MANUAL DE ALGEBRA LINEAL (NXPowerLite) PDF

ALGEBRA LINEAL Y GEOMETRIA
1.
INTERROGANTES CENTRALES DEL CAPITULO Hallar un sistema triangular que sea equivalente a uno dado. Conocer los distintos tipos de matrices y manejar las distintas operaciones que se denen entre ellas, usando correctamente sus propiedades. Hallar el determinante de una matriz de cualquier orden. Hallar la matriz inversa de una matriz dada. Discutir y resolver sistemas de ecuaciones lineales. rdenes Calcular la forma Jordan de matrices de o 2 y 3, us andola como recurso para efectuar potencias n- esimas. Conocer y utilizar los conceptos de producto escalar, norma y distancia en el espacio. Identicar geom etricamente el producto vectorial y el producto mixto de vectores. Identicar y calcular las ecuaciones de algunas secciones c onicas y supercies cu adricas. Manejar expresiones en coordenadas polares, cil ndricas y esf ericas. Conocer el concepto de aplicaci on lineal e identicar el n ucleo y la imagen de la misma. Calcular la matriz asociada a una aplicaci on lineal y saber obtener la nueva expresi on de la misma al efectuar un cambio de base.
Calcular la matriz diagonal semejante a una matriz A dada como recurso para efectuar su potencia n- esima.
2.
CONTENIDOS FUNDAMENTALES DEL CAPITULO
2.1. Sistemas de ecuaciones lineales Una ecuaci on lineal de n variables X1 , X2 , ..., Xn es una ecuaci on del tipo a1 X1 + a2 X2 + ... + an Xn = b. ermino independiente. Los n umeros ai (i = 1, ..., n) se denominan coecientes y a b se le llama t Una soluci on de la ecuaci on lineal anteriormente mencionada es una n-upla de n umeros reales (1 , 2 , ..., n ) tal que a1 1 + a2 2 + + an n = b. Ejemplo. 3x 2y + z = 0 es una ecuaci on lineal de tres variables, y (1, 1, 1) es una soluci on de la misma. N otese que la ecuaci on anterior tiene un n umero innito de soluciones.
Identicar cuando una matriz es diagonalizable.
Conocer y utilizar la estructura de espacio vectorial y los conceptos de base y dimensi on.
.M
at
em
at
ic a1
.c
om
118
MATEM ATICAS
A un conjunto de varias ecuaciones lineales se le denomina sistema de ecuaciones lineales. Es decir un sistema de m ecuaciones lineales y n variables o inc ognitas, es una expresi on del tipo a11 X1 + a12 X2 + ... + a1n Xn a21 X1 + a22 X2 + ... + a2n Xn ............................................ am1 X1 + am2 X2 + ... + amn Xn
= = =
b1 b2 ... bm
Una soluci on de este sistema es una n-upla de n umeros reales (1 , 2 , ..., n ) que sea a su vez soluci on de las m ecuaciones de las que se compone el sistema. Ejemplo. En el siguiente sistema de 2 ecuaciones y 3 inc ognitas 3x 2y + z = 1 x + 3y 2z = 5
14 on del sistema, ya que lo es de cada una de las ecuaciones que lo forman. La terna la terna 13 11 , 11 , 0 es una soluci (4, 6, 1) no es soluci on del mismo ya que aunque es soluci on de la primera ecuaci on no lo es de la segunda. Se puede demostrar que este sistema de ecuaciones lineales tiene innitas soluciones.
2.1.1. Reglas de equivalencia de sistemas Dos sistemas de ecuaciones lineales se dice que son equivalentes cuando tienen las mismas soluciones. Los m etodos de resoluci on de sistemas de ecuaciones lineales se basan en la idea de transformar el sistema original del cual queremos encontrar sus soluciones, en otro equivalente que tenga una estructura m as sencilla. Despu es de lo dicho conviene aclarar qu e entendemos por estructura sencilla y cu ales van a ser las operaciones que van a ser v alidas para transformar el sistema original en otro equivalente. Ejemplos de sistemas sencillos de resolver, en el caso de igual n umero de ecuaciones que de inc ognitas, son los llamados triangulares. Un sistema triangular de tres ecuaciones con tres inc ognitas vendr a expresado de una manera gen erica por: a11 x + a12 y + a13 z a22 y + a23 z a33 z Obs ervese que a21 = a31 = a32 = 0.
.M
Atendiendo a la existencia o no de soluciones y a su n umero (nito o innito), los sistemas de ecuaciones lineales se clasican de la siguiente manera: on unica) Determinado (Soluci on) Compatible (existe soluci s.e.l. Indeterminado (Innitas soluciones) Incompatible (No existe soluci on)
at
em
at ic
a1 .c o
= b1 = b2 = b3
ALGEBRA LINEAL Y GEOMETR IA
119
Intenta responder ahora a las siguientes preguntas: C omo ser a un sistema triangular de cuatro ecuaciones y cuatro inc ognitas? Sabr as denir el mismo concepto para un sistema de n ecuaciones y n inc ognitas? nica, En este tipo de sistemas con n ecuaciones y n inc ognitas (si ann = 0) se obtiene f acilmente una soluci on u ltima ecuaci despejando y sustituyendo sucesivamente de la u on a la primera. Parece claro que nuestro inter es principal lo centraremos en realizar operaciones en las ecuaciones que forman el sistema original del que queremos conocer sus soluciones, hasta transformarlo en otro que sea lo m as parecido posible a un sistema triangular. Debemos por tanto hacer referencia a las reglas u operaciones que consideramos v alidas, es decir, que transforman un sistema en otro equivalente:
(1) Intercambiar dos ecuaciones. (2) Multiplicar (o dividir) una ecuaci on por un n umero distinto de cero. (3) Sumar o restar a una ecuaci on el resultado de multiplicar (o dividir) otra por un n umero. (4) Expresar una ecuaci on despejando una variable, y sustituir el resultado en las dem as.
Ejemplo 1. Vamos a obtener un sistema triangular equivalente a:
at ic
.M
(3a ec. + 2a ec. (1))
2x + 3y 4z 13y + 22z 0.z
at
2 ec. 2 + 1 ec. (3) 3a ec. 2 + 1a ec. (7)
em
a1 .c o
2x + 3y 4z = 1 13y + 22z = 3 13y + 22z = 3 = 1 = 3 = 3 2x + 3y 4z = 1 13y + 22z = 3
7 x = 11 13 13 z 3 y = 13 + 22 13 z
2x + 3y 4z = 1 3x 2y + 5z = 3 7x + 4y 3z = 5
Despejando y en la segunda ecuaci on y sustituyendo y el conjunto de soluciones viene expresado por: S= 7 3 22 11 , + , 13 13 13 13
Como vemos el sistema tiene innitas soluciones. Obviamente no todos los sistemas que vamos a intentar resolver tienen el mismo n umero de ecuaciones y de inc ognitas. C omo proceder amos con un sistema de este estilo? Ejemplo 2. Vamos a triangular el siguiente sistema de ecuaciones: x + 3y z + t 2x + y + 2z yt = 1 = 7 = 0 = = = 1 9 = 0
x + 3y z + t = (2a ec. + 1a ec. 2) = 7y + 2t yt
m
:R
120 x + 3y z + t (Intercambiamos la 2a ec. y la 3a ec) = yt 7y + 2t x + 3y z + t a a = (3 ec. 2 ec. 7) = yt 9t x + 3y z + t 1 = (3a ec. ) = yt 9 t xz = (1a ec. 2a ec. 3) = yt t de donde el conjunto de soluciones vendr a dado por S = {(3 + , 1, , 1) : R} Sabr as explicar por qu e? Observaciones. Debemos extraer algunas conclusiones de los ejemplos anteriores. = 1 = 0 = 9
MATEM ATICAS
= 1 = 0 = 9
= 1 = 0 = 1 = 3 = 0 = 1
Esta ordenaci on de los coecientes recibir a el nombre de matriz ampliada. La matriz 1 2 0 3 1 1 1 2 0 1 0 1
recibe el nombre de matriz de los coecientes del sistema. ltima Las operaciones que hemos realizado sobre las ecuaciones se realizar an ahora sobre las las de esta u matriz, sin m as que sustituir la palabra ecuaci on por la de la. (2) Dada la matriz gen erica de un sistema de tres ecuaciones y tres inc ognitas a11 a21 a31 a12 a22 a32 a13 a23 a33 b1 b2 b3
(ver Ejemplo 1), al intentar resolverlo y por lo tanto transformarlo en uno equivalente que sea triangular, llegaremos a un sistema representado por una matriz del tipo b1 a11 a12 a13 a22 a23 b2 0 0 0 a33 b3 nica si y s que tendr a soluci on u olo si a33 = 0.
(1) En las operaciones que realizamos con los sistemas en realidad nos bastar a con hacer referencia s olo a los coecientes, obviando as la repetici on de las inc ognitas. Si eliminamos estos s mbolos el sistema anterior se escribir a como 1 3 1 1 1 2 1 2 0 7 0 0 1 0 1
.M
at
em
at ic
a1 .c o
121
(3) En el caso representado en el Ejemplo 2, observemos que la matriz ampliada resultado de efectuar las sucesivas transformaciones a las que hemos sometido el sistema original es 1 0 0 0 1 0 1 0 0 0 0 1 3 1 1
Qu e tiene de com un esta matriz con la correspondiente a un sistema triangular? Resaltamos a continuaci on una caracter stica que podemos considerar com un a las dos: Ambas son matrices escalonadas, en el sentido de que puede trazarse una escalera descendente, por debajo de cu al todos los elementos ser an ceros. M etodo de Gauss. El m etodo de Gauss para la resoluci on de sistemas de ecuaciones lineales consiste en realizar transformaciones en la matriz del sistema de partida hasta conseguir una matriz escalonada, de las caracter sticas descritas anteriormente. Como es l ogico, no todos los sistemas son compatibles (determinados o indeterminados), y algunas veces nos encontraremos con sistemas que no tengan soluci on. C omo los podremos identicar? Ejemplo 3. El sistema de ecuaciones x + 2y 3z 2x y + z 3 x + 2y + 2z 7x + 5y 3z = 1 = 2 = 3 = 3
1 0 0 0
ltima expresi (Intenta dar los pasos pertinentes para lograr llegar a esta u on de un sistema equivalente). Observa ltima ecuaci que como la u on no tiene soluci on el sistema no tiene soluci on. Observaci on. En general, cuando al efectuar operaciones en la matriz de un sistema, conseguimos una matriz en la que todos los elementos de una la son ceros menos el coeciente que corresponde el t ermino independiente de la ecuaci on, el sistema ser a incompatible. Resumimos a continuaci on las situaciones gen ericas con las que nos encontramos al aplicar el m etodo de eliminaci on de Gauss.
(1) Obtenemos una soluci on imposible y el sistema de partida es incompatible. (2) El n umero de ecuaciones resultantes no eliminadas y de inc ognitas coincide. Entonces el sistema de partida es compatible y determinado y la matriz ampliada se podr a transformar en una de la forma: 0 ... ... 0 0 .... .... .... ... .... ...
(donde con expresamos cualquier valor posible de los coecientes)
.M
at
es equivalente a
em
2 3 5 7 0 27 0 0
at ic
a1 .c o
1 4 14 30
122
MATEM ATICAS
(3) El n umero de ecuaciones resultantes no eliminadas es menor que el n umero de inc ognitas del sistema. Entonces el sistema es compatible e indeterminado. La matriz ampliada se podr a transformar en una de la forma: ... ... ... ... 0 ... ... ... ... ... ... ... ... ... ... ... 0 0 ... ...
2.1.2. Un caso notable: los sistemas de ecuaciones lineales homog eneos En un sistema de ecuaciones lineales gen erico cuando los t erminos independientes son todos nulos, lo denominaremos homog eneo. a11 X1 + a12 X2 + ... + a1n Xn = 0 = 0 a21 X1 + a22 X2 + ... + a2n Xn ............................................. ... am1 X1 + am2 X2 + ... + amn Xn = 0 Piensa y demuestra que se cumplen las siguientes propiedades: (1) Un sistema homog eneo es siempre compatible, ya que la soluci on trivial (0, 0, ..., 0) satisface todas y cada una de las ecuaciones del sistema. (2) Si (1 , 2 , ..., n ) es soluci on de un sistema homog eneo, tambi en lo es (1 , 2 , ..., n ) con R. Lo que en general demuestra que si un sistema homog eneo tiene una soluci on distinta de la trivial, entonces tiene innitas soluciones.
2.1.3. Discusi on de sistemas de ecuaciones lineales en funci on de los valores de par ametros Otro de los aspectos destacables dentro de la resoluci on de sistemas de ecuaciones lineales es el que habitualmente se denomina como discusi on del sistema. Entenderemos por esto decidir para qu e valores de uno o varios nica o ninguna soluci par ametros se tienen innitas soluciones, soluci on u on. Ejemplo. Discute seg un los valores de m el siguiente sistema de ecuaciones: = 2 x + 2y + z x + 3y + z = 0 x + y + mz = 1 1 1 1 2 3 1 1 1 m 2 1 (Sumando la 2a la a la 3a y la 1a a la 2a ) 5 2 3 m+1 2 1 2 1 0 15 (Multiplicando la 3a la por 5 y la 2a por 3) 6 6 0 0 5m 1 9 2 0 1 1 0 0 2 2 3
En funci on de los valores de m distinguiremos los siguientes casos: (1) 5m 1 = 0 m =

1 5
ltima ecuaci y la u on se transforma en un absurso. Sistema incompatible.
.M
at
em
at ic
a1 .c o
ALGEBRA LINEAL Y GEOMETR IA (2) 5m 1 =

1 5
123
m =
1 5
. Sistema compatible y determinado.
Ejemplo. Discute seg un los valores de m: x + y + mz x + my + z mx + y + z Debes transformar esta ecuaci on en: = 1 = 1 = 1 1 0 1m
1 1 0 m1 0 0
m 1m (1 m)(2 + m)
Qu e transformaciones son necesarias? La discusi on surge de la ecuaci on (1 m)(2 + m) = 0. Qu e sucede si m = 1 y m = 2? Y si m = 2? Y cuando m = 1? (Es interesante que razones conveniente mente las respuestas a todas estas preguntas).
2.2. Operaciones con matrices Un conjunto de m n n umeros reales colocados de forma rectangular en m las y n columnas recibe el nombre de matriz real de dimensi on m n .
Con la notaci on aij signicamos el elemento de la matriz A que ocupa el lugar perteneciente a la la i y a la columna j . De forma abreviada tambi en notaremos A = (aij )i=1...m
j =1...n
Al conjunto de todas las matrices con coecientes reales, con m las y n columnas (dimensi on m n) lo denotaremos por Mmn (R). En general abusaremos del lenguaje y cuando hablemos de matrices entenderemos que sus coecientes son n umeros reales. A las matrices que s olo tienen una la se les llama matrices la. An alogamente a las que tienen s olo una columna se les denomina matrices columna. Dada una matriz A, se denomina traspuesta de A, denot andose t A, a la matriz que se obtiene cambiando en A las las por columnas. Las matrices en las que coincide el n umero de las con el de columnas se denominan matrices cuadradas. Para una matriz cuadrada de dimensi on n n se suele decir que es de orden n. El conjunto de elementos (a11 , a22 , ...., ann ) se denomina diagonal principal. Una matriz cuadrada A se dice que es sim etrica cuando aij = aji para todo i = 1, . . . , m y j = 1, . . . , n. Otros tipos especiales de matrices son: Matriz nula: Aquella en que todos sus elementos son cero.
a11 a21 A= .... a m1
em
De forma gen erica notaremos
at ic
a12 a22 ..... a m2
.M
at
a1 .c o
.... .... .... ....
a1n a2n .... amn
124 0 0 0 0
MATEM ATICAS
O=
es un ejemplo de matriz nula de orden 2.
Matriz diagonal: Cualquier matriz cuadrada en la que los elementos que no est an ubicados en la diagonal principal son ceros. 7 0 0 D = 0 2 0 es un ejemplo de matriz diagonal de orden 3. 0 0 3 Matriz unidad o identidad: Se denomina as a cualquier matriz diagonal en la que todos los elementos pertenecientes a la diagonal principal son iguales a 1. La matriz diagonal de orden n ser a denotada por In . 1 0 0 I3 = 0 1 0 es un ejemplo de matriz identidad de orden 3. 0 0 1 Matriz triangular: Se denomina de esta manera a toda matriz cuadrada en la que los elementos que est an por encima o por debajo de la diagonal principal son iguales a cero. Se dice triangular superior cuando los elementos nulos est an por debajo o triangular inferior si est an por encima. 1 2 3 A = 0 4 5 es un ejemplo de matriz triangular superior de orden tres. 0 0 6
.M
Sean A, B Mmn (R) , es decir, A = (aij )i=1...m y B = (bij )i=1...m . Denimos la matriz suma C = A + B ,
Mas expl citamente podemos expresar a11 + b11 a21 + b21 C =A+B = ............... am1 + bm1 a12 + b12 a22 + b22 ............... ............... .... .... .... .... a1n + b1n a2n + b2n ............... amn + bmn
2.2.2. Propiedades de la Suma (1) A + (B + C ) = (A + B ) + C (propiedad asociativa). (2) A + B = B + A (propiedad conmutativa). (3) A + O = A (Por O indicamos la matriz nula). (4) La matriz A que denominaremos matriz opuesta y que se obtiene cambiando de signo todos los elementos de A, cumple la siguiente propiedad: A + (A) = O .
Estas propiedades dotan a (Mmn , +) de la estructura de grupo abeliano.
j =1...n
como C = (cij )i=1...m donde cij = aij + bij , para todo i = 1...m y j = 1...n.
j =1...n
at
em
j =1...n
2.2.1. Suma de matrices
at ic
a1 .c o
ALGEBRA LINEAL Y GEOMETR IA 2.2.3. Producto de un escalar (numero real) por una matriz Sea A Mmn (R) , A = (aij )i=1...m y R , denimos A = (aij )i=1...m , es decir:
j =1...n j =1...n
125
a11 a21 .... a m1 3 Por ejemplo, 4 5 7
a12 a22 ..... a m2
.... .... .... .... 8 24 . 32
a11 a1n a21 a2n = .... .... amn am1
a12 a22 ..... am2
.... .... .... ....
a1n a2n .... amn
2 12 = 6 20 8 28
Para cualquier , R y A, B Mmn (R), se verican las siguientes propiedades: (1) (A + B ) = A + B . (2) ( + )A = A + B . (3) (A) = ()A.
Sean A, B Mmn (R) , A = (aij )i=1...m y B = (bij )i=1...n . Denimos el producto AB como la nueva matriz
j =1...n j =1...p
C = (cij )i=1...m , tal que cij = ai1 b1j + ai2 b2j + ai3 b3j + ... + ain bnj o en expresi on m as reducida
j =1...p n
2.2.4. Producto de matrices
.M
at
cij =
k=1
em
aik bkj . Obs ervese que para que est e bien denido el producto de matrices, el n umero de columnas de la primera matriz debe coincidir con el n umero de las de la segunda. Ejemplo. En el siguiente producto de matrices, el punto . denota la multiplicaci on en los n umeros reales. 1 3 2 4 5 7 6 8 = 1.5 + 2.7 3.5 + 4.7 1.6 + 2.8 3.6 + 4.8 = 19 43 22 30
at ic
Todas estas propiedades, as como las vistas anteriormente para la suma de matrices, se pueden resumir diciendo que (Mmn , +, .) es un espacio vectorial sobre R (cuerpo de los n umeros reales).
a1 .c o
(4) 1A = A.
2.2.5. Propiedades del producto de matrices (1) A(BC ) = (AB )C . (2) AB = BA en general. Puedes encontrar alg un ejemplo que demuestre esta armaci on?
126
MATEM ATICAS
(3) Si A Mmn (R), AIn = A (donde In representa la matriz identidad de orden n) y tambi en Im A = A. (4) A(B + C ) = AB + AC . De todo lo anterior se deduce que Mn (R) (conjunto de matrices cuadradas de orden n, con coecientes reales) dotado de las operaciones suma y producto de matrices tiene estructura de anillo (no conmutativo) con elemento unidad.
2.2.6. Algunas matrices relevantes: las matrices invertibles Consideremos el anillo (Mn (R), +, .) anteriormente mencionado. Dada la matriz A Mn (R) no siempre existe otra matriz B Mn (R) tal que AB = BA = In (intenta encontrar algunos ejemplos de matrices que ilustren esta armaci on). En los casos en los que existe B se dice que es la matriz inversa de A y la denotaremos por A1 . en regular. Si no la tiene se Una matriz cuadrada A Mn (R) que posea inversa se dice que es invertible o tambi denomina matriz singular.
Intentemos calcular la matriz inversa de la siguiente matriz de orden 2 2:
at
em
1 2 0 1
.M
A=
at ic
0 4 1 2 . 1 0 0 1 .
2.2.7. Un m etodo sencillo para calcular la matriz inversa
Procedemos de la siguiente manera. Ampliamos con la matriz identidad por la derecha 0 4
y seguidamente realizamos operaciones elementales (justo aquellas que fueron mencionadas en el m etodo de Gauss), con las las de la matriz hasta conseguir: 1 0
Lo que resulta a la derecha en el lugar de las anteriores es justo la matriz inversa que busc abamos. Veamos c omo se calcula la inversa para la matriz propuesta en el ejemplo. 0 4 1 2 1 0 0 1 1 (2a la ( )) + 1a la) 2 2 0 1 0 0 2 0 1 1 2 1 2 0 1 2 1 1 2 1
1 4
a1 .c o
2 4
0 2
1 0
1 2 1
(1a la 2)) + 2a la)
(1a f ila 2)) + 2a f ila)
0
1 4
Despu es de los anteriores c alculos y seg un lo expresado al comienzo concluiremos que A 1 = 0 .
ALGEBRA LINEAL Y GEOMETR IA 2.3. Determinantes: denici on, propiedades, reglas de c alculo y aplicaciones
127
Vamos a empezar deniendo el concepto de determinante de una matriz cuadrada de orden n, A = (aij ). Para introducir este concepto hacen falta algunas deniciones preliminares. Dado el conjunto {1, 2, 3, ..., n}, cualquier n-upla ordenada formada por los n elementos de este conjunto diremos que es una permutaci on. Denotaremos por Pn el conjunto de todas las permutaciones de {1, 2, 3, ..., n}. on (o trasposici on), cuando el orden que presentan dos Diremos que una permutaci on Pn tiene una inversi n umeros es el contrario al que tienen los n umeros naturales. Ejemplo. Dado {1, 2, 3} , (1, 3, 2) es una permutaci on que pertenece a P3 . El n umero de permutaciones de P3 es 3! = 6. Son las formadas por (1, 2, 3), (2, 3, 1), (3, 1, 2), (3, 2, 1), (2, 1, 3) y (1, 3, 2). La permutaci on (1, 3, 2) tiene una inversi on (3 antes que 2) y (3, 2, 1) tiene 3 inversiones (3 antes que 2, 3 antes que 1 y 2 antes que 1). Sea Pn , denimos el signo de como s( ) = (1)i() , donde por i( ) indicamos el n umero de inversiones que tiene la permutaci on . Antes de introducir la denici on general de determinante, lo haremos primero para una matriz de orden 3. Consideremos la matriz a11 a12 a13 A = a21 a22 a23 a31 a32 y formemos todos los posibles productos de tres elementos de dicha matriz con las siguientes restricciones:
Permutaci on 123 231 312 321 213 132
.M
(2) Dotaremos de un signo a cada producto que coincidir a con el signo de la permutaci on de P3 formada por los segundos sub ndices de los elementos. Numero de inversiones 0 2 2 3 1 1
at
em
(1) En cada producto s olo puede aparecer un elemento de cada la y uno de cada columna.
at ic
a1 .c o
a33
Producto +a11 a22 a33 +a12 a23 a31 +a13 a21 a32 a13 a22 a31 a12 a21 a33 a11 a23 a32
Llamaremos determinante de A y lo notaremos por det(A) o por |A|, a la suma de todos estos productos. Es decir, |A| = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 a12 a21 a33 a11 a23 a32 . Siguiendo esta misma t ecnica de denici on podemos llegar a denir el concepto de determinante para una matriz gen erica de orden n, A = (aij ). Denimos el determinante de A por la expresi on det(A) =
Pn
(1)s() a1(1) a2(2) ...an(n)
donde por ( (1), (2), ..., (n)) indicamos los sub ndices que representa la permutaci on . Observaci on. En un determinante de orden n aparecen n! sumandos. Como vemos el n umero de sumandos crece r apidamente en relaci on con el orden del determinante. No es por tanto demasiado operativo como m etodo de
128
MATEM ATICAS
c alculo la denici on de determinante que hemos introducido con anterioridad. Procede por tanto que introduzcamos un m etodo m as pr actico que nos facilite el trabajo en el c alculo de determinantes. Dada la matriz A = (aij ), llamaremos menor complementario del elemento aij al determinante de la matriz que resulta de suprimir en A la la i y la columna j . Lo denotaremos por Mij . on Aij = (1)i+j Mij . Llamaremos adjunto de aij a la expresi Ejemplo. Dada la matriz 2 3 4 2 2 3 0 6 4 0 0 2 0 0 0 2 0 0 2 0 0 2 6 0 2 6 0 3 4 2
1 0 A= 0 0 el menor complementario de 4 es M44 = y el del 1 corresponde a M11 =
=0
= 24.
Los adjuntos son A11 = (1)1+1 M11 = 24 y A44 = (1)4+4 M44 = 0.
det(A) = a11 A11 + a21 A21 + ... + an1 An1 . A esta expresi on se llama desarrollo del determinante de la matriz A por los elementos de la primera columna, puesto que son (a11 , a21 , ..., an1 ) los elementos que forman la primera columna de la matriz A. Esta importante propiedad se puede hacer m as gen erica y la expresi on anterior ser a tambi en v alida eligiendo para el desarrollo los elementos de cualquier la o columna del determinante. Por ejemplo para la la i- esima (ai1 , ai2 , ..., ain ) obtendr amos det(A) = ai1 Ai1 + ai2 Ai2 + ... + ain Ain y para la columna j - esima (a1j , a2j , ..., anj ) se tiene det(A) = a1j A1j + a2j A2j + ... + anj Anj . La gran ventaja que presentan estas expresiones es que podemos reducir el c alculo de un determinante de orden n al c alculo de otros (los adjuntos) que tienen el orden disminuido en una unidad (una la y una columna menos). Aplicando sucesivamente este criterio, podremos acabar reduciendo cualquier determinante a c alculos de determinantes de orden 2. Ejemplo. Desarrollando por los elementos de una l nea (la o columna) vamos a calcular el valor del siguiente determinante 1 3 2 6 3 2 1 0 = 2 1 4 5 0 0 4 0
Se puede demostrar sin demasiada dicultad (ver bibliograf a recomendada) que dada una matriz gen erica de orden n, A = (aij ), el determinante viene dado por
.M
at
2.3.1. C alculo del determinante por el desarrollo de los elementos de una la o columna
em
at ic
a1 .c o
129
La primera cuesti on que nos surge es la la o columna que m as nos conviene escoger para el posterior desarrollo. Parece claro para este ejemplo que es la cuarta la y en general debemos escoger aquella que tenga el mayor n umero de elementos iguales a cero. As = (4) 1 3 2 3 2 1 6 0 5 = Desarrollando por la 2a la = 4(3 3 1 6 5 +2 1 2 6 ) = 388. 5
2.3.2. Propiedades de los determinantes Para poder expresar mejor las siguientes propiedades usaremos la notaci on det(A) = det(C1 , C2 , ..., Cn ), donde Ci indica la columna i- esima de la matriz A. (1) Si una columna se multiplica por un escalar el valor del determinante queda multiplicado por : det(C1 , ..., Ci , ..., Cn ) = det(C1 , ..., Ci , ..., Cn )
(3) El determinante de una matriz que tenga dos columnas iguales vale cero: det(C1 , ..., Ci , ..., Ci , ..., Cn ) = 0 (4) det(0n ) = 0 (donde 0n es la matriz de orden n con todos sus elementos iguales a 0), det(In ) = 1.
(6) Si a una columna se le suma una combinaci on lineal de las dem as, el determinante no var a: det(C1 , ..., Cn ) = det(C1 + 2 C2 + 3 C3 + ... + n Cn , C2 , ..., Cn ) (7) Si en una matriz cambiamos las por columnas el valor del determinante no var a: det(A) = det(t A) (8) Si A y B son matrices cuadradas del mismo orden n, det(AB ) = det(A) det(B ). Observaci on. La propiedad (7) demuestra que en todas las propiedades anteriormente enunciadas podemos cambiar las referencias a columnas por las, veric andose igualmente el enunciado resultante. De las propiedades de los determinantes y del desarrollo de los mismos por los elementos de una la o columna, podemos deducir que es posible mediante operaciones elementales entre las las o columnas (seg un las propiedades anteriormente descritas) conseguir poner ceros en el mayor n umero de elementos de la la o columna por la que vayamos a desarrollar, con la nalidad de simplicar considerablemente los c alculos. Ejemplo. Calculemos el valor de = 1 2 6 1 1 3 7 4 2 4 8 5 1 5 . 9 7
det(C1 , ..., Ci , ..., Cj , ..., Cn ) = det(C1 , ..., Cj , ..., Ci , ..., Cn )
.M
(5) Si se intercambian dos columnas el determinante cambia de signo:
at
em
at ic
a1 .c o
(2) det(C1 , ..., Ci + Ci , ..., Cn ) = det(C1 , ..., Ci , ..., Cn ) + det(C1 , ..., Ci , ..., Cn )
130
a a a a
MATEM ATICAS
Restamos la 1 columna a la 2 y a la 4 y tambi en podemos restar a la 3 columna, la 1a columna multiplicada por 2, para obtener nalmente 1 0 0 0 2 1 0 3 . = 6 1 4 3 1 3 3 6 Observa que de la cuarta columna podemos sacar factor com un 3. As tendremos 1 0 0 0 2 1 0 1 . =3 6 1 4 1 1 3 3 2 Desarrollando por los elementos de la primera la obtenemos 1 0 1 = 3 1 4 1 . 3 3 2 Ahora podemos restar la 1a columna a la tercera, para obtener nalmente 1 =3 1 3 y desarrollando por la primera la se tiene 0 0 4 0 3 1
em
=3
4 3
at ic
0 1
a1 .c o
= 12.
2.3.3. Aplicaci on de determinantes al c alculo de la matriz inversa Llamaremos matriz adjunta de A = (aij ) a la matriz A11 A12 Adj (A) = .... A1n
.M
at
A21 A22 ..... A2n
.... .... .... ....
An1 An2 , .... Ann
donde por Aij entendemos el adjunto del elemento aij concepto que ya hemos introducido con anterioridad. olo si det(A) = 0, veric andose la siguiente igualdad Una matriz cuadrada A = (aij ) tiene inversa si y s A 1 = 1 Adj (A). det(A)
Ejemplo. Como ejemplo de que se cumple la expresi on anterior, puedes comprobar que 2 1 1 1 3 2 3 6 2 1 A 1 = 7 3 donde A = 5 0 1 .
3 10 3 6 1 6
5 2
4 3
ALGEBRA LINEAL Y GEOMETR IA 2.3.4. Forma matricial de un sistema de ecuaciones. Regla de Cramer Consideremos el siguiente sistema de ecuaciones a11 X1 + a12 X2 + ... + a1n Xn a21 X1 + a22 X2 + ... + a2n Xn .............................................. am1 X1 + am2 X2 + ... + amn Xn X1 .... a1n X2 .... a2n .... .... ... .... amn Xn
131
= =
b1 b2 ... = bm
Seg un los conceptos y las operaciones introducidas con anterioridad, lo podr amos expresar de la siguiente forma: a11 a21 .... am1 a12 a22 ..... a m2 b1 b2 = ... bn
ltima expresi Esta u on recibe el nombre de forma matricial del sistema de ecuaciones lineales. Cuando el sistema est a formado por n ecuaciones y n inc ognitas y el determinante de la matriz de los coecientes del sistema es distinto de cero, entonces se asegura la existencia de matriz inversa y podemos obtener las soluciones despejando la matriz columna t (X1 X2 . . . Xn ) de la siguiente forma: a11 X1 X2 a21 ... = .... Xn a n1 a12 a22 ..... a n2 .... .... .... .... 1 a1n a2n .... ann b1 b2 ... bn
.M
a11 a21 .... an1
at
Esta expresi on es lo que b asicamente se conoce como regla de Cramer, y los sistemas con el mismo n umero de ecuaciones que de inc ognitas que cumplen la condici on a12 a22 ..... a n2 .... .... .... .... a1n a2n .... ann
em
at ic
a12 a22 ..... a n2 .... .... .... .... a12 a22 ..... a n2 .... .... .... ....
se denominan sistemas de Cramer. La regla de Cramer estamos acostumbrados a verla de otra forma, que resulta de efectuar las operaciones matriciales correspondientes. Si llamamos a11 a21 .... a n1 a1n a2n .... ann
obtendremos las siguientes expresiones: b1 b2 .... bn a11 a21 .... a n1 a1n a2n .... ann a1n a2n .... ann
X1 =
a1 .c o
X2 =
b1 .... b2 .... ..... .... bn ....
m
=0
, ...
132 a11 a21 .... a n1 a12 a22 ..... a n2 .... .... .... .... b1 b2 .... bn
MATEM ATICAS
Xn =
Observaci on. Para obtener el valor correspondiente a la inc ognita Xi , efectuamos el cociente entre el determinante de la matriz resultado de sustituir en la matriz de los coecientes del sistema la columna i- esima por la columna de los t erminos independientes, y el determinante de la matriz de los coecientes. Ejemplos. (1) El sistema 3x + 2y z 2x y + z x 2y + z
= 1 = 1 = 2
es un sistema de Cramer, puesto que la matriz de los coecientes 3 A= 2 1 2 1 1 1 2 1
tiene por determinante |A| = 4. Aplicando la regla de Cramer se tiene: 1 1 2 2 1 1 1 2 1 4 3 2 1 1 1 1 1 2 1 4
at ic
a1 .c o
m
15 , 4 3 2 1 2 1 1 1 2 2 4
(2) El sistema homog eneo
.M
3x + 2y z 2x y + z x 2y + z
at
x=
3 , 4
em
y=
z=
25 4
= 0 = 0 = 0
admite s olo la soluci on trivial x = y = z = 0, ya que la matriz de los coecientes coincide con la del sistema anterior y es por tanto un sistema de Cramer. (3) La regla de Cramer tambi en se puede usar para resolver sistemas de ecuaciones que tengan innitas soluciones. Consideremos el siguiente sistema: 3x + 2y 5z + 6t = 4 2x + y + 3z t = 2 x 3y + 2z + 5t = 0 si pasamos los t erminos en los que aparece la inc ognita t al otro lado del signo igual obtendremos: 3x + 2y 5z 2x + y + 3z x 3y + 2z = 4 6t = 2+t = 5t
Considerando como inc ognitas s olo a x, y, z para cada valor de t obtendr amos un sistema de Cramer, puesto que 3 2 5 2 1 3 1 3 2
=0
ALGEBRA LINEAL Y GEOMETR IA (Comprueba que es cierto lo que armamos). Finalmente obtendr amos aplicando la regla de Cramer 4 6t 2 2+t 1 5t 3 5 3 2 3 2 1 4 6t 5 2+t 3 5t 2
133
x=
5 = 1 t, 3 3 2 1
y=
3 56 + t, 11 33
2 4 6t 1 2+t 3 5t z= Es decir, el conjunto de soluciones viene expresado por S=
1 29 + t. 11 33
3 56 1 29 5 + , + ) : R . (1 , 3 11 33 11 33
2.4. Espacios vectoriales: base y dimensi on Se han estudiado en los ep grafes anteriores algunos conjuntos que con las operaciones denidas sobre ellos, en virtud de las propiedades de las mismas, dec amos que tienen estructura de espacio vectorial. Recordemos por ejemplo el conjunto Mmn (R) que tiene estructura de espacio vectorial sobre R con las operaciones + (suma lgebra de matrices) y . (producto de un escalar por una matriz). Son numerosos e importantes los ejemplos en a en los que se puede observar esta estructura (ver bibliograf a). Todo lo expresado anteriormente se puede generalizar para un conjunto V , a cuyos elementos le llamaremos gen ericamente vectores, denot andolos por u , v , w , .... y con un cuerpo (ver denici on en bibliograf a) gen erico de escalares que denotaremos por K , y a sus elementos con letras griegas , , ... Consideramos denidas en V dos operaciones, una interna: u + v (suma de dos vectores que da otro vector) y otra externa: u (producto de un escalar por un vector que da otro vector). Las propiedades vericadas para todos los vectores de V y todos los escalares de K , que hacen de V con las operaciones anteriormente citadas un espacio vectorial son las siguientes: (1) u + v = v + u. (2) u + ( v + w) = u + ( v + w ). (3) Existe un elemento de V que denotaremos por 0 (elemento neutro) tal que 0 + u = u. (4) Para todo vector u existe u V (elemento opuesto) tal que u + ( u ) = 0 . (5) 1. u = u (1 es el elemento unidad de K). (6) ( u ) = () u. (7) ( + ) u = u + u. (8) ( u + v ) = u + v. Habitualmente en el caso en que el cuerpo sea el conjunto de los n umeros reales, diremos que V es un espacio vectorial real. Ejemplo. El conjunto Rn = {(x1 , x2 , ..., xn ) : xi R con i = 1, ..., n} con las operaciones: (1) (x1 , x2 , ..., xn ) + (y1 , y2 , ..., yn ) = (x1 + y1 , x2 + y2 , ..., xn + yn ) (2) (x1 , x2 , ..., xn ) = (x1 , x2 , ..., xn ) es un espacio vectorial sobre R (Compru ebalo).
.M
at
em
at ic
a1 .c o
134 2.4.1. Vectores y ecuaciones lineales
MATEM ATICAS
Dos importantes conceptos relativos a vectores, las combinaciones lineales y la dependencia lineal, est an estrechamente relacionadas con los sistemas de ecuaciones lineales. , Combinaci on lineal. Un vector v es combinaci on lineal de los vectores v 1 v2 , ..., vn si existen escalares 1 , 2 , ..., n tales que v = 1 v1 + 2 v2 + ... + n vn . , Dependencia lineal. Los vectores v 1 v2 , ..., vn se dice que son linealmente dependientes si existe alguna com binaci on lineal 1 v1 + 2 v2 + ... + n vn = 0 , en la que alguno de los coecientes escalares i es distinto de 0. En el caso en que esto no sea posible los vectores se dicen linealmente independientes. Consideremos el siguiente sistema homog eneo de m ecuaciones con n inc ognitas: a11 X1 + a12 X2 + + a1n Xn = 0 = 0 a21 X1 + a22 X2 + + a2n Xn ............................................... ... am1 X1 + am2 X2 + + amn Xn = 0 Este sistema se puede plantear equivalentemente por la siguiente ecuaci on vectorial: a12 a1n 0 a11 a22 a2n 0 a21 ... X1 + ... X2 + + ... Xn = ... 0 a m1 a m2 amn Esto es,
em
at ic
a1 .c o
Despu es de los conceptos introducidos anteriormente te proponemos que contestes a las siguientes preguntas. , eneo tiene alguna soluci on no nula? Y si tiene s olo la C omo son los vectores v 1 v2 , ..., vn si el sistema homog soluci on nula?
2.4.2. Subespacios vectoriales Dado un espacio vectorial V sobre un cuerpo K decimos que un subconjunto S V es un subespacio vectorial, cuando tiene estructura de espacio vectorial con las operaciones que est an denidas en V . Se puede demostrar que S V es un subespacio vectorial si y s olo si para cualquier par de vectores u , v S y escalares , K se tiene u + v S .
2.4.3. Subespacio engendrado por un conjunto de vectores. Sistema de generadores. Bases y dimensi on de un espacio vectorial , Sea G = { v on de vectores de un espacio vectorial V sobre un cuerpo K . Llamaremos 1 v2 , ..., vn } una colecci subespacio engendrado por G y lo denotaremos por L(G) al conjunto de todas las combinaciones lineales de + vectores de G. Es decir, L(G) = { 1 v 1 2 v 2 + + n vn | 1 , 2 , ..., n K }
+X v X1 1 2 v2 + + Xn vn = 0 ,
a1i a2i donde vi = ... , i = 1, ..., n. ami
.M
at
ALGEBRA LINEAL Y GEOMETR IA Se dice que G es un sistema de vectores generadores de V si L(G) = V .
135
Observaci on. Son especialmente importantes los casos de los espacios vectoriales formados por los vectores libres del plano R2 y del espacio R3 , por la interpretaci on gr aca que los conceptos introducidos anteriormente sugieren. Conceptos que seguro te son familiares, pero es fundamental que los recuerdes ahora, consultando si es necesario la bibliograf a recomendada. En ocasiones es posible eliminar un vector de un sistema generador sin que el subespacio generado se altere. Pero n lineal el vector que eliminemos no puede ser uno cualquiera, sino alguno que se pueda expresar como combinacio de los restantes. La idea de quedarnos con el menor n umero de generadores posible de todo el espacio vectorial es la que nos lleva a introducir el concepto de base. Un sistema de vectores generadores y linealmente independientes de un espacio vectorial recibe el nombre de base. Se puede demostrar que en todo espacio vectorial existe una base. En el espacio vectorial Rn existe una base que distinguimos de las dem as y que llamaremos base can onica, formada por los vectores = (1, 0, 0, ..., 0) e 1 e2 = (0, 1, 0, ..., 0) ... ..................... = (0, 0, ..., 0, 1) e n
Observaciones. Despu es de lo visto anteriormente queda demostrado que la dimensi on del espacio vectorial Rn es n. n Observa que en R (en general en cualquier espacio vectorial de dimensi on n) n vectores lineamente independientes forman una base. An alogamente sucede con n vectores generadores. Nunca puede haber m as de n vectores linealmente independientes ni menos de n vectores generadores. Aunque la dimensi on de Rn est a clara, es muy importante para nosotros establecer alg un m etodo que nos pueda dar la dimensi on de los subespacios generados por vectores de Rn . Supongamos que tenemos el siguiente sistema de vectores de R4 : = (1, 0, 2, 3), = (2, 1, 4, 0), = (3, 1, 1, 2), = (1, 1, 16, 11) u u u u 1 2 3 4 , Queremos calcular dim L({ u on de este subespacio ser a la misma, si sustituimos en 1 u2 , u3 , u4 }). La dimensi el sistema de vectores generadores, cualquier vector por una combinaci on lineal de los vectores generadores en l. Esto se traduce en que podemos hacer operaciones elementales (las que ya la que necesariamente aparezca e hac amos con el m etodo de Gauss y para la resoluci on de los determinantes) sin que la dimensi on var e. Es decir, en nuestro caso particular, poniendo las coordenadas de los vectores como las de una matriz obtenemos: u 1 u2 u 3 u
4
.M
1 2 = 3 1
at
En un espacio vectorial dado V , todas las bases tienen el mismo n umero de elementos, a ese n umero se le llama dimensi on del espacio vectorial, la denotaremos por dim V .
em
at ic
= (1, 1, 0) y = (1, 0, 0) forman una base de R3 . No sucede lo = (1, 1, 1), v v Ejemplo. Los vectores v 1 2 3 = (2, 1, 3), = (1, 5, 3) ya que 3 2 + = = (1, 1, 1), u u u u u 0. mismo con los vectores u 1 2 3 1 2 3
0 2 1 4 1 1 1 16
u 1 u2 = u2 2 u1 u 3 = u3 3 u 1 u 4 = u4 + u 1
1 0 = 0 0
a1 .c o
Puedes comprobar que efectivamente se trata de un sistema de vectores linealmente independientes y generadores.
3 0 = 2 11 3 6 = 7 8
0 2 1 0 1 7 1 16
136 1 0 = 0 3 2 0 u u 4 3 u 1 u2 u 0 2 3 1 0 6 0 7 1 0 0 0
MATEM ATICAS
Como vemos, se puede deducir f acilmente que la dimensi on del subespacio es , dim L({ u 1 u2 , u 3 , u4 }) = dim L({ u1 , u2 , u3 , u4 2 u3 }) = 3.
2.4.4. Rango de una matriz. Teorema de Rouch e-Frobenius Consideremos la matriz A = (aij ) Mmn (R); en ella podemos distinguir m vectores las pertenecientes a Rn y n vectores columna pertenecientes a Rm . Denotemos por Fi , i = 1, 2, ...., m a los vectores la y por Cj , j = 1, 2, ..., n los vectores columna. Enunciamos a continuaci on un resultado fundamental que hace posible la denici on del concepto de rango de la matriz A. Dada la matriz A anteriormente introducida, se tiene que dim L(F1 , F2 , ..., Fm ) = dim L(C1 , C2 , ..., Cn ) y a este n umero se le denomina rango de la matriz A, denot andose por r (A). Ejemplo. Puede comprobarse que la matriz
em
at ic
1 2 1 1 A = 2 1 1 2 0 5 3 4
a1 .c o
2.4.5. Una m etodo para calcular el rango: los orlados Es importante que recuerdes el siguiente m etodo pr actico para calcular el rango de una matriz, llamado a veces m etodo de los orlados. Dada la matriz A = (aij ) Mmn (R), consideramos en ella un menor Mk de orden k. Llamaremos orlado de Mk con la columna i y la la j al determinante obtenido a nadiendo a Mk los elementos de la la j que corresponden en la matriz A a las columnas de Mk y a nadiendo tambi en a su vez los elementos de la columna i que corresponden a las las de Mk y el elemento aji , conservando siempre el orden original que tienen todos los elementos mencionados en la matriz A. Por ejemplo, para la matriz 1 2 1 1 A = 2 1 1 2 0 5 3 4 y dado el menor de orden 2 M2 = 1 2 2 1 ,
el orlado de M2 con la la 3 y la columna 4 es el determinante 1 2 1 2 1 2 . 0 5 4 El m etodo de los orlados consiste en lo siguiente:
.M
at
tiene rango r (A) = 2.
ALGEBRA LINEAL Y GEOMETR IA Tomamos en A un elemento no nulo (menor M1 de orden 1).
137
Se calculan los orlados de M1 hasta que obtengamos uno que sea distinto de cero. (Si todos los orlados valen cero se tiene que r (A) = 1). A partir de este momento sabemos que r (A) 2. Procedemos como antes orlando este menor de orden 2 hasta que obtengamos uno que sea distinto de cero (Si todos los orlados valen cero se tiene r (A) = 2). A partir de este momento sabemos que r (A) 3. Procedemos como antes orlando este menor de orden 3 hasta que obtengamos uno que sea distinto de cero (Si todos los orlados valen cero se tiene r (A) = 3). As sucesivamente hasta obtener el rango de la matriz A.
Tambi en es conveniente que repases las justicaciones te oricas de este m etodo, pudi endolas encontrar en cualquier libro de matem aticas generales (ver bibliograf a recomendada).
2.4.5.1. Teorema de Rouch e-Frobenius Consideremos el siguiente sistema de ecuaciones lineales
La condici on necesaria y suciente para que tenga soluciones (sea compatible) es que el rango de la matriz de los coecientes A coincida con el rango de la matriz ampliada A . Una de las principales aplicaciones de este teorema es la discusi on de un sistema de ecuaciones lineales en funci on de uno o varios par ametros. Por ejemplo, consideremos el siguiente sistema de ecuaciones lineales y discutamos seg un los valores de m. = m1 (m + 2)x + y + z mx + (m 1)y + z = m 1 (m + 1)x + (m + 1)z = m 1 Denotamos por M la matriz de los coecientes del sistema y por M la matriz ampliada, es decir: m+2 1 M = m m1 m+1 0 m+2 1 y M = m 1 m+1 m+1 1 m1 0 1 m1 1 m1 m+1 m1
El sistema es compatible r (M ) = r (M ). Adem as det(M ) = m(m + 1)(m 1) obteni endose lo siguiente: Si m = 0 y m = 1 y m = 1 rango(M ) = 3 = rango(M ) y el sistema es compatible y determinado. (Se deja al lector continuar con la discusi on del sistema, examinando qu e sucede con los rangos r (M ) , r (M ) en los dem as casos).
a11 X1 + a12 X2 + ... + a1n Xn a21 X1 + a22 X2 + ... + a2n Xn .............................................. am1 X1 + am2 X2 + ... + amn Xn
em
at ic
= = b1 b2 ... = bm
.M
at
a1 .c o
138 2.5. Valores y vectores propios de una matriz Consideremos la matriz
MATEM ATICAS
a11 a21 A= ..... a n1 entonces la matriz t a11 a21 tIn A = ..... an1
a12 a22 ..... a n2
... ... ... ...
a1n a2n , ..... ann ... ... ... ... a1n a2n ..... t ann
a12 t a22 ..... an2
se denomina matriz caracter stica de A. Su determinante A (t) = det(tIn A) lo denominaremos polinomio caracter stico. Se tiene que
stico. Teorema de Cayley-Hamilton. Toda matriz es un cero de su polinomio caracter
em
Ejemplo. Sea la matriz
entonces se tiene A (t) = t2 5t 6. Puedes comprobar que efectivamente se cumple A2 5A 6I2 = 0 0 0 0
.M
at
A=
at ic
1 5 2 4 , .
a1 .c o
A (t) = tn (a11 + a22 + ... + ann )tn1 + pn2 tn2 + + p1 t + (1)n det(A).
Dos matrices cuadradas de orden n se dicen semejantes cuando existe una matriz no singular (que tiene inversa) P tal que B = P 1 AP .
stico. Propiedad. Dos matrices semejantes tienen el mismo polinomio caracter

Veamos expl citamente el polinomio caracter stico para una matriz de orden 2 y 3. Si n = 2 entonces: A (t) = t2 (a11 + a22 )t + mientras que si n = 3 se satisface: A (t) = t3 (a11 + a22 + a33 )t2 + (M11 + M22 + M33 )t donde por Mij notamos el menor del elemento de la la i y la columna j . v Para la matriz gen erica A = (aij ) un escalar se denomina valor propio, si existe un vector (columna) no nulo sta relaci para el que A v = v . Todo vector que satisfaga e on se denomina vector propio de A perteneciente al a11 a21 a31 a12 a22 a32 a13 a23 a33 a11 a21 a12 a22
139
valor propio . Es f acil ver que cada m ultiplo k v de un vector propio es a su vez otro vector propio. El conjunto E de todos los vectores propios pertenecientes a es un subespacio de Rn , que se denomina espacio propio de . Propiedad. Sea A Mn (R). Los siguientes enunciados son equivalentes:
(a) es un valor propio de A. (b) La matriz caracter stica tIn A es no singular. (c) es una ra z de A (t).
El espacio propio E ser a el espacio soluci on del sistema homog eneo (In A) X = 0 o bien (A In ) X = 0. Llamaremos multiplicidad algebraica del valor propio a la multiplicidad de como ra z del polinomio caracter stico y denominaremos multiplicidad geom etrica de a la dimensi on de E .
etrica de un valor propio es siempre menor o igual que la multiplicidad algePropiedad. La multiplicidad geom braica.
Ejemplo. Sea la matriz
Propiedad. Una matriz de orden n es diagonalizable si y s olo si tiene n vectores propios linealmente independientes y en ese caso los elementos diagonales de D son los valores propios correspondientes, teni endose adem as que D = P 1 AP , donde P es la matriz cuyas columnas son los vectores propios. En particular esto se cumple cuando tiene n valores propios diferentes.
.M
at
4 A= 2 1 entonces se tiene que
A (t) = det(tI3 A) = t3 11t2 + 39t 45 = (t 3)2 (t 5). Los valores propios soluciones de la ecuaci on caracter stica t3 11t2 + 39t 45 = 0 son 1 = 3 y 2 = 5. Para cada valor propio calculamos las ecuaciones del subespacio propio como sigue: 1 1 1 x 0 E1 : 2 2 2 y = 0 , 1 1 1 z 0 es decir, x + y z = 0, de donde obtenemos dos vectores propios linealmente independientes u = (1, 1, 0) y v = (1, 0, 1). 1 1 1 x 0 E2 : 2 0 2 y = 0 , 1 1 3 z 0
em
at ic
Diremos que una matriz A es diagonalizable si existe una matriz no singular P tal que D = P 1 AP , siendo D una matriz diagonal.
1 1 5 2 , 1 2
a1 .c o
2.6. Diagonalizaci on y formas can onicas de matrices
140 es decir, x + y z 2x 2z x + y 3z
MATEM ATICAS
= = =
0 0 0
xz y 2z
= 0 = 0
de donde obtenemos el vector propio
w = (1, 2, 1).
La matriz A es, por tanto, diagonalizable, ya que tiene tres vectores propios linealmente independientes, obteni endose 3 0 0 1 1 1 P = 1 0 2 y P 1 AP = 0 3 0 . 0 0 5 0 1 1
2.6.1. Potencia n- esima de una matriz diagonalizable Si A es una matriz diagonalizable con P 1 AP = D , despejando tenemos que A = P DP 1 . Si queremos calcular A2 = (P DP 1 )(P DP 1 ) = P D2 P 1 . Algo parecido ocurre con A3 = A2 A = P D2 P 1 P DP 1 = P D3 P 1 . Razonando por inducci on se tiene que An = P Dn P 1 , con la enorme ventaja que supone el reducir el problema al c alculo de la potencia n- esima de una matriz diagonal, que como sabemos se calcula elevando a n todos los elementos de la diagonal principal. Como ejemplicaci on de lo anteriormente expuesto vamos a calcular An con 4 A= 2 1
Para ello tendremos que calcular la matriz inversa de 1 P = 1 0 obteniendo que est a dada por 1 0 1 1 2 , 1 1
.M
at
em
1
1 2
P 1 = 1 2 y por tanto A n = P D n P 1 1 = 1 0 1 0 1
at ic
0 1 2
1 2
1 1 5 2 . 1 2
n 1 0 0 1 0 1 3 3 . 2 0 3n 0 1 1 2 2 2 1 1 1 n 1 0 0 5 2 2 2
2.6.2. Formas can onicas de matrices Llamaremos matriz elemental de Jordan de orden k y valor propio a la matriz Jk () de orden k cuyos elementos son todos cero menos los de la diagonal principal que son iguales a y los que est an inmediatamente
a1 .c o
3 2 1 2
ALGEBRA LINEAL Y GEOMETR IA por encima de la diagonal principal que son iguales a 1. Es decir, J1 () = (), J2 ( ) = 0 1 1 0 1 0 0 , 0 1 , 0 1 0
141
J3 () = 0 0 0 J4 () = 0 0 =
0 0 , 1
Se llama matriz de Jordan a la matriz que se forma yuxtaponiendo matrices elementales Jordan a lo largo de la diagonal principal, y ceros en el resto, es decir a una matriz del estilo Jk1 (1 ) Jk2 (2 ) .. 0 . Jk r ( r ) 0
Ejemplo. Vamos a calcular la forma de Jordan de la matriz A= 0 2 2 4 .
1 = 2 = 2. Puedes comprobar que E1 viene expresado Primero obtenemos A (t) = 2 1 = 0, y de aqu por las ecuaciones x = y . Es decir estar a generado por el vector u = (1, 1). La matriz A no es por tanto 2 diagonalizable. Obs ervese que (A 1 I2 ) = 0 siempre que se tengan dos valores propios iguales. Cogemos ahora un vector del plano que no est e en E1 , por ejemplo f acilmente que 1 2 2 1 (A 1 I2 ) = = 0 2 2 0 v = (1, 0), ya que se puede comprobar 2 2 = w = 0.
La matriz P de cambio de base que conduce a la forma can onica se construye tomando los vectores w y v como columnas respectivas (en este orden), es decir, P = y as se puede comprobar f acilmente que 2 0 1 2 = 2 2 1 0
1
Consideremos n = 2, sabemos que si A tiene dos valores propios 1 y 2 distintos, entonces es diagonalizable. El caso interesante lo tenemos cuando 1 = 2 .
.M
at
rdenes 2 y 3. En lo que sigue vamos a obtener las formas can onicas de Jordan para matrices de o
em
at ic
2 2 1 0
Propiedad. Toda matriz cuadrada es semejante a una matriz de Jordan (real o compleja), que se determina de nica salvo permutaciones de los bloques diagonales de matrices elementales Jordan que la forman. forma u
a1 .c o
0 2 2 4
2 2
1 0
142
MATEM ATICAS
Consideremos ahora el caso n = 3; al igual que en el caso de orden 2, la reexi on que requiere nuestro inter es la encontramos cuando la matriz A no es diagonalizable. Ejemplo. Vamos a calcular la forma can onica de Jordan de la matriz 0 3 1 A = 2 1 1 . 2 1 1 Se tiene que A (t) = 3 22 + 4 + 8 = 0, y de aqu los valores propios son: 1 = 2 (simple) Procediendo como en el ejemplo anterior obtenemos E 1 : 2x 3y z 4y 4z = 0 , = 0 y 2 = 2 (doble)
= (1, 1, 1) u 1
em w w w .M
E 2 :
como base del mismo. Por otro lado
2x + 3y + z 2y 2z
at ic
= 0 = 0
y de aqu observamos que v = (1, 1, 1) ser a una base del mismo. Es claro que la matriz no es diagonalizable, ya que no podemos obtener una base de todo el espacio. Para obtener la forma de Jordan procedemos como sigue. Probamos con E2 es decir x 0 : (A + 2I3 )2 y = 0 , z 0 0 x 0 0 y = 0 = x + y = 0, 0 z 0
8 8 8
8 8 8
que es un subespacio de dimensi on 2, con base = (1, 1, 0) v 1 y = (0, 0, 1). v 2
Como E1 y E2 llenan todo el espacio, podemos elegir ahora una base de manera conveniente para obtener la matriz de Jordan. La forma de elegirla es la siguiente: = (0, 0, 1) (1) Cogemos un vector de E2 que no est e en E2 , por ejemplo u 3 0 1 = (A + 2I ) 0 = 1 (2) Se coge u 2 3 1 1
at
a1 .c o
subespacio de dimensi on 1, del que podemos extraer al vector
143
, (3) La base formada por los vectores { u 1 u2 , u3 } es la que posibilita el cambio de base para obtener la matriz , de Jordan. En otras palabras las columnas de la matriz P son las coordenadas de los vectores u 1 u2 , u3 , obteni endose 1 0 3 1 2 0 0 1 1 0 1 1 0 0 2 1 = 1 1 0 2 1 1 1 1 0 . 2 1 1 0 0 2 1 1 1 1 1 1
2.6.3. Potencia n- esima de una matriz usando la forma can onica de Jordan De forma an aloga a como razon abamos para calcular la potencia n- esima de una matriz diagonalizable, se puede ahora trabajar con una matriz que sea semejante a una forma can onica de Jordan. La idea es la misma, An = P J n P 1 , donde J indica la forma can onica de Jordan a la que reducimos la matriz A. a como sigue: Para calcular An en el ejemplo anterior se proceder
Dejamos para el lector la obtenci on nal de la expresi on 2 0 0
teniendo en cuenta para ello que basta con calcular la potencia n- esima de cada uno de los bloques diagonales, es n 2 1 decir, 2n y , poniendo ceros en el resto. 0 2
2.7. Los espacios eucl deos R2 y R3 . Producto escalar. Normas y distancias. ngulos no se da en un espacio vectorial gen La posibilidad de medir longitudes de segmentos y a erico. Para ngulo entre dos vectores,. . . ) se debe dar la denici introducir estos conceptos (longitud de un vector, a on de un producto escalar (una regla que asocie a cada par de vectores un escalar y que cumpla un serie de propiedades). M as concretemente precisamos a continuaci on la denici on gen erica de espacio eucl deo. Un espacio vectorial real V se dice eucl deo si hay una regla que asigne a cada par de vectores u , v V un n umero real llamado producto escalar de los vectores u y v , que denotaremos por ( u , v ) (tambi en a veces por u . v ), de manera que se cumplan las siguientes propiedades: Sim etrica: ( u , v ) = ( v , u ) para todo u , v V. Distributiva: ( u , ( v + w )) = ( u , v ) + ( u , w ) para todo u , v , w V. ( u , v ) = ( u , v ) para todo u , v V y para todo R.
n 0 0 2 1 , 0 2
.M
at
em
at ic
a1 .c o
0 2 2
n 1 3 1 1 1 = 1 1 1 1
1 0 2 1 0 0 1 1 0
n 1 0 0 2 1 1 1 0 2
1 1 0 1 0 1 1
144 ( u , u ) > 0 para todo u V, u =0 Ejemplos. (1) Rn se puede dotar del siguiente producto escalar (puedes comprobar las propiedades): (x1 , x2 , ..., xn ).(y1 , y2 , ..., yn)= x1 y1 + x2 y2 + .... + xn yn (2) En Rn tambi en se pueden denir otros productos escalares. Por ejemplo, en R2 denimos (x1 , x2 ).(y1 , y2 ) = (x1 , x2 ) 1 1 1 2 (y1 , y2 ).
MATEM ATICAS
Comprueba que cumple todas las propiedades del producto escalar. en podemos denir un producto escalar de la En V3 (espacio vectorial real de los vectores libres de R3 ) tambi siguiente manera: Si consideramos u = (u1 , u2 , u3) y v = (v1 , v2 , v3 ) expresiones de los vectores u y v en la base can onica de V3 , denimos el producto escalar de esos dos vectores como u . v = u1 v1 + u2 v2 + u3 v3 . La norma o longitud de un vector u en un espacio eucl deo de dene como u = u . u. (Obs ervese que u . u tiene sentido debido a la propiedad cuarta del producto escalar). Si consideramos u = on del vector en la base can onica, entonces u1 e1 + u2 e2 + u3 e3 la expresi
ngulo de 90o ) se caracterizan por la condici on neceEn particular, dos vectores ortogonales u y v (forman un a saria y suciente u . v = 0. Ejemplo. Dados los vectores u = (1, 2, p) y v = (4, p, 3), qu e valor tendr a que tener el par ametro p para que fueran ortogonales? Parece claro que seg un lo dicho anteriormente la condici on es que u . v = 0 y de aqu deducimos que deber ser p = 4.
2.7.1. Sistemas de vectores ortogonales y ortonormales as vectores Un conjunto S de vectores de V3 se dice ortogonal si cualquier vector de S es ortogonal a todos los dem del conjunto. Por ejemplo, los vectores u = (2, 1, 1), v = (1, 4, 2) y w = (2, 1, 3) forman un sistema ortogonal. Una propiedad muy importante para este tipo de conjuntos es la siguiente: Sean u , v y w vectores no nulos ortogonales de V3 , entonces son linealmente independientes. Un conjunto ortogonal de vectores S se dice que es ortonormal cuando todos los vectores del conjunto tienen norma igual a 1.
ngulo que forman dos vectores a determinado por cos( u , v)= El a u , v V3 est
.M
u =
at
em
at ic
2 2 u2 1 + u2 + u3 .
a1 .c o
u . v . | u || v|
145
Especial importancia tienen las llamadas bases ortonormales de V3 en las cuestiones relativas a curvas en R3 , que desarrollaremos posteriormente en el Cap tulo 6. Distancia entre dos puntos. Dados dos puntos de R3 , A(a1 , a2 , a3 ) y B (b1 , b2 , b3 ), se dene la distancia entre ellos como la norma del vector AB , es decir, d(A, B ) = AB = ya que AB = (b1 a1 , b2 a2 , b3 a3 ). Ejemplo. Como un sencillo ejercicio de la denici on de distancia entre dos puntos, puedes comprobar que el tri angulo ABC , con A(3, 1, 2), B (0, 4, 2) y C (3, 2, 1) es is osceles. (b1 a1 )2 + (b2 a2 )2 + (b3 a3 )2
2.8. Producto vectorial y producto mixto (o triple) u y v y lo denotaremos por u v al vector libre que tiene Sean u , v V3 . Se llama producto vectorial de las siguientes propiedades: (1) | u v | = | u | | v | sen( u , v)
(2) La direcci on del vector u v es la perpendicular a las direcciones de los vectores u y v. (3) El sentido del vector u v es el indicado por la siguiente regla pr actica: colocamos la mano derecha con el dedo coraz on en posici on perpendicular a los dedos pulgar e ndice, de tal forma que el dedo pulgar indique el sentido del vector u y el dedo ndice indique el sentido del vector v . Entonces el dedo coraz on indica el sentido del vector u v .
Figura 5.1: Regla del sacacorchos para determinar el sentido del producto vectorial.
2.8.1. Propiedades del producto vectorial (1) u v = ( v u ). (2) Si u y v tienen la misma direcci on entonces u v = 0. (3) u v = ( u v ). u v = ( u v ) . (4) u ( v + w) = u v + u w.
.M
at
em
at ic
a1 .c o
146 2.8.2. Area de un paralelogramo
MATEM ATICAS
Consideremos el paralelogramo formado por los puntos A, B, C, D R3 , de forma que AB y DC son paralelos y representantes del mismo vector libre u , y an alogamente BC y AD son paralelos y representan al mismo vector libre v . En estas condiciones no es demasiado complicado demostrar (ver bibliograf a recomendada) que el a rea del paralelogramo viene expresada por | u v |. A C
h 0 B
Figura 5.2: El producto vectorial de los vectores OA y OB permite obtener el area del paralelogramo OBCA.
u v =
e 1 u1 v1
e 2 u2 v2
e 3 u3 v3
at
em
u2 v2
onica u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) , Dados los vectores u , v V3 , con coordenadas en la base can las coordenadas en esa misma base del vector u v vienen expresadas por el desarrollo formal del siguiente , determinante, en donde e onica de V3 : 1 e2 , e3 representan a los vectores de la base can
at ic
a1 .c o
2.8.3. Expresi on del producto vectorial en coordenadas cartesianas
m
u1 v1
u3 v3
u3 v3
u1 v1
u2 v2
.M
Ejemplo. Si u = (2, 1, 3) y v = (1, 3, 5), entonces u v = (14, 7, 7). Sean u , v , w V3 , denimos el producto mixto como la siguiente expresi on: [ u , v , w] = u .( v w)
Dados los vectores u , v y w V3 , con coordenadas en la base can onica u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) y w = (w1 , w2 , w3 ) el valor del producto mixto de los tres vectores viene expresado por: u .( v w) = u1 v1 w1 u2 v2 w2 u3 v3 w3
2.8.4. Propiedades del producto mixto Si u , v y w son tres vectores de V3 y R, se tiene: (1) [ u , v , w ] = [ w, u , v ] = [ v , w, u ] = [ u , w, v ] = [ w, v , u ].
ALGEBRA LINEAL Y GEOMETR IA (2) [ u , v , w ] = [ u , v , w ] = [ u , v , w ] = [ u , v , w].
147
, + u endose tambi en la propiedad distributiva para las (3) [ u 1 2 v , w ] = [ u1 , v , w ] + [ u2 , v , w ] , cumpli otras dos variables. (4) [ u , v , w ] = 0 si y s olo si los vectores u , v y w son linealmente independientes.
2.8.5. Volumen de un paralep pedo u , v y w determinan un paralep pedo de v ertices O , A, B , Tres vectores de V3 linealmente independientes C , D, E , F , G, de forma que OA, CF , ED y CF son vectores que representen a la clase del vector libre u. An alogamente OC, AF , GD, BE para v y OB, AG, F D, CE para w . En estas condiciones se puede probar que [ u , v , w ] determina el volumen del mencionado paralep pedo.
.M
at
em
A
2.9. C onicas en R2 y cu adricas en R3 Un doble cono recto es la gura que genera una recta r al girar alrededor de otra recta s que la corta. La recta s se denomina eje del cono, y las distintas posiciones de r generatrices del cono. El punto de intersecci on del eje con las generatrices se denomina v ertice del cono (ver Figura 5.4). Toda gura que se obtiene como intersecci on de un doble cono recto y un plano se denomina c onica. Seg un las distintas posiciones del plano las c onicas se llaman de forma diferente: Si el plano es perpendicular al eje del cono y no pasa por el v ertice, obtenemos una circunferencia. Si el plano pasa por el v ertice se obtiene un punto. ngulo superior al que forman el eje Si el plano no es perpendicular al eje del cono y forman entre ellos un a del cono con cualquiera de las generatrices, obtenemos una elipse. Si el plano pasa por el v ertice se obtiene un punto (ver Figura 5.5). Si el plano es paralelo a alguna de las generatrices obtenemos una par abola, excepto cuando el plano pasa por el v ertice que en cuyo caso se obtiene una recta (ver Figura 5.6).
Figura 5.3: El producto mixto de OA, OB y OC permite hallar el volumen del paralelep pedo que determinan.
at ic
a1 .c o
148
MATEM ATICAS
Los casos excepcionales que aparecen descritos con anterioridad se llaman c onicas degeneradas.
2.9.1. Ecuaci on general de una c onica Una ecuaci on de la forma Ax2 + By 2 + Cxy + Dx + Ey + F = 0 donde A, B, C, D, E, F R se denomina ecuaci on general de una c onica. Todas las secciones c onicas anteriormente descritas verican formas particulares de esta ecuaci on. Rec procamente la ecuaci on describe, salvo algunos casos particulares, s olo secciones c onicas. Si la escribimos en la forma a11 x2 + 2a12 xy + a22 y 2 + 2a1 x + 2a2 y + a0 = 0 tiene la ventaja de poder encontrar f acilmente la siguiente forma matricial de la ecuaci on: x y 1 a11 a12 a1 a12 a22 a2 a1 x a2 y = 0 a0 1
ngulo que forman el plano y el eje es inferior al que forma el eje y las generatrices, obtenemos Cuando el a una hip erbola, excepto cuando el plano pasa por el v ertice que obtendremos dos rectas que se cortan (ver Figura 5.7).
.M
at
em
at ic
situado en el origen de coordenadas. Figura 5.4: Doble cono cuyo vertice esta
a1 .c o
149
de un cono y un plano. Figura 5.5: Una elipse como interseccion
de un cono y un plano. Figura 5.6: Una parabola como interseccion
La matriz
.M
at
em
a11 a12 a1 se denomina matriz asociada a la c onica. Ejemplo. La ecuaci on 2x2 + 2y 2 4x + 6y + 3 = 0 expresada en forma matricial como x y 1 2 0 2 0 2 x 2 3 y = 0, 3 3 1
7 2
at ic
a12 a22 a2 a1 a2 a0
a1 .c o
3 ) y radio R = representa una circunferencia de centro C (1, 2
150
MATEM ATICAS
de un cono y un plano. Figura 5.7: Una hiperbola como interseccion
2.9.2. Cu adricas en R3
Elipsoide:
x2 y2 z2 + 2 + 2 = 1. 2 a b c
Paraboloide: x2 + y 2 = a2 z . Hiperboloide de una hoja: x2 y2 z2 + = 1. a2 b2 c2
Figura 5.8: Un elipsoide en 3 .
Esfera: x2 + y 2 + z 2 = R2 .
.M
at
em
Eligiendo de forma adecuada los ejes coordenados las ecuaciones de las mencionadas supercies satisfacen ecuaciones bastante sencillas:
at ic
a1 .c o
Por rotaci on en torno a un eje de las secciones c onicas circunferencia, elipse, par abola e hip erbola se obtienen supercies de revoluci on en R3 , llamadas respectivamente supercie esf erica, elipsoide, paraboloide e hiperboloide.
151
Figura 5.9: Un paraboloide en 3 .
An alogamente a como hac amos con las c onicas se puede plantear la cuesti on de identicar las guras geom etricas que describe una ecuaci on como la anterior. Las llamaremos supercies cu adricas. Si expresamos la ecuaci on general de las cu adricas de la siguiente forma: a11 x2 + 2a12 xy + a22 y 2 + 2a13 xz + 2a23 yz + a33 z 2 + 2a1 x + 2a2 y + 2a3 z + a0 = 0 tenemos la ventaja de poder traducirla f acilmente a forma matricial: x a11 a12 a13 x y z a12 a22 a23 y + 2 a1 a13 a23 a33 z a2 a3 x y + a0 = 0 z
Ejemplo. La ecuaci on 7x2 + 6y 2 + 5z 2 4xy 4yz + 14x 8y + 10z + 6 = 0, que en forma matricial se expresa como 7 2 0 x x x y z 2 6 2 y + 2 7 4 5 y + 6 = 0 0 2 5 z z mediante un giro y una traslaci on convenientes se puede convertir en la ecuaci on del elipsoide de revoluci on y2 z2 x2 + + = 1. 1 2 2/3
donde A, B, C, D, E, F, G, H, I, K R.
.M
Sin embargo la situaci on cambia considerablemente si se somete la supercie a un movimiento (traslaci on, giro,...) y aparecen ecuaciones m as complicadas en sus expresiones. La forma general de todas estas ecuaciones es la siguiente: Ax2 + By 2 + Cz 2 + Dxy + Exz + F yz + Gx + Hy + Iz + K = 0,
at
em
at ic
a1 .c o
152
MATEM ATICAS
Figura 5.10: Hiperboloides de una hoja y de dos hojas.
2.10. Coordenadas polares, cil ndricas y esf ericas
Un punto P de R2 queda totalmente determinado por la distancia de dicho punto al origen de coordenadas O , ngulo que forma la recta OP con el eje OX (contado en el sentido positivo). Al par que notaremos por y el a ordenado de n umeros (, ) se le llaman coordenadas polares del punto P .
2.10.1. Coordenadas polares
.M
at
em
at ic
P x
Figura 5.11: Sistema de coordenadas polares en el plano.
a1 .c o
ALGEBRA LINEAL Y GEOMETR IA 2.10.2. Relaci on entre coordenadas polares y cartesianas rectangulares
153
Sean (x, y ) las coordenadas rectangulares y (, ) las coordenadas polares. Entonces las relaciones entre ellas son las siguientes: x y y despejando y se tiene tan = = y x x2 + y 2 = cos = sen
2.10.3. Coordenadas cil ndricas on ortogonal sobre el plano XY . En dicho plano Consideramos el punto P (x, y, z ) de R3 y P (x, y, 0) su proyecci el punto P est a totalmente determinado por sus coordenadas polares (, ), en consecuencia el punto P estar a ahora totalmente determinado por (, ) y por el valor de la coordenada z . A la terna de n umeros reales (, , z ), se le llama coordenadas cil ndricas de P .
z
.M
at
em
at ic
z P z
a1 .c o
r
0 P
x
Figura 5.12: Sistema de coordenadas cil ndricas en el espacio.
Las relaciones entre coordenadas cil ndricas y cartesianas rectangulares son las ya conocidas para las coordenadas polares en el plano. Ejemplo. Consideremos la supercie dada por su ecuaci on en coordenadas cil ndricas r2 + z 2 = c2 , donde c 2 2 es una constante. La transformaci on a coordenadas rectangulares es x + y + z 2 = c2 , que como sabemos representa a una esfera.
154 2.10.4. Coordenadas esf ericas
MATEM ATICAS
e situado en el eje OZ . P est a totalmente deteminado por la longitud Consideremos P un punto de R3 que no est ngulo que forma el plano determinado por OZ y P con el plano OXZ y el a ngulo que forma la de OP, el a recta OP con el eje OZ . La terna de n umeros ( , , ) se llaman coordenadas esf ericas de P respecto al sistema de referencia polar formado por el polo O , el plano polar OXZ y el eje polar OZ . Obs ervese que puede tomar todos los valores reales positivos, [0, 2 ) y (0, ).
z P
Si consideramos el punto P (x, y, z ) , se tienen las siguientes igualdades: x y z = sen cos = sen sen = cos
Y despejando de estas expresiones las coordenadas esf ericas en funci on de las cartesianas obtenemos: tan tan = = = y x x2 + y 2 z x2 + y 2 + z 2
Ejemplo. Consideremos la supercie de ecuaci on en coordenadas polares sen (cos 3 sen ) + cos = 0. Dividiendo por cos y usando las anteriores relaciones obtendremos x2 + y 2 z x x2 + y2 3 y x2 + y2 +1=0
y simplicando se tiene nalmente x 3y + z = 0 que como sabemos expresa la ecuaci on de un plano que pasa por el origen de coordenadas.
2.10.5. Relaci on entre coordenadas esf ericas y cartesianas rectangulares
.M
at
em
Figura 5.13: Sistema de coordenadas esfericas en el espacio.
at ic
a1 .c o
ALGEBRA LINEAL Y GEOMETR IA 2.11. Aplicaciones lineales
155
Sean V y W espacios vectoriales sobre el cuerpo K. Una aplicaci on f : V W se dice lineal si cumple las siguientes propiedades: (1) f ( u + v ) = f ( u ) + f ( v ) para todo u , v V (2) f ( u ) = f ( u ) para todo u V y para todo K. Cuando f es una aplicaci on lineal biyectiva diremos que es un isomorsmo. Si es inyectiva le llamaremos monomorsmo y si es sobreyectiva diremos que es un epimorsmo. on f : Rm Rn denida por Ejemplo. Si consideramos la matriz A Mmn (R) la aplicaci x1 x2 f ((x1 , x2 , ..., xn )) = A ... xn es lineal. Habitualmente se le denomina aplicaci on lineal asociada a la matriz A. Observaci on. Consideremos la aplicaci on lineal f : V W , se verica: (1) f ( 0 ) = 0 . (2) f ( u ) = f ( u ) para todo u V.
Consideremos la aplicaci on lineal f : V W , denominaremos nucleo de f al conjunto de vectores de V cuya imagen por f es el vector 0 de W . Es decir,
.M
Ker f =
Denominaremos im agen de f al siguiente conjunto: Im f = { f ( u )| u V} Se verican las siguientes propiedades: (1) Ker f es un subespacio de V y an alogamente Im f es un subespacio de W . , (2) Si v 1 v2 , ..., vn es una base de V , se tiene que f ( v1 ), f ( v2 ), ..., f ( vn ) es un sistema de generadores de Im f. (3) dim(Ker f ) + dim(Im f ) = dim V (4) La aplicaci on lineal f es monomorsmo si y s olo si Ker f = { 0 }
2.11.2. Matriz asociada a una aplicaci on lineal a una aplicaci on lineal asociada De manera an aloga a como vimos que dada una matriz A Mmn (R) surg f : Rm Rn , podemos pensar rec procamente si dada una aplicaci on lineal existe una matriz asociada. Puesto
at
2.11.1. Nucleo e imagen de una aplicaci on lineal
em
u V | f ( u)= 0
at ic
a1 .c o
156
MATEM ATICAS
que todo espacio vectorial posee una base, un aplicaci on lineal f : V W estar a un vocamente determinada por las im agenes de los elementos de la base. En el caso en que tratemos con espacios vectoriales de dimensi on nita, se puede dar una importante relaci on entre las aplicaciones lineales y las matrices. Supongamos que dim V = m y dim W = n , considerando bases de los respectivos espacios vectoriales formadas por los vectores , BV = { v on en la base BW de los 1 v2 , ..., vn } V y BW = {w1 , w2 , ..., wm } W . Consideremos la expresi vectores f (v1 ), f ( v2 ), ..., f (vn ) , es decir, ) = f ( v 1 11 w1 + 21 w2 + + m1 wm ) = f ( v 2 12 w1 + 22 w2 + + m2 wm ... ............................................ + f (vm ) = 1m w 1 2m w2 + + mm wm Estas igualdades las podemos escribir en notaci on m as abreviada como ) = f ( v j Despu es de esto diremos que la matriz 11 21 A= .... m1 es la matriz de f con respecto a las bases BV y BW . 12 22 ..... m2 .... .... .... .... 1n 2n .... mn
m i=1
, ij w i
j = 1, 2, ..., n.
u ) = (x + y, 2(x + y ), 3x y ) para cualquier Ejemplo. (1) Consideremos la aplicaci on f : R2 R3 dada por f ( 2 acilmente que la matriz asociada a f con respecto a las bases can onicas u = (x, y ) R . Puedes comprobar f ser a 1 1 A= 2 2 3 1 ngulo en el plano alrededor del origen en sentido positivo) es una aplicaci (2) Una rotaci on R (rotaci on de a on lineal R : R2 R2 , que tiene como matriz asociada cos sen sen cos .
.M
at
em
at ic
a1 .c o
Parece claro que la expresi on de la matriz asociada a una aplicaci on lineal cambia si cambiamos las bases que prejamos en los dos espacios vectoriales. Pero sabr amos encontrar una relaci on entre dos matrices asociadas a una misma aplicaci on lineal, aunque referidas a bases distintas? Te introduciremos en esta cuesti on con un ejemplo. Supongamos que una aplicaci on lineal f : R2 R2 tiene asociada en la base can onica la matriz 6 2 A= 6 1 = (2, 3). La matriz cambio = (1, 2), u y queremos encontrar la expresi on de la matriz asociada a f en la base u 1 2 de base (ver bibliograf a recomendada) viene expresada por C= 1 2 2 3 .
157
Esto te recordamos que quiere decir que considerados como vectores columna, por ejemplo el vector v = t (2, 5) expresado en la base can onica, tiene como coordenadas en la nueva base, el resultado de efectuar 1 2 2 3
1
2 5
3 2 2 1
2 5
4 1
, a dada por De esta forma la matriz de la aplicaci on lineal f expresada en la base { u 1 u2 } vendr A = 1 2 2 3
1
6 6
2 1
1 2
2 3
2 0
0 3
Intenta razonar por qu e (consulta la bibliograf a recomendada).
3.
DE LOS CONOCIMIENTOS ACTIVIDADES DE APLICACION
A.5.1. Utilizar el m etodo de Gauss en los siguientes sistemas: 2x + y 4z x + 5y z 2x 4y z = 14 = 1 = 13 x y z 5x + 5y z 2x 4y + 5z = 2 = 1 = 13 3x + 2y 5z + 6t 2x + y + 3z t x 3y + 2z + 5t = 4 = 2 = 0
A.5.2. Considerar las siguientes matrices: A= 1 4 2 5 3 6 ,B = 1 0
A.5.3. Calcular AB y BA (cuando sea posible) siendo A y B las siguientes matrices: (a) A = 1 3 2 1 yB= 2 3 0 4 2 6 1 2 5 3 4 0 1 0 6 3 5 1 1 2 2
2 (b) A = 1 3 (c) A = 2 4
1 0 yB= 4
3 1 2 5
2 yB= 1 4
A.5.4. Resolver la siguiente ecuaci on matricial (X A)B = C , donde B es una matriz invertible. A.5.5. Encontrar todas las matrices M de la forma M = A.5.6. Determinar las matrices A y B , tales que 3A 2B 2A + 7B = = 2 3 4 1 6 2 4 5 x x y t que conmutan con la matriz A = 1 0 1 1 .
y calcular A + B ; C + D ; 3A 5B ; 2C 3D .
.M
1 2 3 5
em
at ic
1 4 2 3 5 6
a1 .c o
at
,C =
,D =
3 7
0 1
2 8
158
MATEM ATICAS
A.5.7. Para completar la idea del m etodo que sugerimos en el texto para calcular la matriz inversa sin usar determinantes, responder a las siguientes cuestiones: (a) Explicar las razones en las que se basa el m etodo descrito anteriormente para calcular la matriz inversa. rdenes superiores a dos. Por ejemplo demostrar que (b) Apl carlo en el c alculo de matrices inversas de o 1 5 1 1 3 2 0 1 = 4 3
2 3 7 3 10 3
1 6
1 6 1 6
1 2 3 2 5 2
A.5.8. Determinar usando determinantes si las siguientes matrices son invertibles y calcular su inversa en el caso de que exista: 1 2 4 1 3 4 3 5 A= , B = 1 1 C= 1 5 5 , 1 . 2 3 2 7 3 3 13 6 A.5.9. Calcular An para las siguientes matrices: a 2 0 a a A= 0 0 0 0 b 0 , 0 c 0 a A= 0 0 0 0 b a 0
A=
A.5.11. Demostrar usando la Regla de Sarrus que 1 2 5 4 0 2 1 5 9 1 0 0 0 2 3 4 2 2 3 0 6 4 0 0 2
Permutaciones 12 21
em
No de inversiones
at ic
A.5.10. A continuaci on se propone completar el siguiente cuadro hasta obtener el determinante de una matriz a11 a12 . 2 2, A = a21 a22 Producto
.M
= 178
at
a1 .c o
= 24
A.5.12. Calcular los determinantes propuestos en el ejercicio anterior, pero desarrollando esta vez por los elementos de sus las o columnas. A.5.13. Responder a las siguientes cuestiones: (a) C omo se puede calcular el determinante de una matriz triangular superior? Y de una inferior? (b) Si A es una matriz con det(A) = 5 Cuanto vale det(A1 )? (Indicaci on: AA1 = In , aplicar despu es la propiedad (8) de los determinantes). A.5.14. Calcular los siguientes determinantes: 1 x 1 y 1 z x2 y2 z2 t+3 1 5 t3 6 6 1 1 t+4 5 4 2 1 2 5 1 2 5 7 3 9 1 2 1 4
= (1, 1, 1), = (1, 2, 3) y = (2, 1, 1). Escribir el vector A.5.15. Consideremos los vectores de R3 , u u u 1 2 3 u = (1, 2, 5) como combinaci on lineal de los anteriores.
159
= (1, 1, 1), = (2, 1, 3), = (1, 5, 3) son linealmente dependientes A.5.16. Determinar si los vectores u u u 1 2 3 o independientes. A.5.17. Demostrar que cualquier conjunto de vectores que contenga el vector 0 es linealmente dependiente. A.5.18. Determinar si los siguientes vectores son linealmente independientes y en caso de no serlo expresar uno de ellos como combinaci on lineal de los otros: = (3, 2, 5). (a) u = (1, 0, 1), u = (1, 2, 3), u = (1, 1, 1), = (0, 1, 1). = (1, 0, 1), u u (b) u 1 2 3
1 2 3
A.5.19. Determinar a y b para que los siguientes vectores sean linealmente dependientes: = (1, 0, 2, 4), = (1, 3, a, b) = (3, 2, 1, 3), u u u 1 2 3 A.5.20. Estudiar para qu e valores de los par ametros a y b son compatibles los siguientes sistemas y resolverlos cuando sea posible: = 2x x + 2y + 2z = 2 ax y + z ax + y + z = 1 2x y + 3z = 2 x + 2ay az = y x + ay + z = b 5x y + az = 6 x + ay z = 0 x + y + az = b2 A.5.21. Determinar si son o no diagonalizables cada una de las siguientes matrices, y en el caso en que lo sean calcular la potencia n- esima:
4 1 1 (e) 2 5 2 , 1 1 2 3 1 1 (f) 7 5 1 , 6 6 2 1 2 3 (g) 0 2 3 . 0 0 3
A.5.22. Estudiar la posibilidad de diagonalizar la matriz a 1 1 0 1 3 0 2 2 seg un los distintos valores del par ametro a. A.5.23. Determinar los valores de xn e yn , para todo n xn+1 yn+1 y que x0 = 1 e y0 = 2. = = 0, sabiendo que 2xn + 4yn 3xn + yn
(d)
2 3
4 1
.M
at
(c)
2 1
5 2
em
at ic
(b)
5 4
1 1
a1 .c o
(a)
4 3
2 1
160 A.5.24. Calcular la forma de Jordan de las matrices 1 A= 0 1 2 3 1 1 1 2 0 1 1 B= 1 0 1 1 1 2
MATEM ATICAS
indicando la matriz P de cambio de base. A.5.25. Estudiar si la matriz 0 0 2
0 A= 1 0 es diagonalizable. A.5.26. Dada la matriz
1 0 0
a 1 1 A= 1 a 1 1 1 a
estudiar para que valores de a es diagonalizable.
u . v = (u1 u2 )(v1 v2 ) + u2 v2 + a3 b3 , u = A.5.28. Demostrar que el producto denido en V3 por (u1 , u2 , u3 ) y v = (v1 , v2 , v3 ) es un producto escalar. Cu anto vale u con este producto? A.5.29. Sabiendo que ABCD es un cuadrado, con A(2, 0, 2), B (1, 1, 0) y C (0, y, z ), hallar las coordenadas que faltan en C . A.5.30. Sea ABCDA B C D un paralep pedo. Sabiendo que A(0, 1, 1), B (2, 1, 0), C (1, 1, 3) y A (2, 0, 1), hallar los v ertices restantes y el volumen del mencionado paralep pedo. A.5.31. Qu e tipo de c onica representan las siguientes ecuaciones? x2 + y 2 4x + 2y 4 = 0; 4x2 + 9y 2 8x + 36y 104 = 0.
A.5.32. Qu e tipo de cu adrica representan las siguientes ecuaciones? x2 + y 2 + z 2 2x 4y 2z + 2 = 0; 4x2 + y 2 + 4z 2 8x 8y 8z + 11 = 0.
A.5.33. Consideremos la aplicaci on f : R3 R3 dada por las expresiones referidas a coordenadas en la base can onica f (x, y, z ) = (x + y, z, y z ) . Se pide: (a) Demostrar que es una aplicaci on lineal y encontrar la matriz asociada en la base can onica. = (b) Cu al es la expresi on de la matriz asociada en la base formada por los vectores u1 = (1, 0, 1), u 2 (0, 1, 1), u = (1, 0, 0)?
3
.M
(D + 6)y1 + 3y2 14y3 (b) 4y1 + (D 3)y2 + 8y3 2y1 + y2 + (D 5)y3
= 0 = 0 = sen t
at
em
at ic
(a)
2(D 2)y1 + (D 1)y2 (D + 3)y1 + y2
= ex = 0
a1 .c o
A.5.27. Resolver los siguientes sistemas de ecuaciones diferenciales:
ALGEBRA LINEAL Y GEOMETR IA 4. ACTIVIDADES PRACTICAS DEL CAPITULO
161
4.1. Introducci on on 4.05, de Soft La pr actica se va a realizar con el programa de c alculo matem atico DERIVE for Windows, versi Warehouse. DERIVE for Windows permite realizar c alculos y manipulaciones matem aticas de car acter general, lo cual signica que realiza muchas cosas de forma aceptable aunque no tiene la potencia de otros programas espec cos. No obstante, DERIVE for Windows permite realizar todos los c alculos que un usuario medio puede necesitar. Antes de comenzar la pr actica ser a conveniente que recordemos brevemente la botonera de DERIVE for Windows (ver Figura 5.14), ya que simplica enormemente la introducci on de datos y la realizaci on de c alculos. Los botones permiten realizar las siguientes tareas (de izquierda a derecha): New (abrir una nueva hoja de trabajo), Open (abrir una hoja de trabajo existente), Save (guardar la sesi on de trabajo), Print (imprimir la sesi on de tra ltima expresi bajo), Remove (eliminar la expresi on marcada), Unremove (recuperar la u on eliminada), Renumber (renumerar las expresiones), Author expression (introducir una expresi on sencilla), Author vector (introducir un vector), Author matrix (introducir una matriz), Simplify (simplicar), Approximate (calcular un valor aproximado), Solve (resolver algebraicamente o num ericamente una expresi on), Substitute for variables (realizar una sustituci on), Calculate limit (calcular un l mite), Calculate derivative (calcular una derivada), Calculate integral (calcular una integral), Calculate sum (calcular una suma), Calculate product (calcular un producto), 2D-plot window (realizar un gr aco bidimensional) y 3D-plot window (realizar un gr aco tridimensional).
En esta pr actica vamos a manipular vectores y matrices de cualquier orden, resolver sistemas de ecuaciones lineales, operar matrices (c alculo de la matriz inversa, suma, producto) y calcular los valores y vectores propios de una matriz. Por tanto, debemos saber en primer lugar c omo introducir estos datos en el programa. Aunque algunas aplicaciones funcionan sin cargar ning un paquete adicional, es conveniente que para esta pr actica se cargue la utilidad VECTOR.MTH mediante las opciones File|Load|Utility.
4.2. Introducci on de vectores y matrices Para introducir un vector en DERIVE for Windows tenemos dos formas: particular y general. La forma particular se obtiene seleccionando las opciones Author|Vector y nos aparece la ventana de la Figura 5.15, demand andonos la dimensi on del vector. Una vez introducida dicha dimensi on (por ejemplo, 4) nos aparece una nueva ventana (ver Figura 5.16) para que vayamos introduciendo los elementos del vector. La forma general consiste en seleccionar las opciones Author|Expression e introducir un vector en la forma [x1,x2,...,xn], donde xi son los diferentes elementos del vector. Por ejemplo, el vector (2, 1, 3) se introducir a como [2,1,-3]; debemos notar que los vectores deben estar delimitados por los corchetes [] y no por los par entesis () o las llaves {}. An alogamente, podemos introducir una matriz de dos formas distintas. La forma particular consiste en seleccionar las opciones Author|Matrix y nos aparece la ventana de la Figura 5.17 donde debemos indicar el n umero de
Figura 5.14: El uso de la botonera de DERIVE for Windows nos puede simplicar mucho el trabajo. Otro elemento interesante es la existencia de teclas calientes que nos permiten evitar los menus, con lo que se gana en rapidez.
.M
at
em
at ic
a1 .c o
162
MATEM ATICAS
de un vector. Figura 5.15: Ventana para introducir la dimension
Figura 5.17: Ventana para introducir las dimensiones de una matriz.
La forma general consiste, como antes, en seleccionar las opciones Author|Expression e introducir la matriz en la forma [f1,f2,...,fm], donde cada fi es una la de la matriz. Por ejemplo, la matriz de orden 3 3 siguiente 1 2 3 1 4 9 1 8 27 se introducir a como sigue: [[1,2,3], [1,4,9], [1,8,27]]. Notemos que los delimitadores de las matrices son tambi en los corchetes y no los par entesis ni las llaves.
las (Rows) y de columnas (Columns). A continuaci on debemos completar los elementos de la matriz (ver Figura 5.18).
.M
at
em
Figura 5.16: Ventana para introducir los elementos de un vector.
at ic
a1 .c o
163
Figura 5.18: Ventana para introducir los elementos de una matriz.
Ejercicio. Introducir los siguientes vectores y matrices: (1, x2 , a) (3/5, 0.15, x y ) 1 3 4 x
se introducir a as : [3x+2y=5, 4x+3y=2]. Una vez introducido el sistema podemos resolverlo de dos formas distintas: directamente o a trav es de men us. En el primer caso debemos introducir la expresi on Solve(#1,[x,y]) (suponiendo que el sistema es la l nea n umero 1) y nos aparecer a la soluci on: [x=11 y=-14]. En el segundo caso, debemos seleccionar el bot on Solve de la botonera y nos aparecer a la ventana de la Figura 5.19; ahora basta pulsar el bot on Simplify . Cuando necesitemos utilizar un vector o una matriz en varias expresiones, lo conveniente es almacenarla en una variable. Por ejemplo, podemos escribir v:=[1,2,3] o a:=[[1,2],[3,4]]. Ejercicio. Resolver los siguientes sistemas de ecuaciones lineales: 3x + 4y 2z 2x + 3y = 12 4x 3y + 9z 4x 7y = 3 5x 4y + 2z
Como es natural, los elementos de un vector pueden ser cualquier expresi on v alida en DERIVE for Windows, no s olo n umeros. Por ejemplo, un sistema de ecuaciones lineales es un vector cuyos elementos son ecuaciones; as , el sistema de ecuaciones lineales 3x + 2y = 5 4x + 3y = 2
.M
at
em
at ic
4.3. Sistemas de ecuaciones lineales
a1 .c o
m
= 5 = 3 = 1 4.4. Operaciones b asicas con vectores y matrices Con DERIVE for Windows podemos sumar, restar y multiplicar matrices, siempre que las dimensiones sean apropiadas. Pero con DERIVE for Windows podemos realizar otro tipo de productos: el producto escalar y el producto vectorial de dos vectores. La sintaxis de estas operaciones gura en la siguiente tabla:
164
MATEM ATICAS
Figura 5.19: Ventana para resolver un sistema de ecuaciones lineales.
Observemos que para no confundir el punto decimal . con el punto de las operaciones producto anteriores, debemos dejar un espacio en blanco antes y despu es del punto; as , no es v alido indicar el producto de a y b a. b o a .b. En relaci como a.b o on con el producto vectorial debemos hacer una precisi on: si los vectores son tridimensionales, entonces CROSS(v,w) devuelve el producto vectorial de v y w, pero si los vectores son de dimensi on dos entonces CROSS(v,w) devuelve el determinante de v y w. Ejercicio. Calcular las siguientes operaciones: (1, 2, 3) + (2, 4, 6), (2, 4, 8) (4, 9, 13) El producto escalar de (5(1, 3, 5) + 2(3, 2, 1)) y (1, 3, 5). El producto vectorial de (3, 8, 1) y (3, 1, 10).
4.5. Funciones de manipulaci on Para manipular los elementos de un vector o matriz, DERIVE for Windows dispone de numerosas funciones, todas ellas con una sintaxis muy intuitiva. A continuaci on listamos las m as importantes. IDENTITY MATRIX(n): Construye la matriz identidad de orden n. DIMENSION(a): Determina el n umero de elementos o el n umero de las de a, seg un a sea un vector o una matriz. Por ejemplo, DIMENSION([x,y,z]) es 3.
.M
Operaci on Sintaxis Suma de a y b a + b Resta de a y b a - b Producto de a y b a . b ta Producto de a por un escalar t t*a o Producto escalar de v y w v . w Producto vectorial de v y w CROSS(v,w) a y b son vectores o matrices con las dimensiones apropiadas.
at
em
at ic
a1 .c o
165
SUB: Es un sujo que permite extraer un elemento de un vector o una la de una matriz. Por ejemplo, [a,b,c] SUB 2 aparece en pantalla como [a,b,c]2 y se simplica a b. Sin embargo [[1,2],[3,4]] SUB 1 permite extraer la primera la de la matriz, es decir, [1,2], por lo que [[1,2],[3,4]] SUB 1 SUB 2 identica al segundo elemento de la primera la, es decir, 2. ELEMENT(v,n): Extrae el elemento n- esimo del vector v . ELEMENT(a,m,n): Extrae el elemento (m, n) (la m y columna n) de la matriz a. APPEND(v1,v2,...,vn): Concatena dos o m as vectores. Por ejemplo, APPEND([3,1],[2,4]) produce como resultado el vector [3,1,2,4]. Si a es una matriz, entonces APPEND(a) produce un vector cuyos elementos son todos los elementos de la matriz. DELETE ELEMENT(v,n): Elimina el elemento n- esimo del vector v . Si v es una matriz, entonces se borra la la n- esima. INSERT ELEMENT(u,v,n): Agrega el elemento u al vector v antes del elemento n- esimo. Por ejemplo, INSERT ELEMENT(d,[a,b,c],2) da lugar al vector [a,d,b,c]. Si se omite n, entonces el elemento se coloca al principio del vector, y si el valor de n es uno m as que la dimensi on del vector, el nuevo elemento se colocar a al nal del vector. REPLACE ELEMENT(u,v,n): Reemplaza el n- esimo elemento del vector v por la expresi on u. Por ejemplo, REPLACE ELEMENT(d,[a,b,c],2) da lugar al vector [a,d,c]. Si se omite n, entonces el elemento reemplazado ser a el primero.
SELECT(u,k,m,n,s): Permite seleccionar los elementos k de la sucesi on que empieza en m, acaba en n y est a construida con un paso s tales que u(k) es cierta. Por defecto s = 1, de forma que SELECT(PRIME(k),k,1,100) da lugar a un vector cuyos elementos son los n umeros primos entre 1 y 100. Ejercicio. Generar todos los n umeros pares entre 1 y 100 y todos los n umeros impares entre 100 y 200. (En este ejercicio debe utilizarse la funci on FLOOR(n), que genera la parte entera del n umero n).
4.6. Operaciones con matrices Las operaciones t picas con matrices est an disponibles en DERIVE for Windows. La sintaxis que debe utilizarse aparece en la siguiente tabla: Operaci on Matriz inversa de m Matriz traspuesta de m Matriz adjunta de m Traza de la matriz m Determinante de la matriz m Producto de las matrices m y n Exponenciaci on de m: mk Sintaxis m 1 m ADJOINT(m) TRACE(m) DET(m) m . n mk
.M
at
SELECT(u,k,v): Produce un nuevo vector con los elementos k del vector v tales que u(k) es cierto. Por ejemplo, SELECT(PRIME(k),k,[1,2,3,4,5,6]) produce el vector [1,2,3,5] formado por los n umeros primos que hay en el vector original.
em
at ic
a1 .c o
REVERSE VECTOR(v): Construye un nuevo vector cambiando de orden los elementos del vector v . As , REVERSE VECTOR([1,2,3,4]) produce el vector [4,3,2,1].
166 Ejercicio. Se consideran las siguentes matrices: 1 a = 1 3 2 3 2 3 5 7 1 2 3 b = 5 7 11 13 17 19
MATEM ATICAS
Calcular a1 , at + b, (a + bt )1 , (a10 b5 )3 , det(a2 + b2 ).
Ejercicio. Resolver la siguiente ecuaci on: x 1 4 2 2 4 3 3 6 = 0.
4.7. C alculo de los valores y vectores propios Aunque no es estrictamente necesario, es conveniente calcular el polinomio caracter stico, ya que sus ra ces son los valores propios. Para ello disponemos de la funci on CHARPOLY(a,t)
que determina los valores propios de la matriz a en t erminos de la variable t. C omo es muy frecuente que los polinomios de grado superior a cuatro no se puedan factorizar por m etodos racionales, y la factorizaci on de polinomios de grado cuatro es de una complejidad enorme, la funci on anterior til para matrices de orden 2 2 o 3 3. En consecuencia, suele ser habitual calcular primero el polinomio s olo es u caracter stico y posteriormente utilizar m etodos aproximados para determinar sus ra ces (es decir, los valores propios de la matriz). Una vez determinados los valores propios de una matriz A, disponemos de dos funciones para calcular los vectores propios asociados: EXACT EIGENVECTOR(A,): Se utiliza cuando es un valor propio exacto de la matriz A. Cuando es una aproximaci on a un valor propio, entonces la matriz A I no es singular, por lo que esta funci on devolver a el vector cero como soluci on. APPROX EIGENVECTOR(A,): Aproxima a un vector propio num erico de A cuyo valor propio asociado es aproximado por y el resultado es un vector de norma uno. Naturalmente, no debe ser un valor propio exacto. Para mayor generalidad, podemos multiplicar el resultado por un par ametro, por ejemplo @1. Los par ametros en DERIVE for Windows se indican por @1, @2, @3, .... Por ejemplo, un resultado como [@1,3@2,-5@1] es lo que usualmente se escribe como [s,3t,-5s].
Para el c alculo de los valores propios disponemos de la funci on
.M
EIGENVALUES(a,t)
at
que desarrolla el polinomio caracter stico de la matriz a en t erminos de la variable t. Por ejemplo, CHARPOLY([[2, 3], [a, b]], t) produce t2 (b + 2)t 3a + 2b.
em
at ic
a1 .c o
167
Ejercicio. Hallar el polinomio caracter stico, los valores propios y los vectores propios asociados de la siguiente matriz: 2 1 1 1 1 1 3 1 0 1 1 0 3 1 1 1 0 0 3 0 1 1 3 0 2
4.8. Bibliograf a C. Paulogorr on y C. P erez. C alculo matem atico con DERIVE para PC, Ed. RA-MA, 1a Ed., 1994.
5.
DEL CAPITULO BIBLIOGRAFIA
J.R. TORREGROSA y C.JORDAN Algebra Lineal y sus Aplicaciones, serie Schaum, McGraw Hill, Madrid, 1987. Cap tulos 1 y 2.
6.
PREGUNTAS DE EVALUACION
E.5.1. Discutir el siguiente sistema de ecuaciones seg un los valores de a y b: ax + by + z x + aby + z x + by + az = 1 = b = 1
E.5.2. Hallar la inversa de la siguiente matriz siempre que sea posible: x 0 A= 0 0 1 x 0 0 0 1 x 0 0 0 1 x
= (1, 0, 0, 1), E.5.3. Encontrar la dimensi on y una base del subespacio vectorial generado por los vectores u 1 u2 = (2, 1, 1, 0), u3 = (1, 1, 1, 1), u4 = (1, 2, 3, 4) y u5 = (0, 1, 2, 3). Determinar las ecuaciones cartesianas de este subespacio.
.M
J. STEWART C alculo, 2a ed. Grupo Editorial Iberoam erica, M exico, 1994. Cap tulo 11.
at
em
J.L. MALAINA y otros Lecciones B asicas de Algebra Lineal, Universidad del Pais Vasco, 1995. Cap tulos 16, 9, 11 y 12.
at ic
R.E. LARSON, R.P. HOSTETLER y B.H. EDWARDS Calculo y Geometr a Anal tica, 5a ed., McGraw-Hill, Madrid, 1995. Cap tulos 11, 13 y 14.
a1 .c o
J. HEINHOLD y B. RIEDMULLER Algebra Lineal y Geometr a Anal tica, Ed. Revert e SA, 1981. Cap tulos 1 y 2.
168
MATEM ATICAS
E.5.4. Decidir cu ales de las siguientes matrices pueden reducirse a una matriz diagonal y encontrar matrices Pi que hagan posible la diagonalizaci on (P 1 Ai P = Di ): 1 3 1 (a) A1 = 3 5 1 , 3 3 1 4 1 1 (b) A2 = 1 2 1 , 1 1 2 0 0 0 1 0 0 1 0 (c) A3 = 0 1 0 0 . 1 0 0 0 E.5.5. Calcular la forma de Jordan de 0 A= 1 0 y utilizarla para determinar A7 . on E.5.6. Hallar las ecuaciones que describen los subespacios Ker f e Im f donde f : R3 R3 es la aplicaci lineal denida por f (x, y, z ) = (x + 2y + z, x + 2y, 2y + z ). e tipo de E.5.7. Qu e tipo de c onica es la que viene dada por la ecuaci on 9x2 18x + 4y 2 24y + 9 = 0? Qu 2 2 cu adrica es la que viene dada por la ecuaci on 4x + 2y + z 2 8x 12y 4z + 22 = 0? 1 0 0 0 0 2
.M
at
em
at ic
a1 .c o
169
ANOTACIONES
.................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... .................................................................................................... ....................................................................................................
.M
at
em
at ic
a1 .c o

MANUAL DE ALGEBRA LINEAL (NXPowerLite) PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

MANUAL DE ALGEBRA LINEAL (NXPowerLite) PDF

Transféré par

Droits d'auteur :

Formats disponibles

ALGEBRA LINEAL Y GEOMETRIA

CONTENIDOS FUNDAMENTALES DEL CAPITULO

Identicar cuando una matriz es diagonalizable.

ALGEBRA LINEAL Y GEOMETR IA

Ejemplo 1. Vamos a obtener un sistema triangular equivalente a:

(3a ec. + 2a ec. (1))

2x + 3y 4z 13y + 22z 0.z

2 ec. 2 + 1 ec. (3) 3a ec. 2 + 1a ec. (7)

Despejando y en la segunda ecuaci on y sustituyendo y el conjunto de soluciones viene expresado por: S= 7 3 22 11 , + , 13 13 13 13

x + 3y z + t = (2a ec. + 1a ec. 2) = 7y + 2t yt

Esta ordenaci on de los coecientes recibir a el nombre de matriz ampliada. La matriz 1 2 0 3 1 1 1 2 0 1 0 1

ALGEBRA LINEAL Y GEOMETR IA

(donde con expresamos cualquier valor posible de los coecientes)

En funci on de los valores de m distinguiremos los siguientes casos: (1) 5m 1 = 0 m =

ltima ecuaci y la u on se transforma en un absurso. Sistema incompatible.

ALGEBRA LINEAL Y GEOMETR IA (2) 5m 1 =

. Sistema compatible y determinado.

a11 a21 A= .... a m1

De forma gen erica notaremos

a1n a2n .... amn

es un ejemplo de matriz nula de orden 2.

Estas propiedades dotan a (Mmn , +) de la estructura de grupo abeliano.

2.2.1. Suma de matrices

a11 a21 .... a m1 3 Por ejemplo, 4 5 7

a12 a22 ..... a m2

.... .... .... .... 8 24 . 32

a11 a1n a21 a2n = .... .... amn am1

a12 a22 ..... am2

.... .... .... ....

a1n a2n .... amn

2.2.4. Producto de matrices

Intentemos calcular la matriz inversa de la siguiente matriz de orden 2 2:

2.2.7. Un m etodo sencillo para calcular la matriz inversa

Procedemos de la siguiente manera. Ampliamos con la matriz identidad por la derecha 0 4

(1a la 2)) + 2a la)

(1a f ila 2)) + 2a f ila)

Despu es de los anteriores c alculos y seg un lo expresado al comienzo concluiremos que A 1 = 0 .

Permutaci on 123 231 312 321 213 132

(1)s() a1(1) a2(2) ...an(n)

1 0 A= 0 0 el menor complementario de 4 es M44 = y el del 1 corresponde a M11 =

Los adjuntos son A11 = (1)1+1 M11 = 24 y A44 = (1)4+4 M44 = 0.

ALGEBRA LINEAL Y GEOMETR IA

det(C1 , ..., Ci , ..., Cj , ..., Cn ) = det(C1 , ..., Cj , ..., Ci , ..., Cn )

(5) Si se intercambian dos columnas el determinante cambia de signo:

A21 A22 ..... A2n

.... .... .... ....

An1 An2 , .... Ann

a11 a21 .... an1

b1 .... b2 .... ..... .... bn ....

es un sistema de Cramer, puesto que la matriz de los coecientes 3 A= 2 1 2 1 1 1 2 1

tiene por determinante |A| = 4. Aplicando la regla de Cramer se tiene: 1 1 2 2 1 1 1 2 1 4 3 2 1 1 1 1 1 2 1 4

(2) El sistema homog eneo

2 4 6t 1 2+t 3 5t z= Es decir, el conjunto de soluciones viene expresado por S=

134 2.4.1. Vectores y ecuaciones lineales

a1i a2i donde vi = ... , i = 1, ..., n. ami

ALGEBRA LINEAL Y GEOMETR IA Se dice que G es un sistema de vectores generadores de V si L(G) = V .

el orlado de M2 con la la 3 y la columna 4 es el determinante 1 2 1 2 1 2 . 0 5 4 El m etodo de los orlados consiste en lo siguiente:

tiene rango r (A) = 2.

ALGEBRA LINEAL Y GEOMETR IA Tomamos en A un elemento no nulo (menor M1 de orden 1).

2.4.5.1. Teorema de Rouch e-Frobenius Consideremos el siguiente sistema de ecuaciones lineales

138 2.5. Valores y vectores propios de una matriz Consideremos la matriz

a12 a22 ..... a n2

... ... ... ...