Академический Документы
Профессиональный Документы
Культура Документы
Vectores en Rn
Clase 1
1 Vectores en Rn
Denicin 1 Denimos Rn como el conjunto de todas las n tuplas ordenadas de nmeros reales
escritas como vectores la o vectores columna. De esta manera, un vector v en Rn se representa en la
forma 2 3
v1
6 v2 7
6 7
[v1 ; v2 ; :::; vn ] 6 . 7 .
4 .. 5
vn
A vi se le conoce como la i sima componente de v.
2 3 2 3
u1 v1
6 u2 7 6 v2 7
6 7 6 7
Denicin 2 (Suma de vectores y el producto por escalar) Sean u = 6 .. 7, v = 6 .. 7 vectores
4 . 5 4 . 5
un vn
en Rn y sea un escalar real. Denimos la suma de u y v, denotada por u + v, como el vector de Rn
2 3
u1 + v1
6 u2 + v2 7
6 7
6 .. 7.
4 . 5
un + vn
Por otro lado, denimos el producto por escalar de y v, denotado por v, como el vector de Rn
2 3
v1
6 v2 7
6 7
6 .. 7.
4 . 5
vn
1. u + v = v + u.
2. u + (v + w) = (u + v) + w.
3. u + ~
0 = u, donde ~
0 se entiende como el vector cuyas componentes son todas iguales a cero.
4. u + ( u) = ~
0.
5. c(u + v) = cu + cv.
6. (c + d)u = cu + du.
1
7. c(du) = (cd)u
8. 1u = u.
2 3 2 3 2 3
1 1 1
6 2 7 6 0 7 6 1 7
Ejemplo 1 Sean v1 = 6 7
4 1 5, v2 = 4
6 7y v3 = 6
5 4
7.
2 1 5
2 0 1
Calcule: 3v1 + 2v2 v3 , v1 + v2 , v2 + v3 y 3(v1 + v2 ) + 2v2 + v3 .
Solucin:
2 3 2 3 2 3 2 3 2 3
1 1 1 3+2 1 4
6 2 7 6 0 7 6 1 7 6 6+0 1 7 6 5 7
3v1 + 2v2 v3 = 36 7 6 7 6 7 6
4 1 5 + 24 2 5 4 1 5 = 4 3 4
7=6 7.
1 5 4 8 5
2 0 1 6+0 1 5
2 3 2 3 2 3
1 1 2
6 2 7 6 0 7 6 2 7
v1 + v2 = 6 7 6 7 6 7
4 1 5+4 2 5=4 3 5
2 0 2
2 3 2 3 2 3
1 1 2
6 0 7 6 1 7 6 1 7
v2 + v3 = 6 7 6 7 6 7
4 2 5+4 1 5=4 1 5
0 1 1
02 3 2 31 2 3 2 3
1 1 1 1
B6 2 7 6 0 7C 6 0 7 6 1 7
3(v1 + v2 ) + 2v2 + v3 = 3B 6 7 6 7C 6 7 6
@4 1 5 + 4 2 5A + 2 4 2 5 + 4 1
7
5
2 0 0 1
2 3 2 3 2 3 2 3
6 2 1 9
6 6 7 6 0 7 6 1 7 6 7 7
= 6 7 6 7 6 7 6 7
4 9 5 + 4 4 5 + 4 1 5 = 4 12 5
6 0 1 7
4 0 1
ya que 2 3 2 3 2 3 2 3
1 1 5 4 1
6 2 7 6 3 7 6 10 12 7 6 2 7
5u1 + 4u2 = 5 6 7 6 7 6
4 1 5 + 44 2 5 = 4 5 + 8 5 = 4 3 5.
7 6 7
0 1 0+4 4
2 3
1
6 1 7
Ejemplo 3 Es el vector v = 6 7
4 1 5 combinacin lineal de los vectores u1 y u2 ?
1
2
Solucin: La solucin de este interrogante no es tan obvia y se realizar usando la teora de sistemas
de ecuaciones lineales.
Ejemplo 4 Si u1 y u2 son los vectores dados en el ejemplo anterior, encuentre el conjunto de todas
las combinaciones lineales de dichos vectores.
con lo que 82 3 9
>
> a b >
>
<6 7 =
2a 3b
H= 6
4 a + 2b
7 : a; b 2 R .
5
>
> >
>
: ;
b
a. u v = v u
b. u (v + w) = u v + u w
c. (cu) v = c(u v) = u (cv)
d. u u 0 y u u = 0 si y slo si u = 0
1.2.2 Longitud
2 3
v1
6 v2 7
6 7
Denicin 5 La longitud o norma de un vector v = 6 .. 7 en Rn es el escalar kvk denido por
4 . 5
vn
p q
kvk = v v= v12 + v22 + ::: + vn2 .
2
Nota 1 La denicin anterior puede ser reescrita as: kvk = v v.
a. kvk = 0 si y slo si v = 0.
3
b. kcvk = jcj kvk.
ju vj kuk kvk .
ku + vk kuk + kvk .
d(u; v) = ku vk .
Denicin 8 (ngulo entre vectores) El ngulo entre dos vectores u y v de Rn se referir al ngulo
determinado por stos que satisfaga 0 ; como se muestra en la gura siguiente
(u v)
cos( ) = .
kuk kvk
4
3 2 2 3
1 1
6 1 7 6 1 7
Ejemplo 6 Calcule el ngulo entre u = 6 7 6
4 1 5yv=4
7.
1 5
1 1
Solucin:
(u v) 2 1
cos( ) = = =
kuk kvk 2 (2) 2
1
= arccos =
2 3
Nota 3 Como ~
0 v = 0 para todo v en Rn , entonces ~
0 es ortogonal a todo vector de Rn .
entonces
2 2 2
ku + vk = kuk + kvk .
2 2 2
Recprocamente, supongamos que ku + vk = kuk + kvk . Reemplazando en la igualdad (1)
2 2 2 2 2
kuk + kvk = ku + vk = kuk + 2(u v) + kvk .
1.2.5 Proyecciones
Sean u y v vectores distintos de cero no paralelos, ver gura siguiente
Sea p el vector obtenido al trazar una perpendicular del punto nal de u sobre v. Notemos que p es
paralelo a v por tanto p = v: Si consideramos el vector q = u v, entonces q es ortogonal a v as
q v = 0, con lo que
(u v) v = 0,
2
u v kvk = 0,
u v
= 2.
kvk
5
De lo anterior
u v
p= 2 v.
kvk
Solucin: 2 3 2 3
1 1
u v 26
6 1 7 6
7= 16 1 7
7
P royv u = 2v =
kvk 44 1 5 24 1 5
1 1
y 2
3 2 3
1 1
u v 26 7
6 1 7 16
6 1 7
7.
P royu v = 2u = 4 4 1 5 = 2 4
kuk 1 5
1 1
6
Sistema de ecuaciones Lineales
Clase 2
a1 x1 + a2 x2 + ::: + an xn = b, (1)
3x + 2y + z = 1, tan( )x 5y = cos( ):
2
Mientras que las ecuaciones
3xy + z + w = 2, 3 tan(x) + w = 0
no son lineales.
2 3
s1
6 s2 7
6 7
Denicin 2 Una solucin de una ecuacin lineal a1 x1 + a2 x2 + ::: + an xn = b es un vector 6 .. 7
4 . 5
sn
cuyas entradas satisfacen la ecuacin cuando se sustituye x1 = s1 ; :::; xn = sn .
Nota 1 Se entender por resolver el sistema a encontrar el conjunto solucin de ste. Si un sistema
de ecuaciones lineales tiene, ya sea, una solucin o innitas soluciones diremos que el sistema es
consistente. Si el sistema no tiene soluciones diremos que es inconsistente.
1
1.1 Resolucin de un Sistema de Ecuaciones Lineales
Denicin 4 Dos sistemas de ecuaciones lineales se dicen equivalentes si tienen el mismo conjunto
solucin.
Armacin 1 Nuestro objetivo es disear un algoritmo para encontrar el conjunto solucin de cualquier
sistema de ecuaciones lineales. Para alcanzar esta meta debemos transformar un sistema de ecuaciones
lineales en otro que sea ms fcil de resolver.
El siguiente ejemplo nos dar una idea de lo que quiere decir fcil de resolver.
x+y+z = 1
y+z = 2
3z = 6.
Denicin 6 Una matriz se encuentra en forma escalonada si satisface las siguientes condiciones:
Nota 2 Podemos deducir que, en una matriz escalonada, todas las entradas por debajo de una entrada
principal son todas iguales a cero.
2
Ejemplo 3 Las siguientes matrices estn en forma escalonada
2 3 2 3
3 0 8 1 1 1 4 8
4 0 0 4 2 5, 4 0 2 1 0 5.
0 0 0 0 0 0 3 2
Mientras que las siguientes matrices no estn en forma escalonada
2 3
2 1 5 1 2 3
6 0 0 5 7 0 1 0 0
6 1 7 4 0 2 0 0 5.
4 0 1 0 ,
0 5
0 1 1 0
0 0 0 0
3
Eliminacin Gaussiana
Clase 3
1 Eliminacin Gaussiana
Cuando se aplican operaciones elementales de la a una matriz aumentada correspondiente a un sistema
de ecuaciones lineales para llevarla a la forma escalonada creamos un sistema equivalente que puede ser
resuelto mediante sustitucin regresiva. El proceso completo es conocido como eliminacin gaussiana.
Proceso de Eliminacin Gaussiana
1. Escriba la matriz aumentada del sistema de ecuaciones lineales.
2. Utilice operaciones elementales de la para llevar la matriz aumentada a una forma escalonada.
3. Mediante sustitucin regresiva, resuelva el sistema equivalente correspondiente a la matriz
aumentada escalonada.
Teorema 1 Un sistema de ecuaciones lineales es soluble si y slo si cualquier forma escalonada de la
matriz aumentada asociada al sistema no tiene las de la forma:
[0; :::; 0 c] , con c 6= 0.
2x + y z + 3w = 5
Ejemplo 1 Es el sistema 4x + y + z + w = 1 soluble?
6x + 2y + 4w = 1
Solucin:
2 3
2 1 1 3 5
La matriz aumentada asociada al sistema es: 4 4 1 1 1 1 5 y una matriz escalonada asociada
2 3 6 2 0 4 1
2 1 1 3 5
es:4 0 1 3 5 9 5, por tanto el sistema no es soluble.
0 0 0 0 5
Denicin 1 Para un sistema de ecuaciones lineales [A b] y su correspondiente matriz escalonada
[U c] clasicaremos las variables en dos grupos.
1. Variables principales: son aquellas que estn asociadas con las entradas principales.
2. Variables libres: son aquellas que no son principales.
Teorema 2 Un sistema de ecuaciones lineales soluble tiene innitas soluciones si tiene variables libres
y tiene solucin nica si no tiene variables libres.
Ejemplo 2 Resuelva el sistema
x+y+z+w = 2
2x + y + z + w = 1
x + y + 2z + 2w = 1.
Cuntas soluciones tiene el sistema?
1
2 3
1 1 1 1 2
Solucin: La matriz aumentada asociada al sistema es: 4 2 1 1 1 1 5 y una matriz escalonada
1 1 2 2 1
2 3
1 1 1 1 2
asociada es: 4 0 1 1 1 3 5, por tanto el sistema dado es equivalente al sistema:
0 0 1 1 1
x+y+z+w = 2
y z w = 3
z+w = 1
Por tanto,
2 asignando
3 valores a z y w tales que z + w = 1, se tiene innitas soluciones, una de ellas
1
6 4 7
es: 6
4 1 5:
7
Denicin 2 El rango de una matriz se dene como el nmero de las distintas de cero de cualquiera
de sus formas escalonadas.
Teorema 3 (Teorema del rango) Sea A la matriz de coecientes de un sistema de ecuaciones lineales
con n variables. Si el sistema es consistente, entonces
Denicin 3 Una matriz se encuentra en forma escalonada reducida si satisface las siguientes propiedades:
Nota 1 Despus que una matriz ha sido transformada a su forma escalonada, operaciones elementales
de la la llevarn a su forma escalonada reducida.
2
Ejemplo 4 Encuentre el conjunto solucin del sistema lineal
2x + 4y + 4z = 6
4x + y + z = 11
6x + 8y + 8z = 12
Solucin:
2 3
x
a. Sea w = 4 y 5 un vector en R3 que es combinacin lineal de los vectores v1 ; v2 y v3 , entonces
z
existen escalares c1 ; c2 y c3 tales que
2 3 2 3 2 3 2 3 2 3
x 1 1 1 c1 c2 + c3
4 y 5 = c1 4 2 5 + c2 4 3 5 + c3 4 2 5 = 4 2c1 3c2 + 2c3 5 ,
z 2 2 2 2c1 2c2 + 3c3
con lo que
c1 c2 + c3 = x
2c1 3c2 + 2c3 = y (1)
2c1 2c2 + 2c3 = z
3
De lo anterior, w es combinacin lineal de v1 ; v2 y v3 si y slo si el sistema lineal 1 es consistente.
Encontremos condiciones sobre x; y y z de tal forma que el sistema lineal anterior sea soluble.
En efecto, la matriz aumentada y su respectivo escalonamiento se muestra a continuacin:
2 3 2 3
1 1 1 x 1 1 1 x
4 2 3 2 y 5!4 0 1 0 2x + y 5 ; (2)
2 2 2 z 0 0 0 2x + z
b. S, ya que 2(5) + 10 = 0.
c. Ejercicio.
4
Aplicaciones
Clase 4
Asignacin de recursos
Ejemplo 1 Tres compuestos se combinan para formar tres tipos de fertilizantes. Una unidad del fertilizante del
tipo I requiere 10kg del compuesto A, 10kg del B y 20kg del C; una unidad del fertilizante del tipo II requiere 30kg
del compuesto A, 40kg del B y 50kg del C; una unidad del fertilizante del tipo III requiere 20kg del compuesto A,
10kg del B y 50kg del C. Si hay disponible 250000kg del compuesto A, 200000kg del compuesto B y 550000kg
del compuesto C. Se desea saber cuntas unidades de cada tipo de fertilizante se pueden producir si se usa todo el
material qumico disponible.
a. Plantee un sistema de ecuaciones lineales que permita resolver el problema. Dena claramente las variables a
utilizar.
b. Encuentre un intervalo, para cada variable libre, donde las soluciones tienen sentido.
c. Si se tiene la cantidad mnima del fertilizante del tipo III Cuntas unidades de cada tipo de fertilizante se
puede producir?.
Solucin:
a. Denimos las variables como
x = nmero de unidades de fertilizante tipo I que se produce usando todo el material qumico disponible.
y = nmero de unidades de fertilizante tipo II que se produce usando todo el material qumico disponible.
z = nmero de unidades de fertilizante tipo III que se produce usando todo el material qumico disponible.
Entonces al utilizar todo el material qumico disponible obtenemos las ecuaciones
10x + 30y + 20z = 250000 (1)
10x + 40y + 10z = 200000
20x + 50y + 50z = 550000.
b. Primero encontremos el conjunto solucin del sistema lineal 1. La matriz aumentada asociada al sistema y su
respectiva matriz reducida se muestran a continuacin
2 3 2 3
10 30 20 250000 1 0 5 40 000
4 10 40 10 200000 5 ! 4 0 1 1 5000 5
20 50 50 550000 0 0 0 0
Por tanto
x = 40000 5z
y = 5000 + z
Por otro lado, cada una de las variables del sistema deben ser enteros positivos, as
40000 5z 0, 5000 + z 0yz 0,
De donde
8000 z, z 5000 y z 0.
Luego z es un entero entre 5000 y 8000.
1
c. La cantidad mnima de fertilizante tipo III es de 5000, y si esto se obtiene se deben tener 15000 unidades de
fertilizante tipo I y 0 unidades de fertilizante tipo II.
2H2 + O2 ! 2H2 O.
a. F eS2 + O2 ! F e2 O3 + SO2
b. CO2 + H2 O ! C6 H12 O6 + O2
c. N a2 CO3 + C + N2 ! N aCN + CO
Solucin:
c. Balanceemos la ecuacin qumica N a2 CO3 + C + N2 ! N aCN + CO. Sean x; y; z; w; k tales que la ecuacin
est balanceada, entonces los nmeros de moles de N a, C, N y O deben ser iguales tanto de un lado como
del otro, as
Sodio (N a) : 2x = w (2)
Carbono (C) : x + y = w + k
Oxgeno (O) : 3x = k
Nitrgeno (N ) : 2z = w
2x w = 0 (3)
x+y w k = 0
3x k = 0
2z w = 0
2
2 3
x
6 y 7
6 7
Por tanto 6
6 z 7 es una solucin del sistema homogneo 3 si y slo si
7
4 w 5
k
2 1 3 2 1 3
2 3 6 3k 7 6 3 7
x 6 4 7 6 4 7
6 7 6 k 7 6 7
6 y 7 6 3 7 6 3 7
6 7=6 1 7 6
7 = k6 1
7
6 z 7 6 k 7, k 2 R.
4 w 5 6
6 3
7
7
6
6 3
7
7
6 2 7 6 2 7
k 4 k 5 4 5
3 3
k 1
Tomando k = 3, obtenemos x = 1, y = 4, z = 1, w = 2. Luego la ecuacin balanceada es
N a2 CO3 + 4C + N2 ! 2N aCN + 3CO.
Anlisis de redes
Muchas situaciones prcticas dan origen a las redes: redes de transporte, redes de comunicaciones y redes
econmicas, por nombrar unas cuantas. De particular inters son los ujos posibles a travs de las redes. Por
ejemplo, el ujo de vehculos a travs de una red de carreteras, el ujo de informacin a travs de una red de datos,
y los bienes y servicios que uyen a travs de una red econmica.
Para nosotros, una red se compondr de un nmero nito de nodos (tambin llamados uniones o vrtices)
conectados por una serie de lneas dirigidas conocidas como ramas o arcos. Cada rama estar etiquetada con un
ujo que representa la direccin indicada. La regla fundamental que gobierna el ujo a travs de una red es la de la
conservacin del ujo:
En cada nodo, el ujo que entra es igual al ujo que sale.
Ejemplo 3 Consideremos la siguiente red de transporte.
Calle1 Calle 2
800 600
x1
600
Calle 3 500
A B
x4 x2
C D
Calle 4 300
700 x3
300 400
a. Establezca y resuelva un sistema de ecuaciones lineales para encontrar los ujos posibles en la red de la gura
anterior.
b. Con respecto a las soluciones halladas en (a) indicar, para cada variable libre, un intervalo en el cual puede
tomar valores para que dichas soluciones tengan sentido en el problema.
c. Hallar los valores de x1 ; x2 ; x3 y x4 de tal forma que se obtenga el mximo ujo vehicular en la rama BD.
Solucin:
a. Las ecuaciones que se obtienen de los cruces A; B, C y D estn dadas a continuacin
Cruce A : x1 + x4 = 1400
Cruce B : x1 + x2 = 1100
Cruce C : x3 + x4 = 1000
Cruce D : x2 + x3 = 700.
3
La matriz aumentada y su respectiva forma escalonada se muestran a continuacin
2 3 2 3
1 0 0 1 1400 1 0 0 1 1400
6 1 1 0 0 1100 7 6 0 1 0 1 300 7
6 7 6 7
4 0 0 1 1 1000 5 ! 4 0 0 1 1 1000 5
0 1 1 0 700 0 0 0 0 0
b. La nica variable libre del sistema es x4 . Por otro lado, x1 ; x2 ; x3 y x4 designan ujo vehicular que considerare-
mos, en este caso, positivos y enteros, as que
1400 x4 0 , 1400 x4
300 + x4 0 , x4 300
1000 x4 0 , 1000 x4
x4 0,
x1 = 400
x2 = 700
x3 = 0
x4 = 1000.
4
Conjuntos Generadores e Independencia Lineal
Clase 5
Ejemplo 1 Resuelva
023 2 3 2 31
1 1 2
a. Encuentre H = espacio @4 1 5 ; 4 2 5 ; 4 3 5A.
2 3 5
Solucin:
3 2
x
a. Caractericemos los elementos de H, en efecto, sea 4 y 5 2 H, entonces existen escalares c1 ; c2 y
z
c3 tales que
2 3 2 3 2 3 2 3 2 3
x 1 1 2 c1 + c2 2c3
4 y 5 = c1 4 1 5 + c2 4 2 5 + c3 4 3 5 = 4 c1 + 2c2 3c3 5 .
z 2 3 5 2c1 + 3c2 5c3
c1 + c2 2c3 = x (1)
c1 + 2c2 3c3 = y
2c1 + 3c2 5c3 = z
2 3
x
De lo anterior, 4 y 5 2 H si y slo si el sistema lineal 1 es soluble. Para determinar sto
z
escalonemos su matriz aumentada, en efecto
2 3 2 3
1 1 2 x 1 1 2 x
4 1 2 3 y 5!4 0 1 1 x + y 5,
2 3 5 z 0 0 0 x y+z
1
por tanto tenemos como nica restriccin x y + z = 0, con lo que
82 3 9
< x =
H = 4 y 5 2 R3 : x y + z = 0 .
: ;
z
23
x
6 y 7
b. Sea 6 7 4
4 z 5 2 R , entonces
w
e1 e2 e3 e4
2 3 z2 }| 3{ z2 }| 3{ z2 }| 3{ z2 }| 3{
x 1 0 0 0
6 y 7 6 0 7 6 1 7 6 0 7 6 0 7
6 7 = x6 7 + y 6 7 + z 6 7 + w6 7,
4 z 5 4 0 5 4 0 5 4 1 5 4 0 5
w 0 0 0 1
x 1 2 c1 + 2c2
= c1 + c2 =
y 1 1 c1 + c2
c1 + 2c2 = x
c1 + c2 = y
x
y 2 H si el sistema anterior es soluble, entonces escalonemos su matriz aumentada,
y
1 2 x 1 2 x
!
1 1 y 0 3 x+y
x
tenemos entonces si 3c2 = x + y, el vector 2 H, por tanto
y
x
H= 2 R2 : x + y = 3c2 ; c2 6= 0
y
c1 v1 + c2 v2 + ::: + ck vk = 0.
Ejemplo 2 Para cada uno de los siguientes conjuntos determinar cual es L.I. L.D.
2
82 3 2 3 2 3 2 39
>
> 1 1 2 2 >
>
<6 7 6 7 6 1 7 6 2 7=
1 7 6 0
a. 6
4 1 5;4 1
7;6 7;6
5 4 2 5 4 2
7 .
5>
>
> >
: ;
1 0 1 2
82 3 2 3 2 39
>
> 1 1 1 >>
<6 7 6 7 6 0 7=
2 7 6 0
b. 6
4 3 5;4 3
7;6 7 .
5 4 0 5>
>
> >
: ;
4 0 1
Solucin: a. Sean c1 ; c2 ; c3 y c4 escalares reales tales que
2 3 2 3 2 3 2 3 2 3
1 1 2 2 0
6 1 7 6 0 7 6 1 7 6 2 7 6 0 7
c1 6 7 6 7
4 1 5 + c2 4 1 5 + c3 4 2
6 7 + c4 6 7 = 6
5 4 2 5 4 0
7.
5
1 0 1 2 0
Sumando e igualando componente a componente tenemos
c1 + c2 + 2c3 + 2c4 = 0
c1 + c3 + 2c4 = 0
.
c1 + c2 + 2c3 + 2c4 = 0
c1 + c3 + 2c4 = 0
En resumen, el conjunto de vectores es L:I si el sistema homogneo anterior tiene solucin
nica y es L:D si el sistema homogneo anterior tiene innitas soluciones. Ahora bien, la
matriz aumentada y una matriz escalonada asociada a sta se presentan a continuacin
2 3 2 3
1 1 2 2 0 1 1 2 2 0
6 1 0 1 2 0 7 6 0 1 1 0 0 7
6 7 6 7.
4 1 1 2 2 0 5!4 0 0 0 0 0 5
1 0 1 2 0 0 0 0 0 0
Como podemos observar, el sistema homogneo anterior tiene innitas soluciones, pues tiene
variables libres, por tanto el conjunto es linealmente dependiente.
b. Sean c1 ; c2 y c3 escalares reales tales que
2 3 2 3 2 3 2 3
1 1 1 0
6 2 7 6 0 7 6 0 7 6 0 7
c1 6 7 6 7 6 7 6 7
4 3 5 + c2 4 3 5 + c3 4 0 5 = 4 0 5 .
4 0 1 0
Sumando e igualando componente a componente tenemos
c1 + c2 + c3 = 0
2c1 = 0
.
3c1 + 3c2 = 0
4c1 + c3 = 0
Veamos si el sistema homogneo anterior tiene solucin nica o si tiene innitas soluciones.
2 3 2 3
1 1 1 0 2 0 0 0
6 2 0 0 0 7 6 0 0 7
6 7!6 0 3 7.
4 3 3 0 0 5 4 0 0 1 0 5
4 0 1 0 0 0 0 0
Como podemos ver el sistema homogneo tiene solucin nica, por tanto el conjunto de
vectores es L:I:
3
Teorema 1 Los vectores v_1; :::; v_m en Rn son L.D si y slo si al menos uno de los vectores puede
ser expresado como una C.L de los otros.
Teorema 2 Cualquier conjunto de vectores que contenga al vector cero es linealmente dependiente.
4
Matrices
Clase 6
1 Matrices
Denicin 1 Una matriz es un arreglo rectangular de nmeros denominados entradas o elementos de
la matriz.
2 3
2 3 1
1 2 5 6 3 6 07
1 2
A=4 2 0 4 1 75 ; B= ; C=6 7
4 1 5; D= 1 1 2 :
3 4
3 1 2 2 3
1
Denicin 2 El orden de una matriz es una descripcin del nmero de las y columnas que tiene.
Una matriz se denomina de orden m n si tiene m las y n columnas. As, las matrices del ejemplo
anterior son matrices de rdenes 3 5; 2 2; 4 1 y 1 3 respectivamente.
Denicin 3 Una matriz de orden 1 m se conoce como matriz la y una matriz de orden n 1 se
conoce como matriz columna.
Nota 1 Usaremos notacin de subndice doble para hacer referencia a las entradas de una matriz,
es decir, la entrada de A en la la i y la columna j se notar por aij . Con esta notacin podemos
escribir una matriz en forma compacta, as, A = [aij ]m n ( [aij ]). Por tanto una matriz tiene la
2 3
a11 a12 ::: a1n
6 a21 a22 ::: a2n 7
6 7
forma A = 6 . .. .. .. 7 :
4 .. . . . 5
am1 am2 ::: amn
Si las columnas de A son los vectores b1 ; :::; bn entonces podemos representar a A por A =
[b1 b2 ::: 2 bn ] 3y si las las de A son los vectores A1 ; A2 ; :::; Am entonces podemos representar a
A1
6 A2 7
6 7
A por A = 6 . 7 :
4 .. 5
Am
1
4. Una matriz diagonal en la cual todas las entradas diagonales sean todas iguales se conoce como
matriz escalar.
5. Si el escalar en la diagonal es 1, la matriz escalar se llama matriz identidad y es denotada por
In :
Denicin 5 Dos matrices son iguales si tienen el mismo tamao y sus entradas correspondientes
son iguales.
Nota 2 Para que el producto de A por B tenga sentido el nmero de columnas de A debe ser2igual 3
b1j
6 b2j 7
6 7
al nmero de las de B: Si la la i de A es ai1 ai2 ::: ain y la j-sima columna de B es 6 . 7
4 .. 5
bnj
2 3 2 3
ai1 b1j
6 ai2 7 6 b2j 7
6 7 6 7
entonces la entrada ij de C se computa as: cij = 6 . 7 6 .. 7 = ai1 b1j + ai2 b2j + ::: + ain bnj :
4 .. 5 4 . 5
ain bnj
2 3
2 3 1 1 1
1 1 1 2 6 1 0 17
Ejemplo 2 Sean A = 40 1 0 15 y B = 6 4 1 1
7 : Calcule si es posible, AB y BA:
15
1 1 1 1
1 0 1
2
2 3 2 3
1 1 1 1 1 1
Ejemplo 3 Sean A = 4 1 2 15 y B = 4 1 1 1 5 : Calcule, AB y BA:
1 0 1 1 1 0
Solucin: Dado que los tamaos de las matrices lo permiten, los dos productos pueden realizarse para
obtener:
2 3
1 1 0
a. AB = 40 2 15
0 2 1
2 3
3 3 1
b. BA = 4 1 1 15
0 1 0
Teorema 1 Todo sistema de ecuaciones lineales de m ecuaciones con n incgnitas se puede representar
en la forma AX = b, donde A es la matriz de coecientes, X es el vector que contiene las variables
del sistema y b es el vector de trminos independientes.
3x + 2y 3z + 5w = 2 (1)
x+y+z+w = 1
5x + 2y z + w = 6
2 3
2 3 x 2 3
3 2 3 5 6y 7 2
Solucin: Si A = 41 1 1 15 ; X = 6 7 y b = 4 15
4z 5
5 2 1 1 6
w
2 3
2 3 x 2 3
3 2 3 5 6 7 2
y
Entonces 1 se puede representar como AX = b; es decir, 41 1 1 15 6
4z 5
7 = 4 15
5 2 1 1 6
w
1. ei A = i sima la de A:
2. Aej = j sima columna de A:
3
1.3 Potencias de una matriz
Denicin 7 Para n 2 N, denimos An = A A ::: A (n veces). Si n = 0; denimos A0 = In : Para
que la denicin tenga sentido, A debe ser cuadrada.
1. Ar As = Ar+s
s
2. (Ar ) = Ars
2 3 2 3 2 3
1 1 1 0 1 2 0 1 2
a: A = 4 1 0 15 b: B = 41 0 35 c: C = 41 0 35
1 1 1 2 3 0 2 3 0
2 3 2 3 2 3
1 1 1 0 1 2 0 1 2
AT = 4 1 0 15 ; BT = 4 1 0 35 ; C T = 41 0 35
1 1 1 2 3 0 2 3 0
Note que AT 6= A, por lo tanto A no es simtrica y puesto que AT 6= A; A no es antisimtrica.
La matriz B satisface B T = B; luego es antisimtrica. Finalmente, la matriz C es tal que C T = C;
por lo tanto C es simtrica.
4
1.5 Algebra de matrices
Teorema 3 (Propiedades algebraicas de la adicin de matrices) Sean A; B; C matrices del mismo
tamao y sean c; d escalares. Entonces:
a. A + B = B + A
b. (A + B) + C = A + (B + C)
c. A + 0 = 0 + A = A
d. A + ( A) = 0
e. c (A + B) = cA + cB
f. (c + d) A = cA + dA
g. c(dA) = (cd) A
h. 1:A = A
Denicin 10 Sean A1 ; A2 ; :::; Ak ; B matrices del mismo tamao. Decimos que B es combinacin
lineal de A1 ; A2 ; :::; Ak si existen escalares c1 ; c2 ; :::; ck tales que B = c1 A1 + c2 A2 + ::: + ck Ak :
Denicin 11 Sean A1 ; A2 ; :::; Ak matrices del mismo tamao. Denimos el espacio de A1 ; A2 ; :::; Ak ,
denotado por espacio(A1 ; A2 ; :::; Ak ) como el conjunto de todas las combinaciones lineales de A1 ; A2 ; :::; Ak :
2 3 2 3 2 3
1 0 0 0 0 0 0 0 0
Ejemplo 7 Sean A1 = 40 0 05 ; A2 = 40 1 05 ; A3 = 40 0 05 ;
0 0 0 0 0 0 0 0 1
2 3 2 3 2 3 2 3
0 1 0 0 0 1 0 0 0 5 2 6
A4 = 41 0 05 ; A5 = 40 0 05 ; A6 = 40 0 15 ; B = 42 3 45
0 0 0 1 0 0 0 1 0 6 4 3
Solucin:
1. Sabemos que espacio(A1 ; A2 ; :::; A6 ) es el conjunto de todas las combinaciones lineales de las ma-
trices A1 ; A2 ; :::; A6 : As que una matriz A est en espacio(A21 ; A2 ; :::; A6 ) si3existen escalares
a11 a12 a13
c1 ; c2 ; :::; ck tales que A = c1 A1 +c2 A2 +:::+ck Ak : Es decir, A = 4a21 a22 a23 5 2 espacio(A1 ; A2 ; :::; A6 )
a31 a32 a33
si
De aqu vemos que la matriz A pertenece a espacio(A1 ; A2 ; :::; A6 ) si su entrada ij es igual a su en-
trada ji, es decir, si A es simtrica. Luego, espacio(A1 ; A2 ; :::; A6 ) = fA 2 R3 3 = A es simtricag
2. Puesto que la matriz B es simtrica es un elemento de espacio(A1 ; A2 ; :::; A6 )
5
Sean A; B y C matrices (con tamaos tales que las siguientes operaciones son vlidas) y sea k un
escalar.
1. A (BC) = (AB) C
2. A (B + C) = AB + AC
3. (A + B) C = AC + BC
4. k (AB) = (kA) B = A (kB)
5. Im A = A = AIn si A es de orden m n
Prueba. Veamos que la propiedad 4 es verdad. Sean A; B matrices con entradas del mismo
T
tamao. Entonces, la j sima la de (A + B) es la j sima columna de A + B; la cual es obtenida
de sumar la j sima columna de A y la j sima columna de B; es decir, la j sima la de AT y la
j sima la de B T :
Teorema 6 (Ejercicio)
Prueba.
As que A + AT es simtrica.
b. Consideremos uno de los dos casos y calculemos la transpuesta de la matriz a vericar: (AAT )T =
T
AT AT = AAT ; por Propiedades 5 y 1. Luego, la matriz es AAT simtrica.
6
Inversa de una matriz
Clase 7
Prueba. Sea A una matriz invertible y sean A0 y A00 dos inversas de A entonces AA0 = A0 A = In
y A00 A = AA00 = In :
Luego A0 = A0 In = A0 (AA00 ) = (A0 A) A00 = In A00 = A00 : Por tanto, A0 = A00 y as la inversa es
nica.
1
Notacin 1 Si A es invertible su inversa se denotar por A :
Teorema 4 Sea A una matriz cuadrada. Si B es una matriz cuadrada, tal que AB = In BA = In
entonces A es invertible y A 1 = B:
1
Prueba. Sean A y B matrices cuadradas tales que BA = In . Denotemos las columnas 2 de
3A
x1
6 x2 7
6 7
por a1 ; a2 ; :::; an , es decir A = [a1 a2 :::an ]. Encontremos espacio(a1 ; a2 ; :::; an ). Sea w = 6 . 7 2
4 .. 5
xn
espacio(a1 ; a2 ; :::; an ), entonces existen escalares c1 ; c2 ; :::; cn tales que
c1 a1 + c2 a2 + ::: + cn an = w,
reescribiendo 2 3 2 3 2 3 2 3
c1 x1 c1 x1
6 c2 7 6 x2 7 6 c2 7 6 x2 7
6 7 6 7 6 7 6 7
[a1 a2 :::an ] 6 .. 7=6 .. 7 , A6 .. 7=6 .. 7. (1)
4 . 5 4 . 5 4 . 5 4 . 5
cn xn cn xn
Ejercicio 2 Teorema 5 Prueba. El sistema lineal 1 siempre tiene solucin dada por
2 3 2 3
c1 x1
6 c2 7 6 x2 7
6 7 6 7
6 .. 7 = B 6 .. 7 ,
4 . 5 4 . 5
cn xn
es decir espacio(a1 ; a2 ; :::; an ) = Rn . Puesto que e1 ; e2 ; :::; en 2 Rn entonces existen b01 ; b02 ; :::; b0n tales
que
Ab0i = ei , i = 1; 2; :::; n.
Tomando B 0 = [b01 b02 :::b0n ] obtenemos que
2x 2y = 1
x 2y z = 1
2x + 3z = 1
2
Solucin:
2 3
2 2 0
a. La matriz de coecientes del sistema es A = 41 2 15 ; el vector que contiene las variables del
2 3 2 0 3 2 3
x 1
sistema es X = 4y 5 y el vector de trminos independientes b = 415 : De esta manera, el sistema
z 1
se puede escribir como AX = b:
b. Para decidir si la matriz es invertible, hacemos operaciones elementales de la para obtener la
forma reducida de la matriz. La forma reducida es la matriz identidad si y slo si la matriz A
si es invertible. Ms an, si la matriz es invertible, las mismas operaciones la, realizadas para
obtener la forma reducida de la matriz A; transforman la identidad en A 1 : As que consideremos
la matriz ampliada [AjI3 ] y hagamos operaciones la hasta encontrar la forma reducida de A:
2 3 2 3
2 2 0 1 0 0 1 2 1 0 1 0
4 1 2 1 j 0 1 0 5 R1 $ R2 4 2 2 0 j 1 0 0 5
!
2 0 3 0 0 1 2 0 3 0 0 1
2 3 2 3
1 2 1 0 1 0 1 2 1 0 1 0
R2 2R1 4 0 2 2 j 1 2 0 5 R3 2R1 4 0 2 2 j 1 2 0 5
! !
2 0 3 0 0 1 0 4 5 0 2 1
2 3 2 3
1 2 1 0 1 0 1 2 1 0 1 0
1
R3 2R2 4 0 2 2 j 1 2 0 5 R2 4 0 1 1 j 12 1 0 5
! 2!
0 0 1 2 2 1 0 0 1 2 2 1
2 3 2 3
1 0 1 1 1 0 1 0 0 3 3 1
R1 + 2R2 4 0 1 1 j 21 1 0 5 R1 R3 4 0 1 1 j 12 1 0 5
! !
0 0 1 2 2 1 0 0 1 2 2 1
2 3
1 0 0 3 3 1
R2 R3 4 0 1 0 j 52 3 1 5
!
0 0 1 2 2 1
La forma reducida de C no es la matriz identidad (recuerde que la forma reducida es nica). Por
lo tanto C no es invertible.
3
Subespacios
Clase 8
1 Subespacios
Denicin 1 Un subespacio de Rn es cualquier coleccin S de vectores en Rn tales que:
1. El vector 0 est en S:
2. Si u y v estn en S; entonces u + v est en S:
3. Si u est en S y c es un escalar real, entonces cu est en S:
82 39
>
> 0 > >
>
<607> =
6 7
Nota 1 Los conjuntos 6 . 7 y Rn ; son subespacios de Rn y son llamados subespacios triviales.
>
> 4 .. 5>
>
>
: >
;
0
Prueba.
i) Probemos que toda recta que pasa por el origen en R3 es un subespacio de R3 : En efecto, sea L una
recta en R3 que pasa por el origen, entonces
82 3 2 3 2 3 9
< x x a =
L = 4 y 5 2 R3 4 y 5 = 4 b 5 ; 2R ,
: ;
z z c
2 3
a
donde u = 4 b 5 es el vector director de L:
c
2 3 2 3 2 3
a 0:a 0
1. Si = 0; entonces el vector 0 4 b 5 = 4 0:b 5 = 405 est en L:
c 0:c 0
2 3 2 3
a a
2. Sean u; v en L, entonces existen 1 ; 2 en R tales que u = 1 4 b 5 y v = 2 4 b 5 : Por tanto
c c
2 3 2 3 2 3
a a a
u + v = 1 4 b 5 + 2 4 b 5 = ( 1 + 2 ) 4 b 5 ; as, u + v 2 L:
c c c
2 3 2 3
a a
3. Sea u 2 L y d un escalar real, entonces u = 4 b 5 ; con lo que du = (d ) 4 b 5 y as du est
c c
en L:
1
De todo lo anterior L es un subespacio de R3 :
ii) Probemos que todo plano que pasa por el origen en R3 es un subespacio 3
82de3R : En efecto, sea W un 9
< x =
plano que pasa por el origen en R3 ; entonces W tiene la forma, W = 4y 5 2 R3 ax + by + cz = 0 :
: ;
z
82 3 9
< x =
Ejemplo 2 Sea S = 4y 5 2 R3 x + y + z + 1 = 0 : Es S un subespacio de R3 ?
: ;
z
2 3
0
Solucin: El conjunto S no es subespacio de R ya que 05 2
3 4 = S:
0
82 3 9
< x =
Ejemplo 3 Sea S = 4y 5 2 R3 x2 + y 2 + z = 0 : Es S un subespacio de R3 ?
: ;
z
Solucin:
2 3
0
1. 405 2 S:
0
2 3 2 3 2 3
1 0 1
2. Sean u = 4 15 ; v = 4 1 5 : Los vectores u; v 2 S pero u + v = 4 0 5 2
= S: Por lo tanto S no
2 1 3
es subespacio de R3 :
x
Ejemplo 4 Sea S = 2 R2 x 0; y 0 : Es S un subespacio de R2 ?
y
Solucin:
2
0
1. 2 S:
0
x1 x x1 + x2
2. Sean u = ; v = 2 2 S; entonces x1 0; y1 0, x2 0; y2 0: As, u + v = y
y1 y2 y1 + y2
x1 + x2 0; y1 + y2 0: Por tanto u + v 2 S:
1 1
3. Si tomamos u = ;u2S yc= 1; entonces cu = 2
= S: Luego, S no es subespacio de
2 2
R2 :
Teorema 2 Sea B cualquier matriz equivalente por la a una matriz A: Entonces ren(B) = ren(A):
Teorema 3 Sea A una matriz de orden m n y N el conjunto de soluciones del sistema lineal
homogneo asociado a [Aj0] : Entonces N es un subespacio de Rn :
3
Prueba. Debemos ver que N = fz 2 Rn Az = 0g satisface las condiciones de subespacio:
Denicin 3 Sea A una matriz de orden m n: El espacio nulo de A, denotado por nul(A) se dene
como el conjunto de todas las soluciones del sistema lineal homogneo asociado a [Aj0] :
Ejemplo 7
82 3 9
< a+b+c =
i) Es W = 4 a c 5 : a; b; c 2 R un subespacio de R3 ?
: ;
a+b
82 3 9
>
> x >
>
<6 7 =
6 y 7
ii) Es U = 4 5 2 R x + 2y w = 0; x + y + z + w = 0 un subespacio de R4 ?
4
>
> z >
>
: ;
w
Solucin:
i) Note que
82 3 9 82 3 2 3 2 3 9
< a+b+c = < a b c =
W = 4 a c 5 : a; b; c 2 R = W = 4a5 + 405 + 4 c5 : a; b; c 2 R
: ; : ;
a+b a b 0
8 2 3 2 3 2 3 9 02 3 2 3 2 31
< 1 1 1 = 1 1 1
= a 415 + b 405 + c 4 15 : a; b; c 2 R = espacio @415 ; 405 ; 4 15A
: ;
1 1 0 1 1 0
Luego, W es un subespacio de R3 :
1. Encuentre el espacio columna de A mediante una expresin que permita vericar fcilmente si
un vector de R4 pertenece o no a dicho espacio
4
2. Determine:
i) Es b un elemento de col(A)?
ii) Es b0 un elemento de col(A)?
3. Determine:
2 3
1
i) Es c = 4 15 un elemento de nul(A)?
1
2 3
2
ii) Es c0 = 4 1 5 un elemento de nul(A)?
0
4. Encuentre ren(A):
i) Es d = 1 1 2 un elemento de ren(A)?
ii) Es d0 = 1 1 3 un elemento de ren(A)?
Solucin:
5
2. i) El vector b es un elemento de col(A) si satisface las restricciones encontradas en 1. Veamos:
1 + 2 + ( 1) = 0 y 3(1) 2(2) + 1 = 0. As que b 2 col(A):
ii) Veamos si el vector b0 satisface las restricciones: 1 + 1 + 1 = 1 6= 0: As que b0 no pertenece
a col(A):
3. Recordemos que un vector pertenece a nul(A) si es solucin del sistema homogneo AX = 0:
6
Bases
Clase 9
1 Bases
Denicin 1 Una base para un subespacio S de Rn es un conjunto B de vectores en S tal que:
1. El conjunto B genera a S:
2. El conjunto B es linealmente independiente.
2 3
0
6 .. 7
6.7
6 7
Ejemplo 1 Una base para R es el conjunto fe1 ; e2 ; :::; en g donde ei = 6
n
617 :
7
6.7
4 .. 5
0
1 1
Ejemplo 2 Muestre que el conjunto ; es una base para R2 :
2 2
Solucin:
1
2 3 2 3
1 1
1. Los dos vectores 415 y 4 15 ; generan a H:
1 1
2. Adems, por ser slo dos, puede verse fcilmente que son L.I.
82 3 2 39
< 1 1 =
Por lo tanto, 415 ; 4 15 es una base para H:
: ;
1 1
1. Las las distintas de cero de R forman una base para ren(A) (o de manera equivalente, las las
distintas de cero de R; vistas como vectores columna, forman una base para col(AT )):
2. Los vectores columna de A que se corresponden con las columnas de R que tienen pivote forman
una base para col(A):
3. Resuelva el sistema Rx = 0 y escriba las soluciones como una combinacin lineal de k vectores
(donde k es el nmero de variables libres). Estos k vectores formarn una base para nul(A):
2 3
1 1 1 1
6 1 2 0 17
Ejemplo 4 Sea A = 6 41
7 y supongamos que una forma escalonada para A es R =
1 1 15
1 1 1 0
2 3
1 1 1 1
60 1 1 07
6 7
40 0 0 15 : Hallar una base para ren(A); col(A) y nul(A):
0 0 0 0
Solucin:
82 3 2 3 2 39
>
> 1 0 0 >
>
<6 7 6 607=
17 6 17
a. Basta escoger las las no nulas de la matriz R: As, Base para ren(A) = 6
415 ; 4
7;6 7 :
>
> 1 5 405>
>
: ;
1 0 1
b. Para el espacio columna de la matriz A; observemos que las columnas con pivote en la matriz
esacalonada R son las columnas 1,2 y 4. Luego,8las
2 columnas
3 2 3 1,2
2 y349de la matriz A, denen
>
> 1 1 1 >
<6 7 6 7 6 7> =
1 2 1
unas base para col(A): As, Base para col (A) = 6 7;6 7;6 7 :
4 1 5 4 1 5 4 1 5>
>
> >
: ;
1 1 0
c. Finalmente, para encontrar una base para el espacio nulo de A; resolvemos el sistema Rx = 0; es
decir,
x+y+z+w = 0
y+z = 0
w = 0
2
82 39
>
> 2 >>
<6 7=
1
Por lo tanto, una base para el espacio nulo de A es 6 7 :
4 1 5>
>
> >
: ;
0
82 3 9
>
> a + 2b + c >
>
<6 =
6 a b 7 7
Ejemplo 5 Sea H = 4 : a; b; c 2 R
>
> a+b 5 >
>
: ;
a + 2b + c
Solucin:
1. Note que
82 3 9 82 3 2 3 2 3 9
>
> a + 2b + c >
> >
> a 2b c >
>
<6 = <6 7 6 7 6 7 =
6 a b 7 7 6 a7 6 b7 607
H= 4 : a; b; c 2 R = + + : a; b; c 2 R
>
> a+b 5 >
> >4 a 5 4 b 5 405 >
: ; > : >
;
a + 2b + c a 2b c
8 2 3 2 3 2 3 9 02 3 2 3 2 31
>
> 1 2 1 >
> 1 2 1
< 6 7 6 17 607 = B6 17 6 17 607C
1
= a6 7 6 7 6 7 B6 7 6 7 6 7C
4 1 5 + b 4 1 5 + c 405 : a; b; c 2 R> = espacio @4 1 5 ; 4 1 5 ; 405A
>
> >
: ;
1 2 1 1 2 1
y ya sabemos que el espacio generado por un conjunto de vectores es subespacio.
2 3
x
6y 7
2. Un vector u = 6 7
4 z 5 est en H si es C.L de los tres vectores que lo generan, es decir, si existen
w 2 3 2 3 2 3
1 2 1
6 17 6 17 607
escalares c1 ; c2 ; c3 tales que u = c1 6 7 6 7 6 7
4 1 5 + c2 4 1 5 + c3 405 : Lo cual es equivalente a que el
1 2 1
2 3
1 2 1 x
6 1 1 0 y 7
sistema asociado a 6 4 1 j 7 sea consistente. Una forma escalonada de esta matriz
1 0 z 5
1 2 1 w 82 3 9
2 3
1 2 1 x >
> x >
>
6 0 1 1 7 <6 7 =
x + y y
es 6
4 0 0 0 j 7, de aqu que H = 6 7 2 R y + z = 0 :
5 4 5
4
y+z >
> z >
>
: ;
0 0 0 0 w
02 3 2 3 2 31 2 3
1 2 1 1 2 1
B6 17 6 17 607C 6 1 0 7
3. Como H = espacio B 6 7 ; 6 7 ; 6 7C entonces la matriz A = 6 1 7 es tal que
@4 1 5 4 1 5 405A 4 1 1 0 5
1 2 1 1 2 1
H = col(A); el cual tiene una base dada por las columnas de A correspondientes a columnas con
3
pivote en una de sus formas
82escalonadas,
3 2 39y ya vimos que estas columnas son 1 y 2. Luego, una
>
> 1 2 >
<6 7 6 7> =
1 7 ; 6 17 :
base para este espacio es 6
4 1 5 4 1 5>
>
> >
: ;
1 2
82 3 9
< x =
Ejemplo 6 Sea W = 4y 5 2 R3 x + y + z = 0; x + 2y + 3z = 0
: ;
z
Solucin:
2 3
x
1. Un vector w = 4y 5 pertenece a W si y slo si x + y + z = 0; x + 2y + 3z = 0, es decir, si
z
1 1 1
w es solucin del sistema homogneo AX = 0 donde A es la matriz A = : As que
1 2 3
W = nul(A), el cual sabemos que es un subespacio para cualquier matriz A:
2. Resolvamos el sistema homogneo descrito en la parte 1. Escalonamos la matriz A y obtenemos:
1 1 1
R= : De aqu obtenemos el sistema homogneo
0 1 2
x+y+z = 0
y + 2z = 0
82 3 2 3 2 3 2 3 9
< x x 3z 3 =
cuya solucin consiste del conjunto 4y 5 2 R3 4y 5 = 4 2z 5 = z 4 25 ; z 2 R : Por lo
: ;
82 z 39 z z 1
< 3 =
tanto, una base para W = nul(A) = 4 25 :
: ;
1
Ejemplo 7 dim(Rn ) = n
1. dim(col(A)) = r
2. dim(ren(A)) = r
3. dim(nul(A)) = #variables libres= n r
4
Denicin 3 El rango de una matriz A es la dimensin de col(A) de ren(A):
Nota 3 El rango de una matriz nos dice cuantas columnas o las de una matriz son linealmente
independientes.
1.2 Coordenadas
Teorema 6 Sea S un subespacio de Rn y sea B = fv1 ; v2 ; :::; vk g una base para S: Para todo vector
v en S; existe una nica manera de escribir a v como combinacin lineal de los vectores de B :
v = c1 v1 + c2 v2 + ::: + ck vk :
Prueba. Puesto que B es base para S; en particular, B genera a S: Por lo tanto cualquier
vector en S; se puede escribir como C.L de los vectores de B; as que v se puede escribir como
c1 v1 + c2 v2 + ::: + ck vk para algunos escalares c1 ; c2 ; :::; ck : Supongamos que v tambin se puede escribir
como v = d1 v1 + d2 v2 + ::: + dk vk :
As que
c1 v1 + c2 v2 + ::: + ck vk = d1 v1 + d2 v2 + ::: + dk vk
de donde c1 v1 + c2 v2 + ::: + ck vk (d1 v1 + d2 v2 + ::: + dk vk ) = 0: Conmutando y asociando tenemos
(c1 d1 )v1 + (c2 d2 )v2 + ::: + (ck dk )vk = 0; por la independencia lineal de B (puesto que B es base);
debe darse que (c1 d1 ) = 0; (c2 d2 ) = 0; :::; (ck dk ) = 0 de donde, c1 = d1 ; c2 = d2 ; :::; ck = dk ; y
as la forma de escribir a v como combinacin lineal de los vectores de B es nica.
Denicin 5 Sea S un subespacio de Rn y sea B = fv1 ; v2 ; :::; vk g una base para S: Sea v en S con
v = c1 v1 + c2 v2 + ::: + ck v2k entonces
3 c1 ; c2 ; :::; ck se denominan coordenadas de v con respecto a B; y
c1
6c2 7
6 7
el vector columna [v]B = 6 . 7 se conoce como el vector de coordenadas de v con respecto a B:
4 .. 5
ck
82 3 9
< x =
Ejemplo 8 Sea H = 4y 5 2 R3 x y z=0
: ;
z
2
4. Si [w]B = ; encuentre w:
2
Solucin:
5
1. El subespacio H es el conjunto de todas las soluciones del sistema homogneo x y z = 0:
Luego H = nul(A) donde A = 1 1 1 ; por lo tanto, H es un subespacio de R3 :
2. Para encontrar una base, encontremos el conjunto solucin de AX = 0: Puesto que la matriz
est escalonada, podemos resolver inmediatamente y obtener que el conjunto solucin es
82 3 2 3 2 3 2 3 2 3 2 3 2 3 9
< x x y+z y z 1 1 =
4y 5 2 R3 4y 5 = 4 y 5 = 4y 5 + 405 = y 415 + z 405 ; y; z 2 R
: ;
z z z 0 z 0 1
82 3 2 39
< 1 1 =
luego, una base para H es B = 415 ; 405 :
: ;
0 1
2
4. Puesto que [w]B = ; sabemos que los escalares nicos necesarios para escribir a w como
2 2 3 2 3
1 1
combinacin lineal de los elementos de la base B son 2 y 2: As que w = 2 415 + ( 2) 405 =
2 3 0 1
0
4 2 5:
2
6
UNA PEQUEA INTRODUCCIN DEL USO DEL PROGRAMA
MATLAB EN LGEBRA LINEAL
Clase 10
MATLAB (MATrix LABoratory) es un programa de matemticas creado por The MathWorks en 1984
para resolver problemas que pueden ser modelados en trminos de matrices, por ejemplo: Sistemas
de ecuaciones lineales, factorizacin de matrices, clculo de valores y vectores propios, sistemas de
ecuaciones diferenciales lineales, etc. Sus capacidades pueden ser ampliadas usando Toolboxes, algunas
de ellas estn destinadas al procesamiento digital de seal, adquisicin de datos, economa, inteligencia
articial, lgica difusa, etc. Tambin cuenta con otras herramientas como Simulink, que sirve para
simular sistemas.
MATLAB usa un lenguaje de programacin creado en 1970 para proporcionar un sencillo acceso al
software de matrices LINPACK y EISPACK sin tener que usar Fortran. Tambin tiene su propio
compilador.
Al iniciar MATLAB aparecer una ventana como la que se muestra en la gura siguiente. En este
grco podemos destacar tres partes importantes del entorno de trabajo de MATLAB que son: Ven-
tana de comandos (Command Windows), Directorio actual de trabajo (Current Directory) y la
Historia de comandos (Command History).
1
EJERCICIOS RESUELTOS CON AYUDA DE MATLAB:
A continuacin listaremos algunos de los comandos ms tiles en lgebra lineal. Para ello resolveremos
dos de los problemas mas representativos de esta materia.
Ejemplo 1 Una compaa de construccin ofrece cuatro tipos de casas en una urbanizacin. En la
siguiente tabla se indica el nmero de unidades de concreto, de unidades de madera para cancelera y
de unidades de madera para estructura que requiere una casa de cada tipo
La compaa dispone de 1600 unidades de concreto, 1200 unidades de madera para cancelera y 1600
unidades de madera para estructura.
1. Determinar el nmero de casas de cada tipo que la compaa puede construir utilizando todo el
material disponible.
2. Calcular el nmero de casas de cada tipo que la compaa debe construir:
Solucin:
1. Si denimos las variables
x1 = nmero de casas tipo 1 que la compaa puede construir utilizando todo el material disponible.
x2 = nmero de casas tipo 2 que la compaa puede construir utilizando todo el material disponible.
x3 = nmero de casas tipo 3 que la compaa puede construir utilizando todo el material disponible.
x4 = nmero de casas tipo 4 que la compaa puede construir utilizando todo el material disponible.
2
trminos independientes como se muestra en la gura siguiente.
Observemos que la matriz A es ingresada por las. Ahora bien, para crear la matriz
aumentada procedemos como se muestra en la siguiente gura.
Apliquemos el metodo de reduccin de Gauss-Jordan sobre la matriz M para obtener las solu-
ciones del sistema lineal 1.
3
De lo anterior, tenemos que el sistema lineal tiene innitas soluciones y adems podemos concluir
que
x1 = 60 x4 ,
x2 = 50 x4
x3 = x4 .
x1 = 60 x4 0 , 60 x4
x2 = 50 x4 0 , 50 x4
x3 = x4 0,
de donde x4 es un entero entre 0 y 50, luego si la compaa utiliza todo el material disponible
sta debe construir un nmero de casas de cada tipo que se encuentre en los siguientes rangos
(a) Del literal anterior, el mnimo nmero de casas de tipo 1 es 10 y sta es obtenida cuando el
nmero de casas de tipo 4 es de 50; por tanto para que la compaa construya el mnimo de casa
tipo 1 se debe tener
x4 = 50,
x3 = 50,
x2 = 0
x1 = 10.
x2 = 50 x4 25 y x4 25 , 25 x4 y x4 25 , x4 = 25.
As,
x4 = 25,
x3 = 25,
x2 = 25
x1 = 35.
2 3
1 1 1 1 1 1
6 1 1 1 1 1 1 7
6 7
6 1 1 1 1 1 1 7
Ejemplo 2 Sea B = 6
6
7.
7
6 1 1 1 1 1 1 7
4 1 1 1 1 1 1 5
1 1 1 1 1 1
4
4. Encuentre una base ortonormal para cada espacio propio de B.
5. Es B ortogonalmente diagonalizable? Justique su respuesta. En caso armativo encuentre
matrices Q ortogonal y D diagonal tales que QT BQ = D.
Solucin:
1. Introducimos la matriz B con el comando ones(6,6), ver gura siguiente.
6 5 5
As, el polinomio caracterstico de B es p( ) = 6 = ( 6).
2. Los valores propios de B son: 1 =0y 2 = 6.
3. Los espacios propios de B son: E0 = null(B) y E6 = null(B 6I6 ). Para encontrar una base para
0 0
cada espacio propio de B utilizamos el comando null(B; r0 )/ y null(B 6 eye(6); r0 ), donde
eye(6) es la matriz identidad de orden 6. Ver gura siguiente.
5
Con lo que una base para E0 es el conjunto
82 3 2 3 2 3 2 3 2 39
>
> 1 1 1 1 1 >
>
>
>6 1 7 6 0 7 6 7 6 7 6 7>
>
>
> 0 0 0 7>
<6 7 6
6 0 7 6 1 7 6
7 6 7 6
7 6
7 6
7 6
>
7=
6 7 6 7;6 0 7;6 0 7;6 0 7
1 = ;6
>6
>6 0 77 6 0 7 6
7 6 1 7 6
7 6 0 7 6
7 6 0 7>
7>
>
>4 5 4 5 4 5 4 5 4 5>
>
>
> 0 0 0 1 0 >
>
: ;
0 0 0 0 1
Por otro lado
.
Por tanto una base para E6 es 82 39
>
> 1 >
>
>
>6 7>
>
>
> 1 7>
<6
6
>
7=
1
2 = 6
6
7 .
7>
>
>6 1 7>
>
>4 5>
>
>
> 1 >
>
: ;
1
4. Para encontrar una base ortonormal para E0 procedemos como sigue: Sea C la matriz cuyas
columnas son los vectores de la base de E0 hallada en el literal 3. Puesto que esta matriz es de
columnas linealmente independiente entonces posee descomposicin QR, adems las columnas
de Q formarn una base ortonormal para E0 . Los comandos necesarios se muestran en la gura
siguiente
6
Otra forma es utilizando el comando null(B); ver siguiente gura
.
0
Entonces una base ortonormal 1 para E0 est formada por los vectores columna de la Figura.
7
Por otro lado, con el comando null(B 6 eye(6)) obtenemos
Luego una base ortonormal para E6 est formada por el vector de la Figura.
5. Si, ya que B es simtrica. Si tomamos la matriz Q, cuyas columnas son los vectores del conjunto
= 01 [ 02 y la matriz D = diag([0; 0; 0; 0; 0; 6]) obtenemos que QT BQ = D. Ver gura
siguiente.
8
2 3
5 2 3 0 0
6 2 5 2 3 0 7
6 7
Ejemplo 3 Sea C = 6
6 3 2 5 2 3 7.
7
4 0 3 2 5 2 5
0 0 3 2 5
Solucin:
1. Introducimos la matriz C, ver gura siguiente.
Para observar los coecientes del polinomio caracterstico como nmeros racionales, empleamos
la instruccin format rat antes de poly(C), ver gura siguiente.
9
As, el polinomio caracterstico de C es p( ) = 5 25 4 + 207 3 533 2 682 + 3384 y los
valores propios se obtienen con la instruccin eig(C), para ello volvemos sobre el formato por
defecto del MATLAB (format short) y aplicamos la instruccin eig(C), ver gura siguiente.
10
Las bases para cada espacio propio sern:
82 39 82 39 82 39
>
> 1:0000 >
> >
> 1:0000 >
> >
> 1:0000 >
>
>
> > > 7> > 7>
<66 1:2388 7 >
7=
>
<6
6 0:5000 >
7=
>
<6
6 1:4493 >
7=
= 6 1:5421 7 7 = 6 0:0000 7 = 6 1:0317 7
1
> 6 > 2
>6 7> 3
>6 7>
>
>4 1:2388 5>> >
>4 0:5000 5>
> >
>4 1:4493 5>
>
>
: >
; >
: >
; >
: >
;
1:0000 1:0000 1:0000
82 39 82 39
>
> 1:0000 > > >
> 1:0000 >
>
>
> > > 7>
<66 2:0000 7 >
7=
>
<6
6 0:1453 >
7=
= 6 0:0000 7 = 6 1:5303 7
4
> 6 7> 5
>6 7>
>
>4 2:0000 5> > >
>4 0:1453 5>
>
>
: >
; >
: >
;
1:0000 1:0000
3. Para hallar bases ortonormales podemos emplear la instruccin [P D]=eig(C) ya que esta entrega
vectores y valores propios de C; en particular si C es simtrica entonces P es ortogonal, ver gura
siguiente.
donde 82 39
>
> 0:3664 >
>
>
> 7>
<6
6 0:4539 >
7=
b 6
= 6 0:5651 77
1
>
>4 0:4539 5>>
>
> >
>
: ;
0:3664
es una base ortonormal para el espacio propio E 1 : (Lo invitamos a mostrar que si normalizamos
cada una de las bases i obtenemos las bases dadas en la matriz P).
11
COMANDOS COMUNES EN LGEBRA LINEAL
[a11 ; a12 ; :::; a1n ; a21 ; a22 ; :::; a2n ; ::: ; am1 ; am2 ; :::; amn ] : Crea una matriz de orden m n cuyas las
son: [ai1 :::ain ], i = 1; 2; :::; m.
[ ]: Matriz transpuesta:
dot(x,y) : Producto punto entre x e y.
cross(x,y) : Producto cruz entre x e y, vectores de R3 :
ones(m,n) : Produce la matriz de 1s de tamao m n.
zeros(m,n) : Produce la matriz de 0s de tamao m n.
eye(n) : Produce la matriz identidad de orden n.
rand(m,n) : Produce una matriz aleatoria de orden m n, con entradas entre 0 y 1.
diag(A) : Da la diagonal de A.
norm(x) : Norma de x.
diag([m,n,k] : Construye una matriz diagonal con entradas m, n y k.
triu(A) : Da la parte triangular superior de A.
tril(A) : Da la parte triangular inferior de A.
A(i,j) : Da la entrada i; j y se podra renombrar k =A(i,j).
A(i , :) : Da la la i.
A(: , j) : Da la columna j.
A(:,[m,n,k]) : Da las columnas m, n y k:
A+B
A*B
rref(A) : Reduce la matriz A mediante Gauss Jordan:
inv(A) : Inverda de A.
det(A) : Determinante de A.
poly(A) : Da los coecientes del polinomio caracterstico de A.
eig(A) : Valores propios de A.
[P D]=eig(A) : Vectores y valores propios de A. Si A es simtrica entonces P es ortogonal.
null(A) : Da una base ortogonal para el espacio nulo de A.
null(A,r) : Da una base, no ortogonal, para el espacio nulo de A.
[L U]=lu(A) : Factorizacin LU de A, si A tiene dicha factorizacin.
[L U P]=lu(A) : Factorizacin P A = LU de A, si A no tiene factorizacin LU .
[Q R]=qr(A) : Factorizacin QR de A.
An[ ] : Resuelve el sistema Ax = [ ].
whos : Describe las variables que han sido utilizadas.
12
Introduccin a las transformaciones lineales
Clase 10
1
2. Sea c un escalar
0 2 31 02 31
x1 cx1
T (cu) = T @c 4 y1 5A = T @4 cy1 5A
z1 cz1
2 3 2 3 2 3
cx1 + cy1 c (x1 + y1 ) x1 + y1
= 4 cy1 + cz1 5 = 4 c (y1 + z1 ) 5 = c 4 y1 + z1 5
cz1 + cx1 c (z1 + x1 ) z1 + x1
= cT (u)
uT a u:a
Ejemplo 2 Sea a 2 R3 ; a 6= 0: Sea T : R3 ! R3 ; donde T (u) = proya u = a= a:
aT a a:a
a. Muestre que T es una transformacin lineal.
2 3 2 3
1 1
b. Si a = 4 1 5 : Halle T (v) para v = 4 1 5 :
1 1
Solucin:
a. Sean u; v 2 R3
(u + v) :a u:a v:a
T (u + v) = proya (u + v) = a= a+ a
a:a a:a a:a
= proya u + proya v = T (u) + T (v) :
Sea c un escalar
cu:a u:a
T (cu) = proya (cu) = a=c a = cproya (u) = cT (u) :
a:a a:a
Luego, T es una transformacin lineal.
2
2 3 2 3
1 1
b. Si a = 4 1 5 y v = 4 1 5 entonces
1 1
2 3 2 3
1 1
4 1 5:4 1 5 2 3
1 1 1
T (v) = 2 3 2 3 4 1 5
1 1 1
4 1 5:4 1 5
1 1
2 3
1
14 5
T (v) = 1 :
3
1
2 3
3 2 x+y+1
x 6 7
y+z
Ejemplo 3 Sea T : R ! R ; T 4 y 5 = 6
3 4
4
7 : Es T una transformacin lineal?
5
x+z
z
2x + y + 2
3 2
1
Solucin: T no es transformacin lineal, veamos un contraejemplo. Sea v = 4 1 5, no se cumple la
1
segunda condicin 2 3 2 3
2 3 5 3
2 6 4 7 6 2 7
T (2v) = T 4 2 5 = 6 7 6 7
4 4 5 6= 2 4 2 5 = 2T (v) :
2
8 5
Im (T ) = fT (v) = v 2 Rn g = fw 2 Rm = w = T (v) ; v 2 Rn g :
TA (x + y) = A (x + y) = Ax + Ay = TA (x) + TA (y)
TA (cx) = A (cx) = c (Ax) = cTA (x)
3
Solucin: Vemos que 2 3
2 3
1 1 0 2 3
x 6 0 x
1 1 7
T4 y 5=6
4 1
74 y 5;
0 1 5
z z
1 0 1
T es una transformacin matricial, por lo tanto T es una transformacin lineal.
Ejemplo 5 Sea T : R2 ! R2 , la funcin que reeja cada punto con respecto a la recta y = x. Muestre
que T es una transformacin lineal.
x y
Solucin La transformacin T esta dada por T = (T reeja cada punto con respecto a
y x
la recta y = x). Vemos que
x 0 1 x
T = ;
y 1 0 y
T es una transformacin matricial, por lo tanto T es una transformacin lineal.
as [S T ] = [S] [T ] :
2 3
3 2 2
3 2 3 x+y+z
x x+y x 6 7
2y + z
Ejemplo 6 Sean T : R3 ! R3 , T 4 y 5 = 4 y + z 5 y S : R3 ! R4 ; S 4 y 5 = 6
4 x 3z
7
5
z x+z z
x y 5z
dos transformaciones lineales.
4
a. Halle [T ] y [S] :
2 3
1
b. Encuentre S T en forma explcita y halle (S T ) (v) donde v = 4 1 5 :
1
Solucin:
2 3
2 3 2 3 2 32 3 2 3 2 3 x+y+z
x x+y 1 1 0 x 1 1 0 x 6 2y + z 7
a. T 4 y 5 = 4 y+z 5=4 0 1 1 5 4 y 5 as [T ] = 4 0 1 1 5 : Ahora S 4 y 5 = 6 7
4 x 3z 5 =
z x+z 1 0 1 z 1 0 1 z
2 3 2 3 x y 5z
1 1 1 2 3 1 1 1
6 0 2 7 x 6 0 2
6 1 74 6 1 77:
4 1 0 y 5 ; luego [S] = 4
3 5 1 0 3 5
z
1 1 5 1 1 5
Denicin 4 Sea T : Rn ! Rn una transformacin lineal. Diremos que T es invertible si existe una
transformacin lineal T 0 : Rn ! Rn tal que
T T 0 = T 0 T = IdRn ;
Solucin:
2 T es una
3 transformacin lineal invertible 2 si [T ] es3 una matriz invertible, como [T ] =
1 1 0 1 1 0
4 0 1 1 5 y la forma escalonada de [T ] es 4 0 1 1 5 ; [T ] es matriz invertible.y por tanto
1 0 1 0 0 2
5
2 3
1 1 1
1 14
T es una transformacin lineal invertible. Dado que [T ] = 1 1 1 5 la transfor-
2
1 1 1
macin lineal inversa esta denida por
2 3 2 32 3
x 1 1 1 x
14
T 14 y 5 = 1 1 1 54 y 5
2
z 1 1 1 z
2 3 2 3
x x y+z
14
T 14 y 5 = x + y z 5:
2
z y x+z
2 3 2 3
x x + y + 2z
Ejemplo 8 Sea S : R3 ! R3 , S 4 y 5 = 4 x + y + 2z 5 :
z x+y
Es T una transformacin lineal invertible?
Solucin:
2 S es una
3 transformacin lineal invertible
2 si [S] es 3una matriz invertible, como [S] =
1 1 2 1 1 2
4 1 1 2 5 y la forma escalonada de [S] es 4 0 0 2 5 ; S no es una transformacin lineal
1 1 0 0 0 0
invertible.
6
Determinantes
Clase 11
1 Determinantes
a11 a12
Denicin 1 Sea A = : Denimos el determinante de A, denotado por det (A) jAj ;
a21 a22
como el escalar
det (A) = a11 a22 a12 a21 :
Denicin 2 Sea A una matriz de orden n n: Denimos el ij esimo menor de A, denotado por
Aij , como la matriz de orden n 1 obtenida al eliminar de A la i esima la y la j esima columna.
Denicin 3 Sea A una matriz de orden n. Denimos el ij esimo cofactor de A; como el escalar
i+j
Cij = ( 1) det (Aij ) :
Denicin 4 Sea A una matriz de orden n; n 2: Entonces el determinante de A, es el escalar
det (A) = a11 C11 + a12 C12 + ::: + a1n C1n :
A esta denicin se le conoce como el desarrollo por cofactores a lo largo de la primera la.
Teorema 1 (Teorema de expansin de Laplace) El determinante de una matriz n n, A = [aij ] ;
n 2 puede ser calculado como
det (A) = ai1 Ci1 + ai2 Ci2 + ::: + ain Cin
y tambin como
det (A) = a1j C1j + a2j C2j + ::: + ain Cin :
Ejemplo 1 Hallar el determinante de la matriz
2 3
2 4 6 8
6 2 4 5 7 7
A=6 4 4
7:
9 0 15 5
4 9 0 16
Solucin: Empleando la tercera columna, tenemos que
2 4 7 2 4 8
1+3 2+3
jAj = ( 1) 6 4 9 15 + ( 1) 5 4 9 15 +0+0
4 9 16 4 9 16
2 4 7
4 9 15 = 2 (9 16 9 15) 4 (4 16 4 15) + 7 (4 9 4 9) = 2
4 9 16
2 4 8
4 9 15 = 2 (9 16 9 15) 4 (4 16 4 15) + 8 (4 9 4 9) = 2
4 9 16
luego jAj = 6 (2) 5 (2) = 2.
1
Nota 1 El determinante de una matriz triangular es el producto de las entradas sobre su diagonal
principal.
7
Solucin: det (A1 ) = det (A3 ) = det (A) = ya que tenemos cambio de las en A1 y cambio de
5
columnas en A3 :
7
det (A2 ) = det (A4 ) = det (A5 ) = det (A) =ya que A2 ; A4 y A5 se obtienen al sumar un mltiplo
5
de una la (columna) de A otra la (columna).
Ejemplo 3 Demuestre que si A es una matriz de orden n n; entonces det (kA) = k n det (A) :
Solucin: kA se obtiene de multiplicar cada la de A por k y por teorema det (kA) = k::::k
| {z } det (A) =
n veces
k n det (A) :
Es A invertible?
2
Solucin: Calculando la forma escalonada de A
2 3 2 3 2 3
2 4 6 8 2 4 6 8 2 4 6 8
6 2 4 5 7 7 R 2 R1 6 0 0 1 1 7 6 0 1 12 1 7
6 7 6 7R ! R3 6 7
4 4 9 0 15 5 R3 2R1 4 0 1 12 1 5 2 !4 0 0 1 1 5
R4 2R1
4 9 0 16 ! 0 1 12 0 0 1 12 0
| {z } | {z } | {z }
A B C
2 3
2 4 6 8
6 0 1 12 1 7
R 4 R2 64
7;
! 0 0 1 1 5
0 0 0 1
| {z }
D
tenemos que det (A) = det (B) = det (C) = det (D) = (2) (1) ( 1) (1) = 2: Dada la forma
escalonada de la matriz A, vemos que A s es invertible.
1 1
A = adj (A) :
det (A)
n 1
Ejemplo 5 Muestre que para toda matriz A invertible de orden n n, det (adj (A)) = (det (A)) :
1 1 1
Solucin: Si A es invertible, A = adj (A) y adj (A) = det (A) A ; luego
det (A)
1 1 1
det (adj (A)) = det det (A) A = det (A) :::: det (A) det A = det (A) :::: det (A) :
| {z } | {z } det (A)
n veces n veces
3
2 3
1 2 3
Ejemplo 6 Sea A = 4 2 3 4 5 hallar:
1 2 5
1. adj (A)
1
2. Es A invertible? En caso armativo halle A :
3. Halle det (adj (A))
Solucin:
1. Si 2 3
C11 C21 C31
adj (A) = C T = 4 C12 C22 C32 5
C13 C23 C33
i+j
y Cij = ( 1) det (Aij ), entonces
1+1 3 4
C11 = ( 1) =7
2 5
2 3
C21 = = 4
2 5
obtenemos 2 3
7 4 1
adj (A) = 4 6 2 2 5:
1 0 1
1 2 3
2 3 4 = 1 (15 8) 2 (10 4) + 3 (4 3) = 2;
1 2 5
luego 2 3
7 4 1
1 14
A 1
= adj (A) = 6 2 2 5:
det (A) 2
1 0 1
n 1
3. Por el ejemplo anterior sabemos que si A es matriz invertible det (adj (A)) = (det (A)) ; luego
2
det (adj (A)) = ( 2) = 4:
a b 1 1 d b
Ejemplo 7 Sea A = : Mostrar que A = siempre que ad cb 6= 0:
c d ad cb c a
d b
adj (A) = :
c a
4
Valores y vectores propios
Clase 12
Nota 1 Sea A una matriz de orden n n y sea un valor propio de A, entonces por la denicin
anterior x 6= 0 es un vector propio de A correspondiente a si y slo si
Ax = x
1
Denicin 2 Sea A una matriz de orden n n y sea un valor propio de A: La coleccin de todos
los vectores propios de A asociados a junto con el vector cero, se denomina espacio propio de y se
denota por E :
Podemos demostrar que E = nul (A In ) :
Hemos resuelto el problema de encontrar los vectores propios asociados a un valor propio dado,
ahora resolveremos el problema de encontrar los valores propios de una matriz. En efecto, sea A una
matriz de orden n n y un escalar
1. Si nul (A In ) = f0g, entonces no es un valor propio para A, ya que no existe un x 6= 0 tal
que Ax = x:
2. Si nul (A In ) 6= f0g, entonces es un valor propio para A y por lo tanto A In no es
invertible con lo que det (A In ) = 0:
De lo anterior tenemos:
Lema 1 Sea A una matriz de orden n n. Entonces los valores propios de A son las soluciones de la
ecuacin det (A In ) = 0:
Nota 2 Sea A una matriz de orden n n. Cuando desarrollamos det (A In ) obtenemos un poli-
n
nomio de grado n en ; donde el coeciente de n es ( 1) y el trmino independiente es det (A) :
A este polinomio se le llama el polinomio caracterstico de A y a la ecuacin det (A In ) = 0 se le
llama ecuacin caracterstica de A:
Por otro lado, si A es una matriz de orden n n, entonces su polinomio caracterstico p ( ) =
n r1 r2 rk
det (A In ) ser de grado n, por tanto si factorizamos p ( ) = ( 1) ( 1) ( 2 ) ::: ( k)
entonces k n y 1 ; 2 ; :::; k son los valores propios de A. Por lo tanto A tendr a lo ms n valores
propios.
Denicin 3 Sea A una matriz de orden n n con polinomio caracterstico
n r1 r2 rk
p ( ) = ( 1) ( 1) ( 2) ::: ( k) :
Entonces
1. La multiplicidad algebraica del valor propio i ; denotada por ma ( i ) ser el entero positivo ri :
2. La multiplicidad geomtrica del valor propio i ; denotada por mg ( i ) ser el entero positivo
mg ( i ) = dim (E i ) :
2 3
3 2 4
Ejemplo 2 Sea A = 4 2 0 2 5
4 2 3
a. Halle el polinomio caracterstico de A:
b. Halle los valores propios de A:
c. Halle los espacios propios de A:
d. Halle una base para cada espacio propio de A.
e. Halle las multiplicidades algebraicas y geomtricas de cada valor propio de A.
Solucin:
a. El polinomio caracterstico de A est dado por p ( ) = det (A I3 ) :
3 2 4
2 2 2 2
p( ) = 2 2 = (3 ) 2 +4
2 3 4 3 4 2
4 2 3
p( ) = (3 )( (3 ) 4) 2 (2 (3 ) 8) + 4 (4 + 4 )
3 2
p( ) = +6 + 15 + 8
2
p( ) = ( 8) ( + 1)
2
b. Los valores propios de A son 1 = 1y 2 = 8:
c. El espacio propio asociado al valor propio 1 =
1 est dado por E 1 = nul (A 1 I3 )
2 3 2 3
4 2 4 4 2 4
A 1 I3 = A + I3 =
4 2 1 2 5E G4 0 0 0 5;
!
4 2 4 0 0 0
1 1
as, x = 4 ( 2y 4z) = 2y z; es decir,
02 1
3 2 31
2 1
E 1
= espacio @4 1 5 ; 4 0 5A :
0 1
5x + 2y + 4z = 0
2y + z = 0
obtenemos que 02 31
1
E 2 = espacio @4 1
2
5A :
1
ma ( 1) = 2; mg ( 1) =2
ma ( 2) = 1; mg ( 2 ) = 1:
Ejemplo 3 Los valores propios de una matriz triangular y de una matriz diagonal son las entradas
de su diagonal principal.
3
su polinomio caracterstico est dado por
obtenemos que los valores propios de U son los elementos de su diagonal principal. Si considera-
mos una matriz triangular inferior y una matriz diagonal llegamos al mismo resultado.
Nota 3 En general si A es una matriz cuadrada y U es una matriz escalonada denida a partir de A
va operaciones elementales de la, entonces los valores propios de A y U son diferentes.
Teorema 2 Sea A una matriz cuadrada de orden n con valor propio y x un vector propio de A
correspondiente a :
n
a. Para cualquier entero positivo n, es un valor propio de An con vector propio correspondiente x:
1 1
b. Si A es invertible entonces es un valor propio de A con vector propio correspondiente x.
n
c. Si A es invertible y n es un entero negativo, entonces es un valor propio de An con vector propio
correspondiente x.
Teorema 3 Sea A una matriz n n y sean 1 ; 2 ; :::; k valores propios distintos de A con los vectores
propios correspondientes x1 ; x2 ; :::; xk : Entonces x1 ; x2 ; :::; xk son linealmente independientes.
4
Semejanza y diagonalizacin
Clase 13
1 Semejanza y diagonalizacin
Denicin 1 Sean A y B matrices de orden n n. Decimos que A es semejante a B si existe una
matriz P invertible de orden n n tal que P 1 AP = B. Si A es semejante a B escribimos A B.
Teorema 1 Sean A y B matrices de orden n n con A B. Entonces
a. det (A) = det (B) :
b. A es invertible si y slo si B es invertible.
c. A y B tienen el mismo rango.
d. A y B tienen el mismo polinomio caracterstico.
e. A y B tienen los mismos valores propios.
Denicin 2 (Diagonalizable) Sea A una matriz de orden n n. Decimos que A es diagonalizable si
existe P matriz invertible de orden n y D diagonal tales que
1
P AP = D;
es decir, A D:
Nota 1 Si D es diagonal y A es semejante a D, entonces A y D tienen los mismos valores propios. Por
tanto las entradas diagonales de D son los valores propios de A repetidos de acuerdo a su multiplicidad
algebraica.
Teorema 2 Sea A una matriz de orden n n. A es diagonalizable si y slo si A tiene n vectores
propios linealmente independientes.
Prueba. Si A es diagonalizable existe P matriz invertible y D diagonal tal que P 1 AP = D; esto
es AP = P D: Sean p1 ; :::; pn las columnas de P y sean 1 ; :::; n los elementos de la diagonal de D,
entonces
2 3
1
6 7
6 2 7
A [p1 p2 ::: pn ] = [p1 p2 ::: pn ] 6 .. 7
4 . 5
n
[Ap1 Ap2 ::: Apn ] = [ 1 p1 2 p2 ::: n pn ]
de aqu que Api = i pi para i = 1; :::; n; y por denicin de valor y vector propio las columnas de P
son los vectores propios de A, como P es invertible (sus columnas son L.I.) concluimos que A tiene n
vectores propios L.I.
Si A tiene n vectores propios L.I. p1 ; :::; pn con valores propios correspondientes 1 ; :::; n ; entonces
Api = i pi para i = 1; :::; n que es equivalente a AP = P D y como los vectores pi son L.I. P es
invertible y P 1 AP = D; A es diagonalizable.
1
Nota 2 As, A es diagonalizable si y slo si existen matriz P con columnas los n vectores propios
linealmente independientes de A y matriz diagonal D con entradas diagonales los valores propios de A
correspondientes a los vectores propios en P en el mismo orden.
Teorema 3 Sea A una matriz de orden n n y sean 1 ; 2 ; :::; k valores propios distintos de A. Si
i es una base para E i , entonces 1 [ 2 [ ::: [ k es linealmente independiente.
2 3
3 2 4
Ejemplo 1 Es la matriz A = 4 2 0 2 5 diagonalizable?
4 2 3
Solucin: Sabemos que A tiene como bases para los espacios propios
82 1 3 2 39 82 39
< 2 1 = < 1 =
= 4 1 5;4 0 5 = 4 12 5 ;
1
: ; 2
: ;
0 1 1
Teorema 4 Si A es una matriz de orden n n con n valores propios distintos, entonces A es diago-
nalizable.
Teorema 5 (Teorema de diagonalizacin) Sea A una matriz de orden n n cuyos distintos valores
propios son 1 ; 2 ; :::; k : Los enunciados siguientes son equivalentes
a. A es diagonalizable.
b. La unin de las bases de los espacios propios de A contiene n vectores.
c. La multiplicidad algebraica de cada valor propio es igual a su multiplicidad geomtrica.
Ejemplo 2 Sea A una matriz de orden 3 3 con valores propios 1 = 2 y 2 = 2: Si los espacios
propios son
82 3 9 02 3 2 31
< x = 1 2
E2 = 4 y 5 2 R3 = x y z = 0 ; E 2 = espacio @4 1 5 ; 4 2 5A
: ;
z 1 2
a. Es A una matriz diagonalizable? En caso armativo, halle matrices P invertible y D diagonal tal
que P 1 AP = D:
b. Cul es el determinante de A?
c. Es A invertible?
Solucin:
2
a. A3 3 es una matriz diagonalizable (por teorema) si la unin de las bases de los espacios propios de
A contiene 3 vectores. Tenemos que:
82 3 9 02 3 2 31
< x = 1 1
E2 = 4 y 5 2 R3 = x y z = 0 = espacio @4 1 5 ; 4 0 5A
: ;
z 0 1
02 3 2 31 02 31
1 2 1
E 2 = espacio @4 1 5 ; 4 2 5A = espacio @4 1 5A ;
1 2 1
por tanto A es una matriz diagonalizable.
b. Como A es una matriz diagonalizable (por teorema) la multiplicidad algebraica de cada valor
propio es igual a su multiplicidad geomtrica, es decir, los valores propios de A son 1 = 2 con
2
ma ( 1 ) = 2 y 2 = 2 con ma ( 2 ) = 1: Luego det (A) = (2) ( 2) = 8 ya que det (A) =
det P DP 1 = det (D) donde
2 3 2 3
2 0 0 1 1 1
D=4 0 2 0 5 y P =4 1 0 1 5:
0 0 2 0 1 1
3
los valores propios de A son 1 = 0 con ma ( 1 ) = 1 y 2 = 1 con ma ( 2 ) = 2: Ahora,
encontremos bases para los espacios propios E = nul (A I3 ) asociados a los valores propios
: 2 3 2 3
1 0 1 1 0 1
A 1 I3 = A =
4 0 1 1 5E G4 0 1 1 5
!
1 1 0 0 0 0
as 31 02
1
E 1 = espacio @4 1 5A :
1
2 3 2 3
0 0 1 1 1 1
A 2 I3 = A I3 = 4 0 0 1 5E G4 0 0 1 5
!
1 1 1 0 0 0
donde 31 02
1
E 2 = espacio @4 1 5A :
0
A no es matriz diagonalizable ya que 2 = ma ( 2) 6= mg ( 2) = 1:
1
Ejemplo 4 Sea A una matriz diagonalizable. Si A es invertible entonces A es diagonalizable?
Prueba. Si A una matriz diagonalizable, existen matrices P invertible y D diagonal tal que
1
P AP = D
4
Aplicaciones
Clase 14
x01 = 4x1
x02 = 9x2
x03 = 3x3 :
Solucin: En este caso cada ecuacin se puede resolver por separado. La solucin ser
x1 = c1 e4t
x2 = c2 e 9t
x3 = c3 e3t :
1
Teorema 12 Sea A una matriz diagonalizable
3 de n n y P = [v1 v2 vn ] tal que
1 0 0
6 0 0 7
6 2 7
P 1 AP = 6 . . . .. 7 : Entonces la solucin general del sistema de ecuaciones diferen-
4 .. .. .. . 5
0 0 n
ciales x0 = Ax es
1t 2t nt
x = c1 e v1 + c2 e v2 + + cn e vn :
Ejemplo 2 Dos especies X y Z viven en relacin simbitica, es decir, ninguna de las especies puede
sobrevivir por s misma y cada una depende de la otra para su supervivencia. Inicialmente se cuenta con
150 unidades de X y 100 unidades de Z. Si x = x(t) y z = z(t) son los tamaos de las poblaciones de
las especies X y Z respectivamente al cabo de t meses y las tasas de crecimiento de las dos poblaciones
estn gobernadas por el sistema
x0 = 8x + 4z
z0 = 4x 2z
para hallar las poblaciones de las especies X y Z para cualquier instante t buscamos las funciones
x y z:
Representando el sistema de ecuaciones diferenciales en forma matricial
x0 8 4 x
=
z0 4 2 z
| {z }
A
vericamos si A es diagonalizable y de serlo, hallamos los valores propios y sus respectivos vectores
propios.
8 4
det (A I) =
4 2
= ( 8 )( 2 ) 16
= ( + 10)
2
La solucin general del sistema de ecuaciones diferenciales es
x
x = c1 e0t v1 + c2 e 10t
v2
z
x 1 2
x = c1 + c2 e10t
z 2 1
es decir,
10t
x = c1 2c2 e
10t
z = 2c1 + c2 e :
Dado que inicialmente se cuenta con 150 unidades de X y 100 unidades de Z; es decir x (0) = 150
y z (0) = 100
x = 70 + 80e 10t
z = 140 40e 10t :
b. El tiempo que debe transcurrir para que el tamao de la poblacin X sea de 110 especies se obtiene
resolviendo para t
70 + 80e 10t = 110
ln( 21 )
sto se cumple cuando t = 10 = 0:069315; es decir, aproximadamente en 2 das.
3
Ortogonalidad en Rn
Clase 15
Vemos que u w = 6 6= 0:
c1 v1 + c2 v2 + ::: + ck vk = 0
vi (c1 v1 + c2 v2 + ::: + ck vk ) = vi 0
c1 (vi v1 ) + c2 (vi v2 ) + ::: + ck (vi vk ) = 0
como fv1 ; v2 ; :::; vk g es un conjunto ortogonal vi vj = 0 para i 6= j. De la C.L. slo queda el trmino
ci (vi vi ) = 0 donde vi es vector no nulo, esto es, ci = 0 para i = 1; :::; n:
Nota 1 1. Sea W un subespacio de Rn y sea = fv1 ; v2 ; :::; vk g una base ortogonal para W ,
1
entonces si qi = vi ; i = 1; 2; :::; k, fq1 ; q2 ; :::; qk g es una base ortonormal para W .
kvi k
1
2. Si es una base ortonormal para W , entonces es una base ortogonal para W . El recproco no
es cierto.
x 2y z = 0
x+z = 0
2 3 2 3
x 1
luego v = 4 y 5 = z 4 1 5 ; z 2 R: Una base ortogonal para W es
z 1
82 3 2 39
< 1 1 =
= 4 0 5;4 1 5 ;
: ;
1 1
/ de Rn y sea w 2 W .
Teorema 2 Sea = fu1 ; u2 ; :::; uk g una base ortogonal de un subespacio W
Entonces w se puede escribir como combinacin lineal de los vectores de la base ortogonal como
sigue
u1 w u2 w uk w
w= u1 + u2 + ::: + uk ;
u1 u1 u2 u2 uk uk
2 u w 3
1
6 u1 u1 7
6 7
6 u2 w 7
6 7
6 u2 u2 7
6
as, [w] = 6 7:
.. 7
6 7
6 . 7
6 7
4 uk w 5
uk uk
Prueba. Si w 2 W
/ ; existen escalares c1 ; :::; ck tales que
w = c1 u1 + c2 u2 + ::: + ck uk ;
2
tomemos un ui de
ui w = ui (c1 u1 + c2 u2 + ::: + ck uk )
ui w = c1 (ui u1 ) + c2 (ui u2 ) + ::: + ck (ui uk )
ui w = ci (ui ui )
ui w
ci =
ui ui
u1 w u2 w uk w
luego w = u1 + u2 + ::: + uk :
u1 u1 u2 u2 uk uk
3
b. Para calcular kT (x)k observemos primero que si notamos a [T ] como Q; T (x) = Qx y
q p p
T
kT (x)k = kQxk = (Qx) (Qx) = xT QT Qx = xT x = kxk
2 3
2
por tanto, si x = 4 4 5
6
p p
kT (x)k = kxk = 4 + 16 + 36 = 56:
es decir, si T es una transformacin con [T ] matriz ortogonal el ngulo entre las imgenes es
igual al ngulo entre las preimgenes.
2 3 2 3
1 1
Para x = 4 1 5 y y = 4 0 5 el ngulo es
0 1
1 1
cos ( ) = p p =
2 2 2
o
= 60 :
4
Complementos ortogonales y proyecciones ortogonales
Clase 17
W ? = fv 2 Rn j v w = 0 para todo w 2 W g :
Solucin:
1. W es subespacio de R4 ya que
02 3 2 3 2 3 2 31 02 31
1 1 1 1 1 1 1 1
B6 1 7 6 2 7 6 1 7 6 2 7C B61 2 1 27C
W = espacio B 6 7 6
@4 2 5 ; 4 3
7;6 7;6
5 4 2 5 4 3
7C = col B6
5A @42
7C :
3 2 3 A
5
2 3 2 4 2 3 2 4
1
3. El complemento ortogonal para W est dado por
x + y + 2z + 2k = 0
x + 2y + 3z + 3k = 0
x + 2y + 3z + 4k = 0
resolviendo el sistema 2 3 2 3
1 1 2 2 1 1 2 2
4 1 2 3 3 5G J 4 0 1 1 1 5
!
1 2 3 4 0 0 0 1
se tiene que
2 3 2 3 02 31
x 1 1
6 y 7 6 7 B6 1 7C
6 7 = z6 1 7: Luego, W ? = espacio B6 7C
4 z 5 4 1 5 @4 1 5A :
k 0 0
1. Halle H y H ? :
2. Halle bases para H y H ? respectivamente.
2
Solucin:
1. El conjunto H lo podemos ver como el espacio nulo de la matriz A donde
1 1 1 1
A= :
1 1 2 0
?
As H = nul (A), entonces H ? = (nul (A)) = ren (A) : Como
1 1 1 1 1 1 1 1
A= G J
1 1 2 0 ! 0 0 1 1
resolviendo
x+y+z+w = 0
z w = 0
obtenemos 3 2
02 31
2 1
B6 0 7 6 1 7C
H = nul (A) = espacio B 6 7 6
@4 1 5 ; 4 0
7C :
5A
1 0
1
base ortogonal para W . Use esta informacin para calcular proyW (v) ; donde v = 4 1 5 :
1
3
Solucin: Vemos que W es un plano que pasa por el origen, luego dim (W ) = 2. As, B es base
ortogonal de W si es un conjunto ortogonal y cada elemento de B est en W . Tenemos
2 32 3
1 1
u1 u2 = 4 1 5 4 1 5 = 0; u1 2 W (pues 1 1 0 = 0) y u2 2 W (pues 1 ( 1) 2 = 0) :
0 2
Luego
2 3 2 3 2 3
1 1 4
u1 v u2 v 24 5 24 1
proyW (v) = proyu1 v + proyu2 v = u1 + u2 = 1 + 1 5 = 4 2 5:
u1 u1 u2 u2 2 6 3
0 2 2
Prueba.
1. Sea v 2 Rn ; tal que proyH (v) = v, entonces como proyH (v) 2 H se tiene que v 2 H: Por otro
lado, si v 2 H; entonces
u1 v u2 v uk v
v= u1 + u2 + + uk = proyH (v) :
u1 u1 u2 u2 uk uk
Recprocamente, si v 2 H ? entonces u1 v = 0; u2 v = 0; : : : ; uk v = 0, as
u1 v u2 v uk v
proyH (v) = u1 + u2 + + uk = 0:
u1 u1 u2 u2 uk uk
3. Sea p = perpH (v) = v proyH (v) : Para ver si p 2 H ? es suciente con mostrar que p ui = 0
para i = 1; 2; : : : ; k:
4
1.2 Teorema de la descomposicin ortogonal
El siguiente teorema muestra que siempre podemos descomponer un vector con respecto a un subespacio
y su complemento ortogonal.
B1 [ B2 = fu1 ; u2 ; : : : ; uk ; w1 ; w2 ; : : : ; wp g
dim (W ) + dim W ? = n:
3 2 82 3 9
1 < x =
Ejemplo 4 Halle la descomposicin ortogonal de v = 4 1 5 con respecto a W = 4 y 5 j x y z=0 :
: ;
1 z
2
3 2 3
4 1
1 1
w = proyW (v) = 4 2 5 y w? = perpW (v) = 4 1 5
3 3
2 1
es la descomposicin ortogonal de v con respecto al subespacio W . Notemos que
2 3
3
1 1
w + w? = 4 3 5 = v y w w? = ( 4 + 2 + 2) = 0:
3 9
3
5
Proceso de Gram-Schmidt y la factorizacin QR
Clase 18
Resumen
1
Nota 1 Si en el teorema anterior tomamos qi = vi , i = 1; 2; :::; k, entonces fq1 ; q2 ; :::; qk g es una
kvi k
base ortonormal de W .
02
3 2 3 2 31 2 3
0 1 2 1
Ejemplo 1 Sea H = espacio @4 1 5 ; 4 0 5 ; 4 3 5A y sea b = 4 1 5.
1 1 1 1
Solucin:
1
2 3
0 1 1
a. Primero que todo encontremos una base para H. Si A = 4 1 0 1 5 ; entonces H = ren(A).
2 3 1
Escalonemos la matriz A
2 3 2 3 2 3 2 3
0 1 1 1 0 1 1 0 1 1 0 1
4 1 0 1 5!4 0 1 1 5!4 0 1 1 5!4 0 1 1 5 = U.
2 3 1 2 3 1 0 3 3 0 0 0
Luego una base para H est formada por las las no nulas de la matriz escalonada U , es decir
8 2 3 2 39
< 1 0 =
= x1 = 4 0 5 ; x2 = 4 1 5
: ;
1 1
b. Por denicin
v1 b v2 b 2 1
proyH b = v1 + v2 = v1 + v
v1 v1 v2 v2 2 1 4 1 2
( + + )
2 3 2 34 24 4 3 2 3
1 1 2=3 1
4 1 2
= v1 + v2 = 4 0 5 + 4 2 5 = 4 2=3 5 = 4 1 5 .
6 3 3
1 1 4=3 2
c. Como H = ren(A), entonces H ? = nul(A). Para encontrar una base de nul(A) debemos resolver
el sistema homogneo U x = 0. Las ecuaciones de U x = 0 son:
x + z = 0, y + z = 0,
2
Ejemplo 2 Encuentre una base ortonormal para el subespacio
82 3 9
>
> x >
>
<6 7 =
6 y 7 4
W = 4 2 R : x y z w = 0 .
>
> z 5 >
>
: ;
w
Solucin: Si A = [1 1 1 1] entonces W = nul(A). La matriz A tiene una sola la, por tanto
est en su forma escalonada. As que, slo debemos encontrar la solucin general del sistema
homogneo Ax = 0. Sea [x y z w]T una solucin del sistema homogneo Ax = 0 entonces
2 3 2 3 2 3 2 3 2 3
x y+z+w 1 1 1
6 y 7 6 y 7 6 1 7 6 0 7 6 0 7
6 7 6 7 = y 6 7 + z 6 7 + w 6 7 , y; z; w 2 R.
4 z 5=4 z 5 4 0 5 4 1 5 4 0 5
w w 0 0 1
Sean
2 3
1
6 1 7
v1 = x1 = 6 7
4 0 5,
0
2 3 2 3
1=2 1
v1 x2 1 6 1=2 7 6 1 7
v2 = x2 v1 = x2 v1 = 6 7= 16 7,
v1 v1 2 4 1 5 24 2 5
0 0
v1 x3 v2 x3 1 (1=2)
v3 = x3 v1 v2 = x3 v1 v2
v1 v1 v2 v2 2 (1=4)(6)
2 3 2 3 2 3 2 3 2 3
1 1 1 1=3 1
1 1 6 0 7 1 6 1 7 16 1 7 6 1=3 7 16 1 7
= x3 v1 v2 = 6
4
7 6 7 6 7=6 7= 6 7.
2 3 0 5 24 0 5 64 2 5 4 1=3 5 34 1 5
1 0 0 1 3
Si hacemos
2
3 2 3 2 3
1 1 1
1 1 6 1 7 6
7 , q2 = 1 v2 = p1 6 1 7
7 , q2 = 1 v3 = p1 6
6 1 7
q1 = v1 = p 6 7.
kv1 k 24 0 5 kv2 k 64 2 5 kv3 k 12 4 1 5
0 0 3
3
Teorema 2 (Factorizacin QR) Sea A una matriz de m n con columnas linealmente independientes.
Entonces A puede ser factorizada como
A = QR
donde Q es una matriz de m n con columnas ortonormales y R es una matriz triangular superior
invertible.
2 3
1 1 1
6 1 0 0 7
6
Ejemplo 3 Halle la factorizacin QR para la matriz A = 4 7.
0 1 0 5
0 0 1
Solucin: Como las columnas de A son linealmente independientes, ellas forman una base para el
subespacio col(A). Es decir
8 2 3 2 3 2 39
>
> 1 1 1 >>
< 6 1 7 6 0 7 6 =
0 7
= x1 = 6 7 6 7 6
4 0 5 ; x2 = 4 1 5 ; x3 = 4
7
>
> 0 5>
>
: ;
0 0 1
es una base para col(A). Encontremos una base ortonormal para col(A) a partir de sta. El
proceso de Gram-Schmidt aplicado sobre estos vectores es
v1 = x1 , x1 = v1 ,
1 1
v2 = x2 v1 , x2 = v1 + v2 ,
2 2
1 1 1 1
v3 = x3 v1 v2 () x3 = v1 + v2 + v3 .
2 3 2 3
Por otro lado v1 = kv1 k q1 , v2 = kv2 k q2 y v3 = kv3 k q3 . reemplazando obtenemos que
x1 = kv1 k q1
1
x2 = kv1 k q1 + kv2 k q2
2
1 1
x3 = kv1 k q1 + kv2 k q2 + kv3 k q3 .
2 3
Con lo que
1 1 1
x1 x2 x3 = kv1 k q1 kv1 k q1 + kv2 k q2 kv1 k q1 + kv2 k q2 + kv3 k q3
2 2 3
2 1 1 3
kv1 k kv1 k kv1 k
6 2 2 7
= q1 q2 q3 6 4 0 kv2 k
1
kv2 k 5
7
3
0 0 kv3 k
2 p 3
p
2 p p 3 1p 1p
1=p2 1= p6 1= p12 6 2 2 2
6 1= 2 2p 2p 7
1=p 6 1=p12 7 6 1 1 7
= 6 76 0
6 6 6 7.
4 0 2= 6 1=p 12 4 5 2 6p 7 5
2
0 0 3= 12 0 0 3
| {z }| {z 3 }
Q
R
4
Espacios vectoriales y subespacios
Clase 19
Nota 1 a. Cuando decimos "escalares" nos referiremos a nmeros reales. Por tanto, deberamos
referirnos a V como espacio vectorial real. Tambin es posible que los escalares sean nmeros
complejos, en cuyo caso, V sera espacio vectorial complejo. En este curso, cuando digamos
espacio vectorial nos estamos reriendo a espacio vectorial real.
b. La denicin de espacio vectorial no especica de que est compuesto V . Tampoco especica que
las operaciones "suma" y "multiplicacin escalar" sean las operaciones a las que estamos acos-
tumbrados. Esta observacin se aclarar con los siguientes ejemplos.
Ejemplo 1 Para cualquier n 1, Rn es un espacio vectorial con las operaciones habituales de adicin
y multiplicacin por escalar.
Ejemplo 2 El conjunto de las matrices de orden m n es un espacio vectorial con las operaciones de
adicin de matrices y el producto de un escalar por una matriz. Este espacio vectorial se denotar por
Mm n (R) o simplemente Mm n .
1
Ejemplo 3 Sea P3 el conjunto de todos los polinomios de grado menor o igual a 3, con coecientes
reales, es decir,
P3 = a0 + a1 x + a2 x2 + a3 x3 : a0 ; a1 ; a2 ; a3 2 R .
Denamos la adicin y multiplicacin por escalar como se muestra a continuacin: Sean p; q en P3 ,
esto equivale a que existan nmeros reales a0 ; a1 ; a2 ; a3 ; b0 ; b1 ; b2 ; b3 , tales que p = a0 +a1 x+a2 x2 +a3 x3
y q = b0 + b1 x + b2 x2 + b3 x3 , entonces
Si c es un escalar,
cp = (ca0 ) + (ca1 )x + (ca2 )x2 + (ca3 )x3 :
Con las operaciones descritas anteriormente, P3 es un espacio vectorial.
Ejemplo 4 Sea F el conjunto de todas las funciones con valores reales denida sobre la recta de los
nmeros reales. Si f y g son funciones de este tipo y c es un escalar, entonces f + g y cf estn
denidas mediante (f + g)(x) = f (x) + g(x) y (cf )(x) = cf (x). F junto con estas dos operacioes es
un espacio vectorial.
Ejemplo 5 El conjunto de las matrices de orden m n no es un espacio vectorial con las operaciones
"adicin" producto usual de matrices y el producto de un escalar por una matriz:
1. Si u, v 2 W , entonces u + v 2 W .
2. Si u 2 W y c es cualquier escalar, entonces cu 2 W .
Ejercicio 1 Cul de los siguientes subconjuntos del espacio vectorial V dado es subespacio?
a. W = fA 2 Mn n : A es simtricag, V = Mn n.
b. C = ff 2 F : f es diferenciableg, V = F.
c. S = ff 2 F : f 00 + f = 0g, V = F.
d. H = ff 2 F : f 00 + f = 1g, V = F.
e. G = a0 + a1 x + a2 x2 + a3 x3 : a0 ; a1 ; a2 ; a3 2 R y a1 = a2 = a3 , V = P3 .
f. K = fA 2 M3 3 : a11 = a22 a33 g, V = M3 3.
El siguiente lema nos muestra una condicin necesaria, pero no suciente para que un subconjunto
de un espacio vectorial sea subespacio.
0 1 1 1 1 2
Solucin: No. Sean A = yB= . A y B estn en S pero A + B = no
1 1 1 0 2 1
est en S.
2
1.2 Conjuntos generadores
Denicin 3 Si S = fv1 ; v2 ; :::; vk g es un conjunto de vectores en un espacio vectorial V , entonces el
conjunto de todas las combinaciones lineales de v1 ; v2 ; :::; vk se conoce como espacio generado por
v1 ; v2 ; :::; vk y se denota mediante la expresin espacio(v1 ; v2 ; :::; vk ) o espacio(S). Si V = espacio(S),
entonces S se denomina conjunto generador para V y se dice que V es generado por S.
3
Independencia lineal, base y dimensin
Clase 20
c1 v1 + c2 v2 + + ck vk = 0.
Ejemplo 1 Cules de los siguientes subconjuntos del espacio vectorial dado es linealmente depen-
diente?
a. 1; x; x2 , V = P2 .
Solucin:
a. Sean a; b y c tales que a + bx + cx2 = 0. Derivando obtenemos b + 2cx = 0 y derivando nuevamente
tenemos 2c = 0, con lo que c = 0; b = 0 y a = 0. Es decir f1; x; x2 g es un conjunto linealmente
independiente.
b. Puesto que 1 cos2 (x) sen2 (x) = 0 entonces al tomar a = 1, b = 1 y c = 1 se tiene que
a1 + b cos2 (x) + csen2 (x) = 0, con lo que el conjunto en cuestin es linealmente dependiente.
Solucin:
1
Puesto que v1 ; v2 ; v3 son linealmente independientes a + b = 0, a b+c = 0 y a c = 0. de
donde 2 32 3 2 3
1 1 0 a 0
4 1 1 1 54 b 5 = 4 0 5.
1 0 1 c 0
Ahora bien 2 3
2 3 0 1 0 1
1 1 0 0
4 1 6 0
1 0 7. 2
1 1 0 5! !4 5
3
1 0 1 0 0 0 0
2
Con lo que a = b = c = 0, por tanto el conjunto es linealmente independiente:
b. Con a, b y c tales que a(v1 + v2 + v3 ) + b(v1 v2 v3 ) + c(2v2 + 2v3 ) = 0. Agrupando trminos
semejantes
(a + b)v1 + (a b + 2c)v2 + (a b + 2c)v3 = 0.
Como v1 ; v2 ; v3 son linealmente independientes a + b = 0, a b + 2c = 0 y a b + 2c = 0, por
tanto 2 32 3 2 3
1 1 0 a 0
4 1 1 2 54 b 5 = 4 0 5.
1 1 2 c 0
Ahora bien 2 3 2 3
1 1 0 0 1 1 0 0
4 1 1 2 0 5! !4 0 2 2 0 5.
1 1 2 0 0 0 0 0
Con lo que a = b= c, por tanto el conjunto es linealmente dependiente:
1.2 Base
Denicin 2 Un subconjunto de un espacio vectorial V es una base para V si
2
Coordenadas. Dimensin.
Clase 21
1 Coordenadas
Teorema 1 Sea V un espacio vectorial y una base para V . Para todo vector v en V existe una
nica forma de expresar el vector v como combinacin lineal de los vectores de .
Denicin 1 Sea = fv1 ; v2 ; :::; vn g una base para un espacio vectorial V: Sea v 2 V , tal que v =
c1 v1 + c2 v2 + ::: + cn vn . Entonces c1 ; c2 ; :::; cn se conocen como las coordenadas de v con respecto
a , y el vector 2 3
c1
6 c2 7
6 7
[v] = 6 . 7
4 .. 5
cn
se denomina vector coordenado de v con respecto a .
2 13Sea p = 2 + 3x
Ejemplo 4x2 . Halle [p] donde es la base estndar de P2 . Si q 2 P2 es tal que
2
[q] = 4 0 5 halle q.
2
32 2 3
2 2
Solucin: Por denicin [p] = 4 3 5. Por otro lado, si [q] = 4 0 5, entonces q = 2 + 2x2 .
4 2
2 3
Ejemplo 2 Sea A = , halle [A] , donde es la base estndar de M2 2.
2 2
Teorema 2 Sea una base para un espacio vectorial V . Sean u; v vectores en V y sea c un escalar.
Entonces
1. [u + v] = [u] + [v] .
2. [cv] = c[v] :
1
2 Dimensin
Teorema 4 Sea = fv1 ; v2 ; :::; vn g una base para un espacio vectorial V:
Teorema 5 Si un espacio vectorial V tiene una base con n vectores, entonces toda base para V tiene
exactamente n vectores.
Ejemplo 3 Halle la dimensin de los siguientes subespacios del espacio vectorial dado.
a. W = A 2 M2 2 : AT = A , V = M2 2:
Solucin:
0 1
a. Sabemos que una base para W es = , por tanto dim(W ) = 1.
1 0
b. Sea = fsen(x); cos(x); sen(2x)g. Es claro que genera a S, veamos que es un conjunto
linealmente independiente, en efecto. Sean a; b; c reales tales que
Entonces
Para x = se tiene que a = 0.
2
Para x = se tiene que b=0
Para x = se tiene que c=0
4
Con lo que es un conjunto linealmente independiente y por tanto una base para S. As,
dim(S) = 3.
c. Sea A una matriz en H, entonces existen reales a; b; c tales que
v1 v2 v3
2 3 }|z23{ z
2 }| 3{ z
2 }| 3{
0 a b 0 1 0 0 0 1 0 0 0
A=4 a 0 c 5 = a4 1 0 0 5 + b4 0 0 0 5 + c4 0 0 1 5.
b c 0 0 0 0 1 0 0 0 1 0
2
Solucin: dim(Pn ) = n + 1 y dim(Mm n) = mn.
1. Cualquier conjunto linealmente independiente con exactamente n vectores en V es una base para
V.
2. Cualquier conjunto generador de V compuesto con exactamente n vectores es una base para V .
Ejemplo 5 Verique si el conjunto S dado es una base para el subespacio vectorial V correspondiente.
a. S = 2; 1 + x; 1 + x2 , V = P2 .
82 3 2 39
< 0 1 0 0 1 0 =
b. S = 4 1 0 0 5 ; 4 1 0 1 5 , V = A 2 M3 3 : AT = A .
: ;
0 0 0 0 1 0
82 3 2 3 2 39
< 0 1 0 0 1 0 0 1 1 =
c. S = 4 1 0 0 5 ; 4 1 0 1 5;4 1 0 1 5 , V = A 2 M3 3 : AT = A .
: ;
0 0 0 0 1 0 1 1 0
Solucin:
a. Puesto que dim(V ) = 3 y S es un subconjunto de V con exactamente 3 vectores, entonces S es
una base de V si y slo si es linealmente independiente. Ahora bien, sean a; b; c reales tales que
2a + b(1 + x) + c(1 + x2 ) = 0, con lo que (2a + b + c) + bx + cx2 = 0. Como 1; x; x2 son linealmente
independientes, entonces 2a + b + c = 0, b = c = 0, de donde a = b = c = 0. De lo anterior S es
una base de V .
b. S no es una base ya que dim(V ) = 3 y S tiene 2 elementos.
c. Se procede de la misma forma que en el literal a ya que dim(V ) = 3.
3
Matrices de cambio de base y el proceso de Gauss-Jordan para
computarlas
Clase 22
Resumen
Muchos de los problemas que surgen de las diferentes aplicaciones de las matemticas pueden ser
resueltos ms fcilmente haciendo un apropiado cambio de coordenadas, transformacin que se consigue
por medio de un cambio de variable. En esta seccin deniremos lo que es una matriz de cambio de
base, veremos algunas propiedades de estas matrices y desarrollaremos un proceso, conocido como el
proceso de Gauss-Jordan, para computar tales matrices.
Solucin:
a. Puesto que dim(V ) = 3 y C tiene 3 elementos entonces C es una base para V si y slo si es linealmente
independiente. Se prueba que en efecto es un conjunto L.I. y por tanto una base para V .
b. Por denicin
2 3
h i 1 1 0
P C = [v1 + v2 + v3 ] [v1 v3 ] [v2 + v3 ] =4 1 0 1 5.
1 1 1
1
Solucin: = f1 x + x2 x3 ; 1 + x + x3 ; x + x2 + x3 ; 1 x2 + x3 g.
Teorema 1 Sean = fv1 ; v2 ; :::; vn g y C = fu1 ; u2 ; :::; un g bases para un espacio vectorial V y PC
la matriz de cambio de base de a C. Entonces.
1. PC es la nica matriz tal que PC [x] = [x]C para todo x en V .
1
2. PC es invertible y (PC ) =P C.
Ejemplo 3 Con respecto al Ejemplo 1 halle PC y exprese cada elemento de la base de como
combinacin lineal de los elementos de la base C.
Solucin: Puesto que 2 3
1 1 0
P C =4 1 0 1 5
1 1 1
entonces 2 3
1 1 1
PC = (P C)
1
=4 0 1 1 5:
1 2 1
Y por tanto, siendo C = fv1 + v2 + v3 ; v1 v3 ; v2 + v3 g = fc1 ; c2 ; c3 g, se tiene entonces que
= fc1 c3 ; c1 + c2 + 2c3 ; c1 c2 c3 g.
Nota 1 Se puede probar que si = fv1 ; v2 ; :::; vn g es una base para un espacio vectorial V y C =
hfu1 ; u2 ; :::; un g es un subconjunto
i de V entonces C es otra base para V si y slo si la matriz R =
[u1 ] [u2 ] ; :::; [un ] es invertible. Ademas, si lo anterior ocurre PC = R 1 (o equivalente-
mente P C = R)
A partir de este resultado, si = fv1 ; v2 ; :::; vn g es una base para un espacio vectorial V , entonces
por cada matriz invertible P podemos construir una base C de tal que PC = P.
Ejemplo 4 = 1; x; x2 es una base para P2 . Sea
2 3
1 1 1
R=4 1 1 0 5.
1 0 1
Existir una base C para P2 tal que P C = R?
Solucin: S ya que P es invertible (det(P ) = 1). Si tomamos C = f1 x + x2 ; 1 + x; 1 x3 g,
entonces P C = R.
2
Ejemplo 5 Muestre que = 2; 1 + x; 12+ x2 3y C = 1 + x + x2 ; 1 + x; x + x2 son bases para P2 y
1
halle PC . Si p 2 P2 es tal que [p] = 4 1 5 exprese a p como combinacin lineal de los elementos
1
de la base C.
2 3 2 3
1 1 0 2 1 1 1 0 0 2 0 2
Solucin: 4 1 1 1 0 1 0 5 ! ::: ! 4 0 1 0 0 1 1 5.
1 0 1 0 0 1 0 0 1 2 0 1
De lo anterior 2 3
2 0 2
PC =4 0 1 1 5.
2 0 1
Por otro lado PC [p] = [p]C , as,
2 32 3 2 3
2 0 2 1 4
[p]C = 4 0 1 1 54 1 5=4 2 5.
2 0 1 1 3
3
Transformaciones Lineales
Clase 23
Resumen
1. T (u + v) = T (u) + T (v).
2. T (cu) = cT (u):
Ejemplo 1 Cul de las siguientes funciones es una transformacin lineal? En caso de no ser d un
contraejemplo.
a. T : Mn n ! Mn n, T (A) = AT .
b. Sea D = ff 2 F : f es diferenciableg. D es un subespacio de F (prubelo), en particular es un
espacio vectorial. Denamos
S : D ! F, S(f ) = f 0 .
Zb
H : C[a; b]!R, H(f ) = f (t)dt:
a
d. T : M2 2 ! R, T (A) = det(A).
e. Sea V un espacio vectorial y sea = fv1 ; v2 ; :::; vn g una base para V . Sea T : V ! Rn , denida
por T (v) = [v] .
1
Solucin:
a. Sean A; B en Mn n y sea c un escalar real, puesto que:
1. T (0) = 0:
2. T ( v) = T (v) para todo v 2 V .
3. T (u v) = T (u) T (v) para todo u y v en V .
2
Ejemplo 3 Dena las transformaciones lineales S : Pn ! Pn y T : Pn ! Pn mediante
Encuentre S T yT S.
Solucin: (S T )(p(x)) = S(T (p(x)) = S(xp0 (x)) = (x + 1)p0 (x + 1). Por otro lado (T S)(p(x)) =
T (p(x + 1)) = (x + 1)p0 (x + 1).
3
El nucleo y la imagen de una transformacin lineal
Clase 24
Resumen
En esta seccin extenderemos las nociones de imagen y espacio nulo a las transformaciones lineales.
Im(T ) = fT (v) : v 2 W g .
Solucin:
a. Por denicin
1. El ncleo de T es un subespacio de V .
2. La imagen de T es un subespacio de W .
1
Ejemplo 2 Halle el rango y la nulidad de las transformaciones lineales del Ejemplo 1.
Solucin:
a. nulidad(S)=2 y rango(S)=1
b. nulidad(T )=1 y rango(T )=2
Teorema 2 Sea T : V ! W una transformacin lineal y sea = fv1 ; v2 ; :::; vn g un conjunto generador
para V entonces T ( ) = fT (v1 ); T (v2 ); :::; T (vn )g es un conjunto generador para la imagen de T .
Denicin 3 Sea T : V ! W una transformacin lineal.
1. T se denomina inyectiva si, para todo u y v en V tales que T (u) = T (v) implica que u = v.
2. T se denomina sobreyectiva si Im(T ) = W . Es decir, si para todo w 2 W existe v 2 V tal que
T (v) = w.
Teorema 3 Una transformacin lineal T : V ! W es inyectiva si y slo si nucleo(T ) = f0g.
Ejemplo 3 Son las transformaciones lineales del Ejemplo 1 inyectivas? sobreyectivas?
Solucin: No. Como nucleo(S) 6= f0g, S no es inyectiva, y como Im(S) 6= R, entonces S tampoco es
sobreyectiva.
Como nucleo(T ) 6= f0g y Im(T ) 6= P2 , entonces T no es ni inyectiva ni sobreyectiva.
Ejemplo 4 Determine si la transformacin lineal T : Mn n ! Mn n, T (A) = AT es inyectiva:
Solucin: Puesto que nucleo(T ) = fA 2 Mn n : T (A) = 0g = A 2 Mn n : AT = 0 = f0g, en-
tonces T es inyectiva.
Teorema 4 Sea T : V ! W una transformacin lineal inyectiva. Si = fv1 ; v2 ; :::; vk g es un conjunto
linealmente independiente en V , entonces T ( ) = fT (v1 ); T (v2 ); :::; T (vk )g es un conjunto linealmente
independiente en W .
Teorema 5 Sean V y W espacios vectoriales tales que dim(V ) = dim(W ). Sea T : V ! W
una transformacin lineal inyectiva. Si = fv1 ; v2 ; :::; vn g es una base para V , entonces T ( ) =
fT (v1 ); T (v2 ); :::; T (vn )g es una base para W .
Teorema 6 Una transformacin lineal T : V ! W es invertible si y slo si es inyectiva y sobreyectiva.
Ejemplo 5 Determine si la transformacin lineal T : Mn n ! Mn n, T (A) = A AT es invertible.
Solucin: Puesto que
nucleo(T ) = fA 2 Mn n : T (A) = 0g = A 2 Mn n :A AT = 0 = A 2 Mn n : AT = A 6= f0g
entonces T no es inyectiva y por tanto no es invertible.
Ejemplo 6 Es la transformacin lineal T : M2 2 ! R4 , donde
2 3
a
a b 6 b 7
T =6
4 c 5,
7
c d
d
invertible?
Solucin: Por un lado nucleo(T ) = f0g, es decir, T es inyectiva. Por otro lado dim(M2 2) =4=
dim(R4 ), entonces T es sobreyectiva. Con lo que T es invertible.
2
Isomorsmo de espacios vectoriales
Clase 25
Resumen
En esta seccin describiremos lo que signica que dos espacios vectoriales sean esencialmente el
mismo.
1
Denicin 2 La matriz del teorema anterior se conoce como la matriz de T con respecto a las bases
y C. Si V = W y = C, entonces A se llamar la matriz de T con respecto a la base .
b. Por el Teorema 2,
2 3
2
0 1 1 4 3+1 2
[T (p(x))]C = [P ]C [p(x)] = 3 5= = :
1 1 1 2+3 1 4
1
b. Por Teorema 2
2 32 3 2 3
0 1 1 0 1 2
6 1 0 0 1 7 6 0 7 6 1 7
[D(f (x))] = [D] [f (x)] = 6
4
76 7=6 7;
0 0 0 1 54 2 5 4 0 5
0 0 1 0 0 2
2
Ejemplo 3 Sean V y W espacios vectoriales con bases = fv1 ; v2 ; v3 g y C = fw1 ; w2 ; w3 g ; respecti-
vamente, tales que la matriz de T con respecto a y C es
2 3
1 1 1
A = 42 2 25 .
3 3 3
2 3
1 1 1
b. Por denicin, [T ]C = [T (v1 )]C [T (v2 )]C [T (v2 )]C = 42 2 25, con lo que:
3 3 3
2 3
1
[T (v1 )]C = 425 , T (v1 ) = w1 + 2w2 + 3w3
3
2 3
1
[T (v2 )]C = 425 , T (v2 ) = w1 + 2w2 + 3w3
3
2 3
1
[T (v3 )]C = 425 , T (v3 ) = w1 + 2w2 + 3w3
3
Ejemplo 4 Sea T : P3 ! P2 una tranformacin lineal tal que T (1) = 1 + x, T (x) = x + x2 , T (x2 ) =
1+x2 y T (x3 ) = 1+x+x2 . Sean = 1; x; x2 ; x3 y C = 1; x; x2 bases para P3 y P2 respectivamente.
3
Ahora bien, f1; x; x2 g es un conjunto linealmente independiente, por lo tanto a + c + d = 0,
d
(a+b+d) = 0 y (b+c+d) = 0. Resolviendo este sistema homogneo se tiene que a = b = c = .
2
Reemplazando
d
nucleo(T ) = a + bx + cx2 + dx3 : a = b = c =
2
d d d
= + x+ x2 + dx3 : d 2 R
2 2 2
d
= (1 + x + x2 2dx3 ) : d 2 R = espacio(1 + x + x2 2dx3 ).
2
4
Matrices de transformaciones lineales compuestas e inversas.
Cambio de base y semejanza.
Clase 26
[S T ]D = [S]D C [T ]C .
a b
1. Halle T (a + bx + cx2 ) y S :
c d
2. Si = f1; x; x2 g, C = fE11 ; E12 ; E21 ; E22 g y D = f1; x; x2 ; x3 g son bases para P2 , M2 2 (R) y P3
respectivamente, halle:
(a) [T ]C .
(b) [S]D C.
(c) [S T ]D .
Solucin:
1 0 0 1 0 0 a b
1. T (a+bx+cx2 ) = aT (1)+bT (x)+cT (x2 ) = a +b +c = . De
0 0 0 0 0 1 0 c
a b
la misma forma se muestra que S = a(1+x)+b(x+x2 +x3 )+c(x2 +x3 )+d(1+x+x2 ) =
c d
(a + d) + (a + b + d)x + (b + c)x2 + (b + c)x3 .
2 3
1 0 0
6 0 1 0 7
2. (a) [T ]C =64 0 0 0 5.
7
0 0 1
2 3
1 0 0 1
6 1 1 0 1 7
(b) [S]D C = 6 4 0 1 1 1 5
7
0 1 1 0
1
2 32 3 2 3
1 0 0 1 1 0 0 1 0 1
6 1 1 0 1 7 6 0 1 0 7 6 1 1 1 7
(c) [S T ]D = [S]D [T ]C =6
4 0
76 7=6 7.
C 1 1 1 54 0 0 0 5 4 0 1 1 5
0 1 1 0 0 0 1 0 1 0
dw(x)
Ejemplo 2 Sea W = espacio(e2x cos x; e2x sin x) y sea T : W ! W tal que T (w(x)) = dx .
Solucin:
2 1
1. [T ] = [T (e2x cos(x))] [T (e2x sin(x))] = .
1 2
1 1
R 1
2. Si, ya que det([T ] ) = 5 6= 0. T : W ! W , donde T (v(x)) = v(x)dx. Adems T =
1 1 2 1
[T ] = .
5 1 2
1 1 2 1 1
3. Puesto que T (e2x cos x 2e2x sin x) = [T 1
] [(e2x cos x 2e2x sin x)] = =
5 1 2 2
1 4
. Con lo que
5 3
Z
1 2x
(e2x cos x 2e2x sin x)dx = T 1
(e2x cos x 2e2x sin x) = (4e cos x 3e2x sin(x)).
5
Ejemplo 3 Sea T : P2 ! P2 una tranformacin lineal tal que T (1) = 1, T (x) = x x2 y T (x2 ) =
x + x2 . Halle una base 0 tal que [T ] en la base 0 sea diagonal.
2 3
1 0 0
Solucin: Sea = f1; x; x2 g, entonces [T ] = 4 0 1 1 5. El polinomio caracterstico de [T ]
0 1 1
es x3 3x2 +2x = x (x
82 39 1) (x 2). Los valores propios
82 de [T ] son 1 = 0, 2 = 1 y832 = 2. 3
39 Una
9
< 0 = < 1 = < 0 =
base para E0 es 4 1 5 ; una base para E1 es 4 0 5 y una base para E2 es 4 1 5 .
: ; : ; : ;
1 0 1
2
Puesto que la unin de estas tres bases es un conjunto formado por tres elementos y la matriz
[T ] es de orden 3, entonces dicha matriz es diagonalizable y si tomamos
2 3 2 3
0 1 0 0 0 0
P =4 1 0 1 5 y D = 4 0 1 0 5,
1 0 1 0 0 2
1 0
entonces P [T ] P = D. Sea = fx + x2 ; 1; x + x2 g, entonces P 0 = P y por tanto
1
[T ] 0 =P [T ] P = D.
3
Comandos de MATLAB para lgebra Lineal
Semestre 01/2009 Escuela de Matemticas
Cdigo 1000 003 Facultad de Ciencias
Instruccin Accin
A = [a11 ,a12 ,...,a1n ; a21 ,a22 ,...,a2n ; crea una matriz m n y la nombra como A:
...; am 1 ,am 2 ,...,am n ] Nota. Las comas se pueden substituir por espacios.
Los puntos y comas separan las las de A.
A ( i, :) genera la la i-sima de A.
A ( :, j ) genera la columna j-sima de A.
A ( :, [ m, n, k ] ) genera la columnas m, n y k de A.
triu ( A ) genera la parte triangular superior de A.
tril ( A ) genera la parte triangular inferior de A.
diag ( A ) genera la diagonal de A:
null( A, r ) genera una base racional (no ortogonal) para nul (A) :
null( A ) genera una base ortogonal para nul (A) :
[ Q R ] = qr( A ) produce la factorizacin QR de A.
1. Formato corto, largo, racional (format short, format long, format rat)
2. Cmo entrar vectores.
1 3. Operaciones con vectores.
4. Norma.
5. Producto punto.
7 1. Clculo de la inversa.
1. Determinantes.
13 2. Valores propios ( null(A,r) )
3. Vectores propios.
1. Factorizacin QR.
18 2. Hallar valores y vectores propios con el comando [P D] = eig(A).