0 0 x3 0
Resolviendo el sistema:
0 2 0
Haciendo x1 x , x 2 y y x3 z .
x 2z 0
Si x y y pueden variar y x
z R 3 .
x
y
z
y
1 x
2
x= y
1 x
2
El espacio generado esta vez tiene 2 vectores como base (2 dimensiones).
x=
y
1 x
2
x 0
1
2
0
y 1
0
O bien
2 z
x = y
2
z 0
1
0
y 1
0
392
2 0
Hallemos P 1 .
1 0 0 1 0 2
1 2 0 1 0 0
1 2 0 1 0 0
0 0 1 0 1 0 0 1 0 0 0 1 0 1 0 0 0 1
0 0 1 0 1 0
0 0 1 0 1 0
0 1 0 0 0 1
1 0 2
0 0 1
0 1 0
Comprobacin:
1 2 0 1 0 2 1 0 0
0 0 1 0 0 1 0 1 0
0 1 0 0 1 0 0 0 1
Comprobemos:
P 1 AP D
1 0 2 2 0 2 1 2 0
0 0 1 0 3 0 0 0 1
0 1 0 0 0 3 0 1 0
2 0 4 1 2 0 2 0 0
0 0 3 0 0 1 0 3 0
0 3 0 0 1 0 0 0 3
393
1 0
A
1 2
Solucin:
Tenemos una matriz triangular. As los valores propios son:
2
Ax = x
x1
1 0 x1
1 2 x x
2
2
1 0 1 0 x1 0
0 1 1 2 x 2 0
0 x1 0
1
1
2 x 2 0
@ 1
0 x1 0
1
1
2 x 2 0
0 0 x1 0
1 1 x 0
Resolviendo el sistema:
1 0 1 t
x2 t
(@ t 1 ).
394
@ 2
0 x1 0
1
1
2 x 2 0
1 0 x1 0
1 0 x 0
Resolviendo el sistema:
0 0 1 0
x2 t
(@ t 1 ).
1 1
Hallemos P 1 .
1 0 1 0
1 1 0 1
1 1 0 1
1 1 0 1 1 0 1 0 0 1 1 1
1 1 0 1
1 0 1 0
0 1 1 1
0 1 1 1
1 0
P 1
1 1
Sabemos que:
1 0
D
0 2
395
Ahora usaremos A k PD k P 1 .
A10 PD10 P 1
1 0 110
A
1 1 0
10
0 1 0
210 1 1
0 1 0
1 0 1
A10
1 1 0 1024 1 1
0 1 0 1
0
1
A10
396
AT PDP T
P
T
T T
D T P T PDP T A
397
Paso 2:
Paso 3:
Sea
4 2 2
A 2 4 2
2 2 4
Ax = x
x1
4 2 2 x1
2 4 2 x x
2
2
2 2 4 x3
x3
1 0 0 4 2 2 x1 0
0 1 0 2 4 2 x 2 0
0 0 1 2 2 4 x3 0
2 x1 0
4 2
2 4 2 x 0
2
2
2 4 x3 0
det I A 0
4
2
2
2
2
4 2 0
2 4
398
4 42 4 2 2 4 4 24 2 4 0
42 8 16 4 44 2 4 0
42 8 12 44 2 8 0
4 6 2 42 4
4 6 2 8 2
2 10 24 8 0
2 10 16 0
2 8 0
Los valores caractersticos de A son:
@ 2
2 x1 0
4 2
2 4 2 x 0
2
2
2 4 x3 0
2 2 2 x1 0
2 2 2 x 0
2
2 2 2 x3 0
Resolviendo el sistema:
2 2 0 1 1 1 0
Haciendo x1 x , x 2 y y x3 z .
x yz 0
Si x y y pueden variar y x
z R 3 .
x x
y y
z x y
399
x
x = y
x y
Si y y z pueden variar y x
1
x 0
1
0
y 1
1
z R 3 .
y z
x = y
z
1
1
y 1 z 0
1
0
1 1
2 4 x3 0
2
4 2 2 x1 0
2 4 2 x 0
2
2 2 4 x3 0
2 4 2 0 2
4
2
0
0
3
3
0
2 2 4 0
2 2
4 0
0 3
3 0
1 1
1 1 1 0
1 1 1 0
2
2
2
2
2
3
3 0
1
1 0
1
0
0
0
1 t
1 0 t
2
t
0 1 t
x2 t
x3 t
400
(@ t 1 ).
1
v 2 0
1
1
v3 1
1
S 1 0
0 1
u1
u1
u2
v1
v1
1 0 1
2
2
1
2
v 2 v 2 u1 u1
v 2 v 2 u1 u1
v 2 u1 1 0 1 1
v2 u1 u1
1
2
2
1
2
v 2 v 2 u1 u1 1
0 1
2
v 2 v 2 u1 u1 1 0 1 1
6 6
0 1
0 1
2
401
u2
v 2 v 2 u1 u1 1
6
v 2 v 2 u1 u1
2
6
u3
v3 1 1 1 1
3
v3
3
1
3
2
P 1
2
1
1
3
1
3
1
3
1
6
6
2
6
402
Ejercicios resueltos (7.3, Introduccin al lgebra lineal, Howard Anton, 2da ed.):
2 9 Encontrar una matriz P que diagonalice ortogonalmente a A , y determinar
P 1 AP .
3 1
2) A
1 3
Solucin:
Buscamos valores de , tales que:
Ax = x
x1
3 1 x1
1 3 x x
2
2
1 0 3 1 x1 0
0 1 1 3 x 2 0
3 1 x1 0
1 3 x 0
32 1 0
2 6 9 1 0
2 6 8 0
2 4 0
Los valores caractersticos son:
@ 2
403
1 1 x1 0
1 1 x 0
Resolviendo el sistema:
1 0 1 1 0 1 t
x2 t
tR
1
Un eigenespacio de A es E 2
1
(@ t 1 ).
@ 4
1 1 x1 0
1 1 x 0
2
La matriz aumentada es:
1 1 0
1 1 0
Resolviendo el sistema:
1 0 1 t
x2 t
t
x=
t
tR
1
Un eigenespacio de A es E 4
1
(@ t 1 ).
1
v2
1
Tenemos:
1
2
u1
1
1
u2 2
1
2
2
1
2
1
Comprobaremos hallando P 1 AP .
Hallemos P 1 :
1
2
2
1
0
1
2 1 0
2
1
1
0 1
2
2
1
0
2
2 1
1 1
2
1
0 1
1
2 0 1
1
1
1 0
2
1
0
2
1
1
2
1 0 22
2 0 1
2
2
2
0
2 1
2
2
2
2
405
2
2
2
2
2
2
Comprobacin:
1
2
2
2
2
1 2
2
2
1
2 1 0
2 0 1
2
Hallemos P 1 AP .
2
2
2 3 1 1
2
2
2 1 3 1
2
2
2 2
1 2 2
2
1
1
2
2
1
2 2
2
1
2
1
2 0
P 1 AP D
0 4
Slo MAESTROS, propuesto EXAMEN.
6 2
4) A
2 3
Solucin:
Buscamos valores de , tales que:
Ax = x
x1
6 2 x1
2 3 x x
2
2
1 0 6 2 x1 0
0 1 2 3 x 2 0
2 x1 0
6
2
3 x 2 0
406
6
2
El polinomio caracterstico es:
2
0
3
6 3 4 0
2 9 18 4 0
2 9 14 0
2 7 0
Los valores caractersticos son:
@ 2
2 x1 0
6
2
3 x 2 0
4 2 x1 0
2 1 x 0
1 0 1 1
0 1 1 t
2
x2 t
tR
407
1
Un eigenespacio de A es E 2 2
1
(@ t 1 ).
@ 7
2 x1 0
6
2
3 x 2 0
1 2 x1 0
2 4 x 0
2
La matriz aumentada es:
1 2 0
2 4 0
Resolviendo el sistema:
2 0 1 2t
x2 t
t
2
Un eigenespacio de A es E 7
1
(@ t 1 ).
1 2
Q 2
1
1
Comprobaremos hallando Q 1 AQ .
Hallemos Q 1 :
408
1 0 1
1 0
1
1
1
1 2 1 0
0 5 1 1
2
1 2
1 0
1 0 1
1
2
2
2
1 1 0
2
5
0 1
4
5
1
5
1 0 2
1
5
1
2
0
1
5
5
2
Q 1 5
2 5
4
5
1
5
Comprobacin:
1 2 2 5
2
1 2 5
1
4 1 0
5
1 0 1
5
Hallemos Q 1 AQ .
2
5
2 5
4 6 2 1
4
2 5
5
2
1 2 3 1
1 14 5
8 1
5 2 2
7 1
1
5
2 0
Q 1 AQ D
0 7
409
a
y
c 2
ax 2 by 2 cxy x
c x
2
b y
Y
ax 2 by 2 cz 2 dxy exz fyz x
z d
2
e
2
2
b
e
2 x
f y
2
c z
f (x) = x T A x
Donde A es una matriz simtrica de n x n y x est en R n . Haremos referencia a A
como matriz asociada con f .
- Ejemplo demostrativo 1: Forma cuadrtica asociada a una matriz.
2 3
Cul es la forma cuadrtica con matriz asociada A
?
3 5
x
Si x = 1 , entonces
x2
2 3 x1
x 2
2 x1 3 x 2
3 5 x 2
f (x) = x T A x = x1
x
3 x1 5 x 2 1
x2
2 x1 3 x1 x 2 3 x1 x 2 5 x 2 2 x1 5 x 2 6 x1 x 2
2
Observe que las entradas fuera de la diagonal a12 a 21 3 de A son combinadas para
proporcionar el coeficiente 6 de x1 x 2 , lo cual generalmente es verdadero.
Podemos expandir una forma cuadrtica en n variables x T A x como sigue:
xT Ax =
i j
410
f x1 , x 2 , x3 2 x1 x 2 5 x3 6 x1 x 2 3 x1 x3
2
Solucin:
2
Los coeficientes de los trminos cuadrados xi van sobre la diagonal como aii ,
mientras que los coeficientes de los trminos con productos cruzados xi x j son
repartidos entre aij y a ji .
Por lo tanto
2
3 3
2
A 3
1
0
3
0
5
2
As,
f x1 , x 2 , x3 = x T A x = x1
x2
2
3 3 x1
2
x3 3
0 x 2
1
3
0
5 x3
2
z f x, y es una superficie en R 3 .
x T A x = ( Q y) T A ( Q y) = y T Q T A Q y = y T D y
411
Lo que es una forma cuadrtica sin trminos con productos cruzados, puesto que D
es diagonal.
Adems, si los eigenvalores de A son 1 , 2 , , n , entonces Q puede seleccionarse
de modo que:
1 0
D
0 n
y T D y = 1 y1 n y n
2
y y = y1 y n , entonces:
T
x T A x = y T D y = 1 y1 n y n
2
2 2
412
5
u2
2
As,
2
Q 5
1
5
5
2
5
6 0
D
0 1
y
y = 1
y2
Convierte a f en
f (y) = f y1 , y 2 y1
6 0 y1
2
2
y 2
6 y1 y 2
0 1 y 2
5
5 1
2 3 7
5
5
De manera que
f y1 , y 2 6 y1 y 2
2
6 1 7 55 11
5
5
5
413
ax 2 bxy cy 2 dx ey f 0
x2 y2
1
a2 b2
a, b 0
415
- Parbola:
y kx 2 ; k 0
x ky 2 ; k 0
y kx 2 ; k 0
x ky 2 ; k 0
- Hiprbola:
x2 y2
1 ; a, b 0
a2 b2
y2 x2
1 ; a, b 0
b2 a2
416
b) 4 x 2 9 y 2 1 0
c) 4 x 2 9 y 0
Solucin:
a) La ecuacin 4 x 2 9 y 2 36 puede ser expresada en la forma:
x2 y2
1
9
4
Elipse:
Centro C(0, 0)
Intersecta eje x 3,0
Intersecta eje y 0,2
1
1
1
9
4
Hiprbola:
Centro C(0, 0)
Intersecta eje y 0, 1
3
Maple:
implicitplot([(y^2/(1/9))-(x^2/(1/4))=1],x=-3..3,
y=-3..3,color=[red],scaling=constrained);
417
Parbola:
Vrtice V(0, 0)
Abre sobre el eje x.
Crece hacia el positivo del eje y.
Eje de parbola = Eje y.
Maple:
plot([(4/9)*x^2],
x=-4..4,y=0..4,scaling=constrained,color=[red]);
6 x 2 y 2 8 y 9
6 x 9 2 y 2 8 y 8 9 9 8
x
x 32 2 y 22 8
6 x 9 2 y 2 4 y 4 8
[Multiplicando ambos lados de la ecuacin por 1 ]
8
x 32 y 22
8
1
418
x2 y2
8
Intersecta eje x 2 2 ,0
Intersecta eje y 0,2
Interpretacin geomtrica:
[Elipse con traslacin]
Maple:
implicitplot([x^2+2*y^2-6*x+8*y+9=0],x=-2..8,
y=-8..2,color=[red],scaling=constrained);
Donde
5 2
A
2 2
419
5
2
5
1
Usaremos
1
5
Q
2
5
5
1
5
Nota: Siempre es posible reacomodar las columnas de una matriz ortogonal Q para
hacer que su determinante sea igual a 1 .
Sabemos que
1 0
Q 1 AQ Q T AQ D
0 6
El cambio de variable x = Q x convierte x T A x = 6, en x T D x = 6 por medio de una
rotacin 63.43 (IV Cuadrante).
x
Si x = , tenemos:
y
1 0 x
x
x T D x = x y
x 6 y
0 6 y
y
x2 6 y2 6
O bien
x2
y2 1
6
0
e2
1
en el nuevo sistema coordenado x y . Estos 2 vectores son los que ubican las posiciones
de los ejes x y y .
Como x = Q x, sabemos que
420
1
5
Qe1
2
5
1
5
Qe2
2
5
5 1
5
1 0 2
5
5
2
5 0 5
1 1 1
5
5
Ahora puede ver porqu el teorema de los eje principales se llama as.
Si una matriz simtrica real A surge como la matriz de coeficientes de una
ecuacin cuadrtica, los eigenvectores de A dan las direcciones de los ejes
principales de la grfica de la cnica (o de la superficie cuadrtica) correspondiente.
421
x 4
y40
Solucin:
La estrategia es eliminar el trmino con productos cruzados. En forma matricial, la
ecuacin es:
xT Ax + B x + 4 = 0
Donde
5 2
A
2 2
B 28
Q
1
2
5
5
As
x T A x = x T D x = x2 6 y2
Adems tenemos:
1
28
4
B x = BQ x =
5
5 2
5 x 4 x12 y
1 y
5
x22 6 y12 6
x22 y12 1
6
422
Que es una elipse con una traslacin respecto a los ejes x y y . Es decir, el centro es
C 2,1 en el sistema coordenado x y .
Haciendo x x2 y y y1 , tenemos:
x2 y2 1
6
Maple:
implicitplot([5*x^2+4*x*y+2*y^2-(28/(5^(1/2)))*x
-(4/(5^(1/2)))*y+4=0],x=0..5,
y=-4..1,color=[red],scaling=constrained);
423
2 3
23) A
3 4
2 3 x
x
y
2 x 3 y 3 x 4 y
3 4 y
y
f (x) = x T A x = x
2 x 2 3 xy 3 xy 4 y 2
2 x 2 6 xy 4 y 2
29 34 Encuentre la matriz simtrica A asociada con la forma cuadrtica dada.
29) x1 2 x 2 6 x1 x 2
2
1 3
A
3 2
31) 3 x 2 3 xy y 2
3
3
2
A
3 2 1
1 2
5
A 1 1 2
2
2 2
35 40 Diagonalice las formas cuadrticas y encuentre una matriz ortogonal Q tal que
el cambio de variable x = Q y transforme la forma dada en una que NO tenga trminos
con productos cruzados.
35) 2 x1 5 x 2 4 x1 x 2
2
2 2
A
2 5
Buscamos valores de , tales que:
Ax = x
424
x1
2 2 x1
2 5 x x
2
2
1 0 2 2 x1 0
0 1 2 5 x 2 0
2 x1 0
2
2
5 x 2 0
det I A 0
2 5 4 0
2 7 10 4 0
2 7 6 0
1 6 0
Los valores caractersticos son:
@ 1
2 x1 0
2
2
5 x 2 0
1 2 x1 0
2 4 x 0
Resolviendo el sistema:
2 0 1 2 0 1 2t
x1 2t
x2 t
tR
2
Un eigenespacio de A es E1
1
(@ t 1 ).
@ 6
2 x1 0
2
2
5 x 2 0
4 2 x1 0
2 1 x 0
Resolviendo el sistema:
1 0 1 1
0 1 1 t
2
x1 1 t
2
x2 t
(@ t 2 ).
426
A es diagonalizable.
Aplicando el proceso de ortonormalizacin de Gram Schmidt a cada vector bsico,
tenemos:
Recurso:
v
u1 1
v1
Hagamos:
2
v1
1
1
v2
2
2
u1 5
1
5
1
5
u2
2
Tenemos:
Q
2
1
5
5
1 0
D
0 6
f (y) = y T D y = y1
1 0 y1
y 2
y1
0 6 y 2
y
2
2
6 y 2 1 y1 6 y 2
y2
4
7 4
A 4 1 8
4 8 1
La ecuacin caracterstica es:
det I A 0
427
4
4
4
8 0
1
7 1 1 64 4 4 1 32 4 32 4 1 0
7 2 2 1 64 4 4 4 32 4 32 4 4 0
7 2 2 63 8 4 36 0
3 92 49 441 32 288 0
3 92 81 729 0
Usando software (Maple 9.5), tenemos:
Maple:
solve(x^3-9*x^2-81*x+729=0,{x});
evalf(%);
1 9
3 9
2 9
9 y1 9 y 2 9 y 3
2
x2 y2
1
25 5
Interpretacin geomtrica:
63) x 2 y 1 0
y x2 1
o bien
y 1 x 2
428
Interpretacin geomtrica:
65) 3 x 2 y 2 1
3x 2 y 2 1
y 2 3x 2 1
y2
x2
1
1
3
x 2 2 y 2 2 4
429
x2 y2 4
Interpretacin geomtrica:
9 x 2 4 y 2 4 y 1 36
9 x 2 4 y 2 y 1 36
4
2
9x 2 4 y 1
36
2
y 1
x2
2
9
4
Haciendo x x y y y 1 .
2
x2 y2
1
4
9
Hiprbola con traslacin:
Vrtices 2, 1
2
Abre sobre el eje y.
Eje de hiprbola = Paralelo eje x (y = 1 ).
2
430
Interpretacin geomtrica:
4x 2 y 2 4 y 4 8
4 x 2 y 2 8
2
4 x 8 2 y 2
4 x 2 2 y 2
x 2 1 2 y 2 2
Haciendo x x 2 y y 2 .
x 1
y2
431
Interpretacin geomtrica:
x T A x + B x + 84 = 0
Como sabemos, la direccin de los ejes rotados (sistema coordenado alternativo con
rotacin) es indicada por los eigenvectores de la matriz A .
As,
3 2
A
2 3
B 28 2
22 2
I A x = 0
2 x1 0
3
2
3 x 2 0
432
det I A 0
3
2
2
0
3
32 4 0
2 6 9 4 0
2 6 5 0
1 5 0
Los valores caractersticos son:
@ 1
2 x1 0
3
2
3 x 2 0
2 2 x1 0
2 2 x 0
Resolviendo el sistema:
2 0 1 1 0 1 t
x2 t
tR
433
1
Un eigenespacio de A es E1
1
(@ t 1 ).
@ 5
2 x1 0
3
2
3 x 2 0
2 2 x1 0
2 2 x 0
Resolviendo el sistema:
2 0 1 1 0 1 t
x2 t
(@ t 1 ).
434
1
v1
1
1
v2
1
1
u1 2
1
2
1
2
u2
1
Tenemos:
2
1
1 0
D
0 5
sen
cos
[Matriz de rotacin]
x T A x = x T D x
x T D x = x2 5 y2
Ahora escribiremos B x en trminos de las nuevas variables x y y . Por medio del
cambio de variable x = Q x.
B x = B Q x
28
1
2
22 2
1
2 x
1
y
2
x
50 6 x50 y
y
x2 6 x5 y2 50 y84 0
x2 6 x9 5 y2 50 y125 84 9 125
x32 5 y52 50
x32 y52
50
10
Haciendo x x3 y y y5 , tenemos:
x2 y2
50
10
Intersecta eje y 0,
10
Intersecta eje x 5 2 ,0
Interpretacin geomtrica:
Maple:
implicitplot([3*x^2-4*x*y+3*y^228*2^(1/2)*x+22*2^(1/2)*y+84=0],x=0..12,
y=-7..5,color=[red],scaling=constrained);
436
xT A x + B x 1 = 0
Como sabemos, la direccin de los ejes rotados (sistema coordenado alternativo con
rotacin) es indicada por los eigenvectores de la matriz A .
As,
0 1
A
1 0
B 2 2
I A x = 0
1 x1 0
1 x 0
2
La ecuacin caracterstica es:
det I A 0
2 1 0
2 1
2 1
1
Los valores caractersticos son:
@ 1
437
1 x1 0
1 x 0
2
1 1 x1 0
1 1 x 0
Resolviendo el sistema:
1 0 1 1 0 1 t
x2 t
tR
1
Un eigenespacio de A es E 1
1
(@ t 1 ).
@ 1
1 x1 0
1 x 0
1 1 x1 0
1 1 x 0
2
Resolviendo el sistema:
1 0 1 t
x2 t
438
t
x=
t
tR
1
Un eigenespacio de A es E1
1
(@ t 1 ).
1
v2
1
Tenemos:
1
2
u1
1
1
u2 2
1
2
2
1
1 0
D
0 1
sen
cos
[Matriz de rotacin]
x T A x = x T D x
439
x T D x = x2 y2
Ahora escribiremos B x en trminos de las nuevas variables x y y . Por medio del
cambio de variable x = Q x.
B x = B Q x
1
0 2
1
2
2 x
1
y
2
x
2 2 x2 y
y
x12 y12 1
Haciendo x x1 y y y1 , tenemos:
x2 y2 1
Hiprbola con rotacin y traslacin:
Centro C 1,1
440
Interpretacin geomtrica:
Maple:
implicitplot([2*x*y+2*2^(1/2)*x-1=0],x=-4..4,y=5..3,color=[red],scaling=constrained);
441
p A A n a n 1 A n 1 a1 A a 0 I
- Ejemplo demostrativo 1: Evaluacin de p A .
1 4
Sea A
y px x 2 5 x 3 .
3 7
20 3 0 21 4
13 24 5
Entonces p A A 2 5 A 3I
.
18 61 15 35 0 3 3 29
La expresin p A A n a n 1 A n 1 a1 A a 0 I es un polinomio con
coeficientes escalares definido para una matriz variable. Tambin se puede definir un
polinomio cuyos coeficientes son matrices cuadradas de m x m por
Q B0 B1 B2 2 Bn n
Si A es una matriz del mismo tamao que las matrices B , entonces se define
Q A B0 B1 A B2 A 2 Bn A n
Debe tenerse cuidado ya que las matrices NO conmutan bajo la multiplicacin.
Teorema 1: Si P y Q son polinomios en la variable escalar con coeficientes
de matrices cuadradas y si P Q A I , entonces P A 0 .
Demostracin:
Si Q est dado por la ecuacin Q B0 B1 B2 2 Bn n , entonces
P B0 B1 B2 2 Bn n A I
B0 A B1 A B2 A2 Bn An B0 B12 B2 3 Bn n 1
442
Se tiene
a11
a
p det A I 21
a n1
a1n
a 22
a 2 n
an2
a nn
a12
p n1 p n 2
p1n
p 2 n
p nn
Ahora se calcula:
443
11 3 22
A 3 29 4 17
16 3
5
6 1 1
A 2 7 0 11
3 1 8
A3 2 A 2 5 A 6 I
20 6 0 0
5
11 3 22 12 2 2 5
29 4 17 14 0 22 15 10
5 0 6 0
16 3
5 6
2 16 10 5
5 0 0 6
0 0 0
0 0 0
0 0 0
A 1
1
A n 1 a n 1 A n 2 a 2 A a1 I
a0
1 4
2 1 . Entonces
1 1
6 y
p 3 22 5 6 . Aqu
n 3,
444
3
2
1 2 1 1 3 1 2 43 2 2
1
1
1 2 2 1 3 3 2 43 2 4
2
2
1 3 1 8 4
1 3 1 42 1
3 22 1 3 1 8 4
3 22 5 6 0
A 1
1
A 2 2 A 5I
6
6 1 1 2 2 8 5 0 0
1 3 7
1
1
7 0 11 6 4 2 0 5 0 1 9 13
6
6
3 1 8 4 2 2 0 0 5
1
3 5
Observe que se calcul A 1 haciendo slo una divisin y calculando slo un
determinante (al encontrar p det A I ). Este mtodo en ocasiones es muy
eficiente en una computadora.
445
5 1
Solucin:
a):
2
5
2
0
1
2 1 10 0
2 2 10 0
El polinomio p 0 es:
2 12 0
b)
p 2 12
p A A 2 A 12
14 2 2 2 12 0 0 0
5 11 5 1 0 12 0 0
446
A 1
1
A n 1 a n 1 A n 2 a 2 A a1 I
a0
A 1
A 1
1
A I
12
1 2 2 1 0
12 5 1 0 1
1 1 2 112 16
1
12 5 2 5
6
12
Slo MAESTROS, propuesto ACTIVIDAD/CLASE.
Comprobacin:
2 2 112 16 1 0
5 1 5
12 16 0 1
Solucin:
a):
1
0
2
1
0
1 0
1
1 2 1 1 1
12 3 2 1 1
12 3 1 1
3 42 4 1 1
3 42 3 0
El polinomio p 0 es:
p 3 42 3
447
b)
p A A 3 4 A 2 3 A
0 1 1 0 1 1 1 3 2
2 3 1 1 1 0 5 9 4
3 6 3 1 2 1 9 18 9
1 3 2 0 1 1 4 9 5
12
4
2 3 1 8
4 3 6 3 12 24 12
1 3 2 4
12 8
1 1 0 3 3 0
3 1 2 1 3 6 3
0 1 1 0 3 3
12
4 3 3 0 0 0 0
5 9 4 8
9 18 9 12 24 12 3 6 3 0 0 0
4 9 5 4
12 8 0 3 3 0 0 0
c):
Recurso:
p n a n 1n 1 a1 a 0
A 1
Sea:
1
A n 1 a n 1 A n 2 a 2 A a1 I
a0
p 3 42 3
La matriz A NO es invertible ( A 1 NO EXISTE).
Nota: a 0 0 .
448
6.8 Aplicaciones.
- Modelo de crecimiento de poblacin:
Es evidente que este modelo es simplista. Una objecin obvia es que el nmero
de cros producidos depende, en muchos casos, de las edades de los adultos. Por
ejemplo, en una poblacin humana las hembras adultas de ms de 50 aos promedio sin
duda producirn menos nios que las hembras de 21 aos promedio. Para manejar esta
dificultad, se introduce un modelo que permita agrupar por edades y asignar tasas de
fertilidad diferentes.
Se estudiar un modelo de crecimiento de la poblacin para una especie de
pjaros. En esta poblacin se supone que el nmero de pjaros hembra es igual al
nmero de machos. Sea p j ,n 1 la poblacin juvenil (inmadura) de hembras en el ao
n 1
pjaros jvenes morirn durante el ao. Se supone que cierta porcin de los pjaros
jvenes sobrevivirn para llegar a adultos en la primavera del ao n . Cada hembra que
sobrevive produce huevos en la primavera, los incuban y producen, en promedio, k
pjaros hembras jvenes en la siguiente primavera. Los adultos tambin mueren y la
proporcin de adultos que sobreviven de una primavera a la siguiente es .
Esta tasa constante de supervivencia de los pjaros NO es una suposicin
simplista. Parece que ocurre en la mayora de las poblaciones de pjaros naturales que
se han estudiado. Esto significa que la tasa de supervivencia de los adultos en muchas
449
. Es evidente de p n = A p n 1 que p 1 = A p 0 , p 2
p a ,n
= A p 1 = A ( A p 0 ) = A 2 p 0 , , y as sucesivamente. Entonces
pn = A p0
450