Professional Documents
Culture Documents
MATRIZ
Es un arreglo rectangular de números ordenandos en filas y columnas, que
presenta la siguiente estructura:
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 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
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.
Producto de matrices
A=[𝑎𝑖𝑗 ]𝑚𝑥𝑛
B=[𝑏𝑗𝑘 ]𝑛𝑥𝑝
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
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
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
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
- - - + + +
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
|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
a1 b1 c1 a3 b3 c3
Ejemplo : a 2 b2 c2 a2 b2 c2
a3 b3 c3 a1 b1 c1
Generalizando:
a1 b1 a1
a2 b2 a2 0
a3 b3 a3
Ejemplo :
ka1 b1 c1 a1 b1 c1
ka2 b2 c2 k a2 b2 c2
ka3 b3 c3 a3 b3 c3
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
* |K In| = Kn ; K escalar
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.
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
Teorema :
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.
Ejemplo :
2 0 1
4 2 3 a1111 a1212 a1313
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.
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.
Ejemplo :
0 a b c
a 0 d e
b d 0 f
c e f 0
Propiedades :
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
b. Indeterminados
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
Ejemplo 3:
El sistema 3x + 2y = 11
x–y=2
Ejemplo 4
El sistema 2x + y = 5
6x + 3y = 15
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.
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.
A2 = B2 es equivalente a + B3 + B4
A3 = B3 A2 = B2
A4 = B4 A3 = B3
A4 = B4
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.
A1 = B1 A1 A2 = B1 B2
A2 = B2 es equivalente a A2 = B2
A3 = B3 A3 = B3
A2 = B2 es equivalente a A2 = B2 A2; B2 0
A3 = B3 A3 = B3
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
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.
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.
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 :
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.
3x + y = 9 ...................... (II)
Solución :
y = 9 – 3x
5x – 2 (9 – 3x) = 4
x=2
de donde y = 9 – 3 (2) = 9 – 6 = 3
x = 2; y=3
Ejemplo :
Solución :
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
Ejemplo :
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
1
2x – 3 (- )=5
17
x = 41/17
REGLA DE CRAMER
Consideramos un sistema de n ecuaciones lineales con n incógnitas.
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 :
como :
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
Los elementos de la primera columna son respectivamente : b1, b2, b3,...., bn, reemplazando.
| A1 |
X1 |A| = |A1| de donde X1 =
| 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.
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
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
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).
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
a1 b1 c1
a 2 b2 c2
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
2. Dado el sistema
ax – 6y = 12
2x + (1 – a) y = 8
2x + 5y = 8
Sea compatible.
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 :
Sea y = Kx
2x² + k²x² = 17
x (kx) = 6
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 :
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
2x² + 5 x – 3= 0
X2
x1 = - 3 x2 = ½
y1 = 3 y2 = -1/2
5x² + 20x – 12
X4
10 4 10 10 4 10
x3 = x4 =
5 5
5 2 10 5 2 10
y3 = y4 =
5 5
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.
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.
1 3 3
2x 3y 6x 4 y 40
1 1 1
4 x 6 y 2 y 3x 60
Solución :
1 1 1 1
2 2 x 3 y 3x 2 y 60
1 1
a ; b
2x 3y 3x - 2y
3 3
a b
2 40
1 1
ab
2 60
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
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
𝒅𝒓−𝒔𝒃
𝒙=
𝒂𝒅−𝒃𝒄
𝒂𝒔−𝒄𝒓
𝒚=
𝒂𝒅−𝒃𝒄
𝑎 𝑏 𝑥 𝑟
( ) (𝑦) = ( )
𝑐 𝑑 𝑠
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
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
MENORES Y COFACTORES
Sea la siguiente matriz cuadrada de orden nxn
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
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
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
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.
𝐝𝐞𝐭(𝑨𝒋 )
xj = 𝒅𝒆𝒕(𝑨)
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|
∑𝒏
𝒋=𝟏 𝑨𝒋𝒊 𝒃𝒋
Xi= |𝑨|
Matricialmente se presenta
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
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.
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.
(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
Multiplicación:
Notación
a; b / a , b
z z (x;y),x,y
Ejemplo:
3 Re(z)
z (3; 4)
4 Im(z)
Propiedades
Sea z1 ;z2
c) Re(i z) Im(z)
d) Im(iz) Re(z)
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)
a (a , 0) a
La unidad imaginaria
Entonces z (a,b) (a,0) (0,b) como: (0,b) (b,0) (0,1) , podemos escribir:
Proposición
i1 i i5 i i9 i
i2 1 i6 1 i10 1
i3 i i7 i i11 i
i4 1 i8 1 i12 1
in (i i2 i3 i4 ) in (0) . n
1) i i2 i3 i4 0 , entonces
in1 in 2 in3 in 4 0
Corolario
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
Im
Z
Re
–Z
Conjugado de un complejo:
Re
= (a; –b)
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 )
Z a2 b2 , a,b
Ejemplo:
Z = 4 + 3i Z 42 32 25 5
5. Re Z Z Z
2
6. Im Z Z Z
2i
7. Z Z Z
Sustracción:
Multiplicación:
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 Cnkank (bi)k ,
k 1
Radicación: n x yi a bi x yi (a bi)n ,
Re(z) Im(z)
cos , sen
z z
Re(z) Im(z)
argz / cos ,sen
z 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
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:
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
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
b) z z1 2cos
c) (z z1)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 z1)6 26 cos6 ;
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
Operaciones:
Sea: Z1 r1Cis1 , Z2 r2Cis2
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
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 ) ei
8) n , : (ei )n ein
z1 r1 i(12 )
b) z r e
2 2
2k
i( 1 )
d) n z1 n r1 e n ,
k 0 , 1, 2 , 3 , ... , (n 1)
Ejemplo: Sea Z = 1 – i
2
1 4
7
Re 4
–1 Z=1–i
7 i
Z 1 i 2e 4
2k
i( )
n 1 e n , k 0,1,2,3,.....,(n 1)
2 2k
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.
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)
7) ez 2k i ez ,k
i
e w 2i w ln2 2ki , k
2
Solución:
z r x 2 y2 r x 2 y2 r 2
Solución:
z z0 r (x x0 )2 (y y0 )2 r
(x x0 )2 (y y0 )2 r 2
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
El polinomio complejo
Teorema
Teorema
Nota
PROBLEMAS
1. Indique si las siguientes proposiciones son verdaderas o falsas, fundamente su
𝒂𝒙 + 𝒚 − 𝒛 = 𝒂𝟐
𝒙−𝒚+𝒛 = 𝟏
𝟑𝒙 − 𝒚 − 𝒛 = 𝟏
𝟔𝒙 − 𝒚 + 𝒛 = 𝟑𝒂 4 puntos
𝒙 𝒚 𝒙+𝒚
( 𝒚 𝒙+𝒚 𝒙 ) 3 puntos
𝒙+𝒚 𝒙 𝒚
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
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
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 )
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:
Lema:
Si V es un espacio vectorial y A v1 , v2 , … , vn está contenido en V,
entonces:
L(A) ∑𝑛𝑖1 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 v1v2 ; , Rv (,,) ; , 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)
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
−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
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) ,a0
1 𝑎𝑎 0 𝑎 01 0
Para a1:
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, dim4. Es
la base canónica usual.
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+z0
y+t0
(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
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 1V2, 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)
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
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
a=b=c=0, e deduce que los polinomios P(X), Q(X) y R(X) forman un conjunto
linealmente independiente.
SOLUCION
P:{(s;t;-s-t)} P:{s(1;0;-1)+t(0;1;-1)}
→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
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)}
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
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
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
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:
bc a d 0 0
→ 𝑎 − 𝑏 + 𝑐 + 𝑑 = 0; −𝑏 + 𝑑 = 0; 𝑏 + 𝑐 = 0 𝑦 𝑎 + 𝑑 = 0
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:
bc a d p q
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.
SOLUCION
a(1;1;-1;1)+b(1;1;0;1)+c(1;2;1;1)+d(m;n;p;q)=(0;0;0;0)
1 1 1 m 0 1 0 0 mn p 0
1 1 2 n 0 0 1 0 3m 2n p 0
1 →
0 1 p 0 0 0 1 mn 0
1 1 q 0 0 0 mq 0
1 0
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
Si dim=1 La base solo tiene un elemento. Todas las bases del espacio
vectorial deben ser equivalentes( es decir, multiplicados por un escalar)
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
1 0 1 1 0 0 a b b 0 0
→a +b = → =
0 1 1 1 0 0 b a b 0 0
1 0 1 1 m n a b b m n
a +b = → =
0 1 1 1 p q b a b p q
SOLUCION
→SᴒT={(0;0;z)}, notamos
(0;0;z)=z(0;0;1)
Para S+T
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+v=(u1+v1;u2+v2) pertenece a S
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)
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)
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
→(A-aI)X=0
5 a 0 0
→A-aI= 1 5a 0 , formando la mtriz ampliada
0 5 a
1
5 a 0 0 0 1 0 0 0
→ 1 5a 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
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
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
(4 / 3)t
X= t , donde “t” es un parámetro lo cual no indica que hay infinitas
4t
soluciones.
SOLUCION
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
SOLUCION
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
SOLUCION
Sea t=(x;y;t;z)=(ay-at;y;-ay+at;t)=y(a;1;-a;0)+t(-a;0;a;1)
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
0 = 𝛼1 (𝑥 3 − 3𝑥 2 + 5𝑥 + 1) + 𝛼2 (𝑥 3 − 𝑥 2 + 6𝑥 + 2) + 𝛼3 (𝑥 3 − 7𝑥 2 + 4𝑥)
Igualando coeficientes
𝛼1 + 𝛼2 + 𝛼3 = 0
3𝛼1 + 𝛼2 + 7𝛼3 = 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
2𝛼3 = 0
−𝛼2 + 𝛼3 = 0
𝛼1 + 2𝛼2 = 0
=> 𝛼3 = 0 𝑦 𝛼2 = 0 𝑦 𝛼1 = 0
𝟏 𝟎 𝟏 𝟏 𝟏 𝟏 𝟎 𝟎
i) B = {( ),( ),( ),( )}
𝟎 𝟎 𝟎 𝟎 𝟏 𝟎 𝟎 𝟏
𝛼1 + 𝛼2 + 𝛼3 = 0
𝛼2 + 𝛼3 = 0
𝛼3 = 0
𝛼4 = 0
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
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
𝛽3 = 0
𝛽3 = 𝛽1 = 0
𝛽2 + 𝛽3 = 0
𝛽1 + 𝛽4 = 0
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 + 𝑏 + 𝑐; 𝑎 + 𝑏 − 2𝑐; −𝑎 + 𝑐; 𝑎 + 𝑏 + 𝑐)
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
Solución
𝑎 = 𝛼1 = 0
𝑏 = 2𝛼1 = 0
𝑐 = 𝛼1 + 𝛼2 = 𝛽1
𝑆 + 𝑇:
1 2 1 1 2 0
𝑆 + 𝑇 = (0 0 1) = (0 0 1)
0 0 1 0 0 0
𝑆𝑒𝑎 𝑢 = (3,3) ∈ 𝑆
∃! 0 ∈ 𝑇 / 0 + 𝑎 = 𝑎 , 𝑎 ∈ 𝑇
𝑆𝑒𝑎 𝑎 = (𝑥, −𝑒 𝑥 )
0 + (𝑥, −𝑒 𝑥 ) = (𝑥, −𝑒 𝑥 )
∀ 𝑤 ∈ 𝑊, 𝜃 ∈ 𝑅 , 𝜃 ∈ 𝜃𝑤 ∈ 𝑊
𝑊 = {𝑥, 𝑦, −(𝑥 2 + 𝑦 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
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 + 𝑎2 + 𝑏 2 + 𝑐 2 > 0
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
𝑈∩𝑊
𝑆𝑒𝑎 𝑉 𝜖 𝑈 ∩ 𝑊 => 𝑉 𝜖 𝑈 𝑦 𝑉 𝜖 𝑊
−𝛼1 = 𝛽1 ; 𝛼1 = 𝛽2 ; 𝛼2 = 𝛽2 => 𝛼2 = 𝛼1
12. En 𝑹𝟒 sean los vectores 𝒖 = (𝟏, 𝟎, −𝟏, 𝟐), 𝒗 = (𝝀, −𝟏, 𝟎, 𝟏) , 𝒘 = (𝟎, 𝝀, −𝟏, 𝟏)
Para que U,V,W sean LD deben formar una combinación lineal y tener una solución no
trivial.
𝛼𝑈 + 𝛽𝑉 + 𝛾𝑊 = 0
𝛼 + 𝜃𝛽 = 0
−𝛽 + 𝜃𝛾 = 0
−𝛼 − 𝛾 = 0
2𝛼 + 𝛽 + 𝛾 = 0
1 𝜃 0 0
0 −1 𝜃 0
(−1 0 −1 0)
2 1 1 0
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.
Hallar 𝒂 𝒑𝒂𝒓𝒂 𝒒𝒖𝒆 𝑺 + 𝑻 tenga dimensión 3 y con a determine una base para 𝑺 ∩ 𝑻.
= 𝑦(𝑎, 1,0, −𝑎) + 𝑡(−𝑎, 0,1, 𝑎) => {(𝑎, 1,0, −𝑎), (−𝑎, 0,1, 𝑎)}
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
𝑆𝑒𝑎 𝑉 𝜖 𝑆 ∩ 𝑇
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
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
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:
= ⟨𝑥, 𝑧⟩ + ⟨𝑦, 𝑧⟩
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
NORMA DE UN VECTOR
La norma de un vector v que pertenece a un espacio vectorial V se define:
|𝑣| = = √⟨𝑣, 𝑣⟩
OBSERVACION
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
|𝜆𝑢| = |𝜆||𝑢|
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|
𝜃 = 𝑎𝑛𝑔(𝑢, 𝑣)
PROPIEDADES
. ‖𝑢‖ ≥ 0
. ‖𝑢‖ = 0 ⟺ 𝑢 = 0
. ‖∝ 𝑢‖ = |∝|‖𝑢‖
OBSERVACION
. En todo espacio con producto interno, el producto interno de cualquier vector y el vector
nulo es 0 ∶ ⟨𝑢, 0⟩ = ⟨0, 𝑢⟩ = 0
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 ).
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
PROPOSICION
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
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:
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
⟨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, 1, 0, −2)
1 2 3 2 4 5 2 4 1 2
{( , , 0, ),( ,− , , ),( , , 0, − ) } 𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑜𝑟𝑡𝑜𝑛𝑜𝑟𝑚𝑎𝑙
√14 √14 √14 7 7 7 7 √21 √21 √21
𝑈 ⊥ = {𝑣𝜖𝑉 / ⟨𝑢, 𝑣⟩ = 0 ∀ 𝑢 ∈ 𝑈}
‖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
1 1
𝑢1 = (1,0,0) , 𝑢2 = (0, , )
√2 √2
8 1 1
= (3, 0, 0) + (0, , ) = (3, 4, 4)
√2 √2 √2
Luego:
𝑢 = (𝑢1 , 𝑢2 , 𝑢3 )
𝑣 = (𝑣1 , 𝑣2 , 𝑣3 )
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 au, w + bv, w
2. u, vv, u
3. u, u0, 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
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
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
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
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
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
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.
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
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
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
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) =
−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
SOLUCION
También:
De (1) y (2)
〈𝑢, 𝑢〉 = 0 ↔ u = 0
La norma de u = 〈1,2〉
PROBLEMA 2
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)
PROBLEMA 3
SOLUCION
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
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
PROBLEMA 5
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
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
PROBLEMA 6
Dado L = { t(1,-1,2) / t𝜖 IR }
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
PROBLEMA 7
SOLUCION
𝛼=0
𝛼b+𝛾+c𝛽=0
𝛼=0
𝛽a +𝛾 = 0
PROBLEMA 8
SOLUCION
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
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
𝛼 + 𝛽(𝑥 − 1) + 𝛾(x2-3x+1)=0
𝛾=0
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 = (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
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
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
d) α𝑒 𝑥 + 𝜃𝑒 3𝑥 + 𝛽𝑥 2 + 𝜆𝑥 = 0
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 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
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)
𝑓(𝛼𝑥) = 𝛼𝑓(𝑥)
𝑥𝑓(𝑥)
𝑦𝑓(𝑦)
𝑥 + 𝑦 𝑓(𝑥+𝑦) = 𝑓(𝑥) + 𝑓(𝑦)
𝛼𝑥𝑓(𝛼𝑥) = 𝛼𝑓(𝑥)
Ejemplo 1:
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:
V W
𝑁(𝑓) 0𝑤
El núcleo de toda transformación lineal es la preimagen del vector nulo del segundo
espacio.
𝑥 𝜖 𝑁(𝑓) ⟺ 𝑓(𝑥) = 0𝑤
Ejemplo:
Solución:
𝑁(𝑓) = {(𝑥1 , 𝑥2 , 𝑥3 ) 𝜖 ℝ3 / 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (0, 0)}
Ejemplo
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
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
Hallando su núcleo:
La imagen se puede definir también por 𝑰(𝒇) = {𝒚 ∈ 𝑾 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒆𝒙𝒊𝒔𝒕𝒆 𝒙 ∈ 𝑽 𝒚 𝒇(𝒙) =
𝒚}
La imagen:
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:
Observación
𝒓𝒂𝒏(𝒇) = 𝐝𝐢𝐦(𝑰(𝒇) )
𝒏𝒖𝒍𝒊𝒅𝒂𝒅(𝒇) = 𝐝𝐢𝐦(𝒌𝒆𝒓(𝒇) )
Ejemplos
Solución
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
2. Ejemplo
Solución
Entonces 𝑥1 = 0 , 𝑥2 = 0 , se obtiene 𝑓(𝑣) = 0𝑅3 tal que 𝑣 = (0,0) , cuya base {(0,0)} es
de dimensión cero.
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 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
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
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:
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)
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:
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)
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
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
Ejemplo 1:
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:
Solución
Tenemos:
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:
Ejemplo 3:
[𝑣]𝑓 = (7)
2
17
[𝑇(𝑉) ] = ( )
𝑓 11
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
TEOREMA
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
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
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:
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
1 −1
𝑃=( )
1 0
𝑒1 = (1, 0) = 0(1 , 1) + (−1)(−1 , 0) = 0𝑓1 − 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:
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:
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
VALOR PROPIO
Todo vector que satisface esta relación se llama “vector propio” de T perteneciente al valor
propio 𝜆.
Demostración
TEOREMA
TEOREMA
POLINOMIO CARACTERISTICO
Ejemplo
1 4
Sea la matriz 𝐴 = ( )
2 3
2i) Hallar una matriz inversible 𝑃 tal que 𝑃−1 𝐴𝑃 sea diagonal
Solución:
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
TEOREMA
Sean 𝑓 𝑦 𝑔 dos polinomios sobre un cuerpo 𝑘, y sea A una matriz cuadrada de orden 𝑛 ,
sobre 𝑘, entonces:
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
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
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
MULTIPLICIDAD ALGEBRAICA
DIAGONALIZACION
𝑘1
𝑘2
𝑇=
⋱
( 𝑘𝑛 )
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
Donde X es una matriz columna de orden 𝑛𝑥1 , A es una matriz cuadrada de orden 𝑛𝑥𝑛
OBSERVACION
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
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)
Una forma cuadrática P se dice que se encuentra en su forma diagonal si en ella no aparece
ningún término mixto:
𝑎11 0 … 0
0 𝑎22 … 0
𝐴=( )
⋮ ⋱
0 0 … 𝑎𝑛𝑛
𝑞(𝑌) = (𝐵𝑌)𝑡 𝐴(𝐵𝑌) = 𝑌 𝑡 𝐵𝑡 𝐴𝐵𝑌 = 𝑌 𝑡 𝐷 𝑌, 𝑑𝑜𝑛𝑑𝑒 𝐷 𝑒𝑠 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑡𝑎𝑙 𝑞𝑢𝑒
En muchos casos los elementos de la matriz diagonal en la diagonal principal son los
valores propios de A.
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
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:
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
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.
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 … (∗)
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.
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
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.
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.
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.
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 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.
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 ).
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])
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.
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
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
Solución:
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
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
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 −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
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:
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
310 − 𝜆 0 0 0
| 0 1−𝜆 0 0 |=0
0 0 1−𝜆 0
10
0 0 0 4 −𝜆
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
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
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
1 2 −1
𝔗 = {(1) , (4) , ( 0 )}
0 1 8
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
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
Solución:
a)
0 𝑐𝑜𝑠𝜃 −𝑠𝑒𝑛𝜃
|0 𝑠𝑒𝑛𝜃 𝑐𝑜𝑠𝜃 | = 𝑐𝑜𝑠𝜃 2 + 𝑠𝑒𝑛𝜃 2 = 1
1 0 0
𝑐𝑜𝑠𝜃 2 + 𝑠𝑒𝑛𝜃 2 = 𝑥 2 +𝑦 2 = 1
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
1 3 6 −3
𝑃−1 = ∗ (2 2 2)
6
1 −2 1
6 0 0
𝐵 = (0 6 0)
0 0 12
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)
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
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.
𝑥1 = 𝑘1 𝑒 𝜆1 𝑡 , 𝑥2 = 𝑘2 𝑒 𝜆2 𝑡 , … , 𝑥𝑛 = 𝑘𝑛 𝑒 𝜆𝑛 𝑡
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
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
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.
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
𝐵1 (𝜆1 )
𝐵2 (𝜆2 )
𝐵(𝜆) =
⋱
( 𝐵𝑛 (𝜆𝑛 ))
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.
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
TEOREMA
1 ≤ dim 𝑔𝑒𝑜𝑚 𝑑𝑒 𝜆 ≤ 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑖𝑑𝑎𝑑 𝑎𝑙𝑔𝑒𝑏𝑟𝑎𝑖𝑐𝑎 𝑑𝑒 𝜆
TEOREMA
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
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
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
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:
−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
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
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
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
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
𝑎1 0 … 0
0 𝑎2 … 0
𝐴=( )
⋮ ⋮ ⋱ ⋮
0 0 … 𝑎𝑛
𝑒 𝑀 = 𝑃−1 𝑒 j 𝑃
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.
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
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)
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