Académique Documents
Professionnel Documents
Culture Documents
SUPERIOR DE CALKINI EN EL
ESTADO DE CAMPECHE
APUNTES DE ALGEBRA
LINEAL PARA
INGENIERIA
Docente:
L. M. Angel Can M. C. M.
Indice general
I
Parcial 1
1. N
umeros complejos
1.1. Antecedentes. . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Definiciones y Propiedades Fundamentales. . . . . . . . . . . .
1.3. La unidad imaginaria i. . . . . . . . . . . . . . . . . . . . . . .
1.4. Interpretacion geometrica, modulo y argumento. Forma Polar.
1.5. Exponenciales complejos y teorema de DeMoivre . . . . . . . .
1.6. Polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.1. Los polinomios como funciones . . . . . . . . . . . . .
1.6.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.3. Suma y Producto de polinomios . . . . . . . . . . . . .
1.6.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.5. Division con residuo. . . . . . . . . . . . . . . . . . . .
1.6.6. Races de polinomios. . . . . . . . . . . . . . . . . . . .
1.7. Practicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.1. Practica 1 . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.2. Practica 2 . . . . . . . . . . . . . . . . . . . . . . . . .
1.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
II
Parcial 2
2. Matrices
2.1. Definiciones basicas .
2.2. Operaciones Basicas
2.2.1. Igualdad . . .
2.2.2. Suma . . . . .
2.2.3. Multiplicacion
9
9
10
14
15
19
20
21
21
21
22
22
22
23
23
24
26
29
. . . .
. . . .
. . . .
. . . .
por un
. . . . .
. . . . .
. . . . .
. . . . .
escalar
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
31
31
32
32
32
33
INDICE GENERAL
2.2.4. Multiplicacion . . . . . . . . . . . . . . . . . . . . .
2.3. Definiciones complementarias . . . . . . . . . . . . . . . .
2.4. Propiedades de las operaciones . . . . . . . . . . . . . . . .
2.4.1. Propiedades de la suma y multiplicacion por escalar
2.4.2. Propiedades de la multiplicacion de Matrices . . . .
2.5. Clasificacion de las Matrices . . . . . . . . . . . . . . . . .
2.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.7. Operaciones Elementales Renglon. . . . . . . . . . . . . . .
2.8. Algoritmo de reducccion de Gauss . . . . . . . . . . . . . .
2.8.1. Algoritmo de reduccion de Gauss-Jordan. . . . . . .
2.9. Calculo de la Inversa de una Matriz. . . . . . . . . . . . .
2.10. El Determinante de una matriz cuadrada. . . . . . . . . .
2.11. La matriz Adjunta. . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
III
.
.
.
.
.
.
.
.
.
.
.
.
.
33
34
34
34
35
36
41
42
43
44
45
46
48
.
.
.
.
.
.
.
.
.
.
53
53
54
55
59
60
60
61
63
64
64
Parcial 3
4. Espacios Vectoriales
4.1. Definicion de Espacios Vectoriales . . . . . . .
4.1.1. Propiedades de los Espacios Vectoriales
4.2. Subespacios Vectoriales . . . . . . . . . . . . .
4.2.1. Propiedades de los subespacios . . . .
4.3. Combinaciones Lineales . . . . . . . . . . . . .
4.4. El Conjunto Generado . . . . . . . . . . . . .
4.4.1. Dependencia e Independencia Lineal. .
4.5. Producto Interno. . . . . . . . . . . . . . . . .
67
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
69
69
71
71
72
72
73
74
75
INDICE GENERAL
4.5.1. Normas . . . . . . . . . . . . . . . . . . . . . . . . .
4.6. Base Ortonormal y proceso de Ortonormalizacion de GrahmSchmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.1. Algoritmo de Grahm-Schmidt . . . . . . . . . . . . .
4.6.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . .
4.7. Practicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.1. Practica 1 . . . . . . . . . . . . . . . . . . . . . . . .
5. Transformaciones Lineales
5.1. Definicion . . . . . . . . . . . . . . . . . . . . . . .
5.1.1. Propiedades de las transformaciones Lineales
5.2. El Kernel y la Imagen . . . . . . . . . . . . . . . .
5.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . .
5.4. Matrices y Transformaciones Lineales . . . . . . . .
5.5. Cambio de Base . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 76
.
.
.
.
.
76
77
79
79
79
.
.
.
.
.
.
81
81
83
84
87
87
89
INDICE GENERAL
Parte I
Parcial 1
Captulo 1
N
umeros complejos
El presente material tiene como finalidad complementar el material de
aprendizaje del alumno y no debe ser tomado como u
nico recurso de
estudio. Es responsabilidad del alumno leer el presente material de manera
anticipada y prepararse para las clases en que se aborden los temas as como
tambien investigar de manera mas amplia los temas aqu tratados.
1.1.
Antecedentes.
Al inicio de los estudios que una persona realiza, uno de primeros conceptos adquiridos es el de n
umero. De hecho el primer conjunto de n
umeros
estudiado es aquel que nos sirve para contar objetos materiales, los n
umeros
naturales: N = {1, 2, 3, ...} y con ello inicia nuestra formacion matematica.
Habiendo conocido este conjunto tambien definimos la primera operacion que
podemos realizar con este conjunto de n
umeros: la suma.
Ahora que podemos sumar, deseamos deshacer esta operacion y por ello
definimos la operacion inversa a la suma: la resta, sin embargo esta u
ltima
presenta problemas cuando nos topamos con cosas del tipo: 4 8 =? dado
que la respuesta no tiene explicacion sobre el conjunto de n
umeros naturales
que conocemos hasta el momento. Es entonces cuando pasamos al siguiente
nivel en los n
umeros: los enteros: Z = {0, 1, 2, }.
Posteriormente se inventa una nueva operacion que nos permite simplificar las sumas extensas: la multiplicacion, 2 + 2 + 2 + 2 = 4 2 = 8, y
nuevamente nos enfrentamos al problema de deshacer aquellos resultados
que obtenemos con esta nueva operacion. Esto nos lleva a la definicion de
9
CAPITULO 1. NUMEROS
COMPLEJOS
10
1.2.
Definici
on 1.2.1 (N
umeros Complejos). Si a y b son n
umeros reales, el
par (a, b) es llamado un n
umero complejo, y donde la igualdad, suma y
multiplicacion de estos pares estan definidas como sigue:
(a) Igualdad: (a, b) = (c, d) significa que a = c y b = d.
(b) Suma: (a, b) + (c, d) = (a + c, b + d).
(c) Producto: (a, b)(c, d) = (ac bd, ad + bc).
Notaci
on. Denotamos por C al conjunto de todos los n
umeros complejos.
1
En realidad el conjunto de los racionales se define con ayuda de relaciones de equivalencia pero este no es el objetivo de este curso, por lo cual bastara con la definicion
dada
11
CAPITULO 1. NUMEROS
COMPLEJOS
12
x = (a1 , b1 )
y = (a2 , b2 )
z = (a3 , b3 )
entonces la ley conmutativa debera escribirse como:
(a1 , b1 ) + (a2 , b2 ) = (a2 , b2 ) + (a1 , b1 )
Ejercicio 1. Siguiendo la idea anterior, Como debera describirse las propiedades
asociativa y la distributiva para n
umeros complejos?
Notese el hecho de que la formula x + y = y + x representa lo que la
operacion de los complejos como parejas ordenadas debe cumplir.
Teorema 1.2.2. Existen 2 propiedades mas dentro del conjunto de los complejos:
Existencia de los neutros:
(Aditivo) 0 C tal que x C, x + 0 = x.
(Multiplicativo) 1 C tal que x C, x 1 = x.
Existencia de los inversos:
(Aditivo) x C, x C tal que x + (x) = 0.
(Multiplicativo) x 6= 0 C, x1 C tal que x (x1 ) = 1.
Los neutros (aditivo y multiplicativo) son representados por el 0 y el 1
aunque en realidad estos son solo smbolos que representan a ciertos n
umeros
complejos particulares que son faciles de reconocer ya que:
(0, 0) + (a, b) = (a, b) y (a, b)(1, 0) = (a, b)
De manera similar, cuando definimos el inverso aditivo de x C como
x en realidad estamos describiendo al inverso de cada complejos (a, b) como
(a, b) = (a, b).
13
Para definir al inverso multiplicativo debemos usar la definicion de la multiplicacion, dado que para todo complejo x = (a, b) 6= 0 podemos encontrar
otro complejo x1 = (c, d) tal que
x x1 = 1
(a, b)(c, d) = (1, 0)
de hecho, sabemos que esta ecuacion es equivalente a resolver el siguiente par
de ecuaciones
ac bd = 1, ad + bc = 0
el cual tiene solucion u
nica:
b
a
,
d
=
.
a2 + b2
a2 + b 2
Ejercicio 2. Justifique los 2 parrafos anteriores.
c=
CAPITULO 1. NUMEROS
COMPLEJOS
14
1.3.
La unidad imaginaria i.
Definici
on 1.3.1. El n
umero complejo (0, 1) es denotado por i y es llamado
la unidad imaginaria.
Es facil probar con la definicion anterior, que el complejo i tiene la
propiedad de que su cuadrado
(0, 1)2 = i2 = (1, 0) = (1, 0) = 1
y por tanto x = i es solucion de la ecuacion x2 + 1 = 0. Esto nos acerca a
la solucion del problema planteado en la seccion 1.1
Esta propiedad anterior del n
umero comlejo i nos permite formar la siguiente lista:
i0
i1
i2
i3
i4
i5
i6
..
.
=1
=i
= 1
= (i2 )i = (1)i = i
= (i3 )i = (i)i = (i2 ) = (1) = 1
= (i4 )i = (1)i = i
= (i5 )i = (i)i = i2 = 1
GEOMETRICA,
1.4. INTERPRETACION
MODULO
Y ARGUMENTO. FORMA POLAR.15
1.4.
Interpretaci
on geom
etrica, m
odulo y argumento. Forma Polar.
Como un n
umero complejo (x, y) es un par ordenado de n
umeros reales,
este puede ser representado geometricamente por un punto en el plano, o por
una flecha o un vector geometrico del origen al punto (x, y), como lo muestra
la figura 1:
y
r=
+i
y=r SenHL
Hx,yL
x=r CosHL
x
CAPITULO 1. NUMEROS
COMPLEJOS
16
y
z1 +z2
z2
z1
z1 -z2
x = rCos, y = rSen
y con ello obtenemos:
x + iy = r(Cos + iSen).
Esta u
ltima expresion es conocida como la representacion de los n
umeros
complejos en la forma polar. Observese que lo u
nico que debemos hacer para
cambiar un n
umero escrito en forma polar a la forma binomial es simplemente
evaluar las funciones trigonometricas dadas y multiplicar por el valor r.
Definici
on 1.4.1. El n
umero r, el cual representa la distancia de (x, y) al
origen, es llamado el modulo o valor absoluto de x + iy y es denotado por
|x + iy|, as pues tenemos:
p
|x + iy| = x2 + y 2 .
Definici
on 1.4.2. El angulo polar
se representa como
ArcT an( a )
Arg(a, b) = 180 + ArcT an( ab )
360 + ArcT an( ab )
si a y b > 0
si a < 0 y b > 0 o bien si a, b < 0
si a > 0 y b < 0
GEOMETRICA,
1.4. INTERPRETACION
MODULO
Y ARGUMENTO. FORMA POLAR.17
Nosotros solo definimos a como un argumento y no como el argumento,
debido a que para un punto (x, y) el angulo esta determinado solamente
hasta m
ultiplos de 2. Algunas veces es deseable asignar un u
nico argumento
a un n
umero complejo, esto se puede realizar restringiendo a pertenecer a
un intervalo semi-abierto de longitud 2. Usualmente usamos el intervalo
[0, 2). Denotamos este por arg(x + iy).
Ejemplos
Vamos a calcular el modulo y el argumento de los siguieets complejos:
1. ( 3, 1)
Para calcular el modulo simplemente sustituimos en la formula:
q
k( 3, 1)k = ( 3)2 + 12 = 2
Y el argumento sera:
Arg( 3, 1) = ArcT an
= 30
2. (1, 3)
Para calcular el modulo simplemente sustituimos en la formula:
q
!
3
= 180 + (60 ) = 120
1
2
2
= 180 + 45 = 225
CAPITULO 1. NUMEROS
COMPLEJOS
18
2
2
|z1 |
.
|z2 |
Definici
on 1.4.3. Si z = x + iy, el conjugado complejo de z es el n
umero
complejo z = x iy.
Geometricamente, z representa la refleccion de z con respecto al eje real
x. La definicion de conjugado implica que
Teorema 1.4.2. Sea z un n
umero complejo y sea z su conjugado, entonces:
z1 + z2 = z1 + z2 .
z1 z2 = z1 z2 .
(z1 /z2 ) = z1 /z2 .
zz = |z|2 .
1.5.
CAPITULO 1. NUMEROS
COMPLEJOS
20
1.6.
Polinomios
1.6. POLINOMIOS
1.6.1.
21
1.6.2.
Ejercicios
1.6.3.
Definicion de la suma
(a0 +a1 x+a2 x2 +...)+(b0 +b1 x+b2 x2 +...) = (a0 +b0 )+(a1 +b1 )x+(a2 +b2 )x2 +...)
Definicion del producto
(a0 +a1 x+a2 x2 +...)(b0 +b1 x+b2 x2 +...) = a0 b0 +(a1 b0 +a0 b1 )x+(a0 b2 +a1 b1 +a2 b0 )x2 +...
El coeficiente de xn en la suma es an + bn , y en el producto es
X
ai b j .
i+j=n
Proposici
on 1.6.1. El grado de la suma de dos polinomios no nulos es
menor o igual que el maximo de los grados de los sumandos.
Proposici
on 1.6.2. El grado del producto de dos polinomios no nulos es la
suma de los grados de los factores.
CAPITULO 1. NUMEROS
COMPLEJOS
22
1.6.4.
Ejercicios
1.6.5.
Divisi
on con residuo.
Proposici
on 1.6.3. Sea f (x) cualquier polinomio y sea g(x) un polinomio
no nulo. Existen dos u
nicos polinomios, q(x) y r(x), que satisfacen las condiciones siguientes:
1. f (x) = g(x)q(x) + r(x).
2. grado de r(x) < grado de g(x).
Los polinomios q(x) y r(x) son el cociente y el residuo respectivamente.
Los polinomios f (x) y g(x) son el dividendo y el divisor, respectivamente.
1.6.6.
Races de polinomios.
1.7. PRACTICAS
1.7.
Pr
acticas
1.7.1.
Pr
actica 1
23
CAPITULO 1. NUMEROS
COMPLEJOS
24
1.7.2.
Pr
actica 2
1.7. PRACTICAS
25
z z 6 (1, 0)
Argumento
Modulo
7. Usando el hecho de que z 6 = (1, 0), podemos igualar las u
timas dos
columnas de la tabla anterior (por que?), y con ello despejar los valores
del modulo y el argumento de z hallados en el paso 4. Que valores
obtenemos para r y ?
8. Como mencionamos anteriormente no conocamos el valor real de z
puesto que no conocamos su modulo ni su argumento, sin embargo
con ayuda de las propiedades conocidas hemos podido encontrar esos
valores (cuales fueron estas propiedades?), con lo cual podemos dar
otra raz sexta de (1,0). Escriba la solucion final para z.
9. De acuerdo con la definicion del argumento, existen varias alternativas
a elegir para representar el argumento, de hecho sabemos que si el argumento del complejo (1,0) es (de hecho sabemos que = 0) tambien
podemos tomar como angulo al valor +2 (en este caso especfico
sera 0 + 2), por que podemos cambiar el angulo sin preocuparnos de
estar haciendo algo incorrecto? Como varan los pasos anteriores con
respecto a este nuevo angulo?
10. Repita todos los pasos anteriores y determine el valor final de z (nuevamente) es el mismo que el resultado del paso 7? por que?
11. Podemos repretir los pasos anteriores si consideramos ahora el valor
del angulo igual a +2(2). El resulado para z es el mismo a alguno
de los anteriores? cuantos valores de z diferentes podemos encontrar?
que hay que hacer para encontrar todos los valores de z?
12. Supongamos ahora que en lugar de calcular las races sextas queremos
calcular las races octavas, que hay que cambiarle al proceso para
obtener las respuestas?
13. Por u
ltimo supongamos que no queremos las races del complejo (1,0)
sino mas bien queremos calcular las races de un complejo (a, b) cuyo
modulo sea R y su argumento sea que cambiaramos para obtener
las respuestas al problema?
CAPITULO 1. NUMEROS
COMPLEJOS
26
1.8.
Ejercicios
c) 3 + 3i
5. En cada caso determine los valores reales x e y que satisfacen las relaciones dadas:
a) x + iy = xeiy
b) x + iy = yeix
1.8. EJERCICIOS
27
( 3, 43 )( 3, 4 3 )
(5,8)
(10,8)
( 4+6i
)
3
(2+3i)
zw 6= z w.
CAPITULO 1. NUMEROS
COMPLEJOS
28
14. Calcule
1i 3
2
Parte II
Parcial 2
29
Captulo 2
Matrices
2.1.
Definiciones b
asicas
Definici
on 2.1.1. Una matriz sobre un campo F es un arreglo rectangular
de elementos del campo F, ordenados en filas y columnas (para los objetivos
de nuestro curso, bastara con considerara que F = R o bien F = C).
El smbolo Mmn (F ) denota la coleccion de todas las matrices de m
renglones con n columnas sobre el campo F.
Las matrices usualmente seran denotadas por letras may
usculas, y la
ecuacion A = [aij ] significa que el elemento en el i-esimo renglon y la
j-esima columna de la matriz A es igual a aij .
En ocasiones tambien es conveniente escribir aij = (A)ij .
Ejemplo 1. La formula aij = 1/(i + j) para 1 i 3, 1 j 4 define
una matriz A de 3 renglones con 4 columnas que tiene la forma:
1 1 1 1
2
A = 13
1
4
a11
a21
A = ..
.
an1
3
1
4
1
5
4
1
5
1
6
5
1
6
1
7
forma
.. . .
..
.
.
.
an2 ... anm
31
CAPITULO 2. MATRICES
32
2.2.
2.2.1.
Operaciones B
asicas
Igualdad
Definici
on 2.2.1 (Igualdad de Matrices). Diremos que dos matrices A y B
son iguales si tienen la misma dimension y sus correspondientes elementos
son iguales; es decir si A y B Mmn (F ) y si A = [aij ], B = [bij ], con
aij = bij para 1 i m, 1 j n.
Las matrices
1
2
1
A=
3
1
4
1
1+1
1
1+2
1
1+3
1
1+4
1
B=
2+1
1
2+2
1
2+3
1
2+4
1
3
1
4
1
5
1
4
1
5
1
6
1
5
1
6
1
7
1
3+1
1
3+2
1
3+3
1
3+4
son iguales ya que el valor de cada elemento aij es igual al valor de cada
entrada bij .
Por otro lado, las matrices
1 1 1
2
3
4
1 1 1 1
2
3
4
5
1 1 1
3 4 5
1 1 1 1
A=
3 4 5 6 B = 1 1 1
4 5 6
1
1
1
1
1
5
1
6
1
7
no son iguales.
2.2.2.
Suma
Definici
on 2.2.2 (Suma de Matrices). Sean A = [aij ] y B = [bij ] matrices de igual dimension. Entonces A + B es la matriz obtenida al sumar los
correspondientes elementos de A y B; es decir
A + B = [aij ] + [bij ] = [aij + bij ].
2.2. OPERACIONES BASICAS
Si
1
2
1
A=
3
1
4
1
3
1
4
1
5
1
4
1
5
1
6
1
5
1
6
1
7
33
1
2
1
B=
3
1
4
2
3
3
4
1
4
1
5
1
5
1
6
4
5
1
6
1
7
1 1 1 1
A + B = 0 0 0 0
2
5
2
4
2.2.3.
2
6
2
7
Multiplicaci
on por un escalar
Definici
on 2.2.3 (Multiplicacion por un escalar). Sea A = [aij ] y t F (=
R, = C)1 . Entonces tA es la matriz obtenida de multiplicar todos los elementos de A por t; es decir
tA = t[aij ] = [taij ]
Sean
1
2
1
A=
3
1
4
1
3
1
4
1
5
1
4
1
5
1
6
1
5
1
6
1
7
t=2
Entonces
tA =
2
2.2.4.
1
2
1
3
1
4
1
3
1
4
1
5
1
4
1
5
1
6
1
5
2
2
=
3
1
2 17
2
1
6
2
3
1
2
2
5
1
2
2
5
1
3
2
5
1
3
2
7
Multiplicaci
on
Definici
on 2.2.4. Sean A = [aij ] una matriz de tama
no m n y B = [bjk ]
una matriz de tama
no np; (es decir, el n
umero de columnas de A es igual al
1
CAPITULO 2. MATRICES
34
n
umero de renglones de B). Entonces definimos la multiplicacion AB como
la matriz de m p, C = [cij ] donde los elementos (i, j) estan definidos por
la formula
n
X
cik =
aij bjk = ai1 b1k + ... + ain bnk
j=1
1 2
5 6
15+27 16+28
19 22
=
=
3 4
7 8
35+47 36+48
43 50
2.3.
Definiciones complementarias
Definici
on 2.3.1 (La Inversa Aditiva de una Matriz). Sea A = [aij ]. Entonces A es la matriz obtenida al reemplazar los elementos de A por sus
inversos aditivos (negativos); es decir
A = [aij ] = [aij ]
Definici
on 2.3.2. Para cada m, n la matriz en Mmn (F ), cuyos elementos
son todos cero, es llamada la matriz cero (de tama
no m n) y es denotada
por el smbolo 0.
Definici
on 2.3.3 (Resta de Matrices). La resta matrices esta definida para
dos matrices A = [aij ] y B = [bij ] del mismo tama
no, de la manera usual; es
decir
A B = [aij ] [bij ] = [aij bij ]
2.4.
2.4.1.
35
2.4.2.
Propiedades de la multiplicaci
on de Matrices
CAPITULO 2. MATRICES
36
2.5.
Clasificaci
on de las Matrices
Matriz Triangular.
Definici
on 2.5.1. Se dice que una matriz es triangular superior si todos los
elementos que estan por debajo de la diagonal principal son nulos.
Definici
on 2.5.2. Se dice que una matriz es triangular inferior si todos los
elementos que estan por encima de la diagonal principal son nulos.
Ejemplos
Triangular Superior:
1 4 2
0 3 4
0 0 1
Triangular Inferior:
1 0 0
2 8 0
4 9 7
Matriz Diagonal.
Definici
on 2.5.3. Se llama diagonal principal de una matriz A a la diagonal formada por los elementos aii . La Matriz diagonal, es una matriz
cuadrada donde sus elementos aij = 0 si i 6= j.
Una matriz diagonal es una matriz cuadrada en que las entradas o valores
son todos nulas salvo en la diagonal principal, y estos incluso pueden ser nulos
o no. Otra forma de decirlo es que es diagonal si todos sus elementos son nulos
salvo algunos de la diagonal principal.
Ejemplos
MATRIZ DIAGONAL:
1 0
0 4
DE LAS MATRICES
2.5. CLASIFICACION
37
Matriz Escalar.
Definici
on 2.5.4. Matriz Escalar es el nombre que recibe aquella matriz
diagonal en la cual los elementos que conforman la diagonal principal son
iguales.
Ejemplo
MATRIZ ESCALAR
2 0 0
0 2 0
0 0 2
Matriz Identidad.
Definici
on 2.5.5. Se llama matriz identidad de orden n y se nota In a una
matriz cuadrada de orden n en la que los elementos de la diagonal principal
son 1 y el resto 0.
La matriz identidad es una matriz diagonal.
Ejemplos
MATRIZ IDENTIDAD
1 0
0 1
;
1 0 0
0 1 0
0 0 1
.
Matriz Per
odica.
Definici
on 2.5.6. Una matriz A se llama periodica, si existe k, el menor
n
umero entero y positivo, para el cual se cumple Ak+1 = A. Se dice que la
matriz A tiene como periodo k.
1 0
0 1
2
=
1 0
0 1
CAPITULO 2. MATRICES
38
Matriz Nilpotente.
Definici
on 2.5.7. Sea A una matriz cuadrada. Si existe un entero positivo
p para el cual Ap = 0, entonces decimos que A es nilpotente de orden p.
Tambien llamada matriz nulipotente.
Ejemplo
MATRIZ NILPOTENTE
2
0 8 0
0 0 0
0 0 0 = 0 0 0
0 5 0
0 0 0
Matriz Idempotente
Definici
on 2.5.8. Una matriz idempotente1 es una matriz la cual es igual
a su cuadrado, es decir: A es idempotente si A A = A2 = A.
Ejemplo.
MATRIZ IDEMPOTENTE
1 0
0 1
2
=
1 0
0 1
Matriz Involutiva
Definici
on 2.5.9. Una matriz A es involutiva si cumple con A2 = I.
Ejemplo:
MATRIZ INVOLUTIVA
1 0
0 1
2
=
1 0
0 1
Matriz Transpuesta
Definici
on 2.5.10. Se llama matriz traspuesta de una matriz A a aquella
matriz cuyas filas coinciden con las columnas de A y las columnas coinciden
con las filas de A. Es representada por el smbolo At .
DE LAS MATRICES
2.5. CLASIFICACION
39
1 2 3
1 4 7
B = 4 5 6 Bt = 2 5 8 .
7 8 9
3 6 9
Matriz Sim
etrica
Definici
on 2.5.11. Una matriz A es simetrica si cumple con A = At .
Ejemplo:
MATRIZ SIMETRICA:
1 2
2 0
A=
3 5
(A = At )
3
1 2 3
5 At = 2 0 5 = A
6
3 5 6
4 5 2
4 5 2
B = 5 0 3 B t = 5 0 3 = B.
2
3 9
2
3 9
Matriz Antisim
etrica.
Definici
on 2.5.12. Una matriz A es antisimetrica, cuando cumple con A =
At .
Ejemplo:
MATRIZ ANTISIMETRICA:
0 2 4
0 2 At =
A= 2
4 2 0
(At = A)
0 2 4
0 2 4
2 0 2 = 2
0 2 = A.
4 2 0
4 2 0
CAPITULO 2. MATRICES
40
Matriz Compleja.
Definici
on 2.5.13. Sea A una matriz de tama
no mxn, se llama compleja si
sus elementos con n
umeros complejos.
Ejemplo:
MATRIZ COMPLEJA
A=
1 + i 2 3i
2 4i 3 + 8i
.
Matriz Conjungada.
Definici
on 2.5.14. Sea A una matriz compleja, la matriz conjugada de A
se forma con los conjugados de cada elemento de A, se representa por A.
Ejemplo:
MATRIZ CONJUGADA
2+i
3
1 + 4i
2i
3
1 4i
5
2 2i Ac = 4 + i
5
2 + 2i .
A= 4i
1
3 i 1 + 3i
1
3 + i 1 3i
Matriz Hermtica.
Definici
on 2.5.15. Sea A es una matriz compleja, decimos que A es una
matriz hermtica (o hermitiana) si cumple que At = A .
Ejemplo:
MATRIZ HERMITICA:
3
2+i
3
2i
3
2+i
c
ct
A=
A =
A =
= A.
2i
1
2+i
1
2i
1
Matriz Antihermtica
Definici
on 2.5.16. Si A es una matriz compleja y ademas cumple con
At = A, entonces se llama matriz antihermitiana, hermihermtica o antihermtica.
2.6. EJERCICIOS
41
Ejemplo:
MATRIZ ANTIHERMITICA: (A = A)
i
2+i
i
2i
c
A=
A =
...
2 + i 3i
2 i 3i
ct
A =
i 2 i
2 i 3i
=
i
2+i
2 + i 3i
= A.
Matroz Ortogonal.
Definici
on 2.5.17. Una matriz cuadrada es ortogonal si A At = At A = I.
Ejemplo:
MATRIZ ORTOGONAL:
1
2
12
A=
AA =
2.6.
1
2
12
1
2
1
2
1
2
1
2
1
2
1
2
At =
1
2
1
2
12
12
1
2
1
2
=
Ejercicios
Sea A =
1 2
1 3
yB=
3 1 2
4 3 1
,
1 0
0 1
.
CAPITULO 2. MATRICES
42
2.7.
R1
A = ...
Rm
una matriz, donde cada Ri representa el renglon i de la matriz, entonces
definimos las siguientes operaciones elementales renglon:
1.- Intercambiar el renglon i-esimo y la j-esimo. Es decir,
DE GAUSS
2.8. ALGORITMO DE REDUCCCION
R1
...
Ri
...
Rj
...
Rm
Ri Rj
R1
...
Rj
...
Ri
...
Rm
43
R1
R1
...
kRi Ri ...
Ri k Ri
...
...
Rm
Rm
3.- Reemplazar el renglon i por una combinacion de el mismo mas un
m
ultiplo constante del renglon j
R1
R1
...
...
Ri
k Rj + Ri
...
...
Rm
Rm
2.8.
Algoritmo de reduccci
on de Gauss
Definici
on 2.8.1. Forma Escalonada: Una matriz se dice que es escalonada, escalonada por filas, o que esta en forma escalonada si:
1. Todas las filas cero, estan en la parte inferior de la matriz.
2. El primer elemento no nulo (es decir diferenete de cero) de cada fila
llamado pivote, esta a la derecha del pivote de la fila anterior (esto
supone que todos los elementos debajo del pivote son cero).
Definici
on 2.8.2. Forma Escalonada Reducida: Esta es una matriz que
cumple las condiciones de escalonada y ademas:
CAPITULO 2. MATRICES
44
0 2 1
0 0 8
0 0 0
Matriz en forma escalonada, aunque
2 3
0 3
0 0
0
0
1
0 1 0
0 0 1
0 0 0
Esta matriz esta en forma escalonada, ademas es la identidad.
1 0 0
0 1 0
0 0 1
Existen dos algoritmos que nos ayudan a convertir matrices en formas
mas simples, estos son:
1. Algoritmo de Gauss: Convierte la matriz en una escalonada.
2. Algoritmo de Gauss-Jordan: Convierte la matriz en una forma escalonada reducida.
2.8.1.
Algoritmo de reducci
on de Gauss-Jordan.
2.9. CALCULO
DE LA INVERSA DE UNA MATRIZ.
45
6 5 3
reducida de la matriz 2 1 4 .
0 8 7
Unicamente
mostraremos la cadena de operaciones usadas y los resulados
obtenidos:
5
1
5
1
1
1
6 5 3
3
1
6
2
6
2
R1 R1
R2 R2
+R2 R2
2 1 4 2R1
0 2 5 2
2 1 4 6
3
0 8 7
0 8 5 7 1
0 5 8 1 7
5
1
1 6 2
1 6 2
1 6 2
1
R3 R3
+R3 R3
2 +R1 R1
0 1 15 8R2
0 1 15 67
0 1 15 5/6R
2
2
2
7
0 0 67
0 0 1
0 8 23
1 0 4
1 0 0
1 0 0
3 +R1 R1
3 +R2 R2
0 1 15 23/4R
0 1 15 15/2R
0 1 0
2
2
0 0 1
0 0 1
0 0 1
2.9.
C
alculo de la Inversa de una Matriz.
CAPITULO 2. MATRICES
46
Calcularemos la
inversa
7
Gauss-Jordan: A = 5
9
de
8
2
0
la siguiente
matriz por medio de algoritmo de
3
3
4
1 78 37 17 0 0
7 8 3 1 0 0
1
R
R
1
1
2 R2
5 2 3 0 1 0 5R1 +R
5 2 3 0 1 0 7
9 0 4 0 0 1
9 08 43 0 1 0 1
3
1
8
0 0
1 7
1 7 7 7 0 0
7
7
7
R2 R2
+R3 R3
0 54 6 5 1 0 54
0 54 6 5 1 0 9R1
7
7
7
7
7
7
72
1
9
9
0
4
0
0 1
0
0
1
7
7
7
8
3
1
5
1
4
0 0
0
1 7
1
0
8
72
7
7
9
27
27
R +R R
R +R R
7
0 1 1 5 7 0 7 21 1 0 1 1 5
7 23 3
0
9
54
54
9
54
54
1
9
1
9
72
0 1
0 72
7
7
7
0 7 5 7 1 7 40 1
1
4
5
1 0 9 27 27 0
1 0 9 27 27 0
5
R +R R
R3 R3
7
5
7
1
0 1 1 5
9 31 1
0
0
0
1
9
54
54
9
54
54
1
4
0 0 1 13 4
1
3
0 0 1 43 163 15
4
16
5
1 0 0 27 27 9
1
0
0
1
27
27
9
R3 +R2 R2
7
0 1 1 5
0 1 0 7 1 1
0 9
9
54
54
54
54
9
1
4
1
4
0 0 1
0
0
1
1
1
3
3
3
3
Por u
ltimo, la matriz inversa de la matriz A es aquella que queda en el
lado derecho:
4 16 5
A1 =
2.10.
27
7
54
1
3
27
1
54
4
3
9
1
9
Definici
on 2.10.1. Sea S = {1, 2, 3, ..., n} el conjunto de enteros de 1 a n,
odenados en forma creciente. Cualquier reordenamiento de la forma j1 j2 ...jn
de los elementos de S se llama una permutaci
on de S.
Ejemplos
Si S = {1, 2, 3, 4} algunas permutaciones seran:
3142
47
2134
4321
1234
Ademas las permutaciones se pueden definir como funciones, as por ejemplo, para la permutacion 3142 tenemos la funcion:
f (1) = 3, f (2) = 1, f (3) = 4, f (4) = 2.
Denotamos al conjunto de todas las permutaciones de S con el smbolo
Sp
Definici
on 2.10.2. Se dice que una permutacion j1 j2 ...jn del conjunto S =
{1, 2, ..., n} tiene una inversi
on si un entero mayor jr aparece antes de uno
menor ji en dicha permutacion.
Ademas, una permutacion se denomina par o impar si el n
umero total de
inversiones en ella es par o impar, respectivamente.
Ejemplos
La permutacion 2134, tiene u
nicamente una inversion, por lo tanto es
impar.
Por otro lado, la permutacion 4132 tiene 4 inversiones por lo tanto es par
Definici
on 2.10.3. Dada una permutacion p Sp , definimos el signo de p
como:
+ Si p es par
Sgn(p) =
Si p es impar
Definici
on 2.10.4. Sea A = (aij ) una matriz de n n. Definimos el determinante de A (que se escribe como det(A) o |A|) como
det(A) = |A| =
Sp
CAPITULO 2. MATRICES
48
2.11.
La matriz Adjunta.
Definici
on 2.11.1. Sea A una matriz de n n y sea Mij la matriz de
(n 1) (n 1) que se obtiene de A eliminando el renglon i y la columna
j. Mij se llama el menor i, j de A.
Ejemplo:
2 1 4
5 . Encuentre M13 y M32 .
Sea A = 0 1
6 3 4
0 1
M13 =
.
6 3
M32 =
2 4
0 5
.
Definici
on 2.11.2. Sea A una matriz de n n. El cofactor i, j de A, denotado por Aij , esta dado por
Aij = (1)i+j |Mij |
donde |Mij | es el determinante del menor ij.
Ejemplos: (Usaremos la matriz A anterior)
0 1
1+3
4
A13 = (1) |M13 | = (1) det
= 1 (6) = 6.
6 3
2 4
3+2
5
A32 = (1) |M32 | = (1) det
= (1)(10) = 10.
0 5
Teorema 2.11.1. Sea A una matriz de n n. Entonces el determinante de
A, denotado por det(A) esta dado por
det(A) = |A| = a11 A11 + a12 A12 + ... + a1n A1n =
n
X
k=1
a1k A1k
49
3 2 9
1.- Sea A = 4 8 1 , entonces de acuerdo con el teorema anterior,
3 2 9
el determinante sera:
8
1
A11 = (1)1+1 |M11 | = (1)2 det
= 1 (74) = 74.
2
9
4 1
A12 = (1)1+2 |M12 | = (1)3 det
= (1) (39) = 39.
3 9
4 8
A13 = (1)1+3 |M13 | = (1)4 det
= 1 (16). = 16.
3 2
Luego,el determinante sera:
det(A) = (3) (74) + (2)(39) + (9)(16) = 0
2 1 4
5 , Por cofactores tendramos:
2.- Sea A = 0 1
6 3 4
1 5
1+1
2
= 19
A11 = (1) |M11 | = (1)
3
4
0 5
= (30) = 30
A12 = (1)1+2 |M12 | = (1)3
6
4
0 1
= 6
A13 = (1)1+3 |M13 | = (1)4
6 3
As pues el determinante sera:
Det(A) = a11 A11 + a12 A12 + a13 A13
= 2(19) + (1)(30) + 4(6)
= 38 + 30 + 4(6)
= 68 24
= 92
El teorema anterior tambien funciona si se lo aplicamos a
Nota 2.11.2.
cualquier otro renglon diferente del primero, inclusive funciona si se lo
aplicamos a columnas.
Este metodo para calcular el determinante tambien es llamado expansi
on por cofactores.
CAPITULO 2. MATRICES
50
+ +
+ +
Definici
on 2.11.3. Sea A una matriz de n n y sea B la matriz formada
por los cofactores de A, es decir
B=
..
.. ..
..
An1 An2 .. Ann
Entonces la adjunta de A, escrito Adj(A), es
de n n.
A11 A21
A
12 A22
Adj(A) = B T =
..
..
A1n A2n
la transpuesta de la matriz B
... An1
.. An2
..
..
.. Ann
1
Adj(A).
det(A)
Ejemplo:
2 1 4
5 y calculamos su adjunta:
Sea A = 0 1
6 3 4
A11 = 19 A12 = 30 A13 = 6
A21 = 8 A22 = 32 A23 = 12
A31 = 9 A32 = 10 A33 = 2
det(A) = 1(32) + 5(12) = 32 60 = 92
19 30 6
19 8
9
Cof(A) = 8 32 12 = Adj(A) = 30 32 10
9 10 2
6 12 2
19
2
9
19 8
9
23
92
92
8
5
1
1
30 32 10 = 15
Adj(A) = 92
= det(A)
46
23
46
3
3
1
6 12 2
46
46
23
51
52
CAPITULO 2. MATRICES
Captulo 3
Sistemas de Ecuaciones
Lineales
3.1.
Definiciones
Definici
on 3.1.1. Una ecuacion lineal en n incognitas x1 , x2 , ..., xn es una
ecuacion de la forma
a1 x1 + a2 x2 + ... + an xn = b
Por ejemplo una ecuacion lineal sera 2x + 3y = 6.
Definici
on 3.1.2. Un sistema de m ecuaciones lineales en n incognitas
x1 , ..., xn es una familia de ecuaciones lineales
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 + a22 x2 + ... + a2n xn = b2
..
.
am1 x1 + am2 x2 + ... + amn xn = bm
Nosotros deseamos determinar si un sistema de esta forma tiene una solucion, es decir, determinar si existen numeros x1 , x2 , ..., xn los cuales satisfagan
cada una de las ecuaciones al mismo tiempo.
53
54
3.2.
Clasificaci
on de los Sistemas de Ecuaciones Lineales.
Definici
on 3.2.1. Un sistema de ecuaciones lineales es consistente (o cmpatible) si tiene por lo menos una solucion. Un sistema es inconsistente (o
incompatible) si carece de solucion.
(
Sistemas consistentes (compatibles)
Sistemas de ecuaciones
Sistemas inconsistentes (incompatibles)
Si sabemos que un sistema de ecuaciones lineales tiene
Ejercicio 4.
al menos una solucion, cuantas soluciones tiene en total?
Existe un sistema que tenga exactamente una solucion?, dos?, n?,
infinitas?
Definici
on 3.2.2. De acuerdo al n
umero de soluciones que posea un sistema
de ecuaciones, los podemos clasificar en:
Determinados: si solo poseen una u
nica solucion.
Indeterminados: si poseen infinitas soluciones.
Con estas u
ltimas definiciones, nuestra clasificacion de los sistemas de
ecuaciones lineales queda de la siguiente
manera:
Determinados
Consistentes
Indeterminados
sistemas de ecuaciones lineales
Inconsistentes
Ejemplos
Consideremos los sistemas de ecuaciones lineales
2x + 3y = 6
4x + 6y = 2
2x + 3y = 6
3x 2y = 8
Las graficas de estas ecuaciones forman lneas rectas, y dependiendo de la
forma de las graficas sera el tipo de solucion que tengamos para los sistemas
de ecuaciones.La grafica para el primer sistema sera:
2.0
1.5
1.0
0.5
2.5
3.0
3.5
4.0
-0.5
-1.0
3.2.1.
Interpretaci
on Gr
afica de las soluciones
56
-4
-2
-2
Dicha funcion puede ser representada en el hiperespacio Rn . Y las graficas resultante son conocidas como hiperplanos.
En R2 , las graficas representan lineas rectas, enR3 , las graficas representan planos.
Cada uno de los puntos pertenecientes a las correspondientes graficas
se corresponde con un punto solucion de la respectiva ecuacion.
Podemos conocer el tipo de sistema de ecuacciones lineales con el que
trabajamos si conocemos las graficas de las ecuaciones lineales con las
que trabajamos.
El punto en el que todas las graficas se intersecten, representara la
solucion del sistema.
Con base en las observaciones anteriores podemos distinguir tres casos
especiales que se pueden presentar en los sistemas de 2 ecuaciones lineales
con 2 variables:
Compatible Determinado.
Las graficas de las ecuaciones del sistema se cortan en un solo punto:
Compatible Indeterminado.
Las graficas de las ecuaciones del sistema se cortan en infinitos puntos
(estan sobrepuestas):
-4
-2
-5
-10
15
10
-4
-2
-5
-10
Incompatible.
Las graficas de las ecuaciones del sistema no se cortan:
Con base en estas observaciones podemos listar algunas de las caractersticas principales que debe cumplir un sustema compatible indeterminado:
La solucion generica consiste en expresar una o mas variables como
funcion matematica del resto.
Al menos una ecuacion se puede hallar como combinacion lineal del
resto, es decir, es linealmente dependiente.
El determinante de la matriz asociada al sistema es cero.
58
-4
-2
-5
-10
2u + v + w = 5
4u 6v = 2
2u + 7v + 2w = 9
Observando su grafica vemos claramente que el sistema tiene una solucion
u
nica.
Ejercicio 6. De las siguientes afirmaciones con respecto a la solucion de un
sistema de 2 ecuaciones con 2 incognitas, cual de ellas no es verdadera?
Es un par ordenado que satisface ambas ecuaciones.
Su grafica consiste en el (los) punto(s) de interseccion de las graficas
de las ecuaciones.
Su grafica es la abcisa de las graficas de las ecuaciones.
Si el sistema es inconsistente no existe solucion.
Cual de las siguientes afirmaciones es cierta para un sistema incompatible
de 2 por 2?
3.0
2.5
2.0
1.5
1.0
4
0.5
1.0
1
x
2
5
2
6x 3y = 15
6y = 3x + 15
3.2.2.
Definici
on 3.2.3. Una ecuacion lineal se dice degenerada si tiene la forma
0x1 + 0x2 + ... + 0xn = b
es decir, si cada coeficiente es igual a cero.
Ademas la solucion de tal ecuacion se halla como sigue:
Teorema 3.2.1. Consideremos una ecuacion degenerada
0x1 + 0x2 + ... + 0xn = b.
60
3.3.
3.3.1.
M
etodos de soluci
on de los sistemas de
Ecuaciones Lineales.
Sistemas equivalentes.
Definici
on 3.3.1. Se dice que dos sistemas de ecuaciones lineales con las
mismas incognitas son equivalentes si tienen el mismo conjunto solucion.
Una forma de producir un sistema que sea equivalente a uno dado, con
ecuaciones L1 , ..., Lm , es efectuar una sucesion de las siguientes operaciones
elementales:
Definici
on 3.3.2. Definimos 3 tipos de operaciones elementales para los
sistemas de ecuaciones lineales:
Intercambiar las ecuaciones i-esima y j-esima: Li Lj .(Operacion de
tipo I).
Multiplicar la ecuacion i-esima por un escalar no nulo k: kLi Li , k 6=
0. (Operacion de Tipo II).
Sustituir la ecuacion i-esima por ella misma mas k veces la j-esima:
(kLj + Li ) Li . (Operacion de Tipo III).
Estas operaciones elementales nos sirven para formar sistemas equivalentes pero mas faciles de resolver. En particular nos interesan 2 tipos de
sistemas.
DE LOS SISTEMAS DE ECUACIONES LINEALES.61
3.3. METODOS
DE SOLUCION
3.3.2.
Definici
on 3.3.3. Un sistema de ecuaciones lineales esta en forma triangular
si el n
umero de ecuaciones es igual al n
umero de incognitas y si xk es la
primera incognita de la k-esima ecuacion. Por tanto, un sistema de ecuaciones
lineales triangular tiene la forma
2x 4y + 2z + 8w = 2
6y + 0z 4w = 3
2z w = 8
w = 0.
Definici
on 3.3.4. Un sistema de ecuaciones esta en forma escalonada si
ninguna ecuacion es degenerada y la primera incognita de cada ecuacion
esta a la derecha de la primera incognita de la ecuacion anterior:
62
10
5
0
-5
-10
-50
-10
-5
0
5
10
Por ejemplo si el sistema tiene 3 incognitas pero solo 2 ecuaciones, las graficas
se veran de la siguiente forma:
y como se puede observar, las soluciones estan dadas por la lnea que se
forma en la interseccion de los planos.
Teorema 3.3.2. Consideremos el sistema de r ecuaciones lineales con
n incognitas, en forma escalonada. Existen dos casos:
r=n. Hay tantas ecuaciones como incognitas. Entonces el sistema tiene
solucion u
nica.
r<n. Hay menos ecuaciones que incognitas. Entonces podemos asignar
arbitrariamente valores a las n-r variables libres y obtener una solucion
del sistema.
Definici
on 3.3.5. La matriz asociada a un sistema de ecuaciones lineales
es la matriz que se forma al acomodar los coeficientes de todas las variables
involucradas en las ecuaciones lineales, poniendo cero en aquella variables
que no aparezcan en una ecuacion.
De la misma manera formamos la matriz aumentada, usando la matriz de coeficientes y a
nadiendole una columna al final, la cual se toma de los terminos
independientes del sistema.
Ejemplo:
DE LOS SISTEMAS DE ECUACIONES LINEALES.63
3.3. METODOS
DE SOLUCION
El sistema dado por:
c1 + c2 + c3 = 0
3c1 + 2c2 c3 = 0
9c1 + 4c2 + c3 = 1
tiene como matriz de coeficientes a la matriz:
1 1 1
3 2 1
9 4 1
y la matriz aumentada:
1 1 1 0
3 2 1 0
9 4 1 1
.
3.3.3.
Definici
on 3.3.6. Un sistema se encuentra en la forma escalonada reducida
por renglones si se cumplen las siguientes condiciones:
Todos las ecuaciones degeneradas aparecen en la parte inferior del sistema.
El primer n
umero diferente de cero en cualquier renglon no degenerado
es 1.
Si dos renglones sucesivos tienen elementos distintos de cero, entones el
primer 1 del renglon de abajo esta a la derecha del primer 1 del renglon
de arriba.
Cualquier columna que contiene el primer 1 en un renglon tiene 0 en el
resto de sus elementos.
64
3.4.
Algoritmo de reduccci
on de Gauss-Jordan.
Definici
on 3.4.1. A continuacion listamos los pasos del algoritmo de reduccion de Gauss par simplificar los sistemas de ecuaciones:
1. Realizar la operacion elemental tipo 1 hasta conseguir que el primer
renglon tenga como primer valor un n
umero diferente de 0.
2. Se divide el primer renglon entre una constante, para hacer el valor de
la primera columna igual a 1.
3. Se eliminan los valores de la primera columna de los demas renglones
usando las operaciones del tipo 3. Es decir los convertimos en cero.
4. Se usa la operacion del tipo 1 para conseguir que el segundo renglon
tenga como segunda columna a un valor diferente de cero.
5. Se repiten los pasos 2 y 3 con el (renglon 2)-(columna 2).
6. Se repiten los pasos anteriores hasta conseguir transformar la matriz a
la forma escalonada (o escalonada reducida seg
un se desee).
3.4.1.
Ejemplos
2x + 4y + 6z
8
4x + 5y + 6z = 10
3x + 7y + 6z
11
Empezamos el proceso de reduccion de Gauss con ayuda de la matriz aumentada del sistema:
Operacion tipo 2, en el renglon 1 multiplicado por el escalar 21
1 2 3
4
4 5 6 10
3 7 6
11
Operacion tipo 3, con el renglon 1 multiplicado por el escalar -4 sumado al
renglon 2
1
2
3
4
0 3 6 6
3
7
6
11
DE GAUSS-JORDAN.
3.4. ALGORITMO DE REDUCCCION
65
1
2
3
4
0 3 6 6
0
1 3
1
Operacion tipo 2, en el renglon multiplicado por el escalar 13
1 2
3
4
0 1
2 2
0 1 3
1
Operacion tipo 3, con el renglon 2 multiplicado por el escalar -1 sumado al
renglon 3
1 2
3
4
0 1
2 2
0 0 5
3
Operacion tipo 2, en el renglon 3 multiplicado por el escalar 15
1 2 3
4
0 1 2 2
3
0 0 1
5
Por u
ltimo observamos que el sistema ya se encuentra en forma escalonada
y este se puede resolver por medio del metodo de sustitucion hacia atras.
Ejercicio 7. Consideremos el siguiente sistema de ecuaciones S:
a1 x + a2 y + a3 z = b1
c1 x + c2 y + c3 z = b2
d1 x + d2 y + d3 z = b3
A este sistema le aplicamos la operacion elemental de tipo 3: (k EC1 + EC3 )
EC3 . Llamemos S 0 al sistema recien creado. Por otro lado, sabemos que una
solucion del sistema S esta dado por los valores x = t1 , y = t2 , z = t3 .
Explique por que estas soluciones tambien son solucion del sistema S 0 .
Ejercicio 8. Considere el siguiente sistema de ecuaciones lineales:
x+y+z =1
2x + 3y + 4z = 6
3x + 4y + Az = B
66
Parte III
Parcial 3
67
Captulo 4
Espacios Vectoriales
4.1.
Definici
on de Espacios Vectoriales
70
4.1.1.
71
4.2.
Subespacios Vectoriales
72
4.2.1.
4.3.
Combinaciones Lineales
Definici
on 4.3.1. Dado un espacio vectorial V y un conjunto U = {v1 , ..., vn }
de elementos de V, decimos que wV es una combinacion lineal de U si existen elementos escalares c1 , ..., cn tales que
w = c1 v1 + ... + cn vn .
Ejercicios
El problema principal al demostrar que algo es combinacion lineal de
otros consiste en encontrar los escalares que cumplen la igualdad anterior.
Pruebe que los vectores dados son combinacion lineal de los conjuntos dados:
73
4.4.
El Conjunto Generado
DEFINICION
Dado un conjunto W = {v1 , v2 , ..., vn } de vectores de un espacio vectorial,
definimos el conjunto generado por W, representado Span(W ), como el conjunto formado por todas las combinaciones lineales que se pueden formar con
< v1 , v2 , ..., vn >
los vectores de W. (Tambien se representa por gen(W)
gen(W), o bien<
>)
TEOREMA
Dado un conjunto W = {v1 , v2 , ..., vn } de vectores de un espacio vectorial V,
entonces Span(W) es un subespacio vectorial de V .
DEFINICION
Dado un conjunto W = {v1 , v2 , ..., vn } de vectores de un espacio vectorial V,
decimos que W es un conjunto de generadores de V si Span(W ) = V.
Ejercicios
1. Como se veran los vectores del espacio generado por W en cada uno
de los casos siguientes?
{(1, 0), (1, 1)}.
1 1
0 0
,
.
0 0
1 1
{1, x + 1, x2 4x, x5 + 2x3 } .
2. Determine si los siguientes elementos son combinacion lineal del conjunto dado
2 7x + 8x2 de {1-x, 3 x2 }.
2 7x + 8x2 de {x2 + 1, x2 1, x + 6}.
2 7
2 1
0 0
3 1
0 0
de
,
,
,
9 4
0 0
2 1
0 0
3 1
74
3. Muestre que los espacios generados por los siguientes conjuntos son los
dados:
{x2 + 1, x2 1, x + 6} es R2 [x].
4.4.1.
2 1
0 0
0 0
3 1
0 0
,
,
,
es M22 (R).
2 1
0 0
3 1
Definici
on 4.4.1. Sea V un espacio vectorial sobre un campo K. Se dice
que los vectores v1 , ..., vm V son linealmente dependientes sobre K,
o simplemente dependientes, si existen escalares a1 , ..., am K, no todos 0,
tales que
a1 v1 + a2 v2 + ... + am vm = 0V
En caso contrario se dice que los vectores son linealmente independientes
sobre K, o simplemente independientes.
Teorema 4.4.1. Sea V un espacio vectorial y sean {v1 , v2 , ..., vn } V, entonces:
Si 0 es uno de los vectores v1 , ..., vm , los vectores deben ser linealmente
dependientes.
Cualquier vector no nulo v es por s solo linealmente independiente.
Si dos de los vectores son iguales, o si uno es un m
ultiplo escalar de
otro, los vectores son linealmente dependientes.
Si un conjunto S de vectores es linealmente independiente, necesariamente lo es cualquier subconjunto de S.
Ejercicios
1. Determine cual de los siguientes conjuntos es linealmente dependiente
o independiente:
u=(1,-1,0), v=(1,3,-1) y w=(5,3,-2)
u=x, v = x2 + x, w = x2 .
75
2 1
4 2
1 2
0 4
u=
, v=
, w=
, x=
.
0 1
0
2
1 0
1 3
2. Determine cual de los siguientes conjuntos es l. i.
0
s1 =
,
.
1
1
1
s2 =
,
.
1
1
1
0
1
s3 =
,
,
0
1
1
1
0
s4 = {x, x + 1, x2 , x2 x + 1}
Teorema 4.4.2. Para un conjunto no vaco de vectores S = {u1 , u2 , ..., un }
en un espacio V, las siguientes afirmaciones son verdaderas
Si S contiene un subconjunto l. d, entonces S por s mismo es l. d.
Si S es l. i. entonces cualquier subconjunto de S es l. i.
4.5.
Producto Interno.
Definici
on 4.5.1. Un producto interno en un espacio vectorial real (o complejo) V es una funcion que mapea cada par ordenado de vectores (x, y) a un
escalar real (o complejo) < x|y > tal que las siguientes cuatro propiedades
se cumplan:
1. < x|y > es real con < x|x > 0, y < x|x >= 0 si y solo si x = 0.
2. < x|y >= < x|y >.
3. < x|y + z >=< x|y > + < x|z >.
4. < x|y >=< y|x > para espacios reales.
76
4.5.1.
Normas
Definici
on 4.5.2. Si V es un espacio vectorial con producto interno <x|y>,
entonces
p
kvk = < v|v >
define una norma en V.
Teorema
4.5.1.
Si V es un espacio vectorial con producto interno, y si
p
definimos
= < | > , entonces
k < x|y > k kxk kyk.
la igualdad se cumple si y solo si y=x con =
<x|y>
.
kxk2
Preguntas
Calcule los productos de los vectores dados en cada espacio vectorial, con
la formula dada
interno.
para elproducto
2 0
3 7
1.- M22 (R),
,
con < A, B >= tr (At B) .
3 4
2 1
P
2.- R3 , (1, 3, 8), (2, 4, 9)con < A, B ai bi .
4.6.
Definici
on 4.6.1 (Base Ortogonal). Sea V un espacio vectorial con producto
interno y sea w = {v1 , v2 , ..., , vn } una base de V , entonces decimos que w es
una base ortogonal si se cumple que
< vi , vj >= 0
para cada pareja diferente de elementos de w.
Definici
on 4.6.2 (Bases Ortonormal). Sea V un espacio vectorial con producto interno y sea w = {v1 , v2 , . . . , vn } un base de V , entonces decimos que
w es una base ortonormal si se cumple que
1. < vi , vj >= 0 para cada pareja diferente de elementos de w.
2. kvj k = 1 para cada vector de la base.
DE GRAHM-SCHMIDT77
4.6. BASE ORTONORMAL Y PROCESO DE ORTONORMALIZACION
4.6.1.
Algoritmo de Grahm-Schmidt
Definici
on 4.6.3. Sea {v1 , v2 , ..., vm } una base de un espacio vectorial V
Paso 1: Elecci
on de primer vector unitario
v1
u1 =
.
|v1 |
Paso 2: Elecci
on del segundo vector ortogonal a u1 .
v20 = v2 (v2 u1 ) u1
Paso 3: Elecci
on del segundo vector unitario
u2 =
v20
.
|v20 |
0
Paso 4: Continuaci
on del proceso para calcular el vector Vk+1
0
vk+1
= vk+1 (vk+1 u1 ) u1 (vk+1 u2 ) u2 ... (vk+1 uk ) uk
Paso 5: Normalizaci
on
v0
.
uk+1 = k+1
0
vk+1
Ejemplos
Vamos a aplicar el proceso de Grahm-Schmidt en el espacio vectorial
V = R3 con la base S = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} :
Paso 1:
u1 = || vv11k =
(1,1,1)
k(1,1,1)k
(1,1,1)
1 , 1 , 1
3
3
3
Paso 2:
v20 = v2 (v2 u1 ) u1
h
i
1 , 1 , 1
= (0, 1, 1) (0, 1, 1) 13 , 13 , 13
3
3
3
1 , 1 , 1
= (0, 1, 1) 0 + 13 + 13
3
3
3
2 2 2
, ,
3 3 3
= (0, 1, 1)
=
2 1 1
, ,
3 3 3
78
Paso 03:
v
u2 = v20
| 2|
2 1 1
( 3 ,3,3)
= 2
k( 3 , 13 , 13 )k
,1,1
( 2
3 3 3)
=
6/9
,1,1
( 2
3 3 3)
2/3
q
= 23 , 16 , 16
Paso 4
v30 = v3 (v3 u1 ) u1 (v3 u2 ) u2
h
i
h
q
i q
2 1 1
1 , 1 , 1 (0, 0, 1)
= (0, 0, 1) (0, 0, 1) 13 , 13 , 13
,
,
23 , 16
3
3
3
3
6
6
q
2 1 1
1 , 1 , 1
1
= (0, 0, 1) 13
,
,
3
3
3
3
6
6
6
= (0, 0, 1)
= 0, 12 , 12
1 1 1
, ,
3 3 3
13 , 16 , 16
Paso 05:
v
u3 = v30
| 3|
(0, 1 , 1 )
= 0, 21 , 21
k( 2 2 )k
(0, 1 , 1 )
= 21 2
2
1 1
= 0, 2 , 2
la base ortonormal
obtenida
n Concluimos
que
q
o es:
1
1
1
2
1
1
1
1
, ,
, 3 , 6 , 6 , 0, 2 , 2
3
3
3
4.7. PRACTICAS
4.6.2.
79
Ejercicios
3
1.- Encuentre una base ortonormal
para el conjunto
de vectores en R
x
z
3
2.- Construya
una
base
ortonormal
para R comenzando con la base
0
1
1
{v1 , v2 , v3 } = 1 , 1 , 0 .
0
1
1
3.- Construya una base ortonormal para el conjunto de vectores formado
por las soluciones del sistema
x 3y + z = 0
2x + 2y 3z = 0
4x 8y + 5z = 0
4.7.
Pr
acticas
4.7.1.
Pr
actica 1
Mmn (R)
Como se llaman?
Suma
Mult por Esc.
R[x]
Polinomios
0 0
.. . .
.
.
0 0
(a, b) = (a, b)
p 0 + p 1 x + p 2 x2 + + p n xn
80
Captulo 5
Transformaciones Lineales
5.1.
Definicion
Definici
on 5.1.1. Sean U y V espacios vectoriales sobre un campo F.
Una transformacion lineal de U sobre V esta definida como una funcion
lineal T que mapea a U sobre V. Es decir,
T (x + y) = T (x) + T (y)
y
T (x) = T (x)
o bien equivalentemente
T (x + y) = T (x) + T (y)
Un operador lineal sobre U es una transformacion lineal de U en s mismo.
Ejemplos Las siguientes transformaciones son lineales:
Proyeccion:
L : R3 R3
definida como L(x, y, z) = (x, y, 0)
Dilatacion:
L : R3 R3
definida como L(u) = ru, r > 1.
81
82
Contraccion:
L : R3 R3
definida como L(u) = ru, 0 < r < 1.
Reflexion:
L : R2 R2
definida como L(x, y) = (x, y)
Rotacion:
L : R2 R2
definida como
L(u) =
Cos Sen
Sen Cos
Ejercicios
1.- Encuentre las formulas de las transformaciones lineales que transforman el vector dado en el vector se
nalado:
(2, 4, 3) (6, 12, 9)
(2, 0, 3) (1, 0, 1,5)
(1, 1) (1, 1)
(2, 1, 4) (0, 1, 4)
(1, 1) (2, 2)
2.- Representemos por Rn [x] al espacio vectorial de todos los polinomios
de grado n. Sea L : R1 [x] R2 [x], definida como
L[p(t)] = tp(t) + t2
L es una transformacion lineal?
5.1. DEFINICION
5.1.1.
83
Definici
on 5.1.2. Una transformacion lineal L : V W es uno a uno (o
inyectiva) si para todo v1 , v2 en V, v1 6= v2 implica que L(v1 ) 6= L(v2 ).
Definici
on 5.1.3. Una transformacion Lineal L : V W es suprayectiva
(o sobre) si todo w W es la imagen de, al menos, un v V
Definici
on 5.1.4. Una transformacion que es inyectiva y suprayectiva se dice
que es una biyeccion (o biyectiva). Estas funciones siempre son invertibles.
Definici
on 5.1.5. Dos espacios vectoriales U y V sobre un campo K, son
isomorfos si existe una aplicacion lineal biyectiva F : V U. La aplicacion
F se denomina entonces isomorfismo entre V y U.
Ejercicio
1.- Sea L : Mmn Mnm , definida como
L(A) = AT
Es L una transformacion lineal?
Es 1-1?
Es sobre?
Es isomorfismo?
Proposici
on 5.1.1. Sea T : V W una transformacion lineal inyectiva y
sea {v1 , ..., vn } un conjunto de vectores l. i. de V, entonces {T (v1 ), ..., T (vn )}
es un conjunto de vectores l. i. en W.
Ejemplo 1
Consideremos la transformacion lineal T : R2 R2 dada por T (v) = Av T
donde
3 5
A=
2 4
y los vectores linealmente independientes {(1, 0), (0, 1)}. Entonces el conjunto
resultante de aplicar la transformacion es un conjunto l. i.
Ejemplo 2
Consideremos la transformacion Proyeccion:
L : R3 R2
84
L(t 1) = t2 + t
5.2.
El Kernel y la Imagen
Definici
on 5.2.1. Sea L : V W una transformacion lineal. El n
ucleo (o
kernel) de L, o n
ucleo(L) es el subconjunto de V que consta de todos los
vectores v tales que L(v) = 0. Es decir
ker(L) = {v V | L(v) = 0}
85
Definici
on 5.2.2. Si L : V W es una transformacion lineal, definimos la
imagen de V bajo L como el conjunto de vectores w W tales que existe un
v V que cumple que L(v) = w. Es decir
Im(L) = {w W | L(v) = w para alg
un v V }
Este conjunto se representa por Im(L).
Ejercicios
1.- Sea L : R2 R2 definida como
L(x, y) = (x + y, x y).
El L uno a uno?
Cual es el kernel de L?
2.- Sea L : R3 R2 dada por
L(x, y, z) = (x, y)
Es L uno a uno?
Cual es el kernel de L?
Cual es la imagen de L?
Teorema 5.2.1. Sea T : U W una transformacion lineal, entonces el
Kernel de T (Ker(T )) y la imagen de T (Im(T )) forman subespacios vectoriales de U y W respectivamente
Teorema 5.2.2. Sea T : U W una transformacion lineal, entonces el
Kernel de T (Ker(T )) y la imagen de T (Im(T )) forman subespacios vectoriales de U y W respectivamente
Teorema 5.2.3. Supongamos que v1 , v2 , ..., vn generan un espacio vectorial
V y que F : V U es lineal. Entonces F (v1 ), F (v2 ), ..., F (vn ) generan a
Im(F ).
Ejercicio
1.- Sea L : R3 R3 definida como
a1
1 0 1
a1
L a2 = 1 1 2 a2
a3
2 1 3
a3
86
L es sobre?
L es uno a uno?
Determine el kernel de L? una base del kernel.
Determine una base para Im(L)?
Determine una base para la imagen de la transformacion.
Teorema 5.2.4. Sea V de dimension finita y sea F : V W una aplicacion
lineal. Entonces
dim(V ) = dim(Ker(F )) + dim(Im(F )).
Nota 5.2.5. Sea F : V U una transformacion lineal. Se define el Rango
de F como la dimension de su imagen y la nulidad de F como la dimension
de su n
ucleo.
Definici
on 5.2.3. Definimos el rango de una matriz cuadrada A como el
n
umero de pivotes que posee en la forma escalonada, y la nulidad de la
matriz como n rango, donde n es la dimension de la matriz
Ejemplo Sea T : R4 R3 la transformacion definida por
T (x, y, s, t) = (x y + s + t, x + 2s t, x + y + 3s 3t)
Encontremos una base y la dimension de la imagen de T :
T (1, 0, 0, 0) = (1, 1, 1)
T (0, 0, 1, 0) = (1, 2, 3)
T (0, 1, 0, 0) = (1, 0, 1) T (0, 0, 0, 1) = (1, 1, 3)
Necesitamos encontrar vectores l. i. que generen al espacio vectorial dado
por estos vectores
Para conseguir este proposito, construimos la matriz cuyas filas son estos
vectores imagen y la reducimos a su forma escalonada reducida:
1 1 1
1
1
1
1 0
1
0 1 2
1
0 0 0
2
3
0 0 0
1 1 3
De este modo (1, 1, 1), (0, 1, 2) constituyen una base de Im(T ), luego
dim(Im(T )) = 2, o en otras palabras, rango(t) = 2.
5.3. EJERCICIOS
87
Nota 5.2.6.
Tarea 1: Completar el proceso anterior para llevar la matriz
original a la forma escalonada.
Tarea 2: Encontrar una base y la dimension de Ker(T ).
5.3.
Ejercicios
ejercicios
1. Escoja dos matrices cuadradas A1 y A2 de dimension 3. Tales que A1
sea no singular y A2 sea singular.
2. Defina dos transformaciones T1 y T2 ambas de R3 R3 , dadas por
Ti (v) = Ai v T .
3. Determine si las transformaciones son inyectivas y suprayectivas (para
cada caso.)
4. Determine bases para Ker(Ti ) e Im(Ti ) para i = 1, 2. Cuales son las
dimensiones?
5.4.
88
son vectores en V por lo tanto cada uno de ellos es combinacion lineal de los
vectores de la base S, digamos
T (u1 ) = a11 u1 + ... + a1n un
..
.
T (un ) = an1 u1 + ... + ann un
Definici
on 5.4.1. La transpuesta de la matriz de los coeficientes anterior,
denotada por ms (T ) o [T ]s , se denomina la representacion matricial de T
relativa a la base S, es decir
[T ]s = ..
. . . ..
.
.
an1 an2 ... ann
Ejemplos
Sea V el espacio vectorial de los polinomios en t sobre R de grado 3
y D : V V el operador de derivacion. Calculemos la matriz de D en
la base {1, t, t2 , t3 }.
Consideremos el operador lineal F : R2 R2 definido por F (x, y) =
(4x 2y, 2x + y) y las bases de R2 :
S = {u1 = (1, 1), u2 = (1, 0)},
89
5.5.
Cambio de Base
Definici
on 5.5.1. Sean S = {u1 , ..., un } una base de V y S 0 = {v1 , ..., vn }
otra base. Supongamos que para i = 1, 2, ..., n
vi = ai1 u1 + ai2 u2 + ... + ain un
La transpuesta P de la matriz de coeficientes precedente se llama matriz de
cambio de base (o matriz de transicion) desde la antigua base S hasta la
nueva base S 0 .