Documente Academic
Documente Profesional
Documente Cultură
ACADMICO
PROLOGO
El Material de Apuntes de lgebra II es una iniciativa del Programa de Apoyo Acadmico de la Facultad de Economa y Negocios de la Universidad de Chile que busca ser el complemento a los Cuadernillo de Ejercicios I y Cuadernillo de Ejercicios II. Estos 3 cuadernillos en conjunto buscan reforzar y apoyar el aprendizaje de todos aquellos alumnos que toman clases en la tutora de lgebra II del Programa de Apoyo Acadmico. Los contenidos del Material de Apuntes consisten en una recoleccin resumida de la materia que se ha visto en la ctedra de lgebra II durante los ltimos semestres, razn por la cual es una til herramienta en el estudio para los alumnos. Este cuadernillo es slo parte del material educativo que el Programa de Apoyo Acadmico ha preparado en lgebra II, por cuanto como hemos dicho tambin disponemos de los Cuadernillos de Ejercicios I y II, los cuales han sido de gran ayuda en el estudio de los alumnos, ya que les ha permitido disponer de una gran cantidad de ejercicios en la preparacin de sus evaluaciones. El autor de los Cuadernillos de Ejercicios I y II y del Material de Apuntes es Luis Araya Castillo, sin embargo los esfuerzos para llevar este proyecto adelante han sido tanto de los actuales integrantes del Programa de Apoyo Acadmico como de todos aquellos que alguna vez formaron parte de su equipo. Es as, que Margarita Pedreros realiz la ardua tarea de escribir el Material de Apuntes. El proceso de transcripcin de los apuntes de clases ha sido bastante riguroso, por cuanto este proyecto ha sido realizado por la direccin del Programa de Apoyo Acadmico en conjunto con el equipo encargado de lgebra II, es decir por Luis Araya Castillo, Margarita Pedreros y los tutores de lgebra II, entre ellos Marco Antonio Lang y Cristopher Lang.
En el Programa de Apoyo Acadmico trabajamos actualmente: Luis Araya Castillo M. Sc. (c) en Marketing Master (E) en Direccin Estratgica Licenciado en Ciencias de la Administracin de Empresas Egresado de Ingeniera Comercial, mencin Administracin Bachiller con mencin en Humanidades y Ciencias Sociales Diplomado en Seguridad Internacional y Operaciones de Paz Tcnico en Electromecnica Operador en Armado y Mantencin de Equipos Computacionales
Marco Antonio Lang Valenzuela Licenciado en Sistemas de Informacin y Control de Gestin Egresado de Ingeniera en Informacin y Control de Gestin y de Contador Auditor
Margarita Pedreros Licenciada en Ciencias en la Administracin de Empresas M. Sc. (c) en Marketing Egresada de Ingeniera Comercial, mencin Administracin
Claudio Rodrguez Lpez Estudiante Ingeniera en Informacin y Control de Gestin y/o Contador Auditor Contador General
Pgina 3
Si deseas comunicarte con el Programa de Apoyo Acadmico lo puedes hacer en: Oficina Telfono Torre 105-B 9783493 programa.apoyo.academico@gmail.com Emails Web paa@fen.uchile.cl http://paa.fen.uchile.cl//
Pgina 4
INDICE Unidad 1: ESPACIOS VECTORIALES..... 7 1.1 Estructuras Algebraicas ... 7 1.2 Espacios Vectoriales 9 1.3 Suma y Suma Directa de s.e.v... 16 1.4 Vector de Coordenadas.......................................................................... 16 1.5 Representacin grfica de vectores 17 Unidad 2: MATRICES 18 2.1 Definicin.. 18 2.2 Notacin 18 2.3 El conjunto M mxn (K ) 18 2.4 Operaciones entre Matrices... 19 2.5 El conjunto M mxn (K ) como Espacio Vectorial.. 21 2.6 Definiciones bsicas y consideraciones del lenguaje. 21 2.7 Matrices Elementales (Cuadrada). 24 2.8 Operaciones Elementales.. 25 2.9 Mtodo de Gauss para invertir Matrices... 25 2.10 Determinantes. 26 Unidad 3: SISTEMA DE ECUACIONES LINEALES. 30 3.1 Definiciones... 30 3.2 Notacin Matricial.... 30 3.3 Naturaleza de las soluciones.. 31 3.4 Mtodo de solucin para sistemas con solucin nica.. 33 3.5 Sistemas Homogneos.. 35 3.6 Teorema importante.. 36 Unidad 4: ELEMENTOS DE GEOMETRIA VECTORIAL. 37 4.1 Producto interno... 37 4.2 Productos Internos usuales. 38 4.3 Norma de un vector.. 39 4.4 Algunas Normas en R n .... 39 4.5 Significado geomtrico de la Norma Euclidiana. 39 4.6 Norma inducida por un producto interno. 40 4.7 Angulo entre dos vectores.. 41 4.8 Proyeccin Ortogonal 42 4.9 Vector Unitario. 43 4.10 Ortogonalidad. 44
Pgina 5
Unidad 5: TRANSFORMACIONES LINEALES.. 55 5.1 Definicin. 55 5.2 Ncleo de una T.L. 57 5.3 Imagen de una T.L 60 5.4 Matriz Representante de una TL 62 Unidad 6: VALORES Y VACTORES PROPIOS.. 65 6.1 Definicin. 65 6.2 Teorema 66 6.3 Teorema 66 6.4 Procedimiento general para el clculo de Valores y Vectores Propios... 67 6.5 Representacion Mat6ricial Diagonal. 71 6.6 Teorema de Cayley-Hamilton . 72 Unidad 7: FORMAS BINLINEALES (F.B).. 74 7.1 Definicin. 74 7.2 Propiedades bsicas. 75 7.3 El conjunto B (v).. 75 7.4 Expresin Analtica de una F.B... 75 7.5 Formas Bilineales Simtricas 77 7.6 Formas Bilineales Antisimtricas.. 79 7.7 Formas Cuadrticas (F.C). 81
Pgina 6
Unidad 1
ESPACIOS VECTORIALES
1.1 ESTRUCTURAS ALGEBRAICAS a) Ley de Composicin Interna (LCI) Podemos entenderla como una operacin entre elementos (generalmente numricos) Las LCI se denotan por *, , #. Si * es una LCI entonces, ms precisamente se define: *:AxA (a,b) Ejemplos: 1) * : Z x Z (a,b) 2) : R x R (a,b) Z a*b = a+b +ab R ab=
3
A a*b
a3 + b3
b) Propiedades de una LCI Sea * : A x A A una LCI, se dice que: * es cerrada ssi a*b A a,b A * es asociativa ssi (a*b)*c = a*(b*c) a, b, c A Un elemento e A es neutro para * ssi a*e=a e*a=a a A Un elemento a A es simetrizable ssi existe a A tal que a*a=e a*a=e a es el simtrico de a y viceversa. * es conmutativa ssi a*b = b*a a, b A Si es otra LCI definida en A, se dice que es distributiva con respecto a * ssi: a (b*c) = (a b)*(a c) a, b, c A (b*c) a = (b a)*(c a)
Pgina 7
c) Estructura Algebraica Se llama estructura algebraica a un conjunto A dotado de una o ms LCI Se denotan: (A, *) (A, *, ) Ejemplo: (Z,*) con * definida: a*b = a + b + ab a*e = a (Z,+,), (R,+,), (Q,+,), (C,+,), son estructuras algebraicas. d) Estructura de Grupo Abeliano Sea (A,*) una estructura algebraica (slo una LCI) se dice que (A,*) es grupo abeliano ssi * es cerrada * es asociativa Existe elemento Neutro Todo elemento es simetrizable. * es conmutativa 2 LCI Grupo
Abeliano
e) Estructura de Cuerpo
Una estructura algebraica (A, *, ) se llama cuerpo ssi: 1 LCI * es cerrada * es asociativa Existe elemento Neutro para * Todo elemento es simetrizable bajo * * es conmutativa es cerrada es asociativa Existe elemento Neutro para Todo elemento es simetrizable bajo es conmutativa es distributiva c/r a *
1 LCI
2 LCI
1.2 ESPACIOS VECTORIALES. 1.2.1 Definicin Sea ( V, ) una estructura algebraica; sea (K, + , ) una estructura de cuerpo. Se dice que V es un espacio vectorial sobre K (o un K espacio vectorial) ssi: a) ( V, ) es grupo abeliano b) Existe ley de composicin externa * : K x V b.1) *(u v) = (*u) (*v) b.2) (+)*u = (*u) (*u) b.3) ()*u = *( *u) b.4) 1*u = u Observaciones: a) Los elementos del espacio vectorial V los llamaremos vectores, los denotaremos por r r r r r u , v , w, x , y b) Los elementos del cuerpo K los llamaremos escalares. Se denotaran por , , , , usualmente. c) La ley de composicin externa *, se llama producto por escalar o producto escalar. d) En adelante usaremos el smbolo + para denotar suma de vectores y suma de escalares, por simplicidad. Pero se debe tener presente que son operaciones distintas. e) Anlogamente usaremos el smbolo para denotar multiplicacin de escalares, y producto escalar. r f) Como V es grupo abeliano, tiene elemento neutro, el que denotaremos por 0 r r r r r r r u Cumple: 0 + u = u u + 0 = u V que cumple:
Pgina 9
1.2.3 Ejemplos de espacios vectoriales. a) R n es un espacio vectorial sobre R (n = 1, 2, 3,.) Con las siguientes operaciones suma de vectores y producto escalar:
r Sea X = ( X 1 , X 2 , X 3 ,..., X n ) r Y = (Y1 , Y2 , Y3 ,..., Yn )
Suma de vectores r r X + Y = ( x1 + y1 , x 2 + y 2 ,.........., x n + y n ) Producto escalar r r x (x1 , x 2 , x 3 ,.........., x n ) Ejemplo: r En R 3 , Sea X = (2,-5,4) r Y = (8,2,1) r r X + Y = (10,-3,5) r 3 X = (6,-15,12) b) R n [x] es espacio vectorial sobre R.
R n [x] denota conjunto de polinomios de grado no menor con coeficientes en R.
Ejemplo: R 2 [x] conjunto de polinomios de grado 2 o menor. p (x) = + 1 R 2 [x] q (x) = 5 + 2x 2 R 2 [x] Las operaciones: Sean p(x) =
An X n + An 1 X n 1 + ... + A1 X + A 0
q(x) = B n X n + B n 1 X n 1 + ... + B1 X + B 0 Suma de vectores: P(x) + q(x) = ( An + B n ) X n + ( An 1 + B n 1 ) X n 1 + ... + ( A1 + B1 ) X + ( A0 + B 0 ) Producto escalar: p (x = (An ) X n + (An 1 ) X n 1 + ... + (A1 ) X + (A0 ) c) M mxn (R) es espacio vectorial sobre R
M mxn (R) es el conjunto de todas las matrices de m filas y n columnas, con coeficientes en R. NOTA: Este espacio lo estudiaremos ms adelante.
Pgina 10
1.2.4 Subespacios Vectoriales Sea V un espacio vectorial sobre un cuerpo K Sea W V V W se llama subespacio vectorial de V, ssi W es un W espacio vectorial
W es s.e.v de V ssi: r a) 0 W r r r r b) X , Y W x + y W r r c) x W, K x W a) V W
r 0
b)
c)
V W
r r x, y r r x+ y
r x r x
Pgina 11
Solucin:
r a) PD 0 W r 0 = (0,0,0) Se cumple 0+0 = 20
1 v1 + 2 v 2 + ... n v n
r r Ejemplo: En R 3 sea A = {(1,4,2), (5,6,0)} una c.l de v1 y v 2 es: 2(1,4,-2)+3(5,6,0)
Pgina 12
1.2.6 Subespacio Generado. Sea V un espacio vectorial sobre K r r r Sea A= {v1 , v 2 ,..., v n } V Entonces la notacin <A> indica conjunto generado por A (o por los vectores de A) Se define como el conjunto de todas las c.l de, los vectores de A. En otras palabras: r r r r r <A> = {x V / 1 , 2 ,..., n K ; x = 1 v1 + 2 v 2 + ... + n v n } TEOREMA: <A> es s.e.v de Dem. Propuesta 1.2.7 Dependencia lineal de vectores Sea V un espacio vectorial sobre un cuerpo K. r r r Sea A = {v1 , v 2 ,..., v n } V . Diremos que A es linealmente dependiente (o que los vectores de A son linealmente dependientes) ssi existen escalares 1 , 2 ,..., n no todos nulos tales que: r r r r 1v1 + 2 v2 + ... + n v = 0 Ejemplo: En R 3 , Sea A= {(1,3,2), ( 2,4,5), (0,10,9)} A es L.D (L.D = Linealmente Dependiente) En efecto 2(1,3,2) + 1(-2,4,5) + (-1)(0,10,9) = (0,0,0) Luego existen escalares no nulos 1 = 2 , 2 = 1 , 3 = 1 que anulan la combinacin lineal. TEOREMA:
r Todo conjunto que contiene el vector 0 es L.D Dem. Propuesta.
r r r Sea A= {v1 , v 2 ,..., v n } V . Entonces: r r A es L.D i tal que v i <A- {v i } >
TEOREMA:
Pgina 13
Demostracin: Por hiptesis A es L.D r r r r 1 , 2 ,..., n no todos nulos, tales que 1v1 + 2 v2 + ... + n v = 0 Supongamos que 1 0 r r r r r r i v i = 1 v1 2 v 2 ... 2 1 v i 1 i +1 v i +1 ... n v n / : i
2 1 r i +1 r n r 1 r 2 r vi = v1 + v 2 + ... + v i 1 + v i +1 + ... + i i i i i r ( v i es una combinacin lineal de los n-1 restantes vectores) r r v i <A- {v i } > Q.E.D Propuesto
1.2.8 Independencia lineal
r v n
r r r Sea A = {v1 , v 2 ,..., v n } V . Se dice que Aes linealmente independiente (o que los vectores de A son linealmente r r r r independientes) ssi 1v1 + 2 v2 + ... + n v = 0 1 = 2 = = n = 0 Es decir A es L.I si la nica forma de obtener una c.l nula de los vectores, es con todos los escalares nulos.
1.2.9 Base de un espacio vectorial Sea V un espacio vectorial sobre K. r r r Sea A = {v1 , v 2 ,..., v n } V . Se dice que A es base de V ssi: a) <A> = V b) A es L.I OBSERVACIONES: 1.- Un espacio vectorial posee infinitas bases, pero todas ellas tienen igual nmero de elementos. Es decir. Si A1 y A2 Son dos bases de V entonces # A1 = # A2 2.- Se llama base cannica de un espacio vectorial, a la base estndar o ms simple. En R 2 la base cannica es {(1,0), (0,1)} En R 3 la base cannica es {(1,0,0), (0,1,0), (0,0,1)} k i j
Pgina 14
TEOREMA: Sea V un espacio vectorial. r r r Sea A = {v1 , v 2 ,..., v n } V una base de V entonces. i) A es un conjunto maximal L.I (si se le agrega un vector, es L.D) ii) A es un conjunto minimal generador (si se le quita un vector, deja de generar el espacio) Dem i) r r r r Consideremos el conjunto A = {v1 , v 2 ,..., v n , v * } PD: A es L.D Como A es base de V entonces existen escalares 1 , 2 ,..., n tales que: r r r r v * = 1 v1 + 2 v 2 + ... + n v n Consideremos el siguiente vector: r r r r r x = 1 v1 + 2 v 2 + ... + n v n + ( 1)v * r r r r r r = 1 v1 + 2 v 2 + ... + n v n + ( 1 v1 2 v 2 ... n v n ) r = 0 Tenemos una c.l de los vectores de A que es nula, y no todos los escalares son nulos (hay uno que es (-1) Dem ii) Propuesta 1.2.10 Dimensin de un espacio vectorial.
r r r Si A = {v1 , v 2 ,..., v n } es una base cualquiera de un espacio V, entonces la dimensin de V es igual al numero natural n (es igual al nmeros de vectores de cualquier de V). Se denota dim(V)= n.
Pgina 15
Sea V un espacio vectorial sobre K. Sean w1 y w 2 dos s.e.v de V. Entonces el conjunto w1 + w 2 se llama conjunto suma de w1 y w 2 r r r r r r Se define: w1 y w 2 = {x V / x = w1 + w 2 ; w1 w1 ; w 2 w 2 } TEOREMA: w1 + w 2 es s.e.v de V (dem. Propuesta) dim( w1 + w 2 ) = dim( w1 ) + dim( w 2 ) dim( w1 w2 ) * Se dice que V es suma directa de w1 y w 2 , ssi: a) V = w1 + w 2 r r r r r r b) x V (! w1 w1 )(! w 2 w 2 ) tales que x = w1 + w2 (Todo vector de V se escribe de manera nica como suma de un vector de w1 y otro de w 2 ) NOTACION: V= w1 w 2 TEOREMA: V= w1 w 2 ssi: a) V = w1 y w 2 r b) w1 w2 = 0
{}
Ejemplos: En R 3 1) Sea la base A={(1,0,-1),(-1,0,2),(1,-1,0)} r r Sea x = (5,-3,6). Determinar [x] A (5,-3,6) = 10(1,0,-1) + 8(-1,0,2) + 3(1,-1,0) + 3 = 5 = 10 - +2 = 6 =8 r [x] A = (10,8,3) 2) Idem. Si A={(1,0,0),(0,1,0),(0,0,1)} base cannica de R 3 (5,6,-3) = 5(1,0,0) + (-3) (0,1,0) + 6(0,0,1) r [x] A = (5,-3,6)
Pgina 16
r v
Todo vector queda determinado por tres elementos: a) Mdulo (largo de la flecha) b) Direccin (ngulo respecto a la lnea de referencia) c) Sentido (hacia sonde apunta la flecha) Se desprende que si dos vectores tienen igual mdulo, direccin y sentido, son iguales. Tambin se desprende que todo vector se puede desplazar parablemente, y no cambia.
r u
SUMA: Ley del paralelogramo
r v
r r u =v
r u
r v
r u r v r v (>1) r v (0<<1)
r r u + v
r v
r v (<-1)
r u r r u -v r -v
r v r u
r r u - v=? r r r r u - v = u 6+ (- v ) r v r r u -v
Pgina 17
Unidad 2
MATRICES
a11 a 21 : a m1
a12 a 22 : a m2
m filas
n columnas
2.2 NOTACION.
Se usan generalmente letras maysculas para denotar matrices: A,B,C,,X,Y, Si A es un matriz como la del punto anterior, se anota en forma abreviada: A= ( a ij ) mxn
aij representa el numero ubicado en la fila i y en la columna j.
Es el conjunto de todas las matrices de n filas, n columnas, con coeficientes en K M mxn (K ) = {A=( aij )/i=1,2,,m ; j=1,2,,n; aij K} En el ejemplo anterior A M 3 x 4 ( R ) NOTA: M n (K ) M nxn (K )
Pgina 18
2.4.1 Suma:
+: M mxn (K )
M mxn (K )
1 3 4 0 3 3 4 2 + 5 2 = 9 0 5 6 1 1 6 7
: K x M mxn (K )
M mxn (K )
A = ( a ij ) mxn
4 1 2 20 5 10 Ejemplo: 5 3 1 6 = 15 5 30
2.4.3 Multiplicacin:
M mxn (K ) x M nxp (K )
M mxp (K )
Notar que el nmero de columnas de la primera matriz debe coincidir con el nmero de filas de la segunda. A esto le llamaremos condicin de consistencia de la multiplicacin. Sean: A= ( a ij ) mxn , B= (bij ) mxp Se define: A B =
cik =
(c ik ) mxp
en que:
(a
j =1
ij
b jk )
Pgina 19
Ejemplo:
5 2 4 5 6 4 1 1 0 2 1 2x4 2 2 1 6 2 0 1 6 7 4 x3
2 5 + 4 4 + 5 1 + 6 2 2 2 + 4 3 + 5 0 + 6 6 2 1 + 4 2 + 5 1 + 6 7 = 1 5 + 1 4 + 0 1 + 2 2 1 2 + 1 3 + 0 0 + 2 6 1 1 + 1 2 + 0 1 + 2 7
43 52 57 = 13 17 17 2 x3
2.4.4 Propiedades: a) La suma de matrices es conmutativa, es decir A+B = B+A b) Dadas las condiciones de consistencia para la multiplicacin, la multiplicacin de matrices es distributiva respecto a la suma. Es decir A(B + C) = AB + AC c) La multiplicacin de matrices NO es conmutativa, aunque se den las condiciones de consistencia. d) La suma de matrices es asociativa: (A + B) + C = A + (B + C)
Pgina 20
Con las operaciones suma y producto por escalar vistas anteriormente, el conjunto M mxn (K ) es un espacio vectorial sobre K.
0 0 ... 0 0 0 ... 0 : : : 0 0 ... 0 mxn
Matriz neutro:
2.6.1 Matriz cuadrada Una matriz A = ( a ij ) mxn se llama cuadrada si m=n (igual numero de filas que de columnas) 2.6.2 Diagonal de una matriz (Slo para cuadradas) Sea A = ( a ij ) mxn , la diagonal de A es el conjunto escalares { a ii } i=1,2,3,,n
a11 a 21 : a m1
a12 a 22 : a m2
diagonal
2.6.3 Traza de una matriz (Slo para cuadradas) Si A = ( a ij ) nxn , entonces la traza de A denotada Tr(A) es: Tr(A) = elementos de la diagonal) 2.4.6 Matriz Diagonal (Slo para cuadradas) Sea A = ( a ij ) nxn A se llama matriz diagonal, si a ij = 0 i j 5 0 Ejemplo: 0 0 0 2 0 0 0 0 0 0 0 0 0 3
a
k =1
kk
(suma de los
es diagonal
Pgina 21
2.6.5 Matrices Triangulares (Slo para matrices cuadradas) Una matriz A = ( a ij ) nxn se llama triangular superior si a ij = 0 i < j 5 4 Ejemplo 6 5 0 1 3 2 0 0 4 7 0 0 0 es triangular inferior 1
2.6.6 Matriz Traspuesta Sea A = ( a ij ) mxn , entonces AT denota la matriz traspuesta de A. Se define AT = ( a ji ) nxm
1 4 1 2 7 T 2 3 A = 4 3 5 Ejemplo: A = 7 5 3x2
2.6.7 Matriz Simtrica (Slo para cuadradas) A = ( a ij ) mxn se llama simtrica i = 1,2,..., n Si a ij = a ji j = 1,2,..., n 3 2 1 7 2 9 6 8 Ejemplo 1 6 7 4 es simtrica 7 8 4 6
Observacin: Si A es simtrica, entonces A = AT y viceversa, es decir: A es simtrica <=> A = AT
Pgina 22
2.6.8 Matriz Identidad (Slo para cuadradas) Una matriz A = ( a ij ) mxn se llama matriz identidad ssi:
1 si i = j
a ij
0 si i j
Se denotan por In
1 0 0 Ejemplo I 3 = 0 1 0 0 0 1 NOTA: La matriz identidad es el neutro para la multiplicacin de matrices cuadradas. Es decir: AI = A y IA = A
2.6.9 Matriz Inversa (Slo para cuadradas) Sea A = ( a ij ) mxn , la matriz inversa de A, es otra matriz de nxn, denotada A 1
A y A 1 son tales que: A A 1 = I A 1 A = I NOTA: Dada una matriz cuadrada A, su inversa A 1 NO siempre existe. Si A 1 existe, se dice que A es INVERTIBLE o NO SINGULAR. La condicin para que A sea invertible la veremos ms adelante.
Pgina 23
Existen 3 tipos de matrices elementales llamadas elementales. Las denotaremos por: E ij , E ij ( ) , E i ( ) 2.7.1 La matriz E ij Se obtiene a partir de la identidad intercambiando la fila i y la fila j Ejemplo: En M 3 ( R ) E 23
1 0 0 1 0 E 23 = 0 0 I 3 = 0 1 0 0 0 1 0 1 Al multiplicar por la izquierda la matriz 0 1 0
E ij por una matriz A cualquiera, el resultado es
que en la
Ejemplo: E 23
2.7.2 La matriz E ij ( ) Se obtiene de la identidad reemplazando el elemento de la posicin i,j (que es un cero) Ejemplo: En M 3 ( R ) , E13 (7) = ? 1 0 0 0 1 0 7 0 0 1 0 0 0 1 0 0 I4 = E13 (7) = 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 Al multiplicar por la izquierda la matriz E ij ( ) por una matriz A cualquiera, el resultado es que a la fila i de la matriz A se le suma la fila j multiplicada por . 1 0 Ejemplo: 0 0 0 7 0 3 1 0 0 5 0 1 0 2 0 0 1 6 E13 (7) 1 1 1 6 A 4 0 1 7 2 10 3 5 = 4 2 9 6 8 11 30 1 0 3 1 1 4 6 7 9
Pgina 24
2.7.3 La Matriz E i ( ) Se obtiene de la misma forma que E ij ( ) , pero para i=j. Es decir se reemplaza el elemento de la posicin i,i de la identidad (que es un 1) por . Al multiplicar por la izquierda esta matriz por una matriz A, el resultado es que toda la fila de la matriz A queda multiplicada por . 1 0 Ejemplo: 0 0 0 1 0 0 7 0 3 0 0 5 5 0 2 0 1 6 E 3 (5) 1 1 1 6 A 4 0 1 7 2 3 1 3 5 1 = 4 10 5 9 6 6 4 2 0 3 5 20 7 9
Las 3 matrices elementales antes vistas, dan origen a las siguientes operaciones elementales en una matriz A cualquiera. a) Intercambiar dos filas b) A una fila sumarle otra multiplicada por un escalar c) Multiplicar toda una fila por un escalar
Tambin conocido como eliminacin Gaussiana Sea A una matriz invertible. Sean E1 , E 2 , E 3 ,..., E q q matrices elementales de cualquiera de los 3 tipos, tales que: ( E q ... E 3 E 2 E1 ) A = I En conclusin A 1 es el producto de un cierto nmero de matrices elementales, convenientemente elegidas, que transforman a A en la identidad, al multiplicar por la izquierda. El mtodo se resume en el siguiente algoritmo: a) Formar la matriz ampliada: [A I ] b) Mediante sucesivas operaciones elementales por filas en la matriz ampliada, convenientemente elegidas, transformar A en la identidad. Es un proceso del tipo: [A I ] .. [I B] 1 c) Se identifica A = B
Pgina 25
0 0 E 3 (1) 1 1 1 1 0 0 2 1 1 0 0 2 2 1 1 0 0 0 1 2 0 1 1 2 0 1 1
1 3 0 5 1 1 2 2 1 2 0
1 1 0 0 0 1 1 2 2 2 1 1 5 1 1 1 A = 5 1 = 5 1 2 2 2 2 2 2 1 1 2 0 0 2 4 0 2 1 2 1
Pgina 26
2.10 DETERMINANTES
2.10.1 Introduccin: Sea A M n (K ) (matriz cuadrada). Entonces el determinante de A es un escalar denotado det(A) |A| En otras palabras | |: M n (K ) K A |A| Determinante se define mediante el concepto de permutacin Al respecto solo diremos que el determinante de una matriz de nxn consiste en la suma de n! productos, de n factores cada uno. Estos factores se generan tomando un elemento de la 1 columna, uno de la 2, uno de la 3,, uno de la n-sima, elegidos sin repetir la posicin dentro de la columna. A continuacin veremos las formulas para el calculo de determinantes, surgidas de esta definicin con permutaciones. 2.10.2 Caso 2x2:
a11 det a 21
+ Ejemplo:
Pgina 27
det
2 4 1 5 1 3 0 2 2 4 5 1 1 1 3 = -2+10+0-0-12-20 = -24
2.10.4 Caso general nxn: PREVIO: a) Matriz menor: Si A = ( a ij ) nxn entonces M i j ( A) denota la matriz menor de A obtenida eliminando la fila i y la columna j. b) Cofactor: Denotaremos por C ij el cofactor de la posicin i,j de la matriz A. Es un escalar definido por: C ij = (1) i + j det(Mi j ( A))
-
Fin Previo
Desarrollo de La place para clculo de determinantes: Sea A = ( a ij ) nxn . Entonces el determinante de A se puede calcular de cualquiera de las dos formas siguientes: a) Desarrollo por fila: Se elige una fila, digamos la fila i. Entonces
det( A) = a i k c ik
k =1 n
NOTA: El valor de det(A) es el mismo independiente de la fila o la columna elegida para su desarrollo. Ejemplo: 4 8 6 A= 1 2 4 3 7 5 Solucin: Elegimos desarrollo por fila i=3
Pgina 28
det( A) = a 3k c 3k
k =1
= a 31 c 31 + a 32 c 32 + a 33 c 33
8 6 4 6 4 8 + 7(1) 5 det + 5(1) 6 det = (3)(1) 4 det 2 4 1 4 1 2 = (-3)44+(-7)22+50 = -286 2.10.5 Propiedades generales de los determinantes:
a) det(A) = det( AT ) b) det(AB) = det(A)det(B) c) si una matriz es diagonal o triangular, su determinante es igual al producto de los elementos de la diagonal d) Si en una matriz los vectores representados por cada fila son L.D entonces su determinante es cero (y viceversa). En particular: d.1) Si una fila completa es nula el determinante es cero. d.2) Si dos filas son iguales el determinante es cero. d.3) Si una fila es mltiplo de otra el determinante es cero. d.4) Si una fila es combinacin lineal de las restantes el determinante es cero. e) Si en una matriz se intercambian dos filas el determinante cambia de signo. f) Si en una matriz se multiplican todos los elementos de una fila por un escalar, su determinante que multiplicado por dicho escalar. Ejemplo: a12 a11 det a 21 a 22 a a 32 31 En general
a13 a11 a 23 = det a 21 a a 33 31 a13 a 23 a 33
a12 a 22 a 32
det(a)= n det(A)
con A M n ( K )
g) Si en una matriz a una fila se le suma otra multiplicada por un escalar (operacin elemental n 2) su determinante no cambia.
Pgina 29
Unidad 3
3.1 DEFINICIONES:
Una ecuacin lineal en n incgnita es del tipo: a1 x1 + a 2 x 2 + a 3 x 3 + ... + a n x n = b Donde a1 , a 2 ,..., a n , b son escalares conocidos. x1 , x 2 , x 3 ,..., x n son incgnita (escalares) Una solucin de una ecuacin lineal es una n-tupla ( k1 , k 2 , k 3 ,..., k n ) tal que a1 k 1 + a 2 k 2 + a 3 k 3 + ... + a n k n = b es una tautologa. Un sistema de ecuaciones lineales es un conjunto de ecuaciones del tipo:
a11 x1 + a12 x 2 + a13 x 3 + ... + a1n x n = b1 a 21 x1 + a 22 x 2 + a 23 x 3 + ... + a 2 n x n = b2 ............................................................ ............................................................ a m1 x1 + a m 2 x 2 + a m 3 x 3 + ... + a mn x n = bn
Es un sistema de n ecuaciones con n incgnitas. Una n-tupla ( k 1 , k 2 , k 3 ,..., k n ) es una solucin del sistema si es solucin de las m ecuaciones simultneamente.
Pgina 30
x1 b1 x2 b2 = : : : x b am2 n n r r A X b (Matriz de los coeficientes) ( vector incgnita) (vector del lado derecho)
r r Luego escribiremos el sistema por: Ax = b
a11 a 21 : a m1
a12 a 22
r r Sea el sistema Amxn x = b (n ecuaciones con n incgnitas). Pueden darse 3 situaciones en cuanto a sus soluciones.
a) El sistema tiene solucin nica (hay una nica n-tupla que es solucin) b) El sistema tiene infinitas soluciones (hay infinitas n-tuplas que son solucin) c) El sistema no tiene solucin (ninguna n-tupla es solucin) PREVIO: Matriz Escalonada Llamemos elemento distinguido de una fila al 1 elemento no nulo de izquierda a derecha. Una matriz se llama escalonada si el elemento distinguido de cada fila est estrictamente a la derecha del elemento distinguido de la fila anterior. Ejemplo: 3 0 0 0 4 0 0 0 0 1 0 0 1 2 1 0 5 4 3 6
Fin Previo
b) Mediante operaciones elementales en la matriz ampliada, escalonar la matriz A. c) Si en algn instante, en el proceso de escalonamiento, aparece una fila [000.......0 k ] con k 0 entonces el sistema no tiene solucin.
Pgina 31
d) En caso contrario: d.1) Si el numero de filas no nulas de A escalonada es igual al numero de incgnitas, el sistema tiene solucin nica. d.2) Si el numero de filas no nulas de A escalonada es menor que el numero de incgnitas, entonces el sistema tiene infinitas soluciones.
x + 2y z + w = 4 2 x 4 y 6 z + 2w = 3 5 x 2 y + 9 z 5w = 1
o bien
Ejemplo 2:
x + 2 y 3z = 4 x + 3 y + z = 11 2 x + 5 y 4 z = 13 2 x + 6 y + 2 z = 22 3 incgnitas, 4 ecuaciones.
1 1 2 2
2 3 4 E 21 (1) 1 3 1 11 E 31 ( 2) 0 5 4 13 E 41 ( 2) 0 6 2 22 0
2 3 4 1 E 32( 1) 0 1 4 7 E 42( 2) 0 1 2 5 2 8 14 0
2 3 4 1 4 7 0 2 2 0 0 0
Pgina 32
a) Gauss: r Se forma la matriz ampliada A b Mediante operaciones elementales por filas en esta matriz ampliada, se transforma A en la identidad. r r El proceso es del tipo: A b .. I k r r La solucin es x = k NOTA: Este procedimiento equivale a encontrar la inversa de A. r r Ax = b / A 1 izq En efecto: r r x = A 1 b Ejemplo: x + 2 y 3z = 4 4 1 2 3 x x + 3 y + z = 11 1 3 1 11 o en forma matricial y = 2 x + 5 y 4 z = 13 2 5 4 13 2 6 2 z 22 2 x + 6 y + 2 z = 22
1 1 2 2
2 3 4 1 2 3 4 clase anterior 0 1 4 3 1 11 7 5 4 13 0 0 2 2 6 2 22 0 0 0 0
1 r La solucin es: x = 3 1
b) Regla de Cramer: r r Sea el sistema Anxn x = b Llamaremos Ai la matriz que se obtiene reemplazando la columna i de la matriz A r por el vector b x1 x2 r det( Ai ) se resuelve: Xi = i=1,2,3,,n Entonces si x = x 3 det( A) : x n Ejemplo: 2 5 3 1 r A = 1 3 4 b = 5 6 2 7 4
2 5 1 5 3 4 4 2 7 Tenemos que: x = 2 5 3 1 3 4 6 2 7
1 5 3 1 5 4 6 4 7 y= 2 5 3 1 3 4 6 2 7
2 1 3 1 3 5 6 2 4 z= 2 5 3 1 3 4 6 2 7
Pgina 34
Ejemplo: 3x + 5 y z = 0
4x + 2 y + 4z = 0 x + y 2z = 0
Es un sistema Homogneo.
0 0 r Es claro que todo sistema homogneo admite la solucin x = 0 llamada solucin trivial. : 0 Bajo qu condiciones un sistema homogneo admite soluciones no triviales?
Teorema: r r Sea el sistema homogneo cuadrado Anxn x = 0 Entonces existen soluciones no triviales ssi: det(A) = 0 [Si det(A) 0 entonces la nica solucin es la trivial] Teorema: Si det(A) = 0 el sistema homogneo tiene infinitas soluciones.} El conjunto de todas sus soluciones es un s.e.v de R n que llamaremos espacio solucin del sistema.
Pgina 35
Ejemplo:
2x + 4 y + z = 0 x + 11y 10 z = 0
Escalonemos la matriz de los cofactores:
34 + 28 + 6 17 + 77 60
1 5 3 E 21 (2) 1 5 3 1 5 3 E 32 (1) 1 E 31 (1) 0 6 7 2 4 0 6 7 1 11 10 0 0 6 7 0 0 x + 5 y 3z = 0 Tenemos 2 ecuaciones independientes: 6 y + 7z = 0 x+5y-3z=0 x=3z-5y z= 6 y -6y+7z=0 7 x=3 6 y -5y = 17 y 7 7 17 17 x 17 7 y 7 7 y = y 1 1 es una base del espacio solucin, su dim. es 1. y = 6 6 z 6 y 7 7 7 17 7 1 El espacio solucin: 6 7 17 NOTA: otra base es: 7 6
Sea A una matriz cuadrada. Entonces las siguientes afirmaciones son equivalentes: a) A es invertible
r r b) El sistema Ax = 0 slo admite la solucin trivial.
Unidad 4
Sea V un espacio vectorial sobre un cuerpo K r r r r r r Sean x , y V. Entonces la notacin < x , y > significa producto interno entre x e y . Su resultado es un escalar. En general se define as: La aplicacin < , >: V x V K es un producto interno ssi: r r r r r r r a) < x + y , z > = < x , z > + < y , z > r r r r b) < x , y > = < x , y > K r r r r c) < x , y > = < y , x > r r d) < x , x > 0 r r r r e) < x , x > = 0 x = 0 Ejemplo:
r r En R 2 sean x = ( x1 , x 2 ) y = ( y1 , y 2 ) Sea la aplicacin < , > : R 2 xR2 R definida: r r < x , y > = x1 y 1 + 2 x 2 y 2 + 5 Es < , > un producto interno? Respuesta: NO
r r r Sean x =(1,2) y =(3,4) z =(5,6) r r r < x + y , z > = <(4,6),(5,6)> = 45+266+5 = 97 r r r r < x , z > + < y , z > = <(1,2),(5,6)> + <(3,4),(5,6)> = 15+226+35+246+5
Pgina 37
= 5+24+5+15+48+5 = 102
Sobre un espacio vectorial V cualquiera se pueden definir muchos productos internos. Cualquier aplicacin < , >: V x V K que cumplan las 5 condiciones de la definicin es un producto interno habitual. a) En R n sobre R. r Sean X = ( X 1 , X 2 , X 3 ,..., X n ) r Y = (Y1 , Y2 , Y3 ,..., Yn ) n r r < x , y > = X k Yk
k =1
Ejemplo: r r y = (4,1,6) En R 2 sean x = (5,2,1) r r < x , y > = 54+(-2)1+16 = 24 b) En R n [ x] sobre R Sean p(x) =
An X n + An 1 X n 1 + ... + A1 X + A 0
A
k =1
Bk
Ejemplo:
Pgina 38
1 4 2 7 3 0 4 3 1 1 2 5 3 11 34 3 1 = Traza 19 18 19 = 23 2 5 8 6 2 1 B= 5
Sea
Pitgoras
x2
x1 + x 2
Pgina 39
x1
Entonces:
r x =
r r < x, y >
Ejemplo:
4 1 En M 3 x 2 ( R ) 2 3 = 5 6
4 1 4 1 2 3 , 2 3 5 6 5 6
4 1T 4 1 Traza 2 3 2 3 5 6 5 6
4 1 4 2 5 2 3 Traza 1 3 6 5 6
45 40 Traza 40 46
Pgina 40
Veamos el caso de R 2
x2
r x
y2
r y
x1
y1
=
Pero:
x sen = r2 x y sen = r2 y
Por otro lado:
x1 cos = r x y cos = r1 y
Pgina 41
x1 y x y = r r1 + r2 r2 x y x y x1 y1 + x 2 y 2 r r x y r r r r x, y x, y = r r cos = r r x y x y NOTA: La formula anterior se extiende para cualquier espacio vectorial. r r x, y = arccos r r x y
=
r y
a
r r x, y a a Del dibujo: cos = r . Es decir r r = r x y x x r r x, y De donde a = r y r y r Entonces a = a r y
r Vector unitaria en la direccin y sentido de y
r r x, y r r 2 y y
Solucin:
En R 3
r x = (1,1,1)
r Es x unitario?
r x
r 12 + 12 + 12 = 3 1 x no es unitario
y = 1 + 1 + 1 = 3 3 3
NOTA:
1 1 1 + + =1 3 3 3
En efecto
Escalar positivo
1 r = r x x
Pgina 43
=1
4.10 ORTOGONALIDAD
r r Sea V un espacio vectorial sobre K y sean x , y V r r r r Se dice que x e y son ortogonales ssi: < x , y > = 0 r r r r Notacin: x y x es ortogonal a y
Ejemplo: r r En R 4 Sean x = (1,1,1,1) y = (1,1,0,2) r r < x , y > = (1,1,1,1), ( 1,1,0,2) = 1(-1)+1(-1)+10+12 = 0 r r x y Nota: r r r r r r Sean x e y dos vectores tales que: x y , x , y 0 r r x, y r r cos(( x , y )) = r r x y
r r x, y r r cos(( x , y )) = r r x y 0 r r = x y =0 r r ( x , y ) = 90 o 2
r r (hip x y )
Pgina 44
=0 Q.E.D r r r r b) Si x y entonces x y , K r r r r En efecto: x , y = x , y (prop. b) de < , >) = 0 =0 4.10.1 Conjunto ortogonal de vectores.
r r r Sea V un espacio vectorial sobre. Sea A= {v1 , v 2 ,..., v n } A se llama conjunto ortogonal de vectores ssi: cada vector de A es ortogonal de vectores ssi: 0 si i j r r vi , v j = r 2 vj si i = j
TEOREMA: Todo conjunto ortogonal de vectores no nulos es L.I, es decir A es ortogonal => A es L.I / el reciproco no es valido. Demostracin:
Pgina 45
r r r Sea A= {v1 , v 2 ,..., v n } P.d A es ortogonal => A es L.I r r r r P.d 1v1 + 2 v2 + ... + n v = 0 1 = 2 = = n = 0 / por definicin de independencia lineal r r r r r r E.E: 1 v1 + 2 v 2 + ... + i v i + ... + n v n = 0 / < , vi > i = 1,2,3,,n r r r r r r r 1 v1 + 2 v 2 + ... + i v i + ... + n v n , v i = 0, v i r r r r r r r r i v1 , vi + 2 v 2 , v i + ... + i v i , v i + ... + n v n , v i = 0 / por prop. a), b) de < , > r r r x 0 x
i vi
=0
=> i = 0
i=1,2,3,,n Q.E.D
4.10.2 Complemento ortogonal: Sea V un espacio vectorial sobre K. r r r Sea A = {v1 , v 2 ,..., v n } El complemento ortogonal de A, denotado A es el conjunto de todos los vectores de V que son ortogonales a TODOS los vectores de A.
r r r r def x A x y, y A
TEOREMA: a) b)
A V =
A A
= +
r {0} A
r r r A xes y + z de V s.e.v Ar = 0 r y V = A A r r x A x
NOTA: El punto b) dice que todo vector de V se descompone de manera nica como suma de un vector de A y otro de A 4.1.3 Mnimos cuadrados: Sea A una matriz de mxn. Llamaremos espacio columna de A, denotado C(A) al espacio generados por las columnas de A.
Pgina 46
a11 a 21 Si A = : a m1
a12 a 22 : a m2
=> =C (A) =
Entonces:
a11 a21 : a m1
a12 a22 : am 2
b1 b2 : b n
k1 r k Si 2 es solucin del sistema si y slo si el vector b pertenece al espacio columna de A. : k n En otras palabras: r r r El sistema Ax = b tiene solucin ssi b C(A)
Ahora, si C(A) entonces el sistema no tiene solucin, es decir, es incompatible. Mediante la formula que deduciremos a continuacin podremos encontrar una solucin r aproximada x * , la mejor posible. r 2 r Esta solucin minimiza el error cuadrtico. e 2 = Ax * b
r Determinacin de x * : r r El vector x * , la mejor solucin aproximada, es tal que A x * es la proyeccin ortogonal de r b sobre C(A).
r b
r r A x* b
C(A)
r A x*
r r A x* b es ortogonal a todo vector de C(A). Pero todo vector de C(A) se escribe. r A y r r r r Ax * b Ay y R n r r r r y Rn Ax * b , Ay = 0 r r r r r y Rn Ay, Ax * = 0 Ay, b = 0 r r r r r y Rn ( A y )T Ax * ( A y )T b = 0 r r r r y Rn ( A y )T Ax * b = 0 r r r r y Rn y T A T Ax * b = 0 r r r r y Rn y T A T Ax * b = 0
( (
) ) )
Pgina 48
r r r y T A T Ax * A T b = 0
r y Rn
r r A T Ax * A T b = 0 De donde r r A T Ax * = A T b
Ecuaciones normales de mnimos cuadrados siempre tiene solucin para A que corresponde a la mejor aproximacin del sistema incompatible r r Ax = b Minimiza el error cuadrtico r 2 r e 2 = Ax * b NOTA: Los sistemas incompatibles se dan generalmente cuando hay mayor nmero de ecuaciones que de incgnitas. Este es en general, el caso de las aplicaciones a problemas reales en que se tiene mucha informacin (ecuaciones) y pocas incgnitas. Ejemplo: x y Experimentalmente se midieron los siguientes puntos 2 3 Si se grafican estos 5 puntos en el plano x,y se ver que se adaptan 1 1 aproximadamente a una parbola. 0 2 1 3 Encontrar la funcin cuadrtica (parbola) que mejor aproxima estos 5 puntos.
2 5
Pgina 49
4 2 1 4 2 1 4 2 1 3 a 1 1 1 1 1 1 1 1 1 1 0 0 1 3 x 5 0 0 1 b = 0 0 1 2 c 1 1 1 1 1 1 1 1 1 3 4 2 1 4 2 1 4 2 1 5 x3 3 x 5 5 5 x1 34 0 10 a 36 0 10 0 b = 6 10 0 5 c 14
a 34 0 10 => b = 0 10 0 c 10 0 5 4 a 7 b= 3 5 c 58 35
1
36 6 14
Resp: La funcin cuadrtica que mejor aproxima los 5 puntos es: y = 4 x 2 + 3 5 x + 58 7 35 4.10.4 Planos y rectas en R3 (el espacio de 3 dimensiones) 4.10.4.1 Rectas en R3 L
z
B X
Sean A y B dos puntos fijos sobre la recta, y sea X un punto variable tambin sobre la recta r r Llamaremos: OA = p r r AB = d r r OX = r
Pgina 50
Entonces tenemos:
r r r r = p + d
r p = vector posicin de la recta (conocido, fijo) r d = vector director de la recta (cualquier vector fijo que le da la direccin) r r = vector variable sobre la recta.
NOTA: r r r Dos rectas L1 : r = p1 + d 1 r r r L 2 : r = p 2 + d 2 Son paralelas en el espacio (L1//L2) si sus vectores directores son L.D r r Es decir si d 1 es mltiplo de d 2 Ejemplo: r L1 : r = (5,3,2 ) + (1,4,3) Sean: r L2 : r = (1,0,3) + (2,8,6 )
r r L1//L2 pues d 1 es mltiplo de d 2 (son L.D)
4.10.4.2 Planos en R3
r r Sean A,B,C tres puntos en el espacio tales que los vectores AB y AC son L.I r AB z
B X A
C
r
AC
0
x
Pgina 51
Ecuacin vectorial del plano. r r Llamaremos OA = p r r AB = d 1 r r AC = d 2 r r OX = r (vector variable) r p = vector posicin r conocidos d 1 = vector director 1 r d 2 = vector director 2 r r = vector variable
r r r Tenemos: Ax = d 1 + d 2 r r r r Entonces: r = p + d + d 2
Ejemplo:
r r = (4,2,1) + (3,5,2 ) + (8,7,1) en un plano en R3 (ec). Vectorial)
El espacio generado por los vectores directores, es decir: r r d 1 , d 2 se llama espacio director del plano (dimensin 2)
Dos planos son paralelos en el espacio, si sus espacios directores son iguales: r r r r 1 : r = p1 + d 1 + d 2 r r r r 2 : r = p2 + 1 + 2 r r r r 1 // 2 d1 , d 2 = 1 , 2
} {
L //
r dl
{dr
r , d 2
r Ecuacin del plano que pasa por un punto A y que es normal (perpendicular) al vector OA :
r r r a
X
r a
r r
0
x
Pgina 53
r r r, a =
(x, y, z ), ( A, B, C )
a=(A,B,C)
Ax + By + Cz + D = 0
NOTA: El vector (A,B,C) es normal (perpendicular) al plano. Ejemplo: Sea el plano: =3x+2y-5z+6 = 0, entonces el vector (3,2,-5) es normal al plano. Ecuaciones paramtricas de un plano.
r r r r Consideremos el plano de ecuacin vectorial: r = p + d 1 + d 2 r En que: p = (a1 , a 2 , a 3 ) r d 1 = (b1 , b2 , b3 ) r d 2 = (c1 , c 2 , c 3 ) r r = ( x, y , z ) Reemplazamos: ( x, y, z ) = (a1 , a 2 , a 3 ) + (b1 , b2 , b3 ) + (c1 , c 2 , c 3 ) De donde x = a1 + b1 + c1 Ec. Paramtricas de un plano. Y = a 2 + b 2 + c 2
Pgina 54
Z = a 3 + b3 + c 3 Ejemplo: x = 2 + 3 + 5 Y = 1 + 4 + 2 Z = 6 + + 7
La ecuacin vectorial de este plano: (x, y, z ) = (2,1,6) + (3,4,1) + (5,2,7 ) Observacin Dado un plano , puede ser representado por B tipos de ecuacin: a) Vectorial. b) Cartesiana. c) Paramtrica. Siempre se puede obtener una ecuacin a partir de otra.
Unidad 5
5.1 DEFINICION
TRANSFORMACIONES LINEALES
Sean U, V dos espacios vectoriales sobre un mismo cuerpo IK Sea f : u V una funcin f Se llama transformacin lineal (T.L.) o aplicacin linean ssi:
v v v v v v + a) f ( x v y ) = f ( x ) + vf ( y )x , y U v b) f (x ) = f ( x )x U
Ejemplo: Sea la funcin de f : R 3 R 2 , definida: x 3x + 2 y + z f y = 3 x + 3y + 2z + 5 z Es una T.L? Respuesta: NO!
1 2 v v Contraejemplo: Sean x = 1, y = 1 1 3
Pgina 55
1 2 v v f ( x + y ) = f 1 + 1 = 1 3 1 v v f ( x ) + f ( y ) = f 1 + 1
2 3 3 + 2 4 + 4 17 f 3 = 2 3 + 3 2 + 2 4 + 5 = 28 4
2 3 1 + 2 1 + 1 3 2 + 2 1 + 3 f 1 = 2 1 + 3 1 + 2 1 + 5 + 2 2 + 3 1 + 2 3 + 5 3
6 11 = + 11 18 17 = 29 No se cumple condicin a)
Pgina 56
a b b) f = c d
a b f c d
Sea f : U V una T.L El ncleo de f es un subconjunto de U (espacio de partida) denotado ker( f ) (Kernel) Definido:
Ker ( f ) = x U / f ( x ) = 0
{v
}
V
v 0
b) Demostracin: a) Propuesta
def
b1 ) v P.d f es inyectiva ker( f ) = {0U } v v v Sea x ker( f ) entonces f ( x ) = 0V (*) v v Pero 0 v = f (0U ) f Es T.L v v v v EE f (0U ) = f (0 0U ) = 0 f (0U ) = 0V
E.V
Remplazando en (*) v v v v f ( x ) = f (0 U ) x = 0 U
QED )
QED
3 3
Solucin:
Pgina 58
x = 2 y 5z y=
Sea f : U V una T.L, Entonces la imagen f es un subconjunto de V, denotado por Im( f ), definido:
v v Im( f ) = { f ( x ) / x U }
Im( f )
Pgina 60
TEOREMA:
v v v Si { 1 , U 2 ,........, U n } = U U
{f (U
v
1
v v ), f (U 2 ),....., f (U n )} = Im( f )
NOTA: Esto significa que si un conjunto de vectores el espacio genera el espacio de partida, sus imgenes genera el subespacio vectorial Im( f )
Ejercicio: Para la misma T.L del ejemplo anterior, calcular una base de Im( f ) Sabemos que:
1 1 f 0 = 2 , 0 0
= R 3 (Esp. De partida)
0 2 f 1 = 6 , 0 10
0 5 f 0 = 1 1 11
1 2 5 2 , 6 , - 1 = Im( f ) (por teorema) 0 - 10 11 Para saber cuntos vectores LI hay, escalonamos la matriz 1 2 0 2 6 10 5 1 11 Las filas no nulas de sta matriz escalonada formacin una base de Im( f ) Entonces:
Pgina 61
1 2 0 2 6 10 E 21( 2) 5 1 11 E 31( 5)
1 2 0 0 10 10 E 32 (11 10 ) 0 11 11
1 0 0
0 10 10 0 0 2
Sea f : U V una transformacin Lineal Sea A: una base de U . B: una base de V . Entonces [ f ]A, B denota matriz representante de f con respecto a las bases A y B. NOTA: Esto presupone un orden fijo en los vectores de cada base. Cmo se calcula [ f ]A, B ? Datos: f , A, B. v v v Sea A = { 1 , U 2 ,........, U n } U v v v B = { 1 , V2 ,......... , V n } V
Pgina 62
v v v v f (U 1 ) = 11V1 + 12V 2 + KK + 1mV m v v v v f (U 1 ) = 21V1 + 22V 2 + KK + 2 mV m M M M M M M M M v v v v f (U 1 ) = n1V1 + n1V 2 + KK + nmV m Entonces : 11 21 31 KK n1 12 22 32 KK n 2 Notar que es la transpuesta de la [ f ] A, B = KKKKKKKKKK matriz de los coeficientes (escalares) 1m 2 m 3m KK nm x 5x + 4 y 2z Sea la T.L f : R 3 R 2 : f y = z x + 8 y + 3z v v v U1 U 2 U 3
1 2 1 3 Ejemplo: Sean A = 3 , 0 , 6 una base de R 4 5 1 v v V1 V 2 6 0 B = , una base de R 2 1 7 Calcular la [ f ] A, B.
Pgina 63
si la bases son las canoncas, entonces [ f ] A, B. la son los escalares que nos dan en f . Propiedad: Sea f : U V una T.L. Sean A: una base de U . B: una base de V .
v Entonces: [ f ( x )]B =
[ f ]A, B
v [x ] A
Ejemplo:
Pgina 64
x 5x + 4 y 2 z v 3 2 f (x ) : R R : f y = x + 8 y + 3z z x x 5 4 - 2 y Entonces: f y = z 1 8 3 z
Matriz representante de f c/r a las bases canoncas de
R3 y R2
Unidad 6:
6.1 DEFINICION
Sea f : U U una transformacin lineal donde U es un espacio vectorial sobre un cuerpo IK (notar que f va de un espacio en s mismo).
v Sea x U un vector no nulo, sea IK
v v v f (x ) = x Entonces x se llama un vector propio de f s y slo s v El escalar se llama un vector propio de f y x es su vector propio asociado v v v v f ( 0) = f ( 0 0) = 0 f ( 0) = 0
Pgina 65
Ejemplo:
v 9
Pgina 66
6.2 TEOREMA:
El conjunto de todos los vectores propios asociado a un valor propio es un S.E.V de U. v v v Es decir: el Conjunto A = {x U / f ( x )U= x} es S.E.V de U. *(dem. Propuesta)
6.3 TEOREMA:
Vectores propios asociados a valores propios distintos son L.I. en otras palabras si 1 y v v 2 son 2 valores propios de f tales que 1 2, y x 1, x 2 son vectores propios v v asociados respectivamente, entonces el conjunto { x 1, x 2} es L.I. Esto se generaliza para n valores propios todos distintos entre si: Dem:
v v P.d { x 1, x 2} es L.I. v v v P.d 1 x1 + 2 x 2 = 0
EE: *
1 x1 + 2 x 2 = 0
Pgina 67
Sea: f : U U una transformacin lineal. Sea A la matriz representantes de f con respecto a la base canonca de U. v v Sabemos del punto 5.4 que f ( x )=A x (1)
v Sea un valor propio de f y sea x un vector propio asociado, entonces: v v f ( x )= x (por def. de valor y vector propio) v v Remplazando en (1): A x = x v v v 0 A x - x = v v (A- I) x = 0 (2) v La ecuacin (2) es un sistema de ecuacin homogneo de x . v Como x 0, entonces Det (A- I)=0 (3) (De esta forma el sistema (2) tiene soluciones no triviales). La ecuacin (3) se llama ecuacin caracterstica de la T.L f (o de la matriz A). Es una ecuacin algebraica en de tipo polinomial, de donde se obtienen los valores propios .
Det (A- I) es un polinomio en , llamado polinomio caracterstico de la T.L. (o de la matriz A). Lo denotaremos C A ( ) . Es decir: C A ( ) =Det (A- I). Resumen: Calcular los valores propios de f a partir de la ecuacin caracterstica. a) Det (A- I)=0 (es un numero finito de valores propios). Para cada valor propio se determinan sus vectores propios asociados al sistema b) v v 0 homogneo (A- I) x = (como son infinitos vectores propios, slo se determinan una base de ellos). Ejercicios: Sea la T.L. a f : R 3 R 3 es definida por:
x 4x + y z f y = 2x + 5 y 2z z x + y + 2z
NOTA
a) b) c)
Encontrar los valores propios de f . Para cada valor propio determinar una base de vectores propios. Determinar el conjunto mximo de vectores propios L.I.
Pgina 68
4 Det 2 1
5 - 2 = 0 (Sarrus) 1 2 1 -1
- 3 + 112 39 + 45 = 0 ( 3) 2 + ( 5) = 0
Respuesta Hay 2 valores propios: 1=3 , 2=5 a) Parte b): vectores propios para =3
Multiplicidad
Pgina 69
4 2 1
1 - 1 1 0 0 x 0 5 - 2 3 0 1 0 y = 0 1 2 0 0 1 z 0
1 -1 0 0 0 0
0 y 1 1
=3
=3
1 - 1 x 0 0 - 2 y = 0 1 - 3 z 0
Pgina 70
-1 2 1
1 -1 -1 1 -1 -1 0 -2 0 2 -4 0 1 - 3 0 2 - 4 0 2y - 4z = 0 2y = 4 z y = 2z
1 -1 2 - 4 0 0
x + y z = 0 x = y - z x = 2z - z x = z
x z y = 2z = z z
1 z 2 1
1 2 Es una base de vectores propios asociada a = 5 1 Importante :" en algunos casos no hay base de vectores propios entonces no posee represencin matricial diagonal". 1 0 1 c) 0 , 1 , 2 es el conjunto mximo de vectores propios L.I de f . 1 1 1 (nota rque este conjunto es una base en R 3 ).
Pgina 71
Sea f : U U una T.L. entonces f posee representacin matricial diagonal s y slo s existe una base de vectores propios a U. v v v En efecto, sea A = { 1 , V2 ,......... , V n } una base de U de vectores propios de f . V Determina [ f ]A, A (matriz representante de f c/r a base A)
v v v v v v f (V1 ) = 1 V1 = 1 V1 + 0 V 2 + 0 V3 + L + 0 V n v v v v v v f (V 2 ) = 2 V 2 = 1 V1 + 0 V 2 + 0 V3 + L + 0 V n v v v v v v f (V n ) = n V n = 1 V1 + 0 V 2 + 0 V3 + L + 0 V n 1 0 0 L 0 0 2 0 L 0 = 0 0 3 L 0 LLLLLLL 0 0 0 L n
Luego si hay una base de U de vectores propios de f , la representacin matricial de f c/r a esa base; es diagonal en que en la diagonal estn los valores propios
[ f ] A, A
Ejemplo:
x 4x + y z Sea la T.L. a f : R R es definida por: f y = 2 x + 5 y 2 z z x + y + 2z
3 3
1 0 -Base de los vectores propios para 1=3 0 , 1 1 1 1 - Base de los vectores propios para 2=5 2 1 1 0 1 3 El Conjunto A= 0, 1 , 2 es una base de R , formada por vectores propios de f 1 1 1
Pgina 72
[ f ] A, A
Comprobacin:
3 = 0 0
0 3
0 0 0 5
1 3 1 0 1 f 0 = 0 = 3 0 + 01 + 0 2 1 3 1 1 1 1 0 1 0 3 f 1 = 0 = 0 0 + 31 + 0 2 1 1 1 1 3 1 0 1 1 3 f 2 = 0 = 0 0 + 01 + 5 2 1 1 1 1 3 [ f ]A, A 3 = 0 0 0 0 3 0 0 5
6.6 Teorema de Cayley-Hamilton Sea f : U U una T.L. de finida por v v Matriz nula f ( x )=A x Entonces C A ( A) = 0
Recuerdo: C A ( ) es el polinomio caracterstico de
Pgina 73
1 -1 4 5 - 2 39 2 1 1 2
1 -1 1 0 0 0 5 - 2 + 45 0 1 0 = 0 0 0 1 0 1 2
0 0 0
0 0 0
(Comprobarlo) Aplicacin Para El Clculo De Inversas C A ( A) = 0 A 3 + 11A 2 39 A + 45I = 0 / A 1 A 1 A 3 + 11A 1 A 2 39 A 1 A + 45 A 1 I = 0 A 2 + 11A 39 I + 45 A 1 = 0 A 1 = 4 1 = 2 45 1 1 ( A 2 11A + 39 I ) 45
2
A 1
1 -1 4 5 - 2 11 2 1 1 2
1 -1 1 5 - 2 + 39 0 0 1 2
0 0 1 0 0 1
(Comprobarlo)
Pgina 74
Unidad 7
7.1 DEFINICION:
Sea V un espacio vectorial sobre un cuerpo IK. Sea f : VxV IK v v v v ( x, y) f ( x, y) Se dice que f es una forma bilineal ssi: v v v v v v v f (x + y, z ) = f ( x , z ) + f ( y, z ) , IK v v v v v v v f ( x , y + z ) = f ( x , y ) + f ( x , z ) , IK v v v v (Es decir f debe ser lineal para cada variable del par ( x , y ) lineal en x y lineal en y ). Ejemplo: Sea f : R x R R v v v Sea x = ( x1 , x 2 ); y = ( y1 , y 2 ); z ( z1 , z 2 )
2 2
Todos los productos de cada componente deben aparecer v v Definamos f ( x , y ) = 5 x1 y1 + 3x1 y 2 + 7 x 2 y1 + 10 x 2 y 2 (*) Si no esta es porque el escalar es 0 Es f una forma bilineal? Solucin:
v v v v v v v P.d f (x + y, z ) = f ( x , z ) + f ( y, z ) v v v E.E : f (x + y, z ) = f ( ( x1 , x 2 ) + ( y1 , y 2 ) + ( z1 , z 2 ))
= f ((x1 + y1 ), (x 2 + y 2 ), ( z1 , z 2 )) = 5(x1 + y1 ) z1 + 3(x1 + 1 ) z 2 + 7(x 2 + y 2 ) z1 + 10(x 2 + y 2 )
f (5 y1 z1 + 3 y1 z 2 + 7 y1 z 2 + 10 y 2 z 2 )
Notar que la ley de F.B dada en (*) se puede escribir : 5 3 y1 f ( x, y ) = [ x1 x 2 ] 7 10 y 2 Comprobando : y1 = [5 x1 + 7 x 2 3x1 + 10 x 2 ] = (5 x1 + 7 x 2 ) y1 + ( 3 x1 + 10 x 2 ) y 2 y2 falta demostrar la segunda parte, es decir, dem la linealidad para la segunda variable.
Pgina 75
v x V v v x, y V
Es el conjunto de todas las formas bilineales f : VxV IK B (V) es espacio vectorial sobre IK, la o las operaciones habituales para funciones. v v v v v v ( f +g)( x , y )= f ( x , y )+ g ( x , y ) a) v v v v v v b) ( f )( x , y )= f ( x , y )( x , y )
7.4 EXPRESION ANALITICA DE UNA F.B
y= [ y ]W
Vectores coordenadas
Pgina 76
NOTA Si W es base canonica del espacio, entonces : v v v v f ( x, y) = x T A y y1 y v v v v P.d f ( x , y ) = x T A y = [ x1 , x 2 L , x n ] A 2 Vector de cord M Vector de yn EE
cord
v v n v v f ( x , y ) = f x i Vi , y i =1 n v v = x i f (Vi , y )
i =1 n
v n v v = x i f (Vi , y j Vj )
i =1 j =1 n n v v v = x i y j f (Vi , V j ) i =1 n j =1 n v = x i y j a ij i =1 T j =1
= x Ay QED
Pgina 77
Sea f : VxV IK una F.B v v v v v v Se dice que f es simtrica ssi f ( x , y )= f ( y , x ) x , y V v v v v Ej : f : R n xR n R, f ( x , y ) = x , y es una F.B simetrica v v v v f : R n xR n R, f ( x , y ) = x , y = x1 y1 + x 2 y 2 es una F.B simetrica v v v x = ( x1 , x 2 ) f ( y, x ) = y1 x1 + y 2 x 2 v v v v v y = ( y1 , y 2 ) f ( x , y ) = f ( y, x )
Ejemplo : f : R 2 xR 2 R f (( x1 , x 2 ), ( y1 , y 2 )) = x1 y1 + 5 x1 y 2 + 7 x 2 y1 + 3 x 2 y 2 Es f Siemetrica? f (( y1 , y 2 ), ( x1 , x 2 )) = y1 x1 + 5 y1 x 2 + 7 y 2 x1 + 3 y 2 x 2 v v y x f no es simetrica (ver contraejemplo) Notamos que a partir de este ejemplo, que para que una F.B sea simtrica, los coeficientes de los productos mixtos (distintos ndices) deben ser iguales.
Pgina 78
TEOREMA: A es la matriz representante de una F.B Simtrica ssi A es matriz simtrica Dem:
T v v Sea f : VxV IK una F.B simtrica Tq f ( x , y )= x A y
T x A y=( y A x ) T x T A y= x T AT y
x T A y- x T AT y=0
A- A =0 A= AT QED
T
x, y
Pgina 79
Es antisimetrica
Ej f : R 3 xR 3 R
f (( x1 , x 2 , x 3 ), ( y1 , y 2 , y 3 )) = 3 x1 y 2 + 5 x1 y 3 3 x 2 y1 8 x 2 y 3 5 x 3 y1 + 8 x 3 y 2 0 3 5 y1 [ x1 x 2 x 3 ] - 3 0 8 y 2 - 5 8 0 y 3
TEOREMA:
Llamemos Bs(V) al conjunto de todas las F.B Simtricas. Llamemos Ba(V) al conjunto de todas las F.B Simtricas. Entonces: a) b) BS(V) y Ba(V)son S.E.V de B(V) B(V)= BS(V) Ba(V)
Pgina 80
Dem b) Sea f una F.B cualquiera entonces. v v 1 v v v v f s ( x , y ) = [ f ( x , y ) + f ( y , x )] Es F.B simetrica (evidente) 2 v v 1 v v v v f a ( x , y ) = [ f ( x , y ) f ( y , x )] Es F.B anti simetrica (evidente) 2
v v v v v v Adems: f ( x , y )= f S( x , y )+ f a( x , y )
Pgina 81
7.7
7.7.1 Definicin Sea f :VxV IK una F.B Se llama forma cuadrtica asociada a la F.B f , a la aplicacin. W:V IK definida por:
v v v W( x )= f ( x , x )
2 2 v v Sea la F.B: f : R x R R definida por: f ( x , y )= 6 x1 y1 + 5 x1 y2 + 7 x2 y1 9 x2 y2 Encontrar su F.C asociada W.
Ejemplo:
Resp: v v v W( x )= f ( x , x ) = f (( x1 , x 2 ), ( x1 , x 2 ))
= 6 x1 x1 + 5 x1 x 2 + 7 x 2 x1 9 x 2 x 2 = 6 x1 x1 + 12 x1 x 2 9 x 2 x 2 6 6 x1 = [x1 x 2 ] 6 - 9 x Nota : la matriz representante de una F.C es siempre simetrica 2 v f Se llama a la forma polar de W. dada W( x ) su forma polar f se determina con la formula:
7.7.2 Vectores Conjugados Sea W:V IK una F.C y sea f :VxV IK su forma polar. v v v v Se dice que los vectores x e y son conjugados con respecto a W ssi f ( x , y )= 0 7.7.3 Base Conjugada
v v v Sea A = { 1 , V2 ,......... , V n } una base de V. se dice que A es base conjugada si cada V vector de A es conjugado a todos los dems.
v v V i, V j)=0 i j Es decir f (
2 2
Propuesto: Sea la F.C W: R R ,W ( x1 , x 2 ) = x1 + 3 x1 x 2 + 2 x 2 Probar que (2,-3)y(6,-5) son conjugados c/r a W a) v Hallar el conjunto de todos los vectores x que son conjugados a: b) (2,-3)
2 2
Pgina 82
v Sea W:V v IK una F.C, entonces siempre existe una base conjugada v B = { 1 , V2 ,......... , V n } tal que la matriz representante de W es diagonal. V v Adems : w( x ) = 1 x 21 + 2 x 2 2 + KK + n x 2 n
1 0 0 0 0 0 2 0 0 0 0 0 KK 0 3 M M M M M 0 0 KKKK n nxn 7.7.5 Formas Cuadrticas IK una F.B Debe decir: sea f :VxV Ejercicios Recuerdos F.b f VxV IK que es lineal en ambas variables v v v v v v v f (x + y, z ) = f ( x , z ) + f ( y, z ) , IK (Linean en 1 variable). v v v v v v v f ( x , y + z ) = f ( x , y ) + f ( x , z ) , IK ( Linean en 2 variable).
T v v Expresin analtica o matricial de una F.B f ( x , y )= x A y v X: vector de coordenadas de x en una cierta base. v Y: vector de coordenadas de y en una cierta base. v v v v v Adems A = (aij ) nxn , con aij = f (Vi ,V j ) con { 1 , V2 ,......... , Vn } V
|Simtrica|
F.C : sea f una F.B simtrica W:V IK se llama F.C asociada a f v v v Si W( x )= f ( x , x ) T v W( x )= x A x f se llama la forma polar de W v v v v v v f ( x , y )=1/2[w( x + y )-W( x )-W( y )] --Fin del Recuerdo
Pgina 83
Exprese W en forma matricial respecto a la base canonca de R 1 3 2 x1 v v v W( x )= x T Ax = [x1 x 2 ] 3 2 2 x 2 b) Obtener la forma polar de W y expresarla matricial Forma polar de W v v v v v v Sabemos f ( x , y )=1/2[w( x + y )-W( x )-W( y )] a)
v x = ( x1 , x 2 ) v y = (y1 , y 2 )
c) Probar que los vectores (2,-3),(6,-5) son conjugados c/r a W P.d f ((2,-3),(6,-5))=0 EE f ((2,-3),(6,-5))=2*6+3/2 *2(-5)+ 3/2 (-3)*6+2(-3)(-5) =12*15-27*30 =0 v d) Hallar el conjunto de todos los x que son conjugados a (2,-3)
v v Sea B : {x R 2 / x es conjugado a (2,-3)} = {(x 1 , x 2 ) / f ( x 1 , x 2 ), (2,-3)} = 0
Pgina 85
3) Considerar la F.C W: R 4 R definida por: 1 2 - 1 1 x1 2 3 - 2 1 x 2 W ( x1 , x 2 , x 3 , x 4 ) = [ x 1 x 2 x 3 x 4 ] -1 - 2 4 - 5 x3 1 1 - 5 5 x 4 v v v v 4 Encontrar una base para R B = {v 1 , v 2 , v 3 , v 4 } conjugada respecto a W Solucion : Contruyamos la base B de la forma v v 1 = ( x,0,0,0) v v 2 = ( y, z,0,0) v v 3 = (u, v, w,0) v v 4 = ( , , , ) v Sea v 1 = (1,0,0,0)
Pgina 86
1 2 - 1 1 y v v 2 3 - 2 1 z f ( v 1 , v 2 ) = 0 [1,0,0,0] =0 - 1 - 2 4 - 5 0 1 1 - 5 5 0 y z v [1 2 - 1 1] = 0 y 2 z = 0 Sea y = 2 entonces z = -1 v 2 = (2,1,0,0) 0 Al elegirlos 0 escalonados, estos 4 v para v 3 vectores son L.I y son v v 4 1) v 3 conjugado v 1 base de R . v v 2) v 3 conjugado v 2 1 0 1)[u, v, w, o]A = 0 u + 2v w = 0 0 0 2 - 1 2)[u, v, w, o]A = 0 v = 0 0 0 v sea v 3 = (1,0,1,0) v Para v 4 :
1 0 1)[ ] A = 0 + 2 - + = 0 sean = 2 = 2 0 0 2 - 1 2)[ ] A = 0 + = 0 =2 =4 0 0 1 0 v 3)[ ] A = 0 8 4 = 0 v 4 = (2,2,2,4) 1 0
Pgina 87
Pgina 88