Documente Academic
Documente Profesional
Documente Cultură
Mariano Echeverra
Introduccin al Curso
El lgebra lineal se caracteriza por estudiar estructuras matemticas en las que es posible tomar
sumas entre distintos elementos de cierto conjunto y multiplicar tales elementos por nmeros
reales o complejos. Tales conjuntos se conocern como espacios vectoriales y sus elementos sern
llamados vectores.
El primer uso que se le dar durante el curso a las tcnicas del lgebra lineal va a ser para
encontrar la solucin de sistemas de ecuaciones lineales. Tales problemas tienen gran importancia
para aplicaciones como hallar las corrientes en circuitos elctricos o hacer cdigos en informtica.
Al ir resolviendo este tipo de problemas, una de los propiedades ms ventajosas del lgebra lineal
ir apareciendo: la existencia de algoritmos bien definidos para resolver una gran cantidad de
problemas. El algoritmo ms importante del curso aparecer desde el inicio con el fin de resolver
tales sistemas de ecuaciones lineales. Tal algoritmo es el mtodo de Gauss-Jordan y consistir
en asociarle a cada sistema de ecuaciones lineales un cierto objeto llamado matriz para el cual
el algoritmo producir una matriz reducida que dar inmediatamente la informacin sobre la
solucin del sistema.
Esto motivar estudiar las matrices como fines en s mismos y realizar operaciones algebraicas
(como suma y producto de matrices) entre ellas. Una de las caractersticas ms importantes del
producto matricial que se definir es que es no conmutativo, es decir, si A,B son matrices y AB
representa el producto de matrices, no siempre se tiene que AB = BA. Esta propiedad es de
importancia fundamental no solo para el lgebra lineal. Por ejemplo, en la mecnica cuntica
se le asocia a cada cantidad fsica que se puede medir (a veces se le llama observable) una
matriz y la no conmutatividad del producto de matrices se interpreta como la imposibilidad
de medir simultneamente ciertas cantidades fsicas (ah est el origen del famoso principio de
incertidumbre de Heisenberg).
Otra propiedad de las matrices es que hay una matriz llamada la matriz identidad que es
el anlogo del nmero 1, es decir, si I representa la matriz identidad entonces se tiene que
AI = IA = A al igual que si a es un nmero real se tiene que a1 = 1a = a. Gran parte del
curso se dedicar a encontrar las condiciones para las cuales una matriz es invertible, es decir,
cundo existe una matriz A1 tal que AA1 = A1 A = I (el anlogo para los nmeros reales es
el nmero a1 ya que a a1 = a1 a = 1). Tal estudio conduce al concepto de determinante, que es un
nmero que se le asigna a las matrices y que cumple que si es distinto de cero entonces la matriz
posee una inversa.
La segunda parte del curso se dedicar a estudiar el concepto de vector y espacio vectorial
como estructura abstracta. Este concepto generalizar el uso del concepto de vector que se da
en los primeros cursos de fsica general como una cantidad fsica con magnitud y direccin. Se
ver que muchas propiedades que poseen los vectores estudiados en tales cursos de fsica pueden
generalizarse a los vectores abstractos que se definirn, por ejemplo, todava podr hablarse de
la norma (tamao) de un vector y el ngulo entre dos vectores. Con respecto a los espacios
vectoriales el concepto de transformacin lineal va a ser de suma importancia ya que sern las
funciones que preservan la estructura algebraica de un espacio vectorial. La relacin que posee esta
parte del curso con la primera parte ser que a una transformacin lineal se le puede asociar una
matriz por lo que se podr utilizar toda la teora de matrices para estudiar las transformaciones
lineales.
En este sentido, el concepto de valor y vector propio sern los ltimos ingredientes de la
teora de transformaciones lineales que se estudiar en el curso; tales objetos darn condiciones
de cundo se le puede asociar a una transformacin lineal una matriz diagonal. A manera de
aplicacin de esto ltimo se estudiarn las secciones cnicas (elipses, parbolas, hiprbolas) y se
vern como encontrar la forma cannica de tales curvas.
ndice
ndice
1. Sistemas de Ecuaciones Lineales
1.1. Sistemas de Ecuaciones Lineales y su Interpretacin Geomtrica . . . . .
1.1.1. Resolviendo Sistemas de Ecuaciones Lineales . . . . . . . . . . . .
1.1.2. Interpretacin Geomtrica de los Sistemas de Ecuaciones Lineales
1.1.2.1. Sistemas con dos incgnitas: . . . . . . . . . . . . . . . .
1.1.2.2. Sistemas con tres incgnitas: . . . . . . . . . . . . . . . .
1.1.2.3. Caso con n incgnitas: . . . . . . . . . . . . . . . . . . . .
1.2. Representacin Matricial de un Sistema n m . . . . . . . . . . . . . . .
1.3. Operaciones Elementales . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Matriz Escalonada y Matriz Escalonada Reducida . . . . . . . . . . . . .
1.5. Mtodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.1. Sistema con solucin nica . . . . . . . . . . . . . . . . . . . . . .
1.5.2. Sistema con ninguna solucin . . . . . . . . . . . . . . . . . . . . .
1.5.3. Sistema con Infinitas Soluciones . . . . . . . . . . . . . . . . . . . .
1.6. Rango de una Matriz y Tipos de Sistemas de Ecuaciones Lineales . . . . .
1.6.1. Rng(A) < Rng(A | b) : . . . . . . . . . . . . . . . . . . . . . . . .
1.6.2. Rng(A) = Rng(A | b) = m : . . . . . . . . . . . . . . . . . . . . . .
1.6.3. Rng(A) = Rng(A | b) < m : . . . . . . . . . . . . . . . . . . . . . .
1.7. Tipos de sistemas de ecuaciones lineales: . . . . . . . . . . . . . . . . . .
1.7.1. Sistemas homogneos: . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.2. Sistemas no homogneos: . . . . . . . . . . . . . . . . . . . . . . .
1.7.3. Sistemas con uno o ms parmetros: . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
8
8
9
10
10
11
13
13
14
16
18
18
19
20
21
21
21
22
23
23
24
24
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
26
26
26
27
27
30
31
32
32
32
33
33
33
33
34
34
34
34
36
38
39
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ndice
3. El Determinante de una Matriz Cuadrada
3.1. Determinante de una matriz 2 2 . . . . . . . . . . . . . . .
3.2. Determinante de una matriz 3 3 . . . . . . . . . . . . . . .
3.3. Determinante de una matriz n n . . . . . . . . . . . . . . .
3.4. Propiedades de los Determinantes . . . . . . . . . . . . . . . .
3.5. El Determinante de una Matriz y su Inversa . . . . . . . . . .
3.5.1. *La matriz adjunta* . . . . . . . . . . . . . . . . . . .
3.5.2. Condiciones para la invertibilidad de una matriz . . .
3.5.3. *Clculo de Determinantes para matrices en Bloque* .
3.6. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . .
3.7. Otros ejemplos: . . . . . . . . . . . . . . . . . . . . . . . . . .
3.8. Vectores e Independencia Lineal . . . . . . . . . . . . . . . . .
3.9. Problemas Adicionales . . . . . . . . . . . . . . . . . . . . . .
3.9.1. Solucin Primer Examen Parcial I Ciclo 2012 . . . . .
3.9.2. Reposicin Primer Examen Parcial I Ciclo 2012 . . . .
3.9.3. Primer Examen Parcial II Ciclo 2012 . . . . . . . . . .
3.9.4. Parte 1 Examen Ampliacin I Ciclo 2012 . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
41
41
41
42
44
47
47
48
49
50
51
55
61
62
66
72
78
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4. Geometra Vectorial en Rn
4.1. Representacin Geomtrica de Vectores . . . . . . . . . . . . . . . . . . . . .
4.1.1. Vectores en el Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.2. Vectores en el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.3. Vectores en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2. Operaciones Algebraicas entre Vectores . . . . . . . . . . . . . . . . . . . . .
4.2.1. Multiplicacin de un vector por un nmero real . . . . . . . . . . . . .
4.2.2. Suma y Resta de Vectores . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.3. Vectores paralelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3. Interpretacin Geomtrica de la Combinacin Lineal de Vectores . . . . . . .
4.4. Producto Escalar de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.1. Producto Escalar en R2 y R3 . . . . . . . . . . . . . . . . . . . . . . .
4.4.2. Distancia entre dos puntos: . . . . . . . . . . . . . . . . . . . . . . . .
4.4.3. ngulo entre vectores: . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4.4. Proyecciones Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . .
4.5. El Producto Cruz en R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.1. Interpretacin Geomtrica del Producto Cruz . . . . . . . . . . . . . .
4.5.1.1. Magnitud del producto cruz . . . . . . . . . . . . . . . . . .
4.5.1.2. Direccin del producto cruz . . . . . . . . . . . . . . . . . . .
4.5.2. Propiedades del Producto Cruz . . . . . . . . . . . . . . . . . . . . . .
4.5.3. Usos del producto cruz e Interpretacin Geomtrica del Determinante
4.5.3.1. El rea de un paralelogramo . . . . . . . . . . . . . . . . . .
4.5.3.1.1. Caso R2 . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.3.1.2. Caso R3 . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.3.2. El volumen de un paraleleppedo: . . . . . . . . . . . . . . .
4.6. Problemas Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
82
. 82
. 82
. 84
. 85
. 85
. 85
. 86
. 88
. 89
. 90
. 91
. 93
. 93
. 95
. 96
. 97
. 98
. 98
. 98
. 99
. 99
. 99
. 101
. 101
. 102
5. Rectas y Planos en Rn
5.1. Ecuaciones de rectas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.0.3. Ecuacin vectorial de una recta . . . . . . . . . . . . . . . . . .
5.1.0.4. Forma Paramtrica de una recta . . . . . . . . . . . . . . . . .
106
106
106
107
ndice
5.1.0.5. Forma Simtrica de una recta
5.2. Planos en Rn . . . . . . . . . . . . . . . . . . .
5.2.1. Ecuacin vectorial de un plano . . . . .
5.2.2. Ecuacin normal de un plano . . . . . .
5.2.3. Interseccin entre dos planos . . . . . .
5.2.4. Ecuaciones de planos . . . . . . . . . . .
5.3. Frmulas de Distancia . . . . . . . . . . . . . .
5.3.1. Distancia entre dos puntos: . . . . . . .
5.3.2. Distancia entre un punto y una recta: .
5.3.3. Distancia entre un punto y un plano . .
5.3.4. Distancia entre dos rectas en R3 : . . . .
5.3.4.1. Rectas paralelas: . . . . . . . .
5.3.4.2. Rectas no paralelas: . . . . . .
5.3.5. Distancia entre una recta y un plano . .
5.3.6. Distancia entre dos planos . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
107
110
110
110
112
112
113
113
113
114
114
114
115
116
116
6. Espacios Vectoriales
6.1. Definicin y algunos ejemplos . . . . . . . . . . . . . . . . . . .
6.1.1. Rn y M (m, n, R) . . . . . . . . . . . . . . . . . . . . . .
6.1.2. Espacio de funciones de variable real con valores reales:
6.1.3. Espacio vectorial de polinomios . . . . . . . . . . . . . .
6.2. Subespacios Vectoriales . . . . . . . . . . . . . . . . . . . . . .
6.3. Combinaciones Lineales e Independencia Lineal . . . . . . . . .
6.3.1. Conjunto Generador y Base de un Espacio Vectorial . .
6.4. Subespacios Asociados a una Matriz . . . . . . . . . . . . . . .
6.4.1. Espacio Columna de una Matriz . . . . . . . . . . . . .
6.4.2. Espacio Fila de una Matriz . . . . . . . . . . . . . . . .
6.4.3. Espacio nulo u homogneo de una Matriz . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
121
121
122
122
123
123
125
125
128
128
129
131
7. Ortogonalidad y Proyecciones en Rn
7.1. Bases Ortonormales . . . . . . . . . . . . . . . . . . . .
7.2. Subespacios Ortogonales . . . . . . . . . . . . . . . . . .
7.3. Complemento Ortogonal de un Subespacio . . . . . . . .
7.4. Subespacios Ortogonales de una Matriz . . . . . . . . .
7.5. Proyeccin Ortogonal sobre un Subespacio . . . . . . . .
7.6. Ortonormalizacin de Gram-Schmidt . . . . . . . . . . .
7.6.1. Algoritmo de Gram-Schmidt . . . . . . . . . . .
7.6.1.1. Paso 1 . . . . . . . . . . . . . . . . . . .
7.6.1.2. Paso 2 . . . . . . . . . . . . . . . . . . .
7.6.1.3. Paso 3 . . . . . . . . . . . . . . . . . .
7.6.1.4. Paso k-simo . . . . . . . . . . . . . . .
7.7. Problemas Adicionales . . . . . . . . . . . . . . . . . . .
7.7.1. Solucin Segundo Examen Parcial I Ciclo 2012 .
7.7.2. Reposicin Segundo Examen Parcial I Ciclo 2012
7.7.3. Reposicin II Segundo Examen Parcial I 2012 . .
7.7.4. Examen 2 II Ciclo 2012 . . . . . . . . . . . . . .
7.7.5. Parte 2 Examen de Ampliacin I Ciclo 2012 . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
134
134
136
137
138
140
142
142
142
142
143
143
144
144
149
153
158
162
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ndice
8. Teora de Transformaciones Lineales
8.1. Definicin y Caractersticas de una Transformacin Lineal . . .
8.2. Representacin de una Transformacin Lineal por una Matriz .
8.3. Composicin de Transformaciones Lineales . . . . . . . . . . . .
8.4. Inyectividad y Sobreyectividad . . . . . . . . . . . . . . . . . .
8.4.1. Inyectividad y Ncleo de una Transformacin Lineal . .
8.4.2. Sobreyectividad e Imagen de una Transformacin Lineal
8.5. Teoremas de Dimensionalidad . . . . . . . . . . . . . . . . . .
8.6. Invertibilidad de una Transformacin Lineal . . . . . . . . . . .
8.7. Problemas Adicionales . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
164
164
165
171
172
172
173
176
178
181
.
.
.
.
.
.
.
.
.
.
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
192
192
193
193
194
196
197
199
201
205
205
210
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
212
212
213
213
213
214
214
215
217
219
219
219
220
220
221
221
222
222
224
226
226
228
230
237
237
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
matriz
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ndice
10.5.2. Tercer Examen II Ciclo 2012 . . . . . . . . . . . . . . . . . . . . . . . . . 242
11.Resumen de Resultados Importantes
11.1. Sistemas de Ecuaciones Lineales . . . . .
11.2. Teora Elemental de Matrices . . . . . . .
11.3. El Determinante de una Matriz Cuadrada
11.4. Geometra Vectorial en Rn . . . . . . . . .
11.5. Rectas y Planos en Rn . . . . . . . . . . .
11.6. Espacios Vectoriales . . . . . . . . . . . .
11.7. Ortogonalidad y Proyecciones en Rn . . .
11.8. Teora de Transformaciones Lineales . . .
11.9. Vectores y Valores Propios . . . . . . . . .
11.10.Curvas y Superficies Cuadrticas . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
247
247
248
249
252
254
255
257
259
261
263
12.Aplicaciones
12.1. Anlisis Dimensional y Circuitos Elctricos . . . . . .
12.1.1. Anlisis Dimensional . . . . . . . . . . . . . .
12.1.2. Circuitos Elctricos . . . . . . . . . . . . . . . .
12.2. Teora de Grficas . . . . . . . . . . . . . . . . . . . .
12.3. Anlisis Matricial y Vectorial . . . . . . . . . . . . . .
12.3.1. Clculo Matricial . . . . . . . . . . . . . . . . .
12.3.2. Clculo Vectorial . . . . . . . . . . . . . . . .
12.3.3. Derivada del producto punto . . . . . . . . . .
12.3.4. Derivada del producto cruz . . . . . . . . . . .
12.4. Nmeros Complejos y Cuaterniones de Hamilton . . .
12.4.1. Los Nmeros Complejos . . . . . . . . . . . . .
12.4.2. Los Cuaterniones de Hamilton . . . . . . . . .
12.5. Curvas de Mejor Ajuste . . . . . . . . . . . . . . . . .
12.6. Exponencial de una Matriz y Ecuaciones Diferenciales
12.6.1. Ecuaciones Diferenciales Lineales Homogneas
12.6.2. Exponencial de una Matriz Diagonalizable . .
12.7. Rotaciones en el Espacio . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
267
267
267
268
271
272
272
273
273
274
275
275
276
277
281
281
282
283
13.Problemas Adicionales
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
285
1.
1.1.
La primera parte del curso consistir en resolver sistemas de ecuaciones lineales. Estos
sistemas son un grupo de ecuaciones de la forma
!
x y = 1
(1)
3x + y = 9
o bien
3x + 2y z = 1
2x 2y + 4z = 2
x + 12 y z = 0
Utilizando una notacin ms general, otros sistemas de ecuaciones lineales podran ser
x1 + 2x2 = 7
x2 7x3 + x4 = 8
x1 + 5x4 = 10
x1 + 5x2 = 0
x1 3x2 = 0
x1 = 6
(2)
(3)
(4)
De los ejemplos anteriores se pueden concluir ciertas caractersticas de los sistemas de ecuaciones lineales:
1. Las variables (incgnitas) del problema siempre aparecen elevadas a la potencia 1 y nunca elevadas a otra potencia: por ejemplo, una ecuacin como x2 +y = 0
no es aceptable como ecuacin lineal porque la variable x aparece elevada al cuadrado.
2. No aparecen trminos mixtos en las ecuaciones: por ejemplo, una ecuacin como
x + 3xy 5y = 0 no va a ser considerada una ecuacin lineal porque si bien todas las
variables estn elevadas a la potencia 1 se tiene un trmino mixto 3xy que hace que la
ecuacin no se considere lineal.
3. No hay relacin entre el nmero de ecuaciones del sistema y el nmero de
incgnitas: Por ejemplo, en (1) y (2) se tienen sistemas de ecuaciones lineales con tantas
incgnitas como ecuaciones (dos en el primer caso y tres en el segundo caso) mientras que
en (3) hay cuatro incgnitas y tres ecuaciones (es decir, ms incgnitas que ecuaciones) y
en (4) hay dos incgnitas y tres ecuaciones (es decir, ms ecuaciones que incgnitas).
4. El sistema de ecuaciones puede ser consistente o inconsistente: Es decir, puede
ser que el sistema posea solucin o no la posea. Por ejemplo, pronto se ver que la solucin
de (1) es x = 2, y = 3 mientras !
que (4) no tiene solucin pues sustituyendo x1 = 6 en
6 + 5x2 = 0
las otras dos ecuaciones se tiene
lo cual da x2 = 6
5 y x2 = 2 y esto es
6 3x2 = 0
imposible.
Como es bien sabido, hay varias formas de resolver sistemas de ecuaciones lineales, los dos
mtodos ms populares siendo los siguientes:
1. Mtodo de sustitucin: Este se puede ver fcilmente en (1). De la primera ecuacin
de ese sistema se tiene que x + 1 = y y se puede sustituir este valor de y en la segunda
ecuacin del sistema para obtener 3x + x + 1 = 9 o bien 4x = 8 de lo cual se obtiene x = 2.
Ahora se sustituye este valor en x + 1 = y para obtener 2 + 1 = y o y = 3 que fue lo que
se dijo anteriormente.
2. Mtodo de combinaciones lineales: Como este ser el mtodo empleado a lo largo del
curso se describir con mayor detalle. Se resolver el mismo sistema de ecuaciones lineal 1
!
x y = 1
(5)
3x + y = 9
En vez de usar el mtodo de sustitucin se multiplica la segunda ecuacin por
sistema
!
x y = 1
x + 13 y = 3
1
3
y se tiene el
(6)
(7)
(8)
(9)
1.1.2.1. Sistemas con dos incgnitas: Ahora que se conoce un poco mejor que es un sistema
de ecuaciones lineales, se proceder a su interpretacin geomtrica, quizs uno de los aspectos
ms importantes de la teora. Retomando nuestro sistema original (1)
!
x y = 1
(11)
3x + y = 9
se puede escribir en una forma ms familiar como
!
y = f (x) = x + 1
y = f (x) = 9 3x
(12)
que como se sabe corresponde a funciones lineales que tienen por grfica una lnea recta cuando
se dibujan en el plano cartesiano (esto justifica el nombre sistema de ecuaciones lineales). Si
se grafican estas dos funciones en el plano se tiene la siguiente figura
y = 3x + 9
(2,3)
1
y =x+1
10
3x + 2y z = 1
(13)
2x 2y + 4z = 2
1
x + 2 y z = 0
En este caso las ecuaciones lineales deben dibujarse en el espacio (es decir, utilizar tres ejes
x, y, z) y en vez de ser rectas son planos. Tambin, el sistema de ecuaciones tiene por solucin
x = 1, y = 2, z = 2 y al representar las ecuaciones en el espacio se ven como la figura siguiente
11
12
1.2.
x1 + 2x2 = 7
x2 7x3 + x4 = 8
x1 + 5x4 = 10
(14)
.
.
donde los aij representan los coeficientes (nmeros reales) que multiplican a cada incgnita: el
valor de i indica la fila en la que se encuentra aij y el valor de j indica frente a cual variable
aparece. Los bi por otro lado representan los nmeros reales que no van multiplicados por ninguna
incgnita. As, comparando con (14) tendramos que
a11 = 1 a12 = 2
a21 = 0 a22 = 1
a31 = 1 a32 = 0
a13 = 0 a14 = 0 b1 = 7
a23 = 7 a24 = 1 b2 = 8
a33 = 0 a34 = 5 b3 = 10
(16)
x es
solucion de
(15)}
(17)
Por ejemplo, como se ver ms adelante el sistema (14) posee infinitas soluciones. En particular
19
,0) es una solucin como puede verificarse sustituyendo estos valores en el sistema
(10, 23 , 14
de ecuaciones.
13
A= .
..
..
.
an1
an2
anm
b1
b2
..
.
bn
(18)
(19)
Por otro lado, se dir que la representacin matricial aumentada del sistema de ecuaciones
lineales (A | b) es el siguiente arreglo de nmeros
,
(A | b) = .
(20)
.. , ..
..
. ,, .
an1 an2 anm , bn
x1
x2
yb=
b1
b2
..
.
bn
, es decir, Ax = b significa
a11
a21
..
.
a12
a22
a1m
a2m
..
.
an1
an2
anm
x1
x2
..
.
xm
b1
b2
..
.
bn
(21)
Una vez se haya estudiado el producto matricial, se entender mejor el uso particular de esta
notacin.
1.3.
Operaciones Elementales
14
x1 + 2x2 = 7
(22)
x2 7x3 + x4 = 8
x1 + 5x4 = 10
que ahora representamos por la matriz aumentada
,
1 2 0 0 ,, 7
0 1 7 1 , 8
,
1 0 0 5 , 10
si se busca multiplicar
1
0
1
la fila 2 por 3
,
2 0 0 ,,
1 7 1 ,,
0 0 5 ,
(23)
se denotar como
3f2
7
1 2
0
0
8 0 3 21 3
10
1 0
0
5
, 7
,
, 24
,
, 10
(24)
2. Multiplicacin de una fila por un nmero real distinto de cero y sumarla a otra
fila: Por ejemplo, si seguimos con nuestra matriz
,
1 2 0 0 ,, 7
0 1 7 1 , 8
(25)
,
1 0 0 5 , 10
y deseamos multiplicar la fila
1 2 0
0 1 7
1 0 0
0 ,, 7
1 2
0
,
0 1 7
1 , 8
5 , 10
1 3 21
3 se denotar segn
,
0 ,, 7
1 ,, 8
8 , 34
(26)
3. Intercambio de dos filas: Esta operacin consiste en intercambiar de lugar dos filas en
la matriz. Por ejemplo, si se desea intercambiar la fila 2 y 3 de nuestra matriz
,
1 2 0 0 ,, 7
0 1 7 1 , 8
(27)
,
1 0 0 5 , 10
se denotar la operacin segn
,
f2 ,f3
1 2
1 2 0 0 ,, 7
0 1 7 1 , 8
1 0
,
0 1
1 0 0 5 , 10
0 0 ,, 7
0 5 ,, 10
7 1 , 8
(28)
La idea para resolver un sistema de ecuaciones lineales ser utilizar nicamente una combinacin
de estas tres operaciones elementales con el fin de llegar a la matriz escalonada reducida, que se
introduce a continuacin.
15
1.4.
Se dice que dos sistemas de ecuaciones lineales son equivalentes si poseen las mismas soluciones o bien, si al representar los sistemas de ecuaciones por sus matrices aumentadas respectivas,
es posible realizar operaciones elementales que lleven de una matriz a la otra.
Por ejemplo, como se ha visto
,
,
1 2 0 0 ,, 7
1 2
0
0 ,, 7
0 1 7 1 , 8 , 0 1 7 1 , 8
(29)
,
,
1 0 0 5 , 10
1 3 21 8 , 34
son matrices equivalentes pues la segunda se obtena a partir de la primera a travs de la operacin
elemental 3f2 +f3 ..La siguiente definicin indica las caractersticas que una matriz debe satisfacer
para ser llamada matriz escalonada.
Definicin 1. Una matriz es escalonada si es nula (es decir, todas sus entradas son 0) o si
cumple las siguientes condiciones
! Si una fila posee algn coeficiente distinto de 0, el primero de estos coeficientes debe ser
un 1
! El primer 1 de cualquier fila debe estar a la derecha del primer 1 de las filas anteriores (es
decir, las que estn por encima de la fila)
! Las filas que son nulas aparecen al final de la matriz
A continuacin
2 0 1
! 0 0 1
0 0 0
2
0
1
esta matriz no es escalonada puesto que el primer coeficiente no nulo de la primera fila es un 2
en vez de un 1. Sin embargo,
1 0 21 1
0 0 1 0
(30)
0 0 0 1
es una matriz
mental 12 f1 .
1 0
! 0 0
0 1
5
0
1
esta matriz tampoco es una matriz escalonada puesto que el primer uno de la tercera fila se
encuentra antes del primer uno de la segunda fila. Sin embargo,
1 0 3 5
0 1 0 1
(31)
0 0 1 0
es una matriz escalonada equivalente a la anterior que se obtuvo a travs de la operacin de
intercambiar filas f2 , f3
16
0 3
0 0
1 0
5
0
9
1 0 3
0 1 0
0 0 0
5
9
(32)
0
es una matriz escalonada equivalente a la anterior que se obtiene nuevamente a partir del intercambio de filas f2 , f3 . Una clase particular de matriz escalonada es la matriz escalonada
reducida.1
Una matriz es escalonada reducida si es escalonada y si por encima del primer uno de cada
fila solo hay ceros.
A continuacin se dan unos ejemplos de cuales matrices son escalonadas reducidas y cuales no:
1 0 12 1
! 0 0 1 0
0 0 0 1
esta matriz es escalonada como se vio antes pero no escalonada reducida pues sobre el 1 de la
segunda fila se encuentra 12 en vez de 0 y sobre el 1 de la tercera fila se encuentra un 1 en la
primera fila. Sin embargo
1 0 0 0
0 0 1 0
(33)
0 0 0 1
es una matriz escalonada reducida equivalente a la primera que se logra a travs de las operaciones
elementales 1
2 f2 + f1 y f3 + f1 .
1 0 3 5
! 0 1 0 1
0 0 1 0
esta matriz es escalonada como se mencion antes pero no es escalonada reducida pues por
encima del primer 1 de la tercera fila se encuentra un 3 en la primera fila. Sin embargo,
1 0 0 5
0 1 0 1
(34)
0 0 1 0
es una matriz escalonada reducida equivalente a la anterior que se obtiene a travs de la operacin
elemental 3f3 + f1 . Ntese que no hay que quitar el 5 puesto que est encima del segundo 1
de la segunda fila y no sobre el primer 1 de la segunda fila.
1 0 3 5
! 0 1 0 9
0 0 0 0
esta matriz que ya se encuentra en su forma escalonada reducida.
1 Una
de las ventajas de trabajar con la matriz escalonada reducida es que esta siempre es nica mientras que
pueden haber varias matrices que sean solo reducidas
17
1.5.
Mtodo de Gauss-Jordan
El mtodo de Gauss-Jordan consiste en un algoritmo para resolver cualquier sistema de ecuaciones lineales en una forma que la solucin del sistema sea evidente. El algoritmo puede describirse en los siguientes pasos:
Mtodo de Gauss-Jordan:
1. Dado un sistema de ecuaciones lineales encontrar la matriz aumentada (A | b) que
representa al sistema
2. Mediante la aplicacin de operaciones elementales reducir la matriz aumentada a su
forma escalonada reducida
3. Una vez que se tiene su forma escalonada reducida se procede a reescribir la matriz
escalonada reducida como un sistema de ecuaciones lineales para el cual se despejan
las incgnitas
Se va a ilustrar el mtodo de Gauss-Jordan con tres casos: un sistema con una solucin, un
sistema con ninguna solucin y un sistema con infinitas soluciones.
1.5.1.
x + 2y + 3z = 9
2x y + z = 8
3x z = 3
(35)
1 2
3 ,, 9
2 1 1 , 8
,
3 0 1 , 3
(36)
El siguiente paso es realizar operaciones elementales hasta tener la forma escalonada reducida
de la matriz aumentada. Las operaciones realizadas son las siguientes
1 2
3
2 1 1
3 0 1
1 2
0 5
0 6
3
5
10
1 2
0 1
0 0
1 2
0 1
0 0
,
1 +f2
, 9 2f
1
,
, 8
0
,
, 3
3
1
5 f2
, 9
1
,
, 10
0
,
, 24
0
,
3f1 +f3
2
3 ,, 9
5 5 ,, 10
0 1 , 3
2
3
1
1
6 10
,
6f2 +f3
, 9
,
, 2
,
, 24
,
,
1
4 f3
1 2 3 ,, 9
3 ,, 9
0 1 1 , 2
1 ,, 2
,
,
0 0 1 , 3
4
12
,
,
f +f
0 ,, 0 32
1 2 0 ,, 0
0 1 0 , 1
1 ,, 2
,
1 , 3
0 0 1 , 3
18
(37)
(38)
(39)
2f2 +f1
(40)
3f3 +f1
0
0
1
, 2
,
, 1
,
, 3
(41)
(41) es la forma escalonada reducida que se buscaba segn indica el algoritmo. Finalmente, se
escribe (41) como un sistema de ecuaciones lineales y se obtiene
x = 2
(42)
y = 1
z=3
(43)
x + 2y + 3z + 4w = 5
x + 3y + 5z + 7w = 11
x z 2w = 6
1 2 3
4 ,, 5
1 3 5
7 ,, 11
1 0 1 2 , 6
(44)
(45)
1 2
0 1
0 2
1
0
0
,
f1 +f2
3
4 ,, 5
1
,
0
5
7 , 11
1 2 , 6
1
,
2f2 +f1
3
4 ,, 5
1
0
2
3 ,, 6
4 6 , 11
0
,
7f3 +f1
0 1 2 ,, 7
1
0
1 2
3 ,, 6
0 0
0 , 1
0
1 0 1 2
0 1 2
3
0 0 0
0
1 2
1 3
1 0
,
f1 +f3
, 5
,
, 6
,
, 6
,
2f2 +f3
0 1 2 ,, 7
1
2
3 ,, 6
2 4 6 , 11
,
6f +f
0 1 2 ,, 0 32
1 2
3 ,, 6
0 0
0 , 1
,
, 0
,
, 0
,
, 1
2 3
4
1 2
3
0 1 2
(46)
(47)
(48)
(49)
(50)
Ahora se representa nuevamente la matriz como un sistema de ecuaciones lineales para obtener
x z 2w = 0
(51)
y + 2z + 3w = 0
0=1
19
(52)
x + y + 2z 5w = 3
2x + 5y z 9w = 3
2x + y z + 3w = 11
x 3y + 2z + 7w = 5
1 1
2
2 5 1
2 1 1
1 3 2
5
9
3
7
,
, 3
,
, 3
,
, 11
,
, 5
(53)
(54)
2
1
,
1
2 5 ,, 3
5 1 9 ,, 3
1 1 3 ,, 11
3 2
7 , 5
1 1
0 4
0 1
0 3
1
0
0
0
,
2 5 ,, 3
0
12 ,, 8
5 13 ,, 17
5 1 , 9
2f1 +f2
2f1 +f3
f1 +f4
4 f2
1
0
0
0
1 1
2
0 3 5
0 1 5
0 4 0
,
, 3
,
, 9
,
, 17
,
, 8
,
1
2 5 ,, 3
1
0 3 ,, 2
1 5 13 ,, 17
3 5 1 , 9
,
f3 +f4
1 0 2
2 2 ,, 1
0 1 0
0 3 ,, 2
0 0 5
5 10 ,, 15
0 0 0
5 10 , 15
,
2f3 +f1
1 0 2 2 ,, 1
1 0 0
0 1 0 3 , 2
0 1 0
0 0 1 2 , 3
0 0 1
,
,
0 0 0 0
0
0 0 0
0
1
0
0
5
1
13
12
2
3
10
0
2
3
2
0
f2 ,f4
f2 +f1
f2 +f3
3f2 +f4
,
1
5 f3
, 1
,
, 2
,
, 15
,
, 0
,
, 5
,
, 2
,
, 3
,
, 0
(55)
(56)
(57)
(58)
Esta ltima matriz representa la matriz escalonada reducida por lo que cambindola por un
sistema de ecuaciones se tiene que
x + 2w = 5
(59)
y 3w = 2
z 2w = 3
20
x = 5 2w
(60)
y = 2 + 3w
z = 3 + 2w
De aqu se puede observar que una vez que se le asigne a w un valor arbitrario w = t para t R
se tiene que x = 5 2t, y = 2 + 3t, z = 3 + 2t. Por ejemplo, cuando w = t = 0 se tiene que
x = 5, y = 2, z = 3. As, este sistema tiene infinitas soluciones y el conjunto solucin se denota
como
S = {(5 2t, 2 + 3t, 3 + 2t, t) : t R}
(61)
1.6.
Definicin 2. El rango de una matriz A es el nmero de filas no nulas de la matriz escalonada reducida equivalente a A. El rango de una matriz aumentada (A | b) es el nmero de
filas no nulas de la matriz aumentada escalonada reducida equivalente a (A | b).
Como se ver de los siguientes ejemplos, hay una relacin estrecha entre el rango de una matriz
y las soluciones del sistema de ecuaciones lineales correspondientes. De entrada hay que notar
que siempre se cumple que Rng(A) Rng(A | b) puesto que la matriz aumentada es la matriz
de coeficientes ms la columna b por lo que el nmero de filas no nulas no puede disminuir.
1.6.1.
1 2
1 3
1 0
3
4
5
7
1 2
, 5
,
, 11
,
, 6
1 0 1 2 ,, 0
0 1 2
3 ,, 0
0 0 0
0 , 1
(62)
(63)
De aqu se observa fcilmente Rng(A) = 2 mientras que Rng(A | b) = 3. Esta matriz corresponda a un sistema sin soluciones por lo que podemos concluir que para cualquier matriz
tal que Rng(A) < Rng(A | b) el sistema de ecuaciones lineales correspondientes no
tiene solucin.
1.6.2.
Rng(A) = Rng(A | b) = m :
1 2
3 ,, 9
2 1 1 , 8
(64)
,
3 0 1 , 3
21
1
0
0
matriz
,
0 0 ,, 2
1 0 ,, 1
0 1 , 3
(65)
1 1
2
2 5 1
2 1 1
1 3 2
1
0
0
0
0
1
0
0
0
0
1
0
5
9
3
7
2
3
2
0
,
, 3
,
, 3
,
, 11
,
, 5
, 5
,
, 2
,
, 3
,
, 0
(66)
(67)
Aqu se observa fcilmente que Rng(A) = Rng(A | b) = 3 mientras que m = 4. Como se vio en
ese ejemplo el sistema posea infinitas soluciones y haban m Rng(A) = 4 3 = 1 variables
cuyo valor no fue posible determinar en forma nica (en el ejemplo la variable que qued libre
fue w). De aqu se concluye que para cualquier matriz tal que Rng(A) = Rng(A | b) < m
el sistema de ecuaciones correspondiente posee infinitas soluciones y se caracteriza
por m Rng(A) variables libres.
Se puede resumir lo hallado anteriormente en el siguiente teorema.
Teorema del Rango: Para cualquier sistema de ecuaciones lineales con m incgnitas siempre
se tiene que Rng(A) Rng(A | b). Las soluciones de tal sistema se relacionan con el rango de
su matriz correspondiente segn:
! Rng(A) < Rng(A | b): En este caso el sistema no posee soluciones
! Rng(A) = Rng(A | b) = m: En este caso el sistema posee una nica solucin.
! Rng(A) = Rng(A | b) < m: En este caso el sistema posee infinitas soluciones caracterizadas por m Rng(A) variables libres.
Ejemplo 3. A manera de aplicacin del teorema del rango, considere un sistema cuya matriz
aumentada es
,
.
1 0 0 1 0 ,, 0
(68)
0 0 1 0 1 , 0
En este caso la matriz A es 2 5 y es claro que (dado que ya se encuentra en su forma escalonada
reducida) Rng(A) = Rng(A |b) = 2. En este caso, como m = 5, el teorema del rango indica que
22
x4 = t2
x5 = t3
(70)
1.7.
1.7.1.
(71)
a x + a12 x2 + + a1m xm =
11 1
0
0
..
.
0
(72)
es decir, todas las ecuaciones lineales estn igualdas a cero. En nuestra notacin matricial
se escribira como Ax = 0. Como el lado derecho siempre es cero, es usual tomar como matriz
aumentada simplemente la matriz de coeficientes. Por ejemplo, para hacer Gauss Jordan sobre
el sistema
x 2y + 3z = 0
(73)
y 5z = 0
3x z = 0
se usara como matriz
1
0
3
2 3
1 5
0 1
(74)
23
Sistemas no homogneos:
a x + a12 x2 + + a1m xm = b1
11 1
.
.
(75)
donde al menos uno de los bi es distinto de cero, (pues si todos fueran igual a cero sera el caso
de un sistema homogneo).
Por ser el sistema ms general, puede poseer ninguna solucin, una nica solucin o infinitas
soluciones como se fue mencionado en el Teorema del Rango.
1.7.3.
Estos sistemas de ecuaciones lineales se caracterizan por el hecho de que uno o ms de los
coeficientes que aparecen en el sistema de ecuaciones son desconocidos por lo que
la soluciones del sistema van a depender en los valores que tomen tales coeficientes.
Por ejemplo, en el sistema
x + y + z = 1
(76)
2x y + (b 2)z = a 2
2
2x ay 2z = a + 3a 4
las incgnitas siguen siendo x, y, z pero ahora hay ciertos valores de los coeficientes que se
desconocen y que dependen de los parmetros a y b. La nica complicacin que tienen este tipo
de problema con respecto a lo anteriores es que al no saber el valor de a y b a veces hay que
trabajar con casos para realizar una operacin elemental sobre la matriz; por ejemplo, podra
hacerse la operacin elemental a1 f2 pero esto solo es posible si a no es 0, por lo que habra que
trabajar el caso a = 0 y a '= 0 para poder seguir reduciendo la matriz. A manera de ilustracin,
se resolver el siguiente problema
Problema 5. (primer examen parcial reposicin 2007, 2ndo ciclo): estudie el sistema (58)
segn los dos parmetros. Es decir, determine para qu valor o valores de a y b el
sistema tiene solucin nica o tiene infinitas soluciones o no tiene soluciones.
Para resolver esa pregunta se procede como siempre a construir la matriz aumentada:
,
1
1
1
1 ,,
2 1 b 2 ,
a2
,
2 a 2 , a2 + 3a 4
24
(77)
1
b2
2
,
1
,
,
a2
,
, a2 + 3a 4
1
0
0
1
0
0
2f1 +f2
2f1 +f3
0
1
0
1
1 ,,
1
1
b ,,
a
2
,
a + 2 0
a + 3a 2
1 b ,, 1 a
,
b
a
,
,
(a 2)b
a2
f2 +f1
(a2)f2 +f3
(78)
(79)
Una vez que se ha llegado a este punto es necesario hacer casos sobre los valores de a y b para
poder seguir reduciendo la matriz:
! Caso a '= 2, b '= 0: Si suponemos esto podemos realizar la siguiente operacin elemental:
,
,
(b1)f3 +f1
1 0
1 b ,, 1 a
1 0 1 b ,, 1 a
1
,
,
bf
0 1
(a2)b f3 0 1
a
(80)
b
a
b
,
,
3 +f2
0 0 (a 2)b , a 2
0 0
1 ,
b
,
1
1 0 0 ,, 2 a b
0 1 0 ,
a1
(81)
,
0 0 1 ,
1/b
y es claro que hay una solucin nica para un valor particular de a y b .
1 0
0 1
0 0
se obtiene
,
1 ,, 1 a
0 ,,
a
0 , a2
(82)
1 0 1b
0 1
b
0 0
0
, 1
,
, 2
,
, 0
(83)
por el Teorema del Rango se tienen infinitas soluciones para cada valor de b dadas por el
sistema
!
x = 1 + (b 1)z
(84)
y = 2 bz
donde z = t es el parmetro, es decir, las soluciones son de la forma (1 + (b 1)t, 2 bt, t).
2.
En el captulo anterior se estudiaron las matrices como una forma de representar un sistema
de ecuaciones lineales. De ahora en adelante se estudiarn las matrices como objetos por su
propia cuenta, sin tomar en cuenta si representan o no a un sistema de ecuaciones lineales. De
esta forma, una matriz n m es cualquier arreglo rectangular de n filas y m columnas con nm
nmeros reales
A = (aij )nm = .
(85)
..
..
.
an1
an2
anm
2.1.
2.1.1.
A = (aij )nm = .
, B = (bij )nm = .
.
.. (86)
..
..
..
.
an1
an2
anm
bn1
bn2
bnm
entonces
C = A + B = (cij )nm =
1 0
A= 3 8
12 2
a12 + b12
a22 + b22
a1m + b1m
a2m + b2m
..
.
an1 + bn1
an2 + bn2
anm + bnm
(87)
entonces
3 9 12
A + B = 3 16 18
20 4
3
a11 + b11
a21 + b21
..
.
2 9
4 7
11 2 , B = 0 8
2 0
8 2
8
7
1
0
7
1
1 9 4 7
7
9 ,A B = 3
4 5
0
1
4
0
1 1
26
(88)
(89)
A = (aij )nm = .
(90)
.. ,
..
.
C = tA = (cij )nm
= .
..
..
.
tan1
Por ejemplo, si
tan2
1 0 4 7
A = 3 8 11 2
12 2 2 0
entonces
3 0 12 21
3A = 9 24 33 6
36 6 6 0
tanm
(91)
(92)
(93)
Producto de Matrices
Definir el producto de matrices es una operacin mucho ms complicada que definir la suma de
matrices. Primero que todo, la definicin parecer arbitraria y adems el producto matricial no
posee todas las propiedades que poseen el producto de nmeros reales (en particular, el producto
de matrices es no conmutativo, es decir AB '= BA). Debido a la dificultad del producto se ir
explicando como realizarlo con las siguientes dos matrices
.
2 4 0 0
1 9 0
,B = 1 5 3 2
(94)
A=
2 3 4
7 6 5 8
! Si A M (n, m, R), B M (r, s, R) el producto de matrices AB est bien definido nicamente cuando m = r, es decir, el nmero de columnas de la primera matriz debe
ser igual al nmero de filas de la segunda matriz. En caso de que eso se cumpla,
27
b1j
b2j
b1j
m
b2j
/
cij = (ai1 , ai2 , ..., aim ) . = ai1 b1j + ai2 b2j + + aim bmj =
ail blj
(96)
..
l=1
bmj
2 este
nombre se utilizar en anticipacin del producto punto entre vectores que se estudiar ms adelante
de http://www.texample.net/tikz/examples/matrix-multiplication/
3 tomado
28
b2
..
+
a2
a2
b1
.+
m
a2
a11
a12
...
a1m
a21
a22
...
a2m
..
.
..
.
..
..
.
an1
an2
...
anm
bm
A : n filas m columnas
b11
b12
...
b1s
b21
b22
...
b2s
..
.
..
.
..
..
.
bm1
bm2
...
bms
c11
c12
...
c1s
c21
c22
...
c2s
..
.
..
.
..
..
.
cn1
cn2
...
cns
C = A B : n filas s columnas
C=
11 49 27 18
35 47 29 38
29
(98)
(99)
AB =
6
6
6
9
, BA =
2
2
4
13
(100)
El siguiente teorema enuncia alguna de las propiedades del producto entre matrices.
Teorema 7. Si A M (n, m, R), B M (m, s, R), C M (s, t, R), D M (m, s, R), R se
tiene que
! (AB)C = A(BC)
! A(B + D) = AB + AD
! (B + D)C = BC + DC
! (AB) = A(B) = (A)B
2.1.4.
AB =
13 8
5 2
BA =
13
2
20
2
(102)
AB =
0
0
0
0
(104)
1
1
1
1
(105)
(106)
30
(107)
Como se haba mencionado en el captulo anterior existe una relacin estrecha entre la notacin
Ax = b para un sistema de ecuaciones y la multiplicacin matricial. Por ejemplo, si se tiene el
sistema
x1 + 2x2 = 7
(108)
x2 7x3 + x4 = 8
x1 + 5x4 = 10
entonces segn la notacin del captulo anterior se tiene que
1 2
A= 0 1
1 0
0 0
7 1
0 5
7
b= 8
10
x1
x2
x=
x3
x4
(109)
as, como A es una matriz 3 4 y x una matriz 4 1 se puede realizar Ax y se tiene que
x1
1 2 0 0
x1 + 2x2
x2
x2 7x3 + x4
Ax = 0 1 7 1
(110)
x3 =
1 0 0 5
x1 + 5x4
x4
y las filas de Ax corresponden al lado izquierdo del sistema de ecuaciones. De esta forma, Ax = b
significa
x1 + 2x2
7
x2 7x3 + x4 = 8
(111)
x1 + 5x4
10
1
2
0
0
v1 = 0 v2 = 1 v3 = 7 v4 = 1
(112)
1
0
0
5
x1
x2
Ax = (v1 v2 v3 v4 )
x3 = x1 v1 +x2 v2 +x3 v3 +x4 v4 = x1
x4
columnas de A son v1 , v2 , v3 , v4 . De
1
2
0
0
0 +x2 1 +x3 7 +x4 1
1
0
0
5
1
2
0
0
7
x1 0 + x2 1 + x3 7 + x4 1 = 8
1
0
0
5
10
(113)
(114)
Esta escritura ser muy importar ms adelante por lo que es bueno tener este resultado como
un teorema.
31
(116)
2.2.
Tipos de Matrices
2.2.1.
Matriz Transpuesta
1 9
(118)
AT = 3 8
5 1
T
(A + B)T = AT + B T
(119)
! Si A M (n, m, R),
! Si t R entonces
2.2.2.
(AB)T = B T AT
(120)
(AT )T = A
(121)
(tA) = tAT
(122)
Matrices cuadradas:
Estas son las matrices ms importantes y se caracterizan por el hecho de que tienen el mismo
nmero de filas que de columnas. Hay varios tipos de matrices cuadradas, algunas de las cuales
son:
32
Matriz nula 0n
0 0 0
0 0
0
0n = .
(123)
..
..
.
0 0
Es claro que para las matrices A en que la suma y multiplicacin con 0n tiene sentido se cumple
que
! A + 0n = 0n + A = A
! A0n = 0n A = 0n
2.2.2.2. Matriz identidad 1n
y 0 fuera de la diagonal
1n =
1 0
0 1
..
.
0 0
0
0
(124)
no es difcil ver que cuando tiene sentido la multiplicacin con la matriz A se tiene que
AIn = In A = A
2.2.2.3. Matriz diagonal Es cualquier matriz de tamao n n cuyas nicas entradas no nulas
se encuentran sobre la diagonal. Por ejemplo
1 0 0 0
0 0 0 0
A=
(125)
0 0 3 0
0 0 0 5
A = diag(1, 0, 3, 5)
(126)
(127)
AB = diag(a1 b1 , a2 b2 , , an bn )
(128)
entonces
2.2.2.4. Matriz triangular Una matriz es triangular inferior si todos sus elementos no nulos
estn por debajo o sobre la diagonal. Por ejemplo
1 0 0 0 0
7 2 0 0 0
A=
(129)
0 4 0 0 0
2 3 5 0 0
0 1 0 2 5
33
2 8 0
0 0 6
A=
0 0 0
0 0 0
0 0 0
8
9
0
0
4
1 8
8 0
A=
1 0
9 8
1 0
(130)
9
8
4
4
2
1
0
9
2
0
(131)
A=
0
8
1
9
8 0
0
8
1 0
0
4
9 8 4 0
1 0 9 2
1
0
9
2
0
(132)
Una propiedad importante de estas matrices es que una matriz antisimtrica solo puede
tener entradas nulas sobre la diagonal.
2.3.
2.3.1.
Definicin 10. Si A M (n, R) es una matriz cuadrada se dice que B M (n, R) es una
inversa izquierda de A si BA = 1n . Por otro lado, C M (n, R) es una inversa derecha de
A si AC = 1n .
Ntese que la definicin no presupone que siempre hay matrices que sean inversas a la izquierda
o a la derecha, de hecho, ms adelante se darn condiciones para que existan tales matrices. En
principio B y C pueden ser matrices diferentes por lo que es bastante importante el siguiente
resultado.
34
(133)
(134)
(135)
= 1t A1
Demostracin. Por definicin (A1 )1 es una matriz C tal que CA1 = A1 C = 1n . Por uniciad
de la inversa basta encontrar una matriz C que cumpla lo anterior. Es claro que C = A cumple
lo anterior por lo que (A1 )1 = A
Para la segunda propiedad (AB)1 es la matriz C que hace que CAB = ABC = 1n . Si se
toma C = B 1 A1 se nota que CAB = B 1 A1 AB = B 1 1n B = B 1 B = 1n y por otro lado
ABC = ABB 1 A1 = A1n A1 = AA1 = 1n por lo que se ha verificado lo buscado y de esta
forma (AB)1 = B 1 A1 .
35
1
7
1
7
(137)
Matrices Elementales
Antes de caracterizar las matrices invertibles es hora de relacionar las operaciones elementales
del captulo anterior con el producto de matrices.
Definicin 16. Las matrices elementales de tamao n son las matrices que resultan de
aplicar una operacin elemental a la matriz identidad 1n . Dado que haban tres operaciones
elementales distintas, las matrices elementales de tamao n se denotarn segn
En (afi ), En (fi , fj ), En (afi + fj )
(138)
1
0
En (3f2 ) =
0
0
0
0
En (f1, f3 ) =
1
0
0 0 0
3 0 0
0 1 0
0 0 1
1
0
En (4f1 + f4 ) =
0
4
0
1
0
0
1
0
0
0
0
1
0
0
0
0
0
1
0 0
0 0
1 0
0 1
(139)
(140)
(141)
El siguiente resultado establece la importancia de las matrices elementales y su relacin con las
operaciones elementales del captulo anterior.
36
B = En (afi )A A B
fi ,fj
B = En (fi , fj )A A B
B = En (afi + fj )A
(142)
afi +fj
A B
Adems, cada una de las matrices elementales son invertibles y sus inversas son
(En (afi ))1 = En ( a1 fi )
(En (fi , fj ))1 = En (fi , fj )
(En (afi + fj ))1 = En (afi + fj )
Por ejemplo, en (36) se estudi la matriz
1 2
2 1
3 0
1
0
0
1 2
A = 2 1
3 0
(144)
1 2
3
3
2f1 +f2
3f1 +f3
1 0 5 5
(145)
3 0 1
1
2
3
1
1
f
2
5
5 5 0
6 10
0
1
1 2 3
1
f
3
4
0
0 1 1
0
0 0 4
1 2 0
1
3 +f2
0 1 1 f
0
0 0 1
0
1 0
B= 0 1
0 0
3
1
1
(143)
2
3
6f2 +f3
1
1
6 10
2
1
0
2
1
0
0
0
1
3f3 +f1
3
1
1
0
2f2 +f1
0
1
(146)
(147)
(148)
(149)
37
Con la teora desarrollada hasta el momento es posible establecer ahora las condiciones que
garantizan que una matriz n n sea invertible.
Teorema 18. Sea A M (n, R). Las siguientes condiciones son equivalentes:
1. A es invertible
2. El sistema de ecuacionesAx = b tiene solucin nica para todo b
3. El sistema homogneoAx = 0 tiene solucin nica
4. Rng(A) = n
5. A es equivalente a 1n
6. A es un producto de matrices elementales
Demostracin. Se demostrar 1 2 3 4 5 6 1
1 2) : Suponga que A es invertible, es decir, existe A1 . Gracias al producto matricial, el
sistema Ax = b se puede interpretar como el producto de la matriz A por la matriz n 1 x
que da como resultado la matriz n 1 b. As como Ax = b multiplicando a ambos lados de la
ecuacin por A1 por la izquierda se tiene que A1 Ax = A1 b o lo que es igual a x = A1 b la
cual es la nica solucin del sistema de ecuaciones.
2 3) : Esto es trivial ya que 3) se sigue de 2) tomando b = 0
3 4) : Esto tambin es trivial de la caracterizacin que se haba hecho en el captulo anterior
sobre la relacin entre el rango de una matriz y el nmero de sus soluciones del sistema asociado.
4 5) : Si el rango de una matriz cuadrada A n n es n esto significa que la forma escalonada
reducida de la matriz A tiene todas sus filas distintas de cero con un nico 1 por fila que estn
colocados sobre la diagonal, es decir, la matriz escalonada reducida de A debe ser la identidad.
5 6) : Si A es equivalente a 1n esto significa que es posible realizar una serie de operaciones
elementales con las que se puede pasar de A a 1n . Por el teorema sobre operaciones elementales
se sigue que existen matrices elementales En (1), En (2), ..., En (m) tal que
1n = En (m) En (2)En (1)A
(151)
y como cada operacin elemental es invertible y su inversa es nuevamente una operacin elemental
se tiene de lo anterior que
A = (En (1))1 (En (2))1 (En (m))1
(152)
(153)
(154)
lo cual es justamente la condicin de que exista una serie de operaciones elementales que lleven
de A a 1n .
38
(156)
1 2
3
A = 2 1 1
3 0 1
(157)
Segn el algoritmo, hay que aumentar la matriz anterior con la identidad y comenzar a aplicar
las operaciones elementales sobre ambas matrices
1 2
2 1
3 0
3
1
1
,
, 1
,
, 0
,
, 0
1 2
3
0 5 5
0 6 10
1 2 3
0 1 1
0 0 4
,
1 2 0 ,,
0 1 1 ,
,
0 0 1 ,
,
, 1
,
, 2
,
, 3
2f +f
0 0 12
1
0
1 0
0 1
3
5 f2
0 0
1 2
0 1
1 0
0 1
0 6
4 f3
0
1
2
1
0
0
5
5
3
6
0
1
5
5
f3 +f2
11
9
3
1
20
10
4
2
1
0
0
5
5
3
3
1
0
20
10
4
, 1
1 0 0 ,, 20
0 1 0 , 1
, 4
0 0 1 , 3
,
,
,
,
,
,
,
3f +f
2
3 ,, 1 0 0 13
5 5 ,, 2 1 0
0 1 , 0 0 1
20
39
3
1
10
,
2 3 ,,
1 1 ,,
0 1 ,
,
2 0 ,,
1 0 ,,
0 1 ,
1
10
1
2
3
10
,
, 1
0
, 2
1
,
5
, 5
, 3 0
2
5
3
20
1
5
3
10
1
4
1
4
1
4
11
20
1
4
3
20
9
10
1
2
3
10
6f2 +f3
0
0
1
0
0 3f3 +f1
(158)
(159)
(160)
3
4
1
4
1
4
2f2 +f1
(161)
(162)
1
1
A1 =
20
1
4
3
20
40
10
1
2
3
10
4
1
4
1
4
(163)
3.
Al final del captulo anterior se estudi un mtodo para determinar cuando una matriz cuadrada era invertible o no. Sin embargo, tena la desventaja de ser bastante largo pues haba que
utilizar Gauss Jordan. En cambio, el concepto de determinante permitir saber rpidamente si
una matriz cuadrada es invertible o no, aparte de que tambin puede utilizarse para calcular la
matriz inversa y resolver sistemas de ecuaciones lineales con el mtodo de Cramer.
Debido a que el determinante de una matriz es difcil de definir (parecido al producto matricial)
se comenzar con el caso de matrices 2 2, 3 3 y a partir de ah se definir para matrices de
tamao n n.
3.1.
Si
a
c
b
d
Ejemplo 19. Si A =
3.2.
Si
yB=
9 2
4 1
(164)
(165)
a
A= d
g
b
e
h
c
f
i
(166)
es una matriz 3 3
,
, a b c
,
det A = ,, d e f
, g h i
! Ntese de que para calcular el determinante de una matriz 3 3 se tomaron los coeficientes
de la primera fila a, b, c y se escribi el determinante como una suma alternada de los
coeficientes multiplicados por tres determinantes. Se dice que fue una suma alternada pues
el b aparece con un menos en la frmula, es decir se realiz la suma con los signos (+, , +)
! Para hallar los tres determinantes que aparecen en (167) ntese que el coeficiente a se
encuentra en la primera fila y en la primera columna y el determinante que lo multiplica es
la matriz que resulta de eliminar la fila 1 y la columna 1, es decir, el determinante que
multiplica a cada coeficiente es el determinante de la matriz que queda despus
de eliminar la fila y la columna a la que pertenece el coeficiente.
41
+ +
+
(168)
+ +
esta tabla indica el signo con el cual aparece el coeficiente de la fila que busca desarrollarse.
Por ejemplo, el determinante de la matriz A a lo largo de la segunda fila sera
,
,
, a b c ,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
, d e f , = d , b c , + e , a c , f , a b , = d(bi ch)+ e(ai cg) f (ah bg)
,
,
, h i ,
, g i ,
, g h ,
, g h i ,
(169)
el lector podr verificar que (167) y (169) coinciden lo cual significa que el valor de un
determinante de una matriz puede calcularse expandiendo a lo largo de cualquier fila.
Ntese que las nuevas matrices 2 2 se hallan igual que antes; por ejemplo, como e se
encuentra en la fila 2 y la columna 2 entonces aparace multiplicado por el determinante de
la matriz que resulta de eliminar la fila 2 y la columna 2.
Con la informacin anterior ya se est listo para introducir el concepto de general de determinante.
3.3.
a12
a22
a1n
a2n
..
.
an2
ann
,
,
,
,
,
, = (1)i+1 ai1 det(Ai1 ) + + (1)i+n ain det(Ain )
,
,
,
(170)
+ +
+
..
(171)
+
.
..
.
1 2
9 0
A=
2 4
1 0
42
0
0
6
5
(172)
+
+ +
+
+ +
(173)
det A = (1)3+1 a31 det(A31 )+(1)3+2 a32 det(A32 )+(1)3+3 a33 det(A33 )+(1)3+4 a34 det(A34 )
(174)
2 0
= 2 det 0 7
0 0
0
1
0 4 det 9
5
1
,
,
4 ,
, 7 0 ,
, 0
,
,
= 2 2,
0 ,,
,
0 5
0
4 ,
, 0
+ 5 1 ,,
0
,
,
, 9
0 ,,
,
2
,
, 1
5
0 0
1 2
7 0 + 5 det 9 0
0 5
1 0
,
,
, 0
0 ,,
+ 0 ,,
,
5
0
,5
4 ,
, 7 0
7 ,,
4 1 ,,
,
0 5
0
,
,
,5
4 ,
,
, 9 0 ,
0 ,,
,
, 6 1, 0 7
+
0
,
,
,
, 0 0
5
1 0
,5
4 ,
4,
, 7 0 ,
,
, 4 , 7 0
= 2 2 ,,
,
, 0 5
0 5
,5
4,
,
,
, +5 , 0 0
,
, 0 5
,
,
,
,
,2, 9 0
,
, 1 5
0
1
0 6 det 9
5
1
,
,
,
,
,0, 9 0
,
, 1 5
,
,
,
,
, 2, 9
,
, 1
,
,
,
,
,+0, 9
,
, 1
,
,
, 9
7 ,,
,
+
0
,
, 1
0
,5
4,
,
,
, 6 , 0 7
,
, 0 0
2 0
0 7 (175)
0 0
,
,
,
,
,2, 9
,
, 1
,5
7 ,,
0 ,
,5
0 ,,
0 ,
(176)
(177)
,5
7 ,,
(178)
0 ,
(179)
= 450 84 = 534
(180)
(183)
= 84 5 90 = 534
(184)
Note que este procedimiento fue un poco tedioso en parte porque se escogi la peor fila posible,
es decir una donde ningn coeficiente era 0. En cambio, si se hubiera expandido a lo largo de la
cuarta fila el determinante se ve que
2 0 0
1 2 0
det A = 1 det 0 7 0 + 5 det 9 0 7
(181)
4 5 6
2 4 5
4
.5
4
.
.5
7 0
0 7
9 7
= 2 det
+ 5 det
2 det
(182)
5 6
4 5
2 5
lo cual fue un clculo mucho ms rpido pues se escogi una fila ms til. Ahora que se han
visto la forma de calcular un determinante es hora de ver algunas de sus propiedades.
43
3.4.
A = (aij )nxn =
B = (bij )nxn =
a11
a21
..
.
a12
a22
a1n
a2n
..
.
an1
an2
ann
b11
b21
..
.
b12
b22
b1n
b2n
..
.
bn1
bn2
bnn
(185)
(186)
1 2
0
0
A=
1 3
4
0
5
(187)
se tiene que |A| = 0 ya que se podra expandir a lo largo de la segunda fila pero ah todos sus
coeficientes son 0 por lo que el determinante tambin da cero.
! Si alguna columna de A solo tiene ceros entonces det A = 0
Por ejemplo, si
1
A= 5
7
0 1
0 2
0 4
(188)
se tiene que |A| = 0 pues la segunda columna tiene puros ceros y pronto se ver que tambin es
posible desarrollar el determinante a lo largo de cualquier columna en forma anloga a como se
desarrolla a lo largo de filas.
! si
A1
..
.
Ak
A$ = ...
Ar
.
..
An
(189)
es la matriz que resulta de multiplicar toda una fila de A por un nmero real entonces
det A$ = det A
(190)
44
(191)
1 7
A= 0 2
3 6
4
1
9
2
A = 10
0
(192)
3 se puede factorizar un 3 y as
,
4 ,,
1 ,,
(193)
3 ,
4 6
12 18
4 6
como cada fila es mltiplo de 2 se puede sacar un 2 por cada fila y as se tendra que
,
,
,
,
, 2 4 6 ,
, 1 2 3 ,
,
,
,
,
, 10 12 18 , = 23 , 5 6 9 ,
,
,
,
,
, 0 4 6 ,
, 0 2 3 ,
(194)
(195)
A1
A1
..
..
.
.
Ak
Ar
Ar
Ak
.
.
.
.
.
.
An
Por ejemplo, si
An
2
3 4
A= 1
0 8
1 2 1
entonces
,
,
,
,
, 1
, 2
3 4 ,,
0 8 ,,
,
,
, 1
0 8 ,, = ,, 2
3 4 ,,
,
, 1 2 1 ,
, 1 2 1 ,
(197)
(198)
A1
A1
..
..
Ak
A
k
..
.
..
det . = det
(199)
Ar
Ak +Ar
..
..
.
An
An
45
1 2
A = 2 4
0 5
9
8
9
,
2 9 ,, 2f + f
1
2
4 8 ,,
=
5 9 ,
,
, 1
,
, 0
,
, 0
entonces
,
, 1
,
, 2
,
, 0
(200)
2
8
5
9
26
9
,
,
,
,
,
,
(201)
a11
a12
a1n
a
a
a2n
21
22
..
..
.
.
A=
ai1 + bi1 ai2 + bi2 ain + bin
..
..
..
.
.
.
an1
an2
ann
entonces
a11
a21
..
.
det A = det
ai1
.
..
an1
a12
a22
a1n
a2n
..
.
ai2
..
.
ain
..
.
an2
ann
a11
a21
..
.
+ det
bi1
..
an1
(202)
a12
a22
a1n
a2n
..
.
bi2
..
.
bin
..
.
an2
ann
(203)
ntese que todas las filas salvo la i-sima son las mismas en los tres determinantes que es
la que se separa en dos partes.
Por ejemplo, si
1 7
A= 0 2
2 1
entonces
,
, 1 7
,
, 0 2
,
, 2 1
5
9
1
, ,
, , 1
, ,
,=, 0+0
, ,
, , 2
5
9
1
, ,
7
5 ,, ,, 1 7
1 + 1 1+8 ,, = ,, 0 1
1
1 , , 2 1
(204)
5
1
1
, ,
, , 1 7
, ,
,+, 0 1
, ,
, , 2 1
5
8
1
,
,
,
,
,
,
(205)
46
(206)
1 0 2
A= 0 8 0
(207)
0 0 3
es una matriz triangular superior entonces
det A = 1 8 3 = 24
(208)
(209)
det A = a1 an
(210)
entonces
! El determinante de una matriz es igual a de su transpuesta, es decir
det A = det AT
(211)
3.5.
3.5.1.
1
det A
(212)
(213)
Uno de los resultados ms importantes del lgebra lineal relaciona el determinante de una
matriz con el clculo de su inversa. Recurdese que se haba definido
,
,
, a11 a12 a1n ,
,
,
, a21 a22 a2n ,
,
,
i+1
i+n
det A = , .
(214)
.. , = (1) ai1 det(Ai1 ) + + (1) ain det(Ain )
, ..
,
.
,
,
, an1 an2 ann ,
Definiendo el cofactor cij de aij como
(215)
47
(216)
1 2
5 6
1 2
1+2
c12 = (1)
det
4 6
7 2
(217)
= (1)(34) = 34
(218)
3
7
1
1
= (1)(10) = 10
(219)
1 2
5 6
= (1)(16) = 16
(220)
adjA =
3.5.2.
c11
c21
..
.
c12
c22
cn1
cn2
T
c11
c1n
c12
c2n
= ..
.
c1n
cnn
c21
c22
c2n
cn1
cn2
cnn
(221)
1
adjA
det A
48
(222)
(224)
(225)
(226)
(227)
(228)
1
detA
c11
c21
a
c
b
d
c12
c22
.1
.T
1
ad bc
1
det A
d c
b a
d b
c a
.T
(229)
(230)
Esta frmula resulta muy til para calcular la inversa de una matriz de este tipo.
3.5.3.
A12
A22
(231)
donde A est escrita como matriz en bloques, es decir, A11 y A22 no son nmeros sino
matrices cuadradas y 0 es una matriz rectangular de puros ceros. Entonces
det A = det A11 det A22
Por ejemplo, si
A=
1
0
0
0
9
1
8
1
2
0
0
8
5
8
49
1
2
3
0
7
9
8
1
2
3
4
6
3
6
0
0
0
0
1
0
0
0
0
0
0
2
4
2
(232)
0
0
0
0
3
1
2
(233)
A11
1
0
=
0
0
1
2
0
0
1
2
3
0
1
9 8
2
, A21 = 1 5
3
8 8
4
7 6
1 2
9 3 , A22 = 0 4
8 6
0 2
0
3
0
1 ,0 =
0
2
0
0
0
0
0
0
0
0
0
(234)
(235)
(236)
(237)
3.6.
(238)
Regla de Cramer
Otra aplicacin del concepto de determinante es para resolver sistemas de ecuaciones lineales
con el mismo nmeros de ecuaciones que de incgnitas, es decir, un sistema de ecuaciones n n
Teorema 24. Suponga que A es una matriz n n. A = (A1 , ..., An ) donde Ai es
la i-sima columna de A. Suponga que det A '= 0 y que Ax = b. Denote como
(A1 , , Ai1 , b, Ai+1 , , An ) la matriz que tiene las mismas columnas que A salvo
la i-sima que hasido sustituida por la columna b. Entonces el sistema anterior tiene
x1
x2
xi =
2x1 + 3x2 x3 = 1
x1 + 2x2 x3 = 4
2x1 x2 + x3 = 3
50
(239)
(240)
2 3 1
2 1
A= 1
2 1 1
1
b= 4
3
det A = 2
y por (239)
x1 =
x2 =
x3 =
3.7.
,
, 1
,
, 4
,
, 3
,
, 2
,
, 1
,
, 2
,
, 2
,
, 1
,
, 2
,
3 1 ,,
2 1 ,,
1 1 ,
4
=
=2
det A
2
,
1 1 ,,
4 1 ,,
3 1 ,
6
=
=3
det A
2
,
3
1 ,,
2
4 ,,
1 3 ,
8
=
=4
det A
2
(241)
(242)
(243)
(244)
(245)
(246)
Otros ejemplos:
(247)
(248)
(249)
(250)
(251)
y suponiendo que t '= 0 (de lo contrario el problema no tendra gracia el ejercicio) se llega a
Au = 0
(252)
lo cual significa que u es solucin del sistema homogneo que era lo que se buscaba mostrar.
Problema 26. (primer examen
parcial ,segundo semestre 2003)
,
, 1 a a2 ,
,
,
Muestre que det A = ,, 1 b b2 ,, = (a b)(a c)(c b). Utilice este hecho para
, 1 c c2 ,
1 1
1
demostrar que la matriz M = 2 5 4 es invertible.
4 25 16
Para demostrar la primera parte se utilizarn las propiedades del teorema sobre las propiedades del determinante. Primero se recuerda que el valor del determinante es el mismo bajo
combinaciones lineales de las filas
,
, 1 a
,
det A = ,, 1 b
, 1 c
a2
b2
c2
,
,
,
,
,
,
f1 +f2
f1 +f3
,
, 1
,
, 0
,
, 0
a
ba
ca
a2
2
b a2
c2 a 2
,
,
,
,
,
,
(253)
Llegado a este punto hay dos opciones: la primera es desarrollar este determinante a lo largo
de la primera columna (que se hace en forma anloga al desarrollo por filas) y aprovechar que
hay 2 ceros sobre la columna, la otra forma (que es la que vamos a utilizar) aprovecha que el
determinante de una matriz es igual al de su transpuesta.
,
,
, ,
, , 1
,
, 1
0
0
a
a2
,
,
,
,
, 0 b a b 2 a2 , = , a
ba
c a ,,
(254)
,
,
,
, 0 c a c2 a 2 , , a 2 b 2 a 2 c 2 a 2 ,
y desarrollamos este ltimo determinante a largo
,
,
, 1
, ,
0
0
,
, , ba
ca
, a
,=, 2
b
a
c
a
, 2 2
, , b a 2 c2 a 2
2
2
2
, a b a c a ,
de la primera fila.
,
,
, = (b a)(c2 a2 ) (c a)(b2 a2 )
,
1 1
1
1 2
4
det M = det 2 5 4 = det 1 5 25
4 25 16
1 4 16
52
(255)
(256)
(257)
(258)
(259)
0 1 0 0
1 1 0 0
valor de B 1 . B =
0 0 0 1 .
0 0 1 1
Por hiptesis
A2 A I = 0
(260)
A2 A = I
(261)
A(A I) = A2 A = I
(262)
a) Para ver que A es la inversa de A I basta mostrar que A(A I) = I pues esa es la
propiedad de la matriz inversa. Observe que por (261)
(264)
hay que despejar de la ecuacin anterior X. Para eso hay que recordar las propiedades de la
transpuesta, en particular, recordando la frmula para la transpuesta de un producto
(AT )T X T = X T + A
(265)
(266)
T
AX T IX T = A
(267)
(A I)X T = A
(268)
A(A I)X T = A2
(269)
53
(270)
X T = A2
(271)
X = (A2 )T
(272)
es decir
transponiendo
0
1
c) Como B =
0
0
a) sabemos que
1
1
0
0
0
0
0
1
0
0
. Es fcil ver que B 2 B = I , es decir B 2 B I = 0 y por
1
1
B = (B I)1
B 1
(273)
1 0
0 0
0 1
0 1
1
1
=BI =
0
0
0
0
1
0
q + 2r
3p 3r
r
r + 2p
3q 3p
p
,
,
,
,
,
,
determinantes
anteriores hay que utilizar las propiedades de estos.
,
,
,
,
,
,
que hay dos filas que estn multiplicadas por 3 y se pueden sacar del deter,
,
,
,
, 3r 3p 3q ,
, r p q ,
,
,
,
,
, q
r
p ,, = 9 ,, q r p ,,
(275)
,
, 3p 3q 3r ,
, p q r ,
(274)
,
,
,
,
,
,
f1 ,f3
,
, p
,
9 ,, q
, r
,
, 3r 3p
,
, q
r
,
, 3p 3q
3q
p
3r
54
q
r
p
r
p
q
,
,
,
, = 9 3 = 27
,
,
,
,
,
, = 27
,
,
(276)
(277)
q + 2r
3p 3r
r
r + 2p
3q 3p
p
, ,
, ,
p
, ,
, = , 3r 3q
, ,
, ,
q
q
3p 3r
r
r
3q 3p
p
, ,
, ,
2q
, ,
,+, 3r 3q
, ,
, ,
q
2r
3p 3r
r
3.8.
p
q
p
repetidas
,
q r ,,
p q ,,
r p ,
,
p q ,
3 ,, q
, r
r p , =
,
, p + 2q
,
, 3r 3q
,
,
q
r
p
r
q + 2r
3p 3r
r
,
,
,
, q
,
,
,6, q
,
,
,
, q
r
r
r
p
p
p
,
,
,
,
,
,
,
,
2p
,
3q 3p ,,
,
p
(278)
(279)
(280)
(281)
(282)
q
r
p
r + 2p
3q 3p
p
r
p
q
,
,
,
, = 9
,
,
,
,
,
, = 9
,
,
(283)
(284)
Para terminar este captulo de determinantes falta todava dar una caracterizacin de cuando
una matriz es invertible o no. Esta involucra los vectores fila y columna de una matriz.
Definicin 29. Si x= (x1
, , xn ) es una matriz 1 n se dice que x es un vector fila de
x1
x2
tamao n.
55
(285)
2
3
2
v1 = 1 , v2 = 1 , v3 = 0
4
0
3
entonces
2
3
2
3
v = 2v1 v2 + v3 = 2 1 1 + 0 = 1
4
0
3
11
(286)
(287)
3
A la inversa, suponga ahora que alguien nos da el vector v = 1 y nos pregunta si este
11
2
3
2
vector es combinacin lineal de v1 = 1 , v2 = 1 , v3 = 0 . Claramente sabemos
4
0
3
que la respuesta es s por lo anterior, pero suponiendo que no conociramos la respuesta de
antemano se deseara tener un mtodo que determine que si un vector dado es combinacin
lineal o no de ciertos vectores.
Por definicin de combinacin lineal, para que v sea combinacin lineal de v1 , v2 , v3 ocupamos
tres nmeros reales c1 , c2 , c3 tal que
v = c1 v1 + c2 v2 + c3 v3
es decir,
3
2
3
2
1 = c1 1 + c2 1 + c3 0
11
4
0
3
3
2c1 + 3c2 + 2c3
1 =
c1 + c2
11
4c1 + 3c3
que de hecho equivale al sistema de ecuaciones lineales
4c1 + 3c3 = 11
2 3 2
c1
3
1 1 0 c2 = 1
4 0 3
c3
11
56
(288)
(289)
(290)
(291)
(292)
2
0
5
6
v1 = 1 , v2 = 1 , v3 = 2 , v4 = 3
0
3
6
15
2
0
5
1 1 2
0
3
6
c1
6
c2 = 3
c3
15
2
0
5 ,, 6
1 0
1 1 2 , 3 0 1
,
0
3
6 , 15
0 0
por lo que
(293)
v4 = 2v1 v2 2v3
de la
,
0 ,,
0 ,,
1 ,
(294)
matriz aumentada da
2
1
(295)
2
(296)
0
0
= 0v1 + 0v2
(298)
(299)
0
. Entonces si formamos la matriz concolumnas
A
=
(v
,
,
v
)
por
lo
visto
en
los
ejercicios
1
m
c1
c2
(301)
(302)
58
1
adjA
det A
(304)
2
p1
1
p
p
p+1
(305)
v1 =
1 , v2 = p + 1 .v3 = p 1
2
p
p
y se forma la matriz
1
p
A=
1
p
2
p+1
p+1
2
p1
p
p1
p
pf1 +f2
1
2
p1
1
2
p1
p p+1
f1 +f3 0 p + 1 p2 + 2p
p
1 p + 1 p 1 0 p 1
0
pf1 +f4
0 2 2p p2 + 2p
p
2
p
59
(306)
f3 +f2
2f3 +f4
(307)
1
0
0
0
2
p1
0
p2 + 2p
p1
0
0
p2 + 2p
1
0
0
0
f2 +f4
f2 ,f3
2
p1
2
0
p + 2p
p1
0
0
0
2
p1
p1
0
0
p2 + 2p
0
0
1
0
0
0
(308)
(309)
0
0
2
0
0
0
0
0
1
0
(310)
en este caso Rng(A) = 2 y el nmero de incgnitas era 3 lo cual significa que hay infinitas
soluciones, es decir, los vectores son l.d para p = 1
! caso p = 0: sustituyendo en (309) da
1
0
0
0
2 1
1 0
0
0
0
0
(311)
y nuevamente es muy fcil observar que Rng(A) = 2 por lo que nuevamente los vectores
son l.d
! caso p = 2: sustituyendo en (309) da
1
0
0
0
2
1
0
0
1
0
0
0
1
0
0
0
(312)
2 p1
1
0
0
1
0
0
(313)
y de aqu es muy fcil ver que Rng(A) = 3 lo cual significa que la nica solucin es trivial,
es decir, los vectores son l.i.
De esta forma concluimos que los nicos valores de p para los cuales los vectores son l.d son
p = 0, 1, 2
60
3.9.
Problemas Adicionales
Ejemplo 36. Problema 3 primer examen parcial reposicin III ciclo 2010
Si |A| = |B| =
' 0 y |C| = 4, |D| = 2 donde A, B, C, D M (5, R) calcule
, T 1 1
, ,
,
,A C B (3DT )1 , ,4CD1 (A1 B)T ,
(314)
2. |AB| = |A| |B| (en general esto dice que el determinante de un producto es el producto de
los determinantes, por ejemplo, |ABC| = |A| |B| |C| )
,
,
1
3. ,A1 , = |A|
4. Si A M (n, R) es decir, si A es una matriz cuadrada de tamao nn entonces |tA| = tn |A|
donde t R
Ahora se utiliza 3.
(315)
, ,,
,,
,,
,
,
,,
,
= ,AT , ,C 1 , ,B 1 , ,(3DT )1 , |4C| ,D1 , ,(A1 B)T ,
(316)
,
,,
,,
,
,
,,
,
= |A| ,C 1 , ,B 1 , ,(3DT )1 , |4C| ,D1 , ,(A1 B),
(317)
= |A|
1
1 ,, 1 ,,
1 1
(A B)
|4C|
T
|C| |B| |3D |
|D|
(318)
1 1
1
1 ,, 1 ,,
(A B)
45 |C|
5
T
|C| |B| 3 |D |
|D|
1
1 ,, 1 ,,
1 1
A
|B|
45 |C|
|C| |B| 35 |DT |
|D|
= |A|
Ahora se usa que |A| = |B| y 1.
1 1
1
1 1
45 |C|
|B|
5
T
|C| |B| 3 |D |
|D| |A|
(319)
(320)
(321)
1
1
1
45 |C|
5
|C| 3 |D|
|D|
(322)
1 1 1
1
1
45 4 =
2048
4 35 2
2
1944
(323)
=
Ahora se usa que |C| = 4, |D| = 2
=
61
x + ay z = a
ax + y + z = 0
x + y + az = a2
(324)
a
1
1
1
1
a
, a
,
, 0
, 2
, a
1 a 1 ,, a
1
a
1 ,,
a
af1 + f2
f + f
a 1 1 , 0 0 1 a2 1 + a , a2 32
, 2
,
f
+
f
1
3
1 1 a , a
0 1 a 1 + a , a2 a
1
a
1 ,,
a
f2 , f3
0 a a2
0 ,, a 2a2
0 1 a 1 + a , a2 a
,
1
a
1 ,,
a
0
1a
1 + a ,, a(a 1)
0 a(1 a)
0 , a(1 2a)
(325)
(326)
(327)
(328)
1
0
0
1 1 ,, 1
0 2 ,, 0
0 0 , 1
el cual es inconsistente.
(329)
(330)
caso a = 0: (1) queda
1
0
0
el sistema queda
0 1 ,, 0
1 1 ,, 0
0 0 , 0
x=z
y = z
62
(331)
(332)
1
1+a
0
,
a
,
,
f2 , f3
a(a 1)
,
, (1 2a)/(1 a)
1
0
0
a
1
1
0
1a 1+a
,
a
1
af2 + f1
,
, (1 2a)/(1 a)
0
,
(a 1)f2 + f3
,
a(a 1)
0
1
0
0
0 1 ,,
a2 /(1 a)
1 0
1 0 ,,
(1 2a)/(1 a) f3 + f1 0 1
0 1 , (a2 + a 1)/(a + 1)
0 0
0
1
0
(333)
,
a2 /(1 a)
,
, (1 2a)/(1 a)
,
,
a2 + a 1
(334)
1
si a = 1 claramente el sistema es inconsistente. Si a '= 1 se realiza a+1
f3 y queda
Es decir,
a) El sistema no tiene solucin si a = 1, 1
b) El sistema tiene infinitas soluciones si a = 0
c) El sistema tiene solucin nica si a '= 1, 1, 0
Para el caso de a = 2 el sistema original es
1 2 1
2 1 1
1 1 2
1
Para la regla de Cramer se toma A = 2
1
2
1
1
y=
,
, 1
,
det Y = ,, 2
, 1
0
0
1
, 2
(1 2a)/(1 a)
,
,
(a2 + a 1)/(a + 1)
(335)
, 2
,
, 0
,
, 4
1
1
1 yY = 2
1
2
det Y
det A
,
, 1
,
det A = ,, 2
, 1
(336)
2
0
4
1
1 luego
2
,
,
,
, 1 2 1 ,
2 1 ,,
,
,
2f
+
f
1
2
0 1 ,,
= ,, 0 4 3 ,,
f
+
f
1
3
, 0 2
4 2 ,
3 ,
1
0
1+a
,
,
,
, 1 2 1 ,
2 1 ,,
,
,
2f1 + f2
1 1 ,,
= ,, 0 3 3 ,,
f1 + f3
, 0 1 3 ,
1 2 ,
(337)
(338)
(339)
(340)
(341)
2 1
C= 0 4
1 1
18
=3
6
(342)
0
2
0 , A = 3
1
6
(343)
(344)
Luego
XC t = 3X + At
(345)
XC t 3X = At
(346)
X(C t 3I3 ) = At
2
C t 3I3 = 1
0
0
4
0
1
3 0
1 0 3
1
0 0
0
1 0
0 = 1 1
3
0 0
,
0 ,,
=2
1 ,
(347)
1
1
2
(348)
(349)
1 0 1 ,, 1
1 1 1 , 0
,
0 0 2 , 0
y reducindola se llega a
1
0
0
,
0 0 ,, 1
1 0 ,, 1
0 1 , 0
64
aumentada
0 0
1 0
0 1
0 1/2
1
1
0 1/2
(350)
(351)
(352)
3 6
1 0 1/2
1
= 1 1
0 0 1/2
1 0
1 1
0 0
2 1
0 4
1 1
reducindola se llega a
1/2
8
9
1 = 5 3 7
1/2
0
0
1
1
0
0
(353)
, 2
,
, 3
,
, 6
(354)
(355)
0 0 ,, 11/8
1 0 ,, 3/4
0 1 , 43/8
(356)
como lo anterior tiene solucin el vector s es combinacin lineal de los vectores columna.
Problema 39. Considere la matriz
0 x2
1 0
0 x3
x
B= 0
1
(357)
,
, 1 0
,
2,
=x , 0 1
, 0 0
x2
0
x3
,
,
,
, 1 0
,
,
, = x, 0 1
,
,
,
, 1 0
1
0
x2 1
x
0
x3
,
,
,
,
,
, = x2 , 1
,
, 0
,
,
,
,
, 1
,
,
, = x2 , 0
,
,
,
, 1
0 1
1 0
0 x2
,
,
,
, f1 + f3
,
,
,
,
0
, = x2 (x 1)(x + 1)
x2 1 ,
(358)
(359)
65
4
0
8
(361)
8
0 4
1
0 12 0
=
12
1 0
2
1 0
B= 0 1
1 0
1 0
0 1
0 0
(362)
1
0
1
(363)
1
0
0
x y
Problema 40. Considere la matriz A = 1 1
4 5
,
,
a) Calcule ,3AAt A1 ,
b) Encuentre el determinante de la siguiente
piedades del determinante
4
4
3y
B = 3x
4 + 2x 5 + 2y
(364)
z
1 con |A| = 4
6
matriz B aplicando nicamente pro
4
3z
6 + 2z
,
,
a) Se van a usar las propiedades |AB| = |A| |B|, |A| = |At | ,,A1 , =
t R, A M (n, R)
(365)
1
|A|
y |tA| = tn |A| si
,
,
,
,
, ,,
,
,3AAt A1 , = 33 ,AAt A1 , = 27 |A| ,At , ,A1 , = 27 |A| |A| 1 = 27 |A| = 108
|A|
b) Observe que
,
,
,
,
,
,
,
,
4
4
4
1
1
1
,
,
,
,
, 3x
, = 12 ,
, 2f2 + f3
3y
3z
x
y
z
,
,
,
,
, 4 + 2x 5 + 2y 6 + 2z ,
, 4 + 2x 5 + 2y 6 + 2z ,
,
,
,
,
, 1 1 1 ,
, x y z ,
,
,
,
,
= 12 ,, x y z ,, f1 , f2 = 12 ,, 1 1 1 ,, = 12 |A| = 48
, 4 5 6 ,
, 4 5 6 ,
3.9.2.
(366)
(367)
(368)
A=
a
1
a
1
3
2
66
2
1
3
2
0
0
2
1
(369)
,
,
,
,
,
,
(371)
(372)
Es decir,
|A| = (a 2)(a + 2)
0 0
0 1
A=
0 3
1 2
2
1
3
2
y se considera
0 0 2
0 1 1
0 3 3
1 2 2
1
0
0
0
0
1
0
0
Por lo que
A1
0
0
1
0
0
0
0
1
0
0
2
1
,
,
,
,
,
,
,
,
1
0
0
0
0
0
2
1
0
1
0
0
0
0
1
0
(374)
0
0
0
1
, 1/2
0
0
0
,
, 3/2 3/2 1/2 0
=
1/2
0
0
0
3/2 3/2 1/2 0
67
(373)
(375)
(376)
(377)
0 2 2 0
0 1 1 0
A=
2 3 3 2
1
2 2 1
1
0
0
0
0
1
0
0
(378)
0 1/7
0 2/7
1 2/7
0
0
(379)
x + y z = 2
x + 2y + z = 3
x + y + (a2 5)z = a
(380)
1 1
1 2
1 1
1
1
1
1
1
2
1
1 a2 5
, 2
,
, 3
,
, a
, 2
1 1
f1 + f2
,
, 3 0 1
,
f1 + f3
, a
0 0
1 0
3
f2 + f1
0 1
2
0 0 (a 2)(a + 2)
1
1
a2 5
1
0
0
0 3 ,, 1
1 2 ,, 1
0 0 , 4
68
(381)
1
2
a2 4
,
2
,
,
1
,
, a2
,
,
1
,
,
1
,
, a2
(382)
(383)
(384)
y el sistema es
3
2
0
, 1
,
, 1
,
, 0
(385)
x 3z = 1
y + 2z = 1
(386)
(387)
es decir
que es el caso de infinitas soluciones con un parmetro
1
c) Caso a '= 2: Se puede hacer (a2)(a+2)
f3 y queda
,
1
1 0 3 ,,
0 1 2 ,
1
,
,
1/(a + 2)
0 0 1
(388)
1
0
0
3
0 0 ,, 1 + a+2
2
1 0 ,, 1 a+2
1
,
0 1
a+2
1
A= 1
1
1 1
2 1
1 5
|A| = 4
si
1
Y = 1
1
entonces
Luego
2 1
3 1
0 5
|Y | = 0
y=
|Y |
=0
|A|
(389)
(390)
(391)
(392)
(393)
(394)
(395)
AT (B + C) =
b)
1
1
(aA + B) = a
=
Para hallar la inversa se toma
y se hace Gauss-Jordan
a
a
a
a
1
a
1
a
f2 +f1
0 1
0 0
,
.
a 1 ,, 1 0
a a , 0 1
,
.
1 ,, 1 0
a 1 , 1 1
,
.
1 0 ,, a/a(a 1) 1/a(a 1)
0 1 , 1/(a 1)
1/(a 1)
c) De
1
a(a 1)
(398)
(400)
,
.
1/a
0
1 1/a ,,
0
1 , 1/(a 1) 1/(a 1)
(aA + B)1 =
(397)
(399)
,
.
1 ,, 1 0
a
f
+
f
=
a , 0 1 12
0
1
a f1
1
a1 f2
Por lo que
1 0
1 1
(396)
a 1
a a
(XB) = C (aXA)T
(401)
(402)
(403)
(404)
(405)
(406)
XB + aXA = C T
(407)
X(B + aA) = C T
(408)
X = C (aA + B)
T
Sustituyendo
.
.
1
a
1
a 1
X=
a1 0
a a
a(a 1)
- 2
. .
1
a a
0
1
0
=
=
a2 a (a 1)
1 1/a
a(a 1)
-
70
(409)
(410)
(411)
c
a con |A| = 6. Usando solamente propiedades
b
3b + 3c c + a 2b + 2a
del determinantes calcule el determinante de B = 3a + 3b c + b 2a + 2c
3c + 3a b + a 2b + 2c
a
Problema 44. Considere A = b
c
Tomando
b
c
a
,
, 3b + 3c
,
|B| = ,, 3a + 3b
, 3c + 3a
c+a
c+b
b+a
2b + 2a
2a + 2c
2b + 2c
a
a+c
b+c
,
,
,
,
,
,
(412)
respectivamente
,
b + a ,,
a + c ,,
b+c ,
, ,
, , c
, ,
,+, a+b
, ,
, , c+a
a
c+b
b+a
b
a+c
b+c
(413)
,
,
,
,
,
,
en el segundo
,
a b ,,
c a ,,
b c ,
(414)
(415)
(416)
haciendo f1 , f2 en el primer determinante y f1 , f3 en el segundo determinante el valor del determinante cambia de signo en ambos y comparando con |A| se llega a
|B| = 6 [6 6] = 72
2
1
Problema 45. Considere la matriz D =
3
0
la matriz D linealmente independientes?
1
1
0
1
0
1
son los vectores columna de
2
4
1 0 0
0 1 0
0 0 1
0 0 0
71
(417)
(418)
Problema 46. Aplicando solamente el lgebra matricial, determine la matriz numrica X que satisface la ecuacin
(3A + XB)T = (2X)T + B
suponiendo que la matriz 2I + B
Si
1
A= 2
1
Calcule X.
es invertible.
3 0
1 5
0 5 B= 0 7
2 0
0 0
(420)
8
9
6
(421)
Si
(3A + XB)T = (2X)T + B
(422)
3A + XB = 2X + B T
(423)
XB + 2X = B T 3A
(424)
X(B + 2I) = B T 3A
(425)
(426)
X = (B T 3A)(B + 2I)1
(427)
como B + 2I es invertible
o bien
1 0 0
1
B T 3A = 5 7 0 3 2
8 9 6
1
1 5
B + 2I = 0 7
0 0
8
1
9 + 2 0
6
0
72
primero que
3 0
2 9
0
0 5 = 1
7
15
2 0
11 15
6
0 0
3 5
1 0 = 0 9
0 1
0 0
8
9
8
(428)
(429)
3 5
0 9
0 0
se considera
,
8 ,, 1 0 0
9 ,, 0 1 0
8 , 0 0 1
1 0 0 ,, 216
0 1 0 , 0
,
0 0 1 , 0
y se obtiene que
72
216
(B + 2I)1 = 0
0
Finalmente,
X = (B T 3A)(B+2I)1
40
216
24
216
40
216
24
216
72
2 9
0
216
7
15 0
= 1
11 15
6
0
,
, 1
,
, a
,
, 7
(430)
117
216
27
216
27
216
(431)
117
216
27
216
27
216
(432)
40
216
24
216
117
216
27
216
27
216
144
216
= 72
216
792
216
,
2 0 ,,
a 2b ,, = 3
5 3 ,
208
216
800
216
(433)
(434)
(435)
determinante calcule
,
a + 7 14 ,,
a + 5 10 ,,
2b + 3 6 ,
x + (a + 7)y + 14z = 0
2x + (a + 5)y + 10z = 2
(2b + 3)y + 6z = 5
Recordando que el
,
, 1 a+7
,
, 2 a+5
,
, 0 2b + 3
136
216
(436)
(437)
73
,
,
,
, 1 2
,
,
, = 2, a a
,
,
,
, 7 5
0
2b
3
,
,
,
,=6
,
,
(439)
9
216
99
216
1530
216
2
A=
0
se tiene
a + 7 14
0
a + 5 10 b = 2
2b + 3 6
5
(440)
|A| = 6
y si
(441)
1 0 14
Y = 2 2 10
0 5 6
observe que
,
, 1 0
,
|Y | = ,, 2 2
, 0 5
14
10
6
(442)
,
,
,
,
, 1 0
14 ,,
,
,
, 2f1 + f2 = , 0 2 18 ,
, ,
,
,
, 0 5
6 ,
(443)
(444)
por lo que
y=
78
|Y |
=
= 13
|A|
6
(445)
x + 2y 3z = 4
3x y + 5z = 2
4x + y + (a2 14)z = a + 2
(446)
1 2
3 1
4 1
1 2
3 ,,
4
,
3 1
5
2
,
4 1 a2 14 , a + 2
1
f2 +f3
0
0
2
3
7
14
0 a2 16
3
5
a2 14
,
4
,
,
2
,
, a+2
3f1 +f2
4f1 +f3
1 2
3
0 7
14
0 7 a2 2
,
71 f2
,
1
4
,
, 10
0
,
, a4
0
74
(447)
,
4
,
, 10
,
, a 14
2
3
1
2
0 (a 4)(a + 4)
,
4
, 10
,
7
,
, a4
(448)
(449)
1
f3 +f1
2f2 +f1
1 0 1 ,, 87
1 0 0 ,, 87 a+4
0 1 2 , 10 2f +f 0 1 0 , 10 + 2
(450)
1
3
2
f
, 71
, 7 1 a+4
(a4)(a+4) 3
0 0 1 , a+4
0 0 1 ,
a+4
8
7
1
a+4 ,
y=
10
7
2
a+4
z=
1
a+4
Problema 49. Encuentre los valores de a para los cuales los vectores v = (1, 3, 3, 5)
es combinacin lineal de los vectores v1 = (1, a + 4, a, 3) v2 = (1, 5, 0, 4) y v3 = (3, a2 +
3a + 3, 3a, a2 )
Se forma la matriz aumentada
1
a+4
a
3
a
3
1
3
5 a2 + 3a + 3
0
3a
4
a2
,
, 1
,
, 3
,
, 3
,
, 5
f4 +f1
(a1)f4 +f2
af4 +f3
1
0
0
0
0
1
0
0
1
5
0
4
3
a2 + 3a + 3
3a
a2
(a+4)f1 +f2
af1 +f3
3f1 +f4
1
0
0
0
,
, 1
,
, 3
,
, 3
,
, 5
1
0
0
0
0 12 a2
0 a(a2 9)
0 a(a2 9)
1
a2 9
12 a2
a2 9
a(a 3)(a + 3)
0
1
1a
a
1
,
, 1
,
, a3
,
, a3
,
,
2
,
, 1
,
,
2
,
, a3
,
,
0
(451)
3
a2 9
0
a2 9
,
,
1
,
, a 1
,
, 3 a
,
,
2
(452)
(453)
(454)
75
A
v
a) Sea
Luego
y el rea es
(455)
(456)
,
, e1
,
u v = ,, 1
, 4
e2
2
0
e3
1
0
,
,
,
, = (0, 4, 8)
,
,
area = (u v( = 4 5
cos B =
4
(u) v
1
= =
(u( (v(
4 6
6
(457)
(458)
(459)
por lo que el ngulo es 114 grados. Luego, el tringulo ABC es obtusngulo y no rectngulo.
c) El permetro es la suma de los lados del paralelogramo, como los lados opuestos miden igual
proyv u =
(v(
2v
4
(4, 0, 0) = (1, 0, 0)
16
(461)
y luego
y
(h( =
CB CA
::
:
cos = :
:: ::
:CB : :CA:
76
(462)
(463)
(464)
por lo que
(465)
(466)
20
cos =
4 30
(467)
= 24,09
(468)
1 2 2
1
A = 2 b
3
1
b
(469)
,
,
, 1 2 2 , 2f1 +f2
,
,
1 ,, 3f1 +f3
|A| = ,, 2 b
, 3
1
b ,
,
, 1 2
2
,
, 0 b 4 3
,
, 0
7
b+6
,
,
,
,
,
,
(470)
(471)
1 2 2 ,, 1 0 0
2 0
1 ,, 0 1 0
(472)
3
1
0 , 0 0 1
1 0
0 1
0 0
0
0
1
, 1
2
2
,
3
3
, 3
, 1 2 1
, 2
7
4
,
3
77
(473)
1
3
2
3
2
3
2
3
7
3
4
3
(474)
e)
A1 = 1 2 1
(475)
3.9.4.
, 1 T ,
,
,, ,
,3A A , = 33 ,A1 , ,AT , = 27
x + 3y + (1 a)z = 0
x + ay z = 0
(2 a) + 3y = 0
(476)
a) Determine los valores de a para el cual el sistema tiene solamente la solucin nula
b) Resuelva el sistema para el valor de a en los cuales el sistema tiene infinitas
soluciones
Se forma la matriz
1
1
2a
3
a
3
f1 +f2
(a2)f1 +f3
1
3 1a
1
a 1
2a 3
0
1a
1
0
1
0
0
(477)
3
1a
=A
a3
a2
3a 3 (1 a)(a 2)
1 3 2
0 0 1
0 6 2
(478)
(479)
y es claro que el rango de esta matriz es 3 por lo que el sistema homogneo solo tiene solucin
nula.
caso a '= 3
f2
Ahora se puede hacer a3
sobre la matriz A y se llega a
1
3
0
1
0 3a 3
1a
a2
a3
(1 a)(a 2)
3f2 +f1
(33a)f2 +f3
1
0
0
a2
0
1 a 3 a3
a2
(480)
1
a3
a2
0 (1 a)(a 2) + 3(1 a) a3
a
y como (1 a)(a 2) + 3(1 a) a2
a3 = (1 a)(a 2) a3 se tiene la matriz
1 0
B= 0 1
0 0
a2
1 a 3 a3
a2
a3
a
(1 a)(a 2) a3
78
(481)
1 0 3 21
1
0 1
2
0 0
0
(482)
x = 23 z
y = z2
;
8
9
<
o bien (x, y, z) = 32 t, 12 t, t : t R
subcaso a = 2
La matriz B se convierte en
1 0
0 1
0 0
!
1
0
0
(484)
x=z
y=0
1 0
0 1
0 0
(483)
(485)
1
2
3
(486)
x=z
y = 2z
3
(487)
;
8
9
<
o bien (x, y, z) = t, 23 t, t : t R
subcaso a '= 0, 1, 2
Aqu es claro que la matriz B va a terminar con rango 3 por lo que la solucin del sistema es
la nula. As A tiene solucin nula cuando a '= 0, 1, 2 y cuando a = 0, 1, 2 las soluciones infinitas
son las anteriores.
Problema 53. Considere las matrices
1 0 1
A= 1 1 1
0 1 0
2
C = 1
0
2
AC = 3
1
79
(488)
(489)
1
1
0
1
1
0
1 0
0 1
0 0
0
0
1
por lo que
, 2
,
, 3
,
, 1
, 2
,
, 1
,
, 0
2
1
0
3 = 2 1 + 1
1
0
1
(490)
(491)
(492)
1 0 1 ,, 1 0 0
1 1 1 , 0 1 0
,
0 1 0 , 0 0 1
(493)
(494)
1 0
1 1
0 1
por lo que
A1
1
1
0
, 1
,
, 2
, 0
, 1
,
2
12
0
=
0
1
2
1
2
0
A= 4a
4
1
2
1
2
0
1
2
21
1
21
21
1
21
0 2a
3
3
a
2
80
(495)
(496)
(497)
(498)
2u 3v
6
1
=
=
(2u( (3v(
2
2 23 2
1
= cos
.
1
2
=
2
3
81
(499)
(500)
(501)
(502)
4 Geometra Vectorial en Rn
4.
Geometra Vectorial en Rn
En la primera parte del curso se estudiaron sistemas de ecuaciones lineales y las matrices
aparecieron como una forma conveniente de estudiar si un sistema posea solucin o no. En
particular, un tipo particular de matrices que apareci al final del captulo anterior fueron las
matrices de tamao n 1 y 1 n que fueron llamadas vectores columna y fila respectivamente.
El conjunto de todos los vectores (sean fila o columna) se denota como Rn
x1
x2
n
R = . | xi R = {(x1 , x2 , , xn ) | xi R}
(503)
..
xn
Los vectores ocuparn gran parte de lo que quedan del curso puesto que poseen propiedades
geomtricas muy importantes que generalizan las geometra del plano y del espacio estudiadas
en un curso bsico de geometra eucldea.
Hay varias formas de denotar un vector, en este captulo se representar a un vector la ma
yor parte del tiempo como una letra con flecha, por ejemplo,
v , lo cual enfatizar el sentido
geomtrico que poseen los vectores.
4.1.
4.1.1.
Vectores en el Plano
Suponga que
a R2 , es decir,
a = (x, y) donde x y y son nmeros reales. Queremos encontrar
una representacin geomtrica para tal vector. El mtodo ms fcil para realizar esto es siguiente:
tome una hoja en blanco y sobre ella marque un punto como O (que llamaremos el origen). Luego
sobre tal punto dibuje un sistema de coordenadas cartesianas x, y (es decir, dos lneas rectas que
par ordenado (x, y). Por ejemplo, si a = (2, 3) representaramos el vector como indica la figura
siguiente:
82
4 Geometra Vectorial en Rn
A = (2, 3)
83
4 Geometra Vectorial en Rn
84
4 Geometra Vectorial en Rn
z
(x,y,z)
z
y
0
x
y
Vectores en Rn
Cuando n es mayor que tres, lamentablemente no es posible hacer una representacin visual
de un vector en tal espacio de ms dimensiones. Sin embargo, la discusin anterior se sigue en
el sentido de que pensamos en esos vectores como representantes de puntos y flechas en un
espacio de dimensionalidad ms grande que en el que vivimos.
4.2.
4.2.1.
Suponga que
v Rn . Podemos escribir
v = (x1 , , xn ). Suponga ahora que R. Defini
mos v en forma anloga en que se defini la multiplicacin de una matriz por un nmero real,
85
4 Geometra Vectorial en Rn
es decir,
v = (x1 , , xn )
(504)
Para el significado geomtrico de tal operacin es mejor pensar en un vector como una flecha.
De esta forma, se tienen los siguientes casos:
! = 0 : En este caso
v = 0 es decir, es el vector nulo, el cual se representa sencillamente
como un punto pues no tiene tamao
Definir la suma y resta de vectores es igual de fcil a la definicin que se di para las matrices.
Si
v = (x1 , x2 , , xn ) y
w = (y1 , y2 , , yn ) se define
v +
w = (x1 , x2 , , xn ) + (y1 , y2 , , yn ) = (x1 + y1 , x2 + y2 , , xn + yn )
(505)
v
w = (x1 , x2 , , xn ) (y1 , y2 , , yn ) = (x1 y1 , x2 y2 , , xn yn )
(506)
Lo difcil ser interpretar geomtricamente la suma y resta de vectores. Para hacer esto se
b.
86
4 Geometra Vectorial en Rn
(x+x,y+y)
(x,y)
u+v
(x,y)
v
u
b de forma que el origen del vector b coincida con la flecha del vector
a (es decir, con
puede verse que es posible formar un paralelogramo con dos lados siendo
a y los otros
a+b
a+b
87
4 Geometra Vectorial en Rn
Para restar vectores se aprovecha el hecho de que
v
w =
v + (
w)
(507)
w y
es decir, para hacer v w primero se construye w como el vector opuesto a
a-b
-b
-b
a
b-a
b
b
a+b
a
Vectores paralelos
! Si
a = t b con t > 0 se puede interpretar el vector
a como el vector tiene la misma
direccin que b y una longitud modificada por un factor de t. En tal caso decimos que
de define ba =
a b como el vector que comienza en el punto b y termina en el punto a
y similarme ab = b
a es el vector que comienza en el punto a y termina en el punto b.
Esta es la interpretacin geomtrica para la resta entre vectores vistos como puntos.
88
4 Geometra Vectorial en Rn
b
b-a
b
4.3.
(508)
Al inicio del curso se vio que tales sistemas corresponden a los puntos de interseccin de las rectas
que representan las ecuaciones. Ahora se introducir otra interpretacin posible de los sistemas de
ecuaciones. Primero que todo, gracias al producto matricial el sistema anterior puede escribirse
como
.. - .
3 1
x
3
=
(509)
1 2
y
4
y ya se vio que esto ltimo tambin es igual a
.
. - .
3
1
3
x
+y
=
1
2
4
Ahora bien, si se utiliza la siguiente notacin
.
.
3
1
u=
v=
1
2
b=
(510)
3
4
(511)
(512)
89
4 Geometra Vectorial en Rn
3v
2
3v
2u
4.4.
El producto escalar o producto punto entre dos vectores es uno de los conceptos ms importantes del lgebra lineal puesto que permite definir la longitud de cualquier vector de cualquier
tamao as como el ngulo entre dos vectores del mismo tamao. Implcitamente se utiliza a la
hora de realizar la multiplicacin entre matrices pero la motivacin principal para el producto
punto es el teorema de Pitgoras y la ley de cosenos como se ver adelante.
90
4 Geometra Vectorial en Rn
Producto Escalar en R2 y R3
Suponga que
r R2 ,
r = (x, y). Sabemos representar
r como un punto en el plano de la
siguiente forma
4.4.1.
(x,y)
0
x
(
r ( = x2 + y 2
(514)
donde ( r ( va a ser una notacin que se utilizar para hablar de la norma (magnitud) de un
vector. Claramente
(
r ( = x2 + y 2
(515)
y definimos el producto punto (escalar) de un vector consigo mismo como r r y que viene
dado por la frmula.
2
r
r = (
r ( = (x, y) (x, y) = x2 + y 2
(516)
es decir, el producto punto de un vector consigo mismo corresponde a multiplicar cada entrada
del vector consigo mismo y luego sumarlas.
(x,y,z)
r
z
y
0
x
y
x
91
4 Geometra Vectorial en Rn
(
r ( = x2 + y 2 + z 2
(517)
r
r = (x, y, z) (x, y, z) = x2 + y 2 + z 2
(518)
La idea ahora ser considerar el producto escalar como una nocin ms fundamental que el
concepto de magnitud de un vector y definir a partir del producto escalar la magnitud de este
tal como indica la siguiente definicin.
u = (x1 , x2 , , xn ),
v = (y1 , y2 , , yn ) dos vectores de Rn . Se define
Definicin 56. Sean
u
v = x1 y1 + x2 y2 + + xn yn
(519)
(
u(=
Por ejemplo, si
entonces
u
u = x21 + x22 + + x2n
(520)
u = (1, 2, 5, 6)
v = (1, 0, 1, 4)
(521)
u
v = (1)(1) + (2)(0) + (5)(1) + (6)(4) = 1 + 5 + 24 = 28
(522)
Es fcil mostrar las siguientes propiedades del producto punto entre vectores.
!
u
u > 0 si
u =
' 0
!
u
u = 0 si y solo si
u = 0
!
u
v =
v
u
!
u (
v ) = (
u)
v = (
u
v)
!
u (
v +
w) =
u
v +
u
w
! (
u( 0
! (
u ( = 0 si y solo si
u = 0
:
:
: :
! :u: = || (
u(
! (
u
v ( = (
v
u(
! Desigualdad de Cauchy-Schwarz: |
u
v | (
u ( (
v(
! Desigualdad Triangular: (
u +
v ( (
u ( + (
v(
92
4 Geometra Vectorial en Rn
4.4.2.
Con la definicin de norma de un vector se puede definir la distancia entre dos puntos. Sabemos
que dos puntos P, Q Rn pueden representarse como dos vectores P , Q . Por otro lado, P Q se
haba interpretado geomtricamente como la flecha que sale desde P y termina en Q y es natural
pensar que la norma de tal vector representara entonces la distancia entre los puntos P y Q por
lo que se define
:
:
: :
d(P, Q) = :P Q: = (Q P ( = (P Q(
(523)
4.4.3.
Al inicio se haba mencionado que el producto escalar era una generalizacin del teorema de
Pitgoras y de la ley de cosenos. Ya se vi como aparece el teorema de Pitgoras, ahora es hora
de entender la relacin entre el producto escalar y la ley de cosenos.
Si se tiene el siguiente tringulo
(524)
Queremos traducir la ley de cosenos en un enunciado sobre vectores. La idea va a ser utilizar
la ley de cosenos como una forma de definir el ngulo entre dos vectores, pero, para medir
el ngulo entre dos vectores es necesario que estos inicien en el mismo punto del
espacio. Por ejemplo, en la siguiente figura
v
u-v
93
4 Geometra Vectorial en Rn
(
u
v ( = (
u ( + (
v ( 2 (
u ( (
v ( cos
(525)
y recordando que (
w( =
w
w tenemos que
(526)
(
u
v ) (
u
v)=
u
u +
v
v 2 (
u ( (
v ( cos
(527)
u
u
u
v
v
u +
v
v =
u
u +
v
v 2 (
u ( (
v ( cos
(528)
o bien
2
u
v = 2 (
u ( (
v ( cos
(529)
u
v
cos =
( u ( (
v(
(530)
Definicin 58. Si
u,
v son dos vectores no nulos en Rn , se define el ngulo entre los vectores
como
5
4
u
v
1
(531)
= cos
(
u ( (
v(
Siempre se toma el ngulo entre 0 radianes y radianes
Ahora que hemos definido el ngulo entre dos vectores, podemos preguntarnos cuando dos
vectores son perpendiculares. Obviamente esto debera ocurrir cuando = 2 y sustituyendo en
(531) se tendra que
4
5
u
v
1
(532)
= cos
2
(
u ( (
v(
u
v
2
(
u ( (
v(
u v
0=
( u ( (
v(
cos
(533)
(534)
0=
u
v
(535)
Definicin 59. Si
u ,
v son dos vectores no nulos en Rn , se dice que son ortogonales o
perpendiculares si
u
v =0
(536)
94
4 Geometra Vectorial en Rn
4.4.4.
Proyecciones Ortogonales
a =
a1 +
a2
(537)
tal que
a yace sobre b y
a es perpendicular a b .
1
a2
a1
a lo largo de b . El objetivo de esta seccin es mostrar que tal descomposicin existe para
cualesquiera vectores no nulos.
De las condiciones mencionadas para la descomposicin podemos concluir que:
1.
a1 = t b para algn nmero real t ya que queremos que
a1 sea un vector a lo largo del
2.
a2 b = 0 ya que queramos que esos dos vectores fueran perpendiculares
3.
a =
a +
a pues eso es sencillamente la descomposicin buscada.
1
a =t b +
a2
Ahora multiplicamos (con el producto punto) la ecuacin anterior por b para obtener
a b =t b b +
a2 b
a b = t (b(
es decir,
a b
t = : :2
:
:
:b:
(538)
(539)
(540)
(541)
a b
a1 = : :2 b
:
:
:b:
95
(542)
4 Geometra Vectorial en Rn
y sustituyendo la ltima ecuacin en 3) tenemos
a b
a2 =
a : :2 b
: :
:b:
(543)
de
a sobre b como
a b
a = : : b
P roy
(544)
b
:2
:
b
: :
y
a P roy
a se conoce como la componente de
a ortogonal a b .
b
4.5.
El Producto Cruz en R3
El producto escalar tiene la particularidad de que es el producto entre dos vectores que da
como resultado un nmero real. Ahora bien, en R3 existe un producto adicional entre vectores,
llamado el producto cruz, que produce otro vector (y no un nmero real). Se enfatiza que el
producto cruz solo se definir en R34 .
Observe que si
u R3 entonces
u = (x, y, z) y puede descomponerse segn
(545)
(546)
(547)
e1 = (1, 0, 0)
(548)
e2 = (0, 1, 0)
(549)
donde
e3 = (0, 0, 1)
(550)
los vectores e1 , e2 , e3 se conocen como los vectores cannicos de R (a veces reciben otra notacin,
El producto cruz tendr como una de sus consecuencias que permitir hallar
por ejemplo, i, j, k).
un vector perpendicular a cualesquiera dos vectores dados.
3
4 Es
posible generalizar el producto cruz a ms dimensiones pero no todas las propiedades siguen siendo vlidas
por lo que no se explorar ms este tema
96
4 Geometra Vectorial en Rn
,e
,
,
,
v
w = ,, 2
e
e
+
(551)
w2 w3 , 1 , w1 w3 , 2 , w1 w2 , 3
v
w = ,, v1 v2 v3 ,,
, w1 w2 w3 ,
(552)
u v = ,, 1
, 0
4.5.1.
u = (1, 2, 3)
v = (0, 5, 6)
,
,
e2 e3 ,,
, 2 3
,
2 3 , = e1 ,,
5 6
5
6 ,
,
,
,
,
, e2 , 1 3
,
, 0 6
(553)
,
,
,
,
, + e3 , 1
,
, 0
,
2 ,,
5 ,
(554)
(555)
Antes de decir como obtener geomtricamente el producto cruz, la siguiente figura ilustra la
idea de como se ve un producto cruz entre dos vectores5
Figura 22: Representacin visual del producto cruz entre dos vectores
5 tomado
de http://en.wikipedia.org/wiki/Cross_product
97
4 Geometra Vectorial en Rn
Recordando que un vector tiene direccin y magnitud, primero indicaremos la magnitud y
luego la direccin del producto cruz.
:
:
:
::
a b : = (
a ( : b : sin
(556)
:
4.5.1.2. Direccin del producto cruz Ahora falta determinar la direccin del producto cruz,
para lo cual son tiles las siguientes reglas
!
a b siempre es un vector perpendicular tanto a
a como a b (como se puede apreciar
en la figura anterior)
se colocan todos los dedos de la mano derecha salvo el pulgar en direccin del vector
a y
luego se giran los 4 dedos restantes hacia el vector b , el pulgar indicar la direccin en la
que apunta
a b (hay ms de una versin de la regla de la mano derecha)
4.5.2.
(a b)
c '=
a (b
c)
(557)
a (b
c ) = e1 (e1 e2 ) = e1 e3 = e2 .
! el producto cruz es anticonmutativo: es decir,
a b =b
a
Las propiedades ms importantes del producto cruz son las siguientes:
98
(558)
4 Geometra Vectorial en Rn
Si
a . b ,
c son tres vectores en R3 y t es un nmero real entonces
a b =b
a
!
!
a 0 = 0
a = 0
!
a
a = 0
! t
a b = t(
a b)
a (b +
c)=
a b +
a
c
!
! (
a b )
c =
a (b
c)
! (
a b )
c = (
a
c)b (b
c )
a
4.5.3.
bsin()
componente
de: b ortogonal a a , que de la seccin de proyecciones ortogonales sabemos que es
:
:
:
b
:
: b :
:
:
:b :2 b : por lo que el rea de un paralelogramos con lados a , b es
:
:
:
:
a b
:
:
( a (: b
a
(559)
:
2
:
:
(
a(
Ahora bien, si bien esta frmula siempre es vlida, cuando los vectores estn en R2 o R3 toma
una forma muy sencilla.
4.5.3.1.1.
Caso R2
a = (x1 , y1 ) b = (x2 , y2 )
99
(560)
4 Geometra Vectorial en Rn
Para calcular 559se observa que
a b
x1 x2 + y1 y2
2 =
x21 + y12
(a(
(561)
.
- 2
a b
x1 x2 + y1 y2 x1 x1 x2 y1 + y12 y2
x1 x2 + y1 y2
b
(x1 , y1 ) = (x2 , y2 )
,
2 a = (x2 , y2 )
x21 + y12
x21 + y12
x21 + y12
(
a(
(562)
=
8
9
8
9C
9
x21 x2 + x2 y12 x21 x2 + y1 y2 x1 y2 x21 + y2 y12 x1 x2 y1 + y12 y2
1 8
2
2
=
,
2 x2 y1 x1 y1 y2 , y2 x1 x1 x2 y1
x21 + y12
x21 + y12
(a(
(563)
=
x2 y1 x1 y2
(y1 , x1 )
2
(
a(
(564)
:
:
:x y x y
: |x y x y | ((y , x )(
:
a b
:
: 1 2
:
:
2 1
1 2
2 1
1 1
a
=
(
a
(
(y
,
x
)
( a (: b
= |x1 y2 x2 y1 |
:
:
:=
1
1
2
2
:
:
:
:
(
a
(
(a(
(a(
(565)
Ahora bien, si se forma la matriz
-
. .
a
x1 y1
A=
=
(566)
x2 y2
b
se tiene que
det A = x1 y2 x2 y1
(567)
Si
a , b son vectores de R2 el rea de un paralelogramo con lados
a , b es igual al valor absoluto
= |x1 y2 x2 y1 |
(568)
x2 y2 ,
,
.,
,
x1 y1 ,,
el paralelogramo de lados
a , b puede considerarse como dos tringulos congruentes de lados
a, b.
As el determinante de una matriz 2 2 se interpreta geomtricamente como el rea
(con signo) del paralelogramo formado por las filas (o columnas) de la matriz.
Por ejemplo, si
b = (2, 6)
= 12
2 6 ,
a = (1, 3)
100
(569)
(570)
4 Geometra Vectorial en Rn
4.5.3.1.2.
Caso R3 De la figura claramente la componente ortogonal de b a
a tiene magnitud
:
:
: :
(
a ( : b : sin
(571)
:
:
:
:
y esto coincide precisamente con la magnitud de :
a b : por lo que se ha llegado al siguiente
resultado:6
Si
a , b son vectores de R3 el rea de un:paralelogramo
con lados
a , b es igual a la magnitud
:
:
:
del producto cruz de los lados, es decir, a :
a b : . De la misma forma, el rea de un tringulo
:
:
:
con lados
a , b es igual a 12 :
a b : , pues el paralelogramo de lados
a , b puede considerarse
raleleppedo de lados
a , b ,
c
h
c
b
6 La
101
4 Geometra Vectorial en Rn
el volumen de un paraleleppedo puede tomarse como area altura. Por razones de simplici3
dad solo estudiar el :caso en que
: los vectores estn en R . De la figura y de la seccin anterior el
:
:
este caso es el ngulo entre a y el lado h. Ocupamos describir el lado h como un vector y para eso
por b y
c . Pero ya conocemos un vector que tiene tal propiedad el cual es b
c . Luego
es el ngulo entre
a y b
c . Finalmente, tenemos entonces que el volumen del paraleleppedo es
:
:
:
:
:
:
: :
: :
:
:
V =:b
c : (h( = : b
c : (
a ( cos = :( b
c)
a:
(572)
donde la ltima igualdad es cierta puesto que la magnitud de un producto punto es igual al
producto de las magnitudes de los vectores respectivos por el coseno
del ngulo: entre ellos. Es
:
:
:
Si
a = (a , a , a ), b = (b , b , b ),
c = (c , c , c ) son tres vectores en R3 el volumen del
1
paraleleppedo que forman es igual al valor absoluto del determinante de la matriz cuyas filas
,
,
a1 a2 a3 ,,
,
V = ,,det b1 b2 b3 ,,
(573)
,
c1 c2 c3 ,
Por lo que el determinante de una matriz 3 3 se interpreta geomtricamente como el volumen
(con signo) del paraleleppedo formado por las filas (o columnas) de la matriz.
En general, el determinante de una matriz n n se interpreta geomtricamente como
el hipervolumen (con signo) del hiper-paraleleppedo formado por las filas o
columnas de la matriz.
4.6.
Problemas Resueltos
A continuacin se resolvern algunos ejercicios sobre los temas estudiados en este captulo
Problema 62. Problema 4 primer examen parcial primer ciclo 2011
Considere el cuadriltero con vrtices A, B, C, D que se muestra a continuacin
102
4 Geometra Vectorial en Rn
D
R
S
C
A
Q
P
muestre que P S = QR y P Q = SR
Como P es el punto medio de AB se tiene que
1
1
AP = P A = P B = B P = AB = (B A)
2
2
(574)
1 1
BQ = Q B = QC = C Q = BC = (C B)
2
2
(575)
1 1
CR = R C = RD = D R = CD = (D C)
2
2
(576)
1 1
DS = S D = SA = A S = DA = (A D)
2
2
(577)
AB + BC + CD + DA = 0
(578)
1 1 1
1
AB + BC + CD + DA = 0
2
2
2
2
(579)
(580)
QC + CR = QR
103
(581)
4 Geometra Vectorial en Rn
y sustituyendo arriba se llega a
es decir,
o bien
SP + QR = 0
(582)
QR = SP
(583)
P S = QR
(584)
P Q SR = Q P (R S) = Q P R + S = (R Q) + S P = QR + P S = 0 (585)
donde la ltima igualdad se da por (584). As se tiene que
es decir
P Q SR = 0
(586)
P Q = SR
(587)
BA BC
BA = :
P roy
(588)
: BC
BC
::2
:BC :
(589)
(590)
BA BC = (1, 1 3, 2) (3, 0, 3, 3) = (1)(3) + (1)(0) + (3)(3) + (2)(3) = 18 (591)
::2
:
:
:BC : = (3, 0, 3, 3) (3, 0, 3, 3) = (3)(3) + (0)(0) + (3)(3) + (3)(3) = 27
(592)
BA
P roy
BC
BA BC 18
(3, 0, 3, 3) = 2(1, 0, 1, 1) = (2, 0, 2, 2)
= :
: BC =
27
::2
:BC :
104
(593)
4 Geometra Vectorial en Rn
BA y que
2) Por la teora del captulo sabemos que
a = P roy
BC
(594)
Es claro que los tres lados del tringulo son AB, BC, CA. Para encontrar el rea del tringulo
utilizamos que el rea de este es 12 base altura.
Aprovechando nuestros resultados anteriores tomaremos como base al lado BC. El candidato
para la altura sera el vector b del inciso anterior, ya que este es el vector perpendicular a
a
(y por ende a BC) que inicia en la base y termina en el vrtice A. As, el rea sera
: :: 1 A
1
9
1:
:: :
:
27 b b = 3 3 3 =
(596)
:BC : : b : =
2
2
2
2
105
5 Rectas y Planos en Rn
5.
Rectas y Planos en Rn
Ahora que se ha introducido el mtodo geomtrico para el estudio de los vectores, es posible
analizar como escribir la ecuacin de una recta y un plano a travs del uso de vectores.
(597)
(598)
y de esta forma
r = p + x
v
(599)
y obviamente x es sencillamente un nmero real, que podemos llamar t. De esta forma, hemos
r = p + t
v
(600)
El propsito de esta primera parte del captulo ser generalizar este resultado para Rn .
5.1.
Ecuaciones de rectas
5.1.0.3. Ecuacin vectorial de una recta En la parte anterior se utiliz un enfoque algebraico
para caracterizar las rectas en el plano en forma vectorial. Ahora el problema ser definir lo que
queremos decir por una recta en Rn por lo que ser bueno considerar la siguiente figura:
r
r-p
p
v
Suponga que se conoce una cierta recta l que tiene un vector que indica su direccin
v y se
conoce un punto p que est sobre la recta. Queremos caracterizar todos los dems puntos sobre
la recta en funcin de p,
v . (es decir, encontrar el anlogo de (600))
5 Rectas y Planos en Rn
r
p = t
v
(601)
Si se pasa a sumar el vector p se nota que (601) es el anlogo perfecto de (600) lo cual justifica
la siguiente definicin:
l(p,
v ) = {
r Rn |
r = p + t
v}
(602)
La relacin
r = p + t
v se conoce como la ecuacin vectorial para la recta l(p,
v ).
Dos rectas l1 (p1 , v1 ) y l2 (p2 , v2 ) son paralelas si v1 y v2 son paralelos y las rectas son perpen
diculares si
v1 y
v2 son perpendiculares.
Por ejemplo, si l1 , l2 son dos rectas en el plano por (600) pueden tomarse
v1 = (1, m1 ),
v2 =
(1, m2 ) donde m1 , m2 son las pendientes respectivas de las rectas. Entonces l1 es perpendicular
a l2 si y solo si
v1
v2 = 0 es decir 1 + m1 m2 = 0 o bien m1 m2 = 1. Es decir, dos rectas son
perpendiculares en el plano si y solo si el producto de sus pendientes es 1. De lo anterior se
observa que esta definicin contiene la caracterizacin usual de rectas perpendiculares.
r = p + t
v
(603)
(604)
como es una ecuacin vectorial se iguala entrada por entrada y se llega a las ecuaciones para
mtricas de la recta l(p,
v)
x = p1 + tv1
(605)
y = p2 + tv2
z = p3 + tv3
5.1.0.5. Forma Simtrica de una recta Para poder escribir esta forma, hay que asumir,
v1 , v2 , v3 '= 0. Luego de (605) se resuelve la ecuacin para t y se obtiene la forma simtrica de
una recta
x p1
y p2
z p3
t=
=
=
(606)
v1
v2
v3
(607)
L2 : (x, y, z) = (t + 1, t + 5.t + 7)
(608)
107
5 Rectas y Planos en Rn
a) Determine el punto Q donde se cortan las rectas
Denotando el punto Q como Q = (q1 , q2 , q3 ) al ser el punto de interseccin Q est tanto en L1
como en L2 . Por estar Q en L1 existe t1 tal que
(q1 , q2 , q3 ) = (t1 + 2, t1 + 4, 2t1 + 6)
(609)
t1 + t2 = 1
t1 t2 = 1
2t1 t2 = 1
(610)
(611)
observe que este sistema es tan fcil de resolver que no es necesario usar matrices. Por ejemplo,
sumando la primera y tercera ecuacin se llega a t1 = 0 y reemplazando esto en la primera
ecuacin se llega a t2 = 1 por lo que de (609) tenemos que
(q1 , q2 , q3 ) = (2, 4, 6)
(612)
(613)
(614)
por lo que
QA QB = (t1 , t1 , 2t1 ) (t2 1, t2 + 1, t2 + 1) = t1 (t2 1) t1 (t2 + 1) + 2t1 (t2 + 1) (615)
= 2t1 (t2 + 1) + 2t1 (t2 + 1) = 0
(616)
a 18.
Ya sabemos que
C y Q estn en L1 y el vector CQ = Q C = (2, 4, 6) (3, 3, 8) = (1, 1, 2)
el tiene magnitud 6. Este vector sirve como la base del tringulo CQD.
Como Q tambin est en L2 y las rectas son ortogonales (por el inciso b) ) entonces se tiene
1
18 =
6 3 |t + 1|
(617)
2
lo cual tiene como solucin t = 1. Sustituyendo este valor en la ecuacin de la recta para L2 da
el punto (0, 6, 8).
108
5 Rectas y Planos en Rn
L2
B
D
L1
Problema 66. Halle la ecuacin vectorial de la recta L1 que tiene que contiene a los
punto P = (4, 6, 7) y Q = (3, 6, 9)
Por lo visto antes de la ecuacin (601), P Q es un vector que yace sobre L1 por lo que sirve
como un vector que indica la direccin de la recta
Luego por la ecuacin vectorial para una recta si r es cualquier punto sobre L debe tenerse
que
L1 :
r = (x, y, z) = P + tP Q = (4, 6, 7) + t(1, 0, 2)
L :
r = (x, y, z) = (1, 3, 5) + s(7, 1, 3)
2
(619)
(620)
(621)
Luego,
(622)
para que hubiera interseccin el sistema siguiente tendra que tener solucin (pues (x, y, z) cumplira ambas ecuaciones de L1 y L2 simultneamente)
4 t = 1 + 7s
(623)
6=3+s
7 + 2t = 5 3s
t + 7s = 3
s=3
2t + 3s = 2
(624)
pero sustituyendo s = 3 en las otras dos ecuaciones es fcil ver que es imposible satisfacerlas
simultneamente por lo que el sistema no tiene solucin y luego no hay interseccin.
109
5 Rectas y Planos en Rn
5.2.
5.2.1.
Planos en Rn
Ecuacin vectorial de un plano
Una lnea recta es representada por una ecuacin del tipo ax + by = c. La ecuacin lineal que
sigue es la de un plano, que es bsicamente de la forma ax + by + cz = d. Geomtricamente la
recta era especificada con un punto y un vector que especificaba la direccin de la recta en el
espacio. Tanto el punto como el vector no eran nicos, es decir, cualquier otro punto de la recta
serva y cualquier vector de diferente magnitud pero que fuera paralelo o antiparalelo al primer
vector tambin sera til.
El plano es especificado de forma similar. Al igual que la recta, es necesario dar un punto (que
nuevamente no es nico), pero a diferencia de la recta, ahora es necesario dar dos vectores
u ,
v
7
para especificar el plano .
rp=
pr = t
u + s
v
(625)
r = p + t
u + s
v
(626)
Luego
(p,
u,
v ) = {r Rn | r = p + t
u + s
v}
(627)
y la ecuacin r = p + t
u + s
v es la ecuacin vectorial del plano (p,
u ,
v).
5.2.2.
Ahora se van a caracterizar los planos en Rn con una ecuacin distinta a la vectorial. La idea
va a ser especificar el plano a travs de un punto de este y un vector que sea perpendicular a
cualquier punto del plano.
7 Figura
tomada de http://en.wikipedia.org/wiki/Euclidean_subspace
110
5 Rectas y Planos en Rn
n
X
P
normal al plano (por ejemplo, n = u v sirve cuando se est en R3 ). Si X es otro punto sobre
es decir,
o bien
PX
n =0
(628)
(X P )
n =0
(629)
X
n =P
n
(630)
(632)
(633)
con
n = (n1 , , nn ),
p = (p1 , , pn ).
(634)
111
5 Rectas y Planos en Rn
1
0
,
.
0 32 ,, 0
1 76 , 23
x 32 z = 0
y 76 z = 32
(637)
(638)
(639)
Ecuaciones de planos
Suponga que se conoce la ecuacin normal de un plano, cmo se obtiene la ecuacin vectorial?
112
5 Rectas y Planos en Rn
Por ejemplo, si el plano es 2x y + 7z = 10 entonces puede despejarse una variable en funcin
de las otras, por ejemplo, y = 2x + 7z 10. De esa forma con x = t, y z = s
(x, y, z) = (t, 2t + 7s 10, s) = (0, 10, 0) + t(1, 2, 0) + s(0, 7, 1)
(640)
(641)
(642)
(x, y, z, ) n = (x, y, z) P
(643)
5.3.
(644)
Frmulas de Distancia
A continuacin se darn algunas frmulas para calcular las distancias entre planos, rectas y
puntos.
5.3.1.
(645)
113
5 Rectas y Planos en Rn
d(P, l(A,
u )) = :AP proy
(646)
u AP :
Como puede verse de la figura, P Q es un vector que une a los puntos P y Q y la proyeccin
d(Q, (P,
n )) = :P roy
(647)
n P Q:
5.3.4.
Obviamente si las rectas se intersecan la distancia es cero. Si no se intersecan hay dos casos
importantes.
5.3.4.1.
figura
114
5 Rectas y Planos en Rn
:
:
:
:
d(l1 , l2 ) = :P Q P roy
u P Q:
(648)
v
u
(649)
Ahora bien, para el volumen del paraleleppedo se cumple que V = A h donde A es el rea
115
5 Rectas y Planos en Rn
(
u
v ( y la altura en este caso funcionara como la distancia entre las rectas l1 , l2 por lo que
d = h = VA y as se tendra
,
,
,
,
u
v ),
,P Q (
(
u
v(
5.3.5.
plano entonces se dice que son perpendiculares ). En tal caso suponga que la recta es l(Q,
v)y
el plano es (P, n ).
Q
5.3.6.
:
:
:
d(l(Q,
v ), (P,
n )) = :P roy
n P Q:
(651)
Los planos en R3 son como las rectas en R2 : o bien se intersecan o bien son paralelos. Si se
intersecan claramente la distancia entre ellos es cero, si son paralelos la frmula de la distancia
es bastante sencilla.
116
5 Rectas y Planos en Rn
proyeccin de P Q sobre n es el vector cuya magnitud da la distancia entre los planos, es decir,
:
:
:
:
d(1 (P,
n ), 2 (Q,
m)) = :P roy
(652)
n P Q:
Problema 69. (problema 2 segundo examen parcial I ciclo 2007)
Considere las rectas L1 y L2 de ecuaciones
L1 : (x, y, z) = (1 t, 2 + t, 3 2t)
(653)
L2 : (x, y, z) = (2 + 2t, 3 t, 10 + t)
(654)
(655)
(656)
De aqu se ve que
u = (2, 1, 1) es un vector que indica la direccin de la recta L2 y B = (2, 3, 10)
un punto de L2 .
117
5 Rectas y Planos en Rn
Observe que
w =
u
v = (1, 3, 1) es un vector que es perpendicular tanto a
u como a
v
por lo que sera un vector normal al plano generado por los vectores u y v . Luego el candidato
r
w = A
w
(657)
x + 3y + z = 10
(658)
o bien
Observe que L1 est contenida en el plano P ya que si (x, y, z) L1 entonces (x, y, z) = (1
t, 2 + t, 3 2t) y sustituyendo en (658) se tiene que
1 t + 3(2 + t) + 3 2t = 10
(659)
0=0
(660)
es decir
lo cual significa que cualquier valor de t hace que (x, y, z) cumpla la ecuacin del plano lo cual
2 + 2t + 3(3 t) + 10 + t = 10
(661)
11 = 0
(662)
:
:
:
:
AB
w
,
,
: : AB w
:
:
2
: (
:
(w(
w(
Luego
(663)
(664)
AB
w = (1, 1, 7) (1, 3, 1) = 11
(665)
(
w ( = 11
(666)
11
d(l(B,
u ), (A,
w )) = = 11
11
(667)
y sustituyendo la distancia da
118
5 Rectas y Planos en Rn
B
u
L2
v
A
(668)
b) Determine la ecuacin vectorial del plano P que pasa por C y contiene la recta
L1 .
Para especificar un plano ocupamos dar un punto y dos vectores sobre el plano. Para asegurar
que el plano P contenga a L1 se toma como punto a A y como un vector a AB. Como queremos
que tambin pase por C se toma el otro vector como AC = C A = (3, 2, 1)(1, 1, 1) = (2, 3, 0).
As, la ecuacin del plano es:
P (A, AB, AC) : (x, y, z) = (1, 1, 1) + t(0, 3, 2) + s(2, 3, 0)
(669)
Observe que L1 est en P con solo tomar s = 0 mientras que C est en P tomando t = 0 y s = 1.
c) Determine la ecuacin de la recta L2 que pasa por D y es perpendicular a P .
Observe que un vector perpendicular al plano P es el vector
n = AB AC = (6, 4, 6)
(670)
y la condicin de que una recta sea perpendicular a un plano es que la direccin de la recta sea
paralela (o antiparalela) con el vector normal al plano por lo que L2 puede escribirse como
L2 :
r = D + t
n
(671)
(672)
o bien
119
5 Rectas y Planos en Rn
L2
n
D
A
L1 B
C
120
6 Espacios Vectoriales
6.
6.1.
Espacios Vectoriales
Definicin y algunos ejemplos
Hasta el momento se ha explotado el concepto de vector desde dos aspectos. Primero la suma
entre dos vectores se poda realizar en una forma algebraica segn
v +
w = (x1 , x2 , , xn ) + (y1 , y2 , , yn ) = (x1 + y1 , x2 + y2 , , xn + yn )
(673)
Por otro lado, la misma operacin de suma se interpret geomtricamente segn la ley del
paralelogramo.
La segunda operacin importante entre vectores fue la multiplicacin de un vector por un
nmero real. La forma algebraica de realizar tal operacin era segn
v = (x1 , , xn )
(674)
121
6 Espacios Vectoriales
Ntese que la resta de vectores no aparece en los axiomas. Esto ocurre pues al igual que antes,
es posible definir la resta entre vectores segn
u v = u + (v)
(675)
Rn y M (m, n, R)
Es claro que tomando V = Rn se tiene que los elementos de V cumplen los 10 axiomas
anteriores (de hecho, Rn fue nuestro modelo para generalizar el concepto de espacio vectorial).
Tambin el conjunto V = M (m, n, Rn ) de matrices de tamao m n con coeficientes reales es
un espacio vectorial: las operaciones de suma entre matrices y multiplicacin de una matriz por
un nmero real satisfacen los 10 axiomas anteriores.
6.1.2.
122
6 Espacios Vectoriales
4) La asociatividad se sigue de que u(x) + (v + w)(x) = u(x) + v(x) + w(x) = (u + v)(x) + w(x)
5) En este caso el vector nulo es la funcin nula 0v : R R definida segn 0v (x) = 0
6) Si u es una funcin se define u segn (u)(x) = u(x)
7) Tal propiedad se sigue de que (a + b)u(x) = au(x) + bu(x)
8) Tal propiedad se sigue de que a(u + v)(x) = a(u(x) + v(x)) = au(x) + av(x)
9) Se sigue de (ab)u(x) = a(bu(x))
10) Se sigue de 1u(x) = u(x)
6.1.3.
(678)
6.2.
Subespacios Vectoriales
Como pudo haberse notado del ejemplo anterior, el conjunto de polinomios es un subconjunto
del conjunto de funciones reales ya que cada polinomio es una funcin. A su vez, ambos conjuntos
tienen estructura de espacio vectorial, es decir, un subconjunto de un espacio vectorial puede ser
a su vez un espacio vectorial. Esta situacin no es atpica por lo que la siguiente definicin indica
cuando ocurre esto:
Definicin 72. Suponga que V es un espacio vectorial y W es un subconjunto no vaco de V
(W V ). Se dice que W es un subespacio vectorial de V si W es a su vez un espacio vectorial.
Se denota W V .
De la definicin anterior siempre hay al menos dos subespacios vectoriales para cualquier
espacio vectorial V : el mismo espacio vectorial, es decir, W = V y el subespacio trivial
W = {0}
123
6 Espacios Vectoriales
El siguiente resultado caracteriza los subespacios vectoriales de un espacio vectorial.
Teorema 73. Si V es un espacio vectorial y W V (W no vaco) entonces W es un subespacio
vectorial de V si y solo si se tiene que: si u, v W y a R entonces (u + av) W .
Demostracin. Suponga primero que W es un subespacio vectorial y que u, v W y a R.
Como W es un espacio vectorial por el axioma 2) (av) W y por el axioma 1) (u + av) W y
esto era lo que quera mostrarse.
Ahora suponga que *si u, v W y a R entonces (u + av) W .* Se va a mostrar que W es
un espacio vectorial, es decir, que se cumplen los 10 axiomas (es mejor mostrar las 10 condiciones
en desorden)
1) Si u, v W tomando a = 1 en * entonces (u + v) W
3) u + v = v + u ya que W es un subconjunto de V y V es un espacio vectorial por lo que la
propiedad se cumple al ver la suma de los elementos como elementos en V.
4) La asociatividad de la suma se cumple por razones anlogas a las anteriores, es decir, la
asociatividad se sigue puesto que V ya es un espacio vectorial que contiene a W.
5) Como W es no vaco existe al menos un elemento x W . Luego tomando u = v = x y
a = 1 por * se tiene que u + av = x x = 0 W , es decir, todo subespacio posee el vector
nulo.
2) Si v W tomando u = 0 en * se tiene que u + av = 0 + av = av W
6) Si u W tomando a = 1 en la propiedad 2) anterior se sigue que u W
7), 8), 9), 10) se cumplen por razones similares a 3) y 4), es decir, son propiedades heredadas
del hecho de que V es un espacio vectorial.
a) S = {X Rn |
a X = 0} con
a un vector fijo de V = Rn
a (X + cY ) =
a X +
a (cY ) =
a X + c
a Y
(679)
como X, Y S
a X =0 y
a Y = 0 por lo que sustituyendo en lo anterior se llega a
a (X + cY ) = 0
(680)
124
6 Espacios Vectoriales
claro que u, v S. Sin embargo u + v = diag(1, 2, 2, , 2, 1) y det(u + v) = 2n2 '= 0. Luego
u+v
/ S. Es decir, S es un subespacio solo si n = 1.
d) S = {A M (n, R) | A = AT }, V = M (n, R)}
Primero observe que S '= puesto que 0 = 0T . Suponga que A, B S y a R. Observe que
(A + aB)T = AT + aB T
(681)
(682)
6.3.
(684)
As,
6.3.1.
(685)
(686)
(687)
125
6 Espacios Vectoriales
y se puede descomponer como
.
a b
1
A=
=a
c d
0
0
0
+b
0
0
1
0
0 1
0 0
+c
0
1
0
0
+d
0 0
0 1
(689)
y definiendo
e11 =
1 0
0 0
, e12 =
, e21 =
0
1
0
0
, e22 =
0 0
0 1
(690)
entonces
A = ae11 + be12 + ce21 + de22
(691)
es decir, A Cl{e11 , e12 , e21 , e22 }. Como A era completamente arbitraria, acaba de mostrarse
que M (2, 2, R) = Cl{e11 , e12 , e21 , e22 }.
La situacin anterior motiva la siguiente definicin.
Definicin 76. Si V es un espacio vectorial y {v1 , , vp } un conjunto de vectores se dice que
el conjunto es un conjunto generador si
V = Cl{v1 , , vp }
(692)
es decir, todo vector puede escribirse como combinacin lineal de vectores en {v1 , , vp }.
Por ejemplo, sabemos que un conjunto generador para V = M (2, 2, R) es Cl{e11 , e12 , e21 , e22 }
donde
.
.
.
.
1 0
0 1
0 0
0 0
e11 =
, e12 =
, e21 =
, e22 =
(693)
0 0
0 0
1 0
0 1
.
1 1
Ahora bien, suponga que se toma A =
y se considera Cl{e11 , e12 , e21 , e22 , A}. Ob0 0
viamente sigue tenindose que M (2, 2, R) = Cl{e11 , e12 , e21 , e22 , A} pero pareciera ser que este
conjunto generador es
lo necesario. Una forma de ver esto es que es posible escri- ms grande
.
1 3
bir una matriz B =
como combinacin lineal de {e11 , e12 , e21 , e22 , A} en ms de una
0 0
forma, por ejemplo,
B = e11 + 3e12
(694)
B = 3A 2e11
(695)
En cambio, B solo puede escribirse de una forma si el conjunto generador es {e11 , e12 , e21 , e22 }.
Esto sugiere la siguiente definicin.
Definicin 77. Si V es un espacio vectorial y {v1 , , vp } es un conjunto generador de V se
dice que {v1 , , vp } es una base para el espacio vectorial V si todo vector v V puede
escribirse de forma nica como combinacin lineal de vectores en {v1 , , vp }. Se dice que la
dimensin de la base es el nmero de vectores del conjunto generador.
El concepto de base de un espacio vectorial es uno de los ms importantes del lgebra lineal,
por lo que es importante dar condiciones que caracterizan cuando un conjunto dado es base o no.
Para esto es necesario recordar otra definicin vista en el captulo de determinantes, aquella de
independencia lineal de vectores. Se haba dicho que si {v1 , , vp } es un conjunto de vectores
en un espacio vectorial V entonces el conjunto es linealmente dependiente si el vector nulo
126
6 Espacios Vectoriales
0 es combinacin lineal no trivial de {v1 , , vp }, es decir, existen escalares no todos nulos
a1 , , ap tal que
a1 v1 + + ap vp = 0
(696)
El conjunto se llama linealmente independiente si no es linealmente dependiente, es decir,
si
a1 v1 + + ap vp = 0
(697)
(698)
0v1 + + 0vp = 0
(699)
a1 v1 + + ap vp = v
(700)
b1 v1 + + bp vp = v
(701)
(702)
Es claro que
como {v1 , , vp } es una base entonces el vector 0 solo puede escribirse en un nica forma como
combinacin lineal de {v1 , , vp }, es decir, (698) y (699) representan la misma combinacin
lineal del vector 0 por lo que debe tenerse a1 = a2 = = ap = 0 lo cual significa que
{v1 , , vp } es linealmente independiente.
Por otro lado, suponga que {v1 , , vp } es un conjunto generador linealmente independiente.
Hay que mostrar que es una base para V . Suponga que v V tiene dos descomposiciones
(703)
es decir, a1 = b1 , , ap = bp lo cual significa que todo vector v puede escribirse en forma nica
como combinacin lineal de {v1 , , vp }, es decir, {v1 , , vp } es una base.
Cuando se defini el concepto de base se dijo que la dimensin de la base era el nmero
de elementos que esta posea. El siguiente resultado (que no se mostrar) caracteriza algunas
propiedades de la base de un espacio vectorial, entre ellas la unicidad de la dimensin de la base.
Teorema 79. Sea V un espacio vectorial.
! Si V = Cl{v1 , , vp } entonces cualquier conjunto de p + 1 vectores en V es linealmente
dependiente.
127
6 Espacios Vectoriales
! Si {v1 , , vp } y {u1 , , ul } son bases de un espacio vectorial V entonces p = l. En tal
caso se dice que V tiene dimensin p (dim V = p)
! Si dim V = p y {u1 , , ul } son l vectores l.i (linealmente independientes) con l < p
entonces existen vectores ul+1 , , up de forma que {u1 , , ul , ul+1 , , up } es una base.
Definicin 80. Si B = {v1 , , vn } es una base para un espacio vectorial V de dimensin n y
si v V entonces
v = a1 v1 + + an vn
(704)
y se dice los escalares a1 , , an son las coordenadas del vector v en la base B. El vector
de coordenadas para v en la base B es el vector
a1
a2
[v]B = .
(705)
..
an
Antes de dar algunos ejemplos sobre la teora de este captulo, es necesario mencionar algunas
propiedades del espacio de filas y el espacio de columnas de una matriz.
6.4.
2
5
0
3
1
2
3
5
C1 =
9 C2 = 0
5
3
0
6
1
1
(706)
0
6
C3 =
1
1
(707)
En este caso el espacio columna de A sera el subespacio generado por las columnas de A, es
decir,
CA = Cl {C1 , C2 , C3 }
(708)
De forma ms general, si A es una matriz k n con vectores columna v1 , , vn entonces
CA = Cl{v1 , , vn }
128
(709)
6 Espacios Vectoriales
Ahora bien, para saber si un vector v est en el espacio columnas de A o no, hay que determinar
si es combinacin lineal o no de los vectores v1 , , vn . Como se vio anteriormente lo que se hace
es formar la matriz cuyos vectores columna son v1 , , vn , es decir la matriz A y considerar la
matriz aumentada (A |v ). Luego v era combinacin lineal si y solo si el sistema Ax = v tena
solucin nica o infinitas.
Es decir, el espacio de columnas CA de una matriz A son los vectores v para los
cuales el sistema Ax = v tiene solucin.
CA = {v Rk | el sistema Ax = v tiene soluci
on}
6.4.2.
(710)
1
3
A=
9
5
2
5
0
3
0
6
1
1
(712)
1 3 9 5
AT = 2 5 0 3
(713)
0 6 1 1
y luego se puede observar que
FA = CAT
(714)
(715)
Es decir, el espacio de filas FA de una matriz A son los vectores v para los cuales el
sistema AT x = v tiene solucin.
En la prctica, los clculos se harn sobre los espacios fila de las matrices, pues sobre aquellos
se puede realizar Gauss-Jordan. Los resultados ms importantes sobre el espacio fila de una
matriz vienen resumidos en el teorema siguiente.
Teorema 81. 1) Si A y B son dos matrices k n tal que B se obtiene por medio de operaciones
elementales a partir de A entonces FA = FB .
w1
w2
v1
..
v2
.
w
.
s
.
vk
..
0
ducida de A (s k) entonces B = {w1 , , ws } es una base del subespacio FA = Cl{v1 , , vk }.
129
6 Espacios Vectoriales
Es decir,
1. Para hallar el espacio de filas FA de la matriz A, reduzca la matriz A segn Gauss-Jordan.
Las filas no nulas de la matriz escalonada reducida formarn una base para FA
2. Para hallar el espacio de columnas CA , reduzca la matriz AT segn Gauss-Jordan. Las filas
no nulas de la matriz escalonada reducida formarn una base para CA
3. dim FA = dim CA = Rng(A)
Problema 82. problema 3 segundo examen parcial primer ciclo 2011
1 2 1 0
1
1 0
1
1 1
y W = {Y R4 | Y = AX, para algn X R5 }
Sea A =
2 2
0
1
0
0 2 2 2 2
a) Determine un conjunto {w1 , , wk } de vectores de R4 tal que W = Cl{w1 , , wk }
Observe que si v1 , v2 , v3 , v4 , v5 denotan las columnas de A con vi R4 entonces por el teorema
anterior W = Cl{v1 , , vk }. As, si se trabaja con
1
1 2 0
2
0 2 2
A = 1 1 0 2
(716)
0
1 1 2
1 -1 0 2
entonces si se reduce la matriz (por Gauss Jordan) se
1 0 1
0 1 1
B=
0 0 0
0 0 0
0 0 0
y por el teorema anterior se tiene que
llega a
0
0
0
0
(717)
(718)
y W = Cl{w1 , w2 , w3 }
b) Qu condiciones debe cumplir un vector (x, y, z, w) para pertenecer al subespacio W ?
Para que (x, y, z, w) est en W deben haber escalares a, b, c tal que
x
1
0
0
y
0
1
0
(719)
z = a 1 + b 1 + c 0
w
0
0
1
es decir debe hallarse una solucin al sistema
a=x
b = y
a+b=z
c=w
130
(720)
6 Espacios Vectoriales
de lo cual se concluye que (x, y, z, w) W si y solo si z = x + y
c) Complete la base que obtuvo para W a una base de R4
Para completar la base de W a una base de R4 basta tomar un vector en R4 que no est
en W ya que necesariamente ser linealmente independiente de {w1 , w2 , w3 } puesto que W =
Cl{w1 , w2 , w3 }. As w4 = (1, 0, 2, 0) no cumple la condicin de estar en W que fue hallada en b)
y por ende debe tenerse que {w1 , w2 , w3 , w4 } es una base para R4 .
d) Halle una base para el subespacio de R5 generado por las filas de la matriz A
Se aplica el mtodo de Gauss Jordan a A y se llega a la matriz
1 0 1 0 31
0 1 1 0 1
3
C =
(721)
0 0 0 1 4
3
0 0 0 0 0
y as
.
.
.
1
1
4
u1 = 1, 0, 1, 0,
, u2 = 0, 1, 1, 0,
, u3 = 0, 0, 0, 1,
3
3
3
(722)
son los vectores que forman una base para el subespacio generado por las filas de la matriz A.
6.4.3.
(723)
es decir, el espacio nulo de una matriz los vectores que son solucin del sistema homogneo.
Para ver que NA es un subespacio observe primero que NA no es vaco pues x = 0 NA .
Luego, si x1 , x2 NA entonces Ax1 = 0 y Ax2 = 0 por lo que A(x1 + tx2 ) = Ax1 + tAx2 = 0, es
decir, x1 + tx2 NA .
Ahora bien, hallar una base para el espacio nulo es muy fcil utilizando el siguiente resultado
Teorema 83. Si A es una matriz k n entonces una base para NA se halla escribiendo el
conjunto solucin para el sistema homogneo asociado tal como se hizo en el tema de sistemas
de ecuaciones.
Por el teorema del rango, se sigue entonces que la dimensin del espacio nulo es el nmero de
parmetros cuando se escribe el conjunto solucin del sistema homogneo, es decir, dim NA =
n Rng(A)
ejemplo, considere la matriz
1 0
A= 1 1
2 1
1
2
3
1 0 1
0 1 1
0 0 0
x+z =0
y+z =0
131
(724)
(725)
(726)
Por
6 Espacios Vectoriales
por lo que la solucin viene dado por un parmetro y sera tomando z = t
(x, y, z) = (t, t, t) = t(1, 1, 1)
(727)
NA = Cl {(1, 1, 1)}
(728)
Luego,
(729)
(730)
g 3e + 2f = 0, 2e 3f + h = 0
(731)
Para ver que S es un subespacio basta mostrar que (A + tB) S con t un escalar cualquiera.
.
a + te b + tf
A + tB =
(732)
c + tg d + th
y observe que
(c + tg) 3(a + te) + 2(b + tf ) = (c 3a + 2b) + t(g 3e + 2f ) = 0 + t0 = 0
(733)
(734)
por lo que
c = 3a 2b
(735)
d = 2a + 3b
(736)
.
a
b
1
A=
=
=a
3a 2b 2a + 3b
3
.
.
1 0
0 1
y as si A1 =
, A2 =
entonces
3 2
2 3
-
a
c
b
d
A = aA1 + bA2
0
2
+b
0 1
2 3
(737)
(738)
y es fcil verificar que A1 , A2 son linealmente independientes por lo que B = {A1 , A2 } forma
una base para S
132
6 Espacios Vectoriales
c) Verifique que
Es fcil ver que
2
0
3
5
S.
-
2
0
3
5
= 2A1 + 3A2
2
0
3
5
.5
2
0
3
5
.
2
3
(739)
(740)
1 1
Sea A = 1 1 , X = (x1 , x2 , x3 )T y U el subespacio vectorial de R2 formado
1 1
por todos los vectores b tal que AT X = b tiene solucin.
a) Encuentre una base para U
Por lo visto en (??) basta reducir la matriz A y se encuentra que su forma escalonada reducida
es
1 0
B= 0 1
(741)
0 0
lo cual significa que e1 = (1, 0), e2 = (0, 1) es una base para U , es decir, U = R2 .
b) Sin realizar clculos adicionales, diga cul es la dimensin del espacio vectorial
generado por las columnas de la matriz A. Justifique su respuesta.
Sabemos que Rng(A) = Rng(AT ) por lo que la dimensin del espacio vectorial generado por
las columnas de A es tambin 2.
c) Sin realizar ningn clculo diga si las filas de A son linealmente independientes
o son linealmente dependientes. Justifique su respuesta.
Como hay tres filas en la matriz A y la dimensin del espacio que generan es 2 entonces las
filas son linealmente dependientes.
d) Sin hacer clculos adicionales, diga cual es la dimensin del subespacio vectorial
de R2 formado por todos los vectores x que son solucin del sistema Ax = 0 con 0 R3 .
Justifique su respuesta.
Como Rng(A) = 2 el sistema Ax = 0 solo tiene la solucin trivial x = 0, luego el subespacio
de las soluciones es S = {(0, 0)} el cual tiene dimensin 0.
133
7 Ortogonalidad y Proyecciones en Rn
7.
7.1.
Ortogonalidad y Proyecciones en Rn
Bases Ortonormales
En este captulo se trabajar nuevamente sobre los espacios vectoriales Rn . La idea ser encontrar un mtodo sistemtico para transformar cualquier base de vectores en una base ortonormal
de vectores. El concepto fundamental de este captulo es el concepto de ortogonalidad (lo que
antes se estuvo llamando como vectores perpendiculares). Si u, v Rn el producto punto entre
ellos u v serva para definir cuando los vectores eran ortogonales, es decir, cuando u v = 0.
Si {u1 , , uk } son k vectores en Rn entonces tales vectores son un conjunto ortogonal si
los vectores son mutuamente ortogonales, es decir,
i '= j ui uj = 0
(742)
(743)
(744)
Por otro lado la base cannica e1 = (1, 0, 0),e2 = (0, 1, 0),e3 = (0, 0, 1) es una base ortonormal,
es decir,
e1 e2 = e1 e3 = e2 e3 = 0
(745)
(e1 ( = (e2 ( = (e3 ( = 1
(746)
a1 u 1 + a2 u 2 + ak u k = 0
(747)
(748)
(749)
a1 = 0
(750)
o bien
Similiarmente se muestra que todos los escalares son 0, es decir
a1 = a2 = = ak = 0
por lo que el conjunto es linealmente independiente.
134
(751)
7 Ortogonalidad y Proyecciones en Rn
El teorema anterior indica que si un conjunto es ortogonal entonces es l.i. En el caso de que
el conjunto tenga n elementos lo anterior indica que el conjunto sera una base para el espacio
vectorial de dimensin n. De hecho, la ortonormalidad tambin permite hallar fcilmente el
vector de coordenadas de cualquier vector.
Teorema 87. Si S es un subespacio vectorial de dimensin k de Rn y B = {u1 , , uk } es una
base ortonormal para S entonces:
1) Si A es la matriz n k cuyas columnas son los vectores ui , A = (u1 , u2 , , uk ) entonces
AT A = 1k .
u u1
u u2
2) Si u S entonces [u]B =
..
.
u uk
AT A =
u1
u2
..
.
uk
(u1 , u2 , , uk ) =
u1 u1
u2 u1
..
.
u1 u2
u2 u2
uk u1
uk u2
u1 uk
u2 uk
= 1k
uk uk
u = a1 u 1 + a2 u 2 + + ak u k
a1
a2
..
.
(752)
(753)
ak
la ecuacin anterior por u1 se tiene
(754)
(755)
u u1
u u2
.
u uk
Por ejemplo, suponga que B = {u1 , u2 , u3 } es una base ortonormal para R3 con
.
.
.
2 2 1
2 1 2
1 2 2
u1 =
,
,
, u2 =
, .
, u3 =
, ,
3 3 3
3 3 3
3 3 3
135
(756)
7 Ortogonalidad y Proyecciones en Rn
y u = (3, 4, 5). Para hallar [u]B se aplica el teorema anterior y se tiene que
u u1 = 1, u u2 = 0, u u3 = 7
(757)
1
por lo que [u]B = 0 o bien u = u1 + 7u3 .
7
7.2.
Subespacios Ortogonales
Debido a que casi siempre se trabaja sobre subespacios de Rn es til saber cuando dados
dos subespacios S y T , todo vector de S es ortogonal con todo vector de T y vice-versa. En
tal circunstancia se dice que los subespacios S y T son ortogonales, es decir, si S y T son dos
subespacios de Rn se dice que son subespacios ortogonales si todo vector de S es ortogonal
a todo vector de T y vice-versa
x S, y T x y = 0
(758)
Luego
u = a1 u 1 + + ak u k
(759)
v = b1 v1 + + bl vl
(760)
(762)
As, para garantizar que u v = 0 basta con que que cada elemento de B1 = {u1 , , uk } sea
ortogonal con cada elemento de B2 = {v1 , , vl }, es decir, para verificar que dos subespacios son ortogonales, basta verificar la ortogonalidad entre las bases respectivas de
los subespacios.
Por otro lado, suponga que ST y que u S T es decir, u es un vector en ambos subespacios.
Como u S y u T u debe ser ortogonal a s mismo, es decir,
2
(u( = u u = 0
(763)
el nico vector que cumple que es ortogonal a s mismo es u = 0 y de hecho como S y T son
subespacios siempre poseen al 0 por lo que la interseccin de dos subespacios ortogonales
S y T es nicamente el vector nulo 0.
136
7 Ortogonalidad y Proyecciones en Rn
7.3.
(764)
Obviamente por un argumento similar al de antes para que un vector u est en el complemento
ortogonal de S basta que sea ortogonal a todos los vectores de cierta base de S. De hecho, basta
con que sea ortogonal a algn conjunto generador de S.
Por ejemplo si S = Cl{v1 , , vk } y u S entonces la condicin de que
i, u vi = 0
(765)
es equivalente a
Au = 0
(766)
tanto
v1
v2
..
.
vk
. Por lo
S = {u Rn | Au = 0} = NA
(767)
(768)
z = 2x
(769)
(770)
y as si (x, y, z, w) W
Definiendo u1 = (1, 0, 2, 0) y u2 = (0, 1, 0, 1) se tiene que una base para W es BW = {u1 , u2 }
b) Determine una base para el complemento ortogonal de W
Si v = (x, y, z, w) W debe tenerse que v u1 = v u2 = 0 es decir,
v u1 = x + 2z = 0
137
(771)
7 Ortogonalidad y Proyecciones en Rn
Luego
As,
v u2 = y + w = 0
(772)
x = 2z
(773)
y = w
(774)
(775)
7.4.
Ahora que se han estudiado la ortogalidad entre subespacios, se puede analizar la relacin que
existe entre los distintos subespacios de una matriz. Para esto suponga que se tiene una matriz
m n tal como se indica en la siguiente figura. Se va a considerar la relacin que existe entre
cuatro subespacios asociados a la matriz: el espacio de filas FA , el espacio de columnas CA , el
espacio nulo NA y el espacio nulo NAT . Se van a estudiar los subespacios anteriores en parejas.
Como A es una matriz m n esto quiere decir que hay m vectores fila y cada vector fila es de
tamao n, es decir, FA es un subespacio de Rn . Ya se sabe que para hallar una base para FA se
reduce la matriz A por Gauss-Jordan y los vectores no nulos de la matriz escalonada reducida
forman una base. As que suponga que dim FA = r.
Se puede notar que como A es una matriz m n entonces el sistema homogneo Ax = 0 tiene
sentido cuando x es un vector en Rn . Luego, NA tambin es un subespacio de Rn . Tambin por
la forma en que se realiza la multiplicacin matricial, si Ax = 0 esto quiere decir que el vector x
es ortogonal a todas las filas de A y por ende a FA . De hecho, como dim NA = n r y razonando
en forma idntica a la anterior para CA y NAT se tiene el siguiente resultado:
Teorema 89. Suponga que A es una matriz m n y considere los subespacios FA , CA , NA , NAT .
Se tiene lo siguiente:
1. FA y NA son subespacios de Rn y un subespacio es el complemento ortogonal del otro
subespacio, es decir, (FA ) = NA . Si dim FA = r entonces dim NA = n r y si se poseen
bases B1 para FA y B2 para NA entonces B1 B2 es una base para el espacio completo Rn
y cada vector v en Rn se puede descomponer en forma nica como la combinacin lineal
de un vector v1 en FA y v2 en NA , es decir, v = v1 + v2 . Lo anterior se escribe como
Rn = FA NA
(776)
138
(777)
7 Ortogonalidad y Proyecciones en Rn
Finalmente, suponga que b est en el espacio CA , es decir, existe una solucin para el sistema
Ax = b. Suponga que esa solucin es llamada xp (se conocer como la solucin particular), es
decir,
Axp = b
(778)
Ahora bien, puede haber otra solucin para el sistema anterior, es decir, un vector x tal que
Ax = b
(779)
(780)
A(x xp ) = 0
(781)
xh = x xp
(782)
Axh = 0
(783)
o bien
Si se define el vector
lo anterior quiere decir
es decir, xh es una solucin del sistema homogneo. Claramente de la definicin se tiene que
x = xp + xh
(784)
139
(785)
7 Ortogonalidad y Proyecciones en Rn
CA
FA
dim r
dim r
b
A
Rm
A
xp
x = xp + xh
Rn
A
NAt
xh
NA
dim m-r
dim n-r
7.5.
P roy
u v . Ahora bien, cada vector u genera un subespacio uno-dimensional segn la frmula
W = Cl{ u }. Por lo tanto, proyectar un vector a lo largo de otro vector puede interpretarse como
proyectar un vector sobre un subespacio uno dimensional. En esta seccin se buscar generalizar
el concepto de proyeccin de un vector, es decir, se buscar definir la proyeccin de un vector
sobre un subespacio W de cualquier dimensin, como se indica en la siguiente figura.
140
7 Ortogonalidad y Proyecciones en Rn
v
0
W
Como v P royW v debe ser ortogonal a W entonces debe ser ortogonal a cada vector de la
base wi
(v P royW v) wi = 0
(787)
es decir,
v wi = (P royW v) wi
(788)
v wi = (c1 w1 + + ck wk ) wi
(789)
ci = v wi
(790)
(791)
141
7 Ortogonalidad y Proyecciones en Rn
Teorema 91. Suponga que W es un subespacio de Rn de dimensin k y B = {w1 , , wk } es
una base ortonormal de W . Si v Rn se define
P royW v = (v w1 )w1 + (v w2 )w2 + + (v wk )wk
(792)
, (v P royW v)w
(793)
7.6.
(794)
Ortonormalizacin de Gram-Schmidt
Algoritmo de Gram-Schmidt
Paso 1
u1
(u1 (
W1 = Cl{w1 }
(795)
(796)
Paso 2
(797)
Como queremos una base ortonormal eliminamos la parte comn entre u2 y w1 que es P royW1 u2
y nuestro candidato para el segundo vector de la base sera u2 P royW1 u1 . Sin embargo, como
en principio tal vector no tiene norma 1 dividimos por su norma y definimos
w2 =
u2 P royW1 u2
(u2 P royW1 u2 (
W2 = Cl{w1 , w2 }
142
(798)
(799)
7 Ortogonalidad y Proyecciones en Rn
7.6.1.3. Paso 3 Es bastante claro lo que sigue ahora. Se toma u3 y se considera la proyeccin
sobre W2 y se define
u3 P royW2 u3
w3 =
(800)
(u3 P royW2 u3 (
W3 = Cl{w1 , w2 , w3 }
(801)
Paso k-simo
(802)
Wk = Cl{w1 , w2 , w3 , , wk1 , wk }
(803)
(1, 1, 1, 1)
u1
=
=
w1 =
(u1 (
2
paso 2
Por (791)
Luego defina
1 1 1 1
, , ,
2 2 2 2
(805)
W1 = Cl{w1 }
(806)
(807)
u2
(1, 1, 1, 1)
u2 P royW1 u2
=
=
=
w2 =
(u2 P royW1 u2 (
(u2 (
2
1 1 1 1
, , ,
2 2 2 2
(808)
W2 = Cl{w1 , w2 }
(809)
(810)
paso 3
Al igual que antes
Luego
(804)
u3 P royW2 u3
(1, 0, 1, 2) (1, 1, 1, 1)
(0, 1, 0, 1)
w3 =
=
=
=
(u3 P royW2 u3 (
((1, 0, 1, 2) (1, 1, 1, 1)(
2
143
.
2
2
0,
, 0,
(811)
2
2
7 Ortogonalidad y Proyecciones en Rn
De esta forma B = {w1 , w2 , w3 } es una base ortonormal para W .
b) Determine la proyeccin de v = (3, 0, 3, 6) sobre W
Por (791) se utiliza la base ortonormal recin hallada
P royW v = (v w1 )w1 + (v w2 )w2 + (v w3 )w3
(812)
. .
.
2
2
2
2
1 1 1 1
= 6w1 + 3 2w3 = 6
+ 3 2 0,
= 3, 3
(813)
, , ,
, 0,
, 3, 3 +
2 2 2 2
2
2
2
2
c) Determine el complemento ortogonal de W
Si (x, y, z, w) W entonces
(x, y, z, w) w1 = (x, y, z, w) w2 = (x, y, z, w) w3 = 0
(814)
(815)
xy+zw =0
(816)
y=w
(817)
1 1 1 1
1 1 1 1
0 1 0 1
y reduciendo la matriz se obtiene
1 0
0 1
0 0
es decir
Por lo que
1 0
0 0
0 1
x = z
y=0
w=0
(818)
(819)
(820)
(821)
y as W = Cl{(1, 0, 1, 0)}
7.7.
Problemas Adicionales
7.7.1.
144
7 Ortogonalidad y Proyecciones en Rn
(x( =
=
2
2
4u u 6u v 6v u + 9v v = 4 (u( 12u v + 9 (v(
F
G H
= 16 12 (u( (v( cos
+ 81
6
A
= 97 36 3
(822)
(823)
(824)
(825)
(826)
= 10u u + 4u v 15v u 6v v
(827)
(828)
54
(829)
es decir, x z = 14 33 3
= 71,16
GH
6
= 14 33 3
(830)
(831)
x
z
y
w
2x = z,
y = w
(832)
a
c
b
d
2a = c,
b = d
(833)
u + tv =
v=
Observe que
x + ta
z + tc
145
y + tb
w + td
(834)
7 Ortogonalidad y Proyecciones en Rn
y por lo anterior
2(x + ta) = 2x + t(2a) = z + tc
(835)
y + tb = w + t(d) = (w + td)
(836)
por lo que la matriz u + tv cumple las condiciones para estar nuevamente en el conjunto lo
cual significa que s es un subespacio vectorial.
b) Para hallar una base observe que si u
.
x y
u=
2x = z, y = w
(837)
z w
es decir,
. .
.
.
y
x w
1 0
0 1
=
=x
+w
(838)
w
2x w
2 0
0 1
.
.
1 0
0 1
por lo que u1 =
, u2 =
forman un conjunto generador de y como son
2 0
0 1
claramente linealmente independientes son una base del subespacio.
c) La dimensin del subespacio es 2 pues la base tiene dos elementos
d) Es fcil ver que
.
1 3
u=
= 1u1 + 3u2
(839)
2 3
u=
x
z
por lo que
[u]B =
1
3
(840)
l2 :
1+z
x2
=y=
1
2
(841)
x2
y0
z (1)
=
=
1
1
2
(842)
por lo que un punto sobre la recta es (2, 0, 1) y un vector para la recta es (1, 1, 2). Para hallar
el punto de interseccin un punto (x, y, z) debe cumplir ambas ecuaciones a la vez, es decir, debe
cumplir el siguiente sistema
t = 2 s
(843)
2t=s
t = 1 + 2s
146
7 Ortogonalidad y Proyecciones en Rn
y tiene solucin t = s = 1 por lo que el punto de interseccin es (1, 1, 1). Para ver que se
intersecan ortogonalmente observe que los vectores directores de las rectas son ortogonales, es
decir,
(1, 1, 1) (1, 1, 2) = 0 y esto significan que las rectas son perpendiculares.
b) Para la ecuacin vectorial del plano que contiene ambas rectas se necesita un punto y dos
direcciones. Como punto se puede tomar el punto de interseccin de ambas rectas y como vectores
los dos vectores directores de las rectas, es decir, la ecuacin del plano es
P1 : (x, y, z) = (1, 1, 1) + t(1, 1, 1) + s(1, 1, 2)
(844)
(845)
Como el plano P2 es perpendicular al plano P1 los vectores normales respectivos deben ser
perpendiculares y a su vez el vector normal del plano P2 es perpendicular al vector director de
la recta l2 pues debe contenerla por lo que se puede tomar
n = (3, 3, 0) (1, 1, 2) = (6, 6, 6)
(846)
funciona como el vector normal del plano P2 . Como punto para la ecuacin normal se puede
tomar el punto de la recta (2, 0, 1) por lo que la ecuacin normal del plano es
P2 :
(847)
es decir
o bien
6x + 6y 6z = 12 + 6
(848)
xy+z =1
(849)
L2
L1
147
7 Ortogonalidad y Proyecciones en Rn
0
0
1
1
para V .
b. Encuentre una base ortonormal para V .
c. Determine una base para el subespacio V
d. Sea u = (1, 1, 0). Calcule la proyeccin ortogonal de u sobre V .
e. Encuentre vectores v V , t V que cumplen u = v + t
a) Para ver que es una base observe que si v V
v = (0, 2x, x z) = x(0, 2, 1) + z(0, 0, 1)
(850)
lo cual significa que B es un conjunto generador de V . Basta ver que son linealmente independientes por lo que suponga que
a(0, 0, 1) + b(0, 2, 1) = (0, 0, 0)
(851)
(852)
es decir
lo cual dice que a = b = 0 y esto es la condicin de independencia lineal.
b) Se aplica Gram-Schmidt con u1 = (0, 0, 1) y u2 = (0, 2, 1). As,
w1 =
u1
= u1 = (0, 0, 1)
(u1 (
u2 Proyw1 u2
:
w2 = :
:u2 Proyw u2 :
1
por un lado
w2 =
1
(0, 2, 1) (0, 0, 1)
= (0, 2, 0) = (0, 1, 0)
((0, 2, 1) (0, 0, 1)(
2
(853)
(854)
(855)
(856)
y=0
(857)
es decir
r = (x, y, z) = (x, 0, 0) = x(1, 0, 0)
(858)
(859)
= w2 = (0, 1, 0)
(860)
148
7 Ortogonalidad y Proyecciones en Rn
Problema 97. Considere los planos P1 : x 2y + z 1 = 0 y P2 :
a. Son los planos anteriores paralelos?
b. Encuentre la distancia que los separa.
x 2y + z + 6 = 0.
a) El vector normal de ambos planos es n = (1, 2, 1) por lo que los planos s son paralelos
b) Para encontrar la distancia observe que P = (0, 0, 1) es un punto del plano P1 y Q =
(0, 0, 6) es un punto del plano P2 por lo que
:
:
:
:
d(P1 , P2 ) = :Proyn P Q:
(861)
:
:
: P
:
: Qn :
=:
n:
2
: (n(
:
(862)
:
:
: (0, 0, 7) (1, 2, 1) : 7
: = (n(
n
=:
: 6
:
6
7 6
=
= 2,85
6
7.7.2.
(863)
(864)
Problema 98. Considere los tringulos de vrtices A, B, C dos de cuyos lados estn
dados por los vectores v = (1, 1, 2) y w = (2, 1, 6). Si A = (0, 5, 1) es el extremo
comn de los vectores v, w determine
a) Los vrtices B y C
b) El perimtro del tringulo ABC
c) El rea del tringulo ABC
d) El vector correspondiente a la altura sobre el lado AC
e) El coseno del ngulo en el vrtice B
a) Considere la siguiente figura
B
v = AB = B A
w = AC = C A
149
(865)
7 Ortogonalidad y Proyecciones en Rn
o bien
B = A + v = (0, 5, 1) + (1, 1, 2) = (1, 4, 3)
(866)
(867)
(868)
y as el permetro sera
P = (v( + (w( + (w v(
(869)
= 6 + 41 + 29 2 14,23
(870)
(871)
1
1
A = (v w( = ((8, 10, 1)( =
2
2
165
2 6,42
2
(872)
AB
h = AB Proy
AC
=v
(873)
vw
(w(
(874)
2w
9
= (1, 1, 2) (2, 1, 6) =
41
59 50 28
, ,
41 41 41
BA BC
(1, 1, 2) (3, 2, 4)
3
:
:
cos B = :
=
2 0,22
:
:
: :: =
6 29
174
:BA: :BC :
(875)
(876)
1
0 1
;
<
Problema 99. Sea A = 2 1 2 y sea W = x R3 : Ax = 0
1 1 3
1
0 1
2 1 2
1 1 3
xz =0
y 4z = 0
150
y W respectivamente
1 0
0 1
0 0
1
4
0
(877)
(878)
7 Ortogonalidad y Proyecciones en Rn
es decir
x=z
y = 4z
(879)
(880)
o bien
por lo que una base de W es B1 = {(1, 4, 1)}
Para una base para W si (x, y, z) W entonces
(x, y, z) (1, 4, 1) = 0
(881)
x + 4y + z = 0
(882)
z = x 4y
(883)
(884)
o bien
por lo que
(2, 2, 1) (1, 4, 1)
2
((1, 4, 1)(
(1, 4, 1)
(885)
5
(1, 4, 1)
18
5
b = (2, 2, 1) a = (2, 2, 1) + (1, 4, 1) =
18
(886)
-
41 8 23
, ,
18 9 18
5 2
distancia = (a( =
2 1,17
6
(887)
(888)
(889)
por lo que un punto sobre la recta es (5, 6, 3) y la direccin (1, 1, 1). En forma vectorial sera
(x, y, z) = (5, 6, 3) + s(1, 1, 1). Para determinar la interseccin, hay que resolver el sistema
2t + 1 = 5 + s
(890)
1t=6+s
3t = 3 s
151
7 Ortogonalidad y Proyecciones en Rn
sumando las dos ltimas ecuaciones se tiene que 2t = 2 o bien t = 1. Sustituyendo en la segunda
ecuacin se tiene que s = 6. Luego la interseccin de las rectas es el punto (1, 0, 3)
c) Encuentre una ecuacin vectorial del plano 2 que contiene a las rectas l1 , l2
Aqu se puede tomar el punto de interseccin y las dos direcciones de las rectas
2 : (x, y, z) = (1, 0, 3) + t(1, 1, 1) + s(2, 1, 3)
(891)
(892)
(893)
2x + y z = 1
(894)
D
.
E
x y
A=
: A = AT
z w
(895)
.
.
0 1
0 0
+z
1 0
0 1
.
1 0
0
por lo que una base para W est formada por las matrices A1 =
, A2 =
0 0
1
.
0 0
0 1
.
1 3
c) Calcule las coordenadas de u =
en la base B de W
3 3
Claramente
u = A1 3A2 + 3A3
por lo que
0
0
+y
1
[u]B = 3
3
152
(896)
(897)
1
0
, A3 =
(898)
(899)
7 Ortogonalidad y Proyecciones en Rn
Problema 102. En R3 considere los planos w1 : x y + 3z = 0 y w2 : x + z = 0
a) Determine la interseccin entre el plano w1 y el plano w2
Para la interseccin hay que resolver el sistema
!
x y + 3z = 0
x+z =0
que tiene por matriz
-
(900)
1 1 3
1 0 1
(901)
1 0
0 1
(902)
1
2
x = z
y = 2z
(903)
(904)
o bien
por lo que la interseccin es la recta
(x, y, z) = t(1, 2, 1)
(905)
153
B = (3, 4, 5)
C =
7 Ortogonalidad y Proyecciones en Rn
Observe que
AB = B A = (1, 3, 3)
AD = D A = (4, 1, 1)
13 2
1:
:
:
: 1
area = :AB AD : = ((0, 13, 13)( =
2
2
2
(906)
(907)
: :
:
:
permetro = 2 :AB : + 2 :AD: = 2 19 + 2 10
= 15
(908)
AC = C A = (5, 2, 2)
BD = D B = (3, 4, 4)
(909)
(910)
(911)
2 + 5t = 3 + 3s
1 + 2t = 4 4s
2 + 2t = 5 4s
(912)
5 3 ,, 1
2 4 , 3
,
2 4 , 3
1 2 ,, 1/2
0 1 , 1/2
,
0 0 , 0
(913)
es decir t = s =
1
2
(914)
89
2 , 2, 3
por lo que
AB AD
2
:
:
cos A = :
:
:
: :: = 190
:AB : :AD :
A = 90,6
154
(915)
(916)
7 Ortogonalidad y Proyecciones en Rn
Problema 104. Considere el plano con ecuacin normal x 5y + 3z = 0
! Demuestre que los puntos P = (1, 2, 0) y Q = (1, 0, 5) no pertenecen al plano (6
pts)
P no pertenece al plano pues 1 5 2 + 3 0 = 9 '= 0 y Q no pertenece al plano pues
1 5 0 + 3 5 = 14 '= 0, es decir, no satisfacen la ecuacin normal del plano
! Halle la ecuacin vectorial de una recta l que pasa por P y Q
(917)
t=
por lo que
(x, y, z) =
9
7
25 32 45
, ,
7 7 7
(919)
.
(920)
(921)
(922)
31x + y + 12z = 27
(923)
(924)
(925)
7 Ortogonalidad y Proyecciones en Rn
Problema 105. Considere el subconjunto W de M (2, 2, R) definido por
D
.
E
a b
W = A=
: a = d b = c
c d
(926)
a
c
b
d
B=
e
g
f
h
(927)
con
a = d b = c
(928)
e=h
(929)
f = g
por lo que
A + tB =
y
a
c
b
d
+t
e
g
f
h
a + te b + tf
c + tg d + th
(930)
a + te = d + th
(931)
b + tf = c tg = (c + tg)
(932)
a = d b = c
luego
A=
Luego
a
c
b
d
a
c
A1 =
1 0
0 1
c
a
=a
A2 =
(933)
1 0
0 1
0
1
1
0
+c
.
0
1
1
0
(934)
(935)
forman una base para W pues claramente son linealmente independientes y por lo anterior
generan W .
! Cunto es la dimensin de W ?
Es 2 pues la base est formada por dos vectores
! Calcule el vector de coordenadas de A =
156
1 5
5 1
7 Ortogonalidad y Proyecciones en Rn
Claramente
A = 1A1 5A2
por lo que
[A]B =
1
5
(936)
(937)
0 2
5 2
5 2
(938)
1 0 2
0 5 2
(939)
0 0 0
Luego una base para FA es
v1 = (1, 0, 2)
v2 = (0, 5, 2)
(940)
.
.
2
2
2z, z, z = z 2, , 1
5
5
de FA
(941)
(942)
(943)
v1
=
(v1 (
2
1
, 0,
5
5
v2 Proyu1 v2
:
u2 = :
:v2 Proyu v2 :
1
157
(944)
(945)
7 Ortogonalidad y Proyecciones en Rn
como
4
Proyu1 v2 = (v2 u1 ) u1 = u1 =
5
84
, 5, 25
5
645
5
u2 =
.
4
8
, 0,
5
5
25
2
4
,
,
645 645
645
(946)
(947)
(948)
(949)
(950)
7.7.4.
.
1 155 64
a = ProyFA u =
,
,
129 129 129
.
26 65
130
,
,
b=ua=
129 129 129
(951)
(952)
a + 2b c = 0
(953)
(954)
(955)
y de esta forma
y se verifica que
158
7 Ortogonalidad y Proyecciones en Rn
1 1 0 1
Problema 108. Considere la matriz A = 2 2 1 0
1 0 1 3
a) Halle una base para FA
Se reduce A por Gauss Jordan y se llega a la matriz
1 0 0 1
0 1 0 0
0 0 1 2
(956)
x + w = 0
(957)
y=0
z 2w = 0
por lo que (x, y, z, w) = (w, 0, 2w, w) = w(1, 0, 2, 1) y de esta forma r = (1, 0, 2, 1) sera una
base para NA
1
0
x 2z + w = 0
yzw =0
(960)
(961)
(962)
y el sistema homogneo es
por lo que
y de esta forma
0 2 1
1 1 1
(959)
b) Calcule una base ortonormal de (U V ) sabiendo que B = {(1, 0, 2, 1), (0, 1, 1, 1)}
es una base de (U V )
Se usa Gram-Schmidt para u1 = (1, 0, 2, 1) u2 = (0, 1, 1, 1)
.
u1
1
(1, 0, 2, 1)
2
1
w1 =
= , 0, ,
(963)
=
(u1 (
6
6
6
6
159
7 Ortogonalidad y Proyecciones en Rn
u2 proyw1 u2
:
w2 = :
:u2 proyw u2 :
1
8
9
como proyw1 u2 = (u2 w1 ) w1 = 16 w1 = 61 , 0, 62 , 16 y luego
w2 =
8 1
9
6 , 1, 64 , 76
102
6
1
=
(1, 6, 4, 7)
102
(964)
(965)
(966)
Luego la distancia es
:
:
: :
:
1
1326
:
: :
:
d = :u proy(UV ) u: = : (32, 5, 9, 14):
: = 17 = 2,14
17
(967)
(968)
(969)
l1 :
l2 :
2 + 3s = 4 4t
(970)
5 + 2s = 5 + 4t
1 s = 2 + t
es inconsistente entonces las rectas no se intersecan (es fcil ver la inconsistencia porque la
segunda ecuacin dice que s = 2t y luego la primera ecuacin dira que t = 15 y la tercera
ecuacin dice que t = 1).
b) Encuentre dos planos paralelos P1 , P2 tales que l1 P1
l2 P2
Se pueden dar en forma vectorial o normal. Para la normal se toma n = u v = (6, 1, 20) y
como puntos se toman los encontrados antes
P1 :
P2 :
6x + y + 20z = 37
(971)
6x + y + 20z = 11
(972)
160
7 Ortogonalidad y Proyecciones en Rn
c) Encuentre la distancia entre l1 y l2
Del dibujo es claro que se tiene que
:
:
:
:
d = :proyn P Q:
P Qn
n
)n)2
(973)
48
= 437
n por lo que
:
:
: 48 : 48 437
:
:
d = :
n =
= 2,29
437 :
437
(974)
(975)
(976)
por lo que cualquier matriz de S es combinacin lineal de A1 , A2 , es decir, esas matrices generan
el subespacio. Falta ver que son linealmente independientes.
Si
.
0 0
aA1 + bA2 =
(977)
0 0
161
7 Ortogonalidad y Proyecciones en Rn
y es fcil ver que a = 0 y b = 0 lo cual dice
- que son.linealmente independientes.
2 4
b) Encuentre las coordenadas de
con respecto la base anterior
4 2
Es claro que
.
2 4
= 2A1 + 4A2
4 2
y de esta forma
47.7.5.
2 4
4 2
.5
=
B
2
4
(978)
(979)
(981)
(982)
y as e1 , e3 son generan S y como claramente son linealmente independientes son una base.
Problema 113. Sea S el subespacio de R4 definido por S = Cl{(1, 0, 1, 2) (1, 1, 1, 0)}
a) Encuentre una base ortonormal para S
b) Sea u = (1, 1, 0, 1). Calcule la proyeccin ortogonal de u sobre S
c) Encuentre vectores s S, t S que cumplen u = s + t
Observe que si (x, y, z, , w) S entonces
(x, y, z, w) (1, 0, 1, 2) = 0
(x, y, z, w) (1, 1, 1, 0) = 0
(983)
es decir,
!
x z + 2w = 0
x+y+z =0
(984)
1
1
0 1
1 1
2
0
0 1 2
1 2 2
162
.
.
(985)
(986)
7 Ortogonalidad y Proyecciones en Rn
es decir
!
x = z 2w
y = 2z + 2w
por lo que
(987)
(988)
.
1
1
1
u2 = , 0, ,
3
3
3
(993)
y as una base para S es v1 = (1, 2, 1, 0) v2 = (2, 2, 0, 1). Como se busca una base ortonormal se aplica Gram-Schmidt.
.
v1
1
2
1
(1, 2, 1, 0)
u1 =
= , , , 0
(989)
=
(v1 (
6
6
6
6
v2 proyu1 v2
:
(990)
u2 = :
:v2 proyu v2 :
1
como
6
(991)
proyu1 v2 = (v2 u1 )u1 = u1 = (1, 2, 1, 0)
6
por lo que
v2 proyu1 v2 = (2, 2, 0, 1) (1, 2, 1, 0) = (1, 0, 1, 1)
(992)
y luego
b) Observe que
1
proyS u = (u u1 )u1 + (u u2 )u2 = u1 =
6
c) Se toma
t = proyS u
s=ut=
.
1 2 1
, , ,0
6 6 6
7 4 1
, , ,1
6 6 6
(994)
(995)
:
:
:
d = :proyn P Q:
(996)
Como
y
entonces
P Q = Q P = (0, 0, 7)
(997)
PQ n
proyn P Q =
2 n = 11 n
(n(
(998)
d=
7
7
(n( =
11
11
163
(999)
8.
8.1.
(1002)
As, a cada matriz se le puede asociar una transformacin lineal. La utilidad de esto es que el
concepto de una transformacin lineal es el que se utiliza para definir matrices entre espacios
vectoriales que no son necesariamente Rn (por ejemplo, el espacio vectorial de funciones reales).
Definicin 115. Sean V y W espacios vectoriales reales, una transformacin lineal t.l
(o aplicacin lineal u operador lineal) entre V y W es una funcin T : V W tal
que para cualesquiera vectores u, v V y para cualquier escalar a se tiene
T (u + av) = T (u) + aT (v)
(1003)
Ejemplo 116. Considere T : R3 R2 dada por T (x, y, z) = (x 3y, y + 5z). Para ver que T
es una transformacin lineal, sea u = (x, y, z) y v = (x$ , y $ , z $ ). Entonces
T (u + tv) = T ((x, y, z) + t(x$ , y $ , z $ )) = T (x + tx$ , y + ty $ , z + tz $ )
(1004)
164
(1007)
T (v) = T (c1 v1 + + cn vn )
(1008)
(1009)
y
luego como T es una transformacin lineal se tiene
Es decir, es suficiente definir una transformacin lineal sobre alguna base del espacio
vectorial para conocer el valor de la transformacin lineal sobre cualquier vector.
Tambin toda transformacin lineal enva el vector nulo en el vector nulo. Esto
ocurre ya que
T (0v ) = T (00v ) = 0T (0v ) = 0w
(1010)
Por ejemplo, suponga que T : R3 R2 es una transformacin lineal. Por lo anterior basta
definir T sobre alguna base de R3 , por ejemplo, la base cannica {e1 , e2 , e3 }. Se define
T (e1 ) = (2, 0)
(1011)
T (e2 ) = (0, 5)
(1012)
T (e3 ) = (3, 1)
(1013)
(1014)
As, si v = (x, y, z)
por lo que
T (x, y, z) = T (v) = xT (e1 )+yT (e2 )+zT (e3 ) = x(2, 0)+y(0, 5)+z(3, 1) = (2x+3z, 5y+z) (1015)
8.2.
(1016)
(1017)
165
(1018)
a1n
a12
a11
a2n
a22
a21
(1019)
[T (v1 )]B2 = . [T (v2 )]B2 = . [T (vn )]B2 = .
..
..
..
amn
am2
am1
Luego,
(1020)
(1021)
= (c1 a11 + + cn a1n )u1 + (c1 a21 + + cn a2n )u2 + + (c1 am1 + + cn amn )um (1022)
c1 a11 + + cn a1n
c1 a21 + + cn a2n
[T (v)]B2 =
..
.
c1 am1 + + cn amn
a11
a21
..
.
a12
a22
am1
am2
a1n
a2n
amn
c1
c2
..
.
cn
(1023)
(1024)
Para recordar la frmula anterior se define la representacin matricial de T en las bases
B1 , B2 como
[T ]B21 =
[T (v1 )]B2
[T (v2 )]B2
[T (vn )]B2
a11
a21
..
.
a12
a22
am1
am2
a1n
a2n
amn
(1025)
(1026)
u1
u2
um
166
| T (v1 )
(1027)
u1
u2
um
| T (v1 ) T (v2 )
T (vn )
luego
B
[T ]B21 = ( [T (v1 )]B2
[T (v2 )]B2
[T (vn )]B2 )
(1029)
(1030)
(1031)
(1032)
es decir
(1033)
(1034)
0 0 1
[T ]B = 1 0 1
(1035)
2 1 3
C
1
1
1
v1 = 0
v2 = 1
v3 = 1
1
0
1
167
(1036)
1
0
0
u 1 = e1 = 0 u 2 = e2 = 1 u 3 = e3 = 0
0
0
1
I(v1 ) = v1
I(v2 ) = v2 ,
I(v3 ) = v3
1 0 0 ,, 1
8
9
u1 u2 u3 | I(v1 ) I(v2 ) I(v3 ) = 0 1 0 ,, 0
0 0 1 , 1
1
1
0
1
1
1
(1037)
(1038)
(1039)
y aplicar Gauss Jordan hasta que el lado izquierdo est en su forma escalonada reducida. Sin
embargo, en este caso ya se encuentra de entrada en tal forma por lo que el lado derecho de la
matriz aumentada es la matriz de cambio de base buscada, es decir,
1 1 1
0 1 1
[I]C
(1040)
B =
1 0 1
b) Determine T (x, y, z)
Sea v = (x, y, z). Por lo visto anteriormente con B = B1 = B2
[T (v)]B = [T ]B
B [v]B
y
G
H1
[v]B = [I]C
[v]C
B
[I]B
H1
y de esta forma
1 1 0
0 1
= 1
1 1
1
1 1 0
x
xy
0 1 y =
xz
[v]B = 1
1 1
1
z
x + y + z
1 1 1
0 1 1
1 0 1
1
0
0
, x
,
, y
,
, z
0 0 ,,
xy
1 0 ,,
xz
0 1 , x + y + z
168
(1041)
(1042)
(1043)
(1044)
(1045)
(1046)
(1047)
As
o bien
xy
xz
[v]B =
x + y + z
(1048)
0 0 1
xy
B
xz
[T (v)]B = [T ]B [v]B = 1 0 1
2 1 3
x + y + z
xyz
z
[T (v)]B =
y + 2z
(1049)
(1050)
(1051)
1
1
1
x
= (x y z) 0 z 1 + (y + 2z) 1 = y z
1
0
1
x+z
(1052)
1
0
0
0
0
, v2 = 1 , v3 = 0 , v4 = 1
v1 =
(1053)
1
1
1
0
1
0
1
1
1
0
0
2
T (v1 ) = 2 , T (v2 ) = 1 , T (v3 ) = 2 , T (v4 ) = 4
(1054)
3
1
2
6
1
1
0
u1 = 1 , u2 = 0 , u3 = 1
(1055)
1
1
1
1 1 0 ,,
= 1 0 1 ,,
1 1 1 ,
T (v2 ) T (v3 )
1 0
2 1
3 1
169
0 2
2 4
2 6
T (v4 )
(1056)
(1057)
1
0
0
para obtener
,
0 0 ,, 0 0 0
1 0 ,, 1 0 0
0 1 , 2 1 2
0 0
= 1 0
2 1
(1058)
0 0
0 2
2 4
2
[T ]B
B1
0
2
4
(1059)
1
0
0
0
y de esta forma
1
0
1
1
0
1
1
0
0
0
1
1
0
1
0
0
0
0
0
1
,
,
,
,
,
,
,
,
0
0
1
0
[v]B1 =
y luego
B
,
,
,
,
,
,
,
,
x1
x2
x3
x4
(1061)
x1
x2 +x3 x4
2
2x1 x2 +x3 +x4
2
x2 x3 +x4
2
x1
x2 +x3 x4
2
2x1 x2 +x3 +x4
2
x2 x3 +x4
2
0
= 1
2
0
1
0
1
0 0
0 0
1 2
Finalmente,
(1063)
(1062)
0
= x1 + x2 x3 + x4
3
2 x2 x3 + 5x4
x1
x2 +x3 x4
2
2x1 x2 +x3 +x4
2
x2 x3 +x4
2
.
1
5
3
x2 x3 + x4 u3
2
2
2
(1064)
(1065)
(1066)
.
x1 + x2 x3 + x4
1
0
3
1
5
3
1
5
= (x1 + x2 x3 + x4 ) 0 +
x2 x3 + x4 1 =
2 x2 2 x3 + 2 x4
2
2
2
5
3
1
1
x1 + 2 x2 2 x3 + 27 x4
(1067)
170
8.3.
Dado que las transformaciones lineales son funciones, es posible tomar la composicin de
transformaciones lineales. Por ejemplo, si U, V, W son espacios vectoriales y S L(U, V ),T
L(V, W )
S
T
U
V
W
(1068)
se define la composicin de transformaciones lineales T S : U W segn
(T S)(u) = T (S(u)), u U
(1069)
(1070)
[I]B21
H1
= [I]B12
(1071)
(1072)
(1073)
Definicin 121. Dos matrices A, B son similares si existe una matriz P invertible tal que
A = P BP 1
(1074)
Las frmulas anteriores son especialmente tiles cuando se quiere pasar de una representacin
matricial de una transformacin lineal a otra representacin matricial.
1 3 0
B
[I]B13 = 0 3 9
1 2 1
.
1 6
B
[I]B42 =
1 2
.
1
1
0
3
B
B
B
B
0
[T ]B23 = [T I]B23 = [T ]B21 [I]B13 =
5 1 2
1
B
(1076)
(1077)
.
3 0
2 9 3
3 9
=
(1078)
3 22 11
2 1
En cambio, si se pidiera [T ]B41 se compone con la identidad por la izquierda de la siguiente forma
.. .
1 6
1 0 3
31 6 15
B
B
B
B
[T ]B41 = [I T ]B41 = [I]B42 [T ]B21 =
=
(1079)
1 2
5 1 2
9 2 1
8.4.
Inyectividad y Sobreyectividad
Como una transformacin lineal es una funcin es posible definir el concepto de inyectividad,
sobreyectividad y biyectividad de una transformacin lineal de la misma forma en que se define
para una funcin.
8.4.1.
(1081)
(1082)
(1083)
y se tiene el sistema
!
u1 + u2 = v1 + v2
u1 u2 = v1 v2
(1084)
y sumando ambas ecuaciones se tiene que 2u1 = 2v1 o bien u1 = u2 . Si se restan las ecuaciones
se llegan analgamente a u2 = v2 , es decir, u = v.
Como el proceso de determinar si una transformacin lineal es inyectiva o no puede volverse
muy largo usando la definicin de inyectividad, se buscar dar una condicin equivalente. Suponga
que
T (u) = T (v)
(1085)
172
(1086)
(1088)
(1089)
T (x, y, z) = (x, y)
(1090)
173
1
1
1
x
Sea v1 = 1 , v2 = 1 , v3 = 0 , si v = y para encontrar T (v) basta
1
0
0
z
encontrar v como combinacin lineal de esa base, es decir, v = c1 v1 + c2 v2 + c3 v3 . Si B es la base
B = {v1 , v2 , v3 } lo anterior es equivalente a encontrar [v]B .Una propiedad muy til es que si C
G
H1
B
C
es la base cannica entonces v = [v]C y por ende se puede usar que [v]B = [I]C [v]C = [I]B
v
. Es decir, dado que
1 1 1
C
[I]B = 1 1 0
(1092)
1 0 0
y
1
1
1
entonces
Luego
1 1
0 0
1
1 0 = 0 1 1
0 0
1 1 0
0 0
1
c1
x
z
c2 = 0 1 1 y = y z
c3
1 1 0
z
xy
1
1
1
1
1
0
v = c1 v1 + c2 v2 + c3 v3 = z
+ (y z)
+ (x y)
1
0
0
174
(1093)
(1094)
(1095)
1
1
1
1
0
0
el sistema aumentado
,
1 1 ,, x
1 0 ,, y
0 0 , z
0 0 ,, z
1 0 ,, y z
0 1 , xy
3
3
1
x + 2y
= z 1 + (y z) 1 + (x y) 0 = y 2z
4
2
1
x + y + 2z
es decir
x
x + 2y
T y = y 2z
z
x + y + 2z
b) Determine el ncleo de T
Si (x, y, z) Nuc(T ) entonces
es decir
x + 2y
0
y 2z = 0
x + y + 2z
0
1 2
0 1
1 1
0
x
0
2 y = 0
2
z
0
1
0
0
(1096)
(1097)
(1098)
(1099)
(1100)
(1101)
(1102)
0 4
1 2
(1103)
0 0
(1104)
por lo que
(x, y, z) = (4z, 2z, z) = z(4, 2, 1)
(1105)
(1106)
175
1 2
0 1
1 1
aplicando operaciones elementales al
1
0
0
0
x
a
2 y = b
(1107)
2
z
c
0 4 ,, a 2b
1 2 ,,
b
0 0 , ca+b
(1108)
ca+b=0
(1109)
c=ab
(1110)
(1111)
(1112)
es decir
y por lo tanto la imagen est generada por
8.5.
Teoremas de Dimensionalidad
Los siguientes teoremas facilitarn hacer clculos sobre el ncleo y la imagen de una transformacin lineal T : V W
Teorema 127. Si T : V W es una t.l
a) Si V = Cl{v1 , , vm } entonces
Img(T ) = Cl{T (v1 ), , T (vm )}
(1113)
176
(1115)
(1116)
b) Suponga que T es inyectiva. Por un teorema anterior Nuc(T ) = {0}. Suponga que
c1 T (v1 ) + + cm T (vm ) = 0
(1117)
T (c1 v1 + + cm vm ) = 0
(1118)
c1 v1 + + cm vm = 0
(1119)
(1120)
esto implica que T (v1 ), , T (vm ) son l.i y como por a) se tiene que Img(T ) = Cl{T (v1 ), , T (vm )}
entonces T (v1 ), , T (vm ) son una base para la imagen por lo que m = dim V = dim(Img(T ))
Ejemplo 128. Considere T : R3 R3 definida segn
T (1, 1, 0) = (2, 0, 1) T (0, 1, 1) = (0, 1, 1),
T (1, 0, 1) = (4, 1, 3)
(1121)
2 0 1
0 1 1
(1122)
4 1 3
1 0
0 1
0 0
<
;
por lo que Img(T) = Cl (1, 0, 12 ), (0, 1, 1)
1
2
1
0
(1123)
(1124)
177
(1125)
Suponga que T es inyectiva. Entonces Nuc(T ) = {0} y por ende dim(Nuc(T )) = 0 y de esa forma
n = dim(Img(T ))
(1126)
dim W = dim(Img(T ))
(1127)
(1128)
(1129)
8.6.
Recurdese que una funcin era biyectiva cuando era inyectiva y sobreyectiva y en tal caso
exista una funcin inversa. Exactamente lo mismo ocurrir con las transformaciones lineales. Si
T : V W es una t.l se dice que T es biyectiva si T es inyectiva y sobreyectiva..Por otro
lado T es invertible si existe una transformacin lineal T 1 : W V tal que T T 1 = IW
y T 1 T = IV .
El siguiente resultado establece que ambas nociones son bsicamente equivalentes.
Teorema 130. Suponga que T : V W es una t.l.
1) T es invertible si y solo si T es biyectiva
2) Si dim V = dim W = n y B1 es una base de V y B2 es una base de W entonces T
G
H1 I
JB1
B
B
es invertible si y solo si la matriz [T ]B21 lo es. En tal caso [T ]B21
= T 1 B2
Problema 131. problema 3 tercer examen parcial II ciclo 2010
1 3 0
C
Sea T : R3 R3 una t.l tal que [T ]B = 1 0 2 donde B = {(1, 0, 1), (1, 0, 1), (0, 1, 1)}
0 1 1
3
es una base de R y C es la base cannica de R3 .
a) Compruebe T es invertible.
C
Por el teorema anterior es suficiente ver que det [T ]B '= 0 pero esto es bastante claro por lo
que la transformacin es invertible.
b) Calcule T (x, y, z)
Sea v = (x, y, z) Observe que
C
[T (v)]C = [T ]B [v]B
(1130)
178
1
1
0
B
Ahora bien si u1 = 0 , u2 = 0 , u3 = 1 para hallar [I]C se forma la matriz
1
1
1
aumentada
8
9
u 1 u 2 u 3 | e1 e2 e3
(1132)
y se reduce hasta llegar al
lado izquierdo ala identidad. Por construccin esto es equivalente a
1 1 0
hallar la matriz inversa de 0 0 1 es decir,
1 1
1
1
B
[I]C = 0
1
y de esta forma
1
1
1 1
1 0
1
0 1 = 1 1 1
2
0 2 0
1
1
1
1 1
x
1
1 1 1 y
[v]B =
2
0 2 0
z
es decir,
1 3
1
C
B
C
[T (v)]C = [T ]B [I]C [v]C = [T ]B [v]B = 1 0
2
0 1
2 4 4
2x + 4y + 4z
x
1
1
= 1 3 1 y = x 3y + z
2
2
1 1 1
x y + z
z
y entonces
0
1
1 1
x
2 1 1 1 y
1
0 2 0
z
(1133)
(1134)
(1135)
(1136)
2x + 4y + 4z
1
1
1
1
x 3y + z
T (x, y, z) = (2x + 4y + 4z)e1 + (x 3y + z)e2 + (x y + z)e3 =
2
2
2
2
x y + z
(1137)
G
H1
C
c) Calcule [T ]B
1 3 0
1 0 2 se utiliza el algoritmo para calcular la
Como [T ]C
B =
0 1 1
(1138)
[T ]C
B
H1
2
3 6
1
1 1 2
=
5
1 1
3
179
(1139)
(1140)
= (x + ax$ (y + ay $ ), y + ay $ + z + az $ , x + ax$ + z + az $ )
(1141)
(1142)
mtodo 2:
Darse cuenta de que
x
xy
1 1
T y = y+z = 0 1
z
x+z
1 0
0
x
1 y
1
z
(1143)
y verificar la linealidad en esta forma es trivial por las propiedades del producto matricial por
un vector.
b)
Determine
una base del ncleo de T
x
Si y N uc(T ) entonces
z
1 1 0
x
0
0 1 1 y = 0
(1144)
1 0 1
z
0
1 0 1
0 1 1
0 0 0
lo cual da el sistema de ecuaciones
!
x = z
y = z
Luego
(1145)
(1146)
(1147)
(1148)
(1149)
c) Es T inyectiva? Justifique.
No lo es puesto que Nuc(T ) '= {0}
d) Cul es la dimensin de Img(T )? Justifique
Por el teorema del rango
y como dim Nuc(T ) = 1 entonces
dim(Im(T)) = 2
180
(1150)
8.7.
Problemas Adicionales
1
[T ]C = 3
2
tal que
3 4
4 7
2 0
(1151)
0 = [T ]C v
1 3
3 4
2 2
1 0
0 1
0 0
(1153)
de la matriz
4
7
0
1
1
0
(1154)
(1155)
(1156)
(1157)
(1158)
por lo que
b) Determine una base de la imagen
Nuevamente, si u Img(T) entonces existe v tal que T (v) = u. Luego,
a
es decir, si u = b , debe ser solucin del
c
1
3
2
y se llega a
1
0
0
sistema u = [T ]C v o bien
,
3 4 ,, a
4 7 ,, b
2 0 , c
,
0 1 ,,
1 1 ,,
0 0 ,
4a+3b
5
3ab
5
14a8b5c
40
181
(1159)
(1160)
8b + 5c
14
(1161)
(1162)
por lo que
.
.
.
4
5
8b + 5c
, b, c = b
, 1, 0 + c
, 0, 1
(1163)
(a, b, c) =
14
7
14
8
9 85
9
, 0, 1
y as una base para la imagen es 74 , 1, 0 y 14
c) Determine si la transformacin es invertible o no
Para que sea invertible tendra que ser inyectiva pero no lo es ya que la dimensin del ncleo
no es cero. Es decir, la transformacin no es invertible.
-
x + y + 2z
1 1 2
x
= 1 1 0 y
xy
T (x, y, z) =
(1166)
z
0
0 1
z
1 1
1 1
0
0
el sistema homogneo
2
0
1
1 1 0
0 0 1
0 0 0
182
(1167)
(1168)
(1169)
1 1 2 ,, a
1 1 0 , b
(1170)
,
0
0 1 , c
1
0
0
b
1 0 ,,
c
0 1 ,,
,
0 0 a 2c + b
(1171)
a 2c + b = 0
(1172)
a = 2c b
(1173)
(1174)
o bien
es decir
1 2
2 3
[T ]D
=
C
3 4
cualquiera de R3 y T : R4 R3 una
0
1
2
0
0
1
es decir
1 2
[T (v)]D = 2 3
3 4
1
0 0
2
1 0
1
2 1
2
(1175)
(1176)
= 5
(1177)
[T (u)]D = [T ]C [u]C
es decir
1
[T (u)]D = 2
3
2 0
3 1
4 2
0
0
2
1
= 3
0
0
1
4
0
183
(1178)
(1179)
(1180)
1 0 0 ,, 1
0
0
0 1 0 , 1 1
0
(1181)
,
,
0 0 1
0 1 1
por lo que
[I]D
d) Determine [T ]C
C
Se tiene que
1
0
= 1 1
0 1
0
0
1
(1182)
C
C
D
[T ]C
C = [I T ]C = [I]D [T ]C
1
0
0
1
0 2
= 1 1
0 1 1
3
2 0
3 1
4 2
0
1
2
0
0 = 1
1
1
1
5 7 3
(1183)
0
0
1
(1184)
1 1 0 ,, x
0 1 0 , y
(1185)
,
1 1 1 , z
y se llega a
1
0
0
o bien
y as
0 0 ,, x y
1 0 ,, y
,
xz
0 1
(1186)
(1187)
(1188)
184
es decir,
= yv2 + (x z)v3
(1189)
T (x, y, z) = (y, y, x + y + z)
(1190)
(1191)
(1192)
(1193)
b) Si B = {(1, 1), (0, 1)} calcule las coordenadas de T (v) en la base cannica C de R2
Si w = T (v) observe que por la frmula de cambio de base
C
(1194)
C
(1195)
(1196)
c) Determine [T ]D
Observe que
C
C
B
[T ]C
D = [I T ]D = [I]B [T ]D
(1197)
(1198)
Problema 138. problema 3 tercer examen de reposicin 2007 Sea B = {u, v, w, } base de R3
y D = {(1, 1), (0, 2)}. Sea T : R3 R2 una transformacin lineal tal que
.
1 1 2
D
[T ]B =
(1199)
2 2 1
185
(1200)
[T (v)]D = [T ]B [v]B
(1201)
[T (w)]D = [T ]D
B [w]B
(1202)
u = u + 0v + 0w
(1203)
[T (u)]D = [T ]B [u]B
como
se tiene que
1
[u]B = 0
0
como
(1204)
v = 0u + v + 0w
se tiene que
(1205)
0
[v]B = 1
0
como
(1206)
w = 0u + 0v + w
se tiene que
(1207)
0
[w]B = 0
1
por lo que
D
[T (u)]D = [T ]B [u]B =
y as
T (u) =
de la misma forma
1
1
[T (v)]D = [T ]B [v]B =
y as
T (v) =
Finalmente
D
1
1
[T (w)]D = [T ]B [w]B =
1
2
1 2
2 1
+2
0
2
1
2
186
0
2
1 1 2
2 2 1
(1208)
.
1
1
0 =
2
0
1
3
.
0
1
1 =
2
0
1 2
2 1
1
5
.
0
2
0 =
1
1
(1209)
(1210)
(1211)
(1212)
(1213)
1
1
0
2
2
0
(1214)
es decir,
1
0
por lo que
C
[T ]B
,
0 ,, 1 1
1 , 3 5
1 1
3 5
(1215)
2
0
(1216)
2
0
(1217)
1 0
0 ,, 1 0 0
1 1 0 , 0 1 0
(1218)
,
1
1 1 , 0 0 1
1 0
0 1
0 0
por lo que
B
[I]C
0
0
1
, 1 0
0
,
, 1 1 0
,
, 2 1 1
1 0
0
= 1 1 0
2 1 1
(1219)
(1220)
a) Determine [T ]B
Si v1 = (1, 1, 0) v2 = (1, 0, 1) v3 = (0, 1, 1) y u1 = (1, 0) u2 = (0, 1) hay que considerar el
sistema aumentado
,
8
9
u1 u2 , T (v1 ) T (v2 ) T (v3 )
(1221)
o bien
,
1 0 ,, 0 2
0 1 , 2 0
1
0
0
0
,
.
0 ,, 0 2 0
1 , 2 0 0
187
(1222)
(1223)
0 2 0
2 0 0
1 1
1 0
0 1
y se llega a
1 0
0 1
0 0
es decir
(1225)
0 ,, 1
1 ,, 2
(1226)
1 , 3
0
0
1
, 0
,
, 1
,
, 2
(1227)
0
[v]B = 1
2
por lo que
[T (v)]D =
D
[T ]B
[v]B =
(1224)
0 2
2 0
0
0
(1228)
.
0
2
1 =
0
2
(1229)
(1231)
(1233)
(1234)
1 1 0 ,, x
0 0 1 , y
(1235)
,
1 2 2 , z
y se llega a
1
0
0
por lo que
y de esta forma
o bien
0
1
0
0
0
1
, 2x 2y z
,
, x + 2y + z
,
,
y
(1236)
(1237)
(1238)
(1239)
1 0
0
(1240)
[T ]C = 6 5 3
6 7 4
Se enfatiza de que solo se puede hacer esto ya que se est pidiendo [T ]C .
La otra forma es observar que
C
[T ]C = [T ]C = [T I]C = [T ]B [I]C
donde B = {v1 , v2 , v3 }
C
Para hallar [T ]B se construye el sistema aumentado
1
,
8
9
e1 e2 e3 , T (v1 ) T (v2 ) T (v3 ) = 0
0
por lo que
1 1
3 0
[T ]C
=
B
2 2
189
,
0 0 ,, 1
1 0 ,, 3
0 1 , 2
0
1
1
(1241)
1 0
0 1
2 1
(1242)
(1243)
y se llega
v1
v2
,
, e1
v3
e2
e3
1 0
0 1
0 0
por lo que
1
= 0
1
1 0
0 1
2 2
, 2 2 1
,
, 1 2
1
,
, 0
1
0
0
0
1
,
, 1
,
, 0
,
, 0
y finalmente
(1246)
1 1 0
2 2 1
1
1 = 6
[T ]C = 3 0 1 1 2
2 2 1
0
1
0
6
como
1 0
[T ]C = 6 5
6 7
entonces
1
([T ]C )
Luego,
I
J
T 1 (v) C =
T
42
41
12
41
4
41
7
41
3
41
5
41
0
0
5 3
7 4
(1249)
42
41
12
41
4
41
7
41
3
41
5
41
x
y =
z
(1247)
(1248)
0
3
4
1
1 0
0
= 6 5 3 =
6 7 4
(1244)
(1245)
2 2 1
B
1
[I]C = 1 2
0
1
0
es decir,
0 0
1 0
0 1
x
42x4y3z
41
12x+7y5z
41
.
42x 4y 3z 12x + 7y 5z
,
(x, y, z) = x,
41
41
(1250)
(1251)
(1252)
1 3 0
[T ]B1 = 0 0 1
(1253)
2 0 1
donde B1 = {u1 , u2 , u3 } es una base de R3 . Calcule [T ]B2 donde B2 = {v1 , v2 , v3 } es otra
base de R3 que cumple
v1 = 2u1 u3
v2 = 5u2
190
v3 = u1 + u3
(1254)
[T ]B2 = [T ]B22 = [T I]B22 = [T ]B21 [I]B12 = [I T ]B21 [I]B12 = [I]B21 [T ]B11 [I]B12
(1255)
B
De la expresin anterior solo se conoce la matriz del medio por lo que faltaran hallar [I]B21 y
B
[I]B12 . Ahora bien, como no se tienen los valores de los vectores no es posible utilizar el algoritmo
de siempre para hallar la representacin matricial por lo que hay que utilizar la definicin original
B
B
de la representacin matricial para hallar [I]B21 y [I]B12 .
B
La definicin original es bsicamente que [T ]B21 son los vectores de coordenadas de la
base B1 con respecto a la base B2 . En este caso se tendra que
9 8
9
8
2
[I(u1 )]B2 [I (u2 )]B2 [I (u3 )]B2 = [u1 ]B2 [u2 ]B2 [u3 ]B2
(1256)
[I]B
B1 =
B
[I]B12 =
[I(v1 )]B1
[I (v2 )]B1
[I (v3 )]B1
[v1 ]B1
v2 = 5u2
2 0
= 0 5
1 0
[v2 ]B1
[v3 ]B1
(1257)
v3 = u1 + u3 se observa que es
1
0
1
(1258)
G
H1
B
B
B
y luego para hallar [I]B21 se puede usar el hecho de que [I]B21 = [I]B12
es decir
Finalmente
1
3
1
3
B
[I]B21 = 0
1
5
31
0
31
1 3 0
2 0 1
0 0 0 1 0 5 0
[T ]B2 = 0 51
1
2
0
2 0 1
1 0 1
3
3
0 31
2 15 1
31 5 23
3
1
0 1 0 1 = 15
0 51
= 0 5
1
2
8
3 0
3
0
5 73
3
3
3
1
3
191
(1259)
2
3
(1260)
(1261)
9.
9.1.
(1264)
(1265)
por lo que todo vector no nulo es un vector propio de la matriz identidad con valor
propio 1.
192
9.2.
9.2.1.
Como se dijo antes, un mismo nmero puede ser valor propio de varios vectores propios. Por
ejemplo, si A es una matriz y u, v son vectores propios de A con valor propio y a es un escalar
entonces
A(u + av) = Au + aAv = u + av = (u + av)
(1266)
es decir, u + av vuelve a ser otro vector propio de A con valor propio . Lo anterior sugiere la
siguiente definicin.
Definicin 143. Suponga que A es una matriz n n y que es un valor propio de A. Se
define el subespacio propio (espacio caracterstico) del valor propio como el subespacio
de vectorios propios (junto con el vector nulo) con valor propio
V = {u | Au = u}
(1267)
(1268)
(1269)
(1270)
como los valores propios son distintos alguno de ellos tiene que ser no nulo (por ejemplo 1 ) por
lo que multiplicando (1268) por 1 se tiene
c1 1 v1 + c2 1 v2 = 0
(1271)
(1272)
como los valores propios son diferentes y los vectores propios nunca son el vector nulo entonces
c2 = 0 y por ende c1 = 0 lo cual significa que los vectores son linealmente independientes.
193
Polinomios Caractersticos
A continuacin se dar un mtodo para calcular los valores y vectores propios de una matriz.
La ecuacin que un vector propio debe cumplir es
Av = v
(1273)
Av = 1n v
(1274)
(A 1n )v = 0
(1275)
para que v sea un vector propio es necesario que sea no nulo, es decir, la ecuacin (A1n )v = 0
debe tener soluciones no triviales. Como esto puede verse como un sistema homogneo de la
teora de determinantes de sabe que el determinante de A 1n debe ser cero (para que sea no
invertible), es decir
Teorema 145. Si A es una matriz n n entonces son equivalentes
1) es un valor propio de A
2) det(A 1n ) = 0
Por ejemplo, considere
1
2
1
4
(1276)
det(A 12 ) = 0
(1278)
(1 )(4 ) + 2 = 0
(1279)
2 5 + 6 = 0
(1280)
( 2)( 3) = 0
(1281)
1 = 2
(1282)
2 = 3
(1283)
A=
Para hallar los valores propios de A se usa el teorema anterior. Suponga que es un valor propio
y considere
. . .
1 1
0
1
1
A 12 =
=
(1277)
2 4
0
2
4
y al ser valor propio debe cumplirse que
es decir
194
n1
n2
( 2 )
nr
( r )
Q()
(1285)
donde Q() es un polinomio irreducible (como 2 + 1) y los 1 , 2 , , r son los valores propios
reales de la matriz. La multiplicidad algebraica del valor propio i es el nmero ni .
Ahora bien, por lo que se vio del captulo anterior una matriz A representa a una transformacin
lineal en cierta base del espacio vectorial. Si B representa la misma transformacin lineal en otra
base del espacio vectorial, se vio en (1074) que las matrices eran similares, es decir, B = CAC 1 .
Es de esperar que estas matrices tengan los mismos valores propios pues representan a la misma
transformacin lineal y esto es precisamente lo que establece el siguiente resultado.
Teorema 148. 1) Si A y B son dos matrices similares entonces tienen los mismos valores
propios
2) Si A es una matriz triangular entonces los valores propios de A son los elementos sobre la
diagonal de A
3) Una matriz A es invertible si y solo si 0 no es un valor propio de A
Demostracin. 1) Como A y B son similares entonces B = C 1 AC. Luego
8
9
PB () = det (B 1n ) = det C 1 AC 1n
8
9
8
9
= det C 1 AC C 1 C = det C 1 [AC C] = det C 1 det (AC C)
= det C 1 det ([A 1n ]C) = det C 1 det(A 1n ) det C = PA ()
(1286)
(1287)
(1288)
es decir, A y B tienen los mismos polinomios caractersticos por lo que tienen los mismos valores
propios.
195
a11 a12
0 a22
A= .
..
0
Luego
PA () = det(A 1n ) = det
..
.
a1n
a2n
..
.
ann
a11
a12
0
a22
..
..
.
.
0
0
(1289)
a1n
a2n
..
.
ann
(1290)
(1291)
y luego las races del polinomio caracterstico de A son los elementos sobre la diagonal por lo que
sus valores propios son los elementos sobre la diagonal.
3) Suponga primero que A es invertible y sea u un vector propio de A con valor propio
Au = u
(1292)
u = A1 u
(1293)
como A es invertible
y si = 0 se tiene que u = 0 pero esto no es posible por lo que '= 0.
Por otro lado, suponga que 0 no es un valor propio de A. Entonces 0 no es raz del polinomio
caracterstico de A. Si se escribe el polinomio como pA () = n +an1 n + +a1 +a0 entonces
necesariamente a0 '= 0 y por el sobre las propiedades del polinomio caracterstico se tiene que
det A '= 0 lo cual significa que A es invertible.
9.2.3.
3 5 6
la suma de las entradas sobre la diagonal de la matriz. Por ejemplo, si A = 1 0 3
6 7 8
entonces tr(A) = 3 + 0 + 8 = 11. Como se mencion antes toda matriz tienen valores propios si
se consideran nmeros complejos y esos valores propios corresponden a las races del polinomio
caracterstico. As, si se escriben los valores propios (si un valor propio corresponde a una raz
que se repite como ( 2)3 entonces se incluye sus repeticiones) como 1 , 2 , , n se tiene el
siguiente resultado que es de gran utilidad:
1. la suma de los valores propios de una matriz (incluyendo repeticiones) es igual
a la traza de la matriz
2. el producto de los valores propios de una matriz (incluyendo repeticiones) es
igual al determinante de la matriz
Este resultado es til sobre todo cuando se quiere verificar que los valores propios
- hallados
. para
1 1
matrices pequeas son los correctos. Por ejemplo, antes se estudi la matriz
. Si se
2 4
quisieran hallar los valores propios de esta matriz se tendra que
1 + 2 = tr(A) = 5
196
(1294)
1 2 = 6
(1295)
y se ve 1 = 2 y 2 = 3 satisfacen las dos ecuaciones por lo que los valores propios hallados
anteriormente son los correctos.
9.2.4.
1. Si A es una matriz n n de la cual quieren hallarse los vectores propios y valores propios se
resuelve primero la ecuacin caracterstica det(A 1n ) = 0. Las soluciones de tal ecuacin
son los valores propios de la matriz.
2. Para cada uno de los valores propios hallados en el paso anterior se resuelve el sistema
homogneo (A 1n )v = 0 lo cual dar condiciones sobre el subespacio propio V de cada
uno de los valores propios y de esta forma se halla una base cada subespacio propio.
Por ejemplo, considere
1 2
A= 1 0
4 4
1
1
5
1 ,, = 3 + 62 11 + 6
, 4
4 5 ,
(1296)
(1297)
PA () = 0
(1298)
3 + 62 11 + 6 = 0
(1299)
3 62 + 11 6 = 0
(1300)
que es equivalente a
o bien hallar las races del siguiente polinomio
Para resolver este tipo de polinomios se hace prueba y error con algunos valores pequeos de
para encontrar races. Por ejemplo, si se pone = 1 la ecuacin anterior da cero lo cual significa
que 1 es una factor de 3 62 + 11 6 es decir
3 62 + 11 6 = ( 1)(a2 + b + c)
(1301)
donde a, b, c son nmeros que se determinan igualando los coeficientes de las potencias a ambos
lados,
3 62 + 11 6 = a3 + (b a)2 + (c b) c
(1302)
y se tiene el sistema (igualando los coeficientes potencia a potencia):
1=a
6 = b a
11 = c b
6 = c
197
(1303)
(1304)
es decir
0
1
4
2 1
x
0
1 1 y = 0
4 4
z
0
(1305)
(1306)
(1307)
1 0
0 1
0 0
es decir
por lo que
(1308)
x = z2
y = z2
(1309)
.
G z z H
1 1
(x, y, z) = , , z = z , , 1
2 2
2 2
(1310)
V=1 = Cl
caso 2 = 2
Se debe resolver el sistema
es decir
1
2
21
.E
D1 1
, ,1
2 2
(A 2 13 )v = 0
1 2 1
x
0
1 2 1 y = 0
4 4 3
z
0
(1311)
(1312)
(1313)
1 0
0 1
0 0
es decir
1
2
41
(1314)
x = z2
y = z4
(1315)
.
G z z H
1 1
(x, y, z) = , , z = z , , 1
2 4
2 4
(1316)
198
D.E
1 1
= Cl
, ,1
2 4
(A 3 13 )v = 0
es decir
2 2 1
x
0
1 3 1 y = 0
4 4 2
z
0
(1317)
(1318)
(1319)
1 0
0 1
0 0
es decir
por lo que
1
4
41
(1320)
x = z4
y = z4
(1321)
.
G z z H
1 1
(x, y, z) = , , z = z , , 1
4 4
4 4
(1322)
V=3
.E
D1 1
= Cl
, ,1
4 4
(1323)
Como se puede ver de lo anterior el clculo de las races de un polinomio requiere un poco de
imaginacin por lo que el siguiente teorema ayuda a determinar las races de un polinomio en
ciertas circunstancias.
Teorema 149. Suponga que p(x) = xn +an1 xn + +a1 x+a0 es un polinomio con coeficientes
enteros. Si s es una raz entera de p(x), es decir, si p(s) = 0 entonces s divide a a0 .
A manera de aplicacin de este teorema, en el ejemplo anterior haban que hallar las races de
p() = 3 62 + 11 6. El teorema anterior dice que cualquier raz entera del polinomio tiene
que dividir al coeficiente que no est multiplicado por la variable, en este caso, cualquier raz
entera tiene que dividir a 6. Los candidatos son 1, 1, 2, 2, 3, 3, 6, 6 y de hecho se puede
ver que las races son 1, 2, 3.
9.3.
Diagonalizacin de Matrices
Definicin 150. Una matriz A es diagonalizable si existe una matriz C invertible y una matriz
D diagonal tal que
D = C 1 AC
(1324)
Observe que como D es una matriz diagonal entonces por el teorema anterior sus valores
propios son los elementos sobre la diagonal de D. Estos valores propios de D son los mismos que
199
(1326)
1 0 0
..
0 2
.
D=
.
..
..
.
0
n
(1327)
(1328)
(1329)
es decir, las columnas Ci son vectores propios de la matriz A con valor propio i . Tambin, como
C es invertible sabemos que las columnas de C son linealmente independiente por lo que se llega
al siguiente resultado.
Teorema 151. Suponga que A es una matriz cuadrada n n tal que el polinomio caracterstico
puede factorizarse como un producto de factores lineales con races reales
n1
PA () = det(A 1n ) = ( 1 )
n2
( 2 )
nr
( r )
(1330)
con
n = n1 + n2 + + nr
(1331)
y los 1 , 2 , , r valores propios reales distintos de A y V1 , V2 , , Vr los subespacios propios correspondientes. Entonces son equivalentes
1) La matriz A es diagonalizable
2) Existe una base B = {v1 , , vn } de vectores propios de A
3) La multiplicidad geomtrica de cada valor propio es igual a su multiplicidad algebraica, es
decir, dim(Vi ) = ni
4) dim(V1 ) + dim(V2 ) + + dim(Vn ) = n
5) Todo vector v Rn puede descomponerse en forma nica como combinacin lineal de vectores
en los subespacios propios, es decir, v = v1 + v2 + + vr con vi Vi
Si una matriz de tamao n tiene n valores propios distintos, entonces la matriz es diagonalizable
200
1. Si A es una matriz n n se calculan todos sus valores propios y sus vectores propios
correspondientes segn el algoritmo anterior.
2. Si la matriz A tiene n vectores propios l.i o cumple alguna de las condiciones del teorema
anterior entonces A es diagonalizable, en caso contrario no lo es.
3. Cuando A es diagonalizable se construye la matriz C cuyas columnas son los vectores
propios l.i hallados anteriormente. En la matriz D diagonal se ponen los valores propios
en forma que corresponda con las columnas de C, es decir, la columna uno de C debe ser
vector propio de la primera entrada sobre la diagonal, etc.
2 1 0 0
0 2 1 0
0
0
1
0
0
0
0
1
0
0
x
0
y
0
0 z
w
0
(1332)
0
0
=
0
0
(1333)
y=0
(1334)
z=0
(1335)
(1336)
(1337)
Luego
y as
b) Es la matriz A diagonalizable? Justifique su respuesta
Como dim V2 = 2 < 4 y = 2 es el nico valor propio de A entonces es imposible hallar cuatro
vectores propios linealmente independientes. Por lo tanto, A no es diagonalizable.
Problema 153.
1
Sea A = 0
1
0 1
1 1 . Halle una matriz C tal que
1 0
1 0 0
D = C 1 AC = 0 2 0
0 0 1
201
(1338)
Este problema pide hallar una matriz C que diagonalice la matriz A. Por lo visto anteriormente
A y D tienen los mismos valores propios, que son los valores en la diagonal de D. Es decir, los
valores propios de A son = 1, 2, 1. La matriz C se forma con los vectores propios asociados a
estos valores propios.
caso = 1
Hay que resolver
(A 13 )v = 0
(1339)
0 0
0 0
1 1
y da el sistema de ecuaciones
1
x
0
1 y = 0
1
z
0
1 1
0 0
0 0
0
1
0
(1340)
(1341)
x = y
z=0
(1342)
(1343)
v1 = (1, 1, 0)
(1344)
V=1 = Cl{v1 }
(1345)
(A 213 )v = 0
(1346)
es decir,
Si
entonces
caso = 2
Hay que resolver
1 0
1
x
0
0 1 1 y = 0
1
1 2
z
0
y da el sistema de ecuaciones
1 0
0 1
0 0
1
1
0
(1347)
(1348)
x=z
y=z
(1349)
(1350)
v2 = (1, 1, 1)
(1351)
es decir,
Si
202
2 0
0 2
1 1
y da el sistema de ecuaciones
V=2 = Cl{v2 }
(1352)
(A + 13 )v = 0
(1353)
1
x
0
1 y = 0
1
z
0
1
0
0
!
es decir,
Si
(1355)
x = z2
y = z2
(1356)
.
G z z H
1 1
(x, y, z) = , , z = z , , 1
2 2
2 2
(1357)
v3 =
entonces
1
2
1
2
0
1
0
(1354)
.
1 1
, ,1
2 2
V=1 = Cl{v3 }
1
C= 1
0
(1358)
(1359)
1 21
1 12
(1360)
1 1
b 0 0
Considere la matriz B = 0 a 1 , a, b R, a '= b
0 0 a
a) Determine los valores propios de B
b
0
0
a
1 = (b )(a )2
PB () = det(B 13 ) = det 0
0
0
a
203
(1361)
ba
0
0
(B a13 )v = 0
(1362)
0
0
0
(1363)
0
x
0
1 y = 0
0
z
0
1 0
0 0
0 0
y da el sistema de ecuaciones
0
1
0
(1364)
x=0
z=0
(1365)
(1366)
v1 = (0, 1, 0)
(1367)
V=a = Cl{v1 }
(1368)
(B b13 )v = 0
(1369)
por lo tanto
Si
entonces
caso = b
Hay que resolver
0
0
0
0
ab
0
0
x
0
1 y = 0
0
z
ab
0 1
0 0
0 0
y da el sistema de ecuaciones
0
1
0
(1370)
(1371)
y=0
z=0
(1372)
(1373)
v2 = (1, 0, 0)
(1374)
V=b = Cl{v2 }
(1375)
por lo tanto
Si
entonces
Luego, como solo es posible obtener dos vectores propios linealmente independientes (pues cado
uno de los subespacios propios son uno-dimensionales) se concluye que B no es diagonalizable.
204
6
2 2
2
2
0
1
0
0
2
x
0
0 y = 0
z
0
2
0 2
1 1
0
0
205
(1378)
(1379)
x = 2z
y=z
(1380)
(x, y, z) = ( 2z, z, z) = z( 2, 1, 1)
(1381)
v1 = ( 2, 1, 1)
(1382)
(v1 ( = 2
(1383)
!
es decir
Si
entonces
y se normaliza como
u1 =
caso 2 = 6
Hay que resolver
y da el sistema de ecuaciones
Si
entonces
y se normaliza como
caso 3 = 8
Hay que resolver
2 1 1
, ,
2 2 2
(1384)
V1 =4 = Cl{u1 }
(1385)
(A 613 )v = 0
(1386)
2
x
0
0 y = 0
z
0
0
2
0
0
1 0
0 1
0 0
!
es decir
0
1
0
(1387)
(1388)
x=0
y = z
(1389)
(1390)
v2 = (0, 1, 1)
(1391)
(v1 ( =
(1392)
.
2
2
,
u2 = 0,
2
2
(1393)
V2 =6 = Cl{u2 }
(1394)
(A 813 )v = 0
(1395)
206
Si
1
0
0
(1396)
0
1
0
x = 2z
y=z
(1398)
(x, y, z) = ( 2z, z, z) = z( 2, 1, 1)
(1399)
v3 = ( 2, 1, 1)
(1400)
(v3 ( = 2
(1401)
-
.
2 1 1
u3 =
, ,
2 2 2
(1402)
y da el sistema de ecuaciones
es decir,
2
x
0
0 y = 0
z
0
2
2
2
0
2
1
0
(1397)
entonces
y se normaliza como
Luego la matriz C es
V3 =8 = Cl{u3 }
C =
2
2
1
2
1
2
22
2
2
4 0
D= 0 6
0 0
2
2
1
2
1
2
(1403)
0
0
8
Problema 158. pregunta 4 tercer examen parcial reposicin primer semestre 2008
9 7 7
Sea A = 3 1 3 .
5 5 3
a) Calcule los valores propios de A
Para calcular los valores propios de A hay que calcular
,
,
, 9
,
7
7
,
,
,
,
det (A I) = , 3
1
3
,
, 5
5
3 ,
207
(1404)
(1405)
(1406)
,
1
3
1
5
1
5
, f2 + f3 = , 7
,
, = , 7
, 5
, 0
5
3 , , 7
3
3 ,
2 2
(1407)
,
,
, ,
, 1
4,
1
0 ,,
, 1 5 , , 7 5
,
2
,,
= (2 ) ,, 7 1 5 ,, = (2 )2 ,,
1
1 , , 0 1
, 0
1
1 ,
,5
,
, = (2 )2 [ + 1]
,
(1408)
por lo que los valores propios son = 1, 2
b) Halle una matriz P invertible tal que P ,1 AP = D donde D es una matriz diagonal
Esta parte pide hallar una matriz P que diagonalice la matriz A. Por lo visto anteriormente
hay que calcular los vectores propios correspondientes a cada valor propio
caso = 1
Hay que resolver
(A 13 )v = 0
(1409)
8 7 7
x
0
3 2 3 y = 0
5 5 4
z
0
y da el sistema de ecuaciones
es decir,
(x, y, z) =
1
0
0
7
5
3
5
0
1
0
x = 75 z
y = 53 z
.
.
3
7 3
7
z, z, z = z , , 1
5
5
5 5
(1410)
(1411)
(1412)
(1413)
(1414)
V=1 = Cl{v1 }
(1415)
(A 213 )v = 0
(1416)
entonces
caso = 2
Hay que resolver
7 7 7
x
0
3 3 3 y = 0
5 5 5
z
0
208
(1417)
,
,
,
,
,
,
y da la ecuacin
1 1 1
0 0 0
0 0 0
(1418)
y =x+z
(1419)
(1420)
v2 = (1, 1, 0) v3 = (0, 1, 1)
(1421)
V=2 = Cl{v2 , v3 }
(1422)
es decir,
Si
entonces
por lo que se toma
7 1 0
P = 3 1 1
5 0 1
1 0
D= 0 2
0 0
0
0
2
Ejercicio 159. pregunta 4 tercer examen parcial reposicin primer semestre 2011
1 1 2
Sea A = 0 2 0
2 1 3
a) Calcule los valores propios de A
Para calcular los valores propios de A hay que calcular
,
,
, 1
1
2 ,,
,
det (A I) = ,,
0
2
0 ,,
, 2
1
3 ,
desarrollando por la segunda fila
,
,
, 1
,
1
2 ,,
,
, 1
2
,
,
0
2
0 , = (2 ) ,,
,
2
3
, 2
1
3 ,
3 1 2
x
0
0 0 0 y = 0
2 1 1
z
0
209
(1424)
,
,
, = (2 )[3 + 3 + 2 + 4] (1425)
,
= (2 )[2 2 + 1] = (2 )( 2)2
(1423)
(1426)
(1427)
(1428)
y da
1 0
0 1
0 0
x=z
1
1
0
y=z
(1429)
(1430)
es decir,
(x, y, z) = (z, z, z) = z(1, 1, 1)
(1431)
v1 = (1, 1, 1)
(1432)
V=2 = Cl{v1 }
(1433)
Si
entonces
c) Es la matriz diagonalizable? Justifique su respuesta
No es diagonalizable puesto que como = 2 es el nico valor propio se ocupaba que el espacio
caracterstico asociado tuviera dimensin 3 pero solo tiene dimensin 1
9.4.
Dado que una transformacin lineal se puede representar como una matriz; es posible utilizar
los resultados anteriores sobre matrices para diagonalizar una transformacin lineal.
Definicin 160. Si T : Rn Rn es una transformacin lineal, se dice que es un valor propio
de T con vector propio u si
T (u) = u
(1434)
Ntese que bsicamente es la misma definicin para matrices, de hecho, el siguiente resultado
establece que para calcular los valores propios de T es suficiente con calcular los valores propios
de una representacin matricial de T .
Teorema 161. Para calcular los valores y vectores propios de una transformacin lineal T , es
suficiente calcular los valores y vectores propios de la matriz [T ]B donde B es una base de Rn
Por ejemplo, si se define T : R3 R3 segn
T (x, y, z) = (3x, 2x y, x + 5y 7z)
(1435)
para hallar los valores y vectores propios de T se puede tomar la base cannica C y calcular los
valores y vectores propios de
3 0
0
[T ]C = 2 1 0
(1436)
1 5 7
los cuales son
1 = 7 u1 = (0, 0, 1)
(1437)
2 = 3 u2 = (20, 10, 7)
(1438)
3 = 1 u3 = (0, 6, 5)
(1439)
210
7 0 0
[T ]B = 0 3 0
(1440)
0 0 1
As, en la transformacin lineal que se ha estado estudiante, tal transformacin no sera diagonalizable ortogonalmente puesto que [T ]C no es una matriz simtrica y la base cannica es una
base ortonormal.
211
10.
Hasta el momento se han estudiado nicamente sistemas de ecuaciones lineales, por ejemplo,
ecuaciones como
ax + by + cz = d
(1441)
En este captulo se estudiarn superficies cuadrticas, es decir, ecuaciones del tipo
ax2 + by 2 + cz 2 + 2dxy + 2exz + 2f yz = g
(1442)
Algunas de tales superficies cuadrticas ya son conocidas, por ejemplo, un crculo es una ecuacin
de la forma
x2 + y 2 = r2
(1443)
que saldra de tomar a = b = 1, c = d = e = f = 0, g = r2 .
Ahora bien, la ecuacin del crculo puede escribirse de la siguiente forma
..
8
9 1 0
x
x y
= r2
0 1
y
(1444)
,es decir, es posible utilizar la teora de matrices para estudiar las superficies cuadrticas.
De hecho, la situacin anterior motiva la siguiente definicin:
10.1.
Formas Cuadrticas
Si x =
x1
x2
..
.
xn
f : Rn R tal que
f (x) = xT Ax
(1445)
x
2
3x2 5xy 7y 2 = x y
25 7
y
5
3 27
x
2
8
9
4 2 y
3x2 7xy + 5xz + 4y 2 4yz 3z 2 = x y z 27
5
2
3
z
2
De los ejemplos anteriores es fcil observar que:
! Una forma cuadrtica es un polinomio de segundo grado en sus variables
! Para construir la matriz A de la forma cuadrtica hay dos casos:
1. Si i '= j el coeficiente del trmino xi xj del polinomio define las entradas aij y aji segn
coeficiente de xij
aij = aji =
2
2. Si i = j el coeficiente de x2i es la i-sima entrada en la diagonal de A
.
a c
2
2
Por ejemplo, si f (x1 , x2 ) = ax1 + 2cx1 x2 + bx2 entonces A =
c b
212
a
si f (x1 , x2 , x3 ) = ax21 + bx22 + cx23 + 2dx1 x2 + 2ex1 x3 + 2f x2 x3 entonces A = d
e
10.1.1.
d
b
f
e
f
c
Una de las caractersticas de las formas cuadrticas es que su matriz asociada es simtrica y por
lo visto al final del captulo anterior esto significa que su matriz es ortogonalmente diagonalizable.
De hecho es posible realizar un cambio de variable para diagonalizar la forma cuadrtica como
indica el siguiente teorema.
Teorema 162. Sea A una matriz simtrica asociada a una forma cuadrtica f y C una matriz
cuyas columnas C = (v1 , v2 , , vn ) son vectores propios ortonormales de la matriz A tal que
C T AC = D donde D es una matriz diagonal con los valores propios de A. Entonces el cambio
de variable
y = CT x
(1446)
transforma la forma cuadrtica f (x) = xT Ax en
f (x) = y T Dy = 1 y12 + 2 y22 + + n yn2
(1447)
donde los i son los valores propios de A (que no tienen que ser distintos)
Demostracin. Observe que como y = C T x y CC T = 1n entonces x = Cy y
xT Ax = (Cy)T ACy = y T C T ACy = y T Dy
10.2.
10.2.1.
(1448)
a
c
2
c
2
, B = (d, e)
(1449)
(1450)
Las superficies cuadrticas son polinomios de tres variables con ecuaciones de la forma
ax21 + bx22 + cx23 + dx1 x2 + ex1 x3 + f x2 x3 + gx1 + hx2 + kx3 + l = xT Ax + Bx + l = 0 (1451)
con
A=
a
d
2
e
2
d
2
b
f
2
e
2
f
2
, B = (g, h, k)
(1452)
Para poder reconocer una curva o superficie cuadrtica ser necesario eliminar los trminos
mixtos (por ejemplo x1 x2 ) a travs del teorema de antes. Sin embargo, primero se estudiarn
algunas de las curvas y superficies clsicas en su versin cannica.
213
Curvas Cuadrticas
10.2.2.1. Elipse Geomtricamente es el conjunto de puntos en el plano tal que la suma de las
distancias de un punto sobre la elipse a dos puntos del plano (llamados focos) es constante.
La elipse no rotada y centrada en (x0 , y0 ) se caracteriza por la ecuacin
(x x0 )2
(y y0 )2
+
=1
a2
b2
(1453)
donde a y b son los semiejes de la elipse (a, b > 0). Cuando a = b se tiene un crculo de radio a,
es decir, un crculo es una elipse cuyos semiejes son iguales. Los focos estn sobre el eje mayor
y los vrtices de la elipse son los extremos del eje mayor.
Por ejemplo, en la siguiente figura
-a
-b
x2
a2
y2
b2
=1
el semieje mayor est sobre el eje x, es decir, se estsuponiendo a >b. En tal caso los vrtices
de la elipse son (a, 0), (a, 0) y los focos de la elipse ( a2 b2 , 0), ( a2 b2 , 0).
Otros ejemplos de una elipse son los siguientes.
214
x2
9
y2
5
=1
(x2)2
1
(y+0.5)2
3
=1
10.2.2.2. Hiprbolas Geomtricamente es el conjunto de puntos en el plano tal que la diferencia entre las distancias de un punto sobre la hiprbola con dos puntos del plano (llamados
focos) es constante.
La hiperbla centrada en (x0 , y0 ) y no rotada tiene por ecuacin cannica alguna de las dos
formas siguientes
!
2
(xx0 )2
0)
(yy
=1
a2
b2
(1454)
(yy0 )2
(xx0 )2
+ b2
=1
a2
Nuevamente a, b > 0. El eje que contiene los focos se llama el eje focal y las hiprbolas
se caracterizan por tener dos rectas llamadas asntotas a las cuales la hiprbola se acerca
arbitrariamente sin tocarlas. Las ecuaciones de las rectas asntotas de la hiprbola se hallan
cambiando el 1 por un 0 en (260). La figura de una hiprbola siempre son dos ramas y los dos
puntos de las ramas que cortan el eje focal son los vrtices.
215
x2
a2
y2
b2
=1
Los vrtices son los puntos (a, 0), (a, 0) y los focos los puntos ( a2 + b2 , 0), ( a2 + b2 , 0).
En este caso las asinttas son las lneas punteadas que tiene por ecuacin y = ab . Ntese que
la hiprbola se abre en el eje que tiene el signo positivo tal como indican las siguientes figuras.
Figure 51:
1
4
(x 1)2
216
1
3
(y + 1)2 = 1
Figure 52: x9 +
(y2)2
4
=1
217
1 2
4a y
La directriz de la parbola es la recta x = a mientras que el foco es el punto (a, 0). El vrtice
es el origen (0, 0).
A continuacin se muestran otros ejemplos.
218
Superficies Cuadrticas
Elipsoide:
(1456)
a2 2 + b2 2 c2 2 = 1
(xx0 )
0)
0)
(1457)
(yy
+ (zz
=1
a2
b2
c2
2
2
(xx0 )
(yy0 )
(zz0 )2
a2 + b2 + c2 = 1
la variable que lleva el signo menos determina sobre cual eje se abre el hiperboloide
219
(zz
=1
a2
b2
c2
(yy0 )2
(zz0 )2
(xx0 )2
(1458)
a2 + b2 c2 = 1
(xx0 )2
(yy0 )2
(zz0 )2
a2 b2 + c2 = 1
la variable que lleva el signo positivo determina sobre cual eje se abre el hiperboloide
a2 2 + b2 2 (z z0 ) = 0
(xx0 )
0)
(1459)
+ (zz
(y y0 )2 = 0
a2
b2
2
(yy0 )2
(zz0 )
2
+ b2 (x x0 ) = 0
a2
220
221
10.3.
10.3.1.
Rotacin en el plano
Dado que el objetivo de este tema es identificar las secciones y superficies cnicas haciendo
cambios de coordenas, es necesario saber cuando se est frente una rotacin o reflexin del plano.
Por ejemplo, considere una rotacin de un vector en el plano como se indica en la figura
Q=(x,y)
P=(x,y)
y
+
222
(1462)
y = r sin
(1463)
(1464)
(1465)
R : R2 R2
(1466)
R (P ) = Q
(1467)
(1468)
As, se define
es decir
Para verificar que es una transformacin lineal observe que la funcin se puede representar
como una matriz segn
. - $ . ..
x
x
cos sin
x
R
=
=
(1469)
y
y$
sin
cos
y
y por lo discutido antes R es una transformacin lineal.
Dos propiedades muy importantes de las matrices de rotacin son las siguientes
! det R = 1
! R RT = 12 , es decir, son matrices ortogonales
De hecho, estas dos propiedades son suficientes para caracterizar completamente las matrices de
rotacin tal como indica el siguiente teorema.
Teorema 163. Si C es una matriz 2 2 tal que CC T = 12 y det C = 1 entonces C es una
matriz de rotacin, es decir, existe un nmero tal que
.
cos sin
C=
(1470)
sin cos
Con la matriz anterior es muy fcil indicar la rotacin a lo largo del eje z un ngulo como
indica la siguiente figura
223
y
y
x
x
(1472)
z$ = z
(1473)
cos
Rz () = sin
0
10.3.2.
sin
cos
0
0
0
1
(1474)
*Rotacin en el espacio*
224
y
y
(1475)
y como lo que interesa es la rotacin vista con respecto a la base cannica C entonces componiendo
con la identidad se llega a
B
Ru3 () = [I]C
(1476)
B Rz () [I]C
G
H
Ejemplo 164. Halle la matriz de rotacin con respecto el eje u3 = 0, 12 , 12 por un
ngulo .
Primero hay que buscar dos vectores ortonormales a u3 . Es fcil ver que
.
1
1
(1477)
u1 = (1, 0, 0) u2 = 0, ,
2
2
funciona pues son ortonormales y u1 u2 = u3 . Luego se toma B = {u1 , u2 , u3 } y falta calcular
las matrices de cambio de base. Se obtiene que
C
[I]B
0
=
0
1
2
12
1
2
1
2
225
(1478)
1
B
[I]C = 0
0
por lo que
Ru3 () =
10.3.3.
1
2
1
2
12
1
2
sin
2
cos
sin
sin
2
1+cos
2
1cos
2
(1479)
sin
2
1cos
2
1+cos
2
(1480)
Reflexiones
(x,y)
T(x,y)
La idea es pensar en la lnea como un espejo y por lo tanto si (x, y) R2 representa un punto
del plano, se quiere encontrar su imagen en el espejo que se denota como el punto T (x, y)
Dado que la lnea pasa por el origen, forma un subespacio vectorial de dimensin uno por lo
que posee un vector v que lo genera, de hecho tal vector puede tomarse como el vector director
de la recta.
Se busca construir una transformacin lineal T : R2 R2 que represente la reflexin.
Dado que va a ser una transformacin lineal, es suficiente con definirla sobre una base. Como
se necesitan dos vectores para la base, lo ms til es tomar {v, u} donde u sera cualquier vector
ortogonal a v,
Bajo esta eleccin v no debe cambiar con una reflexin puesto que este representa la lnea
(espejo). Por otro lado, comou es perpendicular a la lnea (espejo), su imagen debera ser su
opuesto, es decir, u . De esta forma, se define
T (v) = v,
T (u) = u
226
(1481)
(x, y) = xv + yu
(1483)
(1484)
entonces
que coincide con lo que ya se saba. Observe que la matriz asociada es
. ..
x
1 0
x
T (x, y) =
=
y
0 1
y
(1485)
y el determinante de la matriz es 1
b) la recta y = x
En este caso si (x, y) est sobre la recta, se tiene que (x, y) = (x, x) = x(1, 1) por lo que
v = (1, 1) funciona como vector base para el subespacio.
Luego, u = (1, 1) es claramente un vector perpendicular a v por lo que se define
T (v) = v
T (u) = u
(1486)
.
.
x+y
x + y
T (v) +
T (u)
2
2
.
.
x+y
x + y
=
v
u = (y, x)
2
2
T (x, y) =
Por lo que
T (x, y) =
y
x
0
1
1
0
.-
227
x
y
(1487)
(1488)
(1489)
(1490)
(x,y,z)
u
T(x,y,z)
Al igual que antes, si se conoce una base de dos vectores u, v para el plano y un vector normal
al plano w basta definir la transformacin segn
T (u) = u,
T (v) = v,
T (w) = w
(1491)
T (v) = v
T (w) = w
(1492)
Para encontrar T (x, y, z) se escribe (x, y, z) como combinacin lineal de la base; una forma de
hacer esto era resolviendo el sistema aumentado
,
1 0 1 ,, x
0 1 0 , y
(1493)
,
1 0 1 , z
1 0
0 1
0 0
es decir,
(x, y, z) =
por lo que
T (x, y, z) =
xz
2
xz
2
0
0
1
,
,
,
,
,
,
xz
2
x+z
2
u + yv +
x+z
2
T (u) + yT (v) +
228
(1494)
(1495)
x+z
2
T (w)
(1496)
=
o bien
xz
2
(1, 0, 1) + y (0, 1, 0)
x+z
2
z
0
T (x, y, z) = y = 0
x
1
(1, 0, 1) = (z, y, x)
0 1
x
1 0 y
0 0
z
(1497)
(1498)
T (v) = v
T (w) = w
(1499)
Para encontrar T (x, y, z) se escribe (x, y, z) como combinacin lineal de la base; una forma de
hacer esto era resolviendo el sistema aumentado
,
1 0 2 ,, x
0 1 1 , y
(1500)
,
2 1 1 , z
que da como solucin
1 0
0 1
0 0
es decir,
(x, y, z) =
por lo que
T (x, y, z) =
x+yz
3
x+yz
3
T (u) +
(1, 0, 2) +
=
o bien
x+yz
3
u+
0
0
1
,
,
,
,
,
,
x+yz
3
2x+5y+z
6
2xy+z
6
2x + 5y + z
6
2x + 5y + z
6
2x + 5y + z
6
(1501)
v+
T (v) +
(0, 1, 1)
2x y + z
6
2x y + z
6
2x y + z
6
x + 2y 2z 2x + 2y + z x + y + 2z
,
,
3
3
3
(1502)
T (w)
(1503)
(2, 1, 1)
1 2 2
x
(x + 2y 2z)/3
1
T (x, y, z) = (2x + 2y + z)/3 = 2 2 1 y
3
1 1 2
z
(x + y + 2z)/3
229
(1504)
(1505)
(1506)
10.4.
En el teorema anterior se vio que la forma cuadrtica f (x) = xT Ax poda transformarse bajo
el cambio de variable y = C T x en f (x) = y T Dy. En general, las ecuaciones para las secciones
cnicas y superficies cnicas son de la forma
xT Ax + Bx + l = 0
(1507)
(1508)
y la idea es aplicar la tcnica de completar cuadrados para reconocer la expresin anterior como
una de las ecuaciones cnicas.
Los vectores propios que forman la matriz C se llaman los ejes principales de la cnica.
Tambin es posible escoger los vectores propios de forma que det C = 1. En tal caso, por lo
dicho anteriormente la matriz C puede escribirse como una matriz de rotacin y el ngulo de
rotacin se halla tomando cos1 de la primera entrada de la matriz C.8
As, se ha llegado al siguiente algoritmo
Teorema 165. Algoritmo para identificar una seccin o superficie cnica
1. Hallar primero la matriz simtrica A asociada a la ecuacin de la cnica
2. Usar el proceso de diagonalizarla ortogonalmente, es decir, hallar una matriz C ortogonal
y una matriz D diagonal tal que D = C T AC
3. Escoger la matriz C de modo que det C = 1
4. En el caso de una matriz 2 2, reescribir C como una matriz de rotacin para hallar el
ngulo de rotacin
5. Usar el cambio de variable y = C T x o bien x = Cy para eliminar los trminos mixtos de
la ecuacin
6. Identificar la cnica en estas nuevas variables
8 Este
(1510)
mtodo solo funciona para matrices 2 2 puesto que se necesita ms de un ngulo para rotar un objeto
en ms dimensiones.
230
(1511)
2 = 4, v2 = (2, 1)
(1512)
como interesa diagonalizar ortogonalmente la matriz hay que normalizar los vectores
.
1 2
1 = 9, u1 = ,
5
5
.
2
1
2 = 4, u2 = ,
5
5
La matriz C de vectores propios columna debe tomarse de forma que det C = 1
.
2
1
1
C = ( u2 u1 ) = 5
1 2
y el cambio de variable es
-
x$
y$
= CT
..
1
2 1
x
=
1 2
y
5
.
1
2x + y
=
x + 2y
5
-
x
y
(1513)
(1514)
(1515)
(1516)
(1517)
(1518)
realizando el producto
dividiendo por 36
4x
9y
x$
y$
36 = 0
(1521)
4(x$ )2 + 9(y $ )2 = 36
(1522)
(y $ )2
(x$ )2
+
=1
9
4
(1523)
a = 3, b = 2
(1524)
y tomando
231
2
cos =
5
(1526)
= 26
(1527)
y as
(1528)
2
y
x#
26
8
9 3 5
8
9 x
x
0 = 3x2 +10xy+3y 2+4 2(x+y)16 = x y
+ 4 2 4 2
16
5 3
y
y
(1529)
Si
.
3 5
A=
(1530)
5 3
232
(1531)
2 = 2, v2 = (1, 1)
(1532)
1
1 = 8, u1 = (1, 1)
2
(1533)
1
2 = 2, u2 = (1, 1)
(1534)
2
y se escoge la matriz C de modo que det C = 1
.
1
1 1
(1535)
C=
1 1
2
..
- $ .
.
1
1
x
x
x
1
T
se tiene que
Haciendo el cambio de variables
=C
= 2
1 1
y
y$
y
!
x$ = 12 (x + y)
(1536)
y $ = 12 (x + y)
La ecuacin puede escribirse como
.- $ .
8 $
9 8 0
8
x
x y$
+ 4 2
0 2
y$
9 1
4 2
2
1 1
1 1
.-
x$
y$
16 = 0
(1537)
realizando el producto matricial de las tres matrices del primer trmino y el producto de las dos
ltimas matrices del segundo trmino
- $
.
x y$
8(x$ )2 2(y $ )2 + ( 4 4 )
16 = 0
(1538)
x$ + y $
(1539)
(1540)
4(x$ )2 [(y $ )2 4y $ + 8] = 0
(1541)
(1542)
4(x$ )2 (y $ 2)2 = 4
(1543)
dividiendo por 2
233
(y $ 2)2
=1
4
(1544)
(1545)
= 45
(1546)
Problema 168. problema 4 tercer examen parcial reposicin III ciclo 2010
La ecuacin
2
12xy 2 6xz + 5y 2
18yz + 6z 2 = 2
(1547)
3
corresponde a una superficie cuadrtica
a) Muestre que uno de los valores propios de la matriz de la forma cuadrtica
correspondiente es 10 y determine los otros dos
La forma cuadrtica asociada a la ecuacin anterior es
3 6
7
(1548)
A = 3
5
2
6
6 2
7x2 +
,
, 7
3
6
,
det (A I) = ,, 3 5
2
, 6 2 6
,
,
,
, 7
,
,
, 2f2 + f3 ,
3
, ,
,
, 0
234
3
6
2
5
2(4 ) 4
,
,
,
,
,
,
(1549)
,
, 7
,
= (4 ) ,,
3
, 0
,
, 7 3 3
3 6 ,, 6f3 + f1
,
(4 ) ,
5
2 ,,
3 7
,
2f3 + f2
,
, 0
2
1
2
0
0
1
,
,
,
,
,
,
(1550)
(1551)
3 6
3
(1552)
A 4I = 3
1
2
6 2
2
1
0
0
y as
x=
por lo que
si
3
3
0
0
6
3
0
0
3
6
y+
z
3
3
-
.
-
.
3
6
(x, y, z) = y
, 1, 0 + z
, 0, 1
3
3
.
-
3
, 1, 0
v1 =
3
-
.
6
v2 =
, 0, 1
3
.
3
1
,
,0
2 2
.
2
v2 Proyu1 v2
1 1
=
, ,
u2 =
(v2 Proyu1 v2 (
2 2 3
3
v1
u1 =
=
(v1 (
espacio caracterstico de = 10
Se considera la matriz
A 10I = 3
6
235
3 6
5
2
2 4
(1553)
(1554)
(1555)
(1556)
(1557)
(1558)
(1559)
3
2
1
2
1 0
0 1
0 0
es decir
3
x = z
2
y normalizando
Luego se toma
(1560)
1
y = z
2
(1561)
-
.
3
1
v3 =
,
,1
2
2
(1562)
.
1
1
1
u3 = , ,
2
6
3
(1563)
4
D= 0
0
P =
21
3
2
0 0
4 0
0 10
1
2
1
2 3
2
3
12
(1564)
16
1
3
(1565)
para que el determinante de la matriz sea 1 se intercambian las dos columnas primeras por lo
que se usa
1
21 12
2
1
3
16
C = 2
(1566)
2
3
2
1
0
3
3
y as
D = C T AC
Para
encontrar
x$
y$ y x =
z$
la
transformacin lineal se usa el cambio de variable y = C T x donde y =
x
y y de esta forma
z
1
x$
2
y$ =
21
z$
12
(1567)
2 3
3
2
16
2
3
y
x
2z
+
+
x
2
2 3
3
0 y =
12 x + 23 y
1
1
1
z
1
2x 6y + 3z
3
.
1
x
y
1
2z
3
1
1
T (x, y, z) =
+ + , x +
y, x y + z
2 2 3
2
2
3
2
6
3
c) Identifique cul es la superficie cudrica en los nuevos ejes coordenados.
236
(1568)
(1569)
2
12xy 2 6xz + 5y 2
18yz + 6z 2 = 0
3
(1570)
(1571)
x y
x
A y = 2
z
x
8 $
9
x y$ z $ D y = 2
z
(1572)
(1573)
o bien
1
2
(1574)
1
5
10.5.
Ejercicios Adicionales
10.5.1.
(1575)
(1576)
(1577)
= (2x y + z, x y + z, y z) + t(2x$ y $ + z $ , x$ y $ + z $ , y $ z $ )
(1578)
= T (u) + tT (v)
(1579)
237
(1580)
y se llega a
1 1
1 1
1 1
1 0
0 1
0 0
por lo que
0
1
0
(1581)
(1582)
x=0
y=z
(1583)
(1584)
(1585)
y de esta forma
Por lo que
c) Determine una base para la imagen de T
Si (a, b, c) Img(T ) debe existir (x, y, z) tal que
(a, b, c) = (2x y + z, x y + z, y z)
o bien se considera la matriz aumentada
2
1
0
y haciendo Gauss-Jordan se llega a
1
0
0
0
1
0
1 1
1 1
1 1
0
1
0
, a
,
, b
,
, c
,
b+c
,
,
c
,
, a 2b c
(1586)
(1587)
(1588)
(1589)
(1590)
es decir
(1591)
d) Justifique si la transformacin T es invertible o no
No es invertible pues tendra que ser inyectiva pero no es inyectiva ya que Nuc(T) '= {0}
238
2 0
C
[T ]B1 = 1 7
(1592)
3 5
donde C es la base cannica de R3
1
a) Halle la matriz de cambio de base [I]B
B2
Se considera la matriz aumentada
,
.
3 2 ,, 2 1
4 1 , 1 2
(1593)
1
0
por lo que
, 4
0 ,, 11
5
1 , 11
1
[I]B
B2 =
b) Calcule [T ]C
B2
Observe que
4
11
5
11
3
11
10
11
(1594)
3
11
10
11
(1595)
- 4
0
11
7
5
11
5
3
11
10
11
(1596)
8
11
39
11
13
11
6
11
67
11
59
11
(1597)
8
11
39
11
13
11
6
11
67
11
59
11
3
Problema 171. Considere la matriz A = 2
4
2
5
2 4
0 2
2 3
14
11
= 413
11
321
11
(1598)
2 , 2f2 + f3 , 2
2
det(A I) = , 2
(1599)
,
,
, 4
,
2 3
0
2 + 2 1 ,
239
,
,
,
, 3 2
, 3
10
0
4 ,, 4f
3 +f1
,
,
,
,
+ 4 0
= (1 + ) , 2
2 , 2f3 +f2 (1 + ) ,, 2
, 0
, 0
2
1
2 1 ,
I
J
= (1 + ) 3 + 12 + 2 4 20 = (1 + )( 8)( + 1)
,
,
,
,
,
,
(1600)
(1601)
4 2 4
A+I = 2 1 2
(1602)
4 2 4
y se llega a
1
0
0
por lo que z = x 12 y y as
(x, y, z) =
Por lo que
caso = 8
Se reduce
y se llega a
1
2
0
0
.
.
1
1
x, y, x y = x (1, 0, 1) + y 0, 1,
2
2
D
.E
1
V=1 = Cl (1, 0, 1) , 0, 1,
2
5 2
4
A 8I = 2 8 2
4
2 5
1 0
0 1
0 0
1
21
0
por lo que
1
0
0
(x, y, z) =
Por lo que
V=8
(1604)
(1605)
(1606)
(1607)
1
z
2
(1608)
.
.
1
1
z, z, z = z 1, , 1
2
2
(1609)
.E
D1
= Cl
1, , 1
2
(1610)
x=z
y as
(1603)
y=
240
1 0 0
1
D = 0 1 0
P = 0
0
0 8
1
1
1
2
(1611)
D=
4 0
0 6
x$
y$
C=
1
2
1
2
12
1
2
(1615)
=C
x
y
(1616)
4 (x$ ) + 6 (y $ ) = 4
(1617)
(x$ ) +
o bien
3 $ 2
(y ) = 1
2
(y $ )2
2
(x$ ) + G H2 = 1
2
3
241
(1619)
(1620)
1
x
y
45
1
1
x
sin
cos
(1621)
1
cos =
2
(1622)
= 45
(1623)
por lo que
10.5.2.
20
10
x
Problema 173. Considere la cnica 9x2 4xy + 6y 2
y=5
5
5
a) Realice una rotacin de los ejes de modo que en los nuevos ejes la ecuacin
de la cnica est en su forma cannica, para ello diagonalice la matriz apropiada
A y encuentre la matriz C de modo que el cambio de variable y = C T x elimina los
trminos mixtos de la ecuacin anterior.
b) Identifique y grafique la cnica en su posicin normal en los nuevos ejes cartesianos, indique adems los vectores que generan los nuevos ejes.
c) Calcule el ngulo de rotacin
20
H-
x
y
=5
(1624)
.
9 2
Se calculan los valores propios de A =
:
2 6
,
,
, 9
2 ,,
,
= 5496+24 = 0 es decir 2 15+50 = 0 o bien ( 5) ( 10) = 0
, 2
6 ,
por lo quelos valores propios son 5, 10.
Los vectores propios correspondientes son los siguientes:
caso = 5
242
4 2
2 1
.2f2 +f1
0 0
2 1
Por lo que
K
y = 2x
y de esta forma(x, y) =
H
G
(x, 2x) = x (1, 2). Como se ocupa un vector de norma 1 se toma v1 = 15 , 25 .
caso = 10
.2f1 +f2 .
K
1 2 1 2
A 10I =
Por lo que x = 2y y de esta forma (x, y) =
2 4
0
0
H
G
(2y, y) = y (2, 1). Como se ocupa un vector de norma 1 se toma v2 = 25 , 15 .
B
C .
1
8
9
25
cos sin
5
Finalmente se toma C = v1 v2 =
=
. Se sigue de lo
2
1
sin cos
5
5
$ $
anterior que el ngulo de rotacin
- es 2
. 63 . Los ejes x , y corresponden a los vectores v1 , v2 .
5 0
La matriz diagonal es D =
.
0 10
- $ .
.
x
x
T
Luego bajo el cambio de variable
=
C
la ecuacin de la cnica se convierte
y$
y
en
B
C.- $ . G
.
H
1
8 $
9 5 0
25
x
x$
20
10
$
5
x y
+ 5 5
=5
(1625)
2
1
0 10
y$
y$
5
5
o bien
Dividiendo por 5
o bien
es decir
5
0
0
10
.-
x$
y$
10 0
x$
y$
=5
(1626)
5 (x$ ) + 10 (y $ ) 10x$ = 5
(1627)
(1628)
x$2 + 2 (y $ ) 2x$ = 1
2
(x$ 1) + 2 (y $ ) = 2
(1629)
(x$ 1)
$2
8 92 + y = 1
2
por lo que la ecuacin de la cnica es una elipse centrada en (1, 0) con semiejes
sera el siguiente
243
(1630)
2 y 1. El dibujo
y
v2
v1
63
x
(1631)
(1632)
1 2
B
Problema 174. Sea T : R2 R3 transformacin lineal tal que [T ]C = 1 5
1 6
con C la base cannica de R2 y B = {v1 = (1, 0, 2) v2 = (0, 1, 1) v3 = (0, 1, 0)} base
de R3 .
a) Encuentre T (x, y)
b) Explique si T es sobreyectiva
c) Calcule [v]C si T (v) = 2v1 + 5v2 + 6v3
a) Observe que
[T (v)]B = [T ]B
(1633)
C [v]C
es decir,
.
1 2
x 2y
x
[T (v)]B = 1 5
= x 5y
y
1 6
x 6y
por lo que
(1634)
(1635)
244
1 2
0 11
1
1
11
f2
, a f
1 2 ,, a
1 2 ,, a
,
, b
0 11 , b
0 1 , b
(1637)
,
11
,
,
, c
,
0
3
ca
0 3 , ca
,
2b
2f2 +f1
1 0 ,, a 11
b
0 1 ,
(1638)
11
3f2 +f3
,
3b
,
0 0 c a + 11
3b
Luego se requiere que c a + 11
= 0 y por esta restriccin T no podra ser sobreyectiva pues la
imagen va a ser de dimensin 2.
c) Observe que T (v) = 2 (1, 0, 2) + 5 (0, 1, 1) + 6 (0, 1, 0) = (2, 11, 1) = (a, b, c). Observe que
b
2b
= 0 y y = 11
= 1, es decir,T (0, 1) = (2, 11, 1).
por la matriz aumentada anterior x = a 11
,
1 0 0 , 0 0 1
0 0 1
0 1 0 , 1 1 1 por lo que [T ] = 1 1 1 .
B
,
0 0 1 , 1 0 2
1, 0 2
0 1 1 ,, 1 0 0
b) Se considere la matriz aumentada 0 1 0 ,, 0 1 1 y haciendo Gauss Jordan se
1 0 1 , 0 0 1
,
1 0 0 ,, 1 1
2
1 1
2
0
1
1 por lo que [I]B
1
1 .
llega a 0 1 0 ,, 0
B1 =
0 0 1 , 1 1 1
1 1 1
c) Se usa que
G
H1
B
B
B
B
B
B
B
B
B
B
B
[T ]B11 = [T I]B11 = [T ]B1 [I]B1 = [I T ]B1 [I]B1 = [I]B1 [T ]B [I]B1 = [I]B1
[T ]B [I]B1
(1639)
0 1 1
G
H1
Como [I]B
= 1 1 1 se tiene que
B1
1 0 1
0 1 1
0 0 1
1 1
2
0 1 1
1 1
2
1
1 = 2 1 2 0
1
1
[T ]B1 = 1 1 1 1 1 1 0
1 0 1
1 0 2
1 1 1
1 0 1
1 1 1
(1640)
245
1
= 0
0
0 0
1 1
0 1
(1641)
x
1 0 0
x
Como T (x, y, z) = (x, y z, z) se tiene que y z = 0 1 1 y por lo que
z
0 0 1
z
1 0 0
[T ]C = 0 1 1 y luego
0 0 1
1 0 0
I 1 J
= 0 1 1
T
(1642)
C
0 0 1
1 0
1
Problema 176. Considere la matriz A = 0 2 0
0 0 2
a) Determine que los valores propios de A son 1 y 2
b) Calcule los subespacios propios, correspondientes a los valores propios anteriores de A
c) Encuentre una matriz C y una matriz D diagonal tal que C 1 AC = D
a) Para los valores propios se considera
,
,
, 1
,
0
1
,
,
, 0
, = (1 )(2 + )2
2
0
(1643)
,
,
, 0
0
2 ,
0 0
1
0 0
A I = 0 3 0 0 1
0 0 3
0 0
por lo que y = 0
caso = 2
propios
1
0
0
3 0 1
A + 2I = 0 0 0
0 0 0
(1644)
(1645)
por lo que z = 3x y (x, y, z) = (x, y, 3x) = x(1, 0, 3) + y(0, 1, 0) y de esta forma V=2 =
Cl{(1, 0, 3), (0, 1, 0)}
c) Se puede tomar
1 1 0
1 0
0
C = 0 0 1 D = 0 2 0
(1646)
0 3 0
0 0 2
246
11.
11.1.
247
11.2.
(A + B)T = AT + B T
(1647)
(AB)T = B T AT
(1648)
(AT )T = A
(1649)
B = En (afi )A A B
fi ,fj
B = En (fi , fj )A A B
B = En (afi + fj )A
(1650)
afi +fj
A B
Adems, cada una de las matrices elementales son invertibles y sus inversas son
(En (afi ))1 = En ( a1 fi )
(En (fi , fj ))1 = En (fi , fj )
(En (afi + fj ))1 = En (afi + fj )
(1651)
caso 1: si C = 1n entonces D = A1
caso 2: si C '= 1n entonces A no es invertible y no existe A1 .
248
11.3.
a12
a22
a1n
a2n
..
.
an2
ann
,
,
,
,
,
, = (1)i+1 ai1 det(Ai1 ) + + (1)i+n ain det(Ain )
,
,
,
(1652)
los signos en los que aparecen los coeficientes pueden leerse de la matriz de signos alternados
correspondientes
+ +
+
..
(1653)
+
.
..
.
A = (aij )nxn =
B = (bij )nxn =
a11
a21
..
.
a12
a22
a1n
a2n
..
.
an1
an2
ann
b11
b21
..
.
b12
b22
b1n
b2n
..
.
bn1
bn2
bnn
(1654)
(1655)
A1
..
.
Ak
A$ = ...
(1656)
Ar
.
..
An
es la matriz que resulta de multiplicar toda una fila de A por un nmero real entonces
det A$ = det A
(1657)
249
(1658)
A1
A1
..
..
.
.
Ak
Ar
..
Ar
Ak
.
.
..
..
An
An
(1659)
A1
A1
..
..
.
.
Ak
Ak
..
.
..
det . = det
Ak + Ar
Ar
.
..
..
.
An
An
a11
a12
a1n
a
a
a
21
22
2n
..
..
.
.
A=
a
+
b
a
+
b
a
+
bin
i1
i2
i2
in
i1
..
..
..
.
.
.
an1
an2
ann
entonces
a11
a21
..
.
det A = det
ai1
.
..
an1
(1660)
a12
a22
a1n
a2n
..
.
ai2
..
.
ain
..
.
an2
ann
a11
a21
..
.
+ det
bi1
..
an1
(1661)
a12
a22
a1n
a2n
..
.
bi2
..
.
bin
..
.
an2
ann
(1662)
ntese que todas las filas salvo la i-sima son las mismas en los tres determinantes que es la que
se separa en dos partes.
det 1n = 1, es decir, el determinante de la matriz identidad es 1.
det A = det AT , es decir, el determinante de una matriz es igual a de su transpuesta
El determinante de un producto de matrices es igual al producto de los determinantes respectivos, es decir,
det(AB) = det(BA) = det A det B
(1663)
250
adjA = .
= .
(1664)
..
..
cn1
cn2
cnn
c1n
c2n
cnn
(1665)
Teorema 186. Suponga que A es una matriz n n. A = (A1 , ..., An ) donde Ai es la i-sima
columna deA. Suponga
que det A '= 0 y que Ax = b. Entonces el sistema anterior tiene solucin
x1
x2
nica x = . donde
..
xn
xi =
(1666)
Definicin 187. Si
x = (x
1 , , xn ) es una matriz 1 n se dice que x es un vector fila de
x1
x2
xn
tamao n.
Si v1 , v2 , , vm son m vectores (fila o columna) de tamao n y c1 , , cm son m nmeros
reales a cualquier vector de la forma
v = c1 v1 + c2 v2 + + cm vm
(1667)
251
(1668)
1
adjA
det A
(1669)
11.4.
Geometra Vectorial en Rn
Sean
u = (x1 , x2 , , xn ),
v = (y1 , y2 , , yn ) dos vectores de Rn . Se define el producto
escalar u v como
u
v = x1 y1 + x2 y2 + + xn yn
(1670)
(
u( =
u
u =
A
x21 + x22 + + x2n
(1671)
u
u > 0 si
u '= 0
u u = 0 si y solo si
u =0
u v = v u
u (
v ) = (
u)
v = (
u
v)
u ( v + w) = u v + u w
(
u(0
(:
u (:= 0 si y solo si
u =0
: :
:u: = || ( u (
(
u
v ( = (
v
u(
Desigualdad de Cauchy-Schwarz: |
u
v | (
u ( (
v(
Desigualdad Triangular: ( u + v ( ( u ( + ( v (
Si
u,
v son dos vectores no nulos en Rn , se define el ngulo entre los vectores como
5
4
u
v
1
(1672)
= cos
(
u ( (
v(
252
si
Si
u,
v son dos vectores no nulos en Rn , se dice que son ortogonales o perpendiculares
u
v =0
(1673)
Si
a , b son dos vectores en Rn no nulos se define la proyeccin ortogonal de
a sobre
b como
a b
a = : : b
P roy
(1674)
2
b
: :
:b:
Sean
v = (v1 , v2 , v3 ) y
w = (w1 , w2 , w3 ) dos vectores en R3 . Se define el producto cruz
entre v y w como
,
,
,
,
,
,
, v1 v2 ,
, v
, v1 v3 ,
v3 ,,
,
,
,e
,
e
+
(1675)
v
w = ,, 2
e
w2 w3 , 1 , w1 w3 , 2 , w1 w2 , 3
v
w = ,, v1
, w1
el siguiente determinante
,
e2 e3 ,,
v2 v3 ,,
w2 w3 ,
(1676)
(a b)
c '=
a (b
c)
(1677)
el producto cruz es anticonmutativo: es decir,
a b = b
a
Si
a , b son dos vectores entonces la magnitud del producto cruz es
:
:
:
:
:
:
::
a b : = (
a ( : b : sin
:
(1678)
(1679)
Si
a , b son vectores de R2 el rea de un paralelogramo con lados
a , b es igual al valor
si
a = (x1 , y1 ) b = (x2 , y2 ) entonces
,
.,
,
x1 y1 ,,
area = ,,det
= |x1 y2 x2 y1 |
(1680)
x2 y2 ,
el rea de un paralelogramo
lados
a , b es igual a la magnitud del producto
: con
:
:
:
cruz de los lados, es decir, a :
a b:.
:
:
:
:
11.5.
Rectas y Planos en Rn
l(
a , b ) = {
r Rn |
r =
a +t b}
(1681)
La relacin
r =
a + t b se conoce como la ecuacin vectorial para la recta l(
a , b ).
Dos rectas l1 (
a1 , b1 ) y l2 (
a2 , b2 ) son paralelas si b1 y b2 son paralelos y las rectas son
x = p1 + tv1
(1682)
y = p2 + tv2
z = p3 + tv3
x p1
y p2
z p3
=
=
v1
v2
v3
(1683)
El plano (p,
u , v) con punto p y vectores
u,
v es el conjunto de puntos
(p,
u ,
v ) = {r Rn | r = p + t
u + s
v}
(1684)
y la ecuacin r = p + t
u + s
v es la ecuacin vectorial del plano (p,
u , v)
(1686)
Frmulas de distancia:
! entre dos puntos: Si P y Q son dos puntos fue visto anteriormente que
d(P, Q) = (P Q(
(1687)
d(P, l(A,
u )) = :AP proy
(1688)
u AP :
:
:
:
d(Q, (P,
n )) = :P roy
(1689)
n P Q:
254
:
:
:
d(l1 , l2 ) = :P Q P roy
u P Q:
(1690)
u
v ),
,P Q (
(
u
v(
! entre una recta y un plano: Si una recta y un plano se intersecan entonces claramente la
d(l(Q,
v ), (P,
n )) = :P roy
(1692)
n P Q:
:
:
:
d(1 (P,
n ), 2 (Q,
m)) = :P roy
P
(1693)
n Q:
11.6.
Espacios Vectoriales
(1695)
es decir, todo vector puede escribirse como combinacin lineal de vectores en {v1 , , vp }.
Si V es un espacio vectorial y {v1 , , vp } es un conjunto generador de V se dice que
{v1 , , vp } es una base para el espacio vectorial V si todo vector vV puede escribirse
de forma nica como combinacin lineal de vectores en {v1 , , vp }. Se dice que la dimensin
de la base es el nmero de vectores del conjunto generador.
255
(1697)
(1698)
(1699)
y se dice los escalares a1 , , an son las coordenadas del vector v en la base B. El vector
de coordenadas para v en la base B es el vector
a1
a2
[v]B = .
(1700)
..
an
el espacio fila de A FA es
v1
v2
..
.
vk
FA = Cl{v1 , , vk }
n
(1701)
FA = {v R | v = A x, x R }
(1702)
Por otro lado, el espacio columna de A CA es el espacio fila generado por AT , es decir,
CA = FAT
(1703)
CA = {v Rk | v = Ay, y Rk }
(1704)
y por lo anterior
256
w1
w2
v1
..
v2
..
ws
.
vk
..
0
ducida de A (s k) entonces B = {w1 , , ws } es una base del subespacio FA = Cl{v1 , , vk }.
11.7.
Ortogonalidad y Proyecciones en Rn
(1705)
(1706)
u u1
u u2
2) Si uS entonces [u]B =
..
.
u uk
Si S y T son dos subespacios de Rn se dice que son subespacios ortogonales si todo vector
de S es ortogonal a todo vector de T y vice-versa
x S, y T x y = 0
(1707)
En tal caso se denota ST . Para verificar que dos subespacios son ortogonales, basta verificar la ortogonalidad entre las bases respectivas de los subespacios. La interseccin
de dos subespacios ortogonales S y T es nicamente el vector nulo 0.
Si S es un subespacio vectorial de Rn el complemento ortogonal de S es el conjunto de
todos los vectores ortogonales a cualquier vector de S, es decir,
S = {u Rn | v S, u v = 0}
(1708)
Si S = Cl{v1 , , vk } entonces
S = {uRn | Au = 0}
257
(1709)
v1
v2
..
.
vk
De la caracterizacin anterior es sencillo ver que el complemento ortogonal de cualquier
subespacio es a su vez un subespacio y
! Si S es un subespacio de Rn con dim S = k entonces dim(S ) = n k
! Si B1 = {u1 , , uk } es una base de S y B2 = {v1 , , vnk } es una base de S entonces
B = {u1 , , uk , v1 , , vnk } es una base de Rn .
(1710)
wW
(1711)
(1712)
Algoritmo de Gram-Schmidt
Paso 1
Suponga que W es un subespacio y que {u1 , , uk } es una base para W . Defina
u1
(u1 (
(1713)
u2 P royW1 u2
(u2 P royW1 u2 (
(1715)
u3 P royW2 u3
(u3 P royW2 u3 (
(1717)
w1 =
Paso 2
Defina
W1 = Cl{w1 }
w2 =
Paso 3
Se define
W2 = Cl{w1 , w2 }
w3 =
W3 = Cl{w1 , w2 , w3 }
(1714)
(1716)
(1718)
uk P royWk1 uk
:
wk = :
:uk P royW uk :
k1
Wk = Cl{w1 , w2 , w3 , , wk1 , wk }
(1719)
(1720)
11.8.
Sean V y W espacios vectoriales reales, una transformacin lineal t.l (o aplicacin lineal
u operador lineal) entre V y W es una funcin T : V W tal que para cualesquiera vectores
u, v V y para cualquier escalar a se tiene
T (u + av) = T (u) + aT (v)
(1721)
(1722)
Es suficiente definir una transformacin lineal sobre alguna base del espacio vectorial para conocer el valor de la transformacin lineal sobre cualquier vector. Tambin
toda transformacin lineal enva el vector nulo en el vector nulo.
Si T : Rn Rm es una transformacin lineal y B1 = {v1 , , vm } es una base de Rn y
B2 = {u1 , , um } es una base de Rm se define la representacin matricial de T en las
bases B1 , B2 como
[T ]B21 =
[T (v1 )]B2
[T (v2 )]B2
[T (vn )]B2
y as
a11
a21
..
.
a12
a22
am1
am2
a1n
a2n
amn
(1723)
(1724)
luego
y
B
[T ]B21 = ( [T (v1 )]B2
[T (v2 )]B2
[T (vn )]B2
[T (vn )]B2 )
2
[T (v)]B2 = [T ]B
B1 [v]B1
(1726)
(1727)
(1728)
259
(1729)
(1730)
(1731)
(1733)
(1736)
(1738)
b) Si T es inyectiva y v1 , , vm son l.i entonces T (v1 ), , T (vm ) son l.i y dim V = dim(Img(T ))
Suponga que T : V W es una t.l y V es un espacio vectorial de dimensin finita. Entonces
dim V = dim(Nuc(T )) + dim(Img(T ))
(1739)
260
11.9.
Suponga que A es una matriz n n. Un vector u '= 0 se dice un vector propio de la matriz
A si existe un nmero real tal que
Au = u
(1740)
en tal caso se dice que es un valor propio asociado al vector propio u.
Suponga que A es una matriz n n y que es un valor propio de A. Se define el subespacio
propio (espacio caracterstico) del valor propio como el subespacio de vectorios propios con
valor propio
V = {u | Au = u}
(1741)
La multiplicidad geomtrica de es dim V .
Teorema 200. Si 1 , , k son k valores propios de A distintos con vectores propios asociados
v1 , , vk entonces v1 , , vk son linealmente independientes, es decir, vectores propios que
corresponden a distintos valores propios son linealmente independientes.
Si A es una matriz n n entonces son equivalentes:
1) es un valor propio de A
2) det(A 1n ) = 0
n1
n2
( 2 )
nr
( r )
Q()
(1743)
donde Q() es un polinomio irreducible y los 1 , 2 , , r son los valores propios reales de la
matriz. La multiplicidad algebraica del valor propio i es el nmero ni .
261
(1746)
n = n1 + n2 + + nr
(1747)
con
y los 1 , 2 , , r valores propios reales distintos de A y V1 , V2 , , Vr los subespacios propios correspondientes. Entonces son equivalentes
1) La matriz A es diagonalizable
2) Existe una base B = {v1 , , vn } de vectores propios de A
3) La multiplicidad geomtrica de cada valor propio es igual a su multiplicidad algebraica, es
decir, dim(Vi ) = ni
4) dim(V1 ) + dim(V2 ) + + dim(Vn ) = n
5) Todo vector v Rn puede descomponerse en forma nica como combinacin lineal de
vectores en los subespacios propios, es decir, v = v1 + v2 + + vr con vi Vi
Si una matriz de tamao n tiene n valores propios distintos, entonces la matriz es diagonalizable
Algoritmo para Diagonalizar una Matriz
1. Si A es una matriz n n se calculan todos sus valores propios y sus vectores propios
correspondientes segn el algoritmo anterior.
2. Si la matriz A tiene n vectores propios l.i o cumple alguna de las condiciones del teorema
anterior entonces A es diagonalizable, en caso contrario no lo es.
262
11.10.
Si x =
x1
x2
..
.
(1749)
xn
f : Rn R tal que
f (x) = xT Ax
(1750)
a
2
2
2
d
si f (x1 , x2 , x3 ) = ax1 + bx2 + cx3 + 2dx1 x2 + 2ex1 x3 + 2f x2 x3 entonces A =
e
263
d
b
f
e
f
c
(1752)
donde los i son los valores propios de A (que no tienen que ser distintos)
Las curvas cuadrticas son polinomios de dos variables con ecuaciones de la forma
ax21 + bx22 + cx1 x2 + dx1 + ex2 + f = xT Ax + Bx + f = 0
donde
A=
a
c
2
c
2
, B = (d, e)
(1753)
(1754)
Las superficies cuadrticas son polinomios de tres variables con ecuaciones de la forma
ax21 + bx22 + cx23 + dx1 x2 + ex1 x3 + f x2 x3 + gx1 + hx2 + kx3 + l = xT Ax + Bx + l = 0 (1755)
con
Superficies cuadrticas:
A=
a
d
2
e
2
d
2
b
f
2
e
2
f
2
, B = (g, h, k)
(1756)
(1757)
donde a y b son los semiejes de la elipse (a, b > 0). Cuando a = b se tiene un crculo de
radio a, es decir, un crculo es una elipse cuyos semiejes son iguales. Los focos estn sobre
el eje mayor y los vrtices de la elipse son los extremos del eje mayor.
! Hiprbole: La hiperbla centrada en (x0 , y0 ) y no rotada tiene por ecuacin cannica
alguna de las dos formas siguientes
!
2
(xx0 )2
0)
(yy
=1
a2
b2
(1758)
(xx0 )2
(yy0 )2
a2
+ b2
=1
Nuevamente a, b > 0. El eje que contiene los focos se llama el eje focal y las hiprbolas
se caracterizan por tener dos rectas llamadas asntotas a las cuales la hiprbola se acerca
arbitrariamente sin tocarlas. Las ecuaciones de las rectas asntotas de la hiprbola se hallan
cambiando el 1 por un 0 en (260). La figura de una hiprbola siempre son dos ramas y
los dos puntos de las ramas que cortan el eje focal son los vrtices.
264
(1759)
donde ahora a puede ser positivo o negativo. El vrtice de la parbola es el punto que
est a la mitad entre el foco y la directriz.
Superficies cuadrticas:
! Elipsoide: El elipsoide centrado en (x0 , y0 , z0 ) no rotado es la superficie definida por
(x x0 )2
(y y0 )2
(z z0 )2
+
+
=1
a2
b2
c2
(1760)
a2 2 + b2 2 c2 2 = 1
(xx0 )
0)
0)
(1761)
(yy
+ (zz
=1
a2
b2
c2
(xx0 )2
(yy0 )2
(zz0 )2
a2 + b2 + c2 = 1
la variable que lleva el signo menos determina sobre cual eje se abre el hiperboloide
(zz
=1
a2
b2
c2
(yy0 )2
(zz0 )2
(xx0 )2
(1762)
a2 + b2 c2 = 1
(xx0 )2
(yy0 )2
(zz0 )2
a2 b2 + c2 = 1
la variable que lleva el signo positivo determina sobre cual eje se abre el hiperboloide
a2 2 + b2 2 (z z0 ) = 0
(zz0 )
(xx0 )
(1763)
+ b2 (y y0 )2 = 0
a2
(yy0 )2
(zz0 )2
2
+ b2 (x x0 ) = 0
a2
! Paraboloide hiperblico: El paraboloide hiperblico centrado en (x0 , y0 , z0 ) no rotado
es la superficie definida por
!
2
(xx0 )2
0)
(yy
= (z z0 )
a2
b2
(1764)
(xx0 )2
(yy0 )2
a2 + b2
= (z z0 )
265
2
(xx0 )2
0)
+ (yy
= (z z0 )
a2
b2
2
(yy0 )2
0)
= (z z0 )
(xx
a2
b2
(1765)
266
12 Aplicaciones
12.
12.1.
Aplicaciones
Anlisis Dimensional y Circuitos Elctricos
Como primera aplicacin del lgebra lineal se puede usar el mtodo de Gauss-Jordan para
anticipar la relacin entre distintas cantidades fsicas mediante la tcnica de anlisis dimensional y
se puede hallar la corriente que atraviesa un circuito elctrico resolviendo un sistema de ecuaciones
lineales asociado.
12.1.1.
Anlisis Dimensional
Suponga que uno desea conocer cmo depende una cantidad fsica en funcin de otras que uno
esperara determinan su comportamiento.
Por ejemplo, considere la cada libre de un objeto a cierta altura h como se indica en la siguiente
figura.
v(0)=0
v(t)=gt
h
Aqu la idea es que se quiere determinar el tiempo que dura en caer la bola (desde el reposo)
a partir de ciertos parmetros del problema. Los tres parmetros que uno esperara son los ms
importantes son los siguientes: la altura (pues entre ms alto ms debera durar en caer la bola),
la aceleracin de la Tierra (pues a mayor aceleracion ms rpido debera caer) y la masa (pues
alguien podra considerar que entre ms pesado el objeto menos debera durar en caer). Luego,
la idea del anlisis dimensional es proponer una relacin de la forma (al menos para que no sea
muy complicado)
t = Ch g m
(1766)
donde C es una constante adimensional que no pretende obtenerse por medio de este anlisis y
, , indica las potencias a las que aparecen elevadas las variables.
Si se denota como [x] = unidades de x entonces [t] = T , [h] = L, [g] = TL2 y [m] = M
donde T, L, M significan tiempo, longitud y masa respectivamente. Luego la idea del anlisis
dimensional es que ambos lados de la ecuacin deben tener las mismas unidades, lo que lleva al
siguiente sistema de ecuaciones que se obtiene de igualar las potencias respectivas a ambos lados
267
12 Aplicaciones
de la ecuacin para T, L, M
1 = 2
0 = +
0=
igualando potencias de T
igualando potencias de L
igualando potencias de M
(1767)
esto ltimo es un sistema de ecuaciones lineales para , , que tiene por matriz aumentada
asociada
,
,
0 2 0 ,, 1 ,,
1 1 0 , 0 ,
(1768)
,
,
0 0 1 , 0 ,
lo cual da despus de aplicar Gauss-Jordan da el sistema
= 2
= 21
=0
(1769)
(1770)
2h
g
(1771)
lo cual indica que es un buen acercamiento al problema. Lo importante observar aqu fue que
tuvo que resolverse un sistema lineal para hallar la respuesta y como podr anticiparse si se quiere
hacer anlisis dimensional con ms parmetros es todava ms importante utilizar el mtodo de
Gauss-Jordan.
12.1.2.
Circuitos Elctricos
Otro uso muy comn de Gauss-Jordan es para hallar las corrientes que atraviesan un circuito
elctrico. Los dos principios fsicos que hay que tener en mente son las dos leyes de circuitos
de Kirchhoff.
La primera ley es una consecuencia de la conservacin de la carga elctrica y establece que la
corriente que entra en un nodo es la misma que sale del mismo nodo tal como se indica en la
siguiente figura9
9 tomado
de http://en.wikipedia.org/wiki/Kirchhoffs_circuit_laws
268
12 Aplicaciones
(1772)
(1773)
Por ltimo, para una resistencia idealizada, la ley de Ohm relaciona la diferencia de potencial
entre los extremos de una resistencia con la corriente que la atraviesa y su resistencia segn
V = IR
Por ejemplo, suponga que se tiene el siguiente circuito
10 tomado
de http://en.wikipedia.org/wiki/Kirchhoffs_circuit_laws
269
(1774)
12 Aplicaciones
R1
R3
R4
i1
i2
i3
v1
v3
v2
R2
v3 = 2
(1775)
R3 = 4 R4 = 1
(1776)
y se quieren hallar las tres corrientes indicadas en el diagrama. Como hay tres incgnitas, para tener solucin nica se necesitaran tres ecuaciones independientes (es decir, que no sean
redudantes).
Por la ley de corriente aplicada al nodo a, se tiene que
I1 = I2 + I3
(1777)
(1778)
I1 I2 I3 = 0
10I1 + I3 = 17
4I2 + I3 = 4
(1779)
(1780)
1 1 1 ,, 0
10 0
1 ,, 17
0 4 1 , 4
y se llega a
1
0
0
0 0 ,, 1,5
1 0 ,, 0,5
0 1 , 2
(1781)
(1782)
por lo que I1 = 1,5 I2 = 0,5 I3 = 2. El signo negativo en la segunda corriente indica que la
direccin de esta era opuesta a la que se supuso en el diagrama.
270
12 Aplicaciones
12.2.
Teora de Grficas
Otro de los lugares donde el lgebra lineal, en este caso la multiplicacin matricial, hallan un
uso es en la teora de grficas. La idea es que en muchos problemas se quiere indicar de forma
sencilla cuales objetos se relacionan con otros segn cierto criterio preestablecido.
Por ejemplo, considere la siguiente figura:
Aqu los crculos podran representar personas, ciudades, pginas de internet o cualquier objeto
en general. Luego, las flechas indican si existe una relacin entre los objetos: por ejemplo, una
flecha de 1 a 2 podra significar que 1 ha escuchado hablar de 2, o bien que existe un camino que
lleva de 1 a 2 o bien que la pgina de internet 1 tiene un hipervnculo que lleva a la pgina 2.
El lgebra lineal hace su aparicin al asociarle a cada una de estas grficas una matriz llamada
la matriz de adyacencia.
Por ejemplo, la matriz de adyacencia de la grfica anterior sera
0 1 0 1 1
1 0 1 1 0
A=
(1783)
0 0 0 1 1
1 0 1 0 1
0 0 0 0 0
donde la entrada aij es un 1 si existe una flecha que comienza en i y termina en j mientras
que aij es un 0 si no existe tal flecha.
Lo interesante es cuando se considera las potencias sucesivas de A, por ejemplo
2 0 2 1 1
1 1 1 2 3
(1784)
B = A2 =
1 0 1 0 1
0 1 0 2 2
0 0 0 0 0
271
12 Aplicaciones
Para interpretar A2 , considere la entrada b25 = 3. De la grfica se puede observar que solo
hay tres formas de ir desde 2 a 5 en dos pasos segn indican la siguientes cadenas
2 1 5
(1785)
2 4 5
(1786)
2 3 5
(1787)
es decir, para B = A , la entrada bij representa cuntos caminos de dos pasos existen para ir
desde i hasta j. En general, si se considera la matriz An , entonces su entrada (i, j) representa
cuntos caminos de n pasos existen desde i hasta j.
2
12.3.
12.3.1.
Clculo Matricial
Es natural esperar que deba existir algn tipo de relacin entre el anlisis (clculo) y las
matrices. Por ejemplo, es posible derivar (o integrar) una matriz? En tal caso, se preservan
las reglas de derivacin?
Si bien este es un tema extenso, se mencionarn brevemente algunos de los resultados ms
tiles. Por ejemplo, suponga que A(t) representa la funcin matricial
.
cos t t2
et
A(t) =
(1788)
3
4t sin t
Entonces se define la derivada e integral de A(t) derivando e integrando cada una de las entradas
por separado, es decir,
.
sin t 2t
et
A$ (t) =
(1789)
0
4 cos t
.
3
et
sin t t3
(1790)
A(t)dt =
3t 2t2 cos t
De hecho, varias de las propiedades de la derivada se preservan, para mencionar dos de las
ms importantes
$
(1791)
(1792)
es decir, la regla del producto sigue siendo vlida (ntese el orden del producto).
Para terminar este seccin es interesante mencionar cmo hallar la derivada de
de
8 la inversa
9$
una matriz. Suponga que X es una matriz derivable e invertible, se busca hallar X 1 . Por las
propiedades de la inversa, se tiene que
XX 1 = 1N
(1793)
12 Aplicaciones
y por la regla del producto
8
9$
X $ X 1 + X X 1 = 0N
12.3.2.
(1795)
(1796)
(1797)
Clculo Vectorial
Al igual que el tema de clculo matricial, hay mucho que se puede decir sobre el clculo
vectorial (de hecho, en esto consiste la mayor parte de un curso de clculo en varias variables).
Por tal razn, solo se darn las dos reglas sobre como derivar el producto punto y el producto
cruz junto con una aplicacin de cada una.
12.3.3.
En este caso si a(t), b(t) Rn son dos funciones vectoriales se tiene que
.
.
d
d
d
(a b) =
a b+a
b
dt
dt
dt
(1798)
Es decir, la misma regla del producto es vlida tanto para el producto de funciones como el
producto punto. A manera de ejemplo, suponga que una partcula est dando vueltas sobre un
crculo tal como se indica en la figura siguiente11
(v1
(v2
(a2
(a1
(r2
(r1
(r3
(a3
(v3
Figura 76: Movimiento circular uniforme
Si r(t) = (x(t), y(t), z(t)) representa la posicin de la partcula en funcin del tiempo entonces
la condicin de que la partcula se mueve sobre un crculo indica que la magnitud de r(t) no
cambia con el tiempo, es decir
(r(t)( = R
(1799)
11 tomado
de http://www.texample.net/tikz/examples/dva-vectors/
273
12 Aplicaciones
donde R representa el radio del crculo. Elevando al cuadrado la ecuacin anterior, se tiene que
r(t) r(t) = R2
(1800)
y derivando a ambos lados con la regla del producto anterior se tendra que
r$ (t) r(t) + r(t) r$ (t) = 0
(1801)
r(t) r$ (t) = 0
(1802)
es decir,
Como r$ (t) es la velocidad de la partcula el resultado anterior indica que para una partcula que se
mueve sobre un crculo su velocidad es perpendicular al vector posicin de la partcula. En el caso
en que la rapidez sea constante, es decir (v(t)( no cambia, entonces es posible probar de forma
anloga a lo anterior que la aceleracin es perpendicular a la velocidad de la partcula. Dado que
la partcula se mueve sobre el plano que define el crculo, esto significara que la aceleracin es
un vector paralelo al vector posicin y tal vector se conoce como la aceleracin centrpeta.
12.3.4.
Para el producto cruz se supone que a(t), b(t) R3 . La regla de derivacin para el producto
cruz sera
.
.
d
d
d
(a b) =
a b+a
b
(1803)
dt
dt
dt
Una aplicacin de tal regla se encuentra en el movimiento planetario. Es conocido que la segunda
ley de Newton indica que
F = ma
(1804)
donde F es la fuerza neta que acta sobre el cuerpo, m su masa y a su aceleracin.
Para el caso de movimiento gravitacional, se puede tomar F como
F =C
r
(r(
(1805)
donde C es una constante que depende de las propiedades fsicas entre los cuerpos que interacC
tan. Ntese que (F ( = )r)
2 , de ah el nombre de ley de inverso-cuadrado.
Ahora bien, una cantidad de mucha utilidad en fsica es el momento angular
L = r mv
(1806)
(1807)
d
dt r
=v y
d
dt v
.
.
d
d
r mv + r
(mv)
dt
dt
(1808)
=a
= v mv + mr a
274
(1809)
12 Aplicaciones
recordando que el producto cruz de un vector consigo mismo es cero se tiene que
= mr a
pero por la ley de gravitacin
=rC
(1810)
r
(r(
(1811)
y nuevamente como el producto cruz de un vector consigo mismo es cero se concluye que
d
L=0
dt
(1812)
0
r(t)
r(t)
(1813)
12.4.
Uno de los usos ms interesantes del lgebra lineal es que permite estudiar los nmeros complejos y su generalizacin conocida como los cuaterniones mediante el lgebra de matrices de
tamao 2 2. La idea de cmo definir los nmeros complejos viene sugerida a partir del estudio
de las matrices de rotacin y como se ver ms adelante los cuaterniones sirven precisamente
para estudiar rotaciones en el espacio.
12.4.1.
275
12 Aplicaciones
En el captulo de curvas y superficies cuadrticas se vio que una matriz de rotacin en el plano
era de la forma
.
cos sin
R () =
(1814)
sin
cos
Ahora bien, se sabe de variable compleja que multiplicar un nmero z por ei rota el nmero z
un ngulo . Tambin, por la frmula de Euler se tiene que
ei = cos + i sin
(1815)
(1816)
y por analoga con la frmula de Euler esto sugiere nombrar las matrices anteriores como
.
1 0
1=
(1817)
0 1
.
0 1
i=
(1818)
1 0
i2 =
0 1
1 0
.-
0 1
1 0
= 1
(1819)
lo que significa que tal matriz cumple la propiedad fundamental del nmero complejo i. Como
cualquier nmero complejo se puede escribir de la forma z = x + iy esto sugiere la siguiente
definicin.
Definicin 208. Si x, y R se define el nmero complejo z = x + iy como la matriz
.
. .
1 0
0 1
x y
z = x1 + iy = x
+y
=
(1820)
0 1
1 0
y x
y se denota el conjunto de nmeros complejos como C, es decir,
D
.
E
x y
C= z=
: x, y R
y x
(1821)
det z = x2 + y 2 = (z(
12.4.2.
(1822)
Los cuaterniones de Hamilton son una generalizacin de los nmeros complejos que se caracterizan por la presencia de tres nmeros i, j, k que cumplen i2 = j 2 = k 2 = 1.
276
12 Aplicaciones
Lo interesante es que al igual que los nmeros complejos pueden representarse como matrices
2 2 si se toma
.
1 0
1=
(1823)
0 1
.
.
.
0 1
0 i
i 0
i=
j=
k=
(1824)
1 0
i 0
0 i
Y ahora un cuaternin es cualquier nmero q de la forma
.
a + id b ic
q = a1 + bi + cj + dk =
b ic a id
(1825)
Observe que los cuaterniones forman un espacio vectorial de dimensin cuatro, por lo que a veces
se escribe como nmeros q = (a, b, c, d) al igual que los nmeros complejos cuando se representan
como z = (x, y).
Tambin se define la norma del cuaternin como
@
@
(q( = det q = a2 + b2 + c2 + d2
(1826)
(1827)
12.5.
Suponga que se realiza un experimento donde se obtienen sobre un grfico los n puntos
(x1 , y1 ) , (x2 , y2 ) , , (xn , yn ). Dados estos puntos es natural buscar una curva que pase por
todos ellos para as poder extrapolar los valores obtenidos y hacer predicciones experimentales.
Las curvas ms sencillas que podran buscarse son polinomios de la forma
p(x) = am xm + am1 xm1 + + a1 x + a0
(1828)
donde m es el grado del polinomio buscado (se debe pedir m n 1) y am , am1 , , a1 , a0 son
los coeficientes del polinomio que se quiere determinar.
En un mundo ideal debera tenerse que el polinomio pasa por todos los puntos, es decir,
yi = p (xi ) , sin embargo, debido a las incertidumbres en las mediciones, lo que se tiene es que
yi p (xi ) = di
(1829)
donde di sera el valor en el que difiere el valor experimental del valor que predicira la curva que
se est buscando. Obviamente lo ms deseable sera que tal diferencia sea la menor posible, y en
tal caso se dice que se ha encontrado la curva de mejor ajuste.
La forma en que entra el lgebra lineal es que la ecuacin 1829se puede escribir como un
sistema de ecuaciones
m1
y1 = am xm
+ + a1 x1 + a0 + d1
1 + am1 x1
m1
m
y2 = am x2 + am1 x2
+ + a1 x2 + a0 + d2
(1830)
.
..
m1
yn = am xm
+ + a1 xn + a0 + dn
n + am1 xn
277
12 Aplicaciones
dado que las incgnitas en este caso son am , am1 , , a1 , a0 , el sistema anterior en notacin
matricial sera
b d = Ax
(1831)
donde
b=
y1
y2
..
.
yn
d=
A=
d1
d2
..
.
dn
x=
xm
1
xm
2
..
.
xm1
1
xm1
2
xm
n
xm1
n
am
am1
..
.
a0
1
1
(1832)
(1833)
Nuevamente, la idea es hacer que las diferencias di sean los ms pequeas posibles. Dado que
d = b Ax
(1834)
(d( = (b Ax(
(1835)
d = b Ax = b ProyCA b
(1836)
lo ms pequeo posible.
;
<
Si se considera b como un vector en Rn entonces CA = Ax : x Rm+1 sera el subespacio
de Rn generado por las columnas de A y (b Ax( sera la distancia entre b con un vector en CA .
Luego sabemos que tal distancia es mnima cuando Ax = ProyCA b y en tal caso se tendra que
(1837)
AT (b Ax) = 0
(1838)
AT Ax = AT b
(1839)
es decir,
o bien
Es decir,
278
12 Aplicaciones
Theorem 209. Suponga que se busca el polinomio
p(x) = am xm + am1 xm1 + + a1 x + a0
(1840)
que es la curva de mejor ajuste para los puntos (x1 , y1 ) , (x2 , y2 ) , , (xn , yn ) y m n 1.
Entonces los coeficientes deben ser solucin del sistema
AT Ax = AT b
donde
A=
xm
1
xm
2
..
.
xm1
1
xm1
2
xm
n
xm1
n
1
1
b=
(1841)
y1
y2
..
.
yn
x=
am
am1
..
.
a0
(1842)
(1843)
(1844)
2
6
b=
10
2
0
1
4
9
(1845)
0
1
2
3
1
1
1
1
(1846)
(1847)
AT Ax = AT b
(1848)
es decir,
0 1
0 1
1 1
0
4 9
1
2 3
4
1 1
9
0
1
2
3
1
a2
0 1
1
a1 = 0 1
1
a0
1 1
1
98 36 14 ,, 64
36 14 6 , 32
,
14 6 4 , 20
279
2
4 9
6
2 3
10
1 1
2
(1849)
(1850)
12 Aplicaciones
que da por matriz escalonada reducida
1 0
0 1
0 0
es decir
0
0
1
, 3
,
, 9.4
,
, 1.4
10
280
(1851)
(1852)
12 Aplicaciones
12.6.
12.6.1.
Esta propiedad hace que las exponenciales aparezcan constantemente a la hora de resolver
ecuaciones diferenciales. Una ecuacin diferencial es una ecuacin que relaciona una funcin x(t)
con sus derivadas. Por ejemplo,
x$$ (t) 5x$ (t) + 3x(t) = 0
(1854)
es una ecuacin diferencial que relaciona x(t) con su primera y segunda derivada. La ecuacin
anterior se llama de segundo orden pues la derivada de mayor orden que aparece es de orden 2.
El lgebra lineal es particularmente til para estudiar las ecuaciones diferenciales lineales,
que son ecuaciones de la forma
dn x
dn1 x
dx
+ an1 (t) n1 + + a1 (t)
+ a0 (t)x(t) = f (t)
n
dt
dt
dt
(1855)
donde a0 (t), a1 (t), , an1 (t) son funciones diferenciables que solo dependen de t y f (t) tambin
es una funcin diferenciable que solo depende de t. Por ejemplo, comparando con la ecuacin
x$$ (t) 5x$ (t) + 3x(t) = 0 se tiene que a1 (t) = 5, a0 (t) = 3, f (t) = 0.
La idea de un problema de ecuaciones diferenciales 1855 es hallar la funcin x(t) conociendo
a0 (t), a1 (t), , an1 (t) y f (t). La ecuacin diferencial lineal ms sencilla es
dx
= ax
dt
(1856)
donde a es una constante. Observe que si se considera la derivada como una transformacin
lineal la ecuacin anterior sera un problema de valores propios. La ecuacin anterior se resuelve
fcilmente escribindola primero como
x$
=a
(1857)
x
e integrando a ambos lados con respecto al tiempo (e ignorando la constante de integracin)
$
x
dt = at
(1858)
x
$
x
$
dt = (ln x) dt = ln x
x
e igualdando ambos lados se tiene que
ln x = at
(1859)
(1860)
o bien
x(t) = eat
(1861)
x$$ + 2 x = 0
281
(1862)
12 Aplicaciones
que es la ecuacin diferencial de un resorte. Para resolverla considere el cambio de variable y = x$ ;
entonces la ecuacin anterior se transforma en
y $ = 2 x
(1863)
. x$
0
=
y$
2
.
x
0
si se usa la notacin x =
yA=
y
2
-
1
0
.-
1
0
x
y
(1864)
(1865)
x $ = A
x
(1866)
En analoga con la solucin de la primera ecuacin diferencial uno podra decir que
x (t) = eAt
debera ser la solucin del problema. Ahora bien, la pregunta es qu sentido tiene la exponencial
de una matriz, es posible definirla? La respuesta es que s es posible definir la exponencial de
cualquier matriz como se ver a continuacin.
12.6.2.
Por facilidad solo se dir como calcular la exponencial de una matriz A en el caso en que sea
diagonalizable. Cuando esto ltimo ocurre, existe una matriz D diagonal y una matriz C tal que
D = C 1 AC
(1867)
A = CDC 1
(1868)
o bien
Dado que D es diagonal, D = diag (d1 , d2 , , dn ) y en el caso de una matriz diagonal se define
simplemente
8
9
eD = diag ed1 , ed2 , , edn
(1869)
es decir, se exponencia simplemente cada elemento sobre la diagonal.
Con esto se define
eA = CeD C 1
(1870)
d
x
= A
x
dt
(1871)
donde
x Rn y A es una matriz n n es
x (t) = etA
x (0)
donde
x (0) es la condicin inicial de la ecuacin diferencial.
282
(1872)
12 Aplicaciones
(1873)
Con lo anterior ya se puede resolver 1870. Para esto hay que diagonalizar la matriz A. Un
clculo sencillo muestra que los valores propios de A son 1 = i y 2 = i. Los vectores
propios asociados son v1 = (1, i) y v2 = (1, i). Luego se tiene que
.
.
.
- 1
1
2i
i
0
1
1
1
2
(1874)
D=
C=
C =
1
1
0 i
i i
2
2i
Por lo que
e
tD
y
etA =
1
i
1
i
.-
it
0
eit
.-
1
2
1
2
eti
0
0
eti
1
2i
1
2i
Recordando que
(1875)
eit +eit
2
i (eit eit )
2
(eit eit )
2i
(eit +eit )
2
ei = cos + i sin
(1876)
(1877)
se tiene que
etA =
cos (t)
sin(t)
x (t) =
=
y(0)
y(t)
sin (t) cos (t)
(1878)
(1879)
12.7.
Rotaciones en el Espacio
Durante el tema de secciones cnicas se vio la forma en que se hallaba el ngulo de rotacin
del sistema de viejos ejes al sistema de nuevos ejes. Bsicamente haba que tomar la matriz C
ortonormal de forma que su determinante fuera 1 y comparar contra una matriz de rotacin
2 2.
En el caso de que la rotacin se realice en R3 no es tan fcil especificarla; esto porque se ocupan
3 ngulos de rotacin. Bsicamente se ocupan 3 ngulos porque para especificar una rotacin
en el espacio hay que especificar el eje en torno el cual se va a rotar el cuerpo y el ngulo de
rotacin en torno ese eje. Para especificar el eje se ocupan dos ngulos, que pueden considerarse
los ngulos de las coordenas esfricas y para especificar cunto se va a rotar solo se ocupa un
ngulo por lo que se termina necesitando de tres ngulos.
Dado que solo importa la direccin del eje, se supone que es representado por un vector unitario
u y el ngulo de rotacin se representa por . El siguiente algoritmo indica cmo rotar los vectores
en el espacio.
! Escriba el eje u como u = (ux , uy , uz )
8 9
8 9
8 9
8 9
! Considere el cuaternin t = cos 2 1 + ux sin 2 i + uy sin 2 j + uz sin 2 k
283
12 Aplicaciones
! Suponga que v = (x, y, z) es el vector que se quiere rotar y defina el cuaternin asociado
q = xi + yj + zk
! Calcule q $ = tqt1 . Despus de realizar el clculo se tiene que q $ se puede escribir como
q $ = x$ i + y $ j + z $ k donde x$ , y $ , z $ son nmeros por determinar.
! El vector v $ = (x$ , y $ , z $ ) representa el vector v despus de haber sido rotado
Ejemplo 212. Rote el vector v = e1 + e3 a lo largo del eje u = e3 un ngulo de = 90 grados.
Segn el algoritmo primero se toma u = (0, 0, 1) = (ux , uy , uz ) y en este caso
C
.
. B 1+i
0
1
1
1 0
i 0
2
+
=
t = cos (45) 1 + sin (45) k =
(1880)
1i
0 1
0 i
0
2
2
2
Como v = e1 + e3 = (1, 0, 1) = (x, y, z) se define
. 0 1
i
q =i+k=
+
1 0
0
0
i
i 1
1 i
(1881)
Luego se define
$
q = tqt
1+i
0
1i
C-
i
1
Es decir
$
q =
y esto significa el vector rotado es
1
i
.B
i
i
i
i
2
1+i
2
1i
0
.
=j+k
v $ = (0, 1, 1)
284
i
1i
1+i
1+i
1i
i
(1882)
(1883)
(1884)
13 Problemas Adicionales
13.
Problemas Adicionales
(1885)
2. Justifique si un sistema con ms incgnitas que ecuaciones tiene al menos una solucin o
no.
3. Encuentre los coeficientes a, b, c de forma que f (x) = ax2 +bx+c pasa por (1, 2)(1, 6)(2, 3)
4. Demuestre que cualesquiera cinco puntos en el plano R2 yacen en una seccin cnica, es
decir, los cinco puntos satisfacen una ecuacin de la forma ax2 + by 2 + cxy + dx + ey + f = 0
5. Una persona que viaja al este a una velocidad de 3 kilmetros por hora encuentra que el
viento parece soplar directamente del norte. Al duplicar su rapidez el viento parece soplar
desde el noreste. Cul es la velocidad del viento?
(u + v( + (u v( = 2((u( + (v( )
(1886)
e interprtela geomtricamente.
8. Cundo es el ngulo entre dos vectores agudo, rectngulo u obtuso?
2
(1887)
12. Tres conductores fueron de paseo en carretera. Uno de ellos pag 8450 colones por cuatro
emparedados, una taza de caf y diez donas. El segundo pag 6300 por tres emparedados,
una taza de caf y siete donas. Cunto pag el tercero si compr una emparedado, una
taza de caf y una dona?
13. Considere el espacio vectorial formado por todas las funciones diferenciables. Determine si
los siguientes subconjuntos de ese espacio vectorial son subespacios o no
,
D
E
, df (x)
,
f : R R ,
+ 2f (x) = 0
(1888)
dx
,
D
E
, df (x)
,
f : R R ,
+ 2f (x) = 1
(1889)
dx
285
13 Problemas Adicionales
14. Demuestre que el conjunto R+ de nmeros reales positivos es un espacio vectorial si se
definen las operaciones de suma y multiplicacin de la siguiente forma (en lo siguiente
x y y son positivos mientras que t es cualquier nmero real)
x y := xy
t x := xt
(1890)
15. Una funcin f : R R se llama par si f (x) = f (x) e impar si f (x) = f (x).
Demuestre que el subconjunto de funciones pares y el subconjunto de funciones impares
forman dos subespacios del espacio vectorial de funciones de R en R. Demuestre a su vez
que cualquier funcin de R en R puede escribirse como la suma de una funcin par y una
funcin impar. Demuestre tambin que la interseccin de ambos subespacios es la funcin
nula, es decir, la funcin constante igual a 0.
16. Si U, V son dos subespacios, demuestre que U V es un subespacio. De un ejemplo donde
no se tenga que U V no es un subespacio.
17. Determine cuales
de los siguientes
linealmente inde;
< conjuntos estn formados por vectores
;
<
2
2
pendientes:
2,
4
sin
(x),
cos
(x)
,
{1,
sin(x),
sin(2x)},
{x,
cos(x)},
(1
+
x)2 , x2 + 2x, 3 ,
;
<
;
<
cos(2x), sin2 (x), cos2 (x) , 0, x, x2
286
13 Problemas Adicionales
24. Una de las ventajas de las matrices simtricas es que se pueden diagonalizar ortogonalmente segn QT AQ = D. Otra forma de escribir eso es como A = QDQT . Ahora bien, si D se denota como D = diag(d1 , d2 , , dn ) y f : R R es una funcin
cualquiera (como la exponencial, el seno y el coseno) se define f (D) como la matriz
f (D) = diag(f (d1 ), f (d2 ), , f (dn )), es decir, se evala la funcin sobre cada elemento sobre la diagonal individualmente. La ventaja de las matrices simtricas es- que permite
.
3 1
T
definir f (A) como f (A) = Qf (D)Q . Con ayuda de lo anterior si A =
1 7
calcule cos A y sin A.
287
References
References
[1] Kolman, B y Hill, D. lgebra Lineal. Pearson Education, Mxico, 2006.
[2] Hoffman, K y Kunze, R. lgebra Lineal. Prentice Hall, Mxico, 1973.
[3] Axler, Sheldon. Linear Algebra Done Right. Springer, USA, 2004
[4] Dym, Harry. Linear Algebra in Action. Graduate Studies in Mathematics, USA,
2006.
[5] Halmos, Paul. Finite-Dimensional Vector Spaces. Springer-Verlag, USA, 1974.
[6] Arce, Castillo y Gonzlez. lgebra Lineal. Editorial UCR, Costa Rica, 2008
[7] Vrilly, Joseph. Introduccin al lgebra Lineal.
[8] Vrilly, Joseph. MA-460: lgebra Lineal II.
[9] http://www.texample.net/tikz/examples/matrix-multiplication/
[10] http://en.wikipedia.org/wiki/Cross_product
[11] http://en.wikipedia.org/wiki/Euclidean_subspace
[12] http://en.wikipedia.org/wiki/Kirchhoffs_circuit_laws
[13] http://www.texample.net/tikz/examples/dva-vectors/
288
ndice de figuras
ndice de figuras
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
289
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
10
11
12
12
29
83
84
85
85
86
87
87
88
88
89
90
91
91
93
93
95
97
99
101
101
103
105
106
109
110
111
112
113
114
115
115
116
117
119
120
140
141
147
149
153
192
214
ndice de figuras
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
63.
64.
65.
66.
67.
68.
69.
70.
71.
72.
73.
74.
75.
76.
77.
78.
y2
x2
9 + 5 = 1 . . . . .
2
2
Elipse (x2)
+ (y+0.5)
=1
1
3
y2
x2
Hiprbola a2 b2 = 1 . . .
2
2
1
1
4 (x 1) 3 (y + 1) = 1 .
2
2
x9 + (y2)
=1 . . . . . .
4
1 2
Parbola x = 4a
y . . . . .
2
Elipse
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
. . . . . .
. . . . . .
x + 2 = 2(y 1) . . . . . . . . . . . .
y = 0,5(x 2)2 . . . . . . . . . . . .
elipsoide . . . . . . . . . . . . . . . . .
hiperboloide de una hoja . . . . . . . .
hiperboloide de dos hojas . . . . . . .
cono elptico . . . . . . . . . . . . . . .
Paraboloides hiperblico . . . . . . . .
Paraboloides elptico . . . . . . . . . .
Rotacin de un vector en el plano . . .
Rotacin a lo largo del eje z . . . . . .
Rotacin a lo largo del eje z $ . . . . .
Reflexin con respecto una lnea en R2
Reflexin con respecto un plano en R3
5x2 4xy + 8y 2 = 36. . . . . . . . . .
3x2 + 10xy + 3y 2 + 4 2 (x + y) = 16
ejercio elipse . . . . . . . . . . . . . .
Seccin cnica . . . . . . . . . . . . . .
Cada libre . . . . . . . . . . . . . . .
Ley de corriente de Kirchhoff . . . . .
Ley de Voltaje de Kirchhoff . . . . . .
Circuito elctrico . . . . . . . . . . . .
Grfica entre cinco objetos . . . . . . .
Movimiento circular uniforme . . . . .
rbita de un planeta . . . . . . . . . .
Mnimos Cuadrados . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
290
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
217
218
218
219
219
220
220
221
221
222
222
224
225
226
228
232
234
242
244
267
269
269
270
271
273
275
280
ndice alfabtico
ejes principales, 230
elipse, 214
Elipsoide, 219
espacio columna de una matriz, 256
espacio homogneo, 131
Espacio vectorial de funciones , 122
Espacio vectorial de polinomios, 123
espacio vectorial M (m, n, R), 122
espacio vectorial Rn , 122
espacio vectorial real, 121
exponencial de una matriz, 282
A
anlisis dimensional, 267
ngulo entre vectores:, 93
rea paralelogramo, 99
B
base de un espacio vectorial, 126
C
clculo vectorial, 273
cofactor, 47
combinacin lineal de vectores, 56, 125
complemento ortogonal de un subespacio, 137
componente ortogonal, 96
componente ortogonal de un vector a un subespacio, 142
conjunto generador, 126
conjunto linealmente dependiente, 126
conjunto linealmente independiente, 127
conjunto ortogonal de vectores, 134
conjunto ortonormal de vectores, 134
Cono elptico, 220
coordenadas de un vector en una base, 128
cuaterniones de Hamilton, 275
curvas cuadrticas, 213
curvas de mejor ajuste, 277
F
G
H
hiprbolas, 215
Hiperboloide de dos hojas, 220
Hiperboloide de una hoja, 219
hiperplano, 111
I
imagen de una transformacin lineal, 174
integral de una matriz, 272
Interpretacin Geomtrica de la Combinacin
Lineal, 89
Interpretacin Geomtrica de los Sistemas
de Ecuaciones Lineales, 10
inversa derecha, 34
inversa izquierda, 34
D
derivada de una matriz, 272
derivada del producto cruz, 274
derivada del producto punto, 273
Determinante de una matriz 2 2, 41
Determinante de una matriz 3 3, 41
Determinante de una matrizn n, 42
dimensin de una base, 126
Distancia entre dos puntos:, 93
M
Matrices cuadradas:, 32
matrices elementales de tamao n, 36
Matrices Invertibles, 34
matrices similares, 171
matriz adjunta, 48
Matriz antisimtrica, 34
matriz de adyacencia, 271
matriz de cambio de base, 167
Matriz diagonal, 33
matriz diagonalizable, 199
matriz escalonada, 16
matriz escalonada reducida, 17
Matriz identidad 1n , 33
matriz invertible, 35
E
ecuacin normal de un plano en R3 , 111
ecuacin paramtrica de una recta, 107
ecuacin simtrica de una recta, 107
ecuacin vectorial de un plano, 110
ecuacin vectorial de una recta, 107
ecuaciones diferenciales, 281
291
ndice alfabtico
matriz no singular, 35
Matriz nula 0n , 33
matriz ortogonal, 205
matriz ortogonalmente diagonalizable, 205
Matriz simtrica, 34
Matriz Transpuesta, 32
Matriz triangular, 33
matriz triangular inferior, 33
matriz triangular superior, 34
Mtodo de combinaciones lineales: , 9
Mtodo de Gauss-Jordan, 18
Mtodo de sustitucin:, 9
Multiplicacin de un vector por un nmero
real, 85
Multiplicacin de una matriz por un nmero
real, 27
multiplicidad algebraica, 195
multiplicidad geomtrica, 193
N
norma de un vector, 92
ncleo de una transformacin lineal, 173
nmeros complejos, 275
T
teorema de la dimensin, 176
teorema del rango, 22
teora de grficas, 271
transformacin identidad, 164, 259
transformacin lineal, 164
transformacin lineal invertible, 178
transformacin lineal inyectiva, 172
transformacin lineal sobreyectiva, 173
O
Operaciones Elementales , 14
P
parbola, 217
Paraboloide elptico, 221
Paraboloide hiperblico, 221
Planos en Rn , 110
planos paralelos, 111
planos perpendiculares, 111
polinomio caracterstico, 195
producto cruz, 96
Producto de Matrices, 27
Producto Escalar de Vectores, 90
producto punto, 92
proyeccin ortogonal, 95
proyeccin ortogonal de un vector sobre un
subespacio, 141
V
vector columna de tamao n, 55
vector fila de tamao n, 55
vector propio, 192
vectores linealmente dependientes, 58
vectores linealmente independientes, 58
vectores ortogonales, 94
Vectores paralelos , 88
vectores perpendiculares, 94
volumen paraleleppedo, 101
R
rango, 21
recta, 107
Rectas enRn , 106
rectas paralelas, 107
292