Sunteți pe pagina 1din 17

1 Unidad 1. Operaciones matriciales

Resultado de aprendizaje. Realizar operaciones de suma, resta, multiplicaciÛn por escalar, entre matrices y transposiciÛn.

DeÖnition 1 Una matriz A de m n es un arreglo rectangular de n˙meros reales (o complejos) ordenados en m Ölas y n columnas

A =

2

6

6

4

a

a

11

21

a m1

a

a

12

22

a m2

a ij

a 1 n a 2 n

a mj

3

7

7

5

a ij se denomina entrada o elemento (i; j ). Si m = n estonces A es cuadrada de orden n y a los elementos a ii forman la diagonal principal.

Example 2

4

A = 2

3

1

2

4

5

3

7

3

0

5 2

4

8

0

3

5

es una matriz de 3 4, donde a 24 = 2; a 31 = 4.

Example 3

B = 2 i

2i

4

5

4

0

0

i

4 i 3

3

5

es una matriz cuadrada de orden 3 donde a 13 = 0; a 31 = 5.

A las matrices m 1 y 1 n se les denomina vectores columna y Öla respectivamente.

Example 4

C

F

=

=

7

i

4

5

3

5

1.1 Operaciones entre matrices

1.1.1 Suma

Sean A = [a ij ] y B = [b ij ] matrices de m n . Se deÖne

donde

c ij = a ij + b ij .

C = A + B

1

Example 5 Sean

A =

2 1

4

2

5

7

6

4

6

B =

3

2 4

4

2 5

Example 6 la suma resulta

4

A + B = 2

1

23

18 6

5

7

8

2

12

4

1

Propiedades de la suma

3

4

0

3

0

5

1

1

6

0

3

5

3

2

0

3

5

3 4

4

5

2

8

0

3

5

A + B = B + A (conmutatividad)

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

A + O = A (elemento neutro)

A A = O (inverso aditivo)

1.1.2 MultiplicaciÛn escalar

Sea A = [a ij ] y r 2 R . Se deÖne el producto escalar

donde b ij = ra ij .

Example 7 Sean

A =

B

=

B = rA

2 1

2

4

5

7

6

7

8

2

6

4

3

4

2 4

2

5

el producto escalar resulta

4

A 3 B = 2

2

4

17

6

64

15

1

3

37

3

22

3

2

3

4

0

3

0

5

1

1

6

0

3

5

3

2

0

3

4

10

3

11

3

3

5

1

14

3

0

3

5

1.1.3 MultiplicaciÛn matricial

Sean A = [a ij ] de m p y B = [ b ij ] de p n matrices. Se deÖne

C = AB

matriz de m n donde c ij = X a ik b kj .

Example 8 Sean

A

B

=

=

1

2

6

3

2 4

4

2

5

5

7

7

8

2

3

0

4

3

5

el producto matricial resulta

AB

=

=

( 2)(3) + (5)(4) + ( 4 )( 2 ) ( 2)(7) + (5)( 8) + ( )(2)

( 1 6 )(3) + (7)(4) + (0)( 2 5 ) ( 1 )(7) + (7)( 8) + (0)(2)

3

3

4

5

6

137

10

55

2

105

2

343

6

por otra parte

BA =

=

3

4

2 4

2

4

2

5

43

20

7

15

6

3

7

8

2

3

5

64

36

12

1

2

6

9

4

3

3

10

5

7

3

5

3 0

4

Remark 9 El producto matricial, en general, no es conmutativo.

Propiedades de la multiplicaciÛn matricial

A(BC ) = ( AB )C (asociatividad)

A(B + C ) = AB + AC (distributiva)

I n A = AI m = A (elemento neutro)

(A + B )C = AC + BC

donde a la matriz cuadrada I se le denomina matriz identidad

I =

2

6

6

4

1

0

0

0

1

0

3

1

0

0

1

3

7

7

5

Cuando la multiplicaciÛn matricial se deÖne entre vectores, la operaciÛn se denomina producto escalar o producto punto. La potencia de una matriz se deÖne

A p = AA A

deÖnimos tambiÈn

p factores

A 0 = I

Example 10 Sean

entonces

a =

9

b = 2 4

4

3

1

5

3

5

2

3

a b = (9)(3) + ( 5)( 4) + ( 2 3 )(1) = 143

3

1.1.4 TransposiciÛn

Sean A = [ a ij ] de m n . La matriz A T = [a ji ] de n m se denomina transpuesta de A

Example 11 Sean

A

B

=

=

la transposiciÛn resulta

A T

B T

=

=

2

1

6

3

2 4

4

2

5

5

7

7

8

2

2 1

4

2 5

3

4

6

7

0

3

4

7 8

3

0

4

3

5

3

5

2

5

2

Propiedades de la transposiciÛn

(A T ) T = A

(A + B ) T = A T + B T

(AB ) T = B T A T

(rA) T = rA T

4

Example 12 Sean

= 3

A 5

4

2 3

1

B

=

4

2 7

1

4

3

5

2

3

5

se veriÖca la propiedad (AB ) T = B T A T

2

4

4

7

1

3

5

2

3

5

T

3

1

4

2 3

5

T =

51

26

15

19

2 Unidad 2. Matriz inversa

Resultado de aprendizaje. Calcular la inversa de una matriz por los mÈtodos de la matriz adjunta y eliminaciÛn gaussiana.

DeÖnition 13 Sea S = f1 ; 2 ; :::; n g El n˙mero de permutaciones existentes es

n !

Example 14 Determinar las permutaciones de S = f1 ; 2; 3g

DeÖnition 15 El simbolo de Levi-Civita se deÖne

ijk:::

=

1 permutaciÛn par

=

1 permutaciÛn impar

=

0 indices repetidos

DeÖnition 16 Sean A matriz cuadrada de n n

A =

2

6

6

4

a

a

1

2

a n

b

b

b n

2

1

c

c

c n

2

1

3

7

7

5

El determinante de A se deÖne

det A = jAj = P ijk::: a i b j c k :::

Example 17 Determinar det A

A = 2 7

1

4

2

2

5 4

1

3

6

3

5

det A = a 1 b 2 c 3 a 1 b 3 c 2 a 2 b 1 c 3 + a 2 b 3 c 1 + a 3 b 1 c 2 a 3 b 2 c 1

Propiedades de los determinantes

i) det A = det A T

ii) Si A se obtiene permuando dos Ölas (o dos columnas) de B entonces

det A = det B

iii) Si A tiene dos Ölas (o dos columnas) iguales

det A = 0

iv) Si A tiene dos Ölas (o dos columnas) con sÛlo ceros

det A = 0

6

Determinate por desarrollo de cofactores

DeÖniciÛn. Sea A una matriz de n n . Sea M ij la submatriz de A de tamaÒo (n 1)(n 1), obtenida eliminando la i-Èsima Öla y la j-Èsima columna de A. El determinante det(M ij ) se denomina menor de A. El cofactor A ij se deÖne

A ij = ( 1) i +j det(M ij )

Teorema. Sea A una matriz de n n . El determinante de A desarrollado por cofactores a lo largo de la i-Èsima Öla

det A = P

j

a ij A ij

= a i 1 A i 1 + a i 2 A i 2 + ::: + a in A in

determinante de A desarrollado por cofactores a lo largo de la j-Èsima columna

det A = P

i

Ejemplo. Sea

a ij A ij = a 1 j A 1 j + a 2 j A 2 j + ::: + a nj A nj

A =

2

6

6

4

2

4

0

7 9

3

1

5

4

8

1

2 0

5

7

3

3

7

7

5

calcular los menores det M 23 ; det M 14 ; det M 33

det M 23

=

det M 14

=

det M 14

=

2 3 4

1

0

7

3

5

7

1 4 5 0

0

9

= 219

= 244

7

2

1

9 2

3 4

4

7 9

8 = 460

0

y los cofactores correspondientes A

A =

2

6

6

4

2

1

5

7

3

4

0

9

A 21 = ( 1) 2+1 det M 21 = ( 1) 3 0

9

3

7

4

8

1

2 0

5

7

3

3

7

7

5

5

3

4

1 = 69

2 0

A 22 = ( 1) 2+2 det M 22 = ( 1) 4 5

A 23 = ( 1) 2+3 det M 23 = ( 1) 5 5

A 24 = ( 1) 2+4 det M 24 = ( 1) 6 5

2

7

2

7

2

7

4

1

2 0

3 4

5

3

0

9

3

0

9

= 5

1 = 219

0

5

3

2

= 312

det A = ( 1)(69) + (4)( 5) + (7)(219) + (8)( 312)

( 1)(69) + (4)( 5) + (7)(219) + (8)( 312) = 1052

corroboraciÛn

2

1

5

7

3

4

0

9

4

8

1

2 0

5

7

3

3 Unidad 3. Sistemas de ecuaciones lineales

3.1 Gauss

Resolver el sistema de ecuaciones por eliminaciÛn gaussiana

1 2 R 1

3R 1 + R 2 ! R 2 4R 1 + R 2 ! R 3

2x y + 3z

=

1

(2 pivote)

3x + 4y z

=

0

4x + 2y + z

= 1

 
 

1 2 y + 3 2 z

 

1

x

=

 

2

3x + 4y z

=

0

4x + 2y + z

= 1

 
 

1

x

1 2 y + 2 3 z

=

( 11

2

pivote)

 

2

11

2 y

11

z

4 y 5z

2

8

3

2

=

= 3

,

2

11 R 2

 

x

4R 2 + R 3 ! R 3

 

x

R 3

 

x

1 2 y + 3 z

2

z

4y 5 z

y

1

2 y

+ 3 z

2

y

z

z

1 2 y

+ 3 z

2

y

z

Solution is: x = 17 ; y = 18 ; z = 21

11

11

11

z

1

=

2

3

11

=

= 3

1

=

2

3

=

11

= 21

11

=

1

2

= 3

11

=

21

11

Estas operaciones pueden simpliÖcarse utilizando la matriz aumentada

2

4

2 1

3

4

4

2

3

1

1

1

0

1

3

5

obteniendo la matriz escalonada

3.2 Gauss-Jordan

2 1 R 2 + R 1 ! R 1

2

4

1

0

0

0

1

0

R 3 + R 2 ! R 2 R 3 + R 1 ! R 1

2

4

1

0

0

1

1

1

1

2

1

0

4

11

3

11

21

11

3

2

1

2

1 3

11

1

21

11

3

5

9

3

5

(Pivote a 22 = 1 )

R1

2k

R2 + V2 1k 18V + V1 R3 10V 4k 2 3 1 0 0
R2
+ V2
1k
18V
+ V1
R3
10V
4k
2
3
1
0
0 17
11
4
18 5
0
1
0
(Pivote a 22 = 1 )
11
21
0
0
1
11

Solution is: x = 17 ; y = 18 ; z = 21

11

11

11

Exercise 18 Resolver el siguiente sistema lineal (T = 0 ; 1; :::9 es la termi- naciÛn del n˙mero de lista)

3x 7 y T z + 2w

=

3

T x + 2y + 3z w

= 1

2x 4y + z + T w

=

0

5x + 3y 2 z 3w

= T

Aplicaciones (leyes de Kircho§) Resolver el siguiente circuito DC Nota. Falta invertir polaridad de V 2 en diagrama ecuaciÛn de nodos

malla 1

i 1 = i 2 + i 3

V 1 i 1 R 1 i 3 R 2 = 0

malla 2

V 2 i 3 R 2 + i 2 R 3 = 0

O bien

i 1 i 2

i 3

=

0

2 i 1

+ i 3

= 10

4 i 2 i 3

= 18

 

10

4 U4. Espacios vectoriales

Operaciones entre vectores Espacios vectoriales N˙meros complejos Eigenvalores y eigenvectores

4.1 Vectores en R n

A las matrices m 1 y 1 n se les denomina vectores columna y Öla respecti- vamente.

Example 19

u =

v =

7 2

4

5

3

5

El conjunto de todos los vectores con n componentes o coordenadas (entradas o elementos de la matriz) se le denomina n espacio denotado por R n . Propiedades de los vectores. Sean u; v; w 2 R n and j; k 2 R :

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

ii

iii u + ( u ) = 0

iv

v k (u + v ) = ku + kv

vi (j + k )u = ju + ku

vii (jk )u = j (ku )

viii 1 u = u

u + 0 = u

u + v = v + u

Si u = kv , entonces u se denomina multiplo de v y viceversa.

4.2 RepresentaciÛn geomÈtrica de vectores en R 2 ; R 3

vectores y operaciÛn entre ellos.

DeÖnition 20 Un vector v es una combinaciÛn lineal de vectores u i si existen k i 2 R tales que

v = k 1 u 1 + k 2 u 2 + ::: + k n u n

11

Example 21 Sean

@

u 1 = 0

2

4

1

1 A

1

u 2 = 0 3 A

3

@

7

@

u 3 = 0

3

0

3

1 A

35

v = 0 20

@

2

49

2

1

A

si v es una combinaciÛn lineal de u 1 ; u 2 ; u 3 , entonces k 1 = 2; k 2 = 4 ; k 3 =

2 1 , es decir

@

2 0

2

4

1

1

A + 4 0 3 A +

@

3

7

1

1

2

0 A = 0 20

@ 3

3

0

1

35

2

49

2

@

1

A

DeÖnition 22 Los vectores u i son linealmente dependientes si existen k i 2 R no todos nulos tales que

k 1 u 1 + k 2 u 2 + ::: + k n u n = 0

en caso contrario se dicen linealmente independientes.

Producto escalar. Sean u; v vectores en R n . El producto escalar o interno se deÖne

u v = X

j

u j v j

propiedades del producto escalar

i

(u + v ) w

= u w + v w

ii

(ku ) v

= k (u v )

iii

u v

=

v u

vi

u u

0

El espacio R n con con todas las propiedades anteriores se denomina espacio euclÌdeo. Norma de un vector. Sea u 2 R n . La norma (magnitud o longitud) del vector se deÖne

ku k = p u u = s X u

j

2

j

Vector unitario. Aquel que tiene norma unitaria. Sea u 2 R n . El vector unitario correspondiente

ub = u

k

u k

12

Desigualdad de Cauchy-Shwarz

ju v j k u k kv k

Desigualdad del tri·ngulo (o de Minkowski)

ku + v k k u k + kv k

Distancia entre dos vectores

d = ku v k

·ngulo entre dos vectores

cos =

u v

k u k kv k

la proyecciÛn de u sobre v

u vb

5 Unidad 5.Transformaciones lineales

5.1 Eigenvalores y eigenvectores

DeÖnition 23 Sea A una matriz de n n . El n˙mero es un eigenvalor de A si existe un eigenvector r distinto de cero en R n tal que

o bien

Example 24 Sea

Ar = r

(A I )r = 0

A =

2 4

1

1

el eigenvalor y eigenvector correspondiente

= 3

r =

1

2

satisfacen la ecuaciÛn Ar = r, ya que

2 4

1

1

1

2

3

6

=

=

3

1

2

3

6

Theorem 25 Los eigenvalores de A son las raÌces del polinomio caracterÌstico

det(A I ) = 0

13

Example 26 Sea

ecuaciÛn secular

 

1 2

eigenvalores

A =

2 4

1

1

1

4

= 2 5 + 6 = 0

1

2

=

=

2

3

eigenvector correspondiente a 1 = 2

haciendo x 2 = 1

1 2 2

(A 1 I )r 1

4 2 x

x

1

2

1

x 2 x 1 2x 2 2x 1

r 1 = 1

1

=

=

=

=

0

0

0

0

0

eigenvector correspondiente a 2 = 3

haciendo x 2 = 2

Example 27 Sea

ecuaciÛn secular

1 3 2

(A 2 I )r 2

4 3 x

x

1

2

1

x 2 2x 1 x 2 2x 1

r 2 =


1
2

A = 2 1

0

4

0

0

0 1

1

3

3

14

=

=

=

=

3

5

0

0

0

0

0

Example 28

eigenvalores

0

1

0

0

0

1

3

1 3

= 3 + 3 2 + 3

= (3 ) 2 + 1 = 0

1

2

3

3

= = = i

i

eigenvector correspondiente a 1 = 3

o bien

2

4

0 3

1

0

0

0 3

1

3

1 3 3

3

5 4 2

x

x

x

1

2

3

3

5

3 x 3 3 x 1

x 1 3x 2 x 3

x

2

x

x

2

1

=

= x 3

0

haciendo x 3 = 1

3

r 1 = 2 4 0 5

1

1

eigenvector correspondiente a 2 = i

2

4

0 i

1

0

0

0 i

1

3

1 3 i

3

5 4 2

x

x

x

1

2

3

3

5

3x 3 ix 1 x 1 ix 2 x 3 x 2 + (3 i) x 3

15

=

=

=

=

=

=

=

=

3

0

4 0 5

2

0

0

0

0

0

0

0

0

0

as dos primeras son independientes. Haciendo x 3 = 1

r 2 = 2 3 + i

3i

4

1

3

5

eigenvector correspondiente a 3 = i

2

4

0 + i

1

0

0

0 + i

1

3

1 3 + i

3

5 4 2

x

x

x

1

2

3

3

5

ix 1 + 3x 3 x 1 + ix 2 x 3 x 2 + (3 + i) x 3

=

=

=

=

0

0

0

0

0

las dos primeras son independientes. Haciendo x 3 = 1

r 3 = 2 3 i

4

3i

1

3

5

Exercise 29

= = 0 0 0 0 0 las dos primeras son independientes. Haciendo x 3 =

16

17

17