Sunteți pe pagina 1din 284

Clases de

lgebra Lineal
para Ingeniera

Revisin 2.0: Septiembre 2010

Pedro Jos Hernando Oter

Instituto Universitario Gregorio Milln Barbany


Grupo de Modelizacin, Simulacin Numrica y Matemtica Industrial

Dep. Ciencia e Ing. de Materiales e Ing. Qumica

Escuela Politcnica Superior


UNIVERSIDAD CARLOS III DE MADRID

Pedro Jos Hernando Oter, 2010

Pedro Jos Hernando Oter


Dep. Ciencia e Ing. de Materiales e Ing. Qumica
Escuela Politcnica Superior
UNIVERSIDAD CARLOS III DE MADRID
Avda de la Universidad, 30
28911 Legans
SPAIN
pedroj@math.uc3m.es
ISBN: xxx-xx-xxx-xxxx-x
Revisin 2.0 - Septiembre 2010
A
Made by L TEX.

ndice
Tema

Pgina

1 Sistemas de Ecuaciones Lineales


1.1 Introduccin a los Sistema de Ecuaciones Lineales (SEL) . . . .
1.1.1 Ecuaciones y Sistemas de Ecuaciones . . . . . . . . . . .
1.1.2 Puntos y Espacios n . . . . . . . . . . . . . . . . . . .
1.1.3 Sistemas de Ecuaciones Lineales . . . . . . . . . . . . .
1.2 Geometra de los SEL en n . . . . . . . . . . . . . . . . . . .
1.2.1 Objetos Geomtricos . . . . . . . . . . . . . . . . . . . .
1.2.2 Dimensin de los Objetos Geomtricos . . . . . . . . . .
1.2.3 Relaciones entre Objetos Geomtricos . . . . . . . . . .
1.3 Solucin de un SEL en n . . . . . . . . . . . . . . . . . . . . .
1.3.1 Ecuaciones Equivalentes . . . . . . . . . . . . . . . . . .
1.3.2 Sistemas Compatibles e Incompatibles . . . . . . . . . .
1.3.3 Combinacin Lineal de Ecuaciones . . . . . . . . . . . .
1.4 Mtodos Resolucin de SEL en n . . . . . . . . . . . . . . . .
1.4.1 Mtodos Simples . . . . . . . . . . . . . . . . . . . . . .
1.4.2 Sistemas Escalonados o Triangulares . . . . . . . . . . .
1.4.3 Mtodo de Sustitucin hacia Atrs . . . . . . . . . . . .
1.4.4 Sistemas Equivalentes . . . . . . . . . . . . . . . . . . .
1.4.5 Operaciones Elementales de Fila . . . . . . . . . . . . .
1.4.6 Mtodo de Gauss o Eliminacin Gaussiana . . . . . . .
1.5 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.1 Matrices Asociadas a SEL . . . . . . . . . . . . . . . . .
1.5.2 Operaciones Elementales de Fila en la Matriz Asociada
1.5.3 Matrices Escalonadas o Triangulares . . . . . . . . . . .
1.5.4 Rango de una Matriz . . . . . . . . . . . . . . . . . . . .
1.5.5 Teorema de Rouch-Frbenius . . . . . . . . . . . . . .
1.6 Mtodo de Gauss Matricial . . . . . . . . . . . . . . . . . . . .
1.6.1 Identicacin de Sistemas Incompatibles . . . . . . . . .
1.6.2 Identicacin de Sistemas Compatibles Indeterminados
1.7 Mtodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . .
1.7.1 Matriz Escalonada Reducida . . . . . . . . . . . . . . .
1.7.2 Matriz Identidad . . . . . . . . . . . . . . . . . . . . . .
1.8 Sistemas Homogneos . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

1
3
3
4
5
6
6
6
7
8
10
11
11
12
12
13
13
14
14
15
15
16
17
17
18
18
19
20
20
21
21
23
23

2 Espacios Vectoriales
2.1 Vectores en Espacios n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1 Representacin Grca de Vectores . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Operaciones Elementales con Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . .

25
27
27
28

R
R

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

ii

ndice
2.2.1 Suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Producto por un Escalar . . . . . . . . . . . . . . . . . . . . . .
2.2.3 Vector Opuesto y Vectores Estndar . . . . . . . . . . . . . . .
2.2.4 Diferencia de Vectores . . . . . . . . . . . . . . . . . . . . . . .
2.2.5 Propiedades Algebraicas de la Suma y Producto por un Escalar
2.3 Espacio y Subespacio Vectorial . . . . . . . . . . . . . . . . . . . . . .
2.4 Sistemas de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Combinacin Lineal de Vectores . . . . . . . . . . . . . . . . .
2.4.2 Dependencia e Independencia Lineal . . . . . . . . . . . . . . .
2.4.3 Rango de un Sistema . . . . . . . . . . . . . . . . . . . . . . . .
2.4.4 Interpretacin Geomtrica . . . . . . . . . . . . . . . . . . . . .
2.5 Conjuntos o Sistemas Generadores . . . . . . . . . . . . . . . . . . . .
2.5.1 Base y Dimensin de un Sistema de Vectores . . . . . . . . . .
2.5.2 Generacin de n . . . . . . . . . . . . . . . . . . . . . . . . .
2.6 Producto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6.1 Propiedades del Producto Escalar . . . . . . . . . . . . . . . .
2.7 Distancia y Norma en n . . . . . . . . . . . . . . . . . . . . . . . . .
2.7.1 Propiedades de la Distancia . . . . . . . . . . . . . . . . . . . .
2.7.2 Distancia de un Punto al Origen . . . . . . . . . . . . . . . . .
2.7.3 Norma de un Vector en n . . . . . . . . . . . . . . . . . . . .
2.7.4 Propiedades de la Norma . . . . . . . . . . . . . . . . . . . . .
2.7.5 Vectores Unitarios y Normalizacin . . . . . . . . . . . . . . . .
2.8 Relaciones entre Vectores . . . . . . . . . . . . . . . . . . . . . . . . .
2.8.1 Distancia entre dos Vectores . . . . . . . . . . . . . . . . . . . .
2.8.2 ngulo entre dos Vectores en 2 . . . . . . . . . . . . . . . . .
2.8.3 ngulo entre dos Vectores en n . . . . . . . . . . . . . . . . .
2.8.4 Denicin Alternativa del Producto Escalar en n . . . . . . .
2.9 Vectores Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.10 Proyeccin Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.10.1 Interpretacin Geomtrica en 2 y 3 . . . . . . . . . . . . . .
2.10.2 Aplicaciones Geomtricas de la Proyeccin Ortogonal . . . . .

R
R

R R

3 Matrices
3.0 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . .
3.0.1 Tipos de Matrices . . . . . . . . . . . . . . . .
3.1 Operaciones con Matrices . . . . . . . . . . . . . . . .
3.1.1 Suma de Matrices . . . . . . . . . . . . . . . .
3.1.2 Producto de un Escalar por una Matriz . . . .
3.1.3 Diferencia de Matrices . . . . . . . . . . . . . .
3.1.4 Producto de Matrices . . . . . . . . . . . . . .
3.1.5 Producto Matricial Matriz-Vector . . . . . . . .
3.1.6 Producto Matricial Vector-Vector . . . . . . . .
3.1.7 Producto Matriz-Vector Estndar . . . . . . . .
3.1.8 Potencia de Matrices Cuadradas . . . . . . . .
3.2 Matriz Transpuesta AT . . . . . . . . . . . . . . . . .
3.2.1 Matriz Simtrica y Antisimtrica . . . . . . . .
3.2.2 Propiedades de la Matriz Transpuesta . . . . .
3.3 lgebra Matricial . . . . . . . . . . . . . . . . . . . . .
3.3.1 Propiedades de la Suma y la Multiplicacin por
3.3.2 Combinacin Lineal de Matrices . . . . . . . .
3.3.3 Propiedades de la Multiplicacin de Matrices .

Clases de lgebra

. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
un
. .
. .

. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
Escalar
. . . . .
. . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

28
29
29
30
30
31
32
33
33
34
35
36
36
36
40
41
41
41
41
42
42
43
43
43
44
44
44
45
45
46
47

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

49
51
52
54
54
54
54
55
56
56
57
57
58
58
58
59
59
59
60

Pedro Jos Hernando Oter

ndice
3.4

3.5

3.6

iii
Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.1 Clculo de la Matriz Inversa: mtodo de Gauss-Jordan . . . .
3.4.2 Inversa y SEL . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.3 Propiedades de las Matrices Invertibles . . . . . . . . . . . .
Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.1 Introduccin: Determinantes de Matrices 2 2 . . . . . . . .
3.5.2 Determinantes de Matrices 3 3 . . . . . . . . . . . . . . . .
3.5.3 Regla de Sarrus . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.4 Determinantes de Matrices n n . . . . . . . . . . . . . . . .
3.5.5 Clculo del Determinante mediante Desarrollos de Laplace .
3.5.6 Determinantes e Inversa de una Matriz . . . . . . . . . . . .
3.5.7 Propiedades de los Determinantes . . . . . . . . . . . . . . .
3.5.8 Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.9 Matriz Adjunta e Inversa de una Matriz . . . . . . . . . . . .
Subespacios Asociados a una Matriz . . . . . . . . . . . . . . . . . .
3.6.1 Espacios Columna y Fila de una Matriz . . . . . . . . . . . .
3.6.2 Rango, Ncleo y Nulidad de una Matriz . . . . . . . . . . . .
3.6.3 Teorema Fundamental de las Matrices Invertibles . . . . . . .
3.6.4 Bases para los Espacios Fila, Columna y Nulo de una Matriz

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

60
60
62
63
63
63
64
64
65
66
67
67
68
69
70
70
71
73
73

4 Transformaciones Lineales
4.1 Concepto de Transformacin Lineal . . . . . . . . . . .
4.1.1 Forma Matricial de una Transformacin Lineal
4.1.2 Propiedades de las Transformaciones Lineales .
4.2 Transformaciones Lineales Elementales . . . . . . . . .
4.2.1 Transformacin Lineal de Vectores Estndar . .
4.2.2 Demostracin = de la Seccin 4.1.2 . . . . . .
4.3 Inversa de una TL . . . . . . . . . . . . . . . . . . . .
4.3.1 Funcin Invertible . . . . . . . . . . . . . . . .
4.3.2 Inversa de una TL . . . . . . . . . . . . . . . .
4.4 Operaciones con TL . . . . . . . . . . . . . . . . . . .
4.4.1 Suma de Transformaciones . . . . . . . . . . .
4.4.2 Composicin de Transformaciones . . . . . . .
4.5 Imagen y Ncleo de una TL . . . . . . . . . . . . . . .
4.5.1 Imagen de una TL . . . . . . . . . . . . . . . .
4.5.2 Ncleo o Espacio Nulo de una TL . . . . . . .
4.5.3 Nulidad y Rango de una TL . . . . . . . . . . .
4.5.4 Tipos de TL . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

75
. 77
. 78
. 79
. 81
. 82
. 83
. 83
. 83
. 87
. 89
. 89
. 90
. 93
. 93
. 95
. 97
. 100

5 Bases
5.1 Bases en n . . . . . . . . . . . . . . .
5.1.1 Coordenadas y Matriz asociada
5.2 Cambio de Base . . . . . . . . . . . . .
5.2.1 Matriz de Cambio de Base . . .

.
a
.
.

. . . . . .
una Base
. . . . . .
. . . . . .

6 Ortogonalidad
6.1 Ortogonalidad en n . . . . . . . . . . . .
6.1.1 Conjunto Ortogonal . . . . . . . .
6.1.2 Vector Ortogonal a un Subespacio
6.2 Bases Ortogonales y Ortonormales . . . .
6.2.1 Bases Ortogonales . . . . . . . . .

Pedro Jos Hernando Oter

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

101
103
103
105
106

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

109
111
111
112
113
113

Clases de lgebra

iv

ndice

6.3
6.4
6.5
6.6
6.7
6.8

6.2.2 Bases Ortonormales . . . . . . . . . . . . . . . . .


Matrices Ortogonales . . . . . . . . . . . . . . . . . . . . .
6.3.1 Propiedades de las Matrices Ortogonales . . . . . .
TL Ortogonales . . . . . . . . . . . . . . . . . . . . . . . .
Complemento Ortogonal . . . . . . . . . . . . . . . . . . .
6.5.1 Propiedades del Complemento Ortogonal . . . . .
6.5.2 Relaciones entre los Subespacios Fundamentales de
Proyeccin Ortogonal sobre Subespacios . . . . . . . . . .
6.6.1 Propiedades del Complemento Ortogonal . . . . .
Proceso de Gram-Schmidt . . . . . . . . . . . . . . . . . .
Factorizacin QR . . . . . . . . . . . . . . . . . . . . . . .

7 Mnimos Cuadrados
7.1 Introduccin . . . . . . . . . . . . . . . . . . . . . .
7.2 Mejor Aproximacin . . . . . . . . . . . . . . . . .
7.3 Aproximacin mediante Mnimos Cuadrados . . . .
7.4 Mnimos Cuadrados mediante la Factorizacin QR
7.5 Error en la Aproximacin por Mnimos Cuadrados:
7.6 Ajuste de Datos mediante Mnimos Cuadrados . .

. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
una Matriz
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

115
116
117
118
118
119
119
121
123
124
125

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

129
131
131
132
136
138
139

8 Autovalores y Autovectores
8.1 Introduccin: Sistemas Dinmicos Discretos . . . . . . . . . . . . . .
8.2 Autovalores y Autovectores . . . . . . . . . . . . . . . . . . . . . . .
8.2.1 Interpretacin Geomtrica de los Autovalores y Autovectores
8.2.2 Determinacin de Autovalores y Autovectores . . . . . . . . .
8.2.3 Autoespacios . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2.4 Multiplicidades Algebraica y Geomtrica . . . . . . . . . . . .
8.2.5 Autovalores y Matrices Inversas . . . . . . . . . . . . . . . . .
8.2.6 Tres Teoremas . . . . . . . . . . . . . . . . . . . . . . . . . .
8.3 Semejanza y Diagonalizacin . . . . . . . . . . . . . . . . . . . . . .
8.3.1 Matrices Triangulares . . . . . . . . . . . . . . . . . . . . . .
8.3.2 Matrices Semejantes . . . . . . . . . . . . . . . . . . . . . . .
8.3.3 Diagonalizacin . . . . . . . . . . . . . . . . . . . . . . . . . .
8.3.4 Autovalores Reales y Complejos . . . . . . . . . . . . . . . .
8.4 Diagonalizacin Ortogonal . . . . . . . . . . . . . . . . . . . . . . . .
8.4.1 Teorema Espectral . . . . . . . . . . . . . . . . . . . . . . . .
8.4.2 Descomposicin Espectral . . . . . . . . . . . . . . . . . . . .
8.5 Teoremas Avanzados Adicionales . . . . . . . . . . . . . . . . . . . .
8.6 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

145
147
149
149
150
152
153
154
155
156
156
156
158
161
162
163
164
165
166

9 Pseudoinversa y Descomposicin en Valores Singulares


9.1 Pseudoinversa de una Matriz . . . . . . . . . . . . . . . .
9.1.1 Propiedades de la Matriz Pseudoinversa . . . . . .
9.2 Pseudoinversa y Mnimos Cuadrados . . . . . . . . . . . .
9.3 Matriz de una Proyeccin Ortogonal sobre un Subespacio
9.4 Descomposicin en Valores Singulares . . . . . . . . . . .
9.4.1 Valores Singulares de una Matriz . . . . . . . . . .
9.4.2 Descomposicin en Valores Singulares . . . . . . .
9.5 Aplicaciones de la DVS . . . . . . . . . . . . . . . . . . .
9.5.1 Pseudoinversa . . . . . . . . . . . . . . . . . . . . .
9.5.2 Mnimos Cuadrados . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

167
169
170
170
170
172
172
174
180
180
181

Clases de lgebra

. . . . . .
. . . . . .
. . . . . .
. . . . . .
Residuos
. . . . . .

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

Pedro Jos Hernando Oter

ndice

v
9.5.3

Otras Aplicaciones de la DVS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182

10 Introduccin a las Ecuaciones Diferenciales Ordinarias con Coecientes Constantes


10.1 Introduccin a las Ecuaciones Diferenciales . . . . . . . . . . . . . . . . . . . . .
10.1.1 Clasicacin de las Ecuaciones Diferenciales . . . . . . . . . . . . . . . . .
10.2 Solucin o Curva Integral de una EDO . . . . . . . . . . . . . . . . . . . . . . . .
10.2.1 Resolucin de EDO Simples: Mtodo de Separacin de Variables . . . . .
10.2.2 Problema de Valores Iniciales y Condicin Inicial . . . . . . . . . . . . . .
10.2.3 Solucin General y Particular de una EDO . . . . . . . . . . . . . . . . .
10.3 Interpretacin Geomtrica de una EDO . . . . . . . . . . . . . . . . . . . . . . .
10.3.1 Campo de Pendientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.3.2 Isoclinas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.4 Sistemas de Ecuaciones Diferenciales Ordinarias (SEDO) . . . . . . . . . . . . . .
10.4.1 SEDO de Primer Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.4.2 Sistema Equivalente a EDO de Orden n . . . . . . . . . . . . . . . . . . .
10.4.3 SEDO Lineales y Autnomos . . . . . . . . . . . . . . . . . . . . . . . . .
10.5 SEDO con Coecientes Constantes, (SEDOC) . . . . . . . . . . . . . . . . . . . .
10.5.1 Forma Matricial de un SEDOC . . . . . . . . . . . . . . . . . . . . . . . .
10.5.2 Solucin Analtica de un SEDOC . . . . . . . . . . . . . . . . . . . . . . .
10.5.3 Solucin General y Particular de un SEDOC . . . . . . . . . . . . . . . .
10.6 SEDOC Bidimensionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.6.1 Tipos de Soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.7 Sistemas Dinmicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.7.1 Sistemas Dinmicos Continuos Lineales . . . . . . . . . . . . . . . . . . .
10.7.2 Representacin Grca: Trayectorias, Plano de Fases y Espacio de Fases .
10.7.3 Puntos Criticos, Estacionarios o de Equilibrio . . . . . . . . . . . . . . . .
10.7.4 Campo Direccional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.7.5 Separatrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.8 Estabilidad de un SEDO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.8.1 Tipos de Estabilidad y Soluciones de Sistemas Dinmicos . . . . . . . . .
10.8.2 Anlisis de la Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

APNDICES

225

A Nmeros Complejos
A.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.2 Cuerpo de los nmeros Complejos . . . . . . . . . . . . . . . . . . . . .
A.2.1 Denicin del nmero imaginario i . . . . . . . . . . . . . . . . .
A.2.2 Potencias enteras de i . . . . . . . . . . . . . . . . . . . . . . . .
A.2.3 Denicin de Nmero Complejo. Formas Cartesiana y Binmica
A.3 Operaciones Bsicas en
. . . . . . . . . . . . . . . . . . . . . . . . . .
A.3.1 Suma de Nmeros Complejos . . . . . . . . . . . . . . . . . . . .
A.3.2 Producto de Nmeros Complejos . . . . . . . . . . . . . . . . . .
A.3.3 El Cuerpo de los Nmeros Complejo . . . . . . . . . . . . . . . .
A.4 Conjugado de un Nmero Complejo . . . . . . . . . . . . . . . . . . . .
A.4.1 Propiedades del Conjugado . . . . . . . . . . . . . . . . . . . . .
A.4.2 Conjugados y Divisin de Nmeros Complejos . . . . . . . . . .
A.5 Representacin Geomtrica de
. . . . . . . . . . . . . . . . . . . . . .
A.5.1 El Plano Complejo . . . . . . . . . . . . . . . . . . . . . . . . . .
A.5.2 Mdulo de un Nmero Complejo . . . . . . . . . . . . . . . . . .

Pedro Jos Hernando Oter

183
185
186
188
189
190
191
192
193
194
195
196
196
197
197
198
198
199
200
200
208
208
208
210
211
212
216
217
219

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

227
229
229
229
229
230
231
231
231
233
233
234
234
235
235
236

Clases de lgebra

vi

ndice
A.5.3 Argumento de un Nmero Complejo . . . . . .
A.6 Otras Formas de Expresar los Nmeros Complejos . .
A.7 Forma Trigonomtrica y Polar . . . . . . . . . . . . . .
A.7.1 Propiedades y Operaciones Bsicas de la Forma
A.7.2 Exponencial Compleja. Frmula de Euler . . .
A.7.3 Teorema de De Moivre . . . . . . . . . . . . . .
A.7.4 Potenciacin en la Forma Polar . . . . . . . . .
A.7.5 Raz n-sima de un Nmero Complejo . . . . .
A.8 Forma Exponencial . . . . . . . . . . . . . . . . . . . .
A.8.1 Operaciones en Forma Exponencial . . . . . . .
A.8.2 Seno y Coseno Complejo . . . . . . . . . . . . .
A.8.3 Logaritmo Complejo . . . . . . . . . . . . . . .

. . . .
. . . .
. . . .
Polar
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .

B Temas de Repaso
B.1 Trigonometra . . . . . . . . . . . . . . . . . . . . . . . . . .
B.2 Productos Notables . . . . . . . . . . . . . . . . . . . . . . .
B.3 Polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.4 Coordenadas Cartesianas . . . . . . . . . . . . . . . . . . .
B.5 Distancia . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.5.1 Valor Absoluto . . . . . . . . . . . . . . . . . . . . .
B.5.2 Distancia en
. . . . . . . . . . . . . . . . . . . . .
B.5.3 Distancia en 2 . . . . . . . . . . . . . . . . . . . .
B.5.4 Distancia en 3 . . . . . . . . . . . . . . . . . . . .
B.6 Vectores Geomtricos en el Plano y en el Espacio . . . . . .
B.6.1 Vectores de Posicin . . . . . . . . . . . . . . . . . .
B.6.2 Vectores que no son de posicin: Vectores Generales
B.6.3 Vectores Elementales . . . . . . . . . . . . . . . . . .
B.7 Vectores en Espacios n , n y n . . . . . . . . . . . . . .
B.7.1 Caracterizacin de Vectores . . . . . . . . . . . . . .
B.8 Geometra y Vectores en 2 y 3 . . . . . . . . . . . . . .
B.8.1 Rectas en 2 . . . . . . . . . . . . . . . . . . . . . .
B.8.2 Conversin entre Formas . . . . . . . . . . . . . . . .
B.8.3 Planos en 3 . . . . . . . . . . . . . . . . . . . . . .
B.8.4 Rectas en 3 . . . . . . . . . . . . . . . . . . . . . .
B.8.5 Frmula de Equilibrio . . . . . . . . . . . . . . . . .
B.9 Frmulas Geomtricas sobre Distancias . . . . . . . . . . .
B.9.1 Producto Escalar y Vectorial en 3 . . . . . . . . .
B.9.2 Distancia de un Punto a un Recta en 2 . . . . . .
B.9.3 Distancia entre dos Rectas paralelas en 2 . . . . .
B.9.4 Distancia de un Punto a un Plano en 3 . . . . . .
B.9.5 Distancia entre dos Planos Paralelos en 3 . . . . .
B.9.6 Distancia de un Punto a un Recta en 3 . . . . . .
B.9.7 Distancia entre dos Rectas paralelas en 3 . . . . .
B.10 Geometra de los Sistemas de Ecuaciones en 2 y 3 . . .
B.10.1 Sistemas de Una Ecuacin . . . . . . . . . . . . . . .
B.10.2 Sistemas de Dos Ecuaciones . . . . . . . . . . . . . .
B.10.3 Sistemas de Tres Ecuaciones . . . . . . . . . . . . .
B.11 Mtodos simples de Resolucin de Sistemas . . . . . . . . .
B.12 Sumatorios . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.13 Introduccin a las Funciones . . . . . . . . . . . . . . . . . .
B.13.1 Tipos de Funciones . . . . . . . . . . . . . . . . . . .

R
R
R

R
R
R

R C K
R R

Clases de lgebra

R
R
R
R
R
R
R R

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

237
238
238
239
240
241
241
242
243
243
244
245

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

247
248
248
249
251
252
252
252
252
253
253
253
254
255
255
256
257
257
258
259
260
261
262
262
262
262
263
263
263
263
264
264
265
266
268
269
270
270

Pedro Jos Hernando Oter

ndice

vii
Representacin Grca de Funciones Reales
Tipos de Funciones . . . . . . . . . . . . . .
Funcin Inversa (o Recproca) f 1 (x) . . .
Composicin de Funciones . . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

271
272
273
274




B.13.2
B.13.3
B.13.4
B.13.5

Pedro Jos Hernando Oter

Clases de lgebra

TEMA

Sistemas de Ecuaciones Lineales


Contenido
1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

Introduccin a los Sistema de Ecuaciones Lineales (SEL) . . .


1.1.1 Ecuaciones y Sistemas de Ecuaciones . . . . . . . . . .
1.1.2 Puntos y Espacios n . . . . . . . . . . . . . . . . . .
1.1.3 Sistemas de Ecuaciones Lineales . . . . . . . . . . . . .
Geometra de los SEL en n . . . . . . . . . . . . . . . . . . .
1.2.1 Objetos Geomtricos . . . . . . . . . . . . . . . . . . .
1.2.2 Dimensin de los Objetos Geomtricos . . . . . . . . .
1.2.3 Relaciones entre Objetos Geomtricos . . . . . . . . .
Solucin de un SEL en n . . . . . . . . . . . . . . . . . . . .
1.3.1 Ecuaciones Equivalentes . . . . . . . . . . . . . . . . .
1.3.2 Sistemas Compatibles e Incompatibles . . . . . . . . .
1.3.3 Combinacin Lineal de Ecuaciones . . . . . . . . . . .
Mtodos Resolucin de SEL en n . . . . . . . . . . . . . . . .
1.4.1 Mtodos Simples . . . . . . . . . . . . . . . . . . . . .
1.4.2 Sistemas Escalonados o Triangulares . . . . . . . . . .
1.4.3 Mtodo de Sustitucin hacia Atrs . . . . . . . . . . .
1.4.4 Sistemas Equivalentes . . . . . . . . . . . . . . . . . .
1.4.5 Operaciones Elementales de Fila . . . . . . . . . . . .
1.4.6 Mtodo de Gauss o Eliminacin Gaussiana . . . . . . .
Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.1 Matrices Asociadas a SEL . . . . . . . . . . . . . . . .
1.5.2 Operaciones Elementales de Fila en la Matriz Asociada
1.5.3 Matrices Escalonadas o Triangulares . . . . . . . . . .
1.5.4 Rango de una Matriz . . . . . . . . . . . . . . . . . . .
1.5.5 Teorema de Rouch-Frbenius . . . . . . . . . . . . . .
Mtodo de Gauss Matricial . . . . . . . . . . . . . . . . . . . .
1.6.1 Identicacin de Sistemas Incompatibles . . . . . . . .
1.6.2 Identicacin de Sistemas Compatibles Indeterminados
Mtodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . .
1.7.1 Matriz Escalonada Reducida . . . . . . . . . . . . . . .
1.7.2 Matriz Identidad . . . . . . . . . . . . . . . . . . . . .
Sistemas Homogneos . . . . . . . . . . . . . . . . . . . . . . .

R
R

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

3
3
4
5
6
6
6
7
8
10
11
11
12
12
13
13
14
14
15
15
16
17
17
18
18
19
20
20
21
21
23
23

Clases de lgebra

Determinado

Sol. nica

Planos

Hiperplanos

Mt. Simples

SEL Pequeos

Sol.

Indeterminado

Incompatibles

Tipo SEL

Solucin

Compatibles

Frmula de Equilibrio

Puntos

Rectas

Dimensiones

Geometra

Objetos Geomtricos

Deniciones

Mt. Sustitucin Atrs

M. Identidad

Rango

Teo. Rouche-Frobenius

Matrices

Mt. Gauss Matricial

Sol. Trivial

SEL Homogneos

Met. Gauss-Jordan

SEL Grandes

Mt. Gauss

M. Escalonada Reducida

Sist. Escalonados o Triang.

Op. Elem. Fila

Comb. Lineal Ec.

M. Escalonada

Mtodos de Resolucin

Ec. Equivalentes

SEL

2
TEMA 1: Sistemas de Ecuaciones Lineales

Pedro Jos Hernando Oter

1.1. Introduccin a los Sistema de Ecuaciones Lineales (SEL)

1.1. Introduccin a los Sistema de Ecuaciones Lineales (SEL)

Consideremos el siguiente problema sencillo.


Ejemplo 1.1. Determinar la edad de dos hermanos sabiendo que el triple de la diferencia entre
el mayor y el menor es dos veces la edad del menor, y que la suma de ambas edades es 24.
Solucin: Llamando x a la edad del mayor e y a la edad de menor podemos establecer las
siguientes ecuaciones del problema:
3(x y) = 2y
x+y
= 24

Sist. de 2 ec. lineales con 2 incg.

3x 5y
x+y

=
=

0
24

La solucin del sistema de ecuaciones dar la solucin del problema.


Caractersticas:
Un sistema de ecuaciones simplica un problema real mediante una estructura de lenguaje
(matemtico) algebraico, eliminando cualquier complejidad adicional del problema real.
Un mismo sistema puede representar a problemas reales totalmente distintos.
La solucin del problema real queda reducida a la resolucin del problema matemtico y la
posterior interpretacin de los resultados.
En el presente tema analizaremos los sistemas de ecuaciones lineales buscando mtodos generales
de resolucin que sean apropiados para su utilizacin de forma ptima en un ordenador.

1.1.1. Ecuaciones y Sistemas de Ecuaciones

Vamos a comenzar con algunas deniciones bsicas.

Denicin 1.1 (Ecuacin)


Una ecuacin es una igualdad que relaciona incgnitas (variables) y constantes y que se
verica nicamente para determinados valores de las variables.
ax + b cos (y)

= c

Incgnitas
Constantes

: x, y.
: a, b, c.

Las ecuaciones se pueden clasicar en dos tipos bsicos:


Ecuacin lineal: ecuacin polinmica de primer grado (potencia 1) en todas las variables.
ax + by = c
Ecuacin no lineal: ecuacin de tipo no polinmica o polinmica de grado mayor que uno.

Pedro Jos Hernando Oter

Clases de lgebra

U
U
P
!

U
U
U

TEMA 1: Sistemas de Ecuaciones Lineales

Denicin 1.2 (Solucin de una Ecuacin)


Se denomina solucin de una ecuacin al conjunto de valores {s1 , , sn } que al sustituir en
las variables, x1 = s1 , x2 = s2 , ..., xn = sn , se verica la ecuacin.

Denicin 1.3 (Sistema de Ecuaciones)


Un sistema de ecuaciones es un conjunto de ecuaciones acopladas, es decir que comparten
incgnitas.

Ejemplo 1.2. El siguiente es un ejemplo de sistema de ecuaciones:


a1 x2 + b1 y
a2 x + b2 xy
Nota 1.1.

=
=

c1 ln (y)
c2

Un conjunto de ecuaciones no acopladas se denominan ecuaciones independientes o no acoplados.

Denicin 1.4 (Solucin del Sistema de Ecuaciones)


Se denomina solucin de un sistema de ecuaciones al conjunto de valores {s1 , , sn } que
verica todas y cada una de las ecuaciones del sistema.

Denicin 1.5 (Dimensin de un Sistema de Ecuaciones)


La dimensin de un sistema de ecuaciones es el nmero de ecuaciones y el nmero de
incgnitas del sistema.

1.1.2. Puntos y Espacios

Rn

Denicin 1.6 (Punto)


Un punto es un conjunto de valores ordenados, denominados coordenadas o componentes
del punto. Las coordenadas se representan encerradas entre parntesis:
(x1 , x2 , , xn )
El nmero de coordenadas de un punto se denomina dimensin del punto.

Clases de lgebra

Pedro Jos Hernando Oter

1.1. Introduccin a los Sistema de Ecuaciones Lineales (SEL)

Denicin 1.7 (Espacio n )


El conjunto de todos los puntos de n componentes reales se representa por

Rn = {(x1 , x2 , , xn ) :

xi

R,

Rn .

1 i n}

El valor n 1 se denomina dimensin del espacio.

R2 es el espacio bidimensional (2D) representado por todos los puntos del plano

El espacio
cartesiano 1 .

El espacio 3 es el espacio tridimensional (3D) formado por todos los puntos del espacio real,
representado por los ejes XY Z.
El espacio
reales.

Rn

es el espacio n-dimensional formado por todos los puntos de n coordenadas

La solucin de una ecuacin se puede representar mediante un punto de un espacio


nmero de incgnitas de la ecuacin.
Ejemplo 1.3. La solucin del sistema de ecuaciones:
xy
2x + 3y
es el punto (x, y) = (6, 1)

Rn , siendo n el

= 5
= 15

R2 .

1.1.3. Sistemas de Ecuaciones Lineales

Denicin 1.8 (Sistemas de Ecuaciones Lineales en n )


Se denomina sistema de m ecuaciones lineales (SEL) en el espacio
de ecuaciones lineales acopladas:
a11 x1
a21 x1
.
.
.

+
+

a12 x2
a22 x2
.
.
.

+
+

+
+

am1 x1

am2 x2

+ amn xn

a1n xn
a2n xn
.
.
.

=
=

Rn , al conjunto nito

b1
b2
.
.
.

= bm

donde:

R se denominan coecientes del sistema (constantes).


bi R son los trminos independientes del sistema (constantes).
xi R son las n incgnitas del sistema (variables).

aij

1 Ver

el Apndice B.4, pgina 251.

Pedro Jos Hernando Oter

Clases de lgebra

TEMA 1: Sistemas de Ecuaciones Lineales

Ejemplo 1.4. El siguiente es un SEL de 5 (nmero de incgnitas) formado por 3 ecuaciones:

=
9
x1 3x2 + x3 x5
2x1 + x2 + x3 x4 + 2x5 =
0

x2 + x4
= 12
La dimensin 2 de este sistema es: 3 ecuaciones y 5 incgnitas

1.2. Geometra de los SEL en

Denicin 1.9 (Plano en 3 )


Un plano3 en 3 es el conjunto de puntos (x, y, z) que verican la ecuacin:

ax + by + cz = d

Rn

a, b, c, d

El concepto de plano se puede generalizar a espacios

Rn .

Denicin 1.10 (Hiperplano en n )


Un hiperplano en n es el conjunto de puntos (x1 , x2 , , xn )

a1 x1 + a2 x2 + + an xn = b
Si b = 0 el hiperplano pasa por el origen (0, 0, . . . , 0)

Rn .

Rn que verican la ecuacin:


ai , b R

1.2.1. Objetos Geomtricos


Denicin 1.11 (Objetos Geomtricos)
Vamos a denominar objetos geomtricos a todo conjunto de puntos de
una o varias ecuaciones lineales.

Rn denido mediante

Los objetos geomtricos son: puntos, rectas, planos e hiperplanos.

1.2.2. Dimensin de los Objetos Geomtricos

Los objetos geomtricos de cualquier espacio n (excepto los puntos individuales) estn formados por
innitos puntos. Aun as, claramente algunos son ms grandes (poseen un mayor nmero de puntos)
que otros. Para poder cuanticar el tamao de un objeto geomtrico se vuelve a utilizar el concepto
de dimensin.
2 Ver
3 Ver

la Denicin 1.5, pgina 4.


una introduccin a la geometra afn en el Apndice B.8.3, pgina 259.

Clases de lgebra

Pedro Jos Hernando Oter

1.2. Geometra de los SEL en

Rn

Denicin 1.12 (Dimensin de un Objeto Geomtrico)


La dimensin de un objeto geomtrico de n es un nmero que expresa el tamao relativo
del mismo.

Los objetos geomtricos simples en

Rn tienen la siguiente dimensin:

Punto: dimensin 0.
Recta: dimensin 1.
Plano: dimensin 2.

Nota 1.2. Estos valores se pueden obtener a travs de una frmula general conocida con el nombre de Frmula de
Equilibrio, que se ver posteriormente en la Denicin 1.14, pgina 8. Adems en el Apndice B.8.5, pgina 261 se puede
encontrar la relacin entre la dimensin de un objeto geomtico y el nmero de parmetros en su ecuacin.

1.2.3. Relaciones entre Objetos Geomtricos

Dado un conjunto de m ecuaciones lineales (objetos geomtricos) en un espacio n (y por tanto con n
incgnitas), vamos a denotar por Ei a cada una de sus ecuaciones y por Xi cada uno de los trminos
izquierdos de la igualdad Ei , de la siguiente forma:
a11 x1
a21 x1
.
.
.

+
+

a12 x2
a22 x2
.
.
.

am1 x1

+ am2 x2

+
+

+
+

a1n xn
a2n xn
.
.
.

=
=

amn xn

b1
b2
.
.
.
bm

X1
X2
.
.
.

=
=

Xm

b1
b2
.
.
.
bm

E1
E2
.
.
.
Em

De forma general, cada una de las ecuaciones Ei se puede identicar como un determinado hiperplano
en el espacio n .

Cualquier par de hiperplanos Ei y Ej pueden ser entre s:


Coincidentes: si Ei = cEj , para cualquier c

R no nulo.

R no nulo.
No paralelos: si Xi = cXj , para cualquier c R no nulo.

Paralelos: si Xi = cXj , para cualquier c

Denicin 1.13 (Concurrencia)


Se dice que un conjunto de objetos geomtricos es concurrente si tienen alguna parte comn
a todos los objetos.

Pedro Jos Hernando Oter

Clases de lgebra

TEMA 1: Sistemas de Ecuaciones Lineales

Ejemplo 1.5.
Dos rectas secantes son concurrentes en un punto.
Dos planos secantes son concurrentes en una recta.

1.3. Solucin de un SEL en

Rn

La solucin 4 de un SEL en n se puede interpretar como un objeto geomtrico de una dimensin 5


determinada, denido por las ecuaciones que forman el sistema.

La dimensin de la solucin (objeto geomtrico) depende de la dimensin del SEL (nmero de


ecuaciones e incgnitas6 ) y viene dada por la denominada frmula de equilibrio.

Denicin 1.14 (Frmula de Equilibrio)


Dado un objeto geomtrico de n denido por

a11 x1 + a12 x2 +

a21 x1 + a22 x2 +
.
.
.
.

.
.

am1 x1 + am2 x2 +

m ecuaciones lineales (SEL):

+
+

a1n xn
a2n xn
.
.
.

=
=

b1
b2
.
.
.

+ amn xn

bm

Su dimensin viene dada por la ecuacin:

Dimensin = Dimensin Espacio Num. Ecuaciones del Objeto = n m

Por tanto, la solucin de un sistema de m ecuaciones concurrentes no coincidentes con n incgnitas,


siendo m n, es un objeto geomtrico de dimensin n m.
Ejemplos
Una ecuacin en

R2 :

ax + by = c

representa una recta, que es un objeto de dimensin 2-1=1.


Dos ecuaciones (rectas) secantes en

R2 :
a1 x + b1 y
a2 x + b2 y

tienen por solucin un punto en

= c1
= c2

R2 , que tiene dimensin 2 2 = 0.

4 Ver

la Denicin 1.4, pgina 4.


la Denicin 1.12, pgina 7.
6 El nmero de incgnitas corresponde con la dimensin del espacio
5 Ver

Clases de lgebra

Rn al que pertenece.

Pedro Jos Hernando Oter

1.3. Solucin de un SEL en


Una ecuacin en

Rn

R3 :

ax + by + cz = d

representa un plano, que es un conjunto de dimensin 3-1=2.


Dos ecuaciones (planos) concurrentes no coincidentes en
a1 x + b1 y + c1 z
a2 x + b2 y + c2 z
tienen por solucin una recta en

R3 :

= d1
= d2

R3 , que tiene dimensin 3 2 = 1.

Un SEL formado por cuatro hiperplanos concurrentes no coincidentes en

a11 x1 + a12 x2 + a13 x3 + a14 x4 = b1

a21 x1 + a22 x2 + a23 x3 + a24 x4 = b2


a31 x1 + a32 x2 + a33 x3 + a34 x4 = b3

a41 x1 + a42 x2 + a43 x3 + a44 x4 = b4


tienen como solucin un punto (4-4=0) en

R4 :

R4 .

Conclusin
Sea un SEL en

Rn de m ecuaciones con n incgnitas.

Si m < n, el sistema puede tener:


ninguna solucin: conjunto de hiperplanos no concurrentes, (coincidentes, paralelos y/o
secantes en nmero k < m).
innitas soluciones: conjunto de hiperplanos concurrentes, (coincidentes y/o secantes),
en objetos de dimensin no nula (rectas, planos o hiperplanos).
Si m n, el sistema puede tener:

ninguna solucin : conjunto de hiperplanos no concurrentes (coincidentes, paralelos y/o


secantes en nmero k < n).

innitas soluciones: conjunto de hiperplanos concurrentes, (coincidentes y/o secantes),


en un objeto de dimensin no nula (rectas, planos o hiperplanos).
solucin nica: conjunto de hiperplanos concurrentes, (coincidentes y secantes o slo
secantes), en un objeto de dimensin nula (punto n-dimensional.)

Ejemplo 1.6. Analizar el siguiente sistema de 2 ecuaciones en


x1 + x2 4x3 = 2
x2 + 6x3 2x4 + 9x5 = 0

R5 :

: E1
: E2

Solucin: Representan a dos hiperplanos de dimensin 5 1 = 4 en


primera ecuacin y E2 a la segunda, podemos concluir que:
No son Coincidentes ya que E1 = cE2 , para cualquier c
No son Paralelos ya que X1 = cX2 , para cualquier c

R5 . Llamando E1 a la

R no nulo.

R no nulo.

Son secantes (concurrentes) y su solucin tiene dimensin 5 2 = 3 (hiperplano de


dimensin 3 en un espacio de dimensin 5).

Pedro Jos Hernando Oter

Clases de lgebra

10

TEMA 1: Sistemas de Ecuaciones Lineales


(Contina en la pgina siguiente)

Ejemplo 1.6 (Continuacin).


Vamos a encontrar la ecuacin que describe la solucin. Resolviendo por igualacin:
x2
x2

= 2 x1 + 4x3
= 6x3 + 2x4 9x5

Despejando, por ejemplo x4 :

2 x1 + 4x3 = 6x3 + 2x4 9x5

1
9
x4 = 1 x1 + 5x3 + x5
2
2

y eligiendo como parmetros por ejemplo: x1 = t, x3 = s y x5 = w, la ecuacin paramtrica 7 del


hiperplano de dimensin 3 en el espacio 5 se puede representar como:

x1

x2

x3

x4

x5

=
=
=
=
=

t
0
0
1
0
x1

0
4
1
x2 2

2 x1 + 4x3


+ s 1 + w 0
x3 = 0 + t
s
0
=

9/2
5
1/2
x4 1
1 1 x1 + 5x3 + 9 x5

2
2

1
0
0
0
x5
w

En forma vectorial 8 :

x = p + tv1 + sv2 + wv3

1.3.1. Ecuaciones Equivalentes


Denicin 1.15 (Ecuaciones Equivalentes)
Se dice que dos ecuaciones E1 y E2 son equivalentes si ambas tienen las mismas soluciones.
E1 = cE2

Fcilmente se puede obtener una ecuacin equivalente de otra, multiplicando ambas partes de la
ecuacin por una constante distinta de cero.

Desde un punto de vista geomtrico, que dos ecuaciones sean equivalentes es lo mismo que sean
coincidentes, y por tanto representan el mismo objeto geomtrico.
Ejemplo 1.7. Encontrar todas las ecuaciones equivalentes del siguiente plano:
3x + 2y z = 5
Solucin: Multiplicando la ecuacin por un escalar no nulo a
3x + 2y z = 5

R:

3ax + 2ay az = 5a

Cualquiera de estas ecuaciones representa exactamente el mismo plano.


7 Ver

el Apndice B.8, pgina 257.


las formas paramtrica y vectorial, la dimensin de un objeto geomtrico coincide con el nmero de sus
parmetros.
8 En

Clases de lgebra

Pedro Jos Hernando Oter

1.3. Solucin de un SEL en

Rn

11

1.3.2. Sistemas Compatibles e Incompatibles


Denicin 1.16 (Sistema Compatible)
Se dice que un sistema de ecuaciones lineales es compatible si tiene solucin 9 . Hay dos tipos
de sistemas compatibles:
Compatible Determinado: Si la solucin es nica (un punto n-dimensional).
Compatible Indeterminado: Si tiene innitas soluciones (objeto geomtrico de
dimensin no nula).

U
P

Denicin 1.17 (Sistema Incompatible)


Se dice que un sistema de ecuaciones lineales es incompatible si no tiene solucin (conjunto
de objetos geomtricos no concurrentes).

Ejemplo 1.8.

R2 forman un sistema incompatible.


Dos planos coincidentes y uno secante en R3 forman un sistema compatible indeterminado.
Dos rectas secantes en R2 forman un sistema compatible determinado.

Tres rectas paralelas y una secante en

1.3.3. Combinacin Lineal de Ecuaciones


Denicin 1.18 (Combinacin Lineal de Ecuaciones)
Se dice que una ecuacin E n es una combinacin lineal de un conjunto de m ecuaciones
E1 , E2 , , Em n si es una suma (trmino a trmino) de ecuaciones equivalentes a ellas.

E=
i=1

ai Ei = a1 E1 + a2 E2 + + am Em

ai

Propiedades de las Combinaciones Lineales


La combinacin lineal de ecuaciones concurrentes produce una nueva ecuacin concurrente con
las originales.
La combinacin lineal de ecuaciones paralelas produce una nueva ecuacin paralela a las
originales.

9 Ver

la Denicin 1.4, pgina 4.

Pedro Jos Hernando Oter

Clases de lgebra

12

TEMA 1: Sistemas de Ecuaciones Lineales

Ejemplo 1.9. Dadas las ecuaciones en

R2 :

E1
E2

: xy =1
: 2x + 3y = 4

Calcular y representar grcamente E3 = 3E1 + 2E2


Solucin:
E1
2

E2
1

E3
1

(3) x
y
(2) 2x +3y
x +9y

= 1
= 4
= 5

Ejemplo 1.10. Determinar de forma grca una posible combinacin lineal de las tres rectas
E1 , E2 y E3 en 2 que muestra el siguiente grco.
Solucin:

1.4. Mtodos Resolucin de SEL en

Rn

1.4.1. Mtodos Simples


Existen tres mtodos simples de resolucin de sistemas de ecuaciones lineales10 :
Mtodo de Sustitucin.
Mtodo de Igualacin.
Mtodo de Reduccin.
Estos mtodos son tiles para la resolucin a mano de pequeos (en nmero y dimensin) SEL.
Sin embargo, para la resolucin de sistemas ms grandes, tanto a mano como por ordenador, estos
SEL no resultan prcticos, siendo necesarios mtodos sistemticos fciles de programar.
Existen sistemas de ecuaciones lineales con una estructura especial que permite su resolucin
sistemtica de forma fcil, independientemente de la dimensin del sistema. Este tipo de sistemas
se denominan escalonados o triangulares.
10 Ver

el Apndice B.11, pgina 268.

Clases de lgebra

Pedro Jos Hernando Oter

1.4. Mtodos Resolucin de SEL en

U
P
!

Rn

13

1.4.2. Sistemas Escalonados o Triangulares


Denicin 1.19 (Sistemas Escalonados o Triangulares)
Se dice que un sistema est en su forma escalonada si permite colocar las ecuaciones con las
incgnitas ordenadas por columnas, de forma que el primer coeciente distinto de cero en cada
ecuacin, (denominado entrada principal), se encuentra en alguna columna a la izquierda
de cualquier entrada principal debajo de ella.

Ejemplo 1.11. Los siguientes sistemas estn en forma escalonada.

x4
x1 + x2 3x3 +

z =
2
x y

x2
x3 2x4
y + 3z =
5
;
2x4

5z = 10

x5
+ x5
3x5
3x5

=
=
=
=

2
0
1
9

Nota 1.3. La forma de escalera tambin puede ser de abajo a arriba, siendo el planteamiento del problema y su
resolucin de forma anloga a la explicada aqu.

Ejemplo 1.12. Los siguientes sistemas no estn en forma escalonada.

x4
x1 + x2 3x3 +

z =
2
x y

x2 x3 2x4
x + y + 3z =
5
;
2x4

5z = 10

x3 +
x4

x5
+
x5
3x5
3x5

=
2
=
0
= 1
=
9

1.4.3. Mtodo de Sustitucin hacia Atrs

El mtodo o algoritmo de resolucin de sistemas escalonados se denomina sustitucin hacia atrs


y consiste en ir obteniendo los valores de las incgnitas desde las ecuaciones inferiores a las superiores.
Ejemplo 1.13. Resolver los ejemplos anteriores utilizando el mtodo de sustitucin hacia atrs.
Solucin:

x y
z =
2 x = 2 + y + z ;
x=3
paso 3

y + 3z =
5
y = 5 3z ;
y = 1
paso 2

5z = 10
z=2
paso 1

x1

x2
x2

3x3
x3

Pedro Jos Hernando Oter

x4
2x4
2x4

x5
+
x5
3x5
3x5

=
2
=
0
= 1
=
9

x1 = x2 + 3x3 x4 + x5 x1 = 2t + 9
x2 = x3 + 2x4 x5 x3 = t x2 = t 7
1
x4 = 2 (1 + 3x5 ) x4 = 5
x5 = 3

Clases de lgebra

14

U
P
P

TEMA 1: Sistemas de Ecuaciones Lineales

1.4.4. Sistemas Equivalentes


Denicin 1.20 (Sistemas Equivalentes)
Se dice que dos sistemas de ecuaciones son equivalentes si posen el mismo conjunto de
soluciones.

Ejemplo 1.14. Los dos sistemas de


xy
x+y

R2 :

= 1
= 3

xy
y

=
=

1
1

son equivalentes, ya que ambas tienen por nica solucin x = 2, y = 1.


Ejemplo 1.15. Los dos sistemas de
x+yz

R3 :
;

3x + 3y 3z

son equivalentes, ya que ambas tienen por solucin el plano z = x + y 2.

1.4.5. Operaciones Elementales de Fila


Un sistema de ecuaciones lineales puede ser transformado en otro sistema equivalente (con las mismas
soluciones), aplicando una o varias de las siguientes operaciones elementales de la:
Intercambiar el orden de dos ecuaciones entre s.
Este cambio no altera el conjunto de ecuaciones y por tanto se obtiene un sistema equivalente.
Multiplicar una ecuacin (ambas partes de la igualdad) por una constante distinta de cero.
Se obtiene as una ecuacin equivalente a la original y por tanto el nuevo sistema es equivalente
al anterior.
La adicin de un mltiplo de una ecuacin a otra ecuacin. Este proceso se puede realizar
mltiples veces (combinacin lineal de una ecuacin con otras ecuaciones).
La nueva ecuacin ser concurrente11 con el conjunto de ecuaciones elegido y por tanto el nuevo
sistema es equivalente al original.
Las operaciones elementales se pueden utilizar para transformar un sistema de ecuaciones general
en un sistema escalonado y por tanto fcilmente resoluble.

Notacin
Ei Ej : Intercambiar las ecuaciones Ei y Ej .
kEi : Multiplicar la ecuacin Ei por el escalar k.
Ei + kEj : Multiplicar Ej por el escalar k y sumarle el resultado a la ecuacin Ei .
11 Ver

la Denicin 1.13, pgina 7.

Clases de lgebra

Pedro Jos Hernando Oter

1.5. Matrices

Ejemplo 1.16.

3x + 2y z
xy+z

2x + y + 3z

15

Ejemplo de operaciones elementales sobre un SEL.

= 1
3x 2y + z = 1
3x 2y + z
E
E2 E3
= 2
xy+z
=
2
2x + y + 3z
1

= 3
2x + y + 3z
=
3
xy+z

= 1
3x 2y + z
E3 + 2E1 + E2
2x + y + 3z
=
3

5x 2y + 4z = 1

=
=
=

1
3

Todos estos sistemas y cualquier otro resultado de operaciones elementales son equivalentes, es
decir, poseen el mismo conjunto de soluciones.

1.4.6. Mtodo de Gauss o Eliminacin Gaussiana

El mtodo de Gauss o eliminacin gaussiana12 es un mtodo apropiado para la resolucin de sistemas


de ecuaciones lineales generales a mano y con un ordenador.
Consiste en la transformacin de un SEL original en otro sistema equivalente escalonado, mediante
la utilizacin de operaciones elementales. El sistema escalonado resultante ser fcilmente resoluble
mediante el mtodo de sustitucin hacia atrs.
Ejemplo 1.17. Resolver mediante eliminacin gaussiana el siguiente
Solucin:
x1 + x2 +
x3 =
3
2x1 + 3x2 +
x3 =
5
x1 x2 2x3 = 5

x2 + x3 =
3
x1 +
x1 + x2
E + 2E1
2x1 + 3x2 + x3 =
5
x2
2

x1
x2 2x3 = 5
x1 x2

x2 + x3 = 3
x1 +
x1 +
E + 2E2
E + E1

x2 + x3 = 1
3

2x2 + 3x3 = 8

SEL en

+
+

x3
x3
2x3

x2
x2

+
+

Aplicando el mtodo de sustitucin hacia atrs:


x3 = 2

x2 = x3 1 = 1

R3 .

=
3
=
1

= 5

x3
x3
5x3

=
=
=

3
1

10

x1 = 3 x2 x3 = 0

1.5. Matrices
En la aplicacin de operaciones elementales del mtodo de Gauss, es mucho ms prctico preocuparnos
nicamente por los coecientes y trminos independientes de cada ecuacin, sin incluir las variables.
Aunque se estudiarn en detalle en el Tema 3, vamos a recordar la denicin de matriz numrica.

12 El matemtico alemn Carl Friedrich Gauss (1777-1855) desarroll este mtodo sobre 1794 al resolver un sistema
de 17 ecuaciones con 17 incgnitas para determinar la rbita del planeta Ceres. Sin embargo, existen evidencias de que
este mtodo fue utilizado por los chinos hace 2000 aos.

Pedro Jos Hernando Oter

Clases de lgebra

16

TEMA 1: Sistemas de Ecuaciones Lineales

Denicin 1.21 (Matriz)


Una matriz es una disposicin de nmeros13 ordenados en las y columnas.
Una matriz A de m las y n columnas se representa por Amn y utilizaremos corchetes
cuadrados [ ] en su notacin de la siguiente forma:

a11 a12 a1n


a21 a22 a2n

;
aij
;
A mn
Amn = .
.
.
.
.
.
.
.
.

am1

donde

am2

amn

Rmn es el espacio de las matrices reales Amn .

Ejemplo 1.18. Ejemplos de matrices numricas reales:


A22 =

1
2

1
3

R22

A33

0
= 1
8

2
3
1
1
4 2

R33

1.5.1. Matrices Asociadas a SEL


Se pueden asociar dos tipos distintos de matrices a un sistema de m ecuaciones con n incgnitas:
Matriz de Coecientes: Matriz conteniendo los coecientes ordenados del sistema.
Matriz de Ampliada: Matriz de coecientes + columna con los trminos independientes.
Dado el sistema general de m ecuaciones con n incgnitas:
a11 x1
a21 x1
.
.
.

+
+

a12 x2
a22 x2
.
.
.

+
+

+
+

a1n xn
a2n xn
.
.
.

=
=

am1 x1

+ am2 x2

amn xn

= bm

b1
b2
.
.
.

La matriz de coecientes A y la matriz ampliada A|B asociadas a este sistema son:

a11 a12 a1n


a11 a12 a1n b1
a21 a22 a2n
a21 a22 a2n b2

mn
A=
; A|B =

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
am1 am2 amn
am1 am2 amn bm

Rm(n+1)

Ejemplo 1.19. Determinar la matriz ampliada asociada al siguiente SEL:

3x + 2y z = 1
3
2 1 1
1 1
xy+z
= 2
1 2
=
2x + y + 3z = 3
2
1
3 3
13 Nmeros

reales o complejos, aunque en este curso nos centraremos bsicamente en el caso real.

Clases de lgebra

Pedro Jos Hernando Oter

1.5. Matrices

17

1.5.2. Operaciones Elementales de Fila en la Matriz Asociada


Las operaciones elementales de la realizadas sobre un SEL para transformarlo en otro sistema
equivalente escalonado14 , se pueden realizar en su correspondiente matriz ampliada asociada, para
obtener una matriz equivalente por las a la primera.
Estas operaciones elementales de la son:
Intercambiar dos las entre s. (Fi Fj )

Esta operacin corresponde al intercambio del orden de las ecuaciones.

Multiplicar una la por una constante distinta de cero. (kFi )


Esta operacin corresponde con la sustitucin de una ecuacin por otra equivalente
(coincidente) a la original.
La adicin de un mltiplo de una la a otra la. (Fi + kFj )
Esta operacin corresponde con la sustitucin de una determinada ecuacin por una
combinacin lineal de una (o varias) ecuaciones del sistema, donde el coeciente de la ecuacin
a sustituir sea no nulo.

Nota 1.4. La notacin es igual que la utilizada con las operaciones elementales con ecuaciones, cambiando ecuaciones
(E), por las (F ).

Ejemplo 1.20. Ejemplo de operaciones elementales sobre la matriz asociada al SEL del
Ejemplo 1.19.

3
2 1 1
3 2 1 1
3 2 1 1
F1
F2 F3
1 1
1 2
1 1 1
2
2
1 3
3


2
1
3 3
2
1 3
3
1 1 1
2

3
F3 + 2F1 + F2
2

2 1
1 3
2 4

1
3
1

1.5.3. Matrices Escalonadas o Triangulares

El mtodo de Gauss15 puede aplicarse a la matriz ampliada del SEL, transformndola mediante
operaciones elementales de la a una matriz equivalente por las, en forma escalonada o triangular,
correspondiente al SEL escalonado buscado.
Denicin 1.22 (Matriz Escalonada o Triangular)
Una matriz escalonada (o triangular) es aquella que cumple las siguientes propiedades:
Cualquier la de ceros est en la parte inferior de la matriz.
En cada la no nula, el primer elemento distinto de cero, (denominado elemento
principal o pivote), se encuentra al menos una columna a la izquierda de cualquier
pivote de cualquier la por debajo de ella.

14 Ver
15 Ver

la Seccin 1.4.5, pgina 14.


la Seccin 1.4.6, pgina 15.

Pedro Jos Hernando Oter

Clases de lgebra

18

TEMA 1: Sistemas de Ecuaciones Lineales

Ejemplo 1.21. Las siguientes matrices son matrices escalonadas:

0 2
0 1 1 3
2
4 1
1 0 1
1 1 2 1

2 2

0 1 2 0 1 5 0 0 1 3 0 0 1 1
0 0
0 0
4 2
0
0 0
0 0 4
0 0 0 0
0 0
0 0
0 5
Denicin 1.23 (Matriz Escalonada Equivalente)
Se dice que la matriz escalonada de una dada, obtenida a travs de operaciones
elementales de la, es una matriz escalonada equivalente a la original.
El proceso de obtencin de la matriz escalonada equivalente se denomina reduccin de
una matriz a su forma escalonada equivalente.

1.5.4. Rango de una Matriz


Denicin 1.24 (Rango de una Matriz)
Se dene el rango16 de una matriz como el nmero de las no nulas que tiene en su forma
escalonada equivalente. El rango de una matriz A se identica a travs de:
rang(A)

1.5.5. Teorema de Rouch-Frbenius


Teorema 1.1 (Teorema de Rouch-Frbenius17 )
Sea A mn una matriz de coecientes correspondiente a un sistema de m ecuaciones
con n incgnitas, y sea A|B su matriz ampliada. Entonces, el sistema es compatible (tiene
solucin) si y slo si:
rang(A) = rang(A|B)

Si rang(A) = n

Sistema Compatible determinado (sol. nica).

Si rang(A) < n

Sistema Compatible indeterminado (innitas sol).

Num. variables libres (parmetros) = n rang(A)

Nota 1.5.

El nmero de variables libres coincide con la dimensin de la solucin.

16 En

la Denicin 3.18, pgina 71 se ver una denicin alternativa del rango de una matriz.
es conocido con el nombre de Teorema del Rango, sin embargo esta forma es ms confusa al existir ms
de un teorema del rango en diferentes reas.
17 Tambin

Clases de lgebra

Pedro Jos Hernando Oter

1.6. Mtodo de Gauss Matricial

19

1.6. Mtodo de Gauss Matricial


Dado el sistema general de m ecuaciones con n incgnitas:
a11 x1
a21 x1
.
.
.

+
+

a12 x2
a22 x2
.
.
.

+
+

+
+

a1n xn
a2n xn
.
.
.

=
=

am1 x1

+ am2 x2

amn xn

= bm

b1
b2
.
.
.

la aplicacin del mtodo de Gauss (eliminacin gaussiana) utilizando la matriz ampliada (forma
matricial) consiste en los siguientes pasos:
1. Obtener la matriz ampliada del SEL.

a11
a21

.
.

.
am1

a12
a22
.
.
.

a1n
a2n
.
.
.

amn

am2

b1
b2

bm

2. Se elige el primer pivote p = a11 . Si p = 0 se intercambia la primera la con cualquier otra por
debajo hasta que p = 0.
3. Se hacen ceros todos los elementos de la columna del pivote p por debajo de l. Para ello,
llamando i a la la del pivote, (p = aii ), cada la Fj por debajo del pivote (j > i) se substituye
por la combinacin lineal:
Fj = Fj

aji
Fi
aii

j > i

4. Se repite el proceso 2-3 hasta obtener una matriz escalonada.

Ejemplo 1.22. Resolver mediante eliminacin gaussiana el siguiente SEL en


x1
2x1
x1

+
+

x2
3x2
x2

+
+

x3
x3
2x3

=
3
=
5
= 5

Solucin: Utilizando el mtodo de Gauss-Jordan, se tiene,

1
1
1
3
1
1
1
3
1
F 2F1
F F1
2
3
1
5 2 0
1 1 1 3 0

1 1 2 5
1 1 2 5
0

1 1
F3 + 2F2

0 1
0 0

R3 .

1
1
1 1
2 3

1
1
5

3
1
10

3
1
8

x1 = 3 x2 x3 = 0

Utilizando el mtodo de sustitucin hacia atrs, se obtiene la solucin:


x3 = 2

Pedro Jos Hernando Oter

x2 = x3 1 = 1

Clases de lgebra

20

TEMA 1: Sistemas de Ecuaciones Lineales

1.6.1. Identicacin de Sistemas Incompatibles

Si alguna la de la matriz escalonada tiene todos sus coecientes nulos, pero el correspondiente trmino
independiente no es cero, el sistema es incompatible18 (no tiene solucin).
Ejemplo 1.23. Resolver mediante eliminacin gaussiana el siguiente SEL en

x1
x1
Solucin:

1 1
2
1
2 1
0
2 2

x2
2x2
2x2

3
1
F2 F1
3 0

1
0

+ 2x3

x3
2x3
1
2
3 3
2 2

1
F + 2F2
3 0

R3 .

=
3
= 3
=
1

1
3
1
3 F2
6
0
1
0

1
2
1 1
0
0

3
2
5

1
2
1 1
2 2

3
2
1

La ltima ecuacin 0 = 5 no tiene solucin y por tanto el sistema es incompatible.

1.6.2. Identicacin de Sistemas Compatibles Indeterminados


Si el SEL no es incompatible y su matriz escalonada ampliada tiene una o ms las (completas) de
ceros, el sistema es compatible indeterminado.
En un SEL Compatible Indeterminado hay dos tipos de variables:
Variables Principales: correspondientes (en nmero) a las las no nulas.
Variables Libres: diferencia entre variables totales (n) y variables principales,

Var. Libres = n Var. Principales


Ejemplo 1.24. Resolver mediante eliminacin gaussiana el siguiente SEL en
w
2w
w
Solucin:

1 1 1 2
2 2 1 3
1
1 1 0

1
F + 2F2
3 0

x
2x
x

y
y
y

1
1
F 2F1
3 2 0

3
1
1 1
2
0
1 1
0
0
0

1
1
0

+ 2z
+ 3z

=
=
=

1 1
2
0
1 1
1 1
0
=

R4 .

1
3
3

1
1
F + F1
1 3 0

3
0

1 1
2
0
1 1
0 2
2

Sistema Compatible Indeterminado


(Contina en la pgina siguiente)

18 Ya que el rango de la matriz de coecientes es menor que el rango de la matriz ampliada y por el teorema de
Rouch-Frbenius, (ver el Teorema 1.1, pgina 18), el sistema es incompatible.

Clases de lgebra

Pedro Jos Hernando Oter

1
1
2

1.7. Mtodo de Gauss-Jordan

21

Ejemplo 1.24 (Continuacin).


El sistema asociado es ahora:
w

y
y

2z
z

=
=

1
1

El cual tiene un nmero innito de soluciones (4-2=2).


Las variables principales en este caso pueden ser w e y y las variables libres x y z.
Aplicando el mtodo de sustitucin hacia atrs:
y =1+z

w = 1 + x + y 2z = 1 + x + 1 + z 2z = 2 + x z

Asignando los parmetros x = t y z = s se puede expresar la solucin en forma paramtrica


como:




1
1
2
2+ts
w


x
t 0
= + t1 + s 0
=
1
0
y
1+s 1
1
0
0
s
z

1.7. Mtodo de Gauss-Jordan


El mtodo de eliminacin de Gauss-Jordan19 es una modicacin del mtodo de Gauss que simplica
la fase de sustitucin hacia atrs 20 y es particularmente til cuando se hacen los clculos a mano.

1.7.1. Matriz Escalonada Reducida


Denicin 1.25 (Matriz Escalonada Reducida)
Una matriz escalonada reducida es una matriz escalonada con las siguientes dos caractersticas:
Todas los pivotes son la unidad, (denominado 1 principal)
Cada columna con pivote, tiene ceros en toda posicin distinta del pivote.

Ejemplo 1.25. Las siguientes matrices estn en su forma escalonada

1 2 0 0 3
1

0 0 1 0
1 0 0
4 1

0 0 0 1
0 1 0
3 2
;

0 0 0 0
0 0 1
0
0
0 0 0 0
0
0

reducida.

0
0

1
0

19 W. Jordan (1842-1899) fue un ingeniero y profesor alemn de topografa geodsica cuya contribucin a la solucin
de los sistemas lineales fue un mtodo sistemtico de sustitucin hacia atrs directamente relacionado con el mtodo de
Gauss-Jordan.
20 Ver la Seccin 1.4.3, pgina 13.

Pedro Jos Hernando Oter

Clases de lgebra

22

TEMA 1: Sistemas de Ecuaciones Lineales

Denicin 1.26 (Matriz Escalonada Reducida Equivalente)


Se dene la matriz escalonada reducida equivalente de una matriz A, a la matriz
escalonada reducida obtenida mediante la aplicacin de operaciones elementales de la en
A.
La matriz escalonada reducida equivalente de una matriz A se puede obtener de dos formas:
Obtener la matriz escalonada equivalente 21 y posteriormente obtener los pivotes unidad y ceros
correspondientes. Este mtodo es computacionalmente preferible para un ordenador.
Ir obteniendo los pivotes unidad a medida que se va obteniendo la matriz escalonada equivalente.
Este mtodo es ms til para clculos a mano.
Unicidad de la Matriz Escalonada Reducida
Existen innitas matrices escalonadas correspondientes a una matriz dada. Sin embargo, la matriz
escalonada reducida correspondiente a una matriz dada es nica.

Proceso
El mtodo de Gauss-Jordan consiste en la obtencin de la matriz escalonada reducida de un SEL.
Si el sistema es compatible determinado22 , su solucin vendr dada directamente por la columna de
los trminos independientes, sin necesidad de aplicar el mtodo de sustitucin hacia atrs.

Ejemplo 1.26. Resolver mediante el mtodo de Gauss-Jordan el siguiente SEL en


x1
2x1
x1
Solucin:

1
1
1
2
3
1
1 1 2

1 1
F + 2F2
3 0 1

0 0

+
x2
+ 3x2

x2

3
1
F2 2F1
5
0
5
1

+
x3
+
x3
2x3

1
1
1 1
1 2

=
3
=
5
= 5

3
1
F3 F1
1 0

5
0

3
1 0
2
4
F F2
1 1 0 1 1
1

10
0 0 5 10

1 0 2 4
1
F2 + F3
F1 2F3
0 1 0 1

0
0 0 1 2
0
1
1
5

R3 .

1
1
1 1
2 3

1 0
1 F3
0 1
5
0 0

0 0 0
1 0 1
0 1 2

2
1
1

3
1
8

4
1
2

(Contina en la pgina siguiente)

21 Ver

la Denicin 1.23, pgina 18.


SEL incompatibles y compatibles indeterminados se pueden identicar de igual forma que se vio en la
Seccin 1.6.1, pgina 20 y Seccin 1.6.2, pgina 20.
22 Los

Clases de lgebra

Pedro Jos Hernando Oter

1.8. Sistemas Homogneos

23

Ejemplo 1.26 (Continuacin).


Como el rango de la matriz de coecientes es 3 igual que la dimensin del sistema, el sistema es
compatible y determinado. La solucin es directamente la columna de trminos independientes.
x1 = 0

x2 = 1

x3 = 2

1.7.2. Matriz Identidad


Denicin 1.27 (Matriz Identidad)
Se denomina matriz identidad de orden n a una matriz de la forma:

In =

1
0
.
.
.

0
1
.
.
.

0
0
.
.
.

Rnn

Un SEL de n tiene solucin nica, (compatible y determinado), si y slo si la matriz escalonada


reducida equivalente a su matriz de coecientes es una matriz identidad de orden n, In .

1.8. Sistemas Homogneos

Denicin 1.28 (Sistemas Homogneos)


Un SEL se denomina homogneo si el trmino independiente en cada ecuacin es cero.
El siguiente es un SEL homogneo de m ecuaciones con n incgnitas:
a11 x1
a21 x1
.
.
.

+
+

a12 x2
a22 x2
.
.
.

+
+

+
+

a1n xn
a2n xn
.
.
.

=
=

0
0
.
.
.

am1 x1

+ am2 x2

amn xn

Por el teorema de Rouch-Frbenius23 los SEL homogneos son siempre compatibles, ya que
rang(A) = rang(A|B), pudiendo ser determinados o indeterminados en funcin de la matriz de
coecientes A mn :

Si rang(A) = n, el sistema es compatible determinado, y su solucin nica es la solucin nula


x = 0 = [0, , 0] n conocida con el nombre de solucin trivial.

Si rang(A) < n, el sistema es compatible indeterminado, con innitas soluciones, (una de ellas
la solucin trivial).
23 Ver

el Teorema 1.1, pgina 18.

Pedro Jos Hernando Oter

Clases de lgebra

TEMA

Espacios Vectoriales
Contenido

Vectores en Espacios n . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1 Representacin Grca de Vectores . . . . . . . . . . . . . . . .
2.2 Operaciones Elementales con Vectores . . . . . . . . . . . . . . . . . . .
2.2.1 Suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Producto por un Escalar . . . . . . . . . . . . . . . . . . . . . .
2.2.3 Vector Opuesto y Vectores Estndar . . . . . . . . . . . . . . .
2.2.4 Diferencia de Vectores . . . . . . . . . . . . . . . . . . . . . . .
2.2.5 Propiedades Algebraicas de la Suma y Producto por un Escalar
2.3 Espacio y Subespacio Vectorial . . . . . . . . . . . . . . . . . . . . . . .
2.4 Sistemas de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Combinacin Lineal de Vectores . . . . . . . . . . . . . . . . . .
2.4.2 Dependencia e Independencia Lineal . . . . . . . . . . . . . . .
2.4.3 Rango de un Sistema . . . . . . . . . . . . . . . . . . . . . . . .
2.4.4 Interpretacin Geomtrica . . . . . . . . . . . . . . . . . . . . .
2.5 Conjuntos o Sistemas Generadores . . . . . . . . . . . . . . . . . . . . .
2.5.1 Base y Dimensin de un Sistema de Vectores . . . . . . . . . .
2.5.2 Generacin de n . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6 Producto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6.1 Propiedades del Producto Escalar . . . . . . . . . . . . . . . . .
2.7 Distancia y Norma en n . . . . . . . . . . . . . . . . . . . . . . . . . .
2.7.1 Propiedades de la Distancia . . . . . . . . . . . . . . . . . . . .
2.7.2 Distancia de un Punto al Origen . . . . . . . . . . . . . . . . .
2.7.3 Norma de un Vector en n . . . . . . . . . . . . . . . . . . . .
2.7.4 Propiedades de la Norma . . . . . . . . . . . . . . . . . . . . . .
2.7.5 Vectores Unitarios y Normalizacin . . . . . . . . . . . . . . . .
2.8 Relaciones entre Vectores . . . . . . . . . . . . . . . . . . . . . . . . . .
2.8.1 Distancia entre dos Vectores . . . . . . . . . . . . . . . . . . . .
2.8.2 ngulo entre dos Vectores en 2 . . . . . . . . . . . . . . . . .
2.8.3 ngulo entre dos Vectores en n . . . . . . . . . . . . . . . . .
2.8.4 Denicin Alternativa del Producto Escalar en n . . . . . . .
2.9 Vectores Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.10 Proyeccin Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.10.1 Interpretacin Geomtrica en 2 y 3 . . . . . . . . . . . . . .
2.10.2 Aplicaciones Geomtricas de la Proyeccin Ortogonal . . . . . .

2.1

R
R

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

27
27
28
28
29
29
30
30
31
32
33
33
34
35
36
36
36
40
41
41
41
41
42
42
43
43
43
44
44
44
45
45
46
47

25

Clases de lgebra

Resta

Suma

Propiedades

Producto por un Escalar

Operaciones

Sist. Lin. Dependiente

Sist. Lin. Independiente

Independencia Lineal

Rango de un Sist.

Sistemas de Vectores

Combinacin Lineal Vec.

Dependencia Lineal

Subespacios Vectoriales

Espacios Vectoriales

Base Cannica

Bases

Dimensin

Sistema Generador

Vectores

Propiedades

Producto Escalar

Distancia entre Vectores

Norma Eucldea

Distancia entre Puntos

ngulo entre Vectores

Relaciones entre Vectores

Aplicaciones Geomtricas

Proyeccin Ortogonal

Ortogonalidad

26
TEMA 2: Espacios Vectoriales

Pedro Jos Hernando Oter

2.1. Vectores en Espacios

Rn

27

2.1. Vectores en Espacios

Rn

Denicin 2.1 (Vector)


Un vector 1 v es una coleccin ordenada de nmeros reales:
v = [v1 , v2 , , vn ]

vi

Cada uno de los nmeros se denomina componente o coordenadas y el nmero de componentes


n se denomina dimensin del vector.

Denicin 2.2 (Espacio n )


El conjunto de todos los vectores2 de n componentes reales se representa por

Rn = {[x1 , x2 , , xn ] :
Ejemplo 2.1.
2
= {[x, y] : x, y }
3
= {[x, y, z] : x, y, z

R
R

R}

[1, 0] 2
[1, 1, 1/3]

R,

1 i n}

R3

2.1.1. Representacin Grca de Vectores

Los vectores de baja dimensin3 , 2 y 3 , se pueden representar grcamente como un segmento


dirigido desde el origen hasta el punto dado por las coordenadas del vector.
Z

z
Y

v = [x, y]
v

xi

Rn .

v = [x, y, z]

Figura 2.1.: Representacin grca de vectores en

R2 y R3 .

Existe una relacin directa entre un punto de n componentes P = (x1 , , xn ) y un vector con las
mismas componentes x = [x1 , , xn ], ya que asociado a cada punto existe un vector con inicio en el
origen (0, , 0) n y nal en el punto en cuestin. De forma que cuando hablamos de espacios n
nos podemos referir indistintamente a espacios de puntos 4 y/o espacios de vectores.

1 Esta denicin corresponde a los conocidos como vectores generales. Adems hay otros tipos de vectores como los
vectores geomtricos y de posicin, ver una introduccin en el Apndice B.6, pgina 253.
2 Una generalizacin de los vectores en espacios complejos
n se puede ver en el Apndice B.7, pgina 255.
n para n > 3 no se pueden representar grcamente.
3 Los vectores
4 Ver la Denicin 1.7, pgina 5.

Pedro Jos Hernando Oter

Clases de lgebra

28

TEMA 2: Espacios Vectoriales

2.2. Operaciones Elementales con Vectores

Sean los vectores: u, v n :

u =

R
v1 , v2 , , vn R

[u1 , u2 , , un ]

; u1 , u2 , , un

[v1 , v2 , , vn ]

Vamos a denir las operaciones de suma, producto por un escalar y diferencia entre vectores.

2.2.1. Suma
Denicin 2.3 (Suma de Vectores)
Se dene la suma de dos vectores u, v

Rn como el vector s Rn dado por:

s = u + v = [u1 , u2 , , un ] + [v1 , v2 , , vn ] = [u1 + v1 , u2 + v2 , , un + vn ]

Ejemplo 2.2. Determinar la suma de los vectores de 4 : u = [1, 2, 3, 4] y v = [0, 2, 3, 1]


Solucin:
s = u + v = [1, 2, 3, 4] + [0, 2, 3, 1] = [1, 0, 6, 3]
Regla del Paralelogramo

R R

En los casos particulares de 2 y 3 donde los vectores se pueden representar grcamente, la suma
de dos vectores u + v representa el vector diagonal del paralelogramo de lados u y v, en el plano
denido por ambos vectores.
Z

Figura 2.2.: Suma de dos vectores en

Ejemplo 2.3. En
Solucin:

u+

s=
v

v
v

s
u

R2 y R3 . Regla del paralelogramo.

R2 determinar x + y siendo x = [3 1] e y = [1, 4].

Y
4
3
2
1
1

v=

x+

1 2
x

v = x+y = [3, 1]+[1, 4] = [3+1, (1)+4] = [4, 3]


3

Clases de lgebra

4 X

Pedro Jos Hernando Oter

2.2. Operaciones Elementales con Vectores

29

2.2.2. Producto por un Escalar


Denicin 2.4 (Producto por un Escalar)
Se dene la multiplicacin de un vector v = [v1 , v2 , , vn ]
siguiente forma:
v = [v1 , v2 , , vn ] = [v1 , v2 , , vn ]

Ejemplo 2.4. En
Solucin:

Rn por un escalar 5 R de la

Rn ,

R2 determinar el producto del vector u = [1, 2] por el escalar = 3.


v = u = (3)[1, 2] = [3, 6]

Nota 2.1. La multiplicacin de un vector por una constante (escalar) nicamente modica su longitud y/o sentido,
sin modicar su direccin. A esto se le denomina escalamiento de un vector.
2
Ejemplo 2.5. Dado v = [2, 3], calcular 2v y 3 v.
Solucin:
Y
6
5

2v

4
3
2

2v = 2 [2, 3] = [4, 6]

1
4 3 2 1
1
2v
3

2
4
3 v = 2 [2, 3] = [ 3 , 2]
3

6 X

2
3
4

2.2.3. Vector Opuesto y Vectores Estndar


Denicin 2.5 (Vector Opuesto)
El vector opuesto (o negativo) de un vector v

Rn es el vector v dado por:

v = (1)v = (1)[v1 , v2 , , vn ] = [v1 , v2 , , vn ]

Denicin 2.6 (Vectores Estndar)


Se dene el vector estndar ei n como aquel vector que tiene todas sus componentes 0
excepto la componente i-sima que tiene un 1.

ei = [0, 0, , 1, , 0]
5 La

palabra escalar proviene del latn scala que signica escalera.

Pedro Jos Hernando Oter

Clases de lgebra

30

TEMA 2: Espacios Vectoriales

2.2.4. Diferencia de Vectores


Denicin 2.7 (Diferencia o Resta de Vectores)
Restar dos vectores u, v n es sumar a u el vector opuesto de v.

u v = u + (v)

Ejemplo 2.6. En
Solucin:
Y
4
3

u
v

u v = [1, 3] [4, 2] = [1 4, 3 2] = [3, 1]

4 3 2 1
1

4 X

v u = [4, 2] [1, 3] = [4 1, 2 3] = [3, 1]

vu

Rn

R2 , dados u = [1, 3] y v = [4, 2] determinar u v y v u.

uv

u, v

3
4

2.2.5. Propiedades Algebraicas de la Suma y Producto por un Escalar


Dados los vectores u, v, w

Rn y los escalares , R, se verican las siguientes propiedades:

u+v =v+u

Asociativa de la Suma

(u + v) + w = u + (v + w)

Asociativa del Producto

(u) = u = ()u

Elemento Neutro 1

(u + 0) = 0 + u = u

Elemento Neutro 2

0u = 0

Elemento Unitario

1u=u1=u

Elemento Opuesto 1

u + (u) = (u) + u = 0

Elemento Opuesto 2

()u = (u) = (u)

Distributiva 1

(u + v) = u + v = (u + v)

Conmutativa

Distributiva 2

( + )u = u + u = u( + )

Ejemplo 2.7. En
u (3v + 2w).
Solucin:

R2 ,

0 = 0

dados los vectores u = [3, 4], v = [1, 2] y w = [0, 5], calcular

u (3v + 2w) = [3, 4] (3[1, 2] + 2[0, 5]) = [3, 4] ([3, 6] + [0, 10]) = [3, 4] [3, 4] = [0, 0] = 0

Clases de lgebra

Pedro Jos Hernando Oter

2.3. Espacio y Subespacio Vectorial

31

Ejemplo 2.8. Demostrar la propiedad conmutativa de la suma de vectores.


Solucin:
u + v = [u1 , u2 , , un ] + [v1 , v2 , , vn ] = [u1 + v1 , u2 + v2 , , un + vn ] =

Ejemplo 2.9. Representar grcamente la propiedad asociativa de la suma de vectores en

w)

)+

u+

v+

+v

(
u+

u
=(

R3 .

v+

= [v1 + u1 , v2 + u2 , , vn + un ] = [v1 , v2 , , vn ] + [u1 , u2 , , un ] = v + u

2.3. Espacio y Subespacio Vectorial

Denicin 2.8 (Espacio Vectorial)


Se denomina espacio vectorial a todo conjunto V en el que se denen dos operaciones entre
sus elementos, llamadas suma 6 y multiplicacin por un escalar 7 , que cumple las propiedades
algebraicas8 de los vectores n .

Ejemplo 2.10.

Kn , siendo K

R K

= , es un espacio vectorial para cualquier n 1, con las


operaciones habituales de adicin y multiplicacin por escalares ( ).

R C

El conjunto F de todas las funciones reales de variable real en el que se denen las
operaciones:
suma: (f + g)(x) = f (x) + g(x), f, g F.

multiplicacin por un escalar: (cf )(x) = cf (x), f F, c

R.

es un espacio vectorial.

6 Tambin

llamada adicin.
operaciones pueden ser muy variadas y no necesariamente la suma y producto por un escalar denidas
anteriormente para vectores.
8 Ver la Seccin 2.2.5, pgina 30.
7 Estas

Pedro Jos Hernando Oter

Clases de lgebra

32

TEMA 2: Espacios Vectoriales

Denicin 2.9 (Subespacio Vectorial)


Un subconjunto W de un espacio vectorial V , W V , se denomina subespacio vectorial
de V si tiene las siguientes propiedades:
W contiene el elemento nulo de V .
W es cerrado bajo la suma: si w1 , w2 W = w1 + w2 W .
W es cerrado bajo el producto por un escalar: si w W y k es un escalar, entonces
kw W .

Ejemplo 2.11.
El conjunto de todos los vectores v = [x, y, z]
es un subespacio vectorial de 3 .

R3 pertenecientes al plano9 3x + 2y z = 0
R

El conjunto de todos los vectores v = [x, y] 2 pertenecientes a la recta 3x + 2y = 1


no son un subespacio vectorial de 2 , ya que este conjunto no contiene al vector nulo
[0, 0] 2 .

El conjunto de todos los vectores v = [x, y, z, w, t] 5 que cumplen las ecuaciones10 :

x + y z + 5w t = 0
3x 5t
= 0

y + 2z w
= 0
forman un subespacio vectorial de

Todos los objetos geomtricos 11 de


correspondiente espacio n .

R5 .

Rn que pasan por el origen12 forman un subespacio vectorial del

2.4. Sistemas de Vectores

Denicin 2.10 (Sistema de Vectores)


Se denomina sistema de vectores a todo conjunto de vectores S = {v1 , v2 , , vp }

9 Es

Rn .

decir, cuyas componentes [x, y, z] cumplen dicha ecuacin.


decir, pertenecen al hiperplano de dimensin 5 3 = 2 en el espacio 5 .
11 Ver la Denicin 1.11, pgina 6.
12 Para ello, todas de las ecuaciones lineales constitutivas que denen el objeto poseen 0 como trmino independiente.
10 Es

Clases de lgebra

Pedro Jos Hernando Oter

2.4. Sistemas de Vectores

33

2.4.1. Combinacin Lineal de Vectores


Denicin 2.11 (Combinacin Lineal de Vectores)
Se dice que un vector v n es una combinacin lineal de un sistema de m vectores v1 ,
v2 , , vm si existen m escalares (constantes) c1 , c2 , , cm tales que13 :

v = c1 v1 + c2 v2 + + cm vm =

cj vj
j=1

A los escalares ci se les denominan coecientes de la combinacin lineal.

Ejemplo 2.12. Dados los vectores de 2 : u = [2, 2], v = [3, 1], w = [2, 2], x = [1, 2],
y = [3, 1], determinar el vector resultante de la siguiente combinacin lineal, representando
grcamente el resultado.
1
u + 2v + 3w + x + y
2
Solucin:
Y
2

x
y

5 X

4
v

2v
+
3w
1

= [5.5, 6]

2 1
1

1
u + 2v + 3w + x + y
2
1
= (1)[2, 2]+2[3, 1]+3[2, 2]+ [1, 2]+[3, 1]
2
= [2 + 6 6 + 0.5 + 3, 2 + 2 6 + 1 1]

2.4.2. Dependencia e Independencia Lineal


Denicin 2.12 (Dependencia e Independencia Lineal)
Se dice que un vector v n es linealmente dependiente de un sistema de m vectores
v1 , v2 , , vm , si v es una combinacin lineal de dichos vectores.

En caso contrario, se dice que v


de) los vectores.

Rn es linealmente independiente de (el conjunto

Nota 2.2. La dependencia lineal es transitiva: si v depende linealmente de unos vectores y cada uno de estos dependen
linealmente de otros, entonces v depende linealmente de los ltimos.

13 Ver

un resumen de la denicin y propiedades de los sumatorios en el Apndice B.12, pgina 269.

Pedro Jos Hernando Oter

Clases de lgebra

34

TEMA 2: Espacios Vectoriales

Denicin 2.13 (Conjunto Linealmente Dependiente)


Se dice que un conjunto o sistema de vectores S = {v1 , v2 , , vp } n es linealmente
dependiente (o ligado) si se verica una de las siguientes condiciones, que son equivalentes
entre s14 :

Alguno de los vectores de S depende linealmente de los dems.


Para algunos escalares 1 , 2 , , p

R, que no son todos nulos se cumple:

1 v1 + 2 v2 + + p vp = 0

Denicin 2.14 (Conjunto Linealmente Independiente)


Se dice que un conjunto o sistema de vectores S = {v1 , v2 , , vp } n es linealmente
independiente (o libre) si se verica una de las siguientes condiciones, que son equivalentes
entre s:

El sistema S no es linealmente dependiente, es decir, ninguno de los vectores de S


depende linealmente de los dems.
La nica combinacin lineal de vectores de S que es nula es la que tiene todos sus
coecientes nulos, es decir:
1 v1 + 2 v2 + + p vp = 0 1 = 2 = = p = 0
siendo los escalares 1 , 2 , , p

R.

2.4.3. Rango de un Sistema


Denicin 2.15 (Rango de un Sistema de Vectores)
Se denomina rango15 de un sistema de vectores S, al mayor nmero de vectores linealmente
independientes entre s que hay en S.
r = rang(S)

En los conjuntos de vectores S linealmente independientes, el rango coincide con el nmero de


vectores del conjunto, rang(S) = N . En los conjuntos linealmente dependientes, rang(S) N .
14 La

primera denicin es formal o terica y la segunda operacional o aplicada.


rango de un sistema de vectores est relacionado con el rango de una matriz (ver Seccin 1.5.4, pgina 18) que
los contiene, como se ver en la Seccin 3.6, pgina 70.
15 El

Clases de lgebra

Pedro Jos Hernando Oter

2.4. Sistemas de Vectores

35

Ejemplo 2.13.
El rango de S = {[1, 2], [3, 2]} es rang(S) = 2.
El rango de G = {[1, 1, 1], [2, 2, 2], [3, 3, 3]} es rang(G) = 1.

2.4.4. Interpretacin Geomtrica


Denicin 2.16 (Vectores Paralelos)
En n , se dice que dos vectores son paralelos si poseen la misma direccin, es decir:

v u = v

au + bv = 0

Por tanto, dos vectores paralelos son siempre linealmente dependientes.

Denicin 2.17 (Vectores Coplanarios)


En 3 , se dice que tres vectores son coplanarios si estn contenidos en el mismo plano, es
decir:

u, v, w coplanarios u = v+ w

v
w

au + bv + cw = 0

a, b, c

Por tanto, tres vectores coplanarios son siempre linealmente dependientes.

Denicin 2.18 (Vectores Co-hiperplanarios)


En n , se dice que n vectores son co-hiperplanarios si estn contenidos en el mismo hiperplano,
y por tanto son linealmente dependientes.

v1 , v2 , vn co-hiperplanarios v1 = 2 v2 + 3 v3 + + n vn
a1 v1 + a2 v2 + + an vn = 0

Pedro Jos Hernando Oter

ai

Clases de lgebra

36

TEMA 2: Espacios Vectoriales

2.5. Conjuntos o Sistemas Generadores

Denicin 2.19 (Conjunto o Sistema Generador)


Dado un sistema de vectores W , subconjunto de otro sistema de vectores V , W V , se dice
que W es un conjunto o sistema generador de V , si todo vector v V es linealmente
dependiente de W .
v V

v = c1 w1 + + ck wk

wi W

V
W1
W2
W3

W4

Un espacio vectorial V no nulo tiene innitos conjuntos generadores W1 , W2 ,

Nota 2.3. A travs de la notacin gen() se representa el espacio generado por combinacin lineal de los vectores
de un conjunto generador W = {w1 , , wk }:
gen(w1 , , wk ) = {v : v = 1 w1 + + m wk , 1 , , k

U
U

R}

2.5.1. Base y Dimensin de un Sistema de Vectores


Denicin 2.20 (Base de un Sistema de Vectores)
Una base de un sistema de vectores V es un conjunto generador formado por vectores
linealmente independientes.

Denicin 2.21 (Dimensin de un Sistema de Vectores)


Al nmero de vectores que contiene cualquier base de un conjunto de vectores V se denomina
dimensin de V , y coincide con rang(V ) (nmero de vectores linealmente independientes).

2.5.2. Generacin de

Rn

Vamos a aplicar los conceptos anteriores en la generacin de los espacios


Generacin del Espacio

Rn .

R2

Con todas las combinaciones lineales de uno o ms vectores paralelos, (linealmente dependientes),
se obtienen todos los vectores que pasan por la recta que tiene la direccin de los vectores. Por
tanto, el rango de cualquier conjunto de vectores paralelos en 2 es 1 y no pueden ser una base
de 2 .

Clases de lgebra

Pedro Jos Hernando Oter

2.5. Conjuntos o Sistemas Generadores

37

Cualquier vector de 2 se puede obtener como combinacin lineal de dos vectores no paralelos
(linealmente independientes). Por tanto, cualquier conjunto de vectores que contenga al menos
dos vectores no paralelos, tiene rango 2, y por tanto es un conjunto generador de 2 .

ser cualquier conjunto de exactamente dos vectores no paralelos.


Y

Y
v

2v

u 2v

v
X

2
u+

3v

Y
u

Una base de

2v

Base Cannica o Estndar de

R2

Tomando los dos vectores estndar16 de

R2 :

e1 = [1, 0]

e2 = [0, 1]

2
Cualquier vector de
de la forma v = [v1 , v2 ] se
puede expresar como combinacin lineal de los dos vectores
estndar:

Y
e2

e1

v = v1 e1 + v2 e2 = v1 [1, 0] + v2 [0, 1] = [v1 , v2 ]

Por tanto, el conjunto B = {[1, 0], [0, 1]} es una base de

R2 .

A los vectores estndar se les suele denotar como i = [1, 0] y j = [0, 1], y a la base B = {i, j} se le
denomina base cannica o estndar de 2 .

Generacin del Espacio

R3

Con todas las combinaciones lineales de uno o ms vectores paralelos, (linealmente dependientes),
se obtienen todos los vectores que pasan por la recta que tiene la direccin de los vectores. Por
tanto, el rango de cualquier conjunto de vectores paralelos en 3 es 1 y no pueden ser una base
de 3 .

Con todas las combinaciones lineales de al menos dos vectores no paralelos, (linealmente
independientes coplanarios), se pueden obtener todos los vectores contenidos en el plano
descrito por los dos vectores. Por tanto, el rango de cualquier conjunto de vectores coplanarios
en 3 es 2 y no puede ser una base de 3 .

Cualquier vector de 3 se puede obtener como combinacin lineal de tres vectores no coplanarios.
Por tanto, el rango de cualquier conjunto de vectores que contenga al menos 3 vectores no
coplanarios en 3 es 3.
Una base de
16 Ver

ser cualquier conjunto de exactamente tres vectores no coplanarios.

la Denicin 2.6, pgina 29.

Pedro Jos Hernando Oter

Clases de lgebra

38

TEMA 2: Espacios Vectoriales

uv

u
v

Base Cannica o Estndar de

R3

Tomando los vectores estndar de

R3 :

e1 = [1, 0, 0]

Cualquier vector v = [v1 , v2 , v3 ]

e2 = [0, 1, 0]

e3 = [0, 0, 1]

R3 se puede expresar como combinacin lineal de estos vectores:

v = v1 e1 + v2 e2 + v3 e3 = v1 [1, 0, 0] + v2 [0, 1, 0] + v3 [0, 0, 1] = [v1 , v2 , v3 ]


Por tanto, el conjunto B = {[1, 0, 0], [0, 1, 0], [0, 0, 1]} es una base de

R3 .

j
Y

A estos los vectores estndar de 3 se les suele denotar como i = [1, 0, 0], j = [0, 1, 0] y k = [0, 0, 1],
y a la base B = {i, j, k} se le denomina base cannica o estndar de 3 .

Conclusin: Generacin del Espacio Vectorial

Rn

Cualquier conjunto de vectores de n co-hiperplanarios de un hiperplano de dimensin k < n


es un conjunto linealmente dependiente de rango k.

Todo conjunto V n con n vectores linealmente independientes, (rang(V ) = n), es un


conjunto generador17 de n .

Una base de
ser cualquier conjunto de exactamente n vectores no co-hiperplanarios
(linealmente independientes)18 .

La base cannica o estndar de n es el conjunto:


B = {e1 , e2 , , en } = {[1, 0, 0, , 0], [0, 1, 0, , 0], , [0, 0, 0, , 1]}

17 Y

Rn .

por tanto, todo v n se puede obtener por combinacin lineal de los vectores de V .
generador formado por n vectores.

18 Conjunto

Clases de lgebra

Pedro Jos Hernando Oter

2.5. Conjuntos o Sistemas Generadores

39

Ejemplo 2.14. Encontrar un conjunto generador y una base del subespacio vectorial W
denido por:
x+yz = 0
W :
xy
= 0

R3

Solucin: Primero tenemos que encontrar el conjunto de los innitos vectores de 3 que
pertenecen al subespacio W y para ello tenemos que resolver el SEL que los dene. Como
las dos ecuaciones del SEL son claramente linealmente independientes, la dimensin de W es
3 2 = 1 y por tanto es una recta en 3 que vendr denida en forma vectorial por un nico
parmetro. Resolviendo el SEL por Gauss:

x = y + z = t + 2t = t
F2 F1
1
1 1 0
1
1 1 0
y=t

1 1
0 0
0 2
1 0

z = 2y = 2t

En forma vectorial, el conjunto de todos los vectores de 3 que forman parte del subespacio W
son:

x
1
y = t 1
;
t
z
2

Un conjunto generador de W ser cualquier conjunto formado por uno19 o ms vectores de W ,


como por ejemplo los siguientes:
1

G1 =

;
3

G3 =

G2 =
6

2
4

4
,

,
0

Una base de W ser cualquier conjunto de vectores formado por un slo vector20 no nulo de W ,
como por ejemplo:

B1 =

B2 =

Ejemplo 2.15. Encontrar un conjunto generador y una base del subespacio vectorial W
donde sus vectores v = [x, y, z, w, t] cumplen:

R5

W : x+yz =0
Solucin: En este caso la dim(W ) = 5 1 = 4, por tanto habr 4 parmetros libres en su
denicin vectorial. Resolviendo el SEL de una ecuacin con 5 incgnitas se tiene:

x = y z = +
x
1
1
0
0

1
0
0 0
y=
y

z = 0 + 1 + 0 + 0 ; , , ,
z=

0
0
1 0
w=
w

t=
t
0
0
0
1

Dando valores a los parmetros , , y se obtienen todos los vectores que forman parte del
subespacio W .
(Contina en la pgina siguiente)
19 Si

20 Ya

este vector es nico, no puede ser el vector nulo.


que la dimensin de W es uno.

Pedro Jos Hernando Oter

Clases de lgebra

40

TEMA 2: Espacios Vectoriales

Ejemplo 2.15 (Continuacin).


Un conjunto generador de W estar formado por al menos 4 vectores21 linealmente
independientes de W , como los dos ejemplos siguientes:





0
0
0
0
2
0
1
1
1

1 0 0 0

1 0 0 0 1





0 , 2 , 0 , 0 , 1
0 , 1 , 0 , 0
G1 =


; G2 =



0 0 1 0 0
0 0 1 0

0
8
0
1
0
0
0
0
0
Una base de W est formada por cualquier conjunto de exactamente 4 vectores linealmente
independientes de W , como los dos ejemplos siguientes:



0
0
2
1

1 0 0 0



B1 = G1 ;
B2 = 0 , 2 , 0 , 0

0 0 1 0

8
0
0
0

2.6. Producto Escalar

Los vectores poseen multitud de aplicaciones en ingeniera. Muchas de ella pueden ser fcilmente
desarrolladas mediante una importante operacin vectorial denominada producto escalar22 .
Denicin 2.22 (Producto Escalar en
Dados dos vectores de n :

u = [u1 , u2 , , un ]
v = [v1 , v2 , , vn ]

u, v

Rn

se dene el producto escalar de u por v y lo representamos por uv como el escalar resultante


de la siguiente operacin:
n

u v = [u1 , u2 , , un ] [v1 , v2 , , vn ] = u1 v1 + u2 v2 + + un vn =

uk vk
k=1

Nota 2.4.
No confundir el producto escalar con el producto por un escalar 23 , cv.
Los dos vectores tienen que tener igual dimensin (nmero de componentes).
El resultado siempre es un escalar (nmero real), no un vector.
El producto escalar es un caso especial del producto ms general denominado producto interno, denido para
espacios vectoriales generales24
21 Ya

que este valor es la dimensin del subespacio vectorial W .


algunos libros de texto lo denominan producto punto, siguiendo la terminologa anglosajona.
23 Ver la Seccin 2.2.2, pgina 29.
24 Ver la Denicin 2.8, pgina 31.

22 En

Clases de lgebra

Pedro Jos Hernando Oter

2.7. Distancia y Norma en

Rn

41

Ejemplo 2.16. Calcular el producto escalar de los vectores de


u = [1, 2, 3]

R3 :

v = [3, 5, 2]

Solucin:
u v = [1, 2, 3] [3, 5, 2] = 1 (3) + 2 5 + (3) 2 = 3 + 10 6 = 1

2.6.1. Propiedades del Producto Escalar


Dados los vectores u, v, w

Rn y c R, se verica:

Conmutativa: u v = v u
Asociativa: u (v + w) = u v + u w.
(cu) v = c(u v) = u (cv)
u u 0.

Si u u = 0 u = 0.

2.7. Distancia y Norma en

Rn

La distancia25 entre dos puntos A y B de

Rn viene denida por el nmero real no negativo:


n

A(a1 , , an )
B(b1 , , bn )

d(A, B) = d(B, A) =

(a1 b1 )2 + (an bn )2 =

i=1

(ai bi )2

A esta distancia se le denomina distancia eucldea.

2.7.1. Propiedades de la Distancia


Dados dos puntos A, B
d(A, B)

R.

Rn , se verica:

d(A, B) 0

d(A, B) = 0 A = B = d(X, X) = 0 X

Rn

d(A, B) = d(B, A)

2.7.2. Distancia de un Punto al Origen


Dado A(x1 , x2 , , xn )

Rn con xi R, se tiene:
n

d(A, 0) =

Pedro Jos Hernando Oter

(x1 0)2 + (xn 0)2 =

x2 + x2 =
n
1

x2
i
i=1

Clases de lgebra

42

TEMA 2: Espacios Vectoriales

Nota 2.5.
Si

Caso especial:

Rn = R

d(A, 0) =

x2 = |x|

2.7.3. Norma de un Vector en

(valor absoluto de x).

Rn
R

Denicin 2.23 (Norma de un Vector en n )


Se dene la norma de un vector v = [v1 , , vn ]
extremo del vector y se identica por v .

Rn

v =

2
2
v1 + vn =

como la distancia del origen al

n
2
vi =

vi vi =

i=1

i=1

vv

Esta norma se la denomina norma eucldea o norma 2.

Nota 2.6. Adems de la norma 2 o eucldea se denen otras normas muy utilizadas, como son la norma 1, la norma
n y la norma innito, las cuales tienen diferentes aplicaciones.

2.7.4. Propiedades de la Norma


Dado el vector v

v >0 ,

Rn y el escalar R, se verica:

v = || v

Dem:

v = 0

v =

0 =0

2 (v v) =

(v) (v) =

2 v v = || v

Desigualdad de Cauchy-Schwarz : |u v| u

Dem: Ver Ejemplo 2.18, pgina 46.

Desigualdad Triangular :

u+v u + v

Dem:
u+v
= u

= (u + v) (u + v) = u u + u v + v u + v v = u u + 2(u v) + v v =

+ 2(u v) + v

+ 2|u v| + v
=

cs

+2 u

v + v

= ( u + v )2

u+v u + v

Nota 2.7.
v

u+

Descripcin grca de la desigualdad triangular en

R2 .

25 Ver

el Apndice B.7.1, pgina 256.

Clases de lgebra

Pedro Jos Hernando Oter

2.8. Relaciones entre Vectores

43

2.7.5. Vectores Unitarios y Normalizacin


Denicin 2.24 (Vector Unitario)
Se dice que un vector v n es unitario si su norma es la unidad.

v vector unitario

v =1

Cualquier vector v n no nulo se puede transformar en unitario dividiendo por la norma del
vector, de la siguiente forma:
v = [x1 , x2 , , xn ]
u =

u=

1
1
v=
[x1 , x2 , , xn ] =
v
v

|xn |2
|x1 |2
+ +
=
2
v
v 2

|x1 |2 + + |xn |2
=
v 2

v
v

x1
xn
, ,
v
v
2
2

1=1

El nuevo vector unitario u tiene la misma direccin y sentido que el vector original v pero con norma
1. A este proceso se le denomina normalizacin de un vector.

2.8. Relaciones entre Vectores

2.8.1. Distancia entre dos Vectores


Denicin 2.25 (Distancia entre dos Vectores)
Dados dos vectores u, v n se dene la distancia entre ellos como:

d(u, v) = u v = v u = d(v, u)

Nota 2.8.

uv
u

Interpretacin grca de la diferencia de vectores en

R2

v
X

Nota 2.9. La denicin de distancia entre vectores coincide con la denicin de distancia entre puntos de
se muestra a continuacin:
A, B

Rn

Rn , como

d(A, B) = d(B, A) =

(a1 b1 )2 + (an bn )2 =

(ai bi )2
i=1

v, u

Rn

d(v, u) = d(u, v) =

(u1 v1 )2 + (un vn )2 =

(ui vi )2
i=1

Pedro Jos Hernando Oter

Clases de lgebra

44

TEMA 2: Espacios Vectoriales

2.8.2. ngulo entre dos Vectores en


Y

R2

v1 = [x1 , y1 ]
v2 = [x2 , y2 ]

v1

v2

= |1 2 |

sen 1 =

sen 2 =

y2
v2

cos 1 =

1 2

y1
v1
x1
v1

cos 2 =

x2
v2

Teniendo en cuenta que cos(a b) = cos a cos b + sen a sen b, se tiene:


x1 x2
y1
cos = cos(1 2 ) = cos 1 cos 2 + sen 1 sen 2 =
+
v1 v2
v1

y2
v2

Despejando:
v1

v2 cos = x1 x2 + y1 y2 = v1 v2

Rn

Generalizando la denicin anterior a dos vectores no nulos v1 , v2


cos =

v1 v2
v1 v2

Nota 2.10. El ngulo siempre se mide en radianes. La relacin entre grados sexagesimales y radianes viene dada
mediante la frmula: rad = (grados 2)/360

2.8.3. ngulo entre dos Vectores en

cos =

Rn :

v1 v2
v1 v2

Nota 2.11. Desde un punto de vista geomtrico, slo tiene sentido el ngulo entre vectores de
un punto de vista matemtico, dicha expresin en n tiene mltiples aplicaciones.

2.8.4. Denicin Alternativa del Producto Escalar en

R2 y R3 , aunque desde

Rn

Denicin 2.26 (Producto Escalar en n )


Dados dos vectores u, v n , se dene el producto escalar de u por v como el nmero
(escalar) resultado de la siguiente operacin:

uv = u

v cos

donde es el ngulo entre u y v.


Recordamos que la primera denicin dada26 del producto escalar en

Rn fue:
n

u v = [u1 , u2 , , un ] [v1 , v2 , , vn ] = u1 v1 + u2 v2 + + un vn =

26 Ver

uk vk
k=1

la Denicin 2.22, pgina 40.

Clases de lgebra

Pedro Jos Hernando Oter

2.9. Vectores Ortogonales

45

2.9. Vectores Ortogonales

Denicin 2.27 (Vectores Ortogonales)


Se dice que dos vectores u, v n son ortogonales si su producto escalar es cero.

uv =0

El vector nulo 0 = [0, , 0]

Nota 2.12.

u, v ortogonales

Rn , es ortogonal a cualquier vector ya que:

v0=0 ;

Rn

En n dos vectores no nulos u y v son ortogonales si el ngulo entre ellos es = 90 , es decir,


2
son perpendiculares.
cos =
u

0
uv
=
=0
u v
u v

uv =0

= arccos 0 =

=
En

uv

R2

R3

Nota 2.14.

Nota 2.13. El concepto de ortogonalidad es muy importante dentro de las matemticas. Su signicado es ms amplio
que el puramente geomtrico y se habla de polinomios ortogonales, soluciones ortogonales, campos ortogonales, etc.

Si u v

Por el teorema de Pitgoras:


u+v

= u

+ v

2.10. Proyeccin Ortogonal

Denicin 2.28 (Proyeccin Ortogonal)


Dados dos vectores u, v n se denomina proyeccin27 ortogonal de v sobre u al vector de
n
resultado de la siguiente operacin:

uv

uu

uv
uv
proyu (v) =
u

uu
uu

n
uv u
uu
(prod. por un escalar)

R
R
R
R

27 La etimologa de la palabra proyeccin viene del latn proiectio, de procere; de pro=delante y facere=hacer. La
proyeccin es la representacin grca de un objeto sobre una supercie plana, obtenida al unir las intersecciones sobre
dicho plano de las lneas proyectantes de todos los puntos del objeto desde el vrtice.

Pedro Jos Hernando Oter

Clases de lgebra

46

TEMA 2: Espacios Vectoriales

2.10.1. Interpretacin Geomtrica en

R2 y R3

El vector sombra de v sobre u lo vamos a denominar


p y se puede calcular como:

p= p

Por trigonometra:
Finalmente:

p=

p = v cos = v
uv
u

u
u

uv
u 2u

uv
uu

uv
u
v

1
u
u

uv
u

La proyeccin ortogonal de un vector u sobre otro vector u, proyu (v), coincide geomtricamente con
el vector sombra de v sobre u.

El sentido del vector proyeccin p = proyu (v) depende de la disposicin espacial de los vectores u y v.

Nota 2.15.

Ejemplo 2.17. En
Solucin:

R2 encontrar la proyeccin ortogonal de v = [1, 3] sobre u = [2, 1].

proyu (v) =

uv
uu

u=

u v = [2, 1] [1, 3] = 2(1) + 1(3) = 2 + 3 = 1


u u = [2, 1] [2, 1] = 2(2) + 1(1) = 4 + 1 = 5

Y
v 3
2
1

1
2 1
[2, 1] =
,
5
5 5

Ejemplo 2.18. De forma geomtrica y por el teorema de Pitgoras es evidente que


proyu (v) v . Demostrar que esta expresin es equivalente a la desigualdad de CauchySchwarz : |u v| u v
Solucin:
proyu (v) =

proyu (v) =

uv
uu

u =

uv
uu

u =

uv
u 2

u =

|u v|
|u v|
|u v|
u =
=
v
u 2
u
u

Nota 2.16. En grcos 3D las proyecciones ortogonales son muy tiles para determinar sombras, reexiones, etc. La
palabra proyeccin viene de proyectar una imagen sobre un plano.

Clases de lgebra

Pedro Jos Hernando Oter

2.10. Proyeccin Ortogonal

47

2.10.2. Aplicaciones Geomtricas de la Proyeccin Ortogonal

R R

A continuacin se muestran algunas frmulas practicas en la determinacin de distancias en 2 y 3 ,


obtenidas mediante consideraciones geomtricas y utilizando el concepto de proyeccin ortogonal. En
el Apndice B.9, pgina 262, se encuentran otras frmulas alternativas ms conocidas.
Distancia de un Punto a un Recta en

R2 y R3

d = P A proyv (P A)

Distancia entre dos Rectas paralelas en

R2 y R3

P2

d = P1 P2 proyv (P1 P2 )

P1

Distancia de un Punto a un Plano en

R3

n
A

d = proyn (P A)

d
P

Distancia entre dos Planos Paralelos en

R3

n
P1

d = proyn (P1 P2 )

d
P2

Pedro Jos Hernando Oter

Clases de lgebra

TEMA

Matrices
Contenido
3.0
3.1

3.2

3.3

3.4

3.5

3.6

Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.0.1 Tipos de Matrices . . . . . . . . . . . . . . . . . . . . . . . . .
Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1 Suma de Matrices . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.2 Producto de un Escalar por una Matriz . . . . . . . . . . . .
3.1.3 Diferencia de Matrices . . . . . . . . . . . . . . . . . . . . . .
3.1.4 Producto de Matrices . . . . . . . . . . . . . . . . . . . . . . .
3.1.5 Producto Matricial Matriz-Vector . . . . . . . . . . . . . . . .
3.1.6 Producto Matricial Vector-Vector . . . . . . . . . . . . . . . .
3.1.7 Producto Matriz-Vector Estndar . . . . . . . . . . . . . . . .
3.1.8 Potencia de Matrices Cuadradas . . . . . . . . . . . . . . . . .
Matriz Transpuesta AT . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Matriz Simtrica y Antisimtrica . . . . . . . . . . . . . . . .
3.2.2 Propiedades de la Matriz Transpuesta . . . . . . . . . . . . .
lgebra Matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.1 Propiedades de la Suma y la Multiplicacin por un Escalar . .
3.3.2 Combinacin Lineal de Matrices . . . . . . . . . . . . . . . . .
3.3.3 Propiedades de la Multiplicacin de Matrices . . . . . . . . .
Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.1 Clculo de la Matriz Inversa: mtodo de Gauss-Jordan . . . .
3.4.2 Inversa y SEL . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.3 Propiedades de las Matrices Invertibles . . . . . . . . . . . . .
Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.1 Introduccin: Determinantes de Matrices 2 2 . . . . . . . .
3.5.2 Determinantes de Matrices 3 3 . . . . . . . . . . . . . . . .
3.5.3 Regla de Sarrus . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.4 Determinantes de Matrices n n . . . . . . . . . . . . . . . .
3.5.5 Clculo del Determinante mediante Desarrollos de Laplace . .
3.5.6 Determinantes e Inversa de una Matriz . . . . . . . . . . . . .
3.5.7 Propiedades de los Determinantes . . . . . . . . . . . . . . . .
3.5.8 Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.9 Matriz Adjunta e Inversa de una Matriz . . . . . . . . . . . .
Subespacios Asociados a una Matriz . . . . . . . . . . . . . . . . . . .
3.6.1 Espacios Columna y Fila de una Matriz . . . . . . . . . . . .
3.6.2 Rango, Ncleo y Nulidad de una Matriz . . . . . . . . . . . .
3.6.3 Teorema Fundamental de las Matrices Invertibles . . . . . . .
3.6.4 Bases para los Espacios Fila, Columna y Nulo de una Matriz

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

51
52
54
54
54
54
55
56
56
57
57
58
58
58
59
59
59
60
60
60
62
63
63
63
64
64
65
66
67
67
68
69
70
70
71
73
73

49

Clases de lgebra

Resta

Suma

Tipos

Deniciones

Prod. por Escalar

Basicas

Propiedades

Transpuesta

M. Simtrica

Matriz-Vector

Producto

Matriz-Matriz

Operaciones

Denicin

Met. Gauss-Jordan

Clculo

Inversa

Matrices

Propiedades

Denicin

Clculo

Determinante

S. Fila

Propiedades

S. Columna

Tipos

Rango

Ncleo

Propiedades

Teo. Fund. Mat. Inv.

Nulidad

Subespacios Mat.

Bases

50
TEMA 3: Matrices

Pedro Jos Hernando Oter

3.0. Matrices

51

3.0. Matrices

Denicin 3.1 (Matriz)


Una matriz es una disposicin de nmeros ordenados en las y columnas.
Una matriz A de m las y n columnas se denota por Amn y las representaremos mediante
corchetes cuadrados, de la siguiente forma:

a11 a12 a1n


a21 a22 a2n

;
aij
;
A = [aij ] mn
Amn = .
.
.
.
.
.
.
.
.

am1

am2

amn

El orden, dimensin o tamao de una matriz es la cantidad de las y columnas que


posee, (m n).

Se denominan elementos diagonales de la matriz Amn = [aij ] a los elementos aii


que poseen igual la que columna.

Al conjunto de todos los elementos diagonales se denomina diagonal principal. Se


denen las subdiagonales como aquellas diagonales por encima y por debajo de la
diagonal principal.
Si las n columnas de la matriz Amn son los vectores c1 , c2 , ,
representarla como un vector de vectores columna:

a1i
a2i

A = c1 c2 cn
;
ci = .
.
.

ami

cn

Si las m las de la matriz Amn son los vectores f1 , f2 , , fm


representarla como un vector de vectores la:

A=

Pedro Jos Hernando Oter

f1
f2
.
.
.
fm

fi =

ai1

ai2

Rm , podemos

Rn ,

podemos

ain

Clases de lgebra

52

TEMA 3: Matrices

Denicin 3.2 (Matrices Iguales)


Se dice que dos matrices son iguales si poseen las mismas dimensiones (nmero de las y
columnas) y si son iguales todos sus correspondientes elementos.

3.0.1. Tipos de Matrices


Matriz Fila: Matriz formada por una nica la, (anloga a un vector la).
A1n =

a11

a12

a1n

Matriz Columna: Matriz formada por una nica columna, (anloga a un vector columna).

a11
a21

Am1 = .
.
.
am1
Matriz Nula, Omn : Matriz con todos sus elementos iguales a cero.

{0mn = [aij ] : aij = 0, 0 i m, 0 j n}

0 0 0
0 0 0

Omn = . .
.
.
. .
. .
.
0 0 0

Matriz Cuadrada: Matriz con igual nmero de las que de columnas.

a11 a12 a1n


a21 a22 a2n

Ann = .
.
.
.
.
.
.
.
.
an1 an2 ann

Matriz Triangular Superior: Matriz cuadrada donde sus entradas por debajo de la diagonal
principal son cero.
{Ann = [aij ] : aij = 0 si i > j}

Dn = . .
.
.
. .
. .
.
0

Matriz Triangular Inferior: Matriz cuadrada donde sus entradas por encima de la diagonal
principal son cero.
{Ann = [aij ] : aij = 0 si i < j}

0 0
0

Dn = . .
.
.
. .
. .
.

Clases de lgebra

Pedro Jos Hernando Oter

3.0. Matrices

53

Matriz Diagonal: Matriz cuadrada donde sus entradas no diagonales son cero,
{Ann = [aij ] : aij = 0 si

a11 0
0 a22

Dn = .
.
.
.
.
.
0

i = j}

0
0

.
.
.

ann

Matriz Tridiagonal: Matriz cuadrada con elementos no todos nulos en la diagonal principal
y en las subdiagonales justo por encima y por debajo de la principal, siendo el resto de los
elementos cero.

a11 a21

0
a21 a22 a23

0 a31 a32
a33

.
.
.

.
.
.
0

an n1

ann

Matriz Escalar: Matriz diagonal con todos sus elementos diagonales iguales.

d 0 0
0 d 0

Dn = . .
.
.
. .
. .
.
0 0 d

Matriz Identidad de orden n, In : Matriz escalar con elementos diagonales de valor unidad.
Tambin puede considerarse como una matriz cuyos vectores la y columna son los vectores
estndar 1 de n .
{In = [aij ] : aij = 1 si i = j, aij = 0 si i = j}

In =

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

0
0
.
.
.

e1

e2

en

e1
e2
.
.
.
en

Matriz Elemental: Cualquier matriz que se obtiene al realizar una nica operacin elemental
por la 2 sobre una matriz identidad In . Ejemplos de matrices elementales:

1 0 0 0
1 0 0
0 2 0 0
1 1

0 0 1
;
;
0 0 1 0
0
1
0 1 0
0 0 0 1

1 Ver
2 Ver

la Denicin 2.6, pgina 29.


la Seccin 1.4.5, pgina 14.

Pedro Jos Hernando Oter

Clases de lgebra

54

TEMA 3: Matrices

3.1. Operaciones con Matrices

3.1.1. Suma de Matrices


Denicin 3.3 (Suma de Matrices)
Dadas dos matrices A, B mn , se dene la suma de ambas A + B
C mn resultado de la operacin:


a11 a1n
b11 b1n
.
. + .
.
.
. .
.
A + B = [aij ] + [bij ] = .
.
.
.
am1 amn
bm1 bmn

a11 + b11

.
.
=
.
am1 + bm1

a1n + b1n

.
.
= [aij + bij ] = [cij ] = C
.
amn + bmn

3.1.2. Producto de un Escalar por una Matriz


Denicin 3.4 (Producto de un Escalar por una Matriz)
Se dene el producto de un escalar k
por una matriz A
mn
B
resultado de la operacin:

kA = k

a11
a21
.
.
.
am1

a12
a22
.
.
.
am2

como la matriz

a11
a21
.
.
.
am1

a1n
a2n
.
.
.
amn
a12
a22
.
.
.
am2

ka11
ka21
.
.
.
kam1

a1n
a2n
.
.
.
amn

ka12
ka22
.
.
.
kam2

Rmn

ka1n
ka2n
.
.
.
kamn

a la matriz

k = Ak = B

3.1.3. Diferencia de Matrices


Denicin 3.5 (Diferencia de Matrices)
Dadas dos matrices A, B mn , se dene la diferencia A B como la matriz suma de A
ms la opuesta B, A B = A + (B) mn .

Clases de lgebra

Pedro Jos Hernando Oter

3.1. Operaciones con Matrices

55

3.1.4. Producto de Matrices


Denicin 3.6 (Multiplicacin de Matrices)
Dadas las matrices A mn y B np , se dene el producto o multiplicacin de la
matriz A por la matriz B, como aquella matriz C mp resultado de la operacin:

b11 b12 b1p


a11 a12 a1n
a21 a22 a2n b21 b22 b2p

AB = .
.
. =
.
. .
.
.
.
. .
.
.
.
.
.
.
.

am1

f1A
f2A
.
.
.
fmA

am2

[c1B c2B cpB ] =

bn1

amn

bn2

bnp

f1A c1B
f2A c1B
.
.
.

f1A c2B
f2A c2B
.
.
.

f1A cnB
f2A cnB
.
.
.

fmA c1B

fmA c2B

fmA cnB

El elemento cij de la matriz resultado C se puede expresar como:

=C

cij = ai1 bij + ai2b2j + + ain bnj =

!
Nota 3.1.

aik bkj
k=1

El nmero de columnas de la matriz A debe coincidir con el nmero de las de la matriz B.

Ejemplo 3.1. Calcular AB siendo:

A=

1
2

2
1

1 0
1 1

R24

1
1
B=
1
0

Solucin:
AB =

1
2

2
1

1 1 + 2 (1) + (1) 1 + 0 0
2 1 + 1 (1) + 1 1 + 1 0
=

Pedro Jos Hernando Oter

1
1

1
0

1 0
1 1

1
3
1
0

1
3
1
0

2
0

2
1

2
0
=
2
1

1 1 + 2 3 + (1) 1 + 0 0
21+13+11+10
2
2

6
6

4
3

R32

R43

1 2 + 2 0 + (1) (2) + 0 1
2 2 + 1 0 + 1 (2) + 1 1

Clases de lgebra

56

TEMA 3: Matrices

3.1.5. Producto Matricial Matriz-Vector


El producto matricial de dos matrices da como resultado una nueva matriz.

El producto matricial de una matriz A mn por una matriz (o vector) columna V n1


da como resultado una matriz (o vector) columna C m1 :

a11 v1 + a12 v2 + + a1n vn


v1
a11 a12 a1n
a21 a22 a2n v2 a21 v1 + a22 v2 + + a2n vn

AV = .
= Cm1
.
.
. . =
.
.
. .

.
.
.
.
.
.
am1

am2

amn

am1 v1 + am2 v2 + + amn vn

vn

El producto matricial de una matriz (o vector) la V 1m por una matriz A


como resultado una matriz (o vector) la C 1n :

a11 a12 a1n


a21 a22 a2n

V A = v1 v2 vm .
.
. =
.
.
.
.
.
.
am1 am2 amn

a11 v1 + a21 v2 + + am1 vm

a12 v1 + a22 v2 + + am2 vm

Rmn da

a1n v1 + a2n v2 + + amn vm

= C1n

3.1.6. Producto Matricial Vector-Vector


El producto matricial de una matriz (o vector) columna
la V 1n es igual a una matriz cuadrada A nn

w1
v1 w1
w2
v2 w1

W V = . v1 v 2 vn = .
.
.
.
.
wn
vn w 1

W n1 por una matriz (o vector)


de la forma:

v1 w 2 v1 w n
v2 w 2 v2 w n

= Ann
.
.
.
.

.
.
vn w2 vn wn

El producto matricial de una matriz (o vector) la V 1n por una matriz (o vector) columna
W n1 es una matriz (o vector) de un slo elemento A 11 , siendo por tanto un escalar.

w1
w2

V W = v1 v2 vn . = v1 w1 + v2 w2 + + vn wn = A11
.
.
wn

El producto matricial de un vector la por un vector columna es una operacin equivalente al producto
escalar 3 de dos vectores.

3 Ver

la Denicin 2.22, pgina 40.

Clases de lgebra

Pedro Jos Hernando Oter

3.1. Operaciones con Matrices

57

3.1.7. Producto Matriz-Vector Estndar


Sea A

Rmn y los vectores estndar 4 ei Rm1

y ej

R1n . Entonces

Aei es la i-sima columna de A: Aei = ci .

Aei =

a12
a22
.
.
.

a1n
a2n
.
.
.

am1

am2

amn

a12
a22
.
.
.

a1n
a2n
.
.
.

am2

amn

ej A es la j-sima la de A: ej A = fj .

a11
a21

ej A = 0 1 .
.
.

am1

0
a1i
.

.
. a2i
= . = ci
1 .
.
.
.
ami
.

a11
a21
.
.
.

aj1

aj2

ajn

= fj

3.1.8. Potencia de Matrices Cuadradas


Denicin 3.7 (Potencia de una Matriz Cuadrada, An )
Dada una matriz cuadrada A nn se dene la operacin A elevado a la potencia n
como el resultado del producto matricial:

N,

An = AA A
n veces

Propiedades de la Potencia de Matrices Cuadradas


Dada A

Rnn y r, s N, se verica:

Ar As = Ar+s .
(Ar )s = Ars .
Por denicin A0 = In .

4 Ver

la Denicin 2.6, pgina 29.

Pedro Jos Hernando Oter

Clases de lgebra

58

TEMA 3: Matrices

3.2. Matriz Transpuesta AT

Denicin 3.8 (Matriz Transpuesta, AT )


Dada A mn , se dene su matriz transpuesta AT
intercambiando las las y columnas5 de A.

A = [aij ]

A=

a11 a12 a1n


a21 a22 a2n
.
.
.
.
.
.
.
.
.
am1 am2 amn

Rnm

AT = [aji ] i, j

a11
a21
a12
a22

AT = .
.
.
.
.
.
a1n
a2n

aquella que se obtiene

am1
am2
.
.
.
amn

3.2.1. Matriz Simtrica y Antisimtrica


Denicin 3.9 (Matriz Simtrica y Antisimtrica)
Una matriz cuadrada A nn se dice que es simtrica si AT = A.

R
Una matriz cuadrada A Rnn se dice que es antisimtrica si AT = A.

3.2.2. Propiedades de la Matriz Transpuesta


(AT )T = A

(A B)T = AT B T
(kA)T = k(A)T

(Ar )T = (AT )r

;
;

Rmn
kR

A, B

Rmn ,
A, B Rnn
A Rnn , r 0
A

(AB)T = B T AT

Rmn

Teorema 3.1
Si A es una matriz cuadrada, entonces A + AT es una matriz simtrica.
Si A es una matriz cuadrada, entonces A AT es una matriz antisimtrica.
AAT y AT A son matrices simtricas para cualquier matriz A.

5 Es

AT .

decir, la i-sima la de A es la i-sima columna de AT y la j-sisma columna de A pasa a ser la j-sisma la de

Clases de lgebra

Pedro Jos Hernando Oter

3.3. lgebra Matricial

59

3.3. lgebra Matricial


3.3.1. Propiedades de la Suma y la Multiplicacin por un Escalar
Sean A, B, C

Rmn y , R. Entonces,

Conmutativa

(A + B) + C = A + (B + C)

Asociativa

A + 0mn = A

Elemento Neutro

1A = A

Elemento Unitario

A + (A) = 0mn

Elemento Opuesto

(A + B) = A + B

Distributiva 1

( + )A = A + A

Distributiva 2

A+B =B+A

(A) = ()A

Asociativa 2

3.3.2. Combinacin Lineal de Matrices


Denicin 3.10 (Combinacin Lineal de Matrices)
Se dice que una matriz A mn es una combinacin lineal de k matrices A1 , A2 , ,
Ak mn , si existen k constantes c1 , c2 , , ck tales que:

A = c1 A1 + c2 A2 + + ck Ak =

cj Aj
j=1

A los escalares ci se les denominan coecientes de la combinacin lineal.


Se dice que las matrices A1 , A2 , , Ak
la nica solucin de la ecuacin:

Rmn son linealmente independientes si

c1 A1 + c2 A2 + + ck Ak = 0mn
es la solucin trivial 6 : c1 = c2 = = ck = 0.

Rmn son linealmente dependientes si

Se dice que las matrices A1 , A2 , , Ak


existen soluciones no triviales de la ecuacin:

c1 A1 + c2 A2 + + ck Ak = 0mn

6 Ver

la Seccin 1.8, pgina 23.

Pedro Jos Hernando Oter

Clases de lgebra

60

TEMA 3: Matrices

Denicin 3.11 (Espacios de Matrices)


Se dene el espacio generado por un conjunto de matrices como el conjunto de todas las
posibles combinaciones lineales de las matrices.

3.3.3. Propiedades de la Multiplicacin de Matrices


Elemento Neutro: AIn = Im A = A

Asociativa 1: A(BC) = (AB)C

Asociativa 2: (kA)B = A(kB) = k(AB)


;

Distributiva 2: A(B + C) = AB + AC

Nota 3.2.

Rmn ,

Distributiva 1: (A + B)C = AC + BC

Rmn
B

Rnp ,

Rps .

Rmn , B Rn .
A, B Rmn , C Rnp .
A Rmn , B, C Rnp .
A

El producto de matrices no es conmutativo y por tanto generalmente AB = BA.

3.4. Inversa de una Matriz

Denicin 3.12 (Matriz Invertible y Matriz Inversa, A1 )


Se dice que una matriz cuadrada A nn es invertible o no singular, si existe una matriz
A1 nn tal que:
AA1 = A1 A = In

donde In es la matriz identidad de orden n.


En caso de existir, la matriz A1 se le denomina matriz inversa de A.
Una matriz no invertible se dice que es singular.

Nota 3.3.

Dada una matriz (no necesariamente cuadrada) A

Rnm : AR = Im
Inversa por la izquierda: L Rnm : LA = In

Rmn , se denomina :

Inversa por la derecha: R

Si A es invertible entonces R = L = A1 .

3.4.1. Clculo de la Matriz Inversa: mtodo de Gauss-Jordan


Sea A

Rnn . Llamando X = A1 se tiene:

AX = In

Clases de lgebra

a11
a21
.
.
.

a12
a22
.
.
.

a1n
a2n
.
.
.

an1

amn2

amnn

x11
x21
.
.
.

x12
x22
.
.
.

x1n
x2n
.
.
.

xn1

xn2

xnn

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

0
0
.
.
.

Pedro Jos Hernando Oter

3.4. Inversa de una Matriz

61

Denotando por xi a los vectores columna de X y ei a los vectores columna de In , el problema del
clculo de la matriz inversa se puede transformar en el clculo de n SEL de la forma:

Ax1 = e1

Ax1 = e1
A[x1 x2 xn ] = [e1 e2 en ]
=
.
.
.
.
.

Axn = en

Notar que puede utilizarse el

1
a11 a12 a1n
a21 a22 a2n
0

.
.
.
.
.
.
.
.
.
.
.
.
0
an1 an2 ann
A

mtodo de Gauss-Jordan7 para resolver los n

1 0
0 0
1 0 Op. Elem. de Fila 0 1

.
. . .
.
.
. .
. .
.
.
0 0
0 1
In

SEL a la vez:
0
0
.
.
.

x11
x21
.
.
.

x12
x22
.
.
.

x1n
x2n
.
.
.

xn1

xn2

xnn

In

A1

Proceso de Clculo de la Matriz Inversa (Mtodo Gauss-Jordan)


Para encontrar la inversa de una matriz A

Rnn se puede seguir los siguientes pasos:

1. Formar la matriz n (2n) de la forma: [A|In ].


2. Calcular la matriz escalonada reducida equivalente de la anterior.
si el resultado es de la forma [In |X], entonces A es invertible y A1 = X.

si es de otra forma (en la parte izquierda no aparece In ), entonces A es no


invertible (singular ).

Ejemplo 3.2. Calcular, en caso de que exista,

1
A= 2
3

Solucin:

1 1 1
2 3 2
3 8 2

1
0
0

0
1
0

0
1 1
F 2F
0 2 1 0 1

F3 3F1
1
0 5

1 0 0
0 1 0

F3
0 0 1
F1 +F3

7 Ver

10
2
7

0
0
1

6
1
1
0
5 1

la matriz inversa de la matriz:

1 1
3 2
8 2

1
2
3

0
1
0

0
1 0
F 5F
0 3 2 0 1

F1 F2
1
0 0
A1

10
= 2
7

1
0
1

3
2
7

6
1
1
0
5 1

1 0
1 0
5 1

la Seccin 1.7, pgina 21.

Pedro Jos Hernando Oter

Clases de lgebra

62

TEMA 3: Matrices

Propiedades de la Matriz Inversa


Una matriz A

Rmn es invertible si y slo si8 :

A es una matriz cuadrada, m = n.


rang (A) = n.

Ejemplo 3.3. Determinar si la siguiente matriz es

1 2
A= 4 5
7 8

invertible.

3
6
9

Solucin: La matriz es cuadrada y por tanto puede ser invertible. Vamos a calcular su rango,
obteniendo una matriz escalonada equivalente de A.

1 2 3
1
2
3
1
2
3
F 4F
F 2F
4 5 6 2 1 0 3 6 3 2 0 3 6


F3 7F1
7 8 9
0 6 12
0
0
0
Como rang (A) = 2 < n = 3, por tanto A es no invertible.

3.4.2. Inversa y SEL


Teorema 3.2
Dada una matriz cuadrada invertible A

Rnn , entonces se verica:

A1 es nica.
El SEL Ax = b es compatible determinado y su solucin nica viene dada por:
x = A1 b

Dada una matriz A


y

Rm :

Rn

Rmn :

si A es invertible, el SEL Ax = y tiene una nica solucin x = A1 y.


si A no es invertible, el SEL Ax = y tiene innitas soluciones o ninguna.

En el caso especial y = 0, el SEL Ax = 0 siempre tiene como solucin x = 0.


si A es invertible, esta ser la nica solucin.
si A no es invertible, tendr adems otras innitas soluciones ms.

8 Estas

propiedades estn basadas en la resolucin de SEL. Ver el Teorema 1.1, pgina 18.

Clases de lgebra

Pedro Jos Hernando Oter

3.5. Determinantes

63

3.4.3. Propiedades de las Matrices Invertibles


Sean A, B

Rnn matrices invertibles, entonces:

A1 es invertible y (A1 )1 = A
(cA)1 = 1 A1 , siendo c
c

R,

con c = 0.

(AB)1 = B 1 A1 .
AT es invertible y (AT )1 = (A1 )T .
Ar es invertible y (Ar )1 = (A1 )r = Ar , r 0.
Toda matriz elemental 9 es invertible y su inversa es una matriz elemental del mismo tipo.

3.5. Determinantes
3.5.1. Introduccin: Determinantes de Matrices 2 2

El clculo de la matriz inversa de una matriz invertible A


A=

a
c

R22 de la forma:

b
d

es sencillo siguiendo el mtodo de Gauss-Jordan. Podemos suponer que a = 0 y sin prdida de


generalidad se obtiene:
a
c

b
d

a
adcb F3

1
0

0
1

F1

b
a

1
0

1
c

1
a
c
adcb

b
a

1
a

0
a
adcb

0
1

F cF

2 1

1
0

F1 b F3

1
0

b
a
adcb
a

1
a
c
a

0
1

d
adcb
c
adcb

b
adcb
a
adcb

0
1

La matriz inversa de A ser:


A1 =

d
adcb
c
adcb

b
adcb
a
adcb

1
ad cb

d b
c
a

De aqu podemos deducir que la matriz A ser invertible, si y slo si ad bc = 0 .


Denicin 3.13 (Determinante de una Matriz 2 2)
Dada una matriz A 22 :
a b
A=
c d

se denomina determinante de A y se denota por det (A) o bien |A|, al escalar:


det (A) = |A| = det

9 Ver

a
c

b
d

= ad bc

la Seccin 3.0.1, pgina 52.

Pedro Jos Hernando Oter

Clases de lgebra

64

TEMA 3: Matrices

Propiedades del Determinante de una Matriz 2 2


Dada una matriz A

R22 :

A es invertible si y slo si det (A) = 0.


En caso de ser invertible, su inversa vale:

A1 =

1
det (A)

d b
c
a

3.5.2. Determinantes de Matrices 3 3


Dada una matriz general A33 :

Calculando su inversa por el mtodo

ei f h ch bi
1
f g di ai cg
A1 =
|A|
dh eg bg ah

a
A= d
g

b
e
h

c
f
i

de Gauss-Jordan se obtiene:

bf ce
cd af
;
|A| = aei + bf g + cdh ceg af h bdi
ae bd

De igual forma que en el caso 2 2, la matriz A1 existir si y slo si |A| = 0.

3.5.3. Regla de Sarrus


La regla de Sarrus es un mtodo sistemtico para encontrar el determinante de una matriz A de hasta
orden 3 3. Consiste en escribir la matriz A y a su derecha las dos primeras columnas de A. Entonces
se multiplica las entradas de las seis diagonales, sumndose o restndose en funcin de la direccin.
|A| = aei + bf g + cdh ceg af h bdi

a b c
d e f
g h i

a b
d e
g h
+ + +

a b c
d e f
g h i
+

a b c
d e f
g h i

La regla de Sarrus no10 es vlida para matrices de orden superior a 3 3.


Ejemplo 3.4. Calcular el determinante de la siguiente matriz, utilizando la regla de Sarrus:

5 3 2
0 2
A= 1
2 1 3

|A| = 503+1(1)2+2(3)2[202][2(1)5][3(3)1] = 02120+10+9 = 5

10 El

valor obtenido de esta forma para matrices de mayor orden no tiene ninguna relacin con la inversa de la matriz.

Clases de lgebra

Pedro Jos Hernando Oter

3.5. Determinantes

65

3.5.4. Determinantes de Matrices n n

Vamos a deducir un mtodo general para calcular el determinante de una matriz n n. Comenzamos
con el determinante de una matriz A33 general:

a b c
A= d e f
g h i

Como hemos visto anteriormente este determinante se puede expresar fcilmente mediante la regla de
Sarrus. El resultado obtenido se puede reorganizar de la siguiente forma:
|A| = aei + bf g + cdh ceg af h bdi = a(ei f h) b(di f g) + c(dh eg) =
=a

e f
h i

d
g

f
i

+c

d
g

e
h

que puede interpretarse como un desarrollo de determinantes 2 2 a travs de los elementos de la


primera la de la matriz. Tambin se puede obtener un resultado anlogo desarrollando por la primera
columna de la matriz A como sigue:
|A| = aei + bf g + cdh ceg af h bdi = a(ei f h) d(bi ch) + g(bf ce) =
=a

e f
h i

a g
c i

+g

b c
e f

Se puede comprobar fcilmente que el resultado es el mismo independientemente de la la o columna


que se elija para el desarrollo.
Este procedimiento se puede generalizar para el clculo del determinante de cualquier matriz n n
de forma recursiva, como funcin de los determinantes de submatrices (n 1) (n 1) de A. A su vez,
cada uno de los determinantes obtenidos, se pueden denir mediante los determinantes de submatrices
(n 2) (n 2) de A, y as sucesivamente.
Vamos a claricar el clculo deniendo previamente los conceptos de menor complementario y
adjunto.

Denicin 3.14 (Menores y Adjuntos de una Matriz Cuadrada)


Sea una matriz cuadrada A nn y la correspondiente matriz Aij (n1)(n1) formada
al eliminar la la i-sima y la columna j-sima de A. Se dene entonces:

Menor Complementario (o simplemente Menor) ij de A, representado por Mij , al


determinante de la matriz Aij .
Mij = det(Aij )
Adjunto (o Cofactor) ij de A, es el menor ij de A al que se le aade un signo (+/)
dado por la expresin:
Cij = (1)i+j det(Aij ) = (1)i+j Mij

Pedro Jos Hernando Oter

Clases de lgebra

66

TEMA 3: Matrices

La regla de los signos utilizada en el clculo del adjunto, (1)i+j , se puede expresar intuitivamente
en forma de tablero de ajedrez como:

+ +
+ +

+ +

+ +

.
.
.
. ..
.
.
.
.
.
.
.
.
.

3.5.5. Clculo del Determinante mediante Desarrollos de Laplace


1. Se dene el determinante de una matriz A11 = [a] como el escalar det(A) = |A| = a.

2. Dada una matriz cuadrada A = [aij ] nn se puede denir su determinante como el


escalar obtenido por el desarrollo por una la o por el desarrollo por una columna de la forma
siguiente:
Desarrollo a lo largo de la la i-sima :
det(A) = |A| =
= (1)i+1 ai1 det(Ai1 ) + (1)i+2 ai2 det(Ai2 ) + + (1)i+n ain det(Ain ) =
n

(1)i+j aij det(Aij ) =

=
j=1

(1)i+j aij Mij =


j=1

aij Cij
j=1

Desarrollo a lo largo de la columna j-sima :


det(A) = |A| =
= (1)1+j a1j det(A1j ) + (1)2+j a2j det(A2j ) + + (1)n+j anj det(Anj ) =
(1)i+j aij Mij =

(1)i+j aij det(Aij ) =


i=1

aij Cij
i=1

i=1

Ejemplo 3.5. Calcular el determinante de la siguiente matriz, utilizando el desarrollo de


Laplace.

5 3 2
0 2
A= 1
2 1 3
Solucin: Desarrollando por ejemplo a travs de la primera la:
|A| = 5

0
1

2
3

(3)

1
2

2
3

+2

1
2

0
1

= 10 3 2 = 5

Desarrollando por ejemplo a travs de la segunda columna se obtiene el mismo resultado:


|A| = (3)

Clases de lgebra

1
2

2
3

+0

5
2

2
3

(1)

5
1

2
2

= 3 (1) + 0 + 8 = 5

Pedro Jos Hernando Oter

3.5. Determinantes

67

El clculo de un determinante por el mtodo de los desarrollos de Laplace se simplica al


desarrollar por la la o columna que contenga un mayor nmero de ceros.
El clculo de un determinante mediante el desarrollo de Laplace no es eciente
computacionalmente, siendo el nmero de operaciones totales a realizar superior a n!.

3.5.6. Determinantes e Inversa de una Matriz


Dada una matriz invertible A, se tiene:

AA1 = In

Tomando determinantes a ambos lados de la igualdad:


|A||A1 | = |In |

Fcilmente se puede comprobar que el determinante de la matriz identidad es igual a la unidad (basta
ir desarrollando por cada uno de los elementos de la diagonal),
Y nalmente

|In | = 1

|A||A1 | = 1

|A1 | = |A|1 =

1
|A|

Como consecuencia de esta frmula se puede deducir la siguiente propiedad:


Una matriz cuadrada A es invertible si y slo si |A| = 0.

3.5.7. Propiedades de los Determinantes


Sean A, B y C matrices cuadradas de orden n, entonces:
Si A tiene una la o columna de ceros, entonces |A| = 0.
Si A tiene dos las o columnas iguales, entonces |A| = 0.
Si B se obtiene de intercambiar dos las o columnas de A, entonces |B| = |A|.
Si A es una matriz triangular (superior, inferior o diagonal), su determinante es igual al
producto de los elementos de su diagonal principal.
Si B se obtiene de multiplicar una la o columna por el escalar k, entonces |B| = k|A|. Por
tanto det(kA) = k n |A|.
Si A, B y C son matrices iguales excepto que la i-sima la (o i-sima columna) de C es la
suma de las correspondientes i-simas las (o columnas) de A y B, entonces, |C| = |A| + |B|.
Si B se obtiene al sumar un mltiplo de una la (columna) de A a otra la (columna) de A,
entonces |B| = |A|.
Para cualquier dos matrices cuadradas de orden n, |AB| = |A||B|.
|A1 | = 1/|A|.
|AT | = |A|.

Pedro Jos Hernando Oter

Clases de lgebra

68

TEMA 3: Matrices

3.5.8. Regla de Cramer


La regla de Cramer permite obtener la solucin de un SEL compatible determinado mediante la
utilizacin del determinante de la matriz de coecientes.
Sea el sistema de n ecuaciones lineales con n incgnitas:

Rnn
Rn

A
b

Ax = b

Denotemos por Ai (b) a la matriz obtenida al reemplazar la i-sima columna de A por el vector b,
Ai (b) = [ c1

c2

cn ]

Columna i

A travs de esta matriz se puede expresar la solucin del anterior sistema de ecuaciones lineales de la
forma dada por el siguiente teorema.
Teorema 3.3 (Regla de Cramer)
Sea una matriz cuadrada e invertible A
del sistema Ax = b est dada por:
xi =

Rnn y sea b un vector de Rn . Entonces la solucin

det(Ai (b))
|A|

i = 1, , n

Demostracin 3.3
Como las columnas de la matriz identidad I son los vectores estndar columna ei , se tiene
que:
AIi (x) = A[ e1 x en ] = [ Ae1 Ax Aen ] =
= [ c1

cn ] = Ai (b)

Tomando determinantes a ambos lados de la igualdad,


|A| det(Ii (x)) = det(Ai (b))
siendo:

..
.

x1
x2
.
.
.

xi
.
.
.

0
0

det(Ii (x)) =

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

xn1
xn

..
.

0
0

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

= xi

0
1

como se puede ver al desarrollar por la la i-sima. Por tanto, despejando de la expresin
|A| xi = det(Ai (b)) se obtiene el resultado anterior.

Clases de lgebra

Pedro Jos Hernando Oter

3.5. Determinantes

69

Desde un punto de vista computacional la regla de Cramer es ineciente para resolver sistemas,
salvo los muy pequeos, debido al gran coste de clculo de los determinantes.

3.5.9. Matriz Adjunta e Inversa de una Matriz

Dada una matriz cuadrada A nn , se puede construir una nueva matriz de adjuntos sustituyendo
cada elemento aij por el correspondiente adjunto 11 de cada elemento,
Cij = (1)i+j Mij = (1)i+j det(Aij )

Denicin 3.15 (Matriz Adjunta, adj(A))


Se denomina matriz adjunta de una matriz A y se representa por adj(A), a la transpuesta
de la matriz de adjuntos, dada por:

C11 C21 Cn1


C12 C22 Cn2

adj(A) = [Cij ]T = [Cji ] = .


.
.
..
.
.
.
.
.
.
.
C1n C2n Cnn

Teorema 3.4
Para toda matriz invertible A

Rnn se tiene:
A1 =

1
adj(A)
|A|

Demostracin 3.4
La inversa de una matriz invertible A es una matriz X tal que:
AX = I

X=

x1

x2

xn

siendo xj la columna j-sima de la matriz X. Para determinar cada una de estos vectores
columna se puede resolver los sistemas Axj = ej y por la regla de Cramer:
xij =

det(Ai (ej ))
|A|
(Contina en la pgina siguiente)

11 Ver

la Denicin 3.14, pgina 65.

Pedro Jos Hernando Oter

Clases de lgebra

70

TEMA 3: Matrices

Demostracin 3.4 (Continuacin)


y como:
a12
a22
.
.
.

..
.

aj1
.
.
.

aj2
.
.
.

1
.
.
.

an1

det(Ai (ej )) =

a11
a21
.
.
.

0
a2n
.
.
.

a1n

..
.

ajn
.
.
.

an2

.
.
.

= (1)j+i det(Aji ) = Cji

ann

se deduce fcilmente la expresin anterior.

3.6. Subespacios Asociados a una Matriz


Dada la matriz A

Rmn ,

A=

a11
a21
.
.
.

a12
a22
.
.
.

a1n
a2n
.
.
.

am1

am2

amn

c1

c2

cn

f1
f2
.
.
.

fm
Vamos a estudiar la relacin que hay entre los vectores la y columna que componen una matriz
y como afectan a las propiedades de la misma. Dicho anlisis se har a travs de la denicin de
importantes conceptos que sern de gran utilidad en el resto de los temas.

3.6.1. Espacios Columna y Fila de una Matriz


Denicin 3.16 (Espacio Columna de una Matriz)
Se dene el espacio columna12 de A mn como el subespacio de m generado por la
combinacin lineal de todos los vectores columna de A. Se representa por col(A).

col(A) = {x

Rm

: x = 1 c1 + + n cn

R}

Denicin 3.17 (Espacio Fila de una Matriz)


Se dene el espacio la de A mn como el subespacio de
lineal de todos los vectores la de A. Se representa por l(A).

l(A) = {x

Rn

Rn generado por la combinacin

: x = 1 f1 + + m fm

R}

12 Como se ver ms adelante, el espacio columna de una matriz coincide con la imagen de una matriz, ver la
Denicin 4.10, pgina 93.

Clases de lgebra

Pedro Jos Hernando Oter

3.6. Subespacios Asociados a una Matriz

71

Teorema 3.5
Sea A mn , entonces se verica:

Si B en una matriz equivalente por las 13 a la matriz A entonces14 , l(A) = l(B).


dim(l(A)) = dim(col(A)).

3.6.2. Rango, Ncleo y Nulidad de una Matriz


Denicin 3.18 (Rango de una Matriz)
Dada la matriz A mn , se puede denir15 el rango de A como la dimensin de su espacio
la o de su espacio columna 16 . Se denota por rang(A).

rang(A) = dim(l(A)) = dim(col(A))

Denicin 3.19 (Ncleo o Espacio Nulo de una Matriz)


Dada la matriz A mn , se dene el ncleo o espacio nulo de A al subespacio de n
compuesto de las soluciones del sistema lineal homogneo 17 Ax = 0. Se denota18 por ker(A).

ker(A) = {x

U
R

Rn

: Ax = 0}

Denicin 3.20 (Nulidad de una Matriz)


Dada la matriz A mn , se dene la nulidad de A al valor de la dimensin del ncleo de
una matriz.
nul(A) = dim(ker(A))

Teorema 3.6 (Teorema del Rango de las Matrices)


Sea A mn , entonces se verica:

rang(A) + nul(A) = n

13 Ver

la Seccin 1.5.2, pgina 17.


no necesariamente col(A) = col(B).
15 En la Seccin 1.5.4, pgina 18 se dio una denicin alternativa y equivalente del rango de una matriz.
16 Y por tanto, segn la Denicin 2.15, pgina 34, el rango de una matriz coincide con el nmero de vectores la y
vectores columna linealmente independientes que tiene la matriz.
17 Ver la Seccin 1.8, pgina 23.
18 En lengua inglesa la palabra kernel se traduce como ncleo.
14 Aunque

Pedro Jos Hernando Oter

Clases de lgebra

72

TEMA 3: Matrices

Demostracin 3.5

nul(A) = Num. de parmetros libres de la solucin del Sist. Homog. = n rang(A)


=

nul(A) + rang(A) = (n rang(A)) + rang(A) = n

Teorema 3.7
Sea A mn , entonces se verica19 :

rang(AT ) = rang(A).
rang(AT A) = rang(A).
La matriz AT A

Rnn es invertible si y slo si rang(A) = n.

Demostracin 3.6
rang(A) = dim(col(A)) = dim(l(A)) = rang(AT )
Como AT A
rango:

Rnn , tiene el mismo nmero de columnas que A y por el teorema del


rang(A) + nul(A) = n = rang(AT A) + nul(AT A)

Entonces, basta con demostrar que nul(A) = nul(AT A) para que rang(A) =
rang(AT A). Para ello vamos a demostrar que todo x que pertenece a nul(A) tambin
pertenece a nul(AT A) y viceversa.
1. Todo x nul(A) cumple Ax = 0 = AT Ax = AT 0 = 0, y por tanto
x nul(AT A).
2. Para todo x nul(AT A) se tiene AT Ax = 0 = xT AT Ax = xT 0 = 0. Entonces:
xT AT Ax = (Ax)T (Ax) = (Ax) (Ax) = 0
y por tanto x nul(A).

Por tanto nul(A) = nul(AT A)

Ax = 0

rang(A) = rang(AT A).

Trivial.

19 Las

propiedades de la matriz AT A sern estudiadas con ms detenimiento en el Tema 9, pgina 167.

Clases de lgebra

Pedro Jos Hernando Oter

3.6. Subespacios Asociados a una Matriz

73

3.6.3. Teorema Fundamental de las Matrices Invertibles


Teorema 3.8 (Teorema Fundamental de las Matrices Invertibles)
Sea A nn . Las siguientes armaciones son equivalentes:

A es invertible 20 .
Ax = b tiene solucin nica 21 b

Rn .

Ax = 0 tiene slo la solucin trivial 22 x = 0

Rn .

La forma escalonada reducida equivalente 23 de A es In .


det (A) = 0, (ver Seccin 3.5.6, pgina 67).
rang(A) = n, (ver Seccin 1.5.4, pgina 18 y Denicin 3.18, pgina 71).
ker(A) = {0}, (ver Denicin 3.19, pgina 71).
Los vectores columna de A son linealmente independientes y forman una base 24 de
Los vectores la de A son linealmente independientes y forman una base de

Rn .

Rn .

3.6.4. Bases para los Espacios Fila, Columna y Nulo de una Matriz

Dada una matriz A mn , los pasos a seguir para calcular bases para el espacio la, el espacio
columna y/o el espacio nulo son los siguientes:
1. Encontrar la forma escalonada reducida R de A.
2. Los vectores la no nulos, (con unos principales), de R forman una base para l(A).
3. Los vectores columna de A correspondientes a los vectores columna no nulos, (con unos pivote),
de R forman una base para col(A).
4. Resolver el sistema Rx = 0, expresando la solucin como una combinacin lineal, (a travs
de posibles parmetros libres), de un conjunto de vectores. Estos vectores forma una base del
ker(A).

20 Ver

la
la
22 Ver la
23 Ver la
24 Ver la
21 Ver

Denicin 3.12, pgina 60.


Seccin 1.3.2, pgina 11.
Seccin 1.8, pgina 23.
Denicin 1.23, pgina 18.
Seccin 2.5.1, pgina 36.

Pedro Jos Hernando Oter

Clases de lgebra

TEMA

Transformaciones Lineales
Contenido
4.1

4.2

4.3

4.4

4.5

Concepto de Transformacin Lineal . . . . . . . . . . .


4.1.1 Forma Matricial de una Transformacin Lineal
4.1.2 Propiedades de las Transformaciones Lineales .
Transformaciones Lineales Elementales . . . . . . . . .
4.2.1 Transformacin Lineal de Vectores Estndar . .
4.2.2 Demostracin = de la Seccin 4.1.2 . . . . . .
Inversa de una TL . . . . . . . . . . . . . . . . . . . . .
4.3.1 Funcin Invertible . . . . . . . . . . . . . . . . .
4.3.2 Inversa de una TL . . . . . . . . . . . . . . . .
Operaciones con TL . . . . . . . . . . . . . . . . . . . .
4.4.1 Suma de Transformaciones . . . . . . . . . . . .
4.4.2 Composicin de Transformaciones . . . . . . . .
Imagen y Ncleo de una TL . . . . . . . . . . . . . . .
4.5.1 Imagen de una TL . . . . . . . . . . . . . . . .
4.5.2 Ncleo o Espacio Nulo de una TL . . . . . . . .
4.5.3 Nulidad y Rango de una TL . . . . . . . . . . .
4.5.4 Tipos de TL . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

. 77
. 78
. 79
. 81
. 82
. 83
. 83
. 83
. 87
. 89
. 89
. 90
. 93
. 93
. 95
. 97
. 100

75

Forma Matricial

Clases de lgebra

Propiedades

TL Inversa

Operaciones

Deniciones

Tipos

Imagen

Composicin de TL

Transformaciones Lineales

Ncleo

Nulidad

Caractersticas

Rango

76
TEMA 4: Transformaciones Lineales

Pedro Jos Hernando Oter

4.1. Concepto de Transformacin Lineal

77

4.1. Concepto de Transformacin Lineal


Una expresin del tipo:
a11 x1 + a12 x2 + + a1n xn
a21 x1 + a22 x2 + + a2n xn
.
.
.

y1
y2
.
.
.

=
=

ym

= am1 x1 + am2 x2 + + amn xn

adems de como un SEL1 , puede ser vista como una funcin vectorial2 que transforma un vector
de entrada:
x = [x1 , x2 , , xn ] n

en otro vector de salida:

y = [y1 , y2 , , ym ]

Rm

Esta funcin vectorial la podemos representar como:


f:

Rn Rm

x y

Denicin 4.1 (Transformacin Lineal)


Se denomina transformacin3 lineal, a toda funcin vectorial de varias variables, lineal en
todas sus variables (polinmica de primer grado) entre un espacio dominio n a otro espacio
imagen m .

T :

Rn Rm

[x1 , x2 , , xn ] [y1 , y2 , , ym ]

y1
y2
.
.
.

Nota 4.1.

a11 x1 + a12 x2 + + a1n xn


a21 x1 + a22 x2 + + a2n xn
.
.
.

ym

=
=
=

am1 x1 + am2 x2 + + amn xn

y = T (x)

Por inters prctico, se denotar mediante las siglas TL a las Transformaciones Lineales.

Ejemplo 4.1. La transformacin lineal:


y1
y2

=
=

Convierte un vector de entrada x = [x1 , x2 ]


Entrada
x = [1, 0]
x = [1, 1]
.
.
.

x1 + x2
x1 x2

R2 en otro vector y = [y1 , y2 ] R2 .


Salida
y = [1, 1]
y = [2, 0]
.
.
.

1 Ver

la Denicin 1.8, pgina 5.


una introduccin a las funciones en Apndice B.13, pgina 270.
3 Tambin se denomina funcin, aplicacin, operador o mapeo.
2 Ver

Pedro Jos Hernando Oter

Clases de lgebra

78

TEMA 4: Transformaciones Lineales

Las TL pueden utilizarse para codicar informacin como muestra el siguiente ejemplo.
Ejemplo 4.2. Un espa quiere enviar la posicin de un objetivo (x1 , x2 ) de forma codicada
(y1 , y2 ), siguiendo la clave (transformacin lineal):
y1
y2

= x1 + 3x2
= 2x1 x2

De forma que cuando la posicin actual es (5, 10):


x=

x1
x2

5
10

Se enva la posicin codicada:


y1
y2

y=

5 + 3 10
2 5 10

35
0

Esta informacin deber ser decodicada por su receptor, como se ver ms adelante en este
tema4 .

4.1.1. Forma Matricial de una Transformacin Lineal


Toda TL:

y1
y2
.
.
.

a11 x1 + a12 x2 + + a1n xn


a21 x1 + a22 x2 + + a2n xn
.
.
.

ym

am1 x1 + am2 x2 + + amn xn

se puede expresar de forma matricial, extrayendo la informacin importante

y1
a11 a12 a1n
x1
y2 a21 a22 a2n x2

y = Ax
;
.= .
.
. .
.
. .
. .
.
.
.
.
.
ym

=
=

am1

am2

amn

xn

de la TL como:

x
A

Rnmn
R
Rm

Denicin 4.2 (Matriz Asociada a una Transformacin Lineal)


Dada una transformacin lineal:
y = T (x) = Ax
se denomina matriz asociada5 a la TL, a la matriz A que dene dicha transformacin.

4 Ver

el Ejemplo 4.13, pgina 92.


se le suele denominar matriz cannica o matriz estndar.

5 Tambin

Clases de lgebra

Pedro Jos Hernando Oter

4.1. Concepto de Transformacin Lineal

79

Ejemplo 4.3. La forma matricial del Ejemplo 4.1 es:


y1
y2

= x1 + 3x2
= 2x1 x2

y1
y2

=
1
2

A=

1
2
3
1

Por tanto, podemos expresar esta TL como:


T :

R2 R2

x1
x2

y = Ax

y = T (x) = Ax

4.1.2. Propiedades de las Transformaciones Lineales


Teorema 4.1 (Propiedades de las TL)
Una transformacin (funcin) T : n
propiedades:

T (u + v) = T (u) + T (v)
T (ku) = kT (u)

3
1

Rm es lineal si y slo si, verica las siguientes dos

Rn
k R

u, v

Rn ,

Nota: Para k = 0

T (0) = 0

Nota 4.2. Las propiedades del Teorema 4.1 se suelen utilizar como denicin alternativa de transformacin lineal,
(ver la denicin original dada en la Denicin 4.1, pgina 77).

Demostracin = (Una TL verica estas propiedades)


Vamos a demostrar como una transformacin T : n m del tipo:

y1 = a11 x1 + a12 x2 + + a1n xn


a11
a21
y2 = a21 x1 + a22 x2 + + a2n xn

;
y = T (x) = Ax = .
.
.
.
.
.
.
.
.

ym

am1 x1 + am2 x2 + + amn xn

a12
a22
.
.
.

am1

a1n
a2n
.
.
.

am2

amn

cumple las dos propiedades antes citadas.


1. T (u + v) = T (u) + T (v)

u, v

Pedro Jos Hernando Oter

x1
x2

.
.
.

xn

Rn

La parte izquierda de la igualdad ser igual a:

a11 a12
a21 a22

T (u + v) = A(u + v) = .
.
.
.
.
.
am1 am2

a1n
a2n
.
.
.

amn

u1 + v1
u2 + v2
.
.
.
un + vn

a11 (u1 + v1 ) + a12 (u2 + v2 ) + + a1n (un + vn )


a21 (u1 + v1 ) + a22 (u2 + v2 ) + + a2n (un + vn )
.
.
.

am1 (u1 + v1 ) + am2 (u2 + v2 ) + + amn (un + vn )

Clases de lgebra

80

TEMA 4: Transformaciones Lineales


Por otra parte, el lado derecho de la igualdad ser:

T (u)+T (v) = Ax+Av =

a11
a21
.
.
.

a12
a22
.
.
.

am1

am2

amn

a11 u1 + a12 u2 + + a1n un


a21 u1 + a22 u2 + + a2n un
.
.
.

a1n
a2n
.
.
.

u1
u2

.
.
.

un

a11
a21
.
.
.

a12
a22
.
.
.

a1n
a2n
.
.
.

am1

am2

amn

a11 v1 + a12 v2 + + a1n vn


a21 v1 + a22 v2 + + a2n vn
.
.
.

am1 v1 + am2 v2 + + amn vn


am1 u1 + am2 u2 + + amn un

a11 (u1 + v1 ) + a12 (u2 + v2 ) + + a1n (un + vn )


a21 (u1 + v1 ) + a22 (u2 + v2 ) + + a2n (un + vn )

.
.

v1
v2

.
.
.

vn

Suma Vectores
=

am1 (u1 + v1 ) + am2 (u2 + v2 ) + + amn (un + vn )

siendo ambos resultados iguales.


2. T (ku) = kT (u)

Rn ,

La parte izquierda de la igualdad ser

a11 a12
a21 a22

T (ku) = A(ku) = .
.
.
.
.
.
am1

am2

igual a:

a1n
ku1
a2n ku2

. .
. .
.
.

amn

Y la parte derecha de la igualdad:



y1
ky1
y2 ky2

kT (u) = kAx = k . = .
. .
.
.
yn

kyn

siendo ambos resultados iguales.

kun

k(a11 u1 + a12 u2 + + a1n un )


k(a21 u1 + a22 u2 + + a2n un )
.
.
.
k(am1 u1 + am2 u2 + + amn un )

k(a11 u1 + a12 u2 + + a1n un )


k(a21 u1 + a22 u2 + + a2n un )
.
.
.
k(am1 u1 + am2 u2 + + amn un )

Nota 4.3. La demostracin =, correspondiente a si una funcin vectorial (transformacin) cumple las dos
propiedades anteriores obligatoriamente debe ser lineal en todas sus componentes, se ver posteriormente en la
Seccin 4.2.2, pgina 83.

Las dos propiedades del Teorema 4.1, pgina 79, se pueden resumir en una sola:
T (u + v) = T (u) + T (v)

u, v

Rn ,

Es decir, la TL de una combinacin lineal de vectores es igual a la combinacin lineal de las TL de


los vectores.

Clases de lgebra

Pedro Jos Hernando Oter

4.2. Transformaciones Lineales Elementales

Ejemplo 4.4. Dada la TL T :

81

R2 R2 denida por:
y1
y2

calcular T (2u 5v + 7w) u, v, w

=
=

3x1 + x2
x1 2x2

u=

R2 .

Solucin: Ponindolo en forma matricial:


3
1

T (x) =

1
2

x1
x2

u1
u2

, v=

v1
v2

w1
w2

, w=

Como es una TL, podemos calcularlo de dos formas distintas.


Forma 1:
3
1

T (2u5v+7w) =

1
2

u1
u2

v1
v2

w1
w2

+7

3(2u1 5v1 + 7w1 ) + (2u2 5v2 + 7w2 )


(2u1 5v1 + 7w1 ) 2(2u2 5v2 + 7w2 )

Forma 2:

3
1

2u1 5v1 + 7w1


2u2 5v2 + 7w2

1
2

6u1 15v1 + 21w1 + 2u2 5v2 + 7w2


2u1 + 5v1 7w1 4u2 + 10v2 14w2

T (2u 5v + 7w) = 2T (u) 5T (v) + 7T (w) =


3
1

=2
=
=

6
2

1
2
2
4

u1
u2
u1
u2

5
+

3
1

1
2

15 5
5 10

6u1 + 2u2
15v1 5v2
21w1 + 7w2
+
+
2u1 4u2
5v1 + 10v2
7w1 14w2

v1
v2
v1
v2

3
1

+7
+

1
2

21
7
7 14

w1
w2
w1
w2

6u1 + 2u2 15v1 5v2 + 21w1 + 7w2


2u1 4u2 + 5v1 + 10v2 7w1 14w2

Siendo ambas expresiones iguales.

Estas dos propiedades de las TL simplican en gran medida la utilidad y operaciones de las TL,
haciendo de ellas una herramienta matemtica muy utilizada en la prctica.

4.2. Transformaciones Lineales Elementales


TL Nula : T :

Rn Rm

: T (x) = 0

Rm

Rn

La matriz asociada a la transformacin nula T (x) = Ax = 0 es la matriz nula de orden m n :

0 0 0
0 0 0

mn
0mn = . .
.
.
. .
. .
.

Pedro Jos Hernando Oter

Clases de lgebra

82

TEMA 4: Transformaciones Lineales


TL Identidad : T :

Rn Rm

: T (x) = x

Rm

Rn

En este caso obligatoriamente n = m y la matriz asociada a la transformacin identidad


T (x) = Ax = x corresponde con la matriz identidad In :

1 0 0
0 1 0

nn
In = . .
.
.
. .
. .
.

4.2.1. Transformacin Lineal de Vectores Estndar


Dada una transformacin lineal cualquiera T :

a11
a21

T (ei ) = Aei = .
.
.
am1

Rn Rm , se tiene6 :

a12
a22
.
.
.

a1n
a2n
.
.
.

am2

amn

0
a1i

.

.
. a2i
= .
1 .
.
.
.
ani
.
0

ei

Rn

siendo ei el vector estndar 7 i-simo. Por tanto, el vector T (ei ) corresponde con la columna i-sima,
ci , de la matriz asociada a la transformacin lineal T : n m .

T (ei ) = Aei =

c1

c2

cn

ei = ci

Denicin 4.3 (Matriz Asociada a una TL a travs de vectores estndar)


Como T (ei ) = ci , la matriz asociada a cualquier transformacin lineal T : n
puede denir como:
A = T (e1 ) T (e2 ) T (en )

Dado un vector x

Rm , se

Rn se tiene:

T (x) = T (x1 e1 + x2 e2 + + xn en ) = x1 T (e1 ) + x2 T (e2 ) + + xn T (en ) = x1 c1 + x2 c2 + + xn cn


siendo ci la columna i-sima

a11 a1n
.
.
.
y = Ax = .
.
.
am1

6 Ver
7 Ver

amn

de la matriz asociada a la transformacin T .

x1
a11
a12
a1n
.
.
.
.
. = x1 . + x2 . + + xn . =
.
.
.
.
xn
am1
am2
amn

xi ci
i=1

la Seccin 3.1.7, pgina 57.


la Seccin 2.2.3, pgina 29.

Clases de lgebra

Pedro Jos Hernando Oter

4.3. Inversa de una TL

83

4.2.2. Demostracin = de la Seccin 4.1.2

Vamos a utilizar la Denicin 4.3 de una matriz asociada a una TL mediante vectores estndar, para
terminar la demostracin del Teorema 4.1, pgina 79, cuyo resultado hera:

Rn Rm que verica las siguientes dos propiedades:


(1) T (u + v) = T (u) + T (v) , u, v Rn
(2) T (ku) = kT (u)
, u Rn , K R

Una transformacin T :

es una TL.

Demostracin 4.1
Una transformacin es lineal si tiene la forma: T (x) = Ax

x
A

Sean e1 , e2 , , en los vectores estndar de n , entonces:

x1
x2

x = . = [x1 e1 + x2 e2 + + xn en ]
.
.
xn

Rnmn
R

Por tanto, aplicando las dos propiedades anteriores (1) y (2) tenemos:
(1)

(2)

T (x) = T (x1 e1 + x2 e2 + + xn en ) = T (x1 e1 ) + T (x2 e2 ) + + T (xn en ) =

x1
x2
(2)

= x1 T (e1 ) + x2 T (e2 ) + + xn T (en ) = [T (e1 ), T (e2 ), , T (en )] . = Ax


.
.
xn

4.3. Inversa de una TL

4.3.1. Funcin Invertible


Denicin 4.4 (Funcin Invertible)
Se dice que una funcin T : X Y es invertible 8 si la ecuacin T (x) = y tiene una solucin
nica x X para cada y Y .
Si una funcin T : X Y es invertible, su inversa T 1 : Y X se dene como:
T 1 (y) = { solucin nica x X de T (x) = y }

8 Ver

una denicin de funcin inversa en el Apndice B.13.4, pgina 273.

Pedro Jos Hernando Oter

Clases de lgebra

84

TEMA 4: Transformaciones Lineales

Ejemplo 4.5. Determinar si las siguientes TL T , R y S son invertibles, a travs de sus


correspondientes deniciones dadas mediante conjuntos de Venn.
T

x1
x2

y0

y0

Solucin:
T es invertible al ser una funcin uno a uno o biyectiva.
R no es invertible, ya que R(x) = y0 tiene dos soluciones x1 y x2 .
S no es invertible, ya que S(x) = y0 no tiene solucin.

Ejemplo 4.6. Sea el problema de la codicacin de mensajes, Ejemplo 4.2, dado en este caso
por la siguiente TL:
y1
y2

= x1 + 3x2
= 2x1 + 5x2

y1
y2

1
2

3
5

x1
x2

y = Ax

Esta TL codica una posicin de entrada x = [x1 , x2 ] 2 en otro vector y = [y1 , y2 ] 2 .


Cuando se recibe el mensaje codicado hay que decodicarlo. Por ejemplo si el vector codicado
es y = [131, 220], conociendo la matriz de codicacin A habr que resolver el SEL:
x1 + 3x2
2x1 + 5x2

= 131
= 220

Utilizando Gauss-Jordan:
1 3
2 5

131
220

F 2F

2 1

1
0

3
1

131
42

F +3F

1 2

F3

1 0
0 1

5
42

por tanto, la informacin decodicada es x = [5, 42]. Lo interesante es encontrar la forma de


decodicar cualquier mensaje y = [y1 , y2 ].
1 3
2 5

y1

F 2F

y2

2 1

1
0

3
1

y1
2y1

F +3F

y2

1 2

F3

1 0
0 1

5y1
2y1

3y2
y2

Luego, la funcin de decodicacin (funcin inversa) es:


x1
x2

= 5y1 + 3y2
= 2y1 y2

x1
x2

5
2

3
1

y1
y2

x = A1 y

siendo tambin una TL.


(Contina en la pgina siguiente)

Clases de lgebra

Pedro Jos Hernando Oter

4.3. Inversa de una TL

Ejemplo 4.6 (Continuacin).


La relacin entre las dos matrices A y A1 es la siguiente:

85

1 3
codicar con la matriz A =
2 5

5
3
decodicar con matriz A1 =
2 1

Ejemplo 4.7. No todas las transformaciones lineales son invertibles. Por ejemplo:
x1
x2

y1
y2

Supongamos que se elige como codicacin:


y1
y2

= x1 + 2x2
= 2x1 + 4x2

y1
y2

1
2

2
4

x1
x2

y = Ax

Cuando se recibe la informacin codica y = [89, 178] y queremos decodicarla, tendremos que
resolver el sistema:
x1 + 2x2
= 89
2x1 + 4x2 = 178
que tiene innitas soluciones de la forma:
x1
x2

89 t
t

Ya que este SEL no tiene solucin nica, es imposible recuperar la actual posicin codicada,
es decir, la transformacin de codicacin y la matriz de codicacin A son no
invertibles. Por tanto este cdigo (TL) no es til para este n.

Denicin 4.5 (TL Invertible)


La TL y = Ax es invertible si el SEL:
tiene una nica solucin x

Ax = y
para todo y

Analicemos todos los posibles casos de A

Rm

A1

Rmn :

m<n
En este caso el sistema tiene menos ecuaciones que incgnitas y por tanto puede ser:
incompatible (sin solucin).
compatible indeterminado (innitas soluciones), para cualquier y

Rm .

Por tanto la TL y = Ax es no invertible.

Pedro Jos Hernando Oter

Clases de lgebra

86

TEMA 4: Transformaciones Lineales

Ejemplo 4.8. Una TL real con n = 3 y m = 2 de la forma T :


interpretarla grcamente como:

R3

a11
a21

a12
a22

a13
a23

R2 ,

podemos

y2

x3

y1
y2

x1
x2
x3

T (x) = Ax
y1

x2

x1

Se puede considerar como una transformacin de todos los puntos del espacio 3 en los puntos
del plano 2 . Intuitivamente se aprecia que existen ms puntos en el conjunto dominio 3 que
en el conjunto imagen 2 y por tanto:

La TL o bien no es inyectiva o no es sobreyectiva o ambas cosas.

no es biyectiva 9 .

El SEL Ax = y puede tener innitas soluciones o bien no tener solucin, para todos o
algunos y 2 .

En cualquiera de los dos casos, la TL no es invertible.

m=n
En este caso el sistema tiene el mismo nmero de ecuaciones que incgnitas y por tanto puede
ser:
incompatible (sin solucin).
compatible indeterminado (innitas soluciones).
compatible determinado (solucin nica) para cualquier y

Rm .

La TL y = Ax sera invertible si y slo si10 :

rang (A) = n
es decir:
Cualquier matriz escalonada equivalente 11 de A no posee ninguna la de ceros.
La matriz escalonada reducida equivalente 12 de

1 0
0 1

In = . .
. .
. .
0

A es la matriz identidad de orden n, In .

0
0

nn
.
.
.

9 Ver

el Apndice B.13.3, pgina 272.


la Seccin 3.4.1, pgina 62.
11 Ver la Denicin 1.23, pgina 18.
12 Ver la Denicin 1.26, pgina 22.
10 Ver

Clases de lgebra

Pedro Jos Hernando Oter

4.3. Inversa de una TL

87

m>n
En este caso el sistema tiene ms ecuaciones que incgnitas y si T es inyectiva siempre podemos
encontrar algn determinado y m tal que el sistema Ax = y sea incompatible (sin solucin).

Por tanto la TL y = Ax es no invertible.

Ejemplo 4.9. Una TL real con n = 2 y m = 3 de la forma T : 2 3 , se puede interpretar como una aplicacin de de todos los puntos del plano 2 en los puntos del espacio 3 .


y1
a11
y2 = a21
y3
a31

x2

a12
a22
a32

y2
T

x1
x2

T (x) = Ax
y1

x1

y1

Claramente existen menos puntos en 2 que en 3 , de forma que no puede existir una
correspondencia uno a uno (biyectiva) y por tanto la TL no es invertible.

4.3.2. Inversa de una TL


Dada la transformacin lineal T :

Rn Rm :

y1
y2
.
.
.

=
=

a11 x1 + a12 x2 + + a1n xn


a21 x1 + a22 x2 + + a2n xn
.
.
.

ym

am1 x1 + am2 x2 + + amn xn

T (x) = Ax = y

x
A

Rnmn
R
Rm

Denicin 4.6 (TL Inversa)


Si una TL :
T :


y1
a11
y2 a21


.= .
. .
.
.
ym
am1

a11
a21

A= .
.
.
am1

Rn Rn

a12
a22
.
.
.

am2

a12
a22
.
.
.

a1n
a2n
.
.
.

am2

amn

a1n
a2n
.
.
.
amn

x1
x2

.
.
.

xn

Rmn

y = T (x) = Ax

es invertible 13 , se dene la TL inversa, T 1 (y), como:


T 1 :

13 Ver

Rn Rn

x = T 1 (y) = A1 y

la Denicin 4.5, pgina 85.

Pedro Jos Hernando Oter

Clases de lgebra

88

TEMA 4: Transformaciones Lineales

Ejemplo 4.10. Encontrar la TL inversa de la TL, T : 3 3 :


y1
x1 +
x2 +
x3
y2 = 2x1 + 3x2 + 2x3
= y = T (x) = Ax ;
y3
3x1 + 8x2 + 2x3

Solucin: Aplicando el mtodo de

1 1 1 1 0 0
F 2F
2 3 2 0 1 0 2 1

F3 3F1
3 8 2 0 0 1

1 0 0
0 1 0

F3
0 0 1
F1 +F3

1
A= 2
3

Gauss-Jordan14 :
1
0
0

1
1
5

0
0
1

10 6
1
2
1
0
7
5 1

La TL inversa queda entonces:


x1
10y1 6y2 + y3
x2 = 2y1 +

y2
x3
7y1 + 5y2 y3

1
2
3

0
1
0

1 0
0
F 5F
0 3 2 0 1

F1 F2
1
0 0
A1

1
0
1

1
3
8

3
2
7

10 6
1
1
0
= 2
7
5 1

x = T 1 (y) = A1 y

A1

1
2
2

1 0
1 0
5 1

10 6
1
1
0
= 2
7
5 1

Propiedades de la TL Inversa
Dada una funcin biyectiva 15 T : X Y se tiene:
T 1 (T (x)) = T 1 (y) = x , x X
T (T 1 (y)) = T (x) = y
, y Y
(T 1 )1 = T
Linealidad de la TL Inversa
En caso de que exista, la transformacin inversa T 1 de una TL:
T :

Rn Rm

T (x) = y = Ax

es una TL, ya que16 :


T 1 (u + v) = A1 (u + v) = A1 u + A1v = T 1 (u) + T 1 (v)

14 Ver

la Seccin 1.7, pgina 21.


el Apndice B.13.3, pgina 272.
16 Ver el Teorema 4.1, pgina 79 y la propiedad resumen en la pgina 80.
15 Ver

Clases de lgebra

Pedro Jos Hernando Oter

4.4. Operaciones con TL

89

4.4. Operaciones con TL

4.4.1. Suma de Transformaciones


Denicin 4.7 (Suma de Transformaciones)
Dadas las transformaciones: F : n m y G :
suma de F y G como:

Rn Rm , se dene la transformacin

(F + G)(x) = F (x) + G(x) = Ax + Bx = (A + B)x

Rmn y B Rmn :

siendo A + B la matriz suma17 de A


a11 a1n
b11
.
. + .
. .
A+B = .
.
.
.
am1 amn
bm1


b1n
a11 + b11
. =
.
.
.
.
.
bmn
am1 + bm1

Rn

a1n + b1n

.
.

.
amn + bmn

Propiedades de la Suma de TL
La suma de TL es una TL.
La suma de TL es conmutativa, ya que: A + B = B + A.
La suma de TL es asociativa, ya que: A + (B + C) = (A + B) + C.

La operacin diferencia de TL se dene como la suma del opuesto: A B = A + (B)


Ejemplo 4.11. Dadas las TL:

y1 = x1 + x2
y2 = 2x1 x2
F : 2 3

y3 = x1 + 2x2

G:

R2 R3

y1
y2

y3

calcular las TL: (F + G)(x) y (F G)(x).


Solucin:

1
1
2
0
x1
x
(F + G)(x) = A(x) + B(x) = 2 1
+ 1 1 1
x2
x2
1
2
0
2

1
1
2
0
3
1
x
x
= 2 1 + 1 1 1 = 1 2 1
x2
x2
1
2
0
2
1
4

= 2x1
= x1 x2
= 2x2

= (A + B)x =

= Cx

(Contina en la pgina siguiente)

17 Ver

la Seccin 3.1.1, pgina 54.

Pedro Jos Hernando Oter

Clases de lgebra

90

TEMA 4: Transformaciones Lineales

Ejemplo 4.11 (Continuacin).

1
1
2
0
x
(F G)(x) = A(x) B(x) = 2 1 1 1 1
x2
1
2
0
2

1
1
2
0
1 1
x
= 2 1 1 1 1 = 3 0
x2
1
2
0
2
1 0

x1
x2

x1
x2

= (A B)x =

= Dx

4.4.2. Composicin de Transformaciones


Denicin 4.8 (Composicin de Transformaciones)
Dadas las transformaciones:
G : p n
F : n m

R
R

R
R

se dene, la composicin de la transformacin F con G de la siguiente forma:


G

(F G)(x) = F [G(x)]

x G(x) F [G(x)]

Dominio de la Composicin de TL
Dada la composicin de TL: (F G)(x) = F [G(x)].
El dominio de F debe de coincidir con la imagen de G.
El dominio de la nueva transformacin (F G)(x) coincide con el dominio de G(x) y su imagen
es la imagen de F (y).
(F G) : p m

Ejemplo 4.12. Dadas las TL:

F :

R2 R3

y1
y2

y3

= x1 + x2
= 2x1 x2
= x1 + 2x2

G:

R4 R2

y1
y2

= x1 + x2 + x3 + x4
= 2x1 x2 x4

calcular la TL composicin F con G, (F G)(x).


Solucin:

1
F (x) = Ax = 2
1

1
x1
1 x2
2
x3

G(x) = Bx =

1
2

1 1
1
1 0 1

x1
x2

x3
x4

(Contina en la pgina siguiente)

Clases de lgebra

Pedro Jos Hernando Oter

4.4. Operaciones con TL

91

Ejemplo 4.12 (Continuacin).

x1
1
1
1
1 1
1 x2

(F G))(x) = F [G(x)] = A(Bx) = 2 1
2 1 0 1 x3 =
1
2
x4

1
1
(x1 + x2 + x3 + x4 ) + (2x1 x2 x4 )
x1 + x2 + x3 + x4
= 2 1
= 2(x1 + x2 + x3 + x4 ) (2x1 x2 x4 ) =
2x1 x2 x4
1
2
(x1 + x2 + x3 + x4 ) + 2(2x1 x2 x4 )


x
3x1 + x3
3
0 1
0 1
x
3 2
3 2 = Cx
= 3x2 + 2x3 + 3x4 = 0
x3
5x1 x2 + x3 x4
5 1 1 1
x4

La composicin de estas dos TL es una nueva TL: (F G) :

R4 R3 .

Propiedades de la Composicin de TL
La composicin de TL es una TL: (F G)(x) = A(Bx) = Cx.
La composicin de TL no es conmutativa: (F G) = (G F ).
La composicin de TL s es asociativa: F (G H) = (F G) H.
Demostracin

F :
G:

m
Rn Rn
p
R R

; F (x) = Ax
; G(x) = Bx

(F G)(u + v) = F [G(u + v)] = A(B(u + v)) = A(Bu + Bv) = A(Bu) + A(Bv) =


A(Bu) + A(Bv) = (F G)(u) + (F G)(v)

(F G) : p m
Por otra parte, (G F ) estar denida si y slo si m = p. Por tanto de forma general
(F G) = (G F ).
Ver Apndice B.13.5, pgina 274.
Matriz asociada a la Composicin de TL
Como la composicin de TL es otra TL, por tanto tiene asociada una determinada matriz. Vamos a
ver cual es su forma:
F :
G:

(F G)(x) = F [G(x)] = A(Bx) =

Pedro Jos Hernando Oter

m
Rn Rn
p
R R

a11
a21
.
.
.
am1

a12
a22
.
.
.
am2

; F (x) = Ax
; G(x) = Bx
a1n
a2n
.
.
.
amn

b11
b21
.
.
.
bn1

b12
b22
.
.
.
bn2

b1p
b2p
.
.
.
bnp

x1
x2

. =
.
.
xp

Clases de lgebra

92

TEMA 4: Transformaciones Lineales

a11
a21

= .
.
.
am1

a12
a22
.
.
.
am2

a1n
a2n
.
.
.
amn

b11 x1 + b12 x2 + + b1p xp


b21 x1 + b22 x2 + + b2p xp

.
.

bn1 x1 + bn2 x2 + + bnp xp

a11 (b11 x1 + b12 x2 + + b1p xp ) + a12 (b21 x1 + b22 x2 + + b2p xp ) + a1n (bn1 x1 + bn2 x2 + + bnp xp )
a21 (b11 x1 + b12 x2 + + b1p xp ) + a22 (b21 x1 + b22 x2 + + b2p xp ) + a2n (bn1 x1 + bn2 x2 + + bnp xp )

=
=
.
.

.
am1 (b11 x1 + b12 x2 + + b1p xp ) + am2 (b21 x1 + b22 x2 + + b2p xp ) + amn (bn1 x1 + bn2 x2 + + bnp xp )

(a11 b11 + a12 b21 + + a1n bn1 )x1 + (a11 b21 + a12 b22 + + a1n bn2 )x2 + + (a11 b1p + a12 b2p + + a1n bnp )xp
(a21 b11 + a22 b21 + + a2n bn1 )x1 + (a21 b21 + a22 b22 + + a2n bn2 )x2 + + (a21 b1p + a22 b2p + + a2n bnp )xp

=
=
.
.

.
(am1 b11 + am2 b21 + + amn bn1 )x1 + (am1 b21 + am2 b22 + + amn bn2 )x2 + (am1 b1p + am2 b2p + + amn bnp )xp

a11 b11 + a12 b21 + + a1n bn1


a11 b21 + a12 b22 + + a1n bn2

a21 b11 + a22 b21 + + a2n bn1


a21 b21 + a22 b22 + + a2n bn2

.
.
.
am1 b11 + am2 b21 + + amn bn1 am1 b21 + am2 b22 + + amn bn2

f1A
f1A c1B
f1A c2B
f
f c
f2A c2B
2A
2A 1B
= . [c1B c2B cpB ] =
.
.
.

.
.
.

.
.
fmA c1B

fmA

fmA c2B

a11 b1p + a12 b2p + + a1n bnp


a21 b1p + a22 b2p + + a2n bnp
am1 b1p + am2 b2p + + amn bnp

f1A cnB
x1
x
f2A cnB 2
.
.
.
.

.
.
xn
fmA cnB

x1
x2

. =
.
.
xp

Por tanto, la matriz asociada a la TL (F G)(x) = A(Bx) = (AB)x es la matriz dada por el producto
matricial 18 AB :

AB =

f1A c1B
f2A c1B
.
.
.

f1A c2B
f2A c2B
.
.
.

f1A cnB
f2A cnB
.
.
.

fmA c1B

fmA c2B

fmA cnB


AB

Rmn
np
Rmp
R

Ejemplo 4.13. Siguiendo con en el problema de la codicacin de mensajes. El espa 1 enva


una posicin x codicada segn una TL y = F (x) al espa 2 y ste vuelve a codicar el mensaje
segn otra TL distinta z = G(y) y lo enva al espa 3. Conociendo las TL de codicacin y
sabiendo que el mensaje nal doblemente codicado es z = [6, 6], encontrar el mensaje original
x.
y = F (x) =

1
1

1
1

x1
x2

1
2

z = G(y) =

2
1

y1
y2

Solucin:
z = (G F )(x) = G[F (x)] =

1
2

2
1

1
1

1
1

x1
x2

3
3

1
1

x1
x2

= Cx

(Contina en la pgina siguiente)


18 Ver

la Seccin 3.1.4, pgina 55.

Clases de lgebra

Pedro Jos Hernando Oter

4.5. Imagen y Ncleo de una TL

93

Ejemplo 4.13 (Continuacin).


Notar que la composicin es (G F )(x) y no (F G)(x), ya que el orden de aplicacin de las
codicaciones es primero F y despes G. Por tanto:
x = C 1 z
C 1 =

1/6
1/2

1/6
1/2

x1
x2

1/6 1/6
1/2 1/2

6
6

2
0

correspondiente al mensaje original x.

4.5. Imagen y Ncleo de una TL

4.5.1. Imagen de una TL


Denicin 4.9 (Imagen de una TL)
Sea una TL entre un espacio dominio X a otro espacio imagen Y .
T : X Y

x = [x1 , x2 , , xn ] [y1 , y2 , , ym ] = y

Se denomina imagen de la TL al conjunto de vectores y del espacio imagen Y de T que son


imagen de algn vector x del espacio dominio X.
im(T ) = (y Y : y = T (x) para algn x X)

Nota 4.4. Dada una TL, T : X Y , no confundir la imagen de la transformacin, im(T ), con el espacio imagen
de la misma, Y . La imagen es un determinado subconjunto del espacio imagen, im(T ) Y . Ver en la pgina 95 una
aclaracin sobre el tipo de subconjunto que es (subespacio vectorial).

Denicin 4.10 (Imagen de una Matriz)


Se dene la imagen de una matriz A mn y se denota por im(A), a la imagen de la TL
que dene dicha matriz.

y = T (x) = Ax

im(T ) = im(A)

El espacio columna 19 de una matriz coincide con la imagen de la matriz20 :

y1
a11 an1
x1
a11
an1
. .
. . = x . + + x . = col(A)
. .
.
.
im(A) = . = .
1
n
.
.
.
.
.
.
ym
am1 amn
xm
am1
amn
19 Ver
20 Ver

la Denicin 3.16, pgina 70.


demostracin en la pgina 82.

Pedro Jos Hernando Oter

Clases de lgebra

94

TEMA 4: Transformaciones Lineales

Ejemplo 4.14. Describir la imagen de la TL T : 2

1 1
A= 1 2
1 3

R3 denida por la matriz:

Solucin:
La imagen de T es el conjunto de todos los posibles valores dados por la transformacin.
Aplicando la relacin anterior se tiene:



1 1
1
1
x1
x1
x1
T (x) = T
=A
= 1 2
= x1 1 + x2 2
x2
x2
x2
1 3
1
3

De forma que la im(T ) se puede obtener con todas las posibles combinaciones lineales de los
vectores columna de la matriz A. En este caso en concreto, corresponde a un plano en 3 que
pasa por el origen21 (0, 0, 0).

1
1

im(T ) = im(A) = s 1 + t 2 ; s, t

1
3
Ejemplo 4.15. Calcular la imagen de la TL de T :
A=

1
2

R2 R2 denida por la matriz:

3
6

Solucin:
T (x) = T

x1
x2

=A

x1
x2

1
2

3
6

x1
x2

1
3
+ x2
2
6

= x1

= (x1 + 3x2 )

= x1

1
1
+ 3x2
2
2

1
2

Como x1 , x2 , la im(T ) est formada por todos los vectores y 2 que tienen la direccin
del vector [1, 2]. Esto corresponde a una recta en 2 que pasa por el origen (0, 0).

im(T ) = im(A) =

1
2

; t

21 Si no pasara por el origen no sera un subespacio vectorial (ver Seccin 4.5.1, pgina 95) y podra indicar que hemos
cometido algn error en su clculo.

Clases de lgebra

Pedro Jos Hernando Oter

4.5. Imagen y Ncleo de una TL

95

Propiedades de la Imagen de una TL


Dada una TL entre un espacio dominio X a otro espacio imagen Y :

T : X Y

El vector nulo del espacio imagen, 0 Y , siempre est contenido en la imagen de T , im(T ).
La imagen de T es cerrada con respecto a la suma:
v1 , v2 im(T ) = v1 + v2 im(T )
La imagen de T es cerrada con respecto a la multiplicacin por un escalar:
v im(T ) , k

kv im(T )

Demostracin 4.2
T (0) = A0 = 0
Sean v1 , v2 im(T ) = v1 + v2 = T (x1 ) + T (x2 ) = T (x1 + x2 ) = v1 + v2 im(T )
Sea v im(T ) y k

= kv = kT (x1 ) = T (kx1 ) = T (x2 ) = kv im(T )

Por tanto, la imagen de una TL es un subespacio vectorial 22 de su espacio imagen.

4.5.2. Ncleo o Espacio Nulo de una TL


Denicin 4.11 (Ncleo de una TL)
Dada una TL entre un espacio dominio X a otro espacio imagen Y .
T : X Y

x = [x1 , x2 , , xn ] [y1 , y2 , , ym ] = y

Se denomina ncleo o espacio nulo de la TL al conjunto de x perteneciente al espacio


dominio de T , cuya imagen es el vector nulo 0 Y del espacio imagen. Por tanto, el ncleo
de T sern las soluciones del SEL homogneo Ax = 0.
ker(T ) = (x X : T (x) = Ax = 0)

Nota 4.5. Dada una TL, T : X Y , el ncleo es un determinado subconjunto del espacio dominio, ker(T ) X.
Ver en la pgina 97 una aclaracin sobre el tipo de subconjunto que es (subespacio vectorial).

El ncleo 23 de una matriz A

Rmn coincide con el ncleo de la TL que dene dicha matriz.

y = T (x) = Ax

22 Ver
23 Ver

ker(T ) = ker(A)

la Denicin 2.9, pgina 32.


la Seccin 3.6, pgina 70.

Pedro Jos Hernando Oter

Clases de lgebra

96

TEMA 4: Transformaciones Lineales

Ejemplo 4.16. Encontrar el ncleo de la TL de T :


T (x) =

1
1

1
2

R3 R2 denida por:

1
3

x1
x2
x3

Solucin: El ncleo de T son las soluciones del sistema Ax = 0. Resolviendo dicho sistema
mediante el mtodo de Gauss-Jordan24 :
1 1 1
1 2 3
Solucin25 del SEL:

0
0

F F

2
1

1
0

1
1

1
2

0
0

F F

1
2

x3 = t, x2 = 2t, x1 = t

1
2

1 0
0 1

0
0

x1
1
x = x2 = t 2
x3
1

En este caso el ncleo de T es por tanto, la recta en 3 que pasando por el origen, tiene por
vector director [1, 2, 1].

ker(T ) = t 2 ; t

Ejemplo 4.17. Encontrar el ncleo de la

1
1
A=
1
1
Solucin: Aplicando Gauss-Jordan26 se


1
1 5 4 3
2
0 1 2 3
4 0

A=
0 2 4 7 10 0
0
0 1 2 4
6

TL T :
5
6
7
6

4
6
8
6

R5 R4 denida por la matriz:


3
6
10
7

2
6

12
8

obtiene la matriz escalonada reducida



1 0 6
0 6 12 18
2
1
2
3
4 0 1

0
0
1
2 0 0
0
0 0
0
0
0
1
2

Solucin del SEL:

x1
6s 6t
x2 2s + 2t


s
x = x3 =


x4
2t
t
x5

equivalente:

0
6
0 2

1
2
0
0

(Contina en la pgina siguiente)

24 Ver

la Seccin 1.7, pgina 21.


se puede apreciar de los clculos del problema, al aplicar el mtodo de Gauss-Jordan en la determinacin
del ncleo no es necesario incluir la matriz ampliada completa, ya que el vector de ceros independiente permanece
inalterable con las operaciones.
26 En este caso y para simplicar como se ha visto en el ejemplo anterior, no incluimos el vector de trminos
independientes (ceros).
25 Como

Clases de lgebra

Pedro Jos Hernando Oter

4.5. Imagen y Ncleo de una TL

97

Ejemplo 4.17 (Continuacin).


El ncleo de la TL corresponde entonces con un hiperplano de dimensin 2 en

6
6

2
2

1 + t 0 ; s, t
ker(T ) = s

2
0

1
0

R5 dado por:

Propiedades del Ncleo de una TL

Dada una TL entre un espacio dominio X a otro espacio imagen Y :

T : X Y

El vector nulo del espacio dominio, 0 X, est contenido en el ker(T ).


El ncleo de T es cerrado respecto a la suma:
v1 + v2 ker(T )

v1 , v2 ker(T )

El ncleo de T es cerrado con respecto a la multiplicacin por un escalar:


kv ker(T )

Demostracin 4.3
A0 = 0 =

v ker(T ), k

0 ker(T )

Sean v1 , v2 ker(T )
Sea v ker(T ) y k

Av1 = 0
Av2 = 0

= A(v1 +v2 ) = Av1 +Av2 = 0+ 0 = 0

A(kv) = k(Av) = k 0 = 0

Por tanto, el ncleo de una TL es un subespacio vectorial de su espacio dominio.

4.5.3. Nulidad y Rango de una TL


Denicin 4.12 (Nulidad de una TL)
La dimensin 27 del ncleo de una TL, T : n m , denida por y = T (x) = Ax,
se denomina nulidad de la transformacin lineal (o de la matriz A asociada a dicha
transformacin). Se representa por nul(T ), (o nul(A)):

nul(T ) = dim(ker T ) = dim(ker A) = nul(A)


27 Ver

la Denicin 2.21, pgina 36.

Pedro Jos Hernando Oter

Clases de lgebra

98

TEMA 4: Transformaciones Lineales

La nulidad es la dimensin de la solucin del sistema homogneo 28 Ax = 0, y por tanto coincide


con el nmero de parmetros de su solucin, (que a su vez, coincide con el nmero de las nulas que
contiene una matriz escalonada equivalente 29 de A).

U
R

Denicin 4.13 (Rango de una TL)


La dimensin de la imagen de una TL, T : n m , denida por y = T (x) = Ax, se
denomina rango de T .
rang(T ) = dim(im T )

El concepto de rango ya fue denido en el Tema 3 sobre matrices30 y como se ver en el siguiente
teorema, est ntimamente relacionado con el rango de una TL.

Teorema 4.2
El rango de una TL coincide con el rango de su matriz asociada A:
rang(T ) = dim(im T ) = dim(im A) = rang(A)

Demostracin 4.4
Dada una TL: y = Ax
1. La imagen de T es el subespacio del espacio imagen que posee solucin en el SEL:
Ax = y.
2. La dim(T ) coincide con el nmero de columnas linealmente independientes de A.
3. El nmero de columnas linealmente independientes coincide con el nmero de las no
nulas en la matriz escalonada equivalente y por tanto, coincide con el rang(A).
Por tanto, si T :

Rn Rm , y = T (x) = Ax :

dim(im(T )) = m - Num. parmetros libres de la sol. = m - Num. las nulas de A = rang(A)


A continuacin se ver un importante teorema que establece la relacin que existe entre la nulidad
y el rango de una TL.

28 Ver

la Seccin 1.8, pgina 23.


la Denicin 1.23, pgina 18.
30 Ver la Denicin 3.18, pgina 71.
29 Ver

Clases de lgebra

Pedro Jos Hernando Oter

4.5. Imagen y Ncleo de una TL

99

Teorema 4.3 (Teorema del Rango de las TL)


Dada una TL, T : n m , con matriz asociada A

Rmn , entonces se verica:

rang(T ) + nul(T ) = n

Nota 4.6. Tener que n representa la dimensin del espacio dominio de la TL y por tanto es el nmero de columnas
de la matriz asociada A.

Demostracin 4.5
Ver el Teorema 3.6, pgina 71.

Las siguientes ecuaciones son equivalentes:


dim(ker T ) + dim(im T ) = n
dim(ker A) + dim(im A) = n
nul(A) + rang(A) = n

Resumen
De forma esquemtica, podemos representar el funcionamiento de una TL y la relacin entre los
elementos que la denen: espacio dominio, espacio imagen31 , ncleo e imagen de la transformacin,
de la siguiente forma:
T

Ncleo

Imagen
0

ker(T)

Espacio Dominio

31 Ver

im(T)

Espacio Imagen

la Denicin 4.1, pgina 77.

Pedro Jos Hernando Oter

Clases de lgebra

100

TEMA 4: Transformaciones Lineales

4.5.4. Tipos de TL
Dada una transformacin lineal, T :

Rn Rm , denida por y = T (x) = Ax. Entonces32 :

Si dim(im(T )) = m T es sobreyectiva.
Si ker(T ) = {0} T es inyectiva.
T es invertible si es biyectiva. En este caso, a la TL se le denomina Isomorsmo. Se dice
entonces que los espacios dominio n e imagen m son isomorfos.

Demostracin 4.6
Si dim(im(T )) = m T es sobreyectiva.

Si dim(im(T )) = m, todo elemento del espacio imagen ( m ) es imagen de algn


elemento del espacio dominio ( n ), y por tanto T es sobreyectiva.

Si ker(T ) = {0} T es inyectiva.


Si ker(T ) = {0}

la nica solucin de Ax = 0 es x = 0.

Dados u, v
, dos vectores del espacio dominio de T , vamos a ver bajo que
condiciones T (u) = T (v).
T (u) = T (v) ; T (u)T (v) = 0 ; T (uv) = 0 = Sol. nica uv = 0 = u = v
Que es la denicin de una funcin inyectiva.

T es invertible si es biyectiva.
Ver la Seccin 3.8, pgina 73.




32 Ver

el Apndice B.13.3, pgina 272, las deniciones de funciones inyectiva, sobreyectiva y biyectiva.

Clases de lgebra

Pedro Jos Hernando Oter

TEMA

Bases
Contenido
5.1
5.2

Bases en n . . . . . . . . . . . . . . . . . . . . . .
5.1.1 Coordenadas y Matriz asociada a una Base
Cambio de Base . . . . . . . . . . . . . . . . . . . .
5.2.1 Matriz de Cambio de Base . . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

103
103
105
106

101

Matriz Asociada a una Base

Clases de lgebra

Vector de Coordenadas

Coordenadas

Propiedades

Bases

Matriz de Cambio de Base

Teoremas

Cambio de Base

102
TEMA 5: Bases

Pedro Jos Hernando Oter

5.1. Bases en

Rn

103

5.1. Bases en

Rn

Recordatorio
Dado un sistema de vectores S, subconjunto de otro sistema de vectores V , S V , se dice
que S es un conjunto o sistema generador1 de V , si todo vector v V es linealmente
dependiente de S.
Una base2 de un conjunto de vectores V es un conjunto generador de V formado por vectores
linealmente independiente.
Al nmero de vectores que contiene cualquier base de un conjunto de vectores V se denomina
dimensin3 de V .

5.1.1. Coordenadas y Matriz asociada a una Base


Denicin 5.1 (Coordenadas de un Vector respecto una Base)
Sea una base B = {v1 , , vm } de un subespacio W n de dim(W ) = m. Cualquier vector
x W se puede escribir de forma nica como:

x = c1 v1 + c2 v2 + + cm vm
Los escalares c1 , , cm se denominan coordenadas de x respecto de la base B y el
vector,

c1
.
[x]B = .
.
cm

se denomina vector de coordenadas de x respecto de la base B.

Denicin 5.2 (Matriz Asociada a una Base)


La denicin de un vector x W en una base B de W se puede expresar como una TL4 de la
forma:

c1
.
x = c1 v1 + c2 v2 + + cm vm = PB [x]B = [v1 vm ] .
.
cm

donde PB = [v1 vm ] nm es la matriz asociada 5 a la TL que dene la base y se


denomina matriz asociada a la base B.

1 Ver

la
la
3 Ver la
4 Ver la
5 Ver la
2 Ver

Denicin
Denicin
Denicin
Denicin
Denicin

2.19, pgina 36.


2.20, pgina 36.
2.21, pgina 36.
4.1, pgina 77.
4.2, pgina 78.

Pedro Jos Hernando Oter

Clases de lgebra

104

TEMA 5: Bases

Ejemplo 5.1. Sea la base B de

R2 formada por los vectores v1 = [3, 1]T y v2 = [1, 3]T .

a) Si x = [10, 10]T , encontrar [x]B .


b) Si [x]B = [2, 1]T , encontrar x.
Solucin:
a) Tenemos que encontrar el vector de coordenadas del vector x en la base B.
x = c1 v1 + c2 v2 = PB [x]B

10
10

= c1

3
1

1
3

+ c2

3
1

1
3

c1
c2

Resolviendo el SEL:
3
1

1
3

10
10

0 10
10
0

20
40

c2 = 2
c1 = 4

[x]B =

4
2

b) Tenemos que encontrar el vector resultado de la combinacin lineal:


x = PB [x]B = [v1 v2 ]

c1
c2

= c1 v1 + c2 v2 = 2

x=

Teorema 5.1
Sea B = {v1 , , vn } una base del subespacio W

3
1

1
3

7
1

7
1

Rm , y sean x, y W y R. Entonces:

1. [x + y]B = [x]B + [y]B .


2. [x]B = [x]B .

Demostracin 5.1
Sean:
[x]B = [c1 , , cn ] = x = c1 v1 + + cn vn
[y]B = [d1 , , dn ] = y = d1 v1 + + dn vn

Aplicando propiedades de los espacios vectoriales6 se tiene:


x+y = (c1 +d1 )v1 + +(cn +dn )v1

x = (c1 v1 + + cn v1 )
6 Ver

[x+y]B = [(c1 +d1 ), , (cn +dn )] = [x]B +[y]B

[cx]B = [c1 , , cn ] = [x]B

la Seccin 2.2, pgina 28.

Clases de lgebra

Pedro Jos Hernando Oter

5.2. Cambio de Base

105

Las dos propiedades del Teorema 5.1 se pueden resumir en una sla7 :
[1 v1 + + n vn ]B = 1 [v1 ]B + + n [vn ]B
Esto implica que las coordenadas de una combinacin lineal de vectores en una base determinada
coincide con la combinacin lineal de las coordenadas de los vectores en la misma base.

Teorema 5.2
En el espacio n las coordenadas de cualquier vector x
B = {v1 , , vn }, se pueden obtener como:

c1
.
x = PB [x]B = [v1 , , vn ] .
=
.

Rn

en una determinada base

1
[x]B = PB x

cn

Demostracin 5.2
Como en este caso la matriz PB es cuadrada y con vectores columna linealmente
independientes (por ser una base), siempre es invertible.

5.2. Cambio de Base

En la prctica interesa trabajar en un determinado sistema de coordenadas denido por una


determinada base. Vamos a ver como se realiza el cambio de base en espacios n .

Ejemplo 5.2. Sea un subespacio vectorial W n . Dado el vector x = [1, 1, 1]T W ,


determinar los vectores de coordenadas del vector x, en las dos bases del Ejemplo 6.5: BW =
{v1 , v2 } = {[1, 1, 0]T , [2, 0, 1]T } y CW = {u1 , u2 } = {[1, 1, 0]T , [1, 1, 1]T }
Solucin: Hay que resolver dos SEL, uno con cada base.
a) Con respecto a la primera base BW = {v1 , v2 } = {[1, 1, 0]T , [2, 0, 1]T }, tenemos que
resolver el sistema:

1
2
1 2
1
c
0 1 = 1
c1 1 + c2 0 = 1
c2
0
1
0
1
1
Cuya solucin es c1 = 1, c2 = 1, por tanto el vector de coordenadas es: [x]B = [1, 1]T
(Contina en la pgina siguiente)

7 Al igual que se hizo en el Teorema 4.1, pgina 79, con las propiedades de una TL, que fueron resumidas en la
pgina 80.

Pedro Jos Hernando Oter

Clases de lgebra

106

TEMA 5: Bases

Ejemplo 5.2 (Continuacin).


b) Con respecto a la segunda base CW = {u1 , u2 } = {[1, 1, 0]T , [1, 1, 1]T } , tenemos que
resolver el sistema:

1
1
1
1
1
c
c1 1 + c2 1 = 1 1 1 = 1
c2
0
1
0 1
1
Cuya solucin es c1 = 0, c2 = 1, por tanto el vector de coordenadas es [x]C = [0, 1]T .

5.2.1. Matriz de Cambio de Base


Denicin 5.3 (Matriz de Cambio de Base)
Sean B = [v1 , , vk ] y C = [u1 , , uk ] dos bases de un mismo subespacio vectorial W n
de dimensin k n. Se denomina matriz de cambio de base de B a C a la matriz de n k
cuyas columnas son los vectores de coordenadas de B con respecto a C : [v1 ]C , , [vk ]C . Se
denota por PCB .
PCB = [[v1 ]C , , [vk ]C ]

Toda matriz de cambio de base PCB en un subespacio vectorial de dimensin k, es una matriz
cuadrada e invertible de dimensin k k.

Teorema 5.3 (Cambio de Base)


Sean B = [v1 , , vk ] y C = [u1 , , uk ] bases de un espacio vectorial W
k n, y PCB la matriz de cambio de base de B a C. Entones:
[x]C = PCB [x]B

Rn de dimensin

x W

Demostracin 5.3
Sea x W y [x]B = [c1 , , ck ]T , entonces x = c1 v1 + + ck vk , y por tanto:

c1
.
[x]C = [c1 v1 + + ck vk ]C = c1 [v1 ]C + + ck [vk ]C = [[v1 ]C , , [vk ]C ] . = PCB [x]B
.
ck

Clases de lgebra

Pedro Jos Hernando Oter

5.2. Cambio de Base

107

Ejemplo 5.3. Encontrar la matriz de cambio de base de B a C, PCB , correspondiente a las


bases del Ejemplo 6.5, y aplicarla al vector x = [1, 1, 1]T . Comprobar el resultado con el
obtenido en el Ejemplo 5.2.
Solucin: PCB = [[v1 ]C , , [vn ]C ]


1
1
1
c1
c1
1
Sol.
1 1 c1 = 1
[v1 ]C =
: PC [v1 ]C = v1 =

=
c2
c2
c2
0
0 1
0
[v2 ]C =

c1
c2

: PC [v2 ]C = v2

1
c
1 1
c2
1

1
1
0

1
0

PCB =

1
1

2
Sol.
= 0

c1
c2

1
1

Comprobacin: segn la solucin del Ejemplo 5.2, el vector v en la base B es [x]B = [1, 1]T .
Vamos a determinar su valor en la base C utilizando la matriz de cambio de base PCB .
[x]C = PCB [x]B =

1
0

1
1

1
1

0
1

que coincide con lo calculado en el Ejemplo 5.2.

Teorema 5.4
Sean B = [v1 , , vn ] y C = [u1 , , un ] bases del espacio
cambio de base de B a C. Entonces:
1. PCB es la nica matriz M tal que: M [x]B = [x]C

Rn

y sea PCB la matriz de

Rn .

2. PCB es invertible.
3. (PCB )1 = PBC .

Demostracin 5.4
1. Sea M una matriz con la propiedad M [x]B = [x]C para todo x n . Tomando x = ui ,
(i-sima componente de la base B), se tiene que [x]B = [ui ]B = ei y por tanto:

M [x]B = M [ui ]B = M ei = [ui ]C


que corresponde con la i-sima columna de la matriz MCB . Por tanto, para toda i se
tiene que M = PCB .
(Contina en la pgina siguiente)

Pedro Jos Hernando Oter

Clases de lgebra

108

TEMA 5: Bases

Demostracin 5.4 (Continuacin)


2. Como B = {u1 , , un } es un conjunto linealmente independiente, P [x]B = [x]C =
{[u1 ]C , , [un ]C } tambin lo es, ya que la nica posibilidad de que se cumpla:
c1 [u1 ]C + + cn [un ]C = [c1 u1 + + cn un ] = 0
es que c1 = = cn = 0, que es la denicin de independencia lineal de vectores8 . Por
tanto P [x]B = [x]C es invertible.
3. Como PCB es invertible y:
PCB [x]B = [x]C

[x]B = (PCB )1 [x]C

y debido a la unicidad de la matriz de cambio de base, tenemos que PBC = (PCB )1 .

Teorema 5.5
Sean B = [v1 , , vn ] y C = [u1 , , un ] bases del espacio
PBC = (PB )1 PC

PCB = (PC )1 PB

Demostracin 5.5
Sea x n , entonces:

x = PB [x]B
x = PC [x]C

PB [x]B = PC [x]C

[x]B = (PB )1 PC [x]C = PBC [x]C


[x]C = (PC )1 PB [x]B = PCB [x]B




Rn , entonces:

8 Ver

la Seccin 2.4.2, pgina 33.

Clases de lgebra

Pedro Jos Hernando Oter

TEMA

Ortogonalidad
Contenido
6.1

6.2

6.3
6.4
6.5

6.6
6.7
6.8

Ortogonalidad en n . . . . . . . . . . . . . . . . . . .
6.1.1 Conjunto Ortogonal . . . . . . . . . . . . . . .
6.1.2 Vector Ortogonal a un Subespacio . . . . . . . .
Bases Ortogonales y Ortonormales . . . . . . . . . . . .
6.2.1 Bases Ortogonales . . . . . . . . . . . . . . . .
6.2.2 Bases Ortonormales . . . . . . . . . . . . . . . .
Matrices Ortogonales . . . . . . . . . . . . . . . . . . .
6.3.1 Propiedades de las Matrices Ortogonales . . . .
TL Ortogonales . . . . . . . . . . . . . . . . . . . . . .
Complemento Ortogonal . . . . . . . . . . . . . . . . .
6.5.1 Propiedades del Complemento Ortogonal . . . .
6.5.2 Relaciones entre los Subespacios Fundamentales
Proyeccin Ortogonal sobre Subespacios . . . . . . . . .
6.6.1 Propiedades del Complemento Ortogonal . . . .
Proceso de Gram-Schmidt . . . . . . . . . . . . . . . .
Factorizacin QR . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
de una Matriz
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

111
111
112
113
113
115
116
117
118
118
119
119
121
123
124
125

109

Conjunto Ortogonal

Clases de lgebra
Proceso de Gram-Schmidt

Cambio de Base

Propiedades

Matrices Ortogonales

Denicin

Calculo

Bases Ortogonales

Bases Ortonormales

Vector Ortogonal
a un Subespacio

Denicin

Propiedades

TL Ortogonales

Ortogonalidad

Denicin

Propiedades

Relacin con
Sub. Fund. Mat.

Complemento Ortogonal

Vec. Perpendicular

Deniciones

Teo. Descomp.
Ortogonal

Propiedades

Proy. Ortogonal
sobre Subespacios

Denicin

Clculo

Factorizacin QR

110
TEMA 6: Ortogonalidad

Pedro Jos Hernando Oter

6.1. Ortogonalidad en

Rn

111

6.1. Ortogonalidad en

Rn

6.1.1. Conjunto Ortogonal


Denicin 6.1 (Conjunto Ortogonal)
Se dice que un conjunto de vectores {v1 , v2 , vk } de
vectores distintos del conjunto son ortogonales 1 :
vi vj = 0

P
P

si i = j

Rn es ortogonal si todos los pares de

i, j = 1, 2, , k

Nota 6.1. Desde el punto de vista geomtrico, los vectores de un conjunto ortogonal son mutuamente perpendiculares:
el ngulo entre ellos es /2 = 90o .

Ejemplo 6.1. La base cannica 2 {e1 , , en } de

Rn es un conjunto ortogonal.

Ejemplo 6.2. Demostrar que el conjunto V = {v1 , v2 , v3 }


[2, 1, 1], v2 = [0, 1, 1], y v3 = [1, 1, 1].

R3

es ortogonal, donde v1 =

Solucin: Tenemos que demostrar que todo producto escalar entre vectores distintos del conjunto
es siempre cero.

v1 v2 = 2 0 + 1 1 1 1 = 0
v1 v3 = 2 1 1 1 1 1 = 0

v2 v3 = 0 1 1 1 + 1 1 = 0
Teorema 6.1
Todo conjunto ortogonal de vectores no nulos {v1 , , vk } de
independiente 3 .

Rn , es un conjunto linealmente

Demostracin 6.1
Siguiendo la denicin de conjunto linealmente independiente de vectores, vamos a
determinar qu escalares c1 , , ck verican c1 v1 + + ck vk = 0.
Para cualquier vector vi de un conjunto ortogonal se tendra:

(c1 v1 + + ck vk ) vi = 0

c1 (v1 vi ) + + ci (vi vi ) + + ck (vk vi ) = 0

Todos los productos (vj vi ) son cero salvo para j = i, por tanto
ci (vi vi ) = 0

ci = 0

ya que vi = 0 y por tanto (vi vi ) = 0. Como esta expresin es vlida para cualquier
i = 1, , k, implica que un conjunto ortogonal es un conjunto linealmente independiente.
1 Ver

la denicin de vectores ortogonales en la Seccin 2.9, pgina 45.


la Seccin 2.5.1, pgina 36.
3 Ver la Seccin 2.4.2, pgina 33.
2 Ver

Pedro Jos Hernando Oter

Clases de lgebra

112

U
R

TEMA 6: Ortogonalidad

6.1.2. Vector Ortogonal a un Subespacio


Denicin 6.2 (Vector Ortogonal a un Subespacio)
Sea W un subespacio de n . Se dice que un vector v n es ortogonal al subespacio W
si v es ortogonal a todos los vectores de W .

Teorema 6.2
Un vector v n es ortogonal a un subespacio W
los vectores que generan4 el subespacio.

Rn si y slo si es ortogonal a todos

Demostracin 6.2
Sea v n y un subespacio W n de dimensin dim(W ) = k con una base cualquiera
B = {u1 , , uk }. Todo vector w W se puede expresar entonces como:

w = c1 u1 + + ck uk

Cualquier vector v

Rn ser ortogonal a cualquier w W si:

v w = v (c1 u1 + + ck uk ) = c1 (v u1 ) + + ck (v uk )
De forma que si:
v ui = 0 ; 1 i k

Ejemplo 6.3. Determinar si el vector v = [1, 1, 1]


W 3 denido por:
W : x+y+z =0

Solucin:

x =
y =

z =

vw =0

R3

es ortogonal al subespacio

Vamos a encontrar primero una base de W . Expresando W en forma vectorial:

t
x
1
0
0
1

s
= y = t 0 + s 1 = BW = 0 , 1

t s
z
1
1
1
1

Claramente podemos observar que el vector v es ortogonal a los dos vectores de la base y por tanto
es ortogonal a W . Por otra parte, desde un punto de vista geomtrico, es fcil comprobar que v
es paralelo al vector normal al plano W , n = [1, 1, 1] y por tanto es perpendicular (ortogonal) a
todo vector del plano.

4 Es

decir, a cualquier conjunto generador y ms concretamente, a cualquiera de sus bases.

Clases de lgebra

Pedro Jos Hernando Oter

6.2. Bases Ortogonales y Ortonormales

113

6.2. Bases Ortogonales y Ortonormales

U
P
P

6.2.1. Bases Ortogonales


Denicin 6.3 (Base Ortogonal)
Una base ortogonal de un subespacio 5 W de
conjunto ortogonal.

Rn es una base 6 de W

constituida por un

Ejemplo 6.4. En el Ejemplo 6.2, los tres vectores son ortogonales y por tanto son linealmente
independientes. Como adems su nmero (3) coincide con la dimensin 7 del espacio al que
pertenecen 3 , forman una base ortogonal de 3 .

Ejemplo 6.5. Encontrar una base cualquiera y una base ortogonal del subespacio W de
dado por
W = [x, y, z] : x y + 2z = 0

R3

Solucin: Una base ser un conjunto linealmente independiente de vectores que cumplan esa
ecuacin. Despejando x = y 2z y tomando los parmetros y = t y z = s se tiene que el
subespacio W formado por todos los vectores incluidos en el plano es:


t 2s
1
2
x
y=
t = t 1 + s 0 = tv1 + sv2
s
0
1
z

Por tanto dim(W ) = 2. Como v1 y v2 son linealmente independientes (no paralelos), ambos
forman una base de W :
BW = {v1 , v2 }

Esta base no es ortogonal ya que v1 v2 = 2 = 0. Una base ortogonal se formar con dos vectores
que pertenezcan al plano y sean ortogonales. Sean esos vectores u1 = [a, b, c] y u2 = [d, e, f ],
entonces deben de cumplir:

= 0
a b + 2c
Cumplen la ec. del plano.
d e + 2f
= 0

ad + be + cf = 0
Ortogonalidad

Este es un sistema no lineal de 3 ecuaciones y 6 incgnitas, por lo puede tener innitas soluciones.
Vamos a encontrar una solucin simple, jando algunos valores y determinando el resto:
a = 1, b = 1

Ec. 1
c = 0

d = 1, e = 1

Ec. 3
f = 1

(Contina en la pgina siguiente)

5 Ver

la Denicin 2.9, pgina 32.


la Denicin 2.20, pgina 36.
7 Ver la Denicin 2.21 y la Seccin 2.5.2 en la pgina 36.
6 Ver

Pedro Jos Hernando Oter

Clases de lgebra

114

TEMA 6: Ortogonalidad

Ejemplo 6.5 (Continuacin).


Por tanto, una base ortogonal de W ser el conjunto:

BW

1
1
= {u1 , u2 } = 1 , 1

0
1

Teorema 6.3
Sea B = {v1 , , vk } una base ortogonal de un subespacio W
sea x W . Entonces los escalares nicos8 c1 , , ck tales que,

Rn de dimensin k n y

x = c1 v1 + + ck vk = PB [x]B
estn dados por:
ci =

vi x
vi vi

i = 1, , k

Demostracin 6.3
Como B es una base de W , existen los escalares nicos c1 , , ck tales que x = c1 v1 + +ck vk ,
por tanto:
vi x = vi (c1 v1 + + ck vk ) = c1 (vi v1 ) + + ci (vi vi ) + + ck (vi vk ) =
= 0 + + ci (vi vi ) + 0 = ci (vi vi )

ci =

vi x
vi vi

Ejemplo 6.6. En la segunda base (ortogonal) del Ejemplo 6.5, B = {u1 , u2 }


{[1, 1, 0], [1, 1, 1]}, determinar el vector de coordenadas del vector x = [1, 1, 1] W .
Solucin:
c1 =

u1 x
0
= =0
u1 u1
2

c2 =

u2 x
3
=
= 1
u2 u2
3

Por tanto el vector de coordenadas es [x]B = [0, 1], igual que el obtenido en el Ejemplo 5.2,
pero sin necesidad de resolver ningn SEL.

8 Estos

coecientes corresponden con las coordenadas del vector x en la base B. Ver Seccin 5.1, pgina 103.

Clases de lgebra

Pedro Jos Hernando Oter

6.2. Bases Ortogonales y Ortonormales

115

6.2.2. Bases Ortonormales


Denicin 6.4 (Conjunto Ortonormal y Base Ortonormal)
Se dice que un conjunto de vectores {v1 , v2 , vk } de n es ortonormal si es un
conjunto ortogonal 9 de vectores unitarios 10 .

vi vj =

0
1

si i = j
si i = j

Una base ortonormal es aquella que est formada por un conjunto ortonormal de
vectores.

Dada una base ortogonal 11 {v1 , , vk } se puede obtener fcilmente una base ortonormal
{u1 , , uk }, simplemente normalizando 12 cada uno de los vectores vi de la base.
ui =

1
vi

vi =

1
vi
vi vi

Teorema 6.4
Sea B = {u1 , , uk } una base ortonormal de un subespacio W
x W entonces:
x = (u1 x)u1 + + (um x)uk

Rn de dimensin k y sea

Demostracin 6.4
Trivial segn el Teorema 6.3 y teniendo en cuenta que cualquier vector ortonormal u cumple

que u u = 1, ya que su norma es la unidad, u = u u = 1.

Las bases ortogonales y ortonormales simplican de forma considerable los clculos de cambios de
base13 .

9 Ver

la
la
11 Ver la
12 Ver la
13 Ver la
10 Ver

Denicin 6.1, pgina 111.


Denicin 2.24, pgina 43.
Denicin 6.3, pgina 113.
Seccin 2.7.5, pgina 43.
Seccin 5.2, pgina 105.

Pedro Jos Hernando Oter

Clases de lgebra

116

TEMA 6: Ortogonalidad

6.3. Matrices Ortogonales

U
!

Denicin 6.5 (Matriz Ortogonal)


Se dice que una matriz cuadrada Q
conjunto ortonormal de vectores 14 .

Rnn es ortogonal si sus vectores columna forman un

Nota 6.2.
No se utiliza el trmino matriz ortonormal, aunque quizs sera ms intuitivo.
Es habitual utilizar la notacin Q para referirse a matrices ortogonales.

Teorema 6.5
Toda matriz ortogonal Qnn verica:
QT Q = In

Demostracin 6.5
Si u, v n son vectores columna entonces15 :

x y = xT y
Por tanto, el producto matricial QT Q corresponde con todos los posibles productos escalares
entre las columnas de Q. El resultado ser 1 si coinciden columnas iguales dando lugar a
los elementos de la diagonal, 0 si las columnas son distintas dando lugar al resto de los
elementos.

n = In
QT Q =
1 2
.
.

.
n

Teorema 6.6
Una matriz Q es ortogonal si y slo si:
Q1 = QT

14 Ver
15 Ver

Q es una Matriz Ortogonal

la Denicin 6.4, pgina 115.


la Seccin 3.1.6, pgina 56.

Clases de lgebra

Pedro Jos Hernando Oter

6.4. TL Ortogonales

117

Demostracin 6.6
Segn el Teorema 6.5, pgina 116, una matriz ortogonal Q verica QT Q = In . Como
los vectores columna de Q son linealmente independientes16 existe Q1 , y por tanto
multiplicando ambas partes de la igualdad anterior por la inversa, Q1 = QT , se tiene:
QT Q = In

QT QQ1 = In Q1
In

QT = Q1

Q1

Teorema 6.7
Los vectores la de una matriz ortogonal Q forman un conjunto ortonormal de vectores.

Demostracin 6.7
QT = Q1

QQT = I

6.3.1. Propiedades de las Matrices Ortogonales

Rnn una matriz ortogonal. Entonces


Qx Qy = x y
;
x, y Rn .
Qx = x
;
x Rn .

Sea Q

La inversa Q1 = QT tambin es una matriz ortogonal.


Si A y B son matrices ortogonales de igual tamao, entonces AB tambin es una matriz
ortogonal.

Demostracin
Si Q es ortogonal, QT Q = I, y por tanto se tiene:
Qx Qy = (Qx)T Qy = xT QT Qy = xT Iy = xT y = x y

Qx = Qx Qx = (Qx)T Qx = xT QT Qx = xT x = x x = x
Trivial.

Si A y B son matrices ortogonales entonces:


(AB)1 = B 1 A1 = B T AT = (AB)T
por tanto AB es una matriz ortogonal.
16 Al

ser ortogonales, ver el Teorema 6.1, pgina 111.

Pedro Jos Hernando Oter

Clases de lgebra

118

TEMA 6: Ortogonalidad

6.4. TL Ortogonales

Denicin 6.6 (TL Ortogonal)


Una TL , T : n n , y = T (x) = Ax, se dice que es ortogonal si la matriz A
que la dene es ortogonal.

Rnn

Las TL ortogonales preservan la longitud de los vectores transformados, ya que17 :


y = T (x) = Qx = x

Ejemplo 6.7. Una rotacin de vectores en


Y

R2 con respecto al origen, corresponde con la TL:

y = T (x) =

cos
sen

sen
cos

Esta TL es ortogonal ya que la matriz que dene la transformacin es ortogonal (al ser los
vectores columna y la ortogonales). Claramente, la rotacin preserva la longitud.

6.5. Complemento Ortogonal

Denicin 6.7 (Complemento Ortogonal)


Sea W un subespacio de n . El conjunto de todos los vectores v
denomina complemento ortogonal de W , y se denota por W .

W = {v

Rn

: vw =0

Rn ortogonales18 a W se

w W }

Ejemplo 6.8. Si W es un plano de 3 que pasa por el origen y es una recta que pasando por
el origen19 es perpendicular al plano W (es decir, paralela al vector normal 20 al plano), entonces
todo vector v es perpendicular a W y por tanto W = y = W .

17 Ver

la Seccin 6.3.1, pgina 117.


la Seccin 6.1.2, pgina 112.
19 Notar que ambos, plano y recta, son subespacios vectoriales de
20 Ver el Apndice B.8.3, pgina 260.
18 Ver

Clases de lgebra

R3 , (ver la Denicin 2.9, pgina 32).

Pedro Jos Hernando Oter

6.5. Complemento Ortogonal

119

6.5.1. Propiedades del Complemento Ortogonal

Rn . Entonces
W es un subespacio de Rn .

Sea W un subespacio de

(W ) = W .
W W = {0}.
Si21 W = gen(w1 , , wk ), entonces v W sii v wi = 0, i = 1, , k.

6.5.2. Relaciones entre los Subespacios Fundamentales de una Matriz

Rmn tiene asociados cuatro subespacios fundamentales 22


l(A), ker(A) Rn
col(A), ker(AT ) Rm

Una matriz A

Teorema 6.8
Sea A mn . Entonces:

(l(A)) = ker(A)

(col(A)) = (im(A)) = ker(AT )

Demostracin 6.8
Sea x n , entonces x (l(A)) sii es ortogonal a cada la de A, y esto es lo mismo
que Ax = 0 y por tanto x ker(A).

Igual que antes, sustituyendo A por AT y teniendo en cuenta que l(AT ) = col(A).

Toda matriz A

Rmn dene una TL:


T : X Y

donde:
El dominio de T es X =

Rn .

La imagen de T es Y = im(T ) = im(A) = col(A), donde im(T )


T enva ker(A) X a 0 Y .
El complemento ortogonal de la imagen de T es ker(AT )
21 Ver
22 Ver

Rm .

Rm .

la Nota 2.3, pgina 36.


las deniciones de l(A), col(A) y ker(A) en la Seccin 3.6, pgina 70.

Pedro Jos Hernando Oter

Clases de lgebra

120

TEMA 6: Ortogonalidad

Esquemticamente podemos relacionar estos conceptos de la siguiente forma:

ker(AT )

ker(A)
TA

l(A)

Rn

col(A)

Rm

Ejemplo 6.9. Sea W el subespacio de 5 generado por los vectores:

0
1
1
1
1
3

2
5
;
w3 = 4
;
w2 =
w1 =

1
2
0
5
3
5

Calcular una base de W .

Solucin: Resolucin de forma matricial. El espacio generado por los vectores w1 , w2 y w3 es


el mismo que col(A) de:

1 1
0
3
1 1

2
4
A= 5

0 2 1
5
3
5
Del Teorema 6.8: W = (col(A)) = ker(AT )

1 3 5
0 5 0
1
1 2 2 3 0 0
[AT |0] = 1
0 1 4 1 5 0
0

0
1
0

0
0
1

3
1
0

4
3
2

0
0
0

Por tanto, y W ser y5 = t, y4 = s, y3 = 2t, y2 = 3t s, y1 = 4t 3s. Finalmente:

Clases de lgebra

3
4


3
1

= t 2 + s 0 : t, s

1
0

1
0

4
3
3 1

= gen 2 , 0

0 1

1
0

Pedro Jos Hernando Oter

6.6. Proyeccin Ortogonal sobre Subespacios

121

6.6. Proyeccin Ortogonal sobre Subespacios

Denicin 6.8 (Vector Perpendicular)


Dados dos vectores u, v n , se dene el vector perpendicular a u segn el vector v como:

v
u

perpu (v) = v proyu (v) = v

perpu(v)

proyu (v)

uv
uu

Este vector es ortogonal a u con un tamao proporcional a v.

Todo vector v n se puede denir entonces en funcin de cualquier otro vector u


a v de la siguiente forma:
v = proyu (v) + perpu (v)

Denicin 6.9 (Proyeccin Ortogonal sobre un Subespacio)


Sea un subespacio W n y B = {u1 , , uk } una base ortogonal 23 de W .
Entonces, para cualquier vector v n se dene la proyeccin ortogonal de v sobre W
como:

proyW (v) = proyu1 (v) + + proyuk (v) =

Nota 6.3.

Si la base B es ortonormal

proyW (v) = proyu1 (v) + + proyuk (v) =

Rn no paralelo

u1 v
u1 u1

u1 + +

uk

ui ui = 1.
u1 v
u1 u1

u1 + +

uk v
uk uk

uk = (u1 v) u1 + + (uk v) uk

Denicin 6.10 (Vector Perpendicular a un Subespacio)


Sea un subespacio W n . Para cualquier vector no nulo v
perpendicular a W como:
perpW (v) = v proyW (v)

23 La

uk v
uk uk

Rn

se dene el vector

base debe ser obligatoriamente ortogonal para que la frmula sea vlida.

Pedro Jos Hernando Oter

Clases de lgebra

122

TEMA 6: Ortogonalidad
perpW (v)
v
p1

p2

u1
W

u2
proyW (v)

Figura 6.1.: Proyeccin ortogonal de un vector v 3 sobre un subespacio W 3 con base ortogonal B = {u1 , u2 }.
Los vectores p1 = proyu1 (v) y p2 = proyu2 (v) son las proyecciones ortogonales de v sobre cada uno de
los vectores de la base de W . Grcamente se puede observar como proyW (v) = p1 + p2 .

Ejemplo 6.10. Sea W el plano en 3 con ecuacin x y + 2z = 0, y sea v = [3, 1, 2].


Encontrar la proyeccin ortogonal de v sobre W y la componente de v ortogonal a W .
Solucin: Podemos resolverlo de dos formas:
Forma 1: Utilizando razonamientos geomtricos, a travs del vector proyeccin ortogonal
y el vector perpendicular.
Forma 2: Utilizando la proyeccin ortogonal sobre un subespacio.
Veamos a continuacin dichas formas de resolucin.
Forma 1
El vector perpW (v) lo podemos calcular como la proyeccin ortogonal del vector v sobre un vector
normal al plano n, perpW (v) = proyn (v). Basndonos en la ecuacin del plano, n = [1, 1, 2].

v
perpW (v)

W
proyW (v)

proyW (v) = v + [perpW (v)] = v perpW (v)


perpW (v) = proyn (v) =

nv
[1, 1, 2] [3, 1, 2]
4
n=
[1, 1, 2] = [1, 1, 2]
nv
[1, 1, 2] [1, 1, 2]
3

perpW (v) = [4/3, 4/3, 8/3]


proyW (v) = v perpW (v) = [3, 1, 2] [4/3, 4/3, 8/3] = [5/3, 1/3, 2/3]
proyW (v) = [5/3, 1/3, 2/3]
(Contina en la pgina siguiente)

Clases de lgebra

Pedro Jos Hernando Oter

6.7. Proceso de Gram-Schmidt

123

Ejemplo 6.10 (Continuacin).


Forma 2
En el Ejemplo 6.5 se encontr una base ortogonal a este plano, B = {u1 , u2 } con u1 = [1, 1, 0] y
u2 = [1, 1, 1].
proyW (v) = p1 + p2 = proyu1 (v) + proyu2 (v) =

u1 v
u1 u1

u1 +

u2 v
u2 u2

u2

perpW (v) = v proyW (v)


Por tanto:

1
1
1
2/3
5/3
2 2
1 +
1 = 1 + 2/3 = 1/3
proyW (v) =
2
3
0
1
0
2/3
2/3

3
5/3
4/3
perpW (v) = 1 1/3 = 4/3
2
2/3
8/3

Notar que el vector perpW (v) es paralelo al vector normal al plano n = [1, 1, 2].
Teorema 6.9 (Teorema de la Descomposicin Ortogonal)
Sea W n y sea un vector v cualquiera de n . Entonces existen vectores nicos w W y
w W tales que:

v = w + w

Demostracin 6.9
Corresponden con los vectores w = proyW (v) y w = perpW (v) ya que:
w + w = proyW (v) + perpW (v) = proyW (v) + (v proyW (v)) = v

6.6.1. Propiedades del Complemento Ortogonal


Sea un subespacio W

Rn , entonces24 :
dim(W ) + dim(W ) = n

Sea la matriz A

Rmn , entonces:

l(A) : rang(A) + nul(A) = n


col(A) : rang(A) + nul(AT ) = m

Nota: rang(A) = dim(l(A)) = dim(col(A)).


24 Esto

no quiere decir que se rellene todo el espacio

Pedro Jos Hernando Oter

Rn con W y W .

Clases de lgebra

124

TEMA 6: Ortogonalidad

6.7. Proceso de Gram-Schmidt


El proceso de Gram-Schmidt es un mtodo sencillo y sistemtico para construir una base ortogonal
(u ortonormal si se normaliza) de cualquier subespacio de n .

Sea B = {x1 , , xm } una base de un subespacio W

Rn y deniendo:

u1 = x1

W1 = gen(x1 ) = gen(u1 )

u2 = perpW1 (x2 ) = x2 proyW1 (x2 ) = x2

u1 x2
u1 u1

u1

u3 = perpW2 (x3 ) = x3 proyW2 (x3 ) = x3


.
.
.

u1 x3
u1 u1

u1

um = perpWm1 (xm ) = xm proyWm1 (xm ) = xm

um1 xm
um1 um1

W2 = gen(x1 , x2 ) = ...
u2 x3
u2 u2

u1 xm
u1 u1

u2

W3 = gen(x1 , x2 , x3 ) = ...
.
.
.

u1

um1

Wm = gen(x1 , . . . , xm )

Entonces para cada i = 1, , m el conjunto de vectores {u1 , , ui } forma una base ortogonal del
espacio Wi . En particular el conjunto {u1 , , um } es una base ortogonal de Wm = W .

Ejemplo 6.11. Encontrar una base ortogonal de

R3 que contenga el vector x1 = [1, 2, 3].

Solucin: Para poder aplicar el proceso de Gram-Schmidt necesitamos partir de una base
cualquiera, por tanto elegimos dos vectores x2 y x3 que no sean paralelos entre ellos ni entre x1 .
Por ejemplo x2 = [0, 1, 0] y x3 = [0, 0, 1].
Entonces:

1
u1 = x1
=2
3
u2 = x2
u3 = x3

0
0
1

u1 x2
u1 u1


0
u1 = 1
0

u1 x3
u1 u1


1
3
2
14
3

u1

u2 x3
u2 u2

1
3
5
35
3


1
1/7
1
2
2
= 5/7 = 5
14
3
3/7
3
u2 =

3/10
3
0 = 0
=
1/10
1

Por tanto, {u1 , u2 , u3 } es una posible base ortogonal para 3 que contiene al vector [1, 2, 3].
Normalizando estos vectores se podra obtener una base ortonormal de 3 .

Clases de lgebra

Pedro Jos Hernando Oter

6.8. Factorizacin QR

125

6.8. Factorizacin QR

Si A mn es una matriz con columnas linealmente independientes25 y se le aplica el proceso de


Gram-Schmidt a los vectores columnas, se obtiene una importante descomposicin matricial 26 de A
conocida con el nombre de factorizacin QR.
Teorema 6.10 (Factorizacin QR)
Toda matriz A mn con columnas linealmente independientes 27 puede ser factorizada
como A = QR, donde Qmn es una matriz con columnas ortonormales 28 y Rnn es una
matriz triangular superior invertible 29 , de la forma:

Amn = Qmn Rnn

Demostracin 6.10
Sean c1 , , cn los vectores columna de la matriz Amn y sean q1 , , qn los vectores
ortonormales obtenidos al aplicar el proceso Gram-Schmidt a los vectores columna30 de A y
posterior normalizacin.
Entonces, existen escalares ij y rij tales que:

q1 = 11 c1
c1 = r11 q1

c2 = r12 q1 + r22 q2

q2 = 12 c1 + 22 c2

c3 = r13 q1 + r23 q2 + r33 q3


q3 = 13 c1 + 23 c2 + 33 c3
=
.

.
.

.
.

cn = r1n q1 + r2n q2 + + rnn qn


qn = 1n c1 + 2n c2 + + nn cn

Lo cual se puede expresar matricialmente como:

A=

c1

c2

cn

q1

q2

qn

r11
0
.
.
.

r12
r22
.
.
.

r1n
r2n
.
.
.

rnn

= QR

La matriz R se puede obtener fcilmente una vez determinada Q, ya que al tener columnas
ortogonales31 , QT Q = In y por tanto:
A = QR

QT A = QT QR

R = QT A

25 Para

lo cual es necesario que n m.


descomposicin de una matriz es una factorizacin de la misma en un producto de otras matrices, de la forma
siguiente: A = M1 M2 Mk .
27 Si A es cuadrada esto implica que es invertible.
28 La matriz Q ser una matriz ortogonal si A, y por tanto Q, es cuadrada.
29 Lo que implica que sus elementos diagonales son no nulos.
30 Siempre en el mismo orden en que aparecen, es decir q = c , q = perp (c ), etc. Ya que de otra forma, la matriz
1
1
2
q1 2
R no ser necesariamente tridiagonal superior.
31 No necesariamente Q es invertible. Slo si A es cuadrada, entonces Q es ortogonal y tiene sentido hablar de la
inversa de Q, siendo adems Q1 = QT .
26 Una

Pedro Jos Hernando Oter

Clases de lgebra

126

TEMA 6: Ortogonalidad

La Demostracin 6.10 presenta de forma detallada el procedimiento de clculo de la de la factorizacin


QR de una matriz.

Nota 6.4. La factorizacin QR se puede extender a matrices arbitrarias (no necesariamente con columnas linealmente
independientes), mediante una forma ligeramente modicada, utilizando matrices de Householder.

Nota 6.5. Cuando el proceso de Gram-Schmidt se implementa en un ordenador, los errores de redondeo propios del
clculo, generan una prdida de ortogonalidad de los vectores, que puede llegar a ser una importante causa de errores.
En la prctica se suele utilizar una versin modicada de la factorizacin QR mostrada aqu, para minimizar estos
errores de redondeo.

La factorizacin QR de una matriz tiene multitud de aplicaciones en:


Resolucin de SEL de forma numrica eciente.
Aproximacin numrica de autovalores 32 .
Aproximacin del problema de mnimos cuadrados 33 .

Ejemplo 6.12. Encontrar, en caso de ser posible, la factorizacin QR de la siguiente matriz:

1 1
1
4

A=
1
2
1
1

Solucin: Claramente los dos vectores columna de la matriz son linealmente independientes y
por tanto s es posible realizar la descomposicin QR de la matriz. Vamos a seguir los pasos
dados en la Demostracin 6.10.
1. Ortogonalizar los vectores columna de la matriz mediante el proceso de Gram-Schmidt.
u1 = v1 =
u2 = v2

u1 v2
u1 =
u1 u1

5
2

1 1 1 1 1 4 2 1
1 1 1 1 1 1 1 1
5
2

1
2

1
2

2. Normalizando los vectores ortogonales obtenidos anteriormente podemos construir la


matriz ortogonal Q:

1/2 5/52
1/2
5/52

Q = u1 u2 =
1/2
1/52
1/2 1/ 52

(Contina en la pgina siguiente)

32 Ver
33 Ver

el Tema 8, pgina 145.


la Seccin 7.4, pgina 136.

Clases de lgebra

Pedro Jos Hernando Oter

6.8. Factorizacin QR

127

Ejemplo 6.12 (Continuacin).


5. La matriz R se obtiene aplicando la frmula R = QT A.

R = QT A =

1/2

5/ 52

1/2

5/ 52

1/2
1/2

1/ 52 1/ 52

1
1

1
1

Como podemos observar la matriz R es triangular superior.

1
4
=
2
1

2
0

3
13

Fcilmente se puede comprobar como A = QR.


Ejemplo 6.13. Encontrar, en caso de ser posible, la factorizacin QR de la matriz:
A=

1
1

0
1

1
1

Solucin: Como esta matriz tiene 2 las como mucho existirn dos vectores de dos componentes
linealmente independientes, y por tanto los tres vectores columna de A son linealmente
dependientes.
En conclusin, esta matriz no tiene factorizacin QR.




Pedro Jos Hernando Oter

Clases de lgebra

TEMA

Mnimos Cuadrados
Contenido
7.1
7.2
7.3
7.4
7.5
7.6

Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . .
Mejor Aproximacin . . . . . . . . . . . . . . . . . . . . . . .
Aproximacin mediante Mnimos Cuadrados . . . . . . . . .
Mnimos Cuadrados mediante la Factorizacin QR . . . . . .
Error en la Aproximacin por Mnimos Cuadrados: Residuos
Ajuste de Datos mediante Mnimos Cuadrados . . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

131
131
132
136
138
139

129

Clases de lgebra

Teorema

Mejor Aprox.

Ec. Normales

Teorema

Error

Sol. Min. Cuad.

Aplicaciones

Mnimos Cuadrados

Factorizacin QR

130
TEMA 7: Mnimos Cuadrados

Pedro Jos Hernando Oter

7.1. Introduccin

131

7.1. Introduccin
En este tema se presenta una aplicacin muy importante de las ideas vistas sobre el complemento
ortogonal 1 y la proyeccin ortogonal 2 sobre subespacios vectoriales vistos en el tema anterior.

7.2. Mejor Aproximacin

Denicin 7.1 (Mejor Aproximacin)


Si W es un subespacio3 de V , W V , y si v V , entonces la mejor aproximacin de v
en W es el vector p W tal que:
vp < vw

w W con w = p

v
vp

Interpretacin grca en 3 de la mejor aproximacin


de un vector a un plano W que pasa por el origen. El
resultado coincide con la idea intuitiva en 2 y 3 de la
distancia ms corta como la linea recta perpendicular.

R R

p
W
w

Teorema 7.1 (Teorema de la Mejor Aproximacin)


Si W es un subespacio de dimensin nita de un espacio V con producto interno4 y si v V ,
entonces proyW (v) es la mejor aproximacin a v en W .

Demostracin 7.1
v
vp
p
W

Vamos a ver una intuitiva demostracin geomtrica


3
en
. Debido a la ortogonalidad de la mejor
aproximacin, podemos identicar un tringulo
rectngulo, donde v w = 0 es la hipotenusa y
v p es uno de los catetos. Por el teorema de
Pitgoras:

vp < vw

; w W con w = p

1 Ver

la Seccin 6.5, pgina 118.


la Seccin 6.6, pgina 121.
3 Debe ser un subespacio normado, es decir, en el cual se ha denido una norma determinada, como por ejemplo, la
norma eucldea.
4 Generalizacin de producto escalar.
2 Ver

Pedro Jos Hernando Oter

Clases de lgebra

132

TEMA 7: Mnimos Cuadrados

Ejemplo 7.1. Sea W el plano en 3 con ecuacin xy +2z = 0, y sea v = [3, 1, 2]. Encontrar
la mejor aproximacin de v en W y la distancia eucldea desde v hasta W .
Solucin: La mejor aproximacin de v en W ser el vector proyW (v) calculado en el
Ejemplo 6.10.

5/3
proyW (v) = 1/3
2/3

La distancia de v a W es la distancia de v al punto de W ms cercano a v y esta es precisamente


perpW (v) = v proyW (v) . El vector perpW (v) tambin se calcul en Ejemplo 6.10 siendo:

4/3
perpW (v) = 4/3
8/3

por tanto:

d = perpW (v) =

16 16 64
+
+
=
9
9
9

96
4 2
=
9
3

7.3. Aproximacin mediante Mnimos Cuadrados

Denicin 7.2 (Solucin de Mnimos Cuadrados)


Si A mn y b m , una solucin de mnimos cuadrados del SEL Ax = b es un vector
p n tal que:
b Ap b Ax
;
x n

La solucin de mnimos cuadrados de un SEL es la mejor aproximacin del vector de trminos


independientes, b, en el espacio columna de la matriz de los coecientes, col(A).

Teorema 7.2 (Teorema de los Mnimos Cuadrados)


Sea A mn y b m . Entonces:

El SEL Ax = b, siempre tiene al menos una solucin de mnimos cuadrados p


que viene dada por las denominadas ecuaciones normales:

Rn

AT Ap = AT b
Si la matriz A tiene vectores columnas linealmente independientes entonces la matriz
AT A es invertible y la solucin de mnimos cuadrados es nica, dada por:
p = (AT A)1 AT b

Clases de lgebra

Pedro Jos Hernando Oter

7.3. Aproximacin mediante Mnimos Cuadrados

133

Demostracin 7.2
El vector de la im(A) = col(A) ms cercano a b, segn el Teorema 7.1, es la solucin del
problema de mnimos cuadrados, siendo la proyeccin ortogonal del vector b sobre col(A):
Ap = proycol(A) (b)
En lugar de calcular primero el vector proyeccin y despus resolver el SEL anterior, vamos
a utilizar una forma ms eciente de resolverlo. Como el vector:
b Ap = b proycol(A) (b) = perpcol(A) (b)
es ortogonal a col(A), entonces para cualquier vector columna ci de A, se tiene:
ci (b Ap) = ciT (b Ap) = 0
De forma matricial se puede expresar como:
AT (b Ap) = 0

AT b AT Ap = 0

AT Ap = AT b

Este SEL se conoce con el nombre de ecuaciones normales. Para que la solucin sea nica,
el rango de la matriz AT A debe ser n (nmero de incgnitas del SEL) y entonces segn el
Teorema 3.7, pgina 72, las columnas de A son linealmente independientes, siendo la solucin:
p = (AT A)1 AT b

Ejemplo 7.2. Encontrar una solucin de mnimos cuadrados para el sistema incompatible
Ax = b, donde:

3
1
5
;
b=2
A = 2 2
5
1
1
Solucin: Tenemos que resolver el sistema (ecuaciones normales) AT Ap = AT b, de forma que:

1
5
6 0
1
2 1
2 2 =
AT A =
5 2
1
0 30
1
1
AT b =

1
5

2 1
2
1

Por tanto el SEL a resolver es:


6
0

0
30

p1
p2

2
16


3
2=
5

p=

2
16

p1
p2

1/3
8/15

Como las columnas de A son claramente linealmente independientes, por el Teorema 7.2, la
solucin de mnimos cuadrados es nica.

Pedro Jos Hernando Oter

Clases de lgebra

134

TEMA 7: Mnimos Cuadrados

Ejemplo 7.3. Encontrar una solucin de mnimos cuadrados para el sistema incompatible
Ax = b, donde:

1
1
0 1
0
1 1 0

;
b=
Ax = b ;
A=
1
1
1 0
1
1 1 0
Solucin: Las ecuaciones normales AT Ap = AT b son en

1
0
1
1 1
1
1 1
1 1
AT A = 0 1
1
1
1
0
0
0
1 1

1
AT b = 0
1



1
1 1
1
1
0
1
1 1 = 0
1
0
0
0
1
1

Resolviendo el SEL

4 3 1
3
3 0
1
0 1

por Gauss:

1
1 0 1
0 3 3 0
1 0 1
1

este caso:

1
4
0
= 3
0
1
0

3 1
3 0
0 1


3 1
p1
1
3 0 p2 = 0
0 1
p3
1

4
3
1

1
1 0 1
0 3 3 0
0 0 0
1

1
1
0 0
0
0

0
3
0

1
3
0

En este caso existen innitas soluciones de mnimos cuadrados dadas por:

p1
p2
p=

p3

= 1t
= 1t
= t

1
3
0

Esto es consecuencia de que la matriz A tiene vectores columna linealmente dependientes, y por
tanto segn el Teorema 7.2 existe la solucin de mnimos cuadrados, pero en este caso no es
nica.
Ejemplo 7.4. Dar la solucin de mnimos cuadrados del siguiente SEL compatible determinado:
Ax = b

A=

1
2

1
1

1
7

b=

Solucin: Las ecuaciones normales AT Ap = AT b, son de la forma:


1
1

1
2

1
1

1
2

2
1

AT A =

1
5

p1
p2

=
8
13

2
1

1
5

; AT b =

p=

1
1

1
2

p1
p2

1
7

8
13

3
2

(Contina en la pgina siguiente)

Clases de lgebra

Pedro Jos Hernando Oter

7.3. Aproximacin mediante Mnimos Cuadrados

Ejemplo 7.4 (Continuacin).


Por otra parte, si resolvemos el sistema compatible y determinado original por Gauss:
1
1

135

1
2

1
7

1
3

1
0

1
6

x2 = 6/3
x1 = 1 + x2

= 2
= 3

Comprobndose que la solucin de mnimos cuadrados en el caso de un sistema compatible y


determinado, coincide con la solucin del sistema.
Ejemplo 7.5. Dar dos posibles interpretaciones geomtricas al Ejemplo 7.2.
Solucin:
Determinar el plano que pasa por el origen: z = ax + by que mejor ajuste a los puntos de
3
: (1, 5, 3), (2, 2, 2) y (1, 1, 5).

Queremos encontrar valores a

a + 5b =
2a 2b =

a +
b =

y b tales que veriquen:

3
1
2
2
=
5
1

5
a
2
b
1


3
=2
5

Segn la solucin anterior se tiene entonces a = p1 y b = p2 y el plano buscado es:

z=

1
8
x+ y
3
15

Determinar el vector de 3 perteneciente al plano denido por los vectores v1 = [1, 2, 1]


y v2 = [5, 2, 1] que es ms cercano al vector u = [3, 2, 5].
Como v1 y v2 son linealmente independientes, denen un plano W y el vector buscado de
este plano se puede denir como combinacin lineal de v1 y v2 :


1
5
3
1
5
3
a
2 2
av1 + bv2 = u ;
a 2 + b 2 = 2
=
=2
b
1
1
5
1
1
5
Segn la solucin anterior se tiene entonces a = p1 y b = p2 y el vector buscado es:

1
5
3
1
8
1
8
2+
2 = 2/5
v = v1 + v2 =
3
15
3
15
1
1
1/5

(Contina en la pgina siguiente)

Pedro Jos Hernando Oter

Clases de lgebra

136

TEMA 7: Mnimos Cuadrados

Ejemplo 7.5 (Continuacin).

u
v2
p
x
v1
y

7.4. Mnimos Cuadrados mediante la Factorizacin QR

Denicin 7.3 (Condicionamiento)


Se dice que un SEL (o la matriz que lo dene) est mal condicionado, si pequeas variaciones
en los valores que lo denen5 producen grandes variaciones en la solucin del mismo.
En la prctica, las ecuaciones normales que aparecen en muchos problemas de mnimos cuadrados
estn mal condicionadas, lo cual signica que los errores numricos que se producen en las operaciones
matmaticas del mtodo (Gauss, Gauss-Jordan, etc.) como consecuencia de la utilizacin de un
ordenador6 en su resolucin, se van acumulando y pueden producir grandes errores en la solucin
nal del problema.
La factorizacin 7 QR produce un mtodo de resolucin que mejora sensiblemente la precisin de
los resultados.

Por supesto, esta mejora en la precisin se obtiene a cambio de un mayor coste computacional, ya
que generalmente la factorizacin QR requiere una cantidad de operaciones bastante superior8 a la
requerida por los mtodos estudiados aqu, y todava mucho ms para otros mtodos avanzados.
Teorema 7.3
Sea A mn con columnas linealmente independientes 9 y sea b m . Si A = QR es
una factorizacin QR de A, entonces la nica solucin del problema de mnimos cuadrados
Ax = b viene dada por:

Ap = b

QRp = b

Rp = QT b

p = R1 QT b

5 Debidas

a errores experimentales, de redondeo en el clculo, etc.


cual tiene una precisin nita en los clculos.
7 Ver la Seccin 6.8, pgina 125.
8 La proporcin aumenta al aumentar la dimensin del sistema, siendo muy elevado para sistemas muy grandes.
9 Lo que produce una solucin nica en el problema de mnimos cuadrados.
6 El

Clases de lgebra

Pedro Jos Hernando Oter

7.4. Mnimos Cuadrados mediante la Factorizacin QR

137

Demostracin 7.3
La solucin de mnimos cuadrados es:
AT Ap = AT b
Si A = QR entonces:
(QR)T (QR)p = (QR)T b

RT QT QRp = RT QT b

RT Rp = RT QT b

Como R es invertible, multiplicando por la izquierda ambas partes de la igualdad por (RT )1
se obtiene:
Rp = QT b

En la prctica y teniendo en cuenta que la matriz R tiene forma triangular, resulta mucho ms
sencillo resolver el SEL:
Rp = QT b

por el mtodo de sustitucin hacia atrs, que calcular R1 y despus p = R1 QT b.


Ejemplo 7.6. Encontrar la solucin de mnimos cuadrados del Ejemplo 7.2 utilizando la
factorizacin QR de la matriz A.

3
1
5
;
b=2
A = 2 2
5
1
1
Solucin: Como se vi en Seccin 6.8, para calcular la factorizacin QR de una matriz se necesita
ortonormalizar los vectores columna de A mediante el mtodod de Gram-Schidth. Llamando vi
a los vectores columna de A y ui a los nuevos vectores ortogonolales, se tiene:

u1 = v1 = 1 1 2 1

5/30
1/6
Q = u1 u2 = 2/6 2/30

u2 = v2 u1 v2 u1 = 5 2 1
u1 u1
1/ 6
1/ 30
La matriz R se obtiene de la siguiente forma10 :
R = QT A =

1/ 6
2/ 6 1/ 6

5/ 30 2/ 30 1/ 30

1
2
1

5
2 =
1

6
0

0
30

Finalmente, la solucin de mnimos cuadrados vendr dada mediante la solucin del sistema:

3
6 0
p1
1/ 6
2/ 6 1/ 6
2/ 6

2 =
=
Rp = QT b ;
p2
0
30
5/ 30 2/ 30 1/ 30
16/ 30
5

(Contina en la pgina siguiente)

10 Ver

la Seccin 6.8, pgina 125.

Pedro Jos Hernando Oter

Clases de lgebra

138

TEMA 7: Mnimos Cuadrados

Ejemplo 7.6 (Continuacin).


Cuya solucin se puede calcular fcilmente:
p=

p1
p2

1/3
8/15

Esta solucin coincide con la obtenida mediante las ecuaciones normales en el Ejemplo 7.2.

7.5. Error en la Aproximacin por Mnimos Cuadrados:


Residuos
Sea un sistema incompatible Ax = b, con A

Rmn , que lo expresaremos como:


Ap b

donde p es la solucin de mnimos cuadrados del problema. Como en general sta es una solucin
aproximada del sistema, estamos interesados en calcular los errores cometidos en cada una de las
variables. Estos errores se pueden expresar en forma vectorial mediante un vector de errores, e,
denominado tambin vector de residuos como:
e = b Ap

siendo los errores o residuos de cada variable, e = [e1 , em ]. El error global cometido, se puede
cuanticar a travs de la norma del vector de residuos:
e = b Ap = b proycol(A) (b) = perpcol(A) (b)
El mtodo de mnimos cuadrados busca una solucin p que minimiza la norma eucldea del vector
de residuos (errores) denido por:
e =

e2 + + e2
n
1

= e2 + + e2
1
n

y por tanto, minimiza la suma de los cuadrados de los errores, de ah el nombre de mnimos
cuadrados.
Ejemplo 7.7. Encontrar los errores cometidos (residuos) en la aproximacin de mnimos
cuadrados del Ejemplo 7.2 y calcular el valor del error global. En base a ellos, determinar si
es una buena o mala aproximacin.


1
5
3
p1
1/3
A = 2 2
;
b=2
;
p=
=
p2
8/15
1
1
5
Solucin:


3
1
e = b Ap = 2 2
5
1

5
2
1

1/3
8/15

0
= 14/5
24/5

La primera ecuacin se cumple (e1 = 0) y el mximo error se produce en la tercera ecuacin


(e3 > e2 ).
(Contina en la pgina siguiente)

Clases de lgebra

Pedro Jos Hernando Oter

7.6. Ajuste de Datos mediante Mnimos Cuadrados

139

Ejemplo 7.7 (Continuacin).


El error global es:
e =

02 +

14
5

24
5

5.6

Este valor indica que el error cometido en la aproximacin es considerable. Podemos estimar
el error relativo n cada ecuacin dividiendo los trmino bi entre los correspondientes ei y
multiplicando por 100, obtenindose 0% en la primera ecuacin, 71% en la segunda ecuacin
y 100% en la tercera ecuacin. Se puede observar que el error global es un valor promedio (en
tanto por uno) de los errores relativos. En funcin de la naturaleza del problema, estos altos
errores podran indicar una revisin del planteamiento del problema en busca de unos mejores
resultados.

7.6. Ajuste de Datos mediante Mnimos Cuadrados

El mtodo de los mnimos cuadrados es una tcnica matemtica ampliamente utilizada en el campo
de la ingeniera. Una de las aplicaciones ms extendidas es en el ajuste de datos a curvas, supercies,
etc.
Denicin 7.4 (Ajuste de Datos)
El ajuste de datos consiste en encontrar una determinada funcin que aproxime a unos
determinados datos.
El error del ajuste determinar la precisin del ajuste.

Hay diferentes tcnicas para realizar el ajuste de datos, siendo la ms ampliamente utilizada el
mtodo de los mnimos cuadrados.
El ajuste de datos por mnimos cuadrados encuentra aquella funcin (curva, supercie, etc.)
que minimiza la suma de los cuadrados de los errores (distancia de los puntos a la funcin).
Para ello se debe plantear un determinado problema que genere un SEL (normalmente
indeterminado) y encontrar la solucin de mnimos cuadrados correspondiente.
La funcin de ajuste siempre viene dada a travs de un nmero determinado de parmetros,
deniendo una familia de innitas funciones. El ajuste dar como resultado unos valores
concretos de los parmetros que determinan una nica funcin de esta familia.
Vamos a estudiar los casos ms sencillos de ajuste de datos a funciones.

R2
Dado un conjunto de datos (x, y) R2 , normalmente dados en forma de tabla, se pide encontrar la

Ajuste de datos a una Recta en

recta que mejor ajuste a estos datos. En este caso la familia de funciones ser:
y = f (x) = a + bx
siendo a y b los parmetros a determinar.

Pedro Jos Hernando Oter

Clases de lgebra

140

TEMA 7: Mnimos Cuadrados

x
x1
.
.
.

y
y1
.
.
.

xn

yn

y = a + bx

Sustituyendo cada uno de los pares (xi , yi ) de la tabla en la familia de funciones se obtiene el SEL,
siendo los parmetros a y b las incgnitas a determinar.

a + bx1 = y1

y1
1 x1

a + bx2 = y2
1 x2
y2

a
.
.
Ax = b
=
.
.
. b = .
.
.

.
.
.
.
.
.
.

a + bxn = yn
yn
1 xn
Claramente si la tabla tiene ms de dos datos, el SEL ser incompatible y no tendr solucin11 .
Tendremos que buscar entonces la mejor solucin de mnimos cuadrados para encontrar la funcin,
perteneciente a la familia de funciones, que mejor ajuste a los datos dados.
Como siempre existe al menos una solucin de mnimos cuadrados12 , siempre existir al menos una
funcin de ajuste. El problema es que esta funcin no siempre ser una buena solucin del problema.
Para determinar la calidad del ajuste es necesario calcular los errores del problema de mnimos
cuadrados. Calculando el vector de errores 13 e = [e1 , ..., en ] tendremos:
Cada error individidual ei representa el error cometido en cada ecuacin y geomtricamente
se puede interpretar como la menor distancia del punto (xi , yi ) a la funcin de ajuste.
El error global e = e da la norma del vector error y representa la acumulacin de los errores
en todos los puntos, siendo un indicador de la calidad global del ajuste.

Parbola en

R2

Este caso es anlogo al ajuste de rectas, cambindo nicamente la familia de funciones del ajuste,
siendo en este caso:
y = f (x) = a + bx + cx2
con a, b y c los parmetros del ajuste (ncgnitas a determinar).
x
x1
.
.
.

11 Lo

a + bx1 + cx2
1

a + bx2 + cx2
2
.
.

a + bxn + cx2
n

= y1
= y2
.
.
.
= yn

y
y1
.
.
.

xn

yn

1
1
.
.
.

x1
x2
.
.
.

xn

y = a + bx + c2

x2

x2 a
2

b =

c
2
xn

y1
y2
.
.
.
yn

Ax = b

cual indica que no existe ninguna funcin de la familia de funciones propuestas que pase o contenga a todos los
datos de la tabla.
12 Ver el Teorema 7.2, pgina 132.
13 Ver la Seccin 7.5, pgina 138.

Clases de lgebra

Pedro Jos Hernando Oter

7.6. Ajuste de Datos mediante Mnimos Cuadrados


Polinomio General en

141

R2

Se puede utilizar un polinomio de cualquier grado para el ajuste, siendo el procedimiento a seguir
anlogo a los anteriores.
x
x1
.
.
.

c0 + c1 x1 + + cm xm
1

c0 + c1 x2 + + cm xm
2
.
.
.

c0 + c1 xn + + cm xm
n

=
=
.
.
.

y1
y2

yn

y
y1
.
.
.

xn

yn

1
1
.
.
.

x1
x2
.
.
.

xn

y = c0 + c1 x + + cm xm

xm
1
xm
2

m
xn

c0
c1
.
.
.
cm

y1
y2
.
.
.
yn

Ax = b

Naturalmente algunos polinomios darn un mejor ajuste que otros, pudindose determinar su calidad
mediante el clculo de los errores de mnimos cuadrados. De forma general, al aumentar el grado del
polinomio, (mayor nmero de parmetros de ajuste), disminuir el error cometido en el ajuste, pero
no necesariamente aumentar la calidad del ajuste. Esto se debe a que al aumentar el grado de un
polinomio aumentan las oscilaciones en su grca, obtenindose resultados no deseados.
Por tanto, en un ajuste polinmico se buscar siempre el polinomio de menor grado que mejor ajuste
a los datos.

Plano en

R3

Este es el caso ms sencillo de ajuste de datos en 3D. Dado un conjunto de puntos (xi , yi , zi ) queremos
encontrar el plano que mejor los ajusta:
z = f (x, y) = a + bx + cy
Siguiendo el plateamiento de los casos anteriores se obtendra el correspondiente SEL del ajuste.

z
x
x1
.
.
.

a + bx1 + cy1

a + bx2 + cy2
.
.
.

a + bxn + cyn

Pedro Jos Hernando Oter

= z1
= z2
.
.
.
= zn

1
1

z
z1
.
.
.

xn

y
y1
.
.
.
yn

zn

x1
x2
.
.
.
xn

y1
z1

z2
y2 a

b = .
c
.
.
yn
zn

z = a + bx + cy

Ax = b

Clases de lgebra

142

TEMA 7: Mnimos Cuadrados

Supercie Cuadrtica en

R3

El ajuste se puede realizar a una supercie ms general como por ejemplo una supercie cuadrtica o
cudrica (elipsoide, paraboloide e hiperboloide).
z
6.0

x
x1
.
.
.

4.0
3.0
2.0

-1.0

1.0
-1.0

1.0

2.0

-1.0

1
.
.
.
1
Hiperplano en

z
z1
.
.
.

yn

zn

z = a + bx + cy + dx2 + ey 2 + f xy

1.0

2.0

y
y1
.
.
.

xn

5.0

x1
.
.
.
xn

Rm

2
a + bx1 + cy1 + dx2 + ey1 + f x1 y1
1

2
a + bx2 + cy2 + dx2 + ey2 + f x2 y2
2
.
.

2
a + bxn + cyn + dx2 + eyn + f xn yn
n

a
z1
2
y1 x2 y1 x1 y1
1

.
.
.
. b = z2
.
.
.
. . .
.
.
.
.
. .
.
.
2
yn x2 yn xn yn
n
f
zn

=
=
.
.
.

z1
z2
.
.
.

zn

Ax = b

Se puede realizar un ajuste de datos en cualquier dimensin espacial, aunque para dimensiones altas
no existir una interpretacin geomtrica del problema.
El caso ms sencillo corresponde al ajuste de n datos (x1 , ..., xm ) m a un hiperplano:

y = f (x1 , ..., xm ) = c0 + c1 x1 + ... + cm xm


siendo { c0 , c1 , ..., cm } el conjunto de parmetros a ajustar. De forma anloga a los casos anteriores
se puede plantear el SEL del problema.
x1
x11
.
.
.

x2
x12
.
.
.

xm
x1m
.
.
.

y
y1
.
.
.

xn1

xn2

xnm

yn

c0 + c1 x11 + + cm x1m

c0 + c1 x21 + + cm x2m
.
.
.

c0 + c1 xn1 + + cm xnm

14 Ver

y = c0 + c1 x1 + + cm xm

=
=
.
.
.

y1
y2
.
.
.

= yn

1
1
.
.
.

x11
x21
.
.
.

x1m
x2m
.
.
.

xn1

xnm

c0
c1
.
.
.
cm

y1
y2
.
.
.
yn

Ax = b

el Teorema 7.2, pgina 132.

Clases de lgebra

Pedro Jos Hernando Oter

7.6. Ajuste de Datos mediante Mnimos Cuadrados

143

En todos los casos la solucin del problema de mnimos cuadrados puede obtenerse por ejemplo
mediante la solucin del sistema de las ecuaciones normales 14 :
AT Ax = b

R2

Ejemplo 7.8. Encontar la ecuacin de la recta en


cuadrados a los datos siguientes:
2
1

x
y

1
0

1
1

que mejor aproxime por mnimos

2
1

Solucin: La ecuacin del ajuste es:


y = a + bx

siendo a y b los parmetros a determinar. El sistema de ecuaciones lineales correspondiente es


en este caso:

1
1
1 2
a 2b =

0
1 1 a
ab =
0

;
Ac = b
;
1
b = 1
1
1
a+b =

1
a + 2b = 1
1
2
La solucin de mnimos cuadrados se puede encontrar resolviendo las ecuaciones normales:
AT A =

4
0

0
10

1
3

AT b =

AT Ap = AT b

La solucin nal es:


a
b

1/4
3/10

y=

1
3
x
4 10

Ejemplo 7.9. Realizar una interpretacin grca del Ejemplo 7.8 y calcular el error cometido
en el ajuste.
Solucin:

1
1

3/20
11/20

e = b Ap =
21/20
13/20

Pedro Jos Hernando Oter

error = e =

37
1.36
20

Clases de lgebra

144

TEMA 7: Mnimos Cuadrados

Resumen

Solucin

Aprox. Min.

Cuadrados
Ax = b

Sol. QR

Ap b

Error

: A(col. lin. indep) = QR

Rp = bQT

: error = e = b Ap = perpcol(A) (b) =

e2 + + e2
n
1

Nota 7.1. Existen otros procedimientos de clculo en la determinacin del problema de mnimos cuadrados. En el
Tema 9 se ver uno de ellos.




Ec. Normales

: Ap = proycol(A) (b) AT Ap = AT b

Clases de lgebra

Pedro Jos Hernando Oter

TEMA

Autovalores y Autovectores
Contenido
8.1
8.2

8.3

8.4

8.5
8.6

Introduccin: Sistemas Dinmicos Discretos . . . . . . . . . . . . . . .


Autovalores y Autovectores . . . . . . . . . . . . . . . . . . . . . . . .
8.2.1 Interpretacin Geomtrica de los Autovalores y Autovectores
8.2.2 Determinacin de Autovalores y Autovectores . . . . . . . . .
8.2.3 Autoespacios . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2.4 Multiplicidades Algebraica y Geomtrica . . . . . . . . . . . .
8.2.5 Autovalores y Matrices Inversas . . . . . . . . . . . . . . . . .
8.2.6 Tres Teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . .
Semejanza y Diagonalizacin . . . . . . . . . . . . . . . . . . . . . . .
8.3.1 Matrices Triangulares . . . . . . . . . . . . . . . . . . . . . . .
8.3.2 Matrices Semejantes . . . . . . . . . . . . . . . . . . . . . . .
8.3.3 Diagonalizacin . . . . . . . . . . . . . . . . . . . . . . . . . .
8.3.4 Autovalores Reales y Complejos . . . . . . . . . . . . . . . . .
Diagonalizacin Ortogonal . . . . . . . . . . . . . . . . . . . . . . . .
8.4.1 Teorema Espectral . . . . . . . . . . . . . . . . . . . . . . . .
8.4.2 Descomposicin Espectral . . . . . . . . . . . . . . . . . . . .
Teoremas Avanzados Adicionales . . . . . . . . . . . . . . . . . . . . .
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

147
149
149
150
152
153
154
155
156
156
156
158
161
162
163
164
165
166

145

Clases de lgebra

Int. Geomtrica

Clculo

Autoespacios

Deniciones

Mat. Inversa

Potencia Mat.

Teoremas

Propiedades

Mat. Semejantes

Semejanza

Mat. Diagonalizable

Autovalores y Autovectores

Teorema

Auto. Reales

Teo. Espectral

Diag. Ortogonal

Desc. Espectral

Teo. Diagonalizacin

Diagonalizacin

146
TEMA 8: Autovalores y Autovectores

Pedro Jos Hernando Oter

8.1. Introduccin: Sistemas Dinmicos Discretos

147

8.1. Introduccin: Sistemas Dinmicos Discretos

Denicin 8.1 (Sistema Dinmico Discreto)


Dada una TL de la forma,
T (x) = Ax
se denomina Sistema Dinmico Discreto a un proceso del estilo:
x(t + 1) = Ax(t)
donde x(t) es un vector de estado a tiempo t (valor entero) y x(t + 1) es el vector de estado
al tiempo siguiente (t + 1). La matriz A se denomina matriz de transicin del sistema1 .

Vamos a analizar como ejemplo el caso bidimensional. Supongamos que x


partimos de un vector inicial a tiempo t = 0:
x0 =

R22 , A R22 y

x0
y0

Entonces:
x, y

x1
x2
x3
.
.
.

=
=
=

xn

xi

Ax0
Ax1
Ax2
.
.
.

t
0
1
.
.
.

yi
y0
y1
.
.
.

Axn1

xi
x0
x1
.
.
.
xn

yn

x
3
2
y
1

Por otra parte, tambin se pueden obtener los valores temporales x(t) de la siguientes forma:
x0
x1
x2
x3
.
.
.
xn

= Ax0
= Ax1 = AAx0 = A2 x0
= Ax2 = AA2 x0 = A3 x0
.
.
.

= Axn1 = AAn1 x0 = An x0

Lo cual demuestra que en todo sistema dinmico discreto con una matriz A ja, la evolucin del
sistema depende nicamente del estado inicial x0 .
Es interesante conocer la evolucin a tiempos grandes y para ello ser necesario calcular An , cuestin
complicada si A es grande2

1 Si

la matriz A representa probabilidades, los procesos se denominan cadenas de Markov.


nmero de operaciones (multiplicaciones y sumas) necesarias para obtener el producto matricial AA con
A mm es de orden 2m3 y por tanto An es de orden 2nm3 , (ver Seccin 3.1.4, pgina 55). Por ejemplo, A10
siendo A 5050 necesita unos dos millones y medio de operaciones.
2 El

Pedro Jos Hernando Oter

Clases de lgebra

148

TEMA 8: Autovalores y Autovectores

Sin embargo, si existiera un determinado vector inicial v tal que cumpliera:


Av = v
siendo un escalar cualquiera, se tendra:
x0
x1
x2
.
.
.
xn

= v
= Ax0 = Av = v
= Ax1 = Av = Av = 2 v
.
.
.

= Axn1 = An1 v = n1 Av = n v

De esta forma se consigue cambiar el clculo de An mediante multiplicaciones matriciales (lentas),


por el mucho ms sencillo clculo de n (potencia de un escalar).
Este proceso slo es vlido para el caso especial en que x0 = v. Sin embargo, si existiera otro vector
v2 con propiedades anlogas al anterior v que llamaremos a partir de ahora v1 , tendramos:
Av2 = v2
Si adems v2 fuera linealmente independiente 3 de v1 , entonces cualquier otro otro vector x0 se podra
poner como combinacin lineal 4 de ambos vectores:
x0 = v1 + v2
y en este caso se tendra:
x0
x1
x2
.
.
.
xn

=
=
=

v1 + v2
Ax0 = A(v1 + v2 ) = v1 + v2
Ax1 = A(v1 + v2 ) = 2 v1 + 2 v2
.
.
.

= Axn1 = A(n1 v1 + n1 v2 ) = n v1 + n v2

En la cual se han remplazado una potencia matricial por dos potencias escalares.

Nota 8.1. Si la matriz A fuera de orden m, se necesitaran m vectores linealmente independientes con estas propiedades
especiales y la potencia An se transformara en la suma de m potencias escalares.

Este tipo de situaciones se producen con bastante asiduidad en la prctica y se utilizan tcnicas de
este estilo para resolver problemas de forma analtica y numrica5 .

3 Ver

la Seccin 2.4.2, pgina 33.


la Seccin 2.4.1, pgina 33.
5 En caso de que el tiempo no sea discreto sino continuo se denominan sistemas dinmicos continuos, apareciendo
sistemas de ecuaciones diferenciales en su formulacin, (ver el Tema 10, pgina 183).
4 Ver

Clases de lgebra

Pedro Jos Hernando Oter

8.2. Autovalores y Autovectores

149

8.2. Autovalores y Autovectores

Denicin 8.2 (Autovalores y Autovectores)


Sea una matriz cuadrada A nn . Un escalar real o complejo6
se llama autovalor
o valor propio7 de A si existe un vector (real o complejo) no nulo v n tal que:

K
K

Av = v
Al vector v se le denomina autovector o vector propio8 de A correspondiente o asociado
al autovalor , y viceversa.

8.2.1. Interpretacin Geomtrica de los Autovalores y Autovectores

El vector y = Ax n se puede considerar como el


resultado de una TL, y = T (x). Un determinado autovector
x de A dar como resultado de la TL un mltiplo (vector
paralelo) del mismo x. El correspondiente autovalor
asociado a x ser dicho mltiplo.
En el grco se puede ver esta interpretacin en 2 .

Av = v
v

Av = v
y = Av

Vamos a determinar grcamente los autovalores y autovectores de dos casos correspondientes a


diferentes TL, T : 2 2 .

Caso 1
5

y=

4
3
2
1
0

1
2
3
4
5
5 4 3 2 1

6 El

y1
y2

3
1

1
3

x1
x2

En la gura se muestran los resultados obtenidos al


aplicar como entradas vectores unitarios x (dentro
del crculo pequeo) y las correspondientes salidas
y (fuera del crculo pequeo). En el grco se ha
desplazado la salida y y se ha colocado a continuacin
de la entrada x. Como se puede apreciar, existen
cuatro autovectores con longitudes iguales dos a dos.
Por tanto, existen dos autovalores y asociados a cada
uno de ellos existen dos autovectores.

espacio
representa a
(conjunto de los nmeros reales) o a
(conjunto de los nmeros complejos).
algunos libros lo denominan eigenvalor, trmino derivado de las terminologas inglesa y alemana. La palabra
eigen signica propio o caracterstico de, indicando que contiene informacin importante acerca de la naturaleza de la
matriz A.
8 Tambin denominado eigenvector en las terminologas inglesa y alemana.
7 En

Pedro Jos Hernando Oter

Clases de lgebra

150

TEMA 8: Autovalores y Autovectores

Caso 2
3

y=

y1
y2

1
1

1
1

x1
x2

En este caso y siguiendo el mismo procedimiento


anterior, se puede observar como no existe ningn
autovector y por tanto ningn autovalor asociado.

1
2
3
3

Nota 8.2. La representacin grca de los autovalores de una matriz real 3 3 estara formada por guras 3D de
esferas y elipsoides. Para dimensiones mayores de 3 no se podra hacer representaciones grcas.

Ejemplo 8.1. Mostrar que el vector x = [1, 1] es un autovector de la matriz A y encontrar el


autovalor asociado al mismo.
3 1
A=
1 3
Solucin:
Ax =

3
1

1
3

1
1

4
4

=4

1
1

= 4x

Por tanto, x es un autovector de A con autovalor asociado = 4.

8.2.2. Determinacin de Autovalores y Autovectores


Los autovalores y autovectores v de una matriz cuadrada A, son aquellos que verican Av = v.
Operando matricialmente se tiene:
Av v = 0
Los autovectores v de la
forma:

a11 a12
a21 a22

A I = .
.
.
.
.
.
an1 an2

(8.1)

(A In )v = 0

matriz A son el espacio nulo o ncleo 9 de la matriz (A I), que tiene la

a1n
a2n
.
.
.

ann

0
.
.
.

.
.
.

0
0
.
.
.

a11
a21
.
.
.

a12
a22
.
.
.

a1n
a2n
.
.
.

an1

an2

ann

Como la ecuacin (8.1) es un sistema homogneo 10 , la nica forma de que tenga soluciones v distintas
de la nula, es que sea un sistema compatible indeterminado (innitas soluciones) y por tanto con
una matriz escalonada reducida equivalente 11 con al menos una la de ceros. Matricialmente esto
es equivalente a que la matriz (A I) sea singular 12 y por tanto, su determinante igual a cero,
det(A I) = 0, siendo sta la condicin necesaria y suciente para la existencia de autovalores en
una matriz.
9 Ver

la
la
11 Ver la
12 Ver la
10 Ver

Denicin 3.19, pgina 71.


Seccin 1.8, pgina 23.
Denicin 1.26, pgina 22.
Denicin 3.12, pgina 60.

Clases de lgebra

Pedro Jos Hernando Oter

8.2. Autovalores y Autovectores

151

Los autovalores de una matriz cuadrada A son las soluciones de la ecuacin:


|A I| = 0

Denicin 8.3 (Ecuacin y Polinomio Caractersticos)


La ecuacin det(A I) = 0 se conoce con el nombre de ecuacin caracterstica.
Cuando se desarrolla el det(A I) se obtiene un polinomio en que se denomina
polinomio caracterstico. El polinomio caracterstico de una matriz A de orden n
ser siempre de orden n y por el teorema fundamental del lgebra, tendr n soluciones
reales o complejas.

Ejemplo 8.2. Calcular el polinomio caracterstico de una matriz general 2 2:


A=

a
c

b
d

Solucin:

det(A I) =

a
c

b
d

= (a )(d ) bc = 2 (a + d) + (ad bc)

Ejemplo 8.3. Calcular la ecuacin y polinomio

1
A= 1
1

Solucin: El polinomio caracterstico es:


det(A I) =

1
1
1

0
1
0

1
0

caracterstico de la matriz: c

0 1
1 0
0 0

= (1 )2 + (1 ) = (1 )(2 + 1)

La ecuacin caracterstica por tanto es:


(1 )(2 + 1) = 0
Procedimiento de Clculo de Autovalores y Autovectores
Sea A

Rnn .

1. Calcular el polinomio caracterstico det(A I).


2. Calcular los autovalores de A resolviendo la ecuacin caracterstica det(A I) = 0 para .
3. Para cada autovalor , encontrar el ncleo de la correspondiente matriz A I. Las soluciones
no nulas son los autovectores v asociados al autovalor de la matriz A.

Pedro Jos Hernando Oter

Clases de lgebra

152

TEMA 8: Autovalores y Autovectores

8.2.3. Autoespacios
Denicin 8.4 (Autoespacios)
El conjunto de todos los autovectores v asociados a un autovalor de una determinada matriz
A nn , junto con el vector nulo, se denomina autoespacio13 de y se representa por E .

Ejemplo 8.4. Encontrar los autovalores y autovectores de la matriz:

0 1 0
A= 0 0 1
2 5 4
Solucin:

det(A I) =

0
2

0
1
4

= 2 (4 ) + 0 + 2 0 5 0 = 3 + 42 5 + 2 = 0

Fcilmente se ve que = 2 es solucin, por tanto factorizando:


( 2)(2 + 2 1) = ( 1)2 ( 2) = 0

1 = 2
3

=
=

1 (raz doble)
2

Vamos a encontrar los autovectores asociados a los autovalores.


1 = 2 = 1

1
[A1I|0] = 0
2

1 0
1 1
5 3


1 0
0
0 0 1
0
0 0

1
1
0

1 0
2 1
5 2


1 0
0
0 0 1
0
0 0

1/4
1/2
0

3 = 2

2
[A2I|0] = 0
2


1
x
0
1
0 = y = t 1 = E1 = 1

1
1
z
0

x
1/4
0
1
0 = y = t 1/2 = E2 = 2

0
z
1
4

Notar que los autovectores slo indican una direccin determinada y por tanto se puede tomar
cualquier mltiplo del mismo14 .
En resumen la matriz A tiene 3 autovectores (dos de ellos iguales) y asociados a cada uno tiene
un autovector.

13 Tambin
14 Es

denominada eigenespacio en las terminologas inglesa y alemana.


decir, cualquier vector paralelo.

Clases de lgebra

Pedro Jos Hernando Oter

8.2. Autovalores y Autovectores

153

8.2.4. Multiplicidades Algebraica y Geomtrica


Denicin 8.5 (Multiplicicidad Algebraica y Geomtrica)
Multiplicidad Algebraica de un autovalor es la multiplicidad 15 de su raz en el
polinomio caracterstico.
Multiplicidad Geomtrica de un autovalor es la dimensin 16 del autoespacio asociado
al autovalor.

P
P

Ejemplo 8.5. En el ejemplo Ejemplo 8.4, = 1 tiene multiplicidad algebraica 2 y = 2 tiene


multiplicidad algebraica 1. Por otra parte, el autovalor = 1 tiene multiplicidad geomtrica 1
porque dim(E1 ) = 1, y = 2 tambin tiene multiplicidad geomtrica 1 porque dim(E2 ) = 1.
Ejemplo 8.6. Encontrar los autovalores y autovectores de la matriz:

1 0
1
A = 3 0 3
1 0 1
Solucin:

det(A I) =

1
3
1

2 ( + 2) = 0

1
3
1

= (1 + )2 + 0 + 0 + 0 0 = 2 ( + 2) = 0

1 = 2
3

=
0 (multiplicidad algebraica 2)
= 2 (multiplicidad algebraica 1)

1 = 2 = 0

1
[A0I|0] = 3
1

0
0
0

1
3
1


0
1
0 0
0
0

0
0
0

1
0
0



0
x
1
0
0
1
0 = y = t 0 +s 1 = E0 = 0 , 1

0
z
1
0
1
0

3 = 2

1
[A + 2I|0] = 3
1

0
2
0

1
3
1


0
1
0 0
0
0

0
1
0

1
3
0

0
x
1
1
0 = y = t 3 = E2 = 3

0
z
1
1

La multiplicidad geomtrica de 1 = 2 = 0 es 2 mientras que la de de 3 = 2 es 1.

15 La multiplicidad de una solucin en una ecuacin es el nmero de veces que apare ese valor como solucin.
Geomtricamente tiene que ver con la concavidad de la funcin que dene la ecuacin cerca de esa raz.
16 Nmero de vectores linealmente independientes.

Pedro Jos Hernando Oter

Clases de lgebra

154

TEMA 8: Autovalores y Autovectores

8.2.5. Autovalores y Matrices Inversas


Teorema 8.1
Una matriz cuadrada A es invertible si y slo si 0 no es un autovalor de A.

Demostracin 8.1
Una matriz cuadrada A es invertible si y slo si det(A) = 0. Si 0 fuera un autovalor de esta
matriz se vericara:
det(A 0I) = det(A) = 0 Contradiccin!
Por tanto cero no puede ser un autovalor de una matriz invertible.

Teorema Fundamental de las Matrices Invertibles

Veamos una versin ampliada del Teorema Fundamental de las Matrices Invertibles que vimos en el
Teorema 3.8, pgina 73.

Teorema 8.2 (Teorema Fundamental de las Matrices Invertibles)


Sea A nn y sea T : V W una transformacin lineal denida por A. Entonces las
siguientes armaciones son equivalentes:

A es invertible.
Ax = b tiene solucin nica b

Rn .

Ax = 0 tiene slo la solucin trivial x = 0

Rn .

La forma escalonada reducida equivalente de A es In .


rang(A) = n.
ker(T ) = ker(A) = {0}.
T es biyectiva.
Los vectores columna de A son linealmente independientes y forman una base del
espacio n .

Los vectores la de A son linealmente independientes y forman una base del espacio
n
.

det(A) = 0.
0 no es un autovalor de A.

Clases de lgebra

Pedro Jos Hernando Oter

8.2. Autovalores y Autovectores

155

8.2.6. Tres Teoremas


Teorema 8.3
Sea A nn con autovalor y v un autovector asociado.

Si A es invertible, entonces 1/ es un autovalor A1 con autovector asociado v.


Para todo entero k, k es un autovalor de la matriz Ak con autovector asociado v.

Demostracin 8.2
Sea Av = v, con A invertible.
A1 Av = A1 v

v = A1 v = A1 v

1 v = A1 v

Por tanto, 1 es un autovalor de A1 con autovector asociado v.


Sea Av = v. Entonces multiplicando reiteradamente ambas partes de la igualdad por
A se tiene:
A2 v = Av = 2 v ;

;
Ak v = k v
Por tanto, k es un autovalor de Ak con v autovector asociado.

Como tambin se cumple A1 v = 1 v se puede realizar la misma demostracin para


Ak v = k v, siendo Ak = (A1 )k .

R
R

Teorema 8.4
Sea A nn y sean 1 , , m autovalores distintos de A con autovectores asociados v1 ,
, vm . Entonces v1 , , vm son linealmente independientes.

Teorema 8.5
Sea A nn y sean 1 , , m autovalores distintos de A con autovectores asociados v1 ,
, vm . Sea un vector v combinacin lineal de los autovectores, tal que:

x = c1 v1 + + cm vm
Entonces para cualquier entero k se tiene:
Ak x = c1 k v1 + + cm k vm
1
m

Nota 8.3.
La demostracin del Teorema 8.4 no ver aqui debido a su longitud. Puede consultarse en la bibliografa ...
La demostracin del Teorema 8.5 fue vista en la introduccin del presente tema.

Pedro Jos Hernando Oter

Clases de lgebra

156

TEMA 8: Autovalores y Autovectores

8.3. Semejanza y Diagonalizacin

8.3.1. Matrices Triangulares


Teorema 8.6
Los autovalores de una matriz triangular 17 (superior, inferior o diagonal) son los elementos
de su diagonal principal.

Demostracin 8.3
El determinante de una matriz triangular es el producto de sus elementos diagonales18 . Como

la matriz (A I) es diagonal, su determinate es:


1 = a11
n

.
.
det(A I) = (a11 )(a22 ) (ann ) =
(aii ) = 0
.

i=1
n = ann

y por tanto, las soluciones de la ecuacin caracterstica sern los n elementos diagonales de
la matriz.

Ya que las las matrices triangulares muestran los autovalores de una matriz en su diagonal principal,
es muy interesante poder relacionar una matriz cuadrada cualquiera con una matriz triangular
equivalente que tenga los mismos autovalores.
Mediante el mtodo de eliminacin gaussiana se puede obtener una matriz triangular equivalente
de una matriz dada19 . Sin embargo, esta matriz equivalente por las no conserva el valor del
determinante y por tanto tampoco conserva los autovalores.
En esta seccin vamos a estudiar una nueva transformacin matricial que s conserva los autovalores.

8.3.2. Matrices Semejantes


Denicin 8.6 (Matrices Semejantes)
Sean A, B nn . Se dice que A es semejante a B si existe una matriz (real o compleja)
P nn invertible tal que,

AP = P B

P 1 AP = B

La semejanza de A a B se representa20 por A B.


Nota: La matriz P no es nica.

17 Ver

la Seccin 3.0.1, pgina 52.


la Seccin 3.5.7, pgina 67.
19 Ver la Seccin 1.5.3, pgina 17.
20 El smbolo se suele utilizar tambin para representar matrices equivalentes por las.
18 Ver

Clases de lgebra

Pedro Jos Hernando Oter

8.3. Semejanza y Diagonalizacin

157

Teorema 8.7 (Caractersticas de las Matrices Semejantes)


Sean A, B, C nn , entonces:

A A.
Si A B entonces B A.
Si A B y B C, entonces A C.

Demostracin 8.7
Esta propiedad es consecuencia de: I 1 AI = A.
Si A B entonces:
AP = P B

AB
BC

A = P BP 1

= AP = P B
= BM = M C

P 1 A = BP 1

BA

; A = P BP 1
; B = M CM 1

A = P BP 1 = P (M CM 1 )P 1 = (P M )C(P M )1 = RCR1 = AR = RC = A C

Propiedades de las Matrices Semejantes


Sean A, B

Rnn con A B, entonces:

1. det(A) = det(B).
2. A y B tienen el mismo polinomio caracterstico y por tanto los mismos autovalores.
3. A es invertible si y slo si B tambin lo es.
4. nul(A) = nul(B)

Nota 8.4.

= rang(A) = rang(B).

Los autovectores v de A y B no tienen porqu ser iguales.

Demostracin 8.8
1. Como A = P BP 1 ,
det(A) = det(P ) det(B) det(P 1 ) = det(B) det(P ) det(P 1 ) = det(B)
(Contina en la pgina siguiente)

Pedro Jos Hernando Oter

Clases de lgebra

158

TEMA 8: Autovalores y Autovectores

Demostracin 8.8 (Continuacin)


2. Sea pA () el polinomio caracterstico de A y como A = P BP 1 se tiene,
pA () = det(AI) = det(P BP 1 I) = det(P BP 1 P IP 1 ) = det(P (BI)P 1 ) =
= det(P ) det(B I) det(P 1 ) = det(P ) det(P 1 ) det(B I) = det(B I) = pB ()
3. Como A = P BP 1 , si existe A1 debe ser: A1 = (P BP 1 )1 = P B 1 P 1
4. Sea un vector x ker(B) = Bx = 0, entonces como AP = P B :
AP x = P Bx ; A(P x) = P (Bx) = 0

P x ker(A)

Esto indica que por cada vector x que anula Bx existe al menos otro vector P x que
anula A(P x). Por tanto, dim(ker(B)) = p dim(ker(A)). Por otra parte, sea un vector
y ker(A) = Ay = 0, entonces como BM = M A, siendo M = P 1 se tiene:
BM y = M Ay ; B(M y) = M (Ay) = 0

M y ker(B)

Por tanto, dim(ker(A)) = r dim(ker(B)). En denitiva, nul(A) = dim(ker(A)) =


dim(ker(B)) = nul(B). Como rang(X) + nul(X) = n, nalmente:
rang(A) = rang(B)

8.3.3. Diagonalizacin
Las matrices diagonales presentan grandes ventajas desde el punto de vista matricial:
Son sencillas y necesitan poca memoria para su almacenamiento en un ordenador21 .
Si existe, su inversa es muy fcil de calcular (invertir los elementos diagonales).
Su determinate es inmediato: |D| =

dii .

Sus autovalores coinciden con los elementos diagonales.

Por tanto, es interesante encontrar una matriz diagonal que sea semejante a una matriz dada: A D.
Denicin 8.7 (Matriz Diagonalizable)
Una matriz A nn es diagonalizable si existe una matriz diagonal D nn tal que A
sea semejante a D, es decir, que exista una matriz P nn invertible tal que:

AP = P D

21 Basta

A = P DP 1

con almacenar nicamente los elementos de su diagonal.

Clases de lgebra

Pedro Jos Hernando Oter

8.3. Semejanza y Diagonalizacin

159

Teorema 8.8 (Diagonalizacin de una Matriz)


Una matriz A nn es diagonalizable si y slo si tiene n autovectores linealmente
independientes, vericndose:
P 1 AP = D

donde los elementos diagonales de D son los autovalores de A y las columnas de P son los
n autovectores asociados linealmente independientes, en el mismo orden que los autovalores
correspondientes.

Demostracin 8.9
Sea A semejante a una matriz diagonal D mediante AP = P D. Sean v1 , , vn las columnas
de P y 1 , , n los elementos diagonales de A, entonces:

1
0
0
0 2
0

AP = P D = A v1 v2 vn = v1 v2 vn .
.
.
.
.
.
.
.
.
0

Av1

Av2

Avn

1 v1

2 v2

n vn

Av1 = 1 v1

.
.
.

Avn = n vn

Igualando las columnas: Avi = i vi , i = 1, , n.


Lo que demuestra que los vectores columna de P son los autovectores de A siendo los
autovalores asociados, los elementos diagonales de D en el mismo orden.
Como P es invertible, sus columna son linealmente independientes.
De igual forma se demuestra =, comenzando por los autovalores y autovectores de A.

Ejemplo 8.7. En caso de ser posible, encontrar una matriz P que diagonalice la matriz,

0
1 0
0 1
A= 0
2 5 4

Solucin: Del ejemplo Ejemplo 8.4 sabemos que sus autovalores son 1 = 2 = 1 y 3 = 2,
siendo sus autovectores:


1
1
E1 = 1
;
E2 = 2

1
4
Como A no tiene 3 autovectores linealmente independientes, por el Teorema 8.8,
A no es diagonalizable.

Pedro Jos Hernando Oter

Clases de lgebra

160

TEMA 8: Autovalores y Autovectores

Ejemplo 8.8. Si es posible, encontrar una matriz P que diagonalice la matriz,

1 0
1
A = 3 0 3
1 0 1

Solucin: Del Ejemplo 8.6 sabemos que sus autovalores son 1 = 2 = 0 y 3 = 2, siendo sus
autovectores:

0
1
1
E0 = 0 , 1
;
E2 = 3

1
0
1

Es fcil comprobar que los tres autovectores son linealmente independientes y pueden formar
una matriz P de la forma:

1 0 1
3
P = v1 v2 v3 = 0 1
1 0
1

entonces P es

1
AP = 3
1

invertible y

0
1
0 3
0 1

adems se puede comprobar que




1 0 1
0 0
2
1
0 1
3 = 0 0 6 = 0
1 0
1
0 0 2
1

0
1
0

1
0
3 0
1
0

0
0
0

0
0 = PD
2

Nota 8.5.
El orden no importa, pero las matrices P y D sern distintas en funcin del orden elegido. Por ejemplo, en el
caso anterior se podra haber elegido:

2 0 0
1 0 1
0 0 0
3 1 0
;
D=
P =
0 0 0
1 0 1

0
0 0
0 1 1

0 2 0
1
3 0
;
D=
P =
0
0 0
0
1 1

Vericar AP = P D a mano es mucho ms sencillo que vericar A = P DP 1 ya que no es necesario calcular


P 1 .

Teorema 8.9 (Teorema de la Diagonalizacin)


Sea A nn con autovalores distintos 1 , , k con k n. Entonces, los siguientes
enunciados son equivalentes:

A es diagonalizable.
A tiene en total n autovectores linealmente independientes 22 .
La multiplicidad algebraica de cada autovalor es igual a su multiplicidad geomtrica 23 .

Nota 8.6.
22 El

La demostracin es trivial.

conjunto de todos los autoespacios de A contiene n autovectores.


la Denicin 8.5, pgina 153.

23 Ver

Clases de lgebra

Pedro Jos Hernando Oter

8.3. Semejanza y Diagonalizacin

161

8.3.4. Autovalores Reales y Complejos


Los autovalores de una matriz real pueden ser reales o complejos, al igual que sus autovectores.

[A iI|0] =

1
i
1

[A + iI|0] =

i
1

1
i

= 2 + 1 = 0

0
0

1
1

x
y

=t

i
1

1
1

1
i
=

0
0

x
y

=t

i
i

= 1 = i

i
i

1 = i

1
0

Solucin:
det(A I) =
1 = i

0
1

Ejemplo 8.9. Calcular los autovalores y autovectores de la matriz real A =

0
0

i
0

1
0

i
1

1
0

Ei =

i
0

=
i
= i
v1 = iv2

i
1

Ei =

0
0

0
0

1
2

0
0

v1 = iv2

i
1

Hay un tipo de matrices reales que siempre tienen autovalores y autovectores reales: las matrices
reales simtricas24 .
Teorema 8.10
Si A es real y simtrica, entonces los autovalores y autovectores asociados de A son reales.

Demostracin 8.10
Un nmero complejo25 z = a + bi es real si z = z parte imaginaria nula, b = 0.

Sea una matriz A real y simtrica, entonces A = A y sea un autovalor con autovector
asociado v de A. Entonces Av = v.

Tomando complejos conjugados en ambas partes se tiene: Av = A = v = .


v
Posteriormente, tomando transpuestas y teniendo en cuenta el hecho de que A es simtrica:
v
(A )T = ( )T
v

vT A = T

Calculemos entonces cuanto vale ( T v),


v
v
v
v

( T v) = vT (v) = vT (Av) = ( T A)v = ( T )v = ( T v) = ( )( T v) = 0


v
v
(Contina en la pgina siguiente)

24 Ver
25 El

la Denicin 3.9, pgina 58.


conjugado de un nmero complejo z = a + bi es el complejo z = a bi (parte imaginaria cambiada de signo).

Pedro Jos Hernando Oter

Clases de lgebra

162

TEMA 8: Autovalores y Autovectores

Demostracin 8.10 (Continuacin)

Como v es un autovector y por tanto no es nulo, vT v = 0 y por tanto,

=0

Si los autovalores son reales y la matriz A tambin lo es, las soluciones del sistema homogneo
(autovectores asociados) tambin sern reales.

8.4. Diagonalizacin Ortogonal

U
R

Denicin 8.8 (Diagonalizacin Ortogonal)


Una matriz A es ortogonalmente diagonalizable si existe una matriz ortogonal Q y una matriz
diagonal D tales que:
QT AQ = D
Vamos a ver las condiciones bajo las cuales una matriz es ortogonalmente diagonalizable.
Teorema 8.11
Si A es simtrica todos los autovectores correspondientes a autovalores distintos son
ortogonales entre s.

Demostracin 8.11
Sean v1 y v2 dos autovectores asociados a dos autovalores distintos 1 = 2 , Av1 = 1 v1 ,
Av2 = 2 v2 . Teniendo en cuenta que A es simtrica, AT = A y que x y = xT y, se tiene:
T
T
1 (v1 v2 ) = (1 v1 ) v2 = (Av1 ) v2 = (Av1 )T v2 = v1 (Av2 ) = v1 (2 v2 ) = 2 (v1 v2 )

Por tanto, (1 2 )(v1 v2 ) = 0 y como 1 = 2 por tanto v1 v2 = 0.

Ejemplo 8.10. Vericar el resultado del Teorema

2 1
A= 1 2
1 1
Solucin: El polinomio caracterstico de A es:

8.11 con la matriz,

1
1
2

pA () = det(A I) = 3 + 62 9 + 4 = ( 4)( 1)2 = 0


(Contina en la pgina siguiente)

Clases de lgebra

Pedro Jos Hernando Oter

8.4. Diagonalizacin Ortogonal

163

Ejemplo 8.10 (Continuacin).


Los autovalores son 1 = 4, 2 = 1 y los autoespacios correspondientes:

1
1
1
E4 = 1
;
E1 = 0 , 1

1
1
0

Donde fcilmente se comprueba que todo autovector de E4 , (en este caso slo uno), es ortogonal
a todo autovector de E1 .

U
R

Nota 8.7. En el Ejemplo 8.6 se obtiene un conjunto de autovectores que son linealmente independientes, pero no son
ortogonales. Por tanto, es diagonalizable pero no ortogonalmente.

8.4.1. Teorema Espectral


Denicin 8.9 (Espectro de una Matriz)
Al conjunto de los autovalores de una matriz A se le conoce con el nombre de espectro26 de
la matriz A.

Teorema 8.12 (Teorema Espectral)


Sea A nn . Entonces A es ortogonalmente diagonalizable si y solo s es simtrica.

Demostracin 8.12
Si A es ortogonalmente diagonalizable, existe una matriz ortogonal Q tal que:
AQ = QD

A = QDQT

AT = (QDQT )T = QDT QT = QDQT = A

De forma anloga, se puede demostrar que toda matriz simtrica es ortogonalmente


diagonalizable.

26 La palabra espectro proviene del latn espectrum que signica imagen. Cuando los tomos son excitados, estos
vibran y emiten luz, que es mezcla de distintas frecuencias y que corresponden a diferentes lneas brillantes en su
espectro. Estas frecuencias se pueden obtener de forma matemtica calculando los autovalores de un determinado
operador matricial. De aqu deriva el nombre de espectro al conjunto de autovalores de una determinada matriz.

Pedro Jos Hernando Oter

Clases de lgebra

164

TEMA 8: Autovalores y Autovectores

8.4.2. Descomposicin Espectral


Denicin 8.10 (Descomposicin Espectral)
Cualquier matriz simtrica A nn se puede expresar a travs de una matriz ortogonal Q
y una matriz diagonal D como:

T
1 0
q1
. ..
. . =
T
A = QDQ = q1 qn .
. . .
.
.
.
T
0 n
qn

1 q 1

n q n

T
q1
.
T
T
T
. = 1 q 1 q 1 + 2 q 2 q 2 + + n q n q n
.
T
qn

A la obtencin de este resultado se le denomina descomposicin espectral27 de A.


Nota: El conjunto {q1 qn } es un conjunto ortonormal, (ortogonales + unitarios).

Ejemplo 8.11. Diagonalizar ortogonalmente la matriz siguiente y obtener su descomposicin


espectral.

2 1 1
A= 1 2 1
1 1 2

Solucin: En el ejemplo Ejemplo 8.10 determinamos los autovalores y autovectores de A, siendo


1 = 4 y 2 = 3 = 1 (doble) y los autoespacios correspondientes:

1
1
1
E4 = 1
;
E1 = 0 , 1

1
1
0
Como necesitamos tres autovectores ortogonales, aplicando el proceso de Gram-Schmidt28 a E1
se obtiene:


1/2
1
1
E1 = 0 ,

1
1/2
Normalizando estos vectores podemos obtener una matriz Q ortogonal de la forma:

1/3 1/ 2 1/6
1/3
1/6
1/ 2

2/ 6
Q = 1/3
2/6 ; q1 = 1/3 , q2 =
0 , q3 =
0

1/ 2
1/ 3
1/ 2 1/ 6
1/ 3
1/ 6

(Contina en la pgina siguiente)

27 Cada uno de los trminos q q T corresponde con la matriz asociada a la TL denida por la proyeccin ortogonal
i i
sobre el subespacio generado por qi , por esta razn a la descomposicin espectral se la denomina a veces forma de
proyeccin del teorema espectral.
28 Ver la Seccin 6.7, pgina 124.

Clases de lgebra

Pedro Jos Hernando Oter

8.5. Teoremas Avanzados Adicionales

Ejemplo 8.11 (Continuacin).


Notar que:

165

4
QT AQ = 0
0

Finalmente, su descomposicin espectral ser:

0
1
0

0
0
1

T
T
T
A = 1 q1 q1 + 2 q2 q2 + 3 q3 q3

8.5. Teoremas Avanzados Adicionales

Teorema 8.13 (Teorema de Perron)


Sea A nn una matriz positiva (aij > 0). Entonces A tiene un autovalor 1 real con las
siguientes propiedades:

1 > 0.
1 tiene un autovector asociado v1 positivo (vi > 0).
Para cualquier otro autovalor de A se verica || < 1 .

Teorema 8.14 (Teorema de Perron-Frobenius)


Sea A nn una matriz irreducible no negativa. Entonces A tiene un autovalor 1 real con
las siguientes propiedades:

1 > 0.
1 tiene un autovector asociado positivo.
Para cualquier otro autovalor de A se verica || 1 .
Cualquier autovalor (real o complejo) de A que verique || = 1 , entonces es una
raz (compleja) de la ecuacin n n = 0.
1
1 tiene multiplicidad algebraica 1.

Nota 8.8. Estos dos teoremas se han hecho famosos por formar parte del algoritmo de Google para la determinacin
rpida del ranking de pginas web.

Pedro Jos Hernando Oter

Clases de lgebra

166

TEMA 8: Autovalores y Autovectores

8.6. Resumen
Toda matriz cuadrada siempre tiene autovalores y autovectores asociados (reales o complejos).
Si A es real y simtrica sus autovalores y autovectores siempre sern reales.
En las matrices triangulares (superiores, inferiores o diagonales), los autovalores corresponden
con los elementos de la diagonal principal : i = aii .
A es invertible cero no es un autovalor de A.
Tres teoremas importantes:
1. Los autovectores asociados a autovalores distintos son linealmente independientes.
2. Ak x = 1 k v1 + + 1 k vn
n
1
3.

siendo x = 1 v1 + + n vn .

: autovectores 1/, mismos autovectores de A.


: autovalores n , mismos autovalores de A.

A
An

Matrices Semejantes: A B P invertible : AP = P B.


Propiedades:
pA () = pB ()

rang(A) = rang(B)
Si A

= B

|A| = |B|

nul(A) = nul(B).

Diagonalizacin. P : AP = P D si y slo si existen n autovectores linealmente


independientes (multiplicidades ma = mg ), donde D = [1 2 ] y P = [v1 vn ].
Diagonalizacin Ortogonal (Teorema Espectral): AQ = QD si y slo si A es simtrica.
Descomposicin Espectral. Si A es simtrica, existe Q ortogonal tal que:




T
T
A = QDQT = [q1 qn ][1 2 ][q1 qn ]T = 1 q1 q1 + + n qn qn

Clases de lgebra

Pedro Jos Hernando Oter

TEMA

Pseudoinversa y Descomposicin en
Valores Singulares
Contenido
9.1
9.2
9.3
9.4

9.5

Pseudoinversa de una Matriz . . . . . . . . . . . . . . . .


9.1.1 Propiedades de la Matriz Pseudoinversa . . . . .
Pseudoinversa y Mnimos Cuadrados . . . . . . . . . . .
Matriz de una Proyeccin Ortogonal sobre un Subespacio
Descomposicin en Valores Singulares . . . . . . . . . . .
9.4.1 Valores Singulares de una Matriz . . . . . . . . .
9.4.2 Descomposicin en Valores Singulares . . . . . . .
Aplicaciones de la DVS . . . . . . . . . . . . . . . . . . .
9.5.1 Pseudoinversa . . . . . . . . . . . . . . . . . . . .
9.5.2 Mnimos Cuadrados . . . . . . . . . . . . . . . . .
9.5.3 Otras Aplicaciones de la DVS . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

169
170
170
170
172
172
174
180
180
181
182

167

Denicin

Clases de lgebra

Proy. Ortogonal Subesp.

Aplicaciones

Min. Cuadrados

Propiedades

Pseudoinversa

Int. Geomtrica

Denicin

Propiedades

Aplicaciones

Generalizacin Desc. Espectral

Clculo

Descomposicin en Valores Singulares

Pseudoinversa y Descomposin en Valores Singulares (DVS)

168
TEMA 9: Pseudoinversa y Descomposicin en Valores Singulares

Pedro Jos Hernando Oter

9.1. Pseudoinversa de una Matriz

169

9.1. Pseudoinversa de una Matriz

Rnn invertible 1 da lugar a SEL compatibles determinados (solucin nica) de la


Av = b = x = A1 x ;
b Rn
Si la matriz A no es invertible, el SEL no tiene solucin nica3 . Para toda matriz A Rmn se dene
la mejor aproximacin a la solucin del SEL Ax b, como la solucin de mnimos cuadrados x Rn

Toda matriz A
forma2 :

dada por las ecuaciones normales4 :

AT Ax = AT b

Si la matriz A tiene columnas linealmente independientes, la matriz AT A es invertible, y en este caso


la solucin de mnimos cuadrados es nica y viene dada por:
x = (AT A)1 AT b
Por tanto, se puede considerar a la matriz (AT A)1 AT como una generalizacin del concepto de
matriz inversa para toda matriz A mn .
En este tema vamos a explorar estas consideraciones y alguos conceptos importantes que aparecen
desde un punto de vista prctico.

Denicin 9.1 (Matriz Pseudoinversa)


Dada una matriz A mn con columnas linealmente independientes, se dene la matriz
pseudoinversa A+ de A como:

A+ = (AT A)1 AT

Nota 9.1.

A+

Rnm

Si la matriz A es invertible, claramente A+ = A1 ya que:


A+ = (AT A)1 AT = A1 (AT )1 AT = A1 I = A1

Ejemplo 9.1. Encontrar, en caso de que exista, la pseudoinversa de la matriz A


siguiente:

1 1
A= 1 2
1 3

R32

Solucin: Como los vectores columna son linealmente independientes, s existe la matriz
pseudoinversa . Vamos a calcularla.

1 1
1 1 1
3 6
7/3 1
1 2 =
AT A =
=
(AT A)1 =
6 14
1 1/2
1 2 3
1 3
A+ = (AT A)1 AT =

7/3
1

1
1/2

1
1

1
2

1
3

4/3 1/3
1/2
0

2/3
1/2

1 Por

tanto con vectores la y columna linealmente independientes.


la Seccin 3.4.2, pgina 62.
3 Puede tener innitas soluciones (compatible indeterminado) o no tener solucin (incompatible).
4 Ver la Seccin 7.3, pgina 132.
2 Ver

Pedro Jos Hernando Oter

Clases de lgebra

170

TEMA 9: Pseudoinversa y Descomposicin en Valores Singulares

9.1.1. Propiedades de la Matriz Pseudoinversa


Sea A

Rmn una matriz con columnas linealmente independientes, entonces:

AA+ A = A
A+ AA+ = A+
AA+ y A+ A son simtricas.
(cA)+ = 1 A+ para todo escalar c = 0.
c
Si A es cuadrada:
(A+ )+ = A

(AT )+ = (A+ )T

9.2. Pseudoinversa y Mnimos Cuadrados

Teorema 9.1 (Pseudoinversa y Mnimos Cuadrados)


Si A mn es una matriz con vectores columna linealmente independientes, la solucin
nica de mnimos cuadrados p n del SEL incompatible Ax b viene dada por:

p = A+ b

A+

Rnm ,

Rm

Demostracin 9.1
Basta tener en cuenta la Denicin 9.1, pgina 169 de A+ y el Teorema 7.2, pgina 132.

9.3. Matriz de una Proyeccin Ortogonal sobre un Subespacio

Denicin 9.2 (Matriz de una Proyeccin Ortogonal)


Se dene la matriz de la proyeccin ortogonal 5 de un vector v sobre un subespacio W , a
aquella matriz A asociada a la TL que dene dicha proyeccin.
proyW (v) = Av = T (x)

5 Ver

la Denicin 6.9, pgina 121.

Clases de lgebra

Pedro Jos Hernando Oter

9.3. Matriz de una Proyeccin Ortogonal sobre un Subespacio

171

Teorema 9.2
Sea W un subespacio vectorial de m y A mn una matriz cuyas columnas forman una
base de W , entonces la proyeccin ortogonal de todo vector v m sobre W es el vector:

proyW (v) = A(AT A)1 AT v = AA+ v

Demostracin 9.2
Como los vectores columna de A forman una base de W se tiene:
proyW (v) = proycol(A) (v)
Segn el teorema de la mejor aproximacin6 , la proyW (v) es la mejor aproximacin de v en
W y sta corresponde con la solucin de mnimos cuadrados, x, dada por7 :
Ax = proycol(A) (v)
cuya solucin, si A tiene vectores columna linealmente independientes, viene dada por8 :
x = (AT A)1 AT v
Por tanto:

proyW (v) = proycol(A) (v) = Ax = A(AT A)1 AT v = AA+ v

Segn el Teorema 9.2, si A es una matriz con vectores columna linealmente independientes, la matriz
de la proyeccin ortogonal sobre col(A) es AA+ .

Ejemplo 9.2. Encontrar la matriz de la proyeccin ortogonal de un vector v 3 sobre el


subespacio W 3 denido por la ecuacin del plano x y + 2z = 0. Aplicarla para encontrar
la proyeccin ortogonal del vector v = [3, 1, 2] sobre W y comparar el resultado obtenido en el
Ejemplo 6.10, pgina 122.

Solucin: Tomando una base de W , BW = {[1, 1, 0], [1, 1, 1]} y formando la matriz:

1 1
1
A= 1
0
1

(Contina en la pgina siguiente)

6 Ver

el Teorema 7.1, pgina 131.


la Seccin 7.3, pgina 132.
8 Ver el Teorema 7.2, pgina 132.
7 Ver

Pedro Jos Hernando Oter

Clases de lgebra

172

TEMA 9: Pseudoinversa y Descomposicin en Valores Singulares

Ejemplo 9.2 (Continuacin).


Entonces:

1
1 1 0
1
AT A =
1 1 1
0

1
1 =
1

2
0

0
3

1/2
0

(AT A)1 =

0
1/3

Por tanto, la matriz asociada a la proyeccin ortogonal sobre W es:

1 1
5/6 1/6
1/2 0
1 1 0
1
AA+ = A(AT A)1 AT = 1
= 1/6 5/6
0 1/3
1 1 1
0
1
1/3 1/3

La proyeccin de v = [3, 1, 2] sobre W ser entonces:

5/3
5/6 1/6 1/3
3
1/3 1 = 1/3
proyW (v) = A(AT A)1 AT v = 1/6 5/6
1/3 1/3
1/3
2
2/3

1/3
1/3
1/3

cuyo resultado corresponde con el obtenido en el Ejemplo 6.10.

9.4. Descomposicin en Valores Singulares


Como se ha visto anteriormente, algunas matrices A
diagonalizacin de la siguiente forma9 :

Rnn

se pueden factorizar mediante la

A = P DP 1
donde D es una matriz diagonal con los autovalores de A, y P es una matriz invertible que contiene los
autovectores de A. Si A es simtrica entonces se puede realizar una diagonalizacin ortogonal10 ,
donde P ser una matriz ortogonal 11 y por tanto P 1 = P T .
La diagonalizacin (ortogonal o no) slo es posible en un determinado nmero de matrices A
cuadradas12 ..
Vamos a ver en esta seccin una factorizacin general muy importante, til para toda matriz A,
denominada Descomposicin en Valores Singulares 13 (DVS).

9.4.1. Valores Singulares de una Matriz


Teorema 9.3
Para toda matriz A mn , la correspondiente matriz AT A
autovalores reales y no negativos.

Rnn

tiene todos sus

9 Ver

el Teorema 8.8, pgina 159.


el Teorema 8.11, pgina 162.
11 Ver la Seccin 6.3, pgina 116.
12 Slo en aquellos casos en los que A tiene n autovalores linealmente independientes, ver la Seccin 8.3, pgina 156
13 En terminologa anglosajona se dene como Singular Value Descomposition (SVD).
10 Ver

Clases de lgebra

Pedro Jos Hernando Oter

9.4. Descomposicin en Valores Singulares

Demostracin 9.3
Para toda matriz A

173

Rmn , la matriz AT A Rnn es simtrica14 ya que:


(AT A)T = AT (AT )T = AT A

y por tanto puede ser diagonalizada ortogonalmente. Adems, por ser real y simtrica, todos
sus autovalores son reales15 .
(Contina en la pgina siguiente)

Demostracin 9.3 (Continuacin)


Por otra parte, llamando a un autovalor de AT A asociado a un autovector unitario v, se
tiene:
0 Av

= (Av) (Av) = (Av)T (Av) = v T AT Av = v T v = (v v) = v

y por tanto, todos los autovalores de AT A son no negativos.

Denicin 9.3 (Valores Singulares)


Se denen los valores singulares de una matriz A mn , a las races cuadradas (positivas)
de los autovalores 16 de la matriz AT A. Se denotan mediante 1 , 2 , , r , ordenados en
orden decreciente y teniendo en cuenta sus correspondientes multiplicidades aritmticas 17 :

1 2 r 0

Ejemplo 9.3. Calcular los valores singulares de

1
A= 1
0

la matriz A

1
0
1

R32 siguiente:

Solucin: Calculamos primero la matriz AT A 22 .

1 1
1 1 0
1 0 =
AT A =
1 0 1
0 1

2
1

1
2
(Contina en la pgina siguiente)

14 Ver

la Denicin 3.9, pgina 58.


el Teorema 8.10, pgina 161.
16 Ver la Denicin 8.2, pgina 149.
17 Ver la Denicin 8.5, pgina 153.
15 Ver

Pedro Jos Hernando Oter

Clases de lgebra

174

TEMA 9: Pseudoinversa y Descomposicin en Valores Singulares

Ejemplo 9.3 (Continuacin).


Los autovalores de esta matriz son:
2
1

1
2

= (2 )2 1 = 2 4 + 3 = 0

1
2

=
=

1
3

Ordenando los autovalores de mayor a menor y calculando sus races cuadradas tenemos:
1 =

2 = 1

Interpretacin Geomtrica de los Valores Singulares


Basndonos en la demostracin del Teorema 9.3, pgina 172, tenemos que los autovalores i y
autovectores vi de la matriz AT A cumplen:
i = Avi

i =

i = Avi

Los valores Avi corresponden con la longitud de los semi-ejes de las elipses (en 2 ) o elipsoides (en
3
) formadas por todos los vectores Ax con x n , x = 1, (ver la Seccin 8.2.1, pgina 149).

9.4.2. Descomposicin en Valores Singulares


Teorema 9.4 (Descomposicin en Valores Singulares)
Dada una matriz A mn con valores singulares no nulos 1 2 r . Entonces
existe una matriz ortogonal U mm , una matriz ortogonal V nn y una matriz
pseudodiagonal 18 mn con los valores singulares en su diagonal principal, tales que:

mn
A

U mm
(ortogonal)
A = U V T
mn
(pseudodiagonal)

V nn
(ortogonal)

R
R
R
R

a11
a21
.
.
.

a12
a22
.
.
.

a1n
a2n
.
.
.

am1

am2

amn

u11
u21
.
.
.

.
.
.

u1m
u2m
.
.
.

um1

umm

1
0
.
.
.

0
2
.
.
.

..
.

0
0
.
.
.

v11
v12
.
.
.

.
.
.

vn1
vn2
.
.
.

v1n

vnn

Nota 9.2. El teorema de la descomposicin en valores singulares es una generalizacin del teorema de la
diagonalizacin de matrices cuadradas 19 .

18 Estrictamente no es una matriz diagonal al no ser siempre cuadrada, pero se cumple que todos sus elementos son
cero, excepto quizs los de su diagonal principal, como ocurre en todas las matrices diagonales.
19 Ver el Teorema 8.8, pgina 159.

Clases de lgebra

Pedro Jos Hernando Oter

9.4. Descomposicin en Valores Singulares

175

Demostracin 9.4
Como la matriz V es ortogonal, por tanto V 1 = V T . Tenemos entonces que encontrar
matrices U , y V tales que:
A = U V T

AV = U

Avi = i ui

Siendo vi y ui los vectores columna de las matrices V y U respectivamente y i los valores


de la diagonal principal de la matriz . Si tomamos como V = [v1 , v2 , , vn ], con vi los
autovectores (ordenados y normalizados) de la matriz AT A nn y como i los valores
singulares A se tiene:
1
ui = Avi
i = 1, , r
i

Como la matriz V es ortogonal quedara demostrar que la matriz U = [u1 , u2 , , um ]


tambin es ortogonal.
u i uj = u i uj T =

T
vi vj
1
1
Avi ( Avj )T =
AAT = 0
i
j
i j

T
ya que V es ortogonal y por tanto vi vj = 0.

Notar que si r < m, la matriz U se debe completar con (m r) vectores ortogonales hasta formar
un conjunto de m vectores ortogonales. 20 .

Propiedades de la DVS
Teorema 9.5
Sea A = U V T una descomposicin de valores singulares de A
los valores singulares no nulos de A. Entonces:

Rmn , siendo {1 , , r }

rang(A) = r
{u1 , , ur } es una base ortonormal de col(A).
{ur+1 , , um } es una base ortonormal de ker(AT ).
{v1 , , vr } es una base ortonormal de l(A).
{vr+1 , , vn } es una base ortonormal de ker(A).

20 Tenemos

que buscar vectores linealmente independientes y ortonormalizarlos con Gram-Schmidt al resto.

Pedro Jos Hernando Oter

Clases de lgebra

176

TEMA 9: Pseudoinversa y Descomposicin en Valores Singulares

Denicin 9.4 (Vectores Singulares por la Izquierda y por la Derecha)


Dada una DVS de una matriz A mn de la forma A = U V T , se denominan:

Vectores singulares por la izquierda de A, a las columnas de U .


Vectores singulares por la derecha de A, a las columnas de V .

Denicin 9.5 (Generalizacin de la Descomposicin Espectral21 )


Dada una matriz A mn con descomposicin en valores singulares A = U V T dada por:

= diag(1 , , r )
Entonces:

V = [v1 , , vn ]

U = [u1 , , um ]

T
T
A = 1 u1 v1 + + r ur vr

Proceso de Clculo
El proceso a seguir para obtener la DVS de una matriz A

Rmn es el siguiente:

A = U V T

1. Calcular los n autovalores i y autovectores vi de la matriz AT A nn . Los autovalores 22


deben estar ordenados de mayor a menor y los autovectores 23 deben ser normalizados para
obtener un conjunto ortonormal.

2. Se calculan los valores singulares de A, i = i . Construimos la matriz mn constituida


toda de ceros, excepto los r n valores singulares no nulos, i > 0, en la diagonal principal.

Rnn con los autovectores vi ordenados en las columnas.


Calculamos los r primeros vectores columna de la matriz U Rmm mediante:

3. Se construye la matriz V
4.

ui =

1
Avi
i

Estos vectores ya sern ortonormales. Si r < m necesitamos completar el conjunto con m r


vectores ortogonales al conjunto {u1 , , ur }. Para ello buscamos primero vectores linealmente
independientes 24 al conjunto y posteriormente los ortonormalizamos mediante el proceso de
Gram-Schmidt25 .
5. Finalmente, con los m vectores ui construimos la matriz U ordenados en las columnas.
21 Ver

la Denicin 8.10, pgina 164.


cuales son todos reales no negativos, ya que AAT es una matriz real y simtrica.
23 Los cuales son ortogonales.
24 Se suele probar con vectores vlidos lo ms sencillos posibles, como por ejemplo los vectores estndar e .
i
25 Ver la Seccin 6.7, pgina 124.
22 Los

Clases de lgebra

Pedro Jos Hernando Oter

9.4. Descomposicin en Valores Singulares

177

Las matrices U y V no estn determinadas de forma nica y por tanto se pueden obtener diferentes
descomposoiciones en valores singulares de una misma matriz.
Ejemplo 9.4. Encontrar una descomposicin en valores singulares de la siguiente matriz:
1
0

A=

1
0

0
1

Solucin: Tenemos que encontrar las matrices , V , y U de forma que A = U V T . Calculamos


primeramente la matriz AT A:

1 0
1 1 0
1 1 0
AT A = 1 0
= 1 1 0
0 0 1
0 1
0 0 1
Encontramos los autovalores de esta matriz:
1
1
0

1
0
1
0
0
1

= (1)3 (1) = (1)[(1)2 1] = (1)(2 2) = (1)(2)

Por tanto los autovalores, ordenados de mayor a menor, son: 1 = 2, 2 = 1, 3 = 0. Calculando


sus correspondientes autovectores, se tiene:

1
0
1
v1 = 1
;
v2 = 0
;
v3 = 1
0
1
0

Estos vectores ya son ortogonales, por tanto basta con normalizarlos dividiendo por su
correspondiente norma:

1/2
0
1/2
;
v3 = 1/ 2
;
v2 = 0
v1 = 1/ 2
1
0
0

Entonces, los valores singulares de A son 1 =


tanto, las matrices y V quedan:
=

2
0

0 0
1 0

1 =

2, 2 =

1/2 0
V = 1/ 2 0
0 1

2 = 1, 3 =

3 = 0. Por


1/2
1/ 2
0

Nos falta la matriz U que tiene dimensiones 2 2, ya que A tiene dimensiones 2 3. Entonces:

1/2
1
1
1 1 0
1
u1 =
Av1 =
1/ 2 =
0 0 1
0
1
2
0
1
1
u2 =
Av2 =
2
1

Pedro Jos Hernando Oter

1
0

1
0

0
1

0
0 =
1

0
1
(Contina en la pgina siguiente)

Clases de lgebra

178

TEMA 9: Pseudoinversa y Descomposicin en Valores Singulares

Ejemplo 9.4 (Continuacin).


Por tanto:
U=

1
0

0
1

Finalmente:
A = U V T =

1
0

0
1

2
0

0 0
1 0

1/ 2
0

1/ 2

1/ 2

0
1/ 2

0
1
0

Ejemplo 9.5. Encontrar una descomposicin en valores de la matriz dada en el Ejemplo 9.4,
pgina 177 que sea distinta de la obtenida en dicho problema.
Solucin: Podemos encontrar unos autovectores distintos a los obtenidos en el Ejemplo 9.4. En
concreto podemos cambiar el autovector v3 (cambiando de posicin el signo negativo):

1
0
1
v1 = 1
;
v2 = 0
;
v3 = 1
0
1
0
En este caso, las matrices y V quedan:
=

2
0

1
0

0 0
1 0

1/2
V = 1/ 2
0

1
0

Finalmente la matriz U ser:


1
1
u1 =
Av1 =
1
2
1
1
u2 =
Av2 =
2
1

1
0


1/2
1/ 2
0


1/2
1/ 2 =
0

0
1

1
0

0
0
1

0
1

0
0 =
1

1
0

0
1

Como la matriz U tiene dimensin 2 2, queda igual que el caso anterior.


U=

1
0

0
1

Finalmente:
A = U V T =

Clases de lgebra

1
0

0
1

2
0

0 0
1 0

1/ 2
0

1/ 2

1/ 2
0
1/ 2

0
1
0

Pedro Jos Hernando Oter

9.4. Descomposicin en Valores Singulares

179

Ejemplo 9.6. Encontrar una descomposicin


Ejemplo 9.3, pgina 173.

1
A= 1
0

en valores singulares de la matriz del

1
0
1

Solucin: Los autovalores calculados de la matriz AT A son: 1 = 3 y 2 = 1. Calculando los


correspondientes autovectores y normalizndolos se tiene:

1/2
1/2
;
v2 =
v1 =
1/ 2
1/ 2
Por tanto los valores singulares

3
= 0
0

de A son 1 =

0
;
1
0

3 y 2 = 1 y por tanto:
V =

1/2
1/ 2

1/2
1/ 2

Notar que como las dimensiones de A son 3 2, la matriz tiene las mismas dimensiones que
A, la matriz V debe ser 2 2 y la matriz U debe ser 3 3. Para calcular U utilizamos los
autovectores:

2/6
1 1
1
1
1/2
u1 =
= 1/6
Av1 = 1 0
1/ 2
1
3 0 1
1/ 6

1 1
0
1
1
1/2
1 0
= 1/2
u2 =
Av2 =
1/ 2
2
1
0 1
1/ 2

Necesitamos un tercer vector u3 que sea ortonormal a u1 y u2 . Por ejemplo, claramente el vector
e3 = [0, 0, 1] es linealmente independiente de u1 y u2 y por tanto basta con utilizar el proceso
Gram-Schmidt26 .

2/6
1/3
0
0
u1 e3
1
1
u2 e3
u3 = e3
u1
u2 = 0 1/6 1/2 = 1/3
u1 u1
u2 u2
6 1/ 6
2
1/3
1
1/ 2

3/3 se obtiene u3 = [1/ 3, 1/ 3, 1/ 3] y por tanto:




2/6
0 1/3
U = 1/6 1/2
1/3
1/ 2
1/ 3
1/ 6

Dividiendo por la norma u3 =

Finalmente, la DVS de A queda:

A = U V

26 Ver

2/6
= 1/6
1/ 6

0
1/2
1/ 2


1/3
3
1/3 0
0
1/ 3

0
1
0

1/2
1/ 2

1/2
1/ 2

la Seccin 6.7, pgina 124.

Pedro Jos Hernando Oter

Clases de lgebra

180

TEMA 9: Pseudoinversa y Descomposicin en Valores Singulares

9.5. Aplicaciones de la DVS


9.5.1. Pseudoinversa

La dvs de una matriz puede utilizarse para determinar de forma eciente la pseudoinversa de la matriz.

Teorema 9.6
Sea A = U V T una descomposicin de valores singulares de A
los valores singulares no nulos de A. Entonces:

Rmn , siendo {1 , , r }

A + = V + U T
siendo + la matriz transpuesta de con los elementos inversos en la diagonal principal.

Demostracin 9.5
Vamos a sustituir A por su dvs A = U V T en la denicin de la pseudoinversa de una
matriz27 .
A+ = (AT A)1 AT = [(U V T )T (U V T )]1 (U V T )T = [V T U T U V T ]1 (V T U T ) =
= [V T V T ]1 (V T U T ) = V (T )1 V T V T U T = V (T )1 T U T = V + U T
Donde:

+ = (T )1 T =

2
1
0
.
.
.

0
2
2
.
.
.

..
.

0
0
.
.
.

1
0
.
.
.

0
2
.
.
.

1
0
.
.
.

..
.

0
2
.
.
.

27 Ver

0
0
.
.
.

..
.
1
1

0
.
.
.

0
0
.
.
.
0
1
2

.
.
.

1
0
.
.
.

0
2
.
.
.

..
.

..
.

1
2
1

0
1
2
2

0
.
.
.

0
0
.
.
.

.
.
.

0
0
.
.
.

..
.

0
0
.
.
.

1
0
.
.
.

1
0
.
.
.

0
2
.
.
.

0
2
.
.
.

..
.

..
.

0
0
.
.
.

0
0
.
.
.

la Denicin 9.1, pgina 169.

Clases de lgebra

Pedro Jos Hernando Oter

9.5. Aplicaciones de la DVS

181

9.5.2. Mnimos Cuadrados

La descomposicin en valores singulares se puede utilizar tambin para resolver de forma eciente el
problema de mnimos cuadrados28 .

Teorema 9.7
Sea A = U V T una descomposicin de valores singulares de A mn , siendo {1 , , r }
los valores singulares no nulos de A. Entonces la solucin de mnimos cuadrados del problema
Ap b se puede expresar como:

p=

b u1
b u2
b un
v1 +
v2 + +
vn
1
2
n

Demostracin 9.6
Vamos a sustituir A por su dvs A = U V T en las ecuaciones normales del problema de
mnimos cuadrados29 .
p = (AT A)1 (AT b) = A+ b = V + U T b
Teniendo en cuenta que:

1
1

0
1
2

0
.
.
.
0

.
.
.
0

..
.

0
0
.
.
.

1
m

u1
u2
.
.
.
um

siendo ui los vectores columna de la matriz U . Por otra parte30 :

U b=

1
1 u1
1
2 u2

.
.
.
1
2 um

Finalmente:

V + U T b =

v1

v2

vn

u1 b
1
u2 b
2

.
.
.

um b
m

b =

u1 b
1
u2 b
2

.
.
.

um b
m

1
1 u1
1
2 u2

.
.

.
1
2 um

b u1
b u2
b un
=
v1 +
v2 + +
vn

1
2
n

28 Ver

el Tema 7, pgina 129.


el Teorema 7.2, pgina 132 y el Teorema 9.1, pgina 170.
30 Ver la Seccin 3.1.6, pgina 56.
29 Ver

Pedro Jos Hernando Oter

Clases de lgebra

182

TEMA 9: Pseudoinversa y Descomposicin en Valores Singulares

9.5.3. Otras Aplicaciones de la DVS


La DVS de una matriz es una herramienta muy til, tanto en la prctica como en la teora. Algunos
aplicaciones adicionales a las explicadas aqu son:
Clculo numrico del rango 31 de una matriz de forma precisa.
Simplicacin y exactitud en el clculo de expresiones que involucran normas 32 y nmero de
condicin 33 de las matrices.




Compresin de imgenes digitales.

31 Ver

la Seccin 1.5.4, pgina 18.


normas matriciales no se vern aqu.
33 Ver la Denicin 7.3, pgina 136.
32 Las

Clases de lgebra

Pedro Jos Hernando Oter

TEMA

10

Introduccin a las Ecuaciones


Diferenciales Ordinarias con
Coecientes Constantes
Contenido
10.1 Introduccin a las Ecuaciones Diferenciales . . . . . . . . . . . . . . . . . . . . .
10.1.1 Clasicacin de las Ecuaciones Diferenciales . . . . . . . . . . . . . . . .
10.2 Solucin o Curva Integral de una EDO . . . . . . . . . . . . . . . . . . . . . . .
10.2.1 Resolucin de EDO Simples: Mtodo de Separacin de Variables . . . .
10.2.2 Problema de Valores Iniciales y Condicin Inicial . . . . . . . . . . . . .
10.2.3 Solucin General y Particular de una EDO . . . . . . . . . . . . . . . . .
10.3 Interpretacin Geomtrica de una EDO . . . . . . . . . . . . . . . . . . . . . . .
10.3.1 Campo de Pendientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.3.2 Isoclinas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.4 Sistemas de Ecuaciones Diferenciales Ordinarias (SEDO) . . . . . . . . . . . . .
10.4.1 SEDO de Primer Orden . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.4.2 Sistema Equivalente a EDO de Orden n . . . . . . . . . . . . . . . . . .
10.4.3 SEDO Lineales y Autnomos . . . . . . . . . . . . . . . . . . . . . . . .
10.5 SEDO con Coecientes Constantes, (SEDOC) . . . . . . . . . . . . . . . . . . .
10.5.1 Forma Matricial de un SEDOC . . . . . . . . . . . . . . . . . . . . . . .
10.5.2 Solucin Analtica de un SEDOC . . . . . . . . . . . . . . . . . . . . . .
10.5.3 Solucin General y Particular de un SEDOC . . . . . . . . . . . . . . . .
10.6 SEDOC Bidimensionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.6.1 Tipos de Soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.7 Sistemas Dinmicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.7.1 Sistemas Dinmicos Continuos Lineales . . . . . . . . . . . . . . . . . . .
10.7.2 Representacin Grca: Trayectorias, Plano de Fases y Espacio de Fases
10.7.3 Puntos Criticos, Estacionarios o de Equilibrio . . . . . . . . . . . . . . .
10.7.4 Campo Direccional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.7.5 Separatrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.8 Estabilidad de un SEDO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.8.1 Tipos de Estabilidad y Soluciones de Sistemas Dinmicos . . . . . . . .
10.8.2 Anlisis de la Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

185
186
188
189
190
191
192
193
194
195
196
196
197
197
198
198
199
200
200
208
208
208
210
211
212
216
217
219

183

Clases de lgebra

Clasicacin

Denicin

Tipos

Sol. Particular

Solucin Analtica

Sol. General

Forma Matricial

Sistemas (SEDO)

Autnomos

Primer Orden

Lineales

Isoclinas

Interpretacin Geomtrica

Campo Pendientes

Sol. Particular

Mt. Resolucin

Sol. General

Curva Integral

Solucin

Ecuaciones Diferenciales (EDO)

Tipos

Denicin

Trayectorias

Plano Fase

Rep. Grca

Sistemas Dinmicos

Nodos

Campo Direccional

Separatrices

Focos

Tipos

Denicin

Centros

Espirales

Puntos Crticos

Anlisis

Estabilidad

Puntos Silla

184
TEMA 10: Introduccin a las Ecuaciones Diferenciales

Pedro Jos Hernando Oter

10.1. Introduccin a las Ecuaciones Diferenciales

185

10.1. Introduccin a las Ecuaciones Diferenciales

U
P

Denicin 10.1 (Ecuacin Diferencial)


Una ecuacin diferencial es una ecuacin que puede relacionar una funcin (variable
dependiente), su variable o variables (variables independientes) y al menos una de sus
derivadas.

Ejemplo 10.1. Los siguientes son ejemplos de ecuaciones diferenciales:


y = ky
x2

d2 y
dy
+x
+ (x2 p2 )y = 0
dx2
dx

w
2w
=
x2
t
Las ecuaciones diferenciales son el ncleo principal del Anlisis Matemtico y es la parcela
matemtica ms importante para la compresin de las Ciencias Fsicas.
a2

Analisis Complejo
Clculo
Series de Fourier y
Polinomios Ortogonales
lgebra

Ecuaciones Diferenciales
Integral de Lebesge

Anlisis
Numrico
Espacios Metricos y
de Hilbert

ANLISIS MATEMTICO

Las ecuaciones diferenciales tienen innumerables aplicaciones tericas y prcticas en muchos campos
de las ciencias, ingeniera y tecnologa, como por ejemplo:
Fsica: Leyes gravitacionales, electricidad y magnetismo, ecuaciones de onda, mecnica clsica
y cuntica, relatividad de Einstein, etc.
Qumica: Mezclas y reacciones qumicas, qumica nuclear, etc.
Biologa: Bio-fsica, ecologa, poblaciones, etc.
Economa
...

Pedro Jos Hernando Oter

Clases de lgebra

186

TEMA 10: Introduccin a las Ecuaciones Diferenciales

10.1.1. Clasicacin de las Ecuaciones Diferenciales


Debido a la gran complejidad de las ecuaciones diferenciales, stas se pueden clasicar de diferentes
formas, en funcin de:
1. Tipo de las derivadas.
2. Orden de la ecuacin.
3. Linealidad de la ecuacin.
Clasicacin 1: Tipo de las derivadas
Las ecuaciones diferenciales se pueden clasicar en dos grandes grupos en funcin del tipo de derivadas
que aparecen:
Ecuaciones Diferenciales Ordinarias (EDO): Son aquellas ecuaciones diferenciales donde las
derivadas son respecto a una nica variable independiente, denominadas derivadas ordinarias.
F x, y, y , y , . . . , y (n) = 0

y (k) =

dk y
dxk

(10.1)

Ecuaciones Diferenciales en derivadas parciales (EDP): Son aquellas ecuaciones


diferenciales donde aparecen derivadas respecto a ms de una variable independiente,
denominadas derivadas parciales.
z(x, y, t) = F x, y, t, z, zx , zy , . . . = 0 , zxy =

2z
xy

(10.2)

En este tema slo veremos algunos tipos de ecuaciones diferenciales ordinarias (EDO).

U
P

Clasicacin 2: Orden y Grado de la Ecuacin Diferencial

Denicin 10.2 (Orden de una EDO)


El orden de una ecuacin diferencial (ordinaria o en derivadas parciales) es el orden de la
derivada de mayor orden de la ecuacin.

Ejemplo 10.2.
x

df
+ x2 = 0
dx

df
d2 f
d3 f
+ 2 3 = x3
dx dx
dx

: EDO de tercer orden

2f
f
+
= x + y2
x xy

Clases de lgebra

EDO de primer orden

: EDP de segundo orden

Pedro Jos Hernando Oter

10.1. Introduccin a las Ecuaciones Diferenciales

U
P

Denicin 10.3 (Grado de una EDO)


El grado de una ecuacin diferencial (ordinaria o en derivadas parciales) es la potencia de la
mxima derivada contenida en la ecuacin.

Ejemplo 10.3.
d3 y
d2 y
dy
5x 2 + 6
7y = 0
3
dx
dx
dx
6

d2 v
dt2

10x2

187

7v = 15t2 + 3

z
2z

=0
x xy

dv
dt

: EDO de primer grado


5

+ 10

EDO de tercer grado

: EDP de primer grado

Clasicacin 3: Linealidad de la Ecuacin

Denicin 10.4 (Linealidad de una Ecuacin Diferencial)


Una ecuacin diferencial ordinaria Ecuacin (10.1) o parcial Ecuacin (10.2), se dice que es
lineal si cumple simultneamente las dos siguientes condiciones:
La variable dependiente y todas sus derivadas son de primer grado (el exponente es igual
a 1).
Cada trmino coeciente1 slo depende, a lo sumo, de la(s) variable(s) independiente(s),
(no importan los exponentes de los coecientes).

Ejemplo 10.4.
y 2y + y = 0

EDO lineal

d3 y
dy
+x
5y = ex
dx3
dx

: EDO lineal

(y x)dx + 4xdy = 0

1 Aquel

EDO lineal

(1 y)y + 2y = ex

: EDO no lineal

d2 y
+ sen y = 0
dx2

: EDO no lineal

d4 y
+ y2 = 0
dx4

: EDO no lineal

trmino que multiplica a una derivada.

Pedro Jos Hernando Oter

Clases de lgebra

188

TEMA 10: Introduccin a las Ecuaciones Diferenciales

10.2. Solucin o Curva Integral de una EDO

Denicin 10.5 (Solucin o Curva Integral de una EDO)


Dada una EDO, Ecuacin (10.1), cualquier funcin y = f (x) de clase 2 C n (o superior) en un
intervalo3 I que verique la ecuacin, se denomina solucin o curva integral de la EDO en el
intervalo I.

La solucin de una EDO puede tener dos formas generales:


Solucin Analtica: La solucin viene dada mediante una expresin matemtica (frmula,
desarrollo en serie, etc.)
Solucin Numrica: Los valores de la solucin son conocidos mediante la resolucin de un
algoritmo numrico, teniendo normalmente una determinada precisin.

Aunque generalmente es difcil o incluso imposible encontrar una solucin analtica 4 a una EDO,
suele ser sencillo comprobar que una determinada funcin y = f (x) es solucin de una determinada
EDO, calculando las correspondientes derivadas, introduccindolas en la ecuacin y comprobando su
veracidad.
Ejemplo 10.5. Dada la EDO:
comprobar que las tres funciones:
f1 (x) = e2x

f2 (x) = e3x

y 5y + 6y = 0
;

f3 (x) = c1 f1 (x) + c2 f2 (x) , con c1 , c2

son soluciones analticas de la EDO.


Solucin:
y = e2x ; y = 2e2x ; y = 4e2x 4e2x 10e2x + 6e2x = 0

cierto!

y = e3x ; y = 3e3x ; y = 9e3x 9e3x 15e3x + 6e3x = 0

cierto!

Sol.

Sol.

y = c1 e2x + c2 e3x ; y = 2c1 e2x + 3c2 e3x ; y = 4c1 e2x + 9c2 e3x
Sol.

[4c1 e2x + 9c2 e3x ] [10c1 e2x + 15c2 e3x ] + [6e2x + 6e3x ] = 0

cierto!

Nota 10.1. Las EDO poseen una teora compleja sobre la existencia y unicidad de sus soluciones y en este curso slo
se vern algunos detalles de la misma, (ver el Teorema 10.1, pgina 196).

2 Se dice que una funcin y = f (x) es de clase C n si existen y son continuas la funcin y sus n primeras funciones
derivadas; y, y , y , , y (n) .
3 El intervalo I se denomina intervalo de denicion, de validez o dominio de la solucin. Puede ser un intervalo
abiero (a, b), cerrado [a, b], innito (a, ), etc.
4 Slo aproximadamente el 99.9% de las EDO resolubles tienen solucin analtica. El procentaje es todava mucho
menor en el caso de las EDP.

Clases de lgebra

Pedro Jos Hernando Oter

10.2. Solucin o Curva Integral de una EDO

189

10.2.1. Resolucin de EDO Simples: Mtodo de Separacin de Variables

Como se ha comentado, generamente es necesario un mtodo numrico para poder encontrar la solucin
de una determinada EDO. Sin embargo, para los casos ms sencillos existen determinados mtodos
matemticos que permiten encontrar la solucin analtica de la ecuacin. En esta seccin vamos a ver
uno de estos mtodos, el de separacin de variables, que aun siendo bastante simple posee una gran
aplicabilidad.
Sea la EDO de primer orden:

: Variable independiente.
x
dy
y = f (x) : Variable dependiente de x. Solucin buscada.
= F (x, y) =
(10.3)

dx
F (x, y)
: Funcin escalar de varias variables.
Denicin 10.6 (Funcin de Variables Separables)
Se dice que una funcin F (x, y) es de variables separables si puede separse en dos funciones,
una para la variable independiente x y otra para la variable dependiente y, de forma:
F (x, y) = g(x)h(y)

Mtodo de Separacin de Variables


Si la funcin F (x, y) es de variables separables, entonces se puede utilizar el mtodo de separacin
de variables para encontrar la solucin de la EDO Ecuacin (10.3), de la siguiente forma:
dy
= F (x, y) = g(x)h(y)
dx

dy
= g(x)dx
h(y)

dy
=
h(y)

g(x)dx

En el caso de que se puedan integrar ambas integrales indenidas se obtiene la funcin solucin 5 .

Notar que al resolver las integrales indenidas aparece una constante de integracin para cada una.
Estas constantes se pueden simplicar en una sla de la siguiente forma:
f (t) dt =

g(r) dr

F (t) + = G(r) +

F (t) = G(r) + c

siendo F (t) y G(r) funciones primitivas 6 de f (t) y g(r) respectivamente, y las constantes de
integracin y c = la nica constante de integracin simplicada.

5 La funcin solucin puede estar en forma explcita, y = f (x), o bien en forma implcita, f (x, y) = 0, sin poder
despejar la variable dependiente de la independiente.
6 Es decir, funciones que cumplen [F (t)] = f (t) y [G(r)] = g(r).

Pedro Jos Hernando Oter

Clases de lgebra

190

TEMA 10: Introduccin a las Ecuaciones Diferenciales

Ejemplo 10.6. Resolver las siguientes EDO simples mediante el mtodo de separacin de
variables:
a)

dy
=5
dx

b)

dy
= 4x2 + 3x 2
dx

c)

dy
= y
dt

d)

dy
= 10t2 x3 y 5
dt

Solucin:
a)

dy
=5 ;
dx

dy =

5 dx ;

b)

dy
= 4x2 +3x2 ;
dx

dy =

dy
= y ;
dt
k = ec

c)

d)

dy
=
y

dy
= 10t2 x3 y 5 ;
dt

dt

y = 5x + c

; c

(4x2 +3x2) dx ;

R
y=

4x3
3x2
+
2x + c
3
2

; ln y = t + c ; y = et+c = et ec ;

dy
= 10x3
y5

t2 dt ;

1
= 10x3
4y 4

t3
+c
3

; c

y = ket

; c

Notar que en este ltimo caso la variable x es considerada un parmetro ya que no es ni


es ni la variable dependiente ni la variable independiente.

10.2.2. Problema de Valores Iniciales y Condicin Inicial


Denicin 10.7 (Problema de Valores Iniciales, (PVI))
Se denomina problema de valores iniciales (PVI) al conjunto formado de una EDO y unas
condiciones iniciales 7 :

(n)
=0
EDO a resolver: F t, x, x , . . . , x

(n1)
x(t0 ) = x0 , x (t0 ) = t0 , . . . , x(n) (t0 ) = x0
Sujeta a:

Condiciones Iniciales
Ejemplo 10.7. El siguiente es un ejemplo de un problema de valor inicial, (PVI), para una
EDO de primer orden:

dy = xy sen x2

dx

y(3) = 10

7 El trmino condicin inicial proviene de los sistemas fsicos en los que la variable independiente es el tiempo t y
donde y(t0 ) = y0 y y (t0 ) = y0 representan respectivamente, la posicin y velocidad iniciales a tiempo t0 .

Clases de lgebra

Pedro Jos Hernando Oter

10.2. Solucin o Curva Integral de una EDO

Ejemplo 10.8. El siguiente es otro ejemplo de un problema de valor inicial, (PVI), en este
caso para una EDO de segundo orden:

y y + xy sen x2 = 0

191

y(1) = 0

y (1) = 2

10.2.3. Solucin General y Particular de una EDO


Denicin 10.8 (Solucin General y Particular)
La solucin general de una EDO es el conjunto de todas las curvas integrales,
dependientes de un parmetro 8 c, que constituyen lo que se llama una familia
uniparamtrica de curvas, cuya ecuacin puede escribirse como:
x = (t; c)

Solucin General

Se denomina solucin particular de una EDO a la curva integral que satisface un PVI
con condicin inicial y = y0 cuando x = x0 :
x = (t; c0 )
x0 = (t0 ; c0 )

Solucin Particular

La solucin particular representa una nica curva de la solucin general (familia


uniparamtrica), para un valor determinado c0 del parmetro.

En la siguiente grca se muestra la solucin general de una determinada EDO (familia de curvas
uniparamtricas en color azul) y una solucin particular para unas determinadas condiciones iniciales
(curva en color rojo).

x
(t; c)
dx
= F (x, t)
dt

x = (x; c)

x0
t0

8 Ver

(t; c = c0)
t

el mtodo de Separacin de Variables en la pgina 189.

Pedro Jos Hernando Oter

Clases de lgebra

192

TEMA 10: Introduccin a las Ecuaciones Diferenciales

Ejemplo 10.9. Encontrar la solucin general y particular del siguiente PVI:


y = y sen x
y() = 2
Solucin: Primero calculamos la solucin general, aplicando el mtodo de separacin de
variables:
y =

dy
dy
= y sen x ;
= sen x dx ;
dx
y

dy
=
y

sen x dx ; ln y + ln c = ln (cy) = cos x

y = ce cos x
Para calcular la solucin particular, es necesario primero calcular el valor del parmetro c. Para
ello, aplicando las condiciones iniciales:
y() = 2

2 = ce cos = ce(1) = ce

c=

2
= 2e1
e

Finalmente la solucin particular se obtiene sustituyendo el valor de c en la solucin general :


y = 2e1 e cos x = 2e(1+cos x)

10.3. Interpretacin Geomtrica de una EDO


Dada la EDO de primer orden:

dx
= F (t, x)
dt
la funcin F (t, x) representa la pendiente de la curva solucin x = (t; c) en cada punto (t, x).

x
x = (t; c)

x0
x = F (t0, x0)
t0

Esta informacin puede resultar til para tener un conocimiento geomtrico de la solucin de una
EDO.

Clases de lgebra

Pedro Jos Hernando Oter

10.3. Interpretacin Geomtrica de una EDO

193

10.3.1. Campo de Pendientes

El valor de la pendiente de una EDO se puede representar en una grca de ejes coordenados t x
mediante pequeos segmentos que indican la inclinacin de la curva solucin9 .
Por cada punto (t0 , x0 ) pasa una nica curva solucin, de forma que representando un campo
vectorial de echitas podemos tener una aproximacin grca del conjunto de soluciones.

Denicin 10.9 (Campo de Pendientes)


Se denomina campo de pendientes de una EDO al conjunto de todos los pequeos segmentos
que representan las pendientes f (t, x) en una malla de puntos (t, x).

y = (3 y)/2

y = (3 y)/2
6

3
y

1
1

Curvas Integrales

Campo de Pendientes

Ejemplo 10.10. Representar grcamente el campo direccional y algunas curvas integrales de


la EDO de primer orden:
dx
x =
=x
dt
Solucin: El campo direccional se puede representar
x
dibujando pequeas rayitas con pendientes dadas, en
este caso, por la ecuacin:
m(t, x) = x
La solucin general de la EDO se puede obtener
mediante el mtodo de separacin de variables
obteniendo:
x = cet

9 Segn

En la grca se ha dibujado cuatro curvas solucin


particulares para unas determinadas condiciones
iniciales x(t0 ) = x0 con valores c = c0
correspondientes.

la denicin de derivada de una funcin, el ngulo de la echita viene dada por el valor = arctan

Pedro Jos Hernando Oter

dx
.
dt

Clases de lgebra

194

TEMA 10: Introduccin a las Ecuaciones Diferenciales

10.3.2. Isoclinas
Denicin 10.10 (Isoclinas)
Una isoclina de la EDO x = f (t, x) es una curva de la forma:
f (t, x) = m
en la cual la pendiente x (t) de la curva solucin x(t) es constante e igual a m

R.

Ejemplo 10.11. Dada la siguiente EDO:


y = x + y
c alcular las isoclinas para las cuales y es igual a 0, 1, 2 y 3.
Solucin: Las isoclinas de esta EDO tienen por ecuacin:
x + y = m

y =m+x

Dando los valores a m = {0, 1, 2, 3} se obtienen la curvas


isoclinas (rectas paralelas en este caso).

Ejemplo 10.12. Dibujar las isoclinas y curvas integrales de la siguiente EDO:


y = yx
Solucin: Las isoclinas son las curvas (de color rojo en
el graco):
yx = m =

y=

m
x

; m

Resolviendo la EDO mediante el mtodo de separcin


de variables, se obtienen la curvas integrales (de color
azul en el grco):
dy
=
y

x dx

ln (cy) = x2

y = cex

Denicin 10.11 (Nulclinas)


Se denominan nulclinas a las curvas isoclinas con pendiente cero:
x = f (t, x) = 0

Clases de lgebra

Pedro Jos Hernando Oter

10.4. Sistemas de Ecuaciones Diferenciales Ordinarias (SEDO)

195

10.4. Sistemas de Ecuaciones Diferenciales Ordinarias (SEDO)

En muchos problemas cientcos y tcnicos aparecen magnitudes que interaccionan unas con otras
siguiendo leyes complejas. Una buena forma de modelizar dichos problemas es a travs de sistemas de
ecuaciones diferenciales ordinarias.
Denicin 10.12 (Sistema de Ecuaciones Diferenciales Ordinarias)
Un Sistema de Ecuaciones Diferenciales Ordinarias (SEDO) es un conjunto de ecuaciones de
la forma:

=
(F1 , F2 , . . . , Fn )
F

=
(x1 , x2 , . . . , xn )

(n)
x
=
(x1 , x2 , . . . , xn )
F [t, x, x , . . . , x ] = 0 =
.
.
.
.

.
.

(n)
(n)
(n)
(n)
x
= (x1 , x2 , . . . , xn )

Donde F es una funcin vectorial de n componentes F1 , . . ., Fn , que dependen cada una de


una variable escalar t (variable independiente), de una funcin vectorial x y de sus derivadas
de orden k, x (k) respecto a t. A su vez, la funcin vectorial x depende de n funciones escalares
x1 (t), . . ., xn (t), que son las incgnitas a determinar.

Ejemplo 10.13. El siguiente es un ejemplo de sistema de ecuaciones diferenciales, (SEDO):


3x1 x1 x2 + x2
x2 x1

= 0
= 0

Denicin 10.13 (Solucin de un SEDO)


Se dice que un SEDO tiene solucin en un intervalo I si existen n funciones:
x1 = 1 (t)

x2 = 2 (t)

...

xn = n (t)

diferenciables en I, que satisfacen el sistema de ecuaciones en todos los puntos de I.


De forma general, las funciones xi sern familias de curvas que dependern de un determinado
parmetro ci :
xi = i (t, ci )
Si se expecican unas condiciones iniciales, (problema de valores iniciales, PVI):
x1 (t0 ) = x10

x2 (t0 ) = x20

...

xn (t0 ) = xn0

Se pueden determinar los valores particulares de los parmetros10 ci .


Si habitualmente resulta complicado el estudio de una nica EDO, aun ms complicado es el estudio
general de los SEDO. Por ello, en este tema analizaremos exclusivamente los SEDO de primer orden
y de ellos nos centraremos en el caso lineal 11 ms sencillo.
10 Ver
11 Ver

la Seccin 10.5.2, pgina 198.


la Seccin 10.1.1, pgina 186.

Pedro Jos Hernando Oter

Clases de lgebra

196

TEMA 10: Introduccin a las Ecuaciones Diferenciales

10.4.1. SEDO de Primer Orden


Denicin 10.14 (SEDO de Primer Orden)
De forma general, un SEDO explcito 12 de primer orden (SEDO1) se puede expresar como13
un conjunto de ecuaciones diferenciales acopladas14 , de la forma:

x1 = f1 (t, x1 , x2 , . . . , xn )

x2 = f2 (t, x1 , x2 , . . . , xn )
(10.4)
.
.
.
.
.
.

xn = fn (t, x1 , x2 , . . . , xn )
donde t es la variable independiente (espacial, temporal, etc.), el conjunto x1 , . . ., xn son
funciones desconocidas dependientes de una nica variable t y xi = dxi .
dt

A continuacin veremos un teorema muy importante que establece las condiciones sucientes para
la existencia y unicidad de las soluciones de un SEDO de primer orden.

Teorema 10.1 (Existencia y Unicidad de Soluciones)


Un SEDO de primer orden, Ecuacin (10.4), con todas sus funciones fi y todas su funciones
derivadas fi /xj , 1 i, j n, continuas en una regin R del plano, tiene una nica solucin
del PVI en R:

x1 = f1 (t, x1 , x2 , . . . , xn )

x2 = f2 (t, x1 , x2 , . . . , xn )

.
.
(10.5)
.

x = fn (t, x1 , x2 , . . . , xn )

x1 (t0 ) = x10 ; x2 (t0 ) = x20 ; ; xn (t0 ) = xn0


Por tanto, basta con que las funciones que denen las derivadas en el SEDO sean funciones
sucientemente suaves (continuas y derivables) en un dominio, para asegurar la existencia de una
nica funcin solucin 15 en ese dominio.

10.4.2. Sistema Equivalente a EDO de Orden n


Los SEDO permiten generalizar, simplicar y resolver diferentes problemas de las ecuaciones
diferenciales. Por ejemplo, los SEDO pueden entenderse como una forma particular de representar
unas determinadas EDO de orden superior, como se ver a continuacin.

12 Los

sistemas donde no se puede despejar la derivada se denominan implcitos.


como forma normal.
14 Ver la Denicin 1.3, pgina 4.
15 Si existiera ms de una solucin en algn punto, la solucin no sera una funcin. Ver una introduccin a las
funciones en el Apndice B.13, pgina 270.
13 Conocida

Clases de lgebra

Pedro Jos Hernando Oter

10.5. SEDO con Coecientes Constantes, (SEDOC)

197

Cualquier EDO de orden n explcita:


x(n) = f [t, x, x , x , . . . , x(n1) ]
es equivalente a un SEDO de primer orden, de la siguiente forma:

x1 = x ; x2 = x ; x3 = x ; ; xn = x(n1)

= x2
x1

x
2
= x3

.
.
.
.
.
.

x
(n1) = xn

xn
= f (t, x1 , x2 , . . . , xn )
Ejemplo 10.14. Obtener el SEDO equivalente de la siguiente EDO de segundo orden:
y + 3y 10y = 6e4x
Solucin: Al ser de segundo orden, se podr expresar como un SEDO de 2 2 de la siguiente
forma:
1. Despejamos y :

y = 3y + 10y + 6e4x

2. Realizamos el cambio de variables:

y1 = y

y2 = y

3. El SEDO resultante es:


y1
y2

=
=

y2
3y2 + 10y1 + 6e4x

10.4.3. SEDO Lineales y Autnomos


Denicin 10.15 (SEDO Lineal y Autnomo)
Existe una gran diversidad de tipos de SEDO1 que dependen fundamentalmente de la forma
de las funciones fi (t, x1 , , xn ) en la Ecuacin (10.4), siendo los ms importantes:
SEDO lineales, (SEDO1L): Las funciciones fi son lineales respecto a todas las variables
dependientes.
SEDO autnomos, (SEDOA): Las funcines fi no dependen del tiempo.

10.5. SEDO con Coecientes Constantes, (SEDOC)


En este curso, vamos a analizar nicamente los SEDO ms sencillos que hay: de primer orden,
lineales y autnomos (SEDO1LA), tambin conocidos de forma abreviada como SEDO con coecientes
constantes, (SEDOC).

Pedro Jos Hernando Oter

Clases de lgebra

198

TEMA 10: Introduccin a las Ecuaciones Diferenciales

Denicin 10.16 (SEDO con Coecientes Constantes)


Los SEDO con coecientes constantes, (SEDOC), tienen la forma:

x1 = a11 x1 + a12 x2 + + a1n xn

x2 = a21 x1 + a22 x2 + + a2n xn


.
.
.
.
.

xn = an1 x1 + an2 x2 + + ann xn

donde x1 , x2 , ..., xn son las variables dependientes, t es la variable independiente, xi =


aij son constantes.

dxi
dt ,

10.5.1. Forma Matricial de un SEDOC


Los SEDOC se pueden representar de forma matricial como:
X = AX
donde:

x1 (t)
.
X= .
.
xn (t)

dx1 /dt
x1

.
.
.
X = . =

.
.
dxn /dt
xn

a11
.
A= .
.
an1

a1n
.
.
.
ann

Los SEDOC pueden considerarse como un tipo especial de transformaciones lineales 16 .

10.5.2. Solucin Analtica de un SEDOC


Teniendo en cuenta la solucin del problema escalar17 :
x = ax

x(t) = ceat

vamos a buscar la solucin general del SEDOC:


(10.6)

X = AX
con soluciones de la forma:


x1 (t)
v1
x1 (t) = v1 et

x2 (t) = v2 et
x2 (t) v2

;
. = .
.
.
. .
.
.

xn (t)
vn
xn (t) = vn et

t
e

X(t) = v et

R
Rn

(10.7)

Vamos a ver qu condiciones tienen que tener la constante y el vector de constantes v para que la
Ecuacin (10.7) sea solucin de la Ecuacin (10.6).
X (t) = et v
16 Ver
17 Ver

(10.6)

et v = Aet v

v = Av

la Seccin 4.1, pgina 77.


la Seccin 10.2.1, pgina 189.

Clases de lgebra

Pedro Jos Hernando Oter

10.6. SEDOC Bidimensionales

R
R

199

Teorema 10.2
La Ecuacin (10.7) es solucin de Ecuacin (10.6) si y slo si es un autovalor de A y v su
autovector asociado18 .

Teorema 10.3
Si x1 (t), x2 (t), , xn (t) son soluciones de la Ecuacin (10.6), entonces cualquier
combinacin lineal de ambas tambin es solucin.
El conjunto de todas las soluciones del sistema es un espacio vectorial de dimensin n.
Por tanto si todas las xi (t) son soluciones linealmente independientes 19 , (es decir, una
base 20 del espacio funcional correspondiente), cualquier otra solucin (t) se puede
expresar como combinacin lineal de ellas, para unos nicos valores reales c1 , c2 , ,
cn de la forma:
(t) = c1 x1 (t) + c2 x2 (t) + + cn xn (t)
(10.8)

10.5.3. Solucin General y Particular de un SEDOC


Denicin 10.17 (Solucin General y Particular de un SEDOC)
La funcin Ecuacin (10.8) se conoce con el nombre de Solucin General del SEDOC
dado por la Ecuacin (10.6).
Expecicando unas condiciones iniciales 21 , se pueden determinar los parmetros c1 y c2
de la solucin general, Ecuacin (10.8), obteniendose la denominada Solucin Particular
del SEDOC dado por la Ecuacin (10.6).

18 Ver

la Denicin 8.2, pgina 149.


dice que un conjunto de funciones f1 (x), , fn (x) son linealmente independientes en un intervalo [a, b] si el
siguiente determinante, denominado wronskiano W (x), no se anula en dicho intervalo:
19 Se

W (x) =

f1 (x)
f1 (x)
.
.
.
(n1)
f1
(x)

.
.
.

fn (x)
fn (x)
.
.
.
(n1)
fn
(x)

=0

x [a, b]

Esta denicin es anloga a la dencin de conjunto de vectores linealmente independientes, ver la Denicin 2.14,
pgina 34 y el Teorema 3.8, pgina 73.
20 Ver la Denicin 2.20, pgina 36.
21 Ver la Seccin 10.2.2, pgina 190.

Pedro Jos Hernando Oter

Clases de lgebra

200

TEMA 10: Introduccin a las Ecuaciones Diferenciales

10.6. SEDOC Bidimensionales


En este curso nos vamos a centrar exclusivamente en el caso bidimensional n = 2 de los SEDOC,
por ser uno de los tipos ms simples y con una sencilla interpretacin grca.

dx1
dx1

= a11 x1 + a12 x2

dt
dt
a11 a12
x1

;
X =
= AX
=
a21 a22
x2
dx
dx

2
2

= a21 x1 + a22 x2
dt
dt
Para resolver un SEDOC, Ecuacin (10.6), basta encontrar los autovalores y autovectores de la
matriz A asociada al sistema, siendo la solucin general, segn el Teorema 10.3, de la forma:
x1 (t)
x2 (t)

X(t) =

ck ek t vk = c1 e1 t v1 + c2 e2 t v2

(10.9)

k=1

donde c1 y c2 son constantes arbitrariasy 1 y 2 los autovalores asociados a los autovectores v1 y


v2 . De forma matricial:
X(t) =

x1 (t)
x2 (t)

= c1 e1 t

v11
v12

+ c2 e2 x

v21
v22

c1 e1 t v11
c1 e1 t v12

+ c2 e2 t v21
+ c2 e2 t v22

La solucin particular del problema de valores iniciales (PVI):


X (t) = AX(t)
X(t0 ) = X0 = [x10 x20 ]T

(10.10)

ser:
2

ck e(tt0 ) vk

X(t) =
k=1

donde los coecientes ck se obtienen resolviendo el sistema:


2

X0 =

ck vk
k=1

x10
x20

c1 v11
c1 v21

+
+

c2 v12
c2 v22

10.6.1. Tipos de Soluciones


Vamos a analizar las soluciones de los SEDOC bidimensionales en funcin del tipo de autovalores y
autovectores de la matriz A asociada al sistema.

Clases de lgebra

Pedro Jos Hernando Oter

10.6. SEDOC Bidimensionales

201

Caso Real Simple


Sea el SEDOC simple dado por:

dx1

dt = a11 x1
dx

dt

X =

= a22 x2

x1
x2

a11
0

0
a22

x1
x2

= AX

donde a11 y a22 son constantes reales.


Como las ecuaciones son independientes22 , podemos integrar cada ecuacin por separado23 ,
obtenindose24 la solucin general del sistema:
X=

x1 (t)
x2 (t)

x1 (t) = c1 ea11 t
x2 (t) = c2 ea22 t

Las exponenciales sern crecientes si el coeciente aii es positivo y decrecientes si aii es negativo.
Si alguno de los coecientes es cero, la solucin es una recta horizontal.
Los parmetros c1 y c2 se podrn determinar si se expecican unas determinadas condiciones
iniciales:
c1 = x10 ea11 t0
x1 (t0 ) = x10
x10 = c1 ea11 t0
x2 (t0 ) = x20

x20 = c2 ea22 t0

Ejemplo 10.15. Encontrar la solucin del PVI:

x = 3x
y = y

x(0) = 5 ;

c2 = x20 ea22 t0

y(0) = 2

Solucin: La solucin general se puede obtener directamente integrando cada ecuacin por
separado obtenindose:
x(t) = c1 e3t
y(t) = c2 et

La solucin particular se obtiene aplicando las condiciones iniciales:


5 = c1 e30

c1 = 5

2 = c1 e0

c2 = 2

x(t) = 5e3t
y(t) = 2et
22 Ya que en cada ecuacin diferencial slo aparece un tipo de variable dependiente y por tanto podemos aplicar el
mtodo de separacin de variables a cada ecuacin de forma independiente.
23 Ver la Seccin 10.2.1, pgina 189.
24 Notar que en este caso los autovalores de la matriz A se pueden calcular fcilmente, siendo = a
1
11 y 2 = a22 ,
y sus autovectores asociados v1 = [1, 0] y v2 = [0, 1], lo cual corresponde con lo dicho en la Seccin 10.5.2.

Pedro Jos Hernando Oter

Clases de lgebra

202

TEMA 10: Introduccin a las Ecuaciones Diferenciales

Caso Real con Matriz Diagonalizable

dx1

dt = a11 x1 + a12 x2

a11 a12
x1
x1
=
;
= Ax
x2
a21 a22
x2
dx

= a21 x1 + a22 x2
dt
En este caso las ecuaciones del sistema no son independientes y no puede aplicarse directamente el
mtodo de separacin de variables para resolverlo.
Sin embargo, en el caso de que la matriz A sea diagonalizabletendremos:
A = P DP 1
siendo 1 , 2
Entonces:

R los autovalores de A y v1 ,

dx
= Ax = P DP 1 x
dt

1
0

D=

P 1

v2

0
2

P = [v1 , v2 ]

R2 los correspondientes autovectores asociados.

dx
= DP 1 x
dt

d
P 1 x = D P 1 x
dt

donde aqu se han aplicado las propiedades bsicas de la derivada. Denominando:


y = P 1 x

(10.11)

Se tiene:

dy
= Dy
dt
que corresponde con el caso bidimensional simple visto anteriormente y cuya solucin es:
y1
y2

= c1 e1 t
= c2 e2 t

y teniendo en cuenta la denicin de #, Ecuacin (10.11), la solucin del sistema original ser:
y
x = Py =

v1

c1 e1 t
c2 e2 t

v2

= c1 e1 t v1 + c2 e2 t v2

correspondiente a la solucin general del sistema comentada en la Seccin 10.5.2.


Ejemplo 10.16. Hallar la solucin general del SEDO:
x =x+y
y = 4x 2y
Solucin: De forma matricial:
X (t) =
Autovalores:

1
4

1
2

x (t)
y (t)

=0

2 + 6 = 0

1
4

1
2

x(t)
y(t)

(1 )(2 ) 4 = 0
1 = 3
2 = 2
(Contina en la pgina siguiente)

Clases de lgebra

Pedro Jos Hernando Oter

10.6. SEDOC Bidimensionales

203

Ejemplo 10.16 (Continuacin).


Autovector correspondiente a 1 = 3 : v1
4
4

1
1

v1
v2

0
0

1
4

v1 =
Autovector correspondiente a 2 = 2 : v2
1
4

1
4

v1
v2

0
0

x(t)
y(t)

X(t) =

1
1

= c1 e3t

1
4

x(t) =
c1 e3t
y(t) = 4c1 e3t
50

+ c2 e2t
+ c2 e2t

30

x(t)

20

50
40

x(t)
y(t)

20

10

1
1

40

30

+ c2 e2t

50

40

v1 = 1
v2 = 1

= v1 + v2 = 0 =
v2 =

Solucin General:

v1 = 1
v2 = 4

= 4v1 + v2 = 0 =

10

10

10

20

c1 = 1
c2 = 1
4

y(t)

30

10

10

20

20

20

30

30

30

40

40

40

50

50

50

Figura 10.1.: Representacin grca de la solucin general del Ejemplo 10.16 (familia uniparamtrica para las funcines
x(t) e y(t) y solucin particular para los valores c1 = 1 y c2 = 1.

Ejemplo 10.17. Encontrar la solucin particular del Ejemplo 10.16 sabiendo que:
x(1) = 2

y(3) = 4

Solucin: Se tiene que cumplir,


2
4

c1 e31
4c1 e33

+ c2 e21
+ c2 e23
(Contina en la pgina siguiente)

Pedro Jos Hernando Oter

Clases de lgebra

204

TEMA 10: Introduccin a las Ecuaciones Diferenciales

Ejemplo 10.17 (Continuacin).


Resolviendo por Gauss:
e3
4e9

e2
e6

2
4

1
4

e5
e15

2e3
4e9

1
0

15

e5
+ 4e5

2e3
4e + 8e3
9

Resolviendo por el mtodo de sustitucin hacia atrs:

c
2

c1

4e4 + 8e2
4e9 + 8e3
=
15 + 4e5
e
e10 + 4

2e3 c2 e5 = 2e3

4e9 + 8e3
2e13 + 8e3 4e9 8e3
2e13 4e9
=
=
e10 + 4
e10 + 4
e10 + 4

Caso Real con Matriz No Diagonalizable


Este caso corresponde a una matriz asociada con un nico autovalor real de multiplicidad algebrica 25
2 pero con un nico autovector asociado v, es decir con multiplicidad geomtrica 26 1. Al no poder
diagonalizar la matriz, no se puede encontrar la solucin del problema utilizando el mtodo mostrado
en la Seccin 10.6.1, pgina 202.
En este caso, adems de la solucin X1 (t) = vet , es necesario buscar una nueva solucin de la
forma:
X2 (t) = vtet + uet
donde u es un nuevo vector que necesitamos encontrar, siendo la solucin general:
X(t) = c1 X1 (t) + c2 X2 (t)
Para ello, la solucin X2 debe vericar el SEDO homogneo:
(10.12)

X = AX

Derivando la solucin X2 , introducindo su valor en la Ecuacin (10.12) y simplicando, se obtiene:


(Av v)tet + (Au u v)et = 0

Como esta ecuacin se debe de vericar para todo valor de t, se tiene obligatoriamente que cumplir:
(Av v) = 0
(Au u v) = 0

=
=

(10.13)

(A I)v = 0

(10.14)

((A I)u = v

Por tanto, los pasos a seguir para resolver un SEDOC con matriz asociada no diagonalizable son:
1. Obtener el autovalor y el autovector asociado v (resolviendo el primer SEL, Ecuacin (10.13)).
2. Conocido v, resolver el segundo SEL, Ecuacin (10.14), obteniendo u.
3. La solucin general tendr la forma:
X(t) = c1 X1 (t) + c2 X2 (t) = c1 vet + c2 vtet + uet

25 Nmero
26 Nmero

de veces que se repite un determinado autovalor, ver Denicin 8.5, pgina 153.
de autovectores asociados a un autovalor.

Clases de lgebra

Pedro Jos Hernando Oter

10.6. SEDOC Bidimensionales

205

Ejemplo 10.18. Resolver el siguiente SEDO:


x =x
y =x+y
1
1

Solucin: Buscamos los autovalores y autovectores de la matriz asociada, A =


Autovalores:
1
1

0
1

=0

0
1

(1 )2 = 0 = = 1 (doble)

Autovectores correspondientes a = 1 :
0
1

0
0

v1
v2

0
0

v1 = 0
v2 = 1

= v1 = 0 =

0
1

v=

Entonces, adems de la solucin X1 (t) = vet , tenemos que buscar una segunda solucin de la
forma:
X( t) = vtet + uet
Para encontrar el vector u tenemos que resolver el SEL:
(AI)u = v ;

0
1

0
0

u1
u2

0
1

0 0
1 0

0
1

u1 = 1
u2 = 0

= u =

1
0

Por tanto la solucin general del problema es:


X(t) = c1 vet + c2 vtet + uet = c1

0
1

e t + c2

0
1

tet +

1
0

et

x(t) = c2 et
y(t) = c1 et + c2 tet

Ejemplo 10.19. Comprobar la validez de la solucin obtenida en el Ejemplo 10.18 y encontrar


la solucin particular para las condiciones iniciales:
x(1) = 1

y(2) = 2

Solucin: Comprobamos la solucin:


x = c2 e t
y = c1 et + c2 tet

x = c2 et = x
y = c1 et + c2 et + c2 tet = x + y

cierto !

Para encontrar la solucin particular de las condiciones iniciales del problema, tendremos que
resolver el SEL:
1 = c2 e
2 = c1 e2 + 2c2 e2

Pedro Jos Hernando Oter

c2 = e1
c1 = 2e2 2c2 = 2e2 + 2e1

Clases de lgebra

206

TEMA 10: Introduccin a las Ecuaciones Diferenciales

Caso Complejo
En el caso de que la matriz A sea real, los autovalores complejos que aparezcan lo harn en pares
conjugados, siendo los autovectores correspondientes tambin complejos conjugados. Llamando r a los
autovalores y v a los autovectores correspondientes, se tiene:
Av = rv

r1 = + i ;
r2 = i ;

v1 = a + bi
v2 = a bi

donde: , y a, b 2 .
Teniendo en cuenta la frmula de Euler 27 :
ezt = e(+i)t = et eit = et [cos (t) + i sen (t)]
Las solucines se podrn expresar como:
x1 (t) = v1 er1 t = (a + bi)e(+i)t = (a + bi)et (cos t + i sen t) = et (a cos t b sen t) + iet (b cos t + a sen t)
x2 (t) = v2 er2 t = (a bi)e(i)t = (a bi)et (cos t i sen t) = et (a cos t b sen t) iet (b cos t + a sen t)

Como se observa hay dos partes comunes a ambas soluciones. Llamando:


X1 (t) = et (a cos t b sen t)
X2 (t) = et (b cos t + a sen t)
La solucin conjunta se puede expresar de forma simplicada como:
X(t) = X1 (t) iX2 (x)
Fcilmente se puede comprobar que ambas partes de la solucin, real X1 y compleja X2 , verican el
SEDOC por separado:
X1 (t) = AX1 (t)
X (t) = AX(t)
X2 (t) = AX2 (t)
Por tanto, por cada dos autovalores complejos conjugados existen dos soluciones28 reales del sistema
homogneo.
La solucin general correspondiente al par de autovalores complejos (conjugados) ser:
X(t) = c1 X1 (t) + c2 X2 (t) = c1 et (a cos 1 t b sen 1 t) + c2 et (b cos 2 t + a sen 2 xt)

La solucin particular (determinacin de los valores de c1 y c2 ) se realiza con el mtodo explicado


en la Seccin 10.5.2, pgina 198.

Ejemplo 10.20. Resolver el siguiente problema de valor inicial:

x = x y
y = 2x y

x(0) = 1 , y(0) = 2
27 Ver
28 Se

la Seccin A.7.2, pgina 240.


puede comprobar que son linealmente independientes t

Clases de lgebra

(Contina en la pgina siguiente)

R.

Pedro Jos Hernando Oter

10.6. SEDOC Bidimensionales

207

Ejemplo 10.20 (Continuacin).


Solucin: En forma matricial:
x (t)
y (t)

X (t) =

1
2

1
1

x(t)
y(t)

Autovalores:
1
2

= 0 ; (1 )2 + 2 = 0 ; 1 = i 2

1
1

Autovectores: 1 = 1 + i 2

i 2 1
2
i 2

v1
v2

v2 = v1 i 2=
Por tanto:

v1 = 1
v2 = i 2

1 = 1 + i 2

v1 i 2 v2

2v1 v2 i 2

1
0

v1 =

v1 =

1
0

+i

v2 =

1
0

+i

= 0
= 0
0i

i 2

2 = 1 i 2

Solucin General:

0
0

1,2 = 1 i 2

X(t) = c1 et (a cos 1 t b1 sen 1 t) + c2 et (b2 cos 2 t + a sen 2 t)


x(t)
y(t)

x(t)
y(t)

cos t 2

cos(t 2) +

+c2 et
X(t) =

1
0

= c1 et

= c1 e

2
cos t
2 sen t 2

2
1
0

sen t 2 +

sen(t 2)

+ c2 e

2
sen t
2 cos t 2

Solucin Particular: como x(0) = 1 , y(0) = 2


y

1
2

= c1

1 = c1
2 = c2 2

x(t) = et

y(t) = et

Pedro Jos Hernando Oter

1
0

+ c2

c1 =
1
c2 = 2

cos[t 2] 2 sen[t 2]

2 sen[t 2] + 2 cos[t 2]

Clases de lgebra

208

TEMA 10: Introduccin a las Ecuaciones Diferenciales

10.7. Sistemas Dinmicos

Denicin 10.18 (Sistema Dinmico)


Un Sistema Dinmico Continuo o simplemente Sistema Dinmico es todo proceso denido
mediante un SEDO donde la variable independiente t representa el tiempo.

Hay una gran variedad de sistemas dinmicos. En este curso nos vamos a centrar principalmente en
los sistemas dinmicos denidos por SEDOC.

10.7.1. Sistemas Dinmicos Continuos Lineales

En la Seccin 8.1, pgina 147 se vio la denicin de Sistema Dinmico Discreto. Vamos a ver aqu la
versin continua.
Denicin 10.19 (Sistema Dinmico Continuo Lineales)
Un Sistema Dinmico Continuo Lineal es un sistema dinmico denido mediante un SEDOC
de la forma:
dx
= Ax
dt

10.7.2. Representacin Grca: Trayectorias, Plano de Fases y Espacio de


Fases
Denicin 10.20 (Trayectoria, rbitas o Lnea de Flujo)
Cada una de las soluciones X(t) = [x1 (t), . . . , xn (t)] de un sistema dinmico representa una
curva paramtrica en el espacio n-dimensional, denominada trayectoria, rbitas o lnea de
ujo.

Cada trayectoria representa un estado o fase del sistema bajo unas condiciones dadas.

Denicin 10.21 (Plano y Espacio de Fases)


El conjunto de las trayectorias de un sistema dinmico se denomina de forma general Retrato
de Fases o Retrato Fase.
Si n = 2 el retrato fase se denomina Plano de Fases
Si n > 2 el retrato fase se denomina Espacio de Fases

Clases de lgebra

Pedro Jos Hernando Oter

10.7. Sistemas Dinmicos

209

En las siguientes grcas se muestran un ejemplo de un plano de fases para un problema


bidimensional y un espacio de fases para un problema tridimensional.
Phase
20
10
0
-10

Portrait

by

NDSolve

y(t)
40

30

x(t)

20

10

0
-10

Plano de Fases (n = 2)

-5

10

Espacio de Fases (n = 3)

x (t) = f1 (x, y, z)
y (t) = f2 (x, y, z)

z (t) = f2 (x, y, z)

x (t) = f1 (x, y)
y (t) = f2 (x, y)

En las grcas de abajo se muestra para el caso bidimensional, la relacin que hay entre las curvas
integrales 29 de un sistema dnamico y sus trayectorias o lneas de ujo en el plano de fases.
x2

x
x1
x2

t
Curvas Integrales

x1
Trayectoria en el Plano de Fases

Las trayectorias en el plano de fases son curvas paramtricas dependientes de la variable


independiente (parmetro) t.
Dos trayectorias distintas en el plano de fase para un sistema autnomo 30 no pueden coincidir
en ningn punto.

29 Ver
30 Ver

la Denicin 10.5, pgina 188.


la Denicin 10.15, pgina 197.

Pedro Jos Hernando Oter

Clases de lgebra

210

TEMA 10: Introduccin a las Ecuaciones Diferenciales

10.7.3. Puntos Criticos, Estacionarios o de Equilibrio


Denicin 10.22 (Puntos Crticos, Estacionarios o de Equilibrio)
Dado un sistema dinmico de la forma:

x1 = f1 (x1 , . . . , xn )

.
.
.
.
.
.

xn = fn (x1 , . . . , xn )

Se dice que xc = (xc , . . . , xc ) n es un punto crtico, punto estacionario o punto de equilibrio


n
1
del sistema si:

x1 (xc ) = f1 (xc , . . . , xc ) = 0
n
1

.
.
.
.
.
.

xn (xc ) = fn (xc , . . . , xc ) = 0
n
1

Los puntos crticos de un sistema dinmico indican puntos estticos, invariantes en el tiempo.

Ejemplo 10.21. Calcular los puntos crticos del siguiente sistema dinmico:
x =x+y
y = 1 + xy
Solucin: Tenemos que resolver el sistema de ecuaciones:
x+y =0
xy = 0

y = x
1 + xy = 1 x2 = 0

x = 1

Los puntos crticos del sistema son dos xc = (1, 1) y xc = (1, 1) .


1
2
Los puntos crticos de un SEDOC bidimensional se obtienen resolviendo el SEL:
x = ax + by
y = cx + dy

ax + by = 0
cx + dy = 0

que al ser un SEL homogneo31 , siempre tiene al menos un punto critico en el origen del plano de
fases (x, y) = (0, 0).
Si las ecuaciones son linealmente independientes la solucin trivial ser nica, de otra forma, existiran
innitas soluciones adems de la trivial.

31 Ver

la Seccin 1.8, pgina 23.

Clases de lgebra

Pedro Jos Hernando Oter

10.7. Sistemas Dinmicos

211

Ejemplo 10.22. Calcular los puntos crticos del siguiente sistema dinmico:
x = 3x + 2y
y = 5x y
Solucin: Como el sistema para calcular los puntos crticos es homogneo y tiene ecuaciones
linealmente independientes, el nico punto crtico ser la solucin trivial:
xc = (0, 0)
2

10.7.4. Campo Direccional


Dado un sistema dinmico bidimensional:
x1
x2

=
=

x2

f1 (x1 , x2 )
f2 (x1 , x2 )

Las pendientes de las trayectorias en cada punto del


plano fase se pueden calcular de forma:
x
dx2 dt
dx2 /dt
dx2
= 2
=
=
dx1
dt dx1
dx1 /dt
x1
y se pueden representar en el plano de fases como
pequeas echas32 cuyas coordenadas vienen dadas por
el vector velocidad 33 :
V =

dx1 dx2
,
dt dt

x1

Denicin 10.23 (Campo Direccional)


Se denomina campo direccional o campo de direcciones de un sistema dinmico bidimensional:
dx
= Ax
dt
al campo vectorial en el plano de fases donde a cada punto34 x se le asocia el vector velocidad
Ax.

Normalmente para simplicar y claricar el campo de direccin, no se considera a escala las normas
de los vectores velocidad sino nicamente su direccin, siendo por tanto la longitud de todas las
echas iguales.

32 De forma anloga a como se hizo en la Seccin 10.3.1, pgina 193 con el campo de pendientes, aunque en este caso
slo eran rayitas sin direccin.
33 El vector velocidad dx/dt del movimiento de una partcula es tangente a la trayectoria en cada punto.
34 Vrtice del vector x.

Pedro Jos Hernando Oter

Clases de lgebra

212

TEMA 10: Introduccin a las Ecuaciones Diferenciales

10.7.5. Separatrices
Denicin 10.24 (Separatrices)
Las separatrices son trayectorias particulares que separan el plano de fases en regiones de
comportamiento o movimiento distinto.

En el siguiente ejemplo de plano de fases de un sistema dinmico, se puede observar el conjunto de


trayectorias y dos separatrices que distinguen cuatro tipos de comportamiento.
Los sistemas dinmicos bidimensionales del tipo:

x2

dx
= Ax
dt
se pueden entender como la evolucin temporal de un
determinado vector de estado x siguiendo unas reglas
dadas por la matriz A asociada al sistema, de forma
Ax. En este caso, las separatrices son trayectorias que
mantienen constante su direccin v en el plano de fases,
siendo por tanto lneas rectas que pasan por el origen y
cumplen la condicin:

x1

Av = v
coincidiendo por tanto con la direccin de los
autovectores de la matriz A.
Esquematicamente podemos entender el proceso pensando en un vector de entrada v que en un
tiempo innitesimal cambia al vector Av. Si la direccin del vector coincide con la direccin de
algn autovector, esta direccin permanece constante en el tiempo. En funcin del signo del autovalor
asociado al autovector, el sentido de la trayectoria permanecer o cambiar.

>0

Av

<0

Av

La direccin de las separatrices est dada por los autovectores de la matriz A que dene el
SEDOC y las lneas en s mismas son los autoespacios 35 asociados.
El sentido de las separatrices depende del signo del autovalor asociado a cada autovector. Si
> 0 la trayectoria sale del origen y si < 0 la trayectoria entra al origen.

35 Ver

la Denicin 8.4, pgina 152.

Clases de lgebra

Pedro Jos Hernando Oter

10.7. Sistemas Dinmicos

213

Ejemplo 10.23. Calcular los puntos


siguiente SEDOC:

x1 = x1 + 2x2
dx

;
=

dt

x = 4x + 3x
2

criticos, el campo de direccin y las separatrices del

dx1
dt

=
dx2
dt

1
4

2
3

x1
x2

= Ax

1
4

A=

2
3

Solucin: Los puntos criticos se obtienen resolviendo el SEL:


x1 + 2x2 = 0
4x1 + 3x2 = 0
cuya nica solucin (punto crtico) es (xc , xc ) = (0, 0) .
1
2

El campo de direccin se puede representar en el plano fase x1 x2 , donde en cada punto (x1 , x2 )
se dibuja una echa con pendiente dada por:
v = [x1 + 2x2 , 4x1 + 3x2 ]
Las separatrices se pueden determinar calculando los autovalores y autovectores de la matriz A:
1 = 5, 2 = 1, v1 = [1, 2] , v2 = [1, 1]
Por tanto las separatrices son rectas que pasan por el origen y tienen pendientes:
m1 =
x2

2
=2
1

m2 =
x2

x1

Campo de direccin

1
= 1
1
x2

x1

Separatrices

x1

Trayectorias

Podemos comprobar como las separatrices poseen los siguientes sentidos:


Separatriz 1: Como 1 > 0, su sentido es saliendo del origen.
Separatriz 2: Como 2 < 0, su sentido es entrando al origen.
Autovalor Nulo
Un autovalor nulo indica que no existe la separatriz correspondiente a su autovector.

Pedro Jos Hernando Oter

Clases de lgebra

214

TEMA 10: Introduccin a las Ecuaciones Diferenciales

Ejemplo 10.24. Calcular el campo

dx1

dt = 3x1
dx

;
=
dx
dt

= 0
dt

de direccin y las isoclinas del siguiente SEDO lineal:

dx1
dt
3 0
x1
3 0

= Ax ;
A=
=
0 0
x2
0 0

dx2
dt

Solucin: Los autovalores de A son 1 = 0 y 2 = 3 y los autovectores correspondientes son


v1 = [0, 1] y v2 = [1, 0]. Como podemos observar en el campo de direccin mostrado abajo, slo
existe una separatriz correspondiente al autovalor 2 = 3, (recta y = 0).
x2

x1

Ejemplo 10.25. Calcular los puntos crticos del Ejemplo 10.24.


Solucin: Tenemos que resolver el SEL:
3x1
0
Cuya solucin son los puntos x1 = 0, x2 = t t
x = 0) son puntos crticos del sistema.

= 0
= 0

R. Por tanto todos los puntos (0, t) (eje vertical

Autovalores Complejos
Los autovalores complejos indican que no existen separatrices. Las trayectorias36 en el plano de fases
pueden ser curvas cerradas (elipses) o abiertas (espirales).

Nota 10.2.

La ecuacin paramtrica de una elipse centrada en el origen es:


x
y

=
=

a cos(rt)
b sin(rt)

donde a y b son los semiejes de la elipse en los ejes de coordenadas x e y respectivamente, r hace refencia a la velocidad
de giro y t es el parmetro.
De forma general, una elipse girada o una espiral (en funcin de los valores a, b, c y d), tendr una ecuacin paramtrica
del estilo:
x = a cos(rt) + b sin(rt)
y = c cos(rt) + d sin(rt)
36 En la Seccin 10.8.2, pgina 219 se ver informacin ms detallada sobre la forma de las trayectorias en el caso de
autovalores complejos.

Clases de lgebra

Pedro Jos Hernando Oter

10.7. Sistemas Dinmicos

215

Ejemplo 10.26. Calcular el plano de fases del SEDOC dado en el Ejemplo 10.20:
x = x y
y = 2x y
Solucin: En este caso los autovalores y autovectores eran valores complejos:

1 = 1 + i 2

2 = 1 i 2

v1 =

1
0

+i

v2 =

1
0

+i

Siendo las ecuaciones de las trayectorias (solucin general) obtenidas:

x(t)
2
sen t
2
cos t
X(t) =
+ c2 et
= c1 et
y(t)
2 sen t 2
2 cos t 2
El cual corresponde a espirales centradas en el origen.

x2

x1

Generalmente la representacin precisa del plano de fases suele ser bastante costosa
computacionalmente y no suele ser necesaria. Mucho ms interesante resulta obtener una
representacin aproximada pero que d una idea clara del comportamiento de las soluciones del
sistema.
Esta representacin aproximada, con un coste computacional mucho menor, se puede obtener
mediante un anlisis de la estabilidad del SEDO, como se estudiar en la siguiente seccin.

Pedro Jos Hernando Oter

Clases de lgebra

216

TEMA 10: Introduccin a las Ecuaciones Diferenciales

10.8. Estabilidad de un SEDO


La mayora de los SEDO de inters prctico corresponden a sistemas dinmicos complicados,
generalmente no lineales, donde por lo general no es posible encontrar soluciones en trminos de
funciones elementales. En estos casos, se puede obtener informacin muy valiosa sobre la naturaleza
geomtrica de las soluciones de los sistemas.
El concepto de estabilidad y el anlisis de la misma de un SEDO permite realizar esta labor.
Aunque la denicin matemtica de la estabilidad de un SEDO, que se ver ms adelante, es algo
complicada, conceptualmente es ms fcil de comprender.
La estabilidad de un SEDO se puede entender como la dependencia de la solucin de un PVI respecto
a las condiciones iniciales.
De forma intuitiva podemos ver la estabilidad de la siguiente forma. Dado el SEDO de primer orden:
X (t) = F (t, X)
X(t0 ) = X0

Solucin

X = (t)

denido para t t0 . Se dice que la solucin (t) es estable si para otros valores X1 sucientemente
prximos a X0 , la solucin del PVI:
X (t) = F (t, X)
X(t0 ) = X1
se mantiene prxima a (t).

X1

X0

t0

x(t)

y(t)

[x(t0) , y(t0)]

Enla grca superior se muestra la interpretacin grca del concepto de estabilidad para el caso
bidimensional (SEDO 2 2):
x = f1 (t, x, y)
y = f2 (t, x, y)
donde los valores X0 corresponden a una solucin con valores iniciales x(t0 ) = x0 , y(t0 ) = y0 , y X1 a
otras soluciones con valores inciales x(t0 ) = x1 , y(t0 ) = y1 .
Los trminos y aparecen en la denicin matemtica de estabilidad que damos a continuacin.

Clases de lgebra

Pedro Jos Hernando Oter

10.8. Estabilidad de un SEDO

217

Denicin 10.25 (Estabilidad)


Sea el SEDO:
X (t) = F (t, X)
Se dice que una solucin X(t) = (t; t0 , X0 ) es estable si :
> 0 (, t0 ) > 0 : ||X1 X0 || < (, t0 )

||(t; t0 , X0 )(t; t0 , X1 )|| < ,

t t0

En caso contrario, se dice que la solucin es inestable.

10.8.1. Tipos de Estabilidad y Soluciones de Sistemas Dinmicos


Denicin 10.26 (Estabilidad Uniforme y Asinttica)
Si el valor de slo depende del y no del tiempo inicial t0 , se dice que la solucin es
uniformemente estable.
Un solucin se dice que es asintticamente estable si es estable y adems:
lim ||(t; t0 , X0 ) (t; t0 , X1 )|| = 0

Nota 10.3. En el campo de los sistemas dinmicos, el concepto importante suele ser el de estabilidad asinttica, la
cual asegura que toda seal de entrada acotada produce una respuesta tambin acotada.

La solucin de un sistema dinmico bidimensional pertenecenecen a alguno de los siguientes tres


tipos bsicos:
Punto Crtico: Representando por un punto constante del plano fsico.
Curva plana sin ningn corte.
Solucin peridica o ciclo, la cual est representada por una curva cerrada en el plano fsico.

y(t)
Trayectoria sin cortes
Ciclo
Punto Crtico

x(t)

Pedro Jos Hernando Oter

Clases de lgebra

218

TEMA 10: Introduccin a las Ecuaciones Diferenciales

El estudio de la estabilidad de un SEDO permite conocer el comportamiento cualitativo de sus


soluciones.
Sea un SEDOC bidimensional:
X (t) = AX(t)
con solucin general :
37

X(t) = c1 v1 e1 t + c2 e2 t [v21 cos 21 t + v22 sen 22 t] + tc3 v3 e3 t


Estudiemos la estabilidad de una solucin cualquiera X0 , la cual tendr unos determinados cij ,
comparndola con otra solucin X1 con unas constantes cij .
La distancia entre ellas ser:
||X0 X1 || = v1 e1 t (c1 c1 ) + e2 t [v21 cos 21 t + v22 sen 22 t](c2 c2 ) + tv3 e3 t (c3 c3 )
Para que X0 sea estable:
||X0 X1 || M (t0 )

siendo M (t0 ) un determinado valor nito. Esto slo ser posible si se cumplen estas dos condiciones:
lim ei t <
t

i 0

lim te3 t < Para que esto se produzca se debe cumplir alguna de estas dos condiciones:
t

3 < 0

Si 3 = 0 su multiplicidad debe ser uno para que no aparezcan trminos en t{. . .}.
Estabilidad y Estabilidad Uniforme
La condicin necesaria y suciente para que un SEDOC sea estable 38 es:
La parte real de todos los autovalores de la matriz A debe ser cero o negativa: i 0
En caso de que alguno sea cero, su multiplicidad debe ser simple.
Si se cumple, la estabilidad ser adems uniforme.

Nota 10.4.

En caso contrario, el sistema ser inestable, es decir, todas sus soluciones sern inestables.

Estabilidad Asinttica
La condicin necesaria y suciente para que un SEDOC sea asintticamente estable es que la parte
real de todos los autovalores de la matriz A debe ser negativa: i < 0.

Nota 10.5.

En caso contrario, el sistema ser uniformemente estable o inestable.

37 Correspondientes a todas las posibles soluciones reales o complejas correspondientes al caso bidimensional, como
se vio en la Seccin 10.6.1, pgina 200.
38 Es decir, que todas sus soluciones lo sean.

Clases de lgebra

Pedro Jos Hernando Oter

10.8. Estabilidad de un SEDO

219

10.8.2. Anlisis de la Estabilidad


Los pasos a seguir para analizar la estabilidad de un sistema son:
1. Se calculan los k puntos crticos del sistema
Xc = [Xc1 , . . . , Xck ]
2. Se determina la estabilidad de cada uno de ellos, teniendo en cuenta que todas las trayectorias
del plano fase tendrn el mismo tipo de estabilidad.
3. Se dibuja el plano fase de los resultados.
En las siguiente grca se muestran los tres tipos bsicos de puntos crticos en base a su estabilidad.
X0
X0

X0
Xc

Xc

Punto Crtico
Asintticamente Estable

Xc

Punto Crtico
Estable

Punto Crtico
Inestable

Clculo de la Estabilidad de un Sistema


Sea el SEDOC bidimensional:
x = a1 x + b1 y
y = a2 x + b2 y

x
y

a1
a2

b1
b2

x
y

X = AX

con punto crtico (xc , yc ):


a1 xc + b1 yc = 0
a2 xc + b2 yc = 0
Por simplicidad, vamos a suponer que (xc , yc ) = (0, 0) es la nica solucin del sistema39 . Vamos a
calcular los autovalores y autovectores de la matriz A asociada al sistema:
Autovalores (z1 , z2 )
a1 z
a2

b1
b2 z

= (a1 z)(b2 z) a2 b1 = 0

Llamando a la traza de la matriz A y a su determinante se tiene:


z2

(a1 + b2 ) z

(a1 b2 a2 b1 )

= tr(A)
z2 z + = 0
39 Al

= det(A)

2 4
z=
=
2

z1 = 1 + i1
z2 = 2 + i2

ser un sistema homogneo, la solucin nula siempre ser solucin.

Pedro Jos Hernando Oter

Clases de lgebra

220

TEMA 10: Introduccin a las Ecuaciones Diferenciales

Autovectores (v1 , v2 )
z1

a1 z1
a2

b1
b2 z1

u1
v1

0
0

v1 = (u1 , v1 )

z2

a1 z2
a2

b1
b2 z2

u2
v2

0
0

v2 = (u2 , v2 )

En funcin de los autovalores, el punto crtico y todas las trayectorias del plano de fases del sistema
sern:
Inestables: Si j > 0 z1 = z2 = 0
Uniformemente Estables: Si j < k = 0
Asintticamente Estables: Si 1,2 < 0
Como:

2 4
2
2 4 = 0 si =
2
4
los distintos tipos de soluciones se producirn en funcin de los valores de y producindose
diferentes casos que se pueden representar en una grca generando diferentes zonas.
z=

Caso I: Autovalores Reales Distintos ( 2 4 > 0)


1. 2 < 1 < 0 Ambos autovalores negativos ( < 0 , > 0).
2. 0 > 2 < 1 Ambos autovalores positivos ( > 0 , > 0).
3. 2 < 0 < 1 Un autovalor negativo y otro positivo ( < 0).

2 < 4

2 = 4

Caso II: Autovalores Reales Repetidos ( 2 4 = 0)


1. Dos autovectores linealmente independientes (v1 , v2 ).
2. Un nico autovector linealmente independiente (v1 ).
Caso III: Autovalores Complejos ( 2 4 < 0)
1. Races imaginarias puras ( = 0).
2. Parte real distinta de cero ( = 0).

2 > 4

Vamos a analizar cada caso por separado.


Caso I: Autovalores Reales Distintos ( 2 4 > 0)
La solucin general ser de la forma:

X = c1 v1 e1 t + c2 v2 e2 t = e1 t [c1 v1 + c2 v2 e(2 1 )t ]
Hay tres posibilidades:
Caso I-1: 2 < 1 < 0 Ambos autovalores negativos ( < 0 , > 0)
Nodo Estable : punto crtico con dos autovalores negativos.
Caso I-2: 0 > 2 < 1 Ambos autovalores positivos ( > 0 , > 0)
Nodo Inestable : punto crtico con dos autovalores positivos.

Clases de lgebra

Pedro Jos Hernando Oter

10.8. Estabilidad de un SEDO

221

Caso I-3: 2 < 0 < 1 Un autovalor negativo y otro positivo ( < 0)


Punto Silla : punto crtico con un autovalores positivo y negativo.

y(t)

y(t)

v1
v2

y(t)

v1
v2

v1
v2

x(t)

x(t)

x(t)

Nodo Estable

Nodo Inestable

Punto Silla

Caso II: Autovalores Reales Repetidos ( 2 4 = 0)

Hay dos posibilidades en funcin del nmero de autovectores asociados al autovalor.


Caso II-1: Dos autovectores linealmente independientes (v1 , v2 ).
La solucin general ser de la forma:
X = c1 v1 e1 t + c2 v2 e1 t = e1 t [c1 v1 + c2 v2 ]
El nico autovalor puede ser:
Negativo (1 = /2 < 0): Se denomina Nodo Estable Degenerado o Impropio.
Positivo (1 = /2 > 0): Se denomina Nodo Inestable Degenerado o Impropio.
y(t)
v1

y(t)
c1v1 +c2 v2

v1

v2

c1v1 +c2 v2
v2

x(t)

Nodo Estable Degenerado

x(t)

Nodo Inestable Degenerado

Caso II-2: Un nico autovector linealmente independiente (v1 ).

Pedro Jos Hernando Oter

Clases de lgebra

222

TEMA 10: Introduccin a las Ecuaciones Diferenciales


La solucin general ser de la forma:
X = c1 v1 e1 t + c2 (v1 te1 t + ue1 t ) = te1 t [c2 v1 +

c1
c2
v1 + u]
t
t

Al igual que antes, el nico autovalor puede ser:


Negativo (1 = /2 < 0): Se denomina Nodo Estable Degenerado.
Positivo (1 = /2 > 0): Se denomina Nodo Inestable Degenerado.
y(t)

y(t)

v1

v1
x(t)

x(t)

Nodo Estable Degenerado

Nodo Inestable Degenerado

Caso III: Autovalores Complejos ( 2 4 < 0)

Los autovalores y autovectores sern complejos conjugados de la forma:


r1 = + i

v = u + is

r2 = i

v = u is

La solucin general se puede expresar como:

X = c1 et [u cos t s sen t] + c2 et [s cos t + u sen t]


Hay dos posibilidades:
Caso III-1: Races imaginarias puras ( = 0)
En este caso = 0 y las soluciones son peridicas con periodo 2/ de la forma:
X = c1 [u cos t s sen t] + c2 [s cos t + u sen t]
Las trayectorias tienen forma de elipse, denominndose el punto crtico (0, 0) Centro.
El tipo de estabilidad es uniforme.
Todas las elipses se recorren en el mismo sentido40 .
40 El

de las manecillas del reloj o el opuesto.

Clases de lgebra

Pedro Jos Hernando Oter

10.8. Estabilidad de un SEDO

223

Caso III-2: Parte real distinta de cero ( = 0)


En este caso = 0 y aparecern centros de espiral con forma elptica debido a los efectos de la
exponencial.
Hay dos tipos de punto crtico:
Punto Espiral Estable: si < 0.
Punto Espiral Inestable: si > 0.
y(t)

y(t)

y(t)

x(t)

x(t)

x(t)

Punto Espiral Inestable

Punto Espiral Estable

Centro

Resumen
2 < 4

Espiral
Estable

Nodo Estable
Degenerado

2 = 4

Espiral
Inestable

Centro

Nodo Inestable
Degenerado

Punto Silla

2 > 4

La terminologa utilizada para designar los distintos tipos de puntos crticos es amplia. En la
siguiente tabla se muestran algunos de los nombres ms utilizados.

Pedro Jos Hernando Oter

Clases de lgebra

224

TEMA 10: Introduccin a las Ecuaciones Diferenciales


Trmino
Punto Crtico

Punto de Equilibrio,
punto singular, punto estacionario,
punto de reposo

Centro de Espiral

Foco, punto focal, centro de torbellino

Nodo Estable,
Punto Espiral Estable

Atractor, Sumidero

Nodo Inestable,
Punto Espiral Inestable

Otros

Repulsor, Fuente

Ejemplo 10.27. Representar aproximadamente el plano fase del siguiente sistema:


1
4

X =

1
1

Punto Crtico:
X =

x (t)
y (t)

0
0

1
4

xc + yc = 4
4xc + yc = 0

1
1

xc
yc

0
0

xc = 0
yc = 0

Autovalores y Autovectores:

r1 = 3

v1 =

r2 = 1

Solucin General:

x(t)
y(t)

= c1

v2 =

1
2

1
2
1
2

e3t + c2

1
2

et

Plano Fase
y(t)

x(t)

v1
v2

1
0.5

x(t)

-2
-2

Punto Silla

Clases de lgebra

Pedro Jos Hernando Oter

APNDICES

TEMA

Nmeros Complejos
Contenido
A.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.2 Cuerpo de los nmeros Complejos . . . . . . . . . . . . . . . . . . . . .
A.2.1 Denicin del nmero imaginario i . . . . . . . . . . . . . . . .
A.2.2 Potencias enteras de i . . . . . . . . . . . . . . . . . . . . . . .
A.2.3 Denicin de Nmero Complejo. Formas Cartesiana y Binmica
A.3 Operaciones Bsicas en
. . . . . . . . . . . . . . . . . . . . . . . . . .
A.3.1 Suma de Nmeros Complejos . . . . . . . . . . . . . . . . . . .
A.3.2 Producto de Nmeros Complejos . . . . . . . . . . . . . . . . .
A.3.3 El Cuerpo de los Nmeros Complejo . . . . . . . . . . . . . . .
A.4 Conjugado de un Nmero Complejo . . . . . . . . . . . . . . . . . . . .
A.4.1 Propiedades del Conjugado . . . . . . . . . . . . . . . . . . . .
A.4.2 Conjugados y Divisin de Nmeros Complejos . . . . . . . . . .
A.5 Representacin Geomtrica de
. . . . . . . . . . . . . . . . . . . . . .
A.5.1 El Plano Complejo . . . . . . . . . . . . . . . . . . . . . . . . .
A.5.2 Mdulo de un Nmero Complejo . . . . . . . . . . . . . . . . .
A.5.3 Argumento de un Nmero Complejo . . . . . . . . . . . . . . .
A.6 Otras Formas de Expresar los Nmeros Complejos . . . . . . . . . . . .
A.7 Forma Trigonomtrica y Polar . . . . . . . . . . . . . . . . . . . . . . .
A.7.1 Propiedades y Operaciones Bsicas de la Forma Polar . . . . .
A.7.2 Exponencial Compleja. Frmula de Euler . . . . . . . . . . . .
A.7.3 Teorema de De Moivre . . . . . . . . . . . . . . . . . . . . . . .
A.7.4 Potenciacin en la Forma Polar . . . . . . . . . . . . . . . . . .
A.7.5 Raz n-sima de un Nmero Complejo . . . . . . . . . . . . . .
A.8 Forma Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.8.1 Operaciones en Forma Exponencial . . . . . . . . . . . . . . . .
A.8.2 Seno y Coseno Complejo . . . . . . . . . . . . . . . . . . . . . .
A.8.3 Logaritmo Complejo . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

229
229
229
229
230
231
231
231
233
233
234
234
235
235
236
237
238
238
239
240
241
241
242
243
243
244
245

227

Clases de lgebra

Plano Complejo

Argumentos

Mul. y Div.

Mdulo

F. Trigonomtrica

Potencias

Raz n-sima

Logaritmo

Frmula Euler

Exponencial Compleja

Seno y Coseno

F. Exponencial

Otras Formas

Teo. De Moivre

Propiedades

Rep. Geomtrica

Forma Cartesiana

*/:

Conjugado

F. Polar

+/-

Op. Bsicas

Def. Num. Complejo

Potencias in

Num. i

Nmeros Complejos

228
TEMA A: Nmeros Complejos

Pedro Jos Hernando Oter

A.1. Introduccin

229

A.1. Introduccin
Se puede pensar en principio que los nmeros complejos slo estn relacionados con problemas que
de alguna forma no tienen solucin y que por tanto su utilidad bsica radica en separar lo til (real)
de lo intil (imaginario). Sin embargo, los nmeros complejos son una herramienta matemtica muy
apropiada y natural en el estudio y resolucin de una gran cantidad de problemas prcticos que
aparecen en la ciencia y la tecnologa.
En este tema se vern los principios bsicos de los nmeros complejos.

A.2. Cuerpo de los nmeros Complejos

A.2.1. Denicin del nmero imaginario i


Denicin A.1 (Nmero Imaginario i)

Se dene el nmero imaginario 1 i de la siguiente forma : i = 1.


Al nmero i tambin se le conoce con el nombre de unidad imaginaria.

A.2.2. Potencias enteras de i


Las potencias sucesivas de la unidad imaginaria: i, i2 , i3 , . . . tienen los siguientes valores:
r=1
i=

r=2
i2 =

r=3

= 1

r=0

i3 = i i2 = i

i4 = i i3 = i2 = 1

i5 = i i4 = i

i6 = i i5 = i2

i7 = i i6 = i3

i8 = i i7 = i4

i9 = i

i10 = i2

i11 = i3

Estos resultados se pueden resumir mediante la siguiente frmula:


in = in%4 = ir

Siendo % el operador mdulo que da como resultado el resto de una divisin entera2 . El valor de
r = n%4 slo puede ser algn natural del conjunto {0, 1, 2, 3}. Por ejemplo 1%4 = 1 , 4%4 = 0 ,
6%4 = 2 , 8%4 = 0 , etc.
Ejemplo A.1. Calcular i2010 .
Solucin: Como 2010 = 502 4 + 2, por tanto 2010%4 = 2.
i2010 = i2 = 1
1 En

2 En

algunos textos y aplicaciones se acostumbra a utilizar la letra j en lugar de la i para identicar al valor
este caso una divisin entre 4.

Pedro Jos Hernando Oter

1.

Clases de lgebra

230

TEMA A: Nmeros Complejos

A.2.3. Denicin de Nmero Complejo. Formas Cartesiana y Binmica

Forma Cartesiana, z = (a, b)


Denicin A.2 (Forma Cartesiana)
Un nmero complejo z se dene como un par ordenado 3 de nmeros reales (a, b), donde:
La primera componente a se denomina parte real y se representa por Re(z) = a.
La segunda componente b se denomina parte imaginaria y se representa por Im(z) = b.

Forma Binmica, z = a + bi
Denicin A.3 (Forma Binmica)
Se denomina forma binmica de un nmero complejo z = (a, b) al siguiente modo de expresar
sus partes real y compleja:
z = a + bi

a
b

donde

R
R

Parte Real : Re(z) = a


Parte Imaginaria : Im(z) = b

La forma binmica de un nmero complejo es una de las formas ms utilizadas para representar a
los nmeros complejos.

Conjunto de los Nmeros Complejos,

Denicin A.4 (Conjunto de los Nmeros Complejos,


El conjunto de todos los numros complejos se representa por

C)

C y se dene como:

C = {a + bi : a, b R}
R

El conjunto de los nmeros reales,


es un subconjunto de
nmeros complejos que tienen su parte imaginaria nula.

C y puede denirse como aquellos

RC

3 Se llama par ordenado a un conjunto formado por dos elementos y un criterio de ordenacin que establece cul es
primer elemento y cul el segundo.

Clases de lgebra

Pedro Jos Hernando Oter

A.3. Operaciones Bsicas en

231

A.3. Operaciones Bsicas en

A.3.1. Suma de Nmeros Complejos

Denicin A.5 (Suma en )


Dados dos nmeros complejos z1 = a1 + b1 i y z2 = a2 + b2 i con a1 , b1 , a2 , b2
operacin suma (+) de z1 y z2 como:

R se dene la

z1 + z2 = (a1 + b1 i) + (a2 + b2 i) = (a1 + a2 ) + i(b1 + b2 )

Denicin A.6 (Resta o Diferencia en )


Se denen la resta () de dos nmeros complejos z1 z2 como la suma del primero ms el
opuesto del segundo.
z1 z2 = z1 + (z2 )

Propiedades de la Suma
Conmutativa: z1 + z2 = z2 + z1 , z1 , z2

C.

C.
Elemento Neutro: 0 = 0 + 0i : z + 0 = 0 + z = z, z C.
Elemento Opuesto: z = a + bi C z = a bi : z + (z) = 0.

Asociativa: (z1 + z2 ) + z3 = z1 + (z2 + z3 ), z1 , z2 , z3

A.3.2. Producto de Nmeros Complejos

Denicin A.7 (Producto en )


Dados dos nmeros complejos z1 = a1+ b1 i y z2 = a2 + b2 i con a1 , b1 , a2 , b2
operacin producto () de z1 y z2 como:

R se dene la

z1 z2 = (a1 + b1 i) (a2 + b2 i) = a1 a2 + ia1 a2 + ib1 a2 + i2 b1 b2 = (a1 a2 b1 b2 ) + i(a1 b2 + a2 b1 )

Nota A.1.

Es habitual representar el producto de numros (complejos y reales) sin ningn smbolo:


z1 z2 = z1 z2

Pedro Jos Hernando Oter

Clases de lgebra

232

TEMA A: Nmeros Complejos

Ejemplo A.2. Dados los nmeros complejos z1 = 1 + i y z2 = 2 2i calcular su suma, resta


y producto.
Solucin:
z1 + z2 = (1 + i) + (2 2i) = 3 i
z1 z2 = (1 + i) (2 2i) = 1 + 3i
z1 z2
= (1 + i)(2 2i) = (2 + 2) + (2 + 2)i = 4
Elemento Inverso, z 1

Denicin A.8 (Elemento Inverso en )


Dado un z , se dene en caso de que exista el elemento inverso de z y se representa por
z 1 , al nmero complejo que verica: zz 1 = 1.

z = a + bi (a, b = 0)

z
z 1

zz 1 = (1, 0) si llamamos

= a + bi
= x + yi
ax by
ay + bx

(a + bi)(x + yi) = (1, 0) =

1 + by

ay

= z = a + bi (a, b = 0)

a
b
,
a2 + b2 a2 + b2

Ejemplo A.3. Demostrar la frmula z 1 =


Solucin:

Divisin en

b
a
,
a2 + b2 a2 + b2

z 1 =

=
=

siendo z = a + bi.

vamos a calcular x e y.
1
0

Sist. de 2 ec. con 2 incgnitas (x, y)

1 + by
ay
=
; b + b2 y = a2 y
a
b
y=

b
a 2 + b2

z 1 =

x=

ay
a
= 2
b
a + b2

b
a
,
a2 + b2 a2 + b2

Denicin A.9 (Divisin en )


Dados z1 , z2 , se dene la operacin divisin

z1
1
= z1 z2 = (a1 + b1 i)
z2

Clases de lgebra

a2
2

z1
z2

a2
b2
2 + a2 + b2 i
+ b2
2
2

1
como el producto z1 z2 .

a1 a2 + b1 b2
a1 b2 + a2 b1
+
i
2 + b2
a2
a 2 + b2
2
2
2

Pedro Jos Hernando Oter

A.4. Conjugado de un Nmero Complejo

233

Nota A.2. Posteriormente veremos formas ms prcticas de calcular la divisin entre nmeros complejos sin necesidad
de aprenderse frmulas complicadas.

Ejemplo A.4. Dados los nmeros complejos z = 1 + 2i y w = 2 2i, calcular


comprobar que el producto de ambos es igual a la unidad.

z
w

w
z

Solucin: Aplicando la frmula de la Denicin A.9 se tiene:


1 3
z
1 2 + 2 (2) 1 (2) + 2 2
+
i= + i
=
w
22 + 22
22 + 2 2
4 4
2 6
w
2 1 + (2) 2 2 (2) + 1 (2)
+
i= i
=
z
12 + 22
12 + 2 2
5 5
1 3
+ i
4 4

2 6
i
5 5

2
6
6
18
+ i i+
= 1
20 20
20
20

Propiedades del Producto


Conmutativa: z1 z2 = z2 z1 , z1 , z2

C.

Asociativa: (z1 z2 )z3 = z1 (z2 z3 ), z1 , z2 , z3

C.

Elemento Neutro: 1 = 1 + 0i : z 1 = 1 z = z, z
Elemento Inverso: z {0}

C, z1 : zz1 = 1.

Distributiva: z1 (z2 + z3 ) = z1 z2 + z1 z3 , z1 , z2 , z3

C.

C.

A.3.3. El Cuerpo de los Nmeros Complejo


Debido a las propiedades de la suma y producto de nmeros complejos, se dice que el conjunto de
los nmeros complejos junto con las operaciones suma y producto, ( , +, ), es un cuerpo abeliano.

Nota A.3.

El conjunto

C no es un cuerpo ordenado, ya que no tiene sentido por ejemplo 0 < i 0 < i.

A.4. Conjugado de un Nmero Complejo

Denicin A.10 (Complejo Conjugado)


Dado un nmero complejo z = a + bi, se dene el conjugado de z, y se escribe z , al nmero

complejo z = a bi.

Pedro Jos Hernando Oter

Clases de lgebra

234

TEMA A: Nmeros Complejos

A.4.1. Propiedades del Conjugado

C.
z w = z w, z, w C.
z = z, z C.
Si z = z = z R.

z + w = z + w, z, w

Si z = z =

z es imaginario puro.

Ejemplo A.5. Dados z = 5 3i y w = 4 + 8i,


a) Calcular: z, w, z + w, z + w y z + w.
b) Comprobar que z w = z w.
Solucin:
a)
z = 5 + 3i
z + w = 1 + 5i

; w = 4 8i

; z + w = 1 + 5i

; z + w = 1 5i

b)
z w = (5 3i)(4 + 8i) = 20 + (40 + 12)i + 24 = 4 + 52i = 4 52i
z w = (5 + 3i)(4 8i) = 20 + (40 12)i + 24 = 4 52i

A.4.2. Conjugados y Divisin de Nmeros Complejos


La frmula para realizar la divisin de nmeros complejos en la frma binmica4 se puede simplicar
utilizando el concepto del conjugado complejo.
z1
z1 z 2
1
= z1 z2 =
z2
z2 z 2

Demostracin A.1

zz = (a + bi)(a bi) = a2 abi + abi + b2 = a2 + b2

4 Ver

z 1 =

a
b
,
a2 + b2 a2 + b2

z
zz

la Denicin A.9, pgina 232.

Clases de lgebra

Pedro Jos Hernando Oter

A.5. Representacin Geomtrica de

235

Ejemplo A.6. Calcular las divisiones del Ejemplo A.4, pgina 233 utilizando la frmula de la
Seccin A.4.2, pgina 234.
Solucin:
1 3
z
zw
(1 + 2i)(2 + 2i)
2 + 6i
=
=
=
= + i
w
ww
(2 2i)(2 + 2i)
8
4 4
w
wz
(2 2i)(1 2i)
2 6i
2 6
=
=
=
= i
z
zz
(1 + 2i)(1 2i)
5
5 5

A.5. Representacin Geomtrica de

A.5.1. El Plano Complejo


Denicin A.11 (El Plano Complejo)
Un nmero complejo z = a + bi se puede representar grcamente a travs de un punto en
sistema de ejes coordenados, donde en el eje X se coloca la parte real Re(z) = a y en el eje Y
la parte imaginaria Im(z) = b.
El plano formado por este sistema de ejes cartesianos se denomina plano complejo.

Im

z = (a, b)

|z

Re

|z
|
b

z = (a, b)

Figura A.1.: Representacin grca del plano complejo y conceptos asociados: ajo de z = a+bi (punto (a, b)), mdulo
|z|, argumento y conjugado z.

Nota A.4. Recordar que el conjunto de los nmeros reales


el plano complejo representada por el eje horizontal.

R se representa a travs de la recta real y sta aparece en

Denicin A.12 (Ajo)


Se denomina ajo de un nmero complejo z = a + bi al punto del plano complejo de
coordenadas (a, b), (ver Figura A.1).

Pedro Jos Hernando Oter

Clases de lgebra

236

TEMA A: Nmeros Complejos

A.5.2. Mdulo de un Nmero Complejo


Denicin A.13 (Mdulo, = |z|)
Se denomina mdulo de un nmero complejo z = a + bi y se representa por |z| o por , al

nmero real no negativo tal que: |z| = = a2 + b2 .


Re(z) = a = |z| cos = cos
Im(z) = b = |z| sen = sen

z = a + bi

Geomtricamente, el mdulo de un nmero complejo z representa la distancia del origen del plano
complejo al ajo de z, (ver Figura A.1).

Propiedades del Mdulo, |z|


Sean z, w

C, entonces se cumplen las siguientes propiedades:

|z| > 0 z = 0 ;

|0| = 0

zz = a2 + b2 = |z|2 = |z| =

zz

| z| = |z|
|z| = |z|
|z w| = |z| |w|
z 1 =

z
|z|2

|z 1 | =

|z + w| |z| + |w|
El nmero complejo

1
, (z = 0)
|z|

(Desigualdad Triangular)
z
tiene mdulo unidad, (z = 0).
|z|

Mdulo y Divisin de Nmeros Complejos


Atendiendo a las denciones de divisin 5 , conjugado 6 y mdulo 7 en
relaciones:
z
zw
zw
= zw1 =
=
w
ww
|w|2

C podemos llegar a las siguientes

5 Ver

la Denicin A.9, pgina 232.


la Denicin A.10, pgina 233.
7 Ver la Denicin A.13, pgina 236.
6 Ver

Clases de lgebra

Pedro Jos Hernando Oter

A.6. Otras Formas de Expresar los Nmeros Complejos

A.5.3. Argumento de un Nmero Complejo


Denicin A.14 (Argumento)
Se denomina argumento de z = a + bi y se representa por , al ngulo formado por la lnea
que une el ajo de z con el origen y el eje horizontal, (ver Figura A.1).
= arg(z) = arctan

237

b
a

Denicin A.15 (Argumento Principal)


Cualquier z posee innitos valores de su argumento, ya que si es su argumento, entonces
+ 2k con k tambin lo ser.
Se denomina argumento principal de un nmero complejo z al nico arg(z) tal que
[, ]. A veces se representa por Arg(z).

Arg(z)

+ 2

Ejemplo A.7. Dado z = 1 + i 3, calcular su mdulo, argumento (principal) y conjugado.


Solucin:
|z| =

12

+(

3)2

4=2

= arctan

=
1
3

z =1i 3

Ejemplo A.8. Calcular el argumento principal de los nmeros complejos z1 = 1 + i 3 y

z2 = 1 i 3.
Solucin:

Im
z1
+

1 = arg z1 = arctan
2 = arg z2 = arctan

1 = 3

3
1 =

+
3
+

= 4
3
= 2
3

z2

Pedro Jos Hernando Oter

4
3

1 =

Re
2 = + = 2
3
3

Clases de lgebra

238

TEMA A: Nmeros Complejos

A.6. Otras Formas de Expresar los Nmeros Complejos


Adems de las formas cartesiana y binmica, existen otras formas de representar los nmeros
complejos, que sn muy utilizadas en la prctica en funcin de la aplicacin u operaciones que se
realicen. Estas formas son:
Forma trigonomtrica y polar.
Forma exponencial.
Vamos a ver cada una de ellas, explicando sus aplicaciones, ventajas e inconvenientes.

A.7. Forma Trigonomtrica y Polar

Denicin A.16 (Forma Trigonomtrica y Polar)


Teniendo en cuenta la geometra de un nmero complejo en el plano complejo 8 se puede denir
un nmero complejo a travs de su forma trigonomtrica y su forma polar como sigue:
z = a + bi = cos + i sen = (cos + i sen ) =
z = a + bi

Forma Trigonomtrica de z
Forma Polar de z

: (cos + i sen )
:
[Nota: est en el subndice]

La razn fundamental de expresar un nmero complejo z a travs de su forma trigonomtrica y/o


polar es la sencillez de operaciones complicadas: multiplicacin, divisin, potenciacin y raz n-sima,
como se ver en la Seccin A.7.4 y Seccin A.7.5.
Sin embargo, las operaciones de suma y resta de nmeros complejos es mucho ms sencillo de realizar
en la forma binmica.
Ejemplo A.9. Pasar a forma trigonomtrica y polar los siguientes nmeros complejos:
la
z1 = 1 i ; z2 = 1 + i 3.
Solucin:
z1 = 1 i

|z1 | = sqrt(1)2 + (1)2 = 2


1 = arctan 1 = arctan(1) = arctan(1) =
1
2

Como el ajo de z1 cae en el cuatro cuadrante, el valor de 1 calculado es el correcto y por tanto:
z1 = 1 i =

2 cos

+ i sen
2
2

z2 = 1 + i 3

2 cos

i sen
2
2

2
2

|z2 | = sqrt(1)2 + ( 3)2 = 4 = 2

3
2 = arctan 1 = arctan 3 =
3
(Contina en la pgina siguiente)

8 Ver

la Seccin A.5.1, pgina 235.

Clases de lgebra

Pedro Jos Hernando Oter

A.7. Forma Trigonomtrica y Polar

239

Ejemplo A.9 (Continuacin).


En este caso el ajo de z2 cae en el segundo cuadrante y por tanto el valor calculado de de 2 a
travs de la frmula no corresponde con el argumento, si no:
2 =
Por tanto:

2
=
3
3

2
2
z2 = 1 i 3 = 2 cos
+ i sen
3
3

= 2 2
3

Ejemplo A.10. Dar las formas polares de un nmero real y de un imaginario puro, positivos
y negativos.
Solucin:
0 + bi = b = b (cos + i sen )
2
2
2
a + 0i = a0

0 bi = b
2

a + 0i = a

A.7.1. Propiedades y Operaciones Bsicas de la Forma Polar


z = +
iz = +
2
z =

Multiplicacin y Divisin en Forma Polar


Sean z = a + bi =

z =a +bi=

zz = ( )(+ )

z
=
z

( )

Demostracin A.2
Teniendo en cuenta que:
cos(a + b) = cos a cos b sen a sen b
sen(a + b) = sen a cos b + cos a sen b

; cos(a b) = cos a cos b + sen a sen b


; sen(a b) = sen a cos b cos a sen b
(Contina en la pgina siguiente)

Pedro Jos Hernando Oter

Clases de lgebra

240

TEMA A: Nmeros Complejos

Demostracin A.2 (Continuacin)


Tenemos que:
z1 z2 = ( )( ) = (cos + i sen ) (cos + i sen ) =
= [cos cos sen sen + (cos sen + sen cos )i] =
= [cos( + ) + i sen( + )] = ( )(+ ) .
Siguiendo el mismo procedimiento se puede demostrar la frmula para el cociente de nmeros
complejos en forma polar, utilizando en este caso las frmulas de coseno y seno de diferencia
de ngulos.

A.7.2. Exponencial Compleja. Frmula de Euler

Denicin A.17 (Funcin Exponencial en )


La funcin exponencial es la funcin f : denida por:

R R

f (x) = ex

e = nmero e = 2, 718281828459...

Teorema A.1 (Exponencial Compleja: Frmula de Euler)


Dado un x , se dene la exponencial compleja de la siguiente forma:

exi = cos x + i sen x

Demostracin A.3
Se realiza a travs de desarrollos de Taylor, (no se ver aqu).

Denicin A.18 (Exponencial de un Complejo)


Si z se tiene que la exponencial de un complejo es:

ez = ea+bi = ea ebi = ea (cos b + i sen b)

Clases de lgebra

Pedro Jos Hernando Oter

A.7. Forma Trigonomtrica y Polar

241

A.7.3. Teorema de De Moivre


Teorema A.2 (Teorema de De Moivre)
(cos + i sen )n = cos(n) + i sen(n)

Demostracin A.4
Aplicando la Frmula de Euler y teniendo en cuenta que (ax )y = axy tenemos :
(cos + i sen )n

F. Euler

(ei )n = eni

F. Euler

cos(n) + i sen(n)

A.7.4. Potenciacin en la Forma Polar


Denicin A.19 (Potencia de un Complejo)
Dado z = a + bi se dene la potencia n-sima de z como:
n
z n = (a + bi)n = (a + bi)(a + bi) ... (a + bi)

Dado z = a + bi = y teniendo en cuenta la frmula de De Moivre es fcil comprobar que:


z n = [ ]n = n
n

P
P

Ejemplo A.11. Demostrar la frmula de potenciacin en forma polar.


Solucin:
z n = [ ]n = [(cos + i sen )]n = n (cos + i sen )n = n [cos(n) + i sen(n)] = n
n
Ejemplo A.12. Calcular z 6 siendo z = 1 + i, dando el resultado en forma binmica.
Solucin: A travs de la forma tradicional:
z 6 = (1 + i)6 = (1 + i)(1 + i)(1 + i)(1 + i)(1 + i)(1 + i) =
En forma polar:
z =1+i=

=
=

12 + 1 2 = 2
arctan 1 =
1
4

z 6 = 8 cos

Pedro Jos Hernando Oter

3
3
+ i sen
2
2

2
4

z 6 = ( 2)6 = (23 ) 3
6
2
4

= 8(0 i) = 8i

Clases de lgebra

242

TEMA A: Nmeros Complejos

A.7.5. Raz n-sima de un Nmero Complejo


Denicin A.20 (Raz n-sima de un Nmero Complejo)
Un nmero complejo z = ( z = 0 ), tiene n races n-simas, que pueden ser expresadas a
travs la siguiente frmula:

>0

( y es nico)

+ 2k
; k = 0, 1, 2, ..., n 1
n

Demostracin A.5

Si

= r =

= r

(r )n =

Ejemplo A.13. Calcular

n
r

r=

= + 2k

+2k
n

1+i

Solucin: Como es una raz cuadrada tendr dos soluciones z1 y z2 .

=

2= 42

4
4
1+1i = 2 =
1+i
1 + i = { 2 , 2 9 }
k=0
1 = /8
/4+2k
4
8
8
=

2
k=1
2 = 9/8

En este caso, las dos races solucin son nmeros complejos, cuya valor puede dejarse en forma
polar. Notar que ambas solucines son complejos opuestos 9 , ya que 2 = 1 + y por tanto10
z1 = z2 .
Ejemplo A.14. Calcular

Solucin: En este caso al ser una raz cbica tendr tres soluciones z1 , z2 y z3 .

= 31=1



1 =
k=0
3
3
3
1 + 0i = 1 =
1
1 = {1 , 1 , 1 5 }
+2k
3
3
k=1
2 =
= 3

k=2
3 = 5
3

Notar que 1 es el nmero real 1, por tanto


una real (-1).

9 Ver

10 Ver

1 tiene dos soluciones complejas (1 , 1 5 ) y


3
3

la Seccin A.3.1, pgina 231.


la Seccin A.7.1, pgina 239.

Clases de lgebra

Pedro Jos Hernando Oter

A.8. Forma Exponencial

243

Geometra de las Races n-simas

Las n races n-simas de un complejo z forman, al dibujarlas en el plano complejo, un polgono


regular de n lados inscrito en una circunferencia de radio n |z|.
Ejemplo A.15. Calcular

z con z = 2e 3 i y representar el resultado en el plano complejo.

Solucin:
Im
z
z2
z3

z1

z4

Re

z5

5
= 2 1.15

2e 3

/3+2k
=

k=0

1 =

15

k=1

2 =

7
15

k=2

3 =

13
15

k=3

4 =

19
15

k=4

5 =

5
3

A.8. Forma Exponencial

Denicin A.21 (Forma Exponencial)


Un nmero z se puede expresar en la forma exponencial como sigue:

z = a + bi = = (cos + i sen ) = ei
Las utilidades de la forma exponencial son las mismas que las de la forma polar.

A.8.1. Operaciones en Forma Exponencial


Sean z = a + bi = = ei

z = a + b i = = ei

zz = ( )e(+ )i

z
=
z

e( )i

z n = n eni

Nota A.5.

La demostracin en inmediata en base a la Seccin A.7.1, pgina 239 y la Seccin A.7.4, pgina 241.

Pedro Jos Hernando Oter

Clases de lgebra

244

TEMA A: Nmeros Complejos

100
Ejemplo A.16. Dados los nmeros z1 = 1 + i y z2 = 1 i calcular z1 z2 , z1 /z2 y z1
utilizando la forma exponencial.

Solucin:

i
i
2e 4
;
z = 1 i = 2e 4

z1 z2 = ( 2)( 2)e( 4 4 )i = 2e0 = 2

i
z1
2
= e( 4 + 4 )i = e 2 = i
z2
2

z =1+i=

i100
100
z1 = ( 2)100 e 4 = 250 ei25 = 250 ei[12(2)+] = 250 ei = 250

A.8.2. Seno y Coseno Complejo


Teniendo en cuenta la frmula de Euler 11 , las funciones trigonomtricas seno y coseno de un nmero
real se pueden denir como:
cos =

2 cos
cos + i sen + cos i sen
=
= cos
2
2

sen =

ei + ei
2
ei ei
2i

2i sen
sen + i sen cos + i sen
=
= sen
2i
2i

Siguiendo estas frmulas se pueden denir las funciones trigonomtricas seno y coseno en el campo
de los nmeros complejos de la siguiente forma.

Denicin A.22 (Seno y Coseno Complejo)


Las funciones trigonomtricas seno, coseno y tangente se denen en el plano complejo de la
siguiente forma:

ezi ezi

sen z =

2i

sen z
ezi ezi
ezi ezi
tan z =
=
= i zi
zi + ezi )

cos z
i(e
e + ezi

ezi + ezi

cos z =
2
Nota A.6. Se denen las Funciones Hiperblicas: seno hiperblico, coseno hiperblico y tangente hiperblica, de un
nmero x , de la siguiente forma:

senh (x) =

ex ex
2

cosh (x) =

ex + ex
2

Vericndose, entre otras, la siguiente propiedad bsica:

11 Ver

tanh (x) =

senh (x)
ex ex
= x
cosh (x)
e + ex

cosh 2 (x) senh 2 (x) = 1

el Teorema A.1, pgina 240.

Clases de lgebra

Pedro Jos Hernando Oter

A.8. Forma Exponencial

245

A.8.3. Logaritmo Complejo


Teorema A.3 (Logaritmo Complejo)
Dado un nmero complejo z = a + bi = = ei , con z = 0, se dene el logaritmo (natural
o neperiano) complejo de la siguiente forma:
log z = log ( ) = log + ( + 2k)i

Demostracin A.6
Sea z = y queremos calcular log z = x + yi :
z=e

Nota A.7.

x+yi

= e (cos y + i sen y) =

ex
y

ex

x = log

y + 2k

El cambio de base 12 en los logaritmos complejos se hace de forma anloga a los logaritmos reales:
(Frmula de Cambio de Base)

loga z = logb z loga b

Existen innitos logaritmos neperianos de un z = 0, que se obtienen a travs de la frmula del


Teorema A.3, dndo valores a k.

U
P

Denicin A.23 (Logaritmo Principal)


Se denomina logaritmo principal de z = 0 a aquel logaritmo cuya parte imaginaria, ( + 2k),
es positiva y lo ms pequea posible.

Ejemplo A.17. Calcular el logaritmo principal del nmero z =

3 + i.

Solucin:
z=

log(z) = log 2 + (

3 + i = 2
6

+ 2k)i
6

Z
(Contina en la pgina siguiente)

12 El

logaritmo en base b de un nmero x se dene como:


logb x = y

Pedro Jos Hernando Oter

by = x

Clases de lgebra

246

TEMA A: Nmeros Complejos

Ejemplo A.17 (Continuacin).


Tenemos que encontrar el valor de k que hace ( + 2k), es positiva y lo ms pequea posible.
.
.
.
k = 1

( 2) = 11
6

k=0

() =

k=1

( + 2) =

13
6

k=2

( + 4) =

25
6

.
.
.
Por tanto, en este caso el logaritmo principal es:

log ( 3 + i) = log 2 + i
6
Ejemplo A.18. Comprobar la veracidad del resultado del ejemplo anterior.
Solucin: Como por denicin de logaritmo:
logb x = y

by = x

En nuestro caso la base es el nmero e y por tanto:

log ( 3 + i) = log 2 + i
6

elog 2+ 6 i =

3+i

Vamos a comprobarlo:
e

log 2+ i
6

=e

log 2

6i

= 2e

6i

=2

3 1
+ i) = 3 + i
= 2(cos + i sen ) = 2(
6
6
2
2

Por tanto, el resultado es correcto.




Clases de lgebra

Pedro Jos Hernando Oter

TEMA

Temas de Repaso
Contenido
B.1
B.2
B.3
B.4
B.5

B.6

B.7
B.8

B.9

B.10

B.11
B.12
B.13

Trigonometra . . . . . . . . . . . . . . . . . . . . . . . . . .
Productos Notables . . . . . . . . . . . . . . . . . . . . . . .
Polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Coordenadas Cartesianas . . . . . . . . . . . . . . . . . . . .
Distancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.5.1 Valor Absoluto . . . . . . . . . . . . . . . . . . . . .
B.5.2 Distancia en
. . . . . . . . . . . . . . . . . . . . .
B.5.3 Distancia en 2 . . . . . . . . . . . . . . . . . . . . .
B.5.4 Distancia en 3 . . . . . . . . . . . . . . . . . . . . .
Vectores Geomtricos en el Plano y en el Espacio . . . . . .
B.6.1 Vectores de Posicin . . . . . . . . . . . . . . . . . .
B.6.2 Vectores que no son de posicin: Vectores Generales .
B.6.3 Vectores Elementales . . . . . . . . . . . . . . . . . .
Vectores en Espacios n , n y n . . . . . . . . . . . . . .
B.7.1 Caracterizacin de Vectores . . . . . . . . . . . . . .
Geometra y Vectores en 2 y 3 . . . . . . . . . . . . . . .
B.8.1 Rectas en 2 . . . . . . . . . . . . . . . . . . . . . .
B.8.2 Conversin entre Formas . . . . . . . . . . . . . . . .
B.8.3 Planos en 3 . . . . . . . . . . . . . . . . . . . . . .
B.8.4 Rectas en 3 . . . . . . . . . . . . . . . . . . . . . .
B.8.5 Frmula de Equilibrio . . . . . . . . . . . . . . . . .
Frmulas Geomtricas sobre Distancias . . . . . . . . . . . .
B.9.1 Producto Escalar y Vectorial en 3 . . . . . . . . . .
B.9.2 Distancia de un Punto a un Recta en 2 . . . . . . .
B.9.3 Distancia entre dos Rectas paralelas en 2 . . . . . .
B.9.4 Distancia de un Punto a un Plano en 3 . . . . . . .
B.9.5 Distancia entre dos Planos Paralelos en 3 . . . . .
B.9.6 Distancia de un Punto a un Recta en 3 . . . . . . .
B.9.7 Distancia entre dos Rectas paralelas en 3 . . . . . .
Geometra de los Sistemas de Ecuaciones en 2 y 3 . . . .
B.10.1 Sistemas de Una Ecuacin . . . . . . . . . . . . . . .
B.10.2 Sistemas de Dos Ecuaciones . . . . . . . . . . . . . .
B.10.3 Sistemas de Tres Ecuaciones . . . . . . . . . . . . . .
Mtodos simples de Resolucin de Sistemas . . . . . . . . . .
Sumatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Introduccin a las Funciones . . . . . . . . . . . . . . . . . .
B.13.1 Tipos de Funciones . . . . . . . . . . . . . . . . . . .
B.13.2 Representacin Grca de Funciones Reales . . . . .
B.13.3 Tipos de Funciones . . . . . . . . . . . . . . . . . . .
B.13.4 Funcin Inversa (o Recproca) f 1 (x) . . . . . . . . .
B.13.5 Composicin de Funciones . . . . . . . . . . . . . . .

R
R
R

R
R
R

R C K
R R

R
R
R
R
R
R
R R

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

248
248
249
251
252
252
252
252
253
253
253
254
255
255
256
257
257
258
259
260
261
262
262
262
262
263
263
263
263
264
264
265
266
268
269
270
270
271
272
273
274

247

248

Temas de Repaso

B.1. Trigonometra
2 Radianes = 360
/2

2
rad

rad =

(grad) 2
360

/3
/4

Grados
Radianes

0 = 2

0o
0

30o
/6

sen
cos
tan

/6

3600
grad

0
1
0

1/2

3/2

1/ 3 = 3/3

45o
/4

2/2
2/2
1

60o
/3

3/2
1/2

90o
/2
1
0
+

3/2

tan = +
2

Tener en cuenta los valores de la tangente de


respectivamente + y .

= 90o y

3
2

= 270o son
tan 3 =
2

Inversas de Funciones Trigonomtricas y Funciones Inversas


1
sen(x)

cosec (x) =

arcsen (x) = sen1 (x)

1
cos(x)

sec (x) =

arcos (x) = cos1 (x)

1
tan(x)

cot (x) =

arctg (x) = tan1 (x)

Relaciones Trigonomtricas Bsicas

a2 + b2 = c2

(Teorema Pitgoras)

sen2 x + cos2 x = 1

sen(x y) = sen x cos y cos x sen y

sen(2x) = 2 sen x cos x

cos(x y) = cos x cos y

cos(2x) = cos2 x sen2 x

tan(x y) =

tan(2x) =

sen x sen y

tan x tan y
1 tan x tan y

2 tan x
1 tan2 x

B.2. Productos Notables


(a + b)(a b) = a2 b2

(a + b)2 = a2 + 2ab + b2

(a + b)3 = a3 + 3a2 b + 3ab2 + b3

(a b)2 = a2 2ab + b2

(a b)3 = a3 3a2 b + 3ab2 b3

Clases de lgebra

Pedro Jos Hernando Oter

B.3. Polinomios

249

B.3. Polinomios
Denicin
P (x) = an xn + an1 xn1 + . . . + a1 x + a0

a0
an

Monomio

:
:
:
:

ai

Grado del polinomio (si an = 0)


Trmino independiente
Coeciente principal o director
Cada uno de los trminos

Divisibilidad de Polinomios

Se dice que un polinomio P (x) es divisible por otro polinomio Q(x) si existe un determinado
polinomio C(x) tal que:
grado P (x) grado Q(x)

P (x) = Q(x) C(x)


Generalizacin

Grado R(x) < grado Q(x)

P (x) = Q(x) C(x) + R(x)

Dividendo

Q(x)

Divisor

Resto

P(x)
R(x)

C(x)

Cociente

Ejemplo B.1. Dividir el polinomio P (x) = 6x4 +4x2 +x4 entre el polinomio Q(x) = 2x2 1.
Solucin
6x4 + 4x2 + x - 5
-6x4 + 3x2

2x2 - 1
3x2 + 7/2

7x2 + x - 5
-7x2
+ 7/2

x - 3/2

Runi
Caso: Q(x) = x a
3x3 - 5x2 + 2x - 7

Pedro Jos Hernando Oter

-7

-5

x-2

Q(x) = 3x2 + x + 4
R(x) = 1

Clases de lgebra

250

Temas de Repaso

Races de un Polinomio
Se dice que r

R es una raz del polinomio P (x) si:


P (r) = 0

R
!

Teorema B.1 (Teorema del Resto)


El resto de la divisin del polinomio P (x) por x coincide con P ().

Nota B.1.

Esto es claro, pues al efectuar la divisin tenemos:


P (x) = (x )C(x) + R(x)

Si x =

P () = R.

Teorema B.2
El polinomio P (x) es divisible por x si y slo si P () = 0.

Clculo de las Races de un Polinomio


Sea un polinomio P (x) con todos sus coecientes ai enteros. Entonces:
1. Si tiene una raz entera r , sta debe ser un divisor de a0 .
2. Si tiene una raz racional r = p/q (irreducible), entonces el numerador p debe ser un divisor de
a0 y el denominador q debe ser un divisor del coeciente principal an .
Descomposicin de un Polinomio en Factores
Si un polinomio P (x) de grado n tiene las races r1 , . . . rm , entonces se puede descomponer de la
forma:
P (x) = (x r1 )(x r2 ) (x rm )Cm (x)

donde Cm (x) es un polinomio de grado n m.

En particular si P (x) tiene tantas races reales como su grado, es decir r = m, entonces:
P (x) = an (x r1 )(x r2 ) (x rm )
siendo an el coeciente principal.

Clases de lgebra

Pedro Jos Hernando Oter

B.4. Coordenadas Cartesianas

251

Polinomios Irreducibles
Un polinomio se dice irreducible si no pude descomponerse en producto de dos o ms polinomios de
grado mayor o igual que uno.
Todos los polinomios de grado cero (las constantes) y de grado uno son irreducibles.
No existen polinomios irreducibles de grado mayor o igual que tres.
Los polinomios de grado dos irreducibles son los que no tienen races reales (por ejemplo
P (x) = x2 + 1).

B.4. Coordenadas Cartesianas


La localizacin de un punto en el plano 2D (bidimensional) o en el espacio 3D (tridimensional) se
realiza mediante la utilizacin del sistema de coordenadas cartesianas.
Y

2
1
0

X
-1

Y
X

-2
-3
-3

-2

-1

Figura B.1.: Sistemas de coordenadas cartesianas en 2D y 3D.

Las coordenadas cartesianas (x, y) de un punto P en el plano (2D) son los nmeros en los cuales
rectas perpendiculares a los ejes que pasan por el punto P , cortan a los ejes.
De igual forma, las coordenadas cartesianas (x, y, z) de un un punto P en el espacio (3D) son los
nmeros en los cuales planos perpendiculares a los ejes que pasan por el punto P , cortan a los ejes.
Z

(x, y)

y
x

(x, y, z)
y

Figura B.2.: Puntos en el plano (2D) y en el espacio (3D).

Pedro Jos Hernando Oter

Clases de lgebra

252

Temas de Repaso

B.5. Distancia

B.5.1. Valor Absoluto


Denicin B.1 (Valor Absoluto)
Dado un nmero real x se dene su valor absoluto como:

|x| =

x
x

x2 =

si
si

x0
x<0

El concepto de valor absoluto se puede generalizar para nmero complejos


de un nmero complejo:
z = a + bi

B.5.2. Distancia en

|z| =

C a travs del mdulo

a2 + b2

La distancia entre dos nmeros reales se dene como:

x1

x2

d(x1 , x2 ) = |x1 x2 | =
=

Nota B.2.

(x1 x2 )2 =

(x2 x1 )2 = |x2 x1 | = d(x2 , x1 )

(a b)2 = a2 + b2 2ab
(b a)2 = b2 + a2 2ab

(a b)2 = (b a)2

Ejemplo B.2.
d(2, 5) = |2 (5)| = |7| = 7

B.5.3. Distancia en
En el plano

R2

d(5, 2) = | 5 2| = | 7| = 7

R2 la distancia entre dos puntos se dene como:

Teorema de Pitgoras

y2
d

d2 = (x2 x1 )2 + (y2 y1 )2

y2 y1

d(A, B) =

y1
x2 x1

A
x1

Clases de lgebra

=
x2

(x2 x1 )2 + (y2 y1 )2 =

(x1 x2 )2 + (y1 y2 )2 = d(B, A)

Pedro Jos Hernando Oter

B.6. Vectores Geomtricos en el Plano y en el Espacio

253

Ejemplo B.3.
[1 (1)]2 + [2 (1)]2 =

d[(1, 2), (1, 1)] =

B.5.4. Distancia en
En el espacio

R3

4+9=

13

R3 la distancia entre dos puntos se dene como:


Z

B
z2 z1

A
d1
x2

d1 =

d(A, B) =

y1 y2

=
Y

x1

(x2 x1 )2 + (y2 y1 )2
d2 + (z2 z1 )2 =
1

(x1 x2 )2 + (y1 y2 )2 + (z2 z1 )2 = d(B, A)

d1

B.6. Vectores Geomtricos en el Plano y en el Espacio

Denicin B.2 (Vector Geomtrico)


Un vector1 geomtrico es un segmento de recta dirigido que corresponde a un
desplazamiento desde un punto A(x1 , y1 ) a otro B(x2 , y2 ).

v = AB = [x2 x1 , y2 y1 ]

A
B

: punto inicial
: punto nal

B.6.1. Vectores de Posicin


Denicin B.3 (Vector Posicin)

Se denomina vector posicin al vector geomtrico AB en el que el punto inicio es el origen


A = O = (0, 0, 0).
Es natural representar los vectores posicin utilizando coordenadas encerradas entre parntesis
cuadrados, [ ]. A las coordenadas se le denominan componentes del vector.
Plano (2D)
Espacio (3D)
1 La

A
B

=
=

(x, y)
(x, y, z)

a = OA = [x, y]

= b = OB = [x, y, z]

palabra vector proviene de la raz latina vector, vectoris que signica que conduce.

Pedro Jos Hernando Oter

Clases de lgebra

254

Temas de Repaso
Z

z2

y2

z1
A

v = AB
y1

y1

x1

y2

x2

x2

x1

Figura B.3.: Vector geomtrico AB en el plano 2D y en el espacio 3D. En el caso del plano: A = (x1 , y1 ) y B = (x2 , y2 ).
En el caso del espacio 3D: A = (x1 , y1 , z1 ) y B = (x2 , y2 , z2 ).

b
c

Figura B.4.: Vectores posicin en el plano y en el espacio 3D.

Denicin B.4 (Vectores Generales)


De forma general, uno puede considerar a un vector como un ente que dirige una cierta
cantidad en una cierta direccin y sentido.

Por ejemplo, el vector v = [3, 2] se puede interpretar como: Estando en un punto cualquiera,
muvete 3 unidades hacia la derecha y despus 2 unidades hacia arriba.

v=

[3,

2]

[0, 2]

B.6.2. Vectores que no son de posicin: Vectores Generales

v = [3, 2] = [3, 0] + [0, 2]

[3, 0]

En este sentido, los vectores OA, BC y DE mostrados en la Figura B.6.2 son iguales2
2 Se

ver otra denicin de igualdad entre vectores.

Clases de lgebra

Pedro Jos Hernando Oter

B.7. Vectores en Espacios

Rn , Cn y Kn

255

4
3
2

A
O

1
6 5 4 3 2 1
1

OA = [3 0, 2 0]

BC = [5 2, 5 3]

DE = [1 (4), 2 (4)]

= [3, 2]
= [3, 2]
= [3, 2]

4
5
6

Las componentes de un vector son un conjunto de nmeros ordenados (pares en 2D, triadas en 3D,
etc.), de forma que el orden de las mismas es muy importante.
v2 = [2, 3]

v1 = [3, 2]

v1 = [3, 2] = v2 = [2, 3]

1
0
0

B.6.3. Vectores Elementales


Vector nulo o cero : 0 = [0, 0, 0]
Vector la: v = [x, y, z]

x
Vector columna : v = y
z

Nota B.3.
El vector nulo 0 = [0, 0, 0] no se puede dibujar, ya que corresponde con el origen.
La distincin entre vector la y vector columna quedar clara en la formacin de matrices, ver Tema ??.
Los vectores tienen siempre ms de una componente. Se denominan escalares a los nmeros (una nica
componente) reales o complejos.

B.7. Vectores en Espacios

Rn, Cn y Kn

Denicin B.5 (Vectores en n )


El conjunto de todos los vectores de n componentes reales se representa por

Rn = {[x1 , x2 , , xn ] :

Pedro Jos Hernando Oter

xi

R,

Rn .

1 i n}

Clases de lgebra

256

Temas de Repaso

Ejemplos:

R2 = {[x, y] : x, y R}
R3 = {[x, y, z] : x, y, z R}
!

Nota B.4.

Los vectores

[1, 0] 2
[1, 1, 1/3]

Rn para n > 3 no se pueden representar grcamente.

Denicin B.6 (Vectores en n )


El conjunto de todos los vectores de n componentes complejas se representa por

Cn = {[x1 , x2 , , xn ] :
Ejemplos:

C2 = {[x, y] : x, y C}
C3 = {[x, y, z] : x, y, z C}

R3

Nota B.5.

En general los vectores

xi

[0, i] 2
[2 + i, i, 1]

C,

Cn .

1 i n}

C3

Cn no se pueden representar grcamente para ningn valor de n > 1.

Denicin B.7 (Vectores en n )


De forma general, se puede hablar de vectores en espacios
bien .

Kn donde K puede ser o bien R o

Nomenclatura
Generalmente la notacin utilizada para referirse a los vectores es la siguiente:
1. v
2. v

K
K

La segunda forma, utilizando letras en negrita, se suele utilizar con vectores complejos para que se
pueda distinguir claramente el conjugado a travs de su rayita.

B.7.1. Caracterizacin de Vectores


Longitud y ngulo
Adems de por sus coordenadas los vectores de
En

Y
v = [x, y]

y
L

Clases de lgebra

R2 :

Rn pueden caracterizarse por su longitud y ngulo.

v = [x, y]

L = x2 + y 2

y
= arctan x
=
2

(Teorema de Pitgoras)
si

x=0

si

x = 0

y>0
y<0

= /2
= /2

Pedro Jos Hernando Oter

B.8. Geometra y Vectores en

R2 y R3

257

B.8. Geometra y Vectores en


Muchos de los problemas geomtricos en
como problemas vectoriales.

B.8.1. Rectas en

R2 y R3

R2 y R3 tienen una fcil resolucin cuando se consideran

R2

Ecuacin de 2 Puntos

Y
y2
m=

y1
y0

y2 y1
= tan
x2 x1

Ecuacin de la recta que pasa por dos


puntos (x1 , y1 ) y (x2 , y2 )
y2 y1
y y1
=
x2 x1
x x1
y = y1 +

y0
m

x2

x1

y2 y1
(x x1 )
x2 x1

Ecuacin Punto-Pendiente
Ecuacin de la recta que pasa por un punto (x1 , y1 ) y tiene pendiente m.
y = y1 + m(x x1 )

y = y0 + mx

y0 = y1 mx1

Ecuacin General de la Recta

Ecuacin general de la recta en el plano 2 :

b = 0

a = bm
ax + by = c

c = by0

a, b, c

Casos particulares: Rectas horizontales y verticales

y=k

x=k
X

Pedro Jos Hernando Oter

Clases de lgebra

258

Temas de Repaso

Forma Vectorial de la Recta en

R2

Una forma alternativa de describir una recta en 2 es a travs de un punto de la misma (x0 , y0 ) y un
vector con la direccin de la recta v = [v1 , v2 ].
El conjunto de todos los puntos de la recta (x, y) viene dado por las siguientes ecuaciones, donde la
variable t es un parmetro.

Forma Vectorial:

x = p + tv

x
y

x0
y0

+t

x
y

Forma Paramtrica:

v1
v2

v
y0

= x 0 + v1 t
= y 0 + v2 t

x
x0

B.8.2. Conversin entre Formas


Conversin de la Forma Paramtrica-Vectorial a la Forma General

t = x x0

v1
y y0
x x0
x = x 0 + v1 t
=
=
=
=
y = y0 + v2 t

v1
v2

t = y y0

v2
donde :

(x0 , y0 )

y = y0 +

v2
(x x0 )
v1

Cualquier punto de la recta

v = [v , v ]

1 2

m=

v2
v1

Conversin de la Forma General a la Forma Paramtrica-Vectorial


y = y0 + mx

Clases de lgebra

x
y

= t
= y0 + mt

Pedro Jos Hernando Oter

B.8. Geometra y Vectores en

R2 y R3

Ecuacin Normal de la Recta en

R2

n = [a, b]
x = [x, y]

ax + by = c =

259

= n x = c

nx=np

n (x p) = 0

Y
n

x = [x, y]

n = [a, b]
donde:

p = [x0 , y0 ]
Resumen : Rectas en

Todos los puntos de la recta (variable).

Un vector normal a la recta (constante)


Un punto cualquiera de la recta (constante)

R2

Forma General
Forma Vectorial (Paramtrica)
Forma Normal

ax + by = c

x = p + tv
n (x p) = 0

y = y0 + m(x x0 )

R3

B.8.3. Planos en
Ecuacin General

ax + by + cz = d

; a, b, c

si

y=0

d
c

d=0
c=0

z =ax+by+c

x=0

d
b

d
a

z=0

Las ecuaciones lineales de dimensin mayor que 3 se denominan hiperplanos:


ax + by + cz + dw = f

Pedro Jos Hernando Oter

Hiperplano de

R4

Clases de lgebra

260

Temas de Repaso

Forma Vectorial y Paramtrica


Una forma alternativa de describir un plano es a partir de un punto del plano (x0 , y0 , z0 ) y dos vectores
del mismo u = [u1 , u2 , u3 ] y v = [v1 , v2 , v3 ].
El conjunto de todos los puntos del plano (x, y, z) viene dado por las siguientes ecuaciones, donde
la variables t, s son parmetros.

x
x0
u1
v1

y = y0 + t u2 + s v2

z
z0
u3
v3
F. Vectorial:

x = p + tu + sv

F. Paramtrica:

x =
y =

z =

x0 + tu1 + sv1
y0 + tu2 + sv2
z0 + tu3 + sv3

Forma Normal
n = [a, b, c]
x = [x, y, z]

ax + by + cz = d =
n

= n x = d = n x = n p =

x = [x, y, z]

n = [a, b, c]
donde :

p = [x0 , y0 , z0 ]

x
p

B.8.4. Rectas en

n (x p) = 0

Todos los puntos del plano (variable).


Un vector normal al plano (constante).
Un punto cualquiera del plano (constante)

R3

Y
X

Clases de lgebra

En 3 la forma general de expresar una recta es


mediante la interseccin de dos planos no paralelos.

a1 x + b1 y + c1 z = d1 Plano 1

a2 x + b2 y + c2 z = d2

Plano 2

Pedro Jos Hernando Oter

B.8. Geometra y Vectores en

R2 y R3

261

Forma Vectorial-Paramtrica

x
x0
v1
Ec. Vectorial: y = y0 + t v2
z
z0
v3

x
y
Forma Paramtrica:

= x 0 + v1 t
= y0 + v 2 t
= z0 + v3 t

x = [x, y, z]

v = [v1 , v2 , v3 ]
donde :

p = [x0 , y0 , z0 ]

v
p
Y
X

Nota B.6. La ecuacin vectorial de una recta en


dimensiones en lugar de dos.

Todos los puntos de la recta (variable).


Un vector director de la recta (constante).
Un punto cualquiera de la recta (constante).

R3 es igual a la ecuacin vectorial en R2 , pero con vectores de tres

Forma Normal
Vendr dada por la interseccin de dos planos expresados en su forma normal.

Todos los puntos de la recta (variable).


x = [x, y, z]

n1 = [n1 , n2 , n3 ]
Un vector normal al plano 1 (constante).

n1 (x p1 ) = 0
n2 = [n1 , n2 , n3 ]
Un vector normal al plano 2 (constante).
n2 (x p2 ) = 0

p1 = [x0 , y0 , z0 ]
Un punto cualquiera del plano 1 (constante).

p2 = [x0 , y0 , z0 ]
Un punto cualquiera del plano 2 (constante).

B.8.5. Frmula de Equilibrio


Un punto tiene dimensin cero
Una recta tiene dimensin uno
Un plano tiene dimensin dos

Frmula de Equilibrio :

necesita 0 parmetros
necesita 1 parmetro
necesita 2 parmetros

:
:
:

x=p
x = p + tv
x = p + tv + su

Num. Ec = Dim. Espacio Dim. Objeto

Ejemplo B.4.
Una recta en

R2

Num. Ec = 2 -1 = 1

Una recta en

R3

Num. Ec = 3 -1 = 2

Un plano en

R3

Num. Ec = 3 -2 = 1

Pedro Jos Hernando Oter

ax + by = c
a1 x + b1 y + c1 z = d1
a2 x + b2 y + c2 z = d2
ax + by + cz = d

Clases de lgebra

262

Temas de Repaso

B.9. Frmulas Geomtricas sobre Distancias


B.9.1. Producto Escalar y Vectorial en

R3

u =
v =

Vectores

[u1 , u2 , u3 ]
[v1 , v2 , v3 ]

Producto Escalar
u v = u1 v1 + u2 v2 + u3 v3

Producto Vectorial
uv =

i
u1
v1

j
u2
v2

k
u3
v3

= (u2 v3 u3 v2 )i + (u3 v1 u1 v3 )j + (u1 v2 u2 v1 )k

B.9.2. Distancia de un Punto a un Recta en


n

P
Q

Punto
Recta

R
d=

R2

P = (x1 , y1 )
Ax + By + C = 0

|Ax1 + By1 + C|

A2 + B 2

Demostracin

RP = RQ + QP ; n RP = n RQ + n QP ; n RP = 0 + n QP ;

|n QP |
|n RP | = |n QP | ; n RP = |n QP | ; d = RP =
n

B.9.3. Distancia entre dos Rectas paralelas en

R2

Punto Recta 1 P = (x1 , y1 )


Recta 2
Ax + By + C = 0

P
Q

d
R

Clases de lgebra

d=

|Ax1 + By1 + C|

A2 + B 2

Pedro Jos Hernando Oter

B.9. Frmulas Geomtricas sobre Distancias

263

B.9.4. Distancia de un Punto a un Plano en

R3

n
A

Punto
Plano

d
P

d=

P = (x1 , y1 , z1 )
Ax + By + Cz + D = 0

|Ax1 + By1 + Cz1 + D|

A2 + B 2 + C 2

B.9.5. Distancia entre dos Planos Paralelos en

R3

n
Punto del Plano 1
Plano 2

P1

P = (x1 , y1 , z1 )
Ax + By + Cz + D = 0

d
d=

P2

|Ax1 + By1 + Cz1 + D|

A2 + B 2 + C 2

B.9.6. Distancia de un Punto a un Recta en


A

Punto A = (x1 , y1 , z1 )
Recta x = p + tv

R3

P
d=

v PA
v

Demostracin

v PA = v

P A sen () = v d

B.9.7. Distancia entre dos Rectas paralelas en

P2
d

P1

Pedro Jos Hernando Oter

R3

Punto Recta 2 P2 = (x2 , y2 , z2 )


Recta 1
x = p2 + tv

v P 1 P2
d=
v

Clases de lgebra

264

Temas de Repaso

B.10. Geometra de los Sistemas de Ecuaciones en

R2 y R3

B.10.1. Sistemas de Una Ecuacin


ax + by = c en

R2

Este sistema de ecuaciones lineales formado por una nica ecuacin de hasta 2 incgnitas,
corresponde a una recta en 2 .

Todos los puntos de la recta verican la ecuacin, por tanto


son las innitas soluciones del sistema formada por esta
nica ecuacin.

Y
c
b
c
a

ax + by = c en

Innitas Soluciones :

c
c
, ...
, 0 , 0,
a
b

R3

El mismo sistema de ecuaciones lineales formado por la nica ecuacin de hasta 2 incgnitas,
corresponde a un plano en 3 .

Todos los puntos del plano que contiene a esta recta


en 2 y es paralelo a eje z (es decir, para cualquier
valor de la variable z) verican la ecuacin, por tanto
son las innitas soluciones del sistema formada por
esta nica ecuacin.

c
a

c
b

ax + by + cz = d en

c
Innitas Soluciones : ( a , 0, 0), (0, c , 0), ...
b

R3

El sistema de ecuaciones lineales formado por una nica ecuacin de hasta 3 incgnitas,
corresponde a un plano en 3 .

Z
y=0

d
c

d
a

d
b

x=0

z=0

Todos los puntos del plano verican esta ecuacin y por tanto son las innitas soluciones del
sistema.

Nota B.7.

Si algn coeciente es nulo, el plano es paralelo al eje de esa variable.

Clases de lgebra

Pedro Jos Hernando Oter

B.10. Geometra de los Sistemas de Ecuaciones en

R2 y R3

265

B.10.2. Sistemas de Dos Ecuaciones

a1 x + b1 y = c1
en 2
a2 x + b2 y = c2
El sistema de ecuaciones lineales formado por dos ecuaciones de hasta 2 incgnitas cada una,
corresponde a dos rectas en plano que pueden:
coincidir : se cortan en innitos puntos.
ser paralelas : no se cortan
ser secantes: se cortan en un nico punto en

R2 .

Y
ys

xs

Por tanto el sistema puede tener una nica solucin (rectas secantes), innitas soluciones
(rectas coincidentes) o ninguna solucin (rectas distintas paralelas)

Nota B.8. Las rectas sern paralelas si tienen igual pendiente, de otra forma sern secantes. Desde otro punto de
vista, dos rectas son paralelas si poseen vectores directores o vectores normales paralelos.

Ejemplo B.5. En

R2 :

Rectas Coincidentes

2x + 3y = 4
4x + 6y = 8

Rectas Paralelas

2x + 3y = 4
4x + 6y = 2

y=
y=

4
3
1
3

2
2
3 x = m1 = 3
2
2
3 x = m2 = 3

Rectas Secantes

2x + 3y = 4
3x + 6y = 5

y=
y=

4
3
5
6

2
2
3 x = m1 = 3
5
5
3 x = m2 = 3

a1 x + b1 y = c1
a2 x + b2 y = c2

en

2(2x + 3y) = 2 2

2x + 3y = 4

R3

El mismo sistema de antes (dos ecuaciones de hasta dos incgnitas) en


dos planos perpendiculares al eje z que pueden ser:

R3 es un conjunto de

coincidentes : innitas soluciones correspondientes a los puntos del plano.


paralelos : sin solucin
secantes: innitas soluciones correspondientes a los puntos de la recta de corte.
Z

Y
X

Pedro Jos Hernando Oter

Y
X

Y
X

Clases de lgebra

266

Temas de Repaso
Por tanto el sistema puede tener:
una nica solucin: planos secantes.
innitas soluciones: planos coincidentes.
ninguna solucin: planos distintas paralelas.

a1 x + b1 y + c1 z = d1
a2 x + b2 y + c2 z = d2

en

R3
R

Un sistema de dos ecuaciones con tres incgnitas en 3 forma un conjunto de dos planos generales
(no necesariamente paralelos al eje z como el caso anterior) en el espacio 3D que pueden ser:
coincidentes: innitas soluciones correspondientes a los puntos del plano.
paralelos: sin solucin.
secantes en una recta : innitas soluciones correspondientes a los puntos de la recta.
Z

B.10.3. Sistemas de Tres Ecuaciones

a1 x + b1 y = c1
a2 x + b2 y = c2

a3 x + b3 y = c3

en

R2

Estas tres rectas pueden ser:


Las tres coincidentes (innitas soluciones)
Las tres paralelas (sin solucin)
Dos coincidentes y una paralela (sin solucin).
Dos coincidentes y una secante (solucin nica).
Dos paralelas y una secante (sin solucin).
Tres secantes en tres puntos (sin solucin).
Tres secantes en un punto (solucin nica).

Y
ys

Clases de lgebra

xs

Pedro Jos Hernando Oter

B.10. Geometra de los Sistemas de Ecuaciones en

R2 y R3

267

a1 x + b1 y + c1 z = d1
a2 x + b2 y + c2 z = d2

a3 x + b3 y + c3 z = d3

en

R3

Estos tres planos pueden ser:


Los tres coincidentes (innitas soluciones en el plano)
Los tres paralelos (sin solucin)
Dos coincidentes y uno paralelo (sin solucin).
Dos coincidentes y uno secante (innitas soluciones en una recta)
Dos paralelos y un secante (sin solucin).
Tres secantes en tres rectas (sin solucin).
Tres secantes en una recta (innitas soluciones en la recta).
Tres secantes en un punto (solucin nica).
Z

Y
X

Y
X

Y
X

Y
X

Para un nmero mayor ecuaciones se obtienen todas las combinaciones posibles de estos casos
anteriores. Por tanto, es necesario disponer mtodos matemticos que sistematicen la caracterizacin
de todas las situaciones, en todos los casos posibles.

Pedro Jos Hernando Oter

Clases de lgebra

268

Temas de Repaso

B.11. Mtodos simples de Resolucin de Sistemas


Existen tres mtodos simples de resolucin de sistemas lineales:
Mtodo de Sustitucin
1. Se despeja una de las incgnitas en una de las ecuaciones.
2. Se sustituye la expresin obtenida en el resto de las ecuaciones, obtenindose un sistema
de n 1 ecuaciones.

3. Se repite el proceso de sustitucin hasta obtener una nica ecuacin con una nica incgnita,
fcil de resolver.

4. La solucin del resto de las incgnitas se obtiene resolviendo las ecuaciones obtenidas hacia
atrs.
Mtodo de Igualacin
1. Se despeja una de las incgnitas en todas las ecuaciones.
2. Se iguala la primera ecuacin al resto de las ecuaciones, obtenindose un sistema de n 1
ecuaciones.
3. Se repite el proceso de igualacin hasta obtener una nica ecuacin con una nica incgnita,
fcil de resolver.
4. La solucin del resto de las incgnitas se obtiene resolviendo las ecuaciones obtenidas hacia
atrs.
Mtodo de Reduccin
1. Se igualan los coecientes (salvo el signo) de una de las incgnitas, entre la primera ecuacin
y el resto de ecuaciones en grupos de dos ecuaciones, mediante multiplicacin por nmeros
apropiados cada una de las ecuaciones.
2. Se suman las ecuaciones obtenindose una nica ecuacin (de cada grupo de dos ecuaciones)
con una incgnita menos.
3. Se repite el proceso de reduccin hasta obtener una nica ecuacin con una nica incgnita,
fcil de resolver.

4. La solucin del resto de las incgnitas se obtiene resolviendo las ecuaciones obtenidas hacia
atrs.
Ejemplo B.6. Resolver el sistema anterior por el mtodo de sustitucin.
Solucin: Despejando de la primera ecuacin:
(B.1)

y = 3x 1
Sustituyendo en la segunda ecuacin el valor de la variable y:
x + (3x 1) = 2

4x 1 = 2

4x = 3

x=

3
4

Sustituyendo este valor en la Ecuacin (B.1):


y=3

Clases de lgebra

3
4

1=

9
1
4

y=

5
4

Pedro Jos Hernando Oter

B.12. Sumatorios

269

Ejemplo B.7. Resolver el siguiente sistema de

R2 :

3x y
x+y

=
=

1
.
2

Solucin: Mediante el mtodo de reduccin, sumando ambas ecuaciones:


4x = 3

x=

3
4

Ejemplo B.8. Resolver el siguiente sistema de


(2 + i)x iy
3x + (2 i)y

y = 3x 1 =

5
4

C2 :
=
1 + i
= 1 + 7i

Solucin: Mediante el mtodo de igualacin, despejando x de ambas ecuaciones:

1+i+iy
1
1
x = 2+i = 5 (1 + i + iy)(2 i) = 5 [1 + 3i + (1 + 2i)y]

1
x = 3 [1 + 7i (2 i)y]

1
1 3i 1 7i
1 2i 2 i
1
[1 + 3i + (1 + 2i)y] = [1 + 7i (2 i)y] ;
+
+
=[

]y
5
3
5
5
3
3
5
3
2 26i
2
2
2 26i = (13 i)y ;
y=
= 2
(1 13i)(13 + i) = 2
(132 + i)i = 2i
13 i
13 + 1
13 + 1
1
1
1
x = [1 + 7i (2 i)y] = [1 + 7i (2 i)(2i)] = (3 + 3i) = 1 + i
3
3
3

B.12. Sumatorios
m

Al smbolo
se le denomina sumatorio y la expresin j=1 se lee sumatorio desde j igual a 1
hasta m. A la variable j se la denomina variable muda y puede ser cualquiera.
Ejemplos:
n

j=1

Pj = P1 + P2 + + Pj .

Pj =
j=1

P .

Pi =
=1

i=1

j=1
n

ak xj = ak x1 + ak x2 + + ak xm = ak (x1 + x2 + + xm ) = ak
m

sa wb =
a=5 b=2

sa
a=5

wb
b=2

xm .
j=1

=
a=5

sa (w2 +w1 + +wm ) = a5 (w2 +w1 + +wm )+

+a6 (w2 + w1 + + wm ) + + an (w2 + w1 + + wm ) =


n

= (a5 + a6 + + an )(w2 + w1 + + wm ) =

Pedro Jos Hernando Oter

sa
a=5

wb
b=2

Clases de lgebra

270

Temas de Repaso

B.13. Introduccin a las Funciones

Denicin B.8 (Funcin o Aplicacin)


Dados dos conjuntos X e Y , se denomina funcin o aplicacin a toda regla que hace
corresponder a cada elemento x del conjunto inicial X (conjunto dominio), un y slo un
elemento y del conjunto nal Y (conjunto imagen).
Se representa por:
f
f : X Y
;
x y

B.13.1. Tipos de Funciones


Funciones Reales y Complejas

R se habla de variable real.


Si X C se habla de variable compleja.
Si Y R se habla de funciones reales.
Si Y C se habla de funciones complejas.

Si X

Ejemplo B.9.
f
f
f
f

:
:
:
:

R R
C R
R C
C C

Funcin
Funcin
Funcin
Funcin

Real de Variable Real.


Real de Variable Compleja.
Compleja de Variable Real.
Compleja de Variable Compleja.

Ej:
Ej:
Ej:
Ej:

f (x) = x2
f (x) = |x|
f (x) = ix
f (x) = x2

;
;
;
;

x
x
x
x

R
C
R
C

Funciones Escalares y Vectoriales


Dada una funcin general:
f:

Kn Km

Si

n = 1 Funcin de una variable


n > 1 Funcin de varias variables.

Si

m = 1 Funcin Escalar
m > 1 Funcin Vectorial .
f (x1 , x2 , . . . , xn ) = [ f1 (x1 , x2 , . . . , xn ) , f2 (x1 , x2 , . . . , xn ) , . . . , fm (x1 , x2 , . . . , xn ) ]

Ejemplos de Funciones Reales:


f:
g:
h:

R32 R2
R R
R R3

Clases de lgebra

F (x, y) = [x, sen(x, y)]


g(x, y, z) = x + yz
H(x) = [x, x2 , x3 ]

Funcin Vectorial de varias variables.


Funcin Escalar de varias variables.
Funcin Vectorial de una variable.

Pedro Jos Hernando Oter

B.13. Introduccin a las Funciones

271

B.13.2. Representacin Grca de Funciones Reales


Existen dos formas muy utilizadas de representar grcamente una funcin real de variable real
f: X Y.
Grca: Conj. de puntos (x, y)
a
y
Imagen (o recorrido)

f (x)
f (x)

En un eje de coordenadas cartesianas.

Dominio

Dominio

A travs de diagramas de Venn.

Imagen

x
x : Variable independiente
y : Variable dependiente

Para las tradicionales funciones escalares:

Si n = 1 =
f : n
Si n = 2 =

Si n 3 =

La grca es una curva en 2 .


La grca es una supercie en 3 .
La grca no se puede visualizar.

Las funciones vectoriales clsicas que se pueden dibujar son:


f:

R2 R2

f:

R3 R3

Ejemplos
x2+y2

200

150

100

50

0
10
10

5
5

0
0
5
y

Figura B.5.: f :

R R

5
10

10

Figura B.6.: f :

R2 R

Figura B.8.: f :

R3 R3

3
3

Figura B.7.: f :

Pedro Jos Hernando Oter

R2 R2

Clases de lgebra

272

Temas de Repaso

B.13.3. Tipos de Funciones


Funcin Inyectiva: si a elementos distintos del dominio le corresponden elementos distintos de
la imagen.
f : A B es inyectiva x, y A : x = y f (x) = f (y)
Funcin Sobreyectiva: si todo elemento del conjunto imagen es imagen de algn elemento del
dominio.
f : A B es sobreyectiva y B : x A : f (x) = y
Funcin Biyectiva: si es inyectiva y sobreyectiva a la vez.
Ejemplos

Figura B.9.: Inyectiva, no sobreyectiva.

Figura B.10.: Sobreyectiva, no inyectiva.

Figura B.11.: Biyectiva.

Figura B.12.: No sobreyectiva, no inyectiva.

y3

y2
y1
x1

x2

No es inyectiva

Si es inyectiva

No es sobreyectiva

pero no es sobreyectiva

Biyectiva

No es una funcin
o

Figura B.13.: Ejemplos grcos de funciones reales de variable real.

Clases de lgebra

Pedro Jos Hernando Oter

B.13. Introduccin a las Funciones

273

B.13.4. Funcin Inversa (o Recproca) f 1 (x)


Denicin B.9 (Funcin Inversa o Recproca)
Dada una funcin inyectiva f : X Y , se dene la funcin inversa (o recproca) de f
como:
f 1 : Y X

En caso de que exista, la funcin inversa f 1 (x) de una funcin dada f (x) es aquella funcin
que tiene por conjunto dominio el conjunto imagen de f (x) y por conjunto imagen el conjunto
dominio de f (x).

La representacin grca de f 1 (x) es una reexin de la grca de f (x) con respecto a la recta
y = x. La Figura B.14 muestra grcamente dos casos sencillos de la funcin inversa, en relacin a la
funcin original.
f 1(x) =

f 1(x) = ex + 1

f (x) = x3
f (x) = log(x 1)

Figura B.14.: Dos ejemplos de representacin grca de una funcin f (x) junto a su correspondiente funcin inversa
f 1 (x). Puede apreciarse como ambas son una reexin respecto de de la recta y = x.

La condicin necesaria y suciente para que una funcin sea invertible es que sea biyectiva 3 .
Nota B.9.

La funcin inversa f 1 (x) es distinta que la inversa de una funcin [f (x)]1 :


[f (x)]1 =

Inversa de la funcin

f 1 (x)
Funcin inversa

Ejemplo B.10. Calcular, en caso de que exista, la funcin inversa f 1 (x) de f (x) = 2x + 1.
=

si existe su

Solucin: Esta funcin es claramente inyectiva al ser una recta no vertical


funcin inversa. Para calcularla:
1. y = 2x + 1
f (x) = 2x + 1

y1
2. x =
2
3. f 1 (x) =
3 Ver

1
f (x)

x1
2

f 1(x) =

x1
2

el Apndice B.13.3, pgina 272.

Pedro Jos Hernando Oter

Clases de lgebra

274

Temas de Repaso

B.13.5. Composicin de Funciones


Denicin B.10 (Composicin de Funciones)
Dadas las funciones:
f : X Y
g : W X

se dene, la composicin de la funcin f con la funcin g de la siguiente forma:


g

(f g)(x) = f [g(x)]

x g(x) f [g(x)]

Caractersticas:
La expresin (f g)(x) se lee f compuesta de g.
El dominio de f debe ser la imagen de g.
El dominio de la nueva funcin (f g)(x) es el dominio de g(x) y su imagen es la imagen
de f (x).
(f g) : W Y

Nota B.10.

En algunos textos, la composicin de funciones se dene al contrario de como se dene aqu, de la forma:
(f g)(x) = g[f (x)]

Ejemplo B.11. Dadas las siguientes funciones f (x) y g(x) determinar (f g)(x) y (g f )(x)
Solucin:
f (x) = cos(x)
g(x) = x2 + 1
Nota B.11.

La composicin de funciones es asociativa pero no es conmutativa.


[h (g f )](x) = h[(g f )(x)] = h{g[f (x)]}
[(h g) f ](x) = (h g)[f (x)] = h{g[f (x)]}

Sin embargo generalmente:

Iguales !!

Es asociativa

(f g)(x) = (g f )(x) como se ve en el Ejemplo B.11.




(f g)(x) = f [g(x)] = cos(x2 + 1)


(g f )(x) = g[f (x)] = cos2 (x) + 1

Clases de lgebra

Pedro Jos Hernando Oter

S-ar putea să vă placă și