Académique Documents
Professionnel Documents
Culture Documents
IV
Autor:Jorge Garcı́a Nieva
29 de julio de 2010
1
INTRODUCCIÓN
2
complejos, lo cual es importante para abordar el tema de las ma-
trices ortogonales y sus aplicaciones en la descripción geométri-
ca de fenómenos fı́sicos,amén de que interviene en el tratamiento
algebraico de la diagonalización de la representación de transfor-
maciones lineales mediante matrices y su ulterior aplicación en el
tratamiento de sistemas dinámicos.
El capı́tulo 2,trata de las matrices , sus propiedades y con-
ceptos fundamentales asociados.Los conceptos estudiados en este
capı́tulo tienen relación directa con el capı́tulo 3, el cual trata sobre
los sistemas lineales y su resolución mediante matrices, expresa-
do esto en el procedimiento de Gauss-Jordan , en el método de
Cramer y en el método de la inversa de la matriz de coeficientes
de un sistema lineal. Cabe notar que los conceptos estudiados en
las unidades 2 y 3 son de amplia apliacación en varios campos den-
tro de la ingenierı́a,como por ejemplo,las ecuaciones diferenciales,
la Investigación de operaciones y la estadı́stica multivariable. En
la unidad 4 se estudian los espacios vectoriales, los cuales repre-
sentan una generalización de la geometrı́a plana y del espacio a
espacios multidimensionales, ası́ como a espacios con objetos no
necesariamente geométricos, como lo son los espacios de matri-
ces o de soluciones de un sistema de ecuaciones ya sea algebraico
lineal o de ecuaciones diferenciales lineales , y que en ingenierı́a
son de suma importancia para estudiar fenómenos o sistemas de
tipo lineal. En la unidad 5 se estudian las transformaciones lin-
eales, las cuales aparecen en la práctica en el análisis de objetos
que se pueden ampliar, reducir,transladar o rotar; desde luego,su
aplicación a la robótica es ineludible,ası́ como en la programación
de gráficos.
3
Índice general
Introducción 2
4
5
Índice general
5 Transformaciones lineales. 15
193
5.1. Introducción a las transformaciones lineales. . . . . 193
5.2. Núcleo e imagen de una transformación lineal. . . . 212
5.3. La matriz de una transformación lineal 205
5.4. Aplicación de las transformaciones lineales: reflexión,
dilatación, contracción y rotación . . . . . . . 219
5
UNIDAD I. Los números complejos
Origen y definición. Operaciones con complejos. Forma polar. Teorema
de DeMoivre. Potencias y raíces de complejos
a + bi = 0 =⇒a = b = 0
ya que de lo contrario, para b 6= 0 se deduciría que i es un elemento de R y esto
no es posible.
y , que:
(a + bi) · (a − bi) = a2 + b2
a2 + b2 = 0 ⇐⇒ a=b=0
6
UNIDAD I. LOS NÚMEROS COMPLEJOS
entonces, si a + bi 6= 0
1 a − bi
=
a + bi (a + bi) · (a − bi)
a − bi
=
a2 + b2
a −b
= 2 2
+ 2 i
a +b a + b2
K0 = {a + bi : a, b ∈ R}
es un cuerpo.
No obstante, si existe otro elemento i1 ∈ K tal que i21 + 1 = 0, entonces
podemos determinar
K01 = {a + bi1 : a, b ∈ R}
y es claro que K0 y K01 son isomorfos. Por tanto, K0 es único salvo un isomorfismo.
Por otra parte, si K0 existe, (22.4) muestra que hay una biyección entre K0
y R×R
f : R × R −→ K0
(a, b) 7−→ a + bi
Además, es claro que f es un isomorfismo de grupos aditivos, en donde R × R
está dotado con la siguiente adición
(a, b) + (c, d) = (a + b, c + d)
pues, se cumple
f ((a, b) + (c, d)) = f (a, b) + f (c, d)
Podemos dotar a R×R con la siguiente multiplicación (a, b)(c, d) = (ac − bd, ad
+ bc)
(a, b) + (c, d) = (a + b, c + d)
y
(a, b) · (c, d) = (ac − bd, ad + bc)
Es fácil comprobar las siguientes propiedades:
7
UNIDAD I. LOS NÚMEROS COMPLEJOS
f (a + b) = (a + b, 0)
= (a, 0) + (b, 0)
= f (a) + f (b)
f (a · b) = (ab, 0)
= (a, 0) · (b, 0)
= f (a) · f (b)
y
f (a) = f (b) ⇐⇒ (a, 0) = (b, 0) ⇐⇒ a = b
Como consecuencia, podemos considerar R como un subcuerpo de C, y entonces
es natural afirmar que C es una extensión de R.
Puesto que
(0, 1) · (0, 1) = (−1, 0)
es natural escribir (0, 1) = i, cumpliéndose entonces que i2 = −1, y, por tanto,
−1 posee raíz cuadrada en C. Además, si b es un número real, entonces se cumple
8
UNIDAD I. LOS NÚMEROS COMPLEJOS
El cuerpo de los números complejos dotado con las dos operaciones siguientes
y
λ(a + ib) = λa + iλb (λ ∈ R)
es un espacio vectorial sobre R. Es inmediato comprobarlo. Además, (1, i) for-
man una base de este espacio, pues son generadores
a + ib = a · 1 + b · i
λ · 1 + µ · i = 0 + 0 · i ⇐⇒ λ = µ = 0
La geometría ordinaria del plano proporciona una imagen adecuada del cuer-
po de los números complejos. Consideremos en el plano euclídeo un origen O y
unos ejes rectángulares Ox y Oy. Sean e1 , e2 los vectores de la base ortonormal
correspondiente. Entonces, entre el espacio vectorial de los vectores libres del
plano y el cuerpo de los números complejos, considerado como espacio vectorial
real de base (1, i), existe un isomorfismo definido por la aplicación
9
UNIDAD I.LOS NÚMEROS COMPLEJOS
−→
v = OP , siendo P el afijo de z. De este modo, entre el plano euclídeo y el cuerpo
de los números complejos queda establecida una biyección que lo convierte en
el plano complejo. Los complejos que son números reales tienen por afijos
los puntos del eje Ox, y los que son números imaginarios puros, los puntos
del eje Oy. Esta es la razón por la cual estos ejes se denominan entonces eje
real y eje imaginario del plano complejo, respectivamente. Sin embargo, estas
denominaciones son un abuso del lenguaje, pues, tanto el eje Oy como el plano
Oxy están descritos por puntos de coordenadas reales.
Esta representación geométrica de los números complejos permite interpretar
fácilmente la adición de los números complejos: si P y Q son los afijos de z1 y
z2 y se tiene,
−→ −→ −→
OP + OQ = OR
En particular, los afijos de los números complejos z y −z son dos puntos simétri-
cos respecto a O.
Con la representación geométrica, aparecen de manera natural los conceptos
de módulo y argumento de un número complejo.
10
UNIDAD I. LOS NÚMEROS COMPLEJOS
1. |z| = 0 si y sólo si z = 0
2. |zz 0 | = |z| |z 0 |
3. |z + z 0 | ≤ |z| + |z 0 |
C −→ R+
z 7−→ |z|
(r, θ) = (r0 , θ0 ) ⇐⇒ r = r0 y θ0 = θ + k · 2π
11
UNIDAD I. LOS NÚMEROS COMPLEJOS
y ³y ´
θ = arctan (x 6= 0)
x
permiten determinar la forma polar de z. Si x = 0, podemos tomar θ = π/2 si
y > 0, y θ = 3π/2 cuando y < 0.
x = r cos θ y y = r sin θ
z = r cos θ + ir sin θ
= r(cos θ + i sin θ)
y
y x
sin θ = p y cos θ = p
x + y2
2 x2 + y2
permiten determinar la forma trigonométrica.
La forma trigonométrica nos permite dar una interpretación geométrica del
producto de dos números complejos. En efecto, si
entonces
12
UNIDAD I. LOS NÚMEROS COMPLEJOS
Por tanto,
|z1 z2 | = |z1 | |z2 | y arg(z1 z2 ) = arg z1 + arg z2
z n = rn [cos(nθ) + i sin(nθ)]
Puesto que
X xn
ex =
n!
n≥0
13
UNIDAD I. LOS NÚMEROS COMPLEJOS
y
θ3 θ5 X (−1)n 2n+1
Im eiθ = θ − + − ··· = θ = sin θ
3! 5! (2n + 1)!
n≥0
es decir,
C −→ C
z = x + iy 7−→ z = x − iy
El complejo z se llama conjugado de z. Es claro que se trata de una biyección
y, además, transforma la suma y el producto en la suma y producto de los
conjugados. Se tiene entonces que
z=z z + z0 = z + z0
zz 0 = zz 0
14
UNIDAD I. LOS NÚMEROS COMPLEJOS
Es evidente que
Re z = Re z Im z = − Im z
Re z = 12 (z + z) Im z = 1
2i (z − z)
zz = (x + iy) · (x − iy)
= x2 + y 2
15
UNIDAD I. LOS NÚMEROS COMPLEJOS
(b) Tenemos
−5 + 3i −5 + 3i
=
(1 + i)2 (1 − i)2
−5 + 3i
=
−2i
−5i − 3
=
2
3 5
= − − i
2 2
(c) Tenemos
(2 + i)(8 + 5i)i = (11 + 18i)i
= −18 + 11i
(d) Tenemos
1 + i −1 + i (1 + i)(−2 + i)
÷ =
2 + i −2 + i (2 + i)(−1 + i)
−3 − i −3 − i
= ·
−3 + i −3 − i
8 + 6i
=
10
4 3
= + i
5 5
16
UNIDAD I. LOS NÚMEROS COMPLEJOS
y, por tanto,
(r0 )n = r y nθ0 ≡ θ (mod 2π)
o de forma equivalente,
√ θ 2kπ
r0 = n
r y θ0 = + (k = 0, 1, 2, ..., n − 1)
n n
Como consecuencia, todo número complejo z = r(cos θ + i sin θ) no nulo tiene n
raíces n-ésimas
µ ¶
√
n
θ + 2kπ θ + 2kπ
zk = r cos + i sin (k = 0, 1, 2, ..., n − 1)
n n
es decir, encontramos que las dos raíces son opuestas y, como consecuen-
cia, son los afijos de dos puntos simétricos respecto al origen.
2. En particular, las raíces n-ésimas de la unidad son las soluciones de la
ecuación z n = 1. Vienen dadas por la fórmula
2kπ 2kπ
zk = cos + i sin (k = 0, 1, 2, ..., n − 1)
n n
En este caso el polígono que forman sus afijos está inscrito en la circun-
ferencia de radio 1, siendo uno de sus vértices el punto z0 = 1.
3. Las raíces n-ésimas de un número complejo cualquiera son los productos
de una de ellas por las raíces n-ésimas de la unidad, pues, si u0 es una
raíz particular de orden n de z, y u es una cualquiera de las otras, se tiene
³ ´n
u
un = un0 = z =⇒ u0 =1
17
UNIDAD I. LOS NÚMEROS COMPLEJOS
p
5
√
Ejemplo. Calcular 1 − 3i.√
Solución: Expresando z = 1 − 3i en forma polar, obtenemos
√ 5π
|z| = 2 y arg z = arctan(− 3) =
3
En consecuencia, las raíces quintas de z vienen dadas por
µ ¶
√
5 5π/3 + 2kπ 5π/3 + 2kπ
zk = 2 cos + i sin (k = 0, 1, 2, 3, 4)
5 5
es decir, √ ¡ ¢
z1 = 5
√ 2 cos π3 + i sin π3 ¢
5 11π 11π
z2 = √ 2 ¡ cos 15 + i sin 15
z3 = 5
√ 2 cos 17π 17π
15 + i sin 15 ¢
z4 = 5
√ 2 ¡cos 15 + i sin 23π
23π
15
z5 = 5
2 cos 29π 29π
15 + i sin 15
(1 + i)z 3 − 2i = 0
√
Ejemplo. Expresar en forma binómica e i .
Solución: Puesto que
√ π/2 + 2kπ π/2 + 2kπ
i = cos + i sin (k = 0, 1)
2 2
18
UNIDAD I. LOS NÚMEROS COMPLEJOS
obtenemos ( √ √
√ cos π4 + i sin π4 = 22 + i 2
i= √ 2 √
2 2
cos 5π 5π
4 + i sin 4 = − 2 − i 2
Por tanto,
√ √ √ √ √ ³
√ √ ´
√ e
2
2 +i 2
2
=e 2
2
ei 2
2
=e 2
2
cos 22 + i sin 22
√ ³ √ ´
i
e = √ √ √ √ √
e− 2
2 −i 2
2
= e− 2
2
e−i 2
2 2
= e− 2 cos 22 − i sin 22
Como una de las raíces cúbicas de w es z1 −z, podemos obtener las raíces cúbicas
de w multiplicando z1 − z por las raíces cúbicas de la unidad. Las raíces cúbicas
de la unidad son
u1 = 1 √
u2 = cos 2π 2π 1
3 + i sin 3 = − 2 + i √2
3
u3 = cos 4π 4π 1
3 + i sin 3 = − 2 − i 2
3
w1 = 1 − 2i ³
√ ´ √ ³√ ´
w2 = (1 − 2i) − 12 + i 23 = − 12 + 3 + i 23 + 1
√ √ √ ´
w3 = (1 − 2i) − 12 − i 23 = − 12 − 3 + i − 23 + 1
z1 = z + w1 = −1 + i ³√ ´
√
z2 = z + w2 = − 52 + 3 + i 23 + 4
√ √ ´
z3 = z + w3 = − 52 − 3 + i − 23 + 4
19
Unidad II. Matrices y Determinantes
Operaciones con matrices. Matrices especiales . Operaciones por
filas. Matrices escalonadas. Determinantes
Para cada j ∈ {1, . . . , n} la j-ésima columna de A la denotaremos por A(j) y está dada por
a1j
a
2j
A(j) =
.
amj
Cuando m = n, diremos que A es una matriz cuadrada de orden n, en este caso, las
componentes a11 , a22 , . . . , ann forman lo que llamaremos diagonal principal de A.
Cuando m = 1, diremos que A es una matriz fila y cuando n = 1, diremos que A es una
matriz columna.
La notación A = (aij )m×n , significa que A es la matriz de orden m × n cuya ij-ésima compo-
nente es aij para cada i ∈ {1, . . . , m} y cada j ∈ {1, . . . , n}.
El conjunto formado por todas las matrices reales de orden m×n lo denotaremos por Mm×n (R).
20
UNIDAD II. MATRICES Y DETERMINANTES
Observación 1.1. Podemos considerar matrices sobre un campo K ,l, por ejem plo K =
C, en lugar de matrices reales, en cuyo caso las componentes de las matrices son
elementos de K.
Observación 1.2. Se debe tener cuidado cuando se usa la notación (aij )m×n , el cambio de
ı́ndices no significa que se trata de otra matriz, los ı́ndices son “mudos”, esto es
Ejemplo 2.1.
"
√ #
1. A = −2 0 5
es una matriz real de orden 2 × 3, la componente 2, 1 de A es a2,1 = 23 ,
2
3
4 1
" √ #
h i 5
la fila 2 de A es A(2) = 2
3
4 1 , la columna 3 de A es A(3) =
1
−1 4 0
2. B = 5 12 −3 es una matriz cuadrada real de orden 3, las componentes de la
0 2 −8
diagonal principal son a1,1 = −1, a2,2 = 12, a3,3 = −8.
(
1 si i = j
3. La matriz In = (δij )n×n , donde δij = , para cada i, j ∈ {1, . . . , n}, es llamada
0 si i 6= j
matriz identidad de orden n, esto es,
1 0 ··· 0
0 1 . . . .
In = . .
.. ... 0
.
0 ··· 0 1
n×n
4. La matriz 0/m×n = (ξij )m×n , donde ξij = 0 para cada i ∈ {1, . . . , m} y cada j ∈ {1, . . . , n},
es llamada matriz nula de orden m × n, es decir
0 ··· 0
.
0/m×n = . .
0 ··· 0
m×n
21
UNIDAD II. MATRICES Y DETERMINANTES
2.2.Clasificación de las matrices.
Definición 2.2 Sea A ∈ Mn×n (R). Diremos que A = (aij )n×n es
Observación 2.4. Cuando A ∈ Mn×n (R) es diagonal y las componentes en la diagonal principal
son λ 1 , λ 2 , . . . , λ n ∈ R, entonces escribiremos A = diag(λ 1 , λ 2 , . . . , λ n )
Ejemplo 2.2
1. Para cada n ∈ Z+ , In y 0/n son matrices escalares, y por lo tanto diagonales y consecuente-
mente triangulares superior e inferior.
−5 4 0 −7
0 3 12 5
2. A = es triangular superior.
0 0 2 1
0 0 0 0
−5 0 0 0
0 4 0 0
3. A = es triangular inferior.
0 −1 0 0
9 13 −3 8
22
Unidad II.Matrices y Determinantes
6 0 0 0
0 −3 0 0
4. A = es diagonal, en cuyo caso podemos escribir A = diag(6, −3, −5, 0).
0 0 −5 0
0 0 0 0
8 0 0 0
0 8 0 0
5. A = es escalar, en cuyo caso podemos escribir A = diag(8, 8, 8, 8).
0 0 8 0
0 0 0 8
Definición 2 .3 Sean A, B ∈ Mm×n (R). Diremos que A y B son matrices iguales, lo cual
denotaremos por A = B, si la componente ij-ésima de A es igual a la componente ij-ésima de
B para cada i ∈ {1, . . . , m} y cada j ∈ {1, . . . , n}, es decir, si A = (aij )m×n y B = (bij )m×n ,
diremos que A y B son iguales si
Observación 2.5. Nótese que para que dos matrices sean iguales, en primer lugar deben ser
del mismo orden.
" # 5 7 x 7
5 −1 0
Ejemplo 2.3 Si A = ;B= 0 y y C = 0 −3 , entonces A 6= B
−6 8 3
−2 4 −2 4
pues ni siquiera son del mismo orden; B = C si y sólo si x = 5 e y = −3.
Teorema.2.1 Sean A, B ∈ Mm×n (R). Entonces las siguientes proposiciones son equivalentes
1. A = B.
23
UNIDAD II. MATRICES Y DETERMINANTES
Observación 2.6. Para poder sumar dos matrices estas deben ser del mismo orden.
4 −9 0 8 −3 9 5 −4
Ejemplo 2.4. Si A = −7 3 5 −12 y B = 1 −13 3 9 , entonces
1 0 −6 2 10 4 7 11
4 −9 0 8 −3 9 5 −4
A + B = −7 3 5 −12 + 1 −13 3 9
1 0 −6 2 10 4 7 11
4 + (−3) −9 + 9 0 + 5 8 + (−4) 1 0 5 4
= −7 + 1 3 + (−13) 5 + 3 −12 + 9 = −6 −10 8 −3
1 + 10 0 + 4 −6 + 7 2 + 11 11 4 1 13
Definición 2.5. Sean A ∈ Mm×n (R) y α ∈ R (α es llamado escalar), con A = (aij )m×n .
Definiremos la multiplicación de α por A ( multiplicación por escalar) como la matriz
α · A ´o simplemente αA cuya ij-´esima componente es αaij para cada i ∈ {1, . . . , m} y cada j ∈
{1, . . . , n}, esto es, si αA = (bij)m×n, entonces bij = αaij para cada i ∈ {1, . . . , m} y cada j ∈ {1,
. . . , n}.
24
UNIDAD II. MATRICES Y DETERMINANTES
1. A + B = B + A (conmutatividad de la suma).
2. (A + B) + C = A + (B + C) (asociatividad de la suma).
25
UNIDAD II. MATRICES Y DETERMINANTES
fij = eij + cij = (aij + bij ) + cij = aij + (bij + cij ) = aij + gij = hij
3. Recordemos que 0/m×n = (ξij )m×n donde ξij = 0 para cada i ∈ {1, . . . , m} y cada j ∈
{1, . . . , n}. Ası́ que si A + 0/m×n = E = (eij )m×n , entonces, por definición de suma de
matrices, para cada i ∈ {1, . . . , m} y cada j ∈ {1, . . . , n}
A + 0/m×n = A = 0/m×n +A
4. Definamos D = (dij )m×n con dij = −aij para cada i ∈ {1, . . . , m} y cada j ∈ {1, . . . , n}.
Hagamos A + D = E = (eij )m×n . Entonces, por definición de suma de matrices, para cada
i ∈ {1, . . . , m} y cada j ∈ {1, . . . , n}
A + D = 0/m×n = D + A
Luego
α(A + B) = F = P = α A +Bα
26
UNIDAD II. MATRICES Y DETERMINANTES
De donde
E=H=α A +Aβ
Por lo tanto
α(βA) = (αβ)A = β (αA)
8. Hagamos 1 · A = E = (eij )m×n . Ası́ que al usar la definición de multiplicación por escalar,
se tiene que para cada i ∈ {1, . . . , m} y cada j ∈ {1, . . . , n}
En consecuencia
1·A=E =A
27
UNIDAD II. MATRICES Y DETERMINANTES
2. Para cada matriz A ∈ Mm×n (R), existe una única matriz D ∈ Mm×n (R) tal que A + D =
0/m×n = D + A, tal matriz D es llamada matriz opuesta de A y se denota por −A.
Demostración. La parte 3 del teorema 1.2 garantiza que la matriz nula 0/m×n satisface que para
cada A ∈ Mm×n (R) se cumple que A + 0/m×n = A = 0/m×n +A. Además, la existencia de la matriz
D es garantizada en la parte 4 del mismo teorema. Sólo faltarı́a probar la unicidad de ambas
matrices.
1. Supongamos que P ∈ Mm×n (R) es tal que A + P = A = P + A para cada A ∈ Mm×n (R),
luego
2. Sea A ∈ Mm×n (R) cualquiera. Supongamos que existen D, E ∈ Mm×n (R) tales que
A + D = 0/m×n = D + A (2.1)
A + E = 0/m×n = E + A (2.2)
En consecuencia
28
UNIDAD II. MATRICES Y DETERMINANTES
2. α 0/m×n = 0/m×n .
3. (−1)A = −A.
Demostración.
1. Sabemos que
0 · A + 0/m×n = 0 · A (¿por qué?)
además
0 · A = (0 + 0)A = 0 · A + 0 · A
ası́ que
0 · A + 0 · A = 0 · A + 0/m×n
2. Por un lado
α · 0/m×n = α · 0/m×n + 0 m×n
luego
α · 0/m×n + 0/m×n = α · 0/m×n +α · 0/m×n
3. Basta probar que A + (−1)A = 0/m×n , y por unicidad, obtendrı́amos el resultado. Veamos
29
UNIDAD II. MATRICES Y DETERMINANTES
4. Supongamos que αA = 0/m×n . Si α = 0, no hay nada que probar, supongamos entonces que
α 6= 0, ası́ que
−1 −1
A = α (α A) (teorema 2.2 parte 7) α 0
(por hipótesis)
= 0 (por la parte 2)
Producto de Matrices
A diferencia de las dos operaciones definidas en la sección anterior, la multiplicación de matrices
no se define de manera “natural”, como veremos luego, no por ello deja de ser importante dicha
operación.
30
UNIDAD II. MATRICES Y DETERMINANTES
Observación 2.9Nótese que para poder definir el producto AB, la cantidad de columnas d
A debe coincidir con la cantidad de filas de B, además, la matriz resultante, es una matriz cuya
cantidad de filas coincide con la cantidad de filas de A y su cantidad de columnas es igual a la
cantidad de columnas de B.
" # 3 1 0
2 −1 0
Ejemplo 2.7. Sean A = yB= 2 −1 −2 . Entonces
0 3 1
−4 −2 3
AB = A · B
" #
2 · 3 + (−1)2 + 0(−4) 2 · 1 + (−1)(−1) + 0(−2) 2 · 0 + (−1)(−2) + 0 · 3
=
0 · 3 + 3 · 2 + 1(−4) 0 · 1 + 3(−1) + 1(−2) 0 · 0 + 3(−2) + 1 · 3
" # " #
6−2+0 2+1+0 0+2+0 4 3 2
= =
0+6−4 0−3−2 0−6+3 2 −5 −3
Observación 2.10. Nótese que en el ejemplo anterior, el producto BA no está definido, esto
nos dice que el producto de matrices no es conmutativo, más aún, a pesar de que ambos
productos
están definidos, AB y BA, no necesariamente son ambos del mismo orden, además, siendo ambos
productos del mismo orden, en cuyo caso necesariamente A y B deben ser cuadradas y del mismo
orden, las matrices AB y BA no tienen por que ser iguales, cuando esto ocurre, es decir, cuando
AB = BA, se dice que A y B son matrices que conmutan.
A continuación enunciaremos un teorema que expone las principales propiedades del producto
de matrices
Teorema 2.6. Sean A ∈ Mm×n (R); B, C ∈ Mn×p (R); C ∈ Mp×q (R) y α ∈ R. Entonces
31
UNIDAD II. MATRICES Y DETERMINANTES
Demostración. Sean A = (aij )m×n ; B = (bjk )n×p ; C = (cjk )n×p y D = (dkl )p×q .
Luego
p p n
! p n p
n X
X X X X X X
fil = eik dkl = aij bjk dkl = aij bjk dkl = aij bjk dkl
k=1 k=1 j=1 k=1 j=1 j=1 k=1
n p
! n
X X X
= aij bjk dkl = aij gjl = hil
j=1 k=1 j=1
(AB)D = F = H = A(BD)
32
UNIDAD II. MATRICES Y DETERMINANTES
En consecuencia
A(B + C) = F = R = AB + AC
fik = α nX eik
(definici aijón
bjk (d
d
e finición de proónducto
multiplicaci de matrices)
por escalar)
j=1
n
X n
X
= α(aij bjk ) = (αaij )bjk
j=1 j=1
Xn
= α gij bjk (definición de multiplicación por escalar)
j=1
= hik (definición de producto de matrices)
(2.3)
33
UNIDAD II. MATRICES Y DETERMINANTES
Hagamos AIn = E = (eik )m×n . Entonces, para cada i ∈ {1, . . . , m} y cada k ∈ {1, . . . , n}
n
X
eik = aij δjk (definición de producto de matrices)
j=1
= ai1 δ1k + · · · + ai(k−1) δ(k−1)k + aik δkk + ai(k+1) δ(k+1)k + · · · + ain δnk
= ai1 · 0 + · · · + ai(k−1) · 0 + aik · 1 + ai(k+1) · 0 + · · · + ain · 0 (por 1.3)
= aik
AIn = A = Im A
Definición 2.8. Una matriz N ∈ Mn×n (R) es llamada nilpotente si existe p ∈ N tal que
N p = 0/n , además, si p es tal que N p−1 6= 0/n , diremos que N es nilpotente de orden p.
34
UNIDAD II. MATRICES Y DETERMINANTES
Transposición de Matrices
Definición 2.9. Sea A = (aij )m×n ∈ Mm×n (R). Definiremos la transpuesta o traspuesta de
A como la matriz AT = (bji )n×m ∈ Mn×m (R) tal que
Observación 2.12. Nótese que las filas de A “pasan” a ser las columnas de AT y las columnas
de A “pasan” a ser las filas de AT , más propiamente
T (i)
A(i) = AT para cada i ∈ {1, . . . , m}
T
A(j) = AT (j)
para cada j ∈ {1, . . . , n}
35
UNIDAD II. MATRICES Y DETERMINANTES
T
1. AT = A (propiedad de involución de la transposición de matrices)
Luego
T
AT =E=A
Por lo tanto
(A + B)T = E = H = AT + B T
36
UNIDAD II. MATRICES Y DETERMINANTES
Ası́ que
(αA)T = E = G = αAT
De donde
(AC)T = E = H = C T AT
1. A es simétrica si AT = A.
2. A es antisimétrica si AT = −A.
Ejemplo 2.10.
2. 0/n es simétrica y antisimétrica para todo n ∈ N ¿existe alguna otra matriz que sea simétrica
y antisimétrica simultáneamente?
3. La matriz
A=
0 5 7 −6
−5 0 −4 8
−7 4 0 12
6 −8 −12 0
37
UNIDAD II. MATRICES Y DETERMINANTES
es antisimétrica pues
0 −5 −7 6
5 0 4 −8
AT = = −A
7 −4 0 −12
−6 8 12 0
4. La matriz
5 −9 3 0
−9 2 −1 13
A=
3 −1 0 7
0 13 7 −3
es simétrica ya que
5 −9 3 0
−9 2 −1 13
AT = =A
3 −1 0 7
0 13 7 −3
Demostración. ¡Ejercicio!
Las operaciones elementales por filas son herramientas usadas con mucha frecuencia en
la resolución de los sistemas de ecuaciones lineales al igual que en cálculo de la inversa
de una matriz cuadrada. Estas operaciones las usaremos a lo largo de todo el curso, por ello
deben ser manejadas con la mayor perfección posible por parte del estudiante que desee aprender
la materia. Comencemos por definir dichas operaciones.
Denotemos por Fm (R) el conjunto formado por todas las matrices reales con m filas.
38
UNIDAD II. MATRICES Y DETERMINANTES
Definición 2.11. Una operación elemental por filas (OEF) es una función f : Fm (R) →
Fm (R) la cual es de uno de los siguientes tipos
OEF Tipo 1. Si f (A) = B, entonces existen s ∈ {1, . . . , m} y α 6= 0 tales que B(i) = A(i)
para cada i ∈ {1, . . . , m}, con i 6= s, y además B(s) = αA(s) , esto es, una de las
filas
de A es multiplicada por un escalar no nulo y el resto de las filas permanecen iguales.
A(1) A(1)
. .
.
A(s−1) A(s−1)
f (A) = f A(s) = αA(s) =B
A(s+1) A(s+1)
.
. .
A(m) A(m)
Fs → αFs
Por comodidad, en lugar de escribir B = f (A), escribiremos A → B.
A(1) A(1)
. .
A(s−1) A(s−1)
f (A) = f A(s) = A(s) + αA(t) =B
A(s+1) A(s+1)
. .
. .
A(m) A(m)
Fs → Fs + αFt
Al igual que antes, en lugar de escribir B = f (A), escribiremos A → B.
OEF Tipo 3. Si f (A) = B, entonces existen s, t ∈ {1, . . . , m} tales que B(i) = A(i) para
cada i ∈ {1, . . . , m}, con i 6= s e i 6= t y además B(s) = A(t) y B(t) = A(s) , dicho de
otra manera, intercambiamos dos filas de A y dejamos el resto sin alterar.
39
UNIDAD II. MATRICES Y DETERMINANTES
A(1) A(1)
. .
.
A(s−1) A(s−1)
A(s) A(t)
A(s+1) A(s+1)
. .
f (A) = f . = . =B
A(t−1) A(t−1)
A(t) A(s)
A(t+1) A(t+1)
. .
.
A(m) A(m)
Fs ↔ Ft
Nuevamente, en lugar de escribir B = f (A), escribiremos A → B.
Observación 1.1.3. Nótese que si A ∈ Mm×n (R) y f : Fm (R) → Fm (R) es una OEF,
entonces
f (A) ∈ Mm×n (R).
Ejercicio 2.1.3. Pruebe que toda OEF f : Fm (R) → Fm (R) es una función invertible y que
su
inversa f −1 : Fm (R) → Fm (R) es tambiénuna OEF del mismo
tipo que f .
−2 4 −5
Ejemplo 2.1.1. Sea 6 3 4
2 −1 8
A= −6 21 −15
Entonces
−2 4 −5 2 −1 8 2 −1 8
6 3 F1 ↔ F3
4 6 3 4 F4 → 13 F4 6 3 4
A= → →
2 −1 8 4 −5 4 −5
(OEF 3) −2 (OEF 1) −2
−6 21 −15 −6 21 −15 −2 7 −5
2 −1 8
F3 → F3 + F1 6 3 4
→ =B
(OEF 2) 0 3 3
−2 7 −5
40
UNIDAD II. MATRICES Y DETERMINANTES
Observación 2.14. Se pueden aplicar más de dos operaciones por filas en un solo paso, lo único
que debemos cuidar es no transformar, en el mismo paso, una fila más de una vez y no transform-
ar, en el mismo paso, una fila que va ser usada para transformar a otra(s).
Observación 2.15. De manera análoga a como se definieron las operaciones elementales por
filas, pueden definirse operaciones elementales por columnas (OEC), sin embargo, estas últimas
sólo se usarán para el cálculo de determinantes y no para la resolución de sistemas de ecuaciones
lineales ni para hallar la inversa de una matriz cuadrada, en estos últimos dos problemas sólo
usaremos las operaciones elementales por filas.
Definición 2.12. Sea A = (aij )m×n ∈ Mm×n (R). Diremos que A es una matriz
Escalonada
1. Si todas las filas nulas de A, si las hay, estan ubicadas en las útimas posiciones, esto es,
si A(i) es una fila no nula de A, entonces A(s) también es no nula para cada 1 ≤ s < i.
2. Si A(i) y A(i+1) son dos filas no nulas de A, entonces la primera componente no nula de
A(i) (contada de izquierda a derecha) está mas a la izquierda de la primera compon-
ente no nula de A(i+1), es decir, si j, k ∈ {1, . . . , n} son tales que aij 6 = 0; a(i+1)k 6 = 0 y
ais = 0 = a(i+1)t para cada 1 ≤ s < j y cada 1 ≤ t < k, entonces j < k.
2. Si A(j) es una columna de A que tiene un pivote, entonces el resto de las componentes
de A(j) son iguales a 0 (cero), esto es, si i ∈ {1, . . . , m} es tal que aij = 1 y ais = 0
para cada 1 ≤ s < j, entonces akj = 0 para cada k ∈ {1, . . . , m} con k 6= i.
Escalonada Reducida por Filas (ERF) si es escalonada y reducida por filas simultánea
mente.
Ejemplo 2.12.
41
UNIDAD II. MATRICES Y DETERMINANTES
2. Si A es una matriz RF, entonces la cantidad de pivotes de A es, a lo sumo, el mı́nimo entre
m y n.
Ejercicio 2.5. Pruebe que si A ∈ Mn×n (R) es una matriz escalonada, entonces A es triangular
superior.
Definición 2.13. Sean A, B ∈ Mm×n (R). Diremos que B es equivalente por filas a A si
existen OEF f1 , f2 , . . . , fr : Fm (R) → Fm (R) tales que B = (f1 ◦ f2 ◦ · · · ◦ fr )(A)
Ejemplo 2.13. Consideremos las matrices A y B del ejemplo 1.11. Entonces B es equivalente
por filas a A (¿por qué?).
42
UNIDAD II. MATRICES Y DETERMINANTES
Demostración. ¡Ejercicio!
Observación 2.16. La parte 2 del teorema 2.9, nos permite decir A y B son equivalentes por
filas en lugar de B es equivalente por filas a A ó A es equivalente por filas a B.
3. Una única matriz escalonada reducida por filas, la cual llamaremos la forma escalonada
reducida por filas (FERF) de A.
Demostración.
El siguiente ejemplo ilustra el procedimiento a seguir para hallar la FERF de una matriz.
Solución.
6 −1 −15 2 13 −1 0 2 −1 −3
−1 0 2 −1 −3 6 −1 −15 2 13
A= F1 ↔ F2
→
0 −3 −9 0 9 0 −3 −9 0 9
7 1 −11 3 10 7 1 −11 3 10
43
UNIDAD II. MATRICES Y DETERMINANTES
1 0 −2 1 3 1 0 −2 1 3
6 −1 −15 2 13 F2 → F2 − 6F1 0 −1 −3 −4 −5
F1 → −F1 →
→
0 −3 −9 0 9 F4 → F4 − 7F1 0 −3 −9 0 9
7 1 −11 3 10 0 1 3 −4 −11
1 0 −2 1 3 1 0 −2 1 3
0 1 3 4 F3 → F3 + 3F2
5 0 1 3 4 5
F2 → −F2 →
→ 9
0 −3 −9 0 F4 → F4 − F2 0 0 0 12 24
0 1 3 −4 −11 0 0 0 −8 −16
1 0 −2 1 3 1 0 −2 0 1
F1 → F1 − F3
1 0 1 3 4 5 0 1 3 0 −3
F3 → F
12 3 F2 → F2 − 4F3
→ 0 0 0 1 2 →
F → F + 8F 0 0 0 1 2
4 4 3
0 0 0 −8 −16 0 0 0 0 0
Definición 2.14. Una matriz E ∈ Mn×n (R) es llamada matriz elemental si existe una OEF
f : Fn (R) → Fn (R) tal que E = f (In ), es decir, E se obtiene de In por medio de una única
OEF.
Ejemplo 1.15.
1 0 0 0
0 1 0 0
1. E1 = es elemental, pues
−5 0 1 0
0 0 0 1
1 0 0 0 1 0 0 0
0 1 0 0 0 1 0 0
I4 = F3 → F3 − 5F1 = E1
0 0 1 0 → −5 0 1 0
0 0 0 1 0 0 0 1
44
.UNIDAD II. MATRICES Y DETERMINANTES
1 0 0
2. E2 = 0 4 0 es elemental, ya que
0 0 1
1 0 0 1 0 0
I3 = 0 1 0 F2 → 4F2→ 0 4 0 = E2
0 0 1 0 0 1
1 0 0 0 0
0 0 0 0 1
3. E3 = 0 0 1 0 0 es elemental, dado que
0 0 0 1 0
0 1 0 0 0
1 0 0 0 0 1 0 0 0 0
0 1 0 0 0 0 0 0 0 1
I5 = 0 0 1 0 0 F2 ↔ F5→ 0 0 1 0 0 = E3
0 0 0 1 0 0 0 0 1 0
0 0 0 0 1 0 1 0 0 0
Teorema 2.11. Sean A ∈ Mm×n (R), B ∈ Mn×p (R) y f : Fm (R) → Fm (R) una OEF. Entonces
1. f (AB) = f (A)B.
2. (f (A))(j) = f A(j) para cada j ∈ {1, . . . , n} de donde
f (A) = f A(1) f A(2) · · · f A(n)
Corolario 2.13. Sean A, B ∈ Mm×n (R) dos matrices equivalentes por filas.
Entonces existen matrices elementales E1 , E2 , . . . , Er ∈ Mm×m (R) tales que B =
E1 E2 · · · Er A
45
Ası́ que la única solución del sistema homogéneo Bx = 0/n×1 es la trivial, y en virtud del teorema
1.22, B es invertible. Además
Por lo tanto BA = In (definición de inversa) y como consecuencia de la parte 1 del teorema 3.20
A−1 = (B −1 )−1 = B.
Observación 3.22. El teorema 1.23 nos permite garantizar que A−1 = B sólo con probar que
AB = In ó BA = In .
Ejercicio 3.7. Sean A, B ∈ Mn×n (R). Pruebe que si AB es invertible, entonces A y B también
son invertibles
En esta sección trataremos los determinantes y algunas de sus propiedades, en primer lugar
definiremos los determinantes de orden 2, continuando luego con los determinantes de
orden 3, para finalmente definir los determinantes de orden n.
" #
a11 a12
Definición 2.17. Sea A = ∈ M2×2 (R). Definiremos el determinante de A, como
a21 a22
el número real det(A) = |A|, dado por
a
11 a12
det(A) = |A| = = a11 a22 − a12 a21
a21 a22
46
UNIDAD II. MATRICES Y DETERMINANTES
−6 5
Solución. det(A) = = (−6)6 − 5(−7) = −36 + 35 = −1
−7 6
" #
a11 a12
Ejercicio 2.8. Pruebe que A = ∈ M2×2 (R) es invertible si y sólo si det(A) 6= 0.
a21 a22
" #
1 a22 −a12
Además, si A es invertible, entonces A−1 =
det(A) −a21 a11
a
11 a12 a13 a a a
22 a23 21 a23 21 a22
det(A) = |A| = a21 a22 a23 = a11 − a12 + a13
a32 a33 a31 a33 a31 a32
a31 a32 a33
Solución.
2 −3 −1
1 5 −6 5 −6 1
det(A) = |A| = −6 1 5 = 2 − (−3) + (−1)
0 6 −7 6 −7 0
−7 0 6
= 2(6 − 0) + 3(−36 + 35) − (0 + 7) = 2
47
UNIDAD II. MATRICES Y DETERMINANTES
Observación 2.24. Una forma muy sencilla recordar la fórmula de determinantes de orden 3
es la siguiente
Los productos generados por las flechas rojas (ց) se colocan con signo positivo, los que son
generados por las flechas azules (ւ) se colocan con signo negativo.
Puede verificar que la igualdad anterior es cierta. También se puede hacer el cálculo si en lugar
de colocar las dos primeras filas al final, se colocan las dos últimas filas en la parte superior, las
dos primeras columnas a la derecha o las dos últimas columnas a la izquierda.
Este método se conoce como la método de Sarrus para el cálculo de determinantes de orden
3 y sólo es aplicable a determinantes de orden 3.
Ejemplo 2.24. Calculemos el determinante del ejemplo 2.23 usando este método.
Solución.
2 −3 −1
−6 1 5 = 2 · 1 · 6 + (−6)0(−1) + (−7)(−3)5 − (−1)1(−7) − 5 · 0 · 2 − 6(−3)(−6)
−7 0 6
2 −3 −1
−6 1 5
2 −3 −1
−6 1 5 = 12 + 0 + 105 − 7 − 0 − 108 = 2
−7 0 6
48
UNIDAD II. MATRICES Y DETERMINANTES
Observación 2.25. Si en lugar de eliminar una fila y una columna de A, eliminamos dos filas
y dos columnas de A, la matriz que se obtiene se denomina menor de segundo orden de A,
A
estas matrices se denotan por Mij,kl , lo que significa que se han eliminado las filas i e j
(con i 6= j) y las columnas k y l (con k 6= l) de A. De manera análoga se pueden definir
menores de
A ∈ Mn×n (R) hasta de orden n − 1.
A A A A
Observación 2.26. Es claro que Mij,kl = Mji,lk = Mji,kl = Mij,lk para cada i, j, k, l ∈ {1, . . . ,
n} con i 6= j y k 6= l.
Ejemplo 2.25. Consideremos la matriz −9 2 −1 4
0 8 −5 7
1 6 3 −6
A= −4 1 0 3
A A A
Hallar M23 ; M42 y M22 .
Solución.
−9 2 4 −9 −1 4 −9 −1 4
A
A
A
M23 = 1 6 −6 ; M42 = 0 −5 7 y M22 = 1 3 −6
−4 1 3 1 3 −6 −4 0 3
Definición 2.20. Sea A ∈ Mn×n (R). Para cada i, j ∈ {1, . . . , n} definiremos el ij-ésimo co-
factor de A como el número real CijA dado por
Ejemplo 2.26. Para la matriz del ejemplo 2.25 se tiene que
CijA = (−1)i+j det MijA
49
UNIDAD II. MATRICES Y DETERMINANTES
−9 2 4
A 2+3 A
C23 = (−1) det M23 =− 1 6 −6 = −(−162 + 4 + 48 + 96 − 54 − 6) = 74
−4 1 3
−9 −1 4
A
C42 = (−1)4+2 det M42
A
= 0 −5 7 = −270 + 0 − 7 + 20 + 189 − 0 = −68
1 3 −6
−9 −1 4
A 2+2 A
C22 = (−1) det M22 = 1 3 −6 = −81 + 0 − 24 + 48 − 0 + 3 = −54
−4 0 3
Pasemos ahora a definir los determinantes de orden n. En primer lugar notemos que la fórmula
dada en la definición 2.18 puede ser escrita como
A A A
det(A) = |A| = a11 C11 + a12 C12 + a13 C13
. . . . j=1 j=1
Solución.
−9 2 −1 4
0 8 −5 7
det(A) = |A| =
1 6 3 −6
−4 1 0 3
= (−9)(−1)1+1 det M11 + 2(−1)1+2 det M12
AA
+ (−1)(−1)1+3 det M13
A
+4(−1)1+4 det M14
A
50
UNIDAD II. MATRICES Y DETERMINANTES
8 −5 7 0 −5 7 0 8 7 0 8 −5
det(A) = −9 6 3 −6 − 2 1 3 −6 − 1 6 −6 − 4 1 6 3
1 0 3 −4 0 3 −4 1 3 −4 1 0
= −9(72 + 0 + 30 − 21 − 0 + 90) − 2(0 + 0 − 120 + 84 − 0 + 15)
−(0 + 7 + 192 + 168 − 0 − 24) − 4(0 − 5 − 96 − 120 − 0 − 0)
= −1539 + 42 − 343 + 884 = −956
2 0 0 0 0
12 1 0 0 0
det(A) = |A| = −3 0 −3 0 0
5 −8 7 −1 0
−9
6 −7 0 −6
= 2(−1)1+1 det M11A
+ 0(−1)1+2 det M12A
+ 0(−1)1+3 det M13
A
+0(−1)1+4 det M14 A
+ 0(−1)1+5 det M15A
= 2(−1)1+1 det M11A
+ 0(−1)1+2 det M12A
+ 0(−1)1+3 det M13
A
+0(−1)1+4 det M14 A
+ 0(−1)1+5 det M15A
1 0 0 0
0 −3 0 0
= 2
−8 7 −1 0
6 −7 0 −6
51
UNIDAD II. MATRICES Y DETERMINANTES
−3 0 0 0 0 0
det(A) = 2 1(−1)1+1 7 −1 0 + 0(−1)1+2 −8 −1 0
−7 0 −6 6 0 −6
0 −3 0 0 −3 0
1+3 1+4
+0(−1) −8 0 + 0(−1)
7 −8 7 −1
6 −7 −6 6 −7 0
−3 0 0
= 2·1 7 −1 0
−7 0 −6
!
−1 0 7 0 7 −1
= 2 · 1 (−3)(−1)1+1 + 0(−1)1+2 + 0(−1)1+3
0 −6 −7 −6 −7 0
−1 0
= 2 · 1(−3) = 2 · 1(−3)((−1)(−6) − 0 · 0)
0 −6
= 2 · 1(−3)(−1)(−6) = −36
La demostración del teorema que enunciaremos a continuación escapa del objetivo del curso,
sin embargo, de él se derivan el resto de las propiedades que serán enunciadas más adelante, en
el apéndice D se puede encontrar una demostración de este.
52
UNIDAD II. MATRICES Y DETERMINANTES
Teorema 2.25. Si A ∈ Mn×n (R), entonces det AT = det(A).
Demostración. (Ejercicio)
Sugerencia: proceder por inducción sobre n y usar el teorema 1.24
Teorema 2.26. Si A = (aij )n×n ∈ Mn×n (R) una matriz triangular (superior o inferior), en-
tonces det(A) = a11 a22 · · · ann .
Demostración. Procedamos por inducción sobre n. Supongamos, sin perder generalidad que
A es una matriz triangular superior.
Verifiquemos que la tesis se cumple para n = 2. Sea
" #
a11 a12
A=
0 a22
53
UNIDAD II. MATRICES Y DETERMINANTES
Entonces
det(A) = a11 a22 − a12 · 0 = a11 a22
Supongamos ahora que la tesis se cumple para n − 1, esto es, supongamos que para cualquier
matriz triangular superior A = (aij )(n−1)×(n−1) ∈ M(n−1)×(n−1) (R) se cumple que det(A) =
a11 a22 · · · a(n−1)(n−1) (Hipótesis Inductiva).
Probemos ahora que se cumple para n. Sea
a11 a12 · · · a1n
0 a22 · · · a2n
A=
.. ..
.
..
.
.
.
0 ··· 0 ann
A A A
det(A) = 0 · Cn1 + · · · + 0 · Cn(n−1) + ann Cnn = ann (−1)n+n det(Mnn
A A
) = ann det Mnn
Pero
a11 a12 · · · a1(n−1)
0 a22 · · · a2(n−1)
A
Mnn = . .. ..
. . . .
0 ··· 0 a(n−1)(n−1)
A
es decir, Mnn es una matriz triangular superior de orden (n−1), por lo tanto, usando la Hipótesis
A
Inductiva, se tiene que det Mnn = a11 a22 · · · a(n−1)(n−1) . Luego
Los teoremas que enunciaremos a continuación, nos presentan las propiedades básicas del
determinante, estas propiedades nos permitirán hallar el determinante de una matriz sin hacer
demasiados cálculos. Los enunciados de estas propiedades se darán sólo para filas, sin embargo,
en virtud del teorema 1.25, se pueden enunciar propiedades análogas para columnas.
Teorema 2.27. Sea A ∈ Mn×n (R). Si existe s ∈ {1, . . . , n} tal que A(s) = 0/1×n , entonces
det(A) = 0, es decir, si A tiene una fila nula, su determinante es cero.
54
UNIDAD II. MATRICES Y DETERMINANTES
Demostración. Sea A = (aij )n×n . Como A(s) = 0/1×n , entonces asj = 0 para cada j ∈ {1, . . . , n}.
Ası́ que, al desarrollar el determinante de A por medio de la fila s, se tiene que
n
X n
X
A A
det(A) = asj Csj = 0 · Csj =0
j=1 j=1
Teorema 2.28. Sean A, B ∈ Mn×n(R) y α ∈ R. Si existe s ∈ {1, . . . , n} tal que B(s) = αA(s) y
B(i) = A(i) para i 6 = s, entonces det(B) = α det(A), esto es, si multiplicamos una fila de A por un
escalar α, entonces el determinante de la matriz resultante es igual al determinante de A
multiplicado por α.
Demostración. Sean A = (aij )n×n y B = (bij )n×n . Como B(s) = αA(s) y B(i) = A(i) para i 6= s,
entonces bsj = αasj para cada j ∈ {1, . . . , n} y además, la matriz que se obtiene al eliminar la
A B
fila s de B coincide con la matriz que se obtiene al eliminar la fila s de A. Luego Msj = Msj para
cada j ∈ {1, . . . , n} (¿por qué?).
Por lo tanto
B
Csj = (−1)s+j det(Msj
B
) = (−1)s+j det(Msj
A A
) = Csj
55
UNIDAD II. MATRICES Y DETERMINANTES
Teorema 2.29. Sean A, B, C ∈ Mn×n(R). Si existe s ∈ {1, . . . , n} tal que C(s) = A(s) + B(s) y C(i)
= B(i) = A(i) para i 6 = s, entonces det(C) = det(A) + det(B), dicho de otra manera, si tenemos
tres matrices A, B, C cuyas filas son id´enticas excepto la fila s, y que la fila s de C es
igual a la suma de la fila s de A con la fila s de B, entonces el determinante de C es igual a la
suma del determinante de A con el determinante de B.
Demostración. Sean A = (aij )n×n , B = (bij )n×n y C = (cij )n×n . Sean A, B, C ∈ Mn×n (R).
Como C(s) = A(s) + B(s) y C(i) = B(i) = A(i) para i 6= s, entonces csj = asj + bsj para cada
j ∈ {1, . . . , n} y además, las matrices que se obtienen al eliminar la fila s de A, B y C son
A B C
iguales, ası́ que Msj = Msj = Msj para cada j ∈ {1, . . . , n}.
Por lo tanto
C B A
Csj = Csj = Csj
Teorema 2.30. Sean A, B ∈ Mn×n(R). Si existen s, t ∈ {1, . . . , n} tales que s 6 = t, B(s) = A(t),
B(t) = A(s) y B(i) = A(i) para i 6 = s y i 6 = t, entonces det(B) = − det(A), en otras palabras, si
intercambiamos dos filas distintas de A, el determinante de la matriz resultante es igual al
determinante de A multiplicado por −1.
56
UNIDAD II. MATRICES Y DETERMINANTES
Demostración. Ejercicio
Teorema 2.31. Sea A ∈ Mn×n (R). Si existen s, t ∈ {1, . . . , n} tales que s 6= t y A(s) = A(t) ,
entonces det(A) = 0, es decir, si A tiene dos filas iguales, su determinante es igual a cero.
Demostración. Sea B ∈ Mn×n (R) la matriz que se obtiene al intercambiar las filas s y t de A.
Como A(s) = A(t) , entonces B = A y ası́ det(B) = det(A).
Por otro lado, dado que s 6= t y según el teorema 1.30, det(B) = −
det(A). Ası́ que det(A) = det(B) = − det(A) y en consecuencia det(A) =
0.
Ejemplo 2.33. Sea 2 −1 −2
4 −16 12
2 −1 −2
Entonces
A=
2 −1 −2
det(A) = 4 −16 12
2 −1 −2
= 2(−16)(−2) + 4(−1)(−2) + 2(−1)12 − (−2)(−16)2 − 12(−1)2 − (−2)(−1)4
= 64 + 8 − 24 − 64 + 24 − 8 = 0
57
UNIDAD II. MATRICES Y DETERMINANTES
Demostración. Sea B ∈ Mn×n (R) tal que B(i) = A(i) para cada i ∈ {1, . . . , n} con i 6= s y
B(s) = A(t) = B(t) . Por lo tanto, en virtud del teorema 2.31, se tiene que det(B) = 0.
Por otro lado, como A(s) = αA(t) = αB(t) = αB(s) , entonces, usando el teorema 2.28, se
tiene
que det(A) = α det(B) = α0 = 0.
Ejemplo 2.34. Sea 2 8 2
−4 −16 1
A=
3 12 −2
Entonces la columna A(2) = 4A(1) , además
2 8 2
det(A) = −4 −16 1
3 12 −2
= 2(−16)(−2) + (−4)12 · 2 + 3 · 8 · 1 − 2(−16)3 − 1 · 12 · 2 − (−2)8(−4)
= 64 − 96 + 24 + 96 − 24 − 64 = 0
Demostración. Sea C ∈ Mn×n (R) tal que C(i) = B(i) = A(i) para i 6= s y C( s) = αA(t) . Por lo
tanto, dado que s 6= t y en virtud del teorema 1.32, det(C) = 0.
Además, como B(s) = A(s) + αA(t) = A(s) + C(s) y en virtud del teorema 1.29
58
UNIDAD II. MATRICES Y DETERMINANTES
2 −1 2
det(B) = −2 −9 −10
−2 0 3
= 2(−9)3 + (−2)0 · 2 + (−2)(−1)(−10) − 2(−9)(−2) − (−10)0 · 2 − 3(−1)(−2)
= −54 + 0 − 20 − 36 − 0 − 6 = −116 = det(A)
El siguiente ejemplo nos da un método para calcular el determinante de una matriz A haciendo
uso de las propiedades dadas en los siete teoremas precedentes, como veremos, el cálculo resulta
mucho más sencillo que al usar la definición.
Como se dijo en la observación 1.15, usaremos tanto OEF como operaciones elementales por
columnas (OEC) para el cálculo de determinantes, estas operaciones las indicaremos de manera
análoga a las OEF, salvo que en lugar de usar F usaremos C.
Solución.
6 −1 2 13 2 6 −1 2 10 2
−1 0 −1 −3 −1 −1 0 −1 −3 −1 !
C4 → C4 + 3C2
det(A) = 0 −3 0 9 0 = 0 −3 0 0 0
por teorema 2.33
7 1 3 12 3 7 1 3 15 3
1.2.33
0 −2 4 1 −3 0 −2 4 −5 −3
59
UNIDAD II. MATRICES Y DETERMINANTES
6 2 10 2
!
−1 −1 −3 −1 desarrollando el determinante
det(A) = −3(−1)3+2
7 3 15 3 mediante la tercera fila
0 4 −5 −3
0 −4 −8 −4
F1 → F1 + 6F2
−1 −1 −3 −1
= 3 F3 → F3 + 7F2
0 −4 −6 −4
por teorema 1.33
0 4 −5 −3
−4 −8 −4 !
desarrollando el determinante
= 3(−1)(−1)2+1 −4 −6 −4
mediante la primera columna
4 −5 −3
0 −13 −7 F1 → F1 + F3
= 3 0 −11 −7 F2 → F2 + F3
4 −5 −3 por teorema 1.33
!
−13 −7 desarrollando el determinante
= 3 · 4(−1)3+1
−11 −7 mediante la primera columna
= 12(−13(−7) − (−7)(−11)) = 12 · 14 = 168
Resuelva este ejercicio sin hacer uso de OEF ni OEC y compare ambos métodos ¿cuál de los dos
le parece más sencillo?
Teorema 2.34. Sea A = (aij )n×n ∈ Mn×n (R). Entonces para cualesquiera s, t ∈ {1, . . . , n} con
s 6= t se tiene que
n
X n
X
A A
ask Ctk =0 y aks Ckt =0
k=1 k=1
Demostración. Sea s, t ∈ {1, . . . , n} con s 6= t. Definamos B = (bij )n×n tal que B(i) = A(i)
para cada i ∈ {1, . . . , n} con i 6= t y B(t) = A(s) . Ası́ que, usando el teorema 1.31, det(B) = 0.
Por otro lado, las matrices que se obtienen al eliminar la fila t de B y la fila t de A, son iguales,
B A B A
por lo tanto Mtk = Mtk para cada k ∈ {1, . . . , n}, de donde Ctk = Ctk . Luego, al desarrollar el
determinante de B mediante la fila t, se tiene que
n
X n
X
B A
det(B) = btk Ctk = ask Ctk
k=1 k=1
n
X n
X
A A
En consecuencia ask Ctk = 0, análogamente se prueba que aks Ckt = 0.
k=1 k=1
60
UNIDAD II. MATRICES Y DETERMINANTES
Teorema 2.35. Si E ∈ Mn×n (R) es una matriz elemental, entonces para cada A ∈ Mn×n (R) se
tiene que det(EB) = det(E) det(B).
Demostración. Como E ∈ Mn×n (R) es una matriz elemental, existe una OEF f : Fn (R) →
Fn (R) tal que E = f (In ). Luego, sando la parte 1 del corolario 1.12, se tiene que EA = f (In )A =
f (A).
Debemos proceder por casos sobre el tipo de OEF.
Caso 1. f es una OEF tipo 1. As que existen s ∈ {1, . . . , n} y α 6= 0 tales que E(s) = α (In )(s)
(donde (In )(s) es la fila s de In ) y para i 6= s se tiene que E(i) = (In )(i) . Luego
(f (A))(s) = αA(s) y para i 6= s tenemos (f (A))(i) = A(i) .
det(E) = α det(In ) = α · 1 = α
y
det(EA) = det(f (A)) = α det(A) = det(E) det(A).
Caso 2. f es una OEF tipo 2. Luego existen s, t ∈ {1, . . . , n}, con s 6= t, y α ∈ R tales que
(In )(t) y E(i) = (In )(i) para i 6= s. As que (f (A))(s) = A(s) + α
E(s) = (In )(s) + α A(t) y
(f (A))(i) = A(i) para i 6= s.
det(E) = det(In ) = 1
y
det(EA) = det(f (A)) = det(A) = 1 · det(A) = det(E) det(A)
Caso 3. f es una OEF tipo 3. Por lo tanto existen s, t ∈ {1, . . . , n} tales que E(s) = (In )
(t) ,
E(t) = (In )(s) y E(i) = (In )(i) para i 6= s e i 6= t. De donde (f (A))(s) = A(s) + α
A(t) y
(f (A))(i) = A(i) para i 6= s e i 6= t.
det(E) = det(In ) = 1
61
UNIDAD II. MATRICES Y DETERMIN-
ANTES
y
det(EA) = det(f (A)) = det(A) = 1 · det(A) = det(E) det(A)
det(E) = − det(In ) = −1
y
det(EA) = det(f (A)) = − det(A) = (−1) det(A) = det(E) det(A)
Observación 2.27. De la prueba del teorema 1.35, se tiene que si E ∈ Mn×n (R) es una matriz
elemental, entonces det(E) 6= 0.
Corolario 2.36. Sean E1 , E2 , . . . , Er ∈ Mn×n (R) matrices elementales. Entonces, para cada
A ∈ Mn×n (R), se tiene que det(E1 E2 · · · Er A) = det(E1 ) det(E2 ) · · · det(Er ) det(A).
Teorema 2.37. Si A ∈ Mn×n (R) es una matriz ERF, entonces det(A) 6= 0 si y sólo si A = In .
Demostración. Sea A = (aij )n×n . Como A es ERF, entonces A es triangular superior (ver
ejercicio 1.5), ası́ que aij = 0 para i > j y det(A) = a11 a22 · · · ann .
Supongamos que det(A) 6 = 0. Luego aii 6 = 0 para cada i ∈ {1, . . . , n}. Como aij = 0 para i > j,
entonces para cada i ∈ {1, . . . , n}, la primera componente no nula en la i-´esima fila es aii, y por
ser A una matriz ERF, se tiene que aii = 1 para cada i ∈ {1, . . . , n}, es decir, aii es un pivote y
por lo tanto aij = 0 para i 6 = j (¿por qu´e?). En resumen
(
1 si i = j
aij =
0 si i 6= j
Es decir, A = In .
Recı́procamente, si A = In , entonces det(A) = 1 6= 0.
En el siguiente teorema se da una nueva equivalencia que involucra la inversa de una matriz
cuadrada.
62
UNIDAD II. MATRICES Y DETERMINANTES
Demostración.
Caso 1. det(A) = 0. Ası́ que, en virtud del teorema 1.38, A no es invertible. Luego, usando
el ejercicio 1.7, se tiene que AB no es invertible, y nuevamente por el teorema 1.38 se
tiene que det(AB) = 0. Por lo tanto
Caso 2. det(A) 6= 0. Luego A es invertible, en virtud del teorema 1.38. Ası́ que, al usar
el teorema 1.22, tenemos que existen matrices elementales E1 , E2 , . . . , Er ∈ Mn×n (R)
tales que A = E1 E2 · · · Er . Luego, por el corolario 1.36
Definición 2.22. Sea A ∈ Mn×n (R). Se define la matriz adjunta de A como la matriz adj(A) ∈
Mn×n (R) cuya ij-ésima componente es el ji-ésimo cofactor de A para cada i, j ∈ {1, . . . , n}, es
A
decir, si adj(A) = (bij )n×n , entonces bij = Cji para cualesquiera i, j ∈ {1, . . . , n}.
63
UNIDAD II. MATRICES Y DETERMINANTES
Observación 2.28. Si C = (CijA )n×n , es decir, si C es la matriz real cuadrada cuya ij-
ésima componente es el ij-ésimo cofactor de A para cada i, j ∈ {1, . . . , n}, entonces adj(A) =
CT .
0 2 1 2 1 0
A
C11 = (−1)1+1 = 2; A
C12 = (−1)1+2 = 1; A
C13 = (−1)1+3 = −1;
−1 7 4 7 4 −1
−1 3 2 3 2 −1
A 2+1 A 2+2 A 2+3
C21 = (−1) = 4; C22 = (−1) = 2; C23 = (−1) = −2;
−1 7 4 7 4 −1
−1 3 2 3 2 −1
A
C31 = (−1)3+1 = −2; A
C32 = (−1)3+2 = −1; A
C33 = (−1)3+3 = 1;
0 2 1 2 1 0
As que
A A A
C11 C21 C31 2 4 −2
adj(A) = CA CA CA = 1 2 −1
12 22 32
A A A
C13 C23 C33 −1 −2 1
Demostración. Hagamos adj(A) = (bjk )n×n . Ası́ que para cada j, k ∈ {1, . . . , n}, se tiene que
A
bjk = Ckj .
Si hacemos A adj(A) = D = (dik )n×n , entonces, para cada i, k ∈ {1, . . . , n}, tenemos que
n
X n
X
A
dik = aij bjk = aij Ckj .
j=1 j=1
Pero n
X
aij CijA = det(A)
j=1
64
UNIDAD II. MATRICES Y DETERMINANTES
Por lo tanto
(
det(A) si i = k
dik =
0 si i 6= k
(
1 si i = k
= det(A)
0 si i 6= k
= det(A)δik
donde In = (δik )n×n . En consecuencia A adj(A) = det(A)In . De manera análoga se prueba que
adj(A)A = det(A)In , lo cual concluye la prueba.
1 1
Teorema 2.41. Si A ∈ Mn×n (R) es invertible, entonces det(A−1 ) = y A−1 = adj(A).
det(A) det(A)
Demostración. Como A es invertible, entonces existe A−1 ∈ Mn×n (R) tal que AA−1 = In =
A−1 A, y por el teorema 1.39
Luego
1
det(A−1 ) = .
det(A)
Por otro lado, usando el teorema 1.40, se tiene que
1 1 1
A adj(A) = A adj(A) = det(A)In = In .
det(A) det(A) det(A)
De donde
1
A−1 = adj(A).
det(A)
Ejercicio 2.9. Sea A ∈ Mn×n (R) una matriz invertible. Pruebe que adj(A) también es invertible
y además (adj(A))−1 = adj(A−1 ).
65
2.9. APLICACIONES
Si A es invertible, entonces la única solución de dicha ecuación está dada por x = A−1 b,
ası́ que, una forma de hallar la
solución de la ecuación en cuestión, es calcular la inversa de A y multiplicarla por b, pero quizás
esto es mucho más complicado y costoso (en términos de cálculos) que hallar la FERF de la
matriz [A|b].
En el siguiente teorema presentaremos una herramienta que permite resolver la ecuación an
terior usando determinantes, sin necesidad de hallar la inversa de A ni la FERF de [A|b], dicha
herramienta se conoce con el nombre de la regla de Cramer .
2.42 (Regla de Cramer). Sea A ∈ Mn×n (R) una matriz invertible y b ∈ Mn×1 (R). Si
Teorema
x1
x2 det(Abj )
x= . es la solución de la ecuación Ax = b, entonces, para cada j ∈ {1, . . . , n}, xj = ,
. det(A)
xn
donde Abj es la matriz que se obtiene de A al reemplazar A(j) (la columna j) por b, esto es,
h i
b (1) (j−1) (j+1) (n)
Aj = A ··· A b A ··· A
Demostración. Como A = (aij )n×n es invertible, entonces la única solución del sistema Ax
=b
b1
1 1 b2
−1 −1
es x = A b, pero A = adj(A), ası́ que x = adj(A)b, por lo tanto, si b = ,
det(A) det(A) .
bn
n
1 X A
entonces xj = C bi para cada j ∈ {1, . . . , n}.
det(A) i=1 ij
Por otro lado, para cada j ∈ {1, . . . , n}, se tiene que
a11 · · · a1(j−1) b1 a1(j+1) · · · a1n
. . . . .
. . . .
a(i−1)1 · · · a(i−1)(j−1) bi−1 a(i−1)(j+1) · · · a(i−1)n
Abj = ai1 ··· ai(j−1) bi ai(j+1) ··· ain
a(i+1)1 · · · a(i+1)(j−1) bi+1 a(i+1)(j+1) · · · a(i+1)n
. . . . .
. . . . .
an1 · · · an(j−1) bn an(j+1) · · · ann
Ab
Por lo tanto, para cada i ∈ {1, . . . , n}, tenemos que Mij j = MijA y ası́
Ab
Ab
Cij j = (−1)i+j det Mij j = (−1)i+j det MijA = CijA
66
UNIDAD II. MATRICES Y DETERMINANTES
67
UNIDAD II. MATRICES Y DETERMINANTES
Luego
3 0 2 −1 0 −6 −1 −13
−6 −1 −13
2 1 2 1 0 −3 0 −7
det Ab1 = = = − −3 0 −7
1 2 2 −3 0 0 1 −7
0 1 −7
1 2 1 4 1 2 1 4
−6 0 −20
−6 −20
= − −3 0 −7 = = 42 − 60 = −18.
−3 −7
0 1 −7
1 3 2 −1 1 3 2 −1
−1 0 2
1 2 2 1 0 −1 0 2
det Ab2 = = = −11 −6 1
4 1 2 −3 0 −11 −6 1
1 1 4
0 1 1 4 0 1 1 4
−1 0 0 −6 −21
= −11 −6 −21 = − = −(−36 + 21) = 15.
1 6
1 1 6
1 0 3 −1 1 0 2 −1
1 −1 2 1 −1 2
1 1 2 1 0 1 −1 2
det Ab3 = = = 2 −11 1 = 0 −9 −3
4 2 1 −3 0 2 −11 1
2 1 4 0 3 0
0 2 1 4 0 2 1 4
−9 −3
= = 9.
3 0
1 0 2 3 1 0 2 3
1 0 −1 1 0 0
1 1 2 2 0 1 0 −1
det Ab4 = = = 2 −6 −11 = 2 −6 −9
4 2 2 1 0 2 −6 −11
2 1 1
2 1 3
0 2 1 1 0 2 1 1
−6 −9
= = −18 + 9 = −9.
1 3
68
UNIDAD II. MATRICES Y DETERMINANTES
det Ab1 −18 det Ab2 15 det Ab3 9
En consecuencia x = = = −6; y = = = 5; z = = = 3;
det(A) 3 det(A) 3 det(A) 3
det Ab4 −9
w= = = −3, es decir, la solución del sistema dado es:
det(A) 3
x −6
y 5
=
z 3
w −3
Ejemplo 2.39. Una fábrica produce tres tipos de productos, mezclando para ello tres materias primas.
Se sabe que para fabricar una unidad del producto 1, se necesitan, una unidad de la materia prima
1, tres unidades de la materia prima 2 y dos unidades de la materia prima 3; para fabricar una
unidad del producto 2, se necesitan, una unidad de la materia prima 1 y tres de la materia prima
2; finalmente, para fabricar una unidad del producto 3, se necesitan, tres unidades de la materia
prima 1, tres de la materia prima 2 y dos de la materia prima 3: Si este mes la fábrica cuenta con
seis millones de unidades de la materia prima 1, 12 millones de unidades de la materia prima 2 y
seis millones de la materia prima 3 cuántas unidades de cada producto puede producir la f´abrica
usando el total de las materias primas?
Solución. Para cada i ∈ {1, 2, 3}, sea xi las unidades (en millones) del producto i que puede
producir la fábrica.
Por lo tanto, la cantidad de unidades (en millones) que se usarán es:
x1 + x2 + 3x3 de la materia 1
69
UNIDAD II. MATRICES Y DETERMINANTES
1 6 3 1 6 3
−6 −6
det Ab2 = 3 12 3 = 0 −6 −6 = = 24 − 36 = −12.
−6 −4
2 6 2 0 −6 −4
1 1 6 1 1 6 0 −6
det Ab3 = 3 3 12 = 0 0 −6 =− = −12.
2 6
2 0 6 2 0 6
−24 −12 −12
Por lo tanto x1 = = 2; x2 = = 1 y x3 = = 1, es decir, usando el total de
−12 −12 −12
la materia prima, se pueden fabricar dos millones de unidades del producto 1 y un millón de
unidades de cada uno de los productos 2 y 3.
70
Unidad III.Sistemas de Ecuaciones Lineales
Concepto.Clasificación de los sistemas lineales.Tipos de solución.Método de Gauss-Jordan.
La presente sección esta muy relacionada con las OEF y las matrices, y es quizás, junto con la
sección anterior, la más importante del presente obra por su relación con otras materias.
. . . . .
. . . (3.1)
am1 x1 + am2 x2 + · · · + amn xn = bm
donde x1, x2, . . . , xn son las incógnitas del sistema 3.4 y toman valores en R; aij ∈ R son n
´umeros fijos para cada i ∈ {1, . . . , m} y cada j ∈ {1, . . . , n} y los llamaremos coeficientes del
sistema 3.4 y b1, b2, . . . , bm ∈ R son fijos y son los t´erminos independientes del sistema 3.4.
Si b1 = b2 = · · · = bm = 0, diremos que el sistema 3.4 es homogéneo, en caso contrario
diremos que es no homogéneo.
Cuando m = n, se dice que el sistema 3.1 es un sistema cuadrado.
71
III. Sistemas de Ecuaciones Lineales
Si hacemos
a11 a12 ··· a1n b1 x1
a a22 ··· a2n b x
21 2 2
A = (aij )m×n = ; b= y x= ,
. . . . .
am1 am2 · · · amn bm xn
el sistema 3.1 puede escribirse como la ecuación matricial Ax = b (comprobarlo), que llamare
mos representación matricial del sistema 3.1. La matriz A es llamada matriz de coefi-
cientes o matriz del sistema 3.1, la matriz
a11 a12 ··· a1n b1
a21 a22 · · · a2n b2
[A|b] =
.. .
.
.
. .
am1 am2 · · · amn bm
es llamada matriz ampliada del sistema 1.4, x se conoce con el nombre de matriz incógnita
o matriz de incógnitas y b es conocida como matriz de términos independientes.
El sistema
a11 x1 + a12 x2 + · · · + a1n xn = 0
a21 x1 + a22 x2 + · · · + a2n xn = 0
. . . . . (3.2)
. . . . .
am1 x1 + am2 x2 + · · · + amn xn = 0
es llamado sistema homogéneo asociado al sistema 3.1.
3.2. Clasificación de los sistemas de ecuaciones lineales y sus soluciones
Consistente si tiene al menos una solución, cuando tiene una única solución, se dice que
es consistente determinado, si tiene más de una solución, se dice que es consistente
indeterminado.
72
III. Sistemas de Ecuaciones Lineales
Ejemplo 3.1.
(
3x1 +2x2 −6x3 = 0
1.
−x1 +5x2 −7x3 = 4
es un sistema de ecuaciones lineales de dos ecuaciones y tres incógnitas, es no homogéneo,
su representación matricial es
" # x1 " #
3 2 −6 0
x2 =
−1 5 −7 4
x3
" # " #
3 2 −6 3 2 −6 0
y
−1 5 −7 −1 5 −7 4
x1 " #
0
y
x2
4
x3
6x −2y +9z = 1
2. −5x +12y −3z = −2
x 6z = 6
es un sistema de ecuaciones lineales cuadrado con tres ecuaciones y tres incógnitas, es no
homogéneo y su representación matricial es
73
UNIDAD III. SISTEMAS DE ECUCIONES LINEALES
6 −2 9 x 1
−5 12 −3 y = −2
1 0 6 z 6
Una pregunta que surge de manera inmediata es ¿cómo garantizar que un sistema de ecuaciones
lineales es consistente o inconsistente? y en caso de que sea consistente ¿cómo resolver dicho
sistema? Haremos uso de las matrices y las OEF para responder ambas preguntas, pero antes
daremos las bases teóricas que nos permitan usar dichas herramientas.
Demostración. Dado que las matrices [A|b] y [C|d] son equivalentes por filas, entonces existen
OEF f1 , f2 , . . . , fr : Fm (R) → Fm (R) tales que
74
UNIDAD III. SISTEMAS DE ECUACIONES LINEALES
Además, en virtud del ejercicio 1.3, f1 , f2 , . . . , fr son invertibles y f1−1 , f2−1 , . . . , fr−1
son también OEF sobre Fm (R), luego, si Cx = d, entonces
Ax = (f1 ◦ f2 ◦ · · · ◦ fr )−1 (C)x = (fr−1 ◦ · · · ◦ f2−1 ◦ f1−1 )(C)x
= (fr−1 ◦ · · · ◦ f2−1 ◦ f1−1 )(Cx) = (fr−1 ◦ · · · ◦ f2−1 ◦ f1−1 )(d) = (f1 ◦ f2
◦ · · · ◦ fr )−1 (d) = b
Por lo tanto Ax = b si y sólo si Cx = d, en consecuencia, o ambos sistemas son inconsistentes o
ambos tienen la(s) misma(s) solución(es).
Observación 3.2. Cuando la matriz del sistema es una matriz ERF, es fácil decidir si el sistema
es o no consistente, y en caso de serlo, es sencillo hallar la(s) solución(es) de este. La idea es hal-
lar la FERF de la matriz ampliada del sistema, y en virtud del teorema 3.14, resolver, de manera
sencilla, el sistema dado.
Corolario 3.1. Sean A, C ∈ Mm×n (R) y b, d ∈ Mm×1 (R) tales que [C|d] es la FERF de [A|b].
El sistema Ax = b tiene solución si y sólo si el número de filas no nulas de [C|d] es igual al
número de filas no nulas de C.
Demostración. Reralizarlo como ejercicio.
Ejemplo 3.2. Decidir cuál de los siguientes sistemas son consistentes y cuáles no, en caso de
serlo, mostrar su(s) solución(es).
2x +y −z = 1
1. 2x −y +5z = 5
−y +3z = 2
2x +y −z = 2
x −2y +4z = −3
2.
5x −4y +8z = −9
−y +3z = 2
x +y −2z +w = 1
3. 4x +2y +2z = −2
2y −10z +3w = 3
75
III. Sistemas de Ecuaciones Lineales
x
+y −2z +w = 1
4. 4x +2y +2z = −2
2y −10z +4w = 3
Solución.
Hallemos su FERF
1
2 1 −1 1 1 2
− 12 1
2
1 1
2
− 12 1
2
2 −1 5 5 F1 → 12 F1 2 −1 5 5 F2 → F2 − 2F1 0 −2
→ 6 4
→
0 −1 3 2 0 −1 3 2 0 −1 3 2
1
1 − 12 1
1 0 1 3
2 2
F1 → F1 − 12 F2 2
1
F1 → − 2 F1 0 1 −3 −2 → 0 1 −3 −2
→
F3 → F3 + F2
0 −1 3 2 0 0 0 0
La última fila de esta última matriz equivale a la ecuación 0 · x + 0 · y + 0 · z = 0, que no
aporta nada a la solución. Ası́ que el sistema dado es equivalente al sistema
(
3
x +z = 2
y −3z = −2
76
III. Sistemas de Ecuaciones Lineales
o bien
x −α + 32 −1 3
2
y =
3α −2 = α 3 + −2 ; con α ∈ R
z α 1 0
5 −4 8 −9
0 −1 3 2
2 1 −1 2 1 −2 4 −3
1 −2 4 −3 2 1 −1 2
F1 ↔ F2
→
5 −4 8 −9 5 −4 8 −9
0 −1 3 2 0 −1 3 2
1 −2 4 −3 1 −2 4 −3
F2 → F2 − 2F1 0 5 −9 8 0 −1 3 2
→ F2 ↔ F4
F3 → F3 − 5F1 0 6 −12 6 → 0 6 −12 6
0 −1 3 2 0 5 −9 8
1 −2 4 −3 1 0 −2 −7
F1 → F1 + 2F2
0 1 −3 −2 → 0 1 −3 −2
F2 → −F2 F → F − 6F
→ 0 6 −12 6
3 3 2
0 0 6 18
F4 → F4 − 5F2
0 5 −9 8 0 0 6 18
1 0 −2 −7 1 0 0 −1
0 1 −3 −2 F 1 → F1 + 2F 3
→ 0 1 0 7
F3 → 16 F3 F2 → F2 + 3F3
→ 0 0 1 3 0 0 1 3
F4 → F4 − 6F3
0 0 6 18 0 0 0 0
Luego, el sistema dado es equivalente al sistema
x = −1
y = 7
z = 3
77
III. Sistemas de Ecuaciones Lineales
x = −1; y = 7; z=3
o bien
x −1
y = 7
z 3
1 1 −2 1 1 1 1 −2 1 1
4 2 2 0 −2 F 2 → F2 − 4F1 0 −2 10 −4 −6
→
0 2 −10 3 3 0 2 −10 3 3
1 1 −2 1 1 1 0 3 −1 −2
F1 → F1 − F2
F2 → − 12 F2 0 1 −5 2 3 → 0 1 −5 2 3
→
F3 → F3 − 2F2
0 2 −10 3 3 0 0 0 −1 −3
1 0 3 −1 −2 1 0 3 0 1
F1 → F1 + F3
F3 → −F3 0 1 −5 2 3 → 0 1 −5 0 −3
→
F2 → F2 − 2F3
0 0 0 1 3 0 0 0 1 3
En consecuencia el sistema dado es equivalente al sistema
x +3z = 1
y −5z = −3
w = 3
o equivalentemente
x = −3z + 1
y = 5z − 3
w = 3
78
III. Sistemas de Ecuaciones Lineales
0 · x + 0 · y + 0 · z + 0 · w = −3
Teorema 3.4. El sistema homogéneo Ax = 0 /m×1 , con A ∈ Mm×n (R), tiene infinitas soluciones
si m < n, esto es, si el sistema homogéneo Ax = 0/m×1 tiene más incógnitas que ecuaciones,
entonces es consistente indeterminado.
79
III. Sistemas de Ecuaciones Lineales
Teorema 3.2. Sea A ∈ Mm×n (R). Supongamos que x1 , x2 ∈ Mn×1 (R) son soluciones del
sistema homogéneo Ax = 0/m×1 . Entonces, para cada α ∈ R, se tiene que x1 + x2 y α x1 son
también soluciones del sistema.
Teorema 3.3. Sean A ∈ Mm×n (R) y b ∈ Mm×1 (R). Supongamos que xp es una solución del
sistema Ax = b. Entonces, para cada solución xg del sistema Ax = b, existe una solución xh de
Ax = 0/m×1 tal que xg = xh + xp .
Ejemplo 3.3. Para el sistema de la parte 1 del ejemplo 1.17 tenemos que
3
−1
2
xp = −2 ; xh = α 3 ; con α ∈ R
0 1
Para el sistema de la parte 2 del mismo ejemplo, se tiene que
−1 0
xp = 7 ; xh = 0
3 0
Nótese que en este caso xg = xp .
Finalmente, para el sistema de la parte 3 del ejemplo en cuestión
1 −3
−3 5
xp = ; xh = α ; con α ∈ R
0 1
3 0
Ejercicio 3.1. Sea A ∈ Mm×n (R). Pruebe que si el sistema Ax = b tiene solución para cada
b ∈ Mm×1 (R), entonces m ≤ n.
80
3.3. Interpretación geométrica de las soluciones.
Se denomina ecuación lineal a aquella que tiene la forma de un polinomio de primer grado.
Es decir, que las incógnitas no esten elevadas a alguna potencia.
Por ejemplo, 3x + 2y + 6z = 6 es una ecuación lineal con tres incógnitas.
Como es bien sabido, las ecuaciones lineales con 2 incógnitas representan una recta en el pla-
no. Si la ecuación lineal tiene 3 incógnitas, su representación gráfica es un plano en el espacio.
Un ejemplo de ambas representaciones puede observarse en la figura:
El objetivo del tema es el estudio de los sistemas de ecuaciones lineales, es decir, un conjunto de
varias ecuaciones lineales. Diremos que dos ecuaciones son equivalentes si tienen las mismas soluciones,
o geométricamente representan la misma recta o plano.
81
III. Sistemas de Ecuaciones Lineales
Los sistemas más sencillos son aquellos en los que sólo hay dos incógnitas y 2 ecuaciones, y que ya
son conocidos de cursos pasados.
Hay varios sistemas para resolverlos, los más habituales:
* Reducción
* Igualación
* Sustitución
en los que ya no nos entretendremos.
Como cada ecuación lineal con 2 incógnitas se interpreta geométricamente como una recta, el estudio
de la solución del sistema se limita a estudiar la posición de 2 rectas en el plano.
Veamos algunos ejemplos con los tres casos que se pueden presentar. Resolver e interpretar el
x + 2y = −3
sistema: .
−2x + y = 1
Por reducción:
2x+4y=-6
-2x+ y=1
5y=-5
82
III. Sistemas de Ecuaciones Lineales
x + 2y = −3
Resolver e interpretar el sistema: .
−2x − 4y = 5
x = −3 − 2y
Por igualación: 5 + 4y de donde:
x=
−2
5 + 4y
−3 − 2y = =⇒ 4y + 6 = 5 + 4y =⇒ 0y = −1 =⇒ 0 = −1
−2
lo cuál es imposible y por tanto el sistema no tiene solución, es un sistema incompatible y por
tanto las rectas son paralelas. Geométricamente:
x + 2y = −3
Resolver e interpretar el sistema: .
3x + 6y = −9
Por sustitución, como x = −2y − 3 resulta 3(−2y − 3) + 6y = −9, es decir −6y − 9 + 6y = −9, por
tanto 0y = 0, 0 = 0.
Como 0 = 0 es una igualdad siempre cierta, quiere decir que el sistema tiene infinitas soluciones,
es compatible indeterminado, o que las rectas son la misma.
83
III. Sistemas de Ecuaciones Lineales
Aplicar el método de Gauss consiste en realizar transformaciones elementales mediante las filas de la
matriz para obtener la matriz escalonada siguiente:
a11 a12 b1
(A|B) = 0 a∗22 b∗2
0 0 b∗3
Recordemos que las operaciones elementales permitidas en las filas de la matriz (ecuaciones del sistema)
eran:
84
III. Sistemas de Ecuaciones Lineales
T1) Multiplicar o dividir una fila por un número real distinto de cero.
T2) Sumar o restar a una fila otra multiplicada por un número real no nulo.
T3) Intercambiar el lugar de dos filas entre sı́.
Utilizando estas transformaciones, los sucesivos sistemas que se obtienen son equivalentes al pri-
mero, es decir, tienen las mismas soluciones.
Debemos eliminar, en este orden, el elemento a21 utilizando la fila 1, el elemento a31 , utilizando
también la fila 1, y por último el elemento a32 utilizando la fila 2, de modo análogo al método de
Gauss-Jordan para la inversa.
Además, es conveniente en cada paso indicar la operación realizada con las filas, poniendo en
primer lugar aquella que se va a sustituir por otra.
Llegados a la matriz ampliada escalonada al final del proceso, pueden darse los casos siguientes:
1. a∗22 = 0. Entonces hay dos posibilidades:
a) b∗3 = 0. Sistema incompatible (hay una ecuación del tipo 0=k), sin solución.
Geométricamente, puede ocurrir que:
a) Dos rectas sean paralelas y la otra las corte.
b) Las rectas se corten dos a dos (formen un triángulo).
b) b∗3 = 0. Aparece una ecuación 0=0 que no influye en la resolución del sistema, que redu
cido a las dos ecuaciones iniciales tiene solución única, es decir, el Sistema es
Compatible
Determinado.
Geométricamente:
a) Dos rectas son coincidentes y la otra las corta.
b) Las tres rectas se cortan en un mismo punto.
85
III. Sistemas de Ecuaciones Lineales
b) Si b∗2 = 0, b∗3 = 0 o b ien b∗2 = 0, b∗3 = 0, aparece una ecuación 0=0 (que no influye) y
otra
0=k (que es imposible). El sistema es incompat-
ible. Geométricamente:
a) Dos rectas son paralelas y la otra las corta.
b) Dos rectas coinciden y la otra es paralela.
c) Si b∗2 = 0, b∗3 = 0, hay dos ecuaciones 0=k que son imposibles, el sistema es incompatible.
Geométricamente, las tres rectas son paralelas o dos son coincidentes y una paralela.
En cada uno de los casos, para determinar la posición concreta de las rectas, basta representarlas.
86
III. Sistemas de Ecuaciones Lineales
Se observa
que las rectas se cortan en un punto, precisamente el punto solución del sistema: P =
9 22
, .
7 7
Ejercicios 3.4
a) Resuelve e interpreta geométricamente los sistemas:
x+y =0 x − y = −2 2x + y = 2
a) −x + y = 2 b) x + 2y = 1 c) −x + y = −3
x + 3y = −2 4x − 10y = −14 y = −2x
b) Discute y resuelve en función del parámetro:
x−y = 1 2x + y = 3
a) x + 2y = −1 b) −x + 3y = 0
2x + my = 0 mx + 4y = 3
87
III. Sistemas de Ecuaciones Lineales
Cuando los sistemas tienen más de dos ecuaciones y tres o más incógnitas se utilizará el ya conocido
método de Gauss.
Ahora partiremos de la matriz ampliada:
a11 a12 a13 b1
(A|B) = a21 a22 a23 b2
a31 a32 a33 b3
88
III. Sistemas de Ecuaciones Lineales
* Son coincidentes: Lo cuál es fácil de saber porque sus correspondientes ecuaciones tienen coefi-
cientes de las incógnitas y los términos independientes proporcionales, es decir, si los planos son:
α ≡ Ax + By + Cz = D
β ≡ A x + B y + C z = D
entonces se verifica:
A B C D
= = =
A B C D
(siempre que se puedan realizar las divisiones).
Por ejemplo, los planos 2x + 3y − z = 5, y −10x − 15y + 5z = −15 son coincidentes.
* Son paralelos: También es sencillo de saber porque los coeficientes de las incógnitas son propor-
cionales, pero los términos independientes NO. Es decir, en este caso:
α ≡ Ax + By + Cz = D
β ≡ A x + B y + C z = D
entonces se verifica:
A B C D
= = =
A B C D
(siempre que se puedan realizar las divisiones).
Por ejemplo, los planos 2x + 3y − z = 5 y −10x − 15y + 5z = 7 son paralelos.
* Son secantes: Simplemente los coeficientes no son proporcionales, es decir:
α ≡ Ax + By + Cz = D
β ≡ A x + B y + C z = D
entonces se verifica:
A B C D
= = =
A B C D
(siempre que se puedan realizar las divisiones, y basta con que un par de ellas correspondientes a las
incógnitas sean diferentes).
Por ejemplo, los planos 7x + 3y − z = 5 y −10x − 15y + 5z = 7 son secantes.
Puesto que podemos determinar la posición de los planos 2 a 2, podemos determinar en qué posición
se encuentran los 3 a la vez, fijándonos en los casos:
1. Si el sistema es S.C.D. (Solución única), es que los tres planos se cortan en un punto, que es la
solución del sistema.
89
III. Sistemas de Ecuaciones Lineales
Lo que indica que el sistema es incompatible y por tanto no tiene solución, los planos no tienen puntos
comunes.
90
III. Sistemas de Ecuaciones Lineales
x + y + z = m+1
Ejemplo 3.7. Discutir según los valores de m x + y + (m − 1)z = m
x + 7y + z = 1
Aplicando Gauss a la matriz ampliada:
1 1 1 m + 1 1 1 1 m + 1
F2 −mF1 F −F1
m 1 m − 1 m − −−−−→ 0 1 − m −1 −m2 −−3−−→
(m=0)
1 m 1 1 1 7 1 1
1 1 1 m+1 1 1 1 m+1
F −F1 F3 +F2
−−3−−→ 0 1 − m −1 −m2 −
−−−→ 0 1 − m −1 −m2
0 m − 1 0 −m 0 0 −1 −m − m2
Debemos, llegados a este punto, fijarnos en dos aspectos:
a) El desarrollo anterior sólo es posible si m = 0, luego el caso m = 0 debe estudiarse por separado.
b) En el sistema escalonado final, hay problemas cuando el valor 1 − m = 0, es decir, cuando
m = 1. En cualquier otro caso, no hay problemas.
De modo que, resumiendo, si m = 0 y m = 1, el sistema es S.C.D.
Estudiemos ahora cada caso por separado:
Si m = 0, al aplicar Gauss, queda:
1 1 1 1 1 1 1 1 1 1 1 1
F3 −F1 F +F2
0 1 −1 0 − −−−→ 0 1 −1 0 −−3−−→ 0 1 −1 0
1 0 1 1 0 −1 0 0 0 0 −1 0
91
III. Sistemas de Ecuaciones Lineales
Definición 3.1 sea A ∈ Mn×n (R). diremos que A es invertible si existe una matriz B ∈
Mn×n (R) tal que
AB = In = BA
Teorema 3.5. Si A ∈ Mn×n (R) es invertible, entonces A tiene sólo una inversa, es decir,
existe una única matriz B ∈ Mn×n (R) tal que AB = In = BA, tal matriz es denotada por A−1 .
Demostración. Supongamos que A ∈ Mn×n (R) es invertible y que B, C ∈ Mn×n (R) son
inversas de A. Entonces
AB = In = BA (3.6)
AC = In = CA (3.7)
Luego
C = CIn
= C(AB)
= (CA)B
= In B
= B
92
III. Sistemas de Ecuaciones Lineales
Teorema 3.6. Sean A, B ∈ Mn×n (R) dos matrices invertibles y α ∈ R con α 6= 0. Entonces
−1
1. A−1 es invertible y (A−1 ) = A (propiedad involutiva de la inversa)
Demostración.
2. En primer lugar
Además
93
III. Sistemas de Ecuaciones Lineales
3. Veamos
−1
(α A))A−1 (αA)(α−1A−1 )
=
(α
= ((α −1 α )A)A−1
= (1 · A)A−1
= AA−1
= In
AT (A−1 )T = (A−1TA)T
= (In )
= In
(A−1 )T AT = (AA−1 )T
= (In )T
= In
Teorema 3.6. Toda matriz elemental es invertible y su inversa es también una matriz elemen
tal.
Demostración. Sea E ∈ Mn×n (R) una matriz elemental. Entonces existe una OEF f : Fn (R) →
Fn (R) tal que E = f (In ). El ejercicio 2.3 garantiza que f es invertible y su inversa f −1 es también
una OEF sobre Fn (R), ası́ que F = f −1 (In ) es una matriz elemental, además
EF = f (In )f −1 (In )
= f (f −1(In )) = In
94
III. Sistemas de Ecuaciones Lineales
F E = f −1 (In )f (In )
= f −1 (f (In )) =
In
Ahora bien ¿cómo saber si una matriz cuadrada A es o no invertible? y en caso de que lo
sea ¿cómo hallar A−1 ? Estas dos preguntas pueden ser respondidas mediante un procedimiento
único. Daremos un ejemplo sencillo que ilustrará tal procedimiento.
Ejemplo 3.9. En cada uno de los siguientes casos decidir si A es o no invertible, en caso
afirmativo, hallar A−1 .
" #
2 −2
1. A =
−3 4
" #
2 −8
2. A =
−3 12
Solución.
95
III Sistemas de Ecuaciones Lineales
Al hallar la FERF de esta matriz, las tercera y cuarta columnas nos darán, respectivamente,
las soluciones del primer y segundo sistema, si existen, que a su vez nos darán, respecti-
vamente, las primera y segunda columnas de B, si existe. Hallemos entonces la FERF de
esta matriz.
" # " #
1
2 −2 1 0 1 −1 2
0
[A|I2 ] = F1 → 12 F1
−3 4 0 1 → −3 4 0 1
" # " #
1 −1 12 0 1 0 2 1
F2 → F2 + 3F1 F1 → F1 + F2
→ 0 1 32 1 → 0 1 3 1
2
96
III. Sistemas de Ecuaciones Lineales
Estos dos ejemplos, como dijimos antes, ilustran el procedimiento general para decidir si una
matriz cuadrada A es o no invertible, además, en caso afirmativo, nos permite hallar A−1 .
Paso 3. Si la matriz en el paso previo es [In |B], entonces A es invertible y A−1 = B, sino
A no es invertible.
Solución.
2 0 3 1 1 0 0 0 1 −1 2 −2 0 0 1 0
−1 1 1 3 0 1 0 0 −1 1 1 3 0 1 0 0
F1 ↔ F3
1 −1 2 −2 0 0 1 0 → 2 0 3 1 1 0 0 0
0 1 −1 2 0 0 0 1 0 1 −1 2 0 0 0 1
1 −1 2 −2 0 0 1 0
F2 → F2 + F1 0 0 3 1 0 1 1 0
→
F3 → F3 − 2F1 0 2 −1 1 0 −2 0
5
0 1 −1 2 0 0 0 1
1 −1 2 −2 0 0 1 0
0 1 −1 2 0 0 0 1
F2 ↔ F4
→ 0 2 −1 5 1 0 −2 0
0 0 3 1 0 1 1 0
97
Matrices y Sistemas de Ecuaciones Lineales
1 0 1 0 0 0 1 1
F1 → F1 + F2 0 1 −1 2 0 0 0 1
→
F3 → F3 + 2F2 0 0 1 1 1 0 −2 −2
0 0 3 1 0 1 1 0
1 0 0 −1 −1 0 3 3
F1 → F1 − F3
→ 1 0 −2 −1
0 1 0 3
F2 → F2 + F3
0 0 1 1 1 0 −2 −2
F4 → F4 − 3F3
0 0 0 −2 −3 1 7 6
1 0 0 −1 −1 0 3 3
0 1 0 3 1 0 −2 −1
F4 → − 12 F4
→ 0 −2 −2
0 0 1 1 1
3
0 0 0 1 2
− 12 − 72 −3
1
1 0 0 0 2
− 12 − 12 0
F1 → F1 + F4
→ −2 7 3 17
0 1 0 0 2 2
8
F2 → F2 − 3F4
0 0 1 0 − 21 1 3
1
F3 → F3 − F4
2 2
3
0 0 0 1 2
− 12 − 72 −3
Luego A es invertible y
1
2
− 12 − 12 0 1 −1 −1 0
7 3 17
−2 2 2
8 1 −7 3 17 16
A−1 = =
− 12 1
2
3
2
1 2 −1 1 3 2
3
2
− 12 − 72 −3 3 −1 −7 −6
El siguiente teorema nos será muy útil a la hora de saber si una matriz es o no
invertible.
Teorema 3.7. Sea A ∈ Mn×n (R). Entonces las siguientes proposiciones son equivalentes.
1. A es invertible.
98
III. Sistemas de Ecuaciones Lineales
Demostración.
(1. ⇒ 2.) Supongamos que A es invertible. Entonces, por definición de matriz inversa, existe
A−1 ∈ Mn×n (R) tal que AA−1 = In = A−1 A
Sean b ∈ Mn×1 (R) cualquiera y x0 ∈ Mn×1 (R) una solución del sistema Ax = b. Entonces
x0 = In x0
= (A−1 A)x0
= A−1 (Ax0 )
= A−1 b (pues x0 es solución del sistema Ax = b)
(2. ⇒ 3.) Supongamos que el sistema Ax = b tiene una única solución para cada b ∈
Mn×1 (R). Entonces el sistema Ax = 0 tiene una única solución, pero sabemos que
x = 0/n×1 es solución de este sistema (observación 2.19), ası́ que la única solución de
dicho sistema es la solución trivial.
(3. ⇒ 4.) Supongamos que el sistema homogóneo Ax = 0/n×1 tiene como única solución la trivial.
0 · x1 + 0 · x2 + · · · + 0 · xn = 0
donde
x1
x
2
x= .
.
xn
y en consecuencia no aporta ninguna información a la solución del sistema Ax = 0/n×1 .
99
III. Sistemas de Ecuaciones Lineales
el cual, en virtud del teorema 2.16, tiene infinitas soluciones, de donde, el sistema Ax = 0/n×1
tiene infinitas soluciones, lo cual contradice la hipótesis, por lo tanto A es equivalente por
filas a In .
(4. ⇒ 5.) Supongamos que A es equivalente por filas a In . Entonces existen OEF f1 , f2 , . . . , fr :
Fn (R) → Fn (R) tales que
A = (f1 ◦ f2 ◦ · · · ◦ fr )(In )
A = E1 E2 · · · Er
(5. ⇒ 1.) Supongamos que A = E1 E2 · · · Er donde E1 , E2 , . . . , Er ∈ Mn×n (R) son matrices ele-
mentales. Dado que toda matriz elemental es invertible (teorema 2.21) y usando recur-
sivamente la parte 2 del teorema 2.20, se tiene que A es invertible.
Luego
xh = In xh
= (AB)xh
= A(Bxh ) =
A 0/n×1
100
III. Sistemas de Ecuaciones Lineales
Ası́ que la única solución del sistema homogéneo Bx = 0/n×1 es la trivial, y en virtud del teorema
2.22, B es invertible. Además
A = AIn
= A(BB −1 ) =
(AB)B −1
= In B −1
= B −1
Observación 3.1. El teorema 2.23 nos permite garantizar que A−1 = B sólo con probar que
AB = In ó BA = In .
Ejercicio 3.5. Sean A, B ∈ Mn×n (R). Pruebe que si AB es invertible, entonces A y B también
son invertibles.
En esta sección trataremos los determinantes y algunas de sus propiedades, en primer lugar
definiremos los determinantes de orden 2, continuando luego con los determinantes de
orden 3, para finalmente definir los determinantes de orden n.
" #
a11 a12
Definición 3.2. Sea A = ∈ M2×2 (R). Definiremos el determinante de A, como
a21 a22
el número real det(A) = |A|, dado por
a
11 a12
det(A) = |A| = = a11 a22 − a12 a21
a21 a22
101
III. Sistemas de Ecuaciones Lineales
−6 5
Solución. det(A) = = (−6)6 − 5(−7) = −36 + 35 = −1
−7 6
" #
a11 a12
Ejercicio 3.6. Pruebe que A = ∈ M2×2 (R) es invertible si y sólo si det(A) 6= 0.
a21 a22
" #
1 a22 −a12
Además, si A es invertible, entonces A−1 =
det(A) −a21 a11
a
11 a12 a13 a a a
22 a23 21 a23 21 a22
det(A) = |A| = a21 a22 a23 = a11 − a12 + a13
a32 a33 a31 a33 a31 a32
a31 a32 a33
Solución.
2 −3 −1
1 5 −6 5 −6 1
det(A) = |A| = −6 1 5 = 2 − (−3) + (−1)
0 6 −7 6 −7 0
−7 0 6
= 2(6 − 0) + 3(−36 + 35) − (0 + 7) = 2
102
III. Sistemas de Ecuaciones Lineales
Observación 3.2. Una forma muy sencilla recordar la fórmula de determinantes de orden 3
es la siguiente
Los productos generados por las flechas rojas (ց) se colocan con signo positivo, los que son
generados por las flechas azules (ւ) se colocan con signo negativo.
Puede verificar que la igualdad anterior es cierta. También se puede hacer el cálculo si en lugar
de colocar las dos primeras filas al final, se colocan las dos últimas filas en la parte superior, las
dos primeras columnas a la derecha o las dos últimas columnas a la izquierda.
Este método se conoce como la método de Sarrus para el cálculo de determinantes de orden
3 y sólo es aplicable a determinantes de orden 3.
Ejemplo 3.12. Calculemos el determinante del ejemplo 1.23 usando este método.
Solución.
2 −3 −1
−6 1 5 = 2 · 1 · 6 + (−6)0(−1) + (−7)(−3)5 − (−1)1(−7) − 5 · 0 · 2 − 6(−3)(−6)
−7 0 6
2 −3 −1
−6 1 5
2 −3 −1
−6 1 5 = 12 + 0 + 105 − 7 − 0 − 108 = 2
−7 0 6
103
III. Sistemas de Ecuaciones Lineales
Definición 3.3. Sea A =∈ Mn×n (R). Para cada i, j ∈ {1, . . . , n} definamos la matriz MijA ∈
M(n−1)×(n−1) (R) que se obtiene de A al eliminar su i-ésima fila y su j-ésima columna, dicha
matriz es llamada ij-ésimo menor de A.
Observación 3.4. Si en lugar de eliminar una fila y una columna de A, eliminamos dos filas
y dos columnas de A, la matriz que se obtiene se denomina menor de segundo orden de A,
A
estas matrices se denotan por Mij,kl , lo que significa que se han eliminado las filas i e j
(con i 6= j) y las columnas k y l (con k 6= l) de A. De manera análoga se pueden definir
menores de
A ∈ Mn×n (R) hasta de orden n − 1.
A A A A
Observación 3.5. Es claro que Mij,kl = Mji,lk = Mji,kl = Mij,lk para cada i, j, k, l ∈ {1, . . . ,
n} con i 6= j y k 6= l.
A A A
Hallar M23 ; M42 y M22 .
Solución.
−9 2 4 −9 −1 4 −9 −1 4
A
A
A
M23 = 1 6 −6 ; M42 = 0 −5 7 y M22 = 1 3 −6
−4 1 3 1 3 −6 −4 0 3
Definición 3.4. Sea A ∈ Mn×n (R). Para cada i, j ∈ {1, . . . , n} definiremos el ij-ésimo co-
factor de A como el número real CijA dado por
CijA = (−1)i+j det MijA
104
III. Sistemas de Ecuaciones Lineales
−9 2 4
A 2+3 A
C23 = (−1) det M23 =− 1 6 −6 = −(−162 + 4 + 48 + 96 − 54 − 6) = 74
−4 1 3
−9 −1 4
A
C42 = (−1)4+2 det M42
A
= 0 −5 7 = −270 + 0 − 7 + 20 + 189 − 0 = −68
1 3 −6
−9 −1 4
A 2+2 A
C22 = (−1) det M22 = 1 3 −6 = −81 + 0 − 24 + 48 − 0 + 3 = −54
−4 0 3
Pasemos ahora a definir los determinantes de orden n. En primer lugar notemos que la fórmula
dada en la definición 2.18 puede ser escrita como
A A A
det(A) = |A| = a11 C11 + a12 C12 + a13 C13
. . . . j=1 j=1
Solución.
−9 2 −1 4
0 8 −5 7
det(A) = |A| = 1 6 3 −6
−4 1 0 3
= (−9)(−1)1+1 det M11 + 2(−1)1+2 det M12
A A
+ (−1)(−1)1+3 det M13
A
+4(−1)1+4 det M14
A
105
III. Sistemas de Ecuaciones Lineales
8 −5 7 0 −5 7 0 8 7 0 8 −5
det(A) = −9 6 3 −6 − 2 1 3 −6 − 1 6 −6 − 4 1 6 3
1 0 3 −4 0 3 −4 1 3 −4 1 0
= −9(72 + 0 + 30 − 21 − 0 + 90) − 2(0 + 0 − 120 + 84 − 0 + 15)
−(0 + 7 + 192 + 168 − 0 − 24) − 4(0 − 5 − 96 − 120 − 0 − 0)
= −1539 + 42 − 343 + 884 = −956
2 0 0 0 0
12 1 0 0 0
det(A) = |A| = −3 0 −3 0 0
5 −8 7 −1 0
−9
6 −7 0 −6
= 2(−1)1+1 det M11A
+ 0(−1)1+2 det M12A
+ 0(−1)1+3 det M13
A
+0(−1)1+4 det M14 A
+ 0(−1)1+5 det M15A
= 2(−1)1+1 det M11A
+ 0(−1)1+2 det M12A
+ 0(−1)1+3 det M13
A
+0(−1)1+4 det M14 A
+ 0(−1)1+5 det M15A
1 0 0 0
0 −3 0 0
= 2
−8 7 −1 0
6 −7 0 −6
106
III. Sistemas de Ecuaciones Lineales
−3 0 0 0 0 0
det(A) = 2 1(−1)1+1 7 −1 0 + 0(−1)1+2 −8 −1 0
−7 0 −6 6 0 −6
0 −3 0 0 −3 0
1+3 1+4
+0(−1) −8 0 + 0(−1)
7 −8 7 −1
6 −7 −6 6 −7 0
−3 0 0
= 2·1 7 −1 0
−7 0 −6
!
−1 0 7 0 7 −1
= 2 · 1 (−3)(−1)1+1 + 0(−1)1+2 + 0(−1)1+3
0 −6 −7 −6 −7 0
−1 0
= 2 · 1(−3) = 2 · 1(−3)((−1)(−6) − 0 · 0)
0 −6
= 2 · 1(−3)(−1)(−6) = −36
La demostración del teorema que enunciaremos a continuación escapa del objetivo del curso,
sin embargo, de él se derivan el resto de las propiedades que serán enunciadas más adelante.el
Teorema 3.9. Si A = (aij )n×n ∈ Mn×n (R), entonces
1. det(A) =
n
X n
X
aij CijA = aij (−1)i+j det MijA para cada i ∈ {1, . . . , n} (Desarrollo del
j=1 j=1
determinante de A mediante la fila i-ésima).
n
X n
X
2. det(A) = aij CijA = aij (−1)i+j det MijA para cada j ∈ {1, . . . , n} (Desarrollo del
i=1 i=1
determinante de A mediante la columna j-ésima).
Demostración. Investigarlo .
107
III. Sistemas de Ecuaciones Lineales
Teorema 3.11. Si A = (aij )n×n ∈ Mn×n (R) una matriz triangular (superior o inferior), en-
tonces det(A) = a11 a22 · · · ann .
Demostración. Procedamos por inducción sobre n. Supongamos, sin perder generalidad que
A es una matriz triangular superior.
Verifiquemos que la tesis se cumple para n = 2. Sea
" #
a11 a12
A=
0 a22
108
III. Sistemas de Ecuaciones Lineales
Entonces
det(A) = a11 a22 − a12 · 0 = a11 a22
Supongamos ahora que la tesis se cumple para n − 1, esto es, supongamos que para cualquier
matriz triangular superior A = (aij )(n−1)×(n−1) ∈ M(n−1)×(n−1) (R) se cumple que det(A) =
a11 a22 · · · a(n−1)(n−1) (Hipótesis Inductiva).
Probemos ahora que se cumple para n. Sea
a11 a12 · · · a1n
0 a22 · · · a2n
A=
.. ..
.
..
.
.
.
0 ··· 0 ann
A A A
det(A) = 0 · Cn1 + · · · + 0 · Cn(n−1) + ann Cnn = ann (−1)n+n det(Mnn
A A
) = ann det Mnn
Pero
a11 a12 · · · a1(n−1)
0 a22 · · · a2(n−1)
A
Mnn = . .. ..
. . . .
0 ··· 0 a(n−1)(n−1)
A
es decir, Mnn es una matriz triangular superior de orden (n−1), por lo tanto, usando la Hipótesis
A
Inductiva, se tiene que det Mnn = a11 a22 · · · a(n−1)(n−1) . Luego
Los teoremas que enunciaremos a continuación, nos presentan las propiedades básicas del
determinante, estas propiedades nos permitirán hallar el determinante de una matriz sin hacer
demasiados cálculos. Los enunciados de estas propiedades se darán sólo para filas, sin embargo,
en virtud del teorema 2.25, se pueden enunciar propiedades análogas para columnas.
Teorema 3.12. Sea A ∈ Mn×n (R). Si existe s ∈ {1, . . . , n} tal que A(s) = 0/1×n , entonces
det(A) = 0, es decir, si A tiene una fila nula, su determinante es cero.
109
III. Sistemas de Ecuaciones Lineales
Demostración. Sea A = (aij )n×n . Como A(s) = 0/1×n , entonces asj = 0 para cada j ∈ {1, . . . , n}.
Ası́ que, al desarrollar el determinante de A por medio de la fila s, se tiene que
n
X n
X
A A
det(A) = asj Csj = 0 · Csj =0
j=1 j=1
Teorema 3.14. Sean A, B ∈ Mn×n (R) y α ∈ R. Si existe s ∈ {1, . . . , n} tal que B(s) = α A(s)
y B(i) = A(i) para i 6= s, entonces det(B) = α det(A), esto es, si multiplicamos una fila de A
por un escalar α, entonces el determinante de la matriz resultante es igual al determinante de A
multiplicado por α .
Demostración. Sean A = (aij )n×n y B = (bij )n×n . Como B(s) = αA(s) y B(i) = A(i) para i 6=
s, entonces bsj = α asj para cada j ∈ {1, . . . , n} y además, la matriz que se obtiene al eliminar
A B
la fila s de B coincide con la matriz que se obtiene al eliminar la fila s de A. Luego Msj = Msj
para
cada j ∈ {1, . . . , n}
Por lo tanto
B
Csj = (−1)s+j det(Msj
B
) = (−1)s+j det(Msj
A
)=
A
Csj para cada j ∈ {1, . . . , n}.
110
III. Sistemas de Ecuaciones Lineales
Teorema 3.15. Sean A, B, C ∈ Mn×n (R). Si existe s ∈ {1, . . . , n} tal que C(s) = A(s) + B(s)
y C(i) = B(i) = A(i) para i 6= s, entonces det(C) = det(A) + det(B), dicho de otra manera, si
tenemos tres matrices A, B, C cuyas filas son idénticas excepto la fila s, y que la fila s de C es
igual a la suma de la fila s de A con la fila s de B, entonces el determinante de C es igual a la
suma del determinante de A con el determinante de B.
Demostración. Sean A = (aij )n×n , B = (bij )n×n y C = (cij )n×n . Sean A, B, C ∈ Mn×n (R).
Como C(s) = A(s) + B(s) y C(i) = B(i) = A(i) para i 6= s, entonces csj = asj + bsj para cada
j ∈ {1, . . . , n} y además, las matrices que se obtienen al eliminar la fila s de A, B y C son
A B C
iguales, ası́ que Msj = Msj = Msj para cada j ∈ {1, . . . , n}.
Por lo tanto
C B A
Csj = Csj = Csj
Teorema 3.16. Sean A, B ∈ Mn×n (R). Si existen s, t ∈ {1, . . . , n} tales que s 6= t, B(s) = A(t) ,
B(t) = A(s) y B(i) = A(i) para i 6= s y i 6= t, entonces det(B) = − det(A), en otras palabras,
si intercambiamos dos filas distintas de A, el determinante de la matriz resultante es igual al
determinante de A multiplicado por −1.
111
III. Sistemas de Ecuaciones Lineales
2 −1 2
B= 4 −16 12
3 −2 -2
Las columnas 1 y 3 de B son, respectivamente, las columnas 3 y 1 de A y las fila 2 de B es igual
a la fila 2 de A. Además
2 −1 2
det(B) = 4 −16 12
3 0 −2
= 2(−16)(−2) + 4 · 0 · 2 + 3(−1)12 − 2(−16)3 − 12 · 0 · 2 − (−2)(−1)4
= 64 + 0 − 36 + 96 − 0 − 8 = 116 = − det(A)
Teorema 3.17. Sea A ∈ Mn×n (R). Si existen s, t ∈ {1, . . . , n} tales que s 6= t y A(s) = A(t) ,
entonces det(A) = 0, es decir, si A tiene dos filas iguales, su determinante es igual a cero.
Demostración. Sea B ∈ Mn×n (R) la matriz que se obtiene al intercambiar las filas s y t de A.
Como A(s) = A(t) , entonces B = A y ası́ det(B) = det(A).
Por otro lado, dado que s 6= t y según el teorema 1.30, det(B) = −det(A).
Ası́ que det(A) = det(B) = − det(A) y en consecuencia det(A) = 0.
112
III. Sistemas de Ecuaciones Lineales
Demostración. Sea B ∈ Mn×n (R) tal que B(i) = A(i) para cada i ∈ {1, . . . , n} con i 6= s y
B(s) = A(t) = B(t) . Por lo tanto, en virtud del teorema 1.31, se tiene que det(B) = 0.
Por otro lado, como A(s) = αA(t) = αB(t) = αB(s) , entonces, usando el teorema 2.28, se
tiene
que det(A) = α det(B) = α0 = 0.
Ejemplo 3.21. Sea 2 8 2
−4 −16 1
A=
3 12 −2
Entonces la columna A(2) = 4A(1) , además
2 8 2
det(A) = −4 −16 1
3 12 −2
= 2(−16)(−2) + (−4)12 · 2 + 3 · 8 · 1 − 2(−16)3 − 1 · 12 · 2 − (−2)8(−4)
= 64 − 96 + 24 + 96 − 24 − 64 = 0
Demostración. Sea C ∈ Mn×n (R) tal que C(i) = B(i) = A(i) para i 6= s y C( s) = αA(t) . Por
lo tanto, dado que s 6= t y en virtud del teorema 1.32, det(C) = 0.
Además, como B(s) = A(s) + αA(t) = A(s) + C(s) y en virtud del teorema 1.29
113
III. Sistemas de Ecuaciones Lineales
2 −1 2
det(B) = −2 −9 −10
−2 0 3
= 2(−9)3 + (−2)0 · 2 + (−2)(−1)(−10) − 2(−9)(−2) − (−10)0 · 2 − 3(−1)(−2)
= −54 + 0 − 20 − 36 − 0 − 6 = −116 = det(A)
El siguiente ejemplo nos da un método para calcular el determinante de una matriz A haciendo
uso de las propiedades dadas en los siete teoremas precedentes, como veremos, el cálculo resulta
mucho más sencillo que al usar la definición.
Como se dijo en la observación 2.15, usaremos tanto OEF como operaciones elementales por
columnas (OEC) para el cálculo de determinantes, estas operaciones las indicaremos de manera
análoga a las OEF, salvo que en lugar de usar F usaremos C.
Solución.
6 −1 2 13 2 6 −1 2 10 2
−1 0 −1 −3 −1 −1 0 −1 −3 −1 !
C4 → C4 + 3C2
det(A) = 0 −3 0 9 0 = 0 −3 0 0 0
por teorema 2.33
7 1 3 12 3 7 1 3 15 3
0 −2 4 1 −3 0 −2 4 −5 −3
114
III. Sistemas de Ecuaciones Lineales
6 2 10 2
!
−1 −1 −3 −1 desarrollando el determinante
det(A) = −3(−1)3+2
7 3 15 3 mediante la tercera fila
0 4 −5 −3
0 −4 −8 −4
F1 → F1 + 6F2
−1 −1 −3 −1
= 3 F3 → F3 + 7F2
0 −4 −6 −4
por teorema 1.33
0 4 −5 −3
−4 −8 −4 !
desarrollando el determinante
= 3(−1)(−1)2+1 −4 −6 −4
mediante la primera columna
4 −5 −3
0 −13 −7 F1 → F1 + F3
= 3 0 −11 −7 F2 → F2 + F3
4 −5 −3 por teorema 1.33
!
−13 −7 desarrollando el determinante
= 3 · 4(−1)3+1
−11 −7 mediante la primera columna
= 12(−13(−7) − (−7)(−11)) = 12 · 14 = 168
Resuelva este ejercicio sin hacer uso de OEF ni OEC y compare ambos métodos ¿cuál de los dos
le parece más sencillo?
Teorema 3.19. Sea A = (aij )n×n ∈ Mn×n (R). Entonces para cualesquiera s, t ∈ {1, . . . , n} con
s 6= t se tiene que
n
X n
X
A A
ask Ctk =0 y aks Ckt =0
k=1 k=1
Demostración. Sea s, t ∈ {1, . . . , n} con s 6= t. Definamos B = (bij )n×n tal que B(i) = A(i)
para cada i ∈ {1, . . . , n} con i 6= t y B(t) = A(s) . Ası́ que, usando el teorema 1.31, det(B) = 0.
Por otro lado, las matrices que se obtienen al eliminar la fila t de B y la fila t de A, son iguales,
B A B A
por lo tanto Mtk = Mtk para cada k ∈ {1, . . . , n}, de donde Ctk = Ctk . Luego, al desarrollar el
determinante de B mediante la fila t, se tiene que
n
X n
X
B A
det(B) = btk Ctk = ask Ctk
k=1 k=1
n
X n
X
A A
En consecuencia ask Ctk = 0, análogamente se prueba que aks Ckt = 0.
k=1 k=1
115
III. Sistemas de Ecuaciones Lineales
Teorema 3.20. Si E ∈ Mn×n (R) es una matriz elemental, entonces para cada A ∈ Mn×n (R) se
tiene que det(EB) = det(E) det(B).
Demostración. Como E ∈ Mn×n (R) es una matriz elemental, existe una OEF f : Fn (R) →
Fn (R) tal que E = f (In ). Luego, sando la parte 1 del corolario 1.12, se tiene que EA = f (In )A =
f (A).
Debemos proceder por casos sobre el tipo de OEF.
Caso 1. f es una OEF tipo 1. As que existen s ∈ {1, . . . , n} y α 6= 0 tales que E(s) = α (In )(s)
(donde (In )(s) es la fila s de In ) y para i 6= s se tiene que E(i) = (In )(i) . Luego
(f (A))(s) = αA(s) y para i 6= s tenemos (f (A))(i) = A(i) .
det(E) = α det(In ) = α · 1 = α
y
det(EA) = det(f (A)) = α det(A) = det(E) det(A).
Caso 2. f es una OEF tipo 2. Luego existen s, t ∈ {1, . . . , n}, con s 6= t, y α ∈ R tales que
(In )(t) y E(i) = (In )(i) para i 6= s. As que (f (A))(s) = A(s) + α
E(s) = (In )(s) + α A(t) y
(f (A))(i) = A(i) para i 6= s.
det(E) = det(In ) = 1
y
det(EA) = det(f (A)) = det(A) = 1 · det(A) = det(E) det(A)
Caso 3. f es una OEF tipo 3. Por lo tanto existen s, t ∈ {1, . . . , n} tales que E(s) = (In )
(t) ,
E(t) = (In )(s) y E(i) = (In )(i) para i 6= s e i 6= t. De donde (f (A))(s) = A(s) + α
A(t) y
(f (A))(i) = A(i) para i 6= s e i 6= t.
det(E) = det(In ) = 1
116
III. Sistemas de Ecuaciones Lineales
y
det(EA) = det(f (A)) = det(A) = 1 · det(A) = det(E) det(A)
det(E) = − det(In ) = −1
y
det(EA) = det(f (A)) = − det(A) = (−1) det(A) = det(E) det(A)
Observación De la prueba del teorema 1.35, se tiene que si E ∈ Mn×n (R) es una matriz
elemental, entonces det(E) 6= 0.
Demostración. ¡Ejercicio!
orema 3.21. Si A ∈ Mn×n (R) es una matriz ERF, entonces det(A) 6= 0 si y sólo si A = In .
Demostración. Sea A = (aij )n×n . Como A es ERF, entonces A es triangular superior (ver
ejercicio 1.5), ası́ que aij = 0 para i > j y det(A) = a11 a22 · · · ann .
Supongamos que det(A) 6= 0. Luego aii 6= 0 para cada i ∈ {1, . . . , n}. Como aij = 0 para i > j,
entonces para cada i ∈ {1, . . . , n}, la primera componente no nula en la i-ésima fila es aii , y por
ser A una matriz ERF, se tiene que aii = 1 para cada i ∈ {1, . . . , n}, es decir, aii es un pivote y
por lo tanto aij = 0 para i 6= j (¿por qué?). En resumen
(
1 si i = j
aij =
0 si i 6= j
Es decir, A = In .
Recı́procamente, si A = In , entonces det(A) = 1 6= 0.
En el siguiente teorema se da una nueva equivalencia que involucra la inversa de una matriz
cuadrada.
117
III. Sistemas de Ecuaciones Lineales
Demostración.
Caso 1. det(A) = 0. Ası́ que, en virtud del teorema 1.38, A no es invertible. Luego, usando
el ejercicio 1.7, se tiene que AB no es invertible, y nuevamente por el teorema 1.38 se
tiene que det(AB) = 0. Por lo tanto
Caso 2. det(A) 6= 0. Luego A es invertible, en virtud del teorema 1.38. Ası́ que, al usar
el teorema 1.22, tenemos que existen matrices elementales E1 , E2 , . . . , Er ∈ Mn×n (R)
tales que A = E1 E2 · · · Er . Luego, por el corolario 1.36
Regla de Cramer
En esta sección definiremos la adjunta de una matriz y enunciaremos la regla de Cramer ,
que a pesar de no ser una herramienta muy usada en la actualidad, es una interesante aplicación
de los determinantes.
Definición 3.22. Sea A ∈ Mn×n (R). Se define la matriz adjunta de A como la matriz adj(A) ∈
Mn×n (R) cuya ij-ésima componente es el ji-ésimo cofactor de A para cada i, j ∈ {1, . . . , n}, es
A
decir, si adj(A) = (bij )n×n , entonces bij = Cji para cualesquiera i, j ∈ {1, . . . , n}.
118
Sistemas de Ecuaciones Lineales
0 2 1 2 1 0
A
C11 = (−1)1+1 = 2; A
C12 = (−1)1+2 = 1; A
C13 = (−1)1+3 = −1;
−1 7 4 7 4 −1
−1 3 2 3 2 −1
A 2+1 A 2+2 A 2+3
C21 = (−1) = 4; C22 = (−1) = 2; C23 = (−1) = −2;
−1 7 4 7 4 −1
A −1 3 2 3 2 −1
C31 = (−1)3+1 = −2; A
C32 = (−1)3+2 = −1; A
C33 = (−1)3+3 = 1;
0 2 1 2 1 0
As que
A A A
C11 C21 C31 2 4 −2
A A A
adj(A) = C12 C22 C32 = 1 2 −1
A A A
C13 C23 C33 −1 −2 1
Demostración. Hagamos adj(A) = (bjk )n×n . Ası́ que para cada j, k ∈ {1, . . . , n}, se tiene que
A
bjk = Ckj .
Si hacemos A adj(A) = D = (dik )n×n , entonces, para cada i, k ∈ {1, . . . , n}, tenemos que
n
X n
X
A
dik = aij bjk = aij Ckj .
j=1 j=1
Pero n
X
aij CijA = det(A)
j=1
119
III. Sistemas de Ecuaciones Lineales
, si i 6= k, entonces
n
X
A
aij Ckj =0
j=1
Por lo tanto
(
det(A) si i = k
dik =
0 si i 6= k
(
1 si i = k
= det(A)
0 si i 6= k
= det(A)δik
donde In = (δik )n×n . En consecuencia A adj(A) = det(A)In . De manera análoga se prueba que
adj(A)A = det(A)In , lo cual concluye la prueba.
1 1
Teorema 3.25. Si A ∈ Mn×n (R) es invertible, entonces det(A−1 ) = y A−1 = adj(A).
det(A) det(A)
Demostración. Como A es invertible, entonces existe A−1 ∈ Mn×n (R) tal que AA−1 = In =
A−1 A, y por el teorema 1.39
Luego
1
det(A−1 ) = .
det(A)
Por otro lado, usando el teorema 1.40, se tiene que
1 1 1
A adj(A) = A adj(A) = det(A)In = In .
det(A) det(A) det(A)
De donde
1
A−1 = adj(A).
det(A)
Ejercicio Sea A ∈ Mn×n (R) una matriz invertible. Pruebe que adj(A) también es invertible y
además (adj(A))−1 = adj(A−1 ).
120
III. Sistemas de Ecuaciones Lineales
3.25(Regla de Cramer). Sea A ∈ Mn×n (R) una matriz invertible y b ∈ Mn×1 (R). Si
Teorema
x1
x2 det(Abj )
x= es la solución de la ecuación Ax = b, entonces, para cada j ∈ {1, . . . , n}, xj = ,
. det(A)
xn
donde Abj es la matriz que se obtiene de A al reemplazar A(j) (la columna j) por b, esto es,
h i
Abj = A(1) · · · A(j−1) b A(j+1) · · · A(n)
Demostración. Como A = (aij )n×n es invertible, entonces la única solución del sistema Ax
=b
b1
1 1 b
−1 −1 2
es x = A b, pero A = adj(A), ası́ que x = adj(A)b, por lo tanto, si b = . ,
det(A) det(A)
.
bn
n
1 X A
entonces xj = C bi para cada j ∈ {1, . . . , n}.
det(A) i=1 ij
Por otro lado, para cada j ∈ {1, . . . , n}, se tiene que
a11 ··· a1(j−1) b1 a1(j+1) ··· a1n
. . . . .
. . . . .
a(i−1)1 · · · a(i−1)(j−1) bi−1 a(i−1)(j+1) · · · a(i−1)n
Abj = ai1 ··· ai(j−1) bi ai(j+1) ··· ain
a(i+1)1 · · · a(i+1)(j−1) bi+1 a(i+1)(j+1) · · · a(i+1)n
. . . . .
.
an1 ··· an(j−1) bn an(j+1) ··· ann
Ab
Por lo tanto, para cada i ∈ {1, . . . , n}, tenemos que Mij j = MijA y ası́
Abj
Ab
Cij = (−1) det Mij j = (−1)i+j det MijA = CijA
i+j
121
III. Sistemas de Ecuaciones Lineales
122
III. Sistemas de Ecuaciones Lineales
Luego
3 0 2 −1 0 −6 −1 −13 −6 −1 −13
2 1 2 1 0 −3 0 −7
det Ab1 = = = − −3 0 −7
1 2 2 −3 0 0 1 −7
0 1 −7
1 2 1 4 1 2 1 4
−6 0 −20
−6 −20
= − −3 0 −7 = = 42 − 60 = −18.
−3 −7
0 1 −7
1 3 2 −1 1 3 2 −1
−1 0 2
1 2 2
1 0 −1 0 2
det Ab2 = = = −11 −6 1
4 1 2 −3 0 −11 −6 1
1 1 4
0 1 1 4 0 1 1 4
−1 0 0 −6 −21
= −11 −6 −21 = − = −(−36 + 21) = 15.
1 6
1 1 6
1 0 3 −1 1 0 2 −1 1 −1 2 1 −1 2
1 1 2 1 0 1 −1 2
det Ab3 = = = 2 −11 1 = 0 −9 −3
4 2 1 −3 0 2 −11 1
2 1 4
0 3 0
0 2 1 4 0 2 1 4
−9 −3
= = 9.
3 0
1 0 2 3 1 0 2 3
1 0 −1 1 0 0
1 1 2 2 0 1 0 −1
det Ab4 = = = 2 −6 −11 = 2 −6 −9
4 2 2 1 0 2 −6 −11
2 1 1
2 1 3
0 2 1 1 0 2 1 1
−6 −9
= = −18 + 9 = −9.
1 3
123
Sistemas de Ecuaciones Lineales
det Ab1 −18 det Ab2 15 det Ab3 9
En consecuencia x = = = −6; y = = = 5; z = = = 3;
det(A) 3 det(A) 3 det(A) 3
b
det A4 −9
w= = = −3, es decir, la solución del sistema dado es:
det(A) 3
x −6
y 5
=
z 3
w −3
3.5. Aplicaciones
Ejemplo 3.26 Una fábrica produce tres tipos de productos, mezclando para ello tres materias
primas. Se sabe que para fabricar una unidad del producto 1, se necesitan, una unidad de la
materia prima 1, tres unidades de la materia prima 2 y dos unidades de la materia prima 3; para
fabricar una unidad del producto 2, se necesitan, una unidad de la materia prima 1 y tres de la
materia prima 2; finalmente, para fabricar una unidad del producto 3, se necesitan, tres unidades
de la materia prima 1, tres de la materia prima 2 y dos de la materia prima 3: Si este mes la
fábrica cuenta con seis millones de unidades de la materia prima 1, 12 millones de unidades de
la materia prima 2 y seis millones de la materia prima 3 cuántas unidades de cada producto
puede producir la fábrica usando el total de las materias primas?
Solución. Para cada i ∈ {1, 2, 3}, sea xi las unidades (en millones) del producto i que puede
producir la fábrica.
Por lo tanto, la cantidad de unidades (en millones) que se usarán es:
x1 + x2 + 3x3 de la materia 1
124
III. Sistemas de Ecuaciones Lineales
En este caso, la matriz del sistema, la matriz de incógnitas y la matriz de términos indepen-
dientes son, respectivamente:
1 1 3 x1 6
A = 3 3 3 ; x = x2 y b = 12
2 0 2 x3 6
1 6 3 1 6 3
−6 −6
det Ab2 = 3 12 3 = 0 −6 −6 = = 24 − 36 = −12.
−6 −4
2 6 2 0 −6 −4
1 1 6 1 1 6 0 −6
det Ab3 = 3 3 12 = 0 0 −6 =− = −12.
2 6
2 0 6 2 0 6
−24 −12 −12
Por lo tanto x1 = = 2; x2 = = 1 y x3 = = 1, es decir, usando el total de
−12 −12 −12
la materia prima, se pueden fabricar dos millones de unidades del producto 1 y un millón de
unidades de cada uno de los productos 2 y 3.
Los sistemas de ecuaciones, en conjunción con las matrices son ampliamente usados en el planteami-
ento y resolución de problemas que aparecen en la tecnología; por ejemplo en el análisis de circuitos
eléctricos, problemas de química como dce mezclado y de determinación de los coeficientes en las
ecuaciones químicas.
125
UNIDAD III.. SISTEMAS DE ECUACIONES LINEALES
En un curso de Algebra Lineal elemental, no es posible dar una visión amplia acerca de las extensas
aplicaciones que tendrían los sistemas lineales y las matrices o sus derivados que son los determin-
antes; más bien, en un cursos de este estilo, es convenienete adaptarse a la enseñanza y manejo de los
principios básicos.
Desde luego, lo anterior no significa que los ejemplos simples que se den en este curso no tengan pos-
teriormente que ver con la formulación de sistemas en problemas de Investigación de Operaciones, o
en la teoría de la Regresión Lineal y Multilineal, materias fundamentales de los ingenieros industriales
o en sistemas computacionales.
Las matrices se utilizan en el contexto de las ciencias como elementos que sirven para clasificar
valores numéricos atendiendo a dos criterios o variables.
Ejemplo: Un importador de globos los importa de dos colores, naranja (N) y fresa (F). Todos
ellos se envasan en paquetes de 2, 5 y 10 unidades, que se venden al precio (en euros) indicado por la
tabla siguiente: A
2 unid. 5 unid. 10 unid.
Color N 0’0
0’04 0’08 0’12
Color F 40’03 0’05 0’08
Color N Color F
2 unid. 700000 50000
5 unid. 600000 40000
10 unid. 500000 500000
Resumir la información anterior en 2 matrices A y B, de tamaño respectivo 2x3 y 3x2 que recojan las
ventas en un año (A) y los precios (B).
Nos piden que organicemos la información anterior en dos matrices de tamaño concreto. Si nos fijamos
en las tablas, es sencillo obtener las matrices:
N F
2 ud 5 ud 10 ud
0 04 0 03 2 ud
700000 600000 500000 N
A= B = 0 08
0 05 5 ud
50000 40000 500000 F
0 12 0 08 10 ud
Estas matrices se denominan matrices de información, y simplemente recogen los datos numéricos del
problema en cuestión.
Otras matrices son las llamadas matrices de relación, que indican si ciertos elementos están o no
relacionados entre sı́. En general, la existencia de relación se expresa con un 1 en la matriz y la ausencia
de dicha relación de expresa con un 0.
Estas matrices se utilizan cuando queremos trasladar la información dada por un grafo y expresarla
numéricamente.
126
UNIDAD III.. SISTEMAS DE ECUACIONES LINEALES
Relacionadas con los grafos se pueden definir algunas matrices. Entre todas ellas, nosotros nos
fijaremos en la llamada matriz de adyacencia, que es aquella formada por ceros y unos exclusivamente,
de tal forma que:
* un 1 en el lugar (i,j) expresa la posibilidad de ir desde el punto de la fila i hasta el punto de la
columna j mediante una linea que los una directamente.
* un 0 en el lugar (i,j) expresa la imposibilidad de ir del primer punto al segundo mediante una
linea que los una directamente.
A B C D
A 0 1 0 1
B 0 0 1 0
C 1 0 0 0
D 0 0 0 0
Ejercicio
1) Escribe las correspondientes matrices de adyacencia de los grafos:
A B C D
A B C
A 0 1 1 1
A 0 1 0
B 0 0 0 1
B 1 0 1
C 1 0 0 0
C 0 0 0
D 0 1 1 0
127
UNIDAD IV
Espacios Vectoriales
Espacios Vectoriales, subespacios, combinaciones lineales y
bases.
A3. neutro
Existe 0 para la adición vectorial)
128
IV.Espacios Vectoriales
Observación 4.1. Es de hacer notar que las expresiones a la derecha de las igualdades en
M1.
y M2. no son ambiguas pues, a pesar de no haberlo dicho, la operación + tiene mayor jerarquı́a
que la operación · , esto es, (α · u) + v puede ser escrito como α · u + v pero en la expresi
ón α · (u + v) no pueden suprimirse los paréntesis.
Observación 4.4. Nos referiremos al conjunto V como espacio vectorial, siempre que no
se
), sobrentendiendo las operaciones + y · tienda a confusión, en lugar de la terna (V, +, ·
Ejemplo 4.1.
1. El conjunto Rn = {(x1 , x2 , . . . , xn ) : xi ∈ R para cada i ∈ {1, . . . , n}} junto con las opera-
ciones + y · dadas como sigue
(x1 , x2 , . . . , xn ) = (αx1 , α x 2 , . . . , α x n )
129
IV.Espacios Vectoriales
2. El conjunto Mm×n (R) junto con las operaciones + y · , dadas en las definiciones 1.4 y
1.5 respectivamente, del capı́tulo 1, es un espacio vectorial
4. Sea n ∈ N. Definamos
Pn [x] = {a0 + a1 x + · · · + an xn : a0 , a1 , . . . , an ∈ R}
Es decir, Pn [x] está formado por todos los polinomios con coeficientes reales en la variable
x de grado menor o igual a n incluyendo el polinomio nulo. Sobre Pn [x] consideremos las
operaciones usuales de adición de polinomios y multiplicación de un número real por un
polinomio. Entonces Pn [x] es un espacio vectorial (¡pruébelo!)
entonces P[x] es un espacio vectorial junto con las operaciones usuales antes mencionadas
(¡pruébelo!)
Es de hacer notar que el polinomio nulo O(x) = 0 ¡no tiene grado! (¿por qué?), además,
para cada n ∈ N se tiene que Pn [x] 6= ∅ (¿por qué?) y Pn [x] ⊂ Pn+1 [x] ⊂ P[x] (¿por qué?)
130
Espacios Vectoriales
6. El conjunto
V = {(x, y) ∈ R2 : y = x + 1}
junto con las operaciones definidas en la parte 1 de este ejemplo, no es un espacio vectorial
ya que (2, 3), (0, 1) ∈ V (¿por qué?) pero
(x, y) + (z, w) = (x + z, y + w − 1)
entonces V es un espacio vectorial, en efecto, sean (x, y), (z, w), (a, b) ∈ V y α, β ∈ R
cualesquiera. Entonces y = x + 1, w = z + 1 y b = a + 1.
De donde
y + w − 1 = x + 1 + z + 1 − 1 = (x + z) + 1
y por lo tanto
(x, y) + (z, w) = (x + z, y + w − 1) ∈ V
cumpliéndose A0.
131
IV. Espacios Vectoriales
Además
Verifique que se cumple el resto de la propiedades en la definición 2.1. ¿Qué podrı́a concluir
a partir de este ejemplo?
7. Dado un espacio vectorial V. Es fácil probar que el conjunto {0/V }, junto con las operaciones
+ y · definidas sobre V, es un espacio vectorial.
Teorema 4.1. Los elementos 0/V y v ′ dados en A3. y A4. respectivamente, son
únicoselementos de V que satisfacen dichas propiedades.
Demostración. Supongamos que existe x ∈ V tal que v + x = v para cada v ∈ V. Luego, para
/ ∈ V, se tiene que
v = 0V
0/V +x = 0/V (4.1)
Por lo tanto
v + v ′ = 0/V (4.2)
v+b
v = 0/V (4.3)
132
IV.Espacios Vectoriales
Luego
v = b
b v + 0/V (por A3.)
= v + (v + v ′ ) (por 4.2)
v + v) + v ′
= (b (por A2.)
v) + v ′
= (v + b (por A1.)
= 0/V +v ′ (por 4.3)
= v ′ + 0/V (por A1.)
= v′ (por A3.)
Observación 4.5. Al vector 0/V se le denomina vector nulo y el vector v ′ es llamado opuesto
(aditivo) de v y es denotado por −v.
Debido al teorema 2.1, las propiedades A3. y A4. pueden reescribirse, respectivamente, como
sigue.
A’3. Existe un único 0/V ∈ V tal que v + 0/V = v para cada v ∈ V (existencia y unicidad
del elemento neutro para la adición vectorial)
A’4. Para cada v ∈ V existe un único −v ∈ V tal que v + (−v) = v − v = 0/V (existencia
y unicidad del elemento opuesto para la adición vectorial)
1. (α 1 + α2 + · · · + αn )v = α 1 v + α2 v + · · · + αn v.
133
IV. Espacios Vectoriales
Demostración.
2. ¡Ejercicio!
Si α = 0, no hay nada que probar, supongamos entonces que α 6= 0 y probemos que v = 0/V .
v = 1v (por M4.)
= (α−1 α)v
= α−1 (αv) (por M3.)
= α−1 0/V (por hipótesis)
/
V (por la parte 1)
= 0
Con lo que culmina la prueba de la parte 3.
134
IV. Espacios Vectoriales
Luego, por A’4. (unicidad del opuesto aditivo), se tiene que (−α)v = −(αv). De manera
análoga se prueba que α(−v) = −(αv). Finalmente, haciendo α = 1 y por M4., obtenemos
Observación 4.6. En virtud de las igualdades en la parte 4 del teorema 2.2, podemos
escribir
−αv en lugar de −(α v) sin error a confusión.
espacio vectorial nulo, ası́ como también V (ver ejemplo 4.1 parte 7). Estos subespacios
son llamados subespacios triviales de V. Cualquier otro subespacio de V, distinto de
estos dos, es llamado subespacio no trivial. Un subespacio de V distinto de V es llamado
subespacio propio.
2. Dada una matriz real A ∈ Mm×n (R). Los espacios S y R, dados en la parte 3 del ejemplo
4.1, son subespacios de Mn×1 (R) y Mm×1 (R) respectivamente.
3. De la parte 4 del ejemplo 4.1 podemos garantizar que para cada n ∈ N se tiene que Pn [x]
es un subespacio de Pn+1 [x] y de P[x].
4. El conjunto C [ a , b ] formado por todas las funciones reales continuas sobre el intervalo
cerrado [ a , b ], es un subespacio de F [ a , b ].
135
IV. Espacios Vectoriales
Finalmente, no es difı́cil probar que el resto de las propiedades en la definición 2.1 son
satisfechas, con lo cual se obtiene que C [ a , b ] es un subespacio de F [ a , b ].
Antes de dar algún otro ejemplo de subespacio vectorial, debemos hacer notar que en
realidad,
para probar que un subconjunto no vacı́o de un espacio vectorial es un subespacio de este último,
sólo es necesario probar que satisface las propiedades A0. y M0. como veremos en el siguiente
teorema.
1. W 6= ∅.
2 del teorema 4.2 se tiene que 0v0 = 0/V , ası́ que 0/V ∈ W y en consecuencia existe 0/V ∈ W tal que
para cada v ∈ W se tiene que v + 0/V = v, es decir, la condición A3. se satisface si sustituimos V
por W. Esto último significa que 0/W = 0/V , es decir, el vector nulo en todos los subespacios de V
es el mismo.
136
IV. Espacios Vectoriales
Finalmente, sea v ∈ W cualquiera. Entonces, por la condición 3, tenemos que (−1)v ∈ W y dado
que (−1)v = −v (por la parte 4 del teorema 4.2), entonces −v ∈ W, en consecuencia para cada v
∈ W existe −v ∈ W tal que v + (−v) = 0 /
V, es decir, la condición A4. se satisface si
sustituimos V por W. Otra lectura que le podemos dar a este resultado es que el vector opuesto
aditivo de cualquier vector en un subespacio, es también un vector del subespacio.
unAsı́
espacio vectorial V, entonces 0
que para probar que un subconjunto W de un espacio vectorial V es un subespacio de este
último, lo primero que debemos probar es que 0/V ∈ W, esto a su vez garantiza que W 6= ∅. Si
0/V ∈
/ W, entonces W no es un subespacio de V.
1. W 6= ∅.
137
IV. Espacios Vectoriales
1. 0
Observación 4.9. Recordemos que para probar que los conjuntos S y R, definidos en la parte 3
del ejemplo 4.1, son subespacios de Mn×1 (R) y Mm×1 (R), respectivamente (ver parte 2 del ejemplo
4.2), fue necesario probar que eran espacios vectoriales (se dejó como ejercicio), sin embargo, al
usar el teorema 4.3 o el corolario 4.4, vemos que no es necesario.
2 · 0 −0 +3 · 0 −0 = 0
0 +0 −4 · 0 −2 · 0 = 0
Sean p(x) = a1 + b1 x + c1 x2 + d1 x3 y q(x) = a2 + b2 x + c2 x2 + d2 x3 polinomios cualesquiera en
W y α ∈ R cualquiera. Entonces
( (
2a1 −b1 +3c1 −d1 = 0 2a2 −b2 +3c2 −d2 = 0
y
a1 +b1 −4c1 −2d1 = 0 a2 +b2 −4c2 −2d2 = 0
Según el corolario 2.4 y la observación 2.8, sólo falta probar que p(x) + αq(x) ∈ W. Pero
Además
138
IV. Espacios Vectoriales
A + B = {a + b : a ∈ A y b ∈ B}
Ejercicio 4.5. Sean W1 y W2 dos subespacios de un espacio vectorial V tales que W1 ∩W2 = {0/V }
y V = W1 + W2 . Pruebe que para cada v ∈ V existen únicos vectores w1 ∈ W1 y w2 ∈ W2 tales
que v = w1 + w2 .
139
IV. Espacios Vectoriales
v = α 1 v1 + α2 v2 + · · · + αn vn .
Observación 4.10. En la definición 2.4, podemos escoger una cantidad infinita de vectores en
V, en lugar de v1 , v2 , . . . , vn ∈ V, para definir combinación lineal (ver apéndice B).
Ejemplo 4.4.
1. El ejemplo hecho al comienzo de la sección nos dice que cualquier matriz real cuadrada de
orden 2 es combinación lineal de las matrices
" # " # " # " #
1 0 0 1 0 0 0 0
, , , .
0 0 0 0 1 0 0 1
140
Espacios Vectoriales
(9, 5, 6) = α 1 (3, −2, 6) + α2 (−1, −3, 2) = (3α 1 − α2 , −2α1 − 3α2 , 6α1 + 2α2 )
de donde
3α1 −α2 = 9
−2α1 −3α2 = 5
6α1 +2α2 = 6
Resolvamos este sistema de ecuaciones. La matriz ampliada del sistema es
3 −1 9
−2 −3 5
6 2 6
Ejemplo 4.6. Consideremos los polinomios p(x) = −5 − 4x + 9x2 , p1 (x) = 2 − x + 2x2 , p2 (x) =
2 − 2x + 6x2 y p3 (x) = x − 4x2 ¿Es p combinación lineal de p1 , p2 y p3 ?
141
IV. Espacios Vectoriales
Solución. Al igual que en ejemplo precedente, vamos a suponer que la respuesta a la pregunta
es sı́, entonces existen α1 , α2 , α3 ∈ R tales que p(x) = α1 p1 (x) + α2 p2 (x) + α3 p3 (x), para cada
x ∈ R, esto es,
por lo tanto, el sistema original no tiene solución (¿por qué?), en consecuencia, p no es combi
nación lineal de p1 , p2 y p3 .
Si consideramos el polinomio p4 (x) = 1 − 2x + 3x2 ¿Es p combinación lineal de p1 , p2 , p3 y
p4 ?
Ejercicio 4.7. Pruebe que si A, B ∈ Mm×n (R) son equivalentes por filas, entonces cada fila de
B es combinación lineal de las filas de A y viceversa.
gen({v1 , v2 , . . . , vn }) =
para algunos escalares α1 , α2 , . . . , αn ∈ R}
v
{w ∈ V : w = α 1 v1 + α 2 v2 + · · · + α n n
es llamado el espacio generado por los vectores v1 , v2 , . . . , vn . Es decir, gen({v1 , v2 , . . . , vn }) es
el conjunto formado por todas las combinaciones lineales de v1 , v2 , . . . , vn .
142
IV. Espacios Vectoriales
Mm×n (R) = gen({E11 , E12 , . . . , E1n , E21 , E22 , . . . , E2n . . . , Em1 , Em2 , . . . , Emn })
2. El vector v = (9, 5, 6) pertenece al conjunto gen({(3, −2, 6), (−1, −3, 2)}) (ver ejemplo 4.5)
−5 − 4x + 9x2 ∈
/ gen({2 − x + 2x2 , 2 − 2x + 6x2 , x − 4x2 })
Solución. Nótese primero que a + bx + cx2 ∈ gen({2 − x + 2x2 , 2 − 2x + 6x2 , x − 4x2 }) si y sólo
si existen escalares α 1 , α2 , α3 ∈ R tales que, para cada x ∈ R,
2α1 +2α2 = a
−α1 −2α2 +α3 = b
2α1 +6α2 −4α3 = c
143
IV. Espacios Vectoriales
Sin necesidad de hallar la FERF de la matriz, obtenemos que el sistema original tiene solución
si y sólo si a + 4b + c = 0.
En consecuencia
u = α 1 v1 + α2 v2 + · · · + αn vn y v = β1 v1 + β2 v2 + · · · + βn vn
Por lo tanto
u + αv = (α1 v1 + α2 v2 + · · · + αn vn ) + α(β1 v1 + β2 v2 + · · · + βn vn )
= (α1 + αβ1 )v1 + (α2 + αβ2 )v2 + · · · + (αn + αβn )vn
144
IV. Espacios Vectoriales
Definicion 2.6. Sean V un espacio vectorial y v1, v2, . . . , vn ∈ V. Diremos que v1, v2, . . . , vn
generan a V o que el conjunto S = {v1, v2, . . . , vn} genera a V o que S es un conjunto gen-
erador de V si V = gen(S) = gen({v1, v2, . . . , vn}).
Ejemplo 4.9. Por la parte 1 del ejemplo 4.7 podemos decir que:
1. Los vectores (matrices) E11 , E12 , . . . , E1n , E21 , E22 , . . . , E2n . . . , Em1 , Em2 , . . . , Emn generan
a Mm×n (R).
Ejemplo 4.10. Hallar un conjunto generador del subespacio W de P3 [x] dado en el ejemplo 2.3
145
IVEspacios Vectoriales
o equivalentemente (
1
a = 3
c +d
11
b = 3
c +d
Haciendo c = 3α y d = β, con α, β ∈ R, obtenemos
a + bx + cx2 + dx3 = (α + β) + (11α + β)x + 3αx2 + βx3 = α(1 + 11x + 3x2 ) + β(1 + x + x3 )
en consecuencia
v ∈ gen({v1 , v2 , . . . , vn })
por lo tanto
gen({v1 , v2 , . . . , vn , u}) ⊂ gen({v1 , v2 , . . . , vn }) (4.4)
Por otro lado, sea v ∈ gen({v1 , v2 , . . . , vn }) cualquiera. Entonces existen α1 , α2 , . . . , αn ∈ R
tales que v = α1 v1 + α2 v2 + · · · + αn vn ası́ que
v = α1 v1 + α2 v2 + · · · + αn vn = α1 v1 + α2 v2 + · · · + αn vn + 0/V = α1 v1 + α2 v2 + · · · + αn vn + 0u
146
IV. Espacios Vectoriales
Uno de los conceptos más importantes en espacios vectoriales, y en el álgebra lineal en general,
es el de independencia lineal , por lo que pedimos se estudie con mucha detenimiento y cuidado
la presente sección del capı́tulo. Daremos una variedad de ejemplos para tratar de explicar lo
mejor posible dicho concepto.
Dados un espacio vectorial V y vectores v1 , v2 , . . . , vn ∈ V, entonces 0/V = 0v1 +0v2 +· · ·+0vn , es
decir, siempre podemos escribir el vector nulo 0/V como combinación lineal de cualquier cantidad
finita de vectores en V.
Ahora bien, en M2×3 (R) escojamos los vectores
" # " # " #
1 0 −2 2 −3 −4 −4 9 8
A1 = , A2 = y A3 =
−2 5 −3 −1 1 0 −1 7 −6
entonces
" # " # " # " #
0 0 0 1 0 −2 2 −3 −4 −4 9 8
= 2 · A1 − 3 · A2 − A3 = 2 · −3· −
0 0 0 −2 5 −3 −1 1 0 −1 7 −6
1. Según el ejemplo dado previamente a la definición 4.7, se tiene que A1 , A2 , A3 son lineal
mente dependientes.
147
IV. Espacios Vectoriales
{1, x, . . . , xn }, {e1 , e2 , . . . , en } y
es decir, en un espacio vectorial, cualquier conjunto finito de vectores que contenga al vector
nulo, es linealmente dependiente.
Antes de dar algún otro ejemplo, debemos hacer notar que para determinar si un conjunto de
vectores {v1 , v2 , . . . , vn }, en un espacio vectorial V, es linealmente independiente o dependiente,
debemos plantearnos la ecuación α1 v1 + α2 v2 + · · · + αn vn = 0/V , la cual conduce, en general, a
n. Si la solución de 2 , . . . , α un sistema de ecuaciones homogéneo con n incógnitas, a saber, α 1 , α
este sistema es única, y en consecuencia α 1 = α 2 = · · · = α n = 0, entonces {v1 , v2 , . . . , vn } es un
conjunto linealmente independiente, en caso contrario, {v1 , v2 , . . . , vn } es un conjunto linealmente
dependiente.
Ejemplo 4.12. Consideremos los vectores p1 (x), p2 (x), p3 (x), p4 (x) ∈ P2 [x] dados en el
ejemplo
4.6. Decidir si estos vectores son o no linealmente independientes.
4 )x
+(2α1 + 6α 2 − 4α 3 + 3α 4 )x2
148
IV. Espacios Vectoriales
El cual sabemos tiene infinitas soluciones (¿por qué?) y en consecuencia los polinomios p1 (x),
p2 (x), p3 (x) y p4 (x) son linealmente dependientes.
Ejemplo 4.13. Consideremos los polinomios p1 (x), p2 (x) y p4 (x) del ejemplo anterior ¿son
linealmente independientes?
Obteniendo el sistema
2α1 +2α2 +α4 = 0
−α1 −2α2 −2α4 = 0
2α +6α +3α = 0
1 2 4
149
IV. Espacios Vectoriales
De donde
α1 = α2 = α4 = 0
En consecuencia la ecuación 4.6 tiene como única solución la trivial y por lo tanto p1 (x), p2 (x)
y
p4 (x) son linealmente independientes.
# " # " #
5 4 3 −1 1 −1
, A2 = y A3 = . ¿Es
Ejemplo 4.14. Sean A1 = 2 −1 1 3 −4 5
{A1 , A2 , A3 } un conjunto linealmente independiente?
De donde
5α1 +3α2 +α3 = 0
4α −α2 −α3 = 0
1
2 1 −4
−1 3 5
Hallemos su FERF.
5 3 1 1 4 2 1 4 2
F2 → F2 − 4F1
4 −1 −1 4 −1 −1 → −17 −9
0
F1 → F1 − F2 F3 → F3 − 2F1
2 1 −4 → 2 1 −4 0 −7 −8
F4 → F4 + F1
−1 3 5 −1 3 5 0 7 7
1 4 2 1 4 2 1 0 −2
F1 → F1 − 4F2
→
0 7
7 0 1 1 0 1 1
F2 ↔ F4 F2 → 17 F2 F3 → F3 + 7F2
→ −7 −8 → 0 −7 −8
0 F4 → F4 + 17F2 0 0 −1
0 −17 −9 0 −17 −9 0 0 8
150
IV. Espacios
Vectoriales
1 0 −2 1 0 0
F1 → F1 + 2F3
→
0 1 1 0 1 0
F3 → −F3 F2 → F2 − F3
→ 1 1
0 0 F → F − 8F 0 0
4 4 3
0 0 8 0 0 0
Teorema 4.8. Sean V un espacio vectorial y u, v ∈ V. Los vectores u, v son linealmente depen
dientes si y sólo si existe α ∈ R tal que u = αv ó v = αu.
Teorema 4.9. Sea A ∈ Mm×n (R). Las columnas de A, A(1) , A(2) , . . . , A(n) , son linealmente
dependientes en Mm×1 (R) si y sólo si el sistema Ax = 0/m×1 tiene soluciones no triviales.
Demostración. Sea A ∈ Mm×n (R). Entonces A(1) , A(2) , . . . , A(n) son linealmente dependientes
si y sólo si existen escalares α 1 , α2 , . . . , αn ∈ R, no todos nulos, tales que
Ası́ que A(1) , A(2) , . . . , A(n) son linealmente dependientes si y sólo si el sistema Ax = 0/m×1 tiene
soluciones no triviales.
151
IV. Espacios Vectoriales
Corolario 4.10. Sea A ∈ Mn×n (R). Entonces las siguientes proposiciones son equivalentes.
1. det(A) 6= 0.
Demostración. (Ejercicio)
Demostración. (Ejercicio)
α1 v1 + α2 v2 + · · · + αn vn + αu = 0/V
Si α 6= 0, entonces
α α α
1 2 n
u= − v1 + − v2 + · · · + − vn
α α α
lo que contradice la hipótesis de que u ∈
/ gen({v1 , v2 , . . . , vn }). Por lo tanto α = 0, de donde
α1 v1 + α2 v2 + · · · + αn vn = 0/V
152
IV. Espacios Vectoriales
3. {E11 , E12 , . . . , E1n , E21 , E22 , . . . , E2n . . . , Em1 , Em2 , . . . , Emn } es un conjunto generador de
Mm×n (R) y es linealmente independiente.
Conjuntos con estas caracterı́sticas nos son de mucha utilidad en el estudio de los espacios
vectoriales y dan pie a la siguiente definición.
Ejemplo 4.15.
3. {E11 , E12 , . . . , E1n , E21 , E22 , . . . , E2n . . . , Em1 , Em2 , . . . , Emn } es una base de Mm×n (R).
Cada una de estas bases es llamada base canónica o estándar del correspondiente espacio.
Ejemplo 4.16. Ningún conjunto finito de polinomios en x es una base de P[x], en efecto, consi
deremos un conjunto finito cualquiera de polinomios, digamos {p1 (x), p2 (x), . . . , pn (x)}, entonces
para cualesquiera α1 , α2 , . . . , αn ∈ R tenemos que α1 p1 (x)+α2 p2 (x)+· · ·+αn pn (x) es un polinomio
a lo sumo de grado k, donde k es el máximo entre los grados de los polinomios p1 , p2 , . . . , pn ,
es decir, cualquier combinación lineal de los polinomios p1 , p2 , . . . , pn es un polinomio a lo sumo
153
IV. Espacios Vectoriales
{1, x, x2 , . . . , xn , . . .}
Ejemplo 4.18. Considere los polinomios p1 (x), p2 (2), p4 (x) ∈ P2 [x] del ejemplo 4.13. Pruebe que
β = {p1 (x), p2 (x), p4 (x)} es una base de P2 [x].
Solución. Sabemos que el conjunto β = {p1 (x), p2 (x), p4 (x)} es linealmente independiente, en
virtud del ejemplo 4.13, ası́ que sólo falta probar que dicho conjunto genera a P2 [x]. Sea p(x) = a+
bx + cx2 ∈ P2 [x] cualquiera, queremos probar que la ecuación α 1 p1 (x) + α 2 p2 (x) + α 4 p4 (x) =
p(x),
154
IV. Espacios Vectoriales
para todo x ∈ R, tiene solución para α1 , α2 , α4 ∈ R. Pero dicha ecuación es equivalente al sistema
de ecuaciones
2α1 +2α2 +α4 = a
−α1 −2α2 −2α4 = b
2α +6α +3α = c
1 2 4
Ejemplo 4.19. Considere los polinomios p1 (x), p2 (x), p3 (x) y p4 (x) del ejemplo 2.12. Entonces
{p1(x), p2(x), p3(x), p4(x)} no es una base de P2[x], por ser linealmente dependiente, sin embargo
es un conjunto generador de P2[x]. El conjunto {p1(x), p2(x)} tampoco es una base de P2[x], por
no ser un conjunto generador de P2[x], pero es linealmente independiente.
La unicidad de los escalares en el ejemplo 4.18 es una regla la cual enunciaremos en el siguiente
teorema.
Teorema 4.13. Sea β = {v1 , v2 , . . . , vn } una base de un espacio vectorial V. Entonces para cada
v ∈ V existen únicos escalares α 1 , α2 , . . . , αn ∈ R tales que v = α 1 v1 + α2 v2 + · · · + αn vn .
v = α 1 v1 + α2 v2 + · · · + αn vn y v = λ1 v1 + λ2 v2 + · · · + λn vn
Luego
0/V = v − v
= (α1 v1 + α2 v2 + · · · + αn vn ) − (λ1 v1 + λ2 v2 + · · · + λn vn )
= (α1 − λ1 )v1 + (α2 − λ2 )v2 + · · · + (αn − λn )vn
α1 − λ1 = α 2 − λ2 = · · · = αn − λn = 0
155
IV. Espacios Vectoriales
es decir,
α1 = λ1 , α2 = λ2 , . . . , αn = λn
N´otese que hemos hallado dos bases de P2[x], a saber la base can´onica β c = {1, x, x2} y la
base β = {p1(x), p2(x), p4(x)} del ejemplo 4.18, y ambas tienen la misma cantidad de vectores, en
este caso tres (3), esta situaci´on no es para nada casual, como veremos en el siguiente teorema.
uj = α 1j v1 + α2j v2 + · · · + αmj vm
Pero β 2 = {v1 , v2 , . . . , vm } es linealmente independiente, por ser una base de V, ası́ que
α11 λ1 + α12 λ2 + · · · + α1n λn = 0
α λ +α λ +···+α λ = 0
21 1 22 2 2n n
. . . . .
. .
αm1 λ1 + αm2 λ2 + · · · + αmn λn = 0
Este es un sistema de ecuaciones lineales con m ecuaciones y n incógnitas que son λ1 , λ2 , . . . , λn .
Como m < n, al usar el teorema 4.16, concluimos que el sistema anterior tiene soluciones no
triviales, es decir, existen λ1 , λ2 , . . . , λn ∈ R, no todos nulos, tales que
λ1 u1 + λ2 u2 + · · · + λn un = 0/V
156
IV. Espacios Vectoriales
Definición 4.9. Sea V un espacio vectorial. Diremos que V tiene dimensión cero ó dimen
sión nula si V = {0/V }, diremos que la dimensión de V es n si V tiene una base con n elementos,
en ambos casos diremos que V tiene dimensión finita. Si V no posee una base finita, diremos
que V tiene dimensión infinita. En todos los casos la dimensión de V se denota por dim(V).
Ejemplo 4.20.
1. Del ejemplo 4.15 podemos garantizar que dim(Pn [x]) = n + 1, dim(Mm×n (R)) = mn y
dim(Rn ) = n.
1. Suponga que m > n y haga una prueba análoga a la del teorema 4.14.
2. ¡Ejercicio!
157
IV. Espacios Vectoriales
Demostración. ¡Ejercicio!
Sugerencia: En ambos casos suponga que S no es una base, luego para la parte 1 use el
teorema 4.12 y para la parte 2 use el teorema 4.7.
Observación 4.14. Todo espacio vectorial que contenga un subespacio de dimensién infinita,
es también de dimensión infinita.
Ejemplo 4.21. Sean a, b ∈ R cualesquiera. Entonces P[x] puede verse como un subespacio de
C [ a , b ] (¿por qué?) y como P[x] tiene dimensión finita (ver parte 3 de ejemplo 4.20), entonces,
por la observación 4.14, C [ a , b ] de dimensión infinita.
Demostración.
Si S genera a V, entonces S es una base de V, ası́ que β = S es una base de V que contiene
a S. De lo contrario, existe un vector vm+1 ∈ V tal que vm+1 ∈
/ gen({v1 , v2 , . . . , vm }). Luego
{v1 , v2 , . . . , vm , vm+1 } es linealmente independiente, en virtud del teorema 4.12.
2. ¡Ejercicio!
Observación 4.15. Notemos que por definición y ∈ Im(A) si y sólo si existe x ∈ Mn×1 (R) tal
que Ax = y.
159
IV. Espacios Vectoriales
1 0 2 −3
F1 ↔ F2 0 1 −1 4
→
0 0 0 0
x1
x2
Ası́ que ∈ N(A) si y sólo si
x3
x4
(
x1 +2x3 −3x4 = 0
x2 −x3 +4x4 = 0
o bien (
x1 = −2x3 + 3x4
x2 = x3 − 4x4
De donde
x1 −2x3 + 3x4 −2 3
x2 x3 − 4x4 1 −4
= = x3 + x4
x
3 x3 1 0
x4 x4 0 1
Por lo tanto
−2 3
1 −4
N(A) = gen ,
1 0
0 1
No es difı́cil probar que el conjunto
−2 3
1 −4
,
1 0
0 1
es linealmente independiente (¡pruébelo!) y por lo tanto es una base de N(A). Ası́ que n(A)
=
2.
x1
y1
Por otro lado, sea y = y ∈ M3×1 (R). Entonces y ∈ Im(A) si y sólo si existe x = x2 ∈
2
y3 x3
x4
M4×1 (R) tal que Ax = y, es decir, y ∈ Im(A) si y sólo si el sistema Ax = y tiene solución.
160
IV. Espacios Vectoriales
o equivalentemente
y3 = 3y1 + 2y2
En consecuencia
y1 y1 1 0
y = y2 = y2 = y 1 0
+ y 1 1
y3 3y1 + 2y2 3 2
y por lo tanto
1 0
Im(A) = gen 0 , 1
3 2
Al igual que antes, no es difı́cil probar que
1
0
0 , 1
3 2
es linealmente independiente y en consecuencia una base de Im(A). Luego r(A) = 2.
Con respecto al ejercicio anterior, notemos que los pivotes en la FERF de A están en las
columnas 1 y 2, por lo tanto las columnas 1 y 2 de A,
2 −3
−2 , 0
2 −9
161
IV. Espacios Vectoriales
y
0 0
1 2 −3 7 −18 −3
1
A = −2 0 −4 6 = 0
0
0 2 −9 13 −42 −9
0 0
es decir
2 −3
−2 ,
0 ∈ Im(A)
2 −9
y por lo tanto
2 −3
−2 , 0
2 −9
es un subconjunto linealmente independiente de Im(A). Al usar la parte 1 del teorema 4.16
tenemos que
2 −3
−2 , 0
2 −9
es una base para Im(A).
Este procedimiento es válido al momento de hallar una base para Im(A) y es una manera más
sencilla que la usada en el ejemplo previo, es decir, si se quiere hallar una base para Im(A), no
es necesario saber para que valores de y el sistema Ax = y tiene solución.
Vamos a dar el algoritmo que nos permite hallar una base para N(A) y una base para Im(A).
Algoritmo para hallar bases para N(A) e Im(A), donde A ∈ Mm×n (R).
162
IV. Espacios Vectoriales
Paso 2. La matriz hallada en el paso previo, nos permite escribir la solución del sistema
Ax = 0/m×1 como combinación lineal de ciertos vectores linealmente independientes,
dichos vectores forman un base para N(A).
Paso 3. Las columnas con los pivotes, de la matriz hallada en el primer paso, representan
las columnas de A que forman una base para Im(A).
Antes de dar un ejemplo de como aplicar este algoritmo, daremos algunos resultados. Con-
sideremos una matriz A ∈ Mm×n (R). Denotaremos por C(A) al espacio generado por las
columnas de A, el cual llamaremos espacio columna de A, y denotaremos por R(A) al espacio
generado por las filas de A, el cual es llamado espacio fila de A, esto es
y
R(A) = gen({A(1) , A(2) , . . . , A(m) })
Teorema 4.20. Si A, B ∈ Mm×n (R) son tales que A y B son equivalentes por filas, entonces
1. C(A) = Im(A).
2. R(A) = R(B).
5. r(A) + n(A) = n.
Demostración.
1. Por definición de Im(A) sabemos que y ∈ Im(A) si y sólo si existe x ∈ Mn×1 (R) tal que
Ax = y.
x1
x2
Si hacemos x = . , entonces
.
xn
163
IV. Espacios Vectoriales
2. Como A y B son equivalentes por filas, entonces cada fila de B es combinación lineal de
las filas de A y viceversa (ver ejercicio 4.7), es decir, para cada i ∈ {1, . . . , m} se tiene que
B(i) ∈ gen({A(1) , A(2) , . . . , A(m) }) y A(i) ∈ gen({B(1) , B(2) , . . . , B(m) }). En consecuencia
R(A) = R(B)
3. Sea F ∈ Mm×n (R) la FERF de A. Entonces las filas no nulas de F son linealmente indepen
dientes (¿por qué?) y en consecuencia forman una base para R(F ), por lo tanto, si k es el
número de filas no nulas de F , entonces dim(R(F )) = k, pero por la parte 2 R(A) = R(F
), ası́ que dim(R(A)) = dim(R(F )) = k.
Por otro lado, las columnas de F con los pivotes, representan las columnas de A que son
linealmente independientes (en virtud del corolario 4.11) y que en consecuencia forman una
base para C(A), pero la cantidad de pivotes que tiene F es k, por lo tanto dim(C(A)) = k =
dim(R(A)) y por la parte 1 tenemos que
Demostración. ¡Ejercicio!
Corolario 4.22. Sean A ∈ Mm×n (R) y b ∈ Mm×1 (R). Entonces el sistema Ax = b tiene al
menos una solución si y sólo si r([A|b]) = r(A).
Demostración. ¡Ejercicio!
Ejemplo 4.23. Hallar el espacio fila, el espacio columna, el espacio nulo, la imagen, y una base
para cada uno de estos espacios; y la nulidad y el rango de la matriz
2 2 −6 1 8
−4 −1 −3 −2 −19
A=
1 1 −3 1 6
2 4 −16 3 14
164
IV. Espacios Vectoriales
o equivalentemente
x1 = −2x3 − 3x5
x = 5x3 + x5
2
x = −4x
4 5
165
IV. Espacios Vectoriales
Luego
x1 −2x3 − 3x5 −2 −3
x2 5x3 + x5 5 1
x3 = x3 = x3 1 + x5 0
x4 −4x5 0 −4
x5 x5 0 1
Por lo tanto, una base para el espacio nulo de A es:
−2 −3
5 1
1 , 0
0 −4
0 1
luego
nh i h i h io
R(A) = gen 1 0 2 0 3 , 0 1 −5 0 −1 , 0 0 0 1 4
Como los pivotes de la FERF de A están en las columnas 1,2 y 4, entonces las columnas 1,2 y
4 de A forman una base para el espacio imagen o espacio columna de A, es decir,
2 2 1
−4 −1 −2
, ,
1 1 1
2 4 3
166
IV. Espacios Vectoriales
2 2 1
−4 −1 −2
C(A) = Im(A) = gen , ,
1 1 1
2 4 3
Finalmente la nulidad y el rango de A son, respectivamente, n(A) = dim(N(A)) = 2 y r(A) =
dim(Im(A)) = dim(R(A)) = dim(C(A)) = 3.
Ejercicio 4.8. Pruebe que si A ∈ Mn×n (R), entonces existe k ≤ n tal que para cada r ≥ k
se
cumple
2 k
y {0
/
n×1 } ⊂ N(A) ⊂ N(A ) ⊂ · · · ⊂ N A .
1. N (Ar ) = N Ak
2. Im (Ar ) = Im Ak e Im Ak ⊂ · · · ⊂ Im(A2 ) ⊂ Im(A) ⊂ Mn×1 (R).
167
IV. Espacios Vectoriales
En este capı́tulo y en el siguiente, los espacios vectoriales considerados, son espacios vectoriales
reales, salvo que se indique lo contrario, sin embargo, muchas de las definiciones y teoremas
expuestos en ellos, pueden generalizarse para el caso en que no se consideren espacios vectoriales
reales.
Ejemplo 4.3.1.
1. En R2 dos bases ordenadas distintas son: βc = {(1, 0), (0, 1)} y β = {(0, 1), (1, 0)} la primera
2. se Rn las bases
Endenomina ordenadas
la base canónica = {(1, 0, . . ó. , simplemente
βc ordenada 0), (0, 1, 0, . . . base
, 0), . .canónica
. , (0, . . . , 0,de1)}
R2 .yNótese
β =
{(0, β
que . . . ,y0,β1),
son(0,iguales
. . . , 0, 1, 0), . .bases
como . , (1, de
0, . R
. .2,,0)}
peroson distintas,
distintas como perobases
comoordenadas.
bases son iguales. βc
c
es llamada base canónica ordenada ó simplemente base canónica de Rn .
168
IV. Espacios Vectoriales
4. En el espacio de las matrices Mm×n (R), para cada i ∈ {1, . . . , n} y j ∈ {1, . . . , m}, con-
sideremos la matriz Eij , cuya componente ij es igual a 1 y las restantes son iguales a 0
(cero).
La base β c = {E11 , E12 , . . . , E1n , E21 , E22 , . . . , E2n , . . . , Em1 , Em2 , . . . , Emn } es llamada
la base canónica ordenada ó simplemente base canónica de Mm×n (R). Las
siguientes
son bases ordenadas de Mm×n (R), distintas entre si y distintas de β c :
tal que v = α1 v1 + α2 v2 + · · · + αn vn .
169
IV. Espacios Vectoriales
p(x) = α1 (1 + x) + α2 (x + x2 ) + α3 (1 + x2 )
= (α1 + α3 ) + (α1 + α2 )x + (α2 + α3 )x2
Teorema 4.3.1. Sea β una base ordenada de un espacio vectorial V de dimensión n. Para
cualesquiera u, v ∈ V y α ∈ R se cumple que
170
IV. Espacios Vectoriales
2. [αu]β = α[u]β
Demostración. ¡Ejercicio!
Entonces
vj = α1j u1 + α2j u2 + · · · + αnj un
Entonces
α1 u1 + α2 u2 + · · · + αn un = v
= λ1 v1 + λ2 v2 + · · · + λn vn
= λ1 (α11 u1 + α21 u2 + · · · + αn1 un ) + λ2 (α12 u1 + α22 u2 + · · · + αn2 un ) + · · · +
+λn (α1n u1 + α2n u2 + · · · + αnn un )
= (α11 λ1 + α12 λ2 + · · · + α1n λn )u1 + (α21 λ1 + α22 λ2 + · · · + α2n λn )u2 + · · · +
+(αn1 λ1 + αn2 λ2 + · · · + αnn λn )un
171
IV. Espacios Vectoriales
Por lo tanto
α1 α11 λ1 + α12 λ2 + · · · + α1n λn α11 α12 · · · α1n λ1
α α λ + α λ + ··· + α λ α α2n λ2
2 21 1 22 2 2n n 21 α22 · · ·
= =
. . . . . . .
αn αn1 λ1 + αn2 λ2 + · · · + αnn λn αn1 αn2 · · · αnn λn
De donde
α11 α12 · · · α1n
α
21 α22 · · · α2n
[v]β2 = [v]
. . . β1
αn1 αn2 · · · αnn
Haciendo
α11 α12 · · · α1n
α α2n h i
21 α22 · · ·
A = [αij ]n×n = . . . = [v ]
1 β2 [v ]
2 β2 · · · [v ]
n β2
. . .
αn1 αn2 · · · αnn
172
IV. Espacios Vectoriales
Pero
0
.
.
0
[vj ]β1 = 1 −→ j-ésima fila
0
.
0
Luego
0
.
.
0
(j)
A = [vj ]β2 = B[vj ]β1 = B 1 = B (j)
0
.
.
0
Por lo tanto B = A.
Como su nombre lo indica, la matriz Mβ1 ,β2 permite hallar la matriz de coordenadas de un
vector v ∈ V en la base β2 conociendo la matriz de coordenadas de v en la base β1 . Nótese
además que por su definición, la columna j-ésima de Mβ1 ,β2 , representa la matriz de coordenadas
del j-ésimo vector de β1 respecto a la base β2 , esto es, si β1 = {v1 , v2 , . . . , vn }, entonces
h i
Mβ1 ,β2 = [v1 ]β2 [v2 ]β2 · · · [vn ]β2
Ejemplo 4.3.3. Sea β la base ordenada de P2 [x] dada en el ejemplo 3.2. Entonces, según el
ejemplo en cuestión, tenemos que
1 1 −1
1
Mβc ,β = −1 1 1 (¿por qué?)
2
1 −1 1
173
IV. Espacios Vectoriales
Antes de dar algún otro ejemplo, enunciaremos un primer resultado que involucra matrices
de
transición.
0
j-ésima fila ←− 1 = [vj ]β2 = Mβ1 ,β2 [vj ]β1 = Mβ1 ,β2 Mβ2 ,β1 [vj ]β2 = C (j)
0
.
.
0
Solución. Para hallar Mβ1 ,β2 debemos hallar las matrices de coordenadas de cada uno de los
vectores de β1 respecto a la base β2 . Sean
α11 α12 α13
[(1, −2, 0)]β2 = α
21 , [(3, −1, 1)]β 2 = α
22 y [(0, 1, 3)]β2 = α
23
α31 α32 α33
174
IV. Espacios Vectoriales
Entonces
−α23 +3α33 = 0
y 2α13 −α33 = 1
α
13 +α23 +2α33 = 3
Debido a que la matriz de cada uno de estos sistemas es la misma, podemos resolverlos de
manera simultánea considerando la siguiente matriz tres veces ampliada
0 −1 3 1 3 0
2 0 −1 −2 −1 1
1 1 2 0 1 3
Nótese que las tres primeras columnas de esta matriz, son las matrices de coordenadas de
cada uno de los vectores de la base β 2 respecto a la base canónica, y las tres últimas colum
nas, son las matrices de coordenadas de cada uno de los vectores de la base β 1 respecto a la
base
canónica. Este procedimiento es estándar cada vez que busquemos una matriz de cambio de base.
0 −1 3 1 3 0 1 1 2 0 1 3
2 0 −1 −2 −1 1 F1 ↔ F3→ 2 0 −1 −2 −1 1
1 1 2 0 1 3 0 −1 3 1 3 0
175
IV. Espacios Vectoriales
1 1 2 0 1 3 1 1 2 0 1 3
F2 → F2 − 2F1 0 −2 −5 −2 −3 −5 F2 ↔ F3→ 0 −1 3 1 3 0
→
0 −1 3 1 3 0 0 −2 −5 −2 −3 −5
1 1 2 0 1 3 1 0 5 1 4 3
F1 → F1 − F2
F2 → −F2 0 1 −3 −1 −3 0 → 0 1 −3 −1 −3 0
→
F3 → F3 + 2F2
0 −2 −5 −2 −3 −5 0 0 −11 −4 −9 −5
9 1 8
1 0 5 1 4 3 1 0 0 − 11 − 11 11
F1 → F1 − 5F3
1
F3 → − 11 F3 0 1 −3 −1 −3 0 → 0 1 0 1
− 6 15
→ 11 11 11
4 9 5
F2 → F2 + 3F3 4 9 5
0 0 1 11 11 11 0 0 1 11 11 11
Ası́ que
9 1 8
− 11 − 11 11
−9 −1 8
1
Mβ1 ,β2 = 1 6 15 =
11
− 11 11 11 1 −6 15
4 9 5
11 11 11
4 9 5
Hallemos ahora Mβc ,β2 . En este caso la matriz aumentada que obtenemos es
0 −1 3 1 0 0
2 0 −1 0 1 0
1 1 2 0 0 1
Vemos que para obtener Mβc ,β2 necesitamos aplicar, en el mismo orden, las mismas OEF que
aplicamos anteriormente (¿por qué?), y obtenemos
1 5 1
1 0 0 11 11 11
5 3 6
0 1 0 − 11 − 11 11
2 1 2
0 0 1 11
− 11 11
Por lo tanto
1 5 1
11 11 11
1 5 1
Mβc ,β2 = 5
− 11 3
− 11 6 = 1 −5 −3 6
11 11
2 1 2
11
− 11 11
2 −1 2
Nótese que la matriz obtenida no es mas que la inversa de
0 −1 3
Mβ2 ,βc = 2 0 −1
1 1 2
176
IV. Espacios Vectoriales
Finalmente (¡verifı́quelo!)
− 15
14
1
2
3
14
−15 7 3
1
Mβ2 ,β1 = (Mβ1 ,β2 )−1 = 5
14
1
−2 13
14
=
14 5 −7 13
3 1 5
14 2 14
3 7 5
Algoritmo para hallar la matriz de transición Mβ1 ,β2 , donde β1 y β2 son bases ordenadas
de un espacio vectorial V de dimensión n y βc es la base canónica ordenada de V. En general
V = Rn , V = Pn−1 [x] ó V = Mp×q (R) con pq = n.
Paso 4. La matriz hallada en el paso previo tiene la forma [In |B]. Entonces Mβ1 ,β2 = B.
177
IV. Espacios Vectoriales
Luego
[v]β3 = Mβ2 ,β3 [v]β2 = Mβ2 ,β3 Mβ1 ,β2 [v]β1
Demostración. Sea A ∈ Mn×n (R) la matriz cuya j-ésima columna es [vj ]β . Sean α1 , α2 , . . . , αn ∈
R tales que
α1 v1 + α2 v2 + · · · + αn vn = 0
Ası́ que
178
IV. Espacios Vectoriales
El Teorema anterior nos da una forma alternativa para saber si un conjunto {v1 , v2 , . . . , vn },
en un espacio vectorial de dimensión n, es una base para dicho espacio.
Definición 4.5.4. Sea V un espacio vectorial real. Un producto interno sobre V, es una funci
ón
que asocia, a cada par de vectores u, v ∈ V, un único número real denotado por hu , vi, u · v
óuv satisfaciendo las siguientes propiedades. Para cualesquiera u, v, w ∈ V y cada α ∈ R
1. hu , vi = hv , ui.
2. hu + v , wi = hu , wi + hv , wi.
3. hα u , vi = α hu , vi..
hv , vi ≥ 0 y además hv , vi = 0 si y sólo si v = 0/V .
179
IV. Espacios Vectoriales
n
X
1. hu , vi = ui vi donde u = (u1 , u2 , . . . , un ) y v = (v1 , v2 , . . . , vn ).
i=1
En efecto, sean u, v, w ∈ Rn y α ∈ R con u = (u1 , u2, . . . , un ); v = (v1 , v2 , . . . , vn ) y
w = (w1 , w2 , . . . , wn ). Entonces
n
X n
X
hu , vi = ui vi = vi ui = hv , ui
i=1 i=1
Finalmente n n
X X
hu , ui = ui ui = u2i ≥ 0
i=1 i=1
Además, hu , ui = 0 si y sólo si u2i = 0 para cada i ∈ {1, . . . , n} (¿por qué?), esto es, si y
sólo si u = 0/Rn .
Ejemplo 4.5.7. En Mm×n (R) la siguiente función define un producto interno (¡pruébelo!), el
cual
se conoce como producto interno euclidiano, usual o estándar, al igual que en el caso de
Rn , salvo que se indique otra cosa, este es el producto
m X ninterno que consideraremos sobre Mm×n (R).
X
aij bij
hA , Bi = i=1 j=1
donde A = (aij )m×n y B = (bij )m×n .
180
IV. Espacios Vectoriales
Ejemplo 4.5.8. En el espacio de las funciones reales continuas en el intervalo [ a , b ], C [ a,b],
la función Z b
hf , gi = f (x)g(x)dx
a
es un producto interno, en efecto, sean f, g, h ∈ C [ a , b ] y α ∈ R. Entonces
Z b Z b
hf , gi = f (x)g(x)dx = g(x)f (x)dx = hg , f i
a a
Z b Z b
hf + g , hi = (f (x) + g(x))h(x)dx = (f (x)h(x) + g(x)h(x))dx
a a
Z b Z b
= f (x)h(x)dx + g(x)h(x)dx = hf , hi + hg , hi
a a
Z b Z b
hαf , gi = αf (x)g(x)dx = α f (x)g(x)dx = α hf , gi
a a
Z b Z b
hf , f i = f (x)f (x)dx = [f (x)]2 dx ≥ 0
a a
Además hf , f i = 0 si y sólo si f (x) = 0 para cada x ∈ [ a , b ] (¿por qué?), es decir, si y sólo
si f = O, donde O es la función nula sobre [ a , b ], esto es, O(x) = 0 para todo x ∈ [ a , b ].
Siempre que no se indique otra cosa, este es el producto interno que consideraremos sobre
C [ a , b ].
181
IV. Espacios Vectoriales
n
X n
X
hp , pi = p(i)p(i) = [p(i)]2 ≥ 0.
i=0 i=0
Pero el único polinomio en Pn [x], que tiene más de n raı́ces, es el polinomio nulo (¿por
qué?), es decir, hp , pi = 0 si y sólo si p es el polinomio nulo.
n
X
3. hp , qi = ai bi , con p(x) = a0 + a1 x + · · · + an xn y q(x) = b0 + b1 x + · · · + bn xn . (¡pruébe-
i=0
lo!).
1. hu , v + wi = hu , vi + hu , wi para cualesquiera u, v, w ∈ V.
2. hu , α vi = α hu , vi para cualesquiera u, v ∈ V y α ∈ R.
3. hu − v , wi = hu , wi − hv , wi para cualesquiera u, v, w ∈ V.
4. hu , v − wi = hu , vi − hu , wi para cualesquiera u, v, w ∈ V.
/ i = 0 = h0
/ , vi para todo v ∈ V.
V V
5. hv , 0
6. Si hu , vi = 0 para cada v ∈ V, entonces u = 0/V .
Demostración.
hu , v + wi = hv + w , ui = hv , ui + hw , ui = hu , vi + hu , wi .
182
IV. Espacios Vectoriales
hu , v − wi = hv − w , ui = hv , ui − hw , ui = hu , vi − hu , wi .
Ejemplo 4.6.10.
ası́ que x ⊥ y.
2. La parte 5 del teorema 3.6 nos dice que en cualquier espacio vectorial V con producto
interno, el vector nulo 0/V es ortogonal a cualquier vector v ∈ V, además, la parte 6 de este
mismo teorema, nos dice que el único vector que es ortogonal a todo vector v ∈ V, es el
vector nulo.
183
IV. Espacios Vectoriales
4. En P2 [x], los polinomios p(x) = 1+2x2 y q(x) = −2+x2 son ortogonales si consideramos el
producto interno definido en la parte 3 del ejemplo 3.9 (¡verifı́quelo!), pero si consideramos
el producto interno definido en la parte 2 del mismo ejemplo, estos polinomios no son
ortogonales (¡verifı́quelo!).
Solución.
sZ sZ s 1
1 1
x5
1. kpk = (3 − x2 )2 dx
= (9 − + 6x2 = x4 )dx
9x − 2x3 +
−1 −1 5 −1
s r r
1 36 2
= 2 9−2+ = 2 =6
5 5 5
p p √
2. kpk = [p(0)]2 + [p(1)]2 + [p(2)]2 = 32 + 22 + (−1)2 = 14
184
IV. Espacios Vectoriales
p √
3. kpk = 32 + 02 + (−1)2 = 10
Ası́ que
hu , vi ≥ −1
luego
hu , vi ≤ 1
En consecuencia
| hu , vi | ≤ 1
185
IV. Espacios Vectoriales
Las igualdades se cumplen si y sólo si uno de los vectores es múltiplo escalar del otro (¡pru
ébelo!)
Demostración.
Pero
u v 1
hb
u , vbi = , = hu , vi
kuk kvk kuk · kvk
1
Por lo tanto hu , vi ≤ 1, es decir, hu , vi ≤ kuk · kvk.
kuk · kvk
2. Por la parte 3 del teorema 4.7 tenemos que
hu , vi ≤ | hu , vi | ≤ kuk · kvk
Ası́ que
ku + vk2 ≤ kuk2 + 2kuk · kvk + kvk2 = (kuk + kvk)2
186
IV. Espacios Vectoriales
Ejem. 4.6.13. Hallar el ángulo entre los vectores u = (0, −3, 3) y v = (2, 2, −1)
Def.4.6.8. Sea V un EPI y sea S = {v1, v2, . . . , vk} ⊂ V. Diremos que S es un conjunto orto-
gonal si vi ⊥ vj para cualesquiera i, j ∈ {1, . . . , k} con i 6 = j. Si adicionalmente vi es unitario
para cada i ∈ {1, . . . , k}, diremos que S es un conjunto ortonormal.
Solución.
hA1 , A2 i = 1 · 0 + 0 · 2 + 0(−2) + 0 · 0 = 0
hA1 , A3 i = 1 · 0 + 0 · 1 + 0 · 1 + 0 · 3 = 0
hA2 , A3 i = 0 · 0 + 2 · 1 + (−2)1 + 0 · 3 = 0
187
IV. Espacios Vectoriales
α1 v1 + α2 v2 + · · · + αk vk = 0/V
Ejemplo 4.6.15.
pero no es ortonormal.
3. Una base ortonormal de P2 [x], considerando el producto interno definido en la parte 1 del
ejemplo 4.6 .9 con a = 1 y b = −1, es
( r √ )
1 3 5
β= √ , x , √ −1 + 3x2 .
2 2 2 2
En efecto, 2 Z
1
2 1 2 1 1 1
√ = √ k1k = dx = 2 = 1
2 2 2 −1 2
r r ! Z
3
2 3
2
3 1 2 3 x3
1
2
x = kxk = x dx = =1
2 2 2 −1 2 3 −1
188
IV. Espacios Vectoriales
√ 2 √ !2 Z
5 2
5
2 2 5 1 2
√ −1 + 3x = √ −1 + 3x = −1 + 3x2 dx
2 2
2 2 8 −1
Z 1 1
5 2 4
5 3 9 5
= 1 − 6x + 9x dx = x − 2x + x dx = 1
8 −1 8 5 −1
Además * r + r √ Z 1
1 3 1 3 3
√ , x =√ h1 , xi = xdx = 0
2 2 2 2 2 −1
* √ + √ √ Z 1
1 5 2
1 5
2
5
√ , √ −1 + 3x = √ √ 1 , −1 + 3x = −1 + 3x2 dx
2 2 2 22 2 4 −1
√
5 1
= −x + x3 −1 = 0
4
*r √ + r √ √ Z 1
3 5 2
3 5
2
15
x , √ −1 + 3x = √ x , −1 + 3x = x −1 + 3x2 dx = 0
2 2 2 22 2 4 −1
Para finalizar esta sección, nos plantearemos y solucionaremos el problema de hallar una base
ortonormal para un EPI de dimensión finita o para un subespacio de dimensión finita de un EPI,
comenzaremos con un ejemplo el cual ilustrará un procedimiento, conocido como proceso de
ortonormalización de Gram-Schmidt, que nos permite encontrar tal base.
Ejem. 4.6.16. En P2 [x] consideremos el producto interno dado en el ejemplo 3.15 y considere-
mos la base de P2 [x] β = {1 , x , x2 }. Hallar una base ortonormal de P2 [x] partiendo de la base
β.
Solución. Hagamos
v1 = 1 , v2 = x y v3 = x2
Entonces sZ
1 √
kv1 k = dx = 2
−1
Sea
1 1
u1 = v1 = √
kv1 k 2
Ası́ que ku1 k = 1.
Ahora hagamos
w2 = v2 − hv2 , u1 i u1
189
IV. Espacios Vectoriales
Pero Z 1
1 1 1
hv2 , u1 i = x, √ = √ hx , 1i = √ xdx = 0.
2 2 2 −1
Luego w2 = v2 = x, además
sZ s r
1 1
x3 2
kw2 k = x2 dx = =
−1 3 −1 3
Si hacemos r
1 3
u2 = w2 = x
kw2k 2
entonces ku2 k = 1 y u1 ⊥ u2 (ver ejemplo 3.15).
Consideremos
w3 = v3 − hv3 , u1 i u1 − hv3 , u2 i u2
Pero Z 1 1
2 1 1
2 1 1 x3 2
hv3 , u1 i = x , √ =√ x ,1 =√ x2 dx = √ = √
2 2 2 −1 2 3 −1 3 2
* r + r r Z 1
3 3
2 3
hv3 , u2 i = x2 , x = x ,x = x3 dx = 0
2 2 2 −1
De donde
2 1 1
w3 = x2 − √ √ = − + x2
3 2 2 3
y s sZ s
Z 1 2 1
5 1
1 1 2 1 2 x
kw3 k = − + x2 dx = − x2 + x4 dx = x − x3 +
−1 3 −1 9 3 9 9 5 −1
r √
8 2 2
= = √
45 3 5
Finalmente, hagamos
√ √
1 3 5 1 5
u3 = w3 = √ − + x = √ −1 + 3x2
2
kw3 k 2 2 3 2 2
Entonces ku3 k = 1 , u3 ⊥ u1 y u3 ⊥ u2 (ver ejemplo 3.15).
Por lo tanto ( r √ )
1 3 5
{u1 , u2 , u3} = √ , x , √ −1 + 3x2
2 2 2 2
es una base ortonormal de P2 [x], la cual se obtuvo de β.
190
IV. Espacios Vectoriales
Además
Con lo que w2 ⊥ u1 .
1 w2
Paso 3. Sea u2 = w2 = . Entonces ku2k = 1 y u1 ⊥ u2 . Ası́ que {u1 , u2} es un
kw2 k kw2 k
conjunto ortonormal.
Luego
v = α1 u1 + α2 u2
1 1
= α1 v1 + α2 w2
kv1 k kw2 k
α1 α2
= v1 + (v2 − hv2 , u1 i u1 )
kv1 k kw2 k
α1 α2 1
= v1 + v2 − hv2 , u1 i v1
kv1 k kw2 k kv1 k
α1 α2 hv2 , u1 i α2
= − v1 + v2
kv1 k kw2 kkv1 k kw2 k
191
IV. Espacios Vectoriales
De donde v ∈ gen({v1 , v2 }), por tanto gen({u1 , u2 }) ⊂ gen({v1 , v2 }) y ası́ gen({u1 , u2})
es un subespacio de gen({v1 , v2 }), como {u1 , u2} es un conjunto ortonormal, y en
consecuencia linealmente independiente (¿por qué?), entonces dim(gen({u1, u2 })) =
2 = dim(gen({v1 , v2 })), ası́ que
De manera recursiva, para k < m, obtenemos un conjunto ortonormal {u1 , u2 , . . . , uk } tal que
Paso 4. Sea
Procediendo de esta manera, obtenemos un conjunto ortonormal de vectores no nulos {u1 , u2 , . . . , um}
en W, y por lo tanto, una base ortonormal de W.
192
Capı́tulo V
Transformaciones Lineales. Autovalores y Autovectores de una
Matriz
Definición 5.1. Sean V y W dos espacios vectoriales y T : V −→ W una función. Diremos que
T es una transformación lineal si para cualesquiera u, v ∈ V y α ∈ R se cumple que
1. T (u + v) = T (u) + T (v).
2. T (αu) = αT (u).
193
V.Transformaciones Lineales.
194
V. Transformaciones Lineales.
T (u + v) = T ((a1 , b1 , c1 ) + (a2 , b2 , c2 ))
= T (a1 + a2 , b1 + b2 , c1 + c2 )
= (b1 + b2 ) + [2(a1 + a2 ) + (c1 + c2 )]x + [(b1 + b2 ) − 3(c1 + c2 )]x3
= (b1 + b2 ) + (2a1 + 2a2 + c1 + c2 )x + (b1 + b2 − 3c1 − 3c2 )x3
= [b1 + (2a1 + c1 )x + (b1 − 3c1 )x3 ] + [b2 + (2a2 + c2 )x + (b2 − 3c2 )x3 ]
= T (a1 , b1 , c1 ) + T (a2 , b2 , c2 )
= T (u) + T (v)
T (αu) = T (α(a1 , b1 , c1 ))
1, α c)=
T (αa1 , α b
= αb1 + (2α c1 )x + (αb1 − 3αc1 )x3
a1 + α
= αb1 + α (b1 − 3c1 )x3
(2a1 + c1 )x + α
= α[b1 + (2a1 + c1 )x + (b1 − 3c1 )x3 ]
= αT (a1 , b1 , c1 )
= αT (u)
9. Sea A ∈ Mm×n (R). Definamos T : Mn×1 (R) −→ Mm×1 (R) como T (x) = Ax. No es difı́cil
probar que T es una transformación lineal .
Este ´ultimo ejemplo nos dice que toda matriz define una transformaci´on lineal, m´as adelante
veremos que toda transformaci´on lineal, entre espacios vectoriales de dimensi´on finita, est´a
asociada con una matriz.
El siguiente teorema nos será de gran utilidad a la hora de decidir si una función T es una
transformación lineal.
Teorema 5.1. Sean V y W dos espacios vectoriales. Una función T : V −→ W es una trans-
formación lineal si y sólo si para cualesquiera u, v ∈ V y α ∈ R se cumple que T (u + αv)
=T (u) + αT (v)
T (u) + αT (v).
195
V.Transformaciones Lineales.
y además
T (0/V ) = T (u + (−1)u) = T (u) + (−1)T (u) = 0/W
luego
T (αv) = T (0/V +αv) = T (0/V ) + αT (v) = 0/W +αT (v) = αT (v)
De ahora en adelante, gracias a este último teorema, cuando queramos probar que una fun-
ción T, entre espacios vectoriales, es una transformación lineal, no será necesario probar las dos
condiciones en la definición 4.1, sólo bastará probar la condición en el teorema anterior.
1. T (0/V ) = 0/W .
2. T (u − v) = T (u) − T (v).
Demostración.
196
V.Transformaciones Lineales.
b) (Hipótesis Inductiva) Supongamos que se cumple para n − 1, esto es, supongamos que
197
V.Transformaciones Lineales.
(T + λ
L)(v1 + α
v2 ) = T (v1 + α
v2 ) + (λL)(v1 + α
v2 ) (definición de suma de funciones)
= T (v1 + α
v2 ) + λL(v1 + α
v2 )
(definición de múltiplo escalar de funciones)
= T (v1 ) + α
T (v2 ) + λ
(L(v1 ) + α
L(v2 )) (pues T y L son lineales)
= T (v1 ) + α
T (v2 ) + λ
L(v1 ) + λ
α
L(v2 )
= T (v1 ) + λ
L(v1 ) + α
T (v2 ) + λ
α
L(v2 )
= T (v1 ) + λ
L(v1 ) + α
(T (v2 ) + λ
L(v2 ))
= T (v1 ) + (λL)(v1 ) + α
(T (v2 ) + (λL)(v2 ))
(definición de múltiplo escalar de funciones)
= (T + λ
L)(v1 ) + α
(T + λ
L)(v2 ) (definición de suma de funciones)
En consecuencia T + λ
L es lineal.
Dado dos espacios vectoriales V y W, este último teorema nos dice que el conjunto
formado
por todas las transformaciones lineales de V en W, junto con las operaciones usuales de suma de
funciones y multiplicación por escalar, forman un espacio vectorial.
n vn v = α 1 v1 + α 2 v2 + · · · + α
ası́ que
(teorema 5.2 parte 3)
n vn ) T (v) = T (α1 v1 + α 2 v2 + · · · + α
= α1 L(v1 ) + α2 L(v2 ) + · · · + αn L(vn ) (hipótesis)
= α 1 T (v1 ) + α 2 T (v2 ) + · · · + α n T (vn )
= L(α 1 v1 + α2 v2 + · · · + αn vn ) (teorema 5.2 parte
3) = L(v)
198
V.Transformaciones Lineales.
Luego T = L.
Solución.
T (a0 + a1 x + a2 x2 ) = T (a0 · 1 + a1 x + a2 x2 )
= a0 T (1) + a1 T (x) + a2 T (x2 )
= a0 (2, −1) + a1 (3, 4) + a2 (−1, 5)
= (2a0 + 3a1 − a2 , −a0 + 4a1 + 5a2 )
Teorema 5.6 (Existencia y Unicidad de una Transformación Lineal). Sean V y W dos espacios
vectoriales, β = {v1 , v2 , . . . , vn } una base de V y w1 , w2 , . . . , wn ∈ W. Entonces existe una
única transformación lineal T : V −→ W tal que T (vi ) = wi para cada i ∈ {1, . . . , n}.
Definamos n
X
T (v) = α1 w1 + α2 w2 + · · · + αn wn = αi wi
i=1
199
V. Transformaciones Lineales.
En consecuencia T es lineal.
Finalmente, probemos que T es única. Supongamos que existe otra transformación lineal L :
V −→ W tal que L(vi ) = wi para cada i ∈ {1, . . . , n}.
Luego, por el teorema 5.5, se tiene que L = T .
Ejemplo 5.3. Hallar una transformación lineal T : R3 −→ M2×2 (R) (si existe) tal que
" # " #
2 0 0 −1
T (−2, 2, −1) = ; T (0, 1, −3) = ;
1 −2 4 3
" # " #
2 1 4 −2
T (−2, 1, 2) = ; T (1, −1, 0) =
−3 −5 1 0
Solución. Veamos cuales de los vectores (−2, 2, −1), (0, 1, −3), (−2, 1, 2), (1, −1, 0) son lineal-
mente independientes, para ello, consideremos la matriz
−2 0 −2 1
2 1 1 −1
−1 −3 2 0
200
V. Transformaciones Lineales.
y hallemos su FERF.
−2 0 −2 1 −1 −3 2 0 1 3 −2 0
2 1 1 −1 F1 ↔ F3→ 2 1 1 −1 F1 → −F1→ 2 1 1 −1
−1 −3 2 0 −2 0 −2 1 −2 0 −2 1
1 3 −2 0 1 3 −2 0
F2 → F2 − 2F1
→ 0 −5 5 −1 F 2 → F2 + F3 0 1 −1 0
→
F3 → F3 + 2F1
0 6 −6 1 0 6 −6 1
1 0 1 0
F1 → F1 − 3F2
→ 0 1 −1 0
F3 → F3 − 6F2
0 0 0 1
Dado que los pivotes se encuentran en las columnas 1, 2 y 4, los vectores
son linealmente independientes, y en consecuencia, forman una base para R3 y por el teorema
4.6, concluimos que existe una única transformación lineal tal que
" # " #
2 0 0 −1
T (−2, 2, −1) = ; T (0, 1, −3) = ;
1 −2 4 3
" #
4 −2
T (1, −1, 0) =
1 0
Hallemos T . Sea (x, y, z) ∈ R3 cualquiera. Hagamos
201
V. Transformaciones Lineales.
1 3 0 0 0 −1 1 0 0 −3 −3 −1
F1 → F1 − 3F2
F2 → F2 + F3 0 1 0 1 1 0 → 0 1 0 1 1 0
→
F3 → F3 − 6F2
0 6 1 1 0 −2 0 0 1 −5 −6 −2
Por lo tanto
−3 −3 −1
Mβc ,β = 1 1 0
−5 −6 −2
En consecuencia
−3 −3 −1 x −3x − 3y − z
[(x, y, z)]β = Mβc ,β [(x, y, z)]βc = 1 1 0 y = x+y
−5 −6 −2 z −5x − 6y − 2z
Es decir
De donde
Ejemplo 5.4. Hallar una transformación lineal (si existe) T : R4 −→ M3×1 (R) tal que
1 0
T (1, −2, 1, 1) =
2 ; T (2, 1, 3, 0) = −1
−3 2
202
V.Transformaciones Lineales.
−2 3
T (0, 5, 1, −2) = −5 ; T (1, −7, 0, 3) = 7
8 −11
Solución. Veamos si el conjunto S = {(1, −2, 1, 1); (2, 1, 3, 0); (0, 5, 1, −2); (1, −7, 0, 3)} es li-
nealmente independiente, para ello consideremos la matriz
1 2 0 1
−2 1 5 −7
1 3 1 0
1 0 −2 3
y hallemos su FERF
1 2 0 1 1 2 0 1 1 2 0 1
F2 → F2 + 2F1
−2 1 5 −7 0 5 5 −5 0 1 1 −1
F3 → F3 − F1 F2 ↔ F3
→ 1 −1 → 5 −5
1 3 1 0
F4 → F4 − F1
0 1 0 5
1 0 −2 3 0 −2 −2 2 0 −2 −2 2
1 0 −2 3
F1 → F1 − 2F2
0 1 1 −1
F3 → F3 − 5F2
→ 0 0 0 0
F4 → F4 + 2F2
0 0 0 0
Por lo tanto, los dos primeros vectores de S son linealmente independientes, no podemos
proceder como en el ejemplo anterior, sin embargo, podemos completar una base de R4 partiendo
de estos dos vectores (el teorema de completación de bases nos lo permite) ¿cómo hacerlo?,
escojamos estos vectores entre los canónicos, para saber cuál de ellos escoger, consideremos la
siguiente matriz
1 2 1 0 0 0
−2 1 0 1 0 0
1 3 0 0 1 0
1 0 0 0 0 1
hallemos su FERF.
203
V. Transformaciones Lineales.
1 2 1 0 0 0 1 2 1 0 0 0
F2 → F2 + 2F1
−2 1 0 1 0 0 0 5 2 1 0 0
F3 → F3 − F1
→ 1 −1 0 1 0
1 3 0 0 1 0 F →F −F 0
4 4 1
1 0 0 0 0 1 0 −2 −1 0 0 1
1 2 1 0 0 0 1 0 3 0 −2 0
F1 → F1 − 2F2
0 1 −1 0 1 0 0 1 −1 0 1 0
F2 ↔ F3 F 3 → F 3 − 5F 2
→ 0 5 2 1 0 0 → −5 0
F → F + 2F 0 0 7 1
4 4 2
0 −2 −1 0 0 1 0 0 −3 0 2 1
1 0 3 0 −2 0 1 0 0 − 37 1
7
0
F1 → F1 − 3F3 1 2
0 1 −1 0 1 0 0 1 0 7 7
0
F3 → 17 F3 F 2 → F 2 + F 3
→ 0 0 1 5
1 7 −7 0 → 0 0 1 1
− 57 0
F4 → F4 + 3F3 7
3
0 0 −3 0 2 1 0 0 0 7
− 17 1
Sin necesidad de llegar a la FERF, nos damos cuenta que los vectores que completan una base
de R4 son (1, 0, 0, 0); (0, 1, 0, 0), es decir,
T : R4 −→ M1×3 (R)
204
V. Transformaciones Lineales.
Por lo tanto
1 1
T (x, y, z, w) = T w(1, −2, 1, 1) + z − w (2, 1, 3, 0)
3 3
2 1 1 7
+ x− z− (1, 0, 0, 0) + y − z + w (0, 1, 0, 0)
3 3 3 3
1 1
= wT (1, −2, 1, 1) + z − w T (2, 1, 3, 0)
3 3
2 1 1 7
+ x− z− T (1, 0, 0, 0) + y − z + w T (0, 1, 0, 0)
3 3 3 3
1 0 0
1 1 1 1
= w 2 + z − w −1 + z− w 0
3 3 3 3
−3 2 0
0
1 7
+ y− z+ w 0
3 3
0
w
T (x, y, z, w) = − 13 z + 73 w
2
3
z − 113
w
Se puede verificar que T satisface las últimas dos igualdades en el enunciado del ejercicio,
ası́ que T es la transformación buscada, pero a diferencia de la transformación hallada en el
ejercicio anterior, esta no es única, depende de la escogencia de los vectores que completan la
base del espacio de partida y la escogencia de las imágenes de estos.
En la sección anterior, vimos que toda matriz A ∈ Mm×n (R), define una transformación lineal
de Mn×1 (R) en Mm×1 (R), además, se comentó que toda transformación lineal, entre espacios
vectoriales de dimensión finita, está asociada con una matriz, a continuación enunciaremos y
demostraremos un teorema que garantiza esta última afirmación.
205
V. Transformaciones Lineales.
Teorema 5.7. Sean V y W dos espacios vectoriales, β V = {v1 , v2 , . . . , vn } una base ordenada
de V, β W = {w1 , w2 , . . . , wm } una base ordenada de W y T : V −→ W una transformación
lineal.
Entonces existe un única matriz A ∈ Mm×n (R) tal que para cada v ∈ V
[T (v)]βW = A[v]β V
1j , α 2j , . . . , α mj ∈
R tales que
Demostración. Para cada j ∈ {1, . . . , n}, existen escalares α
mj wm
De donde
n vn )
T (v) = T (λ1 v1 + λ 2 v2 + · · · + λ
n T (vn )=
λ1 T (v1 ) + λ 2 T (v2 ) + · · · + λ
= λ1 (α11 w1 + α 21 w2 + · · · + α m1 wm ) + λ 2 (α12 w1 + α 22 w2 + · · · + α m2 wm ) + · · ·
+
mn wm ) +λ n (α1n w1 + α 2n w2 + · · · + α
= (α11 λ1 + α 12 λ 2 + · · · + α 1n λ n )w1 + (α21 λ1 + α 22 λ 2 + · · · + α 2n λ n )w2 + · · ·
+
α11λλn1 )w
mn +mα12
+(αλ2 m1
+λ · ·1·+
+αα λλ+
1n2 n
m2 · · · + α α11 α12 · · · α 1n λ1
α21 λ1 + α22 λ2 + · · · + α2n λn α21 α22 · · · α2n λ2
[T (v)]βW = = = A[v]βV
Por lo tanto . . . . .
αm1 λ1 + αm2 λ2 + · · · + αmn λn αm1 αm2 · · · αmn λn
206
V. Transformaciones Lineales.
donde
α11 α12 ··· α1n
h i
α21 α22 · · · α2n
A= . . . = [T (v )]
1 βW · · · [T (v )]
n βW
. . .
αm1 αm2 · · · αmn
Lo cual demuestra la existencia de la matriz A satisfaciendo la tesis del teorema. Probemos
ahora su unicidad. Supongamos que B ∈ Mm×n (R) es tal que para cada v ∈ V
[T (v)]βW = B[v]βV
Pero
0
..
0
[vj ]βV = 1 −→ j-ésima fila
0
.
.
0
Luego
A(j) = [T (vj )]βW = B[vj ]βV = B (j)
Por lo tanto B = A.
Ejemplo 5.5.
207
V. Transformaciones Lineales.
Ejemplo 5.7. Consideremos la transformación lineal T : M2×2 (R) −→ P2 [x] dada por
!
a b
T = (a + b − c) + (a + 2b + c + d)x + (−a − 3b − 3c − 2d)x2
c d
Sean βV la base canónica ordenada de M2×2 (R), βW la base canónica ordenada de P2 [x] y
( ! ! ! !)
1 2 −1 0 2 3 −2 1
βbV = ; ; ;
−1 0 1 1 1 −1 3 2
βbW = 1 + x; x + x2 ; 1 − 2x2
bases ordenadas de M2×2 (R) y P2 [x], respectivamente. Hallar [T ]βV ,βW y [T ]βbV ,βbW .
208
V. Transformaciones Lineales.
Solución. En primer lugar, hallaremos las imágenes, a través de T , de cada uno de los vectores
de la base canónica βV .
! !
1 0 0 1
T = 1 + x − x2 ; T = 1 + 2x − 3x2
0 0 0 0
! !
0 0 0 0
T = −1 + x − 3x2 ; T = x − 2x2
1 0 0 1
Al igual que en ejemplo 4.6, por definición de la matriz [T ]βV ,βW
" !# " !# " !# " !#
1 0 0 1 0 0 0 0
[T ]βV ,βW = T T T T
0 0 0 0 1 0 0 1
βW βW βW βW
h i
= 1 + x − x2 β 1 + 2x − 3x2 β −1 + x − 3x2 β x − 2x2 β
W W W W
1 1 −1 0
= 1 2 1 1
−1 −3 −3 −2
Análogamente, para hallar [T ]βbV ,βbW , hallemos primero las imágenes, a través de T , de cada uno
de los vectores de la base βbV .
! !
1 2 −1 0
T = 4 + 4x − 4x2 ; T = −2 + x − 4x2
−1 0 1 1
! !
2 3 −2 1
T = 4 + 8x − 12x2 ; T = −4 + 5x − 14x2
1 −1 3 2
Ahora hallemos las matrices de coordenadas de cada uno de estos vectores respecto a la base
βbW . Para ello consideremos la siguiente matriz cuatro veces ampliada (¿por qué?).
1 0 1 4 −2 4 −4
1 1 0 4 1 8 5
0 1 −2 −4 −4 −12 −14
las tres primeras columnas de esta matriz, son las coordenadas de los vectores de la base βbW ,
respecto a la base canónica βW , el resto de las columnas, son las coordenadas de los vectores,
hallados previamente, respecto a la base canónica βW , esto es, las tres primeras columnas de esta
matriz representan la matriz MβbW ,βW y las últimas 4 columnas reperesentan la matriz [T ]βbV ,βW .
La FERF de esta matriz es
209
V. Transformaciones Lineales.
1 0 0 0 −9 −12 −27
0 1 0 4 10 20 32
0 0 1 4 7 16 23
Por lo tanto
0 −9 −12 −27
[T ]βbV ,βbW = 4 10 20 32
4 7 16 23
Paso 5. La matriz hallada en el paso previo tiene la forma [Im |B]. Entonces [T ]βV ,βW = B.
([T ]βV ,βW [L]βU ,βV )[u]βU = [T ]βV ,βW ([L]βU ,βV [u]βU )
= [T ]βV ,βW [L(u)]βV
210
V. Transformaciones Lineales.
Teorema 5.9. Sean V y W dos espacios vectoriales de dimensión finita; β V y βbV bases ordenadas
de V; βW y βbW bases ordenadas de W y T : V −→ W una transformación lineal. Entonces
Luego
[T (v)]βbW = MβW ,βbW [T (v)]βW = MβW ,βbW [T ]βV ,βW [v]βV = MβW ,βbW [T ]βV ,βW MβbV ,βV [v]βbV
Ejemplo 5.8. Consideremos T , β V , β W , βbV y βbW como en el ejemplo 5.7. Verificar el teorema
5.9.
211
V. Transformaciones Lineales.
Corolario 5.10. Sea V un espacio vectorial de dimensión finita; β V y βbV dos bases ordenadas
de V y T : V −→ V una transformación lineal. Entonces
Demostración. ¡Ejercicio!
212
V. Transformaciones Lineales.
Ası́ que
T (v1 + αv2 ) = T (v1 ) + αT (v2 ) = 0/W +α 0/W = 0/W
Ejemplo 5.9.
Ejemplo 5.10. Sea T la transformación dada en el ejemplo 4.6. Hallar n(T ) y r(T ).
213
V. Transformaciones Lineales.
214
V. Transformaciones Lineales.
y la nulidad de T es
n(T ) = dim(N(T )) = 1
En consecuencia (a, b, c) ∈ Im(T ) si y sólo si el sistema (4.2) tiene solución. Al resolver este
sistema, obtenemos
x − 12 z = − 12 b + 1
c 1
− 12 b + 12 c
2 x =
2
z
y − 12 z = 1
a ; o bien y = 1
z+ 1
a
2 2 2
w = 1
a + 32 b − 1
c w = 1
a 3
+ 2b − 1
c
2 2 2 2
Por lo tanto, el sistema (4.2) tiene solución para cada (a, b, c) ∈ R3 , en consecuencia Im(T ) = R3
y r(T ) = 3.
Observacci´on ó 5.3. Nótese que la matriz de los sistemas (5.2) y (5.1) no es otra que la que la mat-
riz [T ]βV,βW, donde βV y βW son las bases canónicas de lo5 espacios M2×2(R) y R3 respectivamente .
Al igual que en el caso matricial, no hace falta resolver el sistema (4.2), la FERF de la matriz
de este sistema nos da toda la información, pero a diferencia del caso matricial, los pivotes de esta
matriz nos dan las coordenadas, respecto a la base canónica de R3, de los vectores que forman una
base para Im(T ). Para entender bien este comentario, consideremos el siguiente ejemplo.
215
V. Transformaciones Lineales.
a +b −c = 0
a +2b +c +d = 0 (5.3)
−a −3b −3c −2d = 0
donde βV y βW son las bases canónicas de M2×2 (R) y P2 [x] respectivamente. Su FERF es
1 0 −3 −1
0 1 2 1
0 0 0 0
Por lo tanto
( (
a −3c −d = 0 a = 3c + d
; o bien
b +2c +d = 0 b = −2c − d
Ası́ que ! ! ! !
a b 3c + d −2c − d 3 −2 1 −1
= =c +d
c d c d 1 0 0 1
En consecuencia ( ! !)!
3 −2 1 −1
N(T ) = gen ;
1 0 0 1
y una base para N(T ) es
( ! !)
3 −2 1 −1
;
1 0 0 1
luego n(T ) = dim(N(T )) = 2. Los pivotes de la FERF de la matriz del sistema, están en las colum-
nas 1 y 2, ası́ que las columnas 1 y 2 de la matriz original, son las matrices de coordenadas, respecto
a βW , de dos vectores que forman una base para Im(T ), por lo tanto r(T ) = dim(Im(T )) = 2,
además
Im(T ) = gen 1 + x − x2 ; 1 + 2x − 3x2
216
V. Transformaciones Lineales.
1. {u1 , u2 , . . . , uk } es una base para N(T ) si y sólo si {[u1 ]β V , [u2 ]βV , . . . , [uk ]βV } es una base
para N([T ]Vβ,β W )
2. {z1 , z2 , . . . , zr } es una base para Im(T ) si y sólo si {[z1 ]β W , [z2 ]βW , . . . , [zr ]βW } es una base
para Im([T ]Vβ,β W )
Demostración. ¡Ejercicio!
Ejemplo 4.12.
Solución. , b recordemos que
Sean Tlugar,
En primer
( ! ! ! !)
1 2 −1 0 2 3 −2 1
βbV = ; ; ;
−1 0 1 1 1 −1 3 2
217
V. Transformaciones Lineales.
βbW = 1 + x; x + x2 ; 1 − 2x2
Sabemos que
0 −9 −12 −27
[T ]βbV ,βbW = 4 10 20 32
4 7 16 23
Sin mucha dificultad, obtenemos que la FERF de esta matriz es
1 0 53 12
4
0 1 3 3
0 0 0 0
Luego una base para N [T ]βbV ,βbW es
−5 −1
−4 −6
;
3 0
0 2
y usando el teorema 4.12, tenemos que estas dos matrices son las matrices de coordenadas resd-
pecto a la base βbV de dos vectores que forman una base para N(T ), hallemos estos vectores.
! ! ! ! !
1 2 −1 0 2 3 −2 1 5 −1
(−5) + (−4) +3 +0 =
−1 0 1 1 1 −1 3 2 4 −7
! ! ! ! !
1 2 −1 0 2 3 −2 1 1 0
(−1) + (−6) +0 +2 =
−1 0 1 1 1 −1 3 2 1 −2
Luego, una base para N(T ) es
( ! !)
5 −1 1 0
;
4 −7 1 −2
y ası́ ( ! !)!
5 −1 1 0
N(T ) = gen ;
4 −7 1 −2
y n(T ) = 2.
218
5.4. Aplicaciones de las transformaciones: reflexión,
dilatación,contracción y rotación.
Dilatación o escalamiento 2D
lo largo de los ejes X1 y X2 respectivamente, de esta forma, las coordenadas del nuevo punto
x1 ' = x1 ⋅ s1
x2 ' = x2 ⋅ s2
⎡ s1 0 0⎤
[x1 ' x 2 ' 1] = [x1 x2 1] ⋅ ⎢⎢ 0 s2 0⎥⎥
⎢⎣ 0 0 1⎥⎦
5 5
4 4
3 3
2 2
1 1
X1 X1
1 2 3 4 5 1 2 3 4 5
219
V. Transformaciones Lineales.
Dilatación o escalamineto 3D
esta forma, las coordenadas del nuevo punto p' = ( x1 ' , x 2 ' , x3 ' ) se obtienen como:
x1 ' = x1 ⋅ s1
x2 ' = x2 ⋅ s2
x3 ' = x3 ⋅ s 3
⎡ s1 0 0 0⎤
⎢0 s2 0 0⎥⎥
[x1 ' x 2 ' x3 ' 1] = [x1 x2 x3 1] ⋅ ⎢
⎢0 0 s3 0⎥
⎢ ⎥
⎣0 0 0 1⎦
s3 = 1.5.
220
V. Transformaciones Lineales.
X2 X2
5 5
4 4
3 3
2 2
1 1
X1 X1
1 2 3 4 5 1 2 3 4 5
1 1
2 2
3 3
X3 4 X3 4
5 5
Escalamiento o dilatación 4D
forman el espacio 4D, de esta forma, las coordenadas del nuevo punto
x1 ' = x1 ⋅ s1
x2 ' = x2 ⋅ s2
x3 ' = x3 ⋅ s 3
x4 ' = x4 ⋅ s4
221
V. Transformaciones Lineales.
⎡ s1 0 0 0 0⎤
⎢0 s2 0 0 0⎥⎥
⎢
[x1 ' x 2 ' x3 ' x 4 ' 1] = [x1 x2 x3 x4 1] ⋅ ⎢ 0 0 s3 0 0⎥
⎢ ⎥
⎢0 0 0 s4 0⎥
⎢⎣ 0 0 0 0 1⎥⎦
Escalamiento o dilatación nD
⎡ s1 0 0 K 0 0⎤
⎢0 s2 0 K 0 0⎥⎥
⎢
⎢0 0 s3 K 0 0⎥
[x1 ' x 2 ' x3 ' K x n ' 1] = [x1 x2 x3 K x n 1] ⋅ ⎢ ⎥
⎢M M M O M M⎥
⎢0 0 0 K sn 0⎥
⎢ ⎥
⎣⎢ 0 0 0 K 0 1⎦⎥
un tamaño de (n+1) × (n+1), en la cual, si se sustituyen los valores para n=2 y n=3, se
Translación
La translación permite desplazar un objeto a lo largo de sus dimensiones, como
222
V. Transformaciones Lineales
Lineales.
Translación 2D
las coordenadas del nuevo punto p' = ( x1 ' , x 2 ' ) , se obtienen como:
x1 ' = x1 + d1
x2 ' = x2 + d 2
⎡1 0 0⎤
[x1 ' x 2 ' 1] = [x1 x2 1] ⋅ ⎢⎢ 0 1 0⎥⎥
⎢⎣d1 d2 1⎥⎦
X2 X2
5 5
4 4
3 3
2 2
1 1
X1 X1
1 2 3 4 5 1 2 3 4 5
Translación 3D
223
V. Transformaciones Lineales.
en el eje X1 , d2 unidades en el eje X2 y d3 unidades en el eje X3, de esta forma, las
coordenadas del nuevo punto p' = ( x1 ' , x 2 ' , x3 ' ) se obtienen como:
x1 ' = x1 + d1
x2 ' = x2 + d 2
x3 ' = x 3 + d 3
⎡1 0 0 0⎤
⎢0 1 0 0⎥⎥
[x1 ' x 2 ' x3 ' 1] = [x1 x2 x3 1] ⋅ ⎢
⎢0 0 1 0⎥
⎢ ⎥
⎣d1 d2 d3 1⎦
X2 X2
5 5
4 4
3 3
2 2
1 1
X1 X1
1 2 3 4 5 1 2 3 4 5
1 1
2 2
3 3
X3 4 X3 4
5 5
224
V. Transformaciones Lineales.
Translación 4D
Nuevamente tomando como base esta idea, se tiene que la translación 4D implica el
la suma de cuatro distancias: d1, d2, d3, d4 a cada uno de los ejes que forman el espacio 4D,
de esta forma, las coordenadas del nuevo punto p ' = ( x1 ' , x 2 ' , x3 ' , x 4 ' ) se obtiene como:
x1 ' = x1 + d1
x2 ' = x2 + d 2
x3 ' = x 3 + d 3
x4 ' = x4 + d 4
⎡1 0 0 0 0⎤
⎢0 1 0 0 0⎥⎥
⎢
[x1 ' x 2 ' x3 ' x 4 ' 1] = [x1 x2 x3 x4 1] ⋅ ⎢ 0 0 1 0 0⎥
⎢ ⎥
⎢0 0 0 1 0⎥
⎢⎣d1 d2 d3 d4 1⎥⎦
Translación nD
225
V. Transformaciones Lineales.
⎡1 0 0 K 0 0⎤
⎢0 1 0 K 0 0⎥⎥
⎢
⎢0 0 1 K 0 0⎥
[x1 ' x 2 ' x3 ' K x n ' 1] = [x1 x2 x3 K x n 1] ⋅ ⎢ ⎥
⎢M M M O M M⎥
⎢0 0 0 K 1 0⎥
⎢ ⎥
⎢⎣d1 d2 d3 K d n 1⎥⎦
un tamaño de (n+1) × (n+1), en la cual, si se substituyen los valores para n=2 y n=3, se
Rotación
La rotación permite girar un objeto sobre un eje de rotación, dado un valor de ángulo
de rotación θ y su dirección.
Rotaciones 2D
llevan a cabo alrededor del origen, las rotaciones sobre cualquier otro punto arbitrario se
llaman rotaciones generales 2D. En esta Sección 5.5 , se analizan sólo las rotaciones prin-
cipales para todas las dimensiones, en la Sección 5.6 se discuten las rotaciones generales.
(pivote) sobre el cuál el objeto será rotado. Los ángulos de rotación positivos definen una
rotación en sentido contrario a las manecillas del reloj sobre el punto pivote (del eje X1 al
eje X2), entonces los ángulos de rotación negativos producen una rotación en el sentido de
226
V. Transformaciones Lineales.
las manecillas (del eje X2 al eje X1). [Hearn 95] describe la rotación 2D como el giro sobre
el eje de rotación que es perpendicular al plano X1X2 (mejor conocido como plano XY) y
distancia del punto p = ( x1 , x 2 ) al origen, φ define la posición angular del punto p desde la
horizontal, y θ el ángulo de rotación de p para producir el nuevo punto p ' = ( x1 ' , x 2 ' ) .
X2 p’=(x1’,x2’)
r
p=(x1,x2)
r
θ
φ X1
p = (r , φ ) y el punto p ' = ( x1 ' , x 2 ' ) como p ' = (r , φ + θ ) . Pasando después estos puntos de
x1 = r cos(φ ) x 2 = r sin(φ )
x1 ' = r cos(φ + θ ) x 2 ' = r sin(φ + θ )
227
V. Transformaciones Lineales.
p = p⋅R , es decir:
⎡ cos θ sin θ 0⎤
[x1 ' x 2 ' 1] = [x1 x2 1] ⋅ ⎢⎢− sin θ cos θ 0⎥⎥
⎢⎣ 0 0 1⎥⎦
2 2
1 1
X1 X1
-1 -2 1 2 -1 -2 1 2
-1 -1
-2 -2
Rotaciones 3D
puntos no coincidentes que determinan un segmento de recta, cuya línea de soporte define
228
V. Transformaciones Lineales.
Las rotaciones principales 3D, son aquellas cuando el eje de rotación se encuentra
sobre alguno de los tres ejes principales: X1, X2 o X3, las rotaciones sobre cualquier otro eje
arbitrario son llamadas rotaciones generales 3D. Se recuerda que inicialmente, se analizan
las manecillas del reloj sobre el eje de rotación, esto es si se observa el giro desde la parte
positiva del eje hacia el origen. Otra forma de determinar la dirección de un giro positivo es
mediante la regla de la mano derecha (Figura 5.7), que dice que: “Si se coloca el dedo
pulgar de la mano derecha sobre el eje de rotación apuntando hacia la parte positiva de
dicho eje, el giro natural del resto de los dedos indica la dirección positiva del giro”.
X2 X2 X2
X1 X1 X1
X3 X3 X3
Figura 5.7: Regla de la mano derecha para obtener la dirección de un giro positivo en 3D.
hay que recordar que la rotación 2D es el giro sobre el eje de rotación, que es perpendicular
al plano X1X2, el cual en 3D corresponde al eje X3, entonces se tiene la primera de las rota-
ciones principales .
De esta forma, por cada punto p = ( x1 , x 2 , x3 ) dado un ángulo θ, puede ser rotado
sobre el eje X3 en sentido contrario a las manecillas del reloj, obteniendo las coordenadas
del nuevo punto p' = ( x1 ' , x 2 ' , x3 ' ) de la misma forma en como se analizó en el espacio 2D
229
V. Transformaciones Lineales.
x3 ' = x3
Sea R3(θ) la matriz de rotación alrededor del eje X3, en coordenadas homogéneas la
rotación de un punto p alrededor de dicho eje, se puede expresar como el producto matricial
' ( )
p = p ⋅ R3 θ , es decir:
⎡ cos θ sin θ 0 0⎤
⎢− sin θ cos θ 0 0⎥⎥
[x1 ' x 2 ' x3 ' 1] = [x1 x2 x3 1] ⋅ ⎢
⎢ 0 0 1 0⎥
⎢ ⎥
⎣ 0 0 0 1⎦
Ecuación 5.12: Expresión matricial para la rotación 3D alrededor del eje X3.
La Figura 5.8 muestra el efecto de rotación sobre el eje X3 de una figura con θ = 20°.
X2 X2
5 5
4 4
3 3
2 2
1 1
X1 X1
1 2 3 4 5 1 2 3 4 5
1 1
2 2
3 3
X3 4 X3 4
5 5
230
V. Transformaciones Lineales.
Las ecuaciones para las rotaciones sobre el eje X1, y eje X2, pueden ser obtenidas
x1 → x2 → x3 → x1
X2 X3 X1
X1 X2 X3
X3 X1 X2
Sea R1(θ) la matriz de rotación alrededor del eje X1, en coordenadas homogéneas la
rotación de un punto p alrededor de dicho eje, se puede expresar como el producto matricial
p = p ⋅ R1 θ , es decir:
⎡1 0 0 0⎤
⎢0 cos θ sin θ 0⎥⎥
[x1 ' x 2 ' x3 ' 1] = [x1 x2 x3 1] ⋅ ⎢
⎢0 − sin θ cos θ 0⎥
⎢ ⎥
⎣0 0 0 1⎦
Ecuación 5.14: Expresión matricial para la rotación 3D alrededor del eje X1.
231
V. Transformaciones Lineales.
Sea R2(θ) la matriz de rotación alrededor del eje X2, en coordenadas homogéneas la
rotación de un punto p alrededor de dicho eje, se puede expresar como el producto matricial
p = p ⋅ R2 θ , es decir:
⎡cos θ 0 − sin θ 0⎤
⎢ 0 1 0 0⎥⎥
[x1 ' x 2 ' x3 ' 1] = [x1 x2 x3 1] ⋅ ⎢
⎢ sin θ 0 cos θ 0⎥
⎢ ⎥
⎣ 0 0 0 1⎦
Ecuación 3.16: Expresión matricial para la rotación 3D alrededor del eje X2.
232