Documente Academic
Documente Profesional
Documente Cultură
I
Grado en Ingeniera en Tecnologas Industriales. Curso 2014-2015.
Departamento de Matematica Aplicada II. Universidad de Sevilla.
e = d(F, L).
2px con p = d(Fe, L)
)2 = 2p (x
e = d(F, L).
con p = d(Fe, L)
define una parabola con eje de simetra el eje OY y vertice el origen de coordenadas.
- Si a esta parabola le efectuamos un giro de 180 grados, obtenemosuna par
abola
p
con vertice en (0, 0), con eje de simetra el eje OY, con foco Fe = 0,
, con
2
e y = p y de ecuacion
directriz L
2
x2 =
2py
e = d(F, L).
con p = d(Fe, L)
)2 = 2p (y
e = d(F, L).
con p = d(Fe, L)
Elipse. Se denomina elipse al conjunto de los puntos del plano cuya suma de
las distancias a dos puntos fijos F1 y F2 , que llamaremos focos de la elipse, es
constante. A esa constante se le suele denotar por 2a > 0 y debe ser mayor que
la distancia entre los focos.
Ecuaci
on de la elipse. Se toma el sistema de referencia dado por:
eje OX, la recta que une los focos F1 y F2 .
eje OY , la recta perpendicular al eje OX que pasa por el punto medio de los
focos;
origen O del sistema de referencia, dicho punto medio.
Si la distancia entre los focos se denota por d(F1 , F2 ) = 2c > 0 con c < a, tenemos
que en este sistema de referencia,
F1 = (c, 0) y F2 = ( c, 0).
Ademas, un punto P = (x, y) pertenece a la elipse considerada si y solo si
x2 y 2
+ 2 = 1 con b2 = a2
a2
b
Notemos que, en este caso b < a.
c2 .
)2
a2
)2
(y
b2
= 1 con b2 = a2
f1 , F
f2 ) = d(F1 , F2 )
c2 y 2c = d(F
c2
Hip
erbola. Se denomina hiperbola al conjunto de los puntos del plano cuya
diferencia de las distancias a dos puntos fijos F1 y F2 , que llamaremos focos de
la hiperbola, es constante. A esa constante se le suele denotar por 2a > 0 y debe
ser menor que la distancia entre los focos.
Ecuaci
on de la hip
erbola. Se toma el sistema de referencia dado por:
eje OX, la recta que une los focos F1 y F2 ;
eje OY , la recta perpendicular al eje OX que pasa por el punto medio de los
focos;
origen O del sistema de referencia, tomamos dicho punto medio.
Si la distancia entre los focos se denota por d(F1 , F2 ) = 2c > 0 con a < c, tenemos
que en este sistema de referencia,
F1 = (c, 0) y F2 = ( c, 0).
Ademas, un punto P = (x, y) pertenece a la hiperbola considerada si y solo si
x2 y 2
= 1 con b2 = c2 a2 .
2
2
a
b
Notemos que el eje OX y el eje OY son ejes de simetra de dicha hiperbola,
y por tanto, la hiperbola es simetrica respecto del punto medio de los focos que
se llama centro de la hiperbola.
)2
(y
)2
f1 , F
f2 ) = d(F1 , F2 )
= 1 con b2 = c2 a2 y 2c = d(F
a2
b2
- Si hacemos el mismo razonamiento que antes pero intercambiando en todo
momento los papeles de x e y, esto es, tomando como eje OY el que contiene a
los focos, entonces obtenemos una ecuacion del tipo
x2 y 2
= 1 con a2 = c2 b2
a2
b2
que corresponde a una hiperbola con vertices (0, b) y que no corta al eje OX.
b
Sus asntotas tienen por pendiente m = .
a
2. C
onicas.
C
onica. Una conica es el lugar geometrico de los puntos del plano cuyas coordenadas (x, y) verifican una ecuacion de segundo grado del tipo
a11 x2 + a22 y 2 + 2a12 xy + 2a1 x + 2a2 y + a0 = 0.
Las parabolas, elipses e hiperbolas son casos particulares. Pero tambien estan las
llamadas conicas degeneradas:
Un par de rectas que se cortan en un punto. Por ejemplo: x2 y 2 = 0, esto
es, x = y.
Un par de rectas paralelas. Por ejemplo: x2 4 = 0, esto es, x = 4.
Un par de rectas coincidentes. Por ejemplo: x2 = 0, esto es, x = 0 dos veces.
Un u
nico punto. Por ejemplo: x2 + y 2 = 0, esto es, (x, y) = (0, 0).
El vaco. Por ejemplo x2 + y 2 + 1 = 0.
Reducci
on de la ecuaci
on de una c
onica sin t
ermino cruzado. En particular aquellas ecuaciones de segundo grado sin termino en xy (esto es, con
a12 = 0) corresponden a conicas cuyas ecuaciones pueden reducirse completando
cuadrados y realizando una traslacion a uno de los siguientes tipos de ecuaciones:
AX 2 + BY 2 + C = 0,
AX 2 + BY + C = 0,
donde los coeficientes de los terminos de grado dos son no nulos. Estas ecuaciones se denominan ecuaciones reducidas de la conica o ecuaciones de la conica
referidas a sus ejes.
C
onica tipo elptico. Se obtiene cuando al reducir la ecuacion se llega a la
expresion
AX 2 + BY 2 + C = 0,
con los coeficientes A y B del mismo signo. Llegamos a uno de los tres casos
siguientes, dependiendo del signo de C:
Si C tiene distinto signo que el de A y B, entonces obtenemos una elipse.
Si C tiene el mismo signo que el de A y B, entonces obtenemos el vaco.
Si C = 0, entonces obtenemos un punto.
C
onica tipo hiperb
olico. Se obtiene cuando al reducir la ecuacion se llega a la
expresion
AX 2 + BY 2 + C = 0,
con los coeficientes A y B de distinto signo. Llegamos a uno de los dos casos
siguientes, dependiendo de C:
Si C 6= 0, entonces obtenemos una hiperbola.
Si C = 0, entonces obtenemos un par de rectas secantes.
C
onica tipo parab
olico. Se obtiene cuando al reducir la ecuacion se llega a la
expresion
AX 2 + BY + C = 0.
Llegamos a uno de los dos casos siguientes, dependiendo de B y de C:
Si B 6= 0, entonces obtenemos una parabola.
Si B = 0 y C tiene el mismo signo que A, entonces obtenemos el vaco.
Si B = 0 y C tiene distinto signo que A, entonces obtenemos un par de rectas
paralelas.
Si B = C = 0, entonces obtenemos una recta.
3. Cu
adricas.
Cu
adrica. Una cuadrica es una superficie formada por todos los puntos del
espacio cuyas coordenadas (x, y, z) verifican una ecuacion de segundo grado del
tipo
a11 x2 + a22 y 2 + a33 z 2 + 2a12 xy + 2a13 xz + 2a23 yz + 2a1 x + 2a2 y + 2a3 z + a0 = 0.
Reducci
on de la ecuaci
on de una cu
adrica sin t
erminos cruzados. En
particular aquellas ecuaciones de segundo grado sin terminos cruzados pueden
reducirse completando cuadrados y realizando una traslacion a uno de los siguientes tipos de ecuaciones:
AX 2 + BY 2 + CZ 2 + D = 0,
AX 2 + BY 2 + CZ + D = 0,
AX 2 + BY + CZ + D = 0,
donde los coeficientes de los terminos de grado dos son no nulos. Estas ecuaciones
se denominan ecuaciones reducidas de la cuadrica.
Cu
adrica tipo elipsoide. Los elipsoides se obtienen cuando, una vez completado cuadrados, aparecen las tres variables elevadas al cuadrado y con los tres
coeficientes del mismo signo. Llegamos a uno de los tres casos siguientes, dependiendo del signo del segundo termino:
8
< 1
2
2
2
X
Y
Z
0 con a, b, c 6= 0
+ 2 + 2 =
:
a2
b
c
1
Caso 1. Elipsoide real. La ecuacion
X2 Y 2 Z2
+ 2 + 2 = 1
a2
b
c
(+) (+) (+) = (+)
corresponde a un elipsoide real . Sus elementos notables son:
Centro del elipsoide, que en este caso es el origen de coordenadas y es un punto
de simetra.
Ejes del elipsoide, que en este caso son los tres ejes coordenados.
Vertices, que son los puntos de corte del elipsoide con sus ejes. En este caso,
son los puntos (a, 0, 0), (0, b, 0), y (0, 0, c).
Semiejes, que son las distancias del centro a los vertices.
Elipsoide real
10
11
12
Cono
Cu
adrica tipo paraboloide. Los paraboloides se obtienen cuando, una vez
completado cuadrados, dos de las variables aparecen elevadas al cuadrado y la
tercera no aparece elevada al cuadrado. Llegamos a uno de los dos casos siguientes:
2
X
Y2
X
Y2
Z=
+ 2
o Z=
.
a2
b
a2
b2
Caso 1: Paraboloide elptico. La ecuacion
2
X
Y2
(los coeficientes de las variables elevadas
Z=
+ 2
2
al cuadrado son de igual signo)
a
b
corresponde a un paraboloide elptico. Sus elementos notables son:
Eje del paraboloide, que en este caso es el eje OZ {x = 0, y = 0}.
Vertice (punto de corte del paraboloide con su eje) que en este caso es el origen
de coordenadas.
Paraboloide elptico
Caso 2: Paraboloide hiperbolico. La ecuacion
2
X
Y2
(los coeficientes de las variables elevadas
Z=
2
2
al cuadrado son de distinto signo)
a
b
13
Paraboloide hiperbolico
Cilindros. Los cilindros se obtienen cuando, una vez completado cuadrados,
alguna de las variables no aparece en la ecuacion o, a
un apareciendo las tres
variables, solo hay una de ellas elevada al cuadrado. Un cilindro puede entenderse
como una conica desplazada a lo largo de todo un eje.
Caso 1: Una de las variables no aparece. Dependiendo de las otras dos variables
se pueden obtener distintos cilindros: cilindros elpticos, cilindros hiperbolicos y
cilindros parabolicos. Estos tipos incluyen los casos degenerados. Por ejemplo,
X2 Y 2
(a) los puntos (X, Y, Z) que satisfacen 2 + 2 = 1 y Z toma cualquier valor,
a
b
corresponde a un cilindro elptico;
X2
Y2
(b) los puntos (X, Y, Z) que satisfacen 2
= 1 y Z toma cualquier
a
b2
valor, corresponde a un cilindro hiperbolico;
(c) los puntos (X, Y, Z) que satisfacen Z 2 = 2pY y X toma cualquier valor,
corresponde a un cilindro parabolico, etc.
Cilindro elptico
Cilindro hiperbolico
Cilindro parabolico
14
Caso 2: Dos variables de grado uno y una de grado dos. En este caso se obtiene un
cilindro parabolico en el que la recta que contiene a los vertices de las parabolas
no es paralela a ninguno de los ejes coordenados.
15
Ejercicios.
Ejercicio 1. Expresa la ecuacion 2y 2 + 4y + 3x + 7 = 0 en la forma
(y
)2 = 2p(x
).
16
6x + 3y + = 0.
Ejercicio 14. Determina a que tipo de cuadrica corresponde cada una de las
ecuaciones siguientes. Halla sus elementos notables.
(a) 16x2 + 9y 2 + 4z 2 32x 36y + 36 = 0.
(b) 4x2 4y 2 z 2 16x 2z + 15 = 0.
(c) x2 z 2 2x + 4z + 1 = 0.
(d) x2 2y 2 2x + 8y z 5 = 0.
Ejercicio 15. Determina, seg
un los valores de a 2 R, el tipo de cuadrica al que
corresponden las ecuaciones siguientes:
(a) x2 + ay 2 + z 2 6x + 4z + 8 a = 0.
(b) ax2 + (4 a2 )y 2 z + 1 = 0.
(c) (a + 1)x2 + (a2 4)y 2 + az 2 = a2 + a + 2.
(d) x2 y 2 + z 2 2x + 4y + 6z + a = 0.
(e) x2 + (a2 4)y 2 + (a + 2)z 2 a = 0.
Ejercicio 16. Clasifica, seg
un los valores de a 2 R, la cuadrica de ecuacion
4x2
ay 2 + 9z 2
16x
2ay
18z = 2a
25.
Para a = 36, dibuja la cuadrica que se obtiene y halla sus elementos notables.
Ejercicio 17. Observa la cuadrica de la figura y determina su ecuacion en coordenadas x, y y z.
17
6x
4y
20 = 0 corresponde a:
4.
18
y 2 + z 2 + 4y + 6z + 13 = 0 verifica:
1=y
2, z = 4.
MATEMATICAS
I
Grado en Ingeniera en Tecnologas Industriales. Curso 2014-2015.
Departamento de Matematica Aplicada II. Universidad de Sevilla.
Sea z = a + bi un n
umero complejo. Si a = 0 entonces z = 0 + ib = ib y
diremos que el n
umero es imaginario puro. Si b = 0 entonces z = a + i0 = a y, en
particular, el n
umero es real. De esta forma el conjunto de los n
umeros reales es
un subconjunto de los n
umeros complejos.
Representaci
on geom
etrica de un n
umero complejo. Todo n
umero complejo se puede representar como un punto del plano, llamado plano complejo, en
el que el eje horizontal X es llamado eje real y recoge las partes reales y el eje
vertical Y es el eje imaginario y recoge las partes imaginarias.
19
20
Suma y producto de n
umeros complejos. Dados dos n
umeros complejos
z = a + ib y w = c + id, definimos la suma z + w y el producto zw como los
n
umeros complejos
z + w = (a + c) + i(b + d) y zw = (ac
Si z, w y v son tres n
umeros complejos, se satisfacen las siguientes propiedades:
(1) Propiedad conmutativa de la suma: z + w = w + z.
(2) Propiedad asociativa de la suma: (z + w) + v = z + (w + v).
(3) Existe un elemento nulo para la suma, el 0 = 0 + i0, tal que 0 + z = z
para todo z 2 C.
(4) Cada n
umero complejo z = a + ib tiene un elemento opuesto, el n
umero
z = a ib, tal que z + ( z) = 0.
(5) Propiedad conmutativa del producto: zw = wz.
(6) Propiedad asociativa del producto: (zw)v = z(wv).
(7) Existe un elemento unidad para el producto, el 1 = 1 + i0, que verifica
que 1z = z1 = z para todo z 2 C.
(8) Cada n
umero complejo z no nulo tiene un elemento inverso z 1 , tal que
zz 1 = z 1 z = 1. De hecho, si z = a + bi 6= 0 se tiene que
z
a2
a
b
+i 2
.
2
+b
a + b2
M
odulo de un n
umero complejo. Sea z = a + ib un n
umero complejo. Se
define el modulo de z, y se representa por |z|, como el n
umero real no negativo
p
|z| = a2 + b2 .
21
Si z y w son dos n
umeros complejos, se satisfacen las siguientes propiedades:
(1) |z| = 0 si y solo si z = 0.
(2) |z| = |z| .
z
|z|
(3) |zw| = |z| |w| y, si w 6= 0,
=
.
w
|w|
(4) |Re(z)| |z| y |Im(z)| |z| .
z
(5) zz = |z|2 . De aqu se deduce que, si z 6= 0, entonces z 1 = 2 . De esta
|z|
z
zw
manera, si w 6= 0,
= zw 1 =
.
w
|w|2
(6) Desigualdad triangular: |z + w| |z| + |w| .
2. Representaci
on en forma polar de un n
umero complejo.
Coordenadas polares de un punto en el plano. El punto P = (a, b) del
plano puede representarse a traves de las denominadas coordenadas polares (r, ),
donde r es la distancia de P al origen de coordenadas y es el angulo que forma
el vector de posicion de P con la parte positiva del eje de abscisas. Se entiende
que es positivo si es medido en sentido antihorario y negativo en caso contrario.
La relacion entre las coordenadas cartesianas y polares viene dada por
a = r cos ,
b = rsen .
Argumento de un n
umero complejo. Sabemos que al n
umero z = a + ib le
corresponde el punto P = (a, b) del plano complejo. Si consideramos las coordenadas complejas (r, ) de dicho punto, entonces r = |z|. Al n
umero lo llamaremos
argumento de z y lo representaremos por arg(z). Un n
umero complejo z tiene
infinitos argumentos, sin embargo, solo hay uno que esta en el intervalo [0, 2).
Es el llamado argumento principal de z y se denota por Arg(z) (a veces se toma
como argumento principal aquel que esta en el intervalo ( , ]). Se observa que
p
b
r = + a2 + b2 = |z| y que tan = .
a
22
La notaci
on de Euler. Si 2 R, se denota por ei el n
umero complejo de
modulo 1 y argumento
ei = cos + isen .
Se satisfacen las siguientes igualdades:
(1) ei = e i .
(2) ei = 1.
(3) ei1 ei2 = ei(1 +2 ) .
(4) ei(+2k) = ei .
(5) Formula de De Moivre. Si n 2 Z entonces ei
= ein .
Forma polar de un n
umero complejo. El n
umero complejo z = a + bi puede
escribirse mediante su modulo r y su argumento como
z = a + bi = r (cos + isen ) = rei = |z|eiarg (z) ,
que denominaremos forma polar de z.
b
Los n
umeros complejos z = rei y w = rbei son iguales si y solo si
b
= 2k con k 2 Z,
r = rb y
w = rbe entonces:
b
zw = rb
rei(+)
y, si ademas, z 6= 0, entonces
1
= e
r
b
b
)
Potencias de n
umeros complejos. Si z = rei es un n
umero complejo, entonces se define, para cada n 2 N, la potencia n-esima de z como z n := rn ein .
As pues, para n 2 N, la potencia n-esima de un n
umero complejo tiene por
modulo la potencia n-esima del n
umero y por argumento el argumento del n
umero multiplicado por n.
1
Si z 6= 0, se define z n como el inverso de z n , esto es, z n = n e in .
r
Races n-
esimas de un n
umero complejo. Se dice que un n
umero complejo
i
i 0
n
z = re es raz n-esima de z0 = r0 e 6= 0 si y solo si z = z0 .
z=
p
n
z0 si y solo si z n = z0 .
23
Races n-esimas de un n
umero complejo hay, justamente, n. Todas ellas tienen
el mismo modulo, la raz n esima del modulo del n
umero, y sus argumentos son
0 + 2k
0 2k
=
+
con k = 0, 1, 2, . . . n 1. Luego, son de la forma
n
n
n
zk =
p
n
re
0 +2k
n
, con k = 0, 1, 2, . . . , n
1.
an 1
,
an
z1 z2 . . . zn = ( 1)n
a0
.
an
an 6= 0, con n
24
2
z1
(c)
.
z2 + i
p
p
z 100
Ejercicio 5. Dados z1 = 1 + 3i y z2 = 2 (1 i) , calcula 1104 y expresalo en
z2
forma binomica.
Ejercicio 6. Dados los n
umeros complejos z1 = 1 + i, z2 = 1
calcula
5z1 + 2z2
z3 ,
z12 ,
z1 z 2 z 3 ,
z1 z3
,
z2
|2z1
3z3 | ,
z1 z3
,
z2
i, z3 = 3 + 4i,
z1n
(n 2 N).
z2n 2
6
Ejercicio 11. Halla las races cuartas de w = Re
.
1+i
25
3i, se pide:
Ejercicio 13.
umeros complejos z1 = 2, z2 = 2i, z3 = 3 3i, y
p Dados los n
z4 = 2 + 2 3i:
(a) Representalos geometricamente y escrbelos en forma polar y exponencial.
z3 27 200
(b) Calcula y representa geometricamente: z1 + z3 , z2 z3 , z3 z4 ,
, z3 , z4 .
q z4
p
p
p
p 2
(c) Calcula y representa geometricamente: 3 z1 , 5 z3 , 4 z4 , 4 z12 , ( 4 z1 ) .
Ejercicio 14. Calcula:
(a) La parte imaginaria de (1 i)5 y la parte real de (1
(b) Las races sextas de z = 1.
k
100
100
X
X
1+i
k
p
(c) La parte real de las sumas
i ,
.
2
k=0
k=0
i)2002 .
8iz.
2z)3 + 27 = 0.
Ejercicio 18. Resuelve las siguientes ecuaciones polinomicas y factoriza los polinomios correspondientes:
z2
2z + 2 = 0,
z 2 + (i
1)z
i = 0,
z6
2z 3 + 2 = 0.
Ejercicio 19.
(a) Halla la parte real e imaginaria del n
umero complejo z dado por
p 27
z = 1 + 3i
+ 1
p 27
3i
.
1 = 0.
2)n = 0.
26
2z 15,
(1 + i)z 2 ,
p i/4 4
z + 2e
= 16ei2/3 .
Ejercicio 25. Resuelve las siguientes ecuaciones (no polinomicas)
(a) z z1 = 3i.
(b) (z)2 = z 2 .
Ejercicio 26. Representa en el plano complejo las curvas y recintos determinados
por las siguientes
igualdades
y desigualdades:
1
1
(a) Im
> Re
.
z
z
(b) Re(z 2 ) = 0.
(c) Im(z 2 ) = 3.
(d) |z 3| = |z + i|.
(e) |z 3| > |z + i|.
MATEMATICAS
I
Grado en Ingeniera en Tecnologas Industriales. Curso 2014-2015.
Departamento de Matematica Aplicada II. Universidad de Sevilla.
28
(4) Existencia de la matriz opuesta: Dada A = [aij ] , existe una matriz que
representaremos por A y cuyos elementos son A = [bij ] con bij = aij , que
satisface A + ( A) = ( A) + A = 0.
Nota: La diferencia entre matrices se entiende como la suma de la primera
con la matriz opuesta de la segunda.
Producto de un n
umero por una matriz. Dada una matriz A = [aij ] y un
escalar (o n
umero) , la matriz producto A es la matriz A = [cij ] con entradas
cij = aij .
El producto de un n
umero por una matriz tiene las propiedades siguientes:
(1) (A + B) = A + B.
(2) ( + )A = A + A.
(3) ( A) = ( )A.
(4) 1.A = A, siendo 1 el n
umero real unidad.
Producto de matrices. Para hacer el producto AB de la matriz A = [aij ] de
dimensiones m n y la matriz B = [bij ] de dimensiones p q debe ocurrir que
n = p, es decir, que el n
umero de columnas de la primera sea igual al n
umero
de filas de la segunda. En este caso, la matriz producto AB es la matriz de
dimensiones m q cuyo elemento ij esimo es la suma de los productos de los
elementos de la fila i de A por los correspondientes de la columna j de B, esto
es,
AB = [cij ] con entradas cij = ai1 b1j + ai2 b2j + + ain bnj =
n
X
aik bkj ,
k=1
para i = 1, 2, . . . , m y j = 1, 2, . . . , q.
El producto de matrices tiene las propiedades siguientes (siempre que las
dimensiones sean las adecuadas):
(1) Propiedad asociativa: (AB) C = A(BC).
(2) Propiedad distributiva del producto respecto de la suma:
(A + B) C = AC + BC,
A(B + C) = AB + AC.
(3) Existencia de matriz unidad o matriz identidad I (matriz cuadrada cuyos elementos diagonales son 1 y los elementos no diagonales son 0) tal que al
multiplicar por cualquier matriz A da la propia matriz A.
Notas:
(1) El producto de matrices no es, en general, conmutativo.
(2) Si dos matrices cuadradas del mismo orden conmutan, AB = BA, entonces
(A + B)
n n
n n 1
n n k k
n
=
A +
A B + +
A B + +
Bn,
0
1
k
n
29
n
n!
n(n 1)(n 2) . . . (n k + 1)
donde
=
=
y 0! = 1.
k
k!(n k)!
k!
(3) Al contrario de lo que ocurre con los n
umeros, el producto de dos matrices
distintas de la matriz nula puede ser igual a la matriz nula. De aqu se deduce
que de ser AB = AC, en general, no se puede asegurar que B = C.
Trasposici
on de una matriz. Dada una matriz A = [aij ] de dimensiones mn,
su matriz traspuesta, que denotaremos por AT , es la matriz de dimensiones n m
y que resulta al cambiar en A las filas por la columnas. Luego, si AT = [bij ] ,
entonces bij = aji .
Una matriz A se dice simetrica si coincide con su traspuesta, esto es, AT = A
(este concepto no tiene sentido si la matriz no es cuadrada).
La trasposicion de matrices tiene las propiedades siguientes (siempre que las
dimensiones sean las adecuadas):
T
(1) AT = A.
(2) (A + B)T = AT + B T .
(3) (A)T = AT .
(4) (AB)T = B T AT .
Determinante de una matriz cuadrada. El determinante de una matriz cuadrada es un n
umero que depende de las entradas de la matriz. Lo definimos de
forma recursiva de la siguiente manera.
Determinante de orden 1 : det(A) = det(a11 ) = a11 .
Determinante de orden n > 1 :
2
3
a11 a12 a1n
6 a21 a22 a2n 7
6
7
det(A) = det 6 ..
..
.. 7
4 .
.
. 5
an1 an2 ann
= a11 det(A11 ) a12 det(A12 ) + + ( 1)1+n a1n det(A1n )
n
X
=
( 1)1+j a1j det(A1j ),
j=1
30
= A 1 A = I.
Una matriz cuadrada se dice que es regular o no singular si posee inversa; en caso
contrario se dice que es singular.
La matriz inversa verifica las siguientes propiedades:
(1) La matriz A es no singular si y solo si det(A) 6= 0.
1
(2) Si A es no singular, entonces det(A 1 ) =
.
det(A)
1
(3) Si A es no singular, entonces A 1 es no singular y (A 1 ) = A.
1
T
(4) Si A es no singular entonces AT es no singular y AT
= (A 1 ) .
(5) Si A y B son matrices cuadradas del mismo orden, entonces AB es no
singular si y solo si A y B son no singulares y, en ese caso, (AB) 1 = B 1 A 1 .
En particular, si A es no singular entonces cualquier potencia natural suya Ak
1
k
con k = 1, 2, 3... es no singular y ademas Ak
= (A 1 ) .
(6) Si A es no singular y es un n
umero no nulo, entonces A es no singular
1 1
1
y (A) = A .
2. Algoritmo de Gauss.
Matriz escalonada por filas. Se dice que una matriz U es escalonada por filas
si
todos los elementos que estan por debajo del primer elemento no nulo de
cada fila son nulos.
31
el primer elemento no nulo de cada fila esta a la derecha del primer elemento
no nulo de la fila anterior, y
las filas nulas (si las hay) estan por debajo de las filas no nulas.
Por ejemplo, una matriz escalonada por filas puede ser la que tiene la siguiente
estructura:
2
3
6 0 7
6
7
6 0 0 0 7
6
7
U = 6 .. .. .. .. . .
7.
6 . . . .
. 7
6
7
4 0 0 0 0 0 5
0 0 0 0 0 0 0
Operaciones elementales por filas. Se denominan operaciones elementales
por filas en una matriz a las siguientes:
(1) Intercambio de filas.
(2) Multiplicacion de una fila por un n
umero distinto de 0.
(3) Sumar a una fila un m
ultiplo de otra.
Algoritmo de Gauss. El Algoritmo de Gauss permite reducir una matriz cualquiera B de dimension m n a una matriz escalonada por filas U a traves de
operaciones elementales por filas. Los pasos a seguir son los siguientes:
(1) Eleccion del pivote. Tomamos la primera columna de la matriz. Elegiremos
un elemento no nulo en dicha columna que llamaremos pivote.
Si el primer elemento de dicha columna es no nulo, este sera elegido como
pivote.
Si el primer elemento de dicha columna es nulo, pero por debajo de el hay
alguno no nulo, entonces escogemos uno de ellos como pivote y realizamos un
intercambio de filas para situar dicho termino en el primer lugar.
Si todos los elementos de esta primera columna son nulos entonces no es posible
seleccionar un pivote en dicha columna y repetimos el paso (1) con la submatriz
generada al eliminar la primera columna.
(2) Pivoteo. En el paso anterior hemos elegido el pivote y lo hemos situado en la
primera posicion de la primera columna. Hacemos ahora ceros en dicha columna
por debajo del pivote. Para ello, a cada una de las filas siguientes le restamos un
m
ultiplo de la fila del pivote de forma que se anule el correspondiente elemento
en la columna del pivote.
(3) Se repite el proceso desde el paso (1) con la submatriz que queda al eliminar
la fila y la columna del pivote.
El proceso se termina cuando no quedan columnas en la que obtener el siguiente
pivote.
Nota: El algoritmo que acabamos de describir no determina de forma u
nica
la forma escalonada superior por filas que se obtiene, sino que esta depende de la
32
eleccion de pivote que se haga en cada columna donde sea posible. Sin embargo,
s es u
nico el n
umero de pivotes obtenidos.
Rango de una matriz. El rango de una matriz B se denota por r(B) y se define
como el n
umero de pivotes que aparecen al aplicar el algoritmo de Gauss a dicha
matriz.
Matrices elementales. Los pasos (1) y (2) del algoritmo de Gauss se pueden
realizar matricialmente premultiplicando nuestra matriz, en cada paso, por las
siguientes matrices elementales:
Matriz de permutacion. La matriz Pij de la forma
2
6
6
6
6
6
6
Pij = 6
6
6
6
6
6
4
1 0 0
0 1 0
.. .. . . ..
. .
. .
0 0 0
.. ..
.. . .
.
. .
.
0 0 1
.. ..
..
. .
.
0 0
0
0
..
.
0
0
..
.
1
..
.
0
..
.
0 0
.. . . ..
. .
.
0 1
7
7
7
7
7
7 (i)
7
7
7
7 (j)
7
7
5
(i)
(j)
se llama matriz de permutacion y permite, premultiplicando por ella, intercambiar
las filas (i) y (j) de la matriz dada.
Matriz de pivoteo. La matriz Mi de la forma
2
6
6
6
6
6
Mi = 6
6
6
6
4
1 0
0 1
.. .. . .
.
. .
0 0
0 0
.. ..
. .
0 0
0
0
..
.
i+1
..
.
0
0
..
.
0
0
..
.
7
7
7
7
7
7 (i)
7
7
7
5
(i)
permite, premultiplicando por ella, efectuar sobre la matriz dada las operaciones
de filas siguientes:
Fk Fk
k Fi ,
para todo k = i + 1, . . . , m.
Los n
umeros k con k = i+1, . . . , m se llaman coeficientes de Mi . Si el objetivo es
hacer pivoteo por debajo de un pivote situado en la posicion (i, j), entoces debe
elegirse cada coeficiente k como el cociente entre el termino (k, j) y el termino
(i, j), con k = i + 1, . . . , m. En dicho caso denominamos a Mi matriz de pivoteo.
33
1,
det(Mi ) = 1.
(2) Las matrices elementales son invertibles. Se verifica que Pij 1 = Pij . La
matriz Mi 1 es una matriz del mismo tipo que Mi con coeficientes opuestos a los
de Mi .
(3) El efecto que produce postmultiplicar una matriz por una matriz de permutacion Pij es intercambiar las columnas i, j de la matriz dada. El resultado
del producto Pij Mk Pij , para i, j > k, es una matriz del mismo tipo que Mk pero
intercambiando el coeficiente de la fila i con el coeficiente de la fila j.
(4) Dadas dos matrices elementales Mi , Mj con j > i de coeficientes i+1 , ..., m
y j+1 , ..., m respectivamente, se verifica que
2
6
6
6
6
6
6
6
6
Mj Mi = 6
6
6
6
6
6
6
6
4
1 0
0 1
.. .. . .
.
. .
0 0
0 0
.. ..
. .
0 0
0 0
.. ..
. .
0 0
0
0
..
.
0
0
..
.
0
0
..
.
1
0
i+1 1
..
.. . .
.
.
.
j 0
j+1 0
..
..
.
.
0
0
..
.
0
0
..
.
0
0
..
.
0
0
..
.
(i)
j+1
..
.
7
7
7
7
7
7 (i)
7
7
7
7
7
7 (j)
7
7
7
7
5
(j)
34
9
>
= b1 >
>
= b2 =
.. ..
. . >
>
>
= b ;
m
la siguiente manera:
3
7
7
7,
5
esto es, Ax = b donde la matriz A = [aij ] recoge todos los coeficientes y es llamada
matriz de los coeficientes , la matriz columna x = [xi ] recoge a las incognitas y
la matriz columna b = [bi ] recoge a los terminos independientes. Llamaremos
matriz ampliada [A|b] del sistema a la matriz que recoge todos los coeficientes y
los terminos independientes.
2
3
a11 a12 a1n b1
6 a21 a22 a2n b2 7
6
7
[A|b] = 6 ..
..
..
.. 7
..
4 .
.
.
.
. 5
am1 am2 amn bm
Se denomina solucion del sistema Ax = b a toda matriz columna x que verifique la igualdad.
35
Resoluci
on de un sistema de ecuaciones lineales. Un metodo para resolver
un sistema de ecuaciones lineales consiste en la aplicacion del algoritmo de Gauss
a la matriz ampliada del sistema. Este algoritmo transforma el sistema inicial en
un sistema escalonado por filas equivalente, esto es, con las mismas soluciones.
2
6
6
6
4
a11
a21
..
.
a12
a22
..
.
..
.
a1n
a2n
..
.
b1
b2
..
.
am1
am2
amn
bm
0
0
6
6
6
7
6
7
6
7!6 0
6
5
6 0
6
4 0
0
3
0 0
..
.
0 0 0
0
0
0
0
0
0
0
0
0
3
7
7
7
7
7
7
7
0 7
7
0 0 5
0 0 0
Una vez obtenida dicha forma escalonada por filas las soluciones del sistema
resultante se obtienen mediante sustitucion regresiva.
Estudio de la compatibilidad de un sistema lineal. Si al reducir un sistema
m n de ecuaciones lineales Ax = b a forma escalonada por filas obtenemos r
pivotes en la matriz A de coeficientes del sistema, esto es r(A) = r, entonces
r mn {m, n} . Ademas, se verifica que:
(1) Si la columna del termino independiente b es columna pivote, entonces el
sistema es incompatible.
(2) Si la columna del termino independiente b no es una columna pivote y
r = n, entonces el sistema es compatible determinado.
(3) Si la columna del termino independiente b no es una columna pivote y
r < n, entonces el sistema es compatible indeterminado.
Sistema lineal homog
eneo. Un sistema homogeneo (de m ecuaciones lineales y
n incognitas) se define como aquel de la forma Ax = 0. Estos sistemas son siempre
compatibles puesto que el vector nulo 0 2 Rn verifica A0 = 0. Esta solucion se
denomina solucion trivial o nula.
Estructura de las soluciones de un sistema lineal homog
eneo. Si al efectuar eliminacion gaussiana en el sistema Ax = 0 de m ecuaciones con n incognitas
se obtienen en la matriz de los coeficientes r pivotes (o lo que es lo mismo n r
variables libres), entonces pueden conseguirse n r soluciones u1 , u2 ,. . . , un r
tales que la solucion general de Ax = 0 es
{x = 1 u1 + 2 u2 + . . . + n r un
2 Rn : 1 , 2 , . . . , n
2 R} .
36
6
7
A I ! 6 .. .. . .
.. .. .. . .
.. 7
4 . .
. . 5
. . . .
0 0
6
1
6
!6
.. . .
4
.
.
0 0
! I A 1
1
0
..
.
.. ..
. .
1
.. . .
.
.
..
.
7
6
7
6
7!6
5
4
37
1
0
..
.
0
1
..
.
...
0
0
..
.
..
.
..
.
...
..
.
3
7
7
7
5
38
(5) Al a
nadir vectores a un conjunto linealmente dependiente se obtiene un
conjunto linealmente dependiente. Y al suprimir vectores de un conjunto linealmente independiente se obtiene un conjunto linealmente independiente.
Caracterizaciones de la independencia lineal. Consideremos {v1 , v2 , . . . , vn }
vectores de Rm y consideremos la matriz A cuyas columnas con las coordenadas
de los vectores dados
2 .
..
.. 3
..
.
.
6
7
A = 4 v1 v2 vn 5
..
..
..
.
.
.
Son equivalentes:
(1) {v1 , v2 , . . . , vn } son linealmente independientes.
39
40
siguiente matriz
1
1
1
1
0
1
3
3
1
2
1
2
1
0
1
2
2
2
2
0
7
7
7.
7
5
2
A=4 1
2 2 + 1
de
0
0
1
1
1
0
8
1
3
2
3 7
7,
1 5
1
matrices
3
2 0
1 2 7
7.
1 1 5
1 0
3
2
3 5
2
cuando sea posible. En caso contrario encuentra la factorizacion P A = LU . Determina el valor del determinante de A en funcion de .
Ejercicio 5. Encuentra los vectores de R4 que verifican que la suma de sus
componentes es 3, sus componentes segunda y cuarta son iguales y su tercera
componente es el doble de la primera.
Ejercicio 6. Resuelve los siguientes sistemas:
8
9
8
9
< x1 + x2 + x3 = 3 =
< x1 +2x2 +x3 = 5 =
2x1 +3x2 + x3 = 6 , (b)
2x1 +4x2 x3 = 7 ,
(a)
:
;
:
;
x1 +5x2 +2x3 = 8
x1 x2
= 1
41
8
9
< 2x1 +x2 + x3 = 1 =
x1 x2 +2x3 =
1 .
(c)
:
;
x1 +x2 +3x3 = 1
0
0
0
0
9
>
>
=
>
>
;
8
<
9
x1 +2x2 + x3
= 3 =
2x1 +4x2 +3x3 +x4 = 9 .
(b)
:
;
x1 2x2 + x3 +x4 = 2
1
4
A= 0
1
0
2
2
1 2
1 0 5,
2 2
b=4
1
2 5
2
de los parametros:
9
a >
>
=
1
.
2 >
>
;
1
2
3
x1
6 x2 7
7
x=6
4 x3 5 .
x4
3
1
1 7
7
5
1
42
Determina las condiciones a satisfacer por a y b para que dicho sistema sea,
respectivamente,
(a) incompatible, (b) compatible determinado, (c) compatible indeterminado.
Ejercicio 13. Para que valores de a 2 R tiene inversa la matriz A dada por
2
3
1 2 1
A = 4 a 0 1 5?
a 1 a
Calcula la inversa para a = 0.
Ejercicio 14. Son invertibles las siguientes matrices? En caso afirmativo, calcula
sus inversas usando el metodo de Gauss-Jordan. En caso negativo, explica por
que.
2
3
2
3
2
1 0
2 0 0
1 5,
A=4 1 2
B = 4 1 1 1 5,
0
1 2
1 1 1
2
3
2
3
1 1 1
1 1 0
C = 4 0 1 1 5,
D = 4 0 1 1 5.
0 0 1
0 0 1
Ejercicio 15. Calcula, si existen, las inversas de
2
3
2
2 1 4 6
0 1 1 1
6 0 3 8 5 7
6 1 0 1 1
7
A=6
B=6
4 0 0 0 7 5,
4 1 1 0 1
0 0 0 9
1 1 1 0
7
7.
5
3
2 3
2 3
1
0
3
5
4
5
4
4 , v4 = 1
y v5 = 3 5 .
1
1
4
3
2 3
2 3
1
0
3
4 5 , v4 = 4 1 5 y v5 = 4 3 5 .
1
a
4
43
7
6
7
6
7 y v4 = 6
7
6
5
4
2
6
4
3
2
7
7
7.
7
5
MATEMATICAS
I
Grado en Ingeniera en Tecnologas Industriales. Curso 2014-2015.
Departamento de Matematica Aplicada II. Universidad de Sevilla.
2 R entonces u + v 2 S.
Notas:
(1) El vector nulo pertenece a cualquier subespacio vectorial.
(2) S = {0} y S = Rn son subespacios vectoriales llamados subespacios triviales.
(3) En el espacio bidimensional R2 los subespacios son, ademas de los dos
subespacios triviales, las rectas que pasan por el origen.
(4) En el espacio tridimensional R3 los subespacios son, ademas de los dos
subespacios triviales, las rectas y planos que pasan por el origen.
Subespacio generado por un conjunto de vectores. Dado un conjunto de
vectores {v1 , v2 , . . . , vp } de Rn , se llama subespacio generado por dichos vectores
al conjunto de todas las combinaciones lineales de dichos vectores,
Gen {v1 , v2 , . . . , vp } = {1 v1 + 2 v2 + + p vp : 1 , 2 , . . . , p 2 R} .
Propiedades de los subespacios generados.
(1) Gen{v1 , v2 , . . . , vp } es un subespacio vectorial de Rn .
(2) Gen{v1 , v2 , . . . , vp } Gen{v2 , . . . , vp } .
(3) Gen{v1 , v2 , . . . , vp } = Gen{v1 , v2 , . . . , vp } si 6= 0.
(4) Gen{v1 , v2 , . . . , vp } = Gen{v1 + v2 , v2 , . . . , vp } .
(5) El subespacio generado por un conjunto de vectores no cambia al a
nadir
combinaciones lineales de dichos vectores.
(6) El subespacio generado por un conjunto de vectores no cambia al quitar
vectores que sean combinacion lineal de los restantes.
45
46
matriz.
3
a1n
a2n 7
7
.. 7 se pueden definir dos
. 5
am1 am2 amn
subespacios vectoriales importantes: el espacio nulo y el espacio columna.
Espacio nulo de una matriz. Se denomina espacio nulo de la matriz A al
conjunto solucion del sistema homogeneo Ax = 0,
N ul(A) = {x 2 Rn : Ax = 0} .
El espacio nulo de2A es 3
un subespacio vectorial contenido en Rn .
x1
6 x2 7
6
7
Un vector x = 6 .. 7 2 Rn pertenece al espacio nulo de A si y solo si Ax = 0,
4 . 5
xn
esto es, si y solo si,
9
a11 x1 + a12 x2 + + a1n xn = 0 >
>
>
a21 x1 + a22 x2 + + a2n xn = 0 =
..
. >
>
>
am1 x1 + am2 x2 + + amn xn = 0 ;
Estas ecuaciones son llamadas ecuaciones implcitas del espacio N ul(A).
47
1 m1
2 m2
n mn
.. 3
.
7
vp 5
..
.
Base can
onica de Rn . Los vectores de Rn ,
8
2 3
2 3
2
>
1
0
0
>
>
<
6 0 7
6 1 7
6 0
6 7
6 7
6
e1 = 6 .. 7 , e2 = 6 .. 7 , . . . , en = 6 ..
>
4 . 5
4 . 5
4 .
>
>
:
0
0
1
forman una base de Rn , llamada base canonica de Rn .
39
>
>
7>
=
7
7
5>
>
>
;
48
49
P = B 1U
U
esto es, las columnas de la matriz del cambio estan formadas por las coordenadas
de los vectores de la base U respecto de la base B.
4. Transformaciones lineales.
Transformaci
on lineal.
Se dice que una transformacion T : Rn ! Rm que
2
3
x1
6 .. 7
a cada vector x = 4 . 5 2 Rn hace corresponder como imagen un vector
2
xn
y1
6 .. 7
T x = y = 4 . 5 2 Rm es lineal si se verifica que
ym
T (x + x
b) = T (x) + T (b
x) para todo x, x
b 2 Rn y todo ,
2 R.
50
.
6
7
A = 4 T (e1 ) T (e2 ) T (en ) 5
..
..
..
.
.
.
N
ucleo e imagen de una transformaci
on lineal. Consideremos una transn
m
formacion lineal T : R ! R . Se denomina n
ucleo de T al subespacio vectorial
n
de R
{x 2 Rn : T (x) = 0} .
Se llama imagen de T al subespacio vectorial de todos los vectores de Rm que
son imagen de algun vector de Rn , esto es,
T (Rn ) = {T (x) : x 2 Rn } = {y 2 Rm : existe x 2 Rn con T (x) = y} .
Observese que si A es la matriz asociada a la transformacion T , entonces el
n
ucleo de T coincide con N ul(A) y la imagen de T coincide con Col(A).
51
Ejercicios.
Ejercicio 1. Consideremos en R3 el conjunto S formado por aquellos vectores
tales que la suma de sus componentes valen 0. Es S un subespacio vectorial? Y
el conjunto Sb formado por aquellos vectores tales que la suma de sus componentes
valen 1?
Ejercicio 2. Determina cuales de los siguientes conjuntos de vectores son subespacios vectoriales:
(a) El conjunto de los vectores (x1 , x2 ) 2 R2 cuyas coordenadas verifican,
respectivamente,
(a.1) x1 x2 = a (a 2 R),
(a.2) x1 + 2x2 = 0 o x1 x2 = 0,
(a.3) x21 + x22 = a (a 2 R),
(a.4) x1 + 2x2 = a y x1 x2 = b, (a, b 2 R).
(b) El conjunto de los vectores (x1 , x2 , x3 ) 2 R3 cuyas coordenadas verifican,
respectivamente,
(b.1) (x1 + x2 )(x2 + x3 ) = 0,
(b.2) x1 = 0 y (x2 = 0 o x3 = 0),
8
9
< x1 = ,
=
x2 = + 2 , para alg
(b.3) Se pueden expresar de la forma
un 2 R.
:
;
x3 = 0,
(b.4) x1 + x2 + x3 0.
(c) El conjunto de los vectores (a1 , a2 , . . . , an ) 2 Rn tales que cada una de las
coordenadas a3 , . . . , an es la media (aritmetica) de las coordenadas anteriores.
Ejercicio 3. Para cada b 2 R, considera la matriz
2
3
1
1
1
1
2
0
1 5.
B=4 1
0
b
1
2
Encuentra, seg
un los valores de b, un conjunto generador linealmente independiente del espacio N ul(B).
Ejercicio 4. Para cada a 2 R, considera
2
0
6 1
A=6
4 2
1
la matriz
3
1
1
1
3 7
7.
0
4 5
2
a
Encuentra, seg
un los valores de a, unas ecuaciones implcitas del espacio Col(A).
Para a = 1, escribe razonadamente, si es que existe, una matriz C de dimensiones
4 5 tal que Col(C) = Col(A).
52
6
A=6
4
1
2
1
1
0
2
4
2
1
2
0
1
2
5
3
3
3
1
0 7
7.
3 5
1
Considera los subespacios N ul(A) y Col(A) y encuentra, para cada uno de ellos,
unas ecuaciones implcitas, unas ecuaciones parametricas y un sistema generador.
Ejercicio 6. Halla las ecuaciones parametricas
2
1
2
0
6 1
3
3
6
0
1
1
A=6
6
4 1
2
4
2
3
1
3
3
2 7
7.
0 5
2
53
Ejercicio 9.
(a) Demuestra que para una matriz cuadrada A se verifica que
N ul(A) N ul(A2 ) y Col(A) Col(A2 )
(b) Demuestra que para dos matrices A y B con las dimensiones adecuadas
se verifica que
N ul(B) N ul(AB) y Col(A) Col(AB).
Ejercicio 10. Extiende a una base de Rn el conjunto linealmente independiente
que se da:
(a) {v1 = (1, 1, 1)} en R3 .
(b) {v1 = (1, 3, 4), v2 = (1, 0, 2)} en R3 .
(c) {v1 = (1, 1, 0), v2 = (1, 3, 0)} en R3 .
(d) {v1 = (1, 1, 0, 1), v2 = (2, 1, 0, 3)} en R4 .
Ejercicio 11. Determina la dimension del espacio columna de
trices:
2
3
2
0 1
1 2
0
1 1
1
6 0 2 1
7
6 3 2 3
2
2
7, B = 6
A=6
4 0 1
4 2 1 2
1 2
0 5
0 0
1
2 3
0 1 0
Ejercicio 12. Sea A una matriz 20 15 cuyo rango es rango(A) = 12. Determina
la dimension de los siguientes subespacios vectoriales,
Col(A), N ul(A), Col(AT ) y N ul(AT ).
Ejercicio 13. Halla las matrices de cambio
y la base
8
2
3
2
2
<
B = v1 = 4 1 5 , v2 = 4
:
0
2
y obten las coordenadas del vector u = 4
39
1 =
0 5
;
1
0
4 5 respecto de la base B.
10
=
=
=
=
v1 v2 ,
v2 ,
v2 2v3 ,
v1 + v2 + v3 + v4 .
54
2
3
Ejercicio 15. Considera la base B = u1 =
, u2 =
de R2 . Obten,
1
1
en dicha base, unas ecuaciones implcitas y una ecuaciones parametricas de los
subespacios que, en la base canonica, vienen definidos mediante
E x1 + x2 = 0,
F x1 2x2 = 0,
1
G = Gen
,
1
3
H = Gen
.
1
Ejercicio 16. Dadas las bases de R2
2
5
B 1 = u1 =
, u2 =
2
1
y B2 =
v1 =
3
1
, v2 =
4
1
x1 + x2
e1
x1
x
1
T
= 4 2x1 5 ,
T
= 4 0 5.
x2
x2
x1 x2
x2
Ejercicio 18. Sea T : R3 ! R3 la transformacion dada por
02
31 2
3
x1
x1 + x2
5.
x3 x1
T @4 x 2 5 A = 4
x3
x1 x2 x3
Se pide:
(a) Comprobar que T es una transformacion lineal.
(b) Hallar la matriz A asociada a T (respecto de las bases canonicas).
Ejercicio 19. Sea T : R3 ! R3 la transformacion lineal que
02 3 1 2
3
02 3 1 2
3
02
1
1
0
1
T @4 0 5 A = 4 1 5 , T @4 1 5 A = 4 1 5 y T @4
1
2
1
2
verifica
31 2
0
1 5A = 4
1
3
1
1 5.
2
55
Se pide:
(a) Hallar la matriz A que representa a T cuando se trabaja con las bases
canonicas.
(b) Determina el n
ucleo de T .
2
3
x1
Ejercicio 20. Dada la transformacion lineal T : R3 ! R3 que a cada x = 4 x2 5
x3
le hace corresponder
2
3
x1 x2
T (x) = 4 ax2 x3 5 2 R3 .
x1 + ax3
(a) Halla la matriz A asociada a la transformacion lineal T (respecto de las
bases canonicas).
(b) Encuentra una base de la imagen de T seg
un los valores de a 2 R.
(c) Para a = 1, obten unas ecuaciones implcitas de la imagen de T y una
base del n
ucleo de T .
Ejercicio 21. Sea T
2
02 3 1
1
6
@
4
2 5A = 6
T
4
0
3
1
4 7
7.
1 5
5
1
1
x1 + 2x3 = 0,
4
5
4
5
T (e1 ) = 0 , T (e2 ) = 2
y N ul(A) =
x2 3x4 = 0.
3
0
(a) Halla un sistema generador linealmente independiente de N ul(A).
(b) Encuentra la matriz A.
(c)
2 Halla
3 unas ecuaciones implcitas del subespacio Col(A) y razona si el vector
1
6 0 7
7
v=6
4 2 5 pertenece a dicho subespacio.
0
56
que
31
1
2
@
4
5
A
1
T
=
1
1
1 2 1 2
A=
.
2 4 1 3
(a) Determina la imagen de T .
(b) Calcula los vectores del n
ucleo de T que, a su vez, verifican el sistema de
ecuaciones
x1 + 4x2 2x3 + x4 = 2,
x1 + 6x2 4x3 + x4 = 4.
(c) Sea S el conjunto de los vectores encontrados en el apartado anterior. Es
S un subespacio vectorial de R4 ? Justifica la respuesta.
Ejercicio 25. Sea T : R3 ! R4 la aplicacion lineal dada por
2
3
3
1 2
3 2
x1
6 2
7
1 4 74
x2 5 .
T (x) = 6
4 3 a
1 5
x3
b 4
b
57
1
3 0
1 2
1 1
A=
, B=
, C=p
0
2
0 1
1 1
2
, D=
1 1
1 1
MATEMATICAS
I
Grado en Ingeniera en Tecnologas Industriales. Curso 2014-2015.
Departamento de Matematica Aplicada II. Universidad de Sevilla.
6
6
Producto escalar. Consideremos dos vectores u = 6
4
c1
c2
..
.
7
6
7
6
7,v = 6
5
4
d1
d2
..
.
cn
dn
se denomina producto escalar de los vectores u y v, al n
umero real
7
7
7 2 Rn ,
5
u u = uT v = c 1 d 1 + c 2 d 2 + + c n d n .
Norma de un vector. Se denomina norma del vector v 2 Rn al n
umero real
no-negativo
p
kvk = v v 0,
Distancia entre dos vectores. Se denomina distancia entre u, v 2 Rn al n
umero real no-negativo
d(u, v) = ku vk .
Angulo
entre dos entre dos vectores. El angulo determinado por dos vectores
no nulos u, v 2 Rn puede caracterizarse mediante la igualdad
u v = kuk kvk cos(d
u, v)
Propiedades del producto escalar. Sean u, v 2 Rn y 2 R, se verifican:
(1) kvk = 0 si y solo si v = 0.
(2) kvk = || kvk .
(3) Desigualdad triangular: ku + vk kuk + kvk .
Como consecuencia ku vk kuk + kvk .
(4) Desigualdad de Cauchy-Schwartz: |u v| kuk kvk .
60
(N ul(A))? = Col(AT ).
61
v v1
v v2
v vp
vp .
2 v1 +
2 v2 + +
kv1 k
kv2 k
kvp k2
v u1
v u2
v up
up
2 u1 +
2 u2 + +
ku1 k
ku2 k
kup k2
62
u.
Propiedades de la proyecci
on ortogonal. Sea S un subespacio vectorial de
Rn .
(1) Si v 2 S, entonces proyS (v) = v y proyS ? (v) = 0.
(2) Se verifica que
proyS (v) + proyS ? (v) = v.
Por tanto, todo vector v 2 Rn se puede expresar de forma u
nica como suma de
?
un vector de S y otro de S .
(3) Si {u1, u2 , . . . , up } es una base ortonormal de S, entonces la proyeccion
ortogonal de un vector v 2 Rn sobre S es
u := proyS (v) = (v u1 ) u1 + (v u2 ) u2 + + (v up ) up .
(4) La transformacion que a cada v 2 Rn le hace corresponder proyS (v) 2 S
es una transformacion lineal.
Matriz de la proyecci
on ortogonal. Sea S un subespacio vectorial de Rn . Si
U es una matriz cuyas columnas forman una base ortonormal de S, entonces la
matriz de la transformacion proyeccion ortogonal sobre S es PS = U U T , esto es,
proyS (v) = U U T v
para cualquier v 2 Rn .
63
El m
etodo de ortogonalizaci
on de Gram-Schmidt. El metodo de ortogonalizacion de Gram-Schmidt permite construir de manera progresiva una base
ortogonal de un subespacio vectorial a partir de una base de dicho subespacio e
incluso a partir de un conjunto de vectores que genere dicho subespacio. Consideremos una base {v1 , v2 , . . . , vp } de un subespacio vectorial S de Rn . Entonces
los siguientes vectores
u1 = v1
u2 = v2
u3 = v3
up
..
.
= vp
v 2 u1
u1
ku1 k2
v 3 u1
u1
ku1 k2
v 3 u2
u2
ku2 k2
v p u1
u1
ku1 k2
vp u2
u2
ku2 k2
v p up 1
up
kup 1 k2
Notas:
(1) Si el objetivo es conseguir una base ortonormal de S, una vez que se ha
obtenido una base ortogonal basta normalizar los vectores obtenidos.
(2) En cada paso del metodo de Gram-Schmidt que acabamos de describir
podramos multiplicar o dividir el vector obtenido por un coeficiente no nulo y
seguir los calculos con dicho vector.
(3) Si no se parte de una base sino que, por ejemplo, el vector vk es combinacion
lineal de los anteriores v1 , v2 , . . . , vk 1 , al aplicar el metodo de Gram-Schmidt
obtenemos uk = 0. Es decir, el metodo de Gram-Schmidt devuelve el vector nulo
cuando se aplica a un conjunto de vectores linealmente dependientes.
5. Problemas de mnimos cuadrados.
Soluci
on en el sentido de los mnimos cuadrados. Sea Ax = b un sistema
de ecuaciones lineales, con A matriz m n. Encontrar una solucion en el sentido
de mnimos cuadrados consiste en encontrar un vector x0 2 Rn para el cual
kAx0 bk sea mnima, es decir,
kAx0
bk kAx
bk para todo x 2 Rn .
64
65
Ejercicios.
Ejercicio 1. Dado el subespacio
82 3 2
1
2
>
>
<6 7 6
0 7 6 1
E = Gen 6
,
4
2 5 4 2
>
>
:
1
3
3 2
7 6
7,6
5 4
39
0 >
>
=
1 7
7 ,
2 5>
>
;
1
se pide:
(a) Obtener una base y unas ecuaciones implcitas de E ? .
(b) Cual es la dimension del subespacio E ?
(c) Hallar una base de E.
Ejercicio 2. Sea F el subespacio
8
9
< 2x1 + x2 + 3x3 x4 = 0 =
3x1 + 2x2 2x4 = 0 .
F
:
;
3x1 + x2 + 9x3 x4 = 0
Se pide:
(a) Obtener una base y unas ecuaciones implcitas del subespacio F ? .
(b) Hallar la dimension del subespacio F.
2
3
1
6 3 7
7
Ejercicio 3. Descompon el vector 6
4 1 5 en suma de vectores u + v siendo u
4
2 3
2
6 1 7
7
proporcional a 6
4 0 5 y v ortogonal a u.
1
Ejercicio 4. Comprueba que la matriz
p
2 p
1/p5
2/p6
Q = 4 2/ 5
1/p6
0
1/ 6
es una matriz ortogonal.
p 3
2/p30
1/p30 5
4/ 30
66
3
1
6 1 7
7
(b) Calcular la proyeccion ortogonal del vector v = 6
4 1 5 sobre los subespa1
?
cios S y S .
Ejercicio 7. Sea S el subespacio de R4 dado por
82 3 2 3 2
0
1
>
>
<6 7 6 7 6
0
7,6 1 7,6
S = Gen 6
4
0 5 4 0 5 4
>
>
:
1
2
2
3
a1 b1
6 a2 2 7
7
y sea A la matriz A = 6
4 a3 b2 5 , se pide:
2 b3
39
0 >
>
=
0 7
7
1 5>
>
;
1
3
1
6 1 7
7
(a) Hallar la proyeccion ortogonal del vector v = 6
4 1 5 sobre S.
1
(b) Calcular A sabiendo que Col(A) esta contenido en S ? .
3
1
(b) Hallar la proyeccion ortogonal del vector v = 4 1 5 sobre el subespacio
1
T (S). Cual es la proyeccion ortogonal de v sobre el subespacio (T (S))? ?
3
Ejercicio 9. Para cada 2 R, considera el subespacio
H de
2 3
2 R3 de ecuacion
1
1
4
5
4
implcita x1 +x2 +4x3 = 0 y los vectores v1 = 1 y v2 = 0 5 . Determina
2
2
para que la proyeccion ortogonal de v1 sobre H sea perpendicular a v2 .
Ejercicio 10. Halla la proyeccion ortogonal de los siguientes vectores sobre los
subespacios que se indican:
6
(a) 6
4
67
3
4
1 7
7 sobre el subespacio definido por x1 + x2 + x3 + x4 = 0.
3 5
2
3
1
6 1 7
4
7
(b) 6
4 1 5 sobre el subespacio de R dado por:
1
E
2
(c) 4
la matriz
y + z 2t = 0
y+z = 0
3
3
4 5 sobre el subespacio T (E) siendo T la aplicacion lineal dada por
5
2
1 0
4
1 1
A=
0 1
3
1
0 5
1
z = 0.
3
1
v1 = 4 1 5 ,
3
3
2
v2 = 4 5 ,
3
u = 4 0 5;
1
S x1 + x2 + x3 = 0.
y S2 x 1 + x 2
x3
x4 = 0.
68
3
2
39
1
2 >
>
6 1 7
6 1 7=
?
6
7
6
7
Col(A) = Gen v1 = 4
,v =
.
1 5 2 4 0 5>
>
>
>
:
;
0
1
2 3
1
6 1 7
4
7
(a) Calcula la proyeccion ortogonal del vector v = 6
4 1 5 2 R sobre el subes1
pacio Col(A).
2
3
1 0
6 2 1 7
7
(b) Determina la matriz A sabiendo que es de la forma A = 6
4 5.
82
39
3 =
<
N ul(A) = Gen 4 5 5 ,
:
;
1
8
>
>
<
Ejercicio 15. Halla una base ortonormal del espacio Col(A) y del espacio N ul(A)
siendo
2
3
1
1
0
6 0
1
1 7
7.
A=6
4 1
1
1 5
1
1
1
Ejercicio 16. Dado el subespacio
82 3 2
a
>
>
<6 7 6
0 7 6
E = Gen 6
,
4
0 5 4
>
>
:
0
3 2
a
6
a 7
7,6
b 5 4
0
39
a >
>
=
b 7
7 con a, b 2 R.
a 5>
>
;
1
(c) Dado F
8
<
:
y b para que F = E ? .
69
9
x1 = 0 =
5x1 + x2 + 3x3 = 0 , determina los valores de a
;
2x1 + 3x2 x3 + x4 = 0
70
6
A=6
4
82 3 2
1
0
>
>
<6 7 6
0 7 6 1
= Gen 6
,
4
0 5 4 0
>
>
:
1
2
3
a1 b 1
a2 2 7
7.
a3 b 2 5
2 b3
39
0 >
>
7 6 0 7=
7 , 6 7 y la ma5 4 1 5>
>
;
1
3 2
by + 1 = 0
que mejor se ajusta, en el sentido de mnimos cuadrados, a los puntos (1, 0),
( 1, 0), ( 1, 1) y (0, 2).
MATEMATICAS
I
Grado en Ingeniera en Tecnologas Industriales. Curso 2014-2015.
Departamento de Matematica Aplicada II. Universidad de Sevilla.
Notas:
(1) Si tenemos un autovector v de A asociado a un autovalor , cualquier
m
ultiplo no nulo de v tambien es un autovector de A asociado al mismo .
(2) Si tenemos dos autovectores v1 y v2 asociados a un mismo autovalor ,
cualquier combinacion lineal no nula de dichos autovectores tambien es un autovector de A asociado al mismo autovalor .
(3) Al hacer transformaciones por filas o por columnas sobre una matriz A,
los autovalores y autovectores de la matriz que se obtiene NO guardan relacion
(en general) con los autovalores y autovectores de la matriz original.
(4) En general NO se tiene que los autovalores de la matriz suma/resta/producto
de dos matrices sean las suma/resta/producto de los autovalores de cada una de
dichas matrices.
Caracterizaciones del concepto de autovalor. Dada una matriz cuadrada A
y un n
umero 0 2 C son equivalentes:
(1) 0 es un autovalor de la matriz A.
(2) El sistema homogeneo (A
0 I)x = 0 es un sistema compatible indeterminado.
(3) dim(N ul(A
1, equivalentemente, r(A
aximo.
0 I))
0 I) no es m
(4) La matriz A
0 I no tiene inversa.
(5) det(A
0 I) = 0.
71
72
p( ) = det(A
I) =
a11
a21
..
.
a12
a22
..
.
..
.
an1
an2
a1n
a2n
..
.
ann
73
P =
v1
v2
...
vn
6
6
yD = 6
4
0
..
.
0
...
0
2
..
.
0
3
0
0 7
7
7
0 5
m
I.
entonces AT = P T
DP T .
Condici
on suficiente de diagonalizabilidad. Si todos los autovalores de A
son simples (A tiene n autovalores distintos) entonces A es diagonalizable.
Multiplicidades de un autovalor. Sea A una matriz nn y sea 0 un autovalor
de A. Se denomina
(1) Multiplicidad algebraica de 0 , y se denota por ma ( 0 ), a la multiplicidad
de 0 como raz del polinomio caracterstico p( ) = det(A
I) de A.
(2) Multiplicidad geometrica de 0 , y se denota por mg ( 0 ), es el n
umero
(maximo) de autovectores linealmente independientes asociados al autovalor 0 ,
esto es, la dimension del espacio N ul(A
0 I),
dim(N ul(A
Si
0 I))
=n
r (A
0 I) ,
Condici
on equivalente de diagonalizabilidad. A es diagonalizable si y solo
si para cada autovalor se verifica que mg ( ) = ma ( ).
3. Autovalores y autovectores complejos de matrices reales.
En esta seccion veremos la interpretacion en el espacio Rn de la presencia de
un autovalor complejo no-real de una matriz real A de orden n.
Veremos que dicha presencia indica que sobre un determinado plano de Rn
la matriz A act
ua como un giro, respecto a unas variables apropiadas, y una
74
a2 + b 2
los vectores reales cuyas coordenadas son, respectivamente, las partes real e imaginaria de v se denominan vector parte real y vector parte imaginaria de v, y el
vector complejo cuyas coordenadas vienen dadas por los complejos conjugados de
las coordenadas de v se denomina vector conjugado de v, v.
2
3
c1
6
7
u1 = Re(v) = 4 ... 5 ,
cn
3
d1
6
7
u2 = Im(v) = 4 ... 5 ,
dn
v = u1 + iu2 ,
v = u1
iu2 .
AP = D =
0
0
con Q =
(2) Los vectores parte real y parte imaginaria de v, estos son, {u1 , u2 } son
linealmente independientes.
(3) Au1 = au1 bu2 , Au2 = bu1 + au2 y, por tanto,
Pb APb = C =
1
a b
b a
donde Pb =
u1
u2
75
Pbj = u1 u2 .
4. Matrices sim
etricas reales. Diagonalizaci
on ortogonal.
Las matrices simetricas reales constituyen uno de los tipos mas importantes
de matrices para las cuales puede garantizarse la diagonalizabilidad y, ademas,
mediante una matriz de paso real y ortogonal.
Autovalores y autovectores de una matriz sim
etrica real. Sea A una
matriz simetrica real Entonces:
(1) Todos los autovalores son reales y, por tanto, todos los autovectores son
reales.
(2) Si v1 y v2 son autovectores de A asociados a autovalores distintos 1 y 2 ,
entonces v1 y v2 son ortogonales.
Teorema espectral para matrices sim
etricas. Sea A una matriz real n n.
Son equivalentes:
(1) A es simetrica.
(2) A es diagonalizable mediante una matriz de paso ortogonal, es decir, existe
una matriz ortogonal Q y una matriz diagonal D tal que A = QDQT . En este
caso la matriz D recoge los autovalores de A y la matriz Q recoge, columna a
columna, autovectores ortonormales de la matriz A.
5. Matrices no diagonalizables. Autovectores generalizados.
Si A una matriz de dimension n n no diagonalizable entonces existe, por lo
menos un autovalor de A para el cual mg ( ) < ma ( ) y, por tanto, el n
umero
de autovectores de A es menor que n y no pueden constituir una base de Cn .
Autovectores generalizados. Sea A una matriz de dimension n n y sea un
autovalor de A. Se dice que un vector v 6= 0 es un autovector generalizado de A
76
I) ( N ul (A
I)2 ( . . . ( N ul ((A
I)r+1 = . . . = N ul (A
= N ul (A
I)r ) =
I)ma (
Ademas se verifica
dim N ul (A
I)ma (
= ma ( ).
(x) = x Ax =
n
X
aij xi xj .
i,j=1
Reducci
on de una forma cuadr
atica. Sea
una forma cuadratica en Rn ,
expresada, en la base canonica de Rn , por (x) = xt Ax siendo A una matriz
simetrica. Sea P una matriz ortogonal cuyas columnas son autovectores de A,
entonces la expresion de en la base ortonormal formada por dichos autovectores
es una suma de cuadrados
(x) =
siendo
1,
2,
b1
1x
b2
2x
+ +
2
6
6
los autovalores de A, e x
b=6
4
cn
nx
xb1
xb2
..
.
7
7
7 = P t x las coordenadas
5
x
cn
de x en la base ortonormal formada por autovectores de A.
77
Usando este resultado podemos determinar que signos puede tomar una forma
cuadratica. A partir de este resultado es obvio que si los tres autovalores de A
son positivos, entonces la forma cuadratica generada por A toma valores positivos
salvo en el origen y lo analogo ocurre para el caso en que los tres autovalores son
negativos. Esto permite hacer una clasificacion de las formas cuadraticas.
Clasificaci
on de una forma cuadr
atica. Se dice que una forma cuadratica
o, por extension, la matriz real simetrica A que la genera, es:
(1) Definida positiva si (x) > 0 para todo x 2 Rn con x 6= 0 o, equivalentemente, si todos los autovalores de A son positivos.
(2) Definida negativa si (x) < 0 para todo x 2 Rn con x 6= 0 o, equivalentemente, si todos los autovalores de A son negativos.
(3) Semidefinida positiva si (x)
0 para todo x 2 Rn y no es definida o,
equivalentemente, si 0 es un autovalor y los demas autovalores de A son positivos.
(4) Semidefinida negativa si (x) 0 para todo x 2 Rn y no es definida o,
equivalentemente, si 0 es un autovalor y los demas autovalores de A son negativos.
(5) Indefinida si no es definida ni semidefinida; o sea, si existen vectores x 2 Rn
para los que (x) > 0 y existen vectores x 2 Rn para los que (x) < 0 o,
equivalentemente, si A tiene alg
un autovalor positivo y alg
un autovalor negativo.
7. Aplicaciones. C
onicas y cu
adricas con t
erminos cruzados.
Recordemos que una conica es el lugar geometrico de los puntos (x, y) del
plano que satisfacen una ecuacion general de segundo grado:
f (x, y) = a11 x2 + a22 y 2 + 2a12 xy + 2a1 x + 2a2 y + a0 = 0
donde los coeficientes a11 , a22 , a12 no son todos cero. La ecuacion de la conica se
puede escribir de la forma
a11 a12
x
x
f (x, y) = [x y]
+ 2 [a1 a2 ]
+ a0 = 0,
a12 a22
y
y
f (x, y) = xT Ax + 2aT x + a0 = 0,
78
79
Ejercicios.
2
3
2 1 1
Ejercicio 1. Calcula los autovalores y autovectores de la matriz A = 4 2 3 2 5 .
3 3 4
Es diagonalizable la matriz A?
2
3
3
0 a
1 b 5 , con a, b, c 2 R, se pide:
Ejercicio 2. Dada la matriz A = 4 3
2
0 c
2
3
2
(a) Calcular A de forma que el vector 4 0 5 sea un autovector cuyo auto1
valor correspondiente es = 1.
(b) Hallar los demas autovalores y autovectores de A. Es diagonalizable la
matriz A?
2
3
1 0 a a
6 0 1 a a 7
7
Ejercicio 3. Dada la matriz A = 6
4 1 0 a a 5 , para que valores de a 2 R
0 1 a a
es diagonalizable la matriz A?
2
3
1
0
1
2
2 5 , se pide:
Ejercicio 4. Dada la matriz A = 4 a
3
0
1
(a) Calcular los valores de a 2 R para los que A es diagonalizable.
(b) Para dichos valores, calcular los autovalores y autovectores de A 1 .
2
3
1 0 0
Ejercicio 5. Para que valores de a 2 R tiene la matriz A = 4 a 1 0 5 tres
1 1 2
autovectores independientes?
2
3
a1 b 1 c 1
Ejercicio 6. Dada la matriz A = 4 1 b2 c2 5 , se pide:
0 b3 c 3
(a) Hallar A sabiendo
2 3 que sus autovalores son 1 = 2 (simple) y 22 = 33
1
2
4
5
4
2
1 5
(doble), que v1 =
es un autovector asociado a 2 y que v2 =
1
0
satisface Av2 = 3v2 + v1 .
(b) Es A diagonalizable?
2
3
0 c a
Ejercicio 7. Sabiendo que la matriz A = 4 1 0 b 5 es diagonalizable y tiene
1 1 0
80
un autovector de la forma 4
b y c.
3
d
0 5 con d > 0 cuyo autovalor es doble, calcula a,
1
2
3
1
1
1
1
0 5,
Ejercicio 8. Dada la matriz A = 4 1
1
0
1
(a) Es A diagonalizable?
(b) Podemos hacer A semejante a una matriz diagonal por bloques real a
traves de una matriz de paso real? En caso afirmativo, encuentra dicha matriz de
paso real.
2
3
2
1
1
0
6 1
1
1
1 7
7.
Ejercicio 9. Sea A = 6
4 1
1
1
1 5
0
1
1
2
(a) Es diagonalizable?
(b) Es A semejante a una matriz diagonal por bloques real con matriz de
paso real?
2
3
3 0 a 1
0 5 , con a 2 R.
Ejercicio 10. Dada A = 4 a 2 4
1 0 a+1
(a) Para que valores de a la matriz A es diagonalizable?
(b) Determina los valores de a para los que A es diagonalizable ortogonalmente. Para dichos valores, encontrar la factorizacion que nos permite hacer esa
diagonalizacion ortogonal.
1
2
(c) Determina los valores de a para los que la matriz A
aI no tiene
3
5
inversa.
Ejercicio 11. Diagonaliza ortogonalmente la matriz simetrica real
2
3
6
1 0
6 0 5.
A=4 1
0
0 2
2
3
1 1
1
1 5 , se pide:
Ejercicio 12. Dada la matriz A = 4 1 1
1 1
1
(a) Diagonalizar ortogonalmente la matriz A.
(b) Calcular los autovalores y autovectores de A20 , A 5I y A 1 .
Ejercicio 13.2Sea 3A una matriz
2 34 4 sim
2etrica3real de la que se sabe que los
1
1
0
6 0 7
6 1 7
6 1 7
7
6 7
6
7
vectores v1 = 6
4 0 5 , v2 = 4 0 5 y v3 = 4 1 5 son autovectores asociados a
1
0
0
6=
1.
81
Encuentra una
3
3 1 1
la matriz A = 4 1 3 1 5 .
1 1 3
3
0
0 5,
2
1 1
4
Ejercicio 15. Dada la matriz A = 0 1
0 0
(a) Es A diagonalizable?
(b) Encuentra en R3 una base formada por autovectores y autovectores generalizados (si fuese necesario).
2
3
3/2
1/2 1/2
2
1 5,
Ejercicio 16. Dada la matriz A = 4 0
1/2
1/2 5/2
(a) Es A diagonalizable?
(b) Encuentra en R3 una base formada por autovectores y autovectores generalizados (si fuese necesario).
2
3
a
a a 3
1
6 0
a
0
0 7
7 , se pide:
Ejercicio 17. Dada la matriz A = 6
4 0
a
3
1 5
0 4 a
0
a
(a) Calcular, para cada valor de a 2 R, los autovalores de A determinando
sus multiplicidades algebraicas y geometricas.
(b) Para a = 2, determinar una base de R4 formada por autovectores y autovectores generalizados.
Ejercicio 18. Sea T : R4 ! R4 la aplicacion lineal dada por T (x) = Ax, donde
2
3
a 1
1
1
6 0 b 0
3 7
7.
A=6
4 1 2 c
1 5
0 1 0
d
(a) Halla A sabiendo que T (S1 ) = S2 , donde
S1
x1 x2 = 0
x3 + x4 = 0
82
>
>
<6
S2 = Gen 6
4
>
>
:
3 2
1
6
2 7
7,6
1 5 4
1
39
0 >
>
=
3 7
7 .
1 5>
>
;
2
82
Ejercicio 19. Comprobar que si una matriz ortogonal tiene autovalores reales
entonces estos son 1 o -1.
Ejercicio 20. Sea T una transformacion ortogonal en el plano. Como se puede
distinguir, usando autovalores, si T es un giro o una simetra axial?
Ejercicio 21. En cada uno de los siguientes casos, escribe de forma desarrollada
la forma cuadratica generada por la matriz que se da y clasifcala
2 1
1
1
1
2
2
2
,
,
,
,
1 2
1
0
2
3
2
2
2
3
2
3
2
3
1
2
2
3 2 4
2 1 0
4 2
1
2 5, 4 2 0 2 5, 4 1 2 1 5.
2
2
1
4 2 3
0 1 2
Ejercicio 22. En cada uno de los siguientes casos, encuentra la matriz real y
simetrica A que genera la forma cuadratica que se da y clasifcala
(1) (x1 , x2 ) = 2x21 + 3x1 x2 + 6x22 ,
(2) (x1 , x2 ) = x21 + x22 ,
(3) (x1 , x2 ) = 8x1 x2 + 4x22 ,
(4) (x1 , x2 , x3 ) = x21 + 2x1 x2 + 4x1 x3 + 3x22 + x2 x3 + 7x23 ,
(5) (x1 , x2 , x3 ) = x21 + x22 5x23 + 6x1 x3 + x2 x3 ,
(6) (x1 , x2 , x3 ) = x21 + x22 + x23 x1 x2 x1 x3 x2 x3 .
Ejercicio 23. Reduce, clasifica y representa las siguientes conicas:
(a) 4x2 + y 2 4xy 2y + 1 = 0.
(b) 5x2 + 2y 2 4xy + 12x 4y = 0.
(c) 5x2 + 2y 2 4xy + 12x 4y + 9 = 0.
(d) x2 + 4y 2 4xy + 6x 12y + 9 = 0.
(e) 2xy 5 = 0.
p
p
(f) x2 + 4xy + 4y 2 2 5x + 5y + 5 = 0.
(g) 97x2 192xy + 153y 2 + 2x + 114y 167 = 0.
(h) 3x2 10xy + 3y 2 + 2 = 0.
Ejercicio 24. Dadas las conicas
x2 + 2xy + y 2
2 = 0,
clasificarlas seg
un los valores de .
Ejercicio 25.
(a) Determina el valor de para el que la conica x2 2xy+2y 2 2x+4y = 0
es una parabola. Reduce y representa dicha parabola.
(b) Determina el valor de para el que la conica x2 + 2xy + y 2 = 1 es una
elipse. Calcula los semiejes de dicha elipse.
2xy + y 2 =
83
Matem
aticas I
Grado en Ingeniera en Tecnologas Industriales
Curso 2013/2014. Examen de Prueba
OBSERVACIONES:
Cada hoja entregada debe contener nombre, apellidos y n
umero
de identificaci
on escritos de forma clara.
No mezclar ejercicios distintos en un mismo folio.
Ejercicio 1
(a) Sea S el subespacio vectorial de R6 de ecuaciones implcitas
8
9
2x2
x3 +x4 +x5 +x6 = 0 =
< x1
2x1
+2x3 +x4
=0 .
:
;
x1
2x2 +x3 +2x4 +x5 +x6 = 0
Se pide:
(a.1) [2 puntos] Determinar una base de S ? y la dimension de S.
(a.2) [2 puntos] Calcular la proyeccion ortogonal del vector v = e5 + e6 sobre
S, donde e5 y e6 son vectores de la base canonica de R6 .
(b) Sea T : R3 ! R4 una transformacion lineal tal que:
2
3
2 3
2
2 3
2 3
2
3
1
1
1
1
0
0
6 1 7
6 0 7
6 0
7
4 5 6 7
4 1 5=6
T4 0 5=6
4 1 5, T 1 = 4 0 5, T
4 0
0
1
1
1
0
2
(b.1)
(b.2)
decir, del
(b.3)
2
7
7.
5
85
86
Matem
aticas I
Grado en Ingeniera en Tecnologas Industriales
Curso 2013/2014. Examen de Prueba
OBSERVACIONES:
Cada hoja entregada debe contener nombre, apellidos y n
umero
de identificaci
on escrito de forma clara.
No mezclar ejercicios distintos en un mismo folio.
Ejercicio 2
(a) Considera la matriz A dada por
2
3
a + 1 0 1 2a
5 con a 2 R.
a2
0
A=4 0
1
0 1 a
(a.1) [2 puntos] Determina los valores de a para que la matriz A sea diagonalizable. Cuando es ortogonalmente diagonalizable?
(a.2) [2 puntos] Para a = 0 obten una base ortonormal B de R3 formada por
autovectores de la matriz A y calcula la matriz de cambio de base P , donde C
B
es la base canonica de R3 .
(a.3) [3 puntos] Para a = 1 considera el2sistema
3 de ecuaciones en diferencias
1
un = Aun 1 para n 1, partiendo de u0 = 4 1 5 y calcula u2014 .
1
(b) Considera la familia de cuadricas
x2 + y 2 + z 2 + 2x
22 y + 2 + 1 = 0
con 2 R.
87
Matem
aticas I
Grado en Ingeniera en Tecnologas Industriales
Curso 2013/2014. Examen de Primera Convocatoria
OBSERVACIONES:
Cada hoja entregada debe contener el nombre, apellidos y n
umero
de identificaci
on escritos de forma clara.
No mezclar ejercicios distintos en un mismo folio.
Ejercicio 1
(a) Considera la matriz A y el vector b dados por
2
3
2
1
2
1
6 4
7
6
10
2
4 4
7,
A=6
b=6
4 0
4 3 + 3
2 3 3 5
1
0
5
3
3
7
7
5
con 2 R.
88
Matem
aticas I
Grado en Ingeniera en Tecnologas Industriales
Curso 2013/2014. Examen de Primera Convocatoria
OBSERVACIONES:
Cada hoja entregada debe contener el nombre, apellidos y n
umero
de identificaci
on escritos de forma clara.
No mezclar ejercicios distintos en un mismo folio.
Ejercicio 2
(a) Considera la matriz A dada por
2
1
a
0
a
6 0
a
0
2
a
A=6
4 0
a
1
a
0 2 a 0
a
7
7 con a 2 R.
5
Se pide:
(a.1) [2 puntos] Determinar los valores de a para que la matriz A sea diagonalizable. Para que valores de a es la matriz A ortogonalmente diagonalizable?
(a.2) [2 puntos] Para a = 2, encontrar una factorizacion diagonal de A, esto es,
encontrar una matriz no singular P y una matriz diagonal D tal que AP = P D.
(a.3) [3 puntos] Para a = 3/2, resolver el2sistema
3 de ecuaciones en diferencias
0
6 0 7
7
un = Aun 1 para n 1, partiendo de u0 = 6
4 0 5.
2
(b) Dada la familia de cuadricas
( + 2)x2 + ( + 1)y 2 + z 2
(2 + 4)x
2z = 2 con 2 R,
se pide:
(b.1) [2 puntos] Clasificarla seg
un los valores de .
(b.2) [1 punto] Considerar, para = 0, la conica que se obtiene al cortar la
cuadrica correspondiente con el plano z = 0. Determinar sus elementos notables
y hacer un esbozo de la misma.
89
Matem
aticas I
Grado en Ingeniera en Tecnologas Industriales
Curso 2013/2014. Examen de Segunda Convocatoria
OBSERVACIONES:
Cada hoja entregada debe contener el nombre, apellidos y n
umero
de identificaci
on escritos de forma clara.
No mezclar ejercicios distintos en un mismo folio.
Ejercicio 1
(a) Considera la matriz
2
1
2
6
4
A=6
4 2
2
1
0
con 2 R.
90
Matem
aticas I
Grado en Ingeniera en Tecnologas Industriales
Curso 2013/2014. Examen de Segunda Convocatoria
OBSERVACIONES:
Cada hoja entregada debe contener el nombre, apellidos y n
umero
de identificaci
on escritos de forma clara.
No mezclar ejercicios distintos en un mismo folio.
Ejercicio 2
(a) Considera la matriz A dada
2
0
6 1
A=6
4 0
0
por
a2
0
0
0
3
0 0
0 0 7
7 con a 2 R.
0 a2 5
1 0
Se pide:
(a.1) [2 puntos] Determinar los valores de a para que la matriz A sea
diagonalizable.
(a.2) [2 puntos] Analizar si existen valores de a para los que la matriz
A es ortogonalmente diagonalizable. En caso afirmativo, encontrar una matriz
ortogonal Q y una matriz diagonal D tal que AQ = QD.
(a.3) [2 puntos] Para a = 0, encontrar una base de R4 formada por
autovectores y autovectores generalizados de la matriz A. Cuanto vale An para
n 2 N?
(b) Dada la familia de cuadricas
x2 + ( + 2)y 2 + 3z 2
2x
6z =
22
4 con 2 R,
se pide:
(b.1) [2 puntos] Clasificarla seg
un los valores de .
(b.2) [2 puntos] Considerar, para = 1, la conica que se obtiene al
cortar la cuadrica correspondiente con el plano z = 1. Determinar sus elementos
notables y hacer un esbozo de la misma.