Documente Academic
Documente Profesional
Documente Cultură
lgebra Lineal
para Ingeniera
ndice
Tema
Pgina
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
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 . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
167
169
170
170
170
172
172
174
180
180
181
Clases de lgebra
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Residuos
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ndice
v
9.5.3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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 . . . . . . . . . . . . . . . . . .
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
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
Clases de lgebra
TEMA
1.2
1.3
1.4
1.5
1.6
1.7
1.8
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
M. Identidad
Rango
Teo. Rouche-Frobenius
Matrices
Sol. Trivial
SEL Homogneos
Met. Gauss-Jordan
SEL Grandes
Mt. Gauss
M. Escalonada Reducida
M. Escalonada
Mtodos de Resolucin
Ec. Equivalentes
SEL
2
TEMA 1: Sistemas de Ecuaciones Lineales
3x 5y
x+y
=
=
0
24
= c
Incgnitas
Constantes
: x, y.
: a, b, c.
Clases de lgebra
U
U
P
!
U
U
U
=
=
c1 ln (y)
c2
Rn
Clases de lgebra
Rn = {(x1 , x2 , , xn ) :
xi
R,
Rn .
1 i n}
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
Rn , siendo n el
= 5
= 15
R2 .
+
+
a12 x2
a22 x2
.
.
.
+
+
+
+
am1 x1
am2 x2
+ amn xn
a1n xn
a2n xn
.
.
.
=
=
Rn , al conjunto nito
b1
b2
.
.
.
= bm
donde:
aij
1 Ver
Clases de lgebra
=
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
ax + by + cz = d
Rn
a, b, c, d
Rn .
a1 x1 + a2 x2 + + an xn = b
Si b = 0 el hiperplano pasa por el origen (0, 0, . . . , 0)
Rn .
Rn denido mediante
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
Clases de lgebra
Rn
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.
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 .
R no nulo.
R no nulo.
No paralelos: si Xi = cXj , para cualquier c R no nulo.
Clases de lgebra
Ejemplo 1.5.
Dos rectas secantes son concurrentes en un punto.
Dos planos secantes son concurrentes en una recta.
Rn
a11 x1 + a12 x2 +
a21 x1 + a22 x2 +
.
.
.
.
.
.
am1 x1 + am2 x2 +
+
+
a1n xn
a2n xn
.
.
.
=
=
b1
b2
.
.
.
+ amn xn
bm
R2 :
ax + by = c
R2 :
a1 x + b1 y
a2 x + b2 y
= c1
= c2
4 Ver
Clases de lgebra
Rn al que pertenece.
Rn
R3 :
ax + by + cz = d
R3 :
= d1
= d2
R4 :
R4 .
Conclusin
Sea un SEL en
R5 :
: E1
: E2
R5 . Llamando E1 a la
R no nulo.
R no nulo.
Clases de lgebra
10
= 2 x1 + 4x3
= 6x3 + 2x4 9x5
1
9
x4 = 1 x1 + 5x3 + x5
2
2
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 :
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
Clases de lgebra
Rn
11
U
P
Ejemplo 1.8.
E=
i=1
ai Ei = a1 E1 + a2 E2 + + am Em
ai
9 Ver
Clases de lgebra
12
R2 :
E1
E2
: xy =1
: 2x + 3y = 4
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:
Rn
Clases de lgebra
U
P
!
Rn
13
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.
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
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
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
R2 :
= 1
= 3
xy
y
=
=
1
1
R3 :
;
3x + 3y 3z
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
Clases de lgebra
1.5. Matrices
Ejemplo 1.16.
3x + 2y z
xy+z
2x + y + 3z
15
= 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.
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
+
+
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.
Clases de lgebra
16
;
aij
;
A mn
Amn = .
.
.
.
.
.
.
.
.
am1
donde
am2
amn
1
2
1
3
R22
A33
0
= 1
8
2
3
1
1
4 2
R33
+
+
a12 x2
a22 x2
.
.
.
+
+
+
+
a1n xn
a2n xn
.
.
.
=
=
am1 x1
+ am2 x2
amn xn
= bm
b1
b2
.
.
.
mn
A=
; A|B =
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
am1 am2 amn
am1 am2 amn bm
Rm(n+1)
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
1.5. Matrices
17
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
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
Clases de lgebra
18
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.
Si rang(A) = n
Si rang(A) < n
Nota 1.5.
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
19
+
+
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
+
+
x2
3x2
x2
+
+
x3
x3
2x3
=
3
=
5
= 5
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
x2 = x3 1 = 1
Clases de lgebra
20
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
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
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
1
1
2
21
y
y
2z
z
=
=
1
1
w = 1 + x + y 2z = 1 + x + 1 + z 2z = 2 + x z
1
1
2
2+ts
w
x
t 0
= + t1 + s 0
=
1
0
y
1+s 1
1
0
0
s
z
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.
Clases de lgebra
22
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.
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
21 Ver
Clases de lgebra
23
x2 = 1
x3 = 2
In =
1
0
.
.
.
0
1
.
.
.
0
0
.
.
.
Rnn
+
+
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 indeterminado, con innitas soluciones, (una de ellas
la solucin trivial).
23 Ver
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
Operaciones
Independencia Lineal
Rango de un Sist.
Sistemas de Vectores
Dependencia Lineal
Subespacios Vectoriales
Espacios Vectoriales
Base Cannica
Bases
Dimensin
Sistema Generador
Vectores
Propiedades
Producto Escalar
Norma Eucldea
Aplicaciones Geomtricas
Proyeccin Ortogonal
Ortogonalidad
26
TEMA 2: Espacios Vectoriales
Rn
27
Rn
vi
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
z
Y
v = [x, y]
v
xi
Rn .
v = [x, y, z]
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.
Clases de lgebra
28
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
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
Ejemplo 2.3. En
Solucin:
u+
s=
v
v
v
s
u
Y
4
3
2
1
1
v=
x+
1 2
x
Clases de lgebra
4 X
29
Ejemplo 2.4. En
Solucin:
Rn por un escalar 5 R de la
Rn ,
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
ei = [0, 0, , 1, , 0]
5 La
Clases de lgebra
30
u v = u + (v)
Ejemplo 2.6. En
Solucin:
Y
4
3
u
v
4 3 2 1
1
4 X
vu
Rn
uv
u, v
3
4
u+v =v+u
Asociativa de la Suma
(u + v) + w = u + (v + w)
(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
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
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
31
w)
)+
u+
v+
+v
(
u+
u
=(
R3 .
v+
Ejemplo 2.10.
Kn , siendo K
R K
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.
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
Clases de lgebra
32
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
x + y z + 5w t = 0
3x 5t
= 0
y + 2z w
= 0
forman un subespacio vectorial de
R5 .
9 Es
Rn .
Clases de lgebra
33
v = c1 v1 + c2 v2 + + cm vm =
cj vj
j=1
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]
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
Clases de lgebra
34
1 v1 + 2 v2 + + p vp = 0
R.
Clases de lgebra
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.
v u = v
au + bv = 0
u, v, w coplanarios u = v+ w
v
w
au + bv + cw = 0
a, b, c
v1 , v2 , vn co-hiperplanarios v1 = 2 v2 + 3 v3 + + n vn
a1 v1 + a2 v2 + + an vn = 0
ai
Clases de lgebra
36
v = c1 w1 + + ck wk
wi W
V
W1
W2
W3
W4
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}
2.5.2. Generacin de
Rn
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
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 .
Y
v
2v
u 2v
v
X
2
u+
3v
Y
u
Una base de
2v
R2
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
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 .
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
Clases de lgebra
38
uv
u
v
R3
R3 :
e1 = [1, 0, 0]
e2 = [0, 1, 0]
e3 = [0, 0, 1]
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 .
Rn
Una base de
ser cualquier conjunto de exactamente n vectores no co-hiperplanarios
(linealmente independientes)18 .
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
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
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
Clases de lgebra
40
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
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
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
22 En
Clases de lgebra
Rn
41
R3 :
v = [3, 5, 2]
Solucin:
u v = [1, 2, 3] [3, 5, 2] = 1 (3) + 2 5 + (3) 2 = 3 + 10 6 = 1
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.
Rn
A(a1 , , an )
B(b1 , , bn )
d(A, B) = d(B, A) =
(a1 b1 )2 + (an bn )2 =
i=1
(ai bi )2
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)
Rn con xi R, se tiene:
n
d(A, 0) =
x2 + x2 =
n
1
x2
i
i=1
Clases de lgebra
42
Nota 2.5.
Si
Caso especial:
Rn = R
d(A, 0) =
x2 = |x|
Rn
R
Rn
v =
2
2
v1 + vn =
n
2
vi =
vi vi =
i=1
i=1
vv
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.
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
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+
R2 .
25 Ver
Clases de lgebra
43
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.
d(u, v) = u v = v u = d(v, u)
Nota 2.8.
uv
u
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
Clases de lgebra
44
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
y2
v2
Despejando:
v1
v2 cos = x1 x2 + y1 y2 = v1 v2
Rn
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
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.
R2 y R3 , aunque desde
Rn
uv = u
v cos
Rn fue:
n
u v = [u1 , u2 , , un ] [v1 , v2 , , vn ] = u1 v1 + u2 v2 + + un vn =
26 Ver
uk vk
k=1
Clases de lgebra
45
uv =0
Nota 2.12.
u, v ortogonales
v0=0 ;
Rn
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
= u
+ v
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.
Clases de lgebra
46
R2 y R3
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:
proyu (v) =
uv
uu
u=
Y
v 3
2
1
1
2 1
[2, 1] =
,
5
5 5
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
47
R R
R2 y R3
d = P A proyv (P A)
R2 y R3
P2
d = P1 P2 proyv (P1 P2 )
P1
R3
n
A
d = proyn (P A)
d
P
R3
n
P1
d = proyn (P1 P2 )
d
P2
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
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
Nulidad
Subespacios Mat.
Bases
50
TEMA 3: Matrices
3.0. Matrices
51
3.0. Matrices
;
aij
;
A = [aij ] mn
Amn = .
.
.
.
.
.
.
.
.
am1
am2
amn
a1i
a2i
A = c1 c2 cn
;
ci = .
.
.
ami
cn
A=
f1
f2
.
.
.
fm
fi =
ai1
ai2
Rm , podemos
Rn ,
podemos
ain
Clases de lgebra
52
TEMA 3: Matrices
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.
0 0 0
0 0 0
Omn = . .
.
.
. .
. .
.
0 0 0
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
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
Clases de lgebra
54
TEMA 3: Matrices
a11 a1n
b11 b1n
.
. + .
.
.
. .
.
A + B = [aij ] + [bij ] = .
.
.
.
am1 amn
bm1 bmn
a11 + b11
.
.
=
.
am1 + bm1
a1n + b1n
.
.
= [aij + bij ] = [cij ] = C
.
amn + bmn
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
Clases de lgebra
55
AB = .
.
. =
.
. .
.
.
.
. .
.
.
.
.
.
.
.
am1
f1A
f2A
.
.
.
fmA
am2
bn1
amn
bn2
bnp
f1A c1B
f2A c1B
.
.
.
f1A c2B
f2A c2B
.
.
.
f1A cnB
f2A cnB
.
.
.
fmA c1B
fmA c2B
fmA cnB
=C
!
Nota 3.1.
aik bkj
k=1
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
=
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
AV = .
= Cm1
.
.
. . =
.
.
. .
.
.
.
.
.
.
am1
am2
amn
vn
V A = v1 v2 vm .
.
. =
.
.
.
.
.
.
am1 am2 amn
Rmn da
= C1n
w1
v1 w1
w2
v2 w1
W V = . v1 v 2 vn = .
.
.
.
.
wn
vn w 1
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
Clases de lgebra
57
y ej
R1n . Entonces
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
N,
An = AA A
n veces
Rnn y r, s N, se verica:
Ar As = Ar+s .
(Ar )s = Ars .
Por denicin A0 = In .
4 Ver
Clases de lgebra
58
TEMA 3: Matrices
A = [aij ]
A=
Rnm
AT = [aji ] i, j
a11
a21
a12
a22
AT = .
.
.
.
.
.
a1n
a2n
am1
am2
.
.
.
amn
R
Una matriz cuadrada A Rnn se dice que es antisimtrica si AT = 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 .
Clases de lgebra
59
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
A = c1 A1 + c2 A2 + + ck Ak =
cj Aj
j=1
c1 A1 + c2 A2 + + ck Ak = 0mn
es la solucin trivial 6 : c1 = c2 = = ck = 0.
c1 A1 + c2 A2 + + ck Ak = 0mn
6 Ver
Clases de lgebra
60
TEMA 3: Matrices
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
Nota 3.3.
Rnm : AR = Im
Inversa por la izquierda: L Rnm : LA = In
Rmn , se denomina :
Si A es invertible entonces R = L = A1 .
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
.
.
.
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
1
a11 a12 a1n
a21 a22 a2n
0
.
.
.
.
.
.
.
.
.
.
.
.
0
an1 an2 ann
A
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
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
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
Clases de lgebra
62
TEMA 3: Matrices
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.
A1 es nica.
El SEL Ax = b es compatible determinado y su solucin nica viene dada por:
x = A1 b
Rm :
Rn
Rmn :
8 Estas
propiedades estn basadas en la resolucin de SEL. Ver el Teorema 1.1, pgina 18.
Clases de lgebra
3.5. Determinantes
63
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
a
c
R22 de la forma:
b
d
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
d
adcb
c
adcb
b
adcb
a
adcb
1
ad cb
d b
c
a
9 Ver
a
c
b
d
= ad bc
Clases de lgebra
64
TEMA 3: Matrices
R22 :
A1 =
1
det (A)
d b
c
a
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
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
5 3 2
0 2
A= 1
2 1 3
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
3.5. Determinantes
65
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
e f
h i
a g
c i
+g
b c
e f
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:
+ +
+ +
+ +
+ +
.
.
.
. ..
.
.
.
.
.
.
.
.
.
=
j=1
aij Cij
j=1
aij Cij
i=1
i=1
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
Clases de lgebra
1
2
2
3
+0
5
2
2
3
(1)
5
1
2
2
= 3 (1) + 0 + 8 = 5
3.5. Determinantes
67
AA1 = 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|
Clases de lgebra
68
TEMA 3: Matrices
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 =
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)
..
.
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
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.
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 )
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
Clases de lgebra
70
TEMA 3: Matrices
..
.
aj1
.
.
.
aj2
.
.
.
1
.
.
.
an1
det(Ai (ej )) =
a11
a21
.
.
.
0
a2n
.
.
.
a1n
..
.
ajn
.
.
.
an2
.
.
.
ann
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.
col(A) = {x
Rm
: x = 1 c1 + + n cn
R}
l(A) = {x
Rn
: 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
71
Teorema 3.5
Sea A mn , entonces se verica:
ker(A) = {x
U
R
Rn
: Ax = 0}
rang(A) + nul(A) = n
13 Ver
Clases de lgebra
72
TEMA 3: Matrices
Demostracin 3.5
Teorema 3.7
Sea A mn , entonces se verica19 :
rang(AT ) = rang(A).
rang(AT A) = rang(A).
La matriz AT A
Demostracin 3.6
rang(A) = dim(col(A)) = dim(l(A)) = rang(AT )
Como AT A
rango:
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).
Ax = 0
Trivial.
19 Las
Clases de lgebra
73
A es invertible 20 .
Ax = b tiene solucin nica 21 b
Rn .
Rn .
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
Clases de lgebra
TEMA
Transformaciones Lineales
Contenido
4.1
4.2
4.3
4.4
4.5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 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
77
y1
y2
.
.
.
=
=
ym
adems de como un SEL1 , puede ser vista como una funcin vectorial2 que transforma un vector
de entrada:
x = [x1 , x2 , , xn ] n
y = [y1 , y2 , , ym ]
Rm
Rn Rm
x y
T :
Rn Rm
[x1 , x2 , , xn ] [y1 , y2 , , ym ]
y1
y2
.
.
.
Nota 4.1.
ym
=
=
=
y = T (x)
Por inters prctico, se denotar mediante las siglas TL a las Transformaciones Lineales.
=
=
x1 + x2
x1 x2
1 Ver
Clases de lgebra
78
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
x1
x2
5
10
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 .
y1
y2
.
.
.
ym
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
4 Ver
5 Tambin
Clases de lgebra
79
= x1 + 3x2
= 2x1 x2
y1
y2
=
1
2
A=
1
2
3
1
R2 R2
x1
x2
y = Ax
y = T (x) = Ax
T (u + v) = T (u) + T (v)
T (ku) = kT (u)
3
1
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).
;
y = T (x) = Ax = .
.
.
.
.
.
.
.
.
ym
a12
a22
.
.
.
am1
a1n
a2n
.
.
.
am2
amn
u, v
x1
x2
.
.
.
xn
Rn
a11 a12
a21 a22
T (u + v) = A(u + v) = .
.
.
.
.
.
am1 am2
a1n
a2n
.
.
.
amn
u1 + v1
u2 + v2
.
.
.
un + vn
Clases de lgebra
80
a11
a21
.
.
.
a12
a22
.
.
.
am1
am2
amn
a1n
a2n
.
.
.
u1
u2
.
.
.
un
a11
a21
.
.
.
a12
a22
.
.
.
a1n
a2n
.
.
.
am1
am2
amn
.
.
v1
v2
.
.
.
vn
Suma Vectores
=
Rn ,
a11 a12
a21 a22
T (ku) = A(ku) = .
.
.
.
.
.
am1
am2
igual a:
a1n
ku1
a2n ku2
. .
. .
.
.
amn
kyn
kun
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 ,
Clases de lgebra
81
R2 R2 denida por:
y1
y2
=
=
3x1 + x2
x1 2x2
u=
R2 .
T (x) =
1
2
x1
x2
u1
u2
, v=
v1
v2
w1
w2
, w=
T (2u5v+7w) =
1
2
u1
u2
v1
v2
w1
w2
+7
Forma 2:
3
1
1
2
=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
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.
Rn Rm
: T (x) = 0
Rm
Rn
0 0 0
0 0 0
mn
0mn = . .
.
.
. .
. .
.
Clases de lgebra
82
Rn Rm
: T (x) = x
Rm
Rn
1 0 0
0 1 0
nn
In = . .
.
.
. .
. .
.
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
Dado un vector x
Rm , se
Rn se tiene:
a11 a1n
.
.
.
y = Ax = .
.
.
am1
6 Ver
7 Ver
amn
x1
a11
a12
a1n
.
.
.
.
. = x1 . + x2 . + + xn . =
.
.
.
.
xn
am1
am2
amn
xi ci
i=1
Clases de lgebra
83
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:
Una transformacin T :
es una TL.
Demostracin 4.1
Una transformacin es lineal si tiene la forma: T (x) = Ax
x
A
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)
x1
x2
(2)
8 Ver
Clases de lgebra
84
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
= 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
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
= 5y1 + 3y2
= 2y1 y2
x1
x2
5
2
3
1
y1
y2
x = A1 y
Clases de lgebra
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
= 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.
Ax = y
para todo y
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 .
Clases de lgebra
86
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:
no es biyectiva 9 .
El SEL Ax = y puede tener innitas soluciones o bien no tener solucin, para todos o
algunos y 2 .
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 .
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
0
0
nn
.
.
.
9 Ver
Clases de lgebra
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).
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.
Rn Rm :
y1
y2
.
.
.
=
=
ym
T (x) = Ax = y
x
A
Rnmn
R
Rm
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
13 Ver
Rn Rn
x = T 1 (y) = A1 y
Clases de lgebra
88
y1
x1 +
x2 +
x3
y2 = 2x1 + 3x2 + 2x3
= y = T (x) = Ax ;
y3
3x1 + 8x2 + 2x3
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
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
14 Ver
Clases de lgebra
89
Rn Rm , se dene la transformacin
Rmn y B Rmn :
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.
y1 = x1 + x2
y2 = 2x1 x2
F : 2 3
y3 = x1 + 2x2
G:
R2 R3
y1
y2
y3
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
17 Ver
Clases de lgebra
90
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
R
R
R
R
(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
F :
R2 R3
y1
y2
y3
= x1 + x2
= 2x1 x2
= x1 + 2x2
G:
R4 R2
y1
y2
= x1 + x2 + x3 + x4
= 2x1 x2 x4
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
Clases de lgebra
91
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
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) : 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:
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
a11
a21
= .
.
.
am1
a12
a22
.
.
.
am2
a1n
a2n
.
.
.
amn
.
.
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
.
.
.
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
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
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
Clases de lgebra
93
1/6
1/2
1/6
1/2
x1
x2
1/6 1/6
1/2 1/2
6
6
2
0
x = [x1 , x2 , , xn ] [y1 , y2 , , ym ] = y
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).
y = T (x) = Ax
im(T ) = im(A)
y1
a11 an1
x1
a11
an1
. .
. . = x . + + x . = col(A)
. .
.
.
im(A) = . = .
1
n
.
.
.
.
.
.
ym
am1 amn
xm
am1
amn
19 Ver
20 Ver
Clases de lgebra
94
1 1
A= 1 2
1 3
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
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
95
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
x = [x1 , x2 , , xn ] [y1 , y2 , , ym ] = y
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).
y = T (x) = Ax
22 Ver
23 Ver
ker(T ) = ker(A)
Clases de lgebra
96
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
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
2
6
12
8
0
0
1
2 0 0
0
0 0
0
0
0
1
2
x1
6s 6t
x2 2s + 2t
s
x = x3 =
x4
2t
t
x5
equivalente:
0
6
0 2
1
2
0
0
24 Ver
Clases de lgebra
97
6
6
2
2
1 + t 0 ; s, t
ker(T ) = s
2
0
1
0
R5 dado por:
T : X Y
v1 , v2 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(kv) = k(Av) = k 0 = 0
Clases de lgebra
98
U
R
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 :
28 Ver
Clases de lgebra
99
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.
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
Clases de lgebra
100
4.5.4. Tipos de TL
Dada una transformacin lineal, T :
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.
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
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
Clases de lgebra
Vector de Coordenadas
Coordenadas
Propiedades
Bases
Teoremas
Cambio de Base
102
TEMA 5: Bases
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 .
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
c1
.
x = c1 v1 + c2 v2 + + cm vm = PB [x]B = [v1 vm ] .
.
cm
1 Ver
la
la
3 Ver la
4 Ver la
5 Ver la
2 Ver
Denicin
Denicin
Denicin
Denicin
Denicin
Clases de lgebra
104
TEMA 5: Bases
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
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:
Demostracin 5.1
Sean:
[x]B = [c1 , , cn ] = x = c1 v1 + + cn vn
[y]B = [d1 , , dn ] = y = d1 v1 + + dn vn
x = (c1 v1 + + cn v1 )
6 Ver
Clases de lgebra
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
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.
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.
Clases de lgebra
106
TEMA 5: Bases
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 .
Toda matriz de cambio de base PCB en un subespacio vectorial de dimensin k, es una matriz
cuadrada e invertible de dimensin k k.
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
107
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
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
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:
Clases de lgebra
108
TEMA 5: Bases
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
Rn , entonces:
8 Ver
Clases de lgebra
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
6.1. Ortogonalidad en
Rn
111
6.1. Ortogonalidad en
Rn
P
P
si i = j
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 .
Rn es un conjunto ortogonal.
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
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
Clases de lgebra
112
U
R
TEMA 6: Ortogonalidad
Teorema 6.2
Un vector v n es ortogonal a un subespacio W
los vectores que generan4 el subespacio.
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
v w = v (c1 u1 + + ck uk ) = c1 (v u1 ) + + ck (v uk )
De forma que si:
v ui = 0 ; 1 i k
Solucin:
x =
y =
z =
vw =0
R3
es ortogonal al subespacio
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
Clases de lgebra
113
U
P
P
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
5 Ver
Clases de lgebra
114
TEMA 6: Ortogonalidad
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
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
115
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
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
Clases de lgebra
116
TEMA 6: Ortogonalidad
U
!
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
Clases de lgebra
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
Sea Q
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.
Clases de lgebra
118
TEMA 6: Ortogonalidad
6.4. TL Ortogonales
Rnn
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.
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
Clases de lgebra
119
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.
Una matriz A
Teorema 6.8
Sea A mn . Entonces:
(l(A)) = ker(A)
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
donde:
El dominio de T es X =
Rn .
Rm .
Rm .
Clases de lgebra
120
TEMA 6: Ortogonalidad
ker(AT )
ker(A)
TA
l(A)
Rn
col(A)
Rm
0
1
1
1
1
3
2
5
;
w3 = 4
;
w2 =
w1 =
1
2
0
5
3
5
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
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
121
v
u
perpu(v)
proyu (v)
uv
uu
Nota 6.3.
Si la base B es ortonormal
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
23 La
uk v
uk uk
Rn
se dene el vector
base debe ser obligatoriamente ortogonal para que la frmula sea vlida.
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 .
v
perpW (v)
W
proyW (v)
nv
[1, 1, 2] [3, 1, 2]
4
n=
[1, 1, 2] = [1, 1, 2]
nv
[1, 1, 2] [1, 1, 2]
3
Clases de lgebra
123
u1 v
u1 u1
u1 +
u2 v
u2 u2
u2
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
Rn , entonces24 :
dim(W ) + dim(W ) = n
Sea la matriz A
Rmn , entonces:
Rn con W y W .
Clases de lgebra
124
TEMA 6: Ortogonalidad
Rn y deniendo:
u1 = x1
W1 = gen(x1 ) = gen(u1 )
u1 x2
u1 u1
u1
u1 x3
u1 u1
u1
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 .
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
6.8. Factorizacin QR
125
6.8. Factorizacin QR
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
.
.
.
.
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
Clases de lgebra
126
TEMA 6: Ortogonalidad
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.
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
1/2 5/52
1/2
5/52
Q = u1 u2 =
1/2
1/52
1/2 1/ 52
32 Ver
33 Ver
Clases de lgebra
6.8. Factorizacin QR
127
R = QT A =
1/2
5/ 52
1/2
5/ 52
1/2
1/2
1/ 52 1/ 52
1
1
1
1
1
4
=
2
1
2
0
3
13
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.
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
Aplicaciones
Mnimos Cuadrados
Factorizacin QR
130
TEMA 7: Mnimos Cuadrados
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.
w W con w = p
v
vp
R R
p
W
w
Demostracin 7.1
v
vp
p
W
vp < vw
; w W con w = p
1 Ver
Clases de lgebra
132
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
4/3
perpW (v) = 4/3
8/3
por tanto:
d = perpW (v) =
16 16 64
+
+
=
9
9
9
96
4 2
=
9
3
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
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
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.
Clases de lgebra
134
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
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=
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
Clases de lgebra
135
1
2
1
7
1
3
1
0
1
6
x2 = 6/3
x1 = 1 + x2
= 2
= 3
a + 5b =
2a 2b =
a +
b =
3
1
2
2
=
5
1
5
a
2
b
1
3
=2
5
z=
1
8
x+ y
3
15
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
Clases de lgebra
136
u
v2
p
x
v1
y
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
Clases de lgebra
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
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
10 Ver
Clases de lgebra
138
p1
p2
1/3
8/15
Esta solucin coincide con la obtenida mediante las ecuaciones normales en el Ejemplo 7.2.
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
Clases de lgebra
139
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.
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
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.
Clases de lgebra
140
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
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
= 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
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:
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
Clases de lgebra
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
x
y
1
0
1
1
2
1
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
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
error = e =
37
1.36
20
Clases de lgebra
144
Resumen
Solucin
Aprox. Min.
Cuadrados
Ax = b
Sol. QR
Ap b
Error
Rp = bQT
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
TEMA
Autovalores y Autovectores
Contenido
8.1
8.2
8.3
8.4
8.5
8.6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
147
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
Clases de lgebra
148
= v
= Ax0 = Av = v
= Ax1 = Av = Av = 2 v
.
.
.
= Axn1 = An1 v = n1 Av = n v
=
=
=
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
Clases de lgebra
149
K
K
Av = v
Al vector v se le denomina autovector o vector propio8 de A correspondiente o asociado
al autovalor , y viceversa.
Av = v
v
Av = v
y = Av
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
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
Clases de lgebra
150
Caso 2
3
y=
y1
y2
1
1
1
1
x1
x2
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.
3
1
1
3
1
1
4
4
=4
1
1
= 4x
a11 a12
a21 a22
A I = .
.
.
.
.
.
an1 an2
(8.1)
(A In )v = 0
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
Clases de lgebra
151
a
c
b
d
Solucin:
det(A I) =
a
c
b
d
1
A= 1
1
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)
Rnn .
Clases de lgebra
152
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 .
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
1 = 2
3
=
=
1 (raz doble)
2
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
Clases de lgebra
153
P
P
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
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.
Clases de lgebra
154
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.
Veamos una versin ampliada del Teorema Fundamental de las Matrices Invertibles que vimos en el
Teorema 3.8, pgina 73.
A es invertible.
Ax = b tiene solucin nica b
Rn .
Rn .
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
155
Demostracin 8.2
Sea Av = v, con A invertible.
A1 Av = A1 v
v = A1 v = A1 v
1 v = A1 v
;
Ak v = k v
Por tanto, k es un autovalor de Ak con v autovector asociado.
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.
Clases de lgebra
156
Demostracin 8.3
El determinante de una matriz triangular es el producto de sus elementos diagonales18 . Como
.
.
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.
AP = P B
P 1 AP = B
17 Ver
Clases de lgebra
157
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
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).
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)
Clases de lgebra
158
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)
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 .
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
Clases de lgebra
159
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
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.
Clases de lgebra
160
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
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
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.
23 Ver
Clases de lgebra
161
[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
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.
vT A = T
24 Ver
25 El
Clases de lgebra
162
=0
Si los autovalores son reales y la matriz A tambin lo es, las soluciones del sistema homogneo
(autovectores asociados) tambin sern reales.
U
R
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 )
2 1
A= 1 2
1 1
Solucin: El polinomio caracterstico de A es:
1
1
2
Clases de lgebra
163
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.
Demostracin 8.12
Si A es ortogonalmente diagonalizable, existe una matriz ortogonal Q tal que:
AQ = QD
A = QDQT
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.
Clases de lgebra
164
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
2 1 1
A= 1 2 1
1 1 2
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
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
165
4
QT AQ = 0
0
0
1
0
0
0
1
T
T
T
A = 1 q1 q1 + 2 q2 q2 + 3 q3 q3
1 > 0.
1 tiene un autovector asociado v1 positivo (vi > 0).
Para cualquier otro autovalor de A se verica || < 1 .
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.
Clases de lgebra
166
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 .
A
An
rang(A) = rang(B)
Si A
= B
|A| = |B|
nul(A) = nul(B).
T
T
A = QDQT = [q1 qn ][1 2 ][q1 qn ]T = 1 q1 q1 + + n qn qn
Clases de lgebra
TEMA
Pseudoinversa y Descomposicin en
Valores Singulares
Contenido
9.1
9.2
9.3
9.4
9.5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
169
170
170
170
172
172
174
180
180
181
182
167
Denicin
Clases de lgebra
Aplicaciones
Min. Cuadrados
Propiedades
Pseudoinversa
Int. Geomtrica
Denicin
Propiedades
Aplicaciones
Clculo
168
TEMA 9: Pseudoinversa y Descomposicin en Valores Singulares
169
Toda matriz A
forma2 :
AT Ax = AT b
A+ = (AT A)1 AT
Nota 9.1.
A+
Rnm
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
Clases de lgebra
170
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
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.
5 Ver
Clases de lgebra
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:
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:
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+ .
Solucin: Tomando una base de W , BW = {[1, 1, 0], [1, 1, 1]} y formando la matriz:
1 1
1
A= 1
0
1
6 Ver
Clases de lgebra
172
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
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
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
Rnn
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).
Rnn
9 Ver
Clases de lgebra
Demostracin 9.3
Para toda matriz A
173
y por tanto puede ser diagonalizada ortogonalmente. Adems, por ser real y simtrica, todos
sus autovalores son reales15 .
(Contina en la pgina siguiente)
1 2 r 0
1
A= 1
0
la matriz A
1
0
1
R32 siguiente:
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
Clases de lgebra
174
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
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).
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
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
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
Clases de lgebra
176
= 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
3. Se construye la matriz V
4.
ui =
1
Avi
i
Clases de lgebra
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
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
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
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
1
0
1
0
0
1
0
0 =
1
0
1
(Contina en la pgina siguiente)
Clases de lgebra
178
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
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
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
179
1
A= 1
0
1
0
1
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
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
Clases de lgebra
180
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
.
.
.
Clases de lgebra
181
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
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
Clases de lgebra
182
31 Ver
Clases de lgebra
TEMA
10
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
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
185
U
P
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
...
Clases de lgebra
186
y (k) =
dk y
dxk
(10.1)
2z
xy
(10.2)
En este tema slo veremos algunos tipos de ecuaciones diferenciales ordinarias (EDO).
U
P
Ejemplo 10.2.
x
df
+ x2 = 0
dx
df
d2 f
d3 f
+ 2 3 = x3
dx dx
dx
2f
f
+
= x + y2
x xy
Clases de lgebra
U
P
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
+ 10
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
Clases de lgebra
188
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
;
cierto!
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
189
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)
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).
Clases de lgebra
190
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
(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
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
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
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
Clases de lgebra
192
dy
dy
= y sen x ;
= sen x dx ;
dx
y
dy
=
y
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
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
193
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.
y = (3 y)/2
y = (3 y)/2
6
3
y
1
1
Curvas Integrales
Campo de Pendientes
9 Segn
la denicin de derivada de una funcin, el ngulo de la echita viene dada por el valor = arctan
dx
.
dt
Clases de lgebra
194
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.
y =m+x
y=
m
x
; m
x dx
ln (cy) = x2
y = cex
Clases de lgebra
195
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 )
= 0
= 0
x2 = 2 (t)
...
xn = n (t)
x2 (t0 ) = x20
...
xn (t0 ) = xn0
Clases de lgebra
196
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.
x1 = f1 (t, x1 , x2 , . . . , xn )
x2 = f2 (t, x1 , x2 , . . . , xn )
.
.
(10.5)
.
x = fn (t, x1 , x2 , . . . , xn )
12 Los
Clases de lgebra
197
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
y1 = y
y2 = y
=
=
y2
3y2 + 10y1 + 6e4x
Clases de lgebra
198
dxi
dt ,
x1 (t)
.
X= .
.
xn (t)
dx1 /dt
x1
.
.
.
X = . =
.
.
dxn /dt
xn
a11
.
A= .
.
an1
a1n
.
.
.
ann
x(t) = ceat
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
Clases de lgebra
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)
18 Ver
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.
Clases de lgebra
200
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
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
(10.10)
ser:
2
ck e(tt0 ) vk
X(t) =
k=1
X0 =
ck vk
k=1
x10
x20
c1 v11
c1 v21
+
+
c2 v12
c2 v22
Clases de lgebra
201
dx1
dt = a11 x1
dx
dt
X =
= a22 x2
x1
x2
a11
0
0
a22
x1
x2
= AX
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
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
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.
Clases de lgebra
202
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 ]
dx
= DP 1 x
dt
d
P 1 x = D P 1 x
dt
(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
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
203
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
c1 e31
4c1 e33
+ c2 e21
+ c2 e23
(Contina en la pgina siguiente)
Clases de lgebra
204
e2
e6
2
4
1
4
e5
e15
2e3
4e9
1
0
15
e5
+ 4e5
2e3
4e + 8e3
9
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
X = AX
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
205
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
0
1
e t + c2
0
1
tet +
1
0
et
x(t) = c2 et
y(t) = c1 et + c2 tet
y(2) = 2
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
c2 = e1
c1 = 2e2 2c2 = 2e2 + 2e1
Clases de lgebra
206
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)
x = x y
y = 2x y
x(0) = 1 , y(0) = 2
27 Ver
28 Se
Clases de lgebra
R.
207
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)
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
1
2
= c1
1 = c1
2 = c2 2
x(t) = et
y(t) = et
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
Hay una gran variedad de sistemas dinmicos. En este curso nos vamos a centrar principalmente en
los sistemas dinmicos denidos por SEDOC.
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
Cada trayectoria representa un estado o fase del sistema bajo unas condiciones dadas.
Clases de lgebra
209
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
29 Ver
30 Ver
Clases de lgebra
210
x1 = f1 (x1 , . . . , xn )
.
.
.
.
.
.
xn = fn (x1 , . . . , xn )
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
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
Clases de lgebra
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
=
=
x2
f1 (x1 , x2 )
f2 (x1 , x2 )
dx1 dx2
,
dt dt
x1
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.
Clases de lgebra
212
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.
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
Clases de lgebra
213
x1 = x1 + 2x2
dx
;
=
dt
x = 4x + 3x
2
dx1
dt
=
dx2
dt
1
4
2
3
x1
x2
= Ax
1
4
A=
2
3
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
Clases de lgebra
214
dx1
dt = 3x1
dx
;
=
dx
dt
= 0
dt
dx1
dt
3 0
x1
3 0
= Ax ;
A=
=
0 0
x2
0 0
dx2
dt
x1
= 0
= 0
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.
=
=
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
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
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.
Clases de lgebra
216
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
217
t t0
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.
y(t)
Trayectoria sin cortes
Ciclo
Punto Crtico
x(t)
Clases de lgebra
218
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.
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
219
X0
Xc
Xc
Punto Crtico
Asintticamente Estable
Xc
Punto Crtico
Estable
Punto Crtico
Inestable
x
y
a1
a2
b1
b2
x
y
X = AX
b1
b2 z
= (a1 z)(b2 z) a2 b1 = 0
(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
Clases de lgebra
220
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=
2 < 4
2 = 4
2 > 4
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
221
y(t)
y(t)
v1
v2
y(t)
v1
v2
v1
v2
x(t)
x(t)
x(t)
Nodo Estable
Nodo Inestable
Punto Silla
y(t)
c1v1 +c2 v2
v1
v2
c1v1 +c2 v2
v2
x(t)
x(t)
Clases de lgebra
222
c1
c2
v1 + u]
t
t
y(t)
v1
v1
x(t)
x(t)
v = u + is
r2 = i
v = u is
Clases de lgebra
223
y(t)
y(t)
x(t)
x(t)
x(t)
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.
Clases de lgebra
224
Punto de Equilibrio,
punto singular, punto estacionario,
punto de reposo
Centro de Espiral
Nodo Estable,
Punto Espiral Estable
Atractor, Sumidero
Nodo Inestable,
Punto Espiral Inestable
Otros
Repulsor, Fuente
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
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
Potencias in
Num. i
Nmeros Complejos
228
TEMA A: Nmeros Complejos
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.
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
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.
1.
Clases de lgebra
230
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
La forma binmica de un nmero complejo es una de las formas ms utilizadas para representar a
los nmeros complejos.
C)
C y se dene como:
C = {a + bi : a, b R}
R
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
231
R se dene la
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.
R se dene la
Nota A.1.
Clases de lgebra
232
z = a + bi (a, b = 0)
z
z 1
zz 1 = (1, 0) si llamamos
= a + bi
= x + yi
ax by
ay + bx
1 + by
ay
= z = a + bi (a, b = 0)
a
b
,
a2 + b2 a2 + b2
Divisin en
b
a
,
a2 + b2 a2 + b2
z 1 =
=
=
siendo z = a + bi.
vamos a calcular x e y.
1
0
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
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
233
Nota A.2. Posteriormente veremos formas ms prcticas de calcular la divisin entre nmeros complejos sin necesidad
de aprenderse frmulas complicadas.
z
w
w
z
2 6
i
5 5
2
6
6
18
+ i i+
= 1
20 20
20
20
C.
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.
Nota A.3.
El conjunto
complejo z = a bi.
Clases de lgebra
234
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.
; 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
Demostracin A.1
4 Ver
z 1 =
a
b
,
a2 + b2 a2 + b2
z
zz
Clases de lgebra
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
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.
Clases de lgebra
236
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).
|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|
5 Ver
Clases de lgebra
237
b
a
Arg(z)
+ 2
12
+(
3)2
4=2
= arctan
=
1
3
z =1i 3
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
4
3
1 =
Re
2 = + = 2
3
3
Clases de lgebra
238
Forma Trigonomtrica de z
Forma Polar de z
: (cos + i sen )
:
[Nota: est en el subndice]
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
3
2 = arctan 1 = arctan 3 =
3
(Contina en la pgina siguiente)
8 Ver
Clases de lgebra
239
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
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
Clases de lgebra
240
R R
f (x) = ex
e = nmero e = 2, 718281828459...
Demostracin A.3
Se realiza a travs de desarrollos de Taylor, (no se ver aqu).
Clases de lgebra
241
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)
P
P
=
=
12 + 1 2 = 2
arctan 1 =
1
4
z 6 = 8 cos
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
>0
( y es nico)
+ 2k
; k = 0, 1, 2, ..., n 1
n
Demostracin A.5
Si
= r =
= r
(r )n =
n
r
r=
= + 2k
+2k
n
1+i
=
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
9 Ver
10 Ver
Clases de lgebra
243
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
z = a + bi = = (cos + i sen ) = ei
Las utilidades de la forma exponencial son las mismas que las de la forma polar.
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.
Clases de lgebra
244
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
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
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.
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
11 Ver
tanh (x) =
senh (x)
ex ex
= x
cosh (x)
e + ex
Clases de lgebra
245
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)
U
P
3 + i.
Solucin:
z=
log(z) = log 2 + (
3 + i = 2
6
+ 2k)i
6
Z
(Contina en la pgina siguiente)
12 El
by = x
Clases de lgebra
246
( 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
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
Clases de lgebra
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
= 90o y
3
2
= 270o son
tan 3 =
2
cosec (x) =
1
cos(x)
sec (x) =
1
tan(x)
cot (x) =
a2 + b2 = c2
(Teorema Pitgoras)
sen2 x + cos2 x = 1
tan(x y) =
tan(2x) =
sen x sen y
tan x tan y
1 tan x tan y
2 tan x
1 tan2 x
(a + b)2 = a2 + 2ab + b2
(a b)2 = a2 2ab + b2
Clases de lgebra
B.3. Polinomios
249
B.3. Polinomios
Denicin
P (x) = an xn + an1 xn1 + . . . + a1 x + a0
a0
an
Monomio
:
:
:
:
ai
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)
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
-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
!
Nota B.1.
Si x =
P () = R.
Teorema B.2
El polinomio P (x) es divisible por x si y slo si P () = 0.
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
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).
2
1
0
X
-1
Y
X
-2
-3
-3
-2
-1
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
Clases de lgebra
252
Temas de Repaso
B.5. Distancia
|x| =
x
x
x2 =
si
si
x0
x<0
B.5.2. Distancia en
|z| =
a2 + b2
x1
x2
d(x1 , x2 ) = |x1 x2 | =
=
Nota B.2.
(x1 x2 )2 =
(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
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 =
253
Ejemplo B.3.
[1 (1)]2 + [2 (1)]2 =
B.5.4. Distancia en
En el espacio
R3
4+9=
13
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
d1
v = AB = [x2 x1 , y2 y1 ]
A
B
: punto inicial
: punto nal
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.
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
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]
[3, 0]
En este sentido, los vectores OA, BC y DE mostrados en la Figura B.6.2 son iguales2
2 Se
Clases de lgebra
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
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.
Rn, Cn y Kn
Rn = {[x1 , x2 , , xn ] :
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]
Cn = {[x1 , x2 , , xn ] :
Ejemplos:
C2 = {[x, y] : x, y C}
C3 = {[x, y, z] : x, y, z C}
R3
Nota B.5.
xi
[0, i] 2
[2 + i, i, 1]
C,
Cn .
1 i n}
C3
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.
Y
v = [x, y]
y
L
Clases de lgebra
R2 :
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
R2 y R3
257
B.8.1. Rectas en
R2 y R3
R2
Ecuacin de 2 Puntos
Y
y2
m=
y1
y0
y2 y1
= tan
x2 x1
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
b = 0
a = bm
ax + by = c
c = by0
a, b, c
y=k
x=k
X
Clases de lgebra
258
Temas de Repaso
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
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
v = [v , v ]
1 2
m=
v2
v1
Clases de lgebra
x
y
= t
= y0 + mt
R2 y R3
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
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
Hiperplano de
R4
Clases de lgebra
260
Temas de Repaso
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
R3
Y
X
Clases de lgebra
a1 x + b1 y + c1 z = d1 Plano 1
a2 x + b2 y + c2 z = d2
Plano 2
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
Forma Normal
Vendr dada por la interseccin de dos planos expresados en su forma normal.
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).
Frmula de Equilibrio :
necesita 0 parmetros
necesita 1 parmetro
necesita 2 parmetros
:
:
:
x=p
x = p + tv
x = p + tv + su
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
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
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
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
R2
P
Q
d
R
Clases de lgebra
d=
|Ax1 + By1 + C|
A2 + B 2
263
R3
n
A
Punto
Plano
d
P
d=
P = (x1 , y1 , z1 )
Ax + By + Cz + D = 0
A2 + B 2 + C 2
R3
n
Punto del Plano 1
Plano 2
P1
P = (x1 , y1 , z1 )
Ax + By + Cz + D = 0
d
d=
P2
A2 + B 2 + C 2
Punto A = (x1 , y1 , z1 )
Recta x = p + tv
R3
P
d=
v PA
v
Demostracin
v PA = v
P A sen () = v d
P2
d
P1
R3
v P 1 P2
d=
v
Clases de lgebra
264
Temas de Repaso
R2 y R3
R2
Este sistema de ecuaciones lineales formado por una nica ecuacin de hasta 2 incgnitas,
corresponde a una recta en 2 .
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 .
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.
Clases de lgebra
R2 y R3
265
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
R3 es un conjunto de
Y
X
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
a1 x + b1 y = c1
a2 x + b2 y = c2
a3 x + b3 y = c3
en
R2
Y
ys
Clases de lgebra
xs
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
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.
Clases de lgebra
268
Temas de Repaso
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
Clases de lgebra
3
4
1=
9
1
4
y=
5
4
B.12. Sumatorios
269
R2 :
3x y
x+y
=
=
1
.
2
x=
3
4
y = 3x 1 =
5
4
C2 :
=
1 + i
= 1 + 7i
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
= (a5 + a6 + + an )(w2 + w1 + + wm ) =
sa
a=5
wb
b=2
Clases de lgebra
270
Temas de Repaso
Si X
Ejemplo B.9.
f
f
f
f
:
:
:
:
R R
C R
R C
C C
Funcin
Funcin
Funcin
Funcin
Ej:
Ej:
Ej:
Ej:
f (x) = x2
f (x) = |x|
f (x) = ix
f (x) = x2
;
;
;
;
x
x
x
x
R
C
R
C
Kn Km
Si
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 ) ]
R32 R2
R R
R R3
Clases de lgebra
271
f (x)
f (x)
Dominio
Dominio
Imagen
x
x : Variable independiente
y : Variable dependiente
Si n = 1 =
f : n
Si n = 2 =
Si n 3 =
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 :
R2 R2
Clases de lgebra
272
Temas de Repaso
y3
y2
y1
x1
x2
No es inyectiva
Si es inyectiva
No es sobreyectiva
pero no es sobreyectiva
Biyectiva
No es una funcin
o
Clases de lgebra
273
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.
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
y1
2. x =
2
3. f 1 (x) =
3 Ver
1
f (x)
x1
2
f 1(x) =
x1
2
Clases de lgebra
274
Temas de Repaso
(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.
Iguales !!
Es asociativa
Clases de lgebra