You are on page 1of 224

MATEMATICA BASICA II

(NOCIONES DE ALGEBRA LINEAL)

MATRICES, DETERMINANTES Y SISTEMAS DE


ECUACIONES LINEALES
Las matrices aparecen por primera vez hacia el año 1850 introducidas por
J.J.Sylvester, el desarrollo de la teoría se debe al matemático W.R. Hamilton
en 1853 ; en 1858 A.Cayley introduce la notación matricial como una forma
abreviado de escribir un sistema de m ecuaciones con n incógnitas.
Las matrices constituyen actualmente una parte esencial de los lenguajes de
programación ya que la mayoría de los datos se introducen en los ordenadores
como tablas organizadas en filas y columnas.

MATRIZ
Es un arreglo rectangular de números ordenandos en filas y columnas, que
presenta la siguiente estructura:

𝒂𝟏𝟏 𝒂𝟏𝟐 ⋯ 𝒂𝟏𝒋 ⋯ 𝒂𝟏𝒏


𝒂𝟐𝟏 𝒂𝟐𝟐 ⋯ 𝒂𝟐𝒋 ⋯ 𝒂𝟐𝒏
⋮ ⋮ ⋮
𝒂𝒊𝟏 𝒂𝒊𝟐 ⋯ 𝒂𝒊𝒋 ⋯ 𝒂𝒊𝒏
⋮⋮⋮
( 𝒂𝒎𝟏 𝒂𝒎𝟐 ⋯ 𝒂𝒎𝒋 ⋯ 𝒂𝒎𝒏 ) 𝑚𝑥𝑛

Los aij son los elementos de la matriz; las “m-n” uplas horizontales son las filas,
y las “m-n” uplas verticales son las columnas.
El orden de la matriz está dado por el número de filas y columnas (matriz de
orden mxn)
A= [aij]mxn
Dónde: i= 1, 2,3,…, m
j=1, 2,3,…, n
Observación:
Los elementos de una matriz no necesariamente son números, también
pueden ser funciones.
La matriz no tiene valor numérico, no se le puede identificar con un número.
Igualdad de matrices
Dos matrices Ay B son iguales si y solo si son idénticas, es decir si son del
mismo orden y sus respectivos elementos son iguales.

CLASES DE MATRICES
Matriz cuadrada
Se presenta cuando el número de filas es igual al número de columnas, se
denota: 𝑨𝒏𝒙𝒏 , 𝑨𝒏

Matriz nula
Es una matriz en la cual todos sus elementos son ceros.
Ejemplo:
0 0
0=( )
0 0

Matriz diagonal
Es una matriz cuadrada en la cual los elementos fuera de la diagonal principal
son ceros. Ejemplo:
1 0 0
(0 8 0 )
0 0 5
Matriz escalar
Es una matriz diagonal en la cual los elementos de la diagonal principal son
iguales.
Ejemplo:
7 0 0
(0 7 0 )
0 0 7

Matriz identidad
Es una matriz escalar donde los elementos de la diagonal principal es el 1.
Ejemplo:
1 0 0
(0 1 0 )
0 0 1
Notación: 𝑰𝒏 , 𝑰
Transpuesta de una matriz
La transpuesta de una matriz Amxn es la matriz construida a partir de A
ubicando la i-ésima fila de A en la i-ésima columna de la matriz transpuesta.
Notación: At
Si A=[𝑎𝑖𝑗 ]𝑚𝑥𝑛 → At =[𝑎𝑖𝑗 𝑡 ]𝑛𝑥𝑚 = [𝑎𝑗𝑖 ]𝑛𝑥𝑚

Matriz simétrica
Se presenta cuando A= At
La matriz debe ser cuadrada, los elementos de la diagonal principal
permanecen fijos al efectuar la transposición.

Matriz anti simétrica


Se presenta cuando A = - At
La matriz debe ser cuadrada, los elementos de la diagonal principal son ceros.

Matriz Nilpotente
Es aquella matriz tal que si existe algún p entonces Ap = 0 ( 0 matriz nula)
Se dice que el grado de nilpotencia es p.
Ejemplo
0 1 0
Determine el grado de nilpotencia de la matriz 𝐴 = (0 0 1)
0 0 0

Matriz idempotente
Se dice que una matriz cuadrada A es idempotente si A2= A.
Ejemplo
𝑎 0
Determine 𝑎, 𝑏, 𝑐 𝑦 𝑑 tal que la matriz 𝐴 = ( ) es idempotente
𝑐 𝑑

Matriz involutiva
Se dice que una matriz cuadrada A es involutiva si A2 = I

Traza de una matriz


Sea A una matriz cuadrada, la traza de A: tr(A) es la suma de elementos de la
diagonal principal de la matriz A.
tr(A) =traz(A) = 𝑎11 + 𝑎22 +…+ann

Propiedades
Sean A y B dos matrices y c un escalar tal que con A y B se puedan hacer
operaciones, entonces:
1) tr(A+B) = tr(A) + tr(B)
2) tr(AB) = tr(BA)
3) tr(c A) = c tr(A)
4) tr(At) = tr(A)
5) (A+B)t = At + Bt
6) (c A)t = c At
7) (AB)t = BtAt
8) (At)t = A
9) Si A es una matriz cuadrada entonces 𝐴 + 𝐴𝑡 es simétrica y
𝐴 − 𝐴𝑡 es anti simétrica
10) Toda matriz cuadrada A se puede expresar como la suma de
una matriz simétrica y un matriz anti simétrica.

Matriz triangular superior


Una matriz cuadrada se llama triangular superior si y solo si 𝑎𝑖𝑗 =0 para i>j
Ejemplo:
1 2 3
(0 4 5 )
0 0 6

Matriz triangular inferior


Una matriz cuadrada A=[𝑎𝑖𝑗 ]𝑛𝑥𝑛 es triangular inferior si y solo si 𝑎𝑖𝑗 =0 para i<j
Ejemplo:
1 0 0 0
0 2 0 0
( )
1 0 3 0
2 1 0 4

OPERACIONES CON MATRICES


Dadas las matrices A y B del mismo orden y el escalar k se tiene:
A+B=B+A
K (A+B) = k A + k B, k es un escalar
A - B = A + (-B)

Producto de matrices
A=[𝑎𝑖𝑗 ]𝑚𝑥𝑛

B=[𝑏𝑗𝑘 ]𝑛𝑥𝑝

Entonces AB=C = [𝑐𝑖𝑘 ]𝑚𝑥𝑝

Propiedades

1) A(BC) = (AB)C
2) (A+B)C =AC + BC
3) A(B+C) = AB + AC
4) No siempre: AB = BA (no conmutan)
5) 0.A = 0
6) AB = 0 no implica A= 0 ó B = 0
7) Si AB=AC no implica B=C

POTENCIACION DE MATRICES
Se define la potenciación de matrices por inducción matemática
𝐴0 = 𝐼 , 𝐴2 = 𝐴𝐴 , 𝐴3 = 𝐴2 𝐴 = 𝐴𝐴2 = , … , = 𝐴𝑛 = 𝐴𝐴𝑛−1 = 𝐴𝑛−1 𝐴
La potenciación de matrices es conmutativa.
Matrices con elementos complejos
Los elementos de una matriz pueden ser números complejos Z= a + bi, el
complejo conjugado se define 𝑍̅=a-bi
Respecto a las operaciones tomemos como ejemplo:
2+𝑖 3 − 2𝑖 3 2𝑖
A=( ), B=( )
4 5𝑖 1+𝑖 2 + 3𝑖
Luego:
5+𝑖 3 11 + 4𝑖 10 + 9𝑖
A+B= ( ) AB= ( )
5 + 𝑖 2 + 8𝑖 7 + 5𝑖 −15 + 18𝑖
4 + 2𝑖 6 − 4𝑖
2A= ( )
8 10𝑖

El conjugado de una matriz denotado por Ā se obtiene al tomar el conjugado de


cada uno de los elementos de la matriz A.
La traspuesta conjugada de una matriz A se denota por A*= Āt
Ejemplo:
2 + 3𝑖 1 − 4𝑖
A=( )
6 7𝑖
2 − 3𝑖 1 + 4𝑖
Ā=( )
6 −7𝑖
2 − 3𝑖 6
A* = ( )
1 + 4𝑖 −7𝑖
Se dice que la matriz cuadrada “E” es hermitiana si E = E*
Ejemplo:
2 3 − 4𝑖
E=( )
3 + 4𝑖 6
2 3 + 4𝑖
Ē=( )
3 − 4𝑖 6
2 3 − 4𝑖
E*= ( ) => E = E*
3 + 4𝑖 6

PROPIEDADES
Sean “A” y “B” matrices con elementos complejos y “z” un número complejo.
1. (A + B)* = A* + B* transpuesta conjugada de una matriz
2. (𝑧𝐴) ∗ = 𝑧̅𝐴∗ traspuesta conjugada de un múltiplo escalar
3. (AB)* = B*A* traspuesta conjugada de un producto
4. (A*)* = A traspuesta conjugada de una traspuesta conjugada

Matriz Ortogonal
Es aquella matriz cuadrada donde se cumple: A-1 = At
Observación. Donde 𝐴−1 es la matriz inversa
Ejemplo:
1 0 0
A = (5 4 0 )
2 8 7
Es una matriz ortogonal?
1 5 2
At
= (0 4 8)
0 0 7
1 0 0 1 0 0 1 0 0 1 0 0
(5 4 0 0 1 0)(0 4 0 −5 1 0 )
2 8 7 0 0 1 0 0 7 8 −2 1
1 0 0 1 0 0
5 1
(0 1 0 − ⁄4 ⁄4 0 )
0 0 1 1⁄7 −2⁄7 1⁄
7
1 0 0
5 1⁄
A-1 = (− ⁄4 4 0 )
8⁄ 2
− ⁄7 1⁄
7 7
A no es ortogonal

Matriz normal:
Una matriz A es normal si conmuta con su transpuesta. Las matrices
simétricas, anti simétricas u ortogonales son necesariamente normales.
A. At = At. A
Ejemplo: Hallar todas las matrices de orden 4x4 que sean conmutables con la
matriz A:
0 1 0 0
A = (0 0 1 0)
0 0 0 1
0 0 0 0
Solución: AB = BA
0 1 0 0 𝑎 𝑏 𝑐 𝑑 𝑎 𝑏 𝑐 𝑑 0 1 0 0
(0 0 1 0) ( 𝑒 𝑓 𝑔 ℎ
)=(
𝑒 𝑓 𝑔 ℎ
) (0 0 1 0)
0 0 0 1 𝑖 𝑗 𝑘 𝑖 𝑖 𝑗 𝑘 𝑖 0 0 0 1
0 0 0 0 𝑚 𝑛 𝑜 𝑝 𝑚 𝑛 𝑜 𝑝 0 0 0 0
𝑒 𝑓 𝑔 ℎ 0 𝑎 𝑏 𝑐
𝑘 𝑙) = (0 𝑒 𝑓 𝑔
(𝑖 𝑗 )
𝑚 𝑛 𝑜 𝑝 0 𝑙 𝑗 𝑘
0 0 0 0 0 𝑚 𝑛 𝑜
Luego:
𝑎 𝑏 𝑐 𝑑
B = (0 𝑎 𝑏 𝑐)
0 0 𝑎 𝑏
0 0 0 𝑎
Ejemplo: Dadas las matrices
A = [aij] = [|𝑖 − 𝑗|]12x12 y
B = [bij] = [ i+j ]3x12
Hallar los elementos de C69 y C96 de “C = ABAt = [cij]

Ejemplo: Sea A = [aij] una matriz triangular superior de orden n tal que a ij = 1, si
i≤j
De A3 = [bij] hallar el elemento bij si:
a) i = 3 ; j = n
b) i = n ; j = 3
c) i = 3 ; j = 3

DETERMINANTES

DEFINICIÓN

A toda matriz cuadrada A sobre un cuerpo K se le asocia un escalar bien determinado,


mediante una función llamada función determinante, su dominio es el conjunto de las
matrices cuadradas y su rango es K (generalmente R o C).

Usualmente representamos la función determinante por “det”, entonces:

det = (A; y) / y = det (A), A = a 


ij nxn ; yK 

Otra notación para det (A) es |A|

Ejemplo:
  7 3  7 3
det      1 4
   1 4 

Determinante de Orden 1

|a11| = a11

Determinante de Orden 2

a11 a12
 a11a22  a21a12
a21 a22

Ejemplo :

2 3
 (2)( 2)  (1)(3)  4  3  1
1  2

Determinate de Orden 3

a1 b1 c1
a2 b2 c2  a1b2 c3  b1c2 a3  c1a 2 b3  c1b2 a3  a1c2 b3  b1 a 2 c3
a3 b3 c3

Una de las formas de obtener la expresión anterior es:

1. Se escribe al lado del determinante, las dos primeras columnas del mismo.
a1 b1 c1 a1 b1
a2 b2 c2 a2 b2
a3 b3 c3 a 3 b3
- - - + + +

2. Se multiplican los elementos de los tres diagonales, en el sentido de izquierda a


derecha, y de arriba abajo, afectando a cada producto del signo más.

3. Se multiplican los elementos de las otras tres diagonales, en el sentido de derecha


a izquierda y de arriba abajo, afectando a cada producto del signo menos.

Ejemplo :

2 1 1 2 1 1 2 1
1 2 3  1 2 3 1 2
 2 3 1  2 3 1  2 3

= (2) (-2) (-1) + (1) (3) (-2) + (1) (1) (3) – (1)(-2)(-2) – (2)(3)(3) –

(1)(1)(-1)

= 4 – 6 + 3 – 4 –18 + 1 = -20

PROPIEDADES DE LOS DETERMINANTES


1. El determinante de la matriz A y de su transpuesta At son iguales.

|A| = |At|
a1 b1 c1 a1 a2 a3
Ejemplo a 2 b2 c 2  b1 b2 b3
a3 b3 c3 c1 c2 c3

Nota.-

Por esta propiedad, cualquier resultado acerca del determinante de una matriz
A que esté relacionado con las filas de A, tiene un teorema análogo
relacionado con las columnas de A.

2. Si todos los elementos de una línea (fila ó columna), son nulos, el determinante
vale cero.

Ejemplo :

a1 0 c1
a2 0 c2  0
a3 0 c3

3. Si se intercambian dos líneas (filas o columnas); el determinante cambia de signo.

a1 b1 c1 a3 b3 c3
Ejemplo : a 2 b2 c2   a2 b2 c2
a3 b3 c3 a1 b1 c1

Generalizando:

Si un determinante |B| se obtiene de otro determinante |A|, trasladando una de


sus líneas (filas ó columnas) K, lugares, se cumple:

|B| = (-1)K |A|

Nota : Trasladar K lugares implica K intercambio sucesivos.


4. Si un determinante tiene dos líneas (filas ó columnas) iguales, su valor es cero.

a1 b1 a1
a2 b2 a2  0
a3 b3 a3

5. Si todos los elementos de una línea (fila o columna) de un determinante se


multiplican por un escalar K, el determinante queda multiplicado por K.

Ejemplo :

ka1 b1 c1 a1 b1 c1
ka2 b2 c2  k a2 b2 c2
ka3 b3 c3 a3 b3 c3

Nota : Si A es una matriz cuadrada de orden n.

|KA| = Kn |A| ; K escalar.

6. Si todos los elementos de una línea (fila ó columna) de un determinante se suman


con los elementos correspondientes de otra multiplicados por un escalar K, el valor
del determinante no varía.
Ejemplo:

a1 b1 c1 a1  kb1 b1 c1
a2 b2 c2  a 2  kb2 b2 c2
a3 b3 c3 a3  kb3 b3 c3
7. Si todos los elementos de una línea (fila ó columna) de un determinante son suma
de dos (o más ) términos, el determinante es igual a la suma de dos (o más)
determinantes.
Ejemplo 1:

a1  x b1 c1 a1 b1 c1 x b1 c1
a 2  y b2 c2  a2 b2 c 2  y b2 c2
a3  z b3 c3 a 3 b3 c3 z b3 c3

Ejemplo 2:

a1  x b1  y c1  z
a2 b2 c2
a3 b3 c3

a1 b1 c1 x y z
 a2 b2 c2  a2 b2 c2
a3 b3 c3 a 3 b3 c3

8. Si A y B son matrices cuadradas de orden n.


|AB| = |A|.|B|

9. Si una matriz es triangular, diagonal o escalar, su determinante es igual al producto


de los elementos de su diagonal principal.

* |K In| = Kn ; K escalar

* |diag (a1, a2, ...., an)| = a1 a2 ………an

10. El determinante de la inversa de una matriz es igual a la inversa del determinante


de la matriz.
1
|A-1| =
| A|

Menor de un Elemento
Sea A una matriz cuadrada de orden n; se llama menor de A ó de |A| y se representa por
Mij, al determinante de la matriz cuadrada de orden (n-1) que resulta de suprimir en A
todos los términos de la fila i y todos los de la columna j, a este, determinante se le
denomina frecuentemente menor del elemento aij.

Ejemplo : Si

2 3 4
| A | 5 6 7
8 9 1

Entonces :

6 7 3 4
M11 = ; M21 =
9 1 9 1

2 3 2 3
M33 = ; M23 =
5 6 8 9

Nota.- Como existe un menor por cada elemento del determinante, por lo tanto, un
determinante de orden n tiene n² menores.
Adjunto de un Elemento
El menor afectado de su signo, recibe el nombre de adjunto ó cofactor del elemento aij y se
representa por ij.

ij = (-1)i+j Mij


Ejemplo:

Sea

4 5 6
|A| = 0 1 2
2 3 1

1 2
* 11 = (-1)1+1 M11 = (1)  5
3 1

5 6
* 21 = (-1)2+1 M21 = (-1)  13
3 1

4 5
* 33 = (-1)3+3 M33 = (1) 4
0 1

Desarrollo de un determinante por los elementos de una línea


Un determinante de orden n puede ser descompuesto como la suma de n determinantes de
orden (n –1).

Teorema :

El determinante de la matriz A = aijnxn , es igual a la suma de los productos obtenidos


multiplicando los elementos de cualquier línea (fila ó columna) por sus respectivos adjuntos ó
cofactores:
n
* |A| = ai1 i1+ ai2 i2 + ai3 i3 + …… + aik ik = a
k 1
ik  ik

n
* |A| = a1j 1j + a2j 2j + a3j 3j + …… + aik ik = a
k 1
kj  kj

Las fórmulas anteriores, llamados los desarrollos de laplace del determinante de A por la fila i
– ésima y la columna j – ésima respectivamente, proporcionan un método para simplificar el
cálculo de |A|. Esto es, adicionando un múltiplo de una fila (columna) a otra fila (columna),
podemos reducir A a una matriz que contenga una fila ó columna con una componente 1 y los
demás 0.

Desarrollando por esta fila ó columna, se reduce el cálculo de |A| al cálculo de un


determinante de un orden menor que el de |A|.

Ejemplo :

2 0 1
4 2  3  a1111  a1212  a1313
5 3 1

2 3 4 3 4 2
= 2(-1)1+1  0(1)1 2  (1)( 1)1 3
3 1 5 1 5 3

= 2(11) + 0 + (2) = 24
CALCULO DE DETERMINANTES
Para hallar el valor de un determinante de orden superior al tercero, el método general es
desarrollar el determinante por los elementos de una línea.

En algunos casos usando propiedades se transforma la matriz en una matriz triangular, o se


obtienen líneas iguales o una línea múltiplo de la otra ó una línea de ceros, con lo cual el
cálculo del determinante resulta sencillo.

DETERMINANTES ESPECIALES

Determinante de Vandermonde
Se llama determinante de Vandermonde al determinante de grado n, en el que los elementos
de sus distintas filas son sucesivamente las potencias de exponente 0, 1, 2, .... (n-1) de n
números diferentes a1, a2, ..., an; se representa por W(a1, a2, ...., an).

Teorema: El determinante de Vandermonde de grado n, w(a1, a2, ... an) es igual al producto de
las diferencias que se obtienen restando cada uno de los números a1, a2, a3, ...., an de todos los
que le preceden.

| | | ........ |
a1 a2 a3 ........ an
a12 a22 a32 ........ an2
W=
: : : ......... :
: : : ......... :
a1n 1 a2n 1 a3n 1 .......... ann 1
W = (an – an-1) (an – an-2) (an – an-3)………..( a3 – a2) (a3 – a1)( a2 – a1)

Ejemplo :

1 1 1 1
a b c d
a² b² c² d²
a3 b3 c3 d3

W = ( d – c) (d – b) (d – a) (c – b) (c – a) (b – a)

DETERMINANTE SIMÉTRICO
Un determinante se llama simétrico, cuando en su matriz todos los pares de elementos
simétricos de la diagonal principal son iguales (a ij = a ji ).

Ejemplo :

a b c d
b h k l
c k m n
d l n p

PROPIEDADES
1. Los menores de los elementos de la diagonal son simétricos.
2. Los menores y por tanto los adjuntos de dos elementos aiij y aji, son iguales.

DETERMINANTE DE LA MATRIZ ANTISIMÉTRICA (HEMISIMÉTRICA)


Es aquel en el que todos los pares de elementos simétricos de la diagonal principal son
números opuestos, esto exige que los elementos de su diagonal principal sean nulos (aij + aji =
0).

Ejemplo :

0 a b c
a 0 d e
b d 0 f
c e f 0

Propiedades :

1. Los menores de los elementos de la diagonal principal son antisimétricos.


2. Todo determinante antisimétricos de grado impar es nulo.

SISTEMAS DE ECUACIONES

Dos o más ecuaciones se dice que forman un sistema o son simultáneas cuando tienen las
mismas soluciones.

Entendiéndose por solución de un sistema aquel conjunto de valores de las incógnitas; que
sustituidas en vez de ellas en todas las ecuaciones, las transforma en identidades.
CLASIFICACIÓN DE LOS SISTEMAS DE ECUACIONES DE ACUERDO A SU
NÚMERO DE SOLUCIONES
Cualquiera que sea el grado de las ecuaciones respecto a las incógnitas y la naturaleza de las
funciones que ligan los datos con las incógnitas, los sistemas de ecuaciones admiten una
primera clasificación, atendiendo exclusivamente al número de soluciones.

I. COMPATIBLES
Aquellos sistemas que admiten por lo menos una solución, se les denomina también
sistemas posibles ó consistentes, se clasifican a su vez en :

a. Determinados

Si admiten un número finito de soluciones.

b. Indeterminados

Si admiten un número infinito de soluciones.

II. INCOMPATIBLES
Son aquellos sistemas que no admiten ninguna solución, se les denomina también
sistemas imposibles, absurdos ó INCONSISTENTES.

Ejemplo 1 :

El sistema 0x + 0y =5

x + 2y = 3
Es incompatible, porque la primera ecuación no puede convertirse en igualdad
numérica correcta para cualquier valor de x e y.

Ejemplo 2 :
El sistema 3x – y = 5

3x –y = 4

Es incompatible, aunque existen pares de números (por ejemplo x = 0, y = -5) que


verifican la primera ecuación y otros pares (por ejemplo x = 1, y = -1) que verifican la
segunda ecuación, no hay ningún par de valores que verifiquen ambas ecuaciones
simultáneamente.

Ejemplo 3:

El sistema 3x + 2y = 11

x–y=2

Es compatible determinado, ya que tiene la solución x = 3; y = 1.

Ejemplo 4
El sistema 2x + y = 5

6x + 3y = 15

Es compatible indeterminado, porque tiene un número infinito de soluciones por


ejemplo: x1 = 0, y1 = 5; x2 = 1, y2 = 3; etc.
SISTEMAS EQUIVALENTES
Son aquellos sistemas que tienen las mismas soluciones.

SISTEMAS PARCIALMENTE EQUIVALENTES.

Son aquellos sistemas que tienen algunas de sus soluciones iguales.

TRANSFORMACIONES EN UN SISTEMA DE ECUACIONES


Si se trata de resolver un sistema de varias ecuaciones con varias incógnitas, hay que
combinar entre si las ecuaciones hasta llegar a obtener otro sistema que sea
equivalente al dado.

Antes de combinar entre si las ecuaciones, conviene para hacer más fácil el cálculo,
simplificar separadamente cada ecuación, efectuando en cada una de ellas las
transformaciones necesarias para simplificarla, quitando los denominados, haciendo la
racional.

TEOREMAS PARA LA OBTENCIÓN DE SISTEMAS EQUIVALENTES


Teorema 1.- Si en un sistema de ecuaciones, se reemplaza una ecuación, por la que
resulta de sumarle miembro a miembro otras varias del sistema, el nuevo sistema que
resulta es equivalente al primero.

A1 = B1 A1 + A2 = B1 + B2

A2 = B2 es equivalente a A2 = B2

A3 = B3 A3 = B3
Teorema 2.- En un sistema de ecuaciones, una combinación lineal de ellas, puede
reemplazar a cualquiera de las ecuaciones del sistema cuyo multiplicador fuere distinto
de cero.

A1 = B1 A1 + ßA2 + A3 + A4 = B2 + ßB2

A2 = B2 es equivalente a + B3 + B4

A3 = B3 A2 = B2

A4 = B4 A3 = B3

A4 = B4

Nota.- Se llama combinación lineal, de varias ecuaciones de un sistema:

A1 = B1 ; A2 = B2 ; A3 = B3 ; a la ecuación

A1 + ßA2 + A3 = B1 + ßB2 + B3, en la que , ß,  son números reales cualesquiera y
pudiendo ser nulos alguno de ellos, pero no todos.

TEOREMA 3.- En un sistema de ecuaciones puede reemplazarse cualquiera de ellas,


por la que resulta de multiplicarla miembro a miembro con otras del sistema cuyos
miembros sean distintos de cero.

A1 = B1 A1 A2 = B1 B2

A2 = B2 es equivalente a A2 = B2

A3 = B3 A3 = B3

TEOREMA 4.- En un sistema de ecuaciones, puede reemplazarse una de ellas por la


que se obtiene dividiéndola miembro a miembro por otra cuyos miembros son
distintos de cero.
A1 B1
A1 = B1 
A2 B2

A2 = B2 es equivalente a A2 = B2  A2; B2  0

A3 = B3 A3 = B3

TEOREMA 5 .- En un sistema de ecuaciones, puede


reemplazarse una de ellas por la que se obtiene sumándole o
restándole miembro a miembro las que resultan de elevar los
dos miembros de las otras, a potencias de igual exponente
natural.

Los siguientes sistemas son equivalentes :

n n n n
A1 = B1 A1 + A 2 = B1 + B 2 A1 + A 2 + A 3n = B1 + B 2 + B 3n

A2 = B2 A2 = B2 A2 = B2

A3 = B3 A3 = B3 A3 = B3

TEOREMA 6.- Si en un sistema de ecuaciones, se reemplaza una de ellas para la


obtenida sumándole miembro a miembro la que se obtiene extrayendo la raíz enésima
(n natural) de los dos miembros de otra ecuación del sistema, el sistema que resulta no
es equivalente al primero.
A1 = B1 A1 + n A2 = B1 + n B2

A2 = B2 no es equivalente a A2 = B2

A3 = B3 A3 = B3

SISTEMAS LINEALES
Recibe el nombre de sistema de ecuaciones lineales un conjunto de ecuaciones lineales, que
en general puede tener “m” ecuaciones y “n” incógnitas.

a11x1 + a12x2 + a13x3+.........+ a1nxn = b1

a21x1 + a22x2 + a23x3+.........+ a2nxn = b2

a31x1 + a32x2 + a33x3+.........+ a3nxn = b3

am1x1 + am2x2 + am3x3+.........+ amnxn = bm

Los coeficientes de las incógnitas tienen dos subíndices, el primero indica la ecuación a la que
pertenece y el segundo la posición del coeficiente en relación a la incógnita, así por ejemplo en
la segunda ecuación, el coeficiente a23, indica que se trata de un coeficiente que pertenece a
la segunda ecuación, y es coeficiente de la tercera incógnita, los términos del segundo
miembro tienen un subíndice, el cual indica la ecuación a la que pertenece, como puede verse
la notación de matrices proviene de los sistemas de ecuaciones.

Matricialmente un sistema se puede escribir :

AX = B
 a11 a12 a13 ......... a1n   x1   b1 
a a 2 n   x 2   b2 
 21 a 22 a 23 .........
 a31 a32 a33 ......... a3n   x3   b3 
: 
: : ........ :  :  : 
    
: : : ......... :  :  : 
a a mn   x n  bm 
 m1 a m 2 a m3 ..........

donde :

A = matriz de los coeficientes de las incógnitas.

x = es la matriz de las incógnitas.

B = es la matriz de los términos independientes.

En general, en un sistema de ecuaciones lineales AX = B; se pueden presentar tres


casos:

1. Que el sistema no tenga solución (sistema inconsistente).


2. Que el sistema tenga solución única (sistema consistente determinado).
3. Que el sistema tenga infinitas soluciones (sistema consistente indeterminado).

SOLUCIÓN DE UN SISTEMA DE “N” ECUACIONES CON “N”


INCÓGNITAS

Métodos Algebraicos.
Si tenemos un sistema de varias ecuaciones con varias incógnitas, por ejemplo, cuatro
ecuaciones con cuatro incógnitas; para resolverlo hay que hallar, combinando
convenientemente las ecuaciones del sistema (); otro sistema (ß), de modo que (ß) sea
equivalente al sistema (); conseguido este sistema (ß), llamado escalonado porque cada
ecuación tiene una incógnita menos que la anterior, es muy fácil hallar las soluciones de ()
que serán las mismas que las de (ß).
Una vez obtenido el sistema escalonado (ß) todo el problema se reduce a resolver ecuaciones
con una sola incógnita; pero para obtener el sistema (ß), hay que utilizar la teoría llamada de
eliminación.

F1 (x, y, z, µ) = 0 F1 (x, y, z, µ) = 0

F2 (x, y, z, µ) = 0 f (x, y, z) = 0
(ß)
()
F3 (x, y, z, µ) = 0 g (x, y) = 0

F4 (x, y, z, µ) = 0  (x) = 0

Definición de eliminación
Eliminar una incógnita en un sistema de varias ecuaciones con varias incógnitas, es obtener
otro sistema de ecuaciones llamado resultante, que no contenga dicha incógnita y cuyas
soluciones sean todos los valores de los demás incógnitas, que en unión de los de la incógnita
eliminada formaban todas las soluciones del primer sistema.

Métodos de eliminación
Existen diversos métodos de eliminación, siendo los más elementales, el de sustitución,
igualación ó comparación y el de reducción.

Para explicar estos métodos elementales consideramos un sistema lineal de las ecuaciones con
los incógnitas.

Eliminación por sustitución


Se despeja de una de las ecuaciones una de las incógnitas, reemplazando la incógnita
despejada en la otra ecuación del sistema, obteniendo así una ecuación con una incógnita, el
valor obtenido de esta ecuación se reemplaza en la otra ecuación del sistema para obtener el
valor de la otra incógnita.
Ejemplo :

Resolver 5x – 2y = 4 ....................... (I)

3x + y = 9 ...................... (II)

Solución :

De la ecuación (II) despejamos y

y = 9 – 3x

Reemplazamos el valor de y en (I)

5x – 2 (9 – 3x) = 4

x=2

de donde y = 9 – 3 (2) = 9 – 6 = 3

La solución del sistema será:

x = 2; y=3

Eliminación por igualación


Reducimos el sistema a su forma normal, despejamos en las ecuaciones de la misma incógnita,
igualamos las dos expresiones de la incógnita despejada, resolvemos la ecuación obtenida, el
valor obtenido de esta ecuación se reemplaza en cualquiera de las expresiones de la otra
incógnita.

Ejemplo :

Resolver : 7x – 4y = 5 ....................... (I)


9x + 8y = 14 ....................... (II)

Solución :

Despejando y de ambas ecuaciones :

7x  5 13  9 x
De (I) y= ; De (II) y =
4 8

7 x  5 13  9 x
Igualando : =
4 8

x=1

7(1)  5 1
de donde : y = 
4 2

La solución del sistema es : x = 1; y = ½

Eliminación por reducción


Reducir el sistema a su forma normal, multiplicar los dos miembros de las dos ecuaciones por
ciertos números, de tal forma que los coeficientes de una incógnita sean opuestos, sumar
algebraicamente las dos ecuaciones miembro a miembro, resolver la ecuación obtenida,
reemplazar el valor obtenido en cualquier de las dos ecuaciones iniciales y hallar la otra
incógnita.

Ejemplo :

Resolver : 2x – 3y = 5 ........................... (I)

3x + 4y = 7 ........................... (II)

Solución :
Para eliminar “x” multiplicamos la ecuación (I) por –3 y la ecuación (2) por 2.

-6x + 9y = - 15

6x + 8y = 14

17 y = - 1

y = 1/17

Reemplazando en la ecuación (I)

1
2x – 3 (- )=5
17

x = 41/17

REGLA DE CRAMER
Consideramos un sistema de n ecuaciones lineales con n incógnitas.

a11x1 + a12x2 + ....... + a1nxn = b1

a21x1 + a22x2 + ....... + a2nxn = b2

an1x1 + an2x2 + ....... + annxn = bn

Representemos por |A| el determinante de la matriz A = aijnxn de los coeficientes y


representemos por |Ai| el determinante de la matriz que se obtiene reemplazando la columna
i – ésima de A por la columna de los términos constantes.
“El sistema anterior Ax = B

Tiene solución única si y sólo si |A|  0, la solución única esta dada por:

| A1 | | A2 | | An |
X1  ; X2  ; .......................; Xn  ;”
| A| | A| | A|

Demostración :

Sea el sistema :

a11 x1 + a12 x2 + a13 x3 + ................+ a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + ................+ a2n xn = b2

a31 x1 + a32 x2 + a33 x3 + ................+ a3n xn = b3

an1 x1 + an2 x2 + an3 x3 + ................+ ann xn = bn

como :

a11 a12 a13 .............a1n


a 21 a 22 a 23 .............a 2 n
a a32 a33 .............a3n
A  31
: : :
: : :
a n1 a n 2 a n 3 .............a nn

Multiplicamos ambos miembros por x1; hacemos que x1, multiplique a todos los elementos de
la primera columna :
a11 x1 a12 a13 .............a1n
a 21 x1 a 22 a 23 .............a 2 n
a x a32 a33 .............a3n
x1 A  31 1
: : :
: : :
a n1 x1 a n 2 a n 3 .............a nn

Agregamos a la primera columna la segunda multiplicada por x2, la tercera multiplicada por
x3...., la enésima por xn

a11 x1  a12 x 2  .......  a1n x n a12 a13 .....a1n


a 21 x1  a 22 x 2  ......  a 2 n x n a 22 a 23 .....a 2 n
a x  a32 x 2  ......  a3n x n a32 a33 .....a3n
x1 A  31 1
: : :
: : :
a n1 x1  an 2 x2  ......  a nn x n a n 2 a n 3 .....a nn

Los elementos de la primera columna son respectivamente : b1, b2, b3,...., bn, reemplazando.

b1 a12 a13 .............a1n


b2 a 22 a 23 .............a 2 n
b a32 a33 .............a3n
x1 A  3
: : :
: : :
bn an2 an3 .............a nn

Si definimos |Ai| como anteriormente:

| A1 |
X1 |A| = |A1| de donde X1 =
| A|

Procediendo de igual forma con las demás columnas :


| A2 | | A3 | | An |
X2 = ; X3 = , ....................... ; Xn =
| A| | A| | A|

OBSERVACIONES
1. Si |A| 0, existe solución y esta es única.
2. Si |A| =0, el sistema puede o no tener solución.
3. Si |A| = 0 y por lo menos uno de los determinantes |A1|; |A2|, ........|An| es
diferente de cero, el sistema es inconsistente ó incompatible.
4. Si un sistema de ecuaciones es indeterminado, |A| = 0 y todos los determinantes
|A1|, |A2|, .......|An| son cero.
El recíproco, sin embargo, no es cierto.

5. Si |A| = |A1| = |A2| = ............. = |An|, el sistema puede o no ser compatible.

Ejemplo : resolver por cramer :

2x + 3y – z = 1

3x + 5y + 2z = 8

x – 2y – 3z = - 1

Solución :
* Calculamos determinante de la matriz de coeficientes

2 3 1
 3 5 2  30  6  6  5  8  27  22
1 2 3

Como 0, el sistema tiene solución única.


* Determinante de las incógnitas

1 3 1
x  8 5 2  66
1  2  3

2 1 1 2 3 1
y  3 8 2  22 ; z  3 5 8  44
1 1  3 1  2 1

x y z
x  3; y  1; z 2
  

SISTEMAS LINEALES HOMOGÉNEOS


Si todos los términos independientes b1, b2, ....bn del sistema Ax = b son nulos, el sistema
se llama homogéneo (Ax = 0), en este caso |A1| = |A2| = ............. = |An| = 0 y se verifica:

TEOREMA : La condición necesaria y suficiente para que un sistema de n ecuaciones


lineales homogéneas con n incógnitas tenga solución distinta de la trivial (todas las
incógnitas iguales a cero) es que el determinante de los coeficientes sea nulo, es decir, |A|
= 0.

SISTEMA DE m ECUACIONES CON n INCÓGNITAS


Un sistema de m ecuaciones n incógnitas puede o no tener solución:

1) si m > n, se puede obtener el valor de n de las incógnitas dadas. Si estos valores


satisfacen a las m – n ecuaciones restantes, el sistema es compatible y en caso
contrario es incompatible.
2) Si m < n, se pueden determinar m de las incógnitas en función de las n – m
restantes.
SISTEMAS LINEAL DE DOS ECUACIONES CON DOS INCÓGNITAS
Como una ecuación de primer grado con dos incógnitas puede reducirse siempre a la
expresión ax + by = c, un sistema de dos ecuaciones con dos incógnitas podrá tener
siempre su forma “normal” ó “canónica”.

a1x + b1y = c1

a2x + b2y = c2

donde x e y son las incógnitas, el conjunto solución se puede estimar por graficación,
puesto que es la intersección de los conjuntos solución de las ecuaciones, su gráfica será la
intersección de las gráficas de las ecuaciones.

Sabemos que la gráfica de una ecuación lineal es una recta por lo tanto, la gráfica de un
sistema de dos ecuaciones consiste en dos rectas.

Hay tres casos que pueden describirse geométricamente. (Aquí suponemos que los
coeficientes de x e y en cada una de las ecuaciones, no son simultáneamente cero).

I. El Sistema es compatible determinado, tiene solución única, se :


a1 b1

a2 b2

Las líneas que corresponden a las ecuaciones lineales se intersectan en un punto :

Ejemplo :

1 1
x -y=-3 
1 2

x + 2y = 3

L1

x -y=-3
II. El sistema es indeterminado, tiene un número ilimitado de soluciones, si :

a1 b1 c1
 
a 2 b2 c2
Las líneas que corresponden a las ecuaciones lineales coinciden.

Ejemplo :

1 1 1
x+y=1   
3 3 3

3x + 3y = 3

L1

x +y=1

3x + 3y = 3

L2

III. El sistema es incompatible, no tiene solución, si :

a1 b1 c1
 
a 2 b2 c2

Las líneas que corresponden a las ecuaciones lineales son paralelas:

Ejemplo :

1 1 1
x+y=1   
2 2 6

2x + 2y = 6

y
L1
2x + 2y = 6
x +y=1
L2

x
Ejercicios de aplicación :

1. Calcular K en el sistema
(k + 3) x + (2k + 3) y = 18

(k + 3) x + (k -1) y = 6

Para que sea incompatible.

2. Dado el sistema
ax – 6y = 12

2x + (1 – a) y = 8

¿Qué valor de “a” hace que el sistema sea indeterminado?.

3. Determinar “a” para que el sistema.


3x + ay = 5 + a

2x + 5y = 8

Sea compatible.

SISTEMAS DE ECUACIONES NO LINEALES


Un sistema no lineal es aquel sistema donde al menos una de las ecuaciones es no lineal.

Para resolver un sistema no lineal de ecuaciones no existe un procedimiento general, se


puede eliminar variables, usar artificios de cálculo, usar el método de sustitución, el
método gráfico.

SISTEMAS DE SEGUNDO GRADO CON DOS INCÓGNITAS


1. Resolver el sistema.
3x + y = 5

x² - y² = 3
Solución

Despejamos y de la primera.

y = 5 – 3x

Reemplazamos en la segunda

x² - (5 – 3x)² = 3

Resolviendo obtenemos

x1 = 7/4 x2 = 2

y1 = -1/4 y2 = - 1

2. Resolver el sistema
2x² + y² = 17

xy = 6

Solución :

Como las ecuaciones son homogéneas.

Sea y = Kx

2x² + k²x² = 17

x (kx) = 6

2x² (k² +2) = 17

x² (k) = 6

k ²  2 17

k 6
K = 3/2 ó K = 4/3

n 4 soluciones

3 3
x1 = 2 x2 = - 2 x3 = 2 x4 = 2
2 2

y1 = 2 2 y2 = -2 2 y3 = -3 y4 = 3
3. Resolver el sistema :
x² + y² + 5x = 3

x² - 2y² - xy = 0

Solución :

Dividiendo entre x² los dos miembros de la ecuación homogénea.

x ²  2 y ²  xy 0

x² x²

2 y² y
1  0
x² x

y
Sea t
x

2 t² + t – 1 = 0

t = -1 ó t = ½

a) para t = -1  y = -x (en la funera)


X1

2x² + 5 x – 3= 0

X2

x1 = - 3 x2 = ½

y1 = 3 y2 = -1/2

b) para t = ½  y = x/2 (en la primera).


X3

5x² + 20x – 12
X4

 10  4 10  10  4 10
x3 = x4 =
5 5

 5  2 10  5  2 10
y3 = y4 =
5 5

4. Resolver gráficamente el sistema :


x + 2y = 4

x² + 4y² = 16

Solución :

x
y 2 (Recta)
2

x² y ²
 1 (Elipse)
16 4

4
x1 = 4 x2 = 0

y1 = 0 y2 = 2

5. Resolver gráficamente.

4x² - 9y² = 36

x² + y² = 25

Solución :

x² y ²
 1 (Hipérbola)
9 4

x² + y² = 5² (Circunferencia)

-3 3

-5
Aquí no se pueden leer con facilidad las soluciones, los leemos aproximadas.

x1 = 4,5 x2 = 4,5 x3 = -4,5 x4 = -4,5

y1 = 2,2 y2 = -2,2 y4 = 2,2 y4 = -2,2

Las soluciones que se obtienen a parte de una gráfica, son en general aproximadas además
como los puntos del plano son pares ordenados de números reales, este método no dará
soluciones complejas.

SISTEMAS NO LINEALES RESUELTAS USANDO ARTIFICIOS DE


CALCULO
1. Resolver el sistema

1 3 3
 
2x  3y 6x  4 y 40

1 1 1
 
4 x  6 y 2 y  3x 60

Solución :

Acomodando las ecuaciones :


1 3 1  3
    
2 x  3 y 2  3x  2 y  40

1 1  1 1
   
2  2 x  3 y  3x  2 y 60

Haciendo el cambio de variable.

1 1
a ; b
2x  3y 3x - 2y

3 3
a b  
2 40

1 1
ab  
2 60

Resolviendo a = -1/5 ; b = 1/12

Finalmente : x = 2; y = -3

2. Resolver el sistema
x3 + x3 y3 + y3 = 17

x + xy + y = 5

Solución :

Sea : x+y=µ

Xy = v

Tendríamos
µ3 – 3µv + v3 = 17

µ+v=5
Resolviendo

µ1 = 3 µ2 = 2

v1 = 2 v2 = 3

Nos quedaría

x+y=3 x+y=2

xy = 2 xy = 3

x1 = 1 x2 = 2 x3 = 1 + i 2 x4 = 1 - i 2

y1 = 2 y2 = 1 y3 = 1 - i 2 y4 = 1 + i 2

3. Resolver el sistema

x4 + y4 = 272

x+y=6

Solución :

Sea x = µ + v ; y = µ - v

En la segunda : 2µ = 6  µ=3

En la primera (3 +V)4 + (3 – V)4 = 272

V4 + 54 V2 – 55 = 0

V = ± 1 ; V = ± i 55

Finalmente :

x1 = 2 x2 = 4 x3 = 3 + 55 i x4 = 3 - i 55
y1 = 4 y2 = 2 y3 = 3 - 55 i y4 = 3 + i 55

DETERMINANTES
El concepto de determinante surge con el problema de solución de un sistema
de ecuaciones lineales por ejemplo dado el sistema:
𝑎𝑥 + 𝑏𝑦 = 𝑟
𝑐𝑥 + 𝑑𝑦 = 𝑠

Donde 𝑥 e 𝑦 son las incógnitas, eliminando variables y despejando se tiene:

𝒅𝒓−𝒔𝒃
𝒙=
𝒂𝒅−𝒃𝒄

𝒂𝒔−𝒄𝒓
𝒚=
𝒂𝒅−𝒃𝒄

El número 𝑎𝑑 − 𝑏𝑐 se encuentra como denominador en 𝑥 e 𝑦.

En la forma matricial se tiene:

𝑎 𝑏 𝑥 𝑟
( ) (𝑦) = ( )
𝑐 𝑑 𝑠

Se dice que el determinante de la matriz de los coeficientes denotado por:

𝑎 𝑏
det (A) = det A = |𝐴| = | | = 𝑎𝑑 − 𝑏𝑐
𝑐 𝑑
el sistema tendrá solución si |𝐴| ≠ 0

Definición
El determinante viene a ser una función que aplicada a una matriz cuadrada da
un único valor numérico.
Sea A un matriz cuadrada
Φ :Knxn R o C (reales o complejos)
Dada la matriz 𝐴
𝑎11 𝑎12 𝑎1𝑛
𝑎21 𝑎22 ⋯ 𝑎2𝑛
𝐴 =( ⋮ ⋱ ⋮ )
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛

Cuyas filas son:

A1 = (a11, a12,…, a1n)


.
.
𝐴𝑛 = (an1, an2,…, ann)

La matriz A por filas es:

A = (A1, A2,…,Ai , … , An) entonces el determinante es

|A| = det (A1 , A2 , …, Ai , … , An)

En el determinante se verifica que


1. det (A1 , A2 , … , Ai , … , An)=0 si 𝐴𝑖 = 𝐴𝑗
2. det(B) = det(A1 , A2 , … , r Ai , … , An)= r det(A1 , A2 , … ,Ai , … , An)= r
det(A)
Observación: Si cualquier fila de A se multiplica por “r” , entonces |B| = r|A|
3. det(A1 , A2 ,… , Ai + Aj , … , An) = det(A1 , A2 ,… , Ai , … , An) + det(A1 , A2 ,…
,Aj ,… , An)
para todo i , j = 1,2,3,…, n
4. det(𝐼𝑛 ) = 1

Definición
Sea 𝐴 una matriz cuadrada de orden 2x2
𝑎11 𝑎12
𝐴 = (𝑎 𝑎22 )
21
El determinante de segundo orden es el número definido por:
|A| = a11 . a22 - a12 . a21

Definición:
Sea 𝐴 una matriz cuadrada de orden 3x3

𝑎11 𝑎12 𝑎13


A = (𝑎21 𝑎22 𝑎23 )
𝑎31 𝑎32 𝑎33

El determinante de tercer orden es el número definido por:


|A| = a11 .a22 .a33+ a12 .a23 .a31+ a13 .a21.a32- a31 .a22 .a13-a32 .a23 .a11 -
a21 .a12 .a33

MENORES Y COFACTORES
Sea la siguiente matriz cuadrada de orden nxn

𝑎11 𝑎12 ⋯ 𝑎1𝑗 ⋯ 𝑎1𝑛


𝑎21 𝑎22 ⋯ 𝑎2𝑗 ⋯ 𝑎2𝑛
⋮ ⋮ ⋱ ⋮ ⋱ ⋮
𝐴= 𝑎𝑖𝑗 ⋯ 𝑎𝑖𝑛
𝑎𝑖1 𝑎𝑖2 ⋯
⋮ ⋮ ⋱ ⋮ ⋱ ⋮
( 𝑎𝑛𝑖 𝑎𝑛2 ⋯ 𝑎𝑛𝑗 ⋯ 𝑎𝑛𝑛 )

Sea Mij la submatriz cuadrada de orden n-1 que resulta de eliminar la fila “i” y la
columna “j” de la matriz A.
Entonces:
1) |𝑴𝒊𝒋 | se llama menor complementario del elemento aij de A.
2) El cofactor del elemento aij que se simboliza por Aij se define por:

𝑨 (−𝟏)𝒊+𝒋 |𝑴
⏟𝒊𝒋 = ⏟ ⏟ 𝒊𝒋 |
𝒄𝒐𝒇𝒂𝒄𝒕𝒐𝒓 𝒔𝒊𝒈𝒏𝒐 𝒎𝒆𝒏𝒐𝒓

Como “i+j” puede ser par o impar


 Aij = ±|𝑀𝑖𝑗 |

Desarrollo de un determinante por cofactores


El determinante de una matriz cuadrada A = [aij]nxn es igual a la suma de los
productos de los elementos de cualquier fila o columna por sus respectivos
cofactores.
Para aplicar este desarrollo es necesario elegir una fila o una columna y
efectuar el desarrollo por dicha fila o dicha columna.

a) Si elegimos la fila “k” el desarrollo del determinante es:

|𝑨| = ∑𝒏𝒋=𝟏(𝒂𝒌𝒋 𝑨𝒌𝒋 )

b) Si elegimos la columna “j” el desarrollo del determinante es:

|𝑨| = ∑𝒏𝒌=𝟏(𝒂𝒌𝒋 𝑨𝒌𝒋 )

3 6 −9
Ejemplo: A = (0 2 1)
3 −1 2
Si elegimos la 1rafila:
|𝐴| = ∑3𝑗=1(𝑎1𝑗 𝐴1𝑗 ) = (𝑎11 𝐴11 ) + (𝑎12 𝐴12 ) + (𝑎13 𝐴13 )
2 1 0 1 0 2
= 3| | + 6(-1)| | + (- 9)| | = 87
−1 2 3 2 3 −1

Obs:si elegimos la primera columna


|𝐴| = ∑𝑛𝑘=1(𝑎𝑘1 𝐴𝑘1 ) = (𝑎11 𝐴11 ) +(𝑎21 𝐴21 ) + (𝑎31 𝐴31 )
2 1 6 −9 6 −9
= 3| | + 0(-1)| | + 3| | = 87
−1 2 −1 2 2 1
MATRIZ DE COFACTORES
Sea A una matriz cuadrada de orden nxn y Aij es el cofactor de aij entonces la
matriz:

𝐴11 𝐴12 ⋯ 𝐴1𝑛


Cofact A = ( ⋮ ⋮ ⋱ ⋮ )
𝐴𝑛1 𝐴𝑛2 ⋯ 𝐴𝑛𝑛

Dicha matriz se denomina matriz de cofactores de A.


La transpuesta de esta matriz es conocida como Matriz adjunta de A.

Propiedades de la matriz adjunta de A

1) adj (In) = In
2) adj (At) = (adj (A))t
3) adj (An) = (adj (A))n
4) adj (AB) = adj (B) adj (A)
𝐴 𝐴
5) adj (A-1) = (adj (A))-1 = = |𝐴|
𝑑𝑒𝑡𝐴

6) |𝑎𝑑𝑗(𝐴)|= |𝐴|𝑛−1

TEOREMA
Una matriz A de orden n es no singular si y solo si el determinante no es nulo
(|𝐴| ≠ 0).

PROPIEDAD:
La matriz A es invertible si y solo si el determinante no es nulo.
TEOREMA
Si A es una matriz no singular de orden n entonces:

1 1
A-1 = adj(A). |𝐴| = (cofact A )t . |𝐴| ; |𝐴| ≠ 0

Ejemplo: Halle la matriz inversa de A:


5 1 8
− 29
3 6 −9 5 −3 24 87 29
1 1 11 1
A = (0 2 1 ) A-1 = ( 3 33 −3).87 = 29 29
− 29
3 −1 2 −6 21 6 2 7 2
− 29
( 29 29 )

Observación:
1. Si una matriz tiene inversa entonces esta es única.
2. Si B es una matriz inversa de A entonces también se puede decir que A es la
matriz inversa de B.
3. No siempre una matriz cuadrada tiene inversa.
4. Se dice que una matriz cuadrada A es singular si y solo si su determinante
es cero.
5. Si una fila o columna de una matriz A se le suma el múltiplo de otra fila o
columna, entonces el valor del determinante no varía.
6. Si los elementos de una fila o columna cualquiera constan de dos términos,
el determinante puede expresarse como la suma de otros dos
determinantes.
7. El determinante de una matriz triangular superior o inferior es igual al
producto de los elementos de la diagonal principal.
8. det(A + B) ≠det(A) + det(B)
En general el determinante de una matriz triangular superior o inferior es igual
al producto de los elementos de la diagonal principal.
9. det(AB) = det(A)det(B)
En general el determinante de un producto de matrices es igual al producto de
los determinantes de las matrices siempre y cuando las matrices sea
cuadradas del mismo orden.
PROBLEMAS
Calcule el determinante de las siguientes matrices
1 2 3 𝑛
−1 0 3 ⋯ 𝑛 𝑎−𝑏−𝑐 2𝑎 2𝑎
1. 𝐴 = −1 −2 0 𝑛 2.𝐵 = ( 2𝑏 𝑏−𝑐−𝑎 2𝑏 )
⋮ ⋱ ⋮ 2𝑐 2𝑐 𝑐−𝑎−𝑏
[−1 −2 −3 ⋯ 0]
3.

DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES


REGLA DE CRAMER
Es un teorema en el álgebra lineal que da solución a un sistema de ecuaciones
lineales trabajando con los determinantes.
Recibe el nombre en honor a Gabriel Cramer (1704 – 1752) quien público un
trabajo dando nociones sobre el método.
Si: AX = b es un sistema de ecuaciones lineales siendo: X = (x1 , x2, … , xn) el
vector de las incógnitas; b el vector de los términos independientes y A es la
matriz de los coeficientes, entonces las soluciones del sistema se representan:

𝐝𝐞𝐭(𝑨𝒋 )
xj = 𝒅𝒆𝒕(𝑨)

Donde Aj es la matriz que resulta al remplazar la J-esima columna de A por el


vector columna b.

Ejemplo: Sea
𝑥1 𝑏1
𝑎11 ⋯ 𝑎1𝑛
𝑥2 𝑏
X=( ⋮ ) ; A=( ⋮ ⋱ ⋮ ) ; B = ( 2)
𝑎𝑛1 ⋯ 𝑎𝑛𝑛 𝑛𝑥𝑛 ⋮
𝑥𝑛 𝑏𝑛
𝑎11 ⋯ 𝑎1,𝑗−1 𝑏1 𝑎1,𝑗+1 ⋯ 𝑎1𝑛
𝑎21 ⋯ 𝑎2,𝑗−1 𝑏2 𝑎2,𝑗+1 ⋯ 𝑎2𝑛
Aj = ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
𝑎𝑛−1,1 ⋯ 𝑎𝑛−1,𝑗−1 𝑏𝑛−1 𝑎𝑛−1,𝑗+1 ⋯ 𝑎𝑛−1,𝑛
( 𝑎𝑛1 ⋯ 𝑎𝑛,𝑗−1 𝑏𝑛 𝑎𝑛,𝑗+1 ⋯ 𝑎𝑛𝑛 )
Usando propiedades:
AX = B
A-1 AX = A-1B
I X = A-1 B
X = A-1 B
𝑎𝑑𝑗(𝐴)𝐵
X= |𝐴|

𝑨𝟏𝟏 𝑨𝟏𝟐 ⋯ 𝑨𝟏𝒏 𝒕 𝒃𝟏


( ⋮ ⋮ ⋱ ⋮ )( ⋮ )
𝒂𝒅𝒋(𝑨)𝑩 (𝒄𝒐𝒇𝒂𝒄𝒕𝑨)𝒕 𝑩 𝑨𝒏𝟏 𝑨𝒏𝟐 ⋯ 𝑨𝒏𝒏 𝒃𝒏
X = A-1 B = |𝑨|
= |𝑨|
= |𝑨|
𝒙𝟏
( ⋮ )
𝒙𝒏
= |𝑨|

∑𝒏
𝒋=𝟏 𝑨𝒋𝒊 𝒃𝒋
Xi= |𝑨|

Matrices y sistemas de ecuaciones lineales


Dado el siguiente sistema de m ecuaciones lineales
Donde los 𝑎𝑖𝑗 son los coeficientes, los 𝑥𝑖 son las variables o incógnitas y los 𝑏𝑖
son los términos independientes o constantes

𝒂𝟏𝟏 𝒙𝟏 + 𝒂𝟏𝟐 𝒙𝟐 + … + 𝒂𝟏𝒏 𝒙𝒏 = 𝒃𝟏


𝒂𝟐𝟏 𝒙𝟏 + 𝒂𝟐𝟐 𝒙𝟐 + … + 𝒂𝟐𝒏 𝒙𝒏 = 𝒃𝟐

𝒂𝒎𝟏 𝒙𝟏 + 𝒂𝒎𝟐 𝒙𝟐 + ⋯ + 𝒂𝒎𝒏 𝒙𝒎 = 𝒃𝒎

Matricialmente se presenta

𝒂𝟏𝟏 𝒂𝟏𝟐⋯ ⋯ 𝒂𝟏𝒏


𝒂𝟐𝟏 𝒂𝟐𝟐⋯ ⋯ 𝒂𝟐𝒏 𝒙𝟏 𝒃𝟏
⋮ ⋮ ⋮ 𝒙 𝒃
( 𝟐) = ( 𝟐 )
⋮ ⋮
𝒙𝒏 𝒃𝒎
( 𝒂𝒎𝟏 𝒂𝒎𝟐 ⋯ ⋯ 𝒂𝒎𝒏 )

AX=b
Dónde:
A: es la matriz de los coeficientes
X: es la matriz de las incógnitas
b: es la matriz de los términos independientes

Matrices equivalentes
Se dice que una matriz A=[𝒂𝒊𝒋 ] es equivalente por filas a una matriz
𝒎𝒙𝒏

B=[𝒃𝒊𝒋 ] .Si B se puede obtener de A por medio de un numero finito de las


𝒎𝒙𝒏

llamadas operaciones elementales por filas.

Operaciones elementales
Se llaman operaciones elementales o transformaciones elementales por filas
sobre una matriz A:
[𝐸1 ]: intercambiar la fila i-ésima y la fila j- ésima
[𝐸2 ]: multiplicar la fila i-ésima por un escalar k (k≠0)
[𝐸3 ]: reemplazar la fila i-ésima por k veces la fila j- ésima más la fila i-ésima
𝑅𝑖 → 𝑘𝑅𝑗 + 𝑅𝑖

Matriz escalonada
Se dice que una matriz se encuentra en su forma escalonada si el número de
ceros anteriores a la primera componente distinta de cero de una fila crece fila
por fila.
A los números diferentes de cero que se encuentran solos en una columna se
les llaman elementos distinguidos.

Rango de una matriz


Una de las definiciones está dada por la cantidad de filas no nulas en una
matriz escalonada.

Matriz ampliada
Es aquella matriz que se forma con los coeficientes y los términos
independientes de un sistema de ecuaciones lineales.
Se denota: [A: b]
El siguiente diagrama resulta útil para resolver un sistema de ecuaciones
lineales.

Inicio

AX= b
[A:b]

≠ el sistema es
r(A):r(Ab)
incompatible

no existe sistema
solución compatible =

existe
r:n solución
única

existe
infinitas
soluciones

n-r = k
k: numero de
parametros

hallar las
soluciones

fin

Ejemplo: resolver
x1- 2x2+ x3- x4- x5= -6
2x1+ 2x2- x3- x5= -4
4x1- 3x2+ x3- 2x4- 3x5= -16
3x1- 6x2+ 3x3- 3x4- 3x5= -18
Solución:
1 −2 1 −1 −1 −6 1 0 1 −1 −1 −6
2 2 −1 0 −1 −4 0 0 −3 2 1 8
( )( )
4 −3 1 −2 −3 −16 0 1 0 0 0 0
3 −6 3 −3 −3 −18 0 0 0 0 0 0
3 0 0 −1 −2 −10
0 1 0 0 0 0
( )r(A) = 3 , r(AB) = 3 ,
0 0 −3 2 1 8
0 0 0 0 0 0
∃ soluciones 5 − 3 = 2 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠
3x1- x4-2 x5= -10
x2= 0
-3 x3+ 2x4+ x5= 8
x4 = a
x5= b
2𝑏 + 𝑎 − 10
𝑥1 =
3
x2= 0
2𝑎+ 𝑏−8
𝑥3 = ; ayb𝜖ℝ
3

Ejemplo:
Resolver:
x1+ x2- x3+ x4= 0
3x1- x2+ 2x3+ 3x4= 7
x1+ 2x2- 2x3- x4= -1
3x3+ x4= 9
Solución:
1 1 −1 1 0 1 0 0 0 1
3 −1 2 3 7 0 1 0 0 2
( )( )
1 2 −2 −1 −1 0 0 1 0 3
0 0 3 1 9 0 0 0 1 0
r(A) = r(AB) = 4 = n x1= 1 x2= 2 x3=3 x4 = 0

Ejemplo:
Para que valores de x el rango de la matriz es menor que 4.
𝑥 1 0 𝑥
0 𝑥 𝑥 1
( )
1 𝑥 𝑥 0
𝑥 0 1 𝑥
Solución:
𝑥 1 0 𝑥 𝑥 0 1 𝑥 𝑥 0 1 𝑥
0 𝑥 𝑥 1 0 0 −1 −2𝑥 0 0 −1 −2𝑥
( )x ≠ 0 ( )( )
1 0 0 −1 0 0 2𝑥 1 0 0 2𝑥 + 1 2𝑥 + 1
0 −1 1 0 0 −1 1 0 0 −1 1 0
1 0 0 −1
0 1 −1 0
( )
0 0 1 2𝑥
0 0 0 1 − 2𝑥

Observación:
Se dice que un sistema es homogéneo cuando los términos independientes
son ceros, es decir:
𝑎11 𝑥1 + 𝑎12 𝑥2 + … + 𝑎1𝑛 𝑥𝑛 = 0

𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + … + 𝑎𝑚𝑛 𝑥𝑛 = 0
El sistema tiene por lo menos una solución (llamada solución trivial)
𝑥1 = 𝑥2 = ⋯ = 𝑥𝑛 = 0 , por lo cual es consistente o compatible.
Una condición necesaria y suficiente para que un sistema de ecuaciones
lineales tenga más de una solución es que r(A) =r(Ab) = k <n , donde n es el
número de incógnitas, en este caso el sistema posee soluciones no triviales.

OBTENCION DE LA MATRIZ INVERSA MEDIANTE OPERACIONES


ELEMENTALES (METODO DE GAUSS-JORDAN)

Se aplica el método de Gauss-Jordán.


Sea: A=[𝑎𝑖𝑗 ]𝑛𝑥𝑛

(A: I) O: E (I: B)
Entonces; B=A-1
Siendo: “I” la matriz identidad, B es la matriz inversa.
Ejemplo:
1 0 2
A = (2 −1 3)
4 1 8
Solución:
1 0 2 1 0 0 1 0 2 1 0 0
𝑓2 − 2𝑓1
(2 −1 3 0 1 0 0 −1 −1 −2 1 0)
) (
𝑓 − 4𝑓
4 1 8 0 0 1 0 3 1 1 0 −4 0 1
1 0 0 −11 2 2
(0 1 0 −4 0 1)
0 0 1 6 −1 1
−11 2 2
A-1 = ( −4 0 1)
6 −1 1
1 0 2 −11 2 2 1 0 0
Obs: (2 −1 3) ( −4 0 1) = (0 1 0)
4 1 8 6 −1 1 0 0 1

Ejemplo:
Encuentre le matriz inversa de A, si existe.
1 2 3 0
2 4 3 2
A=( )
3 2 1 3
6 8 7 5
Solución:
1 2 3 0 1 0 0 0 6 0 0 5 3 0 5 −2
2 4 3 2 0 1 0 0 0 12 0 7 −15 0 −11 8
( )( )
3 2 1 3 0 0 1 0 0 0 3 −2 3 0 1 −1
6 8 7 5 0 0 0 1 0 0 0 0 1 1 1 −1
∄ matriz inversa
Ejemplo:
Halle la inversa de la matriz A de orden “n”
Donde:
𝑎𝑖𝑗 =0 si i=j ; 𝑎𝑖𝑗 =1 si i≠j

APUNTES SOBRE LOS NUMEROS COMPLEJOS


Definición: El conjunto de los números complejos es el conjunto R2 de pares
ordenados de números reales, dotado con las operaciones internas de adición y
multiplicación, definidas de la siguiente forma:
Adición:

(a ; b)+(c ; d) = (a+c ; b+d)

Multiplicación:

(a ; b).(c ; d) = (ac-bd ; ad+bc)

Notación
  a; b  / a  , b  

Todo elemento de se denomina número complejo.

Definición de número complejo

Un numero complejo es todo par ordenado de números reales (x ; y) que


pertenecen a C.

z  z  (x;y),x,y 

El primer elemento x, se denomina parte real de z y se denota por Re(z)

El segundo elemento y, se denomina parte imaginaria de z y se denota


por Im(z)

Ejemplo:

 3  Re(z)
z  (3;  4) 
 4  Im(z)

Propiedades

Sea z1 ;z2 

a) Re(z1  z2 )  Re(z1)  Re(z2)

b) Im(z1  z2 )  Im(z1)  Im(z2 )

c) Re(i z)   Im(z)
d) Im(iz)  Re(z)

Representación gráfica de un numero complejo

Cada número complejo z = (a ; b), se puede representar por un punto P


de un plano; las partes real “ a “ e imaginaria “ b “ son las coordenadas
de P en un sistema cartesiano ortogonal cuyos ejes se llaman eje real y
eje imaginario.

El plano usado para representar el conjunto C de los números complejos


se denomina plano complejo (diagrama de Argand).

Como también cada punto del plano representa un vector de origen (0 ;


0) y extremo P, la correspondencia anterior nos permite representar a
cada numero complejo z por un vector OP .

Los números complejos como una extensión de los números reales

Sea R'   0 un subconjunto de C, formado por los pares ordenados cuya
segunda componente es cero: R'  (a,b)  / b  0 .
f:  R'
Consideremos la función:
x (x , 0)

Podemos observar que f es inyectiva y suryectiva y por lo tanto biyectiva,


además f conserva las operaciones de adición y multiplicación:

f(a)+f(b) = f(a+b), (a ; 0)+(b ; 0) = (a+b ; 0)

f(a).f(b) = f(ab), (a ; 0).(b ; 0) = (a.b ; 0)

Como existe una función biyectiva f :  R' que conserva las


operaciones de adición y multiplicación, diremos que y R ' son
isomorfos.Esto significa que operar con (a,0) lleva a resultados análogos
a los obtenidos al operar con x, por este motivo podemos escribir:

a  (a , 0)  a 

Forma binomica de un número complejo

La notación cartesiana de un numero complejo z como par ordenado


z  (a,b) no es conveniente para operar, por ejemplo, si z  (2,  3) resulta
muy laborioso calcular z5  (2 ,  3)5 .

La unidad imaginaria

Al número complejo (0,1) se le denomina la unidad imaginaria y lo


representamos por i, entonces i  (0,1)
Usando la multiplicación de complejos y la identificación de con  0
:

i2  i  i  (0,1)  (0,1)  ( 1,0)  1

Entonces z  (a,b)  (a,0)  (0,b) como: (0,b)  (b,0)  (0,1) , podemos escribir:

z  (a,0)  (b,0)  (0,1)  a  bi

Proposición

Todo número complejo z  (a,b) puede ser representado en forma única


en la forma z  a  bi , denominada forma binomica de z

Potencias de la unidad imaginaria

i1  i i5  i i9  i

i2  1 i6  1 i10  1

i3  i i7  i i11   i

i4  1 i8  1 i12  1

De la tabla podemos deducir:

in (i  i2  i3  i4 )  in (0) . n  
1) i  i2  i3  i4  0 , entonces
 in1  in 2  in3  in 4  0

La suma de cuatro potencias enteras consecutivas de la unidad


imaginaria es cero.

2) i4k  1 , i4k a  ia , k es entero.

Corolario

ia1a2a3...an1 an2  ian1 an2

n n
3) i(4k a)  ia , a,kenteros, n  
Definiciones

NúmeroReal: a  : z  (a,0)  a  a  0i

Imaginario Puro: b 

z  (0;b)  (b;0).(0;1)  bi

Complejo nulo: z  (0,0)  0  0i  0

Opuesto de un complejo: si z  (a,b) , su opuesto es


 z  (a ,  b)  a  bi

Im
Z

Re

–Z

Conjugado de un complejo:

Si z  x  yi , se denomina conjugado de z al complejo z definido por:


z  x  yi
Im Z=(a; b)

Re

= (a; –b)

La conjugación nos permite calcular fácilmente el inverso de un complejo

z  x  yi  0 en forma binomica
1 1  1  x  yi 
   
z x  yi  x  yi  x  yi 
x  yi 1 x  y 
    i
x2  y2 z x2  y2  x2  y2 

Complejos iguales:sea z1 y z2 

z1  z2  Im(z 
Re(z1)  Re(z2 )
1)  Im(z2 )

Modulo de un número complejo

Sea Z  a  bi , el modulo del complejo Z denotado por Z , se define como:

Z  a2  b2 , a,b

Ejemplo:

Z = 4 + 3i  Z  42  32  25  5

Propiedadesdel conjugado de un numerocomplejo


1. Z   Z ;  
2. Z1  Z2  Z1  Z2
3. Z1.Z2  Z1.Z2
 Z1  Z1
4. Z  ;  Z2  0
 2  Z2

5. Re  Z   Z  Z
2
6. Im  Z   Z  Z
2i
7. Z  Z  Z

II. Del módulo de un complejo


1. Z  ; | Z |  0
2. Z  0  Z  0 (Complejo nulo)
3. | Z1 . Z2 | = | Z1 | | Z2 |
4.  Z   Z ;  
Z1 Z1
5.  ; Z2  0
Z2 Z2
6. |Z|=| Z |=|–Z|
7. | Z |2 = Z . Z
8. | Z1 + Z2 |  | Z 1 | + | Z2 |
(Desigualdad triangular)
9. | Zn | = | Z |n ; n  \ 0
Operaciones en forma cartesiana
Adición:

(a + bi) + (c + di) = (a + c) + (b + d)i

Sustracción:

(a + bi) - (c + di) = (a - c) + (b - d)i

Multiplicación:

(a + bi) (c + di) = (ac - bd) + (ad + bc)i

a  bi (a  bi)(c  di) ac  bd bc  ad
División:    i
c  di (c  di)(c  di) c 2  d2 c 2  d2

n
Potencia: (a  bi)n   Cnkank (bi)k ,
k 1

la potencia se vuelve laboriosa

Radicación: n x  yi  a  bi  x  yi  (a  bi)n ,

la radicación se vuelve complicada


Argumento de un número complejo no nulo

El argumento de un número complejo, es el ángulo que forma el semieje


positivo de abscisas, con la semirrecta que une el origen de
coordenadas con el afijo de z. No se define el argumento del numero
complejo (0 ; 0)
Dado z  \ (0 , 0) , un argumento de z es cualquier  tal que:

Re(z) Im(z)
cos   , sen  
z z

Podemos definir el conjunto de los argumentos de un número complejo z


no nulo y denotarlo por arg z.

 Re(z) Im(z) 
argz    / cos   ,sen   
 z z 

Argumento principal de un número complejo no nulo

Un número complejo z  \ (0 , 0) , tiene infinitos argumentos si uno de


ellos es  los demás están expresados por la fórmula:   2k , k 
.Para que θ sea único, basta con imponer la condición adicional que
pertenezca a un cierto intervalo semiabierto de longitud 2 tal como
[0,2  ,  , ] , etc.Entonces, de entre los infinitos argumentos de z,
se denomina argumento principal de z  \ (0 , 0) y se denota Arg z, al
que verifica la condición 0    2 .

Es decir 0  Arg z  2 , además arg z  Arg z  2k ,k  


Nota: En otros países, el argumento principal de z  \ (0 , 0) , es el
valor de Arg z , tal que   Arg z  

Propiedades

1) arg(z)  2  argz

arg z   , 0  arg z  
2) arg( z)  
arg z   ,   arg z  2

1
3) arg( )  2  arg z
z

Forma polar o trigonométrica de un número complejo


Dado el número z  C \ (0,0)

Im

b (a; b)
Afijo de z
r=|z|

a Re
De la figura:
a  r cos  , a  r cos 
b 2 2
  arctg   ,   , r  a  b ,
 
a

r = módulo de complejo Z
 = argumento principal del complejo Z
Como z  a  ib , entonces:

z  r cos   ir sen   r(cos   isen ) , es la forma polar o trigonométrica de


z.
Operaciones en forma polar o trigonométrica

Sean: z1  r1(cos 1  isen 1) z2  r2 (cos 2  isen 2 )

a) z1.z2  r1r2 cos(1  2 )  isen(1  2 )


z r
b) 1  1 cos(1  2 )  isen(1  2 )
z2 r2
c)z1n  r1n cos(n1)  isen(n1) ; n  Z

   2k   2k 
d) n z1  n r1 cos( 1 )  isen( 1 )
 n n 
, k  0 , 1, 2 , 3 , ... , (n  1), n   ,n  2
Fórmula de “De Moivre”
Se usa para calcular senos y cosenos de ángulos múltiples

(cos   i sen )n  cosn  i senn

Ejemplo: Si n = 2
(cos   isen )2  cos 2  isen2
cos2   sen2   i(2sen  cos ) 
cos 2 sen 2
cos 2  isen2 ,
igualamos parte real y parte imaginaria
entonces cos 2  cos2   sen2 
y sen2  2sen  cos 
Identidades notables

Si z  cos   isen 

 z1  cos   isen 


1
a)
z

b) z  z1  2cos 

c) (z  z1)n  2n cosn 

zn  cos(n)  isen(n) y
d) z n  cos(n)  isen(n)
 zn  z n  2cos(n)

Ejemplo:

Si n = 6 (z  z1)6  26 cos6  ;

(z  z1)6  z6  6z4  15z2  20


15z2  6z4  z6

(z  z1)6  (z6  z6 )  6(z4  z 4 )


2cos(6) 2cos(4)
2 
15(z  z )  20  2 cos6 
2 6

2cos(2)

1 3 15 5
cos6   cos 6  cos 4  cos 2 
32 16 32 16

Notación fasorial
Se usa en el análisis de circuitos con corriente alterna

z  r(cos   isen )  z  r 

Notación científica

Se usa para abreviar la escritura de la forma polar:

z  r(cos   isen )  z  r cis 

Operaciones:
Sea: Z1  r1Cis1 , Z2  r2Cis2
Entonces:
Z1 r1
Z1Z2  r1r2Cis  1  2   Cis  1  2 
Z2 r2
Propiedades:
1. Cis    1
2. Cis  1  .Cis  2   Cis  1  2 
 cos  1  2   isen  1  2 
Cis  1 
3.  Cis  1  2 
Cis  2 
 cos  1  2   isen  1  2 
4. Cis    cos   isen
5.  Cis n  Cis  n   cos  n   isen n  ;
n
6. Cis  1   Cis  2   1  2  2k, k 
Forma exponencial de un número complejo
Formula de Euler

ei  cos   isen  , 


Como z  r(cos   isen )

z  rei (Forma exponencial de z)

Propiedades

1) ei(0)  1

2)   : ei   0

3)   : ei   1

4) ei( 2k)  ei  , k 

5) ei 1  ei 2 1  2  2k , k 

6)   : (ei  )  ei 

7) 1, 2  : ei 1ei 2  ei(1 2 )

8)  n  ,   : (ei  )n  ein 

Operaciones en forma exponencial

Sean: z1  r1ei1 , z2  r2 ei2

a) z1.z2  r1r2 ei(12 )

z1 r1 i(12 )
b) z  r e
2 2

c) z1n  r1n ei(n1) ; n 

  2k
i( 1 )
d) n z1  n r1 e n ,
k  0 , 1, 2 , 3 , ... , (n  1)

Ejemplo: Sea Z = 1 – i

Z  r  1   1 , entonces r  2


2 2
Im El argumento

  2  
1 4
7
Re   4

–1 Z=1–i

7 i
 Z  1 i  2e 4

Raíz enésima de la unidad

2k
i( )
n 1  e n , k  0,1,2,3,.....,(n  1)

2 2k
i i
Si hacemos w  e n , entonces k
w  e n , las n raíces forman el
conjunto


Gn  w k ,k  0,1,2,3,...,(n  1) 

 1,w ,w 2 ,w 3 ,...,wn 1 
w se denomina raíz enésima de la unidad.De la forma exponencial de las
raíces enésima de la unidad vemos que están en el círculo de radio uno
2
centrado en el origen y están uniformemente espaciadas sobre el cada
n
radianes. Cuando n = 2 estas raíces son 1, cuando n  3 las raíces
corresponden a puntos situados en los vértices de un polígono regular de n
lados, este polígono está inscrito en el circulo de radio uno centrado en el
origen y tiene un vértice en el punto correspondiente a la raíz z  1 (k  0) ;
además el eje real es eje de simetría de dicho polígono regular.

Ejemplo: Calcular 6 1

Solución:

G6  wk ,k  0,1,2,3,4,5 
G6  1,w,w 2 ,w3 ,w 4,w 5 / w  ei(2 /6) 


G6  1,ei(  /3) ,ei(2 /3) ,ei( ) ,ei(4  /3) ,ei(5  /3) 
 1 3 1 3 1 3 1 3 
G6  1,  i ,  i ,  1,   i , i 
 2 2 2 2 2 2 2 2 

Nota:
a) La suma de las raíces enésimas de la unidad es cero.

b) El producto de las raíces enésimas de la unidad es ( 1)n1

Raíces cubicas de la unidad

2k
i( )
3 1  e 3 , k  0,1,2

Si k  0  R1  1
Si k  1  R2  w  ei(2 /3)    i
1 3
2 2

Si k  2  R3  w 2  ei(4 /3)    i
1 3
2 2

Propiedades

a) w3  1 , w 4  w , w3  1 , w3  a  wa

b) 1  w  w 2  0

c) w 4  w 2  1  0
2
d) w  w
La exponencial compleja

Si z  a  bi  ez  ea (cosb  isenb)

Propiedades

1)  z : ez  0

2)  z  : (ez )  ez

3)  z1 , z2  : ez1.ez2  ez1 z2

4) ez  1  z  2k i ; k 

5)  z  : e z  eRe(z)

6) arg(ez )  Im(z)  2k , k 

7) ez  2k i  ez ,k 

8)  z1 , z2  : ez1  ez2  z1  z2  2k i

i
e w  2i  w  ln2   2ki , k 
2

Lugar geométrico de números complejos


Para graficar el lugar geométrico o identificar geométricamente los
conjuntos de números complejos z que verifican determinadas
condiciones, se remplazan en las condiciones z  x  yi o según
convenga z  rei .

Ejemplo: Graficar los números complejos z que verifican la condición:


z r

Solución:

z  r  x 2  y2  r  x 2  y2  r 2

Es la ecuación de una circunferencia centrada en el origen de radio r

Ejemplo: Graficar los números complejos z que verifican la condición:


z  z0  r, r  0, z0 fijo

Solución:

z  z0  r  (x  x0 )2  (y  y0 )2  r

(x  x0 )2  (y  y0 )2  r 2

Es la ecuación de una circunferencia centrada en (x0 ,y0 ) de radio r



Ejemplo: Determine la gráfica del conjunto A  i  z / iz  1  i  1 
Solución:

iz  1  i  1  i (x  iy)  1  i  1
Sea
 1  y  i(x  1)  1 (x  1)2  (y  1)2  1.. (1)
z1  i  z  i  (x  iy)  x  i(y  1) ,
 x1  y1  x  i(y  1)


Entonces x  x1 , en la relación (1),
y  y1  1

( x1  1)2  (y1  1  1)2  1 (x1  1)2  (y1  2)2  1 , es la ecuación de una


circunferencia de centro ( -1 , 2) y radio 1.

El polinomio complejo

Sea Z  C ,un polinomio definido sobre el conjunto de los números


complejos tiene la forma: P(z)  anzn  an1zn1  .........  a1z  a0 , an  0

Donde: n  N , es el grado del polinomio, ai  C , son los coeficientes


complejos
Teorema fundamental del algebra

Todo polinomio no constante con coeficientes complejos tiene al menos


un cero complejo.

Teorema

Sea P(z)  a0  a1z  .........  an1zn1  anzn , an  0 ,un polinomio complejo

de grado n  1, P(z) tiene n raíces complejas(contando cada una según


su multiplicidad). Es decir, existen n números complejos (iguales o
distintos) z1,z2,z3,...,zn  , tal que:
P(z)  an(z  z1)(z  z2 )(z  z3 )....(z  zn)

Teorema

1) Todo polinomio de grado impar con coeficientes reales tiene al menos


una raíz real.

2) En los polinomios con coeficientes reales si z  a  bi es una raíz del


polinomio, entonces su conjugado z  a  bi también lo es.

Nota

Todo polinomio de grado n  1, con coeficientes reales se puede


factorizar:

a) como un producto de polinomios reales de grados uno y dos.

P(x)  (ax  b)n (cx2  dx  e)m

b) como un producto de polinomios complejos de grado uno.

PROBLEMAS
1. Indique si las siguientes proposiciones son verdaderas o falsas, fundamente su

respuesta de manera rigurosa (demostrar).

a) Sea 𝐴𝑋 = 0 un sistema homogéneo de n ecuaciones con n incógnitas, supongamos

que el rango o característica de 𝐴 es 𝑅 = 𝑛 − 1 entonces un vector no nulo cuyas

componentes sean los adjuntos de una fila de 𝐴 es solución de 𝐴𝑋 = 0

b) Si 𝐴 es una matriz cuadrada de orden 𝑛 y rango menor que 𝑛 − 1 entonces 𝑎𝑑𝑗𝐴 =


0

C) Si 𝐴 es una matriz simétrica entonces también lo es la 𝑎𝑑𝑗(𝐴) 6 puntos

2. Discutir la compatibilidad según los valores de 𝑎 ∈ 𝑅 del sistema de ecuaciones

lineales. Determine la solución para los casos de compatibilidad.

𝒂𝒙 + 𝒚 − 𝒛 = 𝒂𝟐

𝒙−𝒚+𝒛 = 𝟏

𝟑𝒙 − 𝒚 − 𝒛 = 𝟏
𝟔𝒙 − 𝒚 + 𝒛 = 𝟑𝒂 4 puntos

3. Usando propiedades hallar el determinante de

𝒙 𝒚 𝒙+𝒚
( 𝒚 𝒙+𝒚 𝒙 ) 3 puntos
𝒙+𝒚 𝒙 𝒚

4. Dada la matriz 𝐴¿Que relación deben satisfacer las constantes 𝑎, 𝑏, 𝑐, 𝑑 𝑦 𝑑

Para que el rango de la matriz sea 2,3 y 4?

𝟎𝟏 𝒂 𝒃
𝑨= ( 𝒂 𝟎
−𝟏 𝒄 𝒅
𝒄 𝟎 −𝒆) 4 puntos
𝒃𝒅 𝒆 𝟎

5. El sistema 𝐴𝑋 = 𝑏 tiene solución por única solución (2; −2; 3)𝑡 si la matriz de

8 −4 −4
Cofactores de 𝐴 𝑒𝑠 (−5 7 1 ) . Determine los elementos de la matriz
−1 −1 5

columna𝑏 , si el determinante de 𝐴 positivo. 3 puntos

Ejemplo 1:
Resolver utilizando la regla de Cramer el siguiente sistema de ecuaciones
lineales:
x1 + 3x2 + 3x3 = -2
2x1 + 2x2 + 3x3 = -5
x1+ 2x2 + 3x3 = 6
Ejemplo 2:
Sea: (m + 1)x + y + z = 2-m
x+(m + 1)y + z = -2
x + y + (m + 1)z= m
Halle “m” para que el sistema tenga solución única
Solución:
𝑚+1 1 1 𝑚+3 1 1
|𝐴| = | 1 𝑚+1 1 | = |𝑚 + 3 𝑚+1 1 |=
1 1 𝑚+1 𝑚+3 1 𝑚+1
1 1 1 0 1 1
(𝑚 + 3) |1 𝑚+1 1 | = (𝑚 + 3) |−𝑚 𝑚+1 1 |
1 1 𝑚+1 0 1 𝑚+1
=
1 1
(𝑚 + 3)(𝑚) | | = (𝑚 + 3)(𝑚)(𝑚) 𝑚≠0
1 𝑚+1
Para m=0
𝑥+𝑦+𝑧 =2
𝑥 + 𝑦 + 𝑧 = −2
𝑥+𝑦+𝑧 =0
1 1 12 1 1 10
(1 1 1−2) → ( 0 0 01)
1 1 10 0 0 00

r(A)=1 r(Aa)=2
Solución
Para m=−3
−2 1 1 5 −3 0 30
(1 −2 1 −2) → ( 0 −3 31)
1 1 −2−3 0 0 00
r(A)=2 = r(Aa) < 3 depende de un parámetro

Conclusión:
1º Para que tenga solución única: m 0⋀ 𝑚 ≠ −3
2º Solución: m= 0
3º Más de una solución: m = -3

Ejemplo 3:
Realice un análisis de la compatibilidad del sistema para todos los valores de a
y b si:
𝑎𝑥 + 𝑏𝑦 + 𝑧 = 1
𝑥 + 𝑎𝑏𝑦 + 𝑧 = 𝑏
𝑥 + 𝑏𝑦 + 𝑎𝑧 = 1
Solución:
Analizando para la existencia de una solución:
𝑎 𝑏 1
𝑎𝑏 1 𝑏 1 𝑏 1
|1 𝑎𝑏 1| = 𝑎 | |=| |+| |
𝑏 𝑎 𝑏 𝑎 𝑎𝑏 1
1 𝑏 𝑎
= 𝑏(𝑎 − 1)2 (𝑎 + 2) ≠ 0
𝑏 ≠ 0 ∧ 𝑎 ≠ 1 ∧ 𝑎 ≠ −2

PROBLEMAS
1. Halle el rango de la matriz A para todos los valores de a y b.
2 𝑎 𝑏𝑎 + 𝑏
𝐴= ( 𝑎 𝑎 0 0 )
𝑏 0 𝑏 0
𝑎+𝑏 0 0𝑎 + 𝑏

2. Determine el rango de la matriz, para cualquier valor de t


3 0 6 3𝑡
𝐴 = ( 𝑡 2 2(𝑡 + 1) 0 )
−2 4 0 2𝑡 − 𝑡 2
3. Halle la inversa de la matriz de orden “n” donde:
aij=0 , si i=j
aij=1 , si i j
4. Indique si es verdadero (v) o falso (f) (fundamente)
A) Si A y B son matrices cuadradas de orden “n” tal que AB=A y BA=B
A y B son idempotentes.
B) Si A es una matriz cuadrada de orden n entonces A + AT, ATA y AATson
matrices simétricas.
C) Si A y B son matrices ortogonales entonces A + B también es ortogonal.
D) Si A es nilpotente entonces es invertible.
E) Si 𝐴2 es simétrico entonces A es simétrico.
PROBLEMAS RESUELTOS
1. Que valores debe tener 𝑚 para que el sistema tenga solución
(𝑚 + 1) 𝑥 + 𝑦 + 𝑧 = 2 − 𝑚
𝑥 + (𝑚 + 1)𝑦 + 𝑧 = −2
𝑥 + 𝑦 + (𝑚 + 1)𝑧 = 𝑚
Solución
Para que el sistema de ecuaciones lineales tenga solución el determinante de
la matriz de coeficientes debe ser diferente de cero. │𝐴│ ≠ 0

𝑚+1 1 1 𝑚+3 1 1
det(𝐴) = | 1 𝑚+1 1 | = |𝑚 + 3 𝑚 + 1 1 |
1 1 𝑚+1 𝑚+3 1 𝑚+1
1 1 1 0 1 1
= (𝑚 + 3) |1 𝑚 + 1 1 | = (𝑚 + 3) |−𝑚 𝑚 + 1 1 |
1 1 𝑚+1 0 1 𝑚+1
1 1
= (𝑚 + 3)𝑚 | | = (𝑚 + 3)𝑚2 ≠ 0
1 𝑚+1
El sistema tiene solución si y solo si (𝑚 + 3)𝑚2 ≠ 0 ↔ 𝑚 ≠ ∨ 𝑚 ≠ −3
Si 𝑚 = 0 tenemos el sistema 𝑥+𝑦+𝑧 =2
𝑥 + 𝑦 + 𝑧 = −2
𝑥 + 𝑦 + 𝑧 = 0 𝑒𝑠 𝑢𝑛 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑖𝑛𝑐𝑜𝑛𝑠𝑖𝑠𝑡𝑒𝑛𝑡𝑒
Si 𝑚 = −3 tenemos el sistema −2𝑥 + 𝑦 + 𝑧 = 5
𝑥 − 2𝑦 + 𝑧 = −2
𝑥 + 𝑦 − 2𝑧 = −3
Trabajando con la matriz ampliada (dándole una forma escalonada)
−2 1 1 5 1 −2 1 −2
𝐴𝑎 = | 1 −2 1 −2| → (𝑓1 𝑥𝑓2 ) |−2 1 1 5|
1 1 −2−3 1 1 −2−3
1 −2 1 −2 1 −2 1−2
→ (𝑓2 + 2𝑓1 ; 𝑓3 − 𝑓1 ) |0 −3 3 1 | → (𝑓3 + 𝑓2 ) |0 −3 3 1 |
0 3 −3−1 0 0 00
1 1 −2 1 −2 1 0 1 −8 ∕ 3
→ (− 𝑓2 ) |0 1 −1− 1⁄3| → (𝑓1 + 2𝑓2 ) |0 1 −1−1 ∕ 3|
3
0 0 0 0 0 0 0 0
𝑟(𝐴𝑎 ) = 𝑟(𝐴) = 2 < 3 ( 𝑡𝑖𝑒𝑛𝑒 𝑚𝑎𝑠 𝑑𝑒 𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛)
1 8
Depende de un parámetro la solución es 𝑧 = 𝑡 , 𝑦 = 𝑡 − 3 , 𝑥 = 𝑡 − 3 , 𝑡 ∈ 𝑅

2.

ESPACIOS VECTORIALES
Un espacio vectorial sobre un cuerpo 𝕂 (en los reales o complejos) es un
conjunto V 𝜙 sobre el cual se define:
(Un espacio vectorial es un conjunto V de elementos llamados vectores, cuyas
operaciones de adición y multiplicación por un escalar se encuentran definidas
en dicho conjunto (u, v, w son vectores y c, d son escalares reales o
complejos).V es un conjunto no vacío.)
Axiomas de cerradura:
1º u+ v existe y es un elemento de V (V cerrado bajo la adición, ley de la
cerradura o clausura)
2º c.u es un elemento de V (V es cerrado bajo la multiplicación por un escalar).
Axiomas de adición:
3º u + v= v + u (propiedad conmutativa)
4º u + (v + w) = (u + v) + w (propiedad asociativa)
5ºExiste un elemento de V denominado vector cero o vector nulo tal que:
u + 0 = u (0 es el elemento nulo o neutro)
6ºPara todo elemento de V existe un elemento llamado el negativo de u tal que:
u + (-u) = 0
Axiomas de la multiplicación por un escalar:
7º c (u + v) = cu + cv
8º (c + d) u= cu + du
9º c (du)= (cd) u
10º 1.u=u
Nota:
Un espacio vectorial es el conjunto V de elementos llamados vectores, cuyas
operaciones de adición y multiplicación por un escalar se encuentran definidas
en él y satisfacen los axiomas mencionados donde u, v y w son vectores de V;
c, d son escalares.
Ejemplo:
Dado el conjunto A definido por:
(𝑥1 , 𝑦1 ) + (𝑥2 , 𝑦2 ) = (𝑥1 + 𝑥2 + 1; 𝑦1 + 𝑦2 + 1)
𝛼 (𝑥; 𝑦) = (𝛼 + 𝛼𝑥 − 1; 𝛼 + 𝛼𝑦 − 1)
Verifique si dicho conjunto se puede considerar como un espacio vectorial.
Solución:
Axiomas de la cerradura
Sea:
𝑢 = (𝑥1 , 𝑦1 )
𝑣 = (𝑥2 , 𝑦2 )
1º u+ v= (x1 + x2 + 1; y1 + y2 +1) =( z1;z2) A
2º (x1;y1)= (∝ +∝ 𝑥1 − 1; ∝ +∝ 𝑦1 − 1)= (d1,d2) A
Axiomas de la adición:
3°(x1;y1) + (x2;y2) = ( x1 + x2 + 1 ; y1 + y2 + 1) = ( x2 + x1+1 ; y2 + y1+ 1)
=(x2;y2) + ( x1; y1)
4º (u1;u2) + (( v1;v2) + ( w1;w2)) =(u1;u2) + ( v1 + w1 + 1; v2 + w2 + 1)
=(u1 + v1 + w1 + 2 ; u2 + v2 + w2 + 2)= ((u1;u2) + ( v1;v2)) + ( w1;w2)
5º Sea a = (a1;a2) el vector nulo tal que:
(u1,u2) + (a1;a2) =(u1,u2) (u1 + a1 + 1,u2+ a2 + 1)=(u1,u2)
a=(-1;-1) vector nulo de A.
6º (u1;u2) + (b1;b2)=(-1,-1)
(u1+b1 + 1; u2 + b2 + 1)= (-1;-1) ⟹ (b1;b2)=(-2-u1,-2-u2)
Axiomas de la multiplicación por un escalar:
7ºc(u+v)=c(u1+v1+1;u2+v2+1)=(c+c(u1+v1+1)-1;c+c(u2+v2+1)-1)
cu+cv=(c+cu1-1;c+cu2-1)+(c+cv1-1;c+cv2-1)
=(2c+cu1+cv1-1;2c+cu2+cv2-1)
=(c+c (u1+v1+1)-1; c+c(u2+v2+1)-1)
8º(c+d) u=cu+du
(c+d+(c+d)u1-1;c+d+(c+d)u2-1)
cu+du= (c+cu1-1;c+cu2-1)+(d+du1-1;d+du2-1)
=(c+d+(c+d)u1-1;c+d+(c+d)u2-1)
Ejemplo
Dado el conjunto A definido por 𝐴 = {(𝑥1 , 𝑥2) 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑥1 , 𝑥2 ∈ 𝑅}
Donde (𝑥1 , 𝑥2 ) + (𝑦1 , 𝑦2 ) = (|𝑥1 + 𝑦1 |, 𝑦2 )

Los siguientes ejemplos son espacios vectoriales:


1. El conjunto de n-uplas de números reales.
ℝ𝑛 ={x=(x1,x2,x3,x4,x5,…,xn-1,xn) ; x=( 𝑥𝑖 ) donde 1 i n ; xi∈ ℝ}, con las
operaciones x+y = (x1+y1,x2+y2,…,xn+yn)
𝜆x=(𝜆x1, 𝜆x2,…, 𝜆xn)
Observación
Ejemplo Sea V={1} no es un espacio vectorial, si 1+1=2, pero 2 V no se
cumple la ley de la clausura o cerradura en la adición, V no es espacio vectorial
2. El conjunto de matrices de dimensión nxm:
Mnxm ( ) ={A = (aij) 1 ≤ i ≤ n ; 1 ≤ j ≤ m}
con las operaciones: suma de matrices y productos por números reales.
3. El conjunto de todos los polinomios con coeficientes reales en la variable x.
P( )={∑𝑛𝑘=0 𝑎𝑘 𝑥 𝑘 : 𝑛 ∈ ℕ, 𝑎𝑘 ∈ ℝ}
con las operaciones de suma y producto por números reales
4.El conjunto de todas las funciones reales:
F( )={ℝ → ℝ} con las operaciones suma de funciones y producto por números
reales.
5. El conjunto de todas las sucesiones de números reales:
S={(𝑥𝑛 )∞
𝑛=0 ∶ 𝑥𝑛 ∈ ℝ , 𝑛 ≥ 1}
Ejemplo:
1) Sea V={0} satisface los 10 axiomas, es un espacio vectorial, se le conoce
como ESPACIO VECTORIAL TRIVIAL
2) Sea V={(𝑥; 𝑦)/𝑦 = 2𝑥 + 1, 𝑥 ∈ ℝ}
(x1,y1)+(x2,y2)=(x1+x2,y1+y2)
=(x1+x2;2x1+1+2x2+1) = (x1+x2;2(x1+x2)+2)
No es un espacio vectorial, no cumple con el Axioma de la cerradura.

PROPIEDADES:
Si V es un espacio vectorial, entonces:
1° 0.u=0
2° (-1).u=-u ∀ u ∈ 𝑉

SUBESPACIOS VECTORIALES
Se llama subespacio vectorial de un espacio vectorial V a cualquier
subconjunto no vacío S⊂V que es un espacio vectorial con las mismas
operaciones definidas sobre V
Si V es un espacio vectorial y S⊂V, 𝑆 ≠ 𝜙
⟹ S es un subespacio vectorial de V ⟺ {𝑢 + 𝑣 ∈ 𝑆, ∀ 𝑢, 𝑣 ∈ 𝑆}
{𝜆𝑢 ∈ 𝑆, ∀ 𝜆 ∈ 𝕂, ∀ 𝑢 ∈ 𝑆 }

TEOREMA:
Sea U un Subespacio de un espacio Vectorial V, U tiene como elemento al
vector cero de V.
COMBINACIÓN LINEAL DE VECTORES
Sea V un espacio vectorial, se dice que v ∈ V es combinación lineal de los
vectores {𝑣1, 𝑣2 , 𝑣3 , … , 𝑣𝑛 } ∈ V, si existen 𝛼1 , 𝛼2 , … , 𝛼𝑛 ∈ 𝕂 tal que:
V= ∑𝑛𝑖=0 𝛼𝑖 𝑣𝑖
Ejemplo:
Expresar el vector (4,4,5) como una combinación lineal de los vectores (1,2,3);
(-1,1,4) y (3,3,2)
Solución:
(4,4,5)= x(1,2,3) + y(-1,1,4) + z(3,3,2)
x – y + 3z= 4
2x + y + 3z = 4
3x + 4y + 2z = 5
1 −1 3 4 1 0 2 0
(2 1 3 4 ) ⟶ (0 1 1 0 )No existen x,y,z , el sistema no tiene
3 4 2 5 0 0 0 1
solución no se puede formar una combinación lineal.
Ejemplo
−1 7
Determinar si la matriz ( ) es una combinación lineal de las matrices
8 −1
1 0 0 1 2 −3
{( ),( ),( )} en el espacio vectorial M2x2
2 1 2 0 0 2
Solución:
−1 7 1 0 0 1 2 −3
( ) = 𝑥( )+𝑦( )+𝑧( )
8 −1 2 1 2 0 0 2
Luego
DEPENDENCIA E INDEPENDENCIA LINEAL
Sea V un espacio vectorial, se dice que el conjunto de vectores {𝑣1, 𝑣2 , 𝑣3 , … , 𝑣𝑛 }
es linealmente dependiente si y solo si 𝑒𝑥𝑖𝑠𝑡𝑒𝑛 𝛼1 , 𝛼2 , … , 𝛼𝑛 que pertenecen a
𝕂, con algún 𝛼𝑖 ≠ 0 𝑡𝑎𝑙𝑒𝑠 𝑞𝑢𝑒 𝑙𝑎 ∑𝑛𝑖=0 𝛼𝑖 𝑣𝑖 = 0
En caso contrario se dice que el conjunto {𝑣1, 𝑣2 , 𝑣3 , … , 𝑣𝑛 } es linealmente
independiente.
Si 𝛼𝑖 = 0 ∀𝑖 = 1,2, … , 𝑛 entonces los vectores son Linealmente Independiente.
Observación:
Para estudiar si un conjunto de vectores {𝑣1, 𝑣2 , 𝑣3, … , 𝑣𝑛 } es linealmente
dependiente o independiente se plantea la ecuación ∑𝑛𝑖=0 𝛼𝑖 𝑣𝑖 = 0
Se estudian las soluciones, si admite alguna solución no nula el conjunto de
vectores es linealmente dependiente y si solo admite la solución nula es
linealmente independiente.
Ejemplo
v1=(1,0,-1,2) , v2=(1,1,0,1) y v3=(2,1,-1,1)
Indique sin son linealmente independientes.
Solución
x(1,0,-1,2) + y(1,1,0,1) + z(2,1,-1,1) = 0
x + y + 2z = 0
y+z=0
-x –z = 0
2x + y + z = 0
1 1 20 1 0 00
(0 1 10) ⟶ (0 1 00)
1 0 10 0 0 10
2 1 10 0 0 01
x=0, y=0, z=0
Son vectores linealmente independientes

PROPIEDADES
1° {𝑣} es linealmente dependiente si y solo si 𝑣 = 0
2° 0 ∈ 𝐴 ⊂ 𝑉 ⇒ 𝐴 𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
3° {𝑢, 𝑣} es linealmente dependiente ⟺ u = 𝜆v (𝜆 ≠ 0)
4° Si A es L.I. y B⊂A ⇒B es linealmente independiente
5° A linealmente dependiente y A ⊂ B ⇒ B es linealmente dependiente.
6° A linealmente dependiente ⟺ ∃ v ∈ A que es combinación lineal de A.

OBSERVACIÓN
1. El conjunto {𝑣1, 𝑣2 , 𝑣3 , … , 𝑣𝑛 } se llama conjunto dependiente o independiente
según sean los vectores LD o LI.
2. Se define al conjunto vació como independiente.
3. Si dos de los vectores {𝑣1, 𝑣2 , 𝑣3 , … , 𝑣𝑛 } son iguales entonces los vectores son
dependientes
4. Dos vectores 𝑣1 y 𝑣2 son dependientes si y solo sí uno de ellos es múltiplo
escalar del otro.
5. Todo vector no nulo de un espacio vectorial constituye un conjunto LI
6. El vector nulo de cualquier espacio vectorial constituye un conjunto LD
7. Un conjunto finito y no vacío de vectores es LD si y solo si algún vector es
combinación lineal de los demás.
8. Un conjunto finito y ordenado de vectores al que no pertenece el vector nulo
es LD si y solo si algún vector es combinación lineal de los precedentes
DEFINICION
Los elementos del conjunto 𝐴 = {𝑎𝑖 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑖 = 1,2, . . , 𝑛} si son linealmente
independientes determinan una base.
Es decir el conjunto 𝐴 es una base

Ejemplo:
Indique si el conjunto de vectores {2𝑡 − 1, 𝑡 + 𝑐𝑜𝑠2𝑡, 3 + 𝑒 3𝑡 , 𝑐𝑜𝑠2𝑡 + 𝑒 3𝑡 } es LI
SOLUCION
𝛼(2t − 1) + β(t + cos2t) + θ(3 + 𝑒 3𝑡 ) + 𝛿(𝑐𝑜𝑠2𝑡 + 𝑒 3𝑡 ) = 0
𝑡(2𝛼 + 𝛽) + 𝑐𝑜𝑠2𝑡(𝛽 + 𝜃) + 𝑒 3𝑡 (𝛿 + 𝜃) + (−𝛼 + 3𝜃) = 0
2𝛼 + 𝛽 = 0
𝛽+𝛿 =0
𝜃+𝛿 =0
3𝜃 − 𝛼 = 0
2 1 000 1 0 000
(0 1 010) ⟶ (0 1 000)
0 0 110 0 0 100
−1 0 300 0 0 010
𝛼 = 0, 𝛽 = 0, 𝛿 = 0, 𝜃 = 0
Es un conjunto L.I.

Ejemplo:
Sea V=ℝ3 , Luego ¿Es un subespacio?
2
W1= {(𝑥, 𝑦, 𝑧 )𝑡𝑎𝑙𝑞𝑢𝑒 𝑥 + √5𝑦 + 𝑧 = 0; 𝑥, 𝑦, 𝑧 ∈ 𝑍}
√3
Solución:
El único punto que satisface es (0, 0, 0) W 1 es un subespacio de ℝ3

Ejemplo:

W2={(𝑥, 𝑦, 𝑧)/ 2𝑦 + 3𝑧 ≥ 0} ¿ 𝑒𝑠 𝑢𝑛 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜?


Solución:
Con un contraejemplo:
u W 2
Para 1
(1) (3 , 2 , 0)  (4)  3 (0) ≥ 0 (F)
W2 no es un subespacio

Lema:
Si V es un espacio vectorial y A v1 , v2 , … , vn está contenido en V,
entonces:
L(A) ∑𝑛𝑖1 ivi, i K es un subespacio vectorial de V que se llama
subespacio generado por A. El conjunto A se llama Sistema de Generadores
de L(A).
Ejemplo:
Si V  R3 y A v1  (1,0,1) , v2  (1,1,1), entonces:
L(A) v v1v2 ; , Rv  (,,) ; , R
Las ecuaciones:
X 
Y 
Z 
Se llaman ecuaciones paramétricas de L(A)

Proposición:
Sea V un espacio vectorial y v1, v2, … , vn V, si vm es una combinación
lineal de v1, v2, … , vm-1 entonces L(v1, v2, … , vm)  L(v1, v2, … , vm-1)

BASE DE UN ESPACIO VECTORIAL


Definicion de base de un espacio vectorial
Un conjunto finito de vectores {𝑣1 , 𝑣2 , … , 𝑣𝑛 } recibe el nombre de base de un
espacio vectorial V si el conjunto genera al espacio V y dicho conjunto es
linealmente independiente.
Ejemplo:
Halle una base del sistema:
3x1 x2 8x3 2x4 x5 0
2x1 2x2 3x3 7x4 2x5 0
x1 11x2 12x3 34x4 5x5 0
x1 5x2 2x3 16x4 3x5 0
Solución:

3 1 -8 2 1 0 8 0 -19 -3 4 0
2 -2 -3 -7 2 0  0 -8 7 -25 4 0
1 11 -12 34 -5 0 0 0 0 0 0 0
1 -5 2 16 3 0 0 0 0 0 0 0

8x1 19x3 3x4 4x5 0


8x2 7x3 25x4 4x5 0

−4𝑐+3𝑏+19𝑎
Sea: x3 a x1
8
4𝑐−25𝑏+7𝑎
x4 b x2
8
x5 c
−4𝑐+3𝑏+19𝑎 4𝑐−25𝑏+7𝑎
(x1 , x2 , x3 , x4 , x5)  ( , , a , b , c)
8 8

 a(19/8,7/8,1,0,0) + b(3/8,-25/8,0,1,0) + c(-4/8,4/8,0,0,1)


Una base del sistema es (19/8,7/8,1,0,0) , (3/8,-25/8,0,1,0) , (-4/8,4/8,0,0,1)
también es una base (19,7,8,0,0) , (3,-25,0,8,0) , (-1,1,0,0,2)
V (19,7,8,0,0) + (3,-25,0,8,0) + (-1,1,0,0,2)  (0,0,0,0,0)
19 + 3 -  0
7 - 25 +  0
8 0
8 0
2 0
Como estos vectores son Linealmente Independientes entonces forman una
base.

Observación:
Desde el punto de vista intuitivo una base es un conjunto eficiente para
representar un espacio vectorial, en el sentido de que cualquier vector se
puede expresar como una combinación lineal de los vectores de la base,
además los vectores de la base son Linealmente Independientes.

Definición
Se dice que un espacio vectorial V tiene dimensión finita “n” o es n-dimensional
denotado: dimV  n, si existen vectores linealmente independientes e 1, e2, …,
en que generan a V , el conjunto e1, e2, …, en se llama base de V y tiene
como dimensión n.
OBSERVACIONES
1. El origen es un subespacio de 𝑅 3 , la dimension de este subespacio es cero.
2. Los subespacios de una dimensión de 𝑅 3 son rectas que pasan por el
origen.
3. Los subespacios de dos dimensiones de 𝑅 3 son planos que pasan por el 𝐴 =
𝜋𝑟 2 Definición.- Si un espacio vectorial V tiene una base que consta de n
vectores entonces la dimensión de V es n, que se denota por dim(V).
PROBLEMAS RESUELTOS
1. Para qué valor de “a” o valores el conjunto:
0 𝑎 0 0 1 0 0 1 0
( ),( ),( )  es linealmente dependiente y no forma
0 1 0 0 𝑎 𝑎 0 𝑎 0
una base.

Solución:
0 𝑎 0 0 1 0 0 1 0 0 0 0
( ) + ( ) + ( )( )
0 1 0 0 𝑎 𝑎 0 𝑎 0 0 0 0
u + v + w  0
Es L.I. si 0
a 0
a +  +  0
 + a + a  0
0 0 0 0 1 0𝑎 0
(𝑎 1 1 0)  (0 1 0 0) ,a0
1 𝑎𝑎 0 𝑎 01 0
Para a1:
1 01 0 1 01 0
(0 10 0)  (0 10 0)
1 01 0 0 00 0
 +  0  ,  0
Para a  -1:
1 0−1 0
(0 1 0 0)
0 00 0
 -  0  ,  0
Para a  -1, 0,1 es un conjunto L.D.
2. Sean los vectores: (1+a,1,1,1) ; (1,1+a,1,1) ; (1,1,1+a,1) ; (1,1,1,1+a)
Determine según los valores del parámetro “a”, la dimensión y una base del
subespacio que generan.

Solución:
x(1+a,1,1,1) + y(1,1+a,1,1) + z(1,1,1+a,1) + w(1,1,1,1+a)  0
x(1+a) + y + z + w  0
x + y(1+a) + z + w  0
x + y + z(1+a) + w  0
x + y + z + w(1+a)  0

1+a 1 1 1 1 0 0 0
1 1+a 1 1  0 1 0 0 , a  -4 , a  0
1 1 1+a 1 0 0 1 0
1 1 1 1+a 0 0 0 1

x y  z  w  0
Para a  -4 a  0 (1,0,0,0),(0,1,0,0),(0,0,1,0),(0,0,0,1) es una base, dim4. Es
la base canónica usual.

3. Determine un vector v de R3 sabiendo que:


- La suma de sus coordenadas es 3.
- v es combinación lineal de (2, 2,2) y (-1, 1,0)
- Los vectores (1, 0,1), (0, 1,0) y v son linealmente dependientes.
Solución:
Sea v  (a, b, c) R3
a+b+c3
x(2,2,2) + y(-1,1,0)  (a,b,c)
(1, 0,1) + (0,1,0) + (a,b,c)  (0,0,0)
2x – y  a
2x + y  b
2x  c
x 1/2 , c  1 , a + b  2
Luego: (1,0,1) + (0,1,0)  (a,b,c)
1 a 1 b
1 c  1  a  b  1
v (1,1,1)
4. Sea F un subespacio vectorial de R3 formado por los vectores v  (x, y, z)
tales que x – 2y + 4z  0. Halle una base a, b, c R3 tal que a, b F.
Solución:
F (x,y,z) / (x,y,z)  R3 x -2y + 4z  0
(2y – 4z,y,z)  y(2,1,0) + z(-4,0,1)
(2,1,0) , (-4,0,1)
(2,1,0) + (-4,0,1) = 0
Es una base: (2, 1,0), (-4, 0,1)del subespacio vectorial F de 𝑅 3
Determina un plano que pasa por el origen y cuya ecuación está dado por
𝜋: 𝑥 − 2𝑦 + 4𝑧 = 0
5. Sean S y T subespacios de R4 definidos por S (x , y, z , t) / x + y + z + t 
0, 2x – y + 2z – t  0, 4x + y + 4z + t  0
T (x , y , z , t) / x  a + b + 2c, y  b + c, z  -a + b, t  3b +3c
Obtener una base y la dimensión de T + S.
Solución:
En S: (x, y , z , t)
x+y+z+t0
2x – y + 2z – t  0
4x + y + 4z + t  0

1 1 1 1 0 1 0 1 0 0
2 -1 2 -1 0  0 1 0 1 0
4 1 4 1 0 0 0 0 0 0

x+z0
y+t0
(x , -t , -x , t)  x(1,0,-1,0) + t(0,-1,0,1)
(1,0,-1,0) , (0,-1,0,1)

En T:
(a+b+2c,b+c,-a+b,3b+3c)  a(1,0,-1,0) + b(1,1,1,3) + c(2,1,0,3)
(1,0,-1,0) , (1,1,1,3) , (2,1,0,3)
S + T:

1 0 -1 0 1 0 0 2
0 -1 0 1 0 1 0 -1
1 0 -1 0  0 0 1 2
1 1 1 3 0 0 0 0
2 1 0 3 0 0 0 0

(1,0,0,2) , (0,1,0,-1) , (0,0,1,2)


TEOREMA
Sean U y W dos subespacios de dimensión finita de un espacio vectorial V
entonces dim (U+W)= dim (U) + dim (W) – dim (U∩W)

SUMA DIRECTA
La suma de V1 y V2 subespacios de V se llama suma directa si V1 ∩ V2 0, en
este caso se dice que dicha suma es directa y se denota V 1V2, tanto V1 como
V2 se llaman sumandos directos.
Ejemplo:
 En R3 sea U el plano xy y W el eje z, luego:
U (a, b, 0) / a, b R
W (0, 0, c) / c  R
Verificar si U y W determinan una suma directa
SOLUCION
Cualquier vector (a, b, c)  R3 se puede escribir como la suma de un vector
u y un vector w, es decir:
(a, b, c)  (a,b,0) + (0,0,c)

En consecuencia R3 es la suma directa de U y W:


R3 U  W
Ejemplo
𝑅 2 se puede expresar como una suma directa de dos rectas arbitrarias, pero
distintas que pasan por el origen.
SOLUCION
Consideramos dos rectas arbitrarias que pasan por origen , dichas rectas son
subespacios de 𝑅 2
𝐿1 = {𝑥(−3,7)𝑡𝑎𝑙 𝑞𝑢𝑒 𝑥 𝜖 𝑅}y𝐿2 = {𝑦(−2,5)𝑡𝑎𝑙 𝑞𝑢𝑒 𝑦 𝜖 𝑅}
Sea (𝑎, 𝑏) un vector de 𝑅 2 donde (𝑎, 𝑏) = 𝑥(−3,7) + 𝑦(−2,7)
𝑎 = −3𝑥 − 2𝑦
𝑏 = 7𝑥 + 5𝑦
Despejando obtenemos 𝑥 = −5𝑎 − 2𝑏 ; 𝑦 = 7𝑎 + 3𝑏
(𝑎, 𝑏) = (−5𝑎 − 2𝑏)(−3,7) + (7𝑎 + 3𝑏)(−2,5) , 𝑎 𝑦 𝑏 ∈ R
𝑅 2 = 𝐿1 + 𝐿2
Por otro lado, si (𝑎, 𝑏) ∈ 𝐿1 ∩ 𝐿2 , entonces (𝑎, 𝑏) = 𝑥(−3,7) y (𝑎, 𝑏) = 𝑦(−2,5)
Lo cual implica que −3𝑥 + 2𝑦 = 0 y 7𝑥 − 5𝑦 = 0 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑥 = 𝑦 = 0
𝐿1 ∩ 𝐿2 = {0} , 𝑅 2 = 𝐿1 ⊕ 𝐿2
COORDENADAS
Para indicar que [v1,v2, … ,vn] es una base del espacio vectorial definido por (V,
+, K, . ) se utiliza la notación [v], es decir cada vector “v” se puede expresar de
modo único como la combinación lineal de la base, dado que los vectores son
linealmente independientes, es decir si x  V siendo x1, x2, … ,xn escalares
entonces:
𝑥 = 𝑥1 𝑣1 + 𝑥2 𝑣2 + ⋯ + 𝑥𝑛 𝑣𝑛
Respecto a la base dada el vector x  V queda caracterizado por los
coeficientes de la combinación lineal.
Ejemplo: Determine las coordenadas de 𝑥 = (−2,3) respecto de la base [𝑣] =
{(1,1), (1,0)}
Solucion
3
𝑥 = (−2,3) = 𝛼(1,1) + 𝛽(1,0) , resolviendo 𝛼 = 3 , 𝛽 = −5 , luego 𝑥[𝑣] = ( )
−5
las coordenadas de x relativas a la base dada son 3 y -5
PROBLEMAS RESUELTOS

1. En el espacio P2 de los polinomios de grado ≤3, verifique si los siguientes


polinomios son linealmente independientes o linealmente dependientes

P(X)=x3-3x2-5x+1, Q(X)=-x3-x2+5x+2, R(X)=-x3-7x2+4x

SOLUCION
Formamos una combinación lineal e igualamos a cero.

aP(X)+bQ(X)+cR(X)=0x3+0x2+0x+0→a(x3-3x2-5x+1)+b(-x3-x2+5x+2)+c(-x3-
7x2+4x)=0x3+0x2+0x+0→(a-b-c)x3+(-3a-b-7c)x2+(-5a+5b+4c)x+(a+2b)=
0x3+0x2+0x+0
Comparando:

a-b-c=0 -3a-b-7c=0
-5a+5b+4c=0
a+2b+0c=0

Resolvemos con la matriz ampliada:

 1 1 1 0   1 0 0 0
   
  3 1  7 0   0 1 0 0
5 5 →
4 0 0 0 1 0
   
 1  0 0 
 2 0 0   0 0

Como r(A)=r(Ab)=n=3  el sistema es compatible, solución única.

 a=b=c=0, e deduce que los polinomios P(X), Q(X) y R(X) forman un conjunto
linealmente independiente.

2. Determine un base tal que en R2 un vector e encuentre en la recta L={x-


y+z=0, 2x-z=0} y otros dos en el plano x+y+z=0

SOLUCION

Un vector de la base se encuentra en la recta L={x-y+z=0, 2x-z=0}

→x-y+z=0 y 2x-z=0  x=t, y=3t y z=2t donde t es un parámetro.

entonces la recta está dada por L={(t;3t;2t)} → (t;3t;2t)= t(1;3;2); entonces


(1;3;2) es vector contenido en L.

Dos vectores de la base se encuentran en P: x+y+z=0, si x=s y y=t

 P:{(s;t;-s-t)}  P:{s(1;0;-1)+t(0;1;-1)}

Solo queda demostrar que el conjunto B= {(1; 3; 2), (1;0;-1),(0;1;-1)} es


linealmente independiente.

→a(1;3;2)+b(1;0;-1)+c(0;1;-1)=(0;0;0) → (a+b;3a+c;2a-b-c)=(0;0;0)

Comparando

→a+b=0; 3a+c=0; 2a-b-c=0, resolvemos con la matriz ampliada:

 1 1 0 0 1 0 0 0
   
 3 0 1 0  →  0 1 0 0  , comor(A)=r(Ab)=n=3  el sistema es
 2 1 1 0   0 0 1 0 
   
compatible, solución única.
→ a=0, b=0 y c=0

 La base es B={(1;3;2),(1;0;-1),(0;1;-1)}

3. Dado el conjunto de matrices B, indique si determinan una base.

 1 0   1 1  1 1   0 0   1 0    1  1 1 0   1 1
i) 𝐵 = {   ;   ;   ;   } 2i) 𝐵 = {   ;  ;  ;  }
 0 0   0 0  1 0   0 1  0 1  1 0  1 0   0 1

SOLUCION

Para saber si B determina una base se debe demostrar

a) Si el conjunto es LI
b) Si el conjunto genera A2x2

Demostración de a)

 1 0   1 1  1 1  0 0 0 0
a   +b   +c   +d   =  
 0 0   0 0  1 0  0 1 0 0

a  b  c b  c 0 0
→   =  , por comparación:
 c d   0 0 

→a+b+c=0; b+c=0; c=0 y d=0

Resolviendo: a=b=c=d=0  El conjunto es linealmente independiente.

Demostración de b)

 1 0   1 1  1 1  0 0  m n
a   +b   +c   +d   =  
 0 0   0 0  1 0  0 1  p q

a  b  c b  c m n
→   =  ; por comparación:
 c d   p q 

→a+b+c=m; b+c=n; c=p y d=q, resolviendo con la matriz ampliada:


1 10 m 1 0 0
1 0 m  n
   
0 10 n  0 1 0
1 0 n p
0 → , como r(A)=r(Ab)=n=4  el sistema es
00 p  0 0 1
1 0 p 
   
0 1 q   0 0 0 q 
 0 0 1
compatible, solución única.

 El conjunto si genera a A2x2

 El conjunto si es una base.

 1 0    1  1 1 0   1 1
2i) B={   ;   ;   ;   }, utilizando un procedimiento análogo al
 0 1   1 0  1 0   0 1
anterior.

Demostración de a)

 1 0   1 1  1 1  0 0 0 0
a   +b   +c   +d   =  
 0 0   0 0  1 0  0 1 0 0

a b  c  d  b  d  0 0
→  =  , por comparación:
 bc a  d   0 0 

→ 𝑎 − 𝑏 + 𝑐 + 𝑑 = 0; −𝑏 + 𝑑 = 0; 𝑏 + 𝑐 = 0 𝑦 𝑎 + 𝑑 = 0

Resolviendo: a=b=c=d=0  El conjunto es linealmente independiente.

Demostración de b)

 1 0   1 1  1 1  0 0  m n
a   +b   +c   +d   =  
 0 0   0 0  1 0  0 1  p q

a b  c  d  b  d  m n
→  =  , por comparación:
 bc a  d   p q 

→a-b+c+d=m; -b+d=n; b+c=p y a+d=q, resolviendo con la matriz ampliada:

1 1 1 1 m 1 0 0 0 m / 2  n  p / 2  q / 2 
   
 0 1 0 1 n  0 1 0 0 m/2 p/2 q/2 
 0 1 1 0 p  →  0 0 1 0 m / 2  n  p / 2  q / 2  comor(A)=r(Ab)=n=4
   
1 0 0 1 q   0 0 0 1  m / 2  n  p / 2  q / 2
   
 el sistema es compatible, solución única.

 El conjunto si genera a A2x2

 El conjunto si es una base.


4. A) Extender el conjunto S={(1;1;-1;1),(1;1;0;1),(1;2;1;1)} para que formen una
base de R4

B) si V es un espacio vectorial de dimensión 1. ¿Cómo son sus bases?

SOLUCION

A) La base pedida será S={(1;1;-1;1),(1;1;0;1),(1;2;1;1);(m;n;p;q)}

Primero demostraremos que el conjunto S es LI

a(1;1;-1;1)+b(1;1;0;1)+c(1;2;1;1)+d(m;n;p;q)=(0;0;0;0)

→(a+b+c+md;a+b+2c+nd;-a+c+pd;a+b+c+qd)=(0;0;0;0), por comparación

→ a+b+c+md=0; a+b+2c+nd=0; -a+c+pd=0 y a+b+c+qd=0; resolviendo con la


matriz ampliada

1 1 1 m 0 1 0 0 mn p 0
   
1 1 2 n 0 0 1 0  3m  2n  p 0
1 →
0 1 p 0 0 0 1 mn 0
   
1 1 q 0   0 0 mq 0 
 1 0

Pero para que tenga la forma que nos conviene hacemos:

-m+n-p=0; -3m-2n+p=0; -m+n=0 y –m+q=1, resolviendo con la matriz ampliada

 1 1 1 0 0 1 0 0 0 0
   
 3  2 1 0 0 0 1 0 0 0
 1 1 → , luego m=n=p=0 y q=1
0 0 0 0 0 1 0 0
   
 1 0 0   0 1 
 0 1 0 0 1

Rpta: La base será S={(1;1;-1;1),(1;1;0;1),(1;2;1;1);(0;0;0;1)}

B) Se sabe que la dimensión de una base viene dado por la cantidad de


elementos de la base.

Si dim=1  La base solo tiene un elemento. Todas las bases del espacio
vectorial deben ser equivalentes( es decir, multiplicados por un escalar)

Rpta: Las bases son conjuntos cuyos únicos elementos resulta de la


multiplicación escalar del elemento de otra base.

5. Sean los subespacios del espacio vectorial de las matrices cuadradas de


orden 2
x y x y
U={   tal que x-y+z-t=0}; V={   , tal que x=λ, y=-λ, z=μ, t=-μ}; W{
z t z t 
 1 0  1 1
  ;   }
 0 1 1 1

SOLUCION

x y 
En el conjunto U notamos: t=x-y+z, reemplazamos U={   }
 z x  y  z
x y  1 0 0 1  0 0
separamos según nos convenga:   =x   +y   +z  
 z x  y  z   0 1   0 1  1 1 

1 0 0 1  0 0
 Una base de U es {   ;   ;   }; dim(U)= 3
 0 1   0 1  1 1 

 
En el conjunto V notamos: v={   } separamos según nos convenga:
  

      1  1 0 0 
  =λ   +μ  
    0 0   1 1

 1  1  0 0 
 Una base de V es {   ;   }; dim(V)= 2
 0 0   1 1 

En el conjunto W se debe verificar que sus elementos son linealmente


independientes

1 0  1 1  0 0   a  b b  0 0
→a   +b   =   →  = 
 0 1 1 1  0 0   b  a  b   0 0 

Comparando: a+b=0; b=0 y –a+b=0; resolviendo: a=b=0

Verifiquemos si genera a A2x2:

1 0  1 1  m n   a  b b  m n
a   +b   =   →  = 
 0 1 1 1  p q   b  a  b   p q 

Comparando: a+b=m; b=n; b=p y –a+b=q

Resolviendo con la matriz ampliada:


1 1 m  1 0 mn 
0 1 n  0 1 n 
 →  ; luego r(A)≠r(Ab); el sistema es
0 1 p  0 0 pn 
   
 1 1 q  0 0 (m  q) / 2  n
incompatible

 el conjunto W no es una base de A2x2

6. Dados los subespacios vectoriales de R3, s={(a;2a;a+b) tal que a y b R},


T={(x;y;z) tal que x=0, y=0}. Calcular una base y dimensión de ST, S+T

SOLUCION

ParaSᴒT: (a;2a;a+b)=(0;0;z), resolviendo a=0 y b=z ambos pertenecen a


los reales

→SᴒT={(0;0;z)}, notamos

(0;0;z)=z(0;0;1)

 Una base de SᴒT es {(0;0;1)}, entonces dim(SᴒT)= 1

Para S+T

→S+T={(a;2a;a+b+z)} pero notamos:

(a;2a;a+b+z)=a(1:2:1)+(b+z)(0;0;1), entonces dim(S+T)=2

7.-Indique si los siguientes subconjuntos son espacios vectoriales: S={(x;y)


tal que X≥0 y y≥0} de R2; T={(x;y)tal que ex+y=0}; W={(x;y;z) tal que
x2+y2+z=0}

SOL:

Para que S sea un subespacio vectorial debe ser cerrada sobre la suma y la
multiplicación escalar. Sean u y v que pertenecen a S.

u=(u1;u2) y v=(v1;v2) → u1;u2;v1;v2≥0→u1+v1≥0 y u2+v2≥0

→u+v=(u1+v1;u2+v2) pertenece a S

Sea k un escalar cualquiera →ku=k(u1;u2)=(ku1;ku2); pero si k≤0  ku1≤0


yku2≤0

 ku no pertenece a S

 S no es un subespacio vectorial.
Para que T sea un subespacio vectorial debe ser cerrada sobre la suma y la
multiplicación escalar. Sean u y v que pertenecen a T.

u=(u;eu) y v=(v;ev)

→u+v=(u+v;eu+ev), pero este vector no pertenece a T

 T no es un subespacio vectorial.

Para que W sea un subespacio vectorial debe ser cerrada sobre la suma y
la multiplicación escalar. Sean u y v que pertenecen a W.

u=(u1;u2;-u12-u22) y v=(v1;v2;-v12-v22)

→u+v=(u1+v1;u2+v2;-u12-u22-v12-v22), pero este vector no pertenece a W

 W no es un subespacio vectorial.

 5 0 0
 
8. Sea A=  1 5 0  , para qu valores de X existe un escalar “a” tal que
 0 1 5
 
AX=aX. Donde X es una matriz columna.

SOLUCION

AX=aX→ AX=aIX donde “I” es la matriz identidad

→(A-aI)X=0

5  a 0 0 
 
→A-aI=  1 5a 0  , formando la mtriz ampliada
 0 5  a 
 1

5  a 0 0 0  1 0 0 0
   
→ 1 5a 0 0 →  1 5  a 0 0 ;
 0
 1 5  a 0   0 1 5  a 0 

si a≠5

1 0 0 0
 
→  0 1 0 0  , esto genera una solución trivial.
 0 0 1 0
 

Si a=5
1 0 0 0
 
→  1 0 0 0  , este sistema tiene infinitas soluciones.
 0 1 0 0
 

0 0
   
 X  0  si a=5; X=  0  si a≠5
m 0
   

9. A) Determine una base y la dimensión para el conjunto W definido por las


matrices simétricas de orden 2.

 1 a b
 
B) Averiguar si la matriz A=   a 1 c  es no singular.
  b  c 1
 

SOL:

a c
A) Sea W={   ϵ M2x2 tal que a,b,cϵ R}; separamos la matriz
 c b
convenientemente
 a c  1 0 0 0 0 1
  =a   +b   +c  
 c b 0 0 0 1 1 0

1 0 0 0 0 1
Además se prueba que {   ;   ;   } son LI
0 0 0 1 1 0

1 0 0 0 0 1
 una base de W es {   ;   ;   }; dim(W)= 3
0 0 0 1 1 0

B) A es singular si det(A)=0

Aplicando menores y cofactores a la f1

Det(A)=1(1+c2)-a(-a+bc)+b(ac+b)=1+a2+b2+c2 y esta expresión obviamente


es mayor que 1

 A es no singular.

 0 1/ 2 1/ 2 
 
10. Resolver el sistema XTB=XT; donde B= 1 / 3 1 / 3 1 / 3  .
1 / 4 0 3 / 4 
 

SOLUCION

(XTB)T= (XT)T
→ BTX=X →(BT-I)X=0

  1 1/ 3 1/ 4 
 
→BT-I= 1 / 2  2 / 3 0  , formando la matriz ampliada
1 / 2 1 / 3  1 / 4 
 

  1 1/ 3 1/ 4 0   1  4 / 3 0 0
   
1 / 2  2 / 3 0 0 →  0 1  1 / 4 0  resolviendo el sistema.
1 / 2 1 / 3  1 / 4 0   0 0 
   0 0

X1=(4/3)t; x2=t y x3=4t

 (4 / 3)t 
 
 X=  t  , donde “t” es un parámetro lo cual no indica que hay infinitas
 4t 
 
soluciones.

11.-Dados los subespacios vectoriales en R3. U={(x;y;z)ϵ R3 tal que x+y=0}


y

W={(x;y;z)ϵR3 tal que y-z=0}.Determina una base y dimensión de UᴒW,


UᴗW, U+W.

SOLUCION

Sea u ϵ U →u=(x;-x;z)=x(1;-1;0)+z(0;0;1) → Una base de U es {(1;-


1;0);(0;0;1)}, dim(U)= 2

Sea wϵ W →w=(x;y;y)=x(1;0;0)+y(0;1;1) →Una base de W es


{(1;0;0);(0;1;1)}; dim(W)=2

i) UᴒW :(x;-x;z)= (x;y;y) →x=-y=y → x=0 → (0;0;0)

Una base (UᴒW) es {(0;0;0)}; entonces dim(UᴒW)=0

ii) UᴗW: (x;-x;z) y (x;y;y); sea a=(3;-3;1) ϵUᴗW y b=(-3;1;1) ϵUᴗW

→a+b=(0;-2;2) no pertenece a UᴗW

 UᴗW no es un espacio vectorial.  no tiene base.

iii)U+W: aϵ U y bϵ W → m(1;-1;0)+n(0;0;1)+p(1;0;0)+q(0;1;1)=0
 1 0 1 0 0 1 0 1 1 0
   
→   1 0 0 1 0  →  0 1 0 0 0  el sistema presenta solución única ,
 0 1 0 1 0  0 0 1 0 0
   
entonces las vectores son LI

Una base de UᴗW es {(1;-1;0);(0;0;1);(0;0;1);(0;1;1)}. Dim(UᴗW)=4

12.- En R4 sean los vectores u=(1;0;-1;2); v=(λ;-1;0;1) y w=(0;λ;-1;1). Para


que valores de λ el conjunto {u;v;w} es LD.

SOLUCION

Analizamos la independencia o dependencia lineal.

a.u+b.v+c.w=0 → a(1;0;-1;2)+b(λ;-1;0;1)+c(0;λ;-1;1)=0; formando la matriz


ampliada.

1  0 0 1 1 0 0
   
 0 1  0  0 1 1 0
 1 0 1 → ; si analizamos λ=1
0  0 0  1 0
   
2 1 1 0   0 0 
 0 0

→R(A)=2<n=3; entonces presenta infinitas soluciones para λ=1. LD

13. Sean los subespacios S={(x;y;t;z) ϵ R4 tal que –x+y=0 y t=z} y


T={(x;y;t;z) ϵ R4 tal que x=ay-at y z=-ay+at}. Determine las bases y la
dimensión se S; T; SᴒT; SᴗT. Hallar “a” para que S+T tenga dimensión 3 y
con “a” determine una base para SᴒT

SOLUCION

Sea s=(x;y;t;z)=(x;x;z;z)= x(1;1;0;0)+(0;0;1;1)

→Una base de S es {(1;1;0;0);(0;0;1;1)}, →dim(S)=2

Sea t=(x;y;t;z)=(ay-at;y;-ay+at;t)=y(a;1;-a;0)+t(-a;0;a;1)

→Una base de T es {(a;1;-a;0);(-a;0;a;1)}, →dim(T)=2

SᴒT: (x;x;z;z)= (ay-at;y;-ay+at;t)

→ resolviendo x=y=-z →(x;x;-x;-x)=x(1;1;-1;-1)

Una base de SᴒT es {(1;1;-1;-1)} →dim(SᴒT)=1

SᴗT: {(x;x;z;z) o (ay-at;y;-ay+at;t)} si a=(2;2;1;1) ϵSᴗTy b=(a+2;4;1-a;19)ϵ


SᴗT
→a+b=(a+2;4;1-2;2), pero este vector no pertenece a SᴗT SᴗT no es
espacio vectorial.

→dim(S+T)= dim(S) +dim(T)-dim(SᴗT)→ dim(S+T)= 3

S+T: m(1;1;0;0)+n(0;0;1;1)+p(a;1;-a:0)+ q(-a;0;a;1), se construye la matriz


ampliada.

1 0 a a 0
 
1 0 1 0 0
0 ; por lo menos uno debe ser dependiente →det(A)=0
1 a a 0
 
0 0 
 1 0 1

0 1 0 0 a a
Det(A)= 1  a a - 1  a a =-(1-a)-a(1-a)-a2=-1+2a=0
1 0 1 1 0 1

 a=1/2

Problemas Resueltos

1. En el espacio 𝑷𝟑 de los polinomios de grado ≤ 3, verifique si los siguientes polinomios son

linealmente independientes o linealmente dependientes

𝑷(𝒙) = 𝒙³ − 𝟑𝒙² + 𝟓𝒙 + 𝟏, 𝑸(𝒙) = 𝒙³ − 𝒙² + 𝟔𝒙 + 𝟐 , 𝑹(𝒙) = 𝒙³ − 𝟕𝒙² + 𝟒𝒙

Planteamos la combinación lineal

0 = 𝛼1 (𝑥 3 − 3𝑥 2 + 5𝑥 + 1) + 𝛼2 (𝑥 3 − 𝑥 2 + 6𝑥 + 2) + 𝛼3 (𝑥 3 − 7𝑥 2 + 4𝑥)

0 = 𝛽 3 (𝛼1 + 𝛼2 + 𝛼3 ) − 𝛽 2 (3𝛼1 + 𝛼2 + 7𝛼3 ) + 𝛽(5𝛼1 + 6𝛼2 + 4𝛼3 ) + (𝛼1 + 2𝛼2 )

Igualando coeficientes

𝛼1 + 𝛼2 + 𝛼3 = 0

3𝛼1 + 𝛼2 + 7𝛼3 = 0

5𝛼1 + 6𝛼2 + 4𝛼3 = 0

𝛼1 + 2𝛼2 = 0
Llevando a una matriz.

1 1 1 0 0 0 0 0
3 1 7 0 0 0 2 0
(5 6 4 0) → (0 −1 1 0)
1 2 0 0 1 2 0 0

Dando forma escalonada a la matriz se obtiene que:

2𝛼3 = 0

−𝛼2 + 𝛼3 = 0

𝛼1 + 2𝛼2 = 0

=> 𝛼3 = 0 𝑦 𝛼2 = 0 𝑦 𝛼1 = 0

Se cumple que son Linealmente Independientes.

2. Determine una base tal que en 𝑹𝟑 un vector se encuentre en la recta L =

{𝒙 − 𝒚 + 𝒛 = 𝟎 ; 𝟐𝒙 − 𝒛 = 𝟎} y otros dos en el plano 𝝅 ∶ 𝒙 + 𝒚 + 𝒛 = 𝟎

Elegimos un vector (x,y,z)

(𝑥, 𝑦, 𝑧) = (𝑥, 3𝑥, 2𝑥) = 𝑥(1,3,2) → 𝐵𝑎𝑠𝑒 𝑒𝑛 𝑙𝑎 𝑟𝑒𝑐𝑡𝑎 {(1,3,2)}

(𝑥, 𝑦, 𝑧) = (−𝑦 − 𝑧, 𝑦, 𝑧) = 𝑦(−1,1,0) + 𝑧(−1,0,1)

→ 𝐵𝑎𝑠𝑒 𝑒𝑛 𝑒𝑙 𝑝𝑙𝑎𝑛𝑜 {(−1,1,0), (−1,0,1)}

Una base será {(1,3,2), (−1,1,0), (−1,0,1)}

3. Dado el conjunto de matrices B, indique si determinan una base

𝟏 𝟎 𝟏 𝟏 𝟏 𝟏 𝟎 𝟎
i) B = {( ),( ),( ),( )}
𝟎 𝟎 𝟎 𝟎 𝟏 𝟎 𝟎 𝟏

Para ser bases deben ser L.I.


0 0 1 0 1 1 1 1 0 1
( ) = 𝛼1 ( ) + 𝛼2 ( ) + 𝛼3 ( ) + 𝛼4 ( )
0 0 0 0 0 0 1 0 0 0

𝛼1 + 𝛼2 + 𝛼3 = 0

𝛼2 + 𝛼3 = 0

𝛼3 = 0

𝛼4 = 0

=> 𝛼1= 𝛼2 = 𝛼3 = 𝛼4 = 0 ∴ 𝑠𝑖, 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑑𝑒 𝐵1

𝟏 𝟎 −𝟏 −𝟏 𝟏 𝟎 𝟏 𝟏
2i) B= {( ),( ),( ),( )}
𝟎 𝟏 𝟏 𝟎 𝟏 𝟎 𝟎 𝟏

0 0 1 0 −1 −1 1 0 1 1
( ) = 𝛽1 ( ) + 𝛽2 ( ) + 𝛽3 ( ) + 𝛽4 ( )
0 0 0 1 0 0 1 0 0 1

𝛽1 − 𝛽2 + 𝛽3 + 𝛽4 = 0

−𝛽2 + 𝛽3 = 0

𝛽2 + 𝛽3 = 0

𝛽1 + 𝛽4 = 0

Llevando a una matriz

1 −1 1 1 0 0 0 1 0 0
0 −1 0 1 0 −1 0 1 0 0
(0 1 1 0 0 )→ ( 0 1 1 0 0 )
1 0 0 1 0 1 0 0 1 0

Dando forma escalonada a la matriz se obtiene que:

𝛽3 = 0

𝛽3 = 𝛽1 = 0

𝛽2 + 𝛽3 = 0
𝛽1 + 𝛽4 = 0

=> 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4 = 0 ∴ 𝑠𝑖, 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑑𝑒 𝐵2

4. A) Extender el conjunto S={(𝟏, 𝟏, −𝟏, 𝟏), (𝟏, 𝟏, 𝟎, 𝟏), (𝟏, 𝟐, 𝟏, 𝟏)} para que formen una

base de 𝑹𝟒

𝑆 = 𝑎(1,1, −1,1) + 𝑏(1,1,0, −1) + 𝑐(1, −2,1,1)

𝑆 = (𝑎 + 𝑏 + 𝑐; 𝑎 + 𝑏 − 2𝑐; −𝑎 + 𝑐; 𝑎 + 𝑏 + 𝑐)

𝑆 = (𝑎 + 𝑏 + 𝑐)(1; 0; 0; 1) + (𝑎 + 𝑏 − 2𝑐)(0; 1; 0; 0) + (−𝑎 + 𝑐)(0; 0; 1; 0)

𝑅 4 = 𝑆 = {(1; 0; 0; 1), (0; 1; 0; 0), (0; 0; 1; 0)}

5. Sean los subespacios del espacio vectorial de las matrices cuadradas de orden 2

𝒙 𝒚
U={( ) 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒙 − 𝒚 + 𝒛 − 𝒕 = 𝟎}
𝒛 𝒕

𝒙 𝒚
V={( ) 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒙 = 𝝀 , 𝒚 = −𝝀 , 𝒛 = 𝝁, 𝒕 = −𝝁}
𝒛 𝒕

𝟏 𝟎 𝟏 𝟏
W={( ),( )} .Calcular la base y dimensión de U,V ,W ,U∩W,U+W
𝟎 −𝟏 𝟏 𝟏

Solución

𝑈:

1 1 −1 0 1 0
𝑈 = 𝑦( )+𝑧( )+𝑡( )
0 0 1 0 0 1

1 1 −1 0 1 0
𝑈 = {( ),( ),( )} => dim(𝑈) = 3
0 0 1 0 0 1
𝑉:

1 −1 0 0
𝑉 = 𝛼( )+𝛽( )
0 0 1 −1

1 −1 0 0
𝑉 = {( ),( )} => dim(𝑉) = 2
0 0 1 −1

𝑊:

1 0 2 1
𝑊 = {( ),( )} => dim(𝑊) = 2
0 −1 1 0

𝑈 ∩ 𝑊:

𝑎 𝑏 1 1 −1 0 1 1 1 1 2 1
( ) = 𝛼1 ( ) + 𝛼2 ( ) + 𝛼3 ( ) = 𝛽1 ( ) + 𝛽2 ( )
𝑐 𝑑 0 0 1 0 0 1 0 −1 1 0

𝑎 = 𝛼1 − 𝛼2 + 𝛼3 = 𝛽1 + 2𝛽2

𝑏 = 𝛼1 = 𝛽2

𝑐 = 𝛼2 = 𝛽2

𝑑 = 𝛼3 = −𝛽1

1 1
=> 𝑈 ∩ 𝑊 = {( )} ; dim(𝑈 ∩ 𝑊) = 1
1 1

𝑈 + 𝑊:

1 1 −1 0 1 1 1 1 2 1 0 0
𝑎( )+𝑏( )+𝑐( )+𝑑( )+𝑒( )=( )
0 0 1 0 0 1 0 −1 1 0 0 0

𝑎 − 𝑏 + 𝑐 + 𝑑 + 2𝑒 𝑎+𝑒
𝑈+𝑊 =( )
𝑏+𝑒 𝑐−𝑑

1 0 0 1 0 0 0 0
=> 𝑈 + 𝑊 = {( ),( ),( ),( )} => dim(𝑈 + 𝑊) = 4
0 0 0 0 1 0 0 1
6. Dados los subespacios vectoriales de 𝑹𝟑

S={(𝒂, 𝟐𝒂, 𝒂 + 𝒃) 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒂 𝒚 𝒃𝝐 ℝ} , T= {(𝒙, 𝒚, 𝒛)𝝐 ℝ𝟑 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒙 = 𝟎 , 𝒚 = 𝟎}

Determine una base y la dimensión de 𝑺 ∩ 𝑻, 𝑺 + 𝑻

Solución

𝑆 = 𝑎(1,2,1) + 𝑏(0,0,1) => 𝑆 = {(1,2,1), (0,0,1)} => dim(𝑆) = 2

𝑇 = (0,0, 𝑥) = 𝑥(0,0,1) => 𝑇 = {(0,0,1)} => dim(𝑇) = 1

𝑆 ∩ 𝑇: (𝑎, 𝑏, 𝑐) = 𝛼1 (1,2,1) + 𝛼2 (0,0,1) = 𝛽1 (0,0,1)

𝑎 = 𝛼1 = 0

𝑏 = 2𝛼1 = 0

𝑐 = 𝛼1 + 𝛼2 = 𝛽1

=> 𝑆 ∩ 𝑇 = {(0,0,1)} => dim(𝑆 ∩ 𝑇) = 1

𝑆 + 𝑇:

1 2 1 1 2 0
𝑆 + 𝑇 = (0 0 1) = (0 0 1)
0 0 1 0 0 0

𝑆 + 𝑇 = {(1,2,1), (0,0,1)} => dim(𝑆 + 𝑇) = 2

7. Indique si los siguientes conjuntos son subespacios vectoriales

S={(𝒙, 𝒚)𝝐𝑹𝟐 𝒕𝒂𝒍𝒒𝒖𝒆 𝒙 ≥ 𝟎, 𝒚 ≥ 𝟎} de 𝑹𝟐 ; T={(𝒙, 𝒚)𝝐𝑹𝟐 𝒕𝒂𝒍𝒒𝒖𝒆𝒆𝒙 + 𝒚 = 𝟎} de 𝑹𝟐 ,

W= {(𝒙, 𝒚, 𝒛)𝝐𝑹𝟑 𝒕𝒂𝒍𝒒𝒖𝒆𝒙² + 𝒚² + 𝒛 = 𝟎} de 𝑹𝟑


 ∀ 𝑢 ∈ 𝑆, ∃ − 𝑢 ∈ 𝑆 / 𝑢 + (−𝑢) = 0

𝑆𝑒𝑎 𝑢 = (3,3) ∈ 𝑆

=> (3,3) + (−𝑢) = 0

(−𝑢) = (−3, −3) ∋ 𝑆 => 𝑁𝑜 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑑𝑒 𝑅 2

 ∃! 0 ∈ 𝑇 / 0 + 𝑎 = 𝑎 , 𝑎 ∈ 𝑇

𝑆𝑒𝑎 𝑎 = (𝑥, −𝑒 𝑥 )

0 + (𝑥, −𝑒 𝑥 ) = (𝑥, −𝑒 𝑥 )

0 = (0, 0) ∋ 𝑇 => 𝑁𝑜 𝑒𝑠 𝑢𝑛 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑑𝑒 𝑅 2

 ∀ 𝑤 ∈ 𝑊, 𝜃 ∈ 𝑅 , 𝜃 ∈ 𝜃𝑤 ∈ 𝑊

𝑊 = {𝑥, 𝑦, −(𝑥 2 + 𝑦 2 )}

𝜃𝑤 = 2(𝑥, 𝑦, −(𝑥 2 + 𝑦 2 )) = (2𝑥, 2𝑦, −(2𝑥 2 + 2𝑦 2 ))

𝜃𝑤 = (2𝑥, 2𝑦, −(2𝑥 2 + 2𝑦 2 ))

𝑁𝑜 𝑡𝑖𝑒𝑛𝑒 𝑙𝑎 𝑓𝑜𝑟𝑚𝑎 (𝐴, 𝐵, −(𝐴2 + 𝐵2 ))

=> 𝑁𝑜 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑑𝑒 𝑅 2

𝟓 𝟎 𝟎
8. Sea A =(𝟏 𝟓 𝟎) para que valores de X existe un escalar “a” tal que AX=Ax donde X es
𝟎 𝟏 𝟓

una matriz columna.

𝑚
𝑋 = (𝑛)
𝑝

𝐴𝑋 = 𝑎𝑥
5 0 0 𝑚 𝑚
(1 5 0) 𝑥 ( ) = 𝑎 ( 𝑛 )
𝑛
0 1 5 𝑝 𝑝

5𝑚 𝑎𝑚
(𝑚 + 5𝑛) = ( 𝑎𝑛 )
𝑛 + 5𝑝 𝑎𝑝

5𝑚 = 𝑎𝑚 … (1)

𝑚 + 5𝑛 = 𝑎𝑛 … (2)

𝑛 + 5𝑝 = 𝑎𝑝 … (3)

𝐷𝑒 (1) → 𝑎 = 5 … (4)

(4) 𝑒𝑛 (2)

𝑚 + 5𝑛 = 5𝑎 => 𝑚 = 0

(4) 𝑒𝑛 (3)

𝑛 + 5𝑝 = 5𝑝 => 𝑛 = 0

0
 𝑋 = {(0) / 𝑝 ∈ 𝑅}
𝑝

9. A) Determine una base y la dimensión para el conjunto W, definido por las matrices

Simétricas de orden 2.

𝑎 𝑚
𝑤 ={( ) / 𝑎, 𝑏, 𝑚, 𝑛 ∈ 𝑅 }
𝑏 𝑚

1 0 0 1 0 0
𝑤 = 𝑎( )+𝑚 ( )+𝑏( )
0 0 1 0 0 1

1 0 0 1 0 0 0 0
𝛼( )+𝛽 ( )+𝛾( )= ( )
0 0 1 0 0 1 0 0

𝛼 = 𝛽 = 𝛾 = 0 => 𝐸𝑆 𝐿. 𝐼.
1 0 0 1 0 0
{( ); ( );( )} 𝑒𝑠 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑊
0 0 1 0 0 1

=> 𝐷𝑖𝑚(𝑊) = 3

𝟏 𝒂 𝒃
B) Averigüe si la matriz A= [−𝒂 𝟏 𝒄 ] es no singular
−𝒃 −𝒄 𝟏

1 𝑎 𝑏
|𝐴| = | −𝑎 1 𝑐 𝑎 𝑏 𝑎 𝑏
1 𝑐| = 1 | |+𝑎| | + (−𝑏) | |
−𝑐 1 −𝑐 1 1 𝑐
−𝑏 −𝑐 1

|𝐴| = 1(1 + 𝑐 2 ) + 𝑎(𝑎 + 𝑐𝑏) − 𝑏(𝑎𝑐 − 𝑏)

|𝐴| = 1 + 𝑐 2 + 𝑎2 + 𝑎𝑏𝑐 − 𝑎𝑏𝑐 + 𝑏 2

|𝐴| = 1 + 𝑎2 + 𝑏 2 + 𝑐 2 > 0

 |𝐴| > 0 => 𝑒𝑠 𝑛𝑜 𝑠𝑖𝑛𝑔𝑢𝑙𝑎𝑟

11. Dados los subespacios vectoriales de 𝑹𝟑

𝑼 = {(𝒙, 𝒚, 𝒛) ∈ 𝑹𝟑 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒙 + 𝒚 = 𝟎 } , 𝑾 = { (𝒙, 𝒚, 𝒛) ∈ 𝑹𝟑 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒚 − 𝒛 = 𝟎}

Determine una base y dimensión de 𝑈 ∩ 𝑊 , 𝑈 ∪ 𝑊, 𝑈 + 𝑊 , ¿Es 𝑈 ⊕ 𝑊 = 𝑅 3?

𝑈 = (𝑥, 𝑦, 𝑧) = (−𝑦, 𝑦, 𝑧) = (−𝑦, 𝑦, 0) + (0,0, 𝑧) = 𝑦(−1,1,0) + 𝑧(0,0,1) =

> {(−1,1,0), (0,0,1)} => 𝐸𝑠 𝐿. 𝐼. , 𝑒𝑠 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑈

𝑊 = (𝑥, 𝑦, 𝑧) = (𝑥, 𝑦, 𝑦) = (𝑥, 0,0) + (0, 𝑦, 𝑦) = 𝑥(1,0,0) + 𝑦(0,1,1) =

> {(1,0,0), (0,1,1)} => 𝐸𝑠 𝐿. 𝐼. , 𝑒𝑠 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑊

𝑈+𝑊

−1 1 0 0 1 0
0 0 1) → (0 0 1)
(1 0 0 1 0 0
0 1 1 0 0 1
{(0,1,0), (0,0,1), (1,0,0)} → 𝐸𝑠 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑈 + 𝑊 𝑦 𝑠𝑢 𝑑𝑖𝑚𝑒𝑛𝑠𝑖ó𝑛 𝑒𝑠 3

𝑆𝑖 𝑠𝑒 𝑠𝑎𝑏𝑒 𝑞𝑢𝑒 => dim(𝑈 + 𝑊) = dim(𝑈) + dim(𝑊) − dim(𝑈 ∩ 𝑊)

→ 𝐿𝑎 𝑑𝑖𝑚𝑒𝑛𝑠𝑖ó𝑛 𝑦 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑈 ∪ 𝑊 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎 𝑈 + 𝑊

𝑈∩𝑊

𝑆𝑒𝑎 𝑉 𝜖 𝑈 ∩ 𝑊 => 𝑉 𝜖 𝑈 𝑦 𝑉 𝜖 𝑊

𝑉 = (𝑎, 𝑏, 𝑐) = 𝛼1 (−1,1,0) + 𝛼2 (0,0,1) = 𝛽1 (1,0,0) + 𝛽2 (0,1,1)

−𝛼1 = 𝛽1 ; 𝛼1 = 𝛽2 ; 𝛼2 = 𝛽2 => 𝛼2 = 𝛼1

𝑉 = 𝛼1 (−1,1,0) + 𝛼1 (0,0,1) = 𝛼1 (−1,1,1)

= {(−1,1,1)} 𝑒𝑠 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑦 𝑠𝑢 𝑑𝑖𝑚𝑒𝑛𝑠𝑖ó𝑛 𝑒𝑠 1.

𝐶𝑜𝑚𝑜 𝑈 ∩ 𝑊 ≠ 0 => 𝑈 ⊕ 𝑊 𝑛𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 ∄

12. En 𝑹𝟒 sean los vectores 𝒖 = (𝟏, 𝟎, −𝟏, 𝟐), 𝒗 = (𝝀, −𝟏, 𝟎, 𝟏) , 𝒘 = (𝟎, 𝝀, −𝟏, 𝟏)

Para que valores de 𝝀 el conjunto {𝒖 , 𝒗, 𝒘 } es LD

Para que U,V,W sean LD deben formar una combinación lineal y tener una solución no

trivial.

𝛼𝑈 + 𝛽𝑉 + 𝛾𝑊 = 0

𝛼(1,0, −1,2) + 𝛽(𝜃, −1,0,1) + 𝛾(0, 𝜃, −1,1) = (0,0,0,0)

𝛼 + 𝜃𝛽 = 0

−𝛽 + 𝜃𝛾 = 0

−𝛼 − 𝛾 = 0
2𝛼 + 𝛽 + 𝛾 = 0

Llevando a una matriz.

1 𝜃 0 0
0 −1 𝜃 0
(−1 0 −1 0)
2 1 1 0

Llevando a la forma de la matriz escalonada.

1 𝜃 0 0
0 −1 𝜃 0
(0 𝜃 −1 0)
0 1−𝜃 0 0

𝑃𝑎𝑟𝑎 𝜃 = 1

1 1 0 0 1 1 0 0
0 −1 1 0 0 −1 1 0
(0 1 −1 0) → (0 0 0 0)
0 0 0 0 0 0 0 0

𝛾 = 𝑏; 𝛽 = 𝑏; 𝛼 = −𝑏 => 𝐸𝑠 𝐿. 𝐷.

13. Sean los subespacios

𝑺 = {(𝒙, 𝒚, 𝒕, 𝒛) ∈ 𝑹𝟒 𝒕𝒂𝒍 𝒒𝒖𝒆 − 𝒙 + 𝒚 = 𝟎, 𝒕 = 𝒛}

𝑻 = {(𝒙, 𝒚, 𝒕, 𝒛) ∈ 𝑹𝟒 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒙 = 𝒂𝒚 − 𝒂𝒕 , 𝒛 = −𝒂𝒚 + 𝒂𝒕}

Determine una base y la dimensión de 𝑺 , 𝑻 , 𝑺 ∩ 𝑻 , 𝑺 ∪ 𝑻,

Hallar 𝒂 𝒑𝒂𝒓𝒂 𝒒𝒖𝒆 𝑺 + 𝑻 tenga dimensión 3 y con a determine una base para 𝑺 ∩ 𝑻.

𝑆 = (𝑥, 𝑦, 𝑡, 𝑧) = (𝑥, 𝑥, 𝑡, 𝑡) = (𝑥, 𝑥, 0,0) + (0,0, 𝑡, 𝑡) = 𝑥(1,1,0,0) + 𝑡(0,0,1,1) =

> {(1,1,0,0), (0,0,1,1)}

=> 𝐸𝑠 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑆 𝑦 𝑑𝑒 𝑑𝑖𝑚𝑒𝑛𝑠𝑖ó𝑛 2


𝑇 = (𝑥, 𝑦, 𝑡, 𝑧) = (𝑎𝑦 − 𝑎𝑡, 𝑦, 𝑡, 𝑎𝑡 − 𝑎𝑦) = (𝑎𝑦, 𝑦, 0, −𝑎𝑦) + (−𝑎𝑡, 0, 𝑡, 𝑎𝑡)

= 𝑦(𝑎, 1,0, −𝑎) + 𝑡(−𝑎, 0,1, 𝑎) => {(𝑎, 1,0, −𝑎), (−𝑎, 0,1, 𝑎)}

=> 𝐸𝑠 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑇 𝑦 𝑑𝑒 𝑑𝑖𝑚𝑒𝑛𝑠𝑖ó𝑛 2

Llevando a una matriz y a continuación dándole forma escalonada

1 1 0 0 1 1 0 0
0 0 1 1 ) → (0 −1 0 1
(𝑎 1 0 −𝑎 0 1 − 2𝑎 0 0)
−𝑎 0 1 𝑎 2 1 1 0

𝑃𝑎𝑟𝑎 𝑞𝑢𝑒 𝑡𝑒𝑛𝑔𝑎 𝑑𝑖𝑚𝑒𝑛𝑠𝑖ó𝑛 3 => 1 − 2𝑎 = 0 => 𝑎 = 1/2

𝑆𝑒𝑎 𝑉 𝜖 𝑆 ∩ 𝑇

𝑉 = (𝑝, 𝑞, 𝑟) = 𝛼1 (1,1,0,0) + 𝛼2 (0,0,1,1) = 𝛽1 (1,2,0, −1) + 𝛽2 (−1,0,2,1)

𝛼1 = 𝛽1 − 𝛽2 ; 𝛼1 = 2𝛽1 ; 𝛼2 = 2𝛽2 ; 𝛼2 = 𝛽2 − 𝛽1 => 𝛼1 = −𝛼2

𝑉 = 𝛼1 (1,1,0,0) − 𝛼1 (0,0,1,1) = 𝛼1 (1,1, −1, −1) => {(1,1, −1, −1)} 𝑒𝑠 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑆 ∩ 𝑇

PRODUCTO INTERNO

Sea V un espacio vectorial, un producto interno o producto escalar sobre V es una


aplicación donde se verifica:

1. ⟨𝑎𝑢 + 𝑏𝑣, 𝑤⟩ = 𝑎⟨𝑢, 𝑤⟩ + 𝑏⟨𝑣, 𝑤⟩


2. ⟨𝑢, 𝑣⟩ = ⟨𝑣, 𝑢⟩
3. ⟨𝑢, 𝑢⟩ ≥ 0, ∀𝑢 ∈ 𝑉; ⟨𝑢, 𝑢⟩ = 0 ↔ 𝑢 = 0
𝑑𝑜𝑛𝑑𝑒 𝑢, 𝑣, 𝑤 𝑠𝑜𝑛 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑦 𝑎 , 𝑏 𝑠𝑜𝑛 𝑒𝑠𝑐𝑎𝑙𝑎𝑟𝑒𝑠

Un espacio vectorial necesita de una métrica, el producto interno garantiza una métrica en
un espacio vectorial, el símbolo ⟨𝑥, 𝑦⟩ se lee producto interno entre los vectores x e y.

Todo producto interno de un espacio vectorial real asigna a cada par de vectores un único
escalar real.
Ejemplo: Se define sobre ℝ2

𝛽(𝑥, 𝑦) = 3𝑥1 𝑦1 + 2𝑥1 𝑦2 + 6𝑥2 𝑦2 + 2𝑥2 𝑦1

Donde x = (𝑥1 , 𝑦1 ); y = (𝑦1 , 𝑦2 )

Indique si 𝛽 es un producto interno.

Solución: Para que 𝛽 sea un producto interno se deben cumplir los axiomas:
i) ⟨𝑥, 𝑦⟩ = ⟨𝑦, 𝑥⟩
⟨𝑥, 𝑦⟩ = 3𝑥1 𝑦1 + 2𝑥1 𝑦2 + 6𝑥2 𝑦2 + 2𝑥2 𝑦1
⟨𝑦, 𝑥⟩ = 3𝑦1 𝑥1 + 2𝑦1 𝑥2 + 6𝑦2 𝑥2 + 2𝑦2 𝑥1

Se cumple:

ii) ⟨𝑥 + 𝑦, 𝑧⟩ = ⟨𝑥, 𝑧⟩ + ⟨𝑦, 𝑧⟩, ∀𝑥, 𝑦, 𝑧 ∈ 𝑉

⟨(𝑥1 , 𝑥2 ) + (𝑦1 , 𝑦2 ), (𝑧1 , 𝑧1 )⟩

= 3(𝑥1 + 𝑦1 )𝑧1 + 2(𝑥1 + 𝑦1 )𝑧2 + 6(𝑥2 + 𝑦2 )𝑧2 + 2(𝑥2 + 𝑦1 )𝑧1

= (3𝑥1 𝑧1 + 2𝑥1 𝑧2 + 6𝑥2 𝑧2 + 2𝑥2 𝑧1 ) + (3𝑦1 𝑧1 + 2𝑦1 𝑧2 + 6𝑦2 𝑧2 + 2𝑦1 𝑧1 )

= ⟨(𝑥1 , 𝑥2 ), (𝑧1 , 𝑧2 )⟩ + ⟨(𝑦1 , 𝑦2 ), (𝑧1 , 𝑧2 )⟩

= ⟨𝑥, 𝑧⟩ + ⟨𝑦, 𝑧⟩

iii) ⟨𝑎𝑥, 𝑦⟩ = 𝑎⟨𝑥, 𝑦⟩ , ∀ 𝑥, 𝑦 𝜖 ℝ , 𝑎 𝜖 ℝ


⟨𝑎(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 )⟩ + ⟨(𝑎𝑥1 , 𝑎𝑥2 ), (𝑦1 , 𝑦2 )⟩
3𝑎𝑥1 𝑦1 + 2𝑎𝑥1 𝑦 + 6𝑎𝑥2 𝑦2 + 2𝑎𝑥2 𝑦1
𝑎(3𝑥1 𝑦1 + 2𝑥1 𝑦 + 6𝑥2 𝑦2 + 2𝑥2 𝑦1 ) = 𝑎⟨𝑥, 𝑦⟩
iv) ⟨𝑥, 𝑥⟩ ≥ 0 ∀𝑥𝜖𝑉; ⟨𝑥, 𝑥⟩ = 0 ⟺ 𝑥 = 0
⟨𝑥, 𝑥⟩ = 3𝑥1 2 + 2𝑥1 𝑥2 + 6𝑥2 2 + 2𝑥2 𝑥1 = 3𝑥1 2 + 4𝑥1 𝑥2 + 6𝑥2 2 = (𝑥1 2 + 4𝑥2 2 )
= (2𝑥1 2 + 4𝑥1 𝑥2 + 2𝑥2 2 ) = (𝑥1 2 + 4𝑥2 2 ) + 2(𝑥1 + 𝑥1 )2 ≥ 0
v) ⟨𝑥, 𝑥⟩ = 0 ⟺ 𝑥 = 0 ⟹ (𝑥1 2 + 4𝑥2 2 ) + 2(𝑥1 + 𝑥1 )2 = 0;
𝑥1 = 0 ∧ 𝑥2 = 0
𝑥 = (0,0)
𝛽es un producto interno
Ejemplo
Indique si la expresión sobre 𝑅 3, 𝜃(𝑥, 𝑦, 𝑧) = 𝑥1 𝑦1 + 2𝑥2 𝑦2 + 3𝑥3 𝑦3
es un producto interno , donde 𝑢 = (𝑢1 , 𝑢2 , 𝑢3 ) es un vector de 𝑅 3
Ejemplo
Indique si la siguiente relación es un producto interno en 𝑅 2 , donde 𝛼 =
(𝑎1 , 𝑎2 ) , 𝛽(𝑏1 , 𝑏2 ) y 〈𝛼, 𝛽〉 = 𝑎1 2 + 𝑏1 2 + 𝑎1 𝑏1 + 𝑎2 𝑏2
DEFINICIÓN.-C – espacio vectorial con producto interno se llama espacio unitario,
mientras R – espacio vectorial se llama espacio euclideo o espacio euclidiano.

ESPACIO EUCLIDIANO (o Euclideo)


Es todo espacio vectorial real con producto interno, la adjunción de un producto
interno permite establecer una métrica en él, los conceptos de distancia, módulo de un
vector, ángulo de dos vectores y ortogonalidad son nociones que dependen de un producto
interno.

1 −2
Ejemplo: Sea (ℝ2 , +, ℝ, . ) 𝑦 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴=( )
−2 5
La función ⟨ , ⟩ ∶ ℝ2 𝑥ℝ ⟶ ℝ ⟨𝑋, 𝑌⟩ = 𝑋 𝑡 𝐴𝑌 ¿ 𝑒𝑠 𝑢𝑛 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑖𝑛𝑡𝑒𝑟𝑛𝑜?

PRUEBA:
1. ⟨𝑋, 𝑌⟩ = 𝑋 𝑡 𝐴𝑌
⟨𝑌, 𝑋⟩ = 𝑌 𝑡 𝐴𝑋
(𝑋 𝑡 𝐴𝑌)𝑡 = 𝑌 𝑡 𝐴𝑡 𝑋 = 𝑌 𝑡 𝐴𝑋
Entonces:
⟨𝑋, 𝑌⟩ = ⟨𝑌, 𝑋⟩

𝑦 𝑦1
𝑥2 )1𝑥2 ( 1 −2) ( 1 )
⟨𝑋, 𝑌⟩ = (𝑥1 = (𝑥1 − 2𝑥2 −2𝑥1 + 5𝑥2 )1𝑥2 (𝑦 )
𝑦
−2 5 2𝑥2 2 2𝑥1 2 2𝑥1
(𝑥 )𝑦
= 1 − 2𝑥2 1 + (−2𝑥 )𝑦
1 + 5𝑥2 2 = 𝑥1 𝑦1 − 2𝑥2 𝑦1 −2𝑥1 𝑦2 + 5𝑥2 𝑦2 … (1)

𝑥 𝑥1
⟨𝑌, 𝑋⟩ = (𝑦1 𝑦2 )1𝑥2 ( 1 −2) ( 1 ) = (𝑦1 − 2𝑦2 −2𝑦1 + 5𝑦2 )1𝑥2 (𝑥 )
𝑥
−2 5 2𝑥2 2 2𝑥1 2 2𝑥1
= (𝑦1 − 2𝑦2 )𝑥1 + (−2𝑦1 + 5𝑦2 )𝑥2 = 𝑦1 𝑥1 − 2𝑦2 𝑥1 −2𝑦1 𝑥2 + 5𝑦2 𝑥2 … (2)

2. ⟨𝑋 + 𝑌, 𝑍⟩ = (𝑋 + 𝑌)𝑡 𝐴𝑍 = (𝑋 𝑡 + 𝑌 𝑡 )𝐴𝑍 = 𝑋 𝑡 𝐴𝑍 + 𝑌 𝑡 𝐴𝑍
= ⟨𝑋, 𝑍⟩ + ⟨𝑌, 𝑍⟩

3. ⟨∝ 𝑋, 𝑌⟩ = (∝ 𝑋)𝑡 𝐴𝑌 =∝ 𝑋 𝑡 𝐴𝑌 =∝ ⟨𝑋, 𝑌⟩

𝑥
4. ⟨𝑋, 𝑋⟩ ≥ 0 ⇔ 𝑋 𝑡 𝐴𝑋 = (𝑥1 𝑥2 ) ( 1 −2) ( 1 )
−2 5 𝑥2

= 𝑥1 2 − 2𝑥1 𝑥2 − 2𝑥1 𝑥2 + 5𝑥2 2 = 𝑥1 2 − 4𝑥1 𝑥2 + 5𝑥2 2 = (𝑥1 − 2𝑥2 )2 + 𝑥2 2 ≥ 0


⟨𝑋, 𝑋⟩ = 0 ⇔ 𝑋 = 0
(𝑥1 − 2𝑥2 )2 + 𝑥2 2 = 0 ⇔ 𝑥1 = 0 𝑦 𝑥2 = 0

NORMA DE UN VECTOR
La norma de un vector v que pertenece a un espacio vectorial V se define:
|𝑣| = = √⟨𝑣, 𝑣⟩

OBSERVACION

PRODUCTOS INTERNOS USUALES

1. En el espacio vectorial de las funciones continuas sobre un intervalo


acotado por a y b:
𝑏
⟨𝑓, 𝑔⟩ = ∫ 𝑓(𝑥)𝑔(𝑥)𝑑𝑥
𝑎
2. En el espacio vectorial de las matrices de orden 𝑚𝑥𝑛:
⟨𝐴, 𝐵⟩ = 𝑡𝑟(𝐴𝐵 𝑡 )

3. En el espacio vectorial ℝ𝑛 :
⟨𝑎, 𝑏⟩ = ⟨(𝑎1, 𝑎2 , … , 𝑎𝑛 ), (𝑏1 , 𝑏2 , … , 𝑏𝑛 )⟩
= 𝑎1 𝑏1 + ⋯ + 𝑎𝑛 𝑏𝑛
𝑛
4. En el espacio vectorial ℂ :
⟨𝐴, 𝐵⟩ = 𝑎1 𝑏̅1 + 𝑎2 𝑏̅2 + ⋯ + 𝑎𝑛 𝑏̅𝑛
5. En el espacio vectorial de los polinomios de grado ≤ 𝑛
⟨𝑝, 𝑞⟩ = 𝑝(𝑥1 )𝑞(𝑥1 ) + 𝑝(𝑥2 )𝑞(𝑥2 ) + ⋯ + 𝑝(𝑥𝑛 )𝑞(𝑥𝑛 )

PROPIEDAD

. Sea 𝑢 𝜖 𝑉 𝑦 𝜆 𝜖 ℝ se verifica que:

|𝜆𝑢| = |𝜆||𝑢|

ANGULO ENTRE VECTORES

Sea V un espacio vectorial, sean u y v vectores de dicho espacio, existe un único 𝜃 que
pertenece [ 0 , 𝜋 ] tal que:

⟨𝑢, 𝑣⟩
cos 𝜃 =
|𝑢||𝑣|

A este número 𝜃 se le llama ángulo entre los vectores u y v y se denota por:

𝜃 = 𝑎𝑛𝑔(𝑢, 𝑣)

PROPIEDADES

. ‖𝑢‖ ≥ 0
. ‖𝑢‖ = 0 ⟺ 𝑢 = 0

. ‖∝ 𝑢‖ = |∝|‖𝑢‖

.‖𝑢 + 𝑣‖ ≤ ‖𝑢‖ + ‖𝑣‖ (𝐷𝑒𝑠𝑖𝑔𝑢𝑎𝑙𝑑𝑎𝑑 𝑡𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟)

. |⟨𝑢, 𝑣⟩| ≤ ‖𝑢‖‖𝑣‖ (𝐷𝑒𝑠𝑖𝑔𝑢𝑎𝑙𝑑𝑎𝑑 𝑑𝑒 𝐶𝐴𝑈𝐶𝐻𝑌 − 𝑆𝐶𝐻𝑊𝐴𝑅𝑍)

. ‖𝑢 + 𝑣‖2 + ‖𝑢 − 𝑣‖2 = 2‖𝑢‖2 + 2‖𝑣‖2 (𝐿𝑒𝑦 𝑑𝑒𝑙 𝑝𝑎𝑟𝑎𝑙𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑜)

OBSERVACION

. En todo espacio con producto interno, el producto interno de cualquier vector y el vector
nulo es 0 ∶ ⟨𝑢, 0⟩ = ⟨0, 𝑢⟩ = 0

. Si 𝑢 𝑦 𝑣 son dos vectores ortogonales en un espacio euclideo V entonces la norma de

‖𝑢 + 𝑣‖2 = ‖𝑢‖2 + ‖𝑣‖2 (𝑡𝑒𝑜𝑟𝑒𝑚𝑎 𝑑𝑒 𝑝𝑖𝑡á𝑔𝑜𝑟𝑎𝑠)

ORTOGONALIDAD
Sea V un espacio con producto interno, sean u y v vectores del espacio vectorial V,
se dice que u y v son ortogonales si el producto interno de estos vectores es cero
(⟨𝑢, 𝑣⟩ = 0 ).

Dos vectores son ortogonales ⟺ su producto interno es nulo o cero

𝑥 ⊥ 𝑦 ⟺ ⟨𝑥, 𝑦⟩ = 0

Ejemplo:

√2 √3
Sean las funciones reales continuas 𝑓(𝑥) = 2
𝑦 𝑔(𝑥) = 𝑥 , definidas en el intervalo
√2
[−1 , 1 ], dichas funciones son ortogonales:

1
√2 √3 √2 √3 √3 𝑥 2 1
⟨ , 𝑥⟩ = ∫ 𝑥𝑑𝑥 = | =0 ⟹ 𝑠𝑜𝑛 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑒𝑠
2 √2 −1 2 √2 2 2 −1

CONJUNTO ORTOGONAL DE VECTORES

Un conjunto de vectores {𝑥1 , 𝑥2 , … , 𝑥𝑛 } en un espacio vectorial con producto interno es


ortogonal si y solo si dos vectores cualesquiera distintos son ortogonales:

{𝑥1 , 𝑥2 , … , 𝑥𝑛 } 𝑒𝑠 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙 ⟺ 𝑖 ≠ 𝑗 ⟹ ⟨𝑥𝑖 , 𝑥𝑗 ⟩ = 0

PROPOSICION

Todo conjunto ortogonal de vectores al que no pertenece el vector nulo es L I


3 4 4 3
Ejemplo: {(1, 0, 0), (0, 5 , 5) , (0, 5 , − 5)} es un conjunto ortogonal

3 4
(1, 0, 0). (0, , ) = 0
5 5
3 4 4 3
(0, , ) . (0, , − ) = 0
5 5 5 5
4 3
(1, 0, 0). (0, , − ) = 0
5 5

Es un conjunto ortogonal

DEFINICION.- Se dice que un conjunto es ortonormal si es ortogonal y cada vector


es unitario (la norma de cada vector es la unidad).

DEFINICION.-Si una base es un conjunto ortogonal, se dice que es una base


ortogonal. Si una base es un conjunto ortonormal se dice que es una base
ortonormal.

TEOREMA
Sea {𝑢1 , … , 𝑢𝑛 } una base ortonormal de un espacio vectorial ℝ𝑛 . Sea 𝑣 un vector,
dicho vector se puede expresar como una combinación lineal de los vectores de la
base de la manera siguiente:

𝑣 = ⟨𝑣, 𝑢1 ⟩𝑢1 + ⟨𝑣, 𝑢2 ⟩𝑢2 + ⋯ + ⟨𝑣, 𝑢𝑛 ⟩𝑢𝑛

Ejemplo: 𝑣 = (7, −5, 10)

3 4 4 3
{(1, 0, 0), (0, , ) , (0, , − )} 𝑏𝑎𝑠𝑒 𝑜𝑟𝑡𝑜𝑛𝑜𝑟𝑚𝑎𝑙
5 5 5 5

Solución:
3 4 3 4
(7, −5, 10) = ⟨(7, −5, 10), (1, 0, 0)⟩(1, 0, 0) + ⟨(7, −5, 10), (0, , )⟩ (0, , )
5 5 5 5
4 3 4 3
+ ⟨(7, −5, 10), (0, , − )⟩ (0, , − )
5 5 5 5
3 4 4 3
= 7(1, 0, 0) + 5 (0, , ) + (−10) (0, , − )
5 5 5 5

DEFINICIÓN.- La proyección de un vector 𝑣 sobre un vector distinto de 0 (vector nulo) se


denota:

⟨𝑣, 𝑢⟩
𝑃𝑟𝑜𝑦𝑢 𝑣 = 𝑢
‖𝑢‖‖𝑢‖
PROCESO DE ORTOGONALIZACION DE GRAM-SCHMIDT

Sea {𝑣1 , … , 𝑣𝑛 } una base del espacio vectorial 𝑉, el conjunto de vectores {𝑢1 , … , 𝑢𝑛 }
definido de la siguiente manera es ortogonal:

Para tener una base ortonormal, se normaliza cada uno de los vectores 𝑢1 , … , 𝑢𝑛 :

𝑢1 = 𝑣1

𝑢2 = 𝑣2 − 𝑃𝑟𝑜𝑦𝑢1 𝑣2

𝑢3 = 𝑣3 − 𝑃𝑟𝑜𝑦𝑢1 𝑣3 − 𝑃𝑟𝑜𝑦𝑢2 𝑣3

𝑢𝑛 = 𝑣𝑛 − 𝑃𝑟𝑜𝑦𝑢1 𝑣𝑛 − … − 𝑃𝑟𝑜𝑦𝑢𝑛−1 𝑣𝑛

Ejemplo:

Dado el conjunto {(1, 2, 0, 3), (4, 0, 5, 8), (8, 1, 5, 6)} es L.I. en ℝ4 , los vectores forman una
base para el subespacio de 3 dimensiones de ℝ4 . Construir una base ortonormal.

Solución:
Sean 𝑣1 = (1, 2, 0, 3), 𝑣2 = (4, 0, 5, 8), 𝑣3 = (8, 1, 5, 6)

Aplicando GRAM-SCHMIDT
Sea {𝑢1 , 𝑢2 , 𝑢3 } un conjunto ortogonal

𝑢1 = 𝑣1 = (1, 2, 0, 3)

⟨(4, 0, 5, 8), (1, 2, 0, 3)⟩


𝑢2 = 𝑣2 − 𝑃𝑟𝑜𝑦𝑢1 𝑣2 = (4, 0, 5, 8) − (1, 2, 0, 3) = (2, −4, 5, 2)
‖(1, 2, 0, 3)‖‖(1, 2, 0, 3)‖

⟨(8, 1, 5, 6), (1, 2, 0, 3)⟩


𝑢3 = 𝑣3 − 𝑃𝑟𝑜𝑦𝑢1 𝑣3 − 𝑃𝑟𝑜𝑦𝑢2 𝑣3 = (8, 1, 5, 6) − (1, 2, 0, 3)
‖(1, 2, 0, 3)‖‖(1, 2, 0, 3)‖

⟨(8, 1, 5, 6), (2, −4, 5, 2)⟩


− (2, −4, 5, 2) = (8, 1, 5, 6) − (2, 4, 0, 6) − (2, −4, 5, 2) =
‖(2, −4, 5, 2)‖‖(2, −4, 5, 2)‖

= (4, 1, 0, −2)

{(1, 2, 0, 3), (2, −4, 5, 2), (4, 1, 0, −2) } Conjunto ortogonal

⟨𝑢1 , 𝑢2 ⟩ = 0 , ⟨𝑢1 , 𝑢3 ⟩ = 0 , ⟨𝑢2 , 𝑢3 ⟩ = 0

1 2 3 2 4 5 2 4 1 2
{( , , 0, ),( ,− , , ),( , , 0, − ) } 𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑜𝑟𝑡𝑜𝑛𝑜𝑟𝑚𝑎𝑙
√14 √14 √14 7 7 7 7 √21 √21 √21

PROYECCIONES SOBRE SUBESPACIOS

. Sea 𝑉 un espacio euclideo y sea 𝑈 un subespacio vectorial de 𝑉.

. Se llaman ortogonal 𝑈 𝑒𝑛 𝑉 → 𝑈 ⊥ al conjunto de todos los vectores de 𝑉 ortogonales a


cualquiera de 𝑈.

𝑈 ⊥ = {𝑣𝜖𝑉 / ⟨𝑢, 𝑣⟩ = 0 ∀ 𝑢 ∈ 𝑈}

. Sea 𝑉 un espacio euclideo y 𝑈 un subespacio vectorial de dimensión finita, entonces todo


vector 𝑣 𝑑𝑒 𝑉 se puede expresar de forma única como 𝑢1 + 𝑢2 , donde 𝑢1 ∈ 𝑈 𝑦 𝑢2 ∈ 𝑈 ⊥ .

. Al vector 𝑢1 se le llama “Proyección ortogonal de 𝑣 𝑠𝑜𝑏𝑟𝑒 𝑈” y se denota 𝑃𝑟𝑜𝑦𝑢 𝑣.

. El vector 𝑢2 se conoce como “Componente de v sobre ” o proyección ortogonal de


𝑣 𝑠𝑜𝑏𝑟𝑒 𝑈 ⊥ . 𝑢2 = 𝑣 − 𝑃𝑟𝑜𝑦𝑢 𝑣

TEOREMA DE LA MEJOR APROXIMACIÓN

Sea 𝑉 un espacio vectorial euclideo y 𝑈 un subespacio vectorial de dimensión finita dado


𝑣 ∈ 𝑉 se cumple:

‖𝑣 − 𝑃𝑟𝑜𝑦𝑢 𝑣‖ ≤ ‖𝑣 − 𝑢‖ ∀𝑢 ∈ 𝑈

OBSERVACION

Las series de FOURIER {1, cos 𝑥 , sin 𝑥 , cos 2𝑥 , sin 2𝑥 , … , cos 𝑛𝑥 , sin 𝑛𝑥} es un conjunto
ortogonal con respecto al producto usual definido en [0 , 2𝜋].

Ejemplo:
Considere el vector 𝑣 = (3,2,6) ∈ ℝ3 , sea 𝑊 un subespacio de ℝ3 que consta de todos los
vectores (𝑎, 𝑏, 𝑏). Descomponer 𝑣 en la suma de un vector que se encuentra en 𝑊 y un
vector ortogonal a 𝑊.

Solución:
Se necesita una base ortonormal a 𝑊, cualquier vector de 𝑊 se puede expresar como

(𝑎, 𝑏, 𝑏) = 𝑎(1,0,0) + 𝑏(0,1,1)

Sea el conjunto {(1,0,0), (0,1,1)} una base (𝑒𝑠 𝑢𝑛 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝐿. 𝐼. )

Sea {𝑢1 , 𝑢2 } una base ortonormal

1 1
𝑢1 = (1,0,0) , 𝑢2 = (0, , )
√2 √2

𝑤 = 𝑃𝑟𝑜𝑦𝑤 𝑣 = ⟨𝑣, 𝑢1 ⟩𝑢1 + ⟨𝑣, 𝑢2 ⟩𝑢2


1 1 1 1
= ⟨(3, 2, 6), (1, 0, 0)⟩(1, 0, 0) + ⟨(3, 2, 6), (0, , )⟩ (0, , )
√2 √2 √2 √2

8 1 1
= (3, 0, 0) + (0, , ) = (3, 4, 4)
√2 √2 √2

𝑤 ⊥ = 𝑉 − 𝑃𝑟𝑜𝑦𝑤 𝑣 = (3, 2, 6) − (3, 4, 4) = (0, −2, 2)

Luego:

(3, 2, 6) = (3, 4, 4) + (0, −2, 2)

Ejemplo: Sea ⟨𝑢, 𝑣⟩ = 𝑢1 𝑣1 + 3𝑢2 𝑣2 + 5𝑢3 𝑣3

𝑢 = (𝑢1 , 𝑢2 , 𝑢3 )

𝑣 = (𝑣1 , 𝑣2 , 𝑣3 )

Si es un producto interno, ortonormalice por GRAM-SCHMIDT


{(−1, 1, −1), (−1, 1, 0), (3, 0, 0)}

Solución: Verificando que la expresión es un producto interno


i) ⟨𝑥, 𝑦⟩ = ⟨𝑦, 𝑥⟩
⟨𝑢, 𝑣⟩ = 𝑣1 + 3𝑢2 𝑣2 + 5𝑢3 𝑣3
⟨𝑣, 𝑢⟩ = 𝑣1 𝑢1 + 3𝑣2 𝑢2 + 5𝑣3 𝑢3
⟨𝑢, 𝑣⟩ = ⟨𝑣, 𝑢⟩
ii) ⟨𝑥 + 𝑦, 𝑧⟩ = ⟨𝑥, 𝑧⟩ + ⟨𝑦, 𝑧⟩
⟨(𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 , 𝑥3 + 𝑦3 ), (𝑧1 , 𝑧2 , 𝑧3 )⟩
= (𝑥1 + 𝑦1 )𝑧1 + 3( 𝑥2 + 𝑦2 )𝑧2 + 5 (𝑥3 + 𝑦3 )𝑧3
𝑥1 𝑧1 + 𝑦1 𝑧1 + 3 𝑥2 𝑧2 + 3𝑦2 𝑧2 + 5 𝑥3 𝑧3 + 5𝑦3 𝑧3 = ⟨𝑥, 𝑧⟩ + ⟨𝑦, 𝑧⟩
iii) ⟨𝛼𝑥, 𝑦⟩ = 𝛼⟨𝑥, 𝑦⟩
⟨𝛼(𝑥1 , 𝑥2 , 𝑥3 ), (𝑦1 , 𝑦2 , 𝑦3 )⟩ = 𝛼𝑥1 𝑦1 + 3 ∝ 𝑥2 𝑦2 + 5 ∝ 𝑥3 𝑧3
=∝ (𝑥1 𝑦1 + 3 𝑥2 𝑦2 + 5 𝑥3 𝑦3 ) =∝ ⟨𝑥, 𝑦⟩
iv) ⟨𝑥, 𝑥⟩ ≥ 0
⟨𝑥, 𝑥⟩ = 𝑥1 2 + 3𝑥2 2 + 5𝑥3 2 ≥ 0
Sea 𝑢1 = (−1, 1, −1), 𝑢2 = (−1, 1, 0), 𝑢3 = (3, 0, 0)
Sea 𝑏1 = 𝑢1 = (−1, 1, −1)
⟨𝑢2 , 𝑏1 ⟩
𝑏2 = 𝑢2 − 𝑃𝑟𝑜𝑦𝑏1 𝑢1 = (−1, 1, 0) − 𝑏
‖𝑏1 ‖2 1
⟨(−1, 1, 0), (−1, 1, −1)⟩
= (−1, 1, 0) − 2
(−1, 1, −1)
√|(−1, 1, −1)|
4 5 5 4
𝑏2 = (−1, 1, 0) − (−1, 1, −1) = (− , , )
9 9 9 9
𝑏3 = 𝑢3 − 𝑃𝑟𝑜𝑦𝑏1 𝑢3 −𝑃𝑟𝑜𝑦𝑏2 𝑢3
⟨(3, 0, 0), (−1, 1, −1)⟩
= (3, 0, 0) − 2
(−1, 1, −1)
√|(−1, 1, −1)|
5 5 4
⟨(3, 0, 0), (− , , )⟩ 5 5 4
9 9 9
− 2 (− , , )
5 5 4
9 9 9
√|(− , , )|
9 9 9

1 1 1 3 5 5 4 35 1 2
= (3, 0, 0) − (− , , − ) + (− , , ) = ( , , )
3 3 3 4 9 9 9 12 12 3
5 5 4 35 1 2
{(−1, 1, −1), (− , , ) , ( , , )}
9 9 9 12 12 3
PRODUCTO INTERNO
Sea V un espacio vectorial, un producto interno o producto escalar sobre V es
una aplicación ,:V. V C que verifica:
1. au + bv, w au, w + bv, w
2. u, vv, u
3. u, u0, u  V, u, u 0  u  0
Un espacio vectorial necesita de una métrica, el producto interno, llamado
también producto escalar, garantiza una métrica en un espacio vectorial.
El símbolo < 𝑥, 𝑦 > se lee “producto interno entre los vectores x e y”. Para que
la aplicación se llame producto interno, entonces deberá cumplir los siguientes
axiomas:
i. < 𝑥, 𝑦 >=< 𝑦, 𝑥 > , ∀𝑥, 𝑦 ∈ 𝑉
ii. < 𝑥 + 𝑦, 𝑧 >=< 𝑥, 𝑧 > + < 𝑦, 𝑧 > , ∀𝑥, 𝑦, 𝑧 ∈ 𝑉
iii. < 𝛼𝑥, 𝑦 >= 𝛼 < 𝑥, 𝑦 > , ∀𝑥, 𝑦 ∈ 𝑉 ∧ 𝛼 ∈ ℝ
iv. < 𝑥, 𝑥 >≥ 0, ∀𝑥 ∈ 𝑉 ∧< 𝑥, 𝑥 >= 0 ⇔ 𝑥 = 0 ∀𝑥 ∈ 𝑉

Todo producto interno en un espacio vectorial real asigna a cada par de


vectores un único escalar real.

ESPACIO EUCLIDIANO
Es todo espacio vectorial real con producto interno, la adjunción de un producto
interno permite establecer una métrica en él, los conceptos de: distancia,
módulo de un vector, ortogonalidad y ángulo entre dos vectores; son nociones
que dependen de un producto interno que se establezca en un espacio
vectorial.
Ejemplo:
Se define sobre ℝ2:
𝛽(𝑥, 𝑦) = 3𝑥1 𝑦1 + 2𝑥1 𝑦2 + 6𝑥2 𝑦2 + 2𝑥2 𝑦1
Donde: 𝑥 = (𝑥1 , 𝑥2 ); 𝑦 = (𝑦1 , 𝑦2 ) Indique si 𝛽 es un producto interno.

Solución:
Para que 𝛽 se llamado producto interno, entonces deberá cumplir los 4
axiomas.
i) < 𝑥, 𝑦 >=< 𝑦, 𝑥 > , ∀𝑥, 𝑦 ∈ 𝑉
.< (𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 ) >= 3𝑥1 𝑦1 + 2𝑥1 𝑦2 + 6𝑥2 𝑦2 + 2𝑥2 𝑦1 = 3𝑦1 𝑥1 + 2𝑦1 𝑥2 +
6𝑦2 𝑥2 + 2𝑦2 𝑥1
.< (𝑦1 , 𝑦2 ), (𝑥1 , 𝑥2 ) >= 3𝑦1 𝑥1 + 2𝑦1 𝑥2 + 6𝑦2 𝑥2 + 2𝑦2 𝑥1

ii) < 𝑥 + 𝑦, 𝑧 >=< 𝑥, 𝑧 > + < 𝑦, 𝑧 > , ∀𝑥, 𝑦, 𝑧 ∈ 𝑉


.< 𝑥 + 𝑦, 𝑧 >=< (𝑥1 , 𝑥2 ) + (𝑦1 , 𝑦2 ), (𝑧1 , 𝑧2 ) >=< (𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 ), (𝑧1 , 𝑧2 ) >=
3(𝑥1 + 𝑦1 )(𝑧1 ) + 2(𝑥1 + 𝑦1 )(𝑧2 ) + 6(𝑥2 + 𝑦2 )(𝑧2 ) + 2(𝑥2 + 𝑦2 )(𝑧1 ) = 3𝑥1 𝑧1 +
3𝑦1 𝑧1 + 2𝑥1 𝑧2 + 2𝑦1 𝑧2 + 6𝑥2 𝑧2 + 6𝑦2 𝑧2 + 2𝑥2 𝑧1 + 2𝑦2 𝑧1 =< 𝑥, 𝑧 > +< 𝑦, 𝑧 >

iii) < 𝛼𝑥, 𝑦 >= 𝛼 < 𝑥, 𝑦 > , ∀𝑥, 𝑦 ∈ 𝑉 ∧ 𝛼 ∈ ℝ


.< (𝛼𝑥1 , 𝛼𝑥2 ), (𝑦1 𝑦2 ) >= 3𝛼𝑥1 𝑦1 + 2𝛼𝑥1 𝑥2 + 6𝛼𝑥2 𝑦2 + 2𝛼𝑥2 𝑦1 = 𝛼 < 𝑥, 𝑦 >

iv)< 𝑥, 𝑥 >≥ 0, ∀𝑥 ∈ 𝑉 ∧< 𝑥, 𝑥 >= 0 ⇔ 𝑥 = 0 ∀𝑥 ∈ 𝑉


.< (𝑥1 , 𝑥2 ), (𝑥1 , 𝑥2 ) >= 3𝑥12 + 2𝑥1 𝑥2 + 6𝑥22 + 2𝑥1 𝑥2 = (𝑥1 + 2𝑥2 )2 + 2(𝑥12 + 𝑥22 ) ≥
0 ∧ 𝑠𝑖𝑥1 = 𝑥2 = 0 ⇒< (𝑥1 , 𝑥2 ), (𝑥1 , 𝑥2 ) >= 0

Ejemplo:
En (𝑅 𝑛 , + , 𝑅, ∙) se define:
< , >: 𝑅 𝑛 × 𝑅 𝑛 → 𝑅
< 𝑥, 𝑦 > = 𝑥 𝑡 𝑦
𝑥1 𝑦1
𝑥2 𝑦 2
Donde: 𝑥 = ( ⋮ ) , 𝑦 = ( ⋮ ). Indique si es un producto interno.
𝑥𝑛 𝑦𝑛

Solución:
𝑦1
𝑦2
i) < 𝑥, 𝑦 >= 𝑥 𝑡 𝑦 = (𝑥1 𝑥2 … 𝑥𝑛 ) ( ⋮ ) = ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 = ∑𝑛𝑖=1 𝑦𝑖 𝑥𝑖 =
𝑦𝑛
𝑥1
𝑥2
(𝑦1 𝑦2 … 𝑦𝑛 ) ( ⋮ ) =< 𝑦, 𝑥 >
𝑥𝑛
ii) < 𝑥 + 𝑦, 𝑧 >= (𝑥 + 𝑦)𝑡 𝑧 = (𝑥 𝑡 + 𝑦 𝑡 )𝑧 = 𝑥 𝑡 𝑧 + 𝑦 𝑡 𝑧 =< 𝑥, 𝑧 > +< 𝑦, 𝑧 >
iii) < 𝛼𝑥, 𝑦 >= (𝛼𝑥)𝑡 𝑦 = 𝛼𝑥 𝑡 𝑦 = 𝛼 < 𝑥, 𝑦 >
iv) < 𝑥, 𝑥 >= 𝑥 𝑡 𝑥 = ∑𝑛𝑖=1 𝑥𝑖2 ≥ 0

PROPIEDAD
En todo espacio con producto interno, el producto interno de cualquier vector y.
el vector nulo es cero
< 0, 𝑥 >=< 𝑥, 0 >= 0
Definición
La norma de todo vector v que pertenece a V es un número real no negativo:
‖𝑣‖ = |𝑣| = √< 𝑣, 𝑣 >
En el espacio Euclidiano Rn representa la longitud del segmento de extremo O
y 𝑣 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) en general la distancia entre dos puntos P y Q.

ORTOGONALIDAD
Sea (𝑉, +, 𝑅, ∙) un espacio vectorial con producto interno, se dice que dos
vectores son ortogonales sí y sólo sí su producto interno es nulo.
ORTOGONALIDAD
Sea (V, +, R, .) un espacio vectorial con producto interno, se dice que dos
vectores son ortogonales sí y sólo sí su producto interno es nulo.
Ejemplo:
Sea el conjunto de funciones reales continuas sobre el intervalo [−1,1]
1
〈𝑓, 𝑔〉 = ∫ 𝑓𝑥 𝑔𝑥 𝑑𝑥
−1
√2 √3
Es una función definida en dicho espacio. Indique si los polinomios y 𝑥 son
2 √2

ortogonales.
Solución:
Realicemos el producto interno:
√2 √3 1 √2 √3 √3 2 1
〈 , 𝑥〉=∫−1 𝑥𝑑𝑥 = 𝑥 |−1 =0
2 √2 2 √2 4

Como vemos, el producto interno si es nulo, por lo tanto si son ortogonales.

PROPIEDADES
1.- Desigualdad de Schawrs
En todo espacio vectorial euclidiano se cumple que el valor absoluto del
producto interno es menor o igual que el producto d los módulos de dichos
vectores.
|< 𝑥, 𝑦 >| ≤ ‖𝑥‖‖𝑦‖ = |𝑥||𝑦|
2.- Desigualdad triangular
En todo espacio con producto interno, el módulo de la suma de dos vectores
cualquiera es menor o igual que la suma de sus módulos.
|𝑥 + 𝑦| ≤ |𝑥| + |𝑦|
3.- Ángulo entre dos vectores
Sean x e y dos vectores no nulos en un espacio con producto interno. De la
desigualad de Schawrs:
|< 𝑥, 𝑦 >| ≤ |𝑥||𝑦|
−|𝑥||𝑦| ≤< 𝑥, 𝑦 >≤ |𝑥||𝑦|
< 𝑥, 𝑦 >
−1 ≤ ≤1
|𝑥||𝑦|
Para 0 ≤ 𝜃 ≤ 𝜋
< 𝑥, 𝑦 >
𝑐𝑜𝑠𝜃 =
|𝑥||𝑦|
→ < 𝑥, 𝑦 >= |𝑥||𝑦|𝑐𝑜𝑠𝜃

CONJUNTO ORTOGONAL DE VECTORES


Un conjunto de vectores {𝑥1 , … , 𝑥𝑛 } en un espacio vectorial con producto interno
es ortogonal sí y sólo sí dos vectores cualesquiera y distintos son ortogonales.
Es decir si 〈𝑥𝑖 , 𝑥𝑗 〉 = 0 ∀ 𝑖 ≠ 𝑗 / 1 ≤ 𝑖 ≤ 𝑗 ≤ 𝑛

Proposición:
Todo conjunto ortogonal de vectores al que no pertenece el vector nulo es
linealmente independiente.
Demostración:
Sea {𝑥1 , … , 𝑥𝑟 } un conjunto ortogonal tal que 𝑥𝑖 ≠ 0 ∀ 𝑖 = 1,2, … , 𝑟 y sea la
combinación lineal: ∑𝑟𝑗=1 𝛼𝑗 𝑥𝑗 = 0
Entonces para cada 𝑖 = 1, 2 … 𝑟 consideramos:
𝑟

〈∑ 𝛼𝑗 𝑥𝑗 , 𝑥𝑖 〉 =< 0, 𝑥𝑖 >= 0
𝑗=1

Luego
𝑟

∑ 𝛼𝑗 〈𝑥𝑗 , 𝑥𝑖 〉 = 0
𝑗=1

Como 𝑖 ≠ 𝑗 → 〈𝑥𝑗 , 𝑥𝑖 〉 = 0, la sumatoria se reduce a un único termino que se


obtiene si 𝑖 = 𝑗 es decir 𝛼𝑖 〈𝑥𝑖 , 𝑥𝑖 〉 = 0 siendo 𝑥𝑖 ≠ 0 entonces 〈𝑥𝑖 , 𝑥𝑖 〉 ≠ 0 lo que
indica que 𝛼𝑖 = 0 ∀ 𝑖 = 1, 2, … , 𝑟
Finalmente decimos que {𝑥1 , … , 𝑥𝑟 } es L.I.

Definición:
Un conjunto de vectores en un espacio vectorial V se dice que es un conjunto
ortogonal si cada par de vectores es ortogonal.
Se dice que es un conjunto ortonormal si es ortogonal y cada vector es unitario.
Ejemplo:
3 4 4 3
Un conjunto ortonormal es: {(1,0,0), (0, 5 , 5) , (0, 5 , − 5)} debido a que:
3 4 4 3
 (1,0,0), (0, , ) 𝑦 (0, , − ) son vectores unitarios
5 5 5 5

 El producto interno, tomado de dos en dos, es 0

TEOREMA:
Un conjunto ortogonal de vectores diferentes del vector nulo en un espacio
vectorial V es L.I. en consecuencia determinan una base.

DEFINICIÓN
Una base que es un conjunto ortogonal se dice que es una base ortogonal. Una
base que es un conjunto ortonormal, se dice que es una base ortonormal.
Observación
Hay muchas bases para un espacio vectorial, la base que se utilice depende
del problema en consideración, se recomienda utilizar la base más
conveniente, a menudo la base más adecuada es un conjunto ortogonal o un
conjunto ortonormal.

ALGUNAS APLICACIONES DEL PRODUCTO INTERNO PARA 𝑹𝟐


Ejemplos
01) Una recta 𝐿 que pasa por 𝑃0 ∈ 𝑅 2 y en la dirección 𝜇⃗ ≠ 0 es un conjunto 𝐿 =
{𝑃0 + 𝑡⃗⃗⃗⃗
𝜇 / 𝑡 ∈ 𝑅}
Si 𝑃 = 𝑃0 + 𝑡𝜇⃗ es un punto arbitrario de 𝐿 y 𝑣⃗ es un vector ortogonal a 𝜇⃗ tal que
𝜇⃗ = (−𝑏, 𝑎); 𝑣⃗ = (𝑎, 𝑏)
Entonces < (𝑃 − 𝑃0 ), 𝑣 >=< 𝑡𝜇⃗, 𝑣⃗ >= 𝑡 < 𝜇⃗, 𝑣⃗ >= 0
Es decir la ecuación cartesiana de 𝐿 es:
Si𝑃 = (𝑥, 𝑦), 𝑃0 = (𝑥0 , 𝑦0 ) , 𝑣 = (𝑎, 𝑏)
< (𝑥 − 𝑥0 , 𝑦 − 𝑦0 ), (𝑎, 𝑏) > = 0
𝑎𝑥 + 𝑏𝑦 + 𝑐 = 0
Donde: 𝐿 = {(𝑥, 𝑦) ∈ 𝑅 2 / 𝑎𝑥 + 𝑏𝑦 + 𝑐 = 0 }

02) DISTANCIA DE UN PUNTO A UNA RECTA


La distancia de un punto 𝑄 ∈ 𝑅 2 a la recta 𝐿 = {𝑃0 + 𝑡𝜇 / 𝑡 ∈ 𝑅} 𝜇 ≠ 0, 𝜇 =
(−𝑏, 𝑎), es la longitud del segmento ̅̅̅̅
𝑄𝑃, donde 𝑃 ∈ 𝐿
𝑑(𝑄, 𝑃) = |𝑄 − 𝑃|, vemos que 𝑄 − 𝑃 = 𝛾𝑣, con 𝑣 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙 𝑎 𝜇, 𝛾 ∈ 𝑅
O sea 𝑄 − 𝑃 // 𝑣 de donde
𝑃 = 𝑄 − 𝛾𝑣 = (𝑟 − 𝛾𝑎, 𝑠 − 𝛾𝑏), siendo 𝑄 = (𝑟, 𝑠)
En la ecuación cartesiana reemplazando : 𝑎(𝑟 − 𝛾𝑎) + 𝑏(𝑠 − 𝛾𝑏) + 𝑐 = 0
𝑎𝑟 + 𝑏𝑠 + 𝑐
𝛾=
𝑎2 + 𝑏 2
𝑎𝑟 + 𝑏𝑠 + 𝑐
𝑑(𝑄, 𝑃) = | 2 (𝑎, 𝑏)|
𝑎 + 𝑏2
|𝑎𝑟 + 𝑏𝑠 + 𝑐|
𝑑(𝑄, 𝑃) =
√𝑎2 + 𝑏 2

03) ÁREA DEL TRIÁNGULO

h es la distancia desde el punto final del


radio vector 𝜇 a la recta 𝐿 / 𝐿 = {𝑡𝑣/𝑡 ∈ 𝑅} = {(𝑥, 𝑦) ∈ 𝑅 2 / – 𝑏𝑥 + 𝑎𝑦 = 0} donde
𝑤 𝑒𝑠 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙 𝑎 𝑣
|−𝑏𝑐 + 𝑎𝑑| |< 𝑢, 𝑤 >|
ℎ= =
√𝑎2 + 𝑏 2 |𝑣|
1
Dado que Área = 2 ℎ |𝑣| , se tendrá:
1
Área del triangulo= |〈𝜇, 𝑤〉|
2

04) FUNCIONES TRIGONOMÉTRICAS

Por la ley de cosenos


|𝜇 − 𝑣|2 = |𝑢|2 + |𝑣|2 − 2|𝜇||𝑣|𝑐𝑜𝑠𝜃
Pero |𝜇 − 𝑣|2 = 〈(𝜇 − 𝑣), (𝜇 − 𝑣)〉 = |𝑢|2 + |𝑣|2 − 2〈𝜇, 𝑣〉
Además vemos que 𝑤 𝑒𝑠 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙 𝑎 𝑣
Luego:
〈𝜇, 𝑣〉
𝑐𝑜𝑠𝜃 = , |𝑤| = |𝑢|
|𝜇||𝑣|
𝜋 〈𝜇, 𝑤〉
𝑠𝑒𝑛𝜃 = cos ( − 𝜃) =
2 |𝜇||𝑣|
〈𝜇, 𝑤〉
𝑠𝑒𝑛𝜃 =
|𝜇||𝑣|

TEOREMA
Sea {μ1 , … , μn } una base ortonormal, sea “ν” un vector en 𝑉, el vector ν se
puede expresar como una C.L de los vectores de las base de la manera
siguiente:
ν = (ν. 𝜇1 )𝜇1 + (ν. 𝜇2 )𝜇2 + ⋯ + (ν. 𝜇𝑛 )𝜇𝑛
Es decir ν = 〈𝜈, 𝜇1 〉𝜇1 + 〈𝜈, 𝜇2 〉𝜇2 + ⋯ + 〈𝜈, 𝜇𝑛 〉𝜇𝑛

Ejemplo:
Dado el vector ν = (7, −5,10) se puede trabajar como C.L de los vectores:µ1 =

(1,0,0) , µ2 = (0, 3⁄5 , 4⁄5) , µ3 = (0, 4⁄5 , −3⁄5), que determinan una base

ortonormal donde: ν. µ1 = 7, ν. µ2 = 5 , ν. µ3 = −10.

ν = 7(1,0,0) + 5(0, 3⁄5 , 4⁄5) − 10(0, 4⁄5 , −3⁄5)


Definición
La proyección de un vector 𝜈 sobre un vector μ ≠ 0, denotada por𝑃𝑟𝑜𝑦µ 𝜈 se
define:
< 𝜐. μ >
𝑃𝑟𝑜𝑦µ 𝜈 = μ
‖μ‖‖μ‖

PROCESO DE ORTOGONALIZACIÓN DE GRAM-SCHIMDT


Sea {ν1 , … , νn }una base espacio vectorial 𝑉 , el conjunto de vectores
{μ1 , … , μn }definido de la manera siguiente es ortogonal (〈μ𝑖 , μ𝑗 〉 = 0, 𝑖 ≠ 𝑗). Para
Obtener una base ortonormal de 𝜈 , se normaliza cada uno de los vectores
μ1 , … , μn es decir:
𝜇1 = 𝜈1
𝜇2 = 𝜈2 − 𝑃𝑟𝑜𝑦µ1 𝜈2
𝜇3 = 𝜈3 − 𝑃𝑟𝑜𝑦µ1 𝜈3 − 𝑃𝑟𝑜𝑦µ2 𝜈3
………………………………….
𝜇𝑛 = 𝜈𝑛 − 𝑃𝑟𝑜𝑦µ1 𝜈𝑛 − 𝑃𝑟𝑜𝑦µ2 𝜈𝑛 − … − 𝑃𝑟𝑜𝑦µ𝑛−1 𝜈𝑛

Ejemplo:
El conjunto {(1,2,0,3), (4,0,5,8), (8,1,5,6)} es L.I en R4 , los vectores forman una
base para el subespacio de 3 dimensiones de 𝑉𝑑𝑒 𝑅 4 . Construya una base
ortonormal para 𝜈.
Solución:
Sean 𝜈1 = (1,2,0,3) , 𝜈2 = (4,0,5,8) , 𝜈3 = (8,1,5,6), aplicando Gram-Schmidt
para construir un conjunto ortogonal.
Sea: 𝜇1 = 𝜈1 = (1,2,0,3)
𝜈2 . μ1
𝜇2 = 𝜈2 − 𝑃𝑟𝑜𝑦µ1 𝜈2 = (4,0,5,8) − μ
‖μ1 ‖‖μ1 ‖ 1
(4,0,5,8). (1,2,0,3)
𝜇2 = (4,0,5,8) − (1,2,0,3) = (2, −4,5,2)
(1,2,0,3). (1,2,0,3)
𝜇3 = 𝜈3 − 𝑃𝑟𝑜𝑦µ1 𝜈3 − 𝑃𝑟𝑜𝑦µ2 𝜈3
(8,1,5,6). (1,2,0,3) (8,1,5,6). (2, −4,5,2)
𝜇3 = (8,1,5,6) − (1,2,0,3) − (2, −4,5,2)
(1,2,0,3). (1,2,0,3) (2, −4,5,2). (2, −4,5,2)
𝜇3 = (8,1,5,6) − (2,4,0,6) − (2, −4,5,2) = (4,1,0, −2)
El conjunto ortogonal {(1,2,0,3), (2, −4,5,2), (4,1,0, −2)} es una base ortogonal
para 𝜈.
1 2 3 2 −4 5 2 4 1 −2
⟹{( , , 0, ) , (7 , , 7 , 7) , ( , , 0, )} es una base ortonormal de 𝜈.
√14 √14 √14 7 √21 √21 √21

LEMA:
Un conjunto ortonormal{𝜇1 , … , 𝜇n } es L.I y cualquier vector "𝜈" que pertenece a
𝑉, es tal que el vector 𝜔 = 𝜈 − 〈𝜈, 𝜇1 〉𝜇1 − 〈𝜈, 𝜇2 〉𝜇2 − ⋯ − 〈𝜈, 𝜇𝑛 〉𝜇𝑛 es ortogonal
a cada uno de los 𝜇𝑖 .

OBSERVACION
Las bases ortonormales desempeñan un papel importante en las espacios con
producto interno, en el lema anterior se muestra que siempre existe una base
ortonormal.
Ejemplo
Se define el producto interno 〈𝑢, 𝑣〉 = (𝑢1 𝑣1 + 3𝑢2 𝑣2 + 5𝑢3 𝑣3 )ortonormalice por
Gram-Schmidt la base {(−1,1, −1), (−1,1,0), (1,0,0)}
Para 𝑢 = (𝑢1 , 𝑢2 , 𝑢3 ), 𝑣 = (𝑣1 , 𝑣2 , 𝑣3 )
Solución
Sea 𝑥1 = (1,0,0) , 𝑥2 = (−1,1,0) , 𝑥3 = (−1,1, −1)
Hacemos 𝑦1 = 𝑥1 = (1,0,0)
〈(1,0,0), (−1,1,0)〉
𝑦2 = 𝑥2 − 𝑃𝑟𝑜𝑦𝑦1 𝑥2 = (−1,1,0) − (1,0,0) =
〈(1,0,0), (1,0,0)〉
(1)(−1) + 3(0)(1) + 5(0)(0)
𝑦2 = (−1,1,0) − ( ) (1,0,0) = (0,1,0)
(1)(1) + 3(0)(0) + 5(0)(0)
〈𝑥3 , 𝑦1 〉 〈𝑥3 , 𝑦2 〉
𝑦3 = 𝑥3 − 𝑃𝑟𝑜𝑦𝑦1 𝑥3 − 𝑃𝑟𝑜𝑦𝑦2 𝑥3 = 𝑥3 − 𝑦1 − 𝑦
〈𝑦1 , 𝑦1 〉 〈𝑦2 , 𝑦2 〉 2
(1)(−1) + 3(1)(0) + 5(−1)(0)
𝑦3 = (−1,1, −1) − ( ) (1,0,0)
(1)(1) + 3(1)(0) + 5(1)(0)
(−1)(0) + 3(1)(1) + 5(−1)(0)
−( ) (0,1,0)
(0)(0) + 3(1)(1) + 5(0)(0)
𝑦3 = (−1,1, −1) + (1,0,0) − (0,1,0) = (0,0, −1)
La base ortonormal es {(1,0,0), (0,1,0), (0,0, −1)}
TEOREMA
Sea {ν1 , … , νn } una base arbitraria con producto interno "ν" entonces existe una
base ortonormal {𝜇1 , … , 𝜇n } de "ν" talque la matriz de transición de {νi } a {𝜇i } es
triangular para 𝑖 = 1, … . , 𝑛. Se cumple:
𝜇𝑖 = 𝑎𝑖1 𝜈1 + 𝑎𝑖2 𝜈2 + ⋯ + 𝑎𝑖𝑖 𝜈𝑖
Prueba:
𝜈
Consideremos 𝜇1 = ‖𝜈1 ‖ entonces {𝜇1 } es ortonormal, luego consideramos
1
𝜔
un 𝜔2 = 𝜈2 − 〈𝜈2 , 𝜇1 〉𝜇1 , 𝜇2 = ‖𝜔2 ‖⟹𝜔2 es ortogonal a 𝜇1 , entonces {𝜇1 , 𝜇2 }
2

es ortogonal.
Por el lema 𝜔2 es ortogonal a 𝜇1 , entonces {𝜇1 , 𝜇2 } es un conjunto ortogonal.
𝜔
𝜔3 = 𝜈3 − 〈𝜈3 , 𝜇1 〉𝜇1 − 〈𝜈3 , 𝜇2 〉𝜇2 , tal que𝜇3 = ‖𝜔3 ‖ , nuevamente por el lema
3

𝜔3 es ortogonal, en general al obtener {𝜇1 , … , 𝜇n } consideramos los siguiente:


𝜔
𝜔𝑖+1 = 𝜈𝑖+1 − 〈𝜈𝑖+1 , 𝜇1 〉𝜇1 − ⋯ − 〈𝜈𝑖+1 , 𝜇𝑖 〉𝜇𝑖 ,𝜇𝑖+1 = ‖𝜔𝑖+1 ‖ se puede observar
𝑖+1

que 𝜔𝑖+1 ≠ 0 , 𝜈𝑖+1 ∉ ℒ(𝜇1 , … , 𝜇n ) , {𝜇1 , … , 𝜇n } es ortonormal que forma una


base de “𝜈“.

Ejemplo:
Sea {𝜈1 = (1,1,1) , 𝜈2 = (0,1,1) , 𝜈3 = (0,0,1)} una base de R3 , encuentre una
base
Ortonormal utilizando el proceso de ortogonalización de Gram – Schmidt.
Solución:
𝜈 (1,1,1) 1 1 1
Sea 𝜇1 = ‖𝜈1 ‖ = =( , , )
1 √3 √3 √3 √3
2 1 1 1 −2 1 1
Hacemos: 𝜔2 = 𝜈2 − 〈𝜈2 , 𝜇1 〉𝜇1 = (0,1,1) − ( , , ) = ( 3 , 3 , 3)
√3 √3 √3 √3
𝜔 −2 1 1
𝜇2 = ‖𝜔2 ‖ = ( , , ), luego 𝜔3 = 𝜈3 − 〈𝜈3 , 𝜇1 〉𝜇1 − 〈𝜈3 , 𝜇2 〉𝜇2
2 √6 √6 √6

1 1 1 1 1 −2 1 1 −1 1 𝜔 −1 1
𝜔3 = (0,0,1) − ( , , )− ( , , ) = (0, , 2) , 𝜇3 = ‖𝜔3 ‖ = (0, , )
√3 √3 √3 √3 √6 √6 √6 √6 2 3 √2 √2

1 1 1 −2 1 1 −1 1
La base ortonormal es {𝜇1 = ( , , ) , 𝜇2 = ( , , ) 𝜇3 = (0, , )}.
√3 √3 √3 √6 √6 √6 √2 √2
PROYECCIÓN DE UN VECTOR SOBRE UN SUBESPACIO
Sea 𝑊 un subespacio de Rn , sea {𝜇1 , … , 𝜇n } una base ortonormal para 𝑊. Si
es v un vector en Rn , la proyección de ν sobre 𝑊, denotada 𝑃𝑟𝑜𝑦𝑤 𝜈 se
define como:
𝑃𝑟𝑜𝑦𝑊 𝜈 = 〈𝜈, 𝜇1 〉𝜇1 + 〈𝜈, 𝜇2 〉𝜇2 + ⋯ + 〈𝜈, 𝜇𝑛 〉𝜇𝑛

TEOREMA:
Sea 𝑊 un subespacio de Rn , cada vector ν en Rn se puede expresar de forma
única de la siguiente manera:
𝜈 = 𝑤 + 𝑤⊥
Donde 𝑤 se encuentra en W y 𝑤 ⊥ es ortogonal a W, los vectores 𝑤 𝑦 𝑤 ⊥
son:
𝑤 = 𝑃𝑟𝑜𝑦𝑊 𝜈 𝑦 𝑤 ⊥ = 𝜈 − 𝑃𝑟𝑜𝑦𝑊 𝜈
Ejemplo:
Considere el vector 𝜈 = (3,2,6) en R3 , sea𝑊 el subespacio de R3 que consta de
todos los vectores (𝑎, 𝑏, 𝑏). Descomponga 𝜈 en la suma de un vector que se
encuentra en 𝑊 y un vector ortogonal a 𝑊.
Solución:
Se requiere una base ortonormal para 𝑊, cualquier vector de 𝑊 se pueda
expresar de la siguiente manera: (𝑎, 𝑏, 𝑏) = 𝑎(1,0,0) + 𝑏(0,1,1) .
El conjunto {(1,0,0), (0,1,1)} genera a W, es L.I formara una base para 𝑊.Los
vectores (1,0,0) y (0,1,1) son ortogonales, busquemos una base ortonormal
{𝜇1 , 𝜇2 }
1 1
Para 𝑊, donde 𝜇1 = (1,0,0) 𝑦 𝜇2 = (0, , ),𝑤 = 𝑃𝑟𝑜𝑦𝑤 𝜈 = 〈𝜈, 𝜇1 〉𝜇1 +
√2 √2
1 1 1 1
〈𝜈, 𝜇2 〉𝜇2 𝑤 = 〈(3,2,6), (1,0,0)〉(1,0,0) + 〈(3,2,6), (0, , )〉 (0, , )=
√2 √2 √2 √2

(3,4,4)𝑤 ⊥ = 𝜈 − 𝑃𝑟𝑜𝑦𝑤 𝜈 = (3,2,6) − (3,4,4) = (0, −2,2, ), luego se obtiene tiene


lo pedido:
(3,2,6) = (3,4,4) + (0, −2,2, )

Ejemplo:
Dado los vectores: 𝜇 = (2, −1,2) , 𝜈 = (1,2,1) 𝑦 𝑤 = (−2,3,3). Determine un
vector de R3 que es la proyección ortogonal de 𝑤 sobre el plano generado por
𝜇 𝑦 ν.
Solución
2 −1 2 1 0 1
( )⟶( )
1 2 1 0 1 0
Sea 𝐻 = {(1,0,1), (0,1,0)} donde ℎ1 = (0,1,0) , ℎ2 = (1,0,1); 〈ℎ1 , ℎ2 〉 = 0 , H es
〈𝑤,ℎ1 〉 〈𝑤,ℎ2 〉 1 1 1
ortogonal. 𝑃𝑟𝑜𝑦𝐻 𝑤 = 〈|〈ℎ 〉 ℎ1 + 〈 〉 ℎ2 = 3(0,1,0) + (1,0,1) = ( , 3, ).
1 ,ℎ1 〉| |〈ℎ2 ,ℎ2 〉| 2 2 2

Otro método:
Sea 𝜇 = (2, −1,2) , 𝜈 = (1,2,1) vectores que pertenecen a H entonces 𝜇 × 𝜈 =
(−5,0,5) = 𝑤1 .
(−2,3,3)(−5,0,5) 1 1
𝑃𝑟𝑜𝑦𝐻 𝑤 = 𝑤 − 𝑃𝑟𝑜𝑦𝐻 𝑤1 = (−2,3,3) − (−5,0,5) = ( , 3, )
‖(−5,0,5)‖‖(−5,0,5)‖ 2 2

OBS:
Sea 𝑉 una espacio euclideo y 𝑈 un subespacio vectorial de 𝑉. Se llama
ortogonal de 𝑈 en 𝑉 al conjunto de todos los vectores de 𝑉 ortogonales a
cualquier vector de 𝑈.

𝑈 ⊥ = {𝑣 ∈ 𝑉 ⁄〈𝑣, 𝑢〉 = 0, ∀ 𝑢 ∈ 𝑈}

PROPIEDADES:
1) Si 𝑣 ∈ 𝑉 es ortogonal a todos lo elementos de una base de 𝑈, entonces 𝑣 ∈
𝑈⊥.
2) Si 𝑈 ⊂ 𝑊 ⟹ 𝑊 ⊥ ⊂ 𝑈 ⊥ .
COMPLEMENTO ORTOGONAL
Sea un subespacio 𝑆 de un espacio vectorial 𝑉, cuando los elementos de un
subespacio vectorial son ortogonales a 𝑆, se dice que dicho subespacio es un
complemento ortogonal .Se denota como 𝑆 ⊥ y se denomina complemento
ortogonal porque la suma de las dimensiones de 𝑆 𝑦 𝑆 ⊥ es igual a la dimensión
del espacio vectorial 𝑉.
Ejemplo
𝑎 −𝑎
Dado el subespacio vectorial 𝑁 = {( ) 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑎 , 𝑐 ∈ 𝑅} su complemento
𝑎 𝑐
ortogonal con respecto al producto interno 〈𝐴, 𝐵〉 = 𝑡𝑟(𝐴⊥ 𝐵) , en el espacio
vectorial de las matrices cuadradas de orden dos es igual al subespacio cuyos
vectores son ortogonales a cualquier base de 𝑁 , entonces tomando una base
1 −1 0 0
arbitraria 𝐵 = {( ),( )} y aplicando las condiciones de ortogonalidad
1 0 0 1
con un vector genérico del espacio vectorial, tenemos
𝑤 𝑥 𝑤+𝑦 𝑥+𝑧
〈(1 −1) , ( 𝑦 𝑧 )〉 = 0 = 𝑡𝑟 ( ) =0 =𝑤−𝑥+𝑦 → 𝑥 =𝑤+𝑦
1 0 −𝑤 −𝑥
𝑤 𝑥 0 0
〈(0 0) , ( 𝑦 𝑧 )〉 = 0 = 𝑡𝑟 ( )=0=𝑧+0
0 1 𝑦 𝑧
𝑤 𝑤+𝑦
Tendremos el complemento ortogonal 𝑁 ⊥ = {( ) 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑤, 𝑦 ∈ 𝑅}
𝑦 0
OBSERVACION
En un espacio vectorial lineal complejo, un producto interno 〈𝑥, 𝑦〉 es un número
complejo que satisface los mismos axiomas que los del producto interno real
excepto el de la simetría que se reemplaza por la relación 〈𝑥, 𝑦〉 = ̅̅̅̅̅̅̅
〈𝑦, 𝑥〉
(simetría hermitiana)
Ejemplo
Sea el espacio vectorial de las matrices cuadradas de orden dos con
elementos complejos y el producto interno definido por
〈𝐴, 𝐵〉 = 𝑎11 ̅̅̅̅
𝑏11 + 𝑎12 ̅̅̅̅
𝑏12 + 𝑎21 ̅̅̅̅
𝑏21 + 𝑎22 ̅̅̅̅
𝑏22
−𝑖 2 2−𝑖 −𝑖
Calcular la distancia entre los vectores ( ) 𝑦 ( )
1+𝑖 1−𝑖 5 5𝑖
Solución
−𝑖 2 2−𝑖 −𝑖 −2 2+𝑖
Sea ( )−( ) = ( )
1+𝑖 1−𝑖 5 5𝑖 −4 + 𝑖 1 − 6𝑖
−2 2+𝑖 −2 2+𝑖 −2 2+𝑖
Luego ‖( )‖ = √〈( ),( )〉 =
−4 + 𝑖 1 − 6𝑖 −4 + 𝑖 1 − 6𝑖 −4 + 𝑖 1 − 6𝑖

̅̅̅̅̅̅̅ + (2 + 𝑖)(2
√(−2)(−2) ̅̅̅̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅̅
+ 𝑖) + (−4 + 𝑖)(−4 ̅̅̅̅̅̅̅̅̅̅̅
+ 𝑖) + (1 − 6𝑖)(1 − 6𝑖) =

√4 + (4 + 1) + (16 + 1) + (1 + 36) = √63


Ejemplo
𝑖 2 1+𝑖 −3 4 −2 + 𝑖
Dados los vectores ( ) 𝑦 ( ) , se define el
0 −3𝑖 1 2𝑖 0 𝑖
producto interno 〈𝐴, 𝐵〉 = 𝑡𝑟(𝐴∗ 𝐵) .Determine el ángulo entre dichos vectores
Solución
−𝑖 0 3𝑖 −4𝑖 1 + 2𝑖
−3 4 −2 + 𝑖
〈𝐴, 𝐵〉 = 𝑡𝑟 (( 2 3𝑖 ) ( )) = 𝑡𝑟 ( −12 8 −7 + 2𝑖 )
2𝑖 0 𝑖
1−𝑖 1 −3 + 5𝑖 4 − 4𝑖 −1 + 4𝑖
= 7 + 7𝑖

−𝑖 0
𝑖 2 1+𝑖
También: 〈𝐴, 𝐴〉 = 𝑡𝑟 (( 2 3𝑖 ) ( )) =
0 −3𝑖 1
1−𝑖 1
1 −2𝑖 1−𝑖
𝑡𝑟 ( 2𝑖 13 2 + 5𝑖 ) = 17
1+𝑖 2 − 5𝑖 3
−3 −2𝑖
−3 4 −2 + 𝑖
〈𝐵, 𝐵〉 = 𝑡𝑟 (( 4 0 )( ))
2𝑖 0 𝑖
−2 − 𝑖 −𝑖
13 −12 8 − 3𝑖
= 𝑡𝑟 ( −12 16 −8 + 4𝑖 ) = 35
8 + 3𝑖 −8 − 4𝑖 6
𝑟𝑒(7 + 7𝑖)
𝜑 = 𝑎𝑟𝑐 𝑐𝑜𝑠 ( ) = 73,320
√17√35

TEOREMA DE LA MEJOR APROXIMACIÓN


El teorema de la mejor aproximación resuelve el problema de la mínima
distancia de un punto a un subespacio vectorial. Dado un subespacio vectorial
𝑆 𝑑𝑒 𝑅 𝑛 y un vector 𝑥 𝑑𝑒 𝑅 𝑛 , se debe minimizar la distancia de 𝑥 a un vector
genérico 𝑤 ∈ 𝑆 ; 𝑚𝑖𝑛{‖𝑥 − 𝑤‖: 𝑤 ∈ 𝑆 }se debe obtener un vector donde s
alcanza un mínimo.
Sea 𝑉 un espacio vectorial euclideo y 𝑈 ⊂ 𝑉 un subespacio vectorial de
dimensión finita. Dado 𝑣 ∈ 𝑉. Se cumple:
‖𝑣 − 𝑃𝑟𝑜𝑦𝑢 𝑣‖ ≤ ‖𝑣 − 𝑢‖ , ∀𝑢 ∈ 𝑈
EJEMPLOS
1
1. Para el espacio vectorial con producto interno 〈𝑓, 𝑔〉 = ∫−1 𝑓(𝑥)𝑔(𝑥)𝑑𝑥 de las
funciones continuas en un intervalo [−1,1] .Determine el polinomio de grado
menor o igual que dos más próximo a la función 𝑓(𝑥) = cos(𝜋𝑥)
2.
Encuentre la mejor aproximación para cos 𝑥 en el intervalo [0,1]
PROBLEMA 1
Ses f (u, v)=6x1y1− 4(x1y2 + x2y1) + 7x2y2 ; con un u=(x1,x2), v=(y1,y2)

¿Es un f (u, v) un producto interno?, de ser un producto interno determine la


norma de (1,2).

SOLUCION

 Para que f (u, v) sea un producto interno debe satisfacer las


condiciones.

1. 〈𝛼𝑢 + 𝛾𝑣 ; 𝑧〉 =<𝛼(x1,x2)+𝛾(y1,y2);(z1,z2)> = < (𝛼x1 + 𝛾y1,𝛼x2 + 𝛾y2);(z1,z2)


>

= 6(𝛼x1 + 𝛾y1)z1 – 4[(𝛼x1 + 𝛾y1)z2 + (𝛼x2 + 𝛾y2)z1] + 7z2 (𝛼x2 + 𝛾y2)


……(1)

También:

𝛼<x,z> + 𝛾<y,z> = 𝛼(6x1z1 – 4(x1z2 + x2z1) + 7x2z2) + 𝛾(6y1z1 – 4(y1z2 +


y2z1) + 7y2z2) ……..(2)

De (1) y (2)

〈𝛼𝑢 + 𝛾𝑣 ; 𝑧〉 = 𝛼<x,z> + 𝛾<y,z>

2. 〈𝑢, 𝑣〉 = 6x1y1− 4(x1y2 + x2y1)+ 7x2y2 ……(3)


〈𝑣, 𝑢〉 = 6y1x1− 4(y1 x2 + y2x1)+ 7 y2x2 …….(4)
De (3) y (4) por definición 〈𝑢, 𝑣〉 = 〈𝑣, 𝑢〉

3. 〈𝑢, 𝑢〉 = 6x21− 4(x1x2 + x2x1)+ 7x22


= 6x21− 8x1x2+ 7x2
= (2x1 – 2x2)2 + 2x21 + 3x22≥ 0

〈𝑢, 𝑢〉 = 0 ↔ u = 0

f (u, v)=6x1y1− 4(x1y2 + x2y1)+ 7x2y2 ; es un producto interno.

La norma de u = 〈1,2〉

‖𝑢‖ = √〈𝑢, 𝑢〉 = √18 = 3√2

PROBLEMA 2

Sea el espacio vectorial 𝑅4 sobre R , se define el subespacio


vectorial
W = {(x, y, t, z) / x + y – t + z = 0} y el vector v = { 1, -1, 2, 3}
a) Construir una base ortogonal H para W

b)Exprese v como una Combinación Lineal de H y 𝐻⊥

SOLUCIÓN

a) (x,y,t,z) Si t = x + y + z  ( x , y , x + y + z , z) = x( 1,0,1,0) +
y(0,1,1,0) + z(0,0,1,1)
{ ( 1,0,1,0) ; (0,1,1,0) ; (0,0,1,1) } el conjunto LI y por lo tanto una
base del subespacio W
Si consideramos V1 = ( 1,0,1,0) , V2 = (0,1,1,0) y V3 = (0,0,1,1)

𝑢1 = V1 = (1, 0, 1,0)

𝑉 <𝑉 ,𝑢 >
𝑢2 = V2 - 𝑃𝑟𝑜𝑦𝑢12 = (0,1,1,0) - |<𝑢2 ,𝑢1 >| 𝑢1
1 1

<(0,1,1,0),( 1,0,1,0)> 1
𝑢2 =(0,1,1,0) - .( 1,0,1,0) = (0,1,1,0) - 2(1,0,1,0)
12 +02 +12 +02

1 1
𝑢2 = (- 2, 1,2,0)

𝑉 𝑉 <(0,0,1,1),( 1,0,1,0)>
𝑢3 =V3 - 𝑃𝑟𝑜𝑦𝑢13 - 𝑃𝑟𝑜𝑦𝑢23 = (0, 0, 1,1) - (1, 0, 1,0) -
12 +02 +12 +02
1 1
<(0,0,1,1),(− ,1, ,0)> 1 1
2 2
1 1 (- 2, 1,2,0)
(− )2 +12 +( )2 +02
2 2

1
1 2 1 1 1 1 1 1 1
𝑢3 = (0, 0, 1,1) - 2(1, 0, 1,0) - 3 (- 2, 1,2,0) = (- 2, 0,2 ,1) - 3(- 2, 1,2,0)
2
1 1 1
𝑢3 = (-3,- 3, 3,1)

Entonces la base ortogonal H para W es


1 1 1 1 1
H = { (1,0,1,0) ; (- 2, 1,2,0) ; (- 3,- 3, 3,1) }

b) Sea (𝑥, 𝑦, 𝑡, 𝑧) ∈ 𝑤 tal que 𝑤 ⊥ 𝐻


〈(𝑥, 𝑦, 𝑡, 𝑧), (1,0,1,0)〉 = 0 → 𝑥 + 𝑡 = 0
−1 1
〈(𝑥, 𝑦, 𝑡, 𝑧), ( , 1, , 0)〉 = 0 → −𝑥 + 2𝑦 + 𝑡 = 0
2 2
−1 −1 1
〈(𝑥, 𝑦, 𝑡, 𝑧), ( , , , 1)〉 = 0 → −𝑥 − 𝑦 + 𝑡 − 3𝑧 = 0
3 3 3
1 0 1 0 0 1 0 0 −1 0
(−1 2 1 0 0) → (0 1 0 −1 0)
−1 −1 1 3 0 0 0 1 1 0
𝑥 − 𝑧 = 0, 𝑦 − 𝑧 = 0, 𝑡 + 𝑧 = 0
(𝑥, 𝑦, 𝑡, 𝑧) = (𝑥, 𝑥, −𝑥, 𝑥) = 𝑥(1,1, −1,1)
Se obtiene {(1,1, −1,1)}
−1 1 −1 −1 1
Luego (1, −1,2,3) = 𝛼1 (1,0,1,0) + 𝛼2 ( 2 ,1, 2 , 0) + 𝛼3 ( 3 , , 1) +
3 3
𝛽(1,1, −1,1)
Resoviendo tendremos 𝛼1 , 𝛼2 , 𝛼3 , 𝛽

PROBLEMA 3

En R3 se define el producto interno < 𝑥, 𝑦 >=x1y1+ 3x2y2 + 5x3y3 con un x=(x1,


x2,x3) y y=(y1,y2,y3)

Mediante el proceso de Gram-Schmidt transformar la base


{(1,1,1); (1,0,0); (1, −1,0)} en una base ortonormal.

SOLUCION

 Sea v1=(1,1,1); v2=(1,0,0); v3=(1,-1,0) aplicando Gram-Schmidt para


construir un conjunto ortonormal {u1,u2,u3} a partir de los vectores
indicados.

Sea:

u1=v1= (1,1,1)
<(1,0,0),(1,1,1)> 1 8 −1 −1
u2=(1,0,0) − |<(1,1,1),(1,1,1)>| (1,1,1)= (1,0,0) − 9(1,1,1)=( 9, ,9)
9

8 −1 −1
〈(1,−1,0),( , , )〉 8 −1 −1 〈(1,−1,0),(1,1,1)〉
9 9 9
u3=(1,-1,0) − 8 −1 −1 8 −1 −1 (9 , , ) − |〈(1,1,1),(1,1,1)〉| (1,1,1)
|〈( , , ),( , , )〉| 9 9
9 9 9 9 9 9

11 8 −1 −1 2 −5 3
u3=(1,-1,0)− 8 ( 9, , 9 )+9 (1,1,1)=(0, 8 ,8)
9

8 −1 −1 −5 3
{(1,1,1), ( 9, , 9 ), (0, 8 ,8)} Es un conjunto ortogonal
9

8 −1 −1 8 3 5
〈(1,1,1), ( , , )〉=9 - 9 -9 = 0
9 9 9

−5 3 15 15
〈(1,1,1), (0, , 8) 〉=- + =0
8 8 8

8 −1 −1 −5 3 15 15
〈( , , ), (0, , 8) 〉= 72 - 72 = 0
9 9 9 8
Luego:

|𝑢1 | = √〈𝑢1 , 𝑢1 〉 =3

2
|𝑢2 | = √〈𝑢2 , 𝑢2 〉 = √2
3

15
|𝑢3 | = √〈𝑢3 , 𝑢3 〉 = √
8

La base ortonormal

1 1 1 4 −1 −1 −5 2 3 2
{(3 , 3 , 3), ( 3√2, , ), (0, √ , 4 √15)}
6√2 6√2 4 15

PROBLEMA 4

Sea el espacio euclideo de las funciones continúas en <-1,1> (intervalo),


1
definido el producto interno < 𝑥, 𝑦 > = ∫−1 𝑥(𝑦) 𝑦(𝑡) dt, para que valor de λ los
vectores 𝑥(𝑡) = 𝑡 2 + 1 y 𝑦(𝑡) = 𝜆(𝑡 2 + 1), son ortogonales.

SOLUCION
1 2 +1) 1 2 +1) 2 +1)
< 𝑥, 𝑦 > = ∫−1 𝑥(𝜆(𝑡2+1)) 𝜆(𝑡 dt = ∫−1(𝜆2(𝑡 + 1)𝜆(𝑡 dt

1 2 +1) 2 +1)
= ∫−1(𝜆3(𝑡 + 𝜆(𝑡 )dt

Si x e y son ortogonales: < 𝑥, 𝑦 > = 0

PROBLEMA 5

Sean U1,U2,U3, los siguientes subespacios de R3

U1={(a,b,c)/a+b+c=0}

U2={(a,b,c)/a=c}

U3={(0,0,c)/c ∈ R3}
Probar que R3=U1+U2=U2+U3=U1+U3 e indicar en qué caso la suma es directa.

SOLUCION

 En U1 a + b + c = o → a = -b –c
(a,b,c ) = (-b -c,b,c) = b(-1,1,0) + c(-1,0,1)
{(-1,1,0); (-1,0,1)}
Luego 𝛼(-1,1,0) + 𝛽(-1,0,1) = (0,0,0)
𝛼 = 𝛽 = 0 ; es un conjunto LI entonces es una base de U1
 En U2 a=c
(a,b,c ) =(a,b,a)= a(1,0,1) + b(0,1,0)
{(1,0,1) ;(0,1,0)}
Luego 𝛼(1,0,1) + 𝛽(0,1,0)= (0,0,0)
𝛼 = 𝛽 = 0 ; es un conjunto LI entonces es una base de U2
 En U3
(0,0,c ) = c(0,0,1)
{(0,0,1) } ; es una base de U3
 En U1+U2
U1 ∩U2 ∈V → U1 ∈ V ∩ U2 ∈ V
V= m(-1,1,0) + n(-1,0,1)= p(1,0,1) + q(0,1,0)= (a,b,c )
-m-n=p; m=q; n=p → q=m= -2p
V=(a,b,c)= (p, -2p, p) = p(1,-2,1)
U1 ∩U2 ={(1,-2,1)} ; (NO HAY SUMA DIRECTA DE U1 ⊕U2 )

−1 1 0 −1 0 0 1 0 0
−1 0 1 0 0 2 0 1 0
( )→( )→( )
1 0 1 1 0 1 0 0 1
0 1 0 0 1 0 0 0 0

{(1,0,0),(0,1,0),(0,0,1)} ; es una base de (U1+U2)

 En U2+U3
U2 ∩U3 ∈V → U2 ∈ V ∩ U3 ∈ V
V= k(1,0,1) + g(0,1,0)= f(0,0,1)= (a,b,c )
K=0 ; g=0 ; k=f=0 → k=g=f=0
V=(a,b,c)=(0,0,0)
U2 ∩U3 = 0; (SI HAY SUMA DIRECTA DE U2 ⊕U3)

1 0 1 1 0 0
(0 1 0) → (0 1 0) {(1,0,0),(0,1,0),(0,0,1)} ; es una base de (U2+U3)
0 0 1 0 0 1

 En U1+U3
U1 ∩U3 ∈V → U1 ∈ V ∩ U3 ∈ V
V= ñ(-1,1,0) + s(-1,0,1)= d(0,0,1)= (a,b,c )
-ñ -s = 0 ; ñ = 0 ; s = d → ñ = s = d = 0
V=(a,b,c)=(0,0,0)
U1 ∩U3 = 0; (SI HAY SUMA DIRECTA DE U1 ⊕U3)

−1 1 0 −1 1 0 0 1 0 1 0 0
(−1 0 1) → (−1 0 0) → (1 0 0) → (0 1 0)
0 0 1 0 0 1 0 0 1 0 0 1

{(1,0,0),(0,1,0),(0,0,1)} ; es una base de (U1+U3)


Luego del desarrollo comprobamos que se cumple que R3= U1+U2 =
U2+U3 = U1+U3

PROBLEMA 6

Dado L = { t(1,-1,2) / t𝜖 IR }

Determine un plano P talque IR3 = L ⊕ P

SOLUCION

(x,y,z) pertenece a L y P
Dado que P es un plano tiene dimensión 2
(x,y,z) = α(1,-1,2) = β(a,b,c) + θ(m,n,p) Si L y P hacen una suma directa
entonces (x,y,z) = 0
1=a+m (a,b,c) ; (1-a ; -1-b ; 2 - c)
-1 = b + n 
2=c+p

Entonces el Plano P de dimensión 2 tiene como base a:


{ (a,b,c) ; (1-a ; -1-b ; 2 - c) }

PROBLEMA 7

Si V1,V2,V3 son LI del espacio ( V, +,k, . ).Investigar la DL o IL de:


i) {V1+aV2+bV3,V2+cV3 ,V3}

ii) { V1,V2+aV3 , V3+bV2}

SOLUCION

Como sabemos que V1,V2,V3es LI

i) 𝛼(V1+aV2+bV3)+ 𝛽(V2+cV3) + 𝛾(V3)=0

V1(𝛼) + V2(𝛼a+𝛽)+ V3(𝛼b+𝛾+c𝛽)=0

𝛼=0

𝛼a+𝛽=0 →𝛼=𝛽=𝛾=0 Por lo tanto es IL

𝛼b+𝛾+c𝛽=0

ii) 𝛼(V1)+ 𝛽(V2+aV3) + 𝛾(V3+bV2)=0

V1(𝛼) + V2(𝛽 + b 𝛾) + V3(𝛽a +𝛾) = 0

𝛼=0

𝛽+b𝛾 =0 →𝛼=𝛽=𝛾=0 Por lo tanto es IL

𝛽a +𝛾 = 0

PROBLEMA 8

Determine una base para el subespacio


U = { A = (𝑎𝑖𝑗 )4x4 / tr(A) = 0 ; 𝑎12 - 2 𝑎13 = 0 }

SOLUCION

𝑎11 2𝑎13 𝑎13 𝑎14


𝑎21 𝑎22 𝑎23 𝑎24
( )𝑎11 + 𝑎22 + 𝑎33 + 𝑎44 = 0
𝑎31 𝑎32 𝑎33 𝑎34
𝑎41 𝑎42 𝑎43 𝑎44
−(𝑎22 + 𝑎33 + 𝑎44 ) 2𝑎13 𝑎13 𝑎14 0 2 1 0
𝑎21 𝑎22 𝑎23 𝑎24 0 0 0 0
( )= 𝑎13 ( )+
𝑎31 𝑎32 𝑎33 𝑎34 0 0 0 0
𝑎41 𝑎42 𝑎43 𝑎44 0 0 0 0

0 0 0 1 0 0 0 0 −1 0 0 0
0 0 0 0 1 0 0 0 0 1 0 0
𝑎14 ( )+ 𝑎21 ( )+𝑎22 ( )+
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 1 0 0 0 0
𝑎23 ( )+ 𝑎24 ( )+𝑎31 ( )+
0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 −1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
𝑎32 ( )+ 𝑎33 ( )+ 𝑎34 ( )+
0 1 0 0 0 0 1 0 0 0 0 1
0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
𝑎41 ( )+𝑎42 ( )+𝑎43 ( )+
0 0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 1 0 0 0 0 1 0

−1 0 0 0
0 0 0 0
𝑎44 ( )
0 0 0 0
0 0 0 1

Entonces una base para el subespacio es:

0 2 1 0 0 0 0 1 0 0 0 0 −1 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0
{( );( );( );( );
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0
( );( );( );( );
0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
−1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
( );( );( );( );
0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0
0 0 0 0 −1 0 0 0
0 0 0 0 0 0 0 0
( ) ;( )}
0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 1

PROBLEMA 9

¿Los polinomios 1; x-1; x2-3x+1; forman una base de P2, de ser cierto, exprese
el polinomio 2x2-5x+6 como una C.L. de los vectores de dicho base?

SOLUCION

 Verificar si es una base {1; x-1; x2-3x+1}

𝛼 + 𝛽(𝑥 − 1) + 𝛾(x2-3x+1)=0

𝛾x2 + x(𝛽 − 3𝛾)+(𝛼 − 𝛽 + 𝛾)=0

𝛾=0

𝛽 − 3𝛾=0 𝛼 = 𝛽 = 𝛾 = 0 Luego es un conjunto LI entonces es una


base de P2

𝛼 − 𝛽 + 𝛾=0

Como es una base expresar el polinomio 2x2-5x+6 como una C.L. de los
vectores de dicha base.

2x2-5x+6 = a(1)+b( x-1)+ c( x2-3x+1)

2x2-5x+6 = (c)x2+(b-3c)x+(a-b+c)

a-b+c =6

b-3c =-5

c=2

1 −1 1 6 1 −1 0 4 1 0 0 5
(0 1 −3 −5) → (0 1 0 1) → ( 0 1 0 1)
0 0 1 2 0 0 1 2 0 0 1 2
a=5, b=1, c=2  2x2-5x+6 = 5(1)+1( x-1)+ 2( x2-3x+1)
PROBLEMA 10

Indique si las siguientes proposiciones son V o F (fundamente)

a) Un conjunto de vectores que contenga 2 vectores iguales es LI


b) Cualquier conjunto de vectores al que pertenece el vector nulo es LD
c) Cualquier conjunto S de vectores LD contiene un subconjunto que es
LI
d) Es LI el conjunto { 𝑒 𝑥 , 𝑒 3𝑥 , 𝑥 2 , 𝑥}
e) Es W1 = { (x,y,z) / 3y – 2z = 0 } un subespacio vectorial
f) Es W2 = { (A 𝜖V / 𝐴𝑡 = 𝐴 } un subespacio vectorial

a) α(a,b,c,d) + β(a,b,c,d) + θ(x,y,z,t) = (0,0,0,0)

αa + βa + θx = 0
αb + βb + θy = 0  Si α = β = 0 Necesariamente θ = 0
αc + βc + θz = 0
αd +βd + θt = 0 Entonces es V

b) α (0,0,0,0) + β(a,b,c,d) + θ(x,y,z,t) = (0,0,0,0)

α0 + βa + θx = 0
α0 + βb + θy = 0  Si β = θ = 0 No necesariamente α = 0
α0 + βc + θz = 0 Entonces es LD
α0 +βd + θt = 0 Por lo tanto es V

c) Es V porque en un conjunto LD siempre hay un coeficiente diferente


que cero y los restantes son ceros por lo cual estos coeficientes
restantes forman un conjunto LI.

d) α𝑒 𝑥 + 𝜃𝑒 3𝑥 + 𝛽𝑥 2 + 𝜆𝑥 = 0

Si α = β = θ = 0 , Necesariamente λ = 0 Por lo tanto es LI

Entonces es V
3 3
e) (x,y,2y) = x(1,0,0) + y(0,1,2)
3
Tiene una base {(1,0,0) ; (0,1,2) }
3
α (1,0,0) + β(0,1,2) = 0  α = β = 0 es LI
Por lo tanto es un subespacio vectorial.
𝑎11 𝑏 𝑐 1 0 0 0 0 0
f) ( 𝑏 𝑎22 𝑑 )= 𝑎11 (0 0 0) + 𝑎22 (0 1 0) +
𝑐 𝑑 𝑎33 0 0 0 0 0 0

0 0 0 0 1 0 0 0 1 0 0 0
𝑎33 (0 0 0) + 𝑏 (1 0 0) + 𝑐 (0 0 0) + 𝑑 (0 0 1)
0 0 1 0 0 0 1 0 0 0 1 0
Tiene base:

1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0
{(0 0 0) ; (0 1 0) ; (0 0 0) ; (1 0 0) ; (0 0 0 ) ; (0 0 1)}
0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0
Y es LI Por lo tanto es un subespacio vectorial.

PROBLEMAS PROPUESTOS

1. Exprese 𝑣 = (1, −2, 3,4) en funcion de 𝑤 𝑦 𝑤 ⊥

Sabiendo que 𝑤 = {(𝑥, 𝑦, 𝑧, 𝑡) 𝑡𝑎𝑙 𝑞𝑢𝑒 5𝑥 − 2𝑦 + 8𝑧 − 𝑡 = 0}

1 3 0 3
2. Dadas las matrices 𝐴= () y 𝐵=( ), indique si las
3 6 1 0
siguientes expresiones corresponden a un producto interno 〈𝑋, 𝑌〉 =
𝑋 ⊥ 𝐴 𝑌 ; 〈𝑋, 𝑌〉 = 𝑋 ⊥ 𝐴 𝑌

3. Considere en 𝑅 3 el producto interno de 𝛼 = (𝑎1 , 𝑎2 , 𝑎3 ) 𝑦 𝛽 =


( 𝑏1 , 𝑏2 , 𝑏3 ) como la relacion dada por 〈𝛼, 𝛽〉 = 𝑎1 𝑏1 + 3𝑎2 𝑏2 + 5𝑎3 𝑏3 ,
luego mediante el proceso de Gram-Schmidt transformar la base
{(1,1,1), (1,0,0), (1, −1,0)} en una base ortonormal.
3 2 1
4. Calcule el ángulo que forman los vectores 𝐴 = (1 0 6) 𝑦 𝐵 =
8 −1 5
1 0 −1
(0 1 1 ) con el producto interno usual de matrices
1 1 1
5. Sean 𝑥 = (𝑥1 , 𝑥2 ) , 𝑦 = (𝑦1 , 𝑦2 ) dos vectores, indique si las siguientes
expresiones corresponden a un producto interno (en R o en C )
a) 𝑓(𝑥, 𝑦) = 2𝑥1 𝑦1 + 4𝑥2 𝑦2
b) 𝑔(𝑥, 𝑦) = 𝑥1 𝑦1 + 2𝑥1 𝑦2 + 2𝑥2 𝑦1 + 4𝑥2 𝑦2
c) 𝜑(𝑥, 𝑦) = 𝑥1 ̅̅̅ 𝑦1 − 𝑖𝑥1 ̅̅̅
𝑦2 + 𝑖 𝑥2 ̅̅̅
𝑦1 + 2𝑥2 ̅̅̅
𝑦2
6. Determine el complemento ortogonal de los siguientes subespacios
a) 𝑉 = 𝑅 5 , 𝑊 = {(2,2,1, −1,0), (−1,2, −2,2,1), (0,1, −3,2, −1)} para el
producto interno usual
b) 𝑉 = 𝑅 3 , 𝑊1 = {(1,2,1), (0,1,2)} para el producto interno definido por
〈𝑥, 𝑦〉 = 𝑥1 𝑦1 + 2𝑥2 𝑦2 + 𝑥3 𝑦3 − 𝑥1 𝑦2 − 𝑥2 𝑦1
c) 𝑉 = 𝐶 4 , 𝑊2 = {(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) ∈ 𝐶 4 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑥1 + 2𝑖𝑥2 − 𝑥3 + (1 + 𝑖)𝑥4 =
0 ; 𝑥2 + (2 − 𝑖 )𝑥3 + 𝑥4 = 0} para el producto interno 〈𝑥, 𝑦〉 = 𝑥1 ̅̅̅ 𝑦1 +
2𝑥2 ̅̅̅
𝑦2 + 𝑥3 ̅̅̅
𝑦3 + 3𝑥4 𝑦̅4

TRANSFORMACIONES LINEALES
TRANSFORMACION LINEAL ENTRE DOS ESPACIOS VECTORIALES
SOBRE UN MISMO CUERPO
Sean (𝑉, +, 𝐾, ∙) 𝑦 (𝑊, +, 𝐾, ∙)dos espacios vectoriales sobre un mismo cuerpo
𝐾.La función 𝑓: 𝑉 → 𝑊 es una transformación lineal u homomorfismo si y solo
si:
1) La imagen de la suma de dos vectores cualesquiera de 𝑉 es igual a la suma
de sus imágenes en 𝑊 es decir:
𝑓(𝑥 + 𝑦) = 𝑓(𝑥) + 𝑓(𝑦)
2) La imagen del producto de cualquier escalar por todo vector de 𝑉 es igual al
producto del escalar por la imagen de dicho vector:
𝑓(𝛼𝑥) = 𝛼𝑓(𝑥)
Ejemplo:
Sean los espacios vectoriales (𝑅 3 , +, 𝑅, . ) 𝑦 (𝑅 2 , +, 𝑅, ∙) . La función: 𝑅 3 → 𝑅 2
definida por 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) indique si es una transformación
lineal.
Solución
1)𝑓[(𝑥1 , 𝑥2 , 𝑥3 ) + (𝑦1 , 𝑦2 , 𝑦3 )] = 𝑓(𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 , 𝑥3 + 𝑦3 ) = (𝑥1 + 𝑦1 − 𝑥3 − 𝑦3 , 𝑥2 + 𝑦2 − 𝑥3 −
𝑦3 )
𝑓(𝑥1 , 𝑥2 , 𝑥3 ) + 𝑓(𝑦1 , 𝑦2 , 𝑦3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) + (𝑦1 − 𝑦3 , 𝑦2 − 𝑦3 )
= (𝑥1 + 𝑦1 − 𝑥3 − 𝑦3 , 𝑥2 + 𝑦2 − 𝑥3 − 𝑦3 )
2) 𝑓(𝛼(𝑥1 , 𝑥2 , 𝑥3 )) = 𝑓(𝛼𝑥1 , 𝛼𝑥2 , 𝛼𝑥3 ) = (𝛼𝑥1 − 𝛼𝑥3 , 𝛼𝑥2 − 𝛼𝑥3 ) = 𝛼(𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) =
𝛼𝑓(𝑥1 , 𝑥2 , 𝑥3 )
Se comprueba las dos condiciones por los tanto si es una transformación lineal.
Observación: Una aplicación, función o transformación lineal es un conjunto de
operaciones que se realizan sobre un elemento de un subespacio vectorial,
para transformarlo en un elemento de otro subespacio, en las transformaciones
lineales se preservan las operaciones de suma de vectores y producto de un
escalar por un vector. El termino función lineal es usado incorrectamente en el
análisis matemático y en la geometría para designar una recta o en general una
variedad lineal.
Ejemplo:
Supongamos que 𝑓: 𝑅 2 → 𝑅 3 es una transformación lineal que verifica 𝑓(1,0) =
(1,2,3), 𝑓(0,1) = (0, −1,2). Halle la imagen de 𝑓(2, −3)
Solución:
𝑓(2, −3) = 𝑓((2,0) + (0, −3)) = 𝑓(2,0) + 𝑓(0, −3) = 𝑓(2(1,0)) + 𝑓(−3(0,1))
𝑓(2, −3) = 2𝑓(1,0) − 3𝑓(0,1) = 2(1,2,3) + (−3)(0, −1,2) = (2,7,0)

PROPIEDADES DE LAS TRANSFORMACIONES LINEALES


Sea 𝑓: 𝑉 → 𝑊 una transformación lineal, denotemos mediante 0𝑉 𝑦 0𝑊 a los
vectores nulos en 𝑉 𝑦 𝑊 respectivamente.
1) La imagen del vector nulo del primer espacio por toda transformación lineal
es el vector nulo del segundo espacio.
𝑓(0𝑣 ) = 𝑓(0𝑤 ) = 0 = 0𝑊 = 0𝑣
2) La imagen del opuesto de todo vector del primer espacio es igual al opuesto
de su imagen.
𝑓(−𝑥) = 𝑓((−1)𝑥) = (−1)𝑓(𝑥) = −𝑓(𝑥)

NUCLÉO DE UNA TRANSFORMACIÓN LINEAL


El núcleo de una transformación lineal 𝑓, entre dos espacios vectoriales sobre
un mismo cuerpo, es el conjunto de los vectores del dominio cuyas imágenes
por 𝑓 son el vector nulo del codominio. El símbolo 𝑁(𝑓) se lee núcleo de 𝑓, por
definición 𝑁(𝑓) = {𝑥 ∈ 𝑉 ∕ 𝑓(𝑥) = 0𝑊 }. El nucleo de toda transformación lineal es
la preimagen del vector nulo del segundo espacio. 𝑥 ∈ 𝑁(𝑓) ⇔ 𝑓(𝑥) = 0𝑊
Ejemplo
Sean los espacios vectoriales (𝑅 3 , +, 𝑅,∙) 𝑦 (𝑅 2 , +, 𝑅,∙), la función 𝑓: 𝑅 3 → 𝑅 2
definida por: 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ). Determine el nucleo de 𝑓.
Solución
𝑎+𝑐+𝑏+𝑑 0 𝑎+𝑏 0
1) 𝑓[(𝑎, 𝑏) + (𝑐, 𝑑)] = 𝑓[(𝑎 + 𝑐, 𝑏 + 𝑑)] = ( )=( )+
0 𝑎+𝑏+𝑐+𝑑 0 𝑎+𝑏
𝑐+𝑑 0
( ) = 𝑓(𝑎, 𝑏) + 𝑓(𝑐, 𝑑)
0 𝑐+𝑑
𝛼𝑎 + 𝛼𝑏 0 𝑎+𝑏 0
2) 𝑓(𝛼(𝑎, 𝑏)) = 𝑓(𝛼𝑎, 𝛼𝑏) = ( ) = 𝛼( ) = 𝛼𝑓(𝑎, 𝑏)
0 𝛼𝑎 + 𝛼𝑏 0 𝑎+𝑏
Si cumple las dos condiciones es una T.L
Hallando su núcleo:
0 0
𝑁(𝑓) = {(𝑥1 , 𝑥2 ) ∈ 𝑅 2 ∕ 𝑓(𝑥1 , 𝑥2 ) ∈ 𝑅 2×2 } , (𝑥1 , 𝑥2 ) ∈ 𝑁(𝑓) ⇔ 𝑓(𝑥1 , 𝑥2 ) = ( )
0 0
𝑥 + 𝑥2 0
=( 1 ) ⇔ 𝑥1 + 𝑥2 = 0 ⇔ 𝑥1 = −𝑥2 → 𝑁(𝑓)
0 𝑥1 + 𝑥2
= {𝛼(1, −1) ∕ 𝛼 ∈ 𝑅}
Hallando su imagen:
𝑎 𝑏
𝐼(𝑓) = {𝐴 ∈ 𝑅 2×2 ⁄𝑓(𝑥1 , 𝑥2 ) ∈ 𝐴} , 𝐴 = ( ) ∈ 𝐼(𝑓) ⇔ ∃ (𝑥1 , 𝑥2 ) ∈ 𝑅 2 / 𝑓(𝑥1 , 𝑥2 ) ∈ 𝐴
𝑐 𝑑
𝑥 + 𝑥2 0 𝑎 𝑏
⇔( 1 )=( ) ⇔ 𝑥1 + 𝑥2 = 𝑎 = 𝑑 ˄ 𝑏 = 𝑐 = 0
0 𝑥1 + 𝑥2 𝑐 𝑑

𝐼(𝑓) Esta dado por 𝐴 = (𝑎 0), La matriz (1 0) es un sistema de generadores de


0 𝑎 0 1
𝐼(𝑓) , constituye una base de dimensión 1.
TRANSFORMACIONES LINEALES

TRANSFORMACION LINEAL ENTRE DOS ESPACIOS VECTORIALES SOBRE UN


MISMOCUERPO

Sean (𝑉, +, ℝ, . ) y (𝑊, +, 𝕂, . ) dos espacios vectoriales sobre un mismo cuerpo 𝕂.

La función 𝑓: 𝑉 → 𝑊 es una transformación lineal u Homomorfismo si y sólo si:

i) La imagen de la suma de dos vectores cualquiera de V es igual a la suma de sus


imágenes en W, es decir 𝑓(𝑥+𝑦) = 𝑓(𝑥) + 𝑓(𝑦) .
ii) La imagen del producto de cualquier escalar por todo vector de V es igual al
producto del escalar por la imagen de dicho vector.

𝑓(𝛼𝑥) = 𝛼𝑓(𝑥)

𝑥𝑓(𝑥)
𝑦𝑓(𝑦)
𝑥 + 𝑦 𝑓(𝑥+𝑦) = 𝑓(𝑥) + 𝑓(𝑦)
𝛼𝑥𝑓(𝛼𝑥) = 𝛼𝑓(𝑥)

Ejemplo 1:

Sean los espacios vectoriales (ℝ3 , +, ℝ, . ) 𝑦 (ℝ2 , +, ℝ, . ) la función 𝑓: 𝑅 3 → 𝑅 2definida por

𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ). Indique si es una transformación lineal.

Solución:
i) 𝑓[(𝑥1 , 𝑥2 , 𝑥3 ) + (𝑦1 , 𝑦2 , 𝑦3 )] = 𝑓(𝑥1 +𝑦1 , 𝑥2 +𝑦2 , 𝑥3 +𝑦3 ) = (𝑥1 − 𝑦1 − 𝑥3 −𝑦3 , 𝑥2 − 𝑦2 −
𝑥3 − 𝑦3 )
𝑓(𝑥1 , 𝑥2 , 𝑥3 ) + 𝑓(𝑦1 , 𝑦2 , 𝑦3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) + (𝑦1 −𝑦3 , 𝑦2 −𝑦3 )
= (𝑥1 + 𝑦1 − 𝑥3 −𝑦3 , 𝑥2 + 𝑦2 − 𝑥3 − 𝑦3 ) … … . 𝑠𝑖 𝑐𝑢𝑚𝑝𝑙𝑒
ii) 𝑓(𝛼(𝑥1 , 𝑥2 , 𝑥3 ) = 𝑓(𝛼𝑥1 , 𝛼𝑥2 , 𝛼𝑥3 ) = (𝛼𝑥1 − 𝛼𝑥3 , 𝛼𝑥2 − 𝛼𝑥3 ) = 𝛼(𝑥1 −
𝑥3 , 𝑥2 − 𝑥3 ) = 𝛼𝑓(𝑥1 , 𝑥2 , 𝑥3 ) … … … . . 𝑠𝑖 𝑐𝑢𝑚𝑝𝑙𝑒

Ejemplo 2:
Supongamos que 𝑓: 𝑅 2 → 𝑅 3 es una transformación lineal que verifica 𝑓(1, 0) =
(1, 2, 3) 𝑦𝑓(0, 1) = (0, −1, 2), halle la imagen de 𝑓. (2, −3)
Solución:
𝑓(2, −3) = 𝑓((2, 0) + (0, −3)) = 𝑓(2, 0) + 𝑓(0, −3) = 𝑓(2(1, 0)) + 𝑓(−3(0, 1)) =
2𝑓(1, 0) + (−3)𝑓(0,1) = 2(1, 2, 3) + (−3)(0, −1, 2) = (2, 7, 0)
Ejemplo3:
Determine una transformación lineal o aplicación lineal generado por 𝐹 ∶ 𝑅 3 → 𝑅 4 , si las
imágenes están dadas por (1,2,0, −4) 𝑦 (2,0, −1, −3)
Solución
Sea 𝐹(𝑥, 𝑦, 𝑧) = 𝐹(𝑥𝑒1 + 𝑦𝑒2 + 𝑧𝑒3 ) = 𝑥𝐹(𝑒1 ) + 𝑦𝐹(𝑒2 ) + 𝑧𝐹(𝑒3 ) = 𝑥(1,2,0, −4) +
𝑦(2,0, −1, −3) + 𝑧(0,0,0,0) = (𝑥 + 2𝑦, 2𝑥, −𝑦, −4𝑥 − 3𝑦)
Luego 𝐹(𝑥, 𝑦, 𝑧) = (𝑥 + 2𝑦 , 2𝑥, −𝑦 , −4𝑥 − 3𝑦)
Ejemplo 4:

𝐏𝐑𝐎𝐏𝐈𝐄𝐃𝐀𝐃𝐄𝐒 𝐃𝐄 𝐓𝐑𝐀𝐍𝐒𝐅𝐎𝐑𝐌𝐀𝐂𝐈𝐎𝐍𝐄𝐒 𝐋𝐈𝐍𝐄𝐀𝐋𝐄𝐒


Sea 𝑓: 𝑉 → 𝑊 una transformación lineal, denotemos mediante 0𝑣 Y 0𝑤 a los vectores nulos
en V y W respectivamente.
I) 𝐿𝑎 𝑖𝑚𝑎𝑔𝑒𝑛 del vector nulo del primer espacio por toda transformación lineal
es el vector nulo del segundo espacio.
𝑓(0𝑣 ) = 𝑓(0𝑥) = 0𝑓(𝑥) = 0𝑤
II) La imagen del opuesto de todo vector del primer espacio es igual al opuesto de
su imagen.
𝑓(−𝑥) = 𝑓((−1)𝑥) = (−1)𝑓(𝑥) = −𝑓(𝑥)

NUCLEO DE UNA TRANSFORMACIÓN LINEAL


El núcleo de una transformación lineal f, entre dos espacios vectoriales sobre un mismo
cuerpo, es el conjunto de los vectores del dominio cuyas imágenes por 𝑓 son el vector nulo
del codominio.

V W

𝑁(𝑓) 0𝑤

El símbolo 𝑁(𝑓) se lee núcleo de 𝑓, por definición 𝑁(𝑓) = {𝑥𝜖𝑉 / 𝑓(𝑥) = 0𝑤 }

El núcleo de toda transformación lineal es la preimagen del vector nulo del segundo
espacio.

𝑥 𝜖 𝑁(𝑓) ⟺ 𝑓(𝑥) = 0𝑤
Ejemplo:

Sean los espacios vectoriales (ℝ3 , +, ℝ, . ) 𝑦 (ℝ2 , +, ℝ, . ) La función 𝑓: ℝ3 ⟶ ℝ2 definida


por 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) es una transformación lineal. Determine el núcleo
de 𝑓.

Solución:
𝑁(𝑓) = {(𝑥1 , 𝑥2 , 𝑥3 ) 𝜖 ℝ3 / 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (0, 0)}

(𝑥1 , 𝑥2 , 𝑥3 ) 𝜖 𝑁(𝑓) ⟺ 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (0, 0) ⟺ (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) = (0, 0) ⟺ (𝑥1 = 𝑥3 ∧


𝑥2 = 𝑥3 ) ⟺ 𝑥1 = 𝑥2 = 𝑥3 = 𝑎 𝑁(𝑓) = {𝑎(1, 1, 1) / 𝑎 ∈ ℝ},el núcleo de f es el conjunto de
todos los múltiplos escalares del vector (1, 1, 1) .

Ejemplo

Sea la transformación lineal 𝑓: 𝑅 2 → 𝑅 3

IMAGEN DE UNA TRANSFORMACIÓN LINEAL:

La imagen de una T.L. 𝑓: 𝑉 → 𝑊es el conjunto imagen del dominio, es decir, es la totalidad
de las imágenes de los vectores del primer espacio. El símbolo Ι(𝑓) se lee imagen de f.

Ι(𝑓) = {𝑓(𝑥) / 𝑥 𝜖 𝑉}

También se sabe que 𝑓(0𝑣 ) = 0𝑤 en consecuencia 0𝑤 𝜖 Ι(𝑓) lo que significa que Ι(𝑓) ≠ 𝜙 ,
Ι(𝑓) ⊂ 𝑊

PROPIEDAD

La imagen de toda T.L. entre dos espacios vectoriales es un subespacio del codominio.

Ejemplo:

𝑎+𝑏 0
Sea 𝑓: ℝ2 ⟶ ℝ2𝑥2 definida por 𝑓(𝑎, 𝑏) = ( )
0 𝑎+𝑏

Indique si es una T.L., halle su núcleo e imagen

Solución:
𝑎+𝑏+𝑐+𝑑 0
𝑓[(𝑎, 𝑏) + (𝑐, 𝑑)] = 𝑓[(𝑎 + 𝑐, 𝑏 + 𝑑)] = ( )
0 𝑎+𝑏+𝑐+𝑑
𝑎+𝑏 0 𝑐+𝑑 0
( )+( ) = 𝑓(𝑎, 𝑏) + 𝑓(𝑐, 𝑑)
0 𝑎+𝑏 0 𝑐+𝑑

También:

∝ 𝑎+∝ 𝑏 0 𝑎+𝑏 0
𝑓(∝ (𝑎, 𝑏)) = 𝑓(∝ 𝑎, ∝ 𝑏) = ( ) =∝ ( ) =∝ 𝑓(𝑎, 𝑏)
0 ∝ 𝑎+∝ 𝑏 0 𝑎+𝑏

Es una Transformación lineal

Hallando su núcleo:

𝑁(𝑓) = {(𝑥1 , 𝑥2 ) ∈ ℝ2 / 𝑓(𝑥1 , 𝑥2 ) ∈ ℝ2𝑥2 }


0 0 𝑥 + 𝑥2 0
(𝑥1 , 𝑥2 ) ∈ 𝑁(𝑓) ⟺ 𝑓(𝑥1 , 𝑥2 ) = ( )⟺ ( 1 ) ⟺ 𝑥1 + 𝑥2 = 0 ⟺ 𝑥1
0 0 0 𝑥1 + 𝑥2
= −𝑥2

𝑁(𝑓) = {𝛼(1, −1) / 𝛼 ∈ ℝ}( el núcleo de 𝑓 es el conjunto de los pares ordenados de


componentes opuestos )

La imagen se puede definir también por 𝑰(𝒇) = {𝒚 ∈ 𝑾 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒆𝒙𝒊𝒔𝒕𝒆 𝒙 ∈ 𝑽 𝒚 𝒇(𝒙) =
𝒚}

La imagen:

𝐼(𝑓) = {𝐴 𝜖 ℝ2𝑥2 / 𝑓(𝑥1 , 𝑥2 ) 𝜖 𝐴 }

𝑎 𝑏
𝐴=( ) 𝜖 𝐼(𝑓) ⟺ ∃ (𝑥1 , 𝑥2 ) 𝜖 ℝ2 / 𝑓(𝑥1 , 𝑥2 ) 𝜖 𝐴 ⟺
𝑐 𝑑
𝑥 + 𝑥2 0 𝑎 𝑏
( 1 )=( ) ⟺ 𝑥1 + 𝑥2 = 𝑎 = 𝑑 ∧ 𝑏 = 𝑐 = 0
0 𝑥1 + 𝑥2 𝑐 𝑑

𝑎 0
𝐼(𝑓) 𝑒𝑠𝑡á 𝑑𝑎𝑑𝑜 𝑝𝑜𝑟 𝐴 = ( )
0 𝑎
1 0
La matriz ( ) es un sistema de generadores de la 𝐼(𝑓), constituye una base de
0 1
dimensión 1.

TEOREMA:

Sea V un espacio vectorial de dimensión finita, entonces la dimensión de 𝑉 está dada por:

𝐝𝐢𝐦(𝑽) = 𝐝𝐢𝐦(𝑵) + 𝐝𝐢𝐦(𝑰)

Observación

Sea f una transformación lineal, entonces el rango de f se define como la dimensión de su


imagen y la nulidad de f se define como la dimensión de su núcleo, es decir:

𝒓𝒂𝒏(𝒇) = 𝐝𝐢𝐦(𝑰(𝒇) )

𝒏𝒖𝒍𝒊𝒅𝒂𝒅(𝒇) = 𝐝𝐢𝐦(𝒌𝒆𝒓(𝒇) )

𝒓𝒂𝒏(𝒇) + 𝒏𝒖𝒍𝒊𝒅𝒂𝒅(𝒇) = 𝐝𝐢𝐦(𝑽)

Ejemplos

1. Determine el núcleo, la imagen y las dimensiones de ambos en la siguiente


transformación lineal 𝑓 ∶ 𝑅 3 → 𝑅 2 definida por 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 + 𝑥2 + 𝑥3 , 𝑥2 + 𝑥3 )

Solución

Determinamos el núcleo de la transformación lineal: 𝑥1 + 𝑥2 + 𝑥3 = 0,𝑥2 + 𝑥3 = 0


resolviendo este sistema de ecuaciones tenemos 𝑥1 = 0 , 𝑥2 = −𝑥3 , luego el núcleo esta
dado por t(0,1,-1) , es decir los múltiplos escalares del vector (0,1, −1) , se obtiene una
base {(0,1, −1)} cuya dimensión es uno.
Determinamos la imagen, sea (𝑥, 𝑦) ∈ 𝐼𝑚𝑓 entonces (𝑥, 𝑦) = (𝑥1 + 𝑥2 + 𝑥3 , 𝑥2 + 𝑥3 )

Luego formando la combinación lineal (𝑥, 𝑦) = 𝑥1 (1,0) + 𝑥2 (1,1) + 𝑥3 (1,1)

1 0 1 0 1 0
Luego (1 1) → (1 1) → (0 1) , la imagen de 𝑓 es generada por {(1,0), (0,1)}
1 1 0 0 0 0

Cuya dimensión es dos.

2. Ejemplo

Sea la transformación lineal 𝑓: 𝑅 2 → 𝑅 3 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑝𝑜𝑟 𝑓(𝑥1 , 𝑥2 ) = ( 𝑥1 + 𝑥2 , 𝑥1 − 𝑥2 , 𝑥1 +


2𝑥2 ) ; determine el núcleo y la imagen e indique una base y la dimensión

Solución

Determinando el núcleo 𝑓(𝑥1 , 𝑥2 ) = (𝑥1 + 𝑥2 , 𝑥1 − 𝑥2 , 𝑥1 + 2𝑥2 ) = (0,0,0)

Se tiene el siguiente sistema de ecuaciones lineales 𝑥1 + 𝑥2 = 0 , 𝑥1 − 𝑥2 = 0 , 𝑥1 − 2𝑥2 = 0

Entonces 𝑥1 = 0 , 𝑥2 = 0 , se obtiene 𝑓(𝑣) = 0𝑅3 tal que 𝑣 = (0,0) , cuya base {(0,0)} es
de dimensión cero.

Calculando la imagen 𝑓(𝑥1 , 𝑥2 ) = (𝑥1 + 𝑥2 , 𝑥1 − 𝑥2 , 𝑥1 + 2𝑥2 ) = 𝑢

Donde 𝑢 = 𝑥1 (1,1,1) + 𝑥2 (1, −1,2) , llevando a la forma matricial

1 1 1 2 0 3 2 0 3
( ) →( ) →( ) , luego la imagen es generada por los
1 −1 2 1 −1 2 0 −2 1
vectores que forman la base {(2,0,3), (0, −2,1)} de dimensión dos.

PROBLEMAS

1.Sea la aplicación T :R2→ R2 tal que T(x,y)=(2x-y,3y-2x), y sean v=(3,4) un vector y


B1={(1,2), (−1,1)},B2=={(2,1), (−1, −3)} bases de R2 calcule verifique según sea el
caso :

Sean los vectores B1={(1,2), (−1,1)}, B2=={(2,1), (−1,3)}


hacemos una combinación lineal de los vectores de la Base B2
(1,2)=a(2,1) +b(-1,-3) (μ1)=[1/5 -3/5]
(-1,1)=c(2,1)+d(-1,-3) (μ2)=[-4/5 -3/5]

hacemos una combinación lineal de los vectores de la Base B1

(2,1)=a(1,2)+b(-1,1) (μ1’)=[1 -1]


(-1,-3)=c(1,2)+d(-1,1) (μ2’)=[-4/3 -1/3]
1 4 4
−5 1 −3
P=( 3 3)
5
Q=( 1)
−5 −5 −1 − 3

Para demostrar si PQ=QP=I Reemplazamos en P y en Q

1 4 4 5
−5 1 −3 0
1) = (
5 5
( 3 3) ( 5 )=I
− − −1 − 0
5 5 3 5

4 1 4 5
1 −3 −5 0
3) =(
5 5
( 1) ( 3 5 )=I
−1 − 3 −5 −5 0 5

Para verificar si [T]B2=Q[T]B1P Solamente reemplazamos lo hallado

3 −1 0 4
[T]B2=( ) [T]B1=( ) por lo tanto
1 −7 −3 5

4 1 4
3 −1 1 − 0 4 −
( ) =( 3
1 ) ( ) ( 5
3
5
3)
1 −7 −1 − −3 5 − −
3 5 5

4
3 −1 1
−4 −4−3
( ) = (3/5)( 1) (−6 −1)
1 −7 −1 − 3

3 −1 3 −1
( ) =( )
1 −7 1 −7

2.Si Q-1AQ=B donde B es un matriz triangular cuyos elementos de la diagonal principal


son valores propios de λ1, λ2, λ3, …… λn Demostrar que Bk es un matriz triangular y los
elementos de la diagonal principal son los valores propios de A elevados a la K

λ1 0 ⋯ λ1 0 ⋯ λ1 0 ⋯
0 λ2 ⋯ 0 λ2 ⋯ 0 λ2 ⋯
B= 0 ⋱ 0 ⋮ B2= 0 ⋱ 0 ⋮ 0 ⋱ 0 ⋮
⋮ ⋯ 0 ⋱ 0 ⋮ ⋯ 0 ⋱ 0 ⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 λn) ( 0 ⋯ 0 λn) ( 0 ⋯ 0 λn)

(λ1)2 0 ⋯
0 (λ2)2 ⋯
B2= 0 ⋱ 0 ⋮
⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 ( λn)2 )
(λ1)𝑛+1 0 ⋯
0 (λ2)𝑛+1 ⋯
→ por inducción Bn+1= 0 ⋱ 0 ⋮
⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 ( λn)𝑛+1 )

(λ1)𝑛 0 ⋯ λ1 0 ⋯
0 (λ2)𝑛 ⋯ 0 λ2 ⋯
Bn B1= 0 ⋱ 0 ⋮ 0 ⋱ 0 ⋮ =
⋮ ⋯ 0 ⋱ 0 ⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 ( λn)𝑛 ) ( 0 ⋯ 0 λn)

(λ1)𝑛+1 0 ⋯ (λ1)𝑘 0 ⋯
0 (λ2)𝑛+1 ⋯ 0 (λ2)𝑘 ⋯
Bn B1= 0 ⋱ 0 ⋮ Bk= 0 ⋱ 0 ⋮
⋮ ⋯ 0 ⋱ 0 ⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 ( λn)𝑛+1 ) ( 0 ⋯ 0 ( λn)𝑘 )

por lo tanto queda demostrado por inducción que Bk es un matriz triangular y los
elementos de la diagonal principal son los valores propios de A elevados a la K

1 1 1 1 1
0 1 1 1 1
3. Es posible diagonalizar la matriz A= 0 0 1 1 1
0 0 0 0 1
(0 0 0 0 1)

Solución:

Hallamos el polinomio característico P(x)=/A –λI/

1 1 1 1 1 1 0 0 0 0
0 1 1 1 1 0 1 0 0 0
P(x)=/ 0 0 1 1 1 -λ 0 0 1 0 0 /
0 0 0 0 1 0 0 0 1 0
(0 0 0 0 1 ) (0 0 0 0 1)
1−λ 1 1 1 1
0 1−λ 1 1 1
P(x)=/ 0 0 1−λ 1 1 / P(x)=(1--λ)4 (-λ) = 0
0 0 0 −λ 1
( 0 0 0 0 1 − λ)

λ=1 de multiplicidad 4 ; es el único que analizamos ya que tiene multiplicidad 4


nos debe de salir 4bases.
λ= 0 de multiplicidad 1

𝑝 𝑝
𝑞 𝑞
Sea V(1)=< (𝑝, 𝑞, 𝑟, 𝑠, 𝑡)𝜖𝑅 3 𝐴 𝑟 = 𝑟 >
𝑠 𝑠
( ) (𝑡 )
𝑡

1 1 1 1 1 𝑝 𝑝
0 1 1 1 1 𝑞 𝑞
0 0 1 1 1 𝑟 = 𝑟
0 0 0 0 1 𝑠 𝑠
(0 0 0 0 1) ( 𝑡 ) ( 𝑡 )

p+q+r+s+t=0
q+r+s+t=0
r+s+t=0
t=s
t=0
resolviendo nos sale que

q=0, r=0, s=0, t=0 como no aparece p entonces es un definido con un parámetro
α
por lo tanto quedaría:

(p,q, r,s,t)ϵV(1)⇒( p,q,r,s,t)=[(1,0,0,0,0)]

por lo tanto la matriz A no será diagonlizable.

4. Sea la aplicación lineal F: R3 → R3 definida como

F(-1,1,3)=(6,-4,16), F(-2,1,1)=(-2,-5,1) y F(3,2,-1)=(1,14,-12)

a) Calcule la matriz asociada con respecto a la base canónica de R3.


b) Calcule el núcleo y la imagen de la aplicación.
c) Calcule la aplicación inversa si es posible.
Solución:

a)
F(-1,1,3)=(6,-4,16) → (-1)F(1,0,0) +(1)F(0,1,0) + (3)F(0,0,1) =(6,-4,16) ……….(1)
F(-2,1,1)=(-2,-5,1) → (-2)F(1,0,0) +(1)F(0,1,0) + (1)F(0,0,1) =(-2,-5,1) ……….(2)
F(3,2,-1)=(1,14,-12) →(3)F(1,0,0) +(2)F(0,1,0) + (-1)F(0,0,1) =(1,14,12) ………..(3)

Resolviendo (1),(2) y (3)

F(1,0,0)=(2,3,1) , F(0,1,0)=(-1,2,4) , F(0,0,1)=(3,-1,7)

por lo tanto la matriz asociada con respecto a la base canónica de R3 será:

2 −1 3
A=(3 2 −1)
1 4 7

b)

2 −1 3 𝑥 0
A=(3 2 −1) (𝑦) = (0)
1 4 7 𝑧 0

De la matriz asociada A obtenemos.


Restando filas….

2 −1 3 𝑥 0 1 0 0 𝑥 0
(3 2 −1) (𝑦) = (0) →(0 1 ) 𝑦
0 ( ) = (0)
1 4 7 𝑧 0 0 0 1 𝑧 0

Por lo tanto el núcleo o Kerf será =[(1,0,0), (0,1,0), (0,0,1))]

La imagen de la aplicación = F(x,y,z)=(2x-y+3z,3x+x2y-z,x+4y+7z)

MATRIZ ASOCIADA A UNA TRANSFORMACION LINEAL

Supongamos que {𝑒1 , 𝑒2 , … , 𝑒𝑛 } es una base de un espacio vectorial 𝑉sobre un cuerpo 𝐾 y


para 𝑣 𝜖 𝑉 , supongamos que 𝑣 = 𝑎1 𝑒1 + 𝑎2 𝑒2 + ⋯ + 𝑎𝑛 𝑒𝑛 , entonces el vector coordenado
de 𝒗 relativo a {𝒆𝒊 } el cual se escribe como una vector columna a menos que se especifique
lo contrario, está dado por:
𝑎1
𝑎
[𝑣]𝑒 = ( ⋮2 )
𝑎𝑛
REPRESENTACIÓN MATRICIAL DE UN OPERADOR LINEAL

Sea T un operador lineal en un espacio vectorial V sobre un cuerpo K supongamos que


{𝑒1 , 𝑒2 , … , 𝑒𝑛 } es una base de V y por tanto se puede expresar una combinación lineal de
los vectores de la base, es decir:

𝑇(𝑒1 ) = 𝑎11 𝑒1 + 𝑎12 𝑒2 + ⋯ + 𝑎1𝑛 𝑒𝑛

𝑇(𝑒2 ) = 𝑎21 𝑒1 + 𝑎22 𝑒2 + ⋯ + 𝑎2𝑛 𝑒𝑛

𝑇(𝑒𝑛 ) = 𝑎𝑛1 𝑒1 + 𝑎𝑛2 𝑒2 + ⋯ + 𝑎𝑛𝑛 𝑒𝑛

DEFINICION.-La transpuesta de la matriz de los coeficientes de la representación anterior


denotada por [𝑇]𝑒 se llama representación matricial de T relativa a la base {𝑒𝑖 } .
𝑎11 𝑎21 … 𝑎𝑛1
𝑎12 𝑎22 … 𝑎𝑛2
[𝑇]𝑒 = (
⋮ ⋱ ⋮ )
𝑎1𝑛 𝑎2𝑛 … 𝑎𝑛𝑛

Ejemplo 1:

Sea el espacio vectorial de todos los polinomios en T sobre R de 𝑔𝑟𝑎𝑑𝑜 ≤ 3 y 𝐷: 𝑉 → 𝑉 el


𝑑𝑃(𝑡)
operador derivación definido por 𝐷(𝑃(𝑡) ) = 𝑑𝑡
, sea la base {1, 𝑡, 𝑡 2 , 𝑡 3 }

𝐷(1) = 0 = 0 + 0𝑡 + 0𝑡 2 + 0𝑡 3

𝐷(𝑡) = 1 = 1 + 0𝑡 + 0𝑡 2 + 0𝑡 3

𝐷(𝑡 2 ) = 2𝑡 = 0 + 2𝑡 + 0𝑡 2 + 0𝑡 3

𝐷(𝑡 3 ) = 3𝑡 2 = 0 + 0𝑡 + 3𝑡 2 + 0𝑡 3

0 1 0 0
[𝐷]𝑒 = (0 0 2 0
)
0 0 0 3
0 0 0 0

Ejemplo 2:

Sea T el operador lineal sobre ℝ2 definido por 𝑇(𝑥,𝑦) = (4𝑥 − 2𝑦 , 2𝑥 + 𝑦) . Calculamos la


matriz de T en la base {𝑓1 = (1, 1) ; 𝑓2 = (−1, 0)}

Solución

Tenemos:

𝑇(𝑓1 ) = 𝑇(1 ,1) = (2, 3) = 3(1, 1) + (−1, 0) = 3𝑓1 + 𝑓2

𝑇(𝑓2 ) = 𝑇(−1 ,0) = (−4, −2) = −2(1, 1) + 2(−1, 0) = −2𝑓1 + 2𝑓2


[𝑇]𝑓 = (3 −2)
1 2

TEOREMA

Sea {𝑒1 , 𝑒2 , … , 𝑒𝑛 } una base de V y sea T un operador lineal cualquiera sobre V entonces
∀ 𝑣 𝜖 𝑉 se cumple que:

[𝑻]𝒆 [𝒗]𝒆 = [𝑻(𝒗) ]


𝒆

Es decir si multiplicamos el vector coordenado de v por la representación matricial de T se


obtiene el vector coordenado de 𝑇(𝑉) .

Ejemplo 3:

Sea el operador lineal 𝑇: ℝ2 → ℝ2 definido por 𝑇(𝑥,𝑦) = (4𝑥 − 2𝑦 , 2𝑥 + 𝑦) y sea 𝑣 = (5 , 7)


, siendo la base {𝑓1 = (1, 1) ; 𝑓2 = (−1, 0)}

𝑣 = (5 , 7) = 7(1 , 1) + 2(−1,0) = 7𝑓1 + 2𝑓2

𝑇(𝑉) = 𝑇(5 ,7) = (6 , 17) = 17(1 , 1) + 11(−1 , 0) = 17𝑓1 + 11𝑓2

[𝑣]𝑓 = (7)
2
17
[𝑇(𝑉) ] = ( )
𝑓 11

[𝑇]𝑓 [𝑉]𝑓 = (3 −2) (7) = (17) = [𝑇(𝑉) ]


1 2 2 11 𝑓

TEOREMA

Sea {𝑒1 , 𝑒2 , … , 𝑒𝑛 } una base de V sobre un cuerpo K y sea A el álgebra de las matrices
cuadradas de orden 𝑛 entonces la aplicación: 𝑇 → [𝑇] es un isomorfismo de un espacio
vectorial 𝐴(𝑣) sobre A es decir que la aplicación es de 1 a 1 y sobre, para cualquier
𝑆, 𝑇 𝜖 𝐴(𝑣) y para cualquier 𝑘 𝜖 𝐾

[𝑻 + 𝑺]𝒆 = [𝑻]𝒆 + [𝑺]𝒆 𝒚 [𝒌𝑻]𝒆 = 𝒌[𝑻]𝒆

TEOREMA

Para operadores cualesquiera 𝑆, 𝑇 𝜖 𝐴(𝑣), se tiene:[𝑺𝑻]𝒆 = [𝑺]𝒆 [𝑻]𝒆

Ejemplo

Sea 𝑑𝑖𝑚𝑉 = 2 , supongamos que {𝑒1 , 𝑒2 } es una base de V, T y S son operadores sobre V
tales que:

𝑇(𝑒1 ) = 𝑎1 𝑒1 + 𝑎2 𝑒2 𝑆(𝑒1 ) = 𝑐1 𝑒1 + 𝑐2 𝑒2

𝑇(𝑒2 ) = 𝑏1 𝑒1 + 𝑏2 𝑒2 𝑆(𝑒2 ) = 𝑑1 𝑒1 + 𝑑2 𝑒2
𝑎 𝑏1 𝑐 𝑑1
[𝑇]𝑒 = ( 1 ) [𝑆]𝑒 = ( 1 )
𝑎2 𝑏2 𝑐2 𝑑2

(𝑇 + 𝑆)(𝑒1 ) = 𝑇(𝑒1 ) + 𝑆(𝑒1 ) = 𝑎1 𝑒1 + 𝑎2 𝑒2 + 𝑐1 𝑒1 + 𝑐2 𝑒2

(𝑇 + 𝑆)(𝑒2 ) = 𝑇(𝑒2 ) + 𝑆(𝑒2 ) = 𝑏1 𝑒1 + 𝑏2 𝑒2 + 𝑑1 𝑒1 + 𝑑2 𝑒2

𝑎1 + 𝑐1 𝑏1 + 𝑑1 𝑎 𝑏1 𝑐 𝑑1
[𝑇 + 𝑆]𝑒 = ( )=( 1 )+( 1 )
𝑎2 + 𝑐2 𝑏2 + 𝑑2 𝑎2 𝑏2 𝑐2 𝑑2

= [𝑇]𝑒 + [𝑆]𝑒

También para 𝑘 𝜖 𝐾

(𝑘𝑇)𝑒1 = 𝑘𝑇(𝑒1 ) = 𝑘(𝑎1 𝑒1 + 𝑎2 𝑒2 ) = 𝑘𝑎1 𝑒1 + 𝑘𝑎2 𝑒2

(𝑘𝑇)𝑒2 = 𝑘𝑇(𝑒2 ) = 𝑘(𝑏1 𝑒1 + 𝑏2 𝑒2 ) = 𝑘𝑏1 𝑒1 + 𝑘𝑏2 𝑒2

𝑘𝑎 𝑘𝑏1 𝑎 𝑏1
[𝑘𝑇]𝑒 = ( 1 ) = 𝑘( 1 ) = 𝑘[𝑇]𝑒
𝑘𝑎2 𝑘𝑏2 𝑎2 𝑏2

CAMBIO DE BASE
Definición.- Sea {𝑒1 , 𝑒2 , … , 𝑒𝑛 } una base de V y sea {𝑓1 , 𝑓2 , … , 𝑓𝑛 } otra base, supongamos
que:

𝒇𝟏 = 𝒂𝟏𝟏 𝒆𝟏 + 𝒂𝟏𝟐 𝒆𝟐 + ⋯ +𝒂𝟏𝒏 𝒆𝒏

𝒇𝟐 = 𝒂𝟐𝟏 𝒆𝟏 + 𝒂𝟐𝟐 𝒆𝟐 + ⋯ +𝒂𝟐𝒏 𝒆𝒏

𝒇𝒏 = 𝒂𝒏𝟏 𝒆𝟏 + 𝒂𝒏𝟐 𝒆𝟐 + ⋯ +𝒂𝒏𝒏 𝒆𝒏

La traspuesta P de la matriz de los coeficientes se llama matriz de transición de la base


antigua o primitiva {𝒆𝒊 } 𝑎 𝑙𝑎 𝑛𝑢𝑒𝑣𝑎 𝑏𝑎𝑠𝑒 {𝒇𝒊 }. ( 𝑖 = 1,2, … , 𝑛 )
𝒂𝟏𝟏 𝒂𝟐𝟏 … 𝒂𝒏𝟏
𝒂𝟏𝟐 𝒂𝟐𝟐 … 𝒂𝒏𝟐
𝑷=( )
⋮ ⋱
𝒂𝟏𝒏 𝒂𝟐𝒏 … 𝒂𝒏𝒏

Como los vectores 𝑓1 , 𝑓2 , … , 𝑓𝑛 son linealmente independientes, la matriz P es invertible, su


inversa 𝑃−1 es la matriz de transición de la nueva base a la base antigua.

Ejemplo

Sean las bases {𝑒1 = (1, 0), 𝑒2 = (0, 1)} y {𝑓1 = (1 , 1), 𝑓2 = (−1 , 0)} luego

𝑓1 = (1 , 1) = (1 , 0) + (0 , 1) = 𝑒1 + 𝑒2

𝑓2 = (−1 , 0) = −1(1 , 0) + 0(0 , 1) = −𝑒1 + 0𝑒2

1 −1
𝑃=( )
1 0
𝑒1 = (1, 0) = 0(1 , 1) + (−1)(−1 , 0) = 0𝑓1 − 𝑓2

𝑒2 = (0, 1) = 1(1 , 1) + 1(−1 , 0) = 𝑓1 + 𝑓2

0 1
𝑃−1 = 𝑄 = ( )
−1 1
1 −1 0 1 1 0
𝑃𝑄 = ( )( )=( )=𝐼
1 0 −1 1 0 1

TEOREMA

Sea P la matriz de transición de una base {𝑒𝑖 } a una base{𝑓𝑖 } en un espacio vectorial V
entonces ∀ 𝑣 𝜖 𝑉 se cumple que:

𝑃[𝑣]𝑓 = [𝑣]𝑒

Es decir:

[𝑣]𝑓 = 𝑃−1 [𝑣]𝑒

TEOREMA

Sea P la matriz de transición de una base {𝑒𝑖 } a una base {𝑓𝑖 } en un espacio V entonces ∀
operador lineal T sobre V se cumple que:

[𝑻]𝒇 = 𝑷−𝟏 [𝑻]𝒆 𝑷

SIMILARIDAD

Supongamos que A y B son matrices cuadradas para los cuales existe una matriz invertible
P tal que: 𝐵 = 𝑃−1 𝐴𝑃 , entonces se dice que B es similar a 𝐴 o que se obtiene de A por una
transformación de similaridad. La similaridad de matrices es una relación de equivalencia.

TEOREMA

Dos matrices A y B representan el mismo operador lineal T si y solo si son similares la una
a la otra. Todos los representantes matriciales del operador lineal T forman una clase de
equivalencia de matrices similares.

Ejemplo

Sea T el operador lineal sobre ℝ2 definido por 𝑻(𝟑 ,𝟏) = (𝟐 , −𝟒) y 𝑻(𝟏 ,𝟏) = (𝟎 , 𝟐) , por el
teorema el operador lineal existe y es único, hallar 𝑻(𝒂 ,𝒃) en particular 𝑻(𝟕 ,𝟒) .

Solución
Sea un vector (𝑎 , 𝑏) tal que se forma la combinación lineal: (𝑎 , 𝑏) = 𝑥(3 , 1) + 𝑦(1 , 1)

𝑎−𝑏
𝑎 = 3𝑥 + 𝑦 𝑥=
2
−𝑎 + 3𝑏
𝑏 =𝑥+𝑦 𝑦=
2
Expresando 𝑇(𝑎,𝑏) como una combinación lineal de 𝑇(3,1) 𝑦 𝑇(1,1) , tenemos

𝑎−𝑏 −𝑎 + 3𝑏
𝑇(𝑎 ,𝑏) = 𝑇 𝑎−𝑏 −𝑎+3𝑏 = 𝑇(3 ,1) + 𝑇(1 ,1)
(
2
(3 ,1)+
2
(1 ,1)) 2 2

𝑎−𝑏 −𝑎 + 3𝑏
𝑇(𝑎 ,𝑏) = (2 , −4) + (0 , 2) = (𝑎 − 𝑏 , −3𝑎 + 5𝑏)
2 2

Para el caso particular de 𝑇(7,4) se tiene

𝑇(7 ,4) = (3 , −11)

VALORES Y VECTORES PROPIOS


En los diversos campos de la ingeniería y las matemáticas surge el problema de calcular
los valores escalares 𝜆 y los vectores 𝑥 ≠ 0 tales que para la matriz cuadrada 𝐴 se cumple
𝑇(𝑥) = 𝐴𝑋, 𝐴𝑋 = 𝜆𝑋 … (1)

Algunos campos de aplicación son:

Las Ecuaciones diferenciales, Estabilidad de sistemas lineales, Sistemas eléctricos, Polos y


ceros de transferencia, diagonalización de matrices, etc.

Podemos averiguar si el problema planteado en (1) tiene solución si tenemos (𝐴 − 𝜆𝐼)𝑋 =


0 … (2) , el problema se transforma en un sistema lineal homogéneo 𝐵𝑋 = 0 , el cual tiene
solución para 𝑋 = 0 , cuando det(𝐵) ≠ 0 , es justamente lo que no nos interesa .El numero
𝜆 se dice que es el valor propio de la matriz cuadrada 𝐴 si y solo si det(𝐴 − 𝜆𝐼) = 0 …(3)
esta es la ecuación característica de la matriz 𝐴 .El polinomio que surge de la ecuación (3)
resulta un polinomio en ponencias de 𝜆 , la expresión 𝑎(𝜆) = det(𝐴 − 𝜆𝐼) se le llama
polinomio característico de la matriz 𝐴 .El polinomio característico de una matriz de
dimensión 𝑛𝑥𝑛 es de grado 𝑛 , por lo que se tiene 𝑛 valores propios 𝜆 que satisfacen la
ecuación (3) .

VALOR PROPIO

Sea 𝑇: 𝑉 → 𝑉 un operador lineal sobre un espacio vectorial 𝑉 sobre un cuerpo 𝐾. Un


escalar 𝜆 𝜖 𝐾 se llama valor propio de 𝑇 si existe un vector diferente de cero,
𝑣 𝜖 𝑉 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑇(𝑣) = 𝜆𝑣.

Todo vector que satisface esta relación se llama “vector propio” de T perteneciente al valor
propio 𝜆.

Observación: Las transformaciones lineales del espacio como la rotación, la reflexión, el


ensanchamiento o cualquier combinación de las anteriores pueden interpretarse mediante
el efecto que producen en los vectores .De forma geométrica los vectores se visualizan
como flechas de cierta longitud apuntado en una dirección y sentido determinado. Los
vectores propios de las transformaciones lineales son vectores que no se ven afectados
por la transformación.

Ejemplo: Sea 𝜆 un valor propio de un operador 𝑇: 𝑉 → 𝑉. Sea 𝑉𝜆 el conjunto de todos los


vectores propios de 𝑇 pertenecientes al valor propio 𝜆 (llamado el espacio propio de 𝜆 )
Demostrar que 𝑉𝜆 es un subespacio de 𝑉.

Demostración

Sean 𝑣, 𝑤 ∈ 𝑉𝜆 ; es decir 𝑇(𝑣) = 𝜆𝑣 , 𝑇(𝑤) = 𝜆𝑤. Entonces para todo escalar 𝑎, 𝑏 ∈


𝐾 , 𝑇(𝑎𝑣 + 𝑏𝑤) = 𝑎𝑇(𝑣) + 𝑏𝑇(𝑤) = 𝑎(𝜆𝑣) + 𝑏(𝜆𝑤) = 𝜆(𝑎𝑣 + 𝑏𝑤) , luego 𝑎𝑣 + 𝑏𝑤 es un
vector propio perteneciente a 𝜆 es decir 𝑉𝜆 es un subespacio de 𝑉.

TEOREMA

Sea 𝑇: 𝑉 → 𝑉 un operador lineal sobre un espacio vectorial 𝑉, entonces 𝜆 𝜖 𝐾 es un valor


propio de 𝑇 si y solo si 𝜆Ι − 𝑇 es singular, el espacio propio de 𝜆 es entonces el núcleo de
𝜆Ι − 𝑇.

TEOREMA

Vectores propios diferentes de cero pertenecientes a valores propios diferentes son


linealmente independientes.

POLINOMIO CARACTERISTICO

Sea una matriz cuadrada A sobre un cuerpo K

𝑎11 𝑎12 … 𝑎1𝑛


𝑎21 𝑎22 … 𝑎2𝑛
𝐴=( ⋮ ⋮ ⋱ ⋮ )
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛

La matriz 𝒕𝚰𝒏 − 𝑨 se llama matriz característica, el determinante 𝐝𝐞𝐭(𝒕𝚰𝒏 − 𝑨) = 𝟎 se


llama ecuación característica, el polinomio característico es de la forma:

𝚫(𝒕) = (𝒕 − 𝒂𝟏𝟏 )(𝒕 − 𝒂𝟐𝟐 ) … (𝒕 − 𝒂𝒏𝒏 ),


𝑛 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 𝑐𝑜𝑛 𝑚á𝑥𝑖𝑚𝑜 𝑛 − 2 𝑓𝑎𝑐𝑡𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑓𝑜𝑟𝑚𝑎 𝑡 − 𝑎𝑛

Ejemplo

1 4
Sea la matriz 𝐴 = ( )
2 3

i) Hallar los valores propios de A y los correspondientes vectores propios

2i) Hallar una matriz inversible 𝑃 tal que 𝑃−1 𝐴𝑃 sea diagonal

Solución:

Ejemplo: El polinomio característico de la matriz A es:


1 3 0
𝐴 = (−2 2 1)
4 0 −2
𝑡 − 1 −3 0
Δ(𝑡) = (𝑡Ι − 𝐴) = | 2 𝑡 − 2 −1 | = 𝑡 3 − 𝑡 2 + 2𝑡 + 4
−4 0 𝑡+2

Es un polinomio característico, polinomio Mónico de tercer grado.

El polinomio característico de una matriz de dimensión 𝑛𝑥𝑛 es de grado 𝑛, por lo cual


tendrá 𝑛 posibles valores propios.

Si 𝜆 es un valor propio de 𝐴 y si X es el vector no nulo tal que 𝐴𝑋 = 𝜆𝑋 ⟹ 𝑋 se dice vector


propio de 𝐴 correspondiente al valor propio de 𝜆.

OBSERVACION:𝜆 también llamado autovalor, valor característico o “eigen valor”.

Ejemplo

3 1 −1
Dada la matriz 𝐴 = (2 2 −1) determine el polinomio característico y los valores
2 2 0
propios de 𝐴

Solución

3 1 −1 1 0 0 3−𝜆 1 −1
𝑃(𝜆) = 𝑑𝑒𝑡 |(2 2 −1) − 𝜆 (0 1 0)| = | 2 2 − 𝜆 −1| = (2 − 𝜆)(2 − 𝜆)(1 −
2 2 0 0 0 1 2 2 −𝜆
𝜆) = 0 Entonces los valores propios son 𝜆 = 2 , 𝜆 = 2 , 𝜆 = 1

POLINOMIO DE MATRICES Y OPERADORES LINEALES

Sea un polinomio 𝑓(𝑡) = 𝑎𝑛 𝑡 𝑛 + 𝑎𝑛−1 𝑡 𝑛−1 + ⋯ + 𝑎1 𝑡 + 𝑎0 , si A es una matriz cuadrada,


entonces definimos:

𝒇(𝑨) = 𝒂𝒏 𝑨𝒏 + 𝒂𝒏−𝟏 𝑨𝒏−𝟏 + ⋯ + 𝒂𝟏 𝑨 + 𝒂𝟎 𝚰

Se dice que A es una raíz o un cero del polinomio si 𝑓(𝐴) = 0.

TEOREMA

Sean 𝑓 𝑦 𝑔 dos polinomios sobre un cuerpo 𝑘, y sea A una matriz cuadrada de orden 𝑛 ,
sobre 𝑘, entonces:

i) (𝑓 + 𝑔)(𝐴) = 𝑓(𝐴) + 𝑔(𝐴)


ii) (𝑓. 𝑔)(𝐴) = 𝑓(𝐴). 𝑔(𝐴)
iii) (𝑘𝑓)(𝐴) = 𝑘𝑓(𝐴)

OBSERVACION
1. Los vectores propios de las transformaciones lineales son vectores que no se ven
afectados por la transformación.
2. El valor propio de un vector propio es el factor de escala por el que ha sido
multiplicado.
3. Un espacio propio es un espacio formado por todos los vectores propios del mismo
valor propio, además del vector nulo que no es un vector propio.
4. La multiplicidad geométrica de un valor propio es la dimensión del espacio propio
asociado.

1 2
Ejemplo: Hallar los vectores propios de la matriz 𝐴 = ( )
3 2

SOLUCION:

𝐴𝑋 = 𝜆𝑋

(𝐴 − 𝜆Ι)𝑋 = 0

1−𝜆 2
( )𝑋 = 0
3 2−𝜆

Hallando los valores propios:

1−𝜆 2
| |=0
3 2−𝜆

𝜆2 − 3𝜆 − 4 = 0

𝜆1 = −1 , 𝜆2 = 4

2 2 𝑥1
Para 𝜆1 = −1 | || | = 0
3 3 𝑥2

2𝑥1 + 2𝑥2 = 0

3𝑥1 + 3𝑥2 = 0

⟹ 𝑥1 + 𝑥2 = 0 ⟺ 𝑥1 = −𝑥2
𝑥1 1 1
Vector propio: (−𝑥 ) = 𝑥 ( ) ⟶ 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 ( )
2 −1 −1

Para 𝜆2 = 4

−3 2 𝑥1
| || | = 0
3 −2 𝑥2

−3𝑥1 + 2𝑥2 = 0

3𝑥1 − 2𝑥2 = 0

3𝑥1 = 2𝑥2
𝑥1 2 2
(𝑥 ) = 𝑡 ( ) ⟶ 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 ( )
2 3 3
TEOREMA DE CAYLEY-HAMILTON

Toda matriz es un cero de su polinomio característico.

1 2
Ejemplo: 𝐴=( )
3 2

𝑃(𝜆) = 𝜆2 − 3𝜆 − 4

1 2 2 1 2 1 0 7 6 3 2 4 0 0 0
𝑃(𝐴) = ( ) − 3( )−4( )=( )−( )−( )=( )
3 2 3 2 0 1 9 10 9 6 0 4 0 0

TEOREMA

Si A es una matriz cuadrada de orden n y 𝜆 es un valor propio de 𝐴 ⟹ 𝜆 es una raíz del


polinomio característico.

MULTIPLICIDAD ALGEBRAICA

La multiplicidad algebraica de un valor propio 𝜆 como cero del polinomio característico.

Ejemplo: Si los valores propios de una matriz 𝐴 son 4, 4, 3, 3, 3, 2, 2, 1 significan que la


multiplicidad algebraica del valor propio 4 es 2, la de 3 es 3, la de 2 es 2, la de 1 es 1.

(𝜆 − 4)2 (𝜆 − 3)3 (𝜆 − 2)2 (𝜆 − 1) = 0

DIAGONALIZACION

Sea 𝑇 ∶ 𝑉 ⟶ 𝑉 un operador lineal sobre un espacio vectorial 𝑉 con dimensión finita


entonces T es un operador lineal que se puede representar por una matriz diagonal.

𝑘1
𝑘2
𝑇=

( 𝑘𝑛 )

Si y solo si existe una base {𝑣1 , 𝑣2 , … , 𝑣𝑛 }de V tal que:

𝑇(𝑣1 ) = 𝑘1 𝑣1

𝑇(𝑣2 ) = 𝑘2 𝑣2

𝑇(𝑣𝑛 ) = 𝑘𝑛 𝑣𝑛

Es decir los vectores {𝑣1 , 𝑣2 , … , 𝑣𝑛 }son vectores propios de T perteneciente a los valores
propios 𝑘1 , 𝑘2 , … , 𝑘𝑛 .

OBSERVACION

¿Qué es diagonalizar?
Es determinar un sistema de referencia conveniente donde se tenga una simplicidad para
los cálculos.

Para estudiar una matriz, suele ser conveniente expresarla de la forma más sencilla
posible. Para estudiar una matriz suele ser conveniente expresarla lo más sencilla posible,
diagonalizar una matriz 𝐴 es precisamente escribirla de manera simple encontrando una
matriz invertible 𝑃 y una diagonal 𝐷 (si es posible) tal que 𝐴 = 𝑃𝐷𝑃−1 , la matriz 𝑃 se
denomina matriz de paso.

MATRIZ DIAGONALIZABLE

Una matriz 𝑛 𝑥 𝑛 es diagonalizable si existe una matriz diagonal 𝐷 tal que


𝐴 𝑒𝑠 𝑠𝑒𝑚𝑒𝑗𝑎𝑛𝑡𝑒 𝑎 𝐷 . Si 𝐷 es una matriz diagonal entonces los valores propios son sus
componentes en la diagonal .Si 𝐴 es semejante a 𝐷 entonces tienen los mismos valores
propios, entonces si 𝐴 es diagonalizable, 𝐴 es semejante a una matriz diagonal.

FORMAS CUADRATICAS O CUADRICAS

Se llama forma cuadrática a un polinomio homogéneo de grado 2. Una forma cuadrática P


tiene la siguiente expresión matricial:
𝑛 𝑛
𝑡
𝑃(𝑋) = 𝑋 𝐴𝑋 = ∑ ∑ 𝑎𝑖𝑗 𝑥𝑗1 𝑥𝑖1
𝑖=1 𝑗=1

Donde X es una matriz columna de orden 𝑛𝑥1 , A es una matriz cuadrada de orden 𝑛𝑥𝑛

OBSERVACION

Dadas las matrices 𝐴 𝑦 𝑋 se presenta una forma cuadrática 𝑃(𝜆) = 𝑋 𝑡 𝐴𝑋

Ejemplo:𝑃(𝑋) = 2𝑥 2 + 6𝑥𝑦 + 𝑦 2
𝑥 𝑥
𝑃(𝑋) = (𝑥 𝑦)1𝑥2 (2 3) ( ) = (2𝑥 + 3𝑦 3𝑥 + 𝑦)1𝑥2 (𝑦) = 2𝑥 2 + 6𝑥𝑦 + 𝑦 2
3 1 𝑦 2𝑥1 2𝑥1

Ejemplo:𝑃(𝑋) = 𝑥 2 + 𝑦 2 + 2𝑥𝑦 + 𝑧 2 − 5𝑥𝑧 + 6𝑦𝑧

5
1 1 − 𝑥
2
𝑃(𝑋) = (𝑥 𝑦 𝑧) 1 1 3 (𝑦 )
5 𝑧
− 3 1
( 2 )

Ejemplo:𝑃(𝑋) = 3𝑥 2 − 𝑦 2 + 𝑡 2 + 𝑤 2 − 5𝑧 2 + 𝑥𝑡 + 𝑤𝑧 + 𝑥𝑦
1 1
3 0 0
2 2
1
−1 0 0 0 𝑥
2 𝑦
1
𝑃(𝑋) = (𝑥 𝑦 𝑡 𝑤 𝑧) 0 1 0 0 𝑡
2 𝑤
1
0 0 0 1 (𝑧)
2
1
(0 0 0
2
−5)

DIAGONALIZACION DE FORMAS CUADRÁTICAS

Una forma cuadrática P se dice que se encuentra en su forma diagonal si en ella no aparece
ningún término mixto:

𝑥𝑖1 𝑥𝑗1 𝑐𝑜𝑛 𝑖 ≠ 𝑗

𝑃 = 𝑎11 𝑥1 2 + 𝑎22 𝑥2 2 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛𝑛 2 = 𝑋 𝑡 𝐴𝑋

Donde A es la matriz diagonal:

𝑎11 0 … 0
0 𝑎22 … 0
𝐴=( )
⋮ ⋱
0 0 … 𝑎𝑛𝑛

DEFINICION.- Se dice que una forma cuadrática 𝑞(𝑋) = 𝑋 𝑡 𝐴𝑋 es diagonalizable si existe


una matriz no singular B, tal que al hacer la transformación 𝑋 = 𝐵𝑌, resulta:

𝑞(𝑌) = (𝐵𝑌)𝑡 𝐴(𝐵𝑌) = 𝑌 𝑡 𝐵𝑡 𝐴𝐵𝑌 = 𝑌 𝑡 𝐷 𝑌, 𝑑𝑜𝑛𝑑𝑒 𝐷 𝑒𝑠 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑡𝑎𝑙 𝑞𝑢𝑒

𝑞(𝑌) = 𝑑11 𝑦1 2 + 𝑑22 𝑦2 2 + ⋯ + 𝑑𝑛𝑛 𝑦𝑛𝑛 2

Es una forma diagonal en las nuevas variables 𝑦1 , 𝑦2 , 𝑦3 , … , 𝑦𝑛 . Se dice que B diagonaliza


a la matriz A, esta matriz B siempre existe, para ello A es una matriz simétrica, B es una
matriz no singular.

En muchos casos los elementos de la matriz diagonal en la diagonal principal son los
valores propios de A.

Ejemplo: Diagonalizar la forma cuadrática, considere 𝑞(𝑋) = 𝑥 2 + 4𝑥𝑦 + 5𝑦 2

1 2 1 −2
→𝐴=( ) , considere 𝐵 = ( )
2 5 0 1

Solución:
𝑦 ) (1 2 𝑥
𝑞(𝑋) = (𝑥 )( )
2 5 𝑦
1 2
𝐴=( )
2 5
𝑆𝑒𝑎 𝑋 = 𝐵𝑌
𝑥 1 −2 𝑦1
(𝑦) = ( ) (𝑦 )
0 1 2

𝑦2 ) ( 1 0) (1 2) (1 −2 𝑦1
𝑞(𝑦) = (𝐵𝑌)𝑡 𝐴(𝐵𝑌) = (𝑦1 ) (𝑦 )
−2 1 2 5 0 1 2

𝑦2 ) (1 2) (1 −2 𝑦1
= (𝑦1 ) (𝑦 )
0 1 0 1 2

𝑦1 𝑦
𝑞(𝑦) = (𝑦1 𝑦2 )1𝑥2 (1 0
) ( ) = (𝑦1 𝑦2 )1𝑥2 ( 1 ) 2 2
0 1 2𝑥2 𝑦2 𝑦2 2𝑥1 = 𝑦1 + 𝑦2

OBS:

1 2
𝐴=( )
2 5
1−𝜆 2
det(𝐴 − 𝜆Ι) = det ( ) = 0 ⟺ 𝜆2 − 6𝜆 + 1 = 0
2 5−𝜆

NOTA.- En el ejemplo la forma cuadrática diagonalizable es: 𝑞(𝑦) = 𝑦1 2 + 𝑦2 2

Hemos hablado de la transformación 𝑋 = 𝐵𝑌 , la cual se interpreta como una rotación de


coordenadas.

DIAGONALIZACION ORTOGONAL DE FORMAS CUADRÁTRICAS

Dada una forma cuadrática 𝑃(𝑋) = 𝑋 𝑡 𝐴𝑋, es posible hallar una matriz P ortogonal
(𝑃−1 = 𝑃𝑡 ) que diagonalice ortogonalmente a la matriz A, para ello se debe tener en
cuenta que:

1. Hallar los valores propios y vectores propios de la matriz A linealmente


independientes.
2. Los vectores𝑣1 , 𝑣2 , … , 𝑣𝑛 forman una base ortonormal para lo cual se utiliza el
proceso de GRAM-SCHMIDT, es decir, hacer:
𝑢
a. 𝑣1 = ‖𝑢1 ‖
1
b. 𝑣𝑘+1 = 𝑢𝑘+1 − [⟨𝑢𝑘+1 , 𝑣1 ⟩𝑣1 + ⟨𝑢𝑘+1 , 𝑣2 ⟩𝑣2 + ⋯ + ⟨𝑢𝑘+1 , 𝑣𝑘 ⟩𝑣𝑘 ]

Calculamos los vectores 𝑣𝑘+1 que son ortogonales entre si, y son ortogonales a los
vectores {𝑣1 , 𝑣2 , … , 𝑣𝑘 } , formamos la matriz P de modo que cada uno de los
vectores 𝑣1 , 𝑣2 , … , 𝑣𝑛 son vectores columna de la matriz P.

3. Se tiene la forma diagonalizable:


𝑃(𝑋) = 𝑋 𝑡 𝐴𝑋 ⇒ 𝑃(𝑌) = 𝑌 𝑡 (𝑃𝑡 𝐴𝑃)𝑌 = 𝑌 𝑡 𝐷𝑌
Donde D es una matriz diagonal formada por valores propios de A.

Ejemplo: Diagonalizar ortogonalmente la forma cuadrática


𝑃 = 3𝑤 2 + 3𝑥 2 + 9𝑦 2 + 6𝑧 2 + 2𝑤𝑥 − 4𝑦𝑧

Solución:
3 1 0 0
1 3 0 0
𝐴=( )
0 0 9 −2
0 0 −2 6
3−𝜆 1 0 0
|𝐴 − 𝜆Ι| = | 1 3−𝜆 0 0
|=0
0 0 9 − 𝜆 −2
0 0 −2 6 − 𝜆
3−𝜆 0 0 1 0 0
= (3 − 𝜆) | 0 9−𝜆 −2 | − |0 9 − 𝜆 −2 |
0 −2 6 − 𝜆 0 −2 6 − 𝜆

= (3 − 𝜆)(3 − 𝜆)(𝜆 − 5)(𝜆 − 10) − (𝜆 − 5)(𝜆 − 10) = 0

= (𝜆 − 5)(𝜆 − 10)(𝜆 − 4)(𝜆 − 2) = 0

Los valores propios son:

𝜆1 = 2 , 𝜆2 = 4 , 𝜆3 = 5 , 𝜆4 = 10

Para 𝜆1 = 2 ∶

1 1 0 0 1 1 0 0
1 1 0 0 0 0 1 0
| |⟶| |
0 0 7 −2 0 0 0 1
0 0 −2 4 0 0 0 0

𝑥1 + 𝑥2 = 0

𝑥3 = 0 (𝑥1 𝑥2 𝑥3 𝑥4 ) = 𝑡(1 −1 0 0)

𝑥4 = 0

Para 𝜆2 = 4 ∶

−1 1 0 0 1 −1 0 0
1 −1 0 0 0 0 0 0
| |⟶| |
0 0 5 −2 0 0 1 0
0 0 −2 2 0 0 0 1

(𝑥1 𝑥2 𝑥3 𝑥4 ) = 𝑠(1 1 0 0)

Para 𝜆3 = 5 ∶ (0 0 1 2)

Para 𝜆4 = 10 ∶ (0 0 −2 1)

𝑢1 1 1
𝑣1 = = (1, −1, 0, 0) = ( , − , 0, 0)
‖𝑢1 ‖ √2 √2
1 1 1 1
𝑣2′ = 𝑢2 − ⟨𝑢1 , 𝑣1 ⟩𝑣1 = (1, 1, 0, 0) − ⟨(1, 1, 0, 0) , ( ,− , 0, 0)⟩ ( ,− , 0, 0)
√2 √2 √2 √2
= (1, 1, 0, 0)

𝑣2 1 1
𝑣2 = =( , , 0, 0)
‖𝑣2 ′ ‖ √2 √2
𝑣3′ = 𝑢3 − [⟨𝑢3 , 𝑣1 ⟩𝑣1 + ⟨𝑢3 , 𝑣2 ⟩𝑣2 ]
= (0, 0, 1, 2)
1 1 1 1
− [⟨(0, 0, 1, 2) , ( , − , 0, 0)⟩ ( , − , 0, 0)
√2 √2 √2 √2
1 1 1 1
+ ⟨(0, 0, 1, 2) , ( , , 0, 0)⟩ ( , , 0, 0)] = (0, 0, 1, 2)
√2 √2 √2 √2
𝑣3 ′ 1 2
𝑣3 = ′
= (0, 0, , )
‖𝑣3 ‖ √5 √5
𝑣4′ = 𝑢4 − [⟨𝑢4 , 𝑣1 ⟩𝑣1 + ⟨𝑢4 , 𝑣2 ⟩𝑣2 + ⟨𝑢4 , 𝑣3 ⟩𝑣3 ]
𝑣4′ = (0, 0, −2, 1)
1 −1 1 −1
− [⟨(0, 0, −2, 1) , ( , , 0, 0)⟩ ( , , 0, 0)
√2 √2 √2 √2
1 1 1 1
+ ⟨(0, 0, −2, 1) , ( , , 0, 0)⟩ ( , , 0, 0)
√2 √2 √2 √2
1 2 1 2
+ ⟨(0, 0, −2, 1) , (0, 0, , )⟩ (0, 0, , )] = (0, 0, −2, 1)
√5 √5 √5 √5

𝑣4 ′ −2 1
𝑣4 = ′
= (0, 0, , )
‖𝑣4 ‖ √5 √5
1 1
0 0
√2 √2
−1 1
0 0
𝑃 = √2 √2
1 −2
0 0
√5 √5
2 1
0 0
[ √5 √5 ]

Luego:

1 −1 1 1
0 0 0 0
√2 √2 √2 √2
1 1 3 1 0 0 −1 1
0 0 0 0
√2 √2 1 3 0 0
𝑡
𝐷 = 𝑃 𝐴𝑃 = ( ) √2 √2
1 2 0 0 9 −2 1 −2
0 0 0 0
√5 √5 0 0 −2 6 √5 √5
−2 1 2 1
0 0 0 0
( √5 √5) ( √5 √5 )
2 0 0 0
0 4 0 0
=( )
0 0 5 0
0 0 0 10
2 0 0 0 𝑦1
𝑦4 ) (0 4 0 0 𝑦
𝑃(𝑋) = 𝑋 𝑡 𝐴𝑋 ⟺ 𝑃(𝑌) = 𝑌 𝑡 𝐷𝑌 = (𝑦1 𝑦2 𝑦3 ) (𝑦2 )
0 0 5 0 3
0 0 0 10 𝑦4
= 2𝑦12 + 4𝑦22 + 5𝑦32 + 10𝑦42

Forma diagonalizada

NOTAS COMPLEMENTARIAS

Superficies
Definición.
Dada la ecuación 𝜑(𝑥, 𝑦, 𝑧) = 0 en las variables 𝑥, 𝑦, 𝑧; la gráfica de esta ecuación
en el espacio tridimensional (ℝ3 ) es el conjunto de todos los puntos 𝑃(𝑥, 𝑦, 𝑧) cuyas
coordenadas satisfacen la ecuación; a dicha grafica se denomina superficie.

Ejemplo.
El plano, la esfera, etc.

Nota.
Existen ecuaciones tales como

a) 𝑥 2 + (𝑦 − 2)2 + 𝑧 2 + 8 = 0, ∄ (𝑎, 𝑏, 𝑐) ∈ ℝ3
b) (𝑥 + 2)2 + 9(𝑦 + 1)2 + 5(𝑧 − 1)2 = 0, ∃! punto.

Que no representan a una superficie (a estos casos se denomina degenerado).

Esfera.
Definición.
Una esfera es el conjunto de todos los puntos del espacio que equidistan de un punto
fijo llamado centro. La distancia de cualquier punto al centro es llamado radio.
Sea 𝑃(𝑥, 𝑦, 𝑧) cualquier punto de la esfera 𝑐(𝑥0 , 𝑦0 , 𝑧0 ) y radio 𝑟 > 0, luego la
distancia
𝑑(𝑃, 𝑐) = 𝑟; 𝑟 > 0 ↔ 𝑑2 (𝑃, 𝑐) = 𝑟 2 ; 𝑐(𝑥0 , 𝑦0 , 𝑧0 )

(𝑥 − 𝑥0 )2 + (𝑦 − 𝑦0 )2 + (𝑧 − 𝑧0 )2 = 𝑟 2 … (∗)

Si el centro es el origen, entonces la esfera es 𝑥 2 + 𝑦 2 + 𝑧 2 = 𝑟 2 .


La ecuación (∗) es de la forma
𝑥 2 + 𝑦 2 + 𝑧 2 + 𝐷𝑥 + 𝐸𝑦 + 𝐹𝑧 + 𝐺 = 0

Discusión y gráfica de la ecuación de una superficie.


De manera similar a la discusión que se efectúa antes de trazar la gráfica de una
curva plana, en el caso de las superficies es también ventajoso discutir previamente
su ecuación antes de construirla. Para discutir la ecuación 𝐸(𝑥, 𝑦, 𝑧) = 0 de una
superficie se siguen los siguientes pasos:

I) INTERSECCIONES CON LOS EJES COORDENADOS.


Son las intersecciones de la superficie con cada uno de los ejes coordenados.

i) Con el eje 𝑋. Se reemplaza 𝑦 = 𝑧 = 0 en la ecuación de la superficie y


se analiza la ecuación resultante.
ii) Con el eje 𝑌. Se reemplaza 𝑥 = 𝑧 = 0 en la ecuación de la superficie y
se analiza la ecuación resultante.
iii) Con el eje 𝑍. Se reemplaza 𝑥 = 𝑦 = 0 en la ecuación de la superficie y
se analiza la ecuación resultante.

II) TRAZAS SOBRE LOS PLANOS COORDENADOS.


La traza de una superficie sobre un plano coordenado es la intersección de la
superficie y el plano coordenado.
i) Con el plano 𝑋𝑌. Se reemplaza 𝑧 = 0 en la ecuación de la superficie.
ii) Con el plano 𝑌𝑍. Se reemplaza 𝑥 = 0 en la ecuación de la superficie.
iii) Con el plano 𝑋𝑍. Se reemplaza 𝑦 = 0 en la ecuación de la superficie.

III) SECCIONES TRANSVERSALES O SECCIONES PARALELAS A


LOSPLANOS COORDENADOS.
Son las intersecciones de la superficie con planos paralelos a los planos
coordenados.

i) Al plano 𝑋𝑌. Se reemplaza 𝑧 = 𝑘 en la ecuación de la superficie.


ii) Al plano 𝑋𝑍. Se reemplaza 𝑦 = 𝑘 en la ecuación de la superficie.
iii) Al plano 𝑌𝑍. Se reemplaza 𝑥 = 𝑘 en la ecuación de la superficie.

IV) EXTENSION DE LA SUPERFICIE:


Se entiende por extensión de la superficie a los valores reales que toman las
variables 𝑥, 𝑦, 𝑧 en la ecuación.
El paso anterior facilita la determinación de la extensión; por ejemplo, si al
estudiar las secciones paralelas al plano 𝑋𝑌 se determina que hay intersección
con los planos 𝑧 = 𝑘 cuando 𝑘 ∈ [−3; 3]. Esto indica que en la superficie 𝑧
varía entre −3y3, es decir 𝑧 ∈ [−3; 3].

V) SIMETRIAS CON RESPECTO A LOS PLANOS COORDENADOS, A


LOS EJES COORDENADOS Y AL ORIGEN:
Previamente, se dice que dos puntos 𝑃 y 𝑄 son simétricos con respecto a un
plano si el plano es perpendicular al segmento que los une en su punto medio.
Por otro lado, se dice que una superficie es simétrica con respecto al planoΠ,
si el simétrico de cada punto de la superficie, respecto al planoΠ, es también
un punto de la superficie.

Si 𝑃(𝑥, 𝑦, 𝑧) es un punto del espacio, entonces:

a) El simétrico de 𝑃 con respecto al plano 𝑋𝑌 es 𝑄(𝑥, 𝑦, −𝑧).


b) El simétrico de 𝑃 con respecto al plano 𝑋𝑍 es 𝑄(𝑥, −𝑦, 𝑧).
c) El simétrico de 𝑃 con respecto al plano 𝑌𝑍 es 𝑄(−𝑥, 𝑦, 𝑧).
Considerando que el lector está familiarizado a las simetrías con respecto a una recta y
a un punto se sigue:

d) El simétrico de 𝑃 con respecto al eje 𝑋 es 𝑄(𝑥, −𝑦, −𝑧).


e) El simétrico de 𝑃 con respecto al eje 𝑌 es 𝑄(−𝑥, 𝑦, −𝑧).
f) El simétrico de 𝑃 con respecto al eje 𝑍 es 𝑄(−𝑥, −𝑦, 𝑧).
g) El simétrico de 𝑃 con respecto al origen es 𝑄(−𝑥, −𝑦, −𝑧).

Se dice que una superficie es simétrica con respecto a una recta 𝐿 si el simétrico da
cada punto, respecto a la recta 𝐿, es también un punto de la superficie.

Se dice que una superficie es simétrica con respecto a una recta 𝐶 si el simétrico de
cada punto, respecto a la recta 𝐶, es también un punto de la superficie.

De las consideraciones anteriores, se deduce fácilmente la siguiente tabla:

Si la ecuación de la superficie no se La superficie es simétrica con


altera cuando se reemplaza: respecto al:

𝑥 por – 𝑥 plano 𝑌𝑍
𝑦 por – 𝑦 plano 𝑋𝑍
𝑧 por – 𝑧 plano 𝑋𝑌
𝑧 por −𝑧 ∧ 𝑦 por – 𝑦
eje 𝑋
𝑥 por −𝑥 ∧ 𝑧 por – 𝑧
eje 𝑌
𝑥 por −𝑥 ∧ 𝑦 por – 𝑦
eje 𝑍
𝑥 por – 𝑥, 𝑦 por – 𝑦 ∧ 𝑧 por −𝑧
origen

VI) CONSTRUCCION DE LA SUPERFICIE (GRÁFICA)


Con la ayuda de los pasos anteriores se construye la gráfica de una superficie.

Ejemplo 1.
Discutir y graficar la ecuación 9𝑥 2 + 4𝑦 2 − 12𝑧 = 0.

Solución.
I. INTERSECCION CON LOS EJES.
i) Con el eje 𝑋.
Haciendo 𝑦 = 𝑧 = 0 en la ecuación se obtiene 9𝑥 2 = 0 → 𝑥 = 0.
La superficie intercepta al eje 𝑋 en el origen de coordenadas.
Al estudiar las otras intersecciones se comprueba que el origen es el único
punto de intersección.

II. TRAZAS SOBRE LOS PLANOS COORDENADOS.


i) Sobre el plano 𝑋𝑌.
Haciendo 𝑧 = 0 se obtiene 9𝑥 2 + 4𝑦 2 = 0. Esta ecuación, en el plano
𝑋𝑌, representa al origen de coordenadas.

ii) Sobre el plano 𝑋𝑍.


Haciendo 𝑦 = 0 se obtiene 9𝑥 2 − 12𝑧 = 0. Esta ecuación, en el plano
𝑋𝑍, representa a una parábola.

iii) Sobre el plano 𝑌𝑍.


Haciendo 𝑥 = 0 se obtiene la parábola 4𝑦 2 − 12𝑧 = 0.

III. SECCIONES TRANSVERSALES A LOS PLANOS COORDENADOS.


i) Al plano 𝑋𝑌.
Haciendo 𝑧 = 𝑘 en la ecuación de la superficie se obtiene 9𝑥 2 + 4𝑦 2 =
12𝑘.
Se observa que hay intersección solamente cuando 𝑘 ≥ 0 (si 𝑘 = 0 es un
punto, si 𝑘 > 0 es una elipse)

ii) Al plano 𝑋𝑍.


Haciendo 𝑦 = 𝑘 en la ecuación de la superficie se obtiene 9𝑥 2 − 12𝑧 +
4𝑘 2 = 0.
Esta ecuación representa a una parábola ∀𝑥 ∈ ℝ.

iii) Al plano 𝑌𝑍.


Haciendo 𝑥 = 𝑘 en la ecuación se tiene 4𝑦 2 − 12𝑧 + 9𝑘 2 = 0.
Esta ecuación representa a una parábola ∀𝑥 ∈ ℝ.

IV. EXTENSION.
De III (iii) se obtiene 𝑥 ∈ ℝ.
De III (ii) se obtiene 𝑦 ∈ ℝ.
De III (i) se obtiene 𝑧 ∈ [0; +∞⟩.

V. SIMETRIAS.
La superficie es simétrica con respecto al plano 𝑌𝑍, al plano 𝑋𝑍 y al eje 𝑍.

VI. GRÁFICA.
La gráfica de esta
ecuación se denomina
paraboloide elíptico.

Ejemplo 2.
Discutir y graficar la superficie cuya ecuación es 𝑦 2 − 4𝑦 + 2𝑧 = 0.

Solución
I. INTERSECCION CON LOS EJES.
i) Con el eje 𝑋.
Haciendo 𝑦 = 𝑧 = 0 en la ecuación se obtiene 0 = 0, esto significa que
todo punto del eje satisface la ecuación de la superficie, es decir, la
intersección de la superficie con el eje 𝑋 es el eje 𝑋.

ii) Con el eje 𝑌.


Haciendo 𝑥 = 𝑧 = 0 → 𝑦 2 − 4𝑦 = 0 → 𝑦 = 0 ∨ 𝑦 = 4.
Las intersecciones son los puntos 𝑃1 (0,0,0) y 𝑃2 (0,4,0).

iii) Con el eje 𝑍.


Haciendo 𝑥 = 𝑦 = 0 → 2𝑧 = 0.
La intersección es el origen de coordenadas.

II. TRAZAS SOBRE LOS PLANOS COORDENADOS.


i) Sobre el plano 𝑋𝑌.
Las trazas son las rectas: 𝑦 = 0 (eje 𝑋) ∧ 𝑦 = 4 (paralelo al eje 𝑋)
ii) Sobre el plano 𝑋𝑍.
La traza es la recta: 𝑧 = 0 (eje 𝑋).

iii) Sobre el plano 𝑌𝑍.


La traza es la parábola 𝑦 2 − 4𝑦 + 2𝑧 = 0.

III. SECCIONES TRANSVERSALES A LOS PLANOS COORDENADOS.


i) Al plano 𝑋𝑌.
Haciendo 𝑧 = 𝑘 → 𝑦 2 − 4𝑦 + 2𝑧 = 0 → 𝑦 = 2 ± √4 − 2𝑘.
Existe intersección 𝑘 ≤ 2 (Para 𝑘 = 2 es una recta, para 𝑘 < 2 son dos
rectas paralelas)

ii) Al plano 𝑋𝑍.


Haciendo 𝑦 = 𝑘 en la ecuación de la superficie se obtiene 2𝑧 = 4𝑘 − 𝑘 2 ,
es una recta ∀𝑘 ∈ ℝ.

iii) Al plano 𝑌𝑍.


Haciendo 𝑥 = 𝑘 en la ecuación se tiene 𝑦 2 − 4𝑦 + 2𝑧 = 0, es una
parábola ∀𝑘 ∈ ℝ.

IV. EXTENSION
𝑥 ∈ ℝ (De III – iii)
𝑦 ∈ ℝ (De III – ii)
𝑧 ∈ ⟨−∞; 2] (De III – i)

V. SIMETRIAS
Existe simetría con respecto al plano 𝑌𝑍.

VI. GRÁFICA
La gráfica de esta ecuación se denomina cilindro parabólico.
Superficies cuadráticas
Una superficie cuádrica o simplemente cuádrica o cuadrática es la gráfica de una ecuación
de segundo grado en las variables 𝑥, 𝑦, 𝑧.

Algunas superficies cilíndricas o superficies de revolución son ejemplo de cuádricas. En


esta sección se dará algunas formas estándar de las superficies cuádricas cuyas ecuaciones
están en su forma más simple.

Considerando que el alumno está en condiciones de discutir la ecuación de una superficie,


nos limitaremos a describir algunas propiedades de estas superficies.

Elipsoide.
Su ecuación es de la forma:
𝑥2 𝑦2 𝑧2
+ + =1
𝑎2 𝑏 2 𝑐 2
Donde𝑎, 𝑏 y 𝑐 son números positivos.
𝑥 ∈ [−𝑎; 𝑎]
𝑦 ∈ [−𝑏; 𝑏]
𝑧 ∈ [−𝑐; 𝑐]

Si 𝑎2 = 𝑏 2 = 𝑐 2 , es una esfera.
Si 𝑎2 = 𝑏 2 (o 𝑏 2 = 𝑐 2 , o 𝑎2 = 𝑐 2 ) es un elipsoide de revolución o esferoide.
Un esferoide cuyo tercer número es mayor que los dos números iguales, se llama
esferoide alargado (la elipse que la genera gira alrededor de su eje mayor). Si el
tercer número es menor que los dos números iguales, se llama esferoide achatado (la
elipse que la genera gira alrededor de su eje menor).

Las secciones transversales a los planos coordenados son elipses o circunferencias.


(en los planos 𝑥 = ±𝑎, 𝑦 = ±𝑏, 𝑧 = ±𝑐, se reduce a un punto).
Esta superficie es simétrica con respecto a uno de los planos coordenados, simétrica
con respecto a cada uno de los ejes coordenados y simétrica con respecto al origen.
La gráfica se muestra arriba.

El origen es el centro del elipsoide. Si el centro del elipsoide es el punto


𝐶(𝑥0 , 𝑦0 , 𝑧0 ), su ecuación es de la forma
(𝑥 − 𝑥0 )2 (𝑦 − 𝑦0 )2 (𝑧 − 𝑧0 )2
+ + =1
𝑎2 𝑏2 𝑐2

Hiperboloide elíptico (o circular) de una hoja.


Su ecuación es de la forma:
𝑥2 𝑦2 𝑧2 𝑥2 𝑦2 𝑧2 𝑥2 𝑦2 𝑧2
+ − = 1 (o − + = 1, o − + + = 1)
𝑎2 𝑏 2 𝑐 2 𝑎2 𝑏 2 𝑐 2 𝑎2 𝑏 2 𝑐 2
En la figura de abajo se muestra la gráfica de
𝑥2 𝑦2 𝑧2
+ − =1
𝑎2 𝑏 2 𝑐 2
A continuación se describe algunas propiedades de esta superficie.
𝑥 ∈ ⟨−∞; −𝑎] ∪ [𝑎; +∞⟩
𝑦 ∈ ⟨−∞; −𝑏] ∪ [𝑏; +∞⟩
𝑧 ∈ 〈−∞; +∞〉

Si 𝑎2 = 𝑏 2 , es una superficie de revolución (hiperboloide circular de una hoja)


Si 𝑎2 ≠ 𝑏 2 , es el hiperboloide elíptico de una hoja.

Las secciones transversales al plano 𝑋𝑌 son elipses o circunferencias según si


𝑎2 ≠ 𝑏 2 o𝑎2 = 𝑏 2

Las secciones transversales al plano 𝑋𝑍 o el plano 𝑌𝑍 son hipérbolas. (En los planos
𝑦 = 𝑏, 𝑥 = 𝑎 son dos rectas que se cortan).

Esta superficie es simétrica con respecto: a los ejes coordenados, a los planos
coordenados y al origen.

El centro de esta superficie es el origen de coordenadas. Si su centro es 𝐶(𝑥0 , 𝑦0 , 𝑧0 ),


su ecuación es de la forma:
(𝑥 − 𝑥0 )2 (𝑦 − 𝑦0 )2 (𝑧 − 𝑧0 )2
+ − =1
𝑎2 𝑏2 𝑐2

Hiperboloide elíptico (o circular) de dos hojas.


Su ecuación es de la forma:
𝑥2 𝑦2 𝑧2 𝑥2 𝑦2 𝑧2 𝑥2 𝑦2 𝑧2
− + − = 1 (ó − − = 1, ó − − + = 1)
𝑎2 𝑏 2 𝑐 2 𝑎2 𝑏 2 𝑐 2 𝑎2 𝑏 2 𝑐 2
Donde𝑎, 𝑏 y 𝑐 son números positivos.

En la figura de abajo se muestra la gráfica de


𝑥2 𝑦2 𝑧2
− + − =1
𝑎2 𝑏 2 𝑐 2

En lo que sigue, se describe algunas propiedades de esta superficie.


𝑥 ∈ 〈−∞; +∞〉
𝑦 ∈ ⟨−∞; −𝑏] ∪ [𝑏; +∞⟩
𝑧 ∈ 〈−∞; +∞〉

Si 𝑎2 = 𝑐 2 , es una superficie de revolución (hiperboloide circular de dos hojas).


Si 𝑎2 ≠ 𝑐 2 , es el hiperboloide elíptico de dos hojas.

Las secciones transversales al plano 𝑋𝑍 son circunferencias o elipses según si 𝑎2 =


𝑐 2 o 𝑎2 ≠ 𝑐 2. (En el plano 𝑦 = 𝑏, es un punto).

Esta superficie es simétrica con respecto a los ejes coordenados, a los planos
coordenados y al origen.
El centro de esta superficie es el origen de coordenadas. Si su centro es 𝐶(𝑥0 , 𝑦0 , 𝑧0 ),
su ecuación es de la forma:
(𝑥 − 𝑥0 )2 (𝑦 − 𝑦0 )2 (𝑧 − 𝑧0 )2
− + − =1
𝑎2 𝑏2 𝑐2
Observación
Las tres superficies cuádricas (elipsoide, hiperboloide de una hoja e hiperboloide de
dos hojas) también se denominan cuádricas centrales. En general cualquier ecuación
de la forma:
(𝑥 − 𝑥0 )2 (𝑦 − 𝑦0 )2 (𝑧 − 𝑧0 )2
± ± ± =1
𝑎2 𝑏2 𝑐2
Donde𝑎, 𝑏 y 𝑐 son positivos, representa a una cuádrica central con centro en
𝐶(𝑥0 , 𝑦0 , 𝑧0 ).

Si los tres signos son positivos: elipsoide.


Si dos signos son positivos y uno es negativo: hiperboloide de una hoja.
Si dos signos son negativos y uno es positivo: hiperboloide de dos hojas.
Si los tres signos son negativos: es el conjunto vacío.

Paraboloide elíptico (o circular)


Su ecuación es de la forma
𝑥2 𝑦2 𝑥2 𝑧2 𝑦2 𝑧2
+ = 𝑐𝑧 (o + = 𝑐𝑦, o + = 𝑐𝑥)
𝑎2 𝑏 2 𝑎2 𝑏 2 𝑎2 𝑏 2
Donde𝑎, 𝑏 y 𝑐 son números positivos y 𝑐 ≠ 0.

En la figura de abajo se muestra la gráfica de


𝑥2 𝑦2
+ = 𝑐𝑧
𝑎2 𝑏 2

Con𝑐 > 0, (si 𝑐 < 0 el paraboloide se extiende hacia la parte negativa del eje 𝑍). Las
propiedades de esta superficie son:
𝑥 ∈ 〈−∞; +∞〉
𝑦 ∈ 〈−∞; +∞〉
𝑧 ∈ ⟨−∞; 0]
(si𝑐 < 0, 𝑧 ∈ ⟨−∞; 0])

Si 𝑎2 = 𝑏 2 , es una superficie de revolución (paraboloide circular).


Si 𝑎2 ≠ 𝑏 2 , es el paraboloide elíptico.

Las secciones transversales al plano 𝑋𝑌 son circunferencias o elipses según si 𝑎2 =


𝑏 2 o 𝑎2 ≠ 𝑏 2 . (En el plano 𝑧 = 0, la traza es un punto).
Esta superficie es simétrica con respecto al eje 𝑍, al plano 𝑋𝑍 y al plano 𝑌𝑍.
El vértice de esta superficie es el origen de coordenadas. Si el vértice es
𝑉(𝑥0 , 𝑦0 , 𝑧0 ), su ecuación es de la forma:
(𝑥 − 𝑥0 )2 (𝑦 − 𝑦0 )2
+ = 𝑐(𝑧 − 𝑧0 )
𝑎2 𝑏2

En los otros casos, la ecuación es de la forma:


(𝑥 − 𝑥0 )2 (𝑧 − 𝑧0 )2 (𝑦 − 𝑦0 )2 (𝑧 − 𝑧0 )2
+ = 𝑐(𝑦 − 𝑦0 )o + = 𝑐(𝑥 − 𝑥0 )
𝑎2 𝑏2 𝑎2 𝑏2

Paraboloide hiperbólico.
Su ecuación es de la forma
𝑦2 𝑥2 𝑧2 𝑥2 𝑧2 𝑦2
− = 𝑐𝑧 (o − = 𝑐𝑦, o − = 𝑐𝑥)
𝑏 2 𝑎2 𝑏 2 𝑎2 𝑏 2 𝑎2
Donde𝑎, 𝑏 y 𝑐 son números positivos y 𝑐 ≠ 0.

En la figura de abajo se muestra la gráfica de


𝑦2 𝑥2
− = 𝑐𝑧
𝑏 2 𝑎2
Con 𝑐 > 0.
Las propiedades de esta superficie son:
𝑥 ∈ 〈−∞; +∞〉
𝑦 ∈ 〈−∞; +∞〉
𝑧 ∈ 〈−∞; +∞〉

Las secciones transversales al plano 𝑋𝑌 son hipérbolas (En el plano 𝑧 = 0 son dos
rectas que se cortan). Las secciones transversales al plano 𝑋𝑍 y al plano 𝑌𝑍 son
parábolas.
Esta superficie es simétrica con respecto al eje 𝑍, al plano 𝑋𝑍 y al plano 𝑌𝑍.
El origen de coordenadas es el punto de silla (de montar) de esta superficie. Si el
punto de silla es 𝑆(𝑥0 , 𝑦0 , 𝑧0 ), su ecuación es de la forma:
(𝑦 − 𝑦0 )2 (𝑥 − 𝑥0 )2
− += 𝑐(𝑧 − 𝑧0 )
𝑏2 𝑎2

En los otros casos, la ecuación es de la forma:


(𝑧 − 𝑧0 )2 (𝑥 − 𝑥0 )2 (𝑧 − 𝑧0 )2 (𝑦 − 𝑦0 )2
− = 𝑐(𝑦 − 𝑦0 )o − = 𝑐(𝑥 − 𝑥0 )
𝑏2 𝑎2 𝑏2 𝑎2

Cono elíptico (o circular)


Su ecuación es de la forma:
𝑥2 𝑦2 𝑧2 𝑥2 𝑧2 𝑦2 𝑥2 𝑦2 𝑧2
+ = (o + = = , o + = )
𝑎2 𝑏 2 𝑐 2 𝑎2 𝑏 2 𝑐 2 𝑎2 𝑏 2 𝑐 2
Donde𝑎, 𝑏 y 𝑐 son números positivos.
En la figura de abajo se muestra la gráfica de la superficie
𝑥2 𝑦2 𝑧2
+ =
𝑎2 𝑏 2 𝑐 2
Esta superficie tiene las siguientes propiedades:
𝑥∈ℝ
𝑦∈ℝ
𝑧∈ℝ

Si 𝑎2 = 𝑏 2 , es una superficie de revolución (cono circular).


Si 𝑎2 ≠ 𝑏 2 es el cono elíptico.

Las secciones transversales al plano 𝑋𝑌 son circunferencias o elipses según si 𝑎2 =


𝑏 2 , o 𝑎2 ≠ 𝑏 2 . (En el plano 𝑧 = 0 la traza es el origen de coordenadas).
Las secciones transversales al plano 𝑋𝑍 y al plano 𝑌𝑍 son hipérbolas (En los planos
𝑦 = 0 y 𝑥 = 0 son dos rectas que se cortan).

Esta superficie es simétrica con respecto: a los ejes coordenados, a los planos
coordenados y al origen.
El origen de coordenadas es el vértice de esta superficie. Si el vértice es
𝑉(𝑥0 , 𝑦0 , 𝑧0 ), la ecuación es de la forma:
(𝑥 − 𝑥0 )2 (𝑦 − 𝑦0 )2 (𝑧 − 𝑧0 )2
+ =
𝑎2 𝑏2 𝑐2

En los otros casos, la ecuación es de la forma:


(𝑥 − 𝑥0 )2 (𝑧 − 𝑧0 )2 (𝑦 − 𝑦0 )2 (𝑧 − 𝑧0 )2 (𝑦 − 𝑦0 )2 (𝑥 − 𝑥0 )2
+ = o + =
𝑎2 𝑏2 𝑐2 𝑎2 𝑏2 𝑐2
PROBLEMAS

1. Reconocer y graficar con respecto a los nuevos ejes 7𝑥 2 + 6𝑦 2 + 5𝑧 2 - 4xy + 6x - 6y +


19
12z - =0, indique los valores y vectores propios.
2

Solución:

Se expresa la ecuación en su forma matricial

7 −2 0 𝑥 𝑥
(𝑥 𝑦 𝑧) (−2 6 0) (𝑦) + 6 (1 −1 2) (𝑦) - 19 =0
2
0 0 5 𝑧 𝑧

Hallamos los valores y vectores propios de:

7 −2 0
(−2 6 0)
0 0 5
7−𝜆 −2 0
| −2 6−𝜆 0 | = (𝜆 − 5)(𝜆2 − 13𝜆 + 38)=0
0 0 5−𝜆
13−√17 13+√17
𝜆1 =5 , 𝜆2 = , 𝜆3 =
2 2

Para 𝜆1 =5:

2 −2 0 𝑥 0
(−2 1 0) (𝑦)=(0)
0 0 0 𝑧 0
0
x=y=0 , z=t ⇒ 𝑣1 =(0)
1
13−√17
Para 𝜆2 = :
2

1+√17
−2 0
2 𝑥 0
−1+√17
−2 0 𝑦
( )=(0)
2
−3+√17
𝑧 0
( 0 0 2 )
0
x=y=z=0 ⇒ 𝑣2 =(0)
0
13+√17
Para 𝜆3 = :
2
1−√17
−2 0
2 𝑥 0
−1−√17
−2 0 (𝑦)=(0)
2
−3−√17
𝑧 0
( 0 0 2 )
0
x=y=z=0 ⇒ 𝑣3 =(0)
0
Entonces:

𝑥 0 0 0 𝑥′
(𝑦)=(0 0 0) (𝑦′ )
𝑧 1 0 0 𝑧′

Luego:

5 0 0
13−√17 𝑥′ 𝑥
(𝑥 ′ 𝑦′ 𝑧′) 0 2
0 ′
(𝑦 ) + 6(1 −1 2) (𝑦) - 19/2 = 0
13+√17 𝑧′ 𝑧
(0 0 2 )

5 0 0
13−√17 𝑥′ 𝑥′
(𝑥 ′ 𝑦′ 𝑧′) 0 2
0 (𝑦 ′ ) + 6(2 0 0) (𝑦 ′ ) - 19/2 = 0
13+√17 𝑧′ 𝑧′
(0 0 2 )
13−√17 13+√17
5𝑥′2 + 𝑦′2 + 𝑧′2 + 12x’ - 9.5 = 0
2 2

13−√17 13+√17
5(𝑥 ′ + 1.2)2 + 𝑦′2 + 𝑧′2 - 16.7= 0
2 2

Reemplazando por traslación:

𝑥 ′ + 1.2=x’’

13−√17 13+√17
⇒ 5𝑥′′2 + 𝑦′2 + 𝑧′2 - 16.7= 0
2 2

 Haciendo x constante:
13−√17 13+√17
𝑦′2 + 𝑧′2 - 16.7 + 𝑐𝑥 = 0
2 2
𝐹𝑜𝑟𝑚𝑎 𝑒𝑙𝑖𝑝𝑠𝑜𝑖𝑑𝑒𝑎𝑙
 Haciendo y constante:
13+√17
5𝑥′′2 +
2
𝑧′2 - 16.7 + 𝑐𝑦 = 0
𝐹𝑜𝑟𝑚𝑎 𝑒𝑙𝑖𝑝𝑠𝑜𝑖𝑑𝑒𝑎𝑙
 Haciendo z constante:
13−√17
5𝑥′′2 + 𝑦′2 +𝑐𝑧 =0
2
𝐹𝑜𝑟𝑚𝑎 𝑒𝑙𝑖𝑝𝑠𝑜𝑖𝑑𝑒𝑎𝑙
Entonces en conjunto formarían un esferoide o un elipsoide de revolución.

2. Resolver el sistema de ecuaciones diferenciales

2 −1 0 9

𝑋(𝑡) = (−1 2 −1) 𝑋(𝑡) , 𝑋(0) = (10)
0 −1 2 11
Solución:

2 −1 0
Sea A= (−1 2 −1)
0 −1 2
Luego hallamos los valores y vectores propios de A:

2−𝜆 −1 0
| −1 2−𝜆 −1 | = 0 → (𝜆 − 2)(𝜆2 − 4𝜆 + 2)=0
0 −1 2−𝜆

𝜆1 =2, 𝜆2 =2-√2, 𝜆3 =2+√2

Para 𝜆1 =2:

0 −1 0 𝑥 0 1
(−1 0 −1) (𝑦)=(0) y=0, -x-z=0 ⇒ 𝑣1 =( 0 )
0 −1 0 𝑧 0 −1

Para 𝜆2 =2-√2:
√2 −1 0 𝑥 0 1
(−1 √2 −1) (𝑦)=(0) x=z, y=√2𝑥 ⇒ 𝑣2 =(√2)
0 −1 √2 𝑧 0 1

Para 𝜆2 =2+√2:

−√2 −1 0 𝑥 0 1
( −1 −√2 −1 ) (𝑦)=(0) x=z, y=-√2𝑥 ⇒ 𝑣2 =(−√2)
0 −1 −√2 𝑧 0 1

1 1 1 2 0 −2
−1 1
Luego P=( 0 √2 −√2), 𝑃 = 4 (2 √2 2)
−1 1 1 1 −√2 1

Se sabe:

𝑒 2𝑡 0 0
𝐴𝑡 𝐽𝑡 −1 𝐽𝑡 (2−√2)𝑡
𝑒 = P. 𝑒 . 𝑃 , 𝑒 =( 0 𝑒 0 )
(2+√2)𝑡
0 0 𝑒

1 1 1 𝑒 2𝑡 0 0 2 0 −2
1
→ 𝑒 𝐴𝑡 =4 ( 0 √2 −√2) ( 0 𝑒 (2−√2)𝑡
0 ) (2 √2 2)
−1 1 1 0 0 𝑒 (2+√2)𝑡 1 −√2 1

𝑒 2𝑡 𝑒 (2−√2)𝑡 𝑒 (2+√2)𝑡 2 0 −2
1
𝑒 𝐴𝑡 = 4 ( 0 √2𝑒 (2−√2)𝑡 −√2𝑒 (2+√2)𝑡 ) (2 √2 2)
−𝑒 2𝑡 𝑒 (2−√2)𝑡 𝑒 (2+√2)𝑡 1 −√2 1

𝑒 𝐴𝑡 =
2𝑒 2𝑡 + 2𝑒 (2−√2)𝑡 + 𝑒 (2+√2)𝑡 √2𝑒 (2−√2)𝑡 − √2𝑒 (2+√2)𝑡 −2𝑒 2𝑡 + 2𝑒 (2−√2)𝑡 + 𝑒 (2+√2)𝑡
1
( 2√2𝑒 (2−√2)𝑡 − √2𝑒 (2+√2)𝑡 2𝑒 (2−√2)𝑡 + 2𝑒 (2+√2)𝑡 2√2𝑒 (2−√2)𝑡 − √2𝑒 (2+√2)𝑡 )
4
−2𝑒 2𝑡 + 2𝑒 (2−√2)𝑡 + 𝑒 (2+√2)𝑡 √2𝑒 (2−√2)𝑡 − √2𝑒 (2+√2)𝑡 2𝑒 2𝑡 + 2𝑒 (2−√2)𝑡 + 𝑒 (2+√2)𝑡

𝑋𝑡 =
2𝑒 2𝑡 + 2𝑒 (2−√2)𝑡 + 𝑒 (2+√2)𝑡 √2𝑒 (2−√2)𝑡 − √2𝑒 (2+√2)𝑡 −2𝑒 2𝑡 + 2𝑒 (2−√2)𝑡 + 𝑒 (2+√2)𝑡 9
1
( 2√2𝑒 (2−√2)𝑡 − √2𝑒 (2+√2)𝑡 2𝑒 (2−√2)𝑡 + 2𝑒 (2+√2)𝑡 2√2𝑒 (2−√2)𝑡
− √2𝑒 (2+√2)𝑡 ) (10)
4
−2𝑒 2𝑡 + 2𝑒 (2−√2)𝑡 + 𝑒 (2+√2)𝑡 √2𝑒 (2−√2)𝑡 − √2𝑒 (2+√2)𝑡 2𝑡
2𝑒 + 2𝑒 (2−√2)𝑡
+ 𝑒 (2+√2)𝑡 11
3. Determine los valores propios de 𝐴10 , sabiendo que

3 4 −2 8
0 1 −1 0
A =( )
0 0 −1 5
0 0 0 4

Solución:

Como es una matriz triangular superior, solo la diagonal principal es afectada.

310 0 0 0 310 0 0 0
0 110 0 0
𝐴10 =( )=( 0 1 0 0 )
0 0 (−1)10 0 0 0 1 0
0 0 0 410 0 0 0 410

Hallando los valores propios:

310 − 𝜆 0 0 0
| 0 1−𝜆 0 0 |=0
0 0 1−𝜆 0
10
0 0 0 4 −𝜆

(310 − 𝜆) ( 1 − 𝜆) ( 1 − 𝜆) ( 410 − 𝜆)=0

𝜆1 = 310 , 𝜆2 = 𝜆3 = 1, 𝜆4 =410

Para 𝜆1 =310 :

0 0 0 0 𝑥 0
0 1 − 310 0 0 𝑦 0
( ) ( )=( )
0 0 1 − 310 0 𝑧 0
0 0 0 410 − 310 𝑡 0
1
0
↪ y=z=t=0 ⇒ 𝑣1 =( )
0
0

Para 𝜆2 = 𝜆3 = 1:

310 − 1 0 0 0 𝑥 0
( 0 0 0 0 ) (𝑦)=(0)
0 0 0 0 𝑧 0
0 0 10
0 4 −1 𝑡 0
0 0
1 0
↪x=t=0 ⇒ 𝑣2 =( ) y 𝑣3 =( )
0 1
0 0
Para 𝜆4 =410 :

310 − 410 0 0 0
( 0 1 − 410 0 0)
0 0 1 − 410 0
0 0 0 0
0
0
↪ x=y=z=0 ⇒ 𝑣4 =( )
0
1
3.-Sea 𝑇: 𝑀2𝑥2 → 𝑅 3 una transformación lineal tal como:

𝑎 𝑏
𝑇 (| |) = (𝑎 + 2𝑏 − 𝑐, 𝑎 + 4𝑏 + 𝑑, 𝑏 + 8𝑐 + 𝑑)
𝑐 𝑑

a) Calcule una base y la dimensión del núcleo


b) Calcule la imagen
1 1 1 0 0 0 0 1
c) Obtener la matriz de T respecto a las bases {[ ],[ ],[ ],[ ]} 𝑒𝑛 𝑀2𝑥2
1 1 1 0 0 1 1 1
−1 3
d) Hallar la imagen de [ ]
2 2

Solución:
Calculamos la base canonica:
1 0
𝑇 (| |) = (1,1,0)
0 0

0 1
𝑇 (| |) = (2,4,1)
0 0

0 0
𝑇 (| |) = (−1,0,8)
1 0

0 0
𝑇 (| |) = (0,1,1)
0 1

Entonces la matriz será:

1 2 −1 0
𝐴 = [1 4 0 1]
0 1 8 1

Desarrollando se llega a:

1 0 0 0
𝐴 = [0 1 0 0]
0 0 1 0
Con lo que se puede decir que:

Dim I=3

Dim k=1

Además la imagen generada seria:

1 2 −1
𝔗 = {(1) , (4) , ( 0 )}
0 1 8

Ahora hallaremos la Matriz T:

1 1
𝑇 (| |) = (2,6,10)
1 1

1 1
𝑇 (| |) = (0,1,8)
0 0

0 0
𝑇 (| |) = (0,1,1)
0 1

0 1
𝑇 (| |) = (1,5,10)
1 1

Por tanto la Matriz T será:

2 0 0 1
𝑇=(6 1 1 5)
10 8 1 10

−1 3
La imagen de [ ]:
2 2
−1 3 1 0 0 1 0 0 0 0
[ ] = −1 ( ) + 3( ) + 2( ) +2( )
2 2 0 0 0 0 1 0 0 1

De aquí:

−1 6 −2 0
−1 3
𝑇[ ] = (−1 12 0 2)
2 2
0 3 16 2
1 0 0 0
= (0 1 0 0)
0 0 1 0
La imagen generada seria:

−1 6 −2
𝔗 = {(−1) , (12) , ( 0 )}
0 3 16

0 𝑐𝑜𝑠𝜃 −𝑠𝑒𝑛𝜃
5.a) Sea la matriz 𝐴𝜃 = |0 𝑠𝑒𝑛𝜃 𝑐𝑜𝑠𝜃 |
1 0 0

Si 𝐴𝜃 : 𝑅 3 → 𝑅 3 𝑑𝑒𝑠𝑐𝑟𝑖𝑏𝑎 𝐴𝜃 𝑒𝑛 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 𝑔𝑒𝑜𝑚é𝑡𝑟𝑖𝑐𝑜𝑠, 𝑔𝑟𝑎𝑓𝑖𝑞𝑢𝑒

b) Una matriz A tiene valores propios 6 y12.Además correspondiente a 6 que es de


multiplicidad 2, se tiene los vectores propios (1,0,-1) y (1,1,1) y para 12 se tiene el vector
propio (1,-2,1) si se sabe que A es simétrica, determine la matriz A.

Solución:

a)

0 𝑐𝑜𝑠𝜃 −𝑠𝑒𝑛𝜃
|0 𝑠𝑒𝑛𝜃 𝑐𝑜𝑠𝜃 | = 𝑐𝑜𝑠𝜃 2 + 𝑠𝑒𝑛𝜃 2 = 1
1 0 0

Sabes que la ecuación de la gráfica es:

𝑐𝑜𝑠𝜃 2 + 𝑠𝑒𝑛𝜃 2 = 𝑥 2 +𝑦 2 = 1

Por tanto la gráfica es:


b)

Sabemos que:

A=P.B.P-1

Entonces los datos nos dan los vectores propios con lo cual:

1 1 1
𝑃 = ( 0 1 −2)
−1 1 1

De este hallamos su inversa la cual es:

1 3 6 −3
𝑃−1 = ∗ (2 2 2)
6
1 −2 1

Además sabemos su diagonalización gracias a los valores propios dados también:

6 0 0
𝐵 = (0 6 0)
0 0 12

Por tanto reemplazando en A=P.B.P-1 nos debe salir:

1 1 1 6 0 0 1 3 0 −3
𝐴=( 0 1 −2) ∗ (0 6 0 ) ∗ ∗ (2 2 2)
6
−1 1 1 0 0 12 1 −2 1
7 −2 1
𝐴 = (−2 10 −2)
1 −2 7
SISTEMA DE ECUACIONES DIFERENCIALES
LINEALES DE PRIMER ORDEN

Sea el sistema
𝑑𝑥1
= 𝑔1 (𝑡, 𝑥1 , 𝑥2 , … , 𝑥𝑛 )
𝑑𝑡
𝑑𝑥2
= 𝑔2 (𝑡, 𝑥1 , 𝑥2 , … , 𝑥𝑛 )
𝑑𝑡

𝑑𝑥𝑛
= 𝑔𝑛 (𝑡, 𝑥1 , 𝑥2 , … , 𝑥𝑛 )
𝑑𝑡
Se trata de un sistema de n ecuaciones de 1𝑒𝑟 orden, se le conoce
como sistema de primer orden.
𝑑𝑥1
= 𝑎11 (𝑡)𝑥1 + 𝑎12 (𝑡)𝑥2 + ⋯ + 𝑎1𝑛 (𝑡)𝑥𝑛 + 𝑓1 (𝑡)
𝑑𝑡
𝑑𝑥2
= 𝑎21 (𝑡)𝑥1 + 𝑎22 (𝑡)𝑥2 + ⋯ + 𝑎2𝑛 (𝑡)𝑥𝑛 + 𝑓2 (𝑡)
𝑑𝑡

𝑑𝑥𝑛
= 𝑎𝑛1 (𝑡)𝑥1 + 𝑎𝑛2 (𝑡)𝑥2 + ⋯ + 𝑎𝑛𝑛 (𝑡)𝑥𝑛 + 𝑓𝑛 (𝑡)
𝑑𝑡
Se denomina sistema lineal, los coeficientes 𝑎𝑖𝑗 , 𝑓𝑖 se supone son
continuos en un intervalo común 𝐼.
Cuando 𝑓𝑖 (𝑡) = 0 ; 𝑖 = 1,2,3, … , 𝑛 se dice que el sistema lineal es
homogéneo.
Matricialmente se tiene

𝑿 = 𝑨𝑿 + 𝑭
𝑥1 𝑎11 (𝑡)𝑎12 (𝑡) … 𝑎1𝑛 (𝑡) 𝑥1 𝑓1 (𝑡)
𝑑 𝑥2 𝑎 (𝑡)𝑎22 (𝑡) … 𝑎2𝑛 (𝑡) 𝑥2 𝑓 (𝑡)
( ⋮ ) = ( 21 )( ⋮ ) + ( 2 )
𝑑𝑡 ⋮ ⋮
𝑥𝑛 𝑎𝑛1 (𝑡)𝑎𝑛2 (𝑡) … 𝑎𝑛𝑛 (𝑡) 𝑥𝑛 𝑓𝑛 (𝑡)

Es homogéneo si 𝑋 ′ = 𝐴𝑋
EJEMPLO
𝑑𝑥
= 6𝑥 + 𝑦 + 𝑧 + 𝑡
𝑑𝑡

6 1 1 𝑥 𝑡
𝑑𝑦 ′
= 8𝑥 + 7𝑦 − 𝑧 + 10𝑡 ⇒ 𝑋 = (8 7 −1) (𝑦) + (10𝑡 )
𝑑𝑡
2 9 −1 𝑧 6𝑡
𝑑𝑧
= 2𝑥 + 9𝑦 − 𝑧 + 6𝑡
𝑑𝑡
Un vector solución en un intervalo 𝐼 es cualquier matriz columna de la forma que
satisface al sistema.
𝑥1 (𝑡)
𝑥2 (𝑡)
𝑋=( )

𝑥𝑛 (𝑡)

Cuyos elementos son funciones diferenciales que satisfacen el sistema.


Un vector solución equivale a n ecuaciones escalares:

𝑥1 = 𝜙1 (𝑡), 𝑥2 = 𝜙2 (𝑡), … , 𝑥𝑛 = 𝜙𝑛 (𝑡)

Y tienen la interpretación de un conjunto de ecuaciones paramétricas en el espacio.


METODO MATRICIAL PARA SISTEMAS DE PRIMER ORDEN CON COEFICIENTES
CONSTANTES
Sea el sistema homogéneo
𝑑𝑥1
= 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛
𝑑𝑡
𝑑𝑥2
= 𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛
𝑑𝑡

𝑑𝑥𝑛
= 𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛
𝑑𝑡
Donde los coeficientes 𝑎𝑖𝑗 son constantes
El vector solución está dado por {𝑥1 = 𝑒 𝜆𝑡 𝑥 01 , 𝑥2 =
𝑒 𝜆𝑡 𝑥 0 2 , … , 𝑥𝑛 = 𝑒 𝜆𝑡 𝑥 0 𝑛 }
Para 𝜆 𝑦 𝑥 0 constantes
𝑛

𝜆𝑒 𝜆𝑡 𝑥 0 𝑖 = ∑ 𝑎𝑖𝑗 𝑒 𝜆𝑡 𝑥 0𝑗 ; 𝑖 = 1,2, … , 𝑛
𝑗=1
𝜆𝑡
Dividiendo por 𝑒 se obtiene
(𝑎11 − 𝜆)𝑥 01 + 𝑎12 𝑥 0 2 + ⋯ + 𝑎1𝑛 𝑥 0 𝑛 = 0
𝑎21 𝑥 01 + (𝑎22 − 𝜆)𝑥 0 2 + ⋯ + 𝑎2𝑛 𝑥 0 𝑛 = 0

𝑎𝑛1 𝑥 01 + 𝑎𝑛2 𝑥 0 2 + ⋯ + (𝑎𝑛𝑛 − 𝜆)𝑥 0 𝑛 = 0

El sistema de 𝑛 ecuaciones lineales con 𝑛 incógnitas


𝑥 01 , 𝑥 0 2 , … , 𝑥 0 𝑛 es homogéneo .Por consiguiente tiene una
solución no nula si y solo si se anula el determinante, es decir

𝑎11 − 𝜆 𝑎12 … 𝑎1𝑛


| 𝑎…21 𝑎22 − 𝜆 … 𝑎2𝑛 | = 0 , 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 𝑑𝑒𝑡(𝐴 − 𝜆𝐼)
… … …
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 − 𝜆
=0

El polinomio característico asociado con el sistema de primer


orden determina las 𝑛 raíces de la ecuación polinomica
𝑃(𝜆) = 0 , se llaman valores propios .Cada raíz determina un
conjunto de números 𝑥 01 , 𝑥 0 2 , … , 𝑥 0 𝑛 y por lo tanto es una
solución del sistema de ecuaciones diferenciales.
Dos soluciones correspondientes a dos valores diferentes
𝜆1 , 𝜆2 son linealmente independientes, entonces para todas
las 𝑛 raíces distintas existirán 𝑛 soluciones linealmente
independientes (LI), entonces la solución del sistema
homogéneo será la combinación lineal de estas 𝑛 soluciones
LI.

PROBLEMA DE VALOR INICIAL


Sea 𝑡0 un punto en un intervalo 𝐼 donde x que depende
de 𝑡0

𝑥1 (𝑡0 ) 𝛾1
𝑥2 (𝑡0 ) 𝛾2
𝑋(𝑡0 ) = ( ) , 𝑋=(⋮)

𝑥𝑛 (𝑡0 ) 𝛾𝑛
El problema consiste en resolver 𝑋 ′ =
𝐴(𝑡) 𝑋 + 𝐹(𝑡) sujeto a 𝑋(𝑡0 ) = 𝑋0 , es un problema
de valor inicial en el intervalo.

PRINCIPIO DE SUPERPOSICION
Sean 𝑥1 , 𝑥2 , … , 𝑥𝑛 un conjunto de vectores
solución de un sistema homogéneo en un
intervalo 𝐼 entonces la combinación lineal:

𝑥 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑘 𝑥𝑘
En las que los 𝐶𝑖 , 𝑖 = 1,2,3, … , 𝑘 son
constantes arbitrarias, también es una solución
en el intervalo.

TEOREMA.- Criterio para las soluciones


linealmente independientes.
Sean:
𝑥11 𝑥12 𝑥1𝑛
𝑥21 𝑥22 𝑥2𝑛
𝑥1 = ( ⋮ ) , 𝑥2 = ( ⋮ ) , … , 𝑥𝑛 = ( ⋮ )
𝑥𝑛1 𝑥𝑛2 𝑥𝑛𝑛

n vectores, solución del sistema homogéneo en


un intervalo 𝐼 ⟹ el conjunto de vectores
solución es L.I. en 𝐼 si y solo si el WRONSKIANO
es diferente de cero
𝑥11 𝑥12 … 𝑥1𝑛
𝑥21 𝑥22 … 𝑥2𝑛
W(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = [ ⋮ ⋮ ⋮ ]≠0
𝑥𝑛1 𝑥𝑛2 …𝑥𝑛𝑛

SISTEMA LINEAL HOMOGENEO CON


COEFICIENTES CONSTANTES
Si una matriz A tiene n valores propios
reales y distintos 𝜆1 , 𝜆2 , … , 𝜆𝑛 siempre es
posible determinar un conjunto de n
vectores propios Linealmente
independientes 𝑘1 , 𝑘2 , … , 𝑘𝑛 , donde:

𝑥1 = 𝑘1 𝑒 𝜆1 𝑡 , 𝑥2 = 𝑘2 𝑒 𝜆2 𝑡 , … , 𝑥𝑛 = 𝑘𝑛 𝑒 𝜆𝑛 𝑡

El cual es un conjunto solución del sistema


de ecuaciones diferenciales homogéneo.
La solución general queda expresada por:

𝑥 = 𝑘1 𝑒 𝜆1𝑡 + 𝑘2 𝑒 𝜆2𝑡 + ⋯ + 𝑘𝑛 𝑒 𝜆𝑛𝑡


Ejemplo: Resolver
2 3
𝑋′ = ( )𝑋
2 1

Solución:
Busquemos los valores y vectores propios de la matriz de los coeficientes:
2 3
𝐴=( )
2 1

2−𝜆 3
𝑑𝑒𝑡(𝐴 − 𝜆Ι) = | |=0
2 1−𝜆
𝜆2 − 3𝜆 − 4 = (𝜆 + 1)(𝜆 − 4) = 0
𝜆1 = −1 𝑦 𝜆2 = 4
Para 𝜆1 = −1
3 3 1 1 𝑥1 0
| |→| || | = | |
2 2 0 0 𝑥2 0

𝑥1 + 𝑥2 = 0 ⟹ 𝑥1 = −𝑥2
1
𝑘1 = ( )
−1
Para 𝜆2 = 4
−2 3 −2 3 𝑥1 0
| |→| || | = | |
2 −3 0 0 𝑥2 0

−2𝑥1 + 3𝑥2 = 0

3
𝑘2 = ( )
2
1 3
𝑥1 = ( ) 𝑒 −1𝑡 , 𝑥2 = ( ) 𝑒 4𝑡
−1 2

1 3
𝑥 = ( ) 𝑒 −1𝑡 + ( ) 𝑒 4𝑡
−1 2

VALORES PROPIOS REPETIDOS


Cuando los valores propios de una matriz A de orden nxn no necesariamente son
diferentes como por ejemplo en el sistema:
3 −18
𝑋′ = ( )𝑋
2 −9
3−𝜆 −18
𝑑𝑒𝑡(𝐴 − 𝜆Ι) = | | = (𝜆 + 3)2 = 0
2 −9 − 𝜆
𝜆1 = 𝜆2 = −3
Es una raíz de multiplicidad algebraica 2, se obtiene el vector propio de modo que:

3 3
𝑘1 = ( ) 𝑒𝑠 𝑢𝑛 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜, 𝑥 = ( ) 𝑒 −3𝑡 𝑒𝑠 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
1 1
Observación:
En general si m es un entero positivo y (𝜆 − 𝜆1 )𝑚 es un factor de la ecuación característica,
mientras que (𝜆 − 𝜆1 )𝑚+1 no lo es, entonces se dice que 𝜆1 es un valor propio de
multiplicidad m.

Ejemplo: Resolver
1 −2 2
𝑋 ′ = (−2 1 −2) 𝑋
2 −2 1

Solución:
1−𝜆 −2 2
𝑑𝑒𝑡(𝐴 − 𝜆Ι) = | −2 1−𝜆 −2 | = 0
2 −2 1−𝜆

𝜆1 = 𝜆2 = −1 𝑦 𝜆3 = 5
Para 𝜆1 = 𝜆2 = −1

2 −2 2 1 −1 1 𝑥1 0
|−2 2 −2| → |0 0 0| |𝑥2 | = |0|
2 −2 2 0 0 0 𝑥3 0

𝑥1 −𝑥2 + 𝑥3 = 0

1 0
𝑘1 = (1) ; 𝑘2 = (1)
0 1

1 0
𝑥1 = (1) 𝑒 −𝑡 , 𝑥2 = (1) 𝑒 −𝑡
0 1

Para 𝜆3 = 5
−4 −2 2 −1 0 1 𝑥1 0
𝑥
|−2 −4 −2| → | 0 1 1| | 2 | = |0|
2 −2 −4 0 0 0 𝑥3 0
−𝑥1 + 𝑥3 = 0
𝑥2 + 𝑥3 = 0
1 1
𝑘3 = (−1) ; 𝑥3 = (−1) 𝑒 −5𝑡
1 1

1 0 1
𝑥 = (1) 𝑒 −𝑡 + (1) 𝑒 −𝑡 + (−1) 𝑒 −5𝑡
0 1 1

FORMA CANONICA DE JORDAN


Sea una matriz cuadrada de orden 𝑛𝑥𝑛 dicha matriz tiene 𝑛 valores propios L.I.
𝜆1 , 𝜆2 , … , 𝜆𝑛
La matriz diagonal D:
𝐷 = 𝑑𝑖𝑎𝑔(𝜆1 , 𝜆2 , … , 𝜆𝑛 ) 𝑔𝑒𝑛𝑒𝑟𝑎𝑛 𝑙𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 𝑣1 , 𝑣2 , … , 𝑣𝑛 .

DEFINICION.- Sea 𝜆 ∈ ℝ , se dice que la matriz es un bloque de Jordán si es de la forma:

𝜆 10…0 0
0 𝜆1…0 0
0 0𝜆… 0 0
𝐵(𝜆) =
⋮ ⋮ ⋮⋱ ⋮ ⋮
0 00… 𝜆 1
(0 00… 0 𝜆)

𝐵(𝜆)es una matriz cuadrada de orden k con 𝜆 en la diagonal, cifras 1 como se indica y
cifras 0 en el resto.

Ejemplo: Sean las matrices de orden 1, 2, 3, 4 respectivamente (son formas canonícas de


Jordán)

3 1 0 0
−2 1 0
(−5), (10 1 0 3 1 0
) , ( 0 −2 1 ) , ( )
0 10 0 0 3 1
0 0 −2
0 0 0 3

DEFINICION.- Una matriz de Jordán

𝐵1 (𝜆1 )
𝐵2 (𝜆2 )
𝐵(𝜆) =

( 𝐵𝑛 (𝜆𝑛 ))

Donde cada 𝐵𝑖 (𝜆𝑖 ) es un bloque de Jordan

𝜆 0
Ejemplo: Matrices de orden 2 𝑥 2 ( ) 𝜆 𝑦 𝜇 𝑝𝑢𝑒𝑑𝑒𝑛 𝑠𝑒𝑟 𝑖𝑔𝑢𝑎𝑙𝑒𝑠.
0 𝜇
Matrices de Jordán de orden 3 x 3:

𝜆 0 0 𝜆 1 0 𝜆 0 0 𝜆 1 0
( 0 𝜇 0 ) , (0 𝜆 0 ) , (0 𝜇 1 ) , (0 𝜆 1)
0 0 𝜙 0 0 𝜇 0 0 𝜇 0 0 𝜆

TEOREMA: Sea A una matriz de orden 𝑛𝑥𝑚 ⟹ ∃ una matriz C invertible de orden n tal
que 𝐽 = 𝐶 −1 𝐴 𝐶, donde J es una matriz de Jordan cuyos elementos en la diagonal son los
valores propios de A, la matriz de Jordan J es única salvo por el orden en el que aparecen
los bloques. Esta matriz se llama forma canónica de Jordán.

Ejemplo: Si A es semejante a la matriz de Jordán.

2 1 0 0 0 0
0 2 1 0 0 0
0 0 3 1 0 0
0 0 0 3 1 0
0 0 0 0 3 0
(0 0 0 0 0 5)

Tambien lo es la matriz

2 1 0 0 0 0
0 2 1 0 0 0
0 0 3 1 0 0
0 0 0 3 1 0
0 0 0 0 3 0
(0 0 0 0 0 5)

OBSERVACIONES

1. ¿Cómo saber si 𝑣 es un vector propio de A?


Calcule el vector 𝑢 = 𝐴𝑣
𝑣 es vector propio si y solo si 𝑢 es multiplo escalar de 𝑣 , esto se puede hacer
formando la matriz ampliada y reduciendo a una forma escalonada, 𝑣 es el
vector propio si el sistema es consistente.
2. ¿Cómo saber si ∝ es una valor propio de A?
Formar y reducir el sistema [𝐴−∝ Ι] = [0] ∝ es un valor propio si y solo si el
sistema tiene al menos una variable libre.
3. ¿Cómo determinar la multiplicidad algebraica de un valor propio de A?
- Calcule el polinomio característico de A

𝑃(𝐴) = det(𝐴 − Ι𝑡)

- Aplique división repetidamente para determinar cuantas veces divida 𝑟 − 𝛼 al


polinomio característico.
4. ¿Cómo determinar la multiplicidad geométrica de un valor propio de A?
Formar y reducir el sistema [𝐴−∝ Ι] = [0] , el numero de variables libre es la
dimensión o multiplicidad geométrica del valor propio.

TEOREMA
1 ≤ dim 𝑔𝑒𝑜𝑚 𝑑𝑒 𝜆 ≤ 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑖𝑑𝑎𝑑 𝑎𝑙𝑔𝑒𝑏𝑟𝑎𝑖𝑐𝑎 𝑑𝑒 𝜆

TEOREMA

Si los vectores 𝑥1 , 𝑥2 , … , 𝑥𝑘 son vectores propios diferentes entonces {𝑥1 , 𝑥2 , … , 𝑥𝑘 } es L.I.

Ejemplos

2 −5
1. Diagonalizar la matriz 𝐴 = ( )
−2 −1

Solución:
Calculamos los valores y vectores propios de la matriz A.
2−𝜆 −5
| | = 0 ⟹ 𝜆1 = −3, 𝜆2 = 4
−2 −1 − 𝜆
𝜆 = −3
5 −5 1 −1 1 −1 𝑥 0
| |⟶| |⟶| || | = | |
−2 2 −1 1 0 0 𝑦 0
1
𝑥−𝑦 =0 𝑣1 = ( )
1
𝜆=4
−2 −5 −2 −5 2 5 𝑥 0
| |⟶| |⟶| || | = | |
−2 −5 0 0 0 0 𝑦 0
−5
2𝑥 + 5𝑦 = 0 𝑣2 = ( )
2
1 −5
𝑃=( )
1 2
Determinando 𝑃−1
1 −1 1 0 1 0 2/7 5/7
| |⟶| |
0 0 0 1 0 1 −1/7 1/7
2/7 5/7
𝑃−1 = ( )
−1/7 1/7

2/7 5/7 2 −5 1 −5 −3 0
𝑃−1 𝐴 𝑃 = ( )( )( )=( )
−1/7 1/7 −2 −1 1 2 0 4

2. Diagonalizar para obtener la ecuación canónica de la siguiente cónica:


3𝑥 2 − 10𝑥𝑦 + 3𝑦 2 − 14√2𝑥 + 18√2𝑦 + 38 = 0

Solución: Expresar la ecuación en su forma matricial


𝑥 𝑥
(𝑥 𝑦) ( 3 −5) (𝑦) + 2(−7√2 9√2) (𝑦) + 38 = 0 … (∗)
−5 3

Hallamos los valores y vectores propios de la matriz

3 −5
( )
−5 3
3−𝜆 −5
| | = 𝜆2 − 6𝜆 − 16 = (𝜆 + 2)(𝜆 − 8) = 0
−5 3−𝜆
1/√2 −1/√2
Ortonormalización: La matriz 𝑃 = ( )
1/√2 1/√2

Planeando una rotación:

𝑥 1/√2 −1/√2 𝑥′
(𝑦) = ( ) ( ′)
1/√2 1/√2 𝑦

1 1 1 1
𝑥= 𝑥′ − 𝑦′ , 𝑦= 𝑥′ + 𝑦′
√2 √2 √2 √2

Reemplazando en (∗)

1 1
′ −
−2 0 𝑥 𝑥′
= (𝑥 ′ 𝑦 ′ )1𝑥2 ( ) ( ) + 2(−7√2 9√2)1𝑥2 √2 √2 ( ′)
0 8 2𝑥2 𝑦 ′ 2𝑥1 1 1 𝑦 2𝑥1
(√2 √2 )2𝑥2

2 2
= −2(𝑥 ′ − 2𝑥 ′ + 1 − 1) + 8(𝑦 ′ − 4𝑦 ′ + 4 − 4) + 38 = 0

= −2(𝑥 ′ − 1)2 + 8(𝑦 ′ − 2)2 + 8 = 0

= −(𝑥 ′ − 1)2 + 4(𝑦 ′ − 2)2 + 4 = 0

Si: 𝑥 ′′ = 𝑥 ′ − 1

𝑦 ′′ = 𝑦 ′ − 2
2 2
= −𝑥 ′′ + 4𝑦 ′′ + 4 = 0
2
𝑥 ′′ 2
ℋ: − 𝑦 ′′ = 1
4

OBS: 𝑥 ′′ 𝑦 𝑥′

𝑦′

𝑦 ′′
3. Hallar la ecuación canónica de la siguiente cuádrica o cuadrática:

2𝑦 2 + 4𝑥𝑦 − 8𝑥𝑧 − 4𝑦𝑧 + 6𝑥 − 5 = 0

Solución: Expresión matricial


0 2 −4 𝑥 𝑥
(𝑥 𝑦 𝑧) ( 2 2 −2) (𝑦) + (6 0 0) (𝑦) − 5 = 0 … (∗)
−4 −2 0 𝑧 𝑧

Hallamos los valores y vectores propios:

−𝜆 2 −4
| 2 2−𝜆 −2| = 0 ⟹ (𝜆 + 4)(𝜆 − 6)𝜆 = 0
−4 −2 −𝜆

Para 𝜆1 = −4

4 2 −4 1 0 −1 𝑥 0
|2 6 −2| ⟶ |0 1 0 | |𝑦| = |0|
−4 −2 4 0 0 0 𝑧 0
1
𝑥−𝑧 =0 𝑣1 = (0)
1

𝑦=0

Para 𝜆2 = 0

0 2 −4 0 1 −2 1 0 1 𝑥 0
|2 2 −2| ⟶ |1 0 1 | ⟶ |0 1 −2| |𝑦| = |0|
−4 −2 0 0 0 0 0 0 0 𝑧 0

−1
𝑥+𝑧 =0 𝑣2 = ( 2 )
1

𝑦 − 2𝑧 = 0

Para 𝜆3 = 6

−6 2 −4 1 0 1 𝑥 0
| 2 −4 −2| ⟶ |0 1 1 | |𝑦 | = | 0|
−4 −2 −6 0 0 0 𝑧 0

𝑥 1/√2 −1/√6 −1/√3 𝑥′


(𝑦 ) = ( 0 2/√6 −1/√3) (𝑦 ′ )
𝑧 1/√2 1/√6 1/√3 𝑧′
Luego:
−4 0 0 𝑥′ 𝑥′
(𝑥 𝑦 𝑧) ( 0 0 0) (𝑦 ′ ) + (6/√2 −6/√6 −6/√3)1𝑥3 (𝑦 ′ ) −5=0
0 0 6 𝑧′ ′
𝑧 3𝑥1
2 2 6 6 6
−4𝑥 ′ + 6𝑧 ′ + 𝑥′ −
𝑧′ − 5 = 0 𝑦′ −
√2 √6 √3
2 6 ′ 3 2 2 1 ′ 2
− (4𝑥 ′ − 𝑥 +( ) ) + 6 (𝑧 ′ − 𝑧 + (1/2√3) )
√2 2√2 √3

5∗8 9 1 4
−√6𝑦 ′ − + − ∗ =0
8 8 2 4
2 2
3 1 35
− (2𝑥 ′ − ) + 6 (𝑧 ′ − ) − √6 (𝑦 ′ + )=0
2√2 2√3 8√6

Reemplazando por traslación:

3
2𝑥 ′ − = 𝑥 ′′
√2
1
𝑧′ − = 𝑧 ′′
2√3
35
𝑦′ + = 𝑦 ′′
8√6
2 2
−𝑥 ′′ + 6𝑧 ′′ − √6𝑦 ′′ = 0

𝑦 ′′ 𝑦 ′′

𝑥 ′′ 𝑥 ′′

6𝑧 ′ = √6𝑦 ′′

𝑧 ′′

𝑦 ′′

Sea 𝑧 ′′ = 𝑘
2
−𝑥 ′′ + 6√2𝑘 − √6𝑦 ′′ = 0
2
−𝑥 ′′ − √6𝑦 ′′ = −6√2𝑘

Paraboloide hiperbólico
MATRIZ EXPONENCIAL

Es una función definida sobre las matrices cuadradas, se parece a la función exponencial.
Sea X una matriz cuadrada de orden n de números reales o complejos, la exponencial de x
𝑥 𝑘
denotada por 𝑒
𝑥
= ∑∞
𝑘=0 𝑘! ,es decir
𝑛
𝐴
𝐴𝑘 𝐴2 𝐴3
𝑒 = lim ∑ = Ι+𝐴+ + +⋯
𝑛→∞ 𝑘! 2! 3!
𝑘=0

PROPIEDADES

Sean X e Y dos matrices cuadradas de orden n, a y b son reales o complejos, donde Ο es la


matriz nula e Ι 𝑒𝑠 𝑖𝑑𝑒𝑛𝑡𝑖𝑑𝑎𝑑.

1. 𝑒 Ο = Ι (identidad)
2. exp(𝑎𝑋) exp(𝑏𝑋) = 𝑒 (𝑎+𝑏)𝑋 (𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑)
3. 𝑒𝑥𝑝(𝑋) exp(−𝑋) = Ι
4. (𝑒 𝐴 )−1 = 𝑒 −𝐴 (𝑖𝑛𝑣𝑒𝑟𝑠𝑎)
5. det 𝑒 𝑋 = 𝑒 𝑡𝑟𝑎𝑧𝑋 (𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑡𝑟𝑎𝑧𝑎, 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛𝑡𝑒)
6. exp 𝑋 𝑡 = (exp 𝑋)𝑡
7. 𝑆𝑖 𝑋𝑌 = 𝑌𝑋 ⟹ 𝑒 𝑥 𝑒 𝑦 = 𝑒 𝑥+𝑦 = 𝑒 𝑦 𝑒 𝑥 (𝑝𝑟𝑒𝑠𝑒𝑟𝑣𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑐𝑜𝑛𝑚𝑢𝑡𝑎𝑐𝑖ó𝑛)

8. 𝑆𝑖 𝑌 𝑒𝑠 𝑖𝑛𝑣𝑒𝑟𝑡𝑖𝑏𝑙𝑒 ⟹ 𝑒 𝑦𝑥𝑦 = 𝑦𝑒 𝑥 𝑦 −1
9. 𝐴𝑐𝑜𝑡𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑛𝑜𝑟𝑚𝑎: |𝑒 𝐴 | ≤ 𝑒 ‖𝐴‖
10. 𝐸𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝑑𝑒 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑛𝑖𝑙𝑝𝑜𝑡𝑒𝑛𝑡𝑒:
𝐷𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑙𝑎 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 𝑑𝑒 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎:

𝐴
𝐴2 𝐴3 𝐴𝑛
𝑒 = Ι+𝐴+ + +⋯+
2! 3! 𝑛!
Luego A tiene alguna potencia nula 𝐴𝑘 = 0 , A es nilpotente de orden k.

0 0 0
Ejemplo: 𝐴 = (1 0 0)
0 1 0
0 0 0 0 0 0
2 3
𝐴 = (0 0 0) , 𝐴 = (0 0 0)
1 0 0 0 0 0

Las matrices de potencias superiores a 3 son nulas.

Luego:
0 0 0
(1 0 0) 1 0 0 0 0 0 1 0 0 0 1 0 0 0
𝑒 0 1 0 = (0 1 0) + (1 0 0) + (0 0 0) + (0 0 0) + ⋯
2 6
0 0 1 0 1 0 1 0 0 0 0 0
0 0 0
(1 0 0) 1 0 0
𝑒 0 1 0 = ( 1 1 0)
1/2 1 1

MATRICES DIAGONALES Y DIAGONALIZABLES

Si una matriz A es diagonal

𝑎1 0 … 0
0 𝑎2 … 0
𝐴=( )
⋮ ⋮ ⋱ ⋮
0 0 … 𝑎𝑛

Una matriz M diagonalizable entonces 𝑀 = 𝑃 −1 𝐷𝑃 donde D es la matriz diagonal y es una


matriz no singular, P puede elegirse como una matriz unitaria, la exponencial de matrices
diagonalizables se puede reducir a:

𝑒 𝑀 = 𝑃−1 𝑒 j 𝑃

EXPONENCIAL Y FORMA DE JORDAN:

- Matrices que admiten formas de Jordán

Las matrices cuadradas reales o complejas pueden ser interpretadas como expresiones en
una base dada de una aplicación lineal, mediante este hecho se puede expresar con mayor
comodidad la exponencial de una matriz.

Si A representa a la matriz de cierta aplicación lineal entonces la exponencial puede


obtenerse a partir de la forma canónica de Jordán, es decir:

𝑀 = 𝑃 −1 𝐽𝑃
∞ 𝒌 ∞
𝑷−𝟏 𝑱𝑷
(𝑷−𝟏 𝑱𝑷) 𝑷−𝟏 𝑱𝒌 𝑷
𝒆𝑴 = 𝒆 =∑ =∑ = 𝑷−𝟏 𝒆𝑱 𝑷
𝒌! 𝒌!
𝒌=𝟎 𝒌=𝟎

𝑒𝐴 , 𝑒𝐽

Entonces la expresión anterior representa la descomposición de Jordán de una matriz A ,


calcular 𝑒 𝐴 , la exponencial de una matriz de Jordan se tiene:

𝐽0
𝐽1
𝐽=

( 𝐽𝑛 )

𝐽0 𝑛
𝐽1 𝑛
⟹ 𝐽𝑛 =

( 𝐽𝑛 𝑛 )
Si tenemos una matriz diagonal de bloque como la de Jordán, sus potencias resultan ser
una matriz diagonal de bloque, donde cada bloque es la potencia del correspondiente
bloque.

Ejemplo:

1 0 0
1. Sea la matriz 𝐴 = (1 3 0) , el polinomio característico de dicha matriz es:
1 1 1
𝑃(𝜆) = (1 − 𝜆)2 (3 − 𝜆)
El polinomio mínimo coincide con 𝑚(𝜆) = 𝑃(𝜆)
Los valores propios 𝑠𝑜𝑛 1 𝑚𝑎 2 𝑦 3 𝑑𝑒 𝑚𝑎 1.
Se puede establecer la forma de Jordán y una matriz de paso P.

1 0 0 0 0 0
𝐽 = (1 3 0) 𝑃 = (2 0 0)
1 1 3 1 1 1
−1 𝐽𝑃
𝑒𝑀 = 𝑒𝑃 = 𝑃−1 𝑒 𝐽 𝑃

𝑒 0 0
𝑒 𝐽 = (𝑒 𝑒 0)
0 0 𝑒3
−1/2 0 0 𝑒 𝑒 0 −2 0 0
𝑒 𝐴 = 𝑃−1 𝑒 𝐽 𝑃 = (−1/12 −1/6 1/3) (𝑒 𝑒 0 )( 1 0 2)
1/4 1/2 0 0 0 𝑒3 0 3 1
𝑒
0 −𝑒
2
𝑒 𝑒3 𝑒
= 𝑒3 −
4 3 2
3𝑒 3𝑒
(− 4 0 2 )
2. Resolver:
𝑥1′ (𝑡) = 3𝑥1 (𝑡) − 𝑥2 (𝑡)
′ (𝑡)
𝑥2 = −2𝑥1 (𝑡) + 2𝑥2 (𝑡)

Con 𝑥1 (0) = 120 𝑦 𝑥2 (0) = 150

Solución:
𝑥 ′ (𝑡) 3 −1 𝑥1 (𝑡)
( 1′ ) = ( )( )
𝑥2 (𝑡) −2 2 𝑥2 (𝑡)
3 −1
Para ( )
−2 2
Buscando sus valores y vectores propios se obtiene: 𝜆1 = 1 𝑦 𝜆2 = 4

1 1
𝑣1 = ( ) 𝑦 𝑣2 = ( )
2 −1
Entonces:
1 1 −1 −1 1
𝐶=( ) 𝑦 𝐶 −1 = ( ) (− )
2 −1 −2 1 3
1 0
𝐽=𝐷=( )
0 4
𝑡
𝑒 𝐽𝑡 = (𝑒 0 )
0 𝑒 4𝑡

Luego:

1 1 1 𝑡
0 ) (−1 −1)
𝑒 𝐴𝑡 = 𝐶𝑒 𝐽𝑡 𝐶 −1 = − ( ) (𝑒
3 2 −1 0 𝑒 4𝑡 −2 1
1 𝑡 4𝑡
−𝑒 𝑡 + 𝑒 4𝑡 )
𝑒 𝐴𝑡 = − ( −𝑒 𝑡− 2𝑒 4𝑡
3 −2𝑒 + 2𝑒 −2𝑒 𝑡 − 𝑒 4𝑡

𝑥 (𝑡) 1 𝑡 4𝑡
−𝑒 𝑡 + 𝑒 4𝑡 ) (120)
𝑥𝑡 = ( 1 ) = 𝑒 𝐴𝑡 𝑋0 = − ( −𝑒 𝑡− 2𝑒 4𝑡
𝑥2 (𝑡) 3 −2𝑒 + 2𝑒 −2𝑒 𝑡 − 𝑒 4𝑡 150

You might also like