Академический Документы
Профессиональный Документы
Культура Документы
Clase 1:
1. Breve presentación del curso.
2. Presentación del objeto matriz a partir de un contexto natural, esto es, dada una colección
de datos dependiendo de dos instancias, representar dichos datos en un arreglo rectangular,
que llamaremos matriz con el objeto de facilitar la lectura de la información.
3. Definición del objeto matriz, orden de una matriz de matrices, notación de los elementos y
definición de traza de una matriz.
4. Tipos de matrices: Definición de matrices particulares tales como:
a) Matriz triangular superior y triangular inferior.
b) Matriz diagonal, matriz escalar y matriz identidad como caso particular de matriz
escalar.
Clase 2:
1. Mostrar ejemplos de cada una de las definiciones presentadas anteriormente.
2. Reforzar la comprensión de la definición matemática de una matriz con ejemplos tales como:
a) Sea A = (aij ) ∈ M3×5 (R) definida por
i+j si i < j
aij =
(−1)i−j si i ≥ j
5
X
Calcule a2j . ¿Qué tipo de matriz es A?
j=1
b) Sea A = (aij ) ∈ M4 (R) definida por aij = i(−1)i+j . Escriba por extensión la matriz A
y calcule la suma de las entradas de A que están sobre la diagonal principal.
3. Igualdad de matrices, Suma de matrices y producto escalar. Presentar las propiedades
algebraicas que cumplen estas operaciones, esto es, las propiedades que permiten mirar
Mn×m (K) como espacio vectorial sobre K, con K = R o K = C (sin decir que es un
espacio vectorial).
4. Transposici y sus propiedades respecto del álgebra de matrices y por tanto resultados re-
lativos a las definiciones de simétrica, antisimétrica y diagonal en el álgebra de matrices.
Por ejemplo, si A es una matriz cuadrada de orden n, entonces 21 (A + At ) es simétrica y
1
2
(A − At ) es antisimétrica.
1
Clase 3:
1. Resolución de ecuaciones matriciales, tales como:
t 1 −1
2 −1 2
3X t − 2 = 2X − 3 −1 1
−1 0 1
3 2
Clase 4:
1. Ver las propiedades de la transposición actuando en la multiplicación de matrices, por
ejemplo: Sean A = (aij ), B = (bij ) y C matrices en M4 (R), definidas por:
2
2 :i=j i :i≤j
aij = , bij = , C = 3I4 .
0 : i 6= j 0 :i>j
Resuelva la ecuación matricial para X,
4ACX t + (CXA)t = ABC
Clase 5:
1. Inversa de una matriz: Plantear una ecuación matricial cuya solución requiera el uso de
inversa y por tanto plantear las preguntas, ¿qué debieramos entender por la inversa de una
matriz?, ¿cuándo una matriz es invertible? y ¿cómo calcularla cuando existe? Responder
las preguntas anteriores en M2 (R). Un ejemplo puede ser: Una empresa fabricante de mesas
de madera, ofrece tres modelos que denota por M1 , M2 y M3 que produce en dos plantas
S1 y S2 ubicadas en la región metropolitana y en el sur del paı́s. Los requerimientos de
planchas de madera, clavos y tarros de pegamento, necesarios para la producción de cada
modelo se detallan en la tabla siguiente:
M1 M2 M3
Planchas 2 4 5
Clavos 18 13 20
Tarros 1/2 1 3/2
2
b) Si en S1 hay un stock de 108 planchas de madera, 561 clavos, 29,5 tarros de pegamen-
to y en S2 hay 80 planchas de madera, 405 clavos y 22 tarros de pegamento. Plantee
una ecuación que permita calcular la cantidad de mesas de cada tipo que se pueden
producir en cada planta, de modo de utilizar todo el stock disponible de materiales.
Clase 6:
1. Formalización de la definición de matriz invertible en Mn (K) y las propiedades que cumple
respecto del álgebra de matrices. Mostrar ejemplos tales como:
Clase 7:
1. Multiplicación por bloques: Si A ∈ Mm×n (K), A = C1 C2 · · · Cn e Y ∈ Mp×m (K)
realizar el producto Y A.
F1
F2
Si X ∈ Mn×1 (K) y A = .. efectuar AX.
.
Fm
3
1. Sea A una matriz cuadrada de orden 2 tal que traza(At A) = 0. Muestre que A = 0.
2. Sean A y B matrices cuadradas de orden n tales que A es diagonal con aii = i y B invertible.
Resuelva la ecuación para X,
2BX t A − (AXB t )t = B
3. Encuentre todas las matrices cuadradas de orden 2 que conmutan con la matriz
1 3
2 1
A11 A12
4. Si A = es una matriz por bloques de orden (2+2)×(2+2), determine condiciones
0 A22
sobre las submatrices Aij para que A sea invertible y calcule A−1 .
1. Aplicar las propiedades básicas del álgebra matricial para resolver ecuaciones matriciales.
Clase 9:
Introducción a los sistemas de ecuaciones lineales: Dado un problema en un contexto real, mo-
delarlo utilizando herramientas de Álgebra Lineal. Lo anterior consiste en definir variables y
relaciones entre ellas, ver cuál es el dominio de definición de las variables y, dependiendo de la
representación, introducir conceptos, tales como sistemas de ecuaciones lineales, matriz asociada,
matriz ampliada o clasificar qué tipo de leyes deben considerarse en el planteamiento del modelo
(flujos, asignación de recursos, circuitos eléctricos, entre otras).
Una vez planteado un modelo matemático para el problema, se pretende activar a los estudiantes
con preguntas dirigidas cuyas respuestas estén en esta unidad o en otras. Hacer supuestos con
el objeto de que el modelo tal vez cambie o tenga restricciones. Generar incertidumbre frente a
posibles variaciones del problema y discutir sobre sus soluciones. Una propuesta de un problema
4
en este registro aparece en el Anexo 2.
Clase 10:
Retomar el problema modelado en la clase pasada para determinar su solución y definir con
precisión lo que corresponde a
Utilizar operaciones elementales de fila (de cualquier forma) para determinar la solución al siste-
ma lineal que modela el problema. Hacer enfasis en que la solución matemática no necesariamente
es la solución al problema real ya que se deben tener encuenta las restricciones de las variables
según el contexto real.
Clase 11:
3. Algoritmo de Gauss Jordan para determinar la forma escalonada reducuda de una matriz.
4. Aplicación de los algoritmos a sistemas con solución única, infinitas soluciones y a sistemas
inconsistentes. Hacer enfasis en el tipo de la forma escalonada por filas equivalente a la
matriz aumentada del sistema. Por ejemplo tomar los sistemas
x+y+z = 1 x+y−z = 1 y − 4z = 8
2x − y + 2z = 0 3x + y + z = 2 2x − 3y + 2z = 1
−3x + 2y − z = −2 5x + y + 3z = 3 5x − 8y + 7z = 1
Clase 12:
5
Clase 13:
Uso del teorema de Roché-Frobenius para el análisis de sistemas que contienen parámetros.
Por ejemplo,
ax + y + z
=1
a) x + y − z =2
2x − y + z =a
x + ay
=0
b) ax − ay + 2z =0
2x + az =0
ax + y + z
=a
c) x + ay + z =1
x + y + az = −1
(1 + k)x + (1 + k)y + z
=2
d ) x + (1 + k)y + z =3
2x − y + z =1+k
2x + (2 − b)y
=0
e) (2b + 2)x + by + 2z = 2b − 2
(b + 1)x + (b + 1)z =b−1
Clase 14:
a) Representación matricial de un sistema de ecuaciones lineales: AX = b. En particular
hacer notar que dado un sistema de ecuaciones lineales de orden o tamaño n × n (n
ecuaciones y n variables) cuya representación matricial es AX = b, entonces si A es
invertible, la solución del sistema está dada por X = A−1 B.
b) Teorema que relaciona la solución de un sistema lineal AX = b con el sistema lineal
homogóneo asociado AX = 0.
c) Dado un sistema AX = b con infinitas soluciones, tal como,
x+y+z = 1
2x − 2y − 3z = 0
x − 3y − 4z = −1
3x − y − 2z = 1
6
determinar la solución general e identificar la solución particular y el conjunto solución
del SLH asociado.
d ) Dada el sistema AX = b donde A ∈ M4×4 . Si la solución del SLH asociado es X =
t(0, 1, 3, 4) + s(1, 0, 2, −1) con s, t ∈ R, realizar preguntas del tipo: ¿Es A una matriz
invertible?, ¿Cuál es el rango de A?, ¿Se puede asegurar que el sistema AX = b tiene
infinitas soluciones?, si y = (1, 1, 0, 1) es una solución particular del sistema AX = b,
¿Como se expresa en general todas sus soluciones?
Clase 15:
7
1) Determine la función que permite calcular el costo total de producir x unidades
del modelo stratocaster, y unidades del modelo telecaster, z unidades del modelo
FIV.
2) Si se debe ocupar toda la materia prima disponible del tipo 1 y del tipo 2, plantee
un sistema que permita calcular la cantidad guitarras de cada modelo que deben
producirse. Resuelva el sistema.
3) Determine la cantidad de guitarras que deben producirse de cada modelo para
que el costo total sea mı́nimo, si se deben producir al menos una guitarra de cada
modelo.
0 1 0
−1 2 −1
2 + t 1 + s 0 solución de un sistema lineal Ax = b de orden 3 × 4
b) Sea X =
0 0 1
8
Prueba 1. El alumno debe ser capaz de:
a) Aplicar las propiedades básicas del álgebra matricial para resolver ecuaciones matriciales.
9
Clase 17:
Clase 18:
Clase 19:
Clase 20:
Clase 21:
10
3) det(A−1 ) = det(A)−1 , si A es invertible.
4) det(A) = det(At )
b) Problema aplicando lo anterior: Sea A una matriz cuadrada de orden 2 tal que A2 = 0.
Calcule el valor de det(αI − A) en términos de traza(A) y det(A) para cualquier valor
de α ∈ R.
Clase 22: Para cerrar esta unidad y dar paso a la siguiente de manera continua, es decir,
los objetos estudiados hasta ahora verlos desde otra perpectiva para conectar con la unidad
de Espacios Vectoriales, se sugiere la siguiente actividad:
1 2 3
Considere la matriz A =
4 5 6
a) Encuentre la forma escalonada reducida por filas de A.
Una vez encontrada la forma escalonada reducida por filas de A, establecer que las filas
de A son vectores en R3 y las columnas de A son vectores en R2 (este lenguaje es cono-
cido por los alumnos puesto que fue visto en el curso de Álgebra). Luego mostrar que la
forma escalonada indica que para cualquier α ∈ R se cumple que (1, 2, 3) 6= α(4, 5, 6),
es decir que los vectores (1, 2, 3) y (4, 5, 6) son linealmente independientes y por tanto
generan un plano en el espacio. Mientras que (3, 6) = −1(1, 4) + 2(2, 5), es decir los
vectores (1, 4), (2, 5) y (3, 6) son linealmente dependientes en el plano.
Ker(A) = {X ∈ R3 : AX = 0}
llamado espacio nulo o kernel de A será otro espacio vectorial asociado a una matriz.
c) Para concluir esta introducción a espacios vectoriales considerando los objetos cono-
cidos, considerar el sistema AX = Y , luego el conjunto
Im(A) = {Y ∈ R2 : ∃X ∈ R3 , AX = Y } = {AX : X ∈ R3 }
Mostrar que la suma y ponderación en Im(A) es cerrada, por tanto otro ejemplo de
subespacio asociado a la matriz A.
Mostrar que Im(A) = Col(A).
11
Clase 23:
Clase 24:
Clase 25:
12
a) Definición de combinación lineal y ejemplos.
3 3 1 −1 0 0
1) El vector es combinación lineal de los vectores ,
−2
−3 1 0 1 1
1 2
y .
−1 −1
2) El polinomio 1 − 3x + 7x2 es combinación lineal de los polinomios 1 − x + 2x2 y
1 + x − 3x3 .
3) Verificar que (1, 2, 3) es combinación lineal de los vectores (1, 0, −1), (0, 1, 1) y
(1, 1, 1). Luego ver que (1, 2, 1) también es combinación lineal de los vectores
(1, 0, −1), (0, 1, 1) y (1, 1, 1) y generalizar para cualquier vector (x, y, z) con el
objeto de inducir el siguiente punto.
b) Relacionar el concepto de combinación lineal con el de sistema consistente, es decir,
si A ∈ Mn×m (R), X ∈ Mm×1 (R) y B ∈ Mn×1 (R), entonces AX = B es consistente si
y solo si B es combinación lineal de las columnas de A.
c) Dado un espacio vectorial V sobre K y v1 , . . . , vk vectores en V , definir espacio gene-
rado por v1 , . . . , vk y conjunto generador.
d ) Ver ejemplos tales como:
1) Mostrar que R2 está generado por (1, 0) y (0, 1), que R3 esta generado por (1, 0, 0),
(0, 1, 0) y (0, 0, 1) y generalizar para Rn .
2) El espacio vectorial de todos los polinomios de grado menor o igual a n con
coeficientes en R y variable x, está generado por 1, x, x2 ,. . . ,xn .
1 0 0 1 0 0 0 0
3) M2×2 (R) está generado por , , y .
0 0 0 0 1 0 0 1
Clase 26:
13
c) Utilizar los dos últimos ejemplos anteriores para relacionar la independencia y depen-
dencia lineal de las columnas y filas de una matriz y mostrar los siguientes resultados:
1) Sea A ∈ Mn×m (R). Las columnas de A que son m vectores en Rn son linealmente
dependientes si y solo si el sistema lineal homogéneo AX = 0 tiene una solución
no trivial.
2) Sea A ∈ Mn×m (R). Las filas de A que son n vectores en Rm son linealmente
dependientes si y solo si rango(A) < n.
d ) Usar lo anterior en el siguiente problema: Considere la matriz
1 2 3 5
A = −1 4 1 7
−1 1 −1 1
a) Del resultado anterior, mostrar el siguiente caso particular: Si A ∈ Mn×n (R), entonces
las siguientes proposiciones son equivalentes:
i) A invertible.
ii) Las columnas de A forman un conjunto linealmente independiente en Rn .
iii) Las filas de A forman un conjunto linealmente independiente en Rn .
iv) Las columnas de A generan a Rn .
v) Las filas de A generan a Rn .
b) Demostrar los siguientes teoremas:
1) Todo subconjunto de un conjunto LI
2) Si G = {v1 , v2 , . . . , vs } es un sistema de generadores de un espacio vectorial V y
G es LD, existe vi ∈ G talque G − {vi } es un sistema de generadores de V .
3) Si G = {v1 , v2 , . . . , vs } es un sistema de generadores de un espacio vectorial V ,
cualquier conjunto linealmente independiente de V contienen a lo más s vectores.
Clase 28
a) Definición de base para un espacio vectorial. Mostar que toda base de un espacio
vectorial tiene el mismo número de vectores y de esta forma definir dimensión.
b) Ejemplos tales como:
1) El conjunto C2 = {(z1 , z2 ) : z1 , z2 ∈ C} junto con la suma y ponderación usual
puede ser pensado como un R espacio vectorial y como un C espacio vectorial.
Encuentre una base para C2 como R espacio vectorial y una base para C2 como
C espacio vectorial e indique las dimensiones respectivas.
2) Sea W = h(1, 0, 1, 1), (−1, −1, 1, 1), (1, −1, 3, 3), (1, −2, 5, 5)i. Determine la dimen-
sión de W .
3) Encuentre una base de R3 que contenga a los vectores v1 = (1, 1, 1) y v2 =
(−1, 2, −1).
14
c) Mostar los resultados que relacionan el rango de una matriz con los espacios asociados
a ella, esto es:
i) dim(F il(A)) = dim(Col(A)) = rang(A)
ii) Si A ∈ Mn×m (R), entonces rango(A) + dim(N ul(A)) = m.
d ) Aplicar los resultados anteriores: Encuentre una base para el espacio fila de A, para
el espacio columna de A y determine la dimensión del espacio nulo de A, donde
1 −2 1 3
A = 3 −6 2 −1
7 −14 4 −9
Clase 29
a) Definir coordenadas de un vector respecto de una base.
b) Ver ejemplos tales como:
1) Sea B = {(1, 1, 1), (1, 2, 3), (1, 0, 1)} base ordenada de R3 . Encuentre las coorde-
nadas del vector (4, −2, 4) respecto de la base B.
2) Sea V el espacio vectorial real de todos los polinomios de grado menor o igual a
3 con coeficientes en R y variable x. Si B = {1, x − 1, (x − 1)2 , x3 } es una base de
V , encuentre las coordenadas del vector (x − 1)3 respecto de la base B.
c) Definición de matriz de cambio de base y teorema de cambio de base.
d ) Se sugieren los siguientes ejemplos:
1) Sean B1 = {(1, 1, 1), (1, 2, 3), (1, 0, 1)} y B2 = {(0, 1, 1), (1, 0, 0), (1, 0, 1)} bases
ordenadas de R3 . Encuentre la matriz de cambio de base de B2 a B1 .
2) Sea S subespacio de R4 , B1 = {(1, 3, 2, −1), (−2, −5, −5, 4)} y B2 = {(−1, −2, −3, 3), (3, 8, 7, −
bases ordenadas de S. Determine la matriz de cambio de base de B1 a B2 .
3) Sean C1 = {v1 , v2 , v3 } y C2 = {(1, 3, 3), (1, 5, 6), (1, 4, 5)} bases ordenadas de R3 .
Encuentre los vectores de la base C1 , sabiendo que la matriz de cambio de base
de C1 a C2 es
1 1 −1
−3 2 −1
3 −3 2
Clase 30
a) Demostrar las siguientes propiedades de las matrices de cambio de bases.
1) La matriz de cambio de base de B1 a B2 es la inversa de la matriz de cambio de
base de B2 a B1 .
MB2 ←B1 = [MB1 ←B2 ]−1
2) Si se multiplica por la izquierda la matriz de cambio de base de B1 a B2 por la
matriz de cambio de base de B2 a B3 se tiene la matriz de cambio de base de B1
a B3 .
MB3 ←B1 = MB3 ←B2 · MB2 ←B1
b) Utilizar las propiedades anteriores para calcular las matrices de cambio de bases pa-
sando por la base canónica C.
MB2 ←B1 = [MC←B2 ]−1 · MC←B1
15
c) Utilizar lo anterior para deducir el método de Gauss-Jordan para encontrar la matriz
de cambio de bases.
Si P = MC←B1 y Q = MC←B2 , entonces el escalonamiento de Gauss- Jordan
[Q|P ] → [I|R]
Clase 31
Práctica o Ajuste
16
d ) Definir Eλ el espacio propio de A, asociado al valor propio λ. Caracterizar como el
kernel de la matriz A − λI.
e) Mostrar ejemplos como:
7 1 −2
1) Mostrar que λ = 6 es valor propio de la matriz A = −3 3
6 y encuentre
2 2 2
una base para el correspondiente espacio propio.
1 0
2) Encuentre los valores y los vectores propios de la matriz A = geométri-
0 −1
camente.
f ) Definir polinomio y ecuación caracterı́sticos y caracterizar los valores propios como las
soluciones de la e.c.
Ejemplo: Encuentre
los valores
propios y los correspondientes espacios propios de la
0 1 0
matriz A = 0 0 1 .
2 −5 4
Clase 33
Clase 34
P −1 AP =D
−1 0 1
Ejemplo: Diagonalizar la matriz A = 3 0 −3 .
1 0 −1
b) Caracterizar las matrices diagonalizables: A ∈ Mn [R] es diagonalizable si y solo si A
tiene n vectores propios linealmente independientes.
0 1 0
Ejemplo: Verificar que la matriz A = 0 0 1 no es diagonalizable.
2 −5 4
c) Caracterizar las matrices diagonalizables: A ∈ Mn [R] es diagonalizable si y solo si
todos sus valores propios tienen multiplicidades geométricas y algebraicas iguales.
17
d ) Verificar que si A ∈ Mn [R] es una matriz con n valores propios distintos, entonces A
es diagonalizable.
Clase 35
b) Dada una matriz A ∈ Mn (R) definir valor propio dominante y espacio propio domi-
nante.
c) Utilizar el valor propio dominante para estimar el estado de un sistema dinámico
Xk = Ak X0 para valores grandes de k.
Clase 36
18
donde x: cantidad de tazas fabricadas en un dı́a de trabajo e y: cantidad de platos fabrica-
dos en un dı́a de trabajo.
Puesto que en la vida real, hay que dar respuesta a este tipo de problemas es decir: dado un
sistema S de ecuaciones lineales inconsistente representado matricialmente como Ax = b,
donde A es una matriz de tamaño m × n, x es un vector en Rn y b es un vector fijo en
Rm , ¿ cómo definir el concepto de solución aproximada del sistema S? Como sabemos,
M = {Az : z ∈ Rn } = Col(A) es un subespacio de Rm y b no pertenece a M . Si pudie-
ramos encontrar un vector en M , digamos Ax0 para algún x0 ∈ Rn , que estuviera lo más
cerca posible de b, podrı́amos pensar que x0 serı́a un candidato razonable para ser solución
aproximada del sistema. En este caso, informalmente, tendrı́amos que Ax0 ≈ b. Como lo
que se desea es encontrar x0 de modo que la distancia entre Ax0 y b sea lo más pequeña
posible, es necesario tener alguna forma de medir distancia entre un vector y un subespacio,
lo que es posible con los conceptos de ortogonalidad que serán estudiados.
a) A partir de la base canónica de R2 y de la base B = {(1, 1), (−1, 1)} hacer notar su
caracterı́stica de ortogonalidad y la facilidad que se tiene para determinar las coorde-
nadas de un vector cualquiera de R2 respecto a esas bases.
b) Definir Conjuntos ortogonales y ortonormales de Rn .
c) Demostrar que todo conjunto ortogonal es linealmente independiente.
d ) Definir lo que significa una base ortogonal y ortonormal para un subespacio S de Rn .
Clase 37
Clase 38
19
d ) Demostrar que dado v ∈ Rn el vector P erpM v = v − P royM v es ortogonal a todo
vector de M , es decir que P erpM v ∈ M ⊥
- Considerar M = h{(1, 0, 0), (0, 1, 0)}i y x = (2, 0, 1) para determinar P royM x y
P erpM (v). Medir la norma de P erpM (v) y relacionar este procedimiento con el cálculo
de la distancia de v al plano, utilizando los métodos del curso de álgebra.
Clase 39
1) x − p ∈ M ⊥ .
2) ∀u ∈ M, ||x − u|| ≥ ||x − p||
c) Definir lo que se entiende por la distancia de un vector x ∈ Rn a un subespacio M de
Rn .
1 1 1 1
1 1 1 1
d ) Sea A = 1 1 2 2 y x = (1, 3, −1, 1). Determine la distancia de x al ker(A).
1 1 3 3
Clase 40
Este sistema generalmente es inconsistente, por lo que utilizamos las ecuaciones nor-
males para determinar la solución aproximada al sistema, de esta manera determinar
la mejor función de la forma f (x) = z0 f0 (x) + z1 f1 (x) + · · · + zm fm (x) que aproxima
a los datos dados.
20
d ) Ejemplificar el método de mı́nimos cuadrados con el siguiente problema :La produc-
ción, en miles de kilos, de café colombiano en el departamento de Caldas durante los
últimos 4 años se muestran en la tabla siguiente:
Supongamos que la producción de café depende del tiempo x medido en años y que
x = 1 corresponde al año 2006. determinar por el método de mı́nimos cuadrados el
polinomio de grado dos que mejor ajusta los datos dados y utilı́celo para estimar la
producciı́on de café para el año 2016.
Clase 41
Clase 43
Clase 44
21
a) Definición de transformación lineal y ejemplos. Hacer notar que si T : Rn → Rm
siempre existe una matriz A ∈ Mm×n (R) tal que T (X) = AX.
b) Teorema: Toda transformación lineal queda determinada por su efecto en una base.
c) Sea T : R2 → R3 una transformación lineal, tal que T (1, 1) = (1, 0, 1) y T (2, −1) =
(1, 1, −2). Determine T (x, y) para todo (x, y) ∈ R2 .
d ) Determinar la transformación de rotación en el plano y reflexión.
Clase 45
a) Definir el kernel e imagen de una transformación lineal. Rango y nulidad de una trnas-
formación lineal.
Clase 46
22